
Basiswissen KI-Testen
Description
Alles über E-Books | Antworten auf Fragen rund um E-Books, Kopierschutz und Dateiformate finden Sie in unserem Info- & Hilfebereich.
More details
Other editions
Additional editions


Persons
Content
- Cover
- Über den Autor
- Titel
- Impressum
- Einleitung
- Inhaltsübersicht
- Inhaltsverzeichnis
- 1 Einführung in KI
- 1.1 Definition von KI und der KI-Effekt
- 1.2 Schwache KI, starke KI und die künstliche Superintelligenz
- 1.3 KI-basierte Systeme und klassische Systeme
- 1.4 KI-Techniken
- 1.4.1 Exkurs: KI-Techniken im Detail
- 1.5 KI-Entwicklungs-Frameworks
- 1.6 Hardware für KI-basierte Systeme
- 1.7 KI als Service (AI as a Service, AIaaS)
- 1.8 Vortrainierte Modelle
- 1.9 Normen, Vorschriften und KI
- 1.9.1 Exkurs: Liste einiger Normen und Standards mit KI-Bezug
- 2 Qualitätsmerkmale KI-basierter Systeme
- 2.1 Flexibilität und Anpassbarkeit
- 2.2 Autonomie von Systemen
- 2.3 Evolution
- 2.4 Bias
- 2.4.1 Exkurs: Weitere Arten des Bias
- 2.5 Ethik
- 2.6 Seiteneffekte und Reward Hacking
- 2.6.1 Seiteneffekte
- 2.6.2 Reward Hacking
- 2.7 Transparenz, Interpretierbarkeit und Erklärbarkeit
- 2.8 Funktionale Sicherheit und KI
- 3 Maschinelles Lernen (ML) - ein Einstieg
- 3.1 Arten des maschinellen Lernens (ML)
- 3.1.1 Überwachtes Lernen
- 3.1.2 Unüberwachtes Lernen
- 3.1.3 Bestärkendes Lernen
- 3.1.4 Exkurs: Das Wissen einer KI - der Unterschied zwischen Korrelation und Kausalität
- 3.2 ML-Workflow
- 3.2.1 Exkurs: Alternative Workflows
- 3.3 Auswahl einer Art von ML
- 3.3.1 Übung: Wahl der passenden ML-Art
- 3.4 Faktoren, die bei der Auswahl von ML-Algorithmen eine Rolle spielen
- 3.5 Overfitting und Underfitting
- 3.5.1 Overfitting
- 3.5.2 Underfitting
- 3.5.3 Übung: Demonstration von Overfitting und Underfitting
- 4 ML-Daten - ein Einstieg
- 4.1 Datenvorbereitung als Teil des ML-Workflows
- 4.1.1 Datenbeschaffung
- 4.1.2 Vorverarbeitung der Daten
- 4.1.3 Merkmalsermittlung
- 4.1.4 Herausforderungen bei der Datenvorbereitung
- 4.1.5 Übung: Datenvorbereitung für ML
- 4.2 Trainings-, Validierungs- und Testdatensätze
- 4.2.1 Übung: Identifizieren von Trainings- und Testdaten und Erstellen eines ML-Modells
- 4.2.2 Exkurs: Aufteilungsmethoden für Trainings- und Validierungsdaten
- 4.3 Probleme mit der Datensatzqualität
- 4.4 Datenqualität und ihre Auswirkungen auf das ML-Modell
- 4.4.1 Übung: Aspekte der Datenqualität
- 4.5 Datenkennzeichnung für überwachtes Lernen
- 4.5.1 Ansätze zur Datenkennzeichnung
- 4.5.2 Falsch gekennzeichnete Daten in Datensätzen
- 5 Funktionale Leistungsmetriken - ein Einstieg
- 5.1 Konfusionsmatrix
- 5.1.1 Übung: Metriken einsetzen
- 5.2 Zusätzliche funktionale Leistungsmetriken von ML für Klassifikation, Regression und Clusterbildung
- 5.3 Beschränkungen der funktionalen Leistungsmetriken von ML
- 5.4 Auswahl funktionaler Leistungsmetriken von ML
- 5.4.1 Übung: Evaluieren eines erstellten ML-Modells
- 5.5 Benchmark-Suiten für ML
- 6 Neuronale Netze und Testen
- 6.1 Neuronale Netze
- 6.1.1 Übung: Training eines neuronalen Netzes
- 6.2 Überdeckungsmaße für neuronale Netze
- 7 Testen KI-basierter Systeme im Überblick
- 7.1 Spezifikation KI-basierter Systeme
- 7.2 Teststufen für KI-basierte Systeme
- 7.2.1 Eingabedatentest
- 7.2.2 ML-Modelltest
- 7.2.3 Komponententest
- 7.2.4 Komponentenintegrationstest
- 7.2.5 Systemtest
- 7.2.6 Abnahmetest
- 7.3 Testdaten zum Testen KI-basierter Systeme
- 7.4 Testen auf Automatisierungsbias in KI-basierten Systemen
- 7.5 Dokumentieren einer KI-Komponente
- 7.6 Testen auf Konzeptdrift
- 7.7 Auswahl einer Testvorgehensweise für ein ML-System
- 8 Testen KI-spezifischer Qualitätsmerkmale - ein Einstieg
- 8.1 Herausforderungen beim Testen selbstlernender Systeme
- 8.2 Test von autonomen KI-basierten Systemen
- 8.3 Testen auf algorithmischen, stichprobenartigen und unangemessenen Bias
- 8.4 Herausforderungen beim Testen probabilistischer und nichtdeterministischer KI-basierter Systeme
- 8.5 Herausforderungen beim Testen komplexer KI-basierter Systeme
- 8.5.1 Übung: Herausforderungen bei der Verwendung eines künstlichen neuronalen Netzes
- 8.6 Testen der Transparenz, Interpretierbarkeit und Erklärbarkeit KI-basierter Systeme
- 8.6.1 Übung: Erklärbare KI
- 8.7 Testorakel für KI-basierte Systeme
- 8.8 Testziele und Akzeptanzkriterien
- 8.8.1 Übung: Akzeptanzkriterien
- 9 Methoden und Verfahren für das Testen KI-basierter Systeme
- 9.1 Gegnerische Angriffe und Datenverunreinigung
- 9.1.1 Gegnerische Angriffe
- 9.1.2 Datenverunreinigung
- 9.2 Paarweises Testen
- 9.2.1 Übung: Paarweises Testen
- 9.3 Vergleichendes Testen
- 9.4 A/B-Testen
- 9.5 Metamorphes Testen
- 9.5.1 Übung: Metamorphes Testen
- 9.6 Erfahrungsbasiertes Testen von KI-basierten Systemen
- 9.6.1 Checklisten für den Test von KI-basierten Systemen
- 9.6.2 Übung: Exploratives Testen und explorative Datenanalyse (EDA)
- 9.7 Übersicht und Auswahl von Testverfahren für KI-basierte Systeme
- 9.7.1 Übersicht der Verfahren
- 9.7.2 Übung: Verfahren für das Testen KI-basierter Systeme
- 10 Testumgebungen für KI-basierte Systeme
- 10.1 Besonderheiten von Testumgebungen für KI-basierte Systeme
- 10.2 Virtuelle Testumgebungen zum Testen KI-basierter Systeme
- 11 Einsatz von KI für Tests
- 11.1 KI-Techniken fürs Testen
- 11.1.1 Algorithmische Methoden, mit denen KI unterstützt
- 11.1.2 Übung: Der Einsatz von KI bei Tests
- 11.2 Einsatz von KI zur Analyse gemeldeter Fehler
- 11.3 Einsatz von KI für die Testfallgenerierung
- 11.4 Einsatz von KI für die Optimierung von Regressionstestsuiten
- 11.5 Einsatz von KI für die Fehlervorhersage
- 11.5.1 Übung: Aufbau eines Fehlervorhersagesystems
- 11.6 Einsatz von KI zum Testen von Benutzungsschnittstellen
- 11.6.1 Einsatz von KI zum Testen über die GUI
- 11.6.2 Einsatz von KI zum Testen der GUI
- 11.7 Exkurs: ChatGPT als Teammitglied?
- 11.7.1 Übung: ChatGPT zur Testfallgenerierung
- 11.7.2 Mehrwert von großen Sprachmodellen im Test
- Anhang
- A Abkürzungen
- B Glossar
- C Verzeichnis der Praxisbeispiele
- D Verzeichnis der Übungen
- E Verzeichnis der Exkurse
- F Literaturverzeichnis
- Fußnoten
- Index
System requirements
File format: PDF
Copy protection: Watermark-DRM (Digital Rights Management)
System requirements:
- Computer (Windows; MacOS X; Linux): Use the free software Adobe Reader, Adobe Digital Editions, or any other PDF viewer of your choice (see eBook Help).
- Tablet/Smartphone (Android; iOS): Install the free app Adobe Digital Editions or another reading app for eBooks, e.g., PocketBook (see eBook Help).
- E-reader: Bookeen, Kobo, Pocketbook, Sony, Tolino and many more (only limited: Kindle).
The file format PDF always displays a book page identically on any hardware. This makes PDF suitable for complex layouts such as those used in textbooks and reference books (images, tables, columns, footnotes). Unfortunately, on the small screens of e-readers or smartphones, PDFs are rather annoying, requiring too much scrolling.
This eBook uses Watermark-DRM, a „soft” copy protection. This means that there are no technical restrictions to prevent illegal distribution. However, there is a personalised watermark embedded in the eBook that can be used to identify the purchaser of the eBook in the event of misuse and to provide evidence for legal purposes.
For more information, see our eBook Help page.