ISTQB® Certified Tester - AI Testing (CT-AI)
Preis Netto: € MwSt.: €
Preis Preis auf Anfrage
Dauer
3 Tage
Standort
Kurssprache englisch
Trainingslösung Online Live
Intelligente Systeme treffen Entscheidungen auf Basis von Daten. Qualitätssicherung muss deshalb Modelle, Trainingsprozesse und dynamisches Verhalten systematisch prüfen. Aktuelles Know-how im Bereich AI Testing verbindet klassische Testmethodik mit Data Science und moderner Softwarearchitektur.
Zentrale Themen
- Besonderheiten von KI-Systemen im Testkontext.
- Verifikation und Validierung von Machine-Learning-Modellen.
- Testdatenmanagement und Datenintegrität.
- Erklärbarkeit, Fairness und Bias-Kontrolle.
- Teststrategie für adaptive und selbstlernende Systeme.
- Governance, Compliance und Risikomanagement.
Voraussetzung
Erfahrung im Softwaretest oder in der Qualitätssicherung; Verständnis grundlegender Entwicklungsprozesse und Testkonzepte.
Zielgruppe
QA Professionals, Testanalysten, IT-Projektleitende, Entwicklerteams, Data Analysts sowie Verantwortliche für KI-gestützte Produkte.
Schluss
Strukturierte Testverfahren für KI schaffen Verlässlichkeit, Nachvollziehbarkeit und Vertrauen in datenbasierte Anwendungen – essenziell für Organisationen, die Innovation verantwortungsvoll gestalten wollen.
- 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
