Przygotowanie do egzaminu certyfikującego

Certified Tester - AI Testing

Cel nauczania

Szkolenie ma na celu dostarczenie teoretycznej wiedzy, ale także rozwinięcie praktycznych umiejętności i odpowiednich postaw, które są kluczowe dla skutecznego testowania systemów AI. Dzięki temu uczestnicy są lepiej przygotowani do radzenia sobie z unikalnymi wyzwaniami i wymaganiami związanymi z testowaniem technologii AI, przyczyniając się do tworzenia bezpiecznych, niezawodnych i etycznych systemów AI.

Szkolenie stanowi także niezbędne przygotowanie do egzaminu ISTQB® i uzyskania międzynarodowego certyfikatu ISTQB® AI Tester. 

Cele szczegółowe w zakresie wiedzy, umiejętności i postaw.

Uczestnik szkolenia zna i rozumie:

• Podstawowe pojęcia i terminologię związaną z AI, w tym uczenie maszynowe (ML), głębokie uczenie (DL) i inne technologie AI
• Różnice między tradycyjnym testowaniem oprogramowania a testowaniem systemów AI
• Cykl życia projektów AI, w tym fazy treningu, walidacji, testowania i wdrożenia modeli AI
• Techniki i metody stosowane w testowaniu AI, takie jak testowanie danych, testowanie modeli, testowanie wyników i walidacja algorytmów
• Wyzwania i ryzyka związane z testowaniem AI, w tym kwestie związane z etyką, przejrzystością, uczciwością i zgodnością z przepisami
• Znaczenie danych treningowych i ich wpływ na jakość i dokładność modeli AI.

Uczestnik szkolenia potrafi: 

• Planować i projektować testy dla systemów AI, biorąc pod uwagę specyficzne wymagania i cechy tych systemów
• Tworzyć i przeprowadzać testy danych, zapewniając ich jakość, kompletność i reprezentatywność
• Przeprowadzać testy modeli AI, weryfikując ich dokładność, spójność i zdolność generalizacji
• Analizować i oceniać wyniki modeli AI, identyfikując potencjalne błędy, odchylenia i anomalie
• Automatyzować testy AI w celu zwiększenia efektywności i powtarzalności procesów testowych
• Identyfikować i zarządzać ryzykiem związanym z użyciem AI, w tym ryzykiem związanym z błędnymi danymi treningowymi, nieprzewidywalnym zachowaniem modeli i potencjalnymi skutkami ubocznymi

Uczestnik szkolenia prezentuje: 

• Postawę krytycznego myślenia i skrupulatności, niezbędną do identyfikowania i analizowania potencjalnych problemów w systemach AI
• Otwartość na ciągłe uczenie się i adaptację, biorąc pod uwagę szybki rozwój technologii AI i związane z tym zmiany w najlepszych praktykach testowania
• Działa etycznie i odpowiedzialnie, dbając o to, aby testowane systemy AI były zgodne z zasadami etyki i przepisami prawa, a także były wolne od uprzedzeń i dyskryminacji
• Promuje przejrzystość i zaufanie w stosunku do systemów AI, zapewniając, że wyniki testów są jasne i zrozumiałe dla wszystkich interesariuszy
• Wspiera kulturę jakości w organizacji, dążąc do dostarczania systemów AI, które są niezawodne, bezpieczne i użyteczne dla użytkowników końcowych

Zakres tematyczny

Szkolenie oparte jest na poniższych zagadnieniach:

1. 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
2. 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
3. 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
4. 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
5. 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
6. ML - Sieci neuronowe i testowanie
   • Sieci neuronowe
     • Ćwiczenie praktyczne: Implementuj prosty perceptron
   • Miary pokrycia dla sieci neuronowych
7. 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
8. 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
9. 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
10. 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
11. 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

Jak się przygotować

Dla kogo

Szkolenie skierowane do osób zaangażowanych w testowanie i projektowanie testów systemów opierających się na AI – testerów, analityków, inżynierów testów oraz kierowników. Do uzyskania certyfikatu CT-AI niezbędne jest posiadanie certyfikatu ISTQB® na poziomie podstawowym. 

Jak się przygotować

Udział w szkoleniu nie wymaga wcześniejszego przygotowania. 
 

Metody nauczania

Szkolenie ma  w formę wykładów z teorii testowania systemów opartych na sztucznej inteligencji, którą trener odnosi do praktyki uczestników szkolenia. Dzięki temu materiał jest dużo łatwiejszy w przyswojeniu. Prowadzący to  praktycy o umiejętnościach mentorskich i coachingowych. 

Materiały edukacyjne

Będąc uczestnikiem szkolenia otrzymasz komplet starannie opracowanych materiałów:

• starannie opracowaną prezentację opisującą zagadnienia omawiane podczas szkolenia
• materiały w formie elektronicznej na platformie edu.ittraining.pl

Korzyści

Dla Uczestnika

•    nabycie umiejętności wdrażania modelu uczenia maszynowego i rozpoznawania, w jakich obszarach testerzy mogą wpływać na jego jakość
•    zrozumienie wyzwań związanych z testowaniem systemów opierających się o sztuczną inteligencję
•    poznanie strategii testowania systemów bazujących na AI
•    nabycie umiejętności wykorzystania sztucznej inteligencji do wspierania testowania
•    przygotowanie do certyfikacji

Dla Organizacji

•    możliwość wykorzystywania narzędzi bazujących na AI w procesach testowych
•    zwiększenie efektywności pracy zespołu poprzez wspieranie działań narzędziami sztucznej inteligencji
•    częściowe zautomatyzowanie elementów procesu testowania
 

 

 

 

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

Dla naszych kursantów, którzy podejdą do egzaminu w ciągu 12 miesięcy od zakończenia szkolenia przygotowującego do certyfikacji, przygotowaliśmy specjalne ceny! 

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®