1761645910
2025-10-28 10:02:00
しかし、座って考えてみると。そう簡単に諦めてはいけない気がします。もう一度試してみましょう。できますよ。
今回は学習方法をガラリと変えてみました。ただ読んで暗記するだけではなく、各章を本当に理解し、要約を書き、さまざまなレベルの質問に答え、AI に答えのある試験のシミュレーションを手伝ってもらいます。問題の分析を理解するまで そしてついに試験に合格しました。タイでも３人目（！！）
まずは試験の構造を理解してください。正しい方法で準備が整います。
内容の要約を始める前に まず理解する必要があるのは、試験の構造です。非常に重要なため、ISTQB CT-AI 試験は難易度に応じて 4 つのレベルに分かれています。
- K1 (覚えてます) 試験では定義を尋ねられます。または正しい答えを選択してください。
- K2 (わかった) 違いを説明、比較、または伝える必要があります。
- K3（適用） 知識は実際の状況に適用されなければなりません。
- K4 (分析) 状況を分析し、適切なアプローチを選択する必要があります。
全40問の試験を章別、難易度別に配布。
注意すべき点
- ほとんどの試験 (29 問) は K2 レベルです。理解して説明できなければなりません ただ思い出すだけではなく
- 第 9 章 (試験方法とテクニック) には最大 6 つの試験問題があるため、十分な準備をする必要があります。
- レベル K3 と K4 は数は少ないですが、難しいです。シミュレーション問題を解く練習をしなければなりません。
この記事では全11章の内容を読みやすく、すぐに理解でき、飽きずにまとめていきます。試験の準備をしている人やAI試験に興味がある人の参考になれば幸いです。
始めましょう…
第 1 章: AI 入門 AI が同じ意味を持たなくなったとき
ディープ・ブルーがチェスの世界チャンピオンを破ったときのことを覚えていますか?当時は誰もがAIだと言いましたが、今では誰もそう思っていません。これは AI効果 時代とともにAIの意味が変わる現象。
この章ではAIを3つのレベルに分けます。
- 狭いAI Siri などの特定のタスクを実行する
- 一般的なAI 人間と同じくらい賢いが、まだ本物ではない
- スーパーAI 将来は人間よりも賢くなる
テスターにとって重要な点は、AI は私たちが作成した if-thenelse ステートメントに従うのではなく、トレーニングされたデータから学習するということです。時々、私たちはその答えを得るためにどのように考えるべきかわからないことがあります。ここでテストが困難になります。
TensorFlow、PyTorch などのテクノロジーやツール、時間を節約する事前トレーニングされたモデルの使用についても紹介します。しかし、それに伴うリスクには注意する必要があります。
第 2 章: 品質特性 AI は正確であるだけでは不十分だからです。
AIが正しい答えを教えてくれるだけだと思っていれば、それで十分です。言っておきますが、あなたは間違っています。この章では、AI の品質にはさまざまな側面があるという見解を明らかにします。
- 柔軟性と適応性 予期せぬ状況でも機能し、環境の変化に適応する柔軟性 これは、天候条件の変化に対処しなければならない自動運転車のようなものです。
- 自律性 独立した仕事 しかし、必要に応じてコントロールを人々に戻す方法を知っておく必要があります。
- 進化 自分自身を学び、成長させていきますが、それには限界があるはずです。
- バイアス 敵には主に 3 つのタイプがあります。 アルゴリズムのバイアス 設定が間違っています サンプルのバイアス 情報は包括的ではなく、 不適切な偏見 差別する
- 倫理 AIは人権を尊重しなければならないという倫理
- 透明性と説明可能性 ブラックボックスの答えをただ受け入れるのではなく、AI がどのように考えるかを理解するのに役立ちます。特に安全（Safety）に関わるシステムでは特に注意が必要です。
第 3 章: 機械学習の概要 AI が学習する 3 つの方法
テスターが知っておく必要がある ML には 3 つのタイプがあります。
- 教師あり学習 すでにラベルが付けられているデータから学習し、次のように分割します。 分類 たとえば、これは犬ですか、それとも猫ですか? などを分類します。 回帰 明日の株価などの数字を予測します。
- 教師なし学習 ラベルのないデータから、パターンを自分で見つけて学習します。 クラスタリング 行動に応じて顧客をグループ化し、 協会 たとえば、パンを買う人は牛乳も買うことが多いなど、関係性を見つけてください。
- 強化学習 試行錯誤から学びましょう。正しく行うと報酬が得られます。悪いことをすると罰せられます。それはロボットに歩き方を教えるようなものです。
重要な点は、 過学習 モデルは、新しいデータを予測できなくなるまで、トレーニングされたデータを記憶します。 アンダーフィッティング モデルが単純すぎてパターンを捉えることができません。どちらも AI のパフォーマンスを低下させます。この章では、データの準備、モデルのトレーニング、カスタマイズ、デプロイメントに至る ML ワークフローについても紹介します。
第 4 章: ML データ: データは良いものですか?モデルは良いですか？
この章では次のことを強調します。 ガベージイン、ガベージアウト データが悪ければ、モデルも悪くなります。
- データの準備 これは ML ワークフローの 43% を占め、多くの手順を実行する必要があります。どちらもデータを収集し、誤った情報を除外します。使用できる形式に変換し、データを追加 (拡張) し、モデルを教えるためのトレーニング データ、モデルをカスタマイズするための検証データ、独立したテストのためのテスト データの 3 つのセットに分割します。
- データの問題はたくさんあります。 間違った情報、不完全、間違ったラベル、数量不足、古い情報。無関係またはバイアスはすべてモデルに影響します。たとえば、プールの隣に一軒の家が存在したことがないというデータを使用して住宅価格予測システムをトレーニングするとします。このシステムでは、このような住宅価格を正確に予測することはできません。
- ラベル表示情報 教師あり学習には、多くのオプションがあります。社内チームが自分たちで行うか、外部委託会社を雇うか、クラウドソーシングを利用するか、AI にラベル付けを手伝ってもらうかのいずれかですが、どの方法にも誤って添付されるリスクがあります。人的ミスによる専門知識の欠如、あるいは意図的な破壊であっても
第 5 章: ML の機能パフォーマンス指標: AI の能力を測定するには?
ML モデルの測定は、単に正解率を評価するだけではありません。この章では、以下のようなさまざまな測定ツールについて説明します。 混同マトリックス これは、真陽性、真陰性、偽陽性、および偽陰性を示しており、これらはいくつかの指標によって計算できます。
- 正確さ 全体で何パーセントの予測が正しかったでしょうか?
- 精度 予測された「はい」のうち、何パーセントが真実ですか?
- 想起 そのうち、本当に「はい」と答えられるのは何パーセントでしょうか?
- F1 スコア 精度と再現率のバランスの取れた値
回帰用 MSE (平均二乗誤差) および R二乗 クラスタリング用 シルエット係数
重要な点は、ジョブに適切なメトリックを選択することです。たとえば、がんのスクリーニングには高い再現率 (実際の患者を見逃さない) が必要ですが、スパム フィルターには高い精度 (実際の電子メールをスパムに入れない) が必要です。この章でもお勧めします ML ベンチマーク スイーツ 標準性能比較用
第6章: ニューラルネットワーク、人間を模倣する機械
この章では、深層学習の中心であるニューラル ネットワークについて詳しく説明します。 パーセプトロン これは最も基本的なユニットで、複数の入力を受け取り、重みとバイアスを乗算して、アクティベーション関数を通じて送信します。
多くのパーセプトロンが層にまとめられると、複雑なニューラル ネットワークが得られます。多くの隠れ層がある場合、それはディープ ニューラル ネットワークと呼ばれます。
テスターにとって重要なことは、 補償措置 ニューラル ネットワークのテストの程度を測定する方法はいくつかあります。たとえば、ニューロン カバレッジ: ニューロンの何パーセントをオンにすることができますか?しかし、古いコードカバレッジのような明確な基準はまだありません。この章は短いですが簡潔です。テスターが知っておくべき基本を理解することに重点を置きます。
第 7 章: AI ベースのシステムのテストの概要 AI テストの課題
AI テストは通常のソフトウェアとどう違うのですか?この章は、この質問に答えるのに役立ちます。
- 仕様 AI は不明確なことが多く、たとえば「住宅価格をできるだけ正確に予測する」とだけ書かれており、それがどの程度正確であるかについては言及されていません。
- Oracle の問題のテスト 大きな問題は、AI は決まった答えがないものを予測するため、何が「正しい」答えなのかがわからないことです。
- テストレベル AI には、入力データのテスト、インポートされたデータのテスト、ML モデルのテスト、モデルのテスト、コンポーネント テスト、統合テスト、システム テスト、および受け入れテストといういくつかのレベルがあります。
- 自動化バイアス 人々がAIを信頼しすぎて調査しないのは危険です。
- コンセプトドリフト は世界が変化したという問題ですが、それに応じてモデルは変わっていません。これにより、予測は不正確になり続けます。モニタリングと再トレーニングは定期的に行う必要があります。
この章では次の点にも焦点を当てます ドキュメント 通常よりも詳細に説明する必要がある AI コンポーネントの説明。テスターがシステムを理解し、効率的にテストできるように、使用するアルゴリズム、制限事項、テスト方法のトレーニングに使用される情報を伝える必要があります。
第 8 章: AI 固有の品質特性のテスト さまざまな課題
この章では、従来のソフトウェアとは異なる AI テストの難しさを掘り下げます。
- 自己学習システム 自分自身を常に変え続けるということは、過去に合格したテストが明日には合格できない可能性があることを意味します。 「より良い」とは何を意味するのかを定義するのは複雑です。
- 自律システム 制御を人間に戻す方法 (たとえば、自動運転車が緊急事態に遭遇した場合) と、人間の介入なしでどれくらいの時間自律的に動作できるかを認識している場合は、テストする必要があります。
- バイアステスト 隠れたバイアスを見つけるには、バイアスのないテスト スイートを使用するか、国勢調査データと比較します。
- 確率的システムと非決定的システム 結果として、期待される結果を正確に判断することはできません。代わりに統計的テストを使用する必要があります。
- 説明可能性テスト アルゴリズムとデータへのアクセスがどれほど簡単かを確認し、システムがどのように機能するかをユーザーに理解しているかどうかを尋ねます。
- Oracle の問題のテスト 大きな問題は、何が正しい答えなのかがわからないことです。バックツーバック、A/B、メタモーフィック テストなどの特別なテクニックが必要
この章は次の定義で終わります。 合格基準 柔軟性、自律性、偏りから安全性まで、それぞれの品質特性に適切な測定基準が必要です。
第9章：AIテスターの新たな武器となるテスト方法とテクニック
この章では、従来のソフトウェアでは見られなかった AI をテストするための特別なテクニックを紹介します。
- 敵対的テスト システムが敵対的サンプル (目に見えなくなるほどわずかに変更された入力) またはデータ ポイズニング (トレーニングに間違ったデータを注入する) で攻撃されているかどうかをテストすることは、侵害される可能性のあるシステムにとって重要な手法です。
- ペアごとのテスト パラメータが多いシステムに適しており、テスト ケースの数が数千から数十に減ります。
- 連続テスト 別のシステムを擬似オラクルとして使用して結果を比較する
- A/B テスト 統計情報を使用して 2 つのバージョンを比較し、自己学習システムの回帰テストに適しています。
- 変成試験 過去のテストから新しいテストケースを作成する興味深い手法です。数値の順序や sin(x) = sin(π-x) を気にせずに平均を求めるなど、関数の特性に依存することで、期待される結果を毎回再計算する必要がなくなります。
- 経験に基づくテスト また、AI、特にデータのバイアスや問題を調べるのに役立つ探索的データ分析 (EDA) と併用することもできます。この章は、それぞれの状況に適したテクニックを選択するためのガイドラインで終わります。
第 10 章: テスト環境 AI のための特別な環境。
この章は短いですが要点を押さえています。 AI テストには独自のテスト環境が必要です。
- 自己学習システム 変化しやすく不確実なテスト環境が必要です。予期せぬ状況をシミュレートする
- 自律システム 他のシステムからの応答が変化する環境、または複数のシステムが連携する環境が必要です。
- 仮想テスト環境 車の壁への衝突や原子力災害など、人間を危険にさらすことなく危険な状況をテストできるため、AI にとって非常に役立ちます。現実世界ではまれな、または不可能な境界状況を作成します。システムの制御と監視の改善 時間とコストの節約を含みます。
プラットフォームの例: AI Habitat (仮想ロボットのトレーニング)、DRIVE Constellation (自動運転車)、MATLAB/Simulink (AI システム シミュレーション)。この章では、テスト環境では GPU、TPU などの AI 用のハードウェアも必要になる可能性があることを警告します。
第 11 章: AI をテストに使用する AI が自分自身のテストに役立つ場合。
最終章では視点が変わります。 AI を自分たちでテストするのではなく、AI を使用してテストを支援します。
- AIによる欠陥解析 ML は、類似した欠陥をグループ化するのに役立ちます。冗長性を見つけて、システムの故障を早める原因となる重大なバグを特定します。
- テスト生成のための AI 過去のデータから学習してテストケースを自動作成します。テストスイートの作成時間を短縮する
- 回帰最適化のための AI 最初に実行する最も重要なテスト ケースを選択します。毎回テストスイート全体を実行する必要はありません。
- AIによる欠陥予測 どのコードにバグがある可能性が高いかを予測して、テスターがその部分のテストに集中できるようにします。
- GUI テストのための AI Computer Vision を使用して画面上の要素を認識し、テストを自動化します。または、複数のデバイスで UI が正しく表示されることを確認します。
この章では、AI があらゆるテスト業務に適しているわけではないことを警告します。一部のテストは依然として人間の意思決定と創造性に依存しています。特にテストを計画したり重要な決定を下したりする場合、AI は単なるツールにすぎません。私は人の代わりをしません。
#ISTQB #テスト試験を #回受験して合格してください