更新された9月2024日の優れたCT-AI_v1.0_Worldの試験エンジンpdf -ダウンロードの自由な更新された40の質問[Q18-Q36] -自由な検査のダンプの材料

質問18
テストケースが各ニューロンに正負両方の活性化値を達成させる必要がある場合、以下のカバレッジのうちどれを使用すべきか？
選択肢を1つ選ぶ

バリュー・カバレッジ

閾値カバー率

標識変更範囲

ニューロン

質問19
次の選択肢のうち、モデルとアルゴリズムのハイパーパラメータを設定するMLワークフローの最も適切な段階はどれですか？
選択肢を1つ選ぶ

モデルの評価

モデルの展開

モデルのチューニング

データテスト

質問20
次の記述のうち、Alシステムにとっての柔軟性の重要性を正しく表しているものはどれか。
選択肢を1つ選ぶ

アル・システムは本質的に柔軟である。

アル・システムは運用環境を変える必要があるため、柔軟性が求められる。

フレキシブル・アル・システムは、システム全体の変更を容易にする。

自己学習システムは、明示的にプログラムすることなく、新しい状況に対処することが期待されている。

質問21
画像分類システムは人間の顔を分類するために学習されている。データの分布は
70%の民族Aと30%の民族B、C、D。上記の情報のみに基づいて、この画像分類システムの状況を最もよく表しているのは、次の選択肢のうちどれか？
選択肢を1つ選ぶ

これはエキスパート・システムのバイアスの一例である。

これはサンプルの偏りの例である。

これはハイパーパラメータのバイアスの例である。

これはアルゴリズムによるバイアスの一例である。

質問22
腐ったトマトを検出するモデルをテストしたところ、テストエンジニアはある数のトマト画像から次のようなデータを得た。

この混同行列について、正確度、再現度、特異度それぞれの値の組み合わせのうち、正しいものはどれか。
選択肢を1つ選ぶ

0.87.0.9. 0.84

1,0.87,0.84

1,0.9, 0.8

0.84.1,0.9

質問23
ペアワイズテストは、自動運転車の文脈で、パラメータの組み合わせの爆発的な増加を抑制するために使用することができる。
次の選択肢の中で、この驚異的なパラメータの伸びの理由として最も可能性が低いものはどれか？
選択肢を1つ選ぶ

異なる道路タイプ

天候の違い

機能的パフォーマンスを評価するMLモデルのメトリクス

ADAS、レーンチェンジアシストなどのさまざまな機能

ペアワイズテストは、自動運転車のような複雑なシステムで発生する可能性のある多数のパラメータの組み合わせを扱うために使用される。この問題では、与えられた選択肢のうち、パラメータの数が爆発的に増える原因である可能性が最も低いものはどれかを尋ねている。
* さまざまな道路タイプ（A）：自動運転車は、高速道路、市街地、田舎道など、さまざまな種類の道路を走らなければならない。それぞれの道路タイプには異なる特性があり、車のシステムは適応して異なるシナリオに対応する必要がある。したがって、これはパラメーターの増加に寄与する重要な要因である。
* 天候の違い（B）：雨、雪、霧、明るい日差しなどの気象条件は、自動運転車の性能に大きく影響する。車のセンサーとアルゴリズムは、このような様々な条件に適応しなければならないため、考慮しなければならないパラメーターの数が増える。
* 機械学習（ML）モデルの性能を評価する指標（C）：機械学習（ML）モデルの性能を評価することは非常に重要であるが、道路タイプ、気象条件、車の特徴のように、パラメータの組み合わせの爆発に直接寄与するものではない。メトリクスは性能を測定・評価するために使用されるが、それ自体がシステムが扱わなければならない可変条件ではない。
* ADAS、車線変更支援などのさまざまな機能（D）：先進運転支援システム（ADAS）やその他の機能は、自動運転車に複雑さを加える。各機能には複数の設定や動作モードがあり、全体的なパラメータ数の増加に寄与する。
したがって、パラメータ数が驚くほど増加した最も可能性の低い理由はCである。機能性能を評価するためのMLモデルメトリクス
参考文献
* ISTQB CT-AI シラバス 9.2 ペアワイズテストの項では、自動運転車に使用されるものを含む、AI ベースのシステムにおける異なる変数の組み合わせを管理するためのこの技法の適用について議論している。
* サンプル試験問題集の問題#29では、自動運転車におけるパラメータの組み合わせが爆発的に増加している背景を説明し、この複雑さを管理する方法としてペアワイズテストの使用を強調しています。

質問24
次のテストのうち、MLモデルのテスト段階で実施される可能性が最も低いものはどれか？
選択肢を1つ選ぶ

分類モデルの精度をテストする。

MLモデルによるサービスのAPIをテストする。

モデルのトレーニング速度をテストする。

モデルによる予測速度をテストする。

質問25
あるソフトウェア・コンポーネントが、手書き数字のスキャンから数字を認識するために機械学習を使用している。上記のシナリオにおいて、これはどのタイプの機械学習（ML）の例か？
選択肢を1つ選ぶ

強化学習

回帰

分類

クラスタリング

質問26
次の選択肢のうち、テストオブジェクトの変更によるGUIの変更を検出するためにAlを使用する可能性が最も低いものはどれですか？
選択肢を1つ選ぶ

変更前と変更後のGUIのピクセル比較を使って、違いをチェックする。

コンピュータビジョンを使って、テストオブジェクトの変更前と変更後のGUIを比較する。

テストオブジェクトの変更前後におけるGUIレイアウトの変更をビジョンベースで検出。

MLベースの分類器を使って、GUIの変更に人間向けのフラグを立てるかどうかを判断する。

質問27
「BioSearch "は、X線画像から癌の発生を予測するAlモデルを作成している。このモデルの単体での精度は良好であることが判明している。しかし、このモデルを診断ラボで実用化したところ、結果の質の低さ、特に実際のがん症例を検出できないことに不満を持つようになり、モデルの使用を中止するに至った。
テストの専門家が呼ばれ、上記のシナリオを招いたテスト計画の欠陥を発見した。
次の選択肢のうち、検査の専門家に発見される可能性が最も高いと思われるものはどれですか？
選択肢を1つ選ぶ

トレーニングデータとテストデータの類似性の欠如。

入力データは、テストに使用する前に品質テストが行われていない。

適切な機能パフォーマンス測定基準を選択することに重点が置かれていない。

非機能要求テストに重点が置かれていない。

質問28
ニューラルネットワークのニューロンの活性化値は、ニューロンに計算を適用することで得られる。
以下の選択肢のうち、活性化値を計算するために使用される入力を最もよく表しているのはどれか？
選択肢を1つ選ぶ

ニューロンレベルでの個々のバイアス、前の層のニューロンの活性化値、ニューロン間の接続に割り当てられた重み。

前の層のニューロンの活性化値と、ニューロン間の接続に割り当てられた重み。

ニューロンレベルでの個々のバイアス、およびニューロン間の接続に割り当てられた重み。

ニューロンレベルでの個々のバイアス、および前の層のニューロンの活性化値。

ニューラルネットワークでは、ニューロンの活性化値は、前の層からの入力、コネクションの重み、ニューロンレベルでのバイアスの組み合わせによって決定される。詳しい内訳は以下の通り：
* 起動値の入力：
* 前の層のニューロンの活性化値：これらは、現在のニューロンへの入力として機能する、前の層のニューロンからの出力である。
* 接続に割り当てられた重み：ニューロン間の各接続には、入力信号の強さと方向を決定する関連する重みがある。
* 各ニューロンは、入力和を調整するバイアス値を持っており、活性化関数をシフトさせることができる。
* 計算：
* 活性化値は、前の層からの加重入力を合計し、バイアスを加えることで計算される。
* 式z=(wiai)+bz = \sum (w_i \cdot a_i) + bz=(wiai)+b ここで、wiw_iwi は重み、aia_iai は前の層の活性化値、bbb はバイアス。
* 活性化関数（シグモイド、ReLUなど）をこの和に適用し、最終的な活性化値を得る。
* 選択肢Aが正しい理由
* 選択肢Aは、活性化値の計算に関与するすべての要素、すなわち個々のバイアス、前の層の活性化値、そしてコネクションの重みを正しく特定している。
* 他の選択肢を排除する：
* B. 前の層のニューロンの活性化値と、ニューロン間の接続に割り当てられた重み：このオプションでは、重要なバイアスが欠落する。
* C. ニューロンレベルでの個々のバイアスと、ニューロン間の接続に割り当てられた重み：このオプションは、前の層の活性化値を見逃す。
* D. ニューロン・レベルでの個々のバイアスと、前の層のニューロンの活性化値：
このオプションでは、不可欠なウェイトが欠落する。
参考文献
* ISTQB CT-AI シラバスのセクション 6.1「ニューラル・ネットワーク」では、ニューラル・ネットワークの構成要素とニューロンの機能について説明しています。
* ニューラルネットワーク活性化関数」（ISTQB CT-AI シラバス、セクション 6.1.1）。

質問29
リグレッション・テストの選択を最適化し、リグレッション・スイートが大きくなるのを防ぐための最良の選択肢はどれですか？
選択肢を1つ選ぶ

テストケースの複雑さを見て、適切なテストを特定する。

テストのランダムなサブセットを使用。

Alベースのテスト自動化ツールを使用してテストスクリプトを自動化する。

Alベースのツールを使用して、過去のテスト結果を分析することにより、回帰テストスイートを最適化する。

質問30
要件はテキスト文書で与えられます。これらの要件からテストケースを生成する最もよい方法は、次の選択肢のうちどれですか。
選択肢を1つ選ぶ

テキスト要求に対する自然言語処理

テストケースを生成するためのソースコードの分析

実行ログの機械学習

コンピュータビジョンによるGUI解析

質問31
"AllerEgo "は、様々な地形や敵機編隊に対する戦闘状況下でのパイロットの行動を予測するために、セルラーニングを使用した製品である。訓練後、モデルを実世界のデータにさらすと、モデルの性能が低いことがわかった。トレーニングやテストに適した形にするために、データに対して多くのデータ品質テストが行われた。
次の選択肢の中で、特にアル・システムの自己学習能力を考慮した場合、成績が落ちた理由として考えられるものを説明する可能性が最も低いものはどれか？
選択肢を1つ選ぶ

モデルが受け入れられる前に、改善のための基準を定義することの難しさ。

変化のペースが速かったため、テストに十分な時間が取れなかった。

動作環境が未知であり、仕様が不十分であったことが、成績不振を招いたのかもしれない。

アルシステムにはアルゴリズムによる偏りがあった。

質問32
あるMLエンジニアが、教師付き回帰アルゴリズム実装の新しいオープンソース実装*X "の正しさを決定しようとしている。R-2乗は、モデルの品質を決定するために使用される機能的な性能測定基準の1つです。
この目標を達成するための戦略として、適切なものはどれか。
選択肢を1つ選ぶ

10%の行をランダムに追加して別のモデルを作成し、両方のモデルのR2乗スコアを比較する。

入力特徴の順序を変えて様々なモデルを訓練し、これらのモデルのR二乗スコアが大きく変化することを検証する。

同じアルゴリズムと同じ訓練データとテストデータを使用しながら、2つの異なるプログラミング言語を使用する2つの異なる実装を使用して得られたモデルのR二乗スコアを比較する。

10%の行をランダムに削除して別のモデルを作成し、両方のモデルのR2乗スコアを比較する。

質問33
次の選択肢のうち、MLシステムにおけるテストデータ取得の課題を説明していないものはどれか？
選択肢を1つ選ぶ

コンプライアンスの必要性から、入力された個人情報には適切な注意が必要です。

データの性質はライムによって常に変化する。