Gérer un projet en mobilisant les méthodes agiles - ISTQB CT-AI

Objectifs

• Comprendre les fondamentaux de l'IA, du Machine Learning et du Deep Learning.
  
  • Identifier les risques, biais et limites des systèmes intelligents.
  
  • Concevoir des stratégies de tests adaptées aux modèles IA (données, performance, robustesse, équité, explicabilité).
  
  • Appliquer le syllabus officiel ISTQB AI Testing et maîtriser les techniques de l'examen.
  
  • Mettre en place un cadre de validation pour les solutions IA dans divers environnements.
  
  • Utiliser les outils essentiels de test IA (génération de données, monitoring, jeux de tests).
  
  • Collaborer efficacement avec les équipes Data, IA et QA en contexte agile.

Description

Module 1 : Fondamentaux de l'IA et enjeux du test

• Types d'IA : spécialisée, générale, avancée

• Services IA dans le cloud (AI as a Service)

• Normes, réglementations et éthique

• Critères qualité : robustesse, adaptabilité, autonomie

• Gestion des biais, sécurité et gouvernance des données

• Explicabilité et transparence (XAI)

• Cycle de vie d'un modèle IA et introduction au Machine Learning

• Choix des algorithmes et dérive des modèles

Module 2 : Données, qualité et évaluation des modèles ML

• Constitution des jeux de données : entraînement, validation, test

• Problématiques courantes : déséquilibre, bruit, erreurs d'annotation

• Stratégies de labellisation et nettoyage des données

• Impact des données sur la performance des modèles

• Métriques d'évaluation : précision, rappel, F1-Score, courbe ROC

• Analyse de la matrice de confusion

• Élaboration d'un plan de tests axé performance et stabilité

Module 3 : Réseaux neuronaux & tests spécifiques

• Principes des réseaux neuronaux et architectures courante

• Fonctionnement d'un perceptron – démonstration

• Spécificités du test des réseaux neuronaux

• Notions de couverture pour les tests IA et limites actuelles

Module 4 : Test des systèmes basés sur l'IA

• Types de spécifications et niveaux de test dans l'IA • Création et gestion des données de test

• Détection et évaluation des biais d'automatisation

• Validation des caractéristiques IA : robustesse, résilience, équité, explicabilité

• Défis des systèmes autonomes et adaptatifs

• Test des systèmes complexes : NLP, vision, modèles multimodaux

Module 5 : Méthodes avancées de test IA

• Tests adversariaux : attaques, perturbations, empoisonnement de données

• Tests métamorphiques

• Tests A/B, tests dos-à-dos, tests par paires

• Sélection de la technique adaptée au contexte

• Construction d'un référentiel de tests IA comple

 Module 6 : Environnements et outils pour le test IA

• Configuration d'un environnement de test IA fiable

• Outils de simulation et environnements virtuels dédiés

• Intégration IA dans un pipeline MLOps pour la validation continue

• Monitoring des performances et suivi post-déploiement

Module 7 : Utilisation de l'IA pour améliorer les tests

• Génération automatique de cas de test

• Analyse intelligente des défauts

• Prédiction d'anomalies et maintien de la qualité du modèle

• IA appliquée aux tests UI/UX et aux tests automatisés modernes

Module 8 : Préparation à la certification ISTQB AI Testing

• Analyse du syllabus officiel ISTQB CT-AI

• Entraînement : QCM, quiz, études de cas, simulations

• Coaching individuel pour maximiser la réussite

• Passage de l'examen inclus – 40 questions, score de 65% minimum requis

Conditions d'accès

* Certification ISTQB Foundation (CTFL)
* Maitrise du francais

Rythme

Cours le week-end