iSAQB CPSA-A AGENTA

Descriere

Participarea la cursul iSAQB® CPSA-A Architecture for Agentic Software Engineering Contexts (AGENTA) oferă participanților 20 de puncte pentru Competență metodologică (MC) și 10 puncte pentru Competență tehnică (TC) din cele 70 de puncte necesare pentru eligibilitatea de a susține examenul iSAQB CPSA-A cu Brightest. Este important de reținut că, din cele 70 de puncte necesare pentru a susține examenul iSAQB CPSA-A cu Brightest, trebuie să obțineți cel puțin zece puncte de competență în fiecare dintre următoarele domenii: 

• Competență tehnică (TC)
• Competență metodologică (MC)
• Competență de comunicare (CC)

Cursul acreditat iSAQB® AGENTA - Architecture for Agentic Software Engineering Contexts (CPSA-A) se bazează pe programa actuală iSAQB®:

Partea 1 - Introducere și noțiuni fundamentale

• Înțelegerea relațiilor dintre inteligența artificială, machine learning, inteligența artificială generativă și modelele lingvistice mari
• Diferențierea între programarea asistată de AI, programarea augmentată cu AI și programarea agentică
• Înțelegerea orchestrării AI, a fluxurilor de lucru agentice și a ingineriei agentice
• Recunoașterea diferențelor dintre ingineria agentică și vibe coding
• Înțelegerea capacităților și limitărilor modelelor lingvistice mari, inclusiv halucinațiile, bias-ul, limitele de actualitate ale cunoștințelor și limitările de context
• Explicarea influenței prompt engineering și context engineering asupra calității rezultatelor generate de AI
• Diferențierea între asistenții AI și agenții AI
• Înțelegerea buclelor agentice, utilizării instrumentelor, gestionării stării, planificării, subagenților și abordărilor human-in-the-loop
• Clasificarea diferitelor niveluri de autonomie în ingineria agentică
• Cunoașterea unor abordări precum Spec-Driven Development, roiuri de agenți și programare conversațională
• Stabilirea dacă o sarcină ar trebui realizată de o persoană, de un instrument software tradițional sau de un agent AI
• Înțelegerea modului în care asistenții și agenții AI pot sprijini activitățile de arhitectură software, păstrând în același timp judecata arhitecturală umană

Partea 2 - Luarea deciziilor arhitecturale asistată de AI

• Înțelegerea ciclului de viață al deciziilor arhitecturale și a modului în care ingineria agentică îl influențează
• Stabilirea unor bucle continue de feedback între arhitectură, dezvoltare, testare și operațiuni
• Utilizarea AI pentru a sprijini luarea continuă a deciziilor arhitecturale bazate pe dovezi
• Rafinarea obiectivelor de calitate în factori arhitecturali evaluabili și scenarii de calitate
• Identificarea conflictelor dintre obiectivele de calitate, constrângeri și intențiile arhitecturale
• Identificarea punctelor slabe structurale, a driftului arhitectural, a datoriei tehnice și a complexității emergente
• Combinarea instrumentelor consacrate de analiză cu revizuiri și evaluări arhitecturale asistate de AI
• Utilizarea AI pentru generarea, rafinarea și compararea alternativelor arhitecturale
• Evaluarea opțiunilor arhitecturale în raport cu factorii determinanți, constrângerile, principiile și deciziile existente
• Tratarea deciziilor arhitecturale ca ipoteze testabile, cu presupuneri explicite și criterii de validare
• Proiectarea unor experimente ușoare, prototipuri, simulări, spikes și comparații în paralel
• Recunoașterea limitărilor și riscurilor raționamentului arhitectural asistat de AI
• Definirea punctelor de revizuire, a guardrails și a limitelor pentru deciziile arhitecturale cu impact semnificativ
• Orientarea activității arhitecturale de la prescrierea detaliilor de implementare către orchestrarea obiectivelor, constrângerilor și criteriilor de acceptare
• Recunoașterea și limitarea riscurilor de orchestrare, precum agenții necontrolați, buclele infinite și erorile în cascadă
• Luarea în considerare a costurilor și sustenabilității la proiectarea fluxurilor de lucru agentice

Partea 3 - Furnizarea cunoștințelor arhitecturale către agenți

• Înțelegerea modului în care informațiile disponibile unui agent AI influențează calitatea și coerența arhitecturală a rezultatelor acestuia
• Tratarea furnizării de cunoștințe arhitecturale către agenți ca pe o provocare de inginerie și proiectare
• Identificarea deciziilor arhitecturale, constrângerilor, obiectivelor de calitate, principiilor, conceptelor de domeniu și limitelor sistemului relevante pentru agenții AI
• Proiectarea unor reprezentări precise, ușor de întreținut și eficiente ale cunoștințelor arhitecturale destinate agenților
• Utilizarea unor formate precum Architecture Decision Records, reguli de arhitectură, fișiere de context, baze de cunoștințe, indecși de regăsire, diagrams-as-code și constrângeri structurate
• Selectarea mecanismelor adecvate pentru furnizarea cunoștințelor arhitecturale către agenți la momentul potrivit
• Evaluarea unor strategii precum Retrieval-Augmented Generation și abilități reutilizabile ale agenților
• Înțelegerea implicațiilor arhitecturale ale protocoalelor standardizate de integrare între agenți și instrumente, precum Model Context Protocol
• Evaluarea dacă cunoștințele arhitecturale disponibile agenților sunt suficiente și structurate corespunzător
• Echilibrarea unui context arhitectural cuprinzător cu riscul informațiilor irelevante sau contradictorii
• Îmbunătățirea iterativă a furnizării cunoștințelor prin observarea și evaluarea comportamentului agenților
• Recunoașterea faptului că documentația comună nu creează automat o înțelegere comună

Partea 4 - Menținerea alinierii agenților cu obiectivele arhitecturale

• Înțelegerea motivului pentru care agenții AI au nevoie de controale și constrângeri arhitecturale explicite
• Recunoașterea modului în care activitatea generată de AI fără constrângeri poate introduce inconsistențe, datorie tehnică și drift arhitectural
• Înțelegerea motivului pentru care cunoștințele arhitecturale, singure, nu sunt suficiente pentru a controla comportamentul agenților
• Proiectarea unor controale preventive și de detectare care mențin activitatea generată de AI în limitele arhitecturale
• Evaluarea compromisurilor dintre precizie și acoperire, precum și dintre viteză și profunzimea analizei
• Selectarea mecanismelor adecvate de aplicare a regulilor structurale și a caracteristicilor mai ample de calitate
• Utilizarea testelor de arhitectură, analizei statice, linterelor, regulilor de dependență, verificărilor de politici, etapelor de revizuire, sandboxing și fluxurilor de aprobare
• Poziționarea controalelor arhitecturale în punctele adecvate ale procesului de dezvoltare și livrare
• Stabilirea unei verificări arhitecturale continue pentru baze de cod care evoluează rapid cu sprijinul AI
• Evaluarea dacă o bază de cod și un stack tehnologic existente sunt adecvate pentru controlul arhitectural al agenților AI
• Introducerea treptată a controalelor arhitecturale în sistemele existente
• Echilibrarea efortului necesar pentru stabilirea controalelor cu riscurile operării agenților fără acestea
• Utilizarea deficiențelor din activitatea generată de AI pentru îmbunătățirea controalelor arhitecturale în timp
• Stabilirea aspectelor de control care pot fi automatizate și a celor pentru care judecata umană rămâne esențială

Partea 5 - Extragerea informațiilor arhitecturale

• Diferențierea între documentația arhitecturii actuale (as-is) și cea a arhitecturii țintă (to-be)
• Diferențierea între informațiile arhitecturale destinate oamenilor și cele destinate agenților
• Înțelegerea domeniilor în care AI poate sprijini documentația arhitecturală și a celor în care colaborarea umană rămâne necesară
• Crearea unor reprezentări concise și lizibile de către mașini pentru fluxurile de lucru asistate de AI
• Menținerea deciziilor arhitecturale și a documentației pe parcursul buclelor de dezvoltare agentică
• Detectarea situațiilor în care dezvoltarea agentică modifică implicit sau se îndepărtează de deciziile arhitecturale existente
• Utilizarea Architecture Decision Records pentru documentarea deciziilor, alternativelor, justificărilor și consecințelor
• Utilizarea AI pentru redactarea proiectelor de ADR pe baza logurilor de context, rezultatelor guardrails, conversațiilor, e-mailurilor și înregistrărilor ședințelor
• Stabilirea unor puncte de revizuire umană pentru păstrarea trasabilității și responsabilității
• Extragerea informațiilor arhitecturale din codul sursă, repository-uri, interfețe, configurații, teste și descriptori de deployment
• Combinarea informațiilor generate de AI cu analiza statică și dinamică
• Detectarea tehnologiilor, framework-urilor, pattern-urilor arhitecturale, pattern-urilor de proiectare și a potențialelor reguli de business
• Identificarea lacunelor, inconsistențelor și incertitudinilor din informațiile arhitecturale recuperate
• Generarea și menținerea perspectivelor arhitecturale pe baza artefactelor de dezvoltare
• Utilizarea formatelor bazate pe text, precum Mermaid și Structurizr, pentru documentație vie sub controlul versiunilor
• Validarea documentației generate în raport cu cunoștințele dezvoltatorilor și comportamentul real al sistemului

Partea 6 - Guvernanță și puncte de control al calității pentru utilizarea AI

• Înțelegerea aspectelor privind drepturile de autor și licențierea software-ului atunci când se utilizează cod și artefacte generate de AI
• Stabilirea unor controale care reduc riscurile legate de drepturile de autor în dezvoltarea asistată de AI
• Evaluarea prelucrării datelor personale și sensibile atunci când se utilizează instrumente AI
• Înțelegerea rolurilor și responsabilităților conform cerințelor privind protecția datelor
• Aplicarea rolurilor de bază, logicii de risc și cerințelor etapizate ale EU AI Act în scenarii tipice de utilizare a instrumentelor AI
• Identificarea situațiilor în care trebuie implicați specialiști în protecția datelor, securitatea informației, aspecte juridice și alte părți interesate
• Documentarea deciziilor legate de AI într-o formă pregătită pentru audit și pentru luarea deciziilor
• Asigurarea trasabilității și provenienței rezultatelor generate de AI
• Utilizarea logging-ului structurat, referințelor de context, citărilor, versionării, tracing-ului și monitorizării
• Extinderea consecventă a guvernanței AI între echipe și procese de dezvoltare
• Compararea modelelor de cost AI bazate pe token-uri și pe abonamente
• Luarea în considerare a vendor lock-in, flexibilității furnizorului și suveranității datelor la selectarea serviciilor AI
• Utilizarea guardrails, proceselor de aprobare și allowlist-urilor pentru integrările agenților și instrumentelor
• Înțelegerea impactului asupra mediului al dezvoltării asistate de AI și al dezvoltării agentice
• Dezvoltarea unor strategii de utilizare sustenabilă bazate pe dimensiunea modelului, proiectarea fluxului de lucru și consumul de resurse
• Definirea unor reguli sigure și conforme cu protecția datelor pentru selectarea și utilizarea instrumentelor AI
• Înțelegerea riscurilor de securitate precum prompt injection, utilizarea necorespunzătoare a instrumentelor și atacurile confused-deputy
• Aplicarea unor măsuri precum principiul privilegiului minim, credențiale cu domeniu limitat, aprobări explicite și monitorizare
• Selectarea unor strategii adecvate de sandboxing bazate pe containere sau mașini virtuale

Partea 7 - Evoluția disciplinei arhitecturii software

• Menținerea responsabilității și asumării pentru codul generat de AI și rezultatele activității de inginerie
• Recunoașterea și gestionarea riscului de pierdere a competențelor de inginerie din cauza dependenței excesive de AI
• Utilizarea practicii deliberate, raționamentului uman ca punct de plecare și învățării asistate de AI pentru păstrarea competențelor esențiale
• Aplicarea gândirii critice la revizuirea și validarea rezultatelor generate de AI
• Diferențierea între raționamentul asistat de AI și delegarea luării deciziilor
• Identificarea activităților arhitecturale care trebuie să rămână sub responsabilitate umană
• Utilizarea unei terminologii comune și a vocabularelor de domeniu pentru îmbunătățirea coerenței deciziilor agenților
• Măsurarea dacă echipele își îmbunătățesc capacitatea arhitecturală, nu doar dacă produc rezultate mai rapid
• Adoptarea dezvoltării asistate de AI prin ipoteze explicite, experimente controlate și rezultate măsurabile
• Înțelegerea adoptării AI ca proces continuu de acces, adoptare, dezvoltare a competențelor, schimbare a practicilor de lucru și dezvoltare organizațională
• Sprijinirea adoptării prin instruire, experimentare, responsabilități clare și siguranță psihologică
• Utilizarea unor indicatori relevanți precum lead time, change failure rate, metrici DORA și semnale privind developer experience
• Aplicarea unor modele de colaborare care combină oamenii și AI, menținând o comunicare eficientă între membrii echipei
• Înțelegerea topologiilor de agenți, precum agenți individuali, subagenți și echipe de agenți
• Adaptarea rolurilor, structurilor de echipă, practicilor de inginerie și responsabilităților arhitecturale la dezvoltarea asistată de AI
• Trecerea de la implementarea la nivel de linie de cod către o gândire mai amplă, arhitecturală, orientată spre produs și rezultate
• Înțelegerea modului în care AI influențează arhitectura software, arhitectura soluțiilor și arhitectura enterprise