Certified Tester - AI Testing. Szkolenie wraz z egzaminem certyfikującym online.
Możliwość dofinansowania
Certified Tester - AI Testing. Szkolenie wraz z egzaminem certyfikującym online.
Numer usługi 2025/04/15/163664/2691819
3 370,00 PLN
brutto
3 370,00 PLNnetto
134,80 PLNbrutto/h
134,80 PLNnetto/h
Informacje podstawowe
Informacje podstawowe
- KategoriaInformatyka i telekomunikacja / Administracja IT i systemy komputerowe
- Sposób dofinansowaniawsparcie dla pracodawców i ich pracowników
- Grupa docelowa usługi
Szkolenie skierowane do osób zaangażowanych w testowanie i projektowanie testów systemów opierających się na AI – testerów, analityków, inżynierów testów oraz kierowników.
Do uzyskania certyfikatu "ISTQB® Certified Tester - AI Testing" niezbędne jest posiadanie certyfikatu ISTQB® na poziomie podstawowym.
- Minimalna liczba uczestników1
- Maksymalna liczba uczestników12
- Data zakończenia rekrutacji09-05-2025
- Forma prowadzenia usługizdalna w czasie rzeczywistym
- Liczba godzin usługi25
- Podstawa uzyskania wpisu do BURStandard Usługi Szkoleniowo-Rozwojowej PIFS SUS 2.0
Cel
Cel
Cel edukacyjny
Celem szkolenia jest przygotowanie specjalistów testowania do efektywnej weryfikacji i walidacji systemów opartych na sztucznej inteligencji poprzez wyposażenie ich w wiedzę teoretyczną oraz praktyczne umiejętności stosowania technik dedykowanych dla testowania rozwiązań AI. Szkolenie rozwija kompetencje niezbędne zarówno do testowania systemów wykorzystujących AI, jak i do zastosowania narzędzi sztucznej inteligencji w procesach testowania oprogramowania.Efekty uczenia się oraz kryteria weryfikacji ich osiągnięcia i Metody walidacji
| Efekty uczenia się | Kryteria weryfikacji | Metoda walidacji |
|---|---|---|
Efekty uczenia się Uczestnik: 1. Definiuje podstawowe pojęcia związane ze sztuczną inteligencją i uczeniem maszynowym. 2. Rozróżnia rodzaje AI (wąską, ogólną i super AI) oraz formy uczenia maszynowego. 3. Identyfikuje cechy jakościowe systemów opartych na sztucznej inteligencji. 4. Opisuje zagadnienia etyczne i bezpieczeństwa związane z AI. 5. Charakteryzuje przepływ pracy ML od wyboru formy uczenia po ewaluację modelu. 6. Klasyfikuje metryki wydajności funkcjonalnej dla różnych typów modeli ML. 7. Wymienia wyzwania związane z testowaniem systemów opartych na AI. 8. Wyjaśnia koncepcje przejrzystości, interpretowalności i wyjaśnialności systemów AI. 9. Charakteryzuje rodzaje ataków na systemy oparte na AI (kontradyktoryjne, zatruwanie danych). 10. Opisuje techniki testowania dedykowane dla systemów AI. 11. Rozpoznaje zastosowania AI w procesach testowania oprogramowania. | Kryteria weryfikacji • Wyjaśnia różnice między AI, ML a systemami konwencjonalnymi• Podaje definicję efektu AI • Wymienia minimum 5 cech jakościowych specyficznych dla AI • Opisuje aspekty elastyczności, adaptacyjności i autonomii systemów AI • Wyjaśnia pojęcia skutków ubocznych i hackowania nagród • Identyfikuje zagrożenia bezpieczeństwa systemów opartych na AI • Opisuje czynniki wpływające na wybór algorytmu ML • Wyjaśnia zjawiska nadmiernego i niedostatecznego dopasowania modeli • Dobiera odpowiednie metryki dla modeli regresji i klastrowania • Identyfikuje ograniczenia metryk wydajności funkcjonalnej ML • Opisuje problemy testowania systemów probabilistycznych i niedeterministycznych • Opisuje metody zapewniania wyjaśnialności modeli ML • Podaje przykłady technik zwiększających interpretację wyników modeli • Definiuje ataki kontradyktoryjne i metody zatruwania danych • Wyjaśnia mechanizmy podatności systemów AI na ataki • Porównuje różne techniki testowe pod kątem ich zastosowania • Opisuje mechanizmy predykcji defektów z użyciem AI • Wyjaśnia sposoby optymalizacji testów regresyjnych z pomocą AI | Metoda walidacji Test teoretyczny |
Efekty uczenia się Uczestnik: 1. Analizuje wymagania dla systemów opartych na sztucznej inteligencji. 2. Przygotowuje dane na potrzeby uczenia maszynowego. 3. Projektuje podział danych na zbiory treningowe, walidacyjne i testowe. 4. Identyfikuje problemy z jakością zbiorów danych. 5. Implementuje proste modele uczenia maszynowego. 6. Ocenia wydajność modeli ML przy użyciu odpowiednich metryk. 7. Wykrywa zjawiska nadmiernego i niedostatecznego dopasowania w modelach ML. 8. Dobiera odpowiednie podejścia testowe dla systemów opartych na AI. 9. Stosuje metody testowania w parach, testowania metamorficznego i A/B. 10. Prowadzi testy eksploracyjne systemów AI. 11. Planuje środowiska testowe dla systemów opartych na AI. 12. Wykorzystuje narzędzia AI do optymalizacji procesów testowych. 13. Buduje systemy przewidywania defektów z wykorzystaniem AI. | Kryteria weryfikacji • Identyfikuje specyficzne wymagania funkcjonalne i niefunkcjonalne dla systemów AI• Ocenia testowalność komponentów opartych na AI • Przekształca surowe dane do formatu odpowiedniego dla modeli ML • Wykrywa anomalie i braki w danych wejściowych • Stosuje odpowiednie proporcje podziału danych • Weryfikuje reprezentatywność każdego ze zbiorów • Analizuje wpływ błędnie oznaczonych danych na działanie modelu • Ocenia kompletność i spójność zbiorów danych • Interpretuje wyniki działania modelu na zbiorze testowym • Porównuje wydajność różnych modeli przy użyciu pakietów porównawczych • Identyfikuje symptomy nadmiernego dopasowania w wynikach modelu • Wybiera odpowiednie techniki testowe dla różnych typów systemów AI • Uzasadnia wybór podejścia testowego w zależności od rodzaju modelu • Projektuje testy A/B uwzględniające specyfikę systemów AI • Projektuje testy wykrywające stronniczość w systemach AI • Dokumentuje wyniki testów eksploracyjnych • Identyfikuje niespodziewane zachowania systemu podczas testów • Stosuje narzędzia AI do analizy defektów • Generuje przypadki testowe z wykorzystaniem AI | Metoda walidacji Test teoretyczny |
Efekty uczenia się Uczestnik: 1. Współpracuje w zespole podczas implementacji i testowania rozwiązań opartych na AI. 2. Komunikuje wyniki testów systemów AI różnym interesariuszom. 3. Argumentuje konieczność stosowania odpowiednich metryk i technik testowych dla systemów AI. 4. Uwzględnia aspekty etyczne przy projektowaniu i testowaniu systemów AI. 5. Wykazuje krytyczne podejście do jakości danych i wyników modeli ML. 6. Przewiduje potencjalne skutki błędów w systemach AI. 7. Inicjuje działania minimalizujące ryzyko stronniczości w systemach AI. 8. Dąży do ciągłego rozwoju wiedzy w dynamicznie zmieniającym się obszarze AI. 9. Promuje świadomość specyficznych wyzwań związanych z testowaniem systemów AI w organizacji. 10. Adaptuje się do nowych technologii i metod testowania systemów AI. | Kryteria weryfikacji • Realizuje zadania zespołowe podczas ćwiczeń praktycznych• Przedstawia rezultaty testów systemów AI w sposób zrozumiały • Uzasadnia dobór metryk i technik w oparciu o cechy systemu • Analizuje potencjalne skutki społeczne działania systemów AI • Ocenia krytycznie wyniki testów systemów AI • Identyfikuje obszary wysokiego ryzyka w testowanych systemach • Rekomenduje zmiany w procesach testowania uwzględniające problemy stronniczości • Formułuje argumenty na rzecz specjalistycznego podejścia do testowania AI • Wykazuje otwartość na nowe narzędzia i metody testowania • Dostosowuje istniejące praktyki testowe do specyfiki systemów AI | Metoda walidacji Test teoretyczny |
Kwalifikacje i kompetencje
Kwalifikacje
Inne kwalifikacje
Uznane kwalifikacje
Pytanie 5. Czy dokument jest certyfikatem, dla którego wypracowano system walidacji i certyfikowania efektów uczenia się na poziomie międzynarodowym?
Tak. Certyfikat "ISTQB® Certified Tester AI Testing"
Informacje
- Podstawa prawna dla Podmiotów / kategorii Podmiotówuprawnione do realizacji procesów walidacji i certyfikowania na mocy innych przepisów prawa
- Nazwa/Kategoria Podmiotu prowadzącego walidacjęGASQ ( Global Association for Software Quality)
- Podmiot prowadzący walidację jest zarejestrowany w BURNie
- Nazwa/Kategoria Podmiotu certyfikującegoISTQB ( International Software Testing Quality Board)
- Podmiot certyfikujący jest zarejestrowany w BURNie
Program
Program
Szkolenie odbywa się w godzinach 9.00-17.00 w formule online w czasie rzeczywistym. Czas trwania - 25,5 godziny zegarowe. Przerwy są wliczone w czas trwania usługi.
Grupa szkoleniowa liczy 7-15 osób.
Szkolenie skierowane do osób zaangażowanych w testowanie i projektowanie testów systemów opierających się na AI – testerów, analityków, inżynierów testów oraz kierowników.
Szkolenie teoretyczne realizowane jest w dniach 12-14.05.2025r. za pośrednictwem platformy Zoom/MsTeams.
Do egzaminu certyfikującego uczestnicy podchodzą po zakończeniu szkolenia w dowolnie wybranym przez siebie terminie, nie później jednak niż do 28.05.2025 r.
Zakres tematyczny
- Wprowadzenie do AI
- Definicja AI i efektu AI
- Wąskie, ogólne i super AI
- Systemy konwencjonalne i oparte na sztucznej inteligencji
- Technologie AI
- Ramy rozwoju AI
- Sprzęt dla systemów opartych na sztucznej inteligencji
- AI jako usługa (AIaaS)
- Umowy dotyczące AI jako usługi
- Przykłady AIaaS
- Wstępnie przeszkolone modele
- Wprowadzenie do wstępnie przeszkolonych modeli
- Transfer uczenia się
- Ryzyko związane z używaniem wstępnie przeszkolonych modeli i transferem uczenia się
- Normy, przepisy i sztuczna inteligencja
- Cechy jakościowe dla systemów opartych na sztucznej inteligencji
- Elastyczność i adaptacyjność
- Autonomia
- Ewolucja
- Odchylenie
- Etyka
- Skutki uboczne i hackowanie nagród
- Przejrzystość, interpretowalność i wyjaśnialność
- Bezpieczeństwo i sztuczna inteligencja
- Uczenie maszynowe (ML) – przegląd
- Formy ML
- Uczenie nadzorowane
- Nauka nienadzorowana
- Nauka wzmacniania
- Przepływ pracy ML
- Wybór formy ML
- Czynniki zaangażowane w wybór algorytmu ML
- Nadmierne i niedostateczne dopasowanie
- Dopasowanie
- Niedopasowanie
- Ćwiczenie praktyczne: zademonstruj przewymiarowanie i niedopasowanie
- Formy ML
- ML - Dane
- Przygotowanie danych jako część przepływu pracy ML
- Wyzwania w przygotowaniu danych
- Ćwiczenie praktyczne: Przygotowanie danych do ML
- Szkolenie, walidacja i testowanie zbiorów danych w przepływie pracy ML
- Ćwiczenie praktyczne: Zidentyfikuj dane treningowe i testowe oraz utwórz model ML
- Problemy z jakością zbioru danych
- Jakość danych i jej wpływ na model ML
- Etykietowanie danych dla nadzorowanego uczenia się
- Podejścia do etykietowania danych
- Błędnie oznaczone dane w zbiorach danych
- Przygotowanie danych jako część przepływu pracy ML
- ML metryki wydajności funkcjonalnej
- Macierz pomyłek
- Dodatkowe metryki wydajności funkcjonalnej ML dla klasyfikacji, regresji i klastrowania
- Ograniczenia metryk wydajności funkcjonalnej ML
- Wybieranie metryk wydajności funkcjonalnej ML
- Ćwiczenie praktyczne: Ocena utworzonego modelu ML
- Pakiety porównawcze dla ML
- ML - Sieci neuronowe i testowanie
- Sieci neuronowe
- Ćwiczenie praktyczne: Implementuj prosty perceptron
- Miary pokrycia dla sieci neuronowych
- Sieci neuronowe
- Omówienie testowania systemów opartych na sztucznej inteligencji
- Specyfikacja systemów opartych na sztucznej inteligencji
- Poziomy testów dla systemów opartych na sztucznej inteligencji
- Testowanie danych wejściowych
- Testowanie modelu ML
- Testowanie komponentów
- Testowanie integracji komponentów
- Testowanie systemu
- Testy akceptacyjne
- Dane testowe do testowania systemów opartych na sztucznej inteligencji
- Testowanie stronniczości automatyzacji w systemach opartych na sztucznej inteligencji
- Dokumentowanie komponentu AI
- Testowanie dryfu koncepcji
- Wybór podejścia testowego dla systemu ML
- Testowanie cech jakości specyficznych dla AI
- Wyzwania testowania systemów samouczących się
- Testowanie autonomicznych systemów opartych na sztucznej inteligencji
- Testowanie pod kątem algorytmicznego, próbkowania i niewłaściwego nastawienia
- Wyzwania testowania probabilistycznych i niedeterministycznych systemów opartych na sztucznej inteligencji
- Wyzwania testowania złożonych systemów opartych na sztucznej inteligencji
- Testowanie przejrzystości, interpretowalności i wyjaśnialności systemów opartych na sztucznej inteligencji
- Ćwiczenie praktyczne: wyjaśnianie modelu
- Testuj Oracle dla systemów opartych na sztucznej inteligencji
- Cele testu i kryteria akceptacji
- Metody i techniki testowania systemów opartych na sztucznej inteligencji
- Ataki kontradyktoryjne i zatruwanie danych
- Ataki kontradyktoryjne
- Zatrucie danymi
- Testowanie w parach
- Ćwiczenie praktyczne: Testowanie w parach
- Testowanie jeden po drugim
- Testy A/B
- Testy metamorficzne (MT)
- Ćwiczenie praktyczne: Testy metamorficzne
- Testowanie oparte na doświadczeniu systemów opartych na sztucznej inteligencji
- Ćwiczenie praktyczne: Testy eksploracyjne i eksploracyjna analiza danych (EDA)
- Wybór technik testowych dla systemów opartych na sztucznej inteligencji
- Ataki kontradyktoryjne i zatruwanie danych
- Środowiska testowe dla systemów opartych na sztucznej inteligencji
- Środowiska testowe dla systemów opartych na sztucznej inteligencji
- Wirtualne środowiska testowe do testowania systemów opartych na sztucznej inteligencji
- Wykorzystanie AI do testowania
- Technologie AI do testowania
- Ćwiczenie praktyczne: wykorzystanie sztucznej inteligencji w testowaniu
- Wykorzystanie sztucznej inteligencji do analizy zgłoszonych defektów
- Wykorzystanie sztucznej inteligencji do generowania przypadków testowych
- Wykorzystanie sztucznej inteligencji do optymalizacji zestawów testów regresji
- Wykorzystanie sztucznej inteligencji do przewidywania defektów
- Ćwiczenie praktyczne: Zbuduj system przewidywania defektów
- Używanie AI do testowania interfejsów użytkownika
- Używanie AI do testowania za pomocą graficznego interfejsu użytkownika (GUI)
- Używanie AI do testowania GUI
- Technologie AI do testowania
- Walidacja- Egzamin ISTQB
Harmonogram
Harmonogram
Liczba przedmiotów/zajęć: 12
| Przedmiot / temat zajęć | Prowadzący | Data realizacji zajęć | Godzina rozpoczęcia | Godzina zakończenia | Liczba godzin |
|---|---|---|---|---|---|
Przedmiot / temat zajęć 1 z 12 Wprowadzenie do AI- wykład | Prowadzący Jarosław Hryszko | Data realizacji zajęć 12-05-2025 | Godzina rozpoczęcia 09:00 | Godzina zakończenia 12:00 | Liczba godzin 03:00 |
Przedmiot / temat zajęć 2 z 12 Cechy jakościowe dla systemów opartych na sztucznej inteligencji- wykład | Prowadzący Jarosław Hryszko | Data realizacji zajęć 12-05-2025 | Godzina rozpoczęcia 12:00 | Godzina zakończenia 15:00 | Liczba godzin 03:00 |
Przedmiot / temat zajęć 3 z 12 Uczenie maszynowe (ML) – przegląd- wykład, dyskusja | Prowadzący Jarosław Hryszko | Data realizacji zajęć 12-05-2025 | Godzina rozpoczęcia 15:00 | Godzina zakończenia 17:00 | Liczba godzin 02:00 |
Przedmiot / temat zajęć 4 z 12 ML - Dane- wykład | Prowadzący Jarosław Hryszko | Data realizacji zajęć 13-05-2025 | Godzina rozpoczęcia 09:00 | Godzina zakończenia 11:00 | Liczba godzin 02:00 |
Przedmiot / temat zajęć 5 z 12 ML metryki wydajności funkcjonalnej- wykład, ćwiczenia | Prowadzący Jarosław Hryszko | Data realizacji zajęć 13-05-2025 | Godzina rozpoczęcia 11:00 | Godzina zakończenia 13:00 | Liczba godzin 02:00 |
Przedmiot / temat zajęć 6 z 12 ML - Sieci neuronowe i testowanie- wykład, prezentacja | Prowadzący Jarosław Hryszko | Data realizacji zajęć 13-05-2025 | Godzina rozpoczęcia 13:00 | Godzina zakończenia 15:00 | Liczba godzin 02:00 |
Przedmiot / temat zajęć 7 z 12 Omówienie testowania systemów opartych na sztucznej inteligencji- wykład, ćwiczenia | Prowadzący Jarosław Hryszko | Data realizacji zajęć 13-05-2025 | Godzina rozpoczęcia 15:00 | Godzina zakończenia 17:00 | Liczba godzin 02:00 |
Przedmiot / temat zajęć 8 z 12 Testowanie cech jakości specyficznych dla AI- wykład, ćwiczenia | Prowadzący Jarosław Hryszko | Data realizacji zajęć 14-05-2025 | Godzina rozpoczęcia 09:00 | Godzina zakończenia 11:00 | Liczba godzin 02:00 |
Przedmiot / temat zajęć 9 z 12 Metody i techniki testowania systemów opartych na sztucznej inteligencji | Prowadzący Jarosław Hryszko | Data realizacji zajęć 14-05-2025 | Godzina rozpoczęcia 11:00 | Godzina zakończenia 13:00 | Liczba godzin 02:00 |
Przedmiot / temat zajęć 10 z 12 Środowiska testowe dla systemów opartych na sztucznej inteligencji- wykład, prezentacja | Prowadzący Jarosław Hryszko | Data realizacji zajęć 14-05-2025 | Godzina rozpoczęcia 13:00 | Godzina zakończenia 14:00 | Liczba godzin 01:00 |
Przedmiot / temat zajęć 11 z 12 Wykorzystanie AI do testowania- prezentacja, ćwiczenia | Prowadzący Jarosław Hryszko | Data realizacji zajęć 14-05-2025 | Godzina rozpoczęcia 14:00 | Godzina zakończenia 17:00 | Liczba godzin 03:00 |
Przedmiot / temat zajęć 12 z 12 Walidacja, egzamin ISTQB | Prowadzący Jarosław Hryszko | Data realizacji zajęć 28-05-2025 | Godzina rozpoczęcia 09:00 | Godzina zakończenia 10:15 | Liczba godzin 01:15 |
Cena
Cena
Cennik
- Rodzaj cenyCena
- Koszt przypadający na 1 uczestnika brutto3 370,00 PLN
- Koszt przypadający na 1 uczestnika netto3 370,00 PLN
- Koszt osobogodziny brutto134,80 PLN
- Koszt osobogodziny netto134,80 PLN
- W tym koszt walidacji brutto770,00 PLN
- W tym koszt walidacji netto770,00 PLN
- W tym koszt certyfikowania brutto0,00 PLN
- W tym koszt certyfikowania netto0,00 PLN
Prowadzący
Prowadzący
Liczba prowadzących: 1
1 z 1
Jarosław Hryszko
Specjalizuje się w stosowaniu tamże najnowszych technologii, w szczególności mechanizmów sztucznej inteligencji. Ma też duże doświadczenie w zarządzaniu, w tym dowodzeniu jednostkami wojskowymi. Studiował też cybernetykę, elektronikę i energetykę jądrową.
Jarek jest autorem i współautorem serii książek, publikacji i prezentacji dotyczących bezpieczeństwa systemów jądrowych i komputerowych, sztucznej inteligencji i zapewniania jakości w informatyce, w tym "Testowanie oprogramowania w praktyce", "Inżynieria wymagań w praktyce", "Inżynieria oprogramowania: Wyzwania i rozwiązania" oraz "Inżynieria oprogramowania: Poprawa praktyki poprzez badania naukowe".
Od 2012 roku prowadzi badania nad sztuczną inteligencją w celu zapewnienia jakości w systemach informatycznych. Jest znanym mówcą konferencyjnym, prezentującym na ponad 20 konferencjach naukowych i zawodowych.
Jarek jest członkiem Grupy Roboczej ds. Internetu Rzeczy przy Ministerstwie Cyfryzacji. Współtworzył również program popularyzacji polskiej energetyki jądrowej.
Posiadane certyfikaty:
ISTQB® Poziom Podstawowy
ISTQB® Poziom Zaawansowany- Kierownik Testów
PMI Project Management Professional
ITIL Foundation
Professional SCRUM Master I
Posiadane akredytacje:
Trener ISTQB® Poziom Podstawowy
Trener ISTQB® Poziom Poziom Zaawansowany- Kierownik Testów
Trener ISTQB® Moduł Specjalistyczny - Tester Oprogramowania Automotive
Trener ISTQB® Moduł Specjalistyczny- Inżynier Automatyzacji Testów
Jarek jest autorem i współautorem serii książek, publikacji i prezentacji dotyczących bezpieczeństwa systemów jądrowych i komputerowych, sztucznej inteligencji i zapewniania jakości w informatyce, w tym "Testowanie oprogramowania w praktyce", "Inżynieria wymagań w praktyce", "Inżynieria oprogramowania: Wyzwania i rozwiązania" oraz "Inżynieria oprogramowania: Poprawa praktyki poprzez badania naukowe".
Od 2012 roku prowadzi badania nad sztuczną inteligencją w celu zapewnienia jakości w systemach informatycznych. Jest znanym mówcą konferencyjnym, prezentującym na ponad 20 konferencjach naukowych i zawodowych.
Jarek jest członkiem Grupy Roboczej ds. Internetu Rzeczy przy Ministerstwie Cyfryzacji. Współtworzył również program popularyzacji polskiej energetyki jądrowej.
Posiadane certyfikaty:
ISTQB® Poziom Podstawowy
ISTQB® Poziom Zaawansowany- Kierownik Testów
PMI Project Management Professional
ITIL Foundation
Professional SCRUM Master I
Posiadane akredytacje:
Trener ISTQB® Poziom Podstawowy
Trener ISTQB® Poziom Poziom Zaawansowany- Kierownik Testów
Trener ISTQB® Moduł Specjalistyczny - Tester Oprogramowania Automotive
Trener ISTQB® Moduł Specjalistyczny- Inżynier Automatyzacji Testów
Informacje dodatkowe
Informacje dodatkowe
Informacje o materiałach dla uczestników usługi
- Prezentacja szkoleniowa
- Przykładowy egzamin ISTQB® Certified Tester - AI Testing - odpowiedzi [EN]
- Przykładowy egzamin ISTQB® Certified Tester - AI Testing - pytania [EN]
- Sylabus ISTQB® Certified Tester - AI Testing
Warunki uczestnictwa
Warunkiem uczestnictwa w kursie jest posiadanie min. 12-miesięcznego doświadczenia w testowaniu.
Aby przystąpić do egzaminu niezbędna jest wcześniejsza certyfikacja na poziomie podstawowym.
Informacje dodatkowe
Warunkiem organizacji szkolenia otwartego jest zebranie grupy min. 7 osób. W przypadku niezebrania minimalnej grupy, termin szkolenia zostanie przełożony.
Warunki techniczne
Warunki techniczne
Szkolenie odbywa się za pośrednictwem platformy MS Teams.
Uczestnicy proszeni są o przygotowanie laptopa/PC ze stabilnym łączem internetowym, przeglądarką internetową oraz edytorem tekstu.
Kontakt
Kontakt
Agnieszka Panek
E-mail
agnieszka.panek@testerzy.pl
Telefon
(+48) 533 315 222