ISTQB IA Tester

¿Cuál de las siguientes afirmaciones proporciona el MEJOR ejemplo del ‘Efecto IA’?. Las personas pierden sus empleos porque los sistemas basados en IA realizan sus funciones de forma más barata y eficiente. Los juegos de computadora pierden popularidad porque los sistemas basados en IA siempre ganan. Los sistemas expertos basados en reglas para diagnóstico médico ya no se consideran IA. Las personas creen que la IA dominará el mundo, como se muestra en las películas.

¿Cuál de las siguientes opciones NO es una tecnología utilizada para implementar IA?. Máquina de vectores de soporte. Árbol de decisión. Razonamiento evolutivo. Optimización bayesiana.

¿Cuál de las siguientes afirmaciones sobre el hardware utilizado para implementar sistemas basados en IA es MÁS probable que sea CORRECTA?. Los procesadores utilizados para entrenar un sistema de recomendaciones móviles deben ser los mismos que los del teléfono móvil. Las unidades de procesamiento gráfico (GPU) son una opción razonable para implementar un sistema de visión por computadora basado en IA. Los sistemas de aprendizaje profundo deben ser entrenados, evaluados y probados utilizando chips específicos de IA. Siempre es mejor elegir procesadores con más bits para lograr suficiente precisión en sistemas basados en IA.

Hay varios modelos preentrenados de buena calidad disponibles en el mercado y deseas usar uno de ellos para un clasificador basado en imágenes. Has decidido preguntar al proveedor del modelo sobre los datos utilizados para entrenarlo y su formato. ¿Cuál de las siguientes afirmaciones es el MEJOR ejemplo de un riesgo que estás tratando de mitigar al hacer estas preguntas?. Mala precisión de clasificación de los modelos preentrenados. Diferencias entre los datos utilizados para entrenar el modelo y los datos operativos. Problemas de eficiencia de rendimiento del modelo preentrenado. Problemas de eficiencia de rendimiento del modelo preentrenado.

¿Cuál de las siguientes afirmaciones es MÁS probable que especifique un requisito de autonomía en un sistema basado en IA?. El sistema deberá mantener una distancia segura con otros vehículos hasta que el conductor presione el freno o el acelerador. El sistema deberá aprender el estilo preferido de respuesta a correos electrónicos monitoreando remotamente el tráfico de correos. El sistema deberá comparar sus predicciones de precios de viviendas con los precios reales de venta para determinar si necesita ser reentrenado. ) Deberá ser posible modificar el comportamiento del sistema para trabajar con diferentes tipos de usuarios en menos de un día.

¿Cuál de las siguientes afirmaciones sobre el sesgo en sistemas basados en IA NO es correcta?. El sesgo puede ser causado por usuarios de un sistema de recomendaciones de libros que hacen elecciones deliberadas para que el sistema haga malas sugerencias. El sesgo puede ser causado en un sistema de predicción de edad de fallecimiento de empleados al recolectar datos de entrenamiento de un conjunto de pacientes todos jubilados. El sesgo puede ser causado en un sistema de evaluación crediticia al usar datos de entrenamiento obtenidos de personas que poseen y usan tarjetas de crédito. El sesgo puede ser causado en un sistema de navegación al usar un algoritmo de planificación de rutas demasiado complejo para ser explicado a usuarios típicos.

¿Cuál de los siguientes es MÁS probable que sea un ejemplo de manipulación de recompensas (reward hacking)?. La herramienta asistente del programador optimiza el código para reducir los tiempos de respuesta, asegurando que se cumplan los requisitos funcionales. Un dispositivo de suministro de anestesia con el objetivo de mantener estables a los pacientes durante la cirugía suministra demasiadas dosis y los pacientes no despiertan tan rápido como se esperaba. La organización de desarrollo externo paga a sus programadores de IA según la cantidad de líneas de código que escriben. Un tipo de IA utilizado para jugar juegos de computadora competitivos contra humanos que se enfoca en obtener la puntuación más alta.

Dadas las siguientes características para un sistema basado en IA (I-V): I. Probabilístico II. Explicable III. Injusto IV. No determinista V. Determinista ¿Cuál de las siguientes listas de atributos es MÁS probable que cause dificultades si el sistema se va a usar como parte de un sistema relacionado con la seguridad?. a) I, IV. b) II, IV. c) II, III, V. d) I, III, V.

¿Cuál de las siguientes afirmaciones describe MEJOR la clasificación y regresión como parte del aprendizaje supervisado?. La regresión es verificar que los resultados de prueba del modelo de ML no cambien cuando se ejecutan con los mismos datos de prueba. La clasificación es agrupar datos no etiquetados en clases separadas. La clasificación es el etiquetado de los datos para entrenar el modelo de ML. La regresión es predecir el número de clases que produce el modelo de ML.

¿Cuál de las siguientes opciones describe MEJOR un ejemplo de aprendizaje por refuerzo?. La aplicación de juegos móviles actualiza su retroalimentación, el tiempo de respuesta y el número de opciones de usuario que ofrece según cuánto gastan los jugadores. La aplicación de traducción de idiomas busca en internet textos en varios idiomas para mejorar su función de traducción. El sistema de control de calidad de fábrica utiliza cámaras de video y análisis de audio para identificar productos defectuosos basándose en la observación de un operario humano. El sistema de predicción de pruebas de componentes de software utiliza una variedad de medidas de calidad para identificar qué componentes probablemente contengan más defectos.

Te han pedido tu opinión sobre el enfoque de ML que se debe utilizar para un nuevo sistema que forma parte de la gestión del tráfico de una ciudad inteligente. La idea es que el nuevo sistema controle los semáforos de la ciudad para asegurar que el tráfico fluya fácilmente dentro y alrededor de la ciudad. ¿Cuál de los siguientes enfoques esperas que tenga MÁS probabilidades de éxito?. Aprendizaje no supervisado basado en la identificación de agrupaciones en la ciudad donde la densidad de tráfico es superior al promedio. Solución de regresión de aprendizaje supervisado basada en miles de trayectos etiquetados con la longitud y duración del viaje. Aprendizaje por refuerzo basado en una función de recompensa que penaliza soluciones que resulten en mayores niveles de congestión. Solución de clasificación de aprendizaje supervisado basada en rutas favoritas enviadas por conductores y pasajeros.

Al realizar pruebas de un modelo entrenado, un ingeniero de ML encontró que el modelo era muy preciso al evaluarlo con datos de validación, pero tenía un rendimiento deficiente con datos de prueba independientes. ¿Cuál de las siguientes opciones es MÁS probable que cause esta situación?. Subajuste (underfitting). Deriva de concepto (concept drift). Sobreajuste (overfitting). Criterios de aceptación deficientes.

¿Cuál de los siguientes es un ejemplo de un desafío que probablemente se encuentre durante el desarrollo y prueba de una solución de ML?. Las operaciones de anonimización de datos normalmente requieren conocimiento de varios algoritmos de ML. Los datos utilizados podrían ser datos no estructurados. Un gran porcentaje del presupuesto se gasta solo en la preparación de datos. La escalabilidad del flujo de datos es un desafío al entrenar el modelo.

El científico de datos se ha quejado de que el modelo no puede ser entrenado con un algoritmo en particular, aunque otros algoritmos funcionan con los mismos datos de entrenamiento. ¿Cuál de las siguientes opciones es la razón MÁS probable para esto?. Datos incorrectos. Datos faltantes. Datos mal etiquetados. Datos insuficientes.

DataSure es una empresa emergente con un producto que promete mejorar la calidad de los modelos de ML. DataSure afirma que esta mejora proviene de verificar si los datos han sido etiquetados correctamente. ¿Cuál de los siguientes defectos es MÁS probable que haya sido prevenido al usar este producto?. El modelo tendrá vulnerabilidades de seguridad. El modelo tendrá baja precisión. El modelo no cumplirá su función prevista. El modelo producirá salidas sesgadas.

Un ingeniero de ML, al encontrar datos de entrenamiento insuficientes, está rotando imágenes etiquetadas para crear datos de entrenamiento adicionales. ¿Cuál de los siguientes enfoques de etiquetado se está aplicando en este ejemplo?. Colaboración colectiva (crowdsourcing). Aumento (augmentation). Etiquetado basado en IA. Subcontratación (outsourcing).

La matriz de confusión para un clasificador de imágenes se muestra a continuación: Positivo real Negativo real Positivo predicho 78 22 Negativo predicho 6 14 ¿Cuál de las siguientes opciones representa la precisión (precision) del clasificador?. 20/120 * 100. 78/120 * 100. 78/100 * 100. 22/100 * 100.

ThermalSpace es un proveedor de soluciones que ayuda a plantas termoeléctricas a optimizar su producción de energía. Su solución se basa en un modelo de ML creado con datos históricos con salidas claramente marcadas. El modelo ayuda a determinar la cantidad de electricidad que se debe generar en un momento dado del día. Para determinar la calidad del modelo usando métricas funcionales de rendimiento de ML, ¿cuál de las siguientes métricas es MÁS probable que se utilice?. R-cuadrado. Precisión. Recall (sensibilidad). Falsos positivos.

KnowYourPet es una app que utiliza ML para determinar si una mascota tiene hambre o no. Se entiende que un perro probablemente no tenga hambre la mayor parte del tiempo, como se refleja en los datos de entrenamiento. Si se diagnostica erróneamente que el perro tiene hambre, podría llevar a una sobrealimentación y causar problemas de salud graves. ¿Cuál de las siguientes métricas elegirías para determinar la idoneidad del modelo bajo prueba?. Precisión general (accuracy). Precisión (precision). Recall (sensibilidad). Puntuación F1 (F1-score).

¿Cuál de las siguientes opciones describe MEJOR una red neuronal profunda?. Está compuesta por una estructura jerárquica de neuronas, donde las neuronas más profundas toman la mayoría de las decisiones. Está compuesta por neuronas conectadas, donde cada neurona tiene un sesgo asociado y cada conexión un peso asociado. Está formada por varias capas, donde cada capa (excepto la de entrada y salida) está conectada con todas las demás y los errores se propagan hacia atrás a través de la red. Está compuesta por capas de neuronas, cada una de las cuales genera un valor de activación basado en otras neuronas de la misma capa.

¿Cuál de las siguientes afirmaciones describe CORRECTAMENTE una medida de cobertura de pruebas para redes neuronales?. La cobertura de cambio de valor se basa en que se observe que las neuronas individuales afectan la salida general de la red neuronal. La cobertura de umbral se basa en que las neuronas emitan un valor de activación superior a un valor preestablecido entre cero y uno. La cobertura de neuronas es una medida de la proporción de neuronas que se activan en cualquier momento durante la prueba. La cobertura de cambio de signo mide la cobertura de neuronas que emiten valores de activación positivos, negativos y cero.

¿Cuál de los siguientes requisitos para un sistema basado en IA es MÁS probable que cause un desafío significativo en las pruebas?. El sistema deberá ser más preciso que el sistema al que reemplaza. El componente de IA en el sistema deberá tener una precisión del 100%. Un operador humano deberá poder anular el sistema en 1 segundo. El sistema deberá imitar las emociones humanas de un jugador típico.

¿Cuál de los siguientes factores asociados a los datos de prueba puede dificultar las pruebas de sistemas basados en IA?. Obtener big data con alta velocidad. Obtener datos de una sola fuente. Obtener datos por separado de los científicos de datos. Obtener datos de sitios web públicos.

¿Por qué se debería considerar la precisión de las decisiones humanas en las pruebas, además de la precisión de los sistemas basados en IA?. Las decisiones humanas intuitivas pueden tomarse más rápido que las de un sistema basado en IA en algunas situaciones. Las decisiones poco éticas pueden ser tomadas tanto por humanos como por sistemas basados en IA. La precisión de las decisiones humanas no es relevante para probar sistemas basados en IA. Las decisiones humanas pueden ser de menor calidad cuando han sido recomendadas por un sistema basado en IA.

Una solución de cobro de peajes basada en ML determina el tipo de vehículos entrantes a partir de imágenes capturadas por una cámara. Hay diferentes tipos de cámaras disponibles y el proveedor afirma poder usar cámaras de distintas resoluciones. Las imágenes deben estar en formato JPEG con un tamaño de 320x480 píxeles tanto para entrenar el modelo como para predecir el resultado. El modelo debe poder clasificar los tipos de vehículos con un cierto nivel deseado de precisión y debe probarse contra vulnerabilidades. Cada plaza de peaje tendrá su propio sistema completo, no conectado a ningún otro sistema. ¿Cuáles de los siguientes tipos de pruebas son las MÁS apropiadas para las pruebas del sistema?. Pruebas de deriva de concepto. Pruebas adversarias. Pruebas de escalabilidad. Pruebas de equidad. Pruebas del flujo de datos.

¿Cuál de las siguientes afirmaciones describe MEJOR un desafío de prueba que se aplica específicamente a un sistema autoaprendente?. El sistema requiere reentrenamiento regular y, por lo tanto, pruebas regulares. El sistema se lanza regularmente, lo que significa que se requiere prueba de regresión. El sistema cambia de tal manera que las pruebas que antes pasaban pueden fallar. El sistema requiere un operador humano, que también es necesario para las pruebas.

¿Cuál de las siguientes opciones NO es probable que se requiera para probar un sistema en busca de sesgo?. Involucrar a usuarios seleccionados que se sabe que tienen sesgos. Medir cómo los cambios en las entradas de prueba cambian las salidas de prueba. Observar cómo las salidas de producción se correlacionan con las entradas de producción. Obtener datos adicionales de otras fuentes.

¿Cuál de las siguientes afirmaciones describe MEJOR cómo la complejidad del sistema puede crear desafíos al probar un sistema basado en IA?. Probar el sesgo puede requerir datos que el equipo no tiene. La generación manual de pruebas de caja blanca puede ser difícil. Determinar si un sistema es ético puede ser subjetivo. Puede ser difícil encontrar datos representativos para entrenar un modelo.

Un sistema basado en IA está siendo utilizado por el ministerio de salud para identificar grupos vulnerables de pacientes, quienes recibirán apoyo y asesoramiento para ayudarles a prevenir enfermedades futuras a las que puedan ser susceptibles. Los resultados también se compartirán con otras agencias gubernamentales y compañías de seguros médicos. El sistema se entrena inicialmente con un gran conjunto de datos recopilados por el ministerio de salud de dos encuestas: 5,000 hombres mayores de 50 años y 25,000 mujeres mayores de 30 años. El sistema continuará identificando pacientes vulnerables recopilando información de redes sociales públicas. ¿Cuáles de los siguientes atributos deben considerarse con MÁS cuidado al especificar los objetivos y criterios de aceptación del sistema?. Adaptabilidad. Sesgo. Explicabilidad. Flexibilidad. Autonomía.

Un ingeniero de ML está tratando de encontrar entradas explotables y luego usar estas entradas para reentrenar los modelos y hacerlos inmunes a estas entradas. ¿Cuál de las siguientes opciones describe MEJOR el enfoque que está utilizando el ingeniero de ML?. Validación. Pruebas adversarias. Pruebas del flujo de datos. Pruebas de escalabilidad.

Un gerente de pruebas debe seleccionar técnicas de prueba para probar el software de vehículos autónomos. Hay una gran cantidad de condiciones ambientales (>50) que deben considerarse para siete funciones del vehículo. ¿Cuál de las siguientes técnicas de prueba es MÁS probable que se utilice al probar la variedad de funciones del vehículo (VF) en diferentes condiciones ambientales (EC)?. Pruebas A/B basadas en los parámetros VF y EC. Pruebas de combinación de todos los parámetros de VF y EC. Pruebas por pares (pairwise) de los valores relevantes de VF y EC. Pruebas back-to-back de los valores relevantes de VF y EC.

Un gerente de pruebas decide construir un sistema no basado en IA con funcionalidad similar al sistema basado en IA bajo prueba (SUT) para apoyar las pruebas del sistema. ¿Cuál de las siguientes afirmaciones es MÁS probable que sea CORRECTA?. El gerente de pruebas ha elegido pruebas back-to-back porque ayudan a resolver el problema del oráculo de prueba utilizando un pseudo-oráculo. El gerente de pruebas ha elegido pruebas A/B porque ayudan a resolver el problema del oráculo de prueba utilizando un pseudo-oráculo. El gerente de pruebas ha elegido pruebas back-to-back porque los requisitos no funcionales del SUT pueden verificarse contra el pseudo-oráculo. El gerente de pruebas ha elegido pruebas A/B porque los requisitos no funcionales del SUT pueden verificarse contra el pseudo-oráculo.

Un sistema de búsqueda de teléfonos móviles basado en IA proporciona una lista de teléfonos que considera más adecuados para el usuario, basándose en el uso anterior del teléfono móvil del usuario y sus preferencias especificadas. Dado que se está utilizando prueba metamórfica con el siguiente caso de prueba fuente: Entrada: • Rango de precio seleccionado: $200-$300 • Cámara 3D: No importa • Tamaño de pantalla: mediano a grande • SO: Android o iOS • Duración de batería: No importa Teléfonos recomendados: • SnapHappy_X1 • SnapHappy_M2 • SnapHappy_M3 • ClickNow_1000x • ClickNow_1000xs Y estos datos de prueba para dos casos de prueba de seguimiento: Entrada T1: • Rango de precio: $200-$300 • Cámara 3D: sí • Tamaño de pantalla: mediano a grande • SO: Android o iOS • Duración de batería: No importa Entrada T2: • Rango de precio: $200-$300 • Cámara 3D: no • Tamaño de pantalla: mediano a grande • SO: Android o iOS • Duración de batería: No importa ¿Cuál de las siguientes opciones es MÁS probable que sea una lista válida de teléfonos recomendados para los casos de prueba de seguimiento?. T1: SnapHappy_X1, SnapHappy_M2 T2: ClickNow_1000x, ClickNow_1000xs. T1: SnapHappy_M2, SnapHappy_M3, ClickNow_1000xs T2: SnapHappy_X1, ClickNow_1000x. T1: SnapHappy_X1, SnapHappy_M2, SnapHappy_M3, ClickNow_1000x, ClickNow_1000xs T2: SnapHappy_X1, SnapHappy_M2, SnapHappy_M3. T1: SnapHappy_X1, SnapHappy_M2, SnapHappy_M3, ClickNow_1000x, ClickNow_1000xs T2: SnapHappy_X1, SnapHappy_M2, SnapHappy_M3, ClickNow_1000x, ClickNow_1000xs.

Se está planificando la prueba del sistema de un sistema basado en IA. Se ha sugerido que se utilice la prueba exploratoria además de las técnicas de prueba con guion. ¿Cuál de los siguientes escenarios es MÁS probable que sea un ejemplo de prueba exploratoria?. Los datos de entrenamiento se visualizan usando herramientas para observar varios aspectos de los datos. Se están ejecutando pruebas escritas usando partición de equivalencia durante el ciclo de prueba anterior. Se está utilizando la lista de verificación de pruebas de ML de Google. Se están calculando métricas funcionales de rendimiento de ML.

LAIgal Systems tiene un producto basado en IA para extraer sentencias favorables relevantes similares a un caso legal dado. Este producto es utilizado por jueces en los tribunales. Se proporcionan los detalles del caso actual y el sistema produce sentencias relevantes. El sistema debe estar protegido contra entradas maliciosas. Existe un producto de código abierto similar y disponible. No tener un oráculo de prueba adecuado es un desafío al probar. ¿Cuáles de las siguientes técnicas de prueba deberían seleccionarse para probar la nueva versión durante la prueba del sistema?. Pruebas A/B. Pruebas back-to-back. Pruebas adversarias. Pruebas de transición de estados. Cálculo de métricas funcionales de rendimiento de ML.

¿Cuál de las siguientes afirmaciones es un ejemplo de una diferencia entre un entorno de prueba para sistemas basados en IA y un entorno de prueba para sistemas convencionales?. Los entornos de prueba para sistemas basados en IA pueden requerir algún mecanismo para determinar cómo se tomó una decisión en particular. Los entornos de prueba para sistemas basados en IA necesitan simuladores y entornos virtuales, mientras que los sistemas convencionales no los necesitan. Los entornos de prueba para sistemas basados en IA necesitan grandes cantidades de datos, mientras que los sistemas convencionales no los necesitan. Los entornos de prueba para sistemas basados en IA requieren GPUs, mientras que los sistemas convencionales no los necesitan.

¿En cuál de las siguientes situaciones sería MÁS útil la IA al categorizar nuevos defectos?. Se requiere categorizar un pequeño número de defectos en una nueva aplicación. Se reporta un gran número de defectos en una aplicación pequeña. Se proporciona información mínima en los informes de defectos típicos. Un nuevo equipo de desarrollo necesita saber qué desarrollador es el más adecuado para corregir un defecto.

¿Cuál de las siguientes opciones es MÁS probable que utilice una herramienta de IA como base para generar casos de prueba funcionales?. Una carta de prueba. Una imagen del sistema como un diagrama de flujo. Registros del servidor web. Informes de fallos.

¿Cuál de las siguientes opciones indica CORRECTAMENTE cómo una herramienta basada en IA puede optimizar conjuntos de pruebas de regresión?. Analizando resultados de pruebas con falsos positivos. Analizando información de actividades de prueba anteriores. Usando algoritmos genéticos para crear nuevos casos de prueba. Actualizando los resultados esperados para contrarrestar la deriva de concepto.

¿Cuál de las siguientes opciones indica CORRECTAMENTE cómo una herramienta basada en IA puede realizar predicción de defectos?. Usando lenguaje natural para preguntar a los desarrolladores dónde creen que ocurrirán los defectos. Analizando las causas de los defectos reportados en una base de código similar. Analizando defectos falsos positivos. Escaneando el código para identificar defectos usando reglas.