2024 년 9 월 업데이트 된 프리미엄 CT-AI_v1.0_World 시험 엔진 pdf - 무료 업데이트 된 40 개 질문 [Q18-Q36] 다운로드

질문 18
테스트 케이스에서 각 뉴런이 양수 및 음수 활성화 값을 모두 달성하도록 해야 하는 경우 다음 중 어떤 유형의 커버리지를 사용해야 합니까?
하나의 옵션 선택

가치 보장

임계값 적용 범위

서명 변경 적용 범위

뉴런 범위

질문 19
다음 중 모델 및 알고리즘 하이퍼파라미터를 설정하는 데 가장 적합한 ML 워크플로 단계는 어느 것입니까?
하나의 옵션 선택

모델 평가하기

모델 배포

모델 조정하기

데이터 테스트

질문 20
다음 중 Al 시스템에서 유연성의 중요성을 올바르게 설명하는 문장은 어느 것입니까?
하나의 옵션 선택

Al 시스템은 본질적으로 유연합니다.

Al 시스템은 운영 환경의 변경이 필요하므로 유연성이 요구됩니다.

유연한 Al 시스템을 사용하면 시스템 전체를 쉽게 수정할 수 있습니다.

자가 학습 시스템은 명시적으로 프로그래밍할 필요 없이 새로운 상황에 대처할 수 있을 것으로 기대됩니다.

질문 21
사람의 얼굴을 분류하기 위해 이미지 분류 시스템을 훈련하고 있습니다. 데이터의 분포는 다음과 같습니다.
다음 중 위의 정보만을 바탕으로 이 이미지 분류 시스템의 상황을 가장 잘 설명하는 옵션은 다음 중 어느 것입니까?
하나의 옵션 선택

이것은 전문가 시스템 편향의 예입니다.

이것은 샘플 편향의 예입니다.

이것은 하이퍼파라미터 편향의 예입니다.

이는 알고리즘 편향의 한 예입니다.

질문 22
썩은 토마토를 감지하는 데 사용되는 모델을 테스트한 결과, 테스트 엔지니어는 특정 수의 토마토 이미지를 기반으로 다음 데이터를 관찰했습니다.

이 혼동 행렬에서 정확도, 회상도, 특이도 값의 조합은 각각 어떤 것이 정답인가요?
하나의 옵션 선택

0.87.0.9. 0.84

1,0.87,0.84

1,0.9, 0.8

0.84.1,0.9

질문 23
쌍방향 테스트는 자율 주행 자동차의 맥락에서 매개변수 조합의 폭발적인 증가를 제어하기 위해 사용할 수 있습니다.
다음 중 매개변수의 놀라운 증가의 원인이 될 가능성이 가장 낮은 옵션은 무엇인가요?
하나의 옵션 선택

다양한 도로 유형

다양한 기상 조건

기능적 성능을 평가하기 위한 ML 모델 메트릭

ADAS, 차선 변경 지원 등과 같은 다양한 기능을 제공합니다.

쌍 테스트는 자율 주행 자동차와 같은 복잡한 시스템에서 발생할 수 있는 수많은 매개변수 조합을 처리하는 데 사용됩니다. 이 질문은 주어진 옵션 중 매개변수 수의 폭발적인 증가의 원인이 될 가능성이 가장 낮은 옵션을 묻습니다.
* 다양한 도로 유형(A): 자율주행차는 고속도로, 도시 도로, 시골 도로 등 다양한 도로 유형에서 운행해야 합니다. 각 도로 유형은 서로 다른 특성을 가질 수 있으므로 자동차의 시스템이 다양한 시나리오에 적응하고 처리해야 합니다. 따라서 이는 파라미터의 증가에 기여하는 중요한 요소입니다.
* 다양한 기상 조건(B): 비, 눈, 안개, 밝은 햇빛과 같은 기상 조건은 자율 주행 차량의 성능에 큰 영향을 미칩니다. 자동차의 센서와 알고리즘은 이러한 다양한 조건에 적응해야 하므로 고려해야 할 매개변수의 수가 늘어납니다.
* 기능적 성능을 평가하기 위한 ML 모델 메트릭(C): 머신러닝(ML) 모델 성능을 평가하는 것은 중요하지만 도로 유형, 기상 조건, 자동차 특징과 같은 방식으로 매개변수 조합의 폭발적인 증가에 직접적으로 기여하지는 않습니다. 메트릭은 성능을 측정하고 평가하는 데 사용되지만 그 자체가 시스템이 처리해야 하는 가변 조건은 아닙니다.
* (D): 첨단 운전자 보조 시스템(ADAS) 및 기타 기능은 자율 주행 차량에 복잡성을 더합니다. 각 기능에는 여러 설정과 작동 모드가 있을 수 있으므로 전체 매개변수 수가 늘어납니다.
따라서 매개변수 수의 놀라운 증가의 가장 큰 이유는C. ML 모델 메트릭을 사용하여 기능 성능을 평가하기 때문입니다.
참조:
* ISTQB CT-AI 강의안 섹션 9.2 페어와이즈 테스트에서는 자율 주행 자동차에 사용되는 것을 포함하여 AI 기반 시스템에서 다양한 변수의 조합을 관리하기 위해 이 기술을 적용하는 방법에 대해 설명합니다.
* 시험 문제 샘플 문서, 문제 #29는 자율주행 자동차의 파라미터 조합이 폭발적으로 증가하는 배경을 설명하고 이러한 복잡성을 관리하기 위한 방법으로 쌍별 테스트를 사용하는 것을 강조합니다.

질문 24
다음 중 ML 모델 테스트 단계에서 수행될 가능성이 가장 낮은 테스트는 무엇인가요?
하나의 옵션 선택

분류 모델의 정확성을 테스트합니다.

ML 모델로 구동되는 서비스의 API를 테스트합니다.

모델 학습 속도를 테스트합니다.

모델에 의한 예측 속도를 테스트합니다.

질문 25
소프트웨어 구성 요소는 머신 러닝을 사용하여 손으로 쓴 숫자를 스캔하여 숫자를 인식합니다. 위의 시나리오에서 이것은 어떤 유형의 머신 러닝(ML)의 예시일까요?
하나의 옵션 선택

강화 학습

회귀

분류

클러스터링

질문 26
다음 중 테스트 대상의 변경으로 인한 GUI 변경을 감지하기 위해 Al을 사용할 가능성이 가장 낮은 옵션은?
하나의 옵션 선택

변경 전과 후의 GUI의 픽셀 비교를 사용하여 차이점을 확인합니다.

컴퓨터 비전을 사용하여 테스트 대상 변경 전과 후의 GUI를 비교합니다.

테스트 오브젝트 변경 전후의 GUI 레이아웃 변경을 비전 기반으로 감지합니다.

ML 기반 분류기를 사용하여 GUI의 변경 사항을 사람에게 플래그를 지정할지 여부를 표시합니다.

질문 27
'바이오서치'는 엑스레이 이미지 검사를 통해 암 발생을 예측하는 데 사용되는 Al 모델을 만들고 있습니다. 이 모델 자체의 정확도는 좋은 것으로 나타났습니다. 그러나 이 모델을 진단 실험실에 적용했을 때 실제 암 사례를 감지하지 못하는 등 결과의 품질이 좋지 않다는 불만이 제기되기 시작했고, 결국 모델 사용 중단으로 이어졌습니다.
테스트 전문가를 불러 테스트 계획의 결함을 찾아내어 위와 같은 시나리오가 발생했습니다.
다음 중 테스트 전문가에게 발각될 가능성이 가장 높다고 예상하는 옵션은 무엇인가요?
하나의 옵션 선택

학습 데이터와 테스트 데이터 간의 유사성이 부족합니다.

입력 데이터는 테스트에 사용하기 전에 품질 테스트를 거치지 않았습니다.

올바른 기능-성능 메트릭을 선택하는 데 집중하지 못했습니다.

비기능적 요구 사항 테스트에 대한 집중 부족.

질문 28
신경망의 뉴런에 대한 활성화 값 출력은 뉴런에 연산을 적용하여 얻습니다.
다음 중 활성화 값을 계산하는 데 사용되는 입력을 가장 잘 설명하는 옵션은 무엇인가요?
하나의 옵션 선택

뉴런 수준의 개별 편향성, 이전 레이어의 뉴런 활성화 값, 뉴런 간 연결에 할당된 가중치입니다.

이전 레이어에 있는 뉴런의 활성화 값과 뉴런 간의 연결에 할당된 가중치입니다.

뉴런 수준에서의 개별 편향과 뉴런 간의 연결에 할당된 가중치입니다.

뉴런 수준의 개별 편향과 이전 레이어에 있는 뉴런의 활성화 값입니다.

신경망에서 뉴런의 활성화 값은 이전 계층의 입력, 연결의 가중치, 뉴런 수준의 바이어스의 조합에 의해 결정됩니다. 자세한 분석은 다음과 같습니다:
* 활성화 값에 대한 입력입니다:
* 이전 레이어에 있는 뉴런의 활성화 값: 현재 뉴런의 입력으로 사용되는 이전 레이어에 있는 뉴런의 출력입니다.
* 연결에 할당된 가중치: 뉴런 간의 각 연결에는 입력 신호의 강도와 방향을 결정하는 관련 가중치가 있습니다.
* 뉴런 수준의 개별 바이어스: 각 뉴런에는 입력 합계를 조정하는 바이어스 값이 있어 활성화 함수를 변경할 수 있습니다.
* 계산:
* 활성화 값은 이전 레이어의 가중치 입력을 합산하고 바이어스를 추가하여 계산됩니다.
* 공식: z=(wiai)+bz = \sum (w_i \cdot a_i) + bz=(wiai)+b, 여기서 wiw_iwi는 가중치, aia_iai는 이전 계층의 활성화 값, bbb는 바이어스입니다.
* 그런 다음 이 합계에 활성화 함수(예: 시그모이드, ReLU)를 적용하여 최종 활성화 값을 얻습니다.
* 옵션 A가 정답인 이유:
* 옵션 A는 개별 바이어스, 이전 레이어의 활성화 값, 연결의 가중치 등 활성화 값 계산에 관련된 모든 구성 요소를 올바르게 식별합니다.
* 다른 옵션 제거:
* B. 이전 레이어에 있는 뉴런의 활성화 값과 뉴런 간의 연결에 할당된 가중치입니다: 이 옵션은 중요한 편향성을 놓칩니다.
* C. 뉴런 수준에서의 개별 바이어스 및 뉴런 간의 연결에 할당된 가중치: 이 옵션은 이전 레이어의 활성화 값을 누락합니다.
* D. 뉴런 수준에서의 개별 바이어스 및 이전 레이어에서 뉴런의 활성화 값입니다:
이 옵션은 필수적인 가중치를 놓치고 있습니다.
참조:
* ISTQB CT-AI 강의 계획서 6.1절, 신경망에서는 신경망의 뉴런의 구성 요소와 기능에 대해 설명합니다.
* "신경망 활성화 함수"(ISTQB CT-AI 강의안, 섹션 6.1.1).

질문 29
다음 중 회귀 테스트 선택을 최적화하고 회귀 집합이 커지는 것을 방지하는 가장 좋은 옵션은 어느 것입니까?
하나의 옵션 선택

테스트 케이스의 복잡성을 살펴봄으로써 적합한 테스트를 식별합니다.

테스트의 무작위 하위 집합을 사용합니다.

Al 기반 테스트 자동화 도구를 사용하여 테스트 스크립트 자동화하기.

Al 기반 도구를 사용하여 과거 테스트 결과를 분석하여 회귀 테스트 스위트를 최적화합니다.

질문 30
서면 요구 사항은 텍스트 문서로 제공되며, 다음 중 이러한 요구 사항에서 테스트 케이스를 생성하는 가장 좋은 방법은 무엇인가요?
하나의 옵션 선택

텍스트 요구 사항에 대한 자연어 처리

테스트 케이스 생성을 위한 소스 코드 분석

실행 로그에 대한 머신 러닝

컴퓨터 비전을 통한 GUI 분석

질문 31
'알레르에고'는 다양한 지형과 적 항공기 편대에 대한 전투 상황에서 조종사의 행동을 예측하기 위해 판매 학습을 사용하는 제품입니다. 학습 후 모델을 실제 데이터에 노출한 결과, 모델이 제대로 작동하지 않는 것으로 나타났습니다. 데이터를 훈련과 테스트에 적합한 형태로 만들기 위해 데이터에 대해 많은 데이터 품질 테스트를 수행했습니다.
다음 중 특히 Al 시스템의 자가 학습 특성을 고려할 때 성능 저하의 가능한 원인을 가장 잘 설명할 수 있는 옵션은?
하나의 옵션 선택

모델을 수용하기 전에 개선 기준을 정의하는 것이 어렵습니다.

변화의 속도가 빠르다 보니 테스트할 시간이 충분하지 않았습니다.

운영 환경의 알려지지 않은 특성과 불충분한 사양이 성능 저하의 원인일 수 있습니다.

Al 시스템에 알고리즘 편향이 있었습니다.

질문 32
한 머신러닝 엔지니어가 지도 회귀 알고리즘 구현의 새로운 오픈 소스 구현 *X"의 정확성을 확인하려고 합니다. R-Square는 모델의 품질을 결정하는 데 사용되는 기능적 성능 메트릭 중 하나입니다.
다음 중 이 목표를 달성하기 위한 적절한 전략으로 적합한 것은 무엇입니까?
하나의 옵션 선택

10%의 행을 무작위로 추가하고 다른 모델을 만든 다음 두 모델의 R-Square 점수를 비교합니다.

입력 피처의 순서를 변경하여 다양한 모델을 훈련하고 이러한 모델의 R-Square 점수가 크게 달라지는지 확인합니다.

동일한 알고리즘과 동일한 학습 및 테스트 데이터를 사용하면서 서로 다른 두 가지 프로그래밍 언어를 사용하는 두 가지 구현을 사용하여 얻은 모델의 R-Square 점수를 비교합니다.

행의 10%를 무작위로 삭제하고 다른 모델을 만든 다음 두 모델의 R-Square 점수를 비교합니다.

질문 33
다음 중 ML 시스템에서 테스트 데이터를 수집할 때 발생하는 문제를 설명하지 않는 옵션은?
하나의 옵션 선택

규정 준수를 위해서는 입력된 개인 데이터에 대한 적절한 주의가 필요합니다.

데이터의 특성은 석회와 함께 끊임없이 변화합니다.

사용 사례에 대한 데이터는 빠른 속도로 생성되고 있습니다.

공개 소스에서 소싱되는 테스트 데이터.