3 dages kursus 

ISTQB Certified Tester - AI Testing (ISTQB CT-AI) v2.0

DKK 17.449
ekskl. moms
Nr. 91174 P
Available in English

Få en grundlæggende forståelse for Artificial Intelligence (AI) og lær hvordan du tester og kvalitetssikre AI-baseret løsninger, samt hvordan machine learning-systemer kan testes gennem hele udviklingsforløbet. Kursus og eksamen foregår på engelsk.

Kurset er opdateret til ISTQB® Certified Tester AI Testing v2.0, som erstatter det tidligere CT-AI v1.0-pensum. Det nye pensum har et tydeligere fokus på test af AI-baserede systemer, særligt machine learning, og omfatter nu også centrale begreber og testtilgange inden for generativ AI og large language models.

Deltagerprofil

Dette kursus er for alle, alle, der interesserer sig for Artificial Intelligence og ønsker en grundlæggende forståelse af, hvordan AI-baserede systemer og machine learning-systemer testes og kvalitetssikres.

Kurset henvender sig særligt til testere, test managers, testanalytikere, test engineers, softwareudviklere, dataanalytikere, projektledere, kvalitetsansvarlige, business analysts og andre, der arbejder med eller skal forholde sig til kvaliteten af AI-baserede løsninger.
 

Forudsætninger

Du skal have en grundlæggende forståelse for softwaretest, kvalitetessikring, softwareudvikling eller datarelaterede roller. Det er desuden en fordel men ikke et krav at have kendskab til programmeringssprog som fx Java, Python eller R, Statistik og grundlægende machine learning.

Det er dog en forudsætning, at du har en ISTQB Foundation Certificering, for at kunne gå til eksamen efter kurset.

Du skal beregne cirka 10 timer læsning af pensum inden kursusstart, samt 2 timers hjemmeopgaver hver aften under kurset.

Udbytte

  • Du kan bidrage med teststrategien for AI-baseret systemer og machine learning-systemer
  • Du kan bidrage med design og eksekvering af testcases for AI-baseret systemer og machine learning-systemer
  • Du får en forståelse for udfordringer relateret til test af AI-baseret systemet, såsom ikke-deterministisk adfærd, dataafhængighed, probabilistiske resultater, bias transparens, robusthed og modeller, der udvikler sig over tid.
  • Du har en forståelse for generativ AI og test af LLM, herunder exploratory testing og red teaming.
  • Du får forståelse for test af inputdata, herunder datakvalitet, datarepræsentativitet, bias, data pipelines og validering af datasæt.
  • Du lærer om test af machine learning-modeller, herunder ML performance metrics, adversarial testing, metamorphic testing, drift testing, A/B testing og back-to-back testing.
  • Du får forståelse for test i forbindelse med udvikling, deployment og drift af machine learning-systemer.

Det får du på kurset

Vi sørger for, at rammerne er i orden, så du kan fokusere på at lære.

Hos Teknologisk Institut bruger vi kun erfarne undervisere.

Erfaren underviser

Mulighed for at tage certificering.

Certificering / eksamen

Kursusmateriale er inkluderet i prisen.

Materiale

Undervisning på engelsk

Undervisning på engelsk

Indhold

  • Introduktion til AI
    - Herunder forskellen på AI-baserede og traditionelle systemer, narrow AI, general AI, super AI, generativ AI, ML frameworks, hosting, hardware samt relevante standarder og reguleringer, herunder EU AI Act.
  • Kvalitetskarakteristika for AI-baserede systemer
    - Herunder AI-specifikke kvalitetskarakteristika, funktionel korrekthed, adaptivitet, transparens, robusthed, kontrollerbarhed, sikkerhed, etik og acceptkriterier.
  • Machine Learning (ML)Test af AI-baserede systemer
    - Herunder supervised, unsupervised og reinforcement learning, ML workflow, dataforberedelse, datasæt, pretrained models, fine-tuning, retrieval-augmented generation, ML performance metrics og neurale netværk.
  • Test af AI-baserede systemer
    - Herunder udfordringer ved test af AI, locked og adaptive AI-systemer, statistisk test, test oracles, risikobaseret test, testniveauer samt test af generativ AI og large language models.
  • Test af inputdata til machine learning-systemer
    - Herunder datakvalitet, datarelaterede risici, bias, datarepræsentativitet, test af data pipelines, validering af datasæt og korrekt mærkning af data.
  • Test af modeller til machine learning-systemer
  • - Herunder risici ved ML-modeller, performance testing, adversarial testing, metamorphic testing, overfitting, underfitting, drift testing, A/B testing og back-to-back testing.
  • Test under udvikling af machine learning-systemer
    - Herunder test under udvikling og deployment samt monitorering og vedligeholdelse af modellernes performance i produktion.

Form

På 3 intensive dage vil du blive undervist i de emner, som indgår i eksamen. Kurset indeholder både teoretisk gennemgang, praktiske øvelser og diskussion. Der vil generelt være høj deltageraktivitet. Kurset afholdes på engelsk.

Du skal derudover beregne cirka 10 timer læsning af pensum inden kursusstart, samt 2 timers hjemmearbejde hver aften under kurset.

Certificering

Denne eksamen er en officiel ISTQB CT-AI v2.0 eksamen. Du kan efter kurset tage din eksamen online.

  • Antal spørgsmål: 40 spørgsmål
  • Tid: 1 time
  • Format: Multiple choise unden brug af hjælpemidler
  • Sprog: Eksamen foregår på engelsk. Har du ikke engelsk som modersmål, kan du anmode om at få yderligere 15 min. til eksamen.

For at bestå skal du have 29 ud af 44 point. K3-spørgsmål, hvor du skal anvende din viden, giver to point, mens K1- og K2-spørgsmål giver ét point. Prisen for eksamen er inkluderet i kursusprisen.

Bemærkning

Kurset afholdes i samarbejde med en partner.

Billede af underviser
Underviser

Teknologisk Institut benytter erfarne undervisere fra et bredt netværk af dygtige specialister. Du kan forvente en underviser, som har mange års praktisk erfaring med softwaretest fra forskellige it-projekter. Underviser er engelsktalende.

Få ny inspiration til din kompetence­udvikling

Unikke tilbud, relevante artikler og nyt om vores kurser og uddannelser.

Indtast venligst dit fornavn
Email-adressen er ikke korrekt udfyldt
Tilmelder nyhedsbrev
Tak for din tilmelding
Teknisk fejl

Der er desværre en systemfejl på nuværende tidspunkt. Du kan alternativt skrive en mail til data@teknologisk.dk