iSAQB CPSA-A AGENTA

Description

Udział w kursie iSAQB® CPSA-A Architecture for Agentic Software Engineering Contexts (AGENTA) daje uczestnikom 20 punktów kompetencji metodologicznej (MC) oraz 10 punktów kompetencji technicznej (TC) z 70 punktów wymaganych do uzyskania uprawnienia do przystąpienia do egzaminu iSAQB CPSA-A z Brightest. Należy pamiętać, że w ramach 70 punktów wymaganych do przystąpienia do egzaminu iSAQB CPSA-A z Brightest należy uzyskać co najmniej dziesięć punktów kompetencyjnych w każdym z następujących obszarów: 

• Kompetencje techniczne (TC)
• Kompetencje metodologiczne (MC)
• Kompetencje komunikacyjne (CC)

Akredytowane szkolenie iSAQB® AGENTA - Architecture for Agentic Software Engineering Contexts (CPSA-A) opiera się na aktualnym programie nauczania iSAQB®:

Część 1 - Wprowadzenie i podstawy

• Zrozumienie zależności między sztuczną inteligencją, uczeniem maszynowym, generatywną AI i dużymi modelami językowymi
• Rozróżnianie między programowaniem wspieranym przez AI, programowaniem rozszerzonym przez AI i programowaniem agentowym
• Zrozumienie orkiestracji AI, agentowych przepływów pracy i inżynierii agentowej
• Rozpoznawanie różnic między inżynierią agentową a vibe coding
• Zrozumienie możliwości i ograniczeń dużych modeli językowych, w tym halucynacji, stronniczości, ograniczeń aktualności wiedzy i kontekstu
• Wyjaśnienie wpływu prompt engineering i context engineering na jakość wyników generowanych przez AI
• Rozróżnianie między asystentami AI a agentami AI
• Zrozumienie pętli agentowych, korzystania z narzędzi, zarządzania stanem, planowania, subagentów i podejść human-in-the-loop
• Klasyfikowanie różnych poziomów autonomii w inżynierii agentowej
• Znajomość podejść takich jak Spec-Driven Development, roje agentów i programowanie konwersacyjne
• Określanie, czy zadanie powinien wykonać człowiek, tradycyjne narzędzie programistyczne czy agent AI
• Zrozumienie, w jaki sposób asystenci i agenci AI mogą wspierać działania z zakresu architektury oprogramowania przy zachowaniu ludzkiego osądu architektonicznego

Część 2 - Podejmowanie decyzji architektonicznych wspierane przez AI

• Zrozumienie cyklu życia decyzji architektonicznych i wpływu inżynierii agentowej na ten cykl
• Ustanawianie ciągłych pętli informacji zwrotnej między architekturą, wytwarzaniem, testowaniem i eksploatacją
• Wykorzystywanie AI do wspierania ciągłego, opartego na dowodach podejmowania decyzji architektonicznych
• Uszczegóławianie celów jakościowych do postaci możliwych do oceny czynników architektonicznych i scenariuszy jakościowych
• Identyfikowanie konfliktów między celami jakościowymi, ograniczeniami i zamierzeniami architektonicznymi
• Identyfikowanie słabości strukturalnych, dryfu architektonicznego, długu technicznego i pojawiającej się złożoności
• Łączenie sprawdzonych narzędzi analitycznych z przeglądami i ocenami architektury wspieranymi przez AI
• Wykorzystywanie AI do generowania, udoskonalania i porównywania alternatyw architektonicznych
• Ocenianie opcji architektonicznych względem czynników, ograniczeń, zasad i istniejących decyzji
• Traktowanie decyzji architektonicznych jako testowalnych hipotez z jawnymi założeniami i kryteriami walidacji
• Projektowanie lekkich eksperymentów, prototypów, symulacji, spikes i porównań równoległych
• Rozpoznawanie ograniczeń i ryzyk związanych z rozumowaniem architektonicznym wspieranym przez AI
• Definiowanie punktów przeglądu, guardrails i granic dla decyzji architektonicznych o istotnych konsekwencjach
• Przesuwanie pracy architektonicznej od narzucania szczegółów implementacji w kierunku orkiestracji celów, ograniczeń i kryteriów akceptacji
• Rozpoznawanie i ograniczanie ryzyk orkiestracji, takich jak niekontrolowani agenci, nieskończone pętle i błędy kaskadowe
• Uwzględnianie kosztów i zrównoważonego rozwoju podczas projektowania agentowych przepływów pracy

Część 3 - Dostarczanie agentom wiedzy architektonicznej

• Zrozumienie, w jaki sposób informacje dostępne agentowi AI wpływają na jakość i spójność architektoniczną jego wyników
• Traktowanie dostarczania agentom wiedzy architektonicznej jako wyzwania inżynieryjnego i projektowego
• Identyfikowanie decyzji architektonicznych, ograniczeń, celów jakościowych, zasad, pojęć dziedzinowych i granic systemu istotnych dla agentów AI
• Projektowanie precyzyjnych, łatwych w utrzymaniu i skutecznych reprezentacji wiedzy architektonicznej przeznaczonych dla agentów
• Wykorzystywanie formatów takich jak Architecture Decision Records, reguły architektoniczne, pliki kontekstowe, bazy wiedzy, indeksy wyszukiwania, diagrams-as-code i ustrukturyzowane ograniczenia
• Dobór odpowiednich mechanizmów dostarczania agentom wiedzy architektonicznej we właściwym momencie
• Ocena strategii takich jak Retrieval-Augmented Generation i wielokrotnego użytku umiejętności agentów
• Zrozumienie implikacji architektonicznych standaryzowanych protokołów integracji agentów z narzędziami, takich jak Model Context Protocol
• Ocena, czy wiedza architektoniczna dostępna dla agentów jest wystarczająca i odpowiednio ustrukturyzowana
• Równoważenie kompleksowego kontekstu architektonicznego z ryzykiem pojawienia się informacji nieistotnych lub sprzecznych
• Iteracyjne doskonalenie sposobu dostarczania wiedzy poprzez obserwację i ocenę zachowania agentów
• Rozumienie, że wspólna dokumentacja nie tworzy automatycznie wspólnego zrozumienia

Część 4 - Utrzymywanie zgodności agentów z celami architektonicznymi

• Zrozumienie, dlaczego agenci AI wymagają wyraźnych kontroli i ograniczeń architektonicznych
• Rozpoznawanie, w jaki sposób nieograniczona praca generowana przez AI może wprowadzać niespójności, dług techniczny i dryf architektoniczny
• Zrozumienie, dlaczego sama wiedza architektoniczna nie wystarcza do kontrolowania zachowania agentów
• Projektowanie kontroli prewencyjnych i detekcyjnych, które utrzymują pracę generowaną przez AI w granicach architektonicznych
• Ocena kompromisów między precyzją i zakresem oraz między szybkością i głębokością analizy
• Dobór odpowiednich mechanizmów egzekwowania reguł strukturalnych i szerszych charakterystyk jakościowych
• Wykorzystywanie testów architektury, analizy statycznej, linterów, reguł zależności, kontroli polityk, bramek przeglądu, sandboxingu i procesów zatwierdzania
• Umieszczanie kontroli architektonicznych w odpowiednich punktach procesu wytwarzania i dostarczania
• Ustanawianie ciągłej weryfikacji architektury dla szybko ewoluujących baz kodu tworzonych przy wsparciu AI
• Ocena, czy istniejąca baza kodu i stos technologiczny są odpowiednie do architektonicznego kontrolowania agentów AI
• Stopniowe wprowadzanie kontroli architektonicznych do istniejących systemów
• Równoważenie wysiłku potrzebnego do ustanowienia kontroli z ryzykiem działania agentów bez takich kontroli
• Wykorzystywanie błędów w pracy generowanej przez AI do doskonalenia kontroli architektonicznych w czasie
• Określanie, które usprawnienia kontroli można zautomatyzować, a gdzie ludzki osąd pozostaje niezbędny

Część 5 - Pozyskiwanie informacji architektonicznych

• Rozróżnianie dokumentacji architektury aktualnej (as-is) i docelowej (to-be)
• Rozróżnianie informacji architektonicznych przeznaczonych dla ludzi i informacji przeznaczonych dla agentów
• Zrozumienie, gdzie AI może wspierać dokumentację architektoniczną, a gdzie nadal konieczna jest współpraca ludzi
• Tworzenie zwięzłych i odczytywalnych maszynowo reprezentacji dla przepływów pracy wspieranych przez AI
• Utrzymywanie decyzji architektonicznych i dokumentacji podczas agentowych pętli wytwarzania
• Wykrywanie sytuacji, w których rozwój agentowy niejawnie zmienia istniejące decyzje architektoniczne lub od nich odchodzi
• Wykorzystywanie Architecture Decision Records do rejestrowania decyzji, alternatyw, uzasadnień i konsekwencji
• Wykorzystywanie AI do tworzenia projektów ADR na podstawie logów kontekstu, wyników guardrails, rozmów, wiadomości e-mail i zapisów spotkań
• Ustanawianie punktów przeglądu z udziałem człowieka w celu zachowania identyfikowalności i odpowiedzialności
• Pozyskiwanie informacji architektonicznych z kodu źródłowego, repozytoriów, interfejsów, konfiguracji, testów i deskryptorów wdrożenia
• Łączenie wniosków generowanych przez AI z analizą statyczną i dynamiczną
• Wykrywanie technologii, frameworków, wzorców architektonicznych, wzorców projektowych i potencjalnych reguł biznesowych
• Identyfikowanie luk, niespójności i niepewności w odzyskanych informacjach architektonicznych
• Generowanie i utrzymywanie widoków architektonicznych na podstawie artefaktów wytwarzania
• Wykorzystywanie formatów tekstowych, takich jak Mermaid i Structurizr, do tworzenia żywej dokumentacji objętej kontrolą wersji
• Walidowanie wygenerowanej dokumentacji względem wiedzy programistów i rzeczywistego zachowania systemu

Część 6 - Ład i bramki jakości dotyczące wykorzystania AI

• Zrozumienie kwestii praw autorskich i licencjonowania oprogramowania podczas korzystania z kodu i artefaktów generowanych przez AI
• Ustanawianie kontroli ograniczających ryzyka związane z prawami autorskimi w wytwarzaniu wspieranym przez AI
• Ocena przetwarzania danych osobowych i wrażliwych podczas korzystania z narzędzi AI
• Zrozumienie ról i odpowiedzialności wynikających z wymagań dotyczących ochrony danych
• Stosowanie podstawowych ról, logiki ryzyka i etapowych wymagań EU AI Act do typowych scenariuszy korzystania z narzędzi AI
• Identyfikowanie sytuacji, w których należy zaangażować specjalistów ds. ochrony danych, bezpieczeństwa informacji, kwestii prawnych i innych interesariuszy
• Dokumentowanie decyzji związanych z AI w sposób odpowiedni do audytu i podejmowania decyzji
• Zapewnianie identyfikowalności i pochodzenia wyników generowanych przez AI
• Wykorzystywanie ustrukturyzowanego logowania, odwołań do kontekstu, cytowań, wersjonowania, śledzenia i monitorowania
• Spójne skalowanie ładu AI pomiędzy zespołami i procesami wytwarzania
• Porównywanie modeli kosztowych AI opartych na tokenach i subskrypcjach
• Uwzględnianie vendor lock-in, elastyczności wyboru dostawcy i suwerenności danych przy wyborze usług AI
• Wykorzystywanie guardrails, procesów zatwierdzania i allowlist do integracji agentów i narzędzi
• Zrozumienie wpływu na środowisko wytwarzania wspieranego przez AI i wytwarzania agentowego
• Opracowywanie strategii zrównoważonego wykorzystania na podstawie wielkości modelu, projektu przepływu pracy i zużycia zasobów
• Definiowanie bezpiecznych i zgodnych z ochroną danych zasad wyboru i używania narzędzi AI
• Zrozumienie ryzyk bezpieczeństwa, takich jak prompt injection, niewłaściwe użycie narzędzi i ataki typu confused-deputy
• Stosowanie środków takich jak zasada najmniejszych uprawnień, poświadczenia o ograniczonym zakresie, jawne zatwierdzanie i monitorowanie
• Dobór odpowiednich strategii sandboxingu opartych na kontenerach lub maszynach wirtualnych

Część 7 - Ewolucja dyscypliny architektury oprogramowania

• Zachowanie odpowiedzialności za kod generowany przez AI i rezultaty prac inżynieryjnych
• Rozpoznawanie i ograniczanie ryzyka utraty umiejętności inżynieryjnych w wyniku nadmiernego polegania na AI
• Wykorzystywanie celowej praktyki, samodzielnego ludzkiego rozumowania i nauki wspieranej przez AI w celu zachowania kluczowych umiejętności
• Stosowanie krytycznego myślenia podczas przeglądu i walidacji wyników generowanych przez AI
• Rozróżnianie między rozumowaniem wspieranym przez AI a delegowanym podejmowaniem decyzji
• Identyfikowanie działań architektonicznych, które muszą pozostać pod odpowiedzialnością człowieka
• Wykorzystywanie wspólnej terminologii i słowników dziedzinowych w celu poprawy spójności decyzji agentów
• Pomiar tego, czy zespoły faktycznie rozwijają swoje kompetencje architektoniczne, a nie jedynie szybciej wytwarzają rezultaty
• Wdrażanie wytwarzania wspieranego przez AI poprzez jawne hipotezy, kontrolowane eksperymenty i mierzalne rezultaty
• Rozumienie wdrażania AI jako ciągłego procesu obejmującego dostęp, adopcję, rozwój kompetencji, zmianę sposobów pracy i rozwój organizacyjny
• Wspieranie adopcji poprzez szkolenia, eksperymentowanie, jasno określoną odpowiedzialność i bezpieczeństwo psychologiczne
• Wykorzystywanie znaczących wskaźników, takich jak lead time, change failure rate, metryki DORA i wskaźniki developer experience
• Stosowanie wzorców współpracy łączących ludzi i AI przy zachowaniu skutecznej komunikacji między członkami zespołu
• Zrozumienie topologii agentów, takich jak pojedynczy agenci, subagenci i zespoły agentów
• Dostosowywanie ról, struktur zespołów, praktyk inżynieryjnych i odpowiedzialności architektonicznej do wytwarzania wspieranego przez AI
• Przejście od implementacji na poziomie pojedynczych linii kodu do szerszego myślenia architektonicznego, produktowego i zorientowanego na rezultaty
• Zrozumienie wpływu AI na architekturę oprogramowania, architekturę rozwiązań i architekturę korporacyjną