iSAQB CPSA-A SWARC4AI

描述

参加 iSAQB® CPSA-A 人工智能系统软件架构（SWARC4AI）课程，学员可获得 20 个技术能力（TC）积分和 10 个方法能力（MC）积分。这些积分将计入获得参加 Brightest iSAQB CPSA-A 考试资格所需的 70 个积分。请注意，在参加 Brightest iSAQB CPSA-A 考试所需的 70 个积分中，您必须在以下每个能力领域至少获得 10 个积分： 

• 技术能力（TC）
• 方法能力（MC）
• 沟通能力（CC）

经认证的 iSAQB® SWARC4AI - 人工智能系统软件架构（CPSA-A）培训以当前的 iSAQB® 课程大纲为基础：

第 1 部分 - 人工智能相关的软件架构概念简介

• 区分人工智能、机器学习、数据科学、深度学习和生成式人工智能
• 说明人工智能的典型通用应用场景
• 了解人工智能在不同行业和终端用户应用中的可能用途
• 识别使用人工智能时可能产生的风险
• 理解人工智能系统与传统软件之间的区别
• 决定使用人工智能还是传统软件开发方式解决问题
• 了解人工智能领域中的不同角色及其任务和协作方式
• 识别人工智能应用场景并确定其优先级
• 了解人工智能的优势和局限性
• 了解与人工智能技术相关的“生产力 J 曲线”概念

第 2 部分 -  合规、安全与对齐

• 了解数据保护法律对人工智能实施和使用的影响
• 理解《欧盟人工智能法案》的目标和规定，以及它们对开发流程和架构的影响
• 根据《欧盟人工智能法案》的风险等级对人工智能系统进行分类
• 判断人工智能生成内容涉及的版权问题
• 概述免费机器学习模型的开放类型、开放程度和许可证类型
• 理解遵守《欧盟人工智能法案》的策略及其潜在挑战
• 记录模型和数据集，以确保可追溯性和透明度
• 了解机器学习模型的安全隐患和攻击类型
• 了解并应用降低人工智能风险的策略
• 应用防御攻击的方法（人工智能安全）
• 理解人工智能安全的基本问题和不同方面
• 理解人工智能系统的伦理问题，并了解相应的处理方法
• 概述相关伦理准则
• 了解企业人工智能治理和负责任人工智能的核心原则
• 初步了解监管沙盒的建立方式
• 确保适当的数据管理，以保障人工智能应用中的数据质量和安全

第 3 部分 - 人工智能系统的设计与开发

• 理解机器学习或数据科学项目的生命周期
• 了解人工智能系统软件开发的过程模型
• 了解数据的类型和要求，以及典型的机器学习问题
• 理解机器学习问题及其要求
• 为不同的人工智能算法使用输入数据
• 处理非确定性、数据质量、概念漂移和模型漂移等挑战
• 了解迁移学习和微调
• 为人工智能系统选择设计模式
• 定义机器学习模型的任务
• 理解并确定机器学习系统运行所需的输入和输出
• 了解衡量机器学习模型性能的指标
• 将机器学习模型集成到现有系统中
• 设计人工智能系统的用户界面
• 理解人工智能系统中的延迟和吞吐量等性能指标
• 管理数据量增长带来的可扩展性问题
• 理解人工智能系统的稳健性，并应用提高稳健性的策略
• 评估人工智能系统的可靠性和可用性
• 理解人工智能结果的可复现性和可测试性
• 了解安全、数据保护和合规要求
• 评估人工智能系统的可解释性和可理解性
• 识别数据和模型中的偏差
• 了解人工智能系统的容错能力

第 4 部分 - 人工智能系统的数据管理与数据处理

• 获取和标注数据
• 了解常用的公共数据平台
• 概述相关的数据标注工具
• 设计高效的数据管道和架构
• 了解数据聚合、清理、转换、丰富和增强的策略
• 概述数据工程管道所使用的工具
• 了解数据存储方案

第 5 部分 - 人工智能系统运行的重要质量特性

• 了解训练和推理的硬件要求
• 了解不同模型架构在质量特性方面的权衡
• 协调机器学习模型的不同质量特性
• 理解人工智能的成本、能耗和可持续使用（绿色 IT）
• 概述使用 MLOps 自动化数据科学项目生命周期的方法
• 跟踪模型训练、参数、指标和结果
• 评估机器学习模型以及基于这些模型构建的人工智能系统
• 了解不同类型的漂移及其可能的原因和解决方法
• 概述人工智能模型的 CI/CD 管道、模型管理和部署策略
• 了解用于提供模型的平台
• 评估用于创建人工智能系统概念验证（POC）的工具
• 了解人工智能模型的部署方式
• 说明 SaaS 和自主托管的优缺点
• 概述 SaaS 人工智能解决方案
• 了解机器学习模型的嵌入式部署
• 理解针对人工智能特定要求的监控
• 概述常用的监控工具
• 理解用户反馈以及收集用户反馈的方法和工具
• 了解如何将反馈用于模型训练
• 通过实际案例理解 MLOps 管道 （可选）
• 为 MLOps 系统或组件作出自建或购买决策 （可选）
• 了解 MLOps 工具和端到端平台 （可选）

第 6 部分 - 生成式人工智能系统的系统架构与平台

• 概述人工智能的不同集成层级
• 了解用于集成人工智能模型的库、接口和工具
• 将人工智能系统集成到 IT 环境的整体架构中
• 概述人工智能系统的相关质量特性
• 了解人工智能系统的评估框架 （可选）
• 讨论包含虚构业务领域的案例 （可选）
• 掌握生成式人工智能的基础知识
• 理解大语言模型（LLM）的工作方式
• 了解使用大语言模型时的常见模式
• 了解 RAG（检索增强生成）的应用场景
• 了解并理解选定的 RAG 技术
• 了解提示工程的不同类型
• 概述智能体工作流
• 了解生成式人工智能系统的部分设计模式
• 了解评估大语言模型应用的技术
• 概述常见的大语言模型及其选择标准
• 理解成本管理对生成式人工智能应用的重要性
• 举例说明与大语言模型应用相关的常用库、接口和工具
• 了解智能体人工智能软件架构、人工智能智能体架构组件以及人工智能智能体架构的类型 （可选）