Gérer un projet en mobilisant les méthodes agiles en utilisant la méthodologie istqb® ctfl ai testing du gasq

Certification : Gérer un projet en mobilisant les méthodes agiles

Proposée par ELITEK — 75008 Paris

Éligible CPF
Formation continue
Présentiel

Prix

Indiqué par le ou les établissement(s)

2 290 €

Présentation

Apprenez à tester l'IA et ses modèles (biais, transparence). Cette formation couvre les meilleures pratiques et la conception de tests spécifiques pour garantir la qualité des systèmes d'intelligence artificielle.

Modalités disponibles

Voie Modalité Prix Durée Niveau de sortie Provenance
Formation continue Présentiel 2 290 € 28 h — —

Objectifs

  • Diagnostic et évaluation : Apprendre à analyser les environnements et les ressources pour déterminer la pertinence dune approche Agile
  • Choix méthodologique : Sélectionner la méthode Agile la plus adaptée à un projet donné
  • Préparation et déploiement : Concevoir les artefacts Agile et planifier les rituels pour garantir la collaboration et la transparence
  • Animation des rituels : Animer efficacement les rituels pour répondre aux besoins évolutifs des parties prenantes
  • Expliquer les tendances actuelles et futures de l'IA et leur impact sur divers secteurs
  • Développer des compétences pour tester les modèles de machine learning (ML)
  • Concevoir et exécuter des scénarios de tests spécifiques à l'IA
  • Se préparer à l'examen Gérer un projet en mobilisant les méthodes agiles

Programme

  • 1. Introduction à l'Intelligence Artificielle (IA)
    • 1.1. Types d'IA : IA étroite, générale et super IA
    • 1.2. L'IA en tant que service (AIaaS)
    • 1.3. Normes et réglementations applicables
    • 1.4. Caractéristiques de qualité des systèmes IA : flexibilité, adaptabilité, autonomie
    • 1.5. Défis éthiques : biais, sécurité, transparence, interprétabilité et explicabilité
    • 1.6. Vue d'ensemble du Machine Learning (ML) : workflow, sélection des algorithmes, surajustement et sous-ajustement
  • 2. Données et Machine Learning (ML)
    • 2.1. Gestion des ensembles de données : entraînement, validation et test
    • 2.2. Problèmes de qualité des données et impact sur les modèles ML
    • 2.3. Techniques d'étiquetage des données
    • 2.4. Évaluation des performances fonctionnelles du ML : matrice de confusion et mesures de performance
    • 2.5. Limites et jeux de tests pour les modèles de ML
    • 2.6. Introduction aux réseaux neuronaux et mise en uvre d'un perceptron simple
    • 2.7. Mesures de couverture pour les réseaux neuronaux
  • 3. Tests des Systèmes Basés sur l'IA
    • 3.1. Niveaux de spécification et stratégies de test pour les systèmes IA
    • 3.2. Données de test et approches associées
    • 3.3. Tests des biais d'automatisation et des caractéristiques de qualité spécifiques à l'IA
    • 3.4. Défis liés aux tests des systèmes autonomes : biais algorithmiques et complexité
    • 3.5. Méthodes pour tester des systèmes d'IA complexes : attaques adverses, empoisonnement des données
    • 3.6. Techniques de test spécifiques : tests par paire, dos à dos, A/B et métamorphiques
    • 3.7. Critères de sélection des techniques de test adaptées
  • 4. Environnements et Technologies de Test pour l'IA
    • 4.1. Configuration et considérations pour les environnements de test des systèmes IA
    • 4.2. Utilisation d'environnements de test virtuels pour l'IA
    • 4.3. Intégration de l'IA dans le processus de test : analyse des défauts, génération de cas de test
    • 4.4. Utilisation de l'IA pour la prédiction des défauts et les tests d'interfaces homme-machine (IHM)
    • 4.5. Technologies et outils basés sur l'IA pour améliorer les tests
Voir la formation sur le site de l'établissement