iSAQB CPSA-A AGENTA

Açıklama

iSAQB® CPSA-A Architecture for Agentic Software Engineering Contexts (AGENTA) kursuna katılmak, katılımcılara 20 Methodological Competence (MC) puanı ve 10 Technical Competence (TC) 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® AGENTA - Architecture for Agentic Software Engineering Contexts (CPSA-A) eğitimi, güncel iSAQB® müfredatına dayanmaktadır:

Bölüm 1 - Giriş ve Temel Kavramlar

• Yapay zekâ, makine öğrenmesi, üretken yapay zekâ ve büyük dil modelleri arasındaki ilişkileri anlamak

• AI-assisted, augmented ve agentic coding arasındaki farkları ayırt etmek

• AI orchestration, agentic workflow'lar ve agentic engineering kavramlarını anlamak

• Agentic engineering ile vibe coding arasındaki farkları bilmek

• Halüsinasyonlar, önyargı, bilgi kesilme tarihleri ve bağlam sınırlamaları dahil olmak üzere büyük dil modellerinin yeteneklerini ve sınırlamalarını anlamak

• Prompt engineering ve context engineering'in yapay zekâ tarafından üretilen sonuçların kalitesi üzerindeki etkisini açıklamak

• AI assistant'lar ile AI agent'lar arasındaki farkı ayırt etmek

• Agentic loop'ları, araç kullanımını, durum yönetimini, planlamayı, sub-agent'ları ve human-in-the-loop yaklaşımlarını anlamak

• Agentic engineering içindeki farklı otonomi seviyelerini sınıflandırmak

• Spec-Driven Development, agent swarm'ları ve conversational programming gibi yaklaşımları bilmek

• Bir görevin insan, geleneksel bir yazılım aracı veya AI agent tarafından yapılmasına karar vermek

• AI assistant'ların ve agent'ların, insanın mimari değerlendirmesini koruyarak yazılım mimarisi faaliyetlerini nasıl destekleyebileceğini anlamak

Bölüm 2 - Yapay Zekâ Destekli Mimari Karar Verme

• Mimari kararların yaşam döngüsünü ve agentic engineering'in bunu nasıl etkilediğini anlamak

• Mimari, geliştirme, test ve operasyonlar arasında sürekli geri bildirim döngüleri oluşturmak

• Sürekli ve kanıta dayalı mimari karar vermeyi desteklemek için yapay zekâ kullanmak

• Kalite hedeflerini değerlendirilebilir mimari etkenlere ve kalite senaryolarına dönüştürmek

• Kalite hedefleri, kısıtlamalar ve mimari amaçlar arasındaki çelişkileri belirlemek

• Yapısal zayıflıkları, mimari sapmayı, teknik borcu ve artan karmaşıklığı belirlemek

• Yerleşik analiz araçlarını yapay zekâ destekli mimari incelemeler ve değerlendirmelerle birlikte kullanmak

• Mimari alternatifler oluşturmak, geliştirmek ve karşılaştırmak için yapay zekâ kullanmak

• Mimari seçenekleri etkenlere, kısıtlamalara, ilkelere ve mevcut kararlara göre değerlendirmek

• Mimari kararları açık varsayımları ve doğrulama kriterleri olan test edilebilir hipotezler olarak ele almak

• Hafif deneyler, prototipler, simülasyonlar, spike'lar ve yan yana karşılaştırmalar tasarlamak

• Yapay zekâ destekli mimari akıl yürütmenin sınırlamalarını ve risklerini bilmek

• Önemli mimari kararlar için inceleme noktaları, guardrail'ler ve sınırlar tanımlamak

• Mimari çalışmayı uygulama ayrıntılarını belirlemekten, hedefleri, kısıtlamaları ve kabul kriterlerini yönetmeye doğru değiştirmek

• Kontrolden çıkan agent'lar, sonsuz döngüler ve zincirleme hatalar gibi orchestration risklerini tanımak ve kontrol etmek

• Agentic workflow'lar tasarlanırken maliyet ve sürdürülebilirliği dikkate almak

Bölüm 3 - Agent'lara Mimari Bilgi Sağlamak

• Bir AI agent'a sunulan bilgilerin, çıktının kalitesini ve mimari tutarlılığını nasıl etkilediğini anlamak

• Agent'lara mimari bilgi sağlamayı bir mühendislik ve tasarım problemi olarak ele almak

• AI agent'lar için önemli olan mimari kararları, kısıtlamaları, kalite hedeflerini, ilkeleri, domain kavramlarını ve sistem sınırlarını belirlemek

• Agent'lara yönelik açık, bakımı kolay ve etkili mimari bilgi gösterimleri tasarlamak

• Architecture Decision Records, mimari kurallar, context file'ları, bilgi tabanları, retrieval index'leri, diagrams-as-code ve yapılandırılmış kısıtlamalar gibi formatları kullanmak

• Mimari bilgiyi doğru zamanda agent'lara iletmek için uygun mekanizmaları seçmek

• Retrieval-Augmented Generation ve yeniden kullanılabilir agent skill'leri gibi stratejileri değerlendirmek

• Model Context Protocol gibi standartlaştırılmış agent-tool entegrasyon protokollerinin mimari etkilerini anlamak

• Agent'lara sunulan mimari bilginin yeterli ve uygun şekilde yapılandırılmış olup olmadığını değerlendirmek

• Kapsamlı mimari bağlam ile ilgisiz veya çelişkili bilgi riski arasında denge kurmak

• Agent davranışlarını gözlemleyip değerlendirerek bilgi aktarımını sürekli iyileştirmek

• Ortak dokümantasyonun otomatik olarak ortak anlayış oluşturmadığını bilmek

Bölüm 4 - Agent'ları Mimari Hedeflerle Uyumlu Tutmak

• AI agent'ların neden açık mimari kontrollere ve kısıtlamalara ihtiyaç duyduğunu anlamak

• Kontrolsüz AI tarafından üretilen çalışmaların nasıl tutarsızlık, teknik borç ve mimari sapma oluşturabileceğini anlamak

• Mimari bilginin tek başına agent davranışını kontrol etmek için yeterli olmadığını anlamak

• AI tarafından üretilen çalışmaları mimari sınırlar içinde tutan önleyici ve tespit edici kontroller tasarlamak

• Kesinlik ile kapsam ve hız ile analiz derinliği arasındaki dengeleri değerlendirmek

• Yapısal kurallar ve daha geniş kalite özellikleri için uygun uygulama mekanizmalarını seçmek

• Architecture test'leri, statik analiz, linter'lar, dependency kuralları, policy check'ler, review gate'leri, sandboxing ve approval workflow'ları kullanmak

• Mimari kontrolleri geliştirme ve teslimat sürecinin uygun noktalarına yerleştirmek

• Hızla değişen AI destekli codebase'ler için sürekli mimari doğrulama oluşturmak

• Mevcut bir codebase'in ve teknoloji stack'inin AI agent'larının mimari kontrolü için uygun olup olmadığını değerlendirmek

• Mevcut sistemlere mimari kontrolleri aşamalı olarak eklemek

• Kontrolleri oluşturmak için gereken çaba ile agent'ları kontrol olmadan çalıştırmanın riskleri arasında denge kurmak

• AI tarafından üretilen çalışmalardaki hataları zaman içinde mimari kontrolleri iyileştirmek için kullanmak

• Hangi kontrol iyileştirmelerinin otomatikleştirilebileceğini ve hangi alanlarda insan değerlendirmesinin gerekli olduğunu belirlemek

Bölüm 5 - Mimari Bilgi Çıkarma

• Mevcut durum (as-is) ve hedef durum (to-be) mimari dokümantasyonu arasındaki farkı ayırt etmek

• İnsanlara yönelik ve agent'lara yönelik mimari bilgiler arasındaki farkı ayırt etmek

• Yapay zekânın mimari dokümantasyonu nerede destekleyebileceğini ve insan iş birliğinin nerede gerekli olduğunu anlamak

• Yapay zekâ destekli workflow'lar için kısa ve makine tarafından okunabilir gösterimler oluşturmak

• Agentic geliştirme döngüleri boyunca mimari kararları ve dokümantasyonu güncel tutmak

• Agentic geliştirmenin mevcut mimari kararları örtülü olarak ne zaman değiştirdiğini veya bu kararlardan uzaklaştığını belirlemek

• Kararları, alternatifleri, gerekçeleri ve sonuçları kaydetmek için Architecture Decision Records kullanmak

• Context log'ları, guardrail çıktıları, konuşmalar, e-postalar ve toplantı kayıtlarından ADR taslakları oluşturmak için yapay zekâ kullanmak

• İzlenebilirliği ve sorumluluğu korumak için insan inceleme noktaları oluşturmak

• Kaynak koddan, repository'lerden, arayüzlerden, yapılandırmalardan, testlerden ve deployment descriptor'larından mimari bilgi çıkarmak

• Yapay zekâ tarafından oluşturulan bilgileri statik ve dinamik analizle birleştirmek

• Teknolojileri, framework'leri, mimari kalıpları, tasarım kalıplarını ve olası iş kurallarını belirlemek

• Elde edilen mimari bilgilerdeki boşlukları, tutarsızlıkları ve belirsizlikleri belirlemek

• Geliştirme artifact'larından mimari görünümler oluşturmak ve bunları güncel tutmak

• Versiyon kontrollü yaşayan dokümantasyon için Mermaid ve Structurizr gibi metin tabanlı formatları kullanmak

• Oluşturulan dokümantasyonu geliştirici bilgisi ve sistemin gerçek davranışıyla doğrulamak

Bölüm 6 - Yapay Zekâ Kullanımı için Yönetişim ve Kalite Kapıları

• Yapay zekâ tarafından oluşturulan kod ve artifact'ları kullanırken telif hakkı ve yazılım lisanslama konularını anlamak

• Yapay zekâ destekli geliştirmede telif hakkıyla ilgili riskleri azaltan kontroller oluşturmak

• Yapay zekâ araçları kullanılırken kişisel ve hassas verilerin işlenmesini değerlendirmek

• Veri koruma gereksinimleri kapsamındaki rol ve sorumlulukları anlamak

• EU AI Act'in temel rollerini, risk yaklaşımını ve aşamalı gereksinimlerini tipik AI araç senaryolarına uygulamak

• Veri koruma, bilgi güvenliği, hukuk ve diğer paydaşların ne zaman dahil edilmesi gerektiğini belirlemek

• Yapay zekâ ile ilgili kararları denetime ve karar vermeye uygun şekilde dokümante etmek

• Yapay zekâ tarafından oluşturulan çıktıların izlenebilirliğini ve kaynağını sağlamak

• Yapılandırılmış logging, context reference'ları, citation'lar, versioning, tracing ve monitoring kullanmak

• Yapay zekâ yönetişimini ekipler ve geliştirme süreçleri genelinde tutarlı şekilde ölçeklendirmek

• Token tabanlı ve abonelik tabanlı AI maliyet modellerini karşılaştırmak

• AI servisleri seçerken vendor lock-in, sağlayıcı esnekliği ve veri egemenliğini dikkate almak

• Agent ve araç entegrasyonları için guardrail'ler, onay süreçleri ve allowlist'ler kullanmak

• Yapay zekâ destekli ve agentic geliştirmenin çevresel etkisini anlamak

• Model boyutu, workflow tasarımı ve kaynak tüketimine göre sürdürülebilir kullanım stratejileri geliştirmek

• AI araçlarının seçimi ve kullanımı için güvenli ve veri koruma gereksinimlerine uygun kurallar tanımlamak

• Prompt injection, araçların kötüye kullanımı ve confused-deputy saldırıları gibi güvenlik risklerini anlamak

• Least privilege, sınırlı credential'lar, açık onaylar ve monitoring gibi önlemleri uygulamak

• Uygun container tabanlı veya virtual machine tabanlı sandboxing stratejileri seçmek

Bölüm 7 - Yazılım Mimarisinin Gelişen Disiplini

• AI tarafından oluşturulan kod ve mühendislik sonuçları için sorumluluğu ve sahipliği korumak

• Yapay zekâya aşırı bağımlılık nedeniyle mühendislik becerilerinin kaybolma riskini tanımak ve ele almak

• Temel becerileri korumak için bilinçli pratik, önce insan yaklaşımıyla akıl yürütme ve yapay zekâ destekli öğrenme kullanmak

• AI tarafından oluşturulan sonuçları incelerken ve doğrularken eleştirel düşünme uygulamak

• Yapay zekâ destekli akıl yürütme ile karar vermeyi yapay zekâya devretme arasındaki farkı ayırt etmek

• İnsan sorumluluğunda kalması gereken mimari faaliyetleri belirlemek

• Agent kararlarının tutarlılığını artırmak için ortak terminoloji ve domain sözlükleri kullanmak

• Ekiplerin sadece daha hızlı çıktı üretmek yerine mimari yetkinliklerini gerçekten geliştirip geliştirmediğini ölçmek

• AI destekli geliştirmeyi açık hipotezler, kontrollü deneyler ve ölçülebilir sonuçlarla uygulamak

• Yapay zekâ kullanımını erişim, benimseme, yetkinlik, değişen çalışma yöntemleri ve kurumsal gelişimden oluşan sürekli bir süreç olarak anlamak

• Eğitim, deneyler, açık sorumluluklar ve psikolojik güvenlik ile benimsemeyi desteklemek

• Lead time, change failure rate, DORA metrikleri ve developer experience göstergeleri gibi anlamlı ölçütleri kullanmak

• Ekip üyeleri arasında etkili iletişimi korurken insanları ve yapay zekâyı birleştiren iş birliği modellerini uygulamak

• Solo agent'lar, sub-agent'lar ve agent team'leri gibi agent topolojilerini anlamak

• Rolleri, ekip yapılarını, mühendislik uygulamalarını ve mimari sorumlulukları AI destekli geliştirmeye uyarlamak

• Satır seviyesinde uygulama çalışmalarından daha geniş mimari, ürün odaklı ve sonuç odaklı düşünmeye geçmek

• Yapay zekânın yazılım, solution ve enterprise architecture üzerindeki etkisini anlamak