iSAQB® CPSA-A - Arhitectură software pentru sisteme bazate pe inteligență artificială (curs)

Descriere

Participarea la cursul iSAQB® CPSA-A Software Architecture for AI-Based Systems (SWARC4AI) oferă participanților 20 de puncte pentru Competență tehnică (TC)  și 10 puncte pentru Competență metodologică (MC) 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® SWARC4AI - Software Architecture for AI-Based Systems (CPSA-A) se bazează pe programa actuală iSAQB®:

Partea 1 - Introducere în conceptele de inteligență artificială relevante pentru arhitectura software

• Clasificarea inteligenței artificiale, machine learning, data science, deep learning și inteligenței artificiale generative
• Identificarea cazurilor generale tipice de utilizare a inteligenței artificiale
• Cunoașterea posibilelor aplicații în diferite industrii și aplicații pentru utilizatorii finali
• Identificarea riscurilor asociate utilizării inteligenței artificiale
• Înțelegerea diferențelor față de software-ul tradițional
• Luarea deciziilor privind rezolvarea problemelor prin inteligență artificială sau dezvoltare software clasică
• Cunoașterea rolurilor și responsabilităților acestora, precum și a modului de colaborare în contextul inteligenței artificiale
• Identificarea și prioritizarea cazurilor de utilizare a inteligenței artificiale
• Cunoașterea punctelor forte și a limitărilor inteligenței artificiale
• Cunoașterea conceptului de "Productivity J-Curve" în legătură cu tehnologia inteligenței artificiale

Partea 2 -  Conformitate, securitate și aliniere

• Cunoașterea influenței legislației privind protecția datelor asupra implementării și utilizării inteligenței artificiale
• Înțelegerea obiectivelor și reglementărilor EU AI Act și a impactului acestora asupra procesului de dezvoltare și arhitecturii
• Clasificarea sistemelor de inteligență artificială în funcție de nivelul de risc conform EU AI Act
• Clasificarea aspectelor privind drepturile de autor pentru conținutul generat de inteligența artificială
• Prezentare generală a tipurilor și nivelurilor de deschidere, precum și a tipurilor de licențe pentru modelele ML libere
• Înțelegerea strategiilor pentru respectarea EU AI Act și a provocărilor potențiale
• Documentarea modelelor și a seturilor de date pentru trasabilitate și transparență
• Cunoașterea vulnerabilităților de securitate și a tipurilor de atacuri asupra modelelor ML
• Cunoașterea și aplicarea strategiilor de minimizare a riscurilor asociate inteligenței artificiale
• Aplicarea opțiunilor de protecție împotriva atacurilor (securitatea AI)
• Înțelegerea aspectelor și problemelor fundamentale privind siguranța inteligenței artificiale
• Înțelegerea problemelor etice ale sistemelor de inteligență artificială și cunoașterea abordărilor pentru gestionarea acestora
• Prezentare generală a ghidurilor etice
• Cunoașterea principiilor de bază ale guvernanței AI și ale utilizării responsabile a inteligenței artificiale în companii
• Obținerea unei imagini de ansamblu asupra creării sandbox-urilor de reglementare
• Asigurarea unei gestionări adecvate a datelor pentru calitatea și securitatea acestora în aplicațiile de inteligență artificială

Partea 3 - Proiectarea și dezvoltarea sistemelor bazate pe inteligență artificială

• Înțelegerea ciclului de viață al unui proiect de machine learning sau data science
• Cunoașterea modelelor de proces pentru dezvoltarea software a sistemelor de inteligență artificială
• Cunoașterea tipurilor de date, a cerințelor privind datele și a problemelor tipice de ML
• Înțelegerea problemelor de machine learning și a cerințelor acestora
• Utilizarea datelor de intrare pentru diferiți algoritmi de inteligență artificială
• Gestionarea provocărilor precum nedeterminismul, calitatea datelor și concept drift și model drift
• Cunoașterea transfer learning sau fine-tuning
• Selectarea pattern-urilor de proiectare pentru sistemele de inteligență artificială
• Definirea sarcinii unui model ML
• Înțelegerea și specificarea datelor de intrare și ieșire pentru funcționarea unui sistem ML
• Cunoașterea metricilor pentru măsurarea performanței modelelor ML
• Integrarea modelelor ML în sistemele existente
• Proiectarea interfețelor cu utilizatorul pentru sistemele de inteligență artificială
• Înțelegerea metricilor de performanță, precum latența și debitul, în sistemele de inteligență artificială
• Gestionarea scalabilității pentru volume mai mari de date
• Înțelegerea robusteții în sistemele de inteligență artificială și aplicarea strategiilor pentru creșterea robusteții
• Clasificarea fiabilității și disponibilității sistemelor de inteligență artificială
• Înțelegerea reproductibilității și testabilității rezultatelor generate de inteligența artificială
• Cunoașterea cerințelor privind securitatea, protecția datelor și conformitatea
• Clasificarea explicabilității și interpretabilității în sistemele de inteligență artificială
• Recunoașterea bias-ului în date și modele
• Cunoașterea toleranței la defecte în sistemele de inteligență artificială

Partea 4 - Gestionarea și prelucrarea datelor pentru sistemele bazate pe inteligență artificială

• Colectarea și etichetarea datelor
• Cunoașterea platformelor uzuale pentru date accesibile public
• Prezentare generală a instrumentelor relevante pentru etichetarea datelor
• Proiectarea unor pipeline-uri și arhitecturi de date eficiente
• Cunoașterea strategiilor pentru agregarea, curățarea, transformarea, îmbogățirea și augmentarea datelor
• Prezentare generală a instrumentelor pentru pipeline-uri de data engineering
• Cunoașterea opțiunilor de stocare a datelor

Partea 5 - Caracteristici importante de calitate pentru operarea sistemelor bazate pe inteligență artificială

• Cunoașterea cerințelor de hardware pentru antrenare și inferență
• Cunoașterea compromisurilor dintre diferite arhitecturi de modele în ceea ce privește caracteristicile de calitate
• Ajustarea diferitelor caracteristici de calitate ale unui model ML
• Înțelegerea costurilor, consumului de energie și utilizării sustenabile a inteligenței artificiale (Green IT)
• Cunoașterea cerințelor de hardware pentru antrenare și inferență
• Urmărirea antrenării modelelor, parametrilor, metricilor și rezultatelor
• Evaluarea modelelor ML și a sistemelor de inteligență artificială bazate pe acestea
• Cunoașterea tipurilor de drift, precum și a posibilelor cauze și soluții pentru acestea
• Prezentare generală a pipeline-urilor CI/CD, gestionării modelelor și strategiilor de deployment pentru modelele de inteligență artificială
• Cunoașterea platformelor pentru furnizarea modelelor
• Clasificarea instrumentelor pentru crearea de POC-uri ale sistemelor de inteligență artificială
• Cunoașterea opțiunilor de deployment pentru modelele de inteligență artificială
• Enumerarea avantajelor și dezavantajelor SaaS și self-hosting
• Prezentare generală a soluțiilor SaaS de inteligență artificială
• Cunoașterea opțiunilor de deployment embedded pentru modelele ML
• Înțelegerea monitorizării în raport cu cerințele specifice inteligenței artificiale
• Prezentare generală a unor exemple de instrumente de monitorizare
• Înțelegerea feedbackului utilizatorilor, precum și a metodelor și instrumentelor pentru colectarea acestuia
• Cunoașterea metodelor de utilizare a feedbackului pentru antrenarea modelelor
• Înțelegerea pipeline-ului MLOps pe baza unui exemplu practic (Opțional)
• Luarea deciziilor de tip build vs. buy pentru sisteme/componente MLOps (Opțional)
• Cunoașterea instrumentelor MLOps și a platformelor end-to-end (Opțional)

Partea 6 - Arhitecturi de sistem și platforme pentru sisteme bazate pe inteligență artificială generativă

• Prezentare generală a nivelurilor de integrare a inteligenței artificiale
• Cunoașterea bibliotecilor, interfețelor și instrumentelor pentru integrarea modelelor de inteligență artificială
• Integrarea sistemelor de inteligență artificială în arhitectura generală a peisajului IT
• Prezentare generală a caracteristicilor de calitate relevante pentru sistemele de inteligență artificială
• Cunoașterea framework-urilor de evaluare pentru sistemele de inteligență artificială (Opțional)
• Discutarea unui studiu de caz într-un context profesional imaginar (Opțional)
• Înțelegerea fundamentală a inteligenței artificiale generative
• Înțelegerea modului de funcționare a LLM-urilor
• Înțelegerea pattern-urilor cunoscute de utilizare a LLM-urilor
• Cunoașterea cazurilor de utilizare pentru RAG (Retrieval-Augmented Generation)
• Cunoașterea și înțelegerea unor tehnici RAG selectate
• Cunoașterea tipurilor de Prompt Engineering
• Prezentare generală a workflow-urilor agentice
• Cunoașterea unei selecții de pattern-uri de proiectare pentru sistemele de inteligență artificială generativă
• Cunoașterea tehnicilor de evaluare a aplicațiilor bazate pe LLM
• Prezentare generală a LLM-urilor cunoscute și a criteriilor de selecție
• Înțelegerea importanței gestionării costurilor pentru aplicațiile GenAI
• Exemple de biblioteci, interfețe și instrumente uzuale asociate aplicațiilor LLM
• Cunoașterea arhitecturilor software pentru agentic AI, a componentelor arhitecturii agenților AI și a tipurilor de arhitecturi pentru agenți AI (Opțional)