Certification ISTQB® Testeur Certifié Extension niveau Fondation-Test d’Intelligence Artificielle (IA) (CT-AI)

 Publics visés

Testeurs et ingénieurs QA

Chefs de projet impliqués sur des projets IA

Développeurs et data scientists souhaitant renforcer leurs connaissances en validation IA

Consultants et auditeurs qualité

Responsables qualité, managers innovation

 Objectifs pédagogiques (acquisition de connaissances)

• Résumer les principes fondamentaux de l’intelligence artificielle (IA)
• Cartographier les différentes caractéristiques qualité des systèmes IA
• Décrire les concepts clés et les approches du Machine Learning (ML)
• Identifier les types de données utilisés en ML et décrire leur importance
• Expliquer le fonctionnement des réseaux neuronaux et les stratégies de test adaptées
• Expliquer les enjeux et principes du test des systèmes IA

Objectifs opérationnels (mise en œuvre pratique)

• Évaluer la performance fonctionnelle des modèles avec des métriques adaptées
• Tester les caractéristiques « qualité » spécifiques aux systèmes IA
• Appliquer les méthodes et techniques adaptées au test des systèmes IA
• Cartographier les environnements de test pour les systèmes IA
• Construire une stratégie de test éthique et explicable adaptée aux projets IA

JOUR 1

Accueil et tour de table

Introduction à l’IA

• Définitions IA et effet IA
• IA étroite, générale, super IA
• Différences IA vs systèmes classiques
• Technologies, frameworks, matériels IA
• IA as a Service (AIaaS), contrats, exemples
• Modèles pré-entraînés, transfert d’apprentissage, risques associés
• Normes, réglementations et IA
• Travaux pratiques (1h) : identification de cas d’usage IA réels
• Validation : QCM, échanges

Caractéristiques qualité des systèmes IA

• Flexibilité, adaptabilité, autonomie, évolution
• Biais, éthique, hacking de récompense
• Transparence, explicabilité, sécurité IA

 Vue d’ensemble du ML

• Supervised, unsupervised, reinforcement learning
• Workflow ML, sélection d’algorithmes, overfitting / underfitting
• Travaux pratiques: démonstration de surapprentissage / sous-apprentissage
• Validation : QCM, discussion collective

 JOUR 2 

Données pour le ML

• Préparation des données, jeux d’entraînement, validation, test
• Qualité des données, étiquetage, impact sur modèles
• Méthodes d’étiquetage, gestion des données erronées
• Travaux pratiques : préparation de jeux de données ML
• Validation : QCM, mini-projet collectif

Métriques de performance fonctionnelle en ML

• Matrice de confusion, métriques classification, régression, clustering
• Limites et choix des indicateurs

Réseaux neuronaux et tests

• Architectures réseaux, perceptrons simples
• Mesures de couverture, techniques spécifiques
• Travaux pratiques : implémentation simple, analyse de résultats
• Validation : QCM, atelier pratique

 JOUR 3

Test des systèmes IA

• Spécifications, niveaux de test : données, modèle, composants, intégration, système, acceptation
• Données de test, biais d’automatisation, dérive conceptuelle
• Documentation, choix d’approches
• Travaux pratiques : élaboration d’un plan de test multi-niveaux
• Validation : QCM, revue des approches

Test des caractéristiques qualité spécifiques

• Défis des systèmes auto-apprenants, autonomes
• Tests des biais, probabilisme, non-déterminisme
• Transparence, explicabilité, oracles, critères d’acceptation
• Travaux pratiques : usage d’un outil explicabilité (LIME, SHAP)
• Validation : QCM, atelier collectif

JOUR 4

Méthodes et techniques de test IA

• Attaques adversariales, empoisonnement données
• Pairwise, back-to-back, A/B testing, métamorphic testing
• Tests exploratoires, analyse exploratoire
• Travaux pratiques : métamorphic testing, évaluation de risques
• Validation : QCM, mini-cas pratique

Environnements de test IA

• Environnements physiques et virtuels

Ateliers pratiques

• Exercices ciblés K4 certification
• Résolution de cas complexes, échanges interactifs

JOUR 5

Préparation intensive à l’examen

• Révisions, questions complexes, pièges à éviter
• QCM blanc (40 questions)
• Validation : correction collective, plan d’action individuel
• Atelier complémentaire : approfondissement, remise à niveau ciblée
• Passage de la certification ISTQB® CT-AI

Compétences requises

• Posséder la Certification ISTQB Niveau Fondation est obligatoire

Compétences recommandées

• Connaissances de base en intelligence artificielle et apprentissage machine
• Première expérience sur des projets techniques ou métiers liés à l’IA

 Cette formation vous prépare et intègre le passage à l’examen suivant :

Titre de de la certification : ISTQB® Certified Tester – AI Testing Specialist (CT-AI)

• Version : Syllabus v1.0
• Année : 2021
• Syllabus de référence : ISTQB® Certified Tester AI Testing Syllabus v1.0 (CFTL)
• Organisme certificateur : GASQ (France – partenaire officiel)
• Durée de l’examen : 90 minutes (112,5 minutes avec +25 % si adaptation handicap ou non-natif)
• Format : QCM – 40 questions
• Langue : Français
• Modalité : à distance (système d’examen sécurisé) ou en présentiel (surveillant officiel)
• Condition d’obtention : 65 % de bonnes réponses
• Résultat : immédiat ou sous 48 h selon

La formation repose sur une alternance rigoureuse entre apports théoriques (60 %) et travaux pratiques (40 %), avec une forte dimension de préparation à l’examen de certification ISTQB® Certified Tester – AI Testing (CT-AI), Syllabus v1.0.

 Un temps d’investissement personnel est attendu :

• Avant la formation : 3 à 4 heures de lecture des documents officiels et réalisation de QCM d'entraînement
• Pendant la formation : prévoir idéalement 1 à 2 heures de révision personnelle chaque jour