ISTQB® Certified Tester AI Testing (CT-AI)

Kód kurzu: ICTAI

Objavte svet testovania systémov založených na umelej inteligencii s prípravným školiacim programom ISTQB Certified Tester AI Testing! Tento program profesionálneho rozvoja vás vybaví zručnosťami potrebnými na testovanie AI systémov a modelov strojového učenia, riešenie výziev, ako sú skreslenie, etické aspekty a transparentnosť, a osvojíte si praktické techniky na rozšírenie svojej odbornosti. Školiaci program je navrhnutý tak, aby vám pomohol uplatniť získané znalosti v projektoch produkčného prostredia a sebavedome sa pripraviť na medzinárodnú certifikáciu.

Skúška nie je zahrnutá v cene školenia.

1 160 EUR

1 427 EUR s DPH

Najbližší termín od 18.05.2026

Výber termínov

Odborní
certifikovaní lektori

Mezinárodne
uznávané certifikácie

Široká ponuka technických
a soft skills kurzov

Skvelý zákaznicky
servis

Prispôsobenie kurzov
presne na mieru

Termíny kurzov

Počiatočný dátum: 18.05.2026

Forma: Virtuálna

Dĺžka kurzu: 4 dni

Jazyk: en

Cena bez DPH: 1 160 EUR

Registrovať

Počiatočný dátum: 20.07.2026

Forma: Virtuálna

Dĺžka kurzu: 4 dni

Jazyk: en

Cena bez DPH: 1 160 EUR

Registrovať

Počiatočný dátum: 07.09.2026

Forma: Virtuálna

Dĺžka kurzu: 4 dni

Jazyk: en

Cena bez DPH: 1 160 EUR

Registrovať

Počiatočný dátum: 16.11.2026

Forma: Virtuálna

Dĺžka kurzu: 4 dni

Jazyk: en

Cena bez DPH: 1 160 EUR

Registrovať

Počiatočný dátum: Na vyžiadanie

Forma: Prezenčná/Virtuálna

Dĺžka kurzu: 4 dni

Jazyk: en/cz

Cena bez DPH: 2 960 EUR

Registrovať

Počiatočný
dátum
Miesto
konania
Forma Dĺžka
kurzu
Jazyk Cena bez DPH
18.05.2026 Virtuálna 4 dni en 1 160 EUR Registrovať
20.07.2026 Virtuálna 4 dni en 1 160 EUR Registrovať
07.09.2026 Virtuálna 4 dni en 1 160 EUR Registrovať
16.11.2026 Virtuálna 4 dni en 1 160 EUR Registrovať
Na vyžiadanie Prezenčná/Virtuálna 4 dni en/cz 2 960 EUR Registrovať
G Garantovaný kurz

Nenašli ste vhodný termín?

Napíšte nám o vypísanie alternatívneho termínu na mieru.

Kontakt

Popis kurzu

Tento komplexný program je určený pre profesionálov, ktorí sa podieľajú na testovaní systémov založených na umelej inteligencii alebo plánujú využívať AI nástroje na účely testovania.

Naše akreditované školiace materiály, vychádzajúce z oficiálneho sylabu International Software Testing Qualifications Board, poskytujú komplexnú prípravu na certifikačnú skúšku CT-AI.

Program profesijného rozvoja ponúka tak teoretické, ako aj praktické vedomosti, ktoré účastníkom umožňujú efektívne testovať, optimalizovať a zabezpečovať kvalitu systémov a procesov založených na umelej inteligencii.

Naše školenie kladie silný dôraz na teoretické základy umelej inteligencie, ktoré sú zároveň dôkladne overované v súvisiacej ISTQB skúške.

Hlavné témy:

Úvod do AI
Naučíte sa základné koncepty umelej inteligencie, jej typy (úzka, všeobecná a super AI), technológie, vývojové frameworky a možnosti AI ako služby.

Kvalitatívne charakteristiky AI systémov
Objavíte kľúčové kvalitatívne faktory AI systémov, vrátane flexibility, etiky, skreslenia, transparentnosti a bezpečnosti.

Prehľad strojového učenia
Získate porozumenie typom strojového učenia, pracovným postupom, výberu algoritmov a riešeniu problémov, ako je overfitting a underfitting.

Príprava a správa dát pre ML
Ovládnete kroky prípravy dát, význam kvality dátových súborov a úlohu anotácie v modeloch strojového učenia.

Metriky funkčného výkonu ML
Naučíte sa aplikovať a vyhodnocovať výkonnostné metriky modelov pre klasifikáciu, regresiu a zhlukovanie.

Neurónové siete a ich testovanie
Ponoríte sa do fungovania a testovania neurónových sietí, vrátane metrík pokrytia a implementácie jednoduchých perceptrónov.

Prehľad testovania AI systémov
Porozumiete úrovniam testovania AI systémov, vrátane testovania dát, integračného testovania komponentov a systémov a akceptačného testovania.

Testovanie AI špecifických kvalitatívnych charakteristík
Preskúmate, ako testovať AI systémy z hľadiska autonómie, schopnosti učenia, skreslenia a transparentnosti.

Metódy a techniky testovania AI systémov
Zvládnete AI špecifické testovacie techniky, ako sú adversariálne útoky, otrava dát (data poisoning) a metamorfné testovanie.

Testovacie prostredie pre AI systémy
Naučíte sa význam virtuálnych testovacích prostredí pri validácii AI systémov a testovaní prevádzkových modelov.

Využitie AI pri testovaní
Objavíte, ako možno AI nástroje využiť na generovanie testovacích prípadov, predikciu defektov, optimalizáciu regresných testovacích sád a testovanie používateľského rozhrania.

Po absolvovaní kvalifikácie International Software Testing Qualifications Board Certified Tester – AI Testing budú účastníci:

  • rozumieť aktuálnemu stavu umelej inteligencie a očakávaným trendom,
  • získať skúsenosti s implementáciou modelov strojového učenia,
  • zoznámiť sa s výzvami testovania inteligentných systémov,
  • získať skúsenosti s návrhom a implementáciou testovacích prípadov v inteligentných systémoch,
  • rozpoznať špecifické požiadavky na testovanie inteligentných systémov.

Cieľová skupina

Tento program je ideálny pre softvérových testerov, test analytikov a softvérových inžinierov zapojených do systémov založených na umelej inteligencii alebo využívajúcich AI pri testovaní. Je tiež vhodný pre projektových manažérov, manažérov kvality a business analytikov, ktorí chcú získať základné porozumenie technikám a výzvam spojeným s testovaním AI. Ak chcete zabezpečiť vysokú kvalitu AI systémov a zároveň si udržať náskok v rýchlo sa vyvíjajúcej oblasti softvérového testovania, toto školenie je určené práve vám.

Štruktúra kurzu

1. ÚVOD DO AI

1.1 Definícia AI a efekt AI
1.2 Úzka, všeobecná a super AI
1.3 AI systémy vs. konvenčné systémy
1.4 AI technológie
1.5 Vývojové frameworky AI
1.6 Hardvér pre AI systémy
1.7 AI ako služba (AIaaS)

1.7.1 Zmluvy pre AI ako službu
1.7.2 Príklady AIaaS

1.8 Predtrénované modely
1.8.1 Úvod do predtrénovaných modelov
1.8.2 Transfer learning
1.8.3 Riziká používania predtrénovaných modelov a transfer learningu

1.9 Štandardy, regulácie a AI


2. KVALITATÍVNE CHARAKTERISTIKY AI SYSTÉMOV

2.1 Flexibilita a adaptabilita
2.2 Autonómia
2.3 Evolúcia
2.4 Bias (skreslenie)
2.5 Etika
2.6 Vedľajšie efekty a reward hacking
2.7 Transparentnosť, interpretovateľnosť a vysvetliteľnosť
2.8 Bezpečnosť a AI


3. STROJOVÉ UČENIE (ML) – PREHĽAD

3.1 Formy ML

3.1.1 Učenie s učiteľom (supervised learning)
3.1.2 Učenie bez učiteľa (unsupervised learning)
3.1.3 Reinforcement learning (učenie posilňovaním)

3.2 ML workflow
3.3 Výber formy ML
3.4 Faktory výberu ML algoritmov
3.5 Overfitting a underfitting

3.5.1 Overfitting
3.5.2 Underfitting
3.5.3 Praktické cvičenie: demonštrácia overfittingu a underfittingu


4. ML – DÁTA

4.1 Príprava dát v ML workflow

4.1.1 Výzvy pri príprave dát
4.1.2 Praktické cvičenie: príprava dát pre ML

4.2 Tréningové, validačné a testovacie datasety

4.2.1 Praktické cvičenie: identifikácia dát a vytvorenie ML modelu

4.3 Problémy kvality datasetov
4.4 Kvalita dát a jej vplyv na ML model
4.5 Označovanie dát pre supervised learning

4.5.1 Prístupy k označovaniu dát
4.5.2 Nesprávne označené dáta v datasetocha


5. ML – METRIKY FUNKČNÉHO VÝKONU

5.1 Matica zámien (Confusion Matrix)
5.2 Ďalšie ML metriky pre klasifikáciu, regresiu a zhlukovanie
5.3 Obmedzenia metrik funkčného výkonu ML
5.4 Výber ML výkonnostných metrík

5.4.1 Praktické cvičenie: vyhodnotenie vytvoreného ML modelu

5.5 Benchmarkové datasety pre ML


6. ML – NEURÓNOVÉ SIETE A TESTOVANIE

6.1 Neurónové siete

6.1.1 Praktické cvičenie: implementácia jednoduchého perceptrónu

6.2 Metriky pokrytia neurónových sietí


7. TESTOVANIE AI SYSTÉMOV – PREHĽAD

7.1 Špecifikácia AI systémov
7.2 Úrovne testovania AI systémov

7.2.1 Testovanie vstupných dát
7.2.2 Testovanie ML modelu
7.2.3 Testovanie komponentov
7.2.4 Integračné testovanie komponentov
7.2.5 Systémové testovanie
7.2.6 Akceptačné testovanie

7.3 Testovacie dáta pre AI systémy
7.4 Testovanie automatizačného biasu v AI systémoch
7.5 Dokumentácia AI komponentu
7.6 Testovanie koncept driftu
7.7 Výber testovacieho prístupu pre ML systém


8. TESTOVANIE AI ŠPECIFICKÝCH KVALITATÍVNYCH CHARAKTERISTÍK

8.1 Výzvy testovania samo-učiacich sa systémov
8.2 Testovanie autonómnych AI systémov
8.3 Testovanie algoritmického, vzorkovacieho a nevhodného biasu
8.4 Výzvy testovania pravdepodobnostných a nelineárnych AI systémov
8.5 Výzvy testovania komplexných AI systémov
8.6 Testovanie transparentnosti, interpretovateľnosti a vysvetliteľnosti AI systémov

8.6.1 Praktické cvičenie: vysvetliteľnosť modelu

8.7 Testovacie orákulá pre AI systémy
8.8 Ciele testovania a akceptačné kritériá

Predpokladané znalosti

  • Certifikácia International Software Testing Qualifications Board Certified Tester Foundation Level
  • Schopnosť čítania v angličtine, pretože školiace materiály aj skúška sú v angličtine.
  • Znalosť teoretických základov umelej inteligencie NIE JE podmienkou na absolvovanie školenia.

Potrebujete poradiť alebo upraviť kurz na mieru?

pruduktová podpora