iSAQB CPSA-A SWARC4AI

Описание

Участие в курсе iSAQB® CPSA-A Software Architecture for AI-Based Systems (SWARC4AI) дает участникам 20 баллов за техническую компетентность (TC)  и 10 баллов за методологическую компетентность (MC) в счет 70 баллов, необходимых для допуска к экзамену iSAQB CPSA-A в Brightest. Важно помнить, что в рамках 70 баллов, необходимых для сдачи экзамена iSAQB CPSA-A в Brightest, необходимо набрать не менее десяти баллов компетентности в каждой из следующих областей: 

• Техническая компетентность (TC)
• Методологическая компетентность (MC)
• Коммуникативная компетентность (CC)

Аккредитованный курс iSAQB® SWARC4AI - Software Architecture for AI-Based Systems (CPSA-A) основан на актуальной учебной программе iSAQB®:

Часть 1 - Введение в концепции искусственного интеллекта, имеющие значение для архитектуры программного обеспечения

• Классификация искусственного интеллекта, машинного обучения, Data Science, глубокого обучения и генеративного ИИ
• Определение типичных общих вариантов использования ИИ
• Знание возможных областей применения в различных отраслях и пользовательских приложениях
• Выявление рисков, связанных с применением ИИ
• Понимание отличий от традиционного программного обеспечения
• Принятие решений о том, следует ли решать задачи с помощью ИИ или классической разработки программного обеспечения
• Знание ролей и их задач, а также принципов их взаимодействия в контексте ИИ
• Выявление и приоритизация вариантов использования ИИ
• Знание сильных сторон и ограничений ИИ
• Знание концепции "Productivity J-Curve" в связи с технологиями ИИ

Часть 2 -  Соответствие требованиям, безопасность и согласование

• Знание влияния законодательства о защите данных на реализацию и использование ИИ
• Понимание целей и требований EU AI Act и их влияния на процесс разработки и архитектуру
• Классификация систем ИИ в соответствии с уровнями риска EU AI Act
• Классификация вопросов авторского права, связанных с контентом, созданным ИИ
• Обзор типов и степеней открытости, а также видов лицензий свободных ML-моделей
• Понимание стратегий соблюдения требований EU AI Act и возможных связанных с этим проблем
• Документирование моделей и наборов данных для обеспечения прослеживаемости и прозрачности
• Знание уязвимостей безопасности и типов атак на ML-модели
• Знание и применение стратегий минимизации рисков ИИ
• Применение способов защиты от атак (безопасность ИИ)
• Понимание фундаментальных вопросов и аспектов безопасности ИИ
• Понимание этических проблем систем ИИ и знание подходов к их решению
• Обзор этических руководящих принципов
• Знание основных принципов управления ИИ и ответственного использования ИИ в компаниях
• Получение представления о создании регуляторных песочниц
• Обеспечение надлежащего управления данными для поддержания качества и безопасности данных в приложениях ИИ

Часть 3 - Проектирование и разработка систем на основе ИИ

• Понимание жизненного цикла проекта машинного обучения или Data Science
• Знание моделей процессов разработки программного обеспечения для систем ИИ
• Знание типов данных, требований к ним и типичных задач машинного обучения
• Понимание задач машинного обучения и требований к ним
• Использование входных данных для различных алгоритмов ИИ
• Работа с такими проблемами, как недетерминизм, качество данных, дрейф концепций и моделей
• Знание transfer learning и fine-tuning
• Выбор шаблонов проектирования для систем ИИ
• Определение задачи ML-модели
• Понимание и определение входных и выходных данных для функционирования ML-системы
• Знание метрик для измерения производительности ML-моделей
• Интеграция ML-моделей в существующие системы
• Проектирование пользовательских интерфейсов для систем ИИ
• Понимание показателей производительности, таких как задержка и пропускная способность, в системах ИИ
• Управление масштабируемостью при увеличении объемов данных
• Понимание устойчивости систем ИИ и применение стратегий для ее повышения
• Классификация надежности и доступности систем ИИ
• Понимание воспроизводимости и тестируемости результатов ИИ
• Знание требований к безопасности, защите данных и соответствию нормативным требованиям
• Классификация объяснимости и интерпретируемости систем ИИ
• Выявление предвзятости в данных и моделях
• Знание принципов отказоустойчивости систем ИИ

Часть 4 - Управление и обработка данных для систем на основе ИИ

• Сбор и маркировка данных
• Знание распространенных платформ с общедоступными данными
• Обзор соответствующих инструментов для маркировки данных
• Проектирование эффективных конвейеров и архитектур данных
• Знание стратегий агрегации, очистки, преобразования, обогащения и аугментации данных
• Обзор инструментов для конвейеров Data Engineering
• Знание вариантов хранения данных

Часть 5 - Важные характеристики качества для эксплуатации систем на основе ИИ

• Знание требований к аппаратному обеспечению для обучения и инференса
• Знание компромиссов различных архитектур моделей с точки зрения характеристик качества
• Настройка различных характеристик качества ML-модели
• Понимание затрат, энергопотребления и устойчивого использования ИИ (Green IT)
• Знание требований к аппаратному обеспечению для обучения и инференса
• Отслеживание обучения моделей, параметров, метрик и результатов
• Оценка ML-моделей и основанных на них систем ИИ
• Знание типов дрейфа, а также их возможных причин и способов устранения
• Обзор CI/CD-конвейеров, управления моделями и стратегий развертывания моделей ИИ
• Знание платформ для предоставления моделей
• Классификация инструментов для создания POC систем ИИ
• Знание вариантов развертывания моделей ИИ
• Перечисление преимуществ и недостатков SaaS и самостоятельного хостинга
• Обзор SaaS-решений в области ИИ
• Знание вариантов встраиваемого развертывания ML-моделей
• Понимание мониторинга с учетом специфических требований ИИ
• Обзор примеров инструментов мониторинга
• Понимание обратной связи от пользователей, методов и инструментов ее сбора
• Знание методов использования обратной связи для обучения моделей
• Понимание MLOps-конвейера на практическом примере (необязательно)
• Принятие решений о собственной разработке или покупке MLOps-систем/компонентов (необязательно)
• Знание инструментов MLOps и комплексных платформ (необязательно)

Часть 6 - Системные архитектуры и платформы для систем на основе генеративного ИИ

• Обзор уровней интеграции ИИ
• Знание библиотек, интерфейсов и инструментов для интеграции моделей ИИ
• Интеграция систем ИИ в общую архитектуру ИТ-ландшафта
• Обзор соответствующих характеристик качества систем ИИ
• Знание фреймворков оценки систем ИИ (необязательно)
• Обсуждение практического примера с вымышленным профессиональным контекстом (необязательно)
• Фундаментальное понимание генеративного ИИ
• Понимание принципов работы LLM
• Понимание известных шаблонов использования LLM
• Знание вариантов использования RAG (Retrieval-Augmented Generation)
• Знание и понимание выбранных методов RAG
• Знание типов Prompt Engineering
• Обзор агентных рабочих процессов
• Знание ряда шаблонов проектирования для систем генеративного ИИ
• Знание методов оценки приложений на основе LLM
• Обзор известных LLM и критериев их выбора
• Понимание важности управления затратами для приложений GenAI
• Примеры распространенных библиотек, интерфейсов и инструментов, связанных с приложениями LLM
• Знание архитектур программного обеспечения агентного ИИ, компонентов архитектуры ИИ-агентов и типов архитектур ИИ-агентов (необязательно)