Basiswissen KI-Testen (eBook)
319 Seiten
dpunkt (Verlag)
978-3-96910-994-6 (ISBN)
Nils Röttger hat bereits mehr als 10 Jahre Erfahrung im Bereich Qualitätssicherung. Bereits im Studium beschäftigte er sich mit dem Softwaretest. Seit 2008 arbeitet er bei der imbus AG in Möhrendorf, aktuell als Senior Berater, Projektleiter und Trainer. Bei imbus ist er u.a. verantwortlich für die Ausbildung und den Bereich Mobile Testing. In Vorträgen beschäftigt er sich immer wieder mit Themen wie Exploratives Testen, Mobile Testing oder auch Ethik und Künstliche Intelligenz.Dr. Gerhard Runze hat an der Universität Erlangen-Nürnberg Elektrotechnik studiert und promoviert. Nach langjähriger Tätigkeit als Entwickler, Projekt- und Teamleiter in der Algorithmen- und Chipentwicklung der Telekommunikationsindustrie arbeitet er seit 2015 bei der imbus AG in Möhrendorf als Testmanager, Trainer und Berater für Embedded Software, KI und agiles Testen.Verena Dietrich hat an der Friedrich-Alexander-Universität Erlangen-Nürnberg Integrated Life Sciences studiert und wählte dabei Schwerpunkte im Bereich Bioinformatik, biologisch inspirierte Algorithmen und Maschinelles Lernen. Anschließend war sie für fast 3 Jahre bei der imbus AG als Test Engineer tätig und beschäftigt sich seitdem mit der Qualitätssicherung von KI-basierten Systemen. Seit April 2022 promoviert sie am Institut für Medizinische Informatik der Universität Münster im Bereich der Bioinformatik.
Nils Röttger hat bereits mehr als 10 Jahre Erfahrung im Bereich Qualitätssicherung. Bereits im Studium beschäftigte er sich mit dem Softwaretest. Seit 2008 arbeitet er bei der imbus AG in Möhrendorf, aktuell als Senior Berater, Projektleiter und Trainer. Bei imbus ist er u.a. verantwortlich für die Ausbildung und den Bereich Mobile Testing. In Vorträgen beschäftigt er sich immer wieder mit Themen wie Exploratives Testen, Mobile Testing oder auch Ethik und Künstliche Intelligenz.Dr. Gerhard Runze hat an der Universität Erlangen-Nürnberg Elektrotechnik studiert und promoviert. Nach langjähriger Tätigkeit als Entwickler, Projekt- und Teamleiter in der Algorithmen- und Chipentwicklung der Telekommunikationsindustrie arbeitet er seit 2015 bei der imbus AG in Möhrendorf als Testmanager, Trainer und Berater für Embedded Software, KI und agiles Testen.Verena Dietrich hat an der Friedrich-Alexander-Universität Erlangen-Nürnberg Integrated Life Sciences studiert und wählte dabei Schwerpunkte im Bereich Bioinformatik, biologisch inspirierte Algorithmen und Maschinelles Lernen. Anschließend war sie für fast 3 Jahre bei der imbus AG als Test Engineer tätig und beschäftigt sich seitdem mit der Qualitätssicherung von KI-basierten Systemen. Seit April 2022 promoviert sie am Institut für Medizinische Informatik der Universität Münster im Bereich der Bioinformatik.
Inhaltsverzeichnis
1.1Definition von KI und der KI-Effekt
1.2Schwache KI, starke KI und die künstliche Superintelligenz
1.3KI-basierte Systeme und klassische Systeme
1.4.1Exkurs: KI-Techniken im Detail
1.6Hardware für KI-basierte Systeme
1.7KI als Service (AI as a Service, AIaaS)
1.9Normen, Vorschriften und KI
1.9.1Exkurs: Liste einiger Normen und Standards mit KI-Bezug
2Qualitätsmerkmale KI-basierter Systeme
2.1Flexibilität und Anpassbarkeit
2.4.1Exkurs: Weitere Arten des Bias
2.6Seiteneffekte und Reward Hacking
2.7Transparenz, Interpretierbarkeit und Erklärbarkeit
2.8Funktionale Sicherheit und KI
3Maschinelles Lernen (ML) – ein Einstieg
3.1Arten des maschinellen Lernens (ML)
3.1.4Exkurs: Das Wissen einer KI – der Unterschied zwischen Korrelation und Kausalität
3.2.1Exkurs: Alternative Workflows
3.3.1Übung: Wahl der passenden ML-Art
3.4Faktoren, die bei der Auswahl von ML-Algorithmen eine Rolle spielen
3.5Overfitting und Underfitting
3.5.3Übung: Demonstration von Overfitting und Underfitting
4.1Datenvorbereitung als Teil des ML-Workflows
4.1.2Vorverarbeitung der Daten
4.1.4Herausforderungen bei der Datenvorbereitung
4.1.5Übung: Datenvorbereitung für ML
4.2Trainings-, Validierungs- und Testdatensätze
4.2.1Übung: Identifizieren von Trainings- und Testdaten und Erstellen eines ML-Modells
4.2.2Exkurs: Aufteilungsmethoden für Trainings- und Validierungsdaten
4.3Probleme mit der Datensatzqualität
4.4Datenqualität und ihre Auswirkungen auf das ML-Modell
4.4.1Übung: Aspekte der Datenqualität
4.5Datenkennzeichnung für überwachtes Lernen
4.5.1Ansätze zur Datenkennzeichnung
4.5.2Falsch gekennzeichnete Daten in Datensätzen
5Funktionale Leistungsmetriken – ein Einstieg
5.1.1Übung: Metriken einsetzen
5.3Beschränkungen der funktionalen Leistungsmetriken von ML
5.4Auswahl funktionaler Leistungsmetriken von ML
5.4.1Übung: Evaluieren eines erstellten ML-Modells
6.1.1Übung: Training eines neuronalen Netzes
6.2Überdeckungsmaße für neuronale Netze
7Testen KI-basierter Systeme im Überblick
7.1Spezifikation KI-basierter Systeme
7.2Teststufen für KI-basierte Systeme
7.2.4Komponentenintegrationstest
7.3Testdaten zum Testen KI-basierter Systeme
7.4Testen auf Automatisierungsbias in KI-basierten Systemen
7.5Dokumentieren einer KI-Komponente
7.7Auswahl einer Testvorgehensweise für ein ML-System
8Testen KI-spezifischer Qualitätsmerkmale – ein Einstieg
8.1Herausforderungen beim Testen selbstlernender Systeme
8.2Test von autonomen KI-basierten Systemen
8.3Testen auf algorithmischen, stichprobenartigen und unangemessenen Bias
8.4Herausforderungen beim Testen probabilistischer und nichtdeterministischer KI-basierter Systeme
8.5Herausforderungen beim Testen komplexer KI-basierter Systeme
8.5.1Übung: Herausforderungen bei der Verwendung eines künstlichen neuronalen Netzes
8.6Testen der Transparenz, Interpretierbarkeit und Erklärbarkeit KI-basierter Systeme
8.7Testorakel für KI-basierte Systeme
8.8Testziele und Akzeptanzkriterien
8.8.1Übung: Akzeptanzkriterien
9Methoden und Verfahren für das Testen KI-basierter Systeme
9.1Gegnerische Angriffe und Datenverunreinigung
9.5.1Übung: Metamorphes Testen
9.6Erfahrungsbasiertes Testen von KI-basierten Systemen
9.6.1Checklisten für den Test von KI-basierten Systemen
9.6.2Übung: Exploratives Testen und explorative Datenanalyse (EDA)
9.7Übersicht und Auswahl von Testverfahren für KI-basierte Systeme
9.7.2Übung: Verfahren für das Testen KI-basierter Systeme
10Testumgebungen für KI-basierte Systeme
10.1Besonderheiten von Testumgebungen für KI-basierte Systeme
10.2Virtuelle Testumgebungen zum Testen KI-basierter Systeme
Erscheint lt. Verlag | 27.2.2024 |
---|---|
Reihe/Serie | Lehrbuch | Lehrbuch |
Verlagsort | Heidelberg |
Sprache | deutsch |
Themenwelt | Mathematik / Informatik ► Informatik |
Schlagworte | Artificial Intelligence • Certified Tester • Datenmanagement • Datenqualität • Ethik • ISTQB • KI-basierte Systeme • Künstliche Intelligenz • Machinelles Lernen • Neuronale Netzte • Qualitätssicherung • Softwaretest • Testen • Testmethoden • Testtechniken |
ISBN-10 | 3-96910-994-9 / 3969109949 |
ISBN-13 | 978-3-96910-994-6 / 9783969109946 |
Informationen gemäß Produktsicherheitsverordnung (GPSR) | |
Haben Sie eine Frage zum Produkt? |
Größe: 8,2 MB
DRM: Digitales Wasserzeichen
Dieses eBook enthält ein digitales Wasserzeichen und ist damit für Sie personalisiert. Bei einer missbräuchlichen Weitergabe des eBooks an Dritte ist eine Rückverfolgung an die Quelle möglich.
Dateiformat: EPUB (Electronic Publication)
EPUB ist ein offener Standard für eBooks und eignet sich besonders zur Darstellung von Belletristik und Sachbüchern. Der Fließtext wird dynamisch an die Display- und Schriftgröße angepasst. Auch für mobile Lesegeräte ist EPUB daher gut geeignet.
Systemvoraussetzungen:
PC/Mac: Mit einem PC oder Mac können Sie dieses eBook lesen. Sie benötigen dafür die kostenlose Software Adobe Digital Editions.
eReader: Dieses eBook kann mit (fast) allen eBook-Readern gelesen werden. Mit dem amazon-Kindle ist es aber nicht kompatibel.
Smartphone/Tablet: Egal ob Apple oder Android, dieses eBook können Sie lesen. Sie benötigen dafür eine kostenlose App.
Geräteliste und zusätzliche Hinweise
Buying eBooks from abroad
For tax law reasons we can sell eBooks just within Germany and Switzerland. Regrettably we cannot fulfill eBook-orders from other countries.
aus dem Bereich