1

Introduction à l'IA

• Types d'IA : IA étroite, générale et super IA.
• L'IA en tant que service (AIaaS).
• Normes et réglementations.

2

Caractéristiques de qualité des systèmes IA

• Flexibilité, adaptabilité et autonomie.
• Biais, éthique et sécurité dans l'IA.
• Transparence, interprétabilité et explicabilité.

3

Vue d'ensemble du Machine Learning (ML)

• Workflow ML et sélection des algorithmes.
• Surajustement, sous-ajustement.

4

ML – Data

• Ensembles de données d'entraînement, de validation et de test.
• Problèmes de qualité des données et effets sur les modèles ML.
• Étiquetage des données et approches.

5

Mesure des performances fonctionnelles du ML

• Matrice de confusion et de performance en ML.
• Limites et suites de tests pour les modèles de ML.

6

ML - Réseaux neuronaux et tests

• Introduction aux réseaux neuronaux.
• Mise en œuvre d'un perceptron simple.
• Mesures de couverture pour les réseaux neuronaux.

7

Test des systèmes basés sur l'IA - Vue d'ensemble

• Niveaux de spécification et de test.
• Données de test et approches.
• Test des biais d'automatisation.

8

Tester les caractéristiques de qualité IA

• Défis liés aux tests des systèmes autonomes.
• Aborder les biais algorithmiques et la complexité.
• Tester des systèmes d'IA complexes.

9

Méthodes et techniques de test des systèmes IA

• Attaques adverses et empoisonnement des données.
• Tests par paire, dos à dos, A/B et métamorphiques.
• Sélection de techniques de test.

10

Environnements de test pour les systèmes IA

• Configuration et considérations pour les environnements de test.
• Environnements de test virtuels pour les tests d'IA.

11

Utilisation de l'IA pour les tests

• Technologies de l'IA pour les tests.
• L'IA dans l'analyse des défauts, la génération de cas de test.
• L'IA dans la prédiction des défauts et les tests IHM.

12

Examen de certification

• Questionnaire à choix multiples, 40 questions.
• 1 heure, 65% de réponses correctes requis.