iSAQB CPSA-A AGENTA

Beschrijving

Door deel te nemen aan de iSAQB® CPSA-A-cursus Architectuur voor software-engineering met AI-agenten (AGENTA) krijgen deelnemers 20 competentiepunten voor Methodische Competentie (MC) en 10 competentiepunten voor Technische Competentie (TC). Deze punten tellen mee voor de 70 punten die nodig zijn om het iSAQB CPSA-A-examen bij Brightest te mogen afleggen. Van de 70 punten die nodig zijn voor het iSAQB CPSA-A-examen bij Brightest, moeten ten minste tien competentiepunten in elk van de volgende gebieden worden behaald: 

• Technische Competentie (TC)
• Methodische Competentie (MC)
• Communicatieve Competentie (CC)

De geaccrediteerde iSAQB® AGENTA-cursus – Architectuur voor software-engineering met AI-agenten (CPSA-A) is gebaseerd op het actuele iSAQB®-curriculum:

Deel 1 – Inleiding en basisprincipes

• De verbanden begrijpen tussen kunstmatige intelligentie, machine learning, generatieve AI en grote taalmodellen
• Onderscheid maken tussen AI-ondersteund, uitgebreid en agentisch programmeren
• AI-orchestratie, agentische workflows en agentische engineering begrijpen
• De verschillen herkennen tussen agentische engineering en vibe coding
• De mogelijkheden en beperkingen van grote taalmodellen begrijpen, waaronder hallucinaties, vooroordelen, kennisgrenzen en beperkingen van de context
• Uitleggen hoe prompt engineering en context engineering de kwaliteit van door AI gemaakte resultaten beïnvloeden
• Onderscheid maken tussen AI-assistenten en AI-agenten
• Agentische lussen, het gebruik van hulpmiddelen, statusbeheer, planning, subagenten en human-in-the-loop-methoden begrijpen
• Verschillende niveaus van zelfstandigheid binnen agentische engineering indelen
• Methoden kennen zoals Spec-Driven Development, zwermen van agenten en conversational programming
• Beslissen of een taak door een mens, een traditioneel softwarehulpmiddel of een AI-agent moet worden uitgevoerd
• Begrijpen hoe AI-assistenten en AI-agenten werkzaamheden binnen softwarearchitectuur kunnen ondersteunen, terwijl mensen verantwoordelijk blijven voor architectonische beslissingen

Deel 2 – Architectuurbeslissingen met ondersteuning van AI

• De levenscyclus van architectuurbeslissingen begrijpen en weten hoe agentische engineering deze beïnvloedt
• Doorlopende feedbacklussen opzetten tussen architectuur, ontwikkeling, testen en beheer
• AI gebruiken om doorlopende, op bewijs gebaseerde architectuurbeslissingen te ondersteunen
• Kwaliteitsdoelen uitwerken tot meetbare architectuurdrivers en kwaliteitsscenario’s
• Conflicten herkennen tussen kwaliteitsdoelen, randvoorwaarden en architectonische bedoelingen
• Zwakke plekken in de structuur, architectuurdrift, technische schuld en toenemende complexiteit herkennen
• Bestaande analysehulpmiddelen combineren met AI-ondersteunde architectuurreviews en beoordelingen
• AI gebruiken om architectuuralternatieven te maken, te verbeteren en te vergelijken
• Architectuuropties beoordelen op basis van drivers, randvoorwaarden, principes en bestaande beslissingen
• Architectuurbeslissingen behandelen als testbare hypotheses met duidelijke aannames en validatiecriteria
• Eenvoudige experimenten, prototypes, simulaties, spikes en directe vergelijkingen ontwerpen
• De beperkingen en risico’s van architectonisch redeneren met ondersteuning van AI herkennen
• Reviewmomenten, grenzen en beschermende regels vaststellen voor architectuurbeslissingen met grote gevolgen
• De architectuurwerkzaamheden verplaatsen van het voorschrijven van implementatiedetails naar het sturen van doelen, randvoorwaarden en acceptatiecriteria
• Risico’s van orchestratie herkennen en beperken, zoals agenten die niet meer onder controle zijn, oneindige lussen en fouten die zich verder verspreiden
• Rekening houden met kosten en duurzaamheid bij het ontwerpen van agentische workflows

Deel 3 – Architectuurkennis beschikbaar maken voor agenten

• Begrijpen hoe de informatie die beschikbaar is voor een AI-agent de kwaliteit en architectonische consistentie van het resultaat beïnvloedt
• Het beschikbaar maken van architectuurkennis voor agenten behandelen als een technische en ontwerpgerichte uitdaging
• Architectuurbeslissingen, randvoorwaarden, kwaliteitsdoelen, principes, domeinconcepten en systeemgrenzen herkennen die belangrijk zijn voor AI-agenten
• Nauwkeurige, onderhoudbare en effectieve vormen van architectuurkennis voor agenten ontwerpen
• Formaten gebruiken zoals Architecture Decision Records, architectuurregels, contextbestanden, kennisbanken, retrieval-indexen, diagrams-as-code en gestructureerde randvoorwaarden
• Geschikte methoden kiezen om architectuurkennis op het juiste moment aan agenten te geven
• Strategieën beoordelen zoals Retrieval-Augmented Generation en herbruikbare vaardigheden voor agenten
• De gevolgen voor de architectuur begrijpen van standaardprotocollen voor de integratie van agenten en hulpmiddelen, zoals het Model Context Protocol
• Beoordelen of de architectuurkennis die beschikbaar is voor agenten voldoende en goed gestructureerd is
• Een uitgebreide architectuurcontext afwegen tegen het risico van irrelevante of tegenstrijdige informatie
• De levering van kennis stap voor stap verbeteren door het gedrag van agenten te bekijken en te beoordelen
• Begrijpen dat gedeelde documentatie niet automatisch zorgt voor gedeeld begrip

Deel 4 – Agenten laten werken volgens architectuurdoelen

• Begrijpen waarom AI-agenten duidelijke architectuurcontroles en randvoorwaarden nodig hebben
• Herkennen hoe AI-gegenereerd werk zonder grenzen kan leiden tot inconsistenties, technische schuld en architectuurdrift
• Begrijpen waarom architectuurkennis alleen niet genoeg is om het gedrag van agenten te controleren
• Preventieve en controlerende maatregelen ontwerpen die AI-gegenereerd werk binnen de architectuurgrenzen houden
• Afwegingen beoordelen tussen nauwkeurigheid en dekking en tussen snelheid en diepte van de analyse
• Geschikte mechanismen kiezen om structuurregels en bredere kwaliteitskenmerken af te dwingen
• Architectuurtests, statische analyse, linters, afhankelijkheidsregels, beleidscontroles, review gates, sandboxing en goedkeuringsprocessen gebruiken
• Architectuurcontroles op geschikte plaatsen in het ontwikkel- en leveringsproces zetten
• Doorlopende architectuurcontroles opzetten voor AI-ondersteunde codebases die snel veranderen
• Beoordelen of een bestaande codebase en technologiestack geschikt zijn voor de architectonische controle van AI-agenten
• Architectuurcontroles stap voor stap in bestaande systemen invoeren
• De moeite voor het opzetten van controles afwegen tegen de risico’s van het gebruik van agenten zonder deze controles
• Fouten in AI-gegenereerd werk gebruiken om architectuurcontroles verder te verbeteren
• Bepalen welke verbeteringen van controles kunnen worden geautomatiseerd en waar menselijke beoordeling nodig blijft

Deel 5 – Architectuurinformatie verzamelen

• Onderscheid maken tussen documentatie van de huidige en de gewenste architectuur
• Onderscheid maken tussen architectuurinformatie voor mensen en voor agenten
• Begrijpen waar AI architectuurdocumentatie kan ondersteunen en waar menselijke samenwerking nodig blijft
• Beknopte en machineleesbare vormen maken voor AI-ondersteunde workflows
• Architectuurbeslissingen en documentatie tijdens agentische ontwikkellussen onderhouden
• Herkennen wanneer agentische ontwikkeling bestaande architectuurbeslissingen stilzwijgend verandert of ervan afwijkt
• Architecture Decision Records gebruiken om beslissingen, alternatieven, redenen en gevolgen vast te leggen
• AI gebruiken om ADR-concepten te maken op basis van contextlogs, resultaten van controles, gesprekken, e-mails en verslagen van vergaderingen
• Menselijke reviewmomenten instellen om traceerbaarheid en verantwoordelijkheid te behouden
• Architectuurinformatie halen uit broncode, repositories, interfaces, configuraties, tests en deploymentbeschrijvingen
• Door AI gemaakte inzichten combineren met statische en dynamische analyses
• Technologieën, frameworks, architectuurpatronen, ontwerppatronen en mogelijke bedrijfsregels herkennen
• Ontbrekende informatie, inconsistenties en onzekerheden in verzamelde architectuurinformatie herkennen
• Architectuurviews maken en onderhouden op basis van ontwikkelartefacten
• Tekstgebaseerde formaten zoals Mermaid en Structurizr gebruiken voor levende documentatie met versiebeheer
• Gegenereerde documentatie controleren aan de hand van de kennis van ontwikkelaars en het werkelijke gedrag van het systeem

Deel 6 – Governance en quality gates voor het gebruik van AI

• Aandachtspunten rond auteursrecht en softwarelicenties begrijpen bij het gebruik van AI-gegenereerde code en artefacten
• Controles opzetten die risico’s rond auteursrecht bij AI-ondersteunde ontwikkeling verminderen
• De verwerking van persoonlijke en gevoelige gegevens beoordelen bij het gebruik van AI-hulpmiddelen
• Rollen en verantwoordelijkheden volgens de eisen voor gegevensbescherming begrijpen
• De basisrollen, risicologica en stapsgewijze eisen van de Europese AI-verordening toepassen op normale situaties met AI-hulpmiddelen
• Herkennen wanneer experts op het gebied van gegevensbescherming, informatiebeveiliging, recht en andere stakeholders moeten worden betrokken
• Beslissingen over AI zo documenteren dat ze geschikt zijn voor audits en verdere beslissingen
• De traceerbaarheid en herkomst van AI-gegenereerde resultaten waarborgen
• Gestructureerde logging, contextverwijzingen, bronvermeldingen, versiebeheer, tracing en monitoring gebruiken
• AI-governance op een consistente manier toepassen binnen teams en ontwikkelprocessen
• AI-kostenmodellen op basis van tokens en abonnementen vergelijken
• Rekening houden met afhankelijkheid van een leverancier, flexibiliteit bij de keuze van aanbieders en datasoevereiniteit bij het kiezen van AI-diensten
• Beschermende regels, goedkeuringsprocessen en allowlists gebruiken voor de integratie van agenten en hulpmiddelen
• De invloed van AI-ondersteunde en agentische ontwikkeling op het milieu begrijpen
• Duurzame gebruiksstrategieën ontwikkelen op basis van de modelgrootte, het ontwerp van workflows en het gebruik van middelen
• Veilige regels opstellen voor het kiezen en gebruiken van AI-hulpmiddelen die voldoen aan de eisen voor gegevensbescherming
• Beveiligingsrisico’s begrijpen, zoals prompt injection, misbruik van hulpmiddelen en confused-deputy-aanvallen
• Maatregelen toepassen zoals minimale toegangsrechten, beperkte inloggegevens, duidelijke goedkeuringen en monitoring
• Geschikte sandboxingstrategieën kiezen op basis van containers of virtuele machines

Deel 7 – De veranderende discipline van softwarearchitectuur

• Verantwoordelijkheid en eigenaarschap behouden voor AI-gegenereerde code en technische resultaten
• Het risico herkennen en aanpakken dat technische vaardigheden verloren gaan door te veel afhankelijkheid van AI
• Gericht oefenen, eerst zelf nadenken en leren met ondersteuning van AI gebruiken om belangrijke vaardigheden te behouden
• Kritisch denken bij het beoordelen en controleren van AI-gegenereerde resultaten
• Onderscheid maken tussen redeneren met ondersteuning van AI en beslissingen volledig aan AI overlaten
• Architectuurwerkzaamheden herkennen waarvoor mensen verantwoordelijk moeten blijven
• Gedeelde termen en domeinwoorden gebruiken om beslissingen van agenten consistenter te maken
• Meten of teams hun architectuurvaardigheden verbeteren en niet alleen sneller resultaten produceren
• AI-ondersteunde ontwikkeling invoeren met duidelijke hypotheses, gecontroleerde experimenten en meetbare resultaten
• De invoering van AI begrijpen als een doorlopend proces van toegang, gebruik, vaardigheid, veranderende werkmethoden en organisatieontwikkeling
• De invoering ondersteunen met training, experimenten, duidelijk eigenaarschap en psychologische veiligheid
• Nuttige indicatoren gebruiken, zoals doorlooptijd, change failure rate, DORA-metrics en signalen over de ervaring van ontwikkelaars
• Samenwerkingsvormen gebruiken die mensen en AI combineren en tegelijk goede communicatie tussen teamleden behouden
• Agenttopologieën begrijpen, zoals zelfstandige agenten, subagenten en teams van agenten
• Rollen, teamstructuren, engineeringpraktijken en architectuurverantwoordelijkheden aanpassen aan AI-ondersteunde ontwikkeling
• De aandacht verplaatsen van implementatie op regelniveau naar breder architectuurgericht, productgericht en resultaatgericht denken
• Begrijpen hoe AI softwarearchitectuur, oplossingsarchitectuur en enterprise-architectuur beïnvloedt