iSAQB CPSA-A SWARC4AI

Mô tả

Tham gia khóa học iSAQB® CPSA-A Kiến trúc Phần mềm cho Hệ thống Dựa trên AI (SWARC4AI) mang lại cho người tham gia 20 điểm Năng lực Kỹ thuật (TC) và 10 điểm Năng lực Phương pháp (MC) trong tổng số 70 điểm cần thiết để đủ điều kiện tham gia kỳ thi iSAQB CPSA-A với Brightest. Điều quan trọng cần nhớ là trong tổng số 70 điểm cần thiết để tham gia kỳ thi iSAQB CPSA-A với Brightest, bạn cần có ít nhất mười điểm năng lực trong mỗi lĩnh vực sau:

• Năng lực Kỹ thuật (TC)

• Năng lực Phương pháp (MC)

• Năng lực Giao tiếp (CC)

Chương trình đào tạo iSAQB® SWARC4AI - Kiến trúc Phần mềm cho Hệ thống Dựa trên AI (CPSA-A) được công nhận dựa trên chương trình hiện tại của iSAQB®:

Phần 1 - Giới thiệu các Khái niệm về Trí tuệ Nhân tạo Liên quan đến Kiến trúc Phần mềm

• Phân loại trí tuệ nhân tạo, học máy, khoa học dữ liệu, học sâu và AI tạo sinh

• Xác định các trường hợp sử dụng chung điển hình của AI

• Biết các ứng dụng có thể có trong nhiều ngành và ứng dụng dành cho người dùng cuối

• Xác định các rủi ro khi áp dụng AI

• Hiểu sự khác biệt so với phần mềm truyền thống

• Quyết định giải quyết vấn đề bằng AI hay phát triển phần mềm truyền thống

• Biết các vai trò, nhiệm vụ và cách phối hợp của họ trong bối cảnh AI

• Xác định và ưu tiên các trường hợp sử dụng AI

• Biết điểm mạnh và giới hạn của AI

• Biết khái niệm "Productivity J-Curve" liên quan đến công nghệ AI

Phần 2 - Tuân thủ, Bảo mật và Sự Phù hợp

• Biết ảnh hưởng của luật bảo vệ dữ liệu đến việc triển khai và sử dụng AI

• Hiểu mục tiêu và quy định của EU AI Act cũng như ảnh hưởng của chúng đến quy trình phát triển và kiến trúc

• Phân loại hệ thống AI theo mức độ rủi ro của EU AI Act

• Phân loại các vấn đề bản quyền của nội dung do AI tạo ra

• Tổng quan về các loại và mức độ mở cũng như các loại giấy phép của mô hình ML miễn phí

• Hiểu các chiến lược tuân thủ EU AI Act và những thách thức có thể xảy ra

• Ghi lại mô hình và tập dữ liệu để đảm bảo khả năng truy xuất và tính minh bạch

• Biết các điểm yếu bảo mật và các loại tấn công vào mô hình ML

• Biết và áp dụng các chiến lược giảm thiểu rủi ro AI

• Áp dụng các phương án bảo vệ chống tấn công (bảo mật AI)

• Hiểu các vấn đề và khía cạnh cơ bản của an toàn AI

• Hiểu các vấn đề đạo đức của hệ thống AI và biết các cách tiếp cận để xử lý chúng

• Tổng quan về các hướng dẫn đạo đức

• Biết các nguyên tắc cốt lõi của quản trị AI và AI có trách nhiệm dành cho doanh nghiệp

• Hiểu về việc tạo regulatory sandbox

• Đảm bảo quản lý dữ liệu phù hợp để duy trì chất lượng và bảo mật dữ liệu trong các ứng dụng AI

Phần 3 - Thiết kế và Phát triển Hệ thống Dựa trên AI

• Hiểu vòng đời của một dự án học máy hoặc khoa học dữ liệu

• Biết các mô hình quy trình để phát triển phần mềm cho hệ thống AI

• Biết các loại dữ liệu, yêu cầu đối với dữ liệu và các vấn đề ML điển hình

• Hiểu các vấn đề học máy và yêu cầu của chúng

• Sử dụng dữ liệu đầu vào cho các thuật toán AI khác nhau

• Xử lý các thách thức như tính không xác định, chất lượng dữ liệu, concept drift và model drift

• Biết transfer learning hoặc fine-tuning

• Lựa chọn các mẫu thiết kế cho hệ thống AI

• Xác định nhiệm vụ của một mô hình ML

• Hiểu và xác định đầu vào và đầu ra để hệ thống ML hoạt động

• Biết các chỉ số để đo hiệu suất của mô hình ML

• Tích hợp mô hình ML vào các hệ thống hiện có

• Thiết kế giao diện người dùng cho hệ thống AI

• Hiểu các chỉ số hiệu suất như độ trễ và thông lượng trong hệ thống AI

• Quản lý khả năng mở rộng khi khối lượng dữ liệu tăng

• Hiểu tính mạnh mẽ của hệ thống AI và áp dụng các chiến lược để tăng tính mạnh mẽ

• Phân loại độ tin cậy và tính sẵn sàng của hệ thống AI

• Hiểu khả năng tái tạo và khả năng kiểm thử của kết quả AI

• Biết các yêu cầu về bảo mật, bảo vệ dữ liệu và tuân thủ

• Phân loại khả năng giải thích và khả năng diễn giải trong hệ thống AI

• Nhận biết thiên lệch trong dữ liệu và mô hình

• Biết khả năng chịu lỗi trong hệ thống AI

Phần 4 - Quản lý và Xử lý Dữ liệu cho Hệ thống Dựa trên AI

• Thu thập và gắn nhãn dữ liệu

• Biết các nền tảng phổ biến cung cấp dữ liệu công khai

• Tổng quan về các công cụ liên quan để gắn nhãn dữ liệu

• Thiết kế pipeline và kiến trúc dữ liệu hiệu quả

• Biết các chiến lược tổng hợp, làm sạch, chuyển đổi, làm giàu và tăng cường dữ liệu

• Tổng quan về các công cụ cho pipeline kỹ thuật dữ liệu

• Biết các phương án lưu trữ dữ liệu

Phần 5 - Các Đặc tính Chất lượng Quan trọng khi Vận hành Hệ thống Dựa trên AI

• Biết các yêu cầu về phần cứng cho huấn luyện và suy luận

• Biết các điểm đánh đổi của các kiến trúc mô hình khác nhau liên quan đến các đặc tính chất lượng

• Điều chỉnh các đặc tính chất lượng khác nhau của mô hình ML

• Hiểu chi phí, mức tiêu thụ điện năng và việc sử dụng AI bền vững (Green IT)

• Biết các yêu cầu về phần cứng cho huấn luyện và suy luận

• Theo dõi quá trình huấn luyện mô hình, tham số, chỉ số và kết quả

• Đánh giá mô hình ML và các hệ thống AI dựa trên các mô hình đó

• Biết các loại drift cũng như các nguyên nhân và giải pháp có thể áp dụng

• Tổng quan về pipeline CI/CD, quản lý mô hình và chiến lược triển khai mô hình AI

• Biết các nền tảng để cung cấp mô hình

• Phân loại các công cụ để tạo POC cho hệ thống AI

• Biết các phương án triển khai mô hình AI

• Liệt kê ưu điểm và nhược điểm của SaaS và self-hosting

• Tổng quan về các giải pháp AI dạng SaaS

• Biết cách triển khai mô hình ML trên hệ thống nhúng

• Hiểu việc giám sát liên quan đến các yêu cầu riêng của AI

• Tổng quan về các công cụ mẫu để giám sát

• Hiểu phản hồi của người dùng, các phương pháp và công cụ để thu thập phản hồi

• Biết các phương pháp sử dụng phản hồi để huấn luyện mô hình

• Hiểu pipeline MLOps thông qua một ví dụ thực tế (Tùy chọn)

• Đưa ra quyết định tự xây dựng hay mua cho các hệ thống/thành phần MLOps (Tùy chọn)

• Biết các công cụ MLOps và nền tảng end-to-end (Tùy chọn)

Phần 6 - Kiến trúc Hệ thống và Nền tảng cho Hệ thống Dựa trên AI Tạo sinh

• Tổng quan về các mức độ tích hợp AI

• Biết các thư viện, giao diện và công cụ để tích hợp mô hình AI

• Tích hợp hệ thống AI vào kiến trúc tổng thể của môi trường CNTT

• Tổng quan về các đặc tính chất lượng liên quan của hệ thống AI

• Biết các framework đánh giá cho hệ thống AI (Tùy chọn)

• Thảo luận một nghiên cứu tình huống với một tình huống giả định chuyên nghiệp (Tùy chọn)

• Hiểu cơ bản về AI tạo sinh

• Hiểu cách LLM hoạt động

• Hiểu các mẫu phổ biến khi sử dụng LLM

• Biết các trường hợp sử dụng RAG (Retrieval-Augmented Generation)

• Biết và hiểu một số kỹ thuật RAG được chọn

• Biết các loại kỹ thuật prompt

• Tổng quan về quy trình làm việc tác tử

• Biết một số mẫu thiết kế cho hệ thống AI tạo sinh

• Biết các kỹ thuật đánh giá ứng dụng LLM

• Tổng quan về các LLM phổ biến và tiêu chí lựa chọn

• Hiểu tầm quan trọng của quản lý chi phí đối với ứng dụng GenAI

• Đưa ra ví dụ về các thư viện, giao diện và công cụ phổ biến liên quan đến ứng dụng LLM

• Biết kiến trúc phần mềm AI tác tử, các thành phần kiến trúc của tác tử AI và các loại kiến trúc tác tử AI (Tùy chọn)