🤓 Склав сертифікацію Claude Certified Architect (Professional) на 943 бали з 1000
Нещодавно проходив сертифікацію з архітектури рішень на базі мовних моделей. На проходження дається 120 хвилин. Мій сертифікат на Credly можна перевірити. Доступ до іспиту йде через Claude Partner Network. Хочу поділитися тим, які знання там перевіряють і чому це цікаво тим, хто вже працює в AI або планує переходити в цю сферу.
Моє головне враження це те що дуже багато уваги приділяється тому, що відбувається навколо моделі. Як вона отримує дані, які дії може виконувати, як перевіряється результат і скільки все це коштує.
Ось кілька напрямів, які добре це показують 👇
🔹 Архітектура та доречна складність
Коли достатньо одного виклику моделі? Коли потрібен RAG, тобто пошук у власних документах? Коли виправданий агент із доступом до інструментів?
Окреме питання: коли систему вже потрібно розділяти на окремі компоненти. Якщо агент має десятки інструментів, плутається між ними й відповідає дедалі повільніше, додавання ще одного агента може лише збільшити складність.
🔹 Безпека та межі повноважень
Якщо асистент має готувати чернетки заявок, йому достатньо права створювати чернетки. Можливість самостійно відправляти їх постачальникам виходить за межі цієї задачі.
Так само потрібно розуміти prompt injection, перевірку доступу до документів, захист облікових даних та аудит дій. Хто ініціював виклик інструмента? Які дані він отримав? Куди міг їх передати?
🔹 Вимірювання якості
"На кількох прикладах працює добре" слабка основа для запуску. Потрібні підготовлені набори даних, критерії оцінювання, складні й провокаційні приклади. А після зміни моделі повторна перевірка, щоб помітити погіршення до того, як його помітять користувачі.
Навіть порівняння двох промптів потребує продуманого експерименту: гіпотези, метрики успіху та достатнього обсягу даних.
🔹 Економіка та швидкість
Великий контекст, зайві виклики інструментів, повторні запити й додаткові агенти мають свою ціну. Тут перевіряють розуміння кешування, відбору релевантних документів, використання менших моделей для простіших задач. І здатність оцінити, чи зберігається якість після оптимізації.
🔹 Експлуатація та бізнес-результат
Що робити, коли система починає помилятися? Кому передавати неоднозначні випадки? Як відкотити оновлення? Які журнали й метрики допоможуть знайти причину?
І ще один важливий момент: скорочення часу виконання задачі саме по собі не гарантує зростання продуктивності. Зекономлений час, обсяг виконаної роботи та фінансовий результат потрібно вимірювати окремо.
💭 Для мене ці питання показують важливий напрям розвитку професії: AI-інженер відповідає за поведінку всієї системи в реальних умовах.
Для тих, хто заходить у цю сферу, це хороший орієнтир. Поряд із моделями, промптами та фреймворками варто вивчати проєктування API, доступи, тестування, моніторинг, експерименти й роботу з вимогами.
А тим, хто вже має досвід у backend, data engineering, QA або DevOps, є на що спертися. Значна частина цих задач спирається на знайомі інженерні принципи, з поправкою на те, що мовна модель може дати правдоподібну, але неправильну відповідь.
Сама сертифікація звісно не замінює досвід. Проте її зміст дає корисну карту знань і допомагає побачити, які прогалини варто закрити наступними.
А ви вже проходили сертифікації від AI-компаній? Чи вважаєте, що вони справді щось підтверджують? Пишіть у коментарях 👇
Ну і можете привітати мене 🙂
🔔 ПІДПИСАТИСЯ
18
6
5
230 вересня 2026 р. 378 4
