Probador certificado ISTQB – Pruebas de IA – v1

ISTQB® Certified Tester AI Testing (CT-AI) v1

Capacitación en IA

Objetivos:

Formación especializada del área profesional de Testing y Calidad de Software.

La certificación ISTQB® Pruebas de IA (CT-AI) amplía la comprensión de la inteligencia artificial y/o el aprendizaje profundo (automático), más específicamente, la prueba de sistemas basados en IA y el uso de IA en las pruebas.

El programa de Pruebas de IA para Probadores Certificados está dirigido a cualquier persona involucrada en la prueba de sistemas basados en IA o IA para pruebas.

Los contenidos de esta formación permitirán a los asistentes superar el examen de certificación (ISTQB Certified Tester Pruebas de IA) asociado a la formación.

Dirigido a:

El programa de Pruebas de IA para Probadores Certificados está dirigido a cualquier persona involucrada en la prueba de sistemas basados en IA o IA para pruebas. Esto incluye a personas con roles como:

Probadores, analistas de pruebas, analistas de datos, ingenieros de pruebas, consultores de pruebas, gestores de pruebas, probadores de aceptación de usuario y desarrolladores de software.

Esta certificación también es apropiada para quienes deseen adquirir conocimientos básicos sobre las pruebas de sistemas basados en IA o IA para pruebas, como:

Jefes de proyecto, gestores de calidad, gestores de desarrollo de software, analistas de negocios, miembros del equipo de operaciones, directores de TI y consultores de gestión, profesionales de la actividad de Pruebas como Testers, Analistas e Ingenieros de Pruebas, así como Responsables de Calidad de Software.

Examen:

Los contenidos del programa de estudio (Syllabus) permiten realizar el examen para obtener la certificación ISTQB Certified Tester Pruebas de Inteligencia Artificial.

La duración del examen es de 60 minutos y se requiere disponer de la certificación ISTQB Nivel Básico. Se recomienda un mínimo de 2 semanas de preparación desde la finalización del curso hasta su realización

El examen se puede realizar en prácticamente cualquier ubicación a nivel mundial. Por favor, consúltenos para concretarle el lugar y fecha más adecuado.

Requisitos:

No existen requisitos previos, aunque es recomendable disponer de conocimientos básicos de pruebas software y estar familiarizado con la Inteligencia Artificial.

Metodología:

Exposición de contenidos realizada por docentes certificados y acreditados expertos en la materia, con múltiples referencias a casos reales y ejemplos.

Realización y análisis en grupo de los ejercicios prácticos de preparación al examen.

Temario

1. Introducción a la IA – 105 minutos
- 1. Definición de IA y efecto de IA
  2. IA Estrecha, IA general y super IA
  3. Sistemas Basados en IA y Sistemas Convencionales
  4. Tecnologías de IA
  5. Marcos de trabajo de desarrollo de IA
  6. Hardware para sistemas basados en IA
  7. IA como servicio – AI as a Service (AIaaS)
    1. Contratos de IA como Servicio
    2. Ejemplos de AIaaS
  8. Modelos pre-entrenados
    1. Introducción a los Modelos Pre-Entrenados
    2. Aprendizaje por Transferencia
    3. Riesgos del uso de modelos preentrenados y aprendizaje por transferencia
  9. Normas, regulaciones e IA
2. Características de calidad para sistemas basados en IA: 105 minutos
- 1. Flexibilidad y adaptabilidad
  2. Autonomía
  3. Evolución
  4. Sesgo
  5. Ética
  6. Efectos secundarios y piratería de recompensas
  7. Transparencia, interpretabilidad y explicabilidad
  8. Seguridad e IA
3. Aprendizaje Automático - AA (Machine Learning - ML): descripción general - 145 minutos
- 1. Formas de AA
    1. Aprendizaje Supervisado
    2. Aprendizaje no supervisado
    3. Aprendizaje por Refuerzo
  2. Flujo de trabajo de AA
  3. Seleccionar una forma de AA
  4. Factores que intervienen en la selección de algoritmos de AA
  5. Sobreajuste y subajuste
    1. Sobreajuste
    2. Subajuste
    3. Ejercicio práctico: Demostrar el sobreajuste y el subajuste
4. Datos de AA - 230 minutos
- 1. Preparación de datos como parte del flujo de trabajo de AA
    1. Desafíos en la preparación de datos
    2. Ejercicio práctico: Preparación de datos para AA
  2. Conjuntos de datos de entrenamiento, validación y prueba en el flujo de trabajo de AA
    1. Ejercicio práctico: Identificar datos de entrenamiento y prueba, y crear un modelo de AA
  3. Problemas de calidad del conjunto de datos
  4. Calidad de los datos y su efecto en el modelo de AA
  5. Etiquetado de datos para el AA
    1. Enfoques para el Etiquetado de Datos
    2. Datos mal etiquetados en conjuntos de datos
5. Métricas de rendimiento funcional de AA: 120 minutos
- 1. Matriz de confusión
  2. Métricas adicionales de rendimiento funcional de AA para clasificación, regresión y agrupamiento
  3. Limitaciones de las métricas de rendimiento funcional del AA
  4. Selección de métricas de rendimiento funcional de AA
    1. Ejercicio práctico: Evaluación del modelo de AA creado
  5. Conjuntos de referencia para AA
6. AA - Redes neuronales y pruebas – 65 minutos
- 1. Redes neuronales
    1. Ejercicio práctico: Implementar un perceptrón simple
  2. Medidas de cobertura para redes neuronales
7. Prueba de sistemas basados en IA: descripción general (115 minutos)
- 1. Especificación de sistemas basados en IA
  2. Niveles de prueba para sistemas basados en IA
    1. Prueba de Datos de Entrada
    2. Prueba del Modelo de AA
    3. Prueba de Componentes
    4. Prueba de Integración de Componentes
    5. Prueba de Sistema
    6. Prueba de Aceptación
  3. Datos de prueba para probar sistemas basados en IA
  4. Pruebas de sesgo de automatización en sistemas basados en IA
  5. Documentar un Componente de IA
  6. Prueba de deriva (desviación) de concepto
  7. Selección de un enfoque de prueba para un sistema de AA
8. Prueba de características de calidad específicas de la IA: 150 minutos
- 1. Desafíos al probar sistemas de autoaprendizaje
  2. Prueba de sistemas autónomos basados en IA
  3. Prueba de Sesgo Algorítmico, Muestral e Inapropiado
  4. Desafíos al probar sistemas probabilísticos y no deterministas basados en IA
  5. Desafíos al probar sistemas complejos basados en IA
  6. Prueba de la transparencia, interpretabilidad y explicabilidad de los sistemas basados en IA
    1. Ejercicio práctico: Explicabilidad del modelo
  7. Oráculos de prueba para sistemas basados en IA
  8. Objetivos de la prueba y criterios de aceptación
9. Métodos y técnicas para la prueba de sistemas basados en IA – 245 minutos
- 1. Ataques adversarios (contradictorios) y envenenamiento de datos
    1. Ataques Adversarios
    2. Envenenamiento de Datos
  2. Pruebas de a pares – Pairwise Testing
    1. Ejercicio práctico: Pruebas de a pares
  3. Pruebas consecutivas – Back-to-Back Testing
  4. Pruebas A/B
  5. Pruebas metamórficas – Metamorphic Testing (MT)
    1. Ejercicio práctico: Pruebas metamórficas
  6. Pruebas basadas en la experiencia de sistemas basados en IA
    1. Ejercicio práctico: Pruebas exploratorias y análisis exploratorio de datos (AED-EDA)
  7. Selección de técnicas de prueba para sistemas basados en IA
10. Entornos de prueba para sistemas basados en IA: 30 minutos
- 1. Entornos de prueba para sistemas basados en IA
  2. Entornos de prueba virtuales para probar sistemas basados en IA
11. Uso de IA para pruebas: 195 minutos
- 1. Tecnologías de IA para pruebas
    1. Ejercicio práctico: El uso de la IA en las pruebas
  2. Uso de IA para analizar defectos informados
  3. Uso de IA para la generación de casos de prueba
  4. Uso de IA para la optimización de conjuntos de pruebas de regresión
  5. Uso de IA para la predicción de defectos
    1. Ejercicio práctico: Crear un sistema de predicción de defectos
  6. Uso de IA para probar interfaces de usuario
    1. Uso de IA para realizar pruebas a través de la interfaz gráfica de usuario (IGU-GUI)
    2. Uso de IA para probar la IGU
12. Referencias
- 1. Normas
  2. Documentos ISTQB®
  3. Libros y Artículos
  4. Otro Referencias
13. Apéndice A – Abreviaturas
14. Apéndice B – Términos específicos de IA y otros términos