Przygotowanie do egzaminu certyfikującegoCertified Tester - AI Testing
Cel nauczania
Nowa certyfikacja skierowana jest do każdego, kto zajmuje się testowaniem systemów opartych na sztucznej inteligencji lub wykorzystuje ją do procesu testowania oraz planuje poszerzyć swoją wiedzę w tym obszarze.
Do uzyskania certyfikatu CT-AI niezbędne jest posiadanie certyfikatu ISTQB® na poziomie podstawowym (CTFL).
Zakres tematyczny
Szkolenie oparte jest na poniższych zagadnieniach:
- Wprowadzenie do AI
- Definicja AI i efektu AI
- Wąskie, ogólne i super AI
- Systemy konwencjonalne i oparte na sztucznej inteligencji
- Technologie AI
- Ramy rozwoju AI
- Sprzęt dla systemów opartych na sztucznej inteligencji
- AI jako usługa (AIaaS)
- Umowy dotyczące AI jako usługi
- Przykłady AIaaS
- Wstępnie przeszkolone modele
- Wprowadzenie do wstępnie przeszkolonych modeli
- Transfer uczenia się
- Ryzyko związane z używaniem wstępnie przeszkolonych modeli i transferem uczenia się
- Normy, przepisy i sztuczna inteligencja
- Cechy jakościowe dla systemów opartych na sztucznej inteligencji
- Elastyczność i adaptacyjność
- Autonomia
- Ewolucja
- Odchylenie
- Etyka
- Skutki uboczne i hackowanie nagród
- Przejrzystość, interpretowalność i wyjaśnialność
- Bezpieczeństwo i sztuczna inteligencja
- Uczenie maszynowe (ML) – przegląd
- Formy ML
- Uczenie nadzorowane
- Nauka nienadzorowana
- Nauka wzmacniania
- Przepływ pracy ML
- Wybór formy ML
- Czynniki zaangażowane w wybór algorytmu ML
- Nadmierne i niedostateczne dopasowanie
- Dopasowanie
- Niedopasowanie
- Ćwiczenie praktyczne: zademonstruj przewymiarowanie i niedopasowanie
- Formy ML
- ML - Dane
- Przygotowanie danych jako część przepływu pracy ML
- Wyzwania w przygotowaniu danych
- Ćwiczenie praktyczne: Przygotowanie danych do ML
- Szkolenie, walidacja i testowanie zbiorów danych w przepływie pracy ML
- Ćwiczenie praktyczne: Zidentyfikuj dane treningowe i testowe oraz utwórz model ML
- Problemy z jakością zbioru danych
- Jakość danych i jej wpływ na model ML
- Etykietowanie danych dla nadzorowanego uczenia się
- Podejścia do etykietowania danych
- Błędnie oznaczone dane w zbiorach danych
- Przygotowanie danych jako część przepływu pracy ML
- ML metryki wydajności funkcjonalnej
- Macierz pomyłek
- Dodatkowe metryki wydajności funkcjonalnej ML dla klasyfikacji, regresji i klastrowania
- Ograniczenia metryk wydajności funkcjonalnej ML
- Wybieranie metryk wydajności funkcjonalnej ML
- Ćwiczenie praktyczne: Ocena utworzonego modelu ML
- Pakiety porównawcze dla ML
- ML - Sieci neuronowe i testowanie
- Sieci neuronowe
- Ćwiczenie praktyczne: Implementuj prosty perceptron
- Miary pokrycia dla sieci neuronowych
- Sieci neuronowe
- Omówienie testowania systemów opartych na sztucznej inteligencji
- Specyfikacja systemów opartych na sztucznej inteligencji
- Poziomy testów dla systemów opartych na sztucznej inteligencji
- Testowanie danych wejściowych
- Testowanie modelu ML
- Testowanie komponentów
- Testowanie integracji komponentów
- Testowanie systemu
- Testy akceptacyjne
- Dane testowe do testowania systemów opartych na sztucznej inteligencji
- Testowanie stronniczości automatyzacji w systemach opartych na sztucznej inteligencji
- Dokumentowanie komponentu AI
- Testowanie dryfu koncepcji
- Wybór podejścia testowego dla systemu ML
- Testowanie cech jakości specyficznych dla AI
- Wyzwania testowania systemów samouczących się
- Testowanie autonomicznych systemów opartych na sztucznej inteligencji
- Testowanie pod kątem algorytmicznego, próbkowania i niewłaściwego nastawienia
- Wyzwania testowania probabilistycznych i niedeterministycznych systemów opartych na sztucznej inteligencji
- Wyzwania testowania złożonych systemów opartych na sztucznej inteligencji
- Testowanie przejrzystości, interpretowalności i wyjaśnialności systemów opartych na sztucznej inteligencji
- Ćwiczenie praktyczne: wyjaśnianie modelu
- Testuj Oracle dla systemów opartych na sztucznej inteligencji
- Cele testu i kryteria akceptacji
- Metody i techniki testowania systemów opartych na sztucznej inteligencji
- Ataki kontradyktoryjne i zatruwanie danych
- Ataki kontradyktoryjne
- Zatrucie danymi
- Testowanie w parach
- Ćwiczenie praktyczne: Testowanie w parach
- Testowanie jeden po drugim
- Testy A/B
- Testy metamorficzne (MT)
- Ćwiczenie praktyczne: Testy metamorficzne
- Testowanie oparte na doświadczeniu systemów opartych na sztucznej inteligencji
- Ćwiczenie praktyczne: Testy eksploracyjne i eksploracyjna analiza danych (EDA)
- Wybór technik testowych dla systemów opartych na sztucznej inteligencji
- Ataki kontradyktoryjne i zatruwanie danych
- Środowiska testowe dla systemów opartych na sztucznej inteligencji
- Środowiska testowe dla systemów opartych na sztucznej inteligencji
- Wirtualne środowiska testowe do testowania systemów opartych na sztucznej inteligencji
- Wykorzystanie AI do testowania
- Technologie AI do testowania
- Ćwiczenie praktyczne: wykorzystanie sztucznej inteligencji w testowaniu
- Wykorzystanie sztucznej inteligencji do analizy zgłoszonych defektów
- Wykorzystanie sztucznej inteligencji do generowania przypadków testowych
- Wykorzystanie sztucznej inteligencji do optymalizacji zestawów testów regresji
- Wykorzystanie sztucznej inteligencji do przewidywania defektów
- Ćwiczenie praktyczne: Zbuduj system przewidywania defektów
- Używanie AI do testowania interfejsów użytkownika
- Używanie AI do testowania za pomocą graficznego interfejsu użytkownika (GUI)
- Używanie AI do testowania GUI
- Technologie AI do testowania
Jak się przygotować
Szkolenie jest teorią testowania systemów opartych na sztucznej inteligencji, którą trener odnosi do praktyki uczestników szkolenia. Dzięki temu materiał jest dużo łatwiejszy w przyswojeniu. Prowadzący: jedynie praktycy o umiejętnościach mentorskich i coachingowych. Teoretyków brak.
Dodatkowo zapewniamy wsparcie trenera PRZED i PO szkoleniu.
Metody nauczania
Szkolenie jest teorią testowania systemów opartych na sztucznej inteligencji, którą trener odnosi do praktyki uczestników szkolenia. Dzięki temu materiał jest dużo łatwiejszy w przyswojeniu. Prowadzący: jedynie praktycy o umiejętnościach mentorskich i coachingowych. Teoretyków brak. Dodatkowo, dzięki platformie edu.ittraining.pl zapewniamy wsparcie trenera PRZED i PO szkoleniu.
Materiały edukacyjne
Będąc uczestnikiem szkolenia "Certified Tester - AI Testing", otrzymasz komplet starannie opracowanych materiałów:
- starannie opracowaną prezentację opisującą zagadnienia omawiane podczas szkolenia
- materiały w formie elektronicznej na platformie edu.ittraining.pl
Korzyści
Osoby posiadające certyfikat Certified Tester – AI Testing będą w stanie osiągnąć następujące wyniki biznesowe:
- Zrozumieć obecny stan i oczekiwane trendy AI.
- Doświadczyć implementacji i testowania modelu ML i rozpoznać, gdzie testerzy mogą najlepiej wpłynąć na jego jakość.
- Zrozumieć wyzwania związane z testowaniem systemów opartych na sztucznej inteligencji, takie jak ich zdolności do samouczenia się, stronniczość, etyka, złożoność, niedeterminizm, przejrzystość i wyjaśnialność.
- Mieć wkład w strategię testowania systemu opartego na sztucznej inteligencji.
- Projektować i wykonywać przypadki testowe dla systemów opartych na sztucznej inteligencji.
- Rozpoznać specjalne wymagania dotyczące infrastruktury testowej w celu wsparcia testowania systemów opartych na sztucznej inteligencji.
- Dowiedzieć się, w jaki sposób sztuczną inteligencję można wykorzystać do wspierania testowania oprogramowania.
Trenerzy
Egzamin ISTQB®
Jesteśmy Akredytowanym Centrum Egzaminacyjnym GASQ, dostarczającym egzaminy certyfikujące ISTQB®.
Jesteś zainteresowany/-a podejściem do akredytowanego egzaminu?
Daj nam znać w zgłoszeniu lub skorzystaj z poniższych opcji:
Zarezerwuj swój egzamin online w wybranym terminie
Sprawdź kalendarz egzaminów stacjonarnych
Cena egzaminu certyfikującego nie jest uwzględniona w cenie szkolenia.
Aktualne ceny egzaminów znajdziesz na https://edu.ittraining.pl/egzaminy.
Szkolenia w ramach aktualnej ścieżki certyfikacji ISTQB®
Najbliższy termin
