Kursplan
Arkitekturgrunder för AI-system
- Lager, gränser och separation av intressen.
- Portar och adapter tillämpade på AI-komponenter.
- Kvalitetsattributscenarion för AI-funktioner.
- Arkitekturbeslutsdokument som styrning.
Utveckla en befintlig tillämpning
- Inkrementell modernisering istället för ombyggnad.
- Placera AI-tjänster bredvid en befintlig monolit.
- Strangler- och anti-korruptionsmönster.
- Integrationspunkter för befintliga API:er och data.
Arkitekturmönster för LLM-integration
- Modellport (model gateway) som abstraktionsgräns.
- Synkron, asynkron och strömmande integration.
- Fallback, degradering och provider failover.
- Prompt- och modellkonfiguration som versionshanterade tillgångar.
Kontrakt, API:er och datautbyte
- Strukturerade utdatascheman och validering.
- Idempotens, återförsök och ratelimitering.
- Latenstidsbudgetar och timeoutorkestrering.
- Kostnad per begäran som ett arkitekturellt krav.
RAG-arkitektur från topp till tå
- Uppgift, chunking och inbäddningspipeline (embedding pipeline).
- Indexering, hämtning, omrangering och generering.
- Placering av retrieval relativt tillämpningstjänster.
- Avvägningar och felmoder i varje steg.
Vektordatabaser och retrieval-design
- Hanterade (managed) mot självhostade vektorlager.
- Täta, gles och hybrid sökning.
- Metadatafiltrering och tenant-isolering.
- Strategi för om-inbäddning när modeller ändras.
Retrievalkvalitet, grounding och utvärdering
- Utvärderingsset byggda från reala frågor.
- Mätetal för retrieval och svarskvalitet.
- Citering, grounding och hallucineringsbegränsning.
- Feedbackloopar tillbaka till indexet.
Agentarkitekturer
- Agentloop och verktygsanrop.
- Deterministiska flöden mot autonoma planerare.
- Fall där en agent är fel svar.
- Beskriva agents ansvarsområde och tillstånd.
Multi-agent-system och orkestrering
- Supervisor- och orkestratortopologier.
- Överlämningsprotokoll och meddelandekontrakt.
- Gemensamt minne och kontexthantering.
- Jämförelse av ramverk ur arkitektursynpunkt.
Tjänstekommunikation och verktygsprotokoll
- Händelsedriven och köbaserad samordning.
- Verktygsexponering via standardprotokoll.
- Sagas, kompensation och långvarande transaktioner.
- Observability över tjänstehoppar.
AI-agenter i utvecklingsflödet
- Agenter för koding i leveranspipen.
- Specdriven utveckling och granskningsgates.
- Testgenerering och automatiska kvalitetskontroller.
- Räcken som bevarar arkitekturell kontroll.
Styrning och mjukvarukvalitet
- Designgranskning för AI-funktioner.
- Ändringshantering av modeller och prompts.
- Regressionstestning som ett steg i pipen.
- Ansvar, policy och godkännandevägar.
Säkerhet, integritet och datastyrning
- Promptinjektion och försvar i flera lager (defense in depth).
- Hemligheter, åtkomstkontroll och minsta privilegier.
- Dataresidens, personuppgifter och bevarande.
- Auditability och mänsklig kontroll i loop (human-in-the-loop).
Skalbarhet, kostnad och observability
- Spårning (tracing) över agentkedjor.
- Token- och kostnadstelemetri.
- Cachning och latensoptimering.
- Servicelevels och incidenthantering för AI-tjänster.
Avslutande projekt: Arkitektur för en AI-driven lösning
- Kontext-, komponent- och distributionsvyer.
- Design av retrieval och agentorkestrering.
- Säkerhets-, styrnings- och kostnadsplan.
- Peer review, kritik och migreringsväg.
Krav
- Upplevelse av att designa och underhålla produktionsmjukvarusystem.
- Arbetskunskap i REST-API:er och tjänsteintegration.
- Kunskap om relationella databaser och datamodellering.
- Grundläggande erfarenhet av LLM-baserade verktyg eller API:er.
Målgrupp
- Mjukvaruarkitekter.
- Tekniska ledare och seniora ingenjörer.
- Ingenjörschefer som ansvarar för arkitekturval.
Vittnesmål (1)
Att jag har fått kunskap om Streamlit-biblioteket från Python och jag kommer säkert att försöka använda det för att förbättra applikationerna i mitt team som är skapade med R Shiny
Michal Maj - XL Catlin Services SE (AXA XL)
Kurs - GitHub Copilot for Developers
Maskintolkat