ISTQB IA Tester 2

¿Cuál de las siguientes afirmaciones sobre la IA es MÁS probable que sea CORRECTA?. Un robot autónomo que puede actuar como trabajador en una casa, tienda u oficina es un ejemplo de IA general. Un robot que muestra niveles de habilidad similares a los de un humano se considera que ha alcanzado la singularidad. Los sistemas basados en IA que apoyan una variedad de funciones de gestión de pruebas se consideran que poseen IA general. Un sistema basado en IA que no puede acceder a internet se dice que exhibe IA estrecha.

¿Cuál de las siguientes afirmaciones es MÁS probable que describa un sistema convencional (en contraposición a un sistema basado en IA)?. Este sistema asigna clientes a grupos, basándose en sus patrones de compra históricos. Este sistema controla el frenado del coche en función de su velocidad. Este sistema se enseñó a sí mismo a reconocer diferentes palabras escuchando grabaciones. Este sistema detecta anomalías a partir de su experiencia al ver anomalías en muchas radiografías.

¿Cuál de las siguientes opciones NO es un framework utilizado para desarrollar software basado en IA?. scikit-learn. CNTK. MxNet. EZPy-AI.

¿Cuál de las siguientes afirmaciones es MÁS probable que describa un sistema que incluye el uso de IA como Servicio (IAaaS)?. El clasificador de imágenes identifica defectos en las carcasas de giroscopios producidas por la empresa y fue construido usando aprendizaje por transferencia para lograr alta precisión. El sistema de dirección de un vehículo submarino basado en IA utiliza un componente de evitación de obstáculos de terceros basado en árboles de decisión y optimización bayesiana. El verificador de contratos utiliza un algoritmo exclusivo para determinar niveles de responsabilidad legal, pero la parte de precios del contrato se verifica por separado mediante un componente genérico de precios basado en IA. El sistema de precios de alquiler de coches está construido usando IA para apoyar un algoritmo basado en la demanda y está alojado en la nube y disponible para todas las oficinas de alquiler de la empresa.

¿Cuál de las siguientes opciones es el uso MÁS probable de una norma/regulación para un sistema basado en IA?. Uso de ISO/PAS 21448 (SOTIF) para un submarino autónomo no tripulado. Uso del RGPD para un sistema de decisiones de préstamos bancarios. Uso de ISO 26262 para un coche totalmente autónomo. Uso del RGPD para un sistema de evitación de colisiones de drones.

¿Cuál de las siguientes afirmaciones sobre flexibilidad y adaptabilidad es MÁS probable que sea CORRECTA?. La adaptabilidad es importante en el aprendizaje no supervisado ya que permite al modelo de ML aprender de datos sin etiquetas. La flexibilidad es importante en el aprendizaje supervisado ya que permite al modelo de ML reconocer significado incluso cuando los datos están mal etiquetados. La adaptabilidad es importante en sistemas de aprendizaje por refuerzo ya que estos deben adaptarse para optimizar su función de recompensa. La flexibilidad es importante en sistemas autoaprendientes ya que les permite adaptarse a cambios inesperados en su entorno.

¿Cuál de las siguientes afirmaciones sobre la evolución de los sistemas basados en IA es CORRECTA?. Los sistemas de IA autoaprendientes que continúan operando en el mismo entorno no se espera que cambien su comportamiento. Los efectos secundarios no son una preocupación para los sistemas de IA que se modifican para adaptarse a cambios en su entorno. Los sistemas basados en IA deben cambiarse para adaptarse a cambios en los requisitos del sistema durante el desarrollo. Los sistemas autoaprendientes que interactúan físicamente con personas deben ser gestionados para asegurar que los cambios del sistema no sean peligrosos.

¿Cuál de los siguientes ejemplos de un sistema basado en IA es MENOS probable que requiera atención especial con respecto a cuestiones éticas?. Un videojuego que enseña a los niños los beneficios de la democracia desafiándolos a convertirse en presidente. Una aplicación que utiliza datos disponibles en redes sociales para proporcionar una calificación de confiabilidad para candidatos a empleo. Un sistema autónomo submarino autoalimentado para crear un mapa del fondo marino en aguas internacionales. Una app móvil que monitorea el ejercicio diario de cada empleado y los recompensa con beneficios en seguros de salud.

¿Cuál de las siguientes afirmaciones sobre transparencia, interpretabilidad y explicabilidad en sistemas basados en IA es MÁS probable que sea CORRECTA?. El algoritmo del motor de búsqueda utilizado para entrenar a estudiantes en tecnología de motores de búsqueda fue seleccionado por ser considerado el más explicable. El sistema de préstamos fue considerado transparente ya que para cada solicitud de préstamo era claro para los usuarios cómo se decidía si aprobarlo o no. Los médicos estaban satisfechos con el nivel de interpretabilidad del sistema oncológico basado en reglas ya que podían entender cómo se implementaban las reglas dadas. Los operadores de drones estaban satisfechos con la transparencia del sistema de control ya que sentían que el sistema respondía correctamente a sus instrucciones.

¿Cuál de las siguientes opciones describe MEJOR el enfoque no supervisado del aprendizaje automático?. Los datos y etiquetas se analizan para agruparlos en clústeres. Un sistema aprende automáticamente satisfaciendo una función de aptitud. Un sistema se enseña a sí mismo a cumplir objetivos basados en recompensas. Los datos se analizan para identificar patrones en los datos.

Dadas las siguientes descripciones: I. El rendimiento del modelo se verifica usando datos de validación II. Se identifica el origen de los datos de prueba utilizados para probar el modelo III. El modelo ajustado se prepara para su hardware objetivo IV. Se utilizan datos de prueba para asegurar que se cumplan los criterios de rendimiento funcional acordados V. El modelo se crea a partir del código fuente VI. Se identifican las características críticas de los datos ¿Cuál de las siguientes opciones relaciona MEJOR las descripciones con las actividades del flujo de trabajo de ML?. III - Construir y compilar modelo / II - Preparar los datos / IV - Evaluar el modelo. V - Construir y compilar modelo / II - Preparar los datos / I - Evaluar el modelo. V - Construir y compilar modelo / VI - Preparar los datos / IV - Evaluar el modelo. III - Construir y compilar modelo / VI - Preparar los datos / I - Evaluar el modelo.

¿Cuál de las siguientes afirmaciones es MENOS probable que se utilice como justificación para seleccionar un algoritmo de ML?. La cantidad de memoria disponible para entrenar el sistema de traducción en el dispositivo móvil. El tiempo máximo permitido para reentrenar el sistema de monitoreo de salud embebido. El número de características medidas utilizadas como base para un sistema de predicción deportiva. El número de clústeres esperados de tipos de clientes para un sistema de marketing minorista.

¿Cuál de las siguientes afirmaciones sobre el conjunto de datos de prueba es CORRECTA?. El conjunto de datos de prueba proviene de una fuente totalmente diferente al conjunto de datos de validación. El formato del conjunto de datos de prueba es diferente al del conjunto de datos de validación. El conjunto de datos de prueba puede usarse como conjunto de validación pero no como conjunto de entrenamiento. El conjunto de datos de prueba no debe exponerse al modelo durante el proceso de entrenamiento.

¿Cuál de las siguientes opciones sería MÁS probable como causa de un etiquetado deficiente de los datos?. Datos insuficientes. Datos sintéticos. Errores de traducción. Algoritmo elegido para el modelo de ML.

Un equipo de ML afirma que las métricas de rendimiento funcional de ML basadas en datos de validación recopilados durante el entrenamiento de un modelo son suficientes para determinar la calidad del sistema. ¿Cuál de las siguientes afirmaciones es una razón válida para demostrar que esto puede ser INCORRECTO?. Las métricas de rendimiento funcional de ML pueden no funcionar bien si la verdad de base no es correcta. Las métricas de rendimiento funcional de ML no pueden usarse para medir calidad ya que dependen de herramientas. Los datos de validación están sesgados, lo que resulta en mediciones de rendimiento funcional distorsionadas. Los datos pueden necesitar ser transformados antes de entrenar el modelo, por lo que las mediciones de rendimiento funcional no reflejan la calidad del modelo.

Pregunta A16 (1 punto) ¿Cuál de las siguientes opciones sobre los conjuntos de referencia (benchmark suites) completa MEJOR la siguiente afirmación? Los conjuntos de referencia de ML ayudan a elegir un modelo particular indicando... el tiempo que tarda en entrenarse. el tiempo que tarda en probarse. el tiempo que tarda en validarse. el tiempo que tarda en desplegarse.

¿Cuál de los siguientes niveles de prueba proporciona la MEJOR opción para realizar pruebas relacionadas con el sesgo?. Pruebas de componentes. Pruebas de datos de entrada. Pruebas de sistema. Pruebas de modelo.

¿Cuál de las siguientes afirmaciones sobre la documentación de componentes de IA es CORRECTA?. Como los requisitos no funcionales no forman parte de la documentación de un componente de IA, no se pueden realizar pruebas no funcionales. Las pruebas de caja blanca de la interacción entre componentes de IA y no IA no son posibles si las interfaces forman parte de la documentación. Verificar el sesgo en los datos es posible al incluir la fuente de los datos en la documentación. Los sistemas de IA auto-adaptativos requieren que cada cambio realizado por el sistema esté completamente documentado.

Una aplicación de comercio electrónico recomienda productos al usuario en función de su historial de compras y de las compras realizadas por otras personas en el sitio, entre otros factores. Como probador, se te ha pedido que midas la tasa de conversión actual de las recomendaciones para compararla con la tasa de conversión requerida originalmente. ¿Cuál de las siguientes es la razón subyacente MÁS probable para esta solicitud?. Efecto IA. Ataques adversarios. Deriva de concepto. Falta de equidad.

¿Cuál de las siguientes opciones es MÁS probable que sea relevante al probar la autonomía de un sistema?. Pruebas durante un período prolongado. Pruebas de la precisión de las predicciones del sistema. Pruebas de qué tan rápido puede adaptarse el sistema. Análisis estático de los datos de entrenamiento.

¿Cuál de las siguientes afirmaciones demuestra cómo los sistemas no deterministas pueden crear desafíos en las pruebas?. Los sistemas no deterministas producen un resultado diferente cada vez, lo que normalmente impide generar resultados esperados. Los sistemas no deterministas son difíciles de probar porque no son explicables, lo que dificulta la investigación y corrección de defectos. Un sistema que recibe las mismas entradas y estado inicial puede producir salidas diferentes, por lo que puede requerir múltiples ejecuciones de prueba. Los sistemas no deterministas suelen estar sesgados y requieren pruebas adicionales para excluir este sesgo de los resultados.

Al probar una red neuronal profunda, ¿cuál de las siguientes características puede evaluarse sin usar pruebas dinámicas?. Explicabilidad. Transparencia. Sesgo de automatización. Precisión.

¿Cuál de las siguientes características de un sistema basado en IA podría causar un problema de oráculo de prueba?. No se sabe de dónde se obtuvieron los datos de entrenamiento. La salida del sistema es una predicción para la cual se desconoce la verdad de base. El sistema funciona sin intervención humana y se considera autónomo. Hay falta de transparencia sobre cómo se implementó el sistema.

¿Cuál de las siguientes afirmaciones es CORRECTA con respecto a las pruebas A/B?. Las pruebas A/B también se conocen como pruebas diferenciales porque se utilizan dos programas diferentes para este tipo de prueba. Las pruebas A/B son más útiles para probar modelos de ML simples ya que no producen resultados precisos para modelos complejos. Las pruebas A/B requieren múltiples resultados esperados de las mismas entradas para identificar diferencias significativas en los modelos probados. Las pruebas A/B son una buena técnica para escribir casos de prueba para varios tipos de modelos de ML, especialmente sistemas autoaprendientes.

¿Cuál de las siguientes afirmaciones es MENOS probable que sea un ejemplo de un beneficio proporcionado por entornos de prueba virtuales en la prueba de un sistema basado en IA?. Una aplicación de ciudad inteligente se prueba en un entorno virtual para permitir probar escenarios que rara vez ocurren (por ejemplo, control de multitudes en Año Nuevo). Un sistema de negociación de mercados monetarios basado en IA se prueba en un entorno virtual ya que sería poco práctico probarlo en mercados reales debido a los costos potenciales. Un recolector de frutas inteligente se prueba en un entorno virtual para permitir ejecutar muchos escenarios de recolección en un tiempo acelerado y verificar que la fruta no se dañe. Un coche autónomo se prueba en un entorno virtual para permitir ejecutar de forma segura escenarios de prueba potencialmente peligrosos.

Es posible usar una herramienta de automatización de pruebas asistida por IA para reconocer objetos mediante procesamiento de imágenes, en lugar de usar referencias a su ubicación. ¿A qué tipo de tecnología de ingeniería de software basada en IA se refiere MÁS probablemente este ejemplo?. Clasificación, aprendizaje y predicción. Ingeniería de software probabilística. Ingeniería de software basada en búsqueda. Agrupamiento (clustering).

¿Cuál de las siguientes afirmaciones es CORRECTA con respecto a las pruebas visuales?. Las pruebas visuales utilizan identificadores de objetos para determinar cambios. Las pruebas visuales usan imágenes para hacer comparaciones píxel por píxel. Las pruebas visuales ayudan a encontrar elementos de interfaz de usuario superpuestos. Las pruebas visuales fallan cuando cambia el diseño de la pantalla.