iSAQB CPSA-A SWARC4AI

Опис

Участь у курсі iSAQB® CPSA-A Software Architecture for AI-Based Systems (SWARC4AI) дає учасникам 20 балів за технічну компетентність (TC)  та 10 балів за методологічну компетентність (MC) у межах 70 балів, необхідних для допуску до складання іспиту iSAQB CPSA-A в Brightest. Важливо пам’ятати, що в межах 70 балів, необхідних для складання іспиту iSAQB CPSA-A в Brightest, потрібно набрати щонайменше десять балів компетентності в кожній із таких областей: 

• Технічна компетентність (TC)
• Методологічна компетентність (MC)
• Комунікативна компетентність (CC)

Акредитований курс iSAQB® SWARC4AI - Software Architecture for AI-Based Systems (CPSA-A) базується на актуальній навчальній програмі iSAQB®:

Частина 1 - Вступ до концепцій штучного інтелекту, важливих для архітектури програмного забезпечення

• Класифікація штучного інтелекту, машинного навчання, Data Science, глибокого навчання та генеративного ШІ
• Визначення типових загальних варіантів використання ШІ
• Знання можливих сфер застосування в різних галузях і користувацьких застосунках
• Виявлення ризиків, пов’язаних із застосуванням ШІ
• Розуміння відмінностей від традиційного програмного забезпечення
• Прийняття рішень щодо використання ШІ або класичної розробки програмного забезпечення для розв’язання задач
• Знання ролей та їхніх завдань, а також принципів співпраці в контексті ШІ
• Виявлення та пріоритизація варіантів використання ШІ
• Знання сильних сторін і обмежень ШІ
• Знання концепції "Productivity J-Curve" у зв’язку з технологіями ШІ

Частина 2 -  Відповідність вимогам, безпека та узгодження

• Знання впливу законодавства про захист даних на реалізацію та використання ШІ
• Розуміння цілей і вимог EU AI Act та їхнього впливу на процес розробки й архітектуру
• Класифікація систем ШІ відповідно до рівнів ризику EU AI Act
• Класифікація питань авторського права, пов’язаних із контентом, створеним ШІ
• Огляд типів і ступенів відкритості, а також видів ліцензій вільних ML-моделей
• Розуміння стратегій дотримання вимог EU AI Act і потенційних викликів
• Документування моделей і наборів даних для забезпечення простежуваності та прозорості
• Знання вразливостей безпеки та типів атак на ML-моделі
• Знання та застосування стратегій мінімізації ризиків ШІ
• Застосування способів захисту від атак (безпека ШІ)
• Розуміння фундаментальних питань і аспектів безпеки ШІ
• Розуміння етичних проблем систем ШІ та знання підходів до їх вирішення
• Огляд етичних настанов
• Знання основних принципів управління ШІ та відповідального використання ШІ в компаніях
• Отримання уявлення про створення регуляторних пісочниць
• Забезпечення належного управління даними для підтримання якості та безпеки даних у застосунках ШІ

Частина 3 - Проєктування та розробка систем на основі ШІ

• Розуміння життєвого циклу проєкту машинного навчання або Data Science
• Знання моделей процесів розробки програмного забезпечення для систем ШІ
• Знання типів даних, вимог до них і типових задач машинного навчання
• Розуміння задач машинного навчання та їхніх вимог
• Використання вхідних даних для різних алгоритмів ШІ
• Робота з такими викликами, як недетермінізм, якість даних, дрейф концепцій і моделей
• Знання transfer learning і fine-tuning
• Вибір шаблонів проєктування для систем ШІ
• Визначення завдання ML-моделі
• Розуміння та визначення вхідних і вихідних даних для функціонування ML-системи
• Знання метрик для вимірювання продуктивності ML-моделей
• Інтеграція ML-моделей в існуючі системи
• Проєктування користувацьких інтерфейсів для систем ШІ
• Розуміння показників продуктивності, таких як затримка та пропускна здатність, у системах ШІ
• Управління масштабованістю зі збільшенням обсягів даних
• Розуміння стійкості систем ШІ та застосування стратегій для її підвищення
• Класифікація надійності та доступності систем ШІ
• Розуміння відтворюваності та тестованості результатів ШІ
• Знання вимог до безпеки, захисту даних і відповідності нормативним вимогам
• Класифікація пояснюваності та інтерпретованості систем ШІ
• Виявлення упередженості в даних і моделях
• Знання принципів відмовостійкості систем ШІ

Частина 4 - Управління та обробка даних для систем на основі ШІ

• Збирання та маркування даних
• Знання поширених платформ із загальнодоступними даними
• Огляд відповідних інструментів для маркування даних
• Проєктування ефективних конвеєрів та архітектур даних
• Знання стратегій агрегації, очищення, перетворення, збагачення й аугментації даних
• Огляд інструментів для конвеєрів Data Engineering
• Знання варіантів зберігання даних

Частина 5 - Важливі характеристики якості для експлуатації систем на основі ШІ

• Знання вимог до апаратного забезпечення для навчання та інференсу
• Знання компромісів різних архітектур моделей щодо характеристик якості
• Налаштування різних характеристик якості ML-моделі
• Розуміння витрат, енергоспоживання та сталого використання ШІ (Green IT)
• Знання вимог до апаратного забезпечення для навчання та інференсу
• Відстеження навчання моделей, параметрів, метрик і результатів
• Оцінювання ML-моделей і систем ШІ, що базуються на них
• Знання типів дрейфу, а також їх можливих причин і способів усунення
• Огляд CI/CD-конвеєрів, управління моделями та стратегій розгортання моделей ШІ
• Знання платформ для надання моделей
• Класифікація інструментів для створення POC систем ШІ
• Знання варіантів розгортання моделей ШІ
• Перелік переваг і недоліків SaaS та самостійного хостингу
• Огляд SaaS-рішень у сфері ШІ
• Знання варіантів вбудованого розгортання ML-моделей
• Розуміння моніторингу з урахуванням специфічних вимог ШІ
• Огляд прикладів інструментів моніторингу
• Розуміння зворотного зв’язку від користувачів, методів та інструментів його збору
• Знання методів використання зворотного зв’язку для навчання моделей
• Розуміння MLOps-конвеєра на практичному прикладі (необов’язково)
• Прийняття рішень щодо власної розробки або придбання MLOps-систем/компонентів (необов’язково)
• Знання інструментів MLOps і комплексних платформ (необов’язково)

Частина 6 - Системні архітектури та платформи для систем на основі генеративного ШІ

• Огляд рівнів інтеграції ШІ
• Знання бібліотек, інтерфейсів та інструментів для інтеграції моделей ШІ
• Інтеграція систем ШІ в загальну архітектуру ІТ-ландшафту
• Огляд відповідних характеристик якості систем ШІ
• Знання фреймворків оцінювання систем ШІ (необов’язково)
• Обговорення практичного прикладу з уявним професійним контекстом (необов’язково)
• Фундаментальне розуміння генеративного ШІ
• Розуміння принципів роботи LLM
• Розуміння відомих шаблонів використання LLM
• Знання варіантів використання RAG (Retrieval-Augmented Generation)
• Знання та розуміння вибраних методів RAG
• Знання типів Prompt Engineering
• Огляд агентних робочих процесів
• Знання низки шаблонів проєктування для систем генеративного ШІ
• Знання методів оцінювання застосунків на основі LLM
• Огляд відомих LLM і критеріїв їх вибору
• Розуміння важливості управління витратами для застосунків GenAI
• Приклади поширених бібліотек, інтерфейсів та інструментів, пов’язаних із застосунками LLM
• Знання архітектур програмного забезпечення агентного ШІ, компонентів архітектури ШІ-агентів і типів архітектур ШІ-агентів (необов’язково)