آزمون‌های شبیه‌ساز ISTQB AI Testing CT-AI v2.0 - ۲۴۰ سوال - ۲۰۲۶ - آخرین آپدیت

آیا برای گواهینامه ISTQB Certified Tester – AI Testing (CT-AI) v2.0 آماده می‌شوید و می‌خواهید میزان آمادگی خود را با سوالات تمرینی با کیفیت و مشابه آزمون واقعی بسنجید؟

این دوره جامع آزمون‌های تمرینی به گونه‌ای طراحی شده است تا تا حد امکان مشابه آزمون واقعی CT-AI v2.0 باشد و سرفصل‌های به‌روز شده منتشر شده در آپریل ۲۰۲۶ (فصل‌های ۱ تا ۷) را پوشش دهد.

با ۶ آزمون کامل تمرینی شامل در مجموع ۲۴۰ سوال، شما اعتماد به نفس و دانش لازم برای قبولی در گواهینامه ISTQB CT-AI v2.0 را در اولین تلاش به دست خواهید آورد. هر سوال با دقت نوشته شده تا با دشواری، ساختار و لحن آزمون واقعی، از جمله سطوح شناختی K1-K4 و سناریوهای تمرینی عملی (H1-H2) مطابقت داشته باشد.

هر سوال همراه با توضیحات مفصل برای پاسخ‌های درست و نادرست است، تا اطمینان حاصل شود که شما نه تنها پاسخ صحیح را می‌دانید، بلکه دلیل اشتباه بودن گزینه‌های دیگر را نیز درک می‌کنید. این رویکرد منحصر به فرد، درک شما را عمیق‌تر کرده و شما را برای هرگونه تغییر در سوالات آزمون واقعی آماده می‌کند؛ مباحثی مانند گردش کارهای ML، معیارهای پوشش شبکه عصبی، تست سوگیری، تست متامورفیک، تشخیص رانش، تست‌های تقابلی و تست استقرار ML در این دوره گنجانده شده است.

آزمون‌های تمرینی ما به شما کمک می‌کند نقاط قوت خود را شناسایی کرده و نقاط نیازمند بهبود را در هر هفت فصل پیدا کنید. با تکمیل این تست‌ها در شرایط زمانی، انضباط و اعتماد به نفس لازم برای موفقیت در آزمون را کسب خواهید کرد.

این دوره برای همسویی ۱۰۰٪ با آخرین سرفصل‌های ISTQB CT-AI v2.0 (نسخه ۲۰۲۶) به‌روزرسانی شده است.

تاریخچه به‌روزرسانی نسخه:

<به‌روزرسانی کلیه جزئیات در ۱۲ می ۲۰۲۶>

پوشش جامع برای CT-AI v2.0

این دوره جامع آزمون‌های تمرینی طراحی شده است تا به تست‌کنندگان AI، مهندسان QA، توسعه‌دهندگان و متخصصان کمک کند آمادگی خود را ارزیابی کرده، مفاهیم را تقویت کنند و بر گواهینامه ISTQB CT-AI v2.0 مسلط شوند.

هر آزمون شبیه‌ساز با دقت طراحی شده تا ۱۰۰٪ سرفصل رسمی نسخه ۲.۰ را پوشش دهد، از جمله: مبانی AI (هوش مصنوعی محدود/عام/ابر)، گردش کارهای ML (یادگیری نظارت شده/بدون نظارت/تقویتی)، شبکه‌های عصبی و معیارهای پوشش (نورون، kMNC, NBC)، تست سوگیری (سوگیری داده‌ای و الگوریتمی)، ویژگی‌های کیفی ISO/IEC 25059 (صحت، استواری، شفافیت، قابلیت مداخله AI)، ملاحظات ایمنی، چالش‌های اوراکل تست، تیم قرمز برای GenAI/LLM، تست داده‌های ورودی (خط لوله داده، نمایندگی، صحت برچسب، محدودیت‌های مجموعه داده)، تست مدل (متامورفیک، تقابلی، رانش، بیش‌برازش/کم‌برازش، A/B، تست پشت به پشت) و تست توسعه/استقرار ML (تست سایه، کاناری، بازگشت/Rollback، تست API).

این دوره به طور منظم به‌روزرسانی می‌شود تا با ISTQB CT-AI v2.0 و روش‌های در حال تکامل تست AI همسو باقی بماند.

چرا این دوره آزمون تمرینی ISTQB CT-AI v2.0 منحصر به فرد است؟

• ۶ آزمون شبیه‌ساز کامل: در مجموع بیش از ۲۴۰ سوال که ساختار آزمون واقعی و وزن‌دهی فصل‌های ISTQB CT-AI v2.0 را شبیه‌سازی می‌کند.

• پوشش ۱۰۰٪ سرفصل‌ها: پوشش تمامی مباحث سطوح K، از K1 (به خاطر سپردن) تا K4 (تحلیل) مطابق با سرفصل رسمی نسخه ۲.۰.

• دسته‌بندی متنوع سوالات: این دوره آمادگی جامع در تمام سطوح دانشی ISTQB CT-AI را تضمین می‌کند:

  • K1 – به خاطر سپردن: یادآوری حقایق کلیدی، تعاریف و اصطلاحات AI/ML (مانند انواع ML، اصطلاحات ماتریس اغتشاش، معیارهای پوشش).

  • K2 – درک کردن: توضیح و تفسیر مفاهیم تست AI، گردش کارهای ML، ویژگی‌های کیفی ISO/IEC 25059 و راهکارهای اوراکل تست.

  • K3 – به‌کارگیری: استفاده از اصول و روش‌های تست AI در سناریوهای عملی (مانند محاسبه معیارهای عملکرد کاربردی ML، اجرای تست متامورفیک، پیاده‌سازی تیم قرمز).

  • K4 – تحلیل کردن: تجزیه و تحلیل سیستم‌های پیچیده AI برای شناسایی سوگیری‌ها، رانش مدل (داده/مفهوم)، بیش‌برازش/کم‌برازش و آسیب‌پذیری‌های تقابلی.

• فرمت مشابه آزمون واقعی: سوالات چهارگزینه‌ای و سوالاتی با چندین پاسخ صحیح با توزیع متوازن پاسخ‌ها.

• توضیحات جامع: هر سوال شامل استدلال‌های مفصل برای تمام گزینه‌ها است تا متوجه شوید چرا یک پاسخ درست و بقیه نادرست هستند.

• همسویی با آخرین سرفصل (v2.0): مباحثی شامل AI مولد، سیستم‌های بسته در مقابل تطبیقی، تست آماری (MoE, CL)، تیم قرمز، تست خط لوله داده، تست متامورفیک، تست رانش، تست A/B و استقرار ML.

• نگاشت سوالات به فصل‌ها: هر سوال به فصل مربوطه (۱-۷) و هدف آموزشی متصل شده است تا یادگیرندگان بتوانند پوشش سرفصل‌ها را به طور موثر ردیابی کنند.

• سوالات مبتنی بر سناریو: مثال‌های عملی و واقعی که شرایط آزمون ISTQB CT-AI v2.0، از جمله سناریوهای تمرینی (H1-H2) را بازسازی می‌کند.

• توزیع وزن سوالات: سوالات مطابق با وزن‌دهی رسمی فصل‌ها (فصل۱:۱۵٪، فصل۲:۷.۵٪، فصل۳:۱۷.۵٪، فصل۴:۱۷.۵٪، فصل۵:۱۵٪، فصل۶:۲۲.۵٪، فصل۷:۵٪) هستند.

• تمرین زمان‌دار: شبیه‌سازی مدت زمان واقعی آزمون برای مدیریت زمان و افزایش اعتماد به نفس.

• ایده‌آل برای تست‌کنندگان AI و مهندسان QA: کسب مهارت برای گواهینامه v2.0 و تست واقعی سیستم‌های ML در دنیای واقعی.

• بانک سوالات تصادفی: سوالات و گزینه‌ها در هر تلاش جابجا می‌شوند تا از حفظ کردن جلوگیری شده و یادگیری فعال تشویق شود.

• تحلیل عملکرد: دریافت تحلیل‌های تفکیک شده بر اساس فصل و حوزه برای شناسایی نقاط قوت و ضعف، با تمرکز بر مباحث AI مسئولانه، تشخیص رانش و استقرار مدل.

• کاربرد عملی در دنیای واقعی: تقویت دانش از طریق سوالات حل مسئله و سناریو-محور در تمامی مباحث سرفصل v2.0.

جزئیات آزمون – ISTQB Certified Tester – AI Testing (CT-AI) v2.0

• برگزارکننده آزمون: ISTQB (International Software Testing Qualifications Board)

• نام آزمون: ISTQB Certified Tester – AI Testing (CT-AI) v2.0

• گواهینامه پیش‌نیاز: ISTQB Certified Tester Foundation Level (CTFL) نسخه ۴.۰ یا بالاتر

• فرمت آزمون: سوالات چهارگزینه‌ای (MCQs) – تک پاسخی و چند پاسخی

• اعتبار گواهینامه: مادام‌العمر (نیازی به تمدید ندارد)

• تعداد سوالات: ۴۰ سوال

• مجموع امتیازات: ۴۴ امتیاز (ترکیبی از سوالات ۱ و ۲ امتیازی بر اساس سطح شناختی K1-K2 در مقابل K3-K4)

• نمره قبولی: ۲۹ امتیاز از ۴۴ امتیاز (تقریباً ۶۶٪)

• مدت زمان آزمون: ۶۰ دقیقه (۷۵ دقیقه برای داوطلبانی که زبان مادری‌شان زبان آزمون نیست)

• وزن سوالات: متغیر – سوالات دانشی (K1-K2) هر کدام ۱ امتیاز و سوالات کاربردی/تحلیلی (K3-K4) هر کدام ۲ امتیاز دارند

• زبان: انگلیسی (نسخه‌های بومی شده ممکن است توسط بردهای عضو ISTQB ارائه شود)

• نسخه سرفصل: CT-AI v2.0 (منتشر شده در ۱۷ آپریل ۲۰۲۶)

• بخش‌های آزمون: هر هفت فصل قابل آزمون هستند (مقدمه‌ای بر AI، ویژگی‌های کیفی، یادگیری ماشین، تست سیستم‌های مبتنی بر AI، تست داده‌های ورودی، تست مدل، تست توسعه ML) مطابق با وزن‌دهی رسمی

• اهداف عملی (H1-H2): به طور مستقیم مورد سوال قرار نمی‌گیرند اما از درک سوالات سناریو-محور K3-K4 پشتیبانی می‌کنند

  
  

سرفصل‌های دقیق و وزن مباحث

آزمون گواهینامه ISTQB CT-AI 2.0 درک شما از اصول تست AI، تست یادگیری ماشین، ویژگی‌های کیفی، اتوماسیون تست AI و کاربرد عملی تست سیستم‌های مبتنی بر AI را ارزیابی می‌کند. سرفصل به ۷ دامنه تقسیم شده است که سطوح دانشی K1-K4 را پوشش می‌دهد.

دامنه ۱: مقدمه‌ای بر هوش مصنوعی (~۱۵٪ – ۶ سوال)

• تعاریف AI (هوش مصنوعی محدود، عام، ابر)

• سیستم‌های مبتنی بر AI در مقابل سیستم‌های متداول

• هوش مصنوعی مولد (GenAI) و AI پیشرو (Frontier AI)

• تکنولوژی‌های AI: یادگیری ماشین، یادگیری عمیق (CNN, RNN, transformers)، پردازش زبان طبیعی (NLP)، بینایی ماشین

• سخت‌افزار برای ML: CPU, GPU, ASIC, پردازنده‌های نورومورفیک

• توسعه و میزبانی مدل AI: محلی (On-premises)، ابری، AI به عنوان سرویس (AlaaS)

• فریم‌ورک‌های توسعه ML (مانند TensorFlow, PyTorch)

• مقررات و استانداردها: قانون AI اتحادیه اروپا، اصول AI سازمان OECD، استانداردهای ISO/IEC

دامنه ۲: ویژگی‌های کیفی برای سیستم‌های مبتنی بر AI (~۷.۵٪ – ۳ سوال)

• توسعه‌های مدل کیفی ISO/IEC 25059

• صحت کاربردی AI (پذیرش مبتنی بر آستانه)

• تطبیق‌پذیری کاربردی، کنترل‌پذیری کاربر، شفافیت

• استواری (Robustness) و قابلیت مداخله AI

• کاهش ریسک‌های اجتماعی و اخلاقی (عدالت، پاسخگویی، پایداری)

• ملاحظات ایمنی در سیستم‌های مبتنی بر AI (غیرقطعی بودن، خودیادگیری، توضیح‌پذیری)

• معیارهای پذیرش برای سیستم‌های مبتنی بر AI (آماری، احتمالی، مبتنی بر آستانه)

دامنه ۳: یادگیری ماشین (~۱۷.۵٪ – ۷ سوال)

• یادگیری نظارت شده (طبقه‌بندی، رگرسیون ML)

• یادگیری بدون نظارت (خوشه‌بندی، تداعی)

• یادگیری تقویتی

• گردش کار ML: اهداف، انتخاب فریم‌ورک، انتخاب الگوریتم، آماده‌سازی داده‌ها، آموزش، ارزیابی، تنظیم (Tuning)، تست، استقرار، مانیتورینگ

• مدل‌های پیش‌آموزش‌دیده، تنظیم دقیق (Fine-tuning)، تولید تقویت‌شده با بازیابی (RAG)

• مجموعه داده‌های آموزش، اعتبارسنجی و تست (شامل k-fold cross-validation)

• ساختار شبکه عصبی: لایه‌های ورودی/پنهان/خروجی، نورون‌ها، توابع فعال‌ساز، وزن‌ها، بایاس‌ها

• معیارهای پوشش: پوشش نورون، پوشش نورون چندبخش k (kMNC)، پوشش مرزی نورون (NBC)

دامنه ۴: تست داده‌های ورودی برای سیستم‌های یادگیری ماشین (~۱۵٪ – ۶ سوال)

• فعالیت‌های آماده‌سازی داده‌ها: اکتساب، پیش‌پردازش (پاک‌سازی، تبدیل، افزایش داده)، مهندسی ویژگی

• تحلیل اکتشافی داده‌ها (EDA)

• ریسک‌های داده‌های ورودی و کاهش آن‌ها (سوگیری، داده‌های مسموم، داده‌های گم‌شده، عدم تعادل)

• تست برای سوگیری: سوگیری داده‌ای، سوگیری الگوریتمی، تحلیل تاثیرات نابرابر، متقابل‌ها (Counterfactuals)

• تست خط لوله داده: تست کامپوننت، یکپارچگی، سیستم، یکپارچگی سیستم، تست محیط تولید

• تست نمایندگی داده‌ها: تعریف جامعه هدف، ارزیابی آماری (Chi-squared, Kolmogorov-Smirnov)

• تست محدودیت‌های مجموعه داده: محدودیت‌های تک‌مقداری (گم‌شده، بازه، نوع)، محدودیت‌های چندمقداری (جمع، تعداد، تکرار، پرت)، محدودیت‌های مقایسه‌ای

• تست صحت برچسب‌ها: بررسی توسط متخصص، حاشیه‌نویسی چندگانه (IAA, Cohen’s Kappa)، تحلیل تلفات مدل، تحلیل امتیاز اطمینان

دامنه ۵: تست مدل برای سیستم‌های یادگیری ماشین (~۲۲.۵٪ – ۹ سوال)

• ریسک‌های مدل ML و کاهش آن‌ها (سوگیری، بیش‌برازش، کم‌برازش، مثال‌های تقابلی، رانش)

• مستندسازی و بررسی مدل ML (کارت‌های مدل، دیتاشیت‌ها برای مجموعه‌داده‌ها، شفافیت)

• تست عملکرد کاربردی ML برای سیستم‌های احتمالی (حاشیه خطا - MoE، سطح اطمینان - CL، محاسبه اندازه نمونه)

• تست تقابلی: مثال‌های تقابلی، جعبه سیاه در مقابل جعبه سفید، قابلیت انتقال

• تست متامورفیک: روابط متامورفیک (MRs)، تست کیس‌های منبع و تکمیلی، یکنوایی، تغییرناپذیری، سازگاری

• تست رانش (Drift): رانش داده‌ها، رانش مفهوم، تشخیص رانش استاتیک در مقابل دینامیک

• تشخیص بیش‌برازش و کم‌برازش (ارزیابی مجموعه داده تست، منحنی‌های یادگیری)

• تست A/B برای مقایسه مدل‌ها

• تست پشت به پشت (شبه-اوراکل‌ها، توسعه مستقل)

دامنه ۶: نمای کلی تست سیستم‌های مبتنی بر AI (~۱۷.۵٪ – ۷ سوال)

• سیستم‌های AI بسته در مقابل تطبیقی (پیامدهای تست‌پذیری)

• منطق رویکرد آماری (غیرقطعی بودن، عملکرد توزیعی، عدم قطعیت، سوگیری، بافتار نظارتی)

• مشکل اوراکل تست: ماهیت احتمالی، مشخصات ناقص، پیچیدگی، ذهنی بودن، خودیادگیری

• راهکارها: مرزهای خروجی/محیطی، مشاوره با متخصص، تست‌های تخصصی (A/B, back-to-back, metamorphic)، اوراکل‌های پروکسی

• تست AI مولد و LLMها: تست جعبه سیاه، مشکل انفجار ورودی، پنجره کانتکست، مجموعه‌های بنچ‌مارک، تیم قرمز

• تیم قرمز: حملات نقص، قابلیت‌های مضر (امنیت، ایمنی، عدالت، سوگیری، اطلاعات نادرست)

• تست اکتشافی LLMها

• سطوح تست برای سیستم‌های ML: تست داده‌های ورودی، تست مدل، کامپوننت، یکپارچگی، سیستم، پذیرش

• تست مبتنی بر ریسک برای سیستم‌های ML (ریسک‌های پروژه: توسعه، فریم‌ورک؛ ریسک‌های محصول: داده‌های ورودی، مدل)

دامنه ۷: تست توسعه یادگیری ماشین (~۵٪ – ۲ سوال)

• ریسک‌های توسعه ML و کاهش آن‌ها: نقص‌های API، انتخاب/نصب فریم‌ورک، انتخاب الگوریتم/هایپرپارامتر، تخصیص داده، رویکرد ارزیابی، آسیب‌پذیری‌های امنیتی

• رویکردهای تست: تست API، بررسی تناسب فریم‌ورک، تست سوگیری، تست دود (Smoke)، تست عملکرد، تست کاربردپذیری، تست امنیت، تست A/B، تست پشت به پشت

• انواع تست استقرار:

  • تست قابلیت نصب

  • تست بازگشت (Rollback)

  • تست کاناری (Canary)

  • تست سایه (Shadow)

  • تست تبدیل مدل

  • تست بین-دستگاهی (Cross-device)

  • تست API

ساختار آزمون تمرینی و استراتژی آمادگی

• برای آزمون گواهینامه ISTQB CT-AI v2.0 با تست‌های شبیه‌ساز واقعی آماده شوید که درک مفهومی، آمادگی عملی و اعتماد به نفس شما را افزایش می‌دهد.

• ۶ آزمون کامل تمرینی: ۶ آزمون جامع با ۴۰ سوال در هر کدام (در مجموع ۲۴۰ سوال)، زمان‌دار و امتیازدهی شده، که ساختار و پیچیدگی سرفصل‌های به‌روز v2.0 را منعکس می‌کند.

• دسته‌بندی متنوع سوالات: سوالات در چندین سطح شناختی (K1-K4) مطابق با اهداف آموزشی آخرین نسخه CT-AI v2.0 طراحی شده‌اند.

• سوالات دانش-محور (K1-K2): هر کدام ۱ امتیاز، با تمرکز بر یادآوری تئوری، تعاریف و مفاهیم پایه AI/ML (~۵۰٪ سوالات).

• سوالات کاربردی و تحلیلی (K3-K4): مبتنی بر سناریو یا تحلیلی، هر کدام ۲ امتیاز، برای تست کاربرد، استدلال و تحلیل (~۵۰٪ امتیازات کل).

• عناصر عملی (H1-H2): فعالیت‌های کاربردی از فصل‌های ۳، ۴، ۵ و ۶ برای تقویت وظایف واقعی تست AI.

• توضیحات جامع: استدلال‌های مفصل برای گزینه‌های درست و غلط جهت بهبود یادگیری و رفع کج‌فهمی‌های رایج.

• شبیه‌سازی زمان‌دار و امتیازدهی شده: تمرین در زمان‌بندی واقعی برای توسعه تمرکز، سرعت و استقامت برای آزمون اصلی.

• بانک سوالات تصادفی: جابجایی سوالات و گزینه‌ها در هر تلاش برای جلوگیری از حفظ کردن و تضمین درک واقعی.

• تحلیل عملکرد: تحلیل‌های تفکیک شده برای شناسایی نقاط قوت و ضعف با تمرکز بر معیارهای عملکرد ML، تشخیص سوگیری، اوراکل‌های تست و تست رانش.

سوال ۱

کدام اصطلاح پدیده‌ای را توصیف می‌کند که در آن یک مدل زبانی بزرگ (LLM) خروجی‌ای تولید می‌کند که از نظر دستوری روان و از نظر متنی پذیرفتنی است اما از نظر واقعیت نادرست است؟

گزینه‌ها:

الف. فراموشی (Forgetting)
ب. توهم (Hallucination)
ج. بیش‌برازش (Overfitting)
د. کم‌برازش (Underfitting)

پاسخ: ب

توضیحات:

• الف: نادرست. فراموشی (یا فراموشی فاجعه‌بار) توصیف‌کننده از دست دادن دانش قبلی مدل هنگام آموزش روی داده‌های جدید است.

• ب: درست. توهم اصطلاح استاندارد برای این پدیده است که در آن LLM اطلاعاتی ساختگی یا نادرست تولید می‌کند در حالی که ظاهر آن متقاعدکننده است.

• ج: نادرست. بیش‌برازش زمانی رخ می‌دهد که مدل داده‌های آموزش را بیش از حد دقیق (شامل نویز) یاد بگیرد و روی داده‌های جدید ضعیف عمل کند.

• د: نادرست. کم‌برازش زمانی رخ می‌دهد که مدل نتواند الگوهای کافی را از داده‌های آموزش یاد بگیرد.

دامنه: یادگیری ماشین
سطح K: K1 – به خاطر سپردن

سوال ۲

یک مدیر تست در یک شرکت نرم‌افزاری در حال ارزیابی سه ابزار LLM برای ادغام در خط لوله اتوماسیون تست است. یکی از معیارها میزان پشتیبانی هر ابزار از انطباق بعدی با دامنه تست خاص سازمان بدون نیاز به آموزش مجدد از صفر است. با توجه به معیارهای ارزیابی زیر:

الف. ابزار از تنظیم دقیق (Fine-tuning) روی مجموعه‌داده‌های سفارشی برای تطبیق خروجی‌ها با اصطلاحات خاص دامنه و الگوهای تست پشتیبانی می‌کند.

ب. ابزار کانکتورهای پیش‌ساخته برای پلتفرم‌های مدیریت تست موجود ارائه می‌دهد.

ج. سازمان می‌تواند وزن‌های مدل تطبیق‌یافته را پس از تنظیم دقیق صادر کرده و مالک آن باشد.

د. فروشنده تضمین می‌کند که تأخیر در استنباط (Inference Latency) برای ۹۹٪ درخواست‌ها زیر ۲۰۰ میلی‌ثانیه باشد.

کدام ترکیب از معیارها به بهترین وجه پتانسیل «تنظیم دقیق» (Fine-tuning) را به عنوان یک ملاک انتخاب منعکس می‌کند؟

گزینه‌ها:

الف. a و c
ب. c و d
ج. a و b
د. b و d

پاسخ: الف

توضیحات:

• الف: درست. معیار a (پشتیبانی از تنظیم دقیق) مستقیماً به توانایی تطبیق مدل با نیازهای دامنه اشاره دارد. معیار c (مالکیت وزن‌های مدل) تضمین می‌کند که سازمان بدون وابستگی به فروشنده، کنترل مدل را حفظ کند. این دو با هم پتانسیل تنظیم دقیق را به طور کامل پوشش می‌دهند.

• ب: نادرست. معیار d یک معیار عملکردی (SLA) است و ربطی به قابلیت تنظیم دقیق ندارد.

• ج: نادرست. معیار b مربوط به سازگاری در یکپارچه‌سازی است، نه پتانسیل تنظیم دقیق.

• د: نادرست. هر دو معیار b و d ویژگی‌های عملیاتی و interoperability را توصیف می‌کنند و معیاری برای تنظیم دقیق نیستند.

دامنه: تست داده‌های ورودی برای سیستم‌های ML
سطح K: K2 – درک کردن

سوال ۳

یک سرپرست تست در یک سازمان پلتفرم مالی در حال ادغام یک دستیار طبقه‌بندی نقص مبتنی بر LLM در گردش کار تست رگرسیون برای یک سیستم پردازش تراکنش‌های بانکی است. پس از استقرار اولیه، سرپرست متوجه می‌شود که دستیار گاهی نقص‌ها را به عنوان «حل شده» طبقه‌بندی می‌کند، در حالی که نقص واقعی هنوز وجود دارد و در محیط تست قابل تکرار است. برای رفع این ریسک توهم، سرپرست باید بررسی‌های سازگاری را پیاده‌سازی کند که تشخیص دهد چه زمانی خروجی LLM با شواهد قابل تایید موجود در محیط تست در تضاد است. با توجه به محدودیت‌های عملیاتی یک گردش کار رگرسیون زنده، کدام یک از استراتژی‌های بررسی سازگاری زیر به طور موثرترین حالت توهم LLM را در خروجی‌های طبقه‌بندی نقص تشخیص می‌دهد؟

گزینه‌ها:

الف. پیاده‌سازی یک مرحله اعتبارسنجی متقاطع (Cross-validation) خودکار که تست کیس مرتبط با هر نقص طبقه‌بندی شده توسط LLM را مجدداً اجرا کرده و نتیجه اجرای زنده را با طبقه‌بندی LLM مقایسه کند، پیش از آنکه خروجی را به عنوان معتبر بپذیرد.
ب. پیاده‌سازی یک فیلتر فرکانس کلمات کلیدی که خروجی‌های LLM حاوی توکن‌های پرتکرار مرتبط با ادعاهای حل مشکل را رد کرده و برای تمام خروجی‌های علامت‌گذاری شده، طبقه‌بندی پیش‌فرض «حل نشده» را جایگزین کند.
ج. پیاده‌سازی یک دروازه بررسی انسانی که مستلزم تایید دستی هر خروجی طبقه‌بندی نقص توسط یک مهندس تست باشد، صرف‌نظر از امتیاز اطمینان.
د. پیاده‌سازی یک فیلتر آستانه شباهت کسینوسی (Cosine Similarity) که خروجی‌های LLM را در صورتی که امتیاز شباهت معنایی آن‌ها نسبت به شرح نقص پایین‌تر از حد تعریف شده باشد رد کرده و آن‌ها را با مشابه‌ترین طبقه‌بندی تاریخی جایگزین کند.

پاسخ: الف

توضیحات:

• الف: درست. اعتبارسنجی متقاطع خودکار با اجرای مجدد تست کیس و مقایسه نتیجه زنده با طبقه‌بندی LLM، مستقیماً ادعاهای توهم‌آمیز را با ارائه شواهد واقعی (Ground-truth) تشخیص می‌دهد و قابل‌مقیاس‌ترین استراتژی برای گردش کار رگرسیون است.

• ب: نادرست. فیلتر کلمات کلیدی بر اساس الگوهای لغوی است، نه تایید واقعیت. هم ادعاهای توهمی و هم حل‌های درست از کلمات کلیدی مشابهی استفاده می‌کنند.

• ج: نادرست. بررسی دستی تمام خروجی‌ها در یک خط لوله CI با حجم بالا قابل مقیاس نیست و از شواهد محیط تست استفاده نمی‌کند.

• د: نادرست. شباهت کسینوسی شباهت معنایی را می‌سنجد، نه صحت واقعیت. یک ادعای توهمی می‌تواند از نظر معنایی شبیه به شرح نقص باشد اما در واقعیت غلط باشد.

دامنه: یادگیری ماشین
سطح K: K3 – به‌کارگیری

استراتژی آمادگی و راهنمای مطالعه

• مفاهیم را درک کنید، نه فقط سوالات را: از این تست‌ها برای شناسایی نقاط ضعف استفاده کنید، اما مطالعه خود را با سرفصل رسمی ISTQB CT-AI v2.0 (فصل‌های ۱-۷) تکمیل کنید.

• هدف را روی نمره +۸۰٪ در تست‌های تمرینی قرار دهید: آزمون واقعی برای قبولی به ۲۹ امتیاز از ۴۴ نیاز دارد (تقریباً ۶۶٪)؛ کسب نمرات بالاتر در تمرینات، تسلط شما را در تمام سطوح K1-K4 افزایش می‌دهد.

• توضیحات را با جزئیات مرور کنید: به دقت بررسی کنید که چرا هر پاسخ درست یا غلط است تا از اشتباهات مفهومی، به‌ویژه در سوالات سناریو-محور مربوط به تشخیص سوگیری و تست‌های متامورفیک جلوگیری کنید.

• شرایط واقعی آزمون را شبیه‌سازی کنید: آزمون‌های شبیه‌ساز را در جلسات زمان‌دار و بدون حواس‌پرتی انجام دهید تا تمرکز و سرعت خود را افزایش دهید (۶۰ دقیقه برای ۴۰ سوال).

• کاربرد عملی: دانش تست AI را از طریق مثال‌های کاربردی مطابق با اهداف عملی سرفصل (H1-H2) مانند ایجاد مدل ML، آماده‌سازی داده‌ها و تست اکتشافی LLM تقویت کنید.

چرا این دوره ارزشمند است؟

• شبیه‌سازی واقع‌بینانه آزمون مطابق با فرمت ISTQB CT-AI v2.0 شامل سطوح دانشی K1 تا K4.

• پوشش کامل سرفصل‌ها از مبانی AI و گردش کارهای ML تا تست‌های استقرار و ویژگی‌های کیفی ISO/IEC 25059.

• توضیحات عمیق برای پاسخ‌های درست و غلط جهت درک بهتر اوراکل‌های تست و تست‌های آماری.

• تست‌های زمان‌دار و امتیازدهی شده با سوالات تصادفی مطابق با وزن‌دهی رسمی فصل‌ها.

• طراحی شده مخصوص تست‌کنندگان AI، مهندسان QA و توسعه‌دهندگانی که برای CT-AI v2.0 آماده می‌شوند.

• به‌روزرسانی شده بر اساس آخرین سرفصل ISTQB (نسخه آپریل ۲۰۲۶).

دلایل برتر برای شرکت در این آزمون تمرینی

• ۶ آزمون شبیه‌ساز کامل با بیش از ۲۴۰ سوال

• پوشش ۱۰۰٪ سرفصل رسمی ISTQB CT-AI v2.0

• سوالات واقع‌بینانه تک‌گزینه‌ای و چندگزینه‌ای

• استدلال‌های مفصل برای تمامی پاسخ‌ها

• توزیع متوازن سوالات در سطوح K1-K4

• شبیه‌سازی‌های زمان‌دار برای بازسازی شرایط آزمون

• بانک سوالات تصادفی برای یادگیری فعال

• دسترسی در هر زمان و مکان با دسکتاپ یا موبایل

• به‌روزرسانی‌های مادام‌العمر برای تغییرات سرفصل

این دوره شامل چه مواردی است؟

• ۶ آزمون تمرینی کامل: شبیه‌سازی شرایط واقعی برای تست آمادگی، هر کدام با ۴۰ سوال (۴۴ امتیاز کل)

• دسترسی در موبایل: مطالعه در هر زمان و مکان روی گوشی یا تبلت

• دسترسی مادام‌العمر: یادگیری با سرعت شخصی بدون تاریخ انقضا

• ضمانت بازگشت وجه: سیاست بازگشت وجه ۳۰ روزه بدون پرسش

این دوره برای چه کسانی است؟

• متخصصانی که برای آزمون ISTQB CT-AI v2.0 آماده می‌شوند

• مهندسان QA، سرپرستان تست و تست‌کنندگان اتوماسیونی که وارد حوزه تست AI برای سیستم‌های ML می‌شوند

• توسعه‌دهندگان و متخصصان IT که می‌خواهند مهارت‌های تست AI (تست داده، مدل و استقرار) را ارتقا دهند

• علاقه‌مندان به AI/ML که هدفشان دریافت گواهینامه ISTQB AI Testing v2.0 است

• متخصصانی که با چالش‌های واقعی تست AI مانند سوگیری، رانش داده‌ها و مشکلات اوراکل تست مواجه هستند

• تغییر دهندگان مسیر شغلی که به دنبال تخصص در AI QA و اتوماسیون تست برای گردش کارهای ML هستند

چه چیزهایی خواهید آموخت؟

• اصول پایه AI و ML، شامل شبکه‌های عصبی، معیارهای پوشش (Neuron, kMNC, NBC) و گردش کارهای ML.

• تکنیک‌های طراحی، اجرا و اعتبارسنجی تست AI مخصوص سیستم‌های بسته در مقابل تطبیقی.

• تشخیص سوگیری، توضیح‌پذیری (XAI)، شفافیت، استواری و ایمنی سیستم‌های AI مطابق ISO/IEC 25059.

• تست‌های سناریو-محور برای سیستم‌های ML با استفاده از تست‌های متامورفیک، تقابلی، رانش، A/B و پشت به پشت.

• تکنیک‌های تست داده‌های ورودی: تست خط لوله داده، تست نمایندگی، تست محدودیت‌های مجموعه داده و صحت برچسب‌ها.

• تست توسعه و استقرار ML: تست سایه، کاناری، بازگشت، تبدیل مدل و تست API.

• مدیریت زمان و استراتژی‌های شرکت در آزمون ISTQB CT-AI v2.0.

• دانش کاربردی برای قبولی با اعتماد به نفس در آزمون گواهینامه ISTQB CT-AI v2.0.

نیازمندی‌ها / پیش‌نیازها

• داشتن گواهینامه ISTQB Foundation Level (CTFL) الزامی است (نسخه ۴.۰ یا بالاتر)

• درک پایه از اصول تست نرم‌افزار

• آشنایی با مفاهیم AI، ML یا شبکه‌های عصبی مفید است اما الزامی نیست

• کامپیوتر با دسترسی به اینترنت برای شرکت در آزمون‌های شبیه‌ساز آنلاین

• کنجکاوی برای یادگیری تست AI، تشخیص سوگیری، مانیتورینگ رانش و تست چرخه حیات سیستم‌های AI