iSAQB CPSA-A SWARC4AI

Descrição

Participar do curso iSAQB® CPSA-A Arquitetura de Software para Sistemas Baseados em IA (SWARC4AI) concede aos participantes 20 créditos de Competência Técnica (TC) e 10 créditos de Competência Metodológica (MC), válidos para os 70 créditos exigidos para prestar o exame iSAQB CPSA-A com a Brightest. É importante lembrar que, como parte dos 70 créditos exigidos para realizar o exame iSAQB CPSA-A com a Brightest, você precisará de pelo menos dez créditos em cada uma das seguintes áreas de competência: 

• Competência Técnica (TC)
• Competência Metodológica (MC)
• Competência Comunicativa (CC)

O treinamento credenciado iSAQB® SWARC4AI – Arquitetura de Software para Sistemas Baseados em IA (CPSA-A) é baseado no currículo atual do iSAQB®:

Parte 1 – Introdução a Conceitos Relevantes de Arquitetura de Software para Inteligência Artificial

• Classificar inteligência artificial, aprendizado de máquina, ciência de dados, deep learning e IA generativa
• Especificar casos de uso gerais típicos para IA
• Conhecer possíveis aplicações em diferentes setores e aplicações finais
• Identificar riscos no uso da IA
• Compreender as diferenças em relação ao software tradicional
• Decidir entre soluções baseadas em IA ou desenvolvimento clássico de software
• Conhecer papéis, tarefas e formas de cooperação no contexto da IA
• Identificar e priorizar casos de uso de IA
• Conhecer as forças e limitações da IA
• Conhecer o conceito da "Curva J da Produtividade" em relação à tecnologia de IA

Parte 2 – Conformidade, Segurança e Alinhamento

• Compreender a influência das leis de proteção de dados na implementação e uso da IA
• Compreender os objetivos e regulamentações do EU AI Act e seus impactos no processo de desenvolvimento e arquitetura
• Classificar sistemas de IA segundo os níveis de risco do EU AI Act
• Classificar questões de direitos autorais de conteúdo gerado por IA
• Visão geral de tipos e graus de abertura e licenciamento de modelos de ML livres
• Compreender estratégias para conformidade com o EU AI Act e seus desafios
• Documentar modelos e conjuntos de dados para rastreabilidade e transparência
• Conhecer armadilhas de segurança e tipos de ataques a modelos de ML
• Conhecer e aplicar estratégias para minimizar riscos de IA
• Aplicar opções de proteção contra ataques (segurança em IA)
• Compreender questões fundamentais e aspectos da segurança em IA
• Compreender problemas éticos dos sistemas de IA e conhecer abordagens para lidar com eles
• Visão geral de diretrizes éticas
• Conhecer os princípios centrais de governança e responsabilidade em IA nas empresas
• Obter uma visão geral da criação de ambientes regulatórios experimentais (regulatory sandboxes)
• Garantir gestão de dados adequada para a qualidade e segurança em aplicações de IA

Parte 3 – Design e Desenvolvimento de Sistemas Baseados em IA

• Compreender o ciclo de vida de projetos de ML ou ciência de dados
• Conhecer modelos de processo para desenvolvimento de software com IA
• Conhecer tipos de dados e problemas típicos de ML
• Compreender os desafios dos problemas de aprendizado de máquina
• Usar dados de entrada para diferentes algoritmos de IA
• Lidar com desafios como não determinismo, qualidade dos dados e drift de conceito/modelo
• Conhecer aprendizado por transferência (transfer learning) e fine-tuning
• Selecionar padrões de design para sistemas de IA
• Definir tarefas de um modelo de ML
• Especificar entradas e saídas do sistema de ML
• Conhecer métricas de desempenho de modelos de ML
• Integrar modelos de ML em sistemas existentes
• Projetar interfaces para sistemas com IA
• Compreender métricas como latência e throughput
• Gerenciar escalabilidade para grandes volumes de dados
• Compreender e aplicar estratégias de robustez
• Classificar confiabilidade e disponibilidade de sistemas de IA
• Compreender reprodutibilidade e testabilidade dos resultados de IA
• Conhecer requisitos de segurança, proteção de dados e conformidade
• Classificar explicabilidade e interpretabilidade de sistemas de IA
• Reconhecer viés em dados e modelos
• Conhecer tolerância a falhas em IA

Parte 4 – Gestão e Processamento de Dados para Sistemas de IA

• Aquisição e rotulagem de dados
• Conhecer plataformas de dados públicas
• Visão geral de ferramentas para rotulagem de dados
• Projetar pipelines e arquiteturas de dados eficientes
• Conhecer estratégias de agregação, limpeza, transformação, enriquecimento e aumento de dados
• Visão geral de ferramentas para engenharia de dados
• Conhecer opções de armazenamento de dados

Parte 5 – Principais Qualidades para a Operação de Sistemas com IA

• Conhecer requisitos (de hardware) para treinamento e inferência
• Entender trade-offs entre arquiteturas de modelo e qualidades de sistema
• Ajustar características de qualidade de modelos de ML
• Compreender custos, consumo de energia e sustentabilidade em IA (TI Sustentável)
• Rastreamento de parâmetros, métricas e resultados de treinamento
• Avaliar modelos de ML e sistemas de IA
• Conhecer tipos de drift, causas e soluções
• Visão geral de pipelines CI/CD, gestão de modelos e estratégias de deployment
• Conhecer plataformas de disponibilização de modelos
• Classificar ferramentas para criação de POCs de sistemas com IA
• Conhecer opções de deployment de modelos
• Listar prós e contras de SaaS e hospedagem própria
• Visão geral de soluções SaaS em IA
• Conhecer implantações embarcadas de modelos de ML
• Compreender o monitoramento com foco em IA
• Visão geral de ferramentas de monitoramento
• Compreender o uso e coleta de feedback do usuário
• Conhecer métodos de uso de feedback para re-treinamento de modelos
• Compreender pipeline de MLOps com exemplo prático (Opcional)
• Decisões make vs. buy em sistemas de MLOps (Opcional)
• Conhecer ferramentas e plataformas de MLOps ponta a ponta (Opcional)

Parte 6 – Arquiteturas e Plataformas para Sistemas Baseados em IA Generativa

• Visão geral dos níveis de integração da IA
• Conhecer bibliotecas, interfaces e ferramentas para integração de modelos de IA
• Integrar sistemas de IA à arquitetura geral de TI
• Visão geral de características de qualidade relevantes para IA
• Conhecer frameworks de avaliação de sistemas de IA (Opcional)
• Discutir estudo de caso com abordagem fictícia (Opcional)
• Compreensão fundamental da IA generativa
• Entender o funcionamento de LLMs
• Compreender padrões conhecidos de uso de LLMs
• Conhecer casos de uso de RAG (Geração com Recuperação)
• Conhecer e entender técnicas de RAG selecionadas
• Conhecer tipos de engenharia de prompts
• Visão geral de fluxos de trabalho agentic
• Conhecer padrões de design para IA generativa
• Conhecer técnicas para avaliação de aplicações com LLMs
• Visão geral de LLMs conhecidos e critérios de seleção
• Compreender a importância da gestão de custos em aplicações GenAI
• Dar exemplos de bibliotecas, interfaces e ferramentas comuns em LLMs
• Conhecer arquiteturas agentic, componentes de arquitetura de agentes de IA e seus tipos (Opcional)