ISTQB Certified Tester AI (Artificial Intelligence) Testing vizsgafelkészítő
Képzés kód:
ISTQB Certified Tester AI (Artificial Intelligence) Testing vizsgafelkészítő - Időpontok és jelentkezés
Első oktatási nap: 2026. október 26. , további oktatási napok: 27., 28.
Ha szeretnél jönni, még leadhatod a jelentkezésedet és igyekszünk helyet biztosítani.
Első oktatási nap: 2026. november 30. , további oktatási napok: december 1., 2.
Első oktatási nap: 2027. február 22. , további oktatási napok: 23., 24.
Első oktatási nap: 2027. április 28. , további oktatási napok: 29., 30.
Zárt csoportos képzésre jelentkezem
Jelentkezés időpont nélkül
Ezeket a kedvezményeket veheted igénybe jelentkezéskor:
- 20% ISTQB törzshallgatóknak
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. Tökéletes választás projektmenedzsereknek, minőségbiztosítási vezetőknek és üzleti elemzőknek is, akik alapvető ismereteket szeretnének szerezni az AI alapú rendszerek tesztelési technikáiról és kihívásairól. 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 fejlesztésével foglalkoznak. 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 az alkalmazkodóképességet, átláthatóságot, robusztusságot, etikusságot és biztonságot, valamint a kapcsolódó elfogadási feltételek AI-specifikus jellemzőit.
- Gépi tanulás áttekintése: Áttekintést kapsz a gépi tanulás formáiról, munkafolyamatáról, algoritmusainak kiválasztásáról, az adatok fontosságáról, kezeléséről, szétválasztásáról, a modellek funkcionális teljesítményét mérő metrikákról, a mesterséges neuronhálók működéséről és lefedettségi metrikáiról.
- AI-alapú rendszerek tesztelése: Megismerheted az AI-alapú és ezen belül a Generatív AI-alapú rendszerek tesztelésének főbb kihívásait, jellemtőit, az ilyen rendszerek új tesztelési szintjeit, mint az adat- és egységtesztelés, valamint a "hagyományos" tesztelési szintek AI-hoz kapcsolódó tevékenységeit.
- Input adat tesztelése: Látni fogod az input adat fontosságát, a kapcsolódó kockázatokat és az ezen kockázatok csökkentését céltó tesztelési módszereket, mint például a bias, data pipeline, reprezentativitás, megkötések és label-helyesség tesztelése.
- Gépi tanulási modellek tesztelése: Megismerkedhetsz a modellel kapcsolatos kockázatokkal és az azok csökkentését célzó statisztikai-, adversarial-, metamorf-, drift-, A/B, back-to-back tesztelési módszerekkel, illetve az alul és túlillesztés fogalmával.
- Gépi tanulási módszer fejlesztésének tesztelése: Lásd, hogy milyen speciális kockázatok merülnek fel ML-alapú rendszerek fejlesztése során, és hogy a telepíthetőségi-, visszavonási-, kanári-, árnyék- modelkonverziós-, cross-device- és API tesztelés hogyan segíthet ezeken.
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 Artificial Intelligence
1.1 AI-Based and Conventional Systems
1.2 Narrow AI, General AI, and Super AI-Based
1.3 Different Types of AI Technologies
1.4 Generative AI
1.5 Hardware for Machine Learning Systems
1.6 Development and Hosting of AI Models
1.7 Machine Learning Development Frameworks
1.8 Regulations and Standards for AI
2 Quality Characteristics for AI-Based Systems
2.1 Quality Characteristics for AI-Based Systems
2.1.1 AI-Specific Quality Characteristics
2.1.2 AI and Safety
2.2 Acceptance Criteria for AI-Based Systems
2.2.1 Acceptance Criteria for AI-Based Systems
3 Machine Learning
3.1 Introduction to Machine Learning
3.1.1 Different Forms of Machine Learning
3.1.2 Machine Learning Workflow
3.1.3 Hands-on Exercise: Create a Machine Learning Model
3.1.4 Pretrained Models, Fine-Tuning, and Retrieval-Augmented Generation
3.2 Data for Machine Learning
3.2.1 Activities in Data Preparation
3.2.2 Hands-on Exercise: Data Preparation in Support of the Creation of a Machine Learning Model
3.3 ML Functional Performance Metrics for Classification
3.3.1 Calculation of Machine Learning Functional Performance Metrics
3.3.2 Hands-on Exercise: Evaluate a Machine Learning Model using Selected ML Functional Performance Metrics
3.3.3 Hands-on Exercise: Show the Impact of Different Machine Learning Models and Dataset Combinations
3.4 Neural Networks
3.4.1 Structure and Working of a Deep Neural Network
3.4.2 Hands-on Exercise: Experience the Implementation of a Perceptron
3.4.3 Coverage Measures for Neural Networks
4 Testing AI-Based Systems
4.1 Introduction to Testing AI-Based Systems
4.1.1 Locked and Adaptive AI-Based Systems
4.1.2 Rationale for a Statistical Approach to Testing AI-Based Systems
4.1.3 Test Oracles for AI-Based Systems
4.2 Testing Generative AI and Large Language Models
4.2.1 Testing Generative AI 41 4.2.2 Red Teaming
4.2.3 Hands-on Exercise: Exploratory Testing of a Large Language Model
4.3 Test Levels and Machine Learning Systems
4.3.1 Test Levels for Machine Learning Systems
4.3.2 Risk-Based Testing of Machine Learning Systems
5 Input Data Testing for Machine Learning Systems
5.1 Input Data Risks and Mitigations
5.2 Testing for Bias
5.3 Data Pipeline Testing
5.4 Testing for Data Representativeness
5.5 Dataset Constraint Testing
5.6 Label Correctness Testing
5.7 Hands-on Exercise: Input Data Testing
6 Model Testing for Machine Learning Systems
6.1 Machine Learning Model Risks and Mitigations
6.2 Machine Learning Model Documentation and Review
6.3 ML Functional Performance Testing of Probabilistic Machine Learning Systems
6.4 Adversarial Testing of Machine Learning Systems
6.5 Metamorphic Testing
6.6 Hands-on Exercise: Apply Metamorphic Testing
6.7 Drift Testing
6.8 Testing for Overfitting and Underfitting
6.9 A/B Testing
6.10 Back-to-Back Testing
7 Machine Learning Development Testing
7.1 Machine Learning Development Risks and Mitigations
7.2 Machine Learning System Deployment Testing
Képzésünk a 2026-ban megújult ISTQB Certified Tester AI Testing 2.0 verziójára épül.
ISTQB Certified Tester AI (Artificial Intelligence) Testing vizsgafelkészítő - Mentoraid lesznek
Én nagyon szerettem, életem egyik legjobb választása volt. Önbizalmat adott ahhoz, hogy elinduljak a szoftvertesztelői pályán. És ez sikerült, nagyon jó helyen dolgozom most, ezért örökre hálás vagyok a Masterfieldnek! :)
Jékli Mariann