La formation ISTQB AI Testing permet aux professionnels du test logiciel de comprendre les spécificités des systèmes basés sur l’Intelligence Artificielle et le Machine Learning. Elle vise à acquérir les compétences fondamentales pour identifier les risques liés à l’IA, appliquer des méthodes de test adaptées et utiliser l’IA comme levier pour améliorer l’efficacité des tests logiciels.
Cette formation s’adresse aux testeurs disposant de connaissances de base en test logiciel et titulaires de la certification ISTQB Foundation.

Programme de la formation

1. Introduction à l’Intelligence Artificielle
• Définitions et catégories de l’IA (IA faible, forte, super IA)
• Différences entre systèmes traditionnels et systèmes basés sur l’IA
• Technologies et frameworks IA (TensorFlow, PyTorch, etc.)
• AI as a Service (AIaaS), modèles pré-entraînés
• Normes et réglementations liées à l’IA

2. Caractéristiques de qualité des systèmes IA
• Flexibilité, autonomie, adaptabilité et évolutivité
• Biais, éthique et sécurité
• Transparence, explicabilité et interprétabilité
• Risques spécifiques liés aux systèmes IA

3. Vue d’ensemble du Machine Learning
• Types de Machine Learning : supervisé, non supervisé, par renforcement
• Workflow ML : données → modèle → validation
• Problèmes courants : sur-ajustement et sous-ajustement

4. Données et Intelligence Artificielle
• Préparation et qualité des données
• Jeux de données (entraînement, validation, test)
• Biais et risques liés aux données
• Étiquetage et gouvernance des données

5. Métriques de performance du Machine Learning
• Matrice de confusion
• Métriques pour la classification, la régression et le clustering
• Limites des métriques et choix des indicateurs adaptés

6. Réseaux neuronaux et tests

• Notions de perceptron et de deep learning
• Spécificités des réseaux neuronaux
• Mesures de couverture adaptées aux réseaux neuronaux

7. Test des systèmes IA – Vue d’ensemble
• Niveaux de test pour les systèmes IA : données, modèle, composant, système, acceptation
• Documentation et traçabilité
• Problèmes de dérive de concept

8. Test des caractéristiques de qualité spécifiques
• Tests des systèmes auto-apprenants, probabilistes et non déterministes
• Tests de robustesse et de biais
• Tests de transparence, d’explicabilité et d’interprétabilité
• Oracles de test pour les systèmes IA

9. Méthodes et techniques de test de l’IA
• Tests adverses (attaques adversariales)
• Empoisonnement des données
• Tests par paires, tests dos-à-dos et A/B testing
• Tests métamorphiques
• Tests exploratoires appliqués aux systèmes IA

10. Environnements de test pour l’IA
• Besoins spécifiques des environnements de test IA
• Simulations
• Données synthétiques
• Environnements virtuels

11. Utilisation de l’IA pour améliorer les tests logiciels
• Génération automatique de cas de test
• Priorisation et réduction des suites de tests
• Prédiction des défauts
• Analyse intelligente des rapports de bugs
• Automatisation des tests UI avec l’IA