Certified Tester - AI Testing. Szkolenie wraz z egzaminem certyfikującym online.
Certified Tester - AI Testing. Szkolenie wraz z egzaminem certyfikującym online.
Informacje podstawowe
Informacje podstawowe
- KategoriaInformatyka i telekomunikacja / Programowanie
- 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 uczestników6
- Maksymalna liczba uczestników15
- Data zakończenia rekrutacji07-01-2026
- Forma prowadzenia usługizdalna w czasie rzeczywistym
- Liczba godzin usługi23
- 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 definiuje główne pojęcia i koncepcje testowania systemów AI/ML. | Kryteria weryfikacji Wyjaśnia różnicę między uczeniem nadzorowanym, nienadzorowanym, RL. | Metoda walidacji Test teoretyczny z wynikiem generowanym automatycznie |
Kryteria weryfikacji Charakteryzuje podstawowe ryzyka związane z testowaniem modeli AI. | Metoda walidacji Test teoretyczny z wynikiem generowanym automatycznie | |
Efekty uczenia się Uczestnik rozróżnia kategorie błędów i ryzyk specyficznych dla systemów AI. | Kryteria weryfikacji Wymienia przykłady biasów (data bias, algorithmic bias, societal bias). | Metoda walidacji Test teoretyczny z wynikiem generowanym automatycznie |
Kryteria weryfikacji Wyjaśnia konsekwencje błędów AI dla jakości produktu. | Metoda walidacji Test teoretyczny z wynikiem generowanym automatycznie | |
Efekty uczenia się Uczestnik charakteryzuje rolę danych w jakości modelu AI. | Kryteria weryfikacji Opisuje cykl życia danych, w tym preprocessing, walidację i monitoring driftu. | Metoda walidacji Test teoretyczny z wynikiem generowanym automatycznie |
Kryteria weryfikacji Wyjaśnia wpływ jakości danych na wyniki testów AI. | Metoda walidacji Test teoretyczny z wynikiem generowanym automatycznie | |
Efekty uczenia się Uczestnik wyjaśnia wymagania i standardy dotyczące testowania AI (w tym ISTQB aiCTFL). | Kryteria weryfikacji Wskazuje obowiązujące standardy i raporty (np. ISO/IEC 23053). | Metoda walidacji Test teoretyczny z wynikiem generowanym automatycznie |
Kryteria weryfikacji Definiuje pojęcia explainability, transparency, robustness. | Metoda walidacji Test teoretyczny z wynikiem generowanym automatycznie | |
Efekty uczenia się Uczestnik planuje testy systemów AI z uwzględnieniem specyficznych ryzyk. | Kryteria weryfikacji Tworzy listę przypadków testowych sprawdzających jakość modelu. | Metoda walidacji Test teoretyczny z wynikiem generowanym automatycznie |
Kryteria weryfikacji Przygotowuje plan testów obejmujący dane, metryki i kryteria akceptacji. | Metoda walidacji Test teoretyczny z wynikiem generowanym automatycznie | |
Efekty uczenia się Uczestnik projektuje testy oparte na danych (data-driven testing) dla modeli AI. | Kryteria weryfikacji Dobiera odpowiednie zbiory testowe i walidacyjne. | Metoda walidacji Test teoretyczny z wynikiem generowanym automatycznie |
Kryteria weryfikacji Ocenia pokrycie danych i identyfikuje luki w danych testowych. | Metoda walidacji Test teoretyczny z wynikiem generowanym automatycznie | |
Efekty uczenia się Uczestnik analizuje wyniki modelu AI, identyfikując odchylenia i anomalia. | Kryteria weryfikacji Interpretuję metryki takie jak accuracy, recall, precision, F1. | Metoda walidacji Test teoretyczny z wynikiem generowanym automatycznie |
Kryteria weryfikacji Wykrywa drift modelu i opisuje jego konsekwencje. | Metoda walidacji Test teoretyczny z wynikiem generowanym automatycznie | |
Efekty uczenia się Uczestnik tworzy scenariusze testowania odporności i niezawodności modelu AI. | Kryteria weryfikacji Projektuje testy odporności na szum, brakujące dane, dane skrajne. | Metoda walidacji Test teoretyczny z wynikiem generowanym automatycznie |
Kryteria weryfikacji Wskazuje strategie walidacji stabilności modelu. | Metoda walidacji Test teoretyczny z wynikiem generowanym automatycznie | |
Efekty uczenia się Uczestnik stosuje analityczne myślenie w ocenie ryzyk związanych z modelem AI. | Kryteria weryfikacji Uzasadnia rekomendacje dotyczące dalszych działań testowych. | Metoda walidacji Test teoretyczny z wynikiem generowanym automatycznie |
Kryteria weryfikacji Samodzielnie identyfikuje obszary wymagające pogłębionych testów. | Metoda walidacji Test teoretyczny z wynikiem generowanym automatycznie | |
Efekty uczenia się Uczestnik przestrzega zasad etycznych i odpowiedzialnego testowania AI. | Kryteria weryfikacji Rozpoznaje potencjalne naruszenia etyki i prywatności. | Metoda walidacji Test teoretyczny z wynikiem generowanym automatycznie |
Kryteria weryfikacji Wskazuje sposoby minimalizacji niepożądanych efektów działania AI. | Metoda walidacji Test teoretyczny z wynikiem generowanym automatycznie |
Kwalifikacje i kompetencje
Kwalifikacje
Inne kwalifikacje
Uznane kwalifikacje
Informacje
- Podstawa prawna dla Podmiotów / kategorii Podmiotówuprawnione do realizacji procesów walidacji i certyfikowania na mocy innych przepisów prawa
- Nazwa Podmiotu prowadzącego walidacjęGASQ (Global Association for Software Quality)
- Podmiot prowadzący walidację jest zarejestrowany w BURNie
- Nazwa Podmiotu certyfikującegoISTQB (International Software Testing Quality Board)
- Podmiot certyfikujący jest zarejestrowany w BURNie
Program
Program
Szkolenie odbywa się w dniach 19-21.01.2026 godzinach 9.00-17.00 w formule online w czasie rzeczywistym na platformie Zoom.
Czas trwania - 21 godzin zegarowych. Przerwy nie są wliczone w czas trwania usługi.
Ilość zajęć teoretycznych: 17, Ilość zajęć praktycznych: 4.
Grupa szkoleniowa liczy 7-15 osób.
Uczestnicy proszeni są o przygotowanie laptopa/PC ze stabilnym łączem internetowym, przeglądarką internetową oraz edytorem tekstu.
Walidacja (Egzamin) jest ustalana indywidualnie z Uczestnikiem usługi i odbędzie się w okresie od 21.01. 2026 do 4.02.2026. Termin walidacji dostępny będzie u osoby nadzorującej usługę po stronie Dostawcy Usług.
Egzamin dostępny jest w tylko w języku angielskim. Czas trwania- 75-120 minut.
Egzamin odbywa się za pośrednictwem platformy Proctor Exam.
Uczestnicy powinni przygotować:
- Komputer/laptop z kamerą internetową i mikrofonem - obłuskiwane systemy : Windows, MacOS, obsługiwane przeglądarki: Google Chrome, Microsoft Edge , Opera, Safari
- Tablet /smartfon z aparatem
- Stabilne połączenie internetowe
- Dokument ze zdjęciem
Szczegółową instrukcję przygotowania do egzaminu uczestnicy otrzymują po dokonaniu zapisu na wybrany termin.
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
| Przedmiot / temat zajęć | Prowadzący | Data realizacji zajęć | Godzina rozpoczęcia | Godzina zakończenia | Liczba godzin |
|---|---|---|---|---|---|
Przedmiot / temat zajęć 1 z 12 Wprowadzenie do AI- wykład | Prowadzący Jarek Hryszko | Data realizacji zajęć 19-01-2026 | 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 Jarek Hryszko | Data realizacji zajęć 19-01-2026 | Godzina rozpoczęcia 12:00 | Godzina zakończenia 14:00 | Liczba godzin 02:00 |
Przedmiot / temat zajęć 3 z 12 Uczenie maszynowe (ML) – przegląd- wykład, dyskusja | Prowadzący Jarek Hryszko | Data realizacji zajęć 19-01-2026 | Godzina rozpoczęcia 15:00 | Godzina zakończenia 17:00 | Liczba godzin 02:00 |
Przedmiot / temat zajęć 4 z 12 ML - Dane- wykład, dyskusja | Prowadzący Jarek Hryszko | Data realizacji zajęć 20-01-2026 | 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 Jarek Hryszko | Data realizacji zajęć 20-01-2026 | 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 Jarek Hryszko | Data realizacji zajęć 20-01-2026 | Godzina rozpoczęcia 14:00 | Godzina zakończenia 15:00 | Liczba godzin 01:00 |
Przedmiot / temat zajęć 7 z 12 Omówienie testowania systemów opartych na sztucznej inteligencji- wykład, ćwiczenia | Prowadzący Jarek Hryszko | Data realizacji zajęć 20-01-2026 | 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 Jarek Hryszko | Data realizacji zajęć 21-01-2026 | 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- prezentacja, ćwiczenia | Prowadzący Jarek Hryszko | Data realizacji zajęć 21-01-2026 | 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 Jarek Hryszko | Data realizacji zajęć 21-01-2026 | 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 Jarek Hryszko | Data realizacji zajęć 21-01-2026 | Godzina rozpoczęcia 15:00 | Godzina zakończenia 17:00 | Liczba godzin 02:00 |
Przedmiot / temat zajęć 12 z 12 Walidacja- Egzamin | Prowadzący - | Data realizacji zajęć 21-01-2026 | Godzina rozpoczęcia 18:00 | Godzina zakończenia 20:00 | Liczba godzin 02:00 |
Cena
Cena
Cennik
| Rodzaj ceny | Cena |
|---|---|
Rodzaj ceny Koszt przypadający na 1 uczestnika brutto | Cena 4 145,10 PLN |
Rodzaj ceny Koszt przypadający na 1 uczestnika netto | Cena 3 370,00 PLN |
Rodzaj ceny Koszt osobogodziny brutto | Cena 180,22 PLN |
Rodzaj ceny Koszt osobogodziny netto | Cena 146,52 PLN |
Rodzaj ceny W tym koszt walidacji brutto | Cena 947,10 PLN |
Rodzaj ceny W tym koszt walidacji netto | Cena 770,00 PLN |
Rodzaj ceny W tym koszt certyfikowania brutto | Cena 0,00 PLN |
Rodzaj ceny W tym koszt certyfikowania netto | Cena 0,00 PLN |
Prowadzący
Prowadzący
Radosław Smilgin
Ekspert testów z doświadczeniem w następujących dziedzinach:
Proces testowania
Audyty i ocena organizacji testerskich na bazie Test Process Improvement i Test Maturity Models
Testy funkcjonalne
Testy niefunkcjonalne
Narzędzia: Rational, HP / Mercury, Open- Source
Wdrożenie procesu testowego
Testowanie w procesach wytwórczych oprogramowania
Jarek Hryszko
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, w tym TestCon w Moskwie, STF w Mediolanie czy UKStar w Londynie.
Jest także doradcą Stowarzyszenia Jakości Systemów Informatycznych oraz 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 Testowania
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
Walidacja (Egzamin) jest ustalana indywidualnie z Uczestnikiem usługi i odbędzie się w okresie od 12.01.2026 do 30.01.2026. Termin walidacji dostępny będzie u osoby nadzorującej usługę po stronie Dostawcy Usług. Czas trwania: 75 minut.
Warunkiem organizacji szkolenia otwartego jest zebranie grupy min. 6 osób. W przypadku wystarczającej liczby chętnych, szkolenia zostanie przełożone na kolejny termin.
Szkolenie z dofinansowaniem min. 70% może być zwolnione z VAT.
Warunki techniczne
Warunki techniczne
Szkolenie odbywa się za pośrednictwem platformy Zoom.
Uczestnicy proszeni są o przygotowanie laptopa/PC ze stabilnym łączem internetowym, przeglądarką internetową oraz edytorem tekstu.
Egzamin odbywa się za pośrednictwem platformy Proctor Exam.
Uczestnicy powinni przygotować:
- Komputer/laptop z kamerą internetową i mikrofonem - obłuskiwane systemy : Windows, MacOS, obsługiwane przeglądarki: Google Chrome, Microsoft Edge , Opera, Safari
- Tablet /smartfon z aparatem
- Stabilne połączenie internetowe
- Dokument ze zdjęciem
Szczegółową instrukcję przygotowania do egzaminu uczestnicy otrzymują po dokonaniu zapisu na wybrany termin.