iSAQB CPSA-A SWARC4AI

Description

Udział w kursie iSAQB® CPSA-A Software Architecture for AI-Based Systems (SWARC4AI) daje uczestnikom 20 punktów kompetencji technicznej (TC)  oraz 10 punktów kompetencji metodologicznej (MC) 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® SWARC4AI - Software Architecture for AI-Based Systems (CPSA-A) opiera się na aktualnym programie nauczania iSAQB®:

Część 1 - Wprowadzenie do koncepcji sztucznej inteligencji istotnych z punktu widzenia architektury oprogramowania

• Klasyfikowanie sztucznej inteligencji, uczenia maszynowego, data science, deep learning oraz generatywnej AI
• Określanie typowych ogólnych przypadków użycia AI
• Znajomość możliwych zastosowań w różnych branżach i aplikacjach dla użytkowników końcowych
• Identyfikowanie ryzyk związanych z wykorzystaniem AI
• Zrozumienie różnic w porównaniu z tradycyjnym oprogramowaniem
• Podejmowanie decyzji, czy problemy należy rozwiązywać z wykorzystaniem AI, czy klasycznego wytwarzania oprogramowania
• Znajomość ról i ich zadań oraz sposobów współpracy w kontekście AI
• Identyfikowanie i priorytetyzowanie przypadków użycia AI
• Znajomość mocnych stron i ograniczeń AI
• Znajomość koncepcji "Productivity J-Curve" w kontekście technologii AI

Część 2 -  Zgodność, bezpieczeństwo i dostosowanie

• Znajomość wpływu przepisów dotyczących ochrony danych na wdrażanie i wykorzystywanie AI
• Zrozumienie celów i regulacji EU AI Act oraz ich wpływu na proces wytwarzania i architekturę
• Klasyfikowanie systemów AI zgodnie z poziomami ryzyka określonymi w EU AI Act
• Klasyfikowanie zagadnień dotyczących praw autorskich w odniesieniu do treści generowanych przez AI
• Przegląd rodzajów i poziomów otwartości oraz typów licencji bezpłatnych modeli ML
• Zrozumienie strategii zapewniania zgodności z EU AI Act oraz potencjalnych wyzwań
• Dokumentowanie modeli i zbiorów danych w celu zapewnienia identyfikowalności i przejrzystości
• Znajomość zagrożeń bezpieczeństwa oraz rodzajów ataków na modele ML
• Znajomość i stosowanie strategii minimalizacji ryzyka związanego z AI
• Stosowanie możliwości ochrony przed atakami (bezpieczeństwo AI)
• Zrozumienie podstawowych zagadnień i aspektów bezpieczeństwa AI
• Zrozumienie problemów etycznych systemów AI i znajomość sposobów radzenia sobie z nimi
• Przegląd wytycznych etycznych
• Znajomość podstawowych zasad zarządzania AI i odpowiedzialnego wykorzystywania AI w przedsiębiorstwach
• Uzyskanie wiedzy na temat tworzenia piaskownic regulacyjnych
• Zapewnianie odpowiedniego zarządzania danymi w celu utrzymania ich jakości i bezpieczeństwa w aplikacjach AI

Część 3 - Projektowanie i tworzenie systemów opartych na AI

• Zrozumienie cyklu życia projektu z zakresu uczenia maszynowego lub data science
• Znajomość modeli procesów wytwarzania oprogramowania dla systemów AI
• Znajomość typów danych, wymagań dotyczących danych oraz typowych problemów ML
• Zrozumienie problemów uczenia maszynowego i związanych z nimi wymagań
• Wykorzystywanie danych wejściowych dla różnych algorytmów AI
• Radzenie sobie z wyzwaniami, takimi jak niedeterminizm, jakość danych, concept drift i model drift
• Znajomość transfer learning i fine-tuning
• Dobór wzorców projektowych dla systemów AI
• Definiowanie zadania modelu ML
• Zrozumienie i określanie danych wejściowych i wyjściowych niezbędnych do działania systemu ML
• Znajomość metryk służących do pomiaru wydajności modeli ML
• Integracja modeli ML z istniejącymi systemami
• Projektowanie interfejsów użytkownika dla systemów AI
• Zrozumienie metryk wydajności, takich jak opóźnienie i przepustowość, w systemach AI
• Zarządzanie skalowalnością przy zwiększających się ilościach danych
• Zrozumienie odporności systemów AI i stosowanie strategii służących jej zwiększaniu
• Klasyfikowanie niezawodności i dostępności systemów AI
• Zrozumienie powtarzalności i testowalności wyników AI
• Znajomość wymagań dotyczących bezpieczeństwa, ochrony danych i zgodności
• Klasyfikowanie wyjaśnialności i interpretowalności w systemach AI
• Rozpoznawanie stronniczości w danych i modelach
• Znajomość odporności na błędy w systemach AI

Część 4 - Zarządzanie i przetwarzanie danych dla systemów opartych na AI

• Pozyskiwanie i etykietowanie danych
• Znajomość popularnych platform udostępniających publicznie dostępne dane
• Przegląd odpowiednich narzędzi do etykietowania danych
• Projektowanie wydajnych potoków i architektur danych
• Znajomość strategii agregacji, oczyszczania, transformacji, wzbogacania i augmentacji danych
• Przegląd narzędzi do potoków data engineering
• Znajomość możliwości przechowywania danych

Część 5 - Ważne charakterystyki jakościowe dotyczące eksploatacji systemów opartych na AI

• Znajomość wymagań sprzętowych dotyczących trenowania i inferencji
• Znajomość kompromisów między różnymi architekturami modeli w odniesieniu do charakterystyk jakościowych
• Dostosowywanie różnych charakterystyk jakościowych modelu ML
• Zrozumienie kosztów, zużycia energii i zrównoważonego wykorzystania AI (Green IT)
• Znajomość wymagań sprzętowych dotyczących trenowania i inferencji
• Śledzenie trenowania modeli, parametrów, metryk i wyników
• Ocena modeli ML i opartych na nich systemów AI
• Znajomość rodzajów driftu oraz ich możliwych przyczyn i sposobów rozwiązania
• Przegląd potoków CI/CD, zarządzania modelami oraz strategii wdrażania modeli AI
• Znajomość platform do udostępniania modeli
• Klasyfikowanie narzędzi do tworzenia POC systemów AI
• Znajomość możliwości wdrażania modeli AI
• Wymienianie zalet i wad SaaS oraz self-hostingu
• Przegląd rozwiązań SaaS z zakresu AI
• Znajomość wdrożeń wbudowanych modeli ML
• Zrozumienie monitorowania w kontekście specyficznych wymagań AI
• Przegląd przykładowych narzędzi do monitorowania
• Zrozumienie informacji zwrotnej od użytkowników oraz metod i narzędzi służących do jej zbierania
• Znajomość metod wykorzystywania informacji zwrotnej do trenowania modeli
• Zrozumienie potoku MLOps na praktycznym przykładzie (Opcjonalne)
• Podejmowanie decyzji typu build vs. buy dotyczących systemów/komponentów MLOps (Opcjonalne)
• Znajomość narzędzi MLOps i kompleksowych platform end-to-end (Opcjonalne)

Część 6 - Architektury systemów i platformy dla systemów opartych na generatywnej AI

• Przegląd poziomów integracji AI
• Znajomość bibliotek, interfejsów i narzędzi służących do integracji modeli AI
• Integracja systemów AI z ogólną architekturą środowiska IT
• Przegląd istotnych charakterystyk jakościowych systemów AI
• Znajomość frameworków do oceny systemów AI (Opcjonalne)
• Omówienie studium przypadku w fikcyjnym kontekście zawodowym (Opcjonalne)
• Podstawowe zrozumienie generatywnej AI
• Zrozumienie sposobu działania LLM
• Zrozumienie znanych wzorców wykorzystania LLM
• Znajomość przypadków użycia RAG (Retrieval-Augmented Generation)
• Znajomość i zrozumienie wybranych technik RAG
• Znajomość rodzajów Prompt Engineering
• Przegląd agentowych przepływów pracy
• Znajomość wybranych wzorców projektowych dla systemów generatywnej AI
• Znajomość technik oceny aplikacji opartych na LLM
• Przegląd znanych LLM oraz kryteriów ich wyboru
• Zrozumienie znaczenia zarządzania kosztami w aplikacjach GenAI
• Przykłady popularnych bibliotek, interfejsów i narzędzi związanych z aplikacjami LLM
• Znajomość architektur oprogramowania agentowej AI, komponentów architektury agentów AI oraz rodzajów architektur agentów AI (Opcjonalne)