iSAQB CPSA-A SWARC4AI

Descripción

Asistir al curso iSAQB® CPSA-A Software Architecture for AI-Based Systems (SWARC4AI) otorga a los participantes 20 puntos de Competencia Técnica (TC) y 10 puntos de Competencia Metodológica (MC) hacia los 70 puntos requeridos para ser elegible para el examen iSAQB CPSA-A con Brightest. Es importante recordar que, como parte de los 70 puntos requeridos para presentar el examen iSAQB CPSA-A con Brightest, necesitarás al menos diez puntos de competencia en cada una de las siguientes áreas: 

• Competencia Técnica (TC)
• Competencia Metodológica (MC)
• Competencia Comunicativa (CC)

El entrenamiento acreditado iSAQB® SWARC4AI - Software Architecture for AI-Based Systems (CPSA-A) se basa en el currículo actual de iSAQB®:

Parte 1 - Introducción a Conceptos Relevantes de Arquitectura de Software para Inteligencia Artificial

• Clasificar inteligencia artificial, aprendizaje automático, ciencia de datos, aprendizaje profundo e IA generativa
• Especificar casos de uso generales típicos de IA
• Conocer posibles aplicaciones en diferentes industrias y aplicaciones para usuarios finales
• Identificar riesgos en la aplicación de IA
• Comprender diferencias respecto al software tradicional
• Decidir soluciones a problemas usando IA o desarrollo de software clásico
• Conocer roles y sus tareas, así como su cooperación en el contexto de IA
• Identificar y priorizar casos de uso de IA
• Conocer las fortalezas y limitaciones de la IA
• Conocer el concepto de "Productivity J-Curve" en relación con la tecnología de IA

Parte 2 - Cumplimiento, Seguridad y Alineación

• Conocer la influencia de las leyes de protección de datos en la implementación y uso de IA
• Comprender los objetivos y regulaciones del EU AI Act y su impacto en el proceso de desarrollo y la arquitectura
• Clasificar sistemas de IA según el nivel de riesgo del EU AI Act
• Clasificar problemas de derechos de autor de contenido generado por IA
• Visión general de tipos y grados de apertura y tipos de licencias de modelos ML libres
• Comprender estrategias para cumplir con el EU AI Act y posibles desafíos
• Documentar modelos y conjuntos de datos para trazabilidad y transparencia
• Conocer riesgos de seguridad y tipos de ataques a modelos ML
• Conocer y aplicar estrategias para minimizar riesgos de IA
• Aplicar opciones de protección contra ataques (seguridad en IA)
• Comprender cuestiones fundamentales y facetas de la seguridad en IA
• Comprender problemas éticos de los sistemas de IA y conocer enfoques para abordarlos
• Visión general de guías éticas
• Conocer los principios clave de gobernanza de IA y IA responsable para empresas
• Obtener perspectiva sobre la creación de sandboxes regulatorios
• Asegurar una gestión adecuada de datos para la calidad y seguridad de los datos en aplicaciones de IA

Parte 3 - Diseño y Desarrollo de Sistemas Basados en IA

• Comprender el ciclo de vida de un proyecto de aprendizaje automático o ciencia de datos
• Conocer modelos de proceso para el desarrollo de software de sistemas de IA
• Conocer tipos y requisitos de datos y problemas típicos de ML
• Comprender problemas de aprendizaje automático y sus requisitos
• Usar datos de entrada para varios algoritmos de IA
• Manejar desafíos como no determinismo, calidad de datos y deriva de conceptos y modelos
• Conocer transferencia de aprendizaje o fine-tuning
• Seleccionar patrones de diseño para sistemas de IA
• Definir la tarea de un modelo ML
• Comprender y especificar entradas y salidas para el funcionamiento de un sistema ML
• Conocer métricas para medir el rendimiento de modelos ML
• Integrar modelos ML en sistemas existentes
• Diseñar interfaces de usuario para sistemas de IA
• Comprender métricas de rendimiento como latencia y throughput en sistemas de IA
• Gestionar escalabilidad para mayores volúmenes de datos
• Comprender robustez en sistemas de IA y aplicar estrategias para incrementarla
• Clasificar la fiabilidad y disponibilidad de sistemas de IA
• Comprender la reproducibilidad y testabilidad de resultados de IA
• Conocer requisitos de seguridad, protección de datos y cumplimiento
• Clasificar explicabilidad e interpretabilidad en sistemas de IA
• Reconocer sesgos en datos y modelos
• Conocer tolerancia a fallos en sistemas de IA

Parte 4 - Gestión y Procesamiento de Datos para Sistemas Basados en IA

• Adquisición y etiquetado de datos
• Conocer plataformas comunes para datos accesibles públicamente
• Visión general de herramientas relevantes para etiquetado de datos
• Diseñar pipelines y arquitecturas de datos eficientes
• Conocer estrategias para agregación, limpieza, transformación, enriquecimiento y aumento de datos
• Visión general de herramientas para pipelines de ingeniería de datos
• Conocer opciones para el almacenamiento de datos

Parte 5 - Características de Calidad Importantes para la Operación de Sistemas Basados en IA

• Conocer requisitos (de hardware) para entrenamiento e inferencia
• Conocer los compromisos de diferentes arquitecturas de modelos respecto a características de calidad
• Ajustar diferentes características de calidad de un modelo ML
• Comprender costos, consumo energético y uso sostenible de IA (Green IT)
• Conocer requisitos (de hardware) para entrenamiento e inferencia
• Entrenamiento de modelos, parámetros, métricas y seguimiento de resultados
• Evaluar modelos ML y sistemas de IA basados en ellos
• Conocer tipos de deriva y posibles causas y soluciones
• Visión general de pipelines CI/CD, gestión de modelos y estrategias de despliegue para modelos de IA
• Conocer plataformas para provisión de modelos
• Clasificar herramientas para creación de POCs de sistemas de IA
• Conocer opciones de despliegue de modelos de IA
• Enumerar ventajas y desventajas de SaaS y autoalojamiento
• Visión general de soluciones SaaS de IA
• Conocer despliegues embebidos de modelos ML
• Comprender monitoreo según requerimientos específicos de IA
• Visión general de herramientas de ejemplo para monitoreo
• Comprender retroalimentación de usuarios, métodos y herramientas para recopilar feedback
• Conocer métodos para usar feedback en el entrenamiento de modelos
• Comprender el pipeline MLOps mediante un ejemplo práctico (Opcional)
• Tomar decisiones de build vs. buy para sistemas/componentes MLOps (Opcional)
• Conocer herramientas MLOps y plataformas end-to-end (Opcional)

Parte 6 - Arquitecturas de Sistemas y Plataformas para Sistemas Generativos Basados en IA

• Visión general de niveles de integración de IA
• Conocer bibliotecas, interfaces y herramientas para la integración de modelos de IA
• Integrar sistemas de IA en la arquitectura general de un paisaje TI
• Visión general de características de calidad relevantes para sistemas de IA
• Conocer frameworks de evaluación para sistemas de IA (Opcional)
• Discutir un caso de estudio con profesionalismo imaginario (Opcional)
• Comprensión fundamental de IA generativa
• Comprender cómo funcionan los LLMs
• Comprender patrones conocidos en el uso de LLMs
• Conocer casos de uso para RAG (Retrieval-Augmented Generation)
• Conocer y comprender técnicas seleccionadas de RAG
• Conocer tipos de ingeniería de prompts
• Visión general de flujos de trabajo agenticos
• Conocer una selección de patrones de diseño para sistemas de IA generativa
• Conocer técnicas para evaluar aplicaciones de LLM
• Visión general de LLMs conocidos y criterios de selección
• Comprender la importancia de la gestión de costos para aplicaciones GenAI
• Dar ejemplos de bibliotecas, interfaces y herramientas comunes relacionadas con aplicaciones LLM
• Conocer arquitecturas de software de IA agentica, componentes de arquitectura de agentes de IA y tipos de arquitecturas de agentes de IA (Opcional)