Künstliche Intelligenz verändert die Art, wie Software entwickelt und getestet wird. Wer in diesem Bereich sicher auftreten will, braucht Wissen, das praxisnah und zukunftsorientiert ist. Genau darum geht es hier – modernes Testing im Zusammenspiel mit innovativen KI-Technologien.
Themen im Überblick:
- Grundlagen und Prinzipien von AI Testing.
- Einsatz von Machine Learning im Testumfeld.
- Chancen und Risiken automatisierter Prüfverfahren.
- Methoden zur Bewertung von KI-Systemen.
- Praktische Techniken für effektives Testdesign.
- Qualitätssicherung in komplexen KI-Projekten.
- Verantwortung, Ethik und Transparenz beim Testen.
Am Ende steht ein solides Fundament, um Herausforderungen in KI-getriebenen Projekten kompetent zu meistern und den eigenen beruflichen Weg im Testing nachhaltig zu stärken.
Kursinhalte
Einführung in die KI
- Definition von KI und KI-Effekt
- Enge, allgemeine und Super-KI
- KI-basierte und konventionelle Systeme
- KI-Technologien
- KI-Entwicklungsframeworks
- Hardware für KI-basierte Systeme
- KI als Dienstleistung (AIaaS)
- Vortrainierte Modelle
- Standards, Vorschriften und KI
Qualitätsmerkmale für KI-basierte Systeme
- Flexibilität und Anpassungsfähigkeit
- Autonomie
- Entwicklung
- Voreingenommenheit
- Ethik
- Nebenwirkungen und Belohnungsmanipulation
- Transparenz, Interpretierbarkeit und Erklärbarkeit
- Sicherheit und KI
Maschinelles Lernen (ML) – Überblick
- Formen des maschinellen Lernens
- Workflow des maschinellen Lernens
- Auswahl einer Form des maschinellen Lernens
- Einflussfaktoren bei der Auswahl eines Algorithmus
- Überanpassung und Unteranpassung
ML – Daten
- Datenaufbereitung als Teil des ML-Workflows
- Trainings-, Validierungs- und Testdatensätze im ML-Workflow
- Probleme mit der Datensatzqualität
- Datenqualität und ihre Auswirkungen auf das ML-Modell
- Datenkennzeichnung für überwachtes Lernen
ML- Funktionale Leistungskennzahlen
- Verwechslungsmatrix
- Zusätzliche ML-Funktionsleistungsmetriken für Klassifizierung, Regression und Clustering
- Einschränkungen von ML-Funktionsleistungsmetriken
- Auswahl von ML-Funktionsleistungsmetriken
- Benchmark-Suiten für ML
ML – Neuronale Netze und Tests
- Neuronale Netze
- Abdeckungsmaße für neuronale Netze
Testen von KI-basierten Systemen – Überblick
- Spezifikation von KI-basierten Systemen
- Teststufen für KI-basierte Systeme
- Testdaten für das Testen von KI-basierten Systemen
- Testen auf Automatisierungsverzerrungen in KI-basierten Systemen
- Dokumentation einer KI-Komponente
- Testen auf Konzeptdrift
- Auswahl eines Testansatzes für ein ML-System
Testen von KI-spezifischen Qualitätsmerkmalen
- Herausforderungen beim Testen selbstlernender Systeme
- Testen autonomer KI-basierter Systeme
- Testen auf algorithmische, Stichproben- und unangemessene Verzerrungen
- Herausforderungen beim Testen probabilistischer und nicht deterministischer KI-basierter Systeme
- Herausforderungen beim Testen komplexer KI-basierter Systeme
- Testen der Transparenz, Interpretierbarkeit und Erklärbarkeit KI-basierter Systeme
- Test-Orakel für KI-basierte Systeme
- Testziele und Akzeptanzkriterien
Methoden und Techniken zum Testen von KI-basierten Systemen
- Feindselige Angriffe und Datenvergiftung
- Paarweise Tests
- Back-to-Back-Tests
- A/B-Tests
- Metamorphische Tests (MT)
- Erfahrungsbasierte Tests von KI-basierten Systemen
- Auswahl von Testtechniken für KI-basierte Systeme
Testumgebungen für KI-basierte Systeme
- Testumgebungen für KI-basierte Systeme
- Virtuelle Testumgebungen zum Testen von KI-basierten Systemen
Einsatz von KI für Tests
- KI-Technologien für das Testen
- Verwendung von KI zur Analyse gemeldeter Fehler
- Verwendung von KI zur Generierung von Testfällen
- Verwendung von KI zur Optimierung von Regressionstestsuiten
- Verwendung von KI zur Fehlervorhersage
- Verwendung von KI zum Testen von Benutzeroberflächen
