A Quién Va Dirigido
Qué Aprenderás
Contenido
Requisitos
Examen de Certificación
Programación
La certificación ISTQB® AI Testing (CT-AI) amplía la comprensión de la inteligencia artificial y/o el aprendizaje profundo (máquina), más específicamente probando sistemas basados en IA y utilizando IA en pruebas.
La certificación Certified Tester AI Testing está dirigida a cualquier persona involucrada en pruebas de sistemas basados en IA y/o IA para pruebas. Esto incluye personas en roles tales como probadores, analistas de pruebas, analistas de datos, ingenieros de pruebas, consultores de pruebas, gerentes de pruebas, probadores de aceptación de usuarios y desarrolladores de software. Esta certificación también es apropiada para cualquier persona que desee una comprensión básica de las pruebas de sistemas basados en IA y/o IA para pruebas, como gerentes de proyectos, gerentes de calidad, gerentes de desarrollo de software, analistas de negocios, miembros del equipo de operaciones, directores de TI y consultores de gestión.
Para obtener esta certificación, los candidatos deben poseer el certificado de nivel básico de probador certificado.
Las personas que poseen la certificación ISTQB® Certified Tester-AI Testing deberían poder lograr los siguientes resultados comerciales:
1.1 Definición de IA y efecto de IA.
1.8 Normas, reglamentos e inteligencia artificial.
2.1 Flexibilidad y adaptabilidad.
2.2 Autonomía.
2.3 Evolución.
2.4 Bias.
2.5 Ética.
2.6 Efectos secundarios y piratería de recompensas.
2.7 Transparencia, interpretabilidad y explicabilidad.
2.8 Seguridad e IA.
3.1 Formas de ML.
3.2 . Flujo de trabajo de ML.
3.3 Seleccionar una forma de ML.
3.4 Factores involucrados en la selección de algoritmos de aprendizaje automático.
3.4 Sobreajuste y subajuste.
4.1 Preparación de datos como parte del flujo de trabajo de ML.
4.2 Conjuntos de datos de capacitación, validación y prueba en el flujo de trabajo de ML.
4.3 Problemas de calidad del conjunto de datos
4.4 Calidad de los datos y su efecto en el modelo ML.
4.5 Etiquetado de datos para el aprendizaje supervisado.
5.1 Matriz de confusión.
5.2 Agregue métricas de rendimiento funcional de ML para clasificación, regresión y agrupación.
5.3 Limitaciones de las métricas de rendimiento funcional de ML.
5.4 Selección de métricas de rendimiento funcional de ML.
5.5 Suites de referencia para el rendimiento de ML.
6.1 Redes neuronales.
6.2 Medidas de cobertura para redes neuronales.
7.1 Especificación de sistemas basados en IA.
7.2 Niveles de prueba de sistemas basados en IA.
7.3 Datos de prueba para pruebas7.4 Sistemas basados en IA.
7.4 Pruebas de sesgo de automatización en sistemas basados en IA.
7.5 Documentar un componente basado en IA.
7.6 Pruebas de deriva conceptual.
7.7 Selección de un enfoque de prueba para un sistema ML.
8.1 Desafíos para probar sistemas de autoaprendizaje.
8.2 Prueba de sistemas autónomos de autoaprendizaje.
8.3 Pruebas de sesgo algorítmico, de muestra e inapropiado.
8.4 Desafíos al probar sistemas probabilísticos y no deterministas basados en IA.
8.5 Desafíos al probar sistemas complejos basados en IA.
8.6 Prueba de transparencia, interpretabilidad y explicabilidad de sistemas basados en IA.
8.7 Oráculos de prueba para sistemas basados en IA.
8.8 Objetivos de la prueba y
Criterios de aceptación.
9.1 Ataques adversarios y envenenamiento de datos.
9.2 Pruebas por pares.
9.3 Pruebas A/B.
9.4 Pruebas consecutivas.
9.5 Pruebas metamórficas (MT).
9.6 Pruebas basadas en la experiencia de sistemas basados en IA.
9.7 Selección de técnicas de prueba para sistemas basados en IA.
10.1 Entornos de prueba para sistemas basados en IA.
10.2 Entornos de prueba virtuales para probar sistemas basados en IA.
Estos son nuestros partner para dictar cursos ISTQB
Para conocer el esquema de certificación completo visita la página de Esquema de certificaciones.
Si quieres contactar a nuestros proveedores oficiales de exámenes da clic aquí.