ISTQB - Testeur Certifié Extension Niveau Fondation - Test d'Intelligence Artificielle (IA) - Avec certification - CFTL - ISTQB Certified Tester AI Testing (CT-AI) (prix inclus)

Objectifs

• Résumer les principes fondamentaux de l'Intelligence Artificielle (IA)


• Cartographier les différentes caractéristiques de qualité des systèmes basés sur l'IA


• Décrire les concepts clés et les approches du Machine Learning (ML)


• Identifier les types de données utilisés en ML et décrire leur importance


• Evaluer la performance fonctionnelle des modèles de ML à l'aide de métriques adaptées


• Expliquer le fonctionnement des réseaux neuronaux et appliquer des stratégies de test adaptées


• Expliquer les enjeux et les principes généraux du test des systèmes basés sur l'IA


• Tester les caractéristiques de qualité spécifiques aux systèmes basés sur l'IA


• Appliquer des méthodes et techniques adaptées pour tester les systèmes basés sur l'IA


• Cartographier les environnements de test adaptés aux spécificités des systèmes IA


• Expliquer l'utilisation de l'IA pour optimiser et automatiser les processus de test


• Préparer et passer l'examen de certification.

Programme de la formation

Introduction à l'IA

• Définition de l'IA et de l'effet de l'IA


• IA étroite, générale et super IA


• Systèmes basés sur l'IA et systèmes conventionnels


• Les technologies de l'IA


• Frameworks de développement de l'IA


• Matériel pour les systèmes basés sur l'IA


• L'IA en tant que service (AIaaS)


• Modèles pré-entraînés


• Normes, réglementations et IA

Caractéristiques de qualité des systèmes basés sur l'IA

• Flexibilité et adaptabilité


• Autonomie


• Evolution


• Biais


• Ethique


• Effets secondaires et piratage de récompense


• Transparence, interprétabilité et explicabilité


• Sûreté et IA

Machine Learning (ML) - Vue d'ensemble

• Formes de ML


• Workflow ML


• Sélectionner une forme de ML


• Facteurs impliqués dans la sélection d'un algorithme ML


• Sur-ajustement et sous-ajustement

ML - Données

• Préparation des données dans le cadre du workflow ML


• Ensembles de données d'apprentissage, de validation et de test dans le workflow ML


• Problèmes de qualité des données


• La qualité des données et son effet sur le modèle ML


• Etiquetage des données pour l'apprentissage supervisé

 

Validation et sanction

Attestation de formation

Type de formation

Non certifiante

Sortie

Sans niveau spécifique