Formation ISTQB IA- Testeur certifié Intelligence Artificielle (IA)

Préparez votre certification officielle ISTQB AI Testing avec ITTEST Academy

ITTEST Academy vous propose la formation ISTQB IA – Testeur Certifié Intelligence Artificielle – ISTQB AI Testing, accessible aux profils techniques ou fonctionnels souhaitant maîtriser les bonnes pratiques du test logiciel appliqué aux systèmes d’Intelligence Artificielle.

D’une durée de 5 jours en mode hybride (présentiel ou en ligne), cette formation prépare efficacement au passage de la certification ISTQB Certified Tester – AI Testing.

Grâce à ce programme intensif, vous comprendrez les spécificités des modèles IA, serez capable de concevoir des tests adaptés et saurez anticiper les risques liés aux algorithmes, aux biais et aux données.

Objectifs Pédagogiques de la formation ISTQB IA

À l’issue de la formation, vous serez capable de :

• Comprendre les fondamentaux de l’IA et les différences entre systèmes IA et systèmes conventionnels.

• Identifier les caractéristiques de qualité spécifiques aux systèmes IA et évaluer leur impact sur les tests.

• Maîtriser les concepts de Machine Learning (ML), préparation et qualité des données pour le ML.

• Évaluer les performances des modèles ML à l’aide de métriques et benchmarks adaptés.

• Tester efficacement les systèmes basés sur l’IA, en appliquant des méthodes et techniques adaptées.

• Utiliser l’IA pour automatiser et améliorer le processus de test, prédire les défauts et optimiser les suites de test.

• Préparer et réussir l’examen ISTQB Testeur Certifié Test d’IA.

Programme de la formation ISTQB IA 

1 : Introduction à l’IA – 105 min

Objectifs : Comprendre les fondamentaux de l’IA, ses types, ses technologies et son déploiement.
Contenu :

1. Définition de l’IA et impact sur les organisations

2. IA étroite, générale et super IA

3. Systèmes basés sur l’IA vs systèmes conventionnels

4. Technologies d’IA : NLP, Computer Vision, Machine Learning

5. Frameworks de développement IA

6. Matériel pour systèmes IA : GPU, TPU, Edge AI

7. AI as a Service (AIaaS) : contrats et exemples

8. Modèles pré-entraînés : apprentissage par transfert, risques et bonnes pratiques

9. Normes, règles et cadre légal autour de l’IA

Exercices : Étude de cas sur l’usage de modèles pré-entraînés et discussion sur les risques et biais.

2 : Caractéristiques de qualité des systèmes basés sur l’IA – 105 min

Objectifs : Identifier les critères qualité spécifiques aux systèmes IA.
Contenu :

1. Flexibilité et adaptabilité

2. Autonomie et évolution

3. Biais et éthique

4. Effets secondaires et piratage de récompense

5. Transparence, interprétabilité et explicabilité

6. Sûreté et sécurité

Exercices : Analyse critique d’un système IA réel sur biais et transparence.

3 : Machine Learning – Aperçu – 145 min

Objectifs : Comprendre les concepts de base du ML et comment choisir un algorithme.
Contenu :

1. Formes de ML : supervisé, non supervisé, renforcement

2. Workflow ML : collecte, préparation, entraînement, évaluation

3. Critères de sélection d’un algorithme

4. Surajustement et sous-ajustement

Exercices : Démonstration sur un dataset simple pour illustrer surajustement et sous-ajustement.

4 : ML – Data – 230 min

Objectifs : Maîtriser la préparation et la qualité des données pour le ML.
Contenu :

1. Préparation des données et challenges associés

2. Ensembles de données : apprentissage, validation, test

3. Problèmes de qualité et étiquetage des données

4. Effet de la qualité des données sur les modèles ML

Exercices : Préparer un dataset, étiquetage supervisé et création d’un modèle simple.

5 : ML – Métriques de performance – 120 min

Objectifs : Savoir évaluer un modèle ML efficacement.
Contenu :

1. Matrice de confusion

2. Métriques pour classification, régression et clustering

3. Limites et sélection des métriques

4. Suites de benchmark pour ML

Exercices : Évaluer un modèle ML créé précédemment.

6 : ML – Réseaux neuronaux et tests – 65 min

Objectifs : Introduction aux réseaux neuronaux et tests associés.
Contenu :

1. Concepts de réseaux neuronaux

2. Implémentation d’un Perceptron simple

3. Mesures de couverture pour réseaux neuronaux

7 : Tester les systèmes IA – Aperçu – 115 min

Objectifs : Comprendre les niveaux de tests et méthodologies pour systèmes IA.
Contenu :

1. Spécification et documentation des systèmes IA

2. Niveaux de tests : entrée, modèle, composants, intégration, système, acceptation

3. Données de test et biais d’automatisation

4. Test de dérive du concept

5. Sélection de l’approche de test

8 : Tester les caractéristiques de qualité spécifiques à l’IA – 150 min

Objectifs : Tester les propriétés uniques des systèmes IA et anticiper les défis.
Contenu :

1. Défis des systèmes auto-apprenants et autonomes

2. Test pour biais algorithmique et probabiliste

3. Test de transparence et explicabilité

4. Oracles de test et critères d’acceptation

Exercices : Étude de cas sur explicabilité et interprétabilité d’un modèle IA.

9 : Méthodes et techniques pour le test des systèmes IA – 245 min

Objectifs : Maîtriser les techniques avancées de test pour IA.
Contenu :

1. Attaques adverses et empoisonnement de données

2. Test par paires, dos à dos, A/B, métamorphique

3. Test basé sur expérience et analyse exploratoire des données

4. Sélection des techniques adaptées à chaque système IA

Exercices : Tests par paires et test exploratoire sur dataset simulé.

10 : Environnements de test pour systèmes IA – 30 min

Objectifs : Comprendre les environnements nécessaires pour tester IA.
Contenu :

1. Environnements de test réels et virtuels

11 : Utilisation de l’IA pour les tests – 195 min

Objectifs : Exploiter l’IA pour améliorer le processus de test.
Contenu :

1. Technologies IA pour les tests

2. Analyse de reporting des défauts

3. Génération et optimisation de cas de test

4. Prédiction des défauts et test d’interface utilisateur GUI

Exercices : Créer un système de prédiction de défauts et tester une interface graphique avec IA.

12 : Préparation et passage de l’examen ISTQB® Testeur Certifié Test d’IA

• Révisions et conseils pour l’examen avec corrections commentées et QCM d’entraînement basés sur le syllabus officiel ISTQB IA.
  
  

• Passage de l’examen ISTQB® Testeur Certifié Test d’IA, version 2022, le dernier jour de la formation.
  
  

Durée : 60 minutes
Format : QCM de 40 questions
Score requis pour la certification : 65 %

Méthodes Et Moyens Pédagogiques

La formation combine un équilibre structuré entre apports théoriques alignés sur le syllabus officiel ISTQB® Testeur Certifié Test d’IA (CT-AI) et une mise en pratique approfondie, permettant aux apprenants de maîtriser concrètement le test des systèmes basés sur l’Intelligence Artificielle et le Machine Learning.

Les participants commencent par assimiler les concepts fondamentaux de l’IA, du Machine Learning et des caractéristiques de qualité spécifiques aux systèmes IA, à travers des explications claires, des exemples concrets et des démonstrations guidées. Ces connaissances sont ensuite immédiatement mises en application au moyen d’études de cas réels, de mises en situation pratiques, d’exercices interactifs et de QCM d’entraînement corrigés avec le formateur, couvrant la préparation des données, l’évaluation des modèles et les techniques de test adaptées à l’IA.

Tout au long du parcours, une évaluation continue des acquis est assurée à travers des QCM de validation et des exercices pratiques ciblés. Cette démarche est complétée par des simulations complètes de l’examen officiel ISTQB® Testeur Certifié Test d’IA (QCM de 40 questions, durée 60 minutes, score requis : 65 %), afin de préparer efficacement les candidats à la certification.

L’ensemble des supports pédagogiques complets est fourni aux apprenants et les accompagne tout au long de la formation, jusqu’au passage et à la réussite de la certification officielle ISTQB® Testeur Certifié Test d’IA (CT-AI).