资源介绍
视频数量：66个
总时长：4小时11分
课程介绍：
ISTQB人工智能测试工程师认证备考指南
如果你已经在软件测试领域摸爬滚打了好几年，突然发现行业里到处都是AI的身影，心里会不会有点慌？那些聊天机器人、自动驾驶、智能推荐系统，一个比一个玄乎，传统的测试方法还能hold住吗？说实话，传统测试手段在面对这些"会学习、会进化、会自己拿主意"的系统时，确实有点力不从心。ISTQB适时推出的CT-AI认证，就是为了解决这个痛点——让你在AI时代依然能稳稳地做好测试工作。
这门课程就是冲着这张证书来的。四十多个小时，六十六个视频，把人工智能测试的方方面面都给你捋得清清楚楚。讲师Rafael Podraza可不是纸上谈兵的人，在软件测试这行深耕了六年，天天跟各种数字产品打交道，对测试自动化、持续集成这些活儿门儿清，还写过一本书专门讲ISTQB基础级考试的备考。
课程从最基础的东西讲起。什么是人工智能？AI跟传统系统有什么区别？课程会带着你认识弱AI、强AI这些概念，了解现在主流的AI技术都有哪些，顺便看看开发框架和硬件环境是怎么配合工作的。听起来像是科普，但这些知识直接决定了你后面理解测试方法的深度。特别是预训练模型这部分，讲得很实在——很多企业根本没能力从零训练模型，用现成的预训练模型是常态，但你得知道这些模型是怎么来的、有什么局限，测试的时候才能有的放矢。
接下来的重头戏是机器学习。ML是现代AI的根基，搞不懂它就没法真正测好AI系统。课程会从几种不同的学习形式讲起，让你搞清楚监督学习、无监督学习、强化学习分别是怎么回事，它们的测试策略有什么区别。然后顺着工作流往下走，从数据准备开始——这可能是整个AI测试里最磨人的环节。数据质量不过关，模型再怎么调参都是白搭。课程专门讲了数据标注的挑战、训练集验证集测试集怎么划分、数据质量有哪些坑要避开，这些东西你在真实项目里百分百会遇到。
学会了看数据，还得学会看模型的效果。课程花了不少篇幅讲性能指标，混淆矩阵、分类指标、回归指标、聚类指标，一整套评价体系都会讲到。重要的是，课程会告诉你这些指标各自的局限，不能拿到一个准确率就万事大吉了。有些场景准确率高达百分之九十九反而不对劲——课程会帮你建立起这种敏感度。
神经网络的部分是进阶内容。会讲清楚神经网络到底是怎么工作的，然后重点落在测试上——覆盖率怎么算，神经元激活怎么测。传统的代码覆盖率在神经网络面前不太够用，你需要新的度量方式，这部分会给你打开思路。
到了测试部分，课程分成了好几个层次。先从整体讲起，AI系统怎么写规格说明、测试分级怎么搭、测试数据怎么准备、概念漂移怎么检测。自动化偏差这个容易被忽视的问题，课程也专门提了——人太相信AI给出的结果，反而会漏掉问题。然后是针对AI特殊质量的测试方法，这块内容特别关键。自学系统的测试、自主AI的测试、概率性和非确定性系统的测试，每个都是坑，每个都需要专门的策略。透明性、可解释性怎么测，测试预言怎么建立，验收标准怎么定，这些内容会帮你建立完整的测试思维框架。
方法技术部分很有实用价值。对抗攻击、数据投毒、 pairwise测试、背靠背测试、A/B测试、变形测试，这些词听起来高大上，但课程会逐个拆解。背靠背测试尤其有意思——把被测系统和参考实现放在一起跑，比对结果差异，简单粗暴但有效。AI系统的测试环境怎么搭、虚拟环境怎么用，课程也给了具体指导。
最后几章很有意思，讲的是怎么用AI来辅助测试工作。AI能帮你分析缺陷报告、生成测试用例、优化回归测试套件、预测缺陷位置、甚至自动测试图形界面。这些不是让你去开发AI，而是让你学会利用这些工具把自己的测试效率提上去。说不定你工作中已经接触到了，但系统学习一遍之后，你能用得更顺手。
学完这门课，你对AI系统测试会有一个完整的认知框架。不是那种"我好像懂了"的模糊感觉，而是能说清楚每个环节为什么要这么做、常见的坑在哪里、用什么方法去应对。备考CT-AI认证自然不在话下，更重要的是，以后遇到新的AI产品、新的测试场景，你脑子里有了一张地图，知道该往哪个方向走。