iSAQB CPSA-A SWARC4AI

Beschreibung

Die Teilnahme am iSAQB® CPSA-A Software Architecture for AI-Based Systems (SWARC4AI) Kurs bringt den Teilnehmenden 20 Credit Points in Technischer Kompetenz (TC) und 10 Credit Points in Methodischer Kompetenz (MC) für die insgesamt 70 Credit Points, die für die Zulassung zur iSAQB CPSA-A Prüfung bei Brightest erforderlich sind. Es ist wichtig zu beachten, dass im Rahmen der 70 benötigten Credit Points für die iSAQB CPSA-A Prüfung bei Brightest mindestens zehn Credit Points in jedem der folgenden Kompetenzbereiche erforderlich sind: 

• Technische Kompetenz (TC)
• Methodische Kompetenz (MC)
• Kommunikative Kompetenz (CC)

Das akkreditierte iSAQB® SWARC4AI – Software Architecture for AI-Based Systems (CPSA-A) Training basiert auf dem aktuellen iSAQB® Lehrplan:

Teil 1 – Einführung in softwarearchitekturrelevante Konzepte für Künstliche Intelligenz

• Klassifikation von Künstlicher Intelligenz, Machine Learning, Data Science, Deep Learning und Generativer KI
• Typische allgemeine Anwendungsfälle von KI
• Mögliche Einsatzszenarien in verschiedenen Branchen und für Endnutzer
• Risiken beim Einsatz von KI identifizieren
• Unterschiede zu klassischer Software verstehen
• Entscheidung zwischen KI-gestützten oder klassischen Softwarelösungen
• Rollen, Aufgaben und Zusammenarbeit im KI-Kontext
• KI-Anwendungsfälle erkennen und priorisieren
• Stärken und Grenzen von KI kennen
• Das Konzept der „Productivity J-Curve“ im Zusammenhang mit KI verstehen

Teil 2 – Compliance, Sicherheit und Ausrichtung

• Einfluss von Datenschutzgesetzen auf die Umsetzung und Nutzung von KI
• Ziele und Regularien des EU AI Act und deren Auswirkungen auf Entwicklung und Architektur
• Klassifikation von KI-Systemen nach Risikostufen des EU AI Act
• Urheberrechtsfragen bei KI-generierten Inhalten
• Überblick über Offenheitsgrade und Lizenztypen freier ML-Modelle
• Strategien zur Einhaltung des EU AI Act und Herausforderungen
• Modell- und Datendokumentation für Nachvollziehbarkeit und Transparenz
• Sicherheitsrisiken und Angriffstypen auf ML-Modelle kennen
• Strategien zur Risikominimierung bei KI anwenden
• Schutzmaßnahmen gegen Angriffe (AI Security)
• Grundfragen und Aspekte der KI-Sicherheit verstehen
• Ethikprobleme von KI-Systemen und Lösungsansätze kennen
• Überblick über ethische Leitlinien
• Kernprinzipien von AI Governance und Responsible AI
• Einblick in die Einrichtung von regulatorischen Sandboxes
• Angemessenes Datenmanagement zur Sicherstellung von Qualität und Sicherheit

Teil 3 – Entwurf und Entwicklung KI-basierter Systeme

• Lebenszyklus eines ML- oder Data-Science-Projekts verstehen
• Prozessmodelle für die Softwareentwicklung KI-basierter Systeme kennen
• Datentypen, Anforderungen und typische ML-Probleme
• ML-Herausforderungen wie Nichtdeterminismus, Datenqualität, Modell-Drift
• Transfer Learning und Fine-Tuning
• Design Patterns für KI-Systeme auswählen
• Aufgabe eines ML-Modells definieren
• Ein- und Ausgaben eines ML-Systems spezifizieren
• Leistungsmetriken für ML-Modelle
• Integration von ML-Modellen in bestehende Systeme
• Benutzeroberflächen für KI-Systeme gestalten
• Performance-Kriterien wie Latenz und Durchsatz
• Skalierbarkeit bei wachsendem Datenvolumen
• Robustheit von KI-Systemen verstehen und steigern
• Zuverlässigkeit und Verfügbarkeit von KI-Systemen
• Reproduzierbarkeit und Testbarkeit von KI-Ergebnissen
• Sicherheits-, Datenschutz- und Compliance-Anforderungen
• Erklärbarkeit und Interpretierbarkeit von KI-Systemen
• Bias in Daten und Modellen erkennen
• Fehlertoleranz in KI-Systemen

Teil 4 – Datenmanagement und -verarbeitung für KI-basierte Systeme

• Datenbeschaffung und -labeling
• Plattformen für öffentlich zugängliche Daten
• Tools für Daten-Labeling
• Effiziente Datenpipelines und Architekturen gestalten
• Strategien für Datenaggregation, -bereinigung, -transformation, -anreicherung
• Tools für Data-Engineering-Pipelines
• Speicheroptionen für Daten kennen

Teil 5 – Qualitätsmerkmale für den Betrieb von KI-basierten Systemen

• (Hardware-)Anforderungen für Training und Inferenz
• Abwägungen verschiedener Modellarchitekturen hinsichtlich Qualität
• Qualitätsmerkmale eines ML-Modells anpassen
• Kosten, Energieverbrauch und nachhaltiger Einsatz von KI (Green IT)
• Tracking von Training, Parametern, Metriken und Ergebnissen
• Evaluierung von ML-Modellen und darauf basierenden Systemen
• Typen von Drift, Ursachen und Lösungen
• CI/CD-Pipelines, Modellmanagement und Deployment-Strategien
• Plattformen für Modellbereitstellung
• Tools für POCs von KI-Systemen
• Deployment-Optionen für KI-Modelle
• Vor- und Nachteile von SaaS vs. Self-Hosting
• Überblick über SaaS-KI-Lösungen
• Embedded-Deployments von ML-Modellen
• Monitoring KI-spezifischer Anforderungen
• Beispielhafte Monitoring-Tools
• Nutzerfeedback erfassen und nutzen
• Feedback für Modelltraining verwenden
• MLOps-Pipeline am Praxisbeispiel (Optional)
• Build-vs-Buy-Entscheidungen für MLOps (Optional)
• MLOps-Tools und End-to-End-Plattformen (Optional)

Teil 6 – Systemarchitekturen und Plattformen für generative KI-Systeme

• Integrationsstufen von KI-Systemen
• Bibliotheken, Schnittstellen und Tools zur Integration
• Gesamtarchitektur mit KI-Komponenten
• Qualitätsmerkmale von KI-Systemen
• Bewertungsframeworks für KI-Systeme (Optional)
• Fallstudie mit fiktivem Szenario (Optional)
• Grundverständnis generativer KI
• Funktionsweise von LLMs verstehen
• Bekannte Nutzungsmuster von LLMs
• Use Cases für RAG (Retrieval-Augmented Generation)
• Ausgewählte RAG-Techniken verstehen
• Arten des Prompt Engineering
• Überblick über agentische Workflows
• Design Patterns für generative KI-Systeme
• Techniken zur Bewertung von LLM-Anwendungen
• Bekannte LLMs und Auswahlkriterien
• Kostenmanagement bei GenAI-Anwendungen
• Bibliotheken, Schnittstellen und Tools für LLM-Anwendungen
• Architekturkomponenten und Typen agentischer KI-Architekturen (Optional)