Contenuti
- 01
Introduzionei concetti di architettura del software che contano per l'IA, compresi il vocabolario, i possibili casi d'uso, i rischi, i punti di forza e di debolezza, e quando conviene l'IA e quando lo sviluppo software classico.
- 02
Conformità, sicurezza e allineamentoil panorama legale e normativo dei sistemi di IA che gli architetti del software devono conoscere, compresi la conformità all'AI Act dell'UE, il diritto alla protezione dei dati e i quadri di classificazione del rischio.
Strategie di sicurezza tecnica per proteggere i sistemi di IA dagli attacchi, pratiche solide di gestione dei dati e documentazione adeguata per la tracciabilità e la trasparenza.
Governance etica dell'IA: principi di sicurezza, framework per un'IA responsabile e come integrare conformità, sicurezza ed etica nelle tue decisioni architetturali.
- 03
Capire i sistemi di MLle basi dei cicli di vita dei progetti di machine learning e dei processi di sviluppo software per i sistemi di IA. Definire i compiti di ML, capire i requisiti del problema e specificare i dati di input e di output dei sistemi di ML.
- 04
Analisi esplorativa dei datii diversi tipi di dati e i tipici problemi di ML, e come i data scientist acquisiscono, etichettano e analizzano i dataset. Come individuare i bias nei dati e le opzioni di archiviazione per i progetti di ML.
- 05
Pulizia e preparazione dei datistrategie di aggregazione, pulizia, trasformazione e arricchimento dei dati con moderni strumenti di data engineering. Come i data scientist progettano pipeline di dati efficienti e gestiscono i problemi di qualità dei dati che possono danneggiare i sistemi di ML.
- 06
Feature engineeringcome preparare i dati di input per i diversi algoritmi di IA e i compromessi tra le architetture dei modelli. Tecniche avanzate come il transfer learning e il fine-tuning per ottimizzare le prestazioni dei modelli.
- 07
Addestramento e selezione dei modellii requisiti hardware per addestrare i modelli e come tracciare parametri, metriche e risultati. Tecniche di valutazione dei modelli che tengono conto di costi, sostenibilità e riproducibilità.
- 08
Costruire un proof of conceptscegliere gli strumenti giusti per prototipare sistemi di IA e applicare i design pattern per le applicazioni di ML. Principi di progettazione delle interfacce utente e requisiti di spiegabilità dei sistemi di IA.
- 09
Rilasciare sistemi di MLpipeline CI/CD, strategie di deployment e opzioni di piattaforma per i modelli di ML, comprese le soluzioni SaaS e self-hosted. Integrare i modelli di ML nei sistemi esistenti tenendo presenti sicurezza, conformità e architettura di deployment.
- 10
Gestire i sistemi di ML in eserciziole esigenze di monitoraggio specifiche dei sistemi di IA e la misurazione di metriche di prestazione come latenza e throughput. Strategie per la scalabilità, la robustezza, l'affidabilità e la tolleranza ai guasti dei sistemi di ML in produzione.
- 11
Mantenere i sistemi di ML nel tempoindividuare e gestire i diversi tipi di model drift e i problemi persistenti di qualità dei dati. Usare il feedback degli utenti per migliorare il modello e mantenere le prestazioni del sistema nel lungo periodo.
- 12
Architetture di sistema e piattaforme per l'IA generativacome integrare i sistemi di IA, in particolare i large language model (LLM), in architetture IT reali con strumenti, librerie e interfacce pratiche.
Le basi dell'IA generativa e degli LLM, insieme a tecniche come il prompt engineering, la retrieval-augmented generation (RAG) e i workflow agentici, per costruire applicazioni di IA efficaci.
Anche il lato pratico: valutazione dei sistemi, gestione dei costi, assicurazione della qualità e design pattern per far funzionare le soluzioni di IA in produzione.