iSAQB CPSA-A AGENTA

Mô tả

Tham gia khóa học iSAQB® CPSA-A Kiến trúc cho Bối cảnh Kỹ thuật Phần mềm Tác tử (AGENTA) mang lại cho người tham gia 20 điểm Năng lực Phương pháp (MC) và 10 điểm Năng lực Kỹ thuật (TC) 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 rằng, 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® AGENTA - Kiến trúc cho Bối cảnh Kỹ thuật Phần mềm Tác tử (CPSA-A) được công nhận dựa trên chương trình hiện tại của iSAQB®:

Phần 1 - Giới thiệu và Kiến thức Cơ bản

• Hiểu mối quan hệ giữa trí tuệ nhân tạo, học máy, AI tạo sinh và các mô hình ngôn ngữ lớn

• Phân biệt giữa lập trình có hỗ trợ AI, lập trình được tăng cường bởi AI và lập trình tác tử

• Hiểu điều phối AI, quy trình làm việc tác tử và kỹ thuật tác tử

• Nhận biết sự khác biệt giữa kỹ thuật tác tử và vibe coding

• Hiểu khả năng và giới hạn của các mô hình ngôn ngữ lớn, bao gồm hallucination, thiên lệch, giới hạn cập nhật kiến thức và giới hạn ngữ cảnh

• Giải thích ảnh hưởng của kỹ thuật prompt và kỹ thuật ngữ cảnh đến chất lượng kết quả do AI tạo ra

• Phân biệt giữa trợ lý AI và tác tử AI

• Hiểu vòng lặp tác tử, sử dụng công cụ, quản lý trạng thái, lập kế hoạch, tác tử phụ và các cách tiếp cận human-in-the-loop

• Phân loại các mức độ tự chủ khác nhau trong kỹ thuật tác tử

• Biết các cách tiếp cận như Spec-Driven Development, nhóm tác tử và lập trình hội thoại

• Quyết định một nhiệm vụ nên được thực hiện bởi con người, công cụ phần mềm truyền thống hay tác tử AI

• Hiểu cách trợ lý AI và tác tử có thể hỗ trợ các hoạt động kiến trúc phần mềm trong khi vẫn duy trì khả năng đánh giá kiến trúc của con người

Phần 2 - Ra Quyết định Kiến trúc với Sự Hỗ trợ của AI

• Hiểu vòng đời của các quyết định kiến trúc và cách kỹ thuật tác tử ảnh hưởng đến vòng đời này

• Thiết lập các vòng phản hồi liên tục giữa kiến trúc, phát triển, kiểm thử và vận hành

• Sử dụng AI để hỗ trợ việc ra quyết định kiến trúc liên tục dựa trên bằng chứng

• Chuyển các mục tiêu chất lượng thành các yếu tố kiến trúc và kịch bản chất lượng có thể đánh giá

• Xác định xung đột giữa mục tiêu chất lượng, ràng buộc và định hướng kiến trúc

• Xác định các điểm yếu về cấu trúc, sự lệch khỏi kiến trúc, nợ kỹ thuật và độ phức tạp mới phát sinh

• Kết hợp các công cụ phân tích đã được thiết lập với việc xem xét và đánh giá kiến trúc có hỗ trợ AI

• Sử dụng AI để tạo, tinh chỉnh và so sánh các phương án kiến trúc

• Đánh giá các phương án kiến trúc dựa trên các yếu tố, ràng buộc, nguyên tắc và quyết định hiện có

• Xem các quyết định kiến trúc như những giả thuyết có thể kiểm thử với các giả định và tiêu chí xác thực rõ ràng

• Thiết kế các thử nghiệm nhỏ, nguyên mẫu, mô phỏng, spike và so sánh song song

• Nhận biết các giới hạn và rủi ro của việc suy luận kiến trúc có hỗ trợ AI

• Xác định các điểm xem xét, guardrail và giới hạn cho các quyết định kiến trúc có ảnh hưởng lớn

• Chuyển công việc kiến trúc từ việc quy định chi tiết triển khai sang điều phối mục tiêu, ràng buộc và tiêu chí chấp nhận

• Nhận biết và kiểm soát các rủi ro điều phối như tác tử chạy mất kiểm soát, vòng lặp vô hạn và lỗi lan truyền

• Xem xét chi phí và tính bền vững khi thiết kế quy trình làm việc tác tử

Phần 3 - Cung cấp Kiến thức Kiến trúc cho Tác tử

• Hiểu cách thông tin có sẵn cho tác tử AI ảnh hưởng đến chất lượng và tính nhất quán kiến trúc của kết quả

• Xem việc cung cấp kiến thức kiến trúc cho tác tử như một thách thức về kỹ thuật và thiết kế

• Xác định các quyết định kiến trúc, ràng buộc, mục tiêu chất lượng, nguyên tắc, khái niệm miền và ranh giới hệ thống có liên quan đến tác tử AI

• Thiết kế cách thể hiện kiến thức kiến trúc dành cho tác tử một cách chính xác, dễ bảo trì và hiệu quả

• Sử dụng các định dạng như Architecture Decision Records, quy tắc kiến trúc, tệp ngữ cảnh, cơ sở kiến thức, chỉ mục truy xuất, sơ đồ dưới dạng mã và các ràng buộc có cấu trúc

• Chọn cơ chế phù hợp để cung cấp kiến thức kiến trúc cho tác tử vào đúng thời điểm

• Đánh giá các chiến lược như Retrieval-Augmented Generation và các kỹ năng tác tử có thể tái sử dụng

• Hiểu ảnh hưởng về kiến trúc của các giao thức tích hợp tác tử-công cụ được chuẩn hóa như Model Context Protocol

• Đánh giá liệu kiến thức kiến trúc có sẵn cho tác tử có đầy đủ và được cấu trúc phù hợp hay không

• Cân bằng giữa ngữ cảnh kiến trúc đầy đủ và rủi ro từ thông tin không liên quan hoặc mâu thuẫn

• Cải thiện việc cung cấp kiến thức theo từng bước bằng cách quan sát và đánh giá hành vi của tác tử

• Nhận biết rằng tài liệu được chia sẻ không tự động tạo ra sự hiểu biết chung

Phần 4 - Giữ Tác tử Phù hợp với Mục tiêu Kiến trúc

• Hiểu vì sao tác tử AI cần các biện pháp kiểm soát và ràng buộc kiến trúc rõ ràng

• Nhận biết cách công việc do AI tạo ra mà không có ràng buộc có thể gây ra sự không nhất quán, nợ kỹ thuật và sự lệch khỏi kiến trúc

• Hiểu vì sao chỉ có kiến thức kiến trúc là chưa đủ để kiểm soát hành vi của tác tử

• Thiết kế các biện pháp kiểm soát phòng ngừa và phát hiện để giữ công việc do AI tạo ra trong các giới hạn kiến trúc

• Đánh giá các điểm đánh đổi giữa độ chính xác và phạm vi bao phủ cũng như giữa tốc độ và độ sâu phân tích

• Chọn cơ chế thực thi phù hợp cho các quy tắc cấu trúc và các đặc tính chất lượng rộng hơn

• Sử dụng kiểm thử kiến trúc, phân tích tĩnh, linter, quy tắc phụ thuộc, kiểm tra chính sách, cổng xem xét, sandbox và quy trình phê duyệt

• Đặt các biện pháp kiểm soát kiến trúc tại các điểm phù hợp trong quá trình phát triển và phân phối

• Thiết lập xác minh kiến trúc liên tục cho các cơ sở mã có hỗ trợ AI đang thay đổi nhanh chóng

• Đánh giá liệu cơ sở mã và ngăn xếp công nghệ hiện có có phù hợp để kiểm soát kiến trúc của tác tử AI hay không

• Đưa các biện pháp kiểm soát kiến trúc vào hệ thống hiện có theo từng bước

• Cân bằng công sức cần thiết để thiết lập kiểm soát với rủi ro khi vận hành tác tử mà không có kiểm soát

• Sử dụng các lỗi trong công việc do AI tạo ra để cải thiện các biện pháp kiểm soát kiến trúc theo thời gian

• Xác định nơi có thể tự động hóa việc cải thiện kiểm soát và nơi vẫn cần khả năng đánh giá của con người

Phần 5 - Trích xuất Thông tin Kiến trúc

• Phân biệt giữa tài liệu kiến trúc hiện tại và tài liệu kiến trúc mục tiêu

• Phân biệt giữa thông tin kiến trúc dành cho con người và dành cho tác tử

• Hiểu nơi AI có thể hỗ trợ tài liệu kiến trúc và nơi vẫn cần sự hợp tác của con người

• Tạo các cách thể hiện ngắn gọn và máy có thể đọc được cho các quy trình làm việc có hỗ trợ AI

• Duy trì các quyết định kiến trúc và tài liệu trong suốt các vòng lặp phát triển tác tử

• Phát hiện khi phát triển tác tử ngầm thay đổi hoặc đi lệch khỏi các quyết định kiến trúc hiện có

• Sử dụng Architecture Decision Records để ghi lại quyết định, phương án thay thế, lý do và hệ quả

• Sử dụng AI để soạn thảo ADR từ log ngữ cảnh, kết quả guardrail, cuộc trò chuyện, email và biên bản cuộc họp

• Thiết lập các điểm xem xét của con người để duy trì khả năng truy xuất và trách nhiệm giải trình

• Trích xuất thông tin kiến trúc từ mã nguồn, repository, giao diện, cấu hình, kiểm thử và mô tả triển khai

• Kết hợp thông tin do AI tạo ra với phân tích tĩnh và động

• Phát hiện công nghệ, framework, mẫu kiến trúc, mẫu thiết kế và các quy tắc nghiệp vụ tiềm năng

• Xác định các khoảng trống, điểm không nhất quán và điểm chưa chắc chắn trong thông tin kiến trúc được khôi phục

• Tạo và duy trì các góc nhìn kiến trúc từ các sản phẩm của quá trình phát triển

• Sử dụng các định dạng dựa trên văn bản như Mermaid và Structurizr cho tài liệu sống được quản lý phiên bản

• Xác thực tài liệu được tạo ra dựa trên kiến thức của lập trình viên và hành vi thực tế của hệ thống

Phần 6 - Quản trị và Cổng Chất lượng cho Việc Sử dụng AI

• Hiểu các vấn đề về bản quyền và giấy phép phần mềm khi sử dụng mã và sản phẩm do AI tạo ra

• Thiết lập các biện pháp kiểm soát để giảm rủi ro liên quan đến bản quyền trong phát triển có hỗ trợ AI

• Đánh giá việc xử lý dữ liệu cá nhân và dữ liệu nhạy cảm khi sử dụng công cụ AI

• Hiểu vai trò và trách nhiệm theo các yêu cầu về bảo vệ dữ liệu

• Áp dụng các vai trò cơ bản, logic rủi ro và các yêu cầu theo từng giai đoạn của EU AI Act cho các tình huống sử dụng công cụ AI điển hình

• Xác định khi nào cần có sự tham gia của các bên liên quan về bảo vệ dữ liệu, an toàn thông tin, pháp lý và các lĩnh vực khác

• Ghi lại các quyết định liên quan đến AI theo cách sẵn sàng cho kiểm toán và ra quyết định

• Đảm bảo khả năng truy xuất và nguồn gốc của kết quả do AI tạo ra

• Sử dụng logging có cấu trúc, tham chiếu ngữ cảnh, trích dẫn, quản lý phiên bản, tracing và giám sát

• Mở rộng quản trị AI một cách nhất quán giữa các đội ngũ và quy trình phát triển

• So sánh các mô hình chi phí AI dựa trên token và dựa trên đăng ký

• Xem xét sự phụ thuộc vào nhà cung cấp, khả năng linh hoạt giữa các nhà cung cấp và chủ quyền dữ liệu khi lựa chọn dịch vụ AI

• Sử dụng guardrail, quy trình phê duyệt và danh sách cho phép cho việc tích hợp tác tử và công cụ

• Hiểu tác động môi trường của phát triển có hỗ trợ AI và phát triển tác tử

• Phát triển các chiến lược sử dụng bền vững dựa trên kích thước mô hình, thiết kế quy trình làm việc và mức tiêu thụ tài nguyên

• Xác định các quy tắc an toàn và tuân thủ bảo vệ dữ liệu khi lựa chọn và sử dụng công cụ AI

• Hiểu các rủi ro bảo mật như prompt injection, sử dụng công cụ sai mục đích và tấn công confused-deputy

• Áp dụng các biện pháp như quyền tối thiểu, thông tin xác thực có phạm vi giới hạn, phê duyệt rõ ràng và giám sát

• Chọn chiến lược sandbox phù hợp dựa trên container hoặc máy ảo

Phần 7 - Sự Phát triển của Ngành Kiến trúc Phần mềm

• Duy trì trách nhiệm và quyền sở hữu đối với mã do AI tạo ra và kết quả kỹ thuật

• Nhận biết và xử lý rủi ro mất kỹ năng kỹ thuật do phụ thuộc quá nhiều vào AI

• Sử dụng thực hành có chủ đích, suy luận của con người trước và học tập có hỗ trợ AI để duy trì các kỹ năng cốt lõi

• Áp dụng tư duy phản biện khi xem xét và xác thực kết quả do AI tạo ra

• Phân biệt giữa suy luận có hỗ trợ AI và việc giao quyền ra quyết định cho AI

• Xác định các hoạt động kiến trúc phải luôn thuộc trách nhiệm của con người

• Sử dụng thuật ngữ chung và từ vựng miền để cải thiện tính nhất quán trong quyết định của tác tử

• Đo lường xem đội ngũ có cải thiện năng lực kiến trúc hay chỉ đơn giản tạo ra kết quả nhanh hơn

• Áp dụng phát triển có hỗ trợ AI thông qua các giả thuyết rõ ràng, thử nghiệm có kiểm soát và kết quả có thể đo lường

• Hiểu việc áp dụng AI là một quá trình liên tục gồm quyền truy cập, áp dụng, mức độ thành thạo, thay đổi cách làm việc và phát triển tổ chức

• Hỗ trợ việc áp dụng thông qua đào tạo, thử nghiệm, trách nhiệm rõ ràng và sự an toàn tâm lý

• Sử dụng các chỉ số có ý nghĩa như lead time, change failure rate, DORA metrics và các tín hiệu về trải nghiệm của lập trình viên

• Áp dụng các mô hình hợp tác kết hợp con người và AI trong khi vẫn duy trì giao tiếp hiệu quả giữa các thành viên trong đội

• Hiểu các cấu trúc tác tử như tác tử đơn, tác tử phụ và đội tác tử

• Điều chỉnh vai trò, cấu trúc đội ngũ, thực hành kỹ thuật và trách nhiệm kiến trúc cho phát triển có hỗ trợ AI

• Chuyển từ triển khai ở cấp dòng mã sang tư duy rộng hơn về kiến trúc, sản phẩm và kết quả

• Hiểu cách AI ảnh hưởng đến kiến trúc phần mềm, kiến trúc giải pháp và kiến trúc doanh nghiệp