Szkolenie "Certified Tester - AI Testing - Przygotowanie do egzaminu certyfikującego"

Szkolenie certyfikowane

Osoby posiadające certyfikat ISTQB® Certified Tester – AI Testing będą w stanie osiągnąć następujące wyniki biznesowe:

  1. Zrozumieć obecny stan i oczekiwane trendy AI,
  2. Doświadczyć implementacji i testowania modelu ML i rozpoznać, gdzie testerzy mogą najlepiej wpłynąć na jego jakość,
  3. Zrozumieć wyzwania związane z testowaniem systemów opartych na sztucznej inteligencji, takie jak ich zdolności do samouczenia się, stronniczość, etyka, złożoność, niedeterminizm, przejrzystość i wyjaśnialność,
  4. Mieć wkład w strategię testowania systemu opartego na sztucznej inteligencji
  5. Projektować i wykonywać przypadki testowe dla systemów opartych na sztucznej inteligencji
  6. Rozpoznać specjalne wymagania dotyczące infrastruktury testowej w celu wsparcia testowania systemów opartych na sztucznej inteligencji
  7. Dowiedzieć się, w jaki sposób sztuczną inteligencję można wykorzystać do wspierania testowania oprogramowania

Szkolenie oparte jest na poniższych zagadnieniach:

1. Wprowadzenie do AI

1.1 Definicja AI i efektu AI
1.2 Wąskie, ogólne i super AI
1.3 Systemy konwencjonalne i oparte na sztucznej inteligencji
1.4 Technologie AI
1.5 Ramy rozwoju AI
1.6 Sprzęt dla systemów opartych na sztucznej inteligencji
1.7 AI jako usługa (AIaaS)
1.7.1 Umowy dotyczące AI jako usługi
1.7.2 Przykłady AIaaS
1.8 Wstępnie przeszkolone modele
1.8.1 Wprowadzenie do wstępnie przeszkolonych modeli
1.8.2 Transfer uczenia się
1.8.3 Ryzyko związane z używaniem wstępnie przeszkolonych modeli i transferem uczenia się
1.9 Normy, przepisy i sztuczna inteligencja

2. Cechy jakościowe dla systemów opartych na sztucznej inteligencji

2.1 Elastyczność i adaptacyjność
2.2 Autonomia
2.3 Ewolucja
2.4 Odchylenie
2.5 Etyka
2.6 Skutki uboczne i hackowanie nagród
2.7 Przejrzystość, interpretowalność i wyjaśnialność
2.8 Bezpieczeństwo i sztuczna inteligencja

3. Uczenie maszynowe (ML) – przegląd

3.1 Formy ML
3.1.1 Uczenie nadzorowane
3.1.2 Nauka nienadzorowana
3.1.3 Nauka wzmacniania
3.2 Przepływ pracy ML
3.3 Wybór formy ML
3.4 Czynniki zaangażowane w wybór algorytmu ML
3.5 Nadmierne i niedostateczne dopasowanie
3.5.1 Dopasowanie
3.5.2 Niedopasowanie
3.5.3 Ćwiczenie praktyczne: zademonstruj przewymiarowanie i niedopasowanie

4. ML - Dane

4.1 Przygotowanie danych jako część przepływu pracy ML
4.1.1 Wyzwania w przygotowaniu danych
4.1.2 Ćwiczenie praktyczne: Przygotowanie danych do ML
4.2 Szkolenie, walidacja i testowanie zbiorów danych w przepływie pracy ML
4.2.1 Ćwiczenie praktyczne: Zidentyfikuj dane treningowe i testowe oraz utwórz model ML
4.3 Problemy z jakością zbioru danych
4.4 Jakość danych i jej wpływ na model ML
4.5 Etykietowanie danych dla nadzorowanego uczenia się
4.5.1 Podejścia do etykietowania danych
4.5.2 Błędnie oznaczone dane w zbiorach danych

5. ML metryki wydajności funkcjonalnej

5.1 Macierz pomyłek
5.2 Dodatkowe metryki wydajności funkcjonalnej ML dla klasyfikacji, regresji i klastrowania
5.3 Ograniczenia metryk wydajności funkcjonalnej ML
5.4 Wybieranie metryk wydajności funkcjonalnej ML
5.4.1 Ćwiczenie praktyczne: Ocena utworzonego modelu ML
5.5 Pakiety porównawcze dla ML

6. ML - Sieci neuronowe i testowanie

6.1 Sieci neuronowe
6.1.1 Ćwiczenie praktyczne: Implementuj prosty perceptron
6.2 Miary pokrycia dla sieci neuronowych

7. Omówienie testowania systemów opartych na sztucznej inteligencji

7.1 Specyfikacja systemów opartych na sztucznej inteligencji
7.2 Poziomy testów dla systemów opartych na sztucznej inteligencji
7.2.1 Testowanie danych wejściowych
7.2.2 Testowanie modelu ML
7.2.3 Testowanie komponentów
7.2.4 Testowanie integracji komponentów
7.2.5 Testowanie systemu
7.2.6 Testy akceptacyjne
7.3 Dane testowe do testowania systemów opartych na sztucznej inteligencji
7.4 Testowanie stronniczości automatyzacji w systemach opartych na sztucznej inteligencji
7.5 Dokumentowanie komponentu AI
7.6 Testowanie dryfu koncepcji
7.7 Wybór podejścia testowego dla systemu ML

8. Testowanie cech jakości specyficznych dla AI

8.1 Wyzwania testowania systemów samouczących się
8.2 Testowanie autonomicznych systemów opartych na sztucznej inteligencji
8.3 Testowanie pod kątem algorytmicznego, próbkowania i niewłaściwego nastawienia
8.4 Wyzwania testowania probabilistycznych i niedeterministycznych systemów opartych na sztucznej inteligencji
8.5 Wyzwania testowania złożonych systemów opartych na sztucznej inteligencji
8.6 Testowanie przejrzystości, interpretowalności i wyjaśnialności systemów opartych na sztucznej inteligencji
8.6.1 Ćwiczenie praktyczne: wyjaśnianie modelu
8.7 Testuj Oracle dla systemów opartych na sztucznej inteligencji
8.8 Cele testu i kryteria akceptacji

9. Metody i techniki testowania systemów opartych na sztucznej inteligencji

9.1 Ataki kontradyktoryjne i zatruwanie danych
9.1.1 Ataki kontradyktoryjne
9.1.2 Zatrucie danymi
9.2 Testowanie w parach
9.2.1 Ćwiczenie praktyczne: Testowanie w parach
9.3 Testowanie jeden po drugim
9.4 Testy A/B
9.5 Testy metamorficzne (MT)
9.5.1 Ćwiczenie praktyczne: Testy metamorficzne
9.6 Testowanie oparte na doświadczeniu systemów opartych na sztucznej inteligencji
9.6.1 Ćwiczenie praktyczne: Testy eksploracyjne i eksploracyjna analiza danych (EDA)
9.7 Wybór technik testowych dla systemów opartych na sztucznej inteligencji

10. Środowiska testowe dla systemów opartych na sztucznej inteligencji

10.1 Środowiska testowe dla systemów opartych na sztucznej inteligencji
10.2 Wirtualne środowiska testowe do testowania systemów opartych na sztucznej inteligencji

11. Wykorzystanie AI do testowania 

11.1 Technologie AI do testowania
11.1.1 Ćwiczenie praktyczne: wykorzystanie sztucznej inteligencji w testowaniu
11.2 Wykorzystanie sztucznej inteligencji do analizy zgłoszonych defektów
11.3 Wykorzystanie sztucznej inteligencji do generowania przypadków testowych
11.4 Wykorzystanie sztucznej inteligencji do optymalizacji zestawów testów regresji
11.5 Wykorzystanie sztucznej inteligencji do przewidywania defektów
11.5.1 Ćwiczenie praktyczne: Zbuduj system przewidywania defektów
11.6 Używanie AI do testowania interfejsów użytkownika
11.6.1 Używanie AI do testowania za pomocą graficznego interfejsu użytkownika (GUI)
11.6.2 Używanie AI do testowania GUI

Materiały

Chcesz wiedzieć co się dzieje na EDU?

Zapisz się na newsletter i otrzymuj najnowsze informacje!

˟
Zapisz się
Chcesz być na bieżąco?
˟
Dziękujemy za zapisanie się na newsletter. Potwierdź subskrypcję klikając w link aktywacyjny przysłany na maila.