iSAQB CPSA-A SWARC4AI

Açıklama

iSAQB® CPSA-A Software Architecture for AI-Based Systems (SWARC4AI) kursuna katılmak, katılımcılara 20 Technical Competence (TC) ve 10 Methodological Competence (MC) puanı kazandırır. Bu puanlar, Brightest ile iSAQB CPSA-A sınavına girebilmek için gerekli olan 70 puanın bir parçasıdır. Brightest ile iSAQB CPSA-A sınavına girmek için gereken 70 puanın içinde, aşağıdaki alanların her birinden en az on yetkinlik puanına sahip olmanız gerektiğini unutmamak önemlidir:

• Technical Competence (TC)
• Methodological Competence (MC)
• Communicative Competence (CC)

Akredite iSAQB® SWARC4AI - Software Architecture for AI-Based Systems (CPSA-A) eğitimi, güncel iSAQB® müfredatına dayanmaktadır:

Bölüm 1 - Yapay Zekâ için Yazılım Mimarisiyle İlgili Kavramlara Giriş

• Yapay zekâ, makine öğrenmesi, veri bilimi, derin öğrenme ve üretken yapay zekâyı sınıflandırmak
• Yapay zekâ için tipik genel kullanım senaryolarını tanımlamak
• Farklı sektörlerde ve son kullanıcı uygulamalarında olası kullanım alanlarını bilmek
• Yapay zekâ kullanımındaki riskleri belirlemek
• Geleneksel yazılımdan olan farkları anlamak
• Problemlerin yapay zekâ veya klasik yazılım geliştirme ile çözülmesine karar vermek
• Yapay zekâ bağlamındaki rolleri, görevlerini ve birlikte çalışma şekillerini bilmek
• Yapay zekâ kullanım senaryolarını belirlemek ve önceliklendirmek
• Yapay zekânın güçlü yönlerini ve sınırlamalarını bilmek
• Yapay zekâ teknolojisiyle bağlantılı “Productivity J-Curve” kavramını bilmek

Bölüm 2 - Uyumluluk, Güvenlik ve Uyum

• Veri koruma yasalarının yapay zekânın uygulanması ve kullanılması üzerindeki etkisini bilmek
• EU AI Act'in amaçlarını ve düzenlemelerini, ayrıca geliştirme süreci ve mimari üzerindeki etkilerini anlamak
• Yapay zekâ sistemlerini EU AI Act risk seviyelerine göre sınıflandırmak
• Yapay zekâ tarafından oluşturulan içeriklerle ilgili telif hakkı konularını sınıflandırmak
• Serbest ML modellerinin açıklık türleri, seviyeleri ve lisans türleri hakkında genel bilgi sahibi olmak
• EU AI Act'e uyum stratejilerini ve olası zorlukları anlamak
• İzlenebilirlik ve şeffaflık için modelleri ve veri setlerini dokümante etmek
• ML modellerindeki güvenlik açıklarını ve saldırı türlerini bilmek
• Yapay zekâ risklerini azaltma stratejilerini bilmek ve uygulamak
• Saldırılara karşı koruma seçeneklerini uygulamak (AI security)
• AI safety ile ilgili temel konuları ve farklı yönleri anlamak
• Yapay zekâ sistemlerinin etik sorunlarını anlamak ve bunlarla başa çıkma yaklaşımlarını bilmek
• Etik yönergeler hakkında genel bilgi sahibi olmak
• Şirketler için AI governance ve responsible AI temel prensiplerini bilmek
• Regulatory sandbox oluşturma hakkında genel bilgi edinmek
• Yapay zekâ uygulamalarında veri kalitesi ve güvenliği için uygun veri yönetimini sağlamak

Bölüm 3 - Yapay Zekâ Tabanlı Sistemlerin Tasarımı ve Geliştirilmesi

• Bir makine öğrenmesi veya veri bilimi projesinin yaşam döngüsünü anlamak
• Yapay zekâ sistemlerinin yazılım geliştirme süreçleri için kullanılan süreç modellerini bilmek
• Veri türlerini ve gereksinimlerini, ayrıca tipik ML problemlerini bilmek
• Makine öğrenmesi problemlerini ve gereksinimlerini anlamak
• Farklı yapay zekâ algoritmaları için girdi verilerini kullanmak
• Deterministik olmayan davranış, veri kalitesi, concept drift ve model drift gibi zorluklarla başa çıkmak
• Transfer learning veya fine-tuning yöntemlerini bilmek
• Yapay zekâ sistemleri için design pattern'leri seçmek
• Bir ML modelinin görevini tanımlamak
• Bir ML sisteminin çalışması için gerekli girdileri ve çıktıları anlamak ve tanımlamak
• ML modellerinin performansını ölçmek için kullanılan metrikleri bilmek
• ML modellerini mevcut sistemlere entegre etmek
• Yapay zekâ sistemleri için kullanıcı arayüzleri tasarlamak
• Yapay zekâ sistemlerinde latency ve throughput gibi performans metriklerini anlamak
• Artan veri hacimleri için ölçeklenebilirliği yönetmek
• Yapay zekâ sistemlerinde robustness kavramını anlamak ve bunu artırmaya yönelik stratejileri uygulamak
• Yapay zekâ sistemlerinin güvenilirliğini ve kullanılabilirliğini sınıflandırmak
• Yapay zekâ sonuçlarının yeniden üretilebilirliğini ve test edilebilirliğini anlamak
• Güvenlik, veri koruma ve uyumluluk gereksinimlerini bilmek
• Yapay zekâ sistemlerinde açıklanabilirlik ve yorumlanabilirliği sınıflandırmak
• Veri ve modellerdeki bias'ı belirlemek
• Yapay zekâ sistemlerinde hata toleransını bilmek

Bölüm 4 - Yapay Zekâ Tabanlı Sistemler için Veri Yönetimi ve Veri İşleme

• Veri toplamak ve etiketlemek
• Herkese açık veriler için yaygın platformları bilmek
• Veri etiketleme için ilgili araçlar hakkında genel bilgi sahibi olmak
• Verimli data pipeline'ları ve mimarileri tasarlamak
• Veri toplama, temizleme, dönüştürme, zenginleştirme ve augmentation stratejilerini bilmek
• Data engineering pipeline'ları için araçlar hakkında genel bilgi sahibi olmak
• Veri depolama seçeneklerini bilmek

Bölüm 5 - Yapay Zekâ Tabanlı Sistemlerin İşletimi için Önemli Kalite Özellikleri

• Training ve inference için gerekli donanım gereksinimlerini bilmek
• Farklı model mimarilerinin kalite özellikleri açısından trade-off'larını bilmek
• Bir ML modelinin farklı kalite özelliklerini ayarlamak
• Yapay zekânın maliyetlerini, enerji tüketimini ve sürdürülebilir kullanımını anlamak (Green IT)
• Training ve inference için gerekli donanım gereksinimlerini bilmek
• Model training, parametreler, metrikler ve sonuçları takip etmek
• ML modellerini ve bunlara dayalı yapay zekâ sistemlerini değerlendirmek
• Drift türlerini, olası nedenlerini ve çözüm seçeneklerini bilmek
• Yapay zekâ modelleri için CI/CD pipeline'ları, model yönetimi ve deployment stratejileri hakkında genel bilgi sahibi olmak
• Model sunumu için kullanılan platformları bilmek
• Yapay zekâ sistemlerinin POC'larını oluşturmak için kullanılan araçları sınıflandırmak
• Yapay zekâ modellerinin deployment seçeneklerini bilmek
• SaaS ve self-hosting yaklaşımlarının avantaj ve dezavantajlarını sıralamak
• SaaS yapay zekâ çözümleri hakkında genel bilgi sahibi olmak
• ML modellerinin embedded deployment seçeneklerini bilmek
• Yapay zekâya özgü gereksinimler açısından monitoring'i anlamak
• Monitoring için örnek araçlar hakkında genel bilgi sahibi olmak
• Kullanıcı geri bildirimini ve geri bildirim toplama yöntemleri ile araçlarını anlamak
• Geri bildirimi model training için kullanma yöntemlerini bilmek
• Pratik bir örnek üzerinden MLOps pipeline'ını anlamak (İsteğe bağlı)
• MLOps sistemleri/bileşenleri için build vs. buy kararları vermek (İsteğe bağlı)
• MLOps araçlarını ve end-to-end platformları bilmek (İsteğe bağlı)

Bölüm 6 - Üretken Yapay Zekâ Tabanlı Sistemler için Sistem Mimarileri ve Platformlar

• Yapay zekânın entegrasyon seviyeleri hakkında genel bilgi sahibi olmak
• Yapay zekâ modellerinin entegrasyonu için kullanılan kütüphaneleri, arayüzleri ve araçları bilmek
• Yapay zekâ sistemlerini bir IT ortamının genel mimarisine entegre etmek
• Yapay zekâ sistemleri için önemli kalite özellikleri hakkında genel bilgi sahibi olmak
• Yapay zekâ sistemleri için evaluation framework'lerini bilmek (İsteğe bağlı)
• Örnek bir vaka çalışmasını profesyonel bir bakış açısıyla tartışmak (İsteğe bağlı)
• Üretken yapay zekâ hakkında temel bilgi sahibi olmak
• LLM'lerin nasıl çalıştığını anlamak
• LLM kullanımındaki bilinen pattern'leri anlamak
• RAG (Retrieval-Augmented Generation) kullanım senaryolarını bilmek
• Seçilmiş RAG tekniklerini bilmek ve anlamak
• Prompt engineering türlerini bilmek
• Agentic workflow'lar hakkında genel bilgi sahibi olmak
• Üretken yapay zekâ sistemleri için çeşitli design pattern'leri bilmek
• LLM uygulamalarını değerlendirme tekniklerini bilmek
• Bilinen LLM'ler ve seçim kriterleri hakkında genel bilgi sahibi olmak
• GenAI uygulamalarında maliyet yönetiminin önemini anlamak
• LLM uygulamalarıyla ilgili yaygın kütüphaneler, arayüzler ve araçlara örnekler vermek
• Agentic AI yazılım mimarilerini, AI agent mimarisi bileşenlerini ve AI agent mimarisi türlerini bilmek (İsteğe bağlı)