Detail kurzu
ISTQB® Certified Tester AI Testing (CT-AI)
EDU Trainings s.r.o.
Popis kurzu
Zkouška není zahrnuta v ceně školení. Tento komplexní program je určen pro profesionály, kteří se podílejí na testování systémů založených na umělé inteligenci nebo plánují využívat AI nástroje pro účely testování.
Naše akreditované školící materiály, vycházející z oficiálního sylabu International Software Testing Qualifications Board, poskytují komplexní přípravu na certifikační zkoušku CT-AI.
Program profesního rozvoje nabízí jak teoretické, tak praktické znalosti, které účastníkům umožňují efektivně testovat, optimalizovat a zajišťovat kvalitu systémů a procesů založených na umělé inteligenci.
Naše školení klade silný důraz na teoretické základy umělé inteligence, které jsou také důkladně ověřovány v související ISTQB zkoušce.
Hlavní témy:
Úvod do AI
Naučíte se základní koncepty umělé inteligence, její typy (úzká, obecná a super AI), technologie, vývojové frameworky a možnosti AI jako služby.
Kvalitativní charakteristiky AI systémů
Objevíte klíčové kvalitativní faktory AI systémů, včetně flexibility, etiky, zkreslení, transparentnosti a bezpečnosti.
Přehled strojového učení
Získáte porozumění typům strojového učení, pracovním postupům, výběru algoritmů a řešení problémů, jako je overfitting a underfitting.
Příprava a správa dat pro ML
Ovládnete kroky přípravy dat, význam kvality datových sad a roli anotace v modelech strojového učení.
Metriky funkčního výkonu ML
Naučíte se aplikovat a vyhodnocovat výkonnostní metriky modelů pro klasifikaci, regresi a shlukování.
Neuronové sítě a jejich testování
Ponoříte se do fungování a testování neuronových sítí, včetně metrik pokrytí a implementace jednoduchých perceptronů.
Přehled testování AI systémů
Porozumíte úrovním testování AI systémů, včetně testování dat, integračního testování komponent a systémů a akceptačního testování.
Testování AI specifických kvalitativních charakteristik
Prozkoumáte, jak testovat AI systémy z hlediska autonomie, schopnosti učení, zkreslení a transparentnosti.
Metody a techniky testování AI systémů
Zvládnete AI specifické testovací techniky, jako jsou adversariální útoky, otrava dat (data poisoning) a metamorfní testování.
Testovací prostředí pro AI systémy
Naučíte se význam virtuálních testovacích prostředí při validaci AI systémů a testování provozních modelů.
Využití AI při testování
Objevíte, jak lze AI nástroje využít pro generování testovacích případů, predikci defektů, optimalizaci regresních sad testů a testování uživatelského rozhraní.
Po absolvování kvalifikace International Software Testing Qualifications Board Certified Tester – AI Testing budou účastníci:
rozumět aktuálnímu stavu umělé inteligence a očekávaným trendům,
získají zkušenosti s implementací modelů strojového učení,
seznámí se s výzvami testování inteligentních systémů,
získají zkušenosti s návrhem a implementací testovacích případů v inteligentních systémech,
rozpoznají specifické požadavky na testování inteligentních systémů.
Obsah kurzu
1. ÚVOD DO AI1.1 Definice AI a efekt AI1.2 Úzká, obecná a super AI1.3 AI systémy vs. konvenční systémy1.4 AI technologie1.5 Vývojové frameworky AI1.6 Hardware pro AI systémy1.7 AI jako služba (AIaaS)
1.7.1 Smlouvy pro AI jako službu
1.7.2 Příklady AIaaS1.8 Předtrénované modely
1.8.1 Úvod do předtrénovaných modelů
1.8.2 Transfer learning
1.8.3 Rizika použití předtrénovaných modelů a transfer learningu1.9 Standardy, regulace a AI
2. KVALITATIVNÍ CHARAKTERISTIKY AI SYSTÉMŮ
2.1 Flexibilita a adaptabilita2.2 Autonomie2.3 Evoluce2.4 Bias (zkreslení)2.5 Etika2.6 Vedlejší efekty a reward hacking2.7 Transparentnost, interpretovatelnost a vysvětlitelnost2.8 Bezpečnost a AI
3. STROJOVÉ UČENÍ (ML) – PŘEHLED
3.1 Formy ML
3.1.1 Učení s učitelem (supervised learning)
3.1.2 Učení bez učitele (unsupervised learning)
3.1.3 Reinforcement learning
3.2 ML workflow3.3 Výběr formy ML3.4 Faktory výběru algoritmů ML3.5 Overfitting a underfitting
3.5.1 Overfitting
3.5.2 Underfitting
3.5.3 Praktické cvičení: demonstrace overfittingu a underfittingu
4. ML – DATA
4.1 Příprava dat v ML workflow
4.1.1 Výzvy při přípravě dat
4.1.2 Praktické cvičení: příprava dat pro ML
4.2 Trénovací, validační a testovací datasety
4.2.1 Praktické cvičení: identifikace dat a vytvoření ML modelu
4.3 Problémy kvality datasetů4.4 Kvalita dat a její vliv na ML model4.5 Labelování dat pro supervised learning
4.5.1 Přístupy k labelování dat
4.5.2 Špatně označená data v datasetech**
5. ML – METRIKY FUNKČNÍHO VÝKONU
5.1 Matice záměn (Confusion Matrix)5.2 Další metriky ML pro klasifikaci, regresi a shlukování5.3 Omezení metrik funkčního výkonu ML5.4 Výběr metrik ML výkonu
5.4.1 Praktické cvičení: vyhodnocení vytvořeného ML modelu
5.5 Benchmarkovací sady pro ML
6. ML – NEURONOVÉ SÍTĚ A TESTOVÁNÍ
6.1 Neuronové sítě
6.1.1 Praktické cvičení: implementace jednoduchého perceptronu
6.2 Míry pokrytí neuronových sítí
7. TESTOVÁNÍ AI SYSTÉMŮ – PŘEHLED
7.1 Specifikace AI systémů7.2 Úrovně testování AI systémů
7.2.1 Testování vstupních dat
7.2.2 Testování ML modelu
7.2.3 Testování komponent
7.2.4 Integrační testování komponent
7.2.5 Systémové testování
7.2.6 Akceptační testování
7.3 Testovací data pro AI systémy7.4 Testování automatizačního biasu v AI systémech7.5 Dokumentace AI komponenty7.6 Testování koncept driftu7.7 Výběr testovacího přístupu pro ML systém
8. TESTOVÁNÍ AI SPECIFICKÝCH KVALITATIVNÍCH CHARAKTERISTIK
8.1 Výzvy testování samo-učících se systémů8.2 Testování autonomních AI systémů8.3 Testování algoritmického, vzorkovacího a nevhodného biasu8.4 Výzvy testování pravděpodobnostních a nelineárních AI systémů8.5 Výzvy testování komplexních AI systémů8.6 Testování transparentnosti, interpretovatelnosti a vysvětlitelnosti AI systémů
8.6.1 Praktické cvičení: vysvětlitelnost modelu
8.7 Testovací orákula pro AI systémy8.8 Cíle testování a akceptační kritéria
Cieľová skupina
Tento program je ideální pro softwarové testery, test analytiky a softwarové inženýry zapojené do systémů založených na umělé inteligenci nebo využívající AI při testování. Je také vhodný pro projektové manažery, manažery kvality a business analytiky, kteří chtějí získat základní porozumění technikám a výzvám spojeným s testováním AI. Pokud chcete zajistit vysokou kvalitu AI systémů a zároveň si udržet náskok v rychle se vyvíjející oblasti softwarového testování, je toto školení určeno právě vám.Hodnotenie
Organizátor
EDU Trainings s.r.o.
Ovocný trh 573/12, Praha 1 - Staré Město
Vzdělávací centrum EDU Trainings nabízí rozsáhlé portfolio vzdělávacích služeb v oblasti IT v České a Slovenské republice. Najdete u nás certifikovaná školení od předních světových společností jako jsou Red Hat, Microsoft, Micro Focus a další, a to nejen v tradiční prezenční podobě, ale také jako virtuální nebo On-Demand školení.
Mimo to organizujeme zajímavé semináře, webináře či online diskuze a poskytujeme certifikační testy v autorizovaném testovacím centru Pearson VUE a PEOPLECERT. Testy a certifikace těchto společností jsou celosvětově uznávané. Školení pro IT specialisty, technický personál i manažery jsou vedena odbornými certifikovanými lektory s bohatými praktickými zkušenostmi. Účastníci našich kurzů získávají potřebné znalosti, které jím pomohou zlepšit procesy v IT, zefektivnit projekty a ušetřit jejich čas. Dokážeme pomoci firmám k maximálnímu využití technologií, a tím i ke zvýšení konkurenceschopnosti na trhu. Školení dodáváme v českém, slovenském a anglickém jazyce, vybrané kurzy i v němčině a španělštině. Prioritou Vzdělávacího centra EDU Trainings je dodávka kvalitního vzdělání odpovídajícího aktuálním trendům a požadavkům trhu, které splňuje nároky zákazníka a umožňuje mu jeho další růst.
Co od nás můžete očekávat?
• Rozsáhlé portfolio IT služeb
• Soft skills kurzy
• Inovativní jazykovou výuku pomocí platformy Voxy
• Odborné lektory s praktickými zkušenostmi
• Profesionalitu, flexibilitu a vstřícnost
Základní nabídka vzdělávacích služeb:
• Standardní kurzy v námi poskytnuté učebně nebo v prostorách zákazníka
• Kurzy na míru, realizace vzdělávacích plánů
• E-learningové kurzy
• Semináře a bezplatné webináře
• Individuální i skupinové konzultace
• Certifikace IT profesionálů
Portfolio:
AWS, Blockchain, Brocade, CompTIA, DASA, EDU Trainings, EPI, Fortinet, G2G3, IAPP, IMDS, ISC2, ISTQB, ITIL, Micro Focus, Microsoft, OMG, Palo Alto Networks, PECB, PRINCE2, Red Hat, SAFe, SAP, Scrum.org, Splunk, VMware, Zabbix.
Podobné kurzy
podľa názvu a lokality
