iSAQB CPSA-A SWARC4AI

Beschrijving

Door deel te nemen aan de iSAQB® CPSA-A Softwarearchitectuur voor AI-systemen (SWARC4AI)-cursus ontvangen deelnemers 20 punten voor Technische Competentie (TC) en 10 punten voor Methodische Competentie (MC). Deze punten tellen mee voor de 70 punten die nodig zijn om het iSAQB CPSA-A-examen bij Brightest te mogen afleggen. Houd er rekening mee dat u binnen de 70 punten die nodig zijn voor het iSAQB CPSA-A-examen bij Brightest minimaal tien competentiepunten nodig hebt in elk van de volgende gebieden: 

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

De geaccrediteerde iSAQB® SWARC4AI - Softwarearchitectuur voor AI-systemen (CPSA-A)-training is gebaseerd op het actuele iSAQB®-curriculum:

Deel 1 - Inleiding tot AI-concepten die belangrijk zijn voor softwarearchitectuur

• Artificial intelligence, machine learning, data science, deep learning en generatieve AI kunnen indelen
• Algemene toepassingen van AI beschrijven
• Mogelijke toepassingen in verschillende sectoren en eindgebruikerstoepassingen kennen
• Risico’s bij het gebruik van AI herkennen
• De verschillen met traditionele software begrijpen
• Bepalen of een probleem met AI of klassieke softwareontwikkeling moet worden opgelost
• Rollen, taken en samenwerking binnen de context van AI kennen
• AI-toepassingen herkennen en prioriteren
• De sterke punten en beperkingen van AI kennen
• Het concept van de "Productivity J-Curve" in verband met AI-technologie kennen

Deel 2 -  Compliance, beveiliging en afstemming

• De invloed van privacywetgeving op de implementatie en het gebruik van AI kennen
• De doelen en regels van de EU AI Act en hun invloed op het ontwikkelproces en de architectuur begrijpen
• AI-systemen indelen volgens de risiconiveaus van de EU AI Act
• Auteursrechtelijke problemen bij door AI gemaakte inhoud kunnen indelen
• Soorten en niveaus van openheid en licenties van vrije ML-modellen overzien
• Strategieën voor naleving van de EU AI Act en mogelijke uitdagingen begrijpen
• Modellen en datasets documenteren voor traceerbaarheid en transparantie
• Beveiligingsrisico’s en soorten aanvallen op ML-modellen kennen
• Strategieën voor het beperken van AI-risico’s kennen en toepassen
• Maatregelen voor bescherming tegen aanvallen toepassen (AI Security)
• De belangrijkste problemen en aspecten van AI Safety begrijpen
• Ethische problemen van AI-systemen en mogelijke oplossingen begrijpen
• Ethische richtlijnen overzien
• De belangrijkste principes van AI Governance en Responsible AI voor organisaties kennen
• Inzicht krijgen in het opzetten van "Regulatory Sandboxes"
• Goed databeheer voor de kwaliteit en veiligheid van data in AI-toepassingen waarborgen

Deel 3 - Ontwerp en ontwikkeling van AI-systemen

• De levenscyclus van een machine-learning- of data-scienceproject begrijpen
• Werkwijzen voor de softwareontwikkeling van AI-systemen kennen
• Soorten data, eisen aan data en veelvoorkomende ML-problemen kennen
• Machine-learningproblemen en hun eisen begrijpen
• Inputdata voor verschillende AI-algoritmen gebruiken
• Omgaan met uitdagingen zoals niet-determinisme, datakwaliteit en concept- en modeldrift
• Transfer learning en fine-tuning kennen
• Ontwerppatronen voor AI-systemen kiezen
• De taak van een ML-model bepalen
• De invoer en uitvoer van een ML-systeem begrijpen en beschrijven
• Meetwaarden voor de prestaties van ML-modellen kennen
• ML-modellen in bestaande systemen integreren
• Gebruikersinterfaces voor AI-systemen ontwerpen
• Prestatiemetingen zoals latency en throughput in AI-systemen begrijpen
• Omgaan met schaalbaarheid bij grotere hoeveelheden data
• Robuustheid in AI-systemen begrijpen en verbeteren
• De betrouwbaarheid en beschikbaarheid van AI-systemen beoordelen
• De reproduceerbaarheid en testbaarheid van AI-resultaten begrijpen
• Eisen voor beveiliging, gegevensbescherming en compliance kennen
• Uitlegbaarheid en interpreteerbaarheid in AI-systemen beoordelen
• Bias in data en modellen herkennen
• Fouttolerantie in AI-systemen kennen

Deel 4 - Databeheer en dataverwerking voor AI-systemen

• Data verzamelen en labelen
• Algemene platforms voor openbaar beschikbare data kennen
• Relevante hulpmiddelen voor het labelen van data overzien
• Efficiënte datapijplijnen en data-architecturen ontwerpen
• Strategieën voor het samenvoegen, opschonen, transformeren, verrijken en uitbreiden van data kennen
• Hulpmiddelen voor data-engineeringpijplijnen overzien
• Mogelijkheden voor het opslaan van data kennen

Deel 5 - Belangrijke kwaliteitskenmerken voor het gebruik van AI-systemen

• Hardware-eisen voor training en inferentie kennen
• De afwegingen tussen modelarchitecturen en kwaliteitskenmerken kennen
• Verschillende kwaliteitskenmerken van een ML-model op elkaar afstemmen
• Kosten, energieverbruik en duurzaam gebruik van AI (Green IT) begrijpen
• MLOps voor het automatiseren van de levenscyclus van een data-scienceproject overzien
• Modeltraining, parameters, meetwaarden en resultaten volgen
• ML-modellen en daarop gebaseerde AI-systemen evalueren
• Soorten drift en hun mogelijke oorzaken en oplossingen kennen
• CI/CD-pijplijnen, modelbeheer en deploymentstrategieën voor AI-modellen overzien
• Platforms voor het beschikbaar stellen van modellen kennen
• Hulpmiddelen voor het maken van POC’s van AI-systemen kunnen indelen
• Deploymentmogelijkheden van AI-modellen kennen
• De voor- en nadelen van SaaS en self-hosting noemen
• SaaS-oplossingen voor AI overzien
• Embedded deployments van ML-modellen kennen
• Monitoring voor AI-specifieke eisen begrijpen
• Voorbeelden van hulpmiddelen voor monitoring kennen
• Gebruikersfeedback en methoden en hulpmiddelen om deze feedback te verzamelen begrijpen
• Methoden voor het gebruiken van feedback bij modeltraining kennen
• Een MLOps-pijplijn begrijpen aan de hand van een praktijkvoorbeeld (optioneel)
• Build-vs.-buy-beslissingen nemen voor MLOps-systemen en -componenten (optioneel)
• MLOps-hulpmiddelen en end-to-endplatforms kennen (optioneel)

Deel 6 - Systeemarchitecturen en platforms voor generatieve AI-systemen

• Integratieniveaus van AI overzien
• Bibliotheken, interfaces en hulpmiddelen voor de integratie van AI-modellen kennen
• AI-systemen integreren in de totale architectuur van een IT-landschap
• Relevante kwaliteitskenmerken voor AI-systemen overzien
• Evaluatieframeworks voor AI-systemen kennen (optioneel)
• Een casus met een fictief vakgebied bespreken (optioneel)
• Een basiskennis van generatieve AI hebben
• Begrijpen hoe LLM’s werken
• Bekende patronen voor het gebruik van LLM’s kennen
• Toepassingen van RAG (Retrieval-Augmented Generation) kennen
• Geselecteerde RAG-technieken kennen en begrijpen
• Vormen van prompt engineering kennen
• Agentic workflows overzien
• Een selectie van ontwerppatronen voor generatieve AI-systemen kennen
• Technieken voor de evaluatie van LLM-toepassingen kennen
• Bekende LLM’s en selectiecriteria overzien
• Het belang van kostenbeheer voor GenAI-toepassingen begrijpen
• Voorbeelden geven van veelgebruikte bibliotheken, interfaces en hulpmiddelen voor LLM-toepassingen
• Agentic-AI-softwarearchitecturen, architectuurcomponenten van AI-agents en soorten AI-agentarchitecturen kennen (optioneel)