Curso 100% subvencionado por la Conselleria de Industria, Turismo, Innovación y Comercio. Plazas limitadas
Formato: Live online.
Duración: 30 horas.
Cuándo: 21, 22, 23, 28, 29 y 30 de julio de 2026. De 15:00 a 20:00h.
Cuánto: 50€ de fianza, cantidad que se devolverá a la finalización del curso si se asiste como mínimo al 80% de sus horas.
Fin plazo de matrícula: Reserva de plaza por riguroso orden de inscripción. Prioridad de matrícula para Asociados/Colegiados.
Imparte: Nextraining. No incluye tasas de examen.
Presentación del curso
Curso orientado a las pruebas de sistemas basados en IA y al uso de IA en testing. Incluye fundamentos de IA, machine learning, calidad, métricas, sesgo, explicabilidad, técnicas de prueba, entornos de prueba y aplicación de IA en procesos de validación.
Objetivos
- Comprender los fundamentos de la IA aplicados al testing.
- Analizar características de calidad en sistemas basados en IA.
- Identificar flujos de trabajo de machine learning y sus riesgos.
- Evaluar modelos mediante métricas funcionales.
- Aplicar niveles y enfoques de prueba en sistemas basados en IA.
- Utilizar técnicas específicas para validación de sistemas inteligentes.
- Revisar el uso de IA en procesos de prueba y gestión de defectos.
Al finalizar el curso, el alumno será capaz de:
- Diferenciar tipos de IA y sistemas convencionales.
- Identificar riesgos en modelos preentrenados y transferencia.
- Revisar sesgo, explicabilidad y seguridad en sistemas basados en IA.
- Preparar datos de entrenamiento, validación y pruebas.
- Detectar sobreajuste y subajuste.
- Interpretar matrices de confusión y métricas de rendimiento.
- Aplicar pruebas funcionales y no funcionales en sistemas de IA.
- Seleccionar técnicas de prueba adecuadas.
- Analizar ataques adversarios y envenenamiento de datos.
- Utilizar IA para generación y optimización de casos de prueba.
Dirigido a
Profesionales de testing, calidad, datos, desarrollo, gestión de proyectos, operaciones y dirección TI vinculados a sistemas basados en IA.
Requisitos previos
Nivel de experiencia requerido:
- Conocimientos generales de pruebas de software y nociones básicas de desarrollo o calidad de sistemas.
- Para obtener la certificación debes poseer la Certificación ISTQB Certified Tester Foundation Level (CTFL).
Contenidos
Módulo 1: Introducción a la IA
Definición de la IA y efecto de la IA
IA estrecha, IA general y superinteligencia artificial
Sistemas basados en IA y sistemas convencionales
Tecnologías de IA
Marcos de desarrollo de IA
Hardware para sistemas basados en IA
IA como servicio (AIaaS)
Contratos para IA como servicio
Ejemplos de AIaaS
Modelos preentrenados
Introducción a los modelos preentrenados
Aprendizaje por transferencia
Riesgos del uso de modelos preentrenados y del aprendizaje por transferencia
Normas, regulaciones e IA
Módulo 2: Características de calidad de los sistemas basados en IA
Flexibilidad y adaptabilidad
Autonomía
Evolución
Sesgo
Ética
Efectos secundarios y manipulación de recompensas
Transparencia, interpretabilidad y explicabilidad
Seguridad e IA
Módulo 3: Aprendizaje automático (Machine Learning, ML) – Visión general
Tipos de ML
Aprendizaje supervisado
Aprendizaje no supervisado
Aprendizaje por refuerzo
Flujo de trabajo del ML
Selección del tipo de ML
Factores implicados en la selección de algoritmos de ML
Sobreajuste y subajuste
Laboratorio: demostración de sobreajuste y subajuste
Módulo 4: ML – Datos
Preparación de datos como parte del flujo de trabajo del ML
Desafíos en la preparación de datos
Conjuntos de datos de entrenamiento, validación y pruebas
Problemas de calidad de los conjuntos de datos
Calidad de los datos y su efecto en el modelo de ML
Etiquetado de datos para el aprendizaje supervisado
Enfoques para el etiquetado de datos
Datos mal etiquetados en los conjuntos de datos
Laboratorio 1: preparación de datos para ML
Laboratorio 2: identificación de datos de entrenamiento y
Módulo 5: Métricas funcionales de rendimiento del ML
Matriz de confusión
Métricas funcionales adicionales del ML para clasificación, regresión y agrupamiento
Limitaciones de las métricas funcionales del ML
Selección de métricas funcionales del ML
Conjuntos de pruebas de referencia (benchmarks) para ML
Laboratorio: evaluación del modelo de ML creado
Módulo 6: ML – Redes neuronales y pruebas
Redes neuronales
Medidas de cobertura para redes neuronales
Laboratorio: implementación de un perceptrón simple
Módulo 7: Visión general de las pruebas de sistemas basados en IA
Especificación de sistemas basados en IA
Niveles de prueba para sistemas basados en IA
Pruebas de los datos de entrada
Pruebas del modelo de ML
Pruebas de componentes
Pruebas de integración de componentes
Pruebas del sistema
Pruebas de aceptación
Datos de prueba para sistemas basados en IA
Pruebas del sesgo de automatización en sistemas basados en IA
Documentación de un componente de IA
Pruebas de deriva del concepto
Selección de un enfoque de pruebas para un sistema de ML
Módulo 8: Pruebas de características de calidad específicas de la IA
Desafíos en las pruebas de sistemas de autoaprendizaje
Pruebas de sistemas autónomos basados en IA
Pruebas de sesgo algorítmico, de muestreo e inapropiado
Desafíos en las pruebas de sistemas basados en IA probabilísticos y no deterministas
Desafíos en las pruebas de sistemas complejos basados en IA
Pruebas de transparencia, interpretabilidad y explicabilidad de sistemas basados en IA
Oráculos de prueba para sistemas basados en IA
Objetivos de prueba y criterios de aceptación
Laboratorio: ejercicio práctico: explicabilidad del modelo
Módulo 9: Métodos y técnicas para las pruebas de sistemas basados en IA
Ataques adversarios y envenenamiento de datos
Ataques adversarios
Envenenamiento de datos
Pruebas combinatorias (pairwise testing)
Pruebas back-to-back
Pruebas A/B
Pruebas metamórficas (MT)
Pruebas basadas en la experiencia de sistemas basados en IA
Selección de técnicas de prueba para sistemas basados en IA
Laboratorio 1: pruebas metamórficas
Laboratorio 2: pruebas exploratorias y análisis exploratorio de datos (EDA)
Módulo 10: Entornos de prueba para sistemas basados en IA
Entornos de prueba para sistemas basados en IA
Entornos de prueba virtuales para sistemas basados en IA.
Módulo 11: Uso de la IA para las pruebas
Tecnologías de IA para las pruebas
Uso de la IA para analizar defectos reportados
Uso de la IA para la generación de casos de prueba
Uso de la IA para la optimización de suites de pruebas de regresión
Uso de la IA para la predicción de defectos
Uso de la IA para probar interfaces de usuario
Uso de la IA para probar a través de la interfaz gráfica de usuario (GUI)
Uso de la IA para probar la GUI
Laboratorio 1: uso de la IA en las pruebas
Laboratorio 2: construcción de un sistema de predicción de defectos.
Formalización de matricula:
Tras rellenar el formulario de inscripción, Som Digitals se pondrá en contacto con usted para indicarle las instrucciones para finalizar la matrícula del curso.
