ISTQB Certified Tester AI (Artificial Intelligence) Testing vizsgafelkészítő - Időpontok és jelentkezés
Első oktatási nap: 2025. szeptember 22., további oktatási napok: 23., 24., 25.
Első oktatási nap: 2025. november 24., további oktatási napok: 25., 26., 27.
Zártcsoportos képzésre jelentkezem
Jelentkezés időpont nélkül
Ismerd meg az AI-alapú rendszerek tesztelésének világát az ISTQB Certified Tester AI Testing vizsgafelkészítő tanfolyamon! A képzés során elsajátítod az AI rendszerek és gépi tanulási modellek tesztelési technikáit, megérted a torzítások, etikai kérdések és átláthatóság kihívásait, valamint gyakorlati módszerekkel fejleszted szakmai tudásod. A tanfolyam célja, hogy magabiztosan alkalmazd a megszerzett ismereteket valós projekteken, és felkészülj a nemzetközi minősítésre.
Ez a képzés ideális szoftvertesztelőknek, tesztelemzőknek és szoftvermérnököknek, akik AI-alapú rendszerekkel foglalkoznak, vagy AI-t használnak a tesztelés során. Tökéletes választás projektmenedzsereknek, minőségbiztosítási vezetőknek és üzleti elemzőknek is, akik alapvető ismereteket szeretnének szerezni az AI tesztelési technikákról és kihívásokról. Ha magas minőségű AI rendszereket szeretnél biztosítani, miközben lépést tartasz a szoftvertesztelés folyamatosan fejlődő területével, ez a képzés neked szól.
- ISTQB Certified Tester Foundation Level tanúsítvány megléte
- Angol nyelv szövegértés szintű ismerete tekintettel arra, hogy a tananyag és a vizsga is angol nyelvű. (A képzés magyar oktatóval, magyar nyelven történik.)
- A képzésnek NEM előfeltétele a mesterséges intelligencia elméleti hátterének ismerete
Ez a tanfolyam azoknak szól, akik mesterséges intelligencia alapú rendszerek tesztelésével vagy az MI eszközök tesztelési célú alkalmazásával foglalkoznak vagy terveznek foglalkozni. Akkreditált tananyagunk teljes körű felkészítést nyújt a CT-AI vizsgára. A képzés elméleti és gyakorlati tudást kínál, amellyel a résztvevők képesek lesznek MI-alapú rendszerek és folyamatok tesztelésére, optimalizálására és minőségük biztosítására. Képzésünk nagy hangsúlyt fektet a mesterséges intelligencia elméleti hátterének ismertetésére, amely a kapcsolódó ISTQB vizsgán is mélyen kerül számonkérésre.
Fő témakörök:
- Bevezetés az AI világába: Megismerheted az AI alapfogalmait, különböző típusait (szűk, általános és szuper AI), technológiáit, fejlesztési keretrendszereit, valamint az AI mint szolgáltatás lehetőségeit.
- AI-alapú rendszerek minőségjellemzői: Felfedezheted az AI rendszerek minőségbiztosításának kulcstényezőit, például a rugalmasságot, etikát, torzításokat, átláthatóságot és biztonságot.
- Gépi tanulás áttekintése: Áttekintést kapsz a gépi tanulás formáiról, munkafolyamatáról, algoritmusainak kiválasztásáról, és a modellek túl- és alulillesztéséről.
- ML-adatok előkészítése és kezelése: Elsajátíthatod az adatelőkészítési lépéseket, az adathalmazok minőségének fontosságát, és az annotálás szerepét a gépi tanulási modellekben.
- ML funkcionális teljesítménymutatói: Megtanulod az ML modellek értékeléséhez használt teljesítménymutatók alkalmazását és korlátait, például osztályozás, regresszió és klaszterezés terén.
- Neurális hálók és azok tesztelése: Bevezetést kapsz a neurális hálók működésébe és tesztelésébe, beleértve a kiterjedtségi mérőszámok alkalmazását és egyszerű perceptron implementációkat.
- AI-alapú rendszerek tesztelése: Megismerheted az AI-rendszerek tesztelési szintjeit, mint az adatesztelés, komponens- és rendszerintegrációs tesztelés, valamint elfogadási tesztek.
- AI-specifikus minőségi jellemzők tesztelése: Tanuld meg, hogyan tesztelheted az AI rendszerek autonómiáját, önfejlesztési képességeit, torzításait és átláthatóságát.
- AI-alapú rendszerek tesztelési módszerei és technikái: Sajátítsd el az AI-specifikus tesztelési technikákat, például az adverszárius támadások és adatmérgezés tesztelését, valamint a metamorfikus tesztelést.
- AI-rendszerek tesztkörnyezetének kialakítása: Fedezd fel a virtuális tesztkörnyezetek fontosságát az AI-alapú rendszerek validációjában és működési modellek tesztelésében.
- AI alkalmazása a tesztelésben: Ismerd meg, hogyan használhatók az AI-eszközök tesztesetek generálására, hibák előrejelzésére, tesztkészletek optimalizálására és felhasználói interfészek tesztelésére.
Az ISTQB® Certified Tester- AI Testing képesítés megszerzésével a tanfolyam résztvevői képesek lesznek az alábbiakra:
- megértik a mesterséges intelligenciák jelenlegi állapotát és a várható trendeket,
- tapasztalatot szereznek a gépi tanulási modellek implementációjában,
- megismerkednek az intelligens rendszereken végrehajtott tesztek kihívásaival,
- gyakorlatot szereznek a teszt esetek intelligens rendszerekben történő tervezésében és végrehajtásában,
- felismerik az intelligens rendszerekben történő tesztek speciális követelményeit.
RÉSZLETES TEMATIKA:
1. INTRODUCTION TO AI
1.1 Definition of AI and AI Effect
1.2 Narrow, General and Super AI
1.3 AI-Based and Conventional Systems
1.4 AI Technologies
1.5 AI Development Frameworks
1.6 Hardware for AI-Based Systems
1.7 AI as a Service (AIaaS)
1.7.1 Contracts for AI as a Service
1.7.2 AIaaS Examples
1.8 Pre-Trained Models
1.8.1 Introduction to Pre-Trained Models
1.8.2 Transfer Learning
1.8.3 Risks of using Pre-Trained Models and Transfer Learning
1.9 Standards, Regulations and AI
2. QUALITY CHARACTERISTICS FOR AI-BASED SYSTEMS
2.1 Flexibility and Adaptability
2.2 Autonomy
2.3 Evolution
2.4 Bias
2.5 Ethics
2.6 Side Effects and Reward Hacking
2.7 Transparency, Interpretability and Explainability
2.8 Safety and AI
3. MACHINE LEARNING (ML) – OVERVIEW
3.1 Forms of ML
3.1.1 Supervised Learning
3.1.2 Unsupervised Learning
3.1.3 Reinforcement Learning
3.2 ML Workflow
3.3 Selecting a Form of ML
3.4 Factors Involved in ML Algorithm Selection
3.5 Overfitting and Underfitting
3.5.1 Overfitting
3.5.2 Underfitting
3.5.3 Hands-On Exercise: Demonstrate Overfitting and Underfitting
4. ML - DATA
4.1 Data Preparation as Part of the ML Workflow
4.1.1 Challenges in Data Preparation
4.1.2 Hands-On Exercise: Data Preparation for ML
4.2 Training, Validation and Test Datasets in the ML Workflow
4.2.1 Hands-On Exercise: Identify Training and Test Data and Create an ML Model
4.3 Dataset Quality Issues
4.4 Data Quality and its Effect on the ML Model
4.5 Data Labelling for Supervised Learning
4.5.1 Approaches to Data Labelling
4.5.2 Mislabeled Data in Datasets
5. ML FUNCTIONAL PERFORMANCE METRICS
5.1 Confusion Matrix
5.2 Additional ML Functional Performance Metrics for Classification, Regression and
Clustering
5.3 Limitations of ML Functional Performance Metrics
5.4 Selecting ML Functional Performance Metrics
5.4.1 Hands-On Exercise: Evaluate the Created ML Model
5.5 Benchmark Suites for ML
6. ML - NEURAL NETWORKS AND TESTING
6.1 Neural Networks
6.1.1 Hands-On Exercise: Implement a Simple Perceptron
6.2 Coverage Measures for Neural Networks
7. TESTING AI-BASED SYSTEMS OVERVIEW
7.1 Specification of AI-Based Systems
7.2 Test Levels for AI-Based Systems
7.2.1 Input Data Testing
7.2.2 ML Model Testing
7.2.3 Component Testing
7.2.4 Component Integration Testing
7.2.5 System Testing
7.2.6 Acceptance Testing
7.3 Test Data for Testing AI-based Systems
7.4 Testing for Automation Bias in AI-Based Systems
7.5 Documenting an AI Component
7.6 Testing for Concept Drift
7.7 Selecting a Test Approach for an ML System
8. TESTING AI-SPECIFIC QUALITY CHARACTERISTICS
8.1 Challenges Testing Self-Learning Systems
8.2 Testing Autonomous AI-Based Systems
8.3 Testing for Algorithmic, Sample and Inappropriate Bias
8.4 Challenges Testing Probabilistic and Non-Deterministic AI-Based Systems
8.5 Challenges Testing Complex AI-Based Systems
8.6 Testing the Transparency, Interpretability and Explainability of AI-Based Systems
8.6.1 Hands-On Exercise: Model Explainability
8.7 Test Oracles for AI-Based Systems
8.8 Test Objectives and Acceptance Criteria
9. METHODS AND TECHNIQUES FOR THE TESTING OF AI-BASED SYSTEMS
9.1 Adversarial Attacks and Data Poisoning
9.1.1 Adversarial Attacks
9.1.2 Data Poisoning
9.2 Pairwise Testing
9.2.1 Hands-On Exercise: Pairwise Testing
9.3 Back-to-Back Testing
9.4 A/B Testing
9.5 Metamorphic Testing (MT)
9.5.1 Hands-On Exercise: Metamorphic Testing
9.6 Experience-Based Testing of AI-Based Systems
9.6.1 Hands-On Exercise: Exploratory Testing and Exploratory Data Analysis (EDA)
9.7 Selecting Test Techniques for AI-Based Systems
10. TEST ENVIRONMENTS FOR AI-BASED SYSTEMS
10.1 Test Environments for AI-Based Systems
10.2 Virtual Test Environments for Testing AI-Based Systems
11. USING AI FOR TESTING
11.1 AI Technologies for Testing
11.1.1 Hands-On Exercise:The Use of AI in Testing
11.2 Using AI to Analyze Reported Defects
11.3 Using AI for Test Case Generation
11.4 Using AI for the Optimization of Regression Test Suites
11.5 Using AI for Defect Prediction
11.5.1 Hands-On Exercise: Build a Defect Prediction System
11.6 Using AI for Testing User Interfaces
11.6.1 Using AI to Test Through the Graphical User Interface (GUI)
11.6.2 Using AI to Test the GUI
ISTQB Certified Tester AI (Artificial Intelligence) Testing vizsgafelkészítő - Mentoraid lesznek
Kérdésed van a tréninggel kapcsolatban?
ALAPOZÓ TRÉNINGEK EHHEZ A KÉPZÉSHEZ
Még nincs elegendő tudásod a kurzus elvégzéséhez? Akkor ezekkel a képzésekkel szerezheted meg a szükséges alapokat.
ISTQB Certified Tester Foundation Level vizsgafelkészítő e-learning

Ezek a tanfolyamok és e-learningek is érdekelhetnek
Tekintsd meg néhány további képzésünket a témában
ISTQB Foundation Level - Agile Tester Extension e-learning

ISTQB Advanced Level Test Manager vizsgafelkészítő e-learning

ISTQB Advanced Level Test Analyst vizsgafelkészítő e-learning

ISTQB Advanced Level Technical Test Analyst vizsgafelkészítő e-learning

Az egész nagyon informatív és érdekes volt. Big like!
Dr. P. Ágnes