🌟 Comprender los fundamentos de la Inteligencia Artificial, diferenciando entre sistemas convencionales y sistemas basados en IA, así como entre IA estrecha, IA general e IA superinteligente.
🌟 Reconocer las principales tecnologías de IA, incluyendo Machine Learning, Deep Learning, IA Generativa, procesamiento de lenguaje natural y visión por computadora.
🌟 Comprender las características de calidad específicas de los sistemas basados en IA, como corrección funcional de IA, adaptabilidad, controlabilidad, transparencia, robustez e intervenibilidad.
🌟 Definir y analizar criterios de aceptación para sistemas basados en IA, considerando su naturaleza probabilística, estadística y basada en umbrales.
🌟 Comprender las principales formas de aprendizaje automático, incluyendo aprendizaje supervisado, no supervisado y por refuerzo, así como el flujo de trabajo utilizado para desarrollar modelos de ML.
🌟 Comprender la importancia de los datos para Machine Learning, incluyendo su adquisición, preparación, preprocesamiento, ingeniería de características y la utilización de conjuntos de entrenamiento, validación y prueba.
🌟 Calcular e interpretar métricas de rendimiento funcional de Machine Learning para clasificación, como accuracy, precision, recall y F1-score, utilizando la matriz de confusión.
🌟 Comprender el funcionamiento de las redes neuronales profundas, incluyendo neuronas, capas, pesos, sesgos, funciones de activación y diferentes medidas de cobertura estructural.
🌟 Identificar los principales desafíos de las pruebas de sistemas basados en IA, incluyendo el comportamiento no determinístico, la necesidad de aplicar enfoques estadísticos y el problema del oráculo de prueba.
🌟 Aplicar enfoques para las pruebas de IA Generativa y Modelos de Lenguaje de Gran Tamaño (LLMs), incluyendo pruebas exploratorias, black-box testing y Red Teaming.
🌟 Evaluar la calidad de los datos de entrada de sistemas de Machine Learning, aplicando técnicas para detectar sesgos, problemas de representatividad, defectos en pipelines de datos, restricciones de datasets y errores de etiquetado.
🌟 Aplicar técnicas específicas para las pruebas de modelos de Machine Learning, incluyendo pruebas adversariales, pruebas metamórficas, detección de drift, overfitting y underfitting, A/B testing y back-to-back testing.
🌟 Comprender los riesgos asociados al desarrollo y despliegue de sistemas de Machine Learning y aplicar enfoques como smoke testing, pruebas de instalación, rollback, canary testing, shadow testing, model conversion testing y API testing.
