ISTQB® Certified Tester - AI Testing (CT-AI)
Preis Netto: € MwSt.: €
Preis Preis auf Anfrage
Dauer
3 Tage
Standort
Kurssprache englisch
Trainingslösung Online Live
Künstliche Intelligenz verändert die Softwareentwicklung rasant und stellt Testing vor völlig neue Herausforderungen. Wer heute Qualität sichern will, braucht aktuelles Wissen über Methoden, Werkzeuge und Konzepte, die speziell für KI-Systeme entwickelt wurden. Moderne Ansätze verbinden klassische Testprinzipien mit innovativen Strategien, um Transparenz, Zuverlässigkeit und Fairness sicherzustellen.
Die zentralen Themen:
- Grundlagen des Testens von KI-Systemen.
- Unterschiede zwischen deterministischen und probabilistischen Anwendungen.
- Herausforderungen bei Machine Learning Modellen.
- Qualitätssicherung von Trainings- und Testdaten.
- Strategien für Nachvollziehbarkeit und Erklärbarkeit.
- Automatisierung und Tools für KI-Tests.
- Risiken, Bias und ethische Aspekte.
- Praxisorientierte Vorgehensweisen im Testprozess.
KI-gestütztes Testen ist längst nicht mehr Zukunft, sondern Gegenwart. Wer Methoden, Werkzeuge und Strategien versteht, kann die Qualität komplexer Systeme sichern und Vertrauen in innovative Technologien schaffen.
- Begriffserklärung und KI-Effekt
- Schwache, starke und überlegene KI
- Vergleich klassischer und KI-gestützter Systeme
- Technologische Ansätze der KI
- Entwicklungsplattformen für KI
- Technische Ausstattung für KI-Systeme
- Künstliche Intelligenz als Service (AIaaS)
- Vorgefertigte KI-Modelle
- Richtlinien, Normen und Regulierung von KI
- Anpassung und Wandelbarkeit
- Selbstständigkeit
- Fortschritt
- Vorurteile
- Moral
- Risiken und Manipulation von Anreizen
- Offenheit, Nachvollziehbarkeit und Deutung
- Schutz und künstliche Intelligenz
- Arten von Machine Learning
- Ablauf im Machine Learning
- Wahl des passenden Ansatzes
- Faktoren für die Algorithmenwahl
- Overfitting und Underfitting
- Datenverarbeitung im ML-Prozess
- Aufteilung in Trainings-, Validierungs- und Testdaten
- Herausforderungen bei der Datenqualität
- Einfluss der Datenqualität auf Modelle
- Labeling von Daten für Supervised Learning
- Fehler-Matrix
- Erweiterte Leistungsmaße für Klassifizierung, Regression und Clustering
- Limitierungen von Leistungsmaßen
- Auswahl passender Leistungsmaße
- Referenzsets für ML
- Künstliche Netzwerke
- Kennzahlen zur Netzabdeckung
- Anforderungen für KI-Systeme
- Ebenen beim KI-Testing
- Datenbasis für KI-Tests
- Bias-Prüfung in KI-Automation
- Nachweise für KI-Module
- Prüfung auf Konzeptänderung
- Wahl der ML-Teststrategie
- Tests lernender Systeme
- Prüfung autonomer Systeme
- Verzerrungen und Zufall prüfen
- Unsichere Systeme testen
- Komplexe Systeme prüfen
- Transparenz und Erklärung testen
- Orakel für KI-Tests
- Ziele und Kriterien festlegen
- Angriffe durch Manipulation und falsche Daten
- Vergleichstests in Paaren
- Gegenüberstellende Prüfungen
- Varianten-Tests A gegen B
- Metamorphische Prüfmethoden
- Praxisnahe Tests für Systeme mit KI
- Auswahl passender Prüfverfahren für KI-Systeme
- Prüfplattformen für intelligente Systeme
- Digitale Umgebungen zum Testen von Smart-Systemen
- Intelligente Systeme im Testeinsatz
- KI-gestützte Auswertung von Fehlerreports
- KI-basierte Erstellung von Testfällen
- KI-Optimierung von Regressionstests
- KI-Methoden zur Fehlerprognose
- KI-Prüfung von grafischen Oberflächen
09:00 - 17:00
09:00 - 17:00
09:00 - 17:00
09:00 - 17:00
09:00 - 17:00
09:00 - 17:00
09:00 - 17:00
09:00 - 17:00
09:00 - 17:00
09:00 - 17:00
09:00 - 17:00
09:00 - 17:00
