iSAQB CPSA-A AGENTA

Descrição

Participar do curso iSAQB® CPSA-A Architecture for Agentic Software Engineering Contexts (AGENTA) concede aos participantes 20 pontos de Competência Metodológica (MC) e 10 pontos de Competência Técnica (TC) para os 70 pontos exigidos para estar apto a realizar o exame iSAQB CPSA-A com a Brightest. É importante lembrar que, como parte dos 70 pontos necessários para realizar o exame iSAQB CPSA-A com a Brightest, é necessário obter pelo menos dez pontos de competência em cada uma das seguintes áreas: 

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

O treinamento credenciado iSAQB® AGENTA - Architecture for Agentic Software Engineering Contexts (CPSA-A) é baseado no currículo atual do iSAQB®:

Parte 1 - Introdução e fundamentos

• Compreender as relações entre inteligência artificial, machine learning, IA generativa e grandes modelos de linguagem
• Distinguir entre programação assistida por IA, programação aumentada por IA e programação agêntica
• Compreender orquestração de IA, fluxos de trabalho agênticos e engenharia agêntica
• Reconhecer as diferenças entre engenharia agêntica e vibe coding
• Compreender as capacidades e limitações dos grandes modelos de linguagem, incluindo alucinações, vieses, limites de atualização do conhecimento e limitações de contexto
• Explicar a influência de prompt engineering e context engineering na qualidade dos resultados gerados por IA
• Distinguir entre assistentes de IA e agentes de IA
• Compreender ciclos agênticos, uso de ferramentas, gerenciamento de estado, planejamento, subagentes e abordagens human-in-the-loop
• Classificar diferentes níveis de autonomia na engenharia agêntica
• Conhecer abordagens como Spec-Driven Development, enxames de agentes e programação conversacional
• Decidir se uma tarefa deve ser realizada por uma pessoa, por uma ferramenta de software tradicional ou por um agente de IA
• Compreender como assistentes e agentes de IA podem apoiar atividades de arquitetura de software, preservando o julgamento arquitetural humano

Parte 2 - Tomada de decisões arquiteturais assistida por IA

• Compreender o ciclo de vida das decisões arquiteturais e como a engenharia agêntica o afeta
• Estabelecer ciclos contínuos de feedback entre arquitetura, desenvolvimento, testes e operações
• Usar IA para apoiar a tomada contínua de decisões arquiteturais baseada em evidências
• Refinar objetivos de qualidade em direcionadores arquiteturais avaliáveis e cenários de qualidade
• Identificar conflitos entre objetivos de qualidade, restrições e intenções arquiteturais
• Identificar fragilidades estruturais, desvio arquitetural, dívida técnica e complexidade emergente
• Combinar ferramentas de análise consolidadas com revisões e avaliações de arquitetura assistidas por IA
• Usar IA para gerar, refinar e comparar alternativas arquiteturais
• Avaliar opções arquiteturais em relação a direcionadores, restrições, princípios e decisões existentes
• Tratar decisões arquiteturais como hipóteses testáveis, com premissas explícitas e critérios de validação
• Projetar experimentos leves, protótipos, simulações, spikes e comparações lado a lado
• Reconhecer as limitações e os riscos do raciocínio arquitetural assistido por IA
• Definir pontos de revisão, guardrails e limites para decisões arquiteturais de maior impacto
• Redirecionar o trabalho arquitetural da prescrição de detalhes de implementação para a orquestração de objetivos, restrições e critérios de aceitação
• Reconhecer e conter riscos de orquestração, como agentes fora de controle, loops infinitos e erros em cascata
• Considerar custos e sustentabilidade ao projetar fluxos de trabalho agênticos

Parte 3 - Fornecimento de conhecimento arquitetural aos agentes

• Compreender como as informações disponíveis para um agente de IA influenciam a qualidade e a consistência arquitetural de seus resultados
• Tratar o fornecimento de conhecimento arquitetural aos agentes como um desafio de engenharia e design
• Identificar decisões arquiteturais, restrições, objetivos de qualidade, princípios, conceitos de domínio e limites do sistema relevantes para agentes de IA
• Projetar representações precisas, sustentáveis e eficazes do conhecimento arquitetural voltadas para agentes
• Usar formatos como Architecture Decision Records, regras de arquitetura, arquivos de contexto, bases de conhecimento, índices de recuperação, diagrams-as-code e restrições estruturadas
• Selecionar mecanismos adequados para fornecer conhecimento arquitetural aos agentes no momento certo
• Avaliar estratégias como Retrieval-Augmented Generation e habilidades reutilizáveis de agentes
• Compreender as implicações arquiteturais de protocolos padronizados de integração entre agentes e ferramentas, como o Model Context Protocol
• Avaliar se o conhecimento arquitetural disponível para os agentes é suficiente e está estruturado adequadamente
• Equilibrar um contexto arquitetural abrangente com o risco de informações irrelevantes ou contraditórias
• Melhorar iterativamente o fornecimento de conhecimento observando e avaliando o comportamento dos agentes
• Reconhecer que documentação compartilhada não cria automaticamente entendimento compartilhado

Parte 4 - Manutenção do alinhamento dos agentes com os objetivos arquiteturais

• Compreender por que agentes de IA precisam de controles e restrições arquiteturais explícitos
• Reconhecer como trabalhos gerados por IA sem restrições podem introduzir inconsistências, dívida técnica e desvio arquitetural
• Compreender por que o conhecimento arquitetural, por si só, não é suficiente para controlar o comportamento dos agentes
• Projetar controles preventivos e detectivos que mantenham o trabalho gerado por IA dentro dos limites arquiteturais
• Avaliar os trade-offs entre precisão e cobertura, bem como entre velocidade e profundidade da análise
• Selecionar mecanismos adequados de aplicação de regras estruturais e características mais amplas de qualidade
• Usar testes de arquitetura, análise estática, linters, regras de dependência, verificações de políticas, gates de revisão, sandboxing e fluxos de aprovação
• Posicionar controles arquiteturais em pontos adequados do processo de desenvolvimento e entrega
• Estabelecer verificação arquitetural contínua para bases de código em rápida evolução desenvolvidas com apoio de IA
• Avaliar se uma base de código e uma stack tecnológica existentes são adequadas ao controle arquitetural de agentes de IA
• Introduzir controles arquiteturais de forma incremental em sistemas existentes
• Equilibrar o esforço necessário para estabelecer controles com os riscos de operar agentes sem esses controles
• Usar falhas no trabalho gerado por IA para melhorar os controles arquiteturais ao longo do tempo
• Determinar quais melhorias de controle podem ser automatizadas e onde o julgamento humano continua sendo essencial

Parte 5 - Extração de informações arquiteturais

• Distinguir entre documentação da arquitetura atual (as-is) e da arquitetura futura desejada (to-be)
• Distinguir entre informações arquiteturais voltadas para pessoas e voltadas para agentes
• Compreender onde a IA pode apoiar a documentação arquitetural e onde a colaboração humana continua sendo necessária
• Criar representações concisas e legíveis por máquina para fluxos de trabalho assistidos por IA
• Manter decisões arquiteturais e documentação ao longo dos ciclos de desenvolvimento agêntico
• Detectar quando o desenvolvimento agêntico altera implicitamente ou se afasta de decisões arquiteturais existentes
• Usar Architecture Decision Records para registrar decisões, alternativas, justificativas e consequências
• Usar IA para criar rascunhos de ADRs a partir de logs de contexto, saídas de guardrails, conversas, e-mails e registros de reuniões
• Estabelecer pontos de revisão humana para preservar a rastreabilidade e a responsabilidade
• Extrair informações arquiteturais de código-fonte, repositórios, interfaces, configurações, testes e descritores de implantação
• Combinar insights gerados por IA com análise estática e dinâmica
• Detectar tecnologias, frameworks, padrões arquiteturais, padrões de design e possíveis regras de negócio
• Identificar lacunas, inconsistências e incertezas nas informações arquiteturais recuperadas
• Gerar e manter visões arquiteturais a partir de artefatos de desenvolvimento
• Usar formatos baseados em texto, como Mermaid e Structurizr, para documentação viva sob controle de versão
• Validar a documentação gerada com base no conhecimento dos desenvolvedores e no comportamento real do sistema

Parte 6 - Governança e gates de qualidade para o uso de IA

• Compreender questões de direitos autorais e licenciamento de software ao utilizar código e artefatos gerados por IA
• Estabelecer controles que reduzam riscos relacionados a direitos autorais no desenvolvimento assistido por IA
• Avaliar o processamento de dados pessoais e sensíveis ao utilizar ferramentas de IA
• Compreender papéis e responsabilidades segundo os requisitos de proteção de dados
• Aplicar os papéis básicos, a lógica de risco e os requisitos progressivos do EU AI Act a cenários típicos de uso de ferramentas de IA
• Identificar quando especialistas em proteção de dados, segurança da informação, assuntos jurídicos e outras partes interessadas devem ser envolvidos
• Documentar decisões relacionadas à IA de forma adequada para auditorias e tomada de decisão
• Garantir a rastreabilidade e a proveniência dos resultados gerados por IA
• Usar logging estruturado, referências de contexto, citações, versionamento, tracing e monitoramento
• Escalar a governança de IA de forma consistente entre equipes e processos de desenvolvimento
• Comparar modelos de custo de IA baseados em tokens e em assinaturas
• Considerar vendor lock-in, flexibilidade de provedor e soberania dos dados ao selecionar serviços de IA
• Usar guardrails, processos de aprovação e allowlists para integrações de agentes e ferramentas
• Compreender o impacto ambiental do desenvolvimento assistido por IA e do desenvolvimento agêntico
• Desenvolver estratégias de uso sustentável com base no tamanho do modelo, no design do fluxo de trabalho e no consumo de recursos
• Definir regras seguras e compatíveis com a proteção de dados para seleção e uso de ferramentas de IA
• Compreender riscos de segurança, como prompt injection, uso indevido de ferramentas e ataques confused-deputy
• Aplicar medidas como privilégio mínimo, credenciais com escopo limitado, aprovações explícitas e monitoramento
• Selecionar estratégias adequadas de sandboxing baseadas em contêineres ou máquinas virtuais

Parte 7 - A evolução da disciplina de arquitetura de software

• Manter a responsabilidade e a propriedade sobre o código gerado por IA e os resultados de engenharia
• Reconhecer e tratar o risco de perda de habilidades de engenharia devido à dependência excessiva da IA
• Usar prática deliberada, raciocínio humano em primeiro lugar e aprendizagem assistida por IA para preservar habilidades essenciais
• Aplicar pensamento crítico ao revisar e validar resultados gerados por IA
• Distinguir entre raciocínio apoiado por IA e tomada de decisão delegada
• Identificar atividades arquiteturais que devem permanecer sob responsabilidade humana
• Usar terminologia compartilhada e vocabulários de domínio para melhorar a consistência das decisões dos agentes
• Medir se as equipes estão realmente melhorando sua capacidade arquitetural, e não apenas produzindo resultados mais rapidamente
• Adotar o desenvolvimento assistido por IA por meio de hipóteses explícitas, experimentos controlados e resultados mensuráveis
• Compreender a adoção de IA como um processo contínuo de acesso, adoção, proficiência, mudança nas práticas de trabalho e desenvolvimento organizacional
• Apoiar a adoção por meio de treinamento, experimentação, responsabilidades claras e segurança psicológica
• Usar indicadores relevantes, como lead time, change failure rate, métricas DORA e sinais de developer experience
• Aplicar padrões de colaboração que combinem pessoas e IA, mantendo uma comunicação eficaz entre os membros da equipe
• Compreender topologias de agentes, como agentes individuais, subagentes e equipes de agentes
• Adaptar papéis, estruturas de equipe, práticas de engenharia e responsabilidades arquiteturais ao desenvolvimento assistido por IA
• Mudar o foco da implementação em nível de linha para um pensamento mais amplo, arquitetural, orientado a produto e focado em resultados
• Compreender como a IA afeta a arquitetura de software, a arquitetura de soluções e a arquitetura corporativa