Formation Certification ISTQB : Devenez Testeur en Intelligence Artificielle (IA) certifié

01.Introduction aux systèmes basés sur l'IA

• —Définition et composantes des systèmes basés sur l'IA (SIA)
• —Cadre d'application des SIA : Machine Learning, Deep Learning, NLP, Vision par ordinateur
• —Risques spécifiques liés aux SIA et enjeux de la qualité logicielle
• —Cycle de vie typique des SIA et points d'intégration des tests
• —Rôle du testeur dans le contexte de l'IA (IAQ)

02.Principes fondamentaux du test des SIA

• —Objectifs et défis du test des SIA
• —Différences clés entre le test traditionnel et le test d'IA
• —Spécificités des tests fonctionnels et non fonctionnels pour l'IA
• —Importance des données d'entraînement et de test
• —Concepts de biais, d'équité et d'explicabilité en IA

03.Données de test et leur gestion

• —Collecte, pré-traitement et sélection des données (training, validation, test)
• —Augmentation, synthèse et déséquilibrage des données
• —Bonnes pratiques pour l'anonymisation et la sécurité des données
• —Impact de la qualité des données sur la performance du modèle
• —Stratégies de gestion des jeux de données et traçabilité

04.Environnements et outils de test IA

• —Présentation des environnements de développement IA (TensorFlow, PyTorch)
• —Outils spécifiques pour la gestion des données (MLFlow, DVC)
• —Plateformes de cloud computing pour l'IA et leurs implications pour le test
• —Intégration des tests dans les pipelines CI/CD pour l'IA
• —Monitoring et observabilité des modèles en production

05.Techniques de test des modèles ML/DL

• —Test des composants du modèle (neuronnes, couches, hyperparamètres)
• —Techniques de test basées sur le modèle (fuzzing, adversarial examples)
• —Test des performances : précision, rappel, F1-score, AUC
• —Robustesse et sensibilité des modèles aux perturbations
• —Métriques spécifiques aux différents types de modèles (classification, régression)

06.Test de sécurité et de robustesse des SIA

• —Attaques spécifiques aux SIA (empoisonnement, évasion, inversion de modèle)
• —Techniques de test pour détecter les vulnérabilités de sécurité
• —Test de robustesse aux données adversaires
• —Principes de résilience et de fiabilité des systèmes IA
• —Stratégies d'atténuation des risques de sécurité

07.Test d'équité et de débiaisage des SIA

• —Définition et types de biais dans les systèmes IA
• —Identification et mesure des biais (représentatif, algorithmique)
• —Techniques de test pour évaluer l'équité et la discrimination
• —Stratégies de débiaisage des données et des modèles
• —Cadres éthiques et réglementaires liés à l'équité en IA

08.Test de l'explicabilité et de l'interprétabilité

• —Concepts d'XAI (Explainable AI) et leur importance
• —Techniques pour rendre les modèles IA plus explicables (LIME, SHAP)
• —Test de la fidélité et de la cohérence des explications
• —Rôle du testeur dans la validation des capacités d'explicabilité
• —Application de l'explicabilité dans des cas réels

09.Test du comportement des SIA et validation

10.Test de résilience et de performance des SIA

• —Test de charge et de stress pour les systèmes IA
• —Mesure de la latence, du débit et de l'utilisation des ressources
• —Test de la scalabilité et de la performance en production
• —Tolérance aux pannes et récupération en cas d'erreur
• —Monitoring continu des performances et alertes

11.Processus de test d'IA et documentation

• —Planification et stratégie de test adaptées à l'IA
• —Gestion des exigences de test et des user stories pour les SIA
• —Rapports de test et métriques spécifiques aux projets IA
• —Bonnes pratiques de documentation pour les tests IA
• —Évaluation de la maturité des processus de test IA

12.Préparation à la certification ISTQB AIQ

• —Révision des concepts clés de la certification
• —Questions types et exercices pratiques
• —Stratégies pour aborder l'examen
• —Gestion du temps et des réponses
• —Derniers conseils pour le succès à l'examen