zurück

ITS – Artificial Intelligence

Hersteller
Certiport
Prüfungsdauer
50 Minuten
Anzahl der Fragen
45–50 Fragen
Prüfungssprachen
Englisch, Französisch und andere Sprachen

Zielgruppe

Kandidatinnen und Kandidaten dieser Zertifizierung verfügen über Grundkenntnisse der Vorgehensweisen, mit denen eine Lösung mit künstlicher Intelligenz (KI) entwickelt wird, sowie über ein Verständnis der Fragen rund um Governance, Transparenz, Sicherheit und Ethik von KI. Erfolgreiche Kandidatinnen und Kandidaten können ein Problem analysieren und einordnen. Sie sollten Kenntnisse über Strategien zur Datenerhebung, Datenverarbeitung und Merkmalsentwicklung (feature engineering) nachweisen können. Sie sollten einen geeigneten Algorithmus zum Trainieren eines Modells auswählen können und die Kennzahlen verstehen, mit denen die Leistung eines Modells bewertet wird. Sie sollten den KI-Entwicklungslebenszyklus verstehen und wissen, wie eine Produktionspipeline eine fortlaufende Verbesserung ermöglicht. Kandidatinnen und Kandidaten sollten über mindestens 150 Stunden Unterricht und/oder Auseinandersetzung mit Methodik und Lösungen künstlicher Intelligenz verfügen.

Kompetenzbereiche und Prüfungsziele

1Problemdefinition für KI

  1. 1.1Das Problem bestimmen, das mit KI gelöst werden soll (z. B. Nutzersegmentierung, Verbesserung des Kundendienstes)
    • Den Bedarf bestimmen, der gedeckt werden soll
    • Herausfinden, welche Informationen hineingehen und welche Ausgabe erwartet wird
    • Bestimmen, ob KI überhaupt angebracht ist
    • Vor- und Nachteile von KI in der jeweiligen Lage abwägen
    • Messbaren Erfolg definieren
    • Einen Vergleichsmaßstab gegen fach- oder organisationsspezifische Risiken setzen, für die das Vorhaben anfällig sein könnte
  2. 1.2Das Problem einordnen (z. B. Regression, unüberwachtes Lernen)
    • Die verfügbaren Daten prüfen (gelabelt oder ungelabelt?) und das Problem betrachten
    • Den Problemtyp bestimmen (z. B. Klassifikation, Regression, unüberwacht, bestärkend)
  3. 1.3Die Fachgebiete bestimmen, die zur Lösung des Problems nötig sind
    • Erforderliches betriebswirtschaftliches Fachwissen bestimmen
    • Den Bedarf an fachlichem Spezialwissen zum Problem bestimmen
    • Erforderliches KI-Fachwissen bestimmen
    • Erforderliches Umsetzungswissen bestimmen
  4. 1.4Einen Sicherheitsplan erstellen
    • Interne Zugriffsstufen oder Berechtigungen berücksichtigen
    • Sicherheit der Infrastruktur berücksichtigen
    • Das Risiko der Verwendung eines bestimmten Modells oder mögliche Angriffsflächen bewerten (z. B. adversarielle Angriffe auf ein Modell mit Echtzeitlernen)
  5. 1.5Sicherstellen, dass KI angemessen eingesetzt wird
    • Mögliche Wege bestimmen, auf denen die KI Fehlvorhersagen treffen oder bestimmten Nutzergruppen schaden kann
    • Leitlinien für Datenerhebung und Datennutzung festlegen
    • Leitlinien für die Auswahl von Algorithmen aus Nutzersicht festlegen
    • Berücksichtigen, wie die Person, deren Daten verarbeitet werden, die Ergebnisse deuten kann
    • Die Verwendung von KI-Ergebnissen außerhalb ihres Zusammenhangs berücksichtigen
  6. 1.6Maßnahmen zu Transparenz und Validierung auswählen
    • Den beabsichtigten Zweck der Datenerhebung mitteilen
    • Entscheiden, wer die Ergebnisse sehen soll
    • Rechtliche Anforderungen prüfen, die für die Branche mit dem zu lösenden Problem gelten

2Datenerhebung, -verarbeitung und -aufbereitung

  1. 2.1Den Weg der Datenerhebung wählen
    • Art und Merkmale der benötigten Daten bestimmen
    • Entscheiden, ob ein vorhandener Datensatz genügt oder ein eigener erzeugt werden muss
    • Beim Erzeugen eines eigenen Datensatzes entscheiden, ob die Erhebung automatisiert werden kann oder Nutzereingaben erfordert
  2. 2.2Datenqualität bewerten
    • Bestimmen, ob der Datensatz den Anforderungen der Aufgabe genügt
    • Nach fehlenden oder beschädigten Datenelementen suchen
  3. 2.3Sicherstellen, dass die Daten repräsentativ sind
    • Erhebungsverfahren auf mögliche Quellen von Verzerrung prüfen
    • Sicherstellen, dass die Datenmenge ausreicht, um ein unverzerrtes Modell zu bauen
  4. 2.4Ressourcenbedarf bestimmen (z. B. Rechenleistung, Zeitkomplexität)
    • Bewerten, ob das Problem mit den verfügbaren Rechenressourcen lösbar ist
    • Das Budget des Vorhabens und die verfügbaren Ressourcen berücksichtigen
  5. 2.5Daten in geeignete Formate umwandeln (z. B. numerisch, Bild, Zeitreihe)
    • Daten in Binärform umwandeln (z. B. werden aus Bildern Pixel)
    • Rechnerdaten in Merkmale umwandeln, die für KI geeignet sind (z. B. werden aus Sätzen Tokens)
  6. 2.6Merkmale für das KI-Modell auswählen
    • Bestimmen, welche Datenmerkmale einbezogen werden
    • Erste Merkmalsvektoren für den Test-/Trainingsdatensatz aufbauen
    • Fachleute hinzuziehen, um die Merkmalsauswahl zu bestätigen
  7. 2.7Merkmalsentwicklung (feature engineering) betreiben
    • Merkmale prüfen und bestimmen, welche Standardtransformationen nötig sind
    • Aufbereitete Datensätze erstellen
  8. 2.8Trainings- und Testdatensätze bestimmen
    • Die verfügbaren Daten in Trainings- und Testdatensätze aufteilen
    • Sicherstellen, dass der Testdatensatz repräsentativ ist
  9. 2.9Entscheidungen zu den Daten dokumentieren
    • Annahmen, Prämissen und Randbedingungen auflisten, auf denen die Entwurfsentscheidungen beruhen
    • Diese Informationen Aufsichtsbehörden und Endnutzern zugänglich machen, die weitgehende Transparenz verlangen

3KI-Algorithmen und -Modelle

  1. 3.1Die Anwendbarkeit bestimmter Algorithmen prüfen
    • Familien von KI-Algorithmen bewerten
    • Entscheiden, welche Algorithmen geeignet sind, z. B. neuronales Netz, Klassifikation (etwa Entscheidungsbaum, k-Means)
  2. 3.2Ein Modell mit dem gewählten Algorithmus trainieren
    • Das Modell für einen Algorithmus mit bestmöglich geschätzten Startparametern trainieren.
    • Das Modell durch Ändern von Parametern abstimmen
    • Leistungskennzahlen für das Modell erheben
    • Bei Bedarf wiederholen
  3. 3.3Nach Erprobung ein bestimmtes Modell auswählen und dabei Überentwicklung vermeiden
    • Kosten, Geschwindigkeit und weitere Faktoren bei der Bewertung von Modellen berücksichtigen
    • Bestimmen, ob das gewählte Modell die Anforderungen an Erklärbarkeit erfüllt
  4. 3.4Geschichten aus Daten erzählen
    • Wo möglich, Visualisierungen der Ergebnisse erstellen
    • Nach Trends suchen
    • Prüfen, ob die Visualisierung für eine Entscheidung nützlich ist
  5. 3.5Die Leistung des Modells bewerten (z. B. Genauigkeit, Präzision)
    • Auf Überanpassung und Unteranpassung prüfen
    • Kennzahlen oder KPIs erzeugen
    • Neue Testdaten einbringen, um die Robustheit kreuzweise zu prüfen und zu testen, wie das Modell mit unvorhergesehenen Daten umgeht
  6. 3.6Nach möglichen Quellen von Verzerrung im Algorithmus suchen
    • Prüfen, ob die Eingaben den Trainingsdaten ähneln
    • Bestätigen, dass die Trainingsdaten keine sachfremden Korrelationen enthalten, auf die sich der Klassifikator nicht stützen soll
    • Auf Ungleichgewichte in den Daten prüfen
    • Davor schützen, dass auf Grundlage historischer Verzerrungen selbsterfüllende Prophezeiungen entstehen
    • Die Erklärbarkeit des Algorithmus prüfen (z. B. Merkmalsbedeutung in Entscheidungsbäumen)
  7. 3.7Die Sensitivität des Modells bewerten
    • Das Modell auf Sensitivität prüfen
    • Das Modell auf Spezifität prüfen
  8. 3.8Die Einhaltung regulatorischer Anforderungen bestätigen, sofern vorhanden
    • Ausgaben anhand der in den Anforderungen festgelegten Schwellenwerte bewerten
    • Ergebnisse dokumentieren
  9. 3.9Zustimmung der Beteiligten einholen
    • Ergebnisse zusammentragen und Risiken einordnen
    • Sitzungen zur Bewertung der Lösung abhalten

4Anwendungseinbindung und Bereitstellung

  1. 4.1Kunden darin schulen, wie das Produkt zu verwenden ist und was davon zu erwarten ist
    • Nutzer über die Grenzen des Modells informieren
    • Nutzer über die beabsichtigte Verwendung des Modells informieren
    • Dokumentation weitergeben
    • Kundenerwartungen steuern
  2. 4.2Vorkehrungen für mögliche Schwierigkeiten von Modellen im Produktivbetrieb treffen
    • Verstehen, welche Arten von Schwierigkeiten wahrscheinlich auftreten
    • Die Anzeichen für Schwierigkeiten verstehen
    • Verstehen, wie sich jede Art von Schwierigkeit abmildern lässt
  3. 4.3Eine Produktionspipeline einschließlich Anwendungseinbindung entwerfen
    • Eine Pipeline (Training, Vorhersage) erstellen, die den Anforderungen des Produkts genügt (sie kann sich vom Versuchsaufbau unterscheiden)
    • Die Lösung finden, die mit den vorhandenen Datenspeichern arbeitet und sich mit der Anwendung verbindet
    • Die Verbindung zwischen der KI und der Anwendung herstellen
    • Einen Mechanismus zur Erfassung von Nutzerrückmeldungen aufbauen
    • Die Genauigkeit der KI über die Anwendung testen
    • Die Robustheit der KI testen
    • Die Geschwindigkeit der KI testen
    • Die Anwendung darauf testen, ob sie zum Umfang des Anwendungsfalls passt (z. B. bei KI für mobile Anwendungen)
  4. 4.4Die KI-Lösung betreuen
    • Die Funktionen innerhalb der KI-Lösung dokumentieren, um die Pflege zu ermöglichen (Aktualisierungen, Fehlerbehebung, Umgang mit Sonderfällen)
    • Ein Supportteam schulen
    • Einen Rückmeldemechanismus einrichten
    • Einen Drift-Detektor einrichten
    • Wege zur Erhebung neuer Daten einrichten

5KI im Produktivbetrieb pflegen und überwachen

  1. 5.1Aufsicht ausüben
    • Anwendungs- und Modellleistung protokollieren, um Sicherheit, Fehlersuche, Rechenschaft und Prüfung zu ermöglichen
    • Belastbare Überwachungssysteme einsetzen
    • Auf Warnmeldungen reagieren
    • Das System über die Zeit in verschiedenen Zusammenhängen beobachten, um auf Drift oder verschlechterte Betriebszustände zu prüfen
    • Jede Art erkennen, in der das System neue Informationen nicht abbildet
  2. 5.2Auswirkungen auf das Geschäft bewerten (Leistungskennzahlen)
    • Wirkungskennzahlen verfolgen, um festzustellen, ob die Lösung das Problem gelöst hat
    • Frühere Kennzahlen mit neuen vergleichen, wenn Änderungen vorgenommen werden
    • Auf unerwartete Kennzahlen reagieren, indem das Problem gefunden und behoben wird
  3. 5.3Auswirkungen auf Einzelpersonen und Gemeinschaften messen
    • Auswirkungen auf bestimmte Untergruppen analysieren
    • Probleme erkennen und abmildern
    • Möglichkeiten zur Optimierung erkennen
  4. 5.4Rückmeldungen von Nutzern bearbeiten
    • Nutzerzufriedenheit messen
    • Bewerten, ob Nutzer verunsichert sind (z. B. verstehen sie, was die KI für sie tun soll?)
    • Rückmeldungen in künftige Versionen einfließen lassen
  5. 5.5Regelmäßig über Verbesserung oder Außerbetriebnahme entscheiden
    • Beobachtungen zur Wirkung zusammenführen (z. B. Geschäft, Gemeinschaft, technische Entwicklungen), um den Wert der KI zu bewerten
    • Entscheiden, ob die KI neu trainiert, unverändert weiterverwendet oder außer Betrieb genommen wird