ISTQB CT-AI: Yapay Zekâya Giriş: Çerçeveler, Donanım, AIaaS, Transfer Öğrenme ve Standartlar
Yapay Zekâ Test Uzmanlığı-2
ISTQB® CT-AI müfredatının 1. Bölümünün ikinci yarısında, bir YZ sisteminin teknik altyapısını oluşturan kütüphanelerden donanımlara, bulut hizmetlerinden uluslararası standart ve yönetmeliklere kadar olan kritik konulara göz atarak devam edelim.
1.5 YZ Geliştirme Çerçeveleri (Development Frameworks)
YZ tabanlı sistemler geliştirmek ve eğitmek için hazır algoritmaları, veri yapılarını ve optimizasyon araçlarını barındıran yazılım çerçeveleri (frameworks/kütüphaneler) kullanılır. Çerçeve yani frameworks dediğimiz bu araçlar yazılım projelerinde temel yapıyı oluşturan, önceden yazılmış kodlar, hazır kütüphaneler ve kurallar bütünüdür. Tekrar eden işleri azaltarak uygulama geliştirmeyi hızlandırır ve kod kalitesini artırır. Örnek olarak web arayüz için Angular, mobil için ise Flutter, React Native, SwiftUI verilebilir.
Test uzmanları için bu çerçevelerin bilinmesi, bileşen/birim testlerinin (unit testing) nasıl yapılacağını anlamak ve test ortamlarını doğru kurgulamak açısından önemlidir. Bileşen testi (birim testi olarak da bilinir), bileşenleri ayrı olarak test etmeye odaklanır. Genelde test kuluçkası veya birim testi çerçeveleri gibi özel destek gerektirir. Bileşen testi normalde geliştiriciler tarafından kendi geliştirme ortamlarında yapılır. Ayrıca ISTQB CTFL dokümanına göre Yeni Dönemdeki Sorumluluk Farkı (Çevik ve Bütünsel Yaklaşım) ile birlikte "Bütünsel Takım Kalite Sahipliği" (Whole-Team Approach) kavramı vurgulanmaktadır.
Yazılımcılar (Developers): Test-Driven Development (TDD) gibi yaklaşımları kullanarak kodu yazmadan önce otomatik birim testlerini yazmakla sorumludur.
Test Uzmanları (Testers) ve Otomasyon Uzmanları: Birim testini doğrudan yazmasalar bile, Agile Test Kadranlarındaki (Test Quadrants - Kadran 1) teknik testlerin (Birim ve API testleri gibi) otomasyon stratejisini kurgulamada, CI/CD süreçlerine entegre edilmesinde ve yazılımcılara test tasarımı konusunda destek vermede rol oynarlar.
Sonuç olarak kod yazıldıktan sonra test etmesi gereken ana sorumlu geliştirici (developer), Bütünsel takım yaklaşımı ile stratejik destek ve otomasyon kurgusu yapacak kişi ise test mühendisidir.
ISTQB® müfredatında öne çıkan temel çerçeveler şunlardır:
TensorFlow:
Google tarafından geliştirilen açık kaynaklı bir kütüphanedir.
Özellikle derin öğrenme (Deep Learning) modelleri ve yapay sinir ağları oluşturmak için yaygın kullanılır.
Yüksek ölçeklenebilirlik sunar; masaüstü cihazlardan bulut sunucularına ve mobil cihazlara (TensorFlow Lite) kadar geniş bir yayınlama seçeneği sağlar.
PyTorch:
Meta (Facebook) AI Research Lab tarafından geliştirilmiş açık kaynaklı derin öğrenme çerçevesidir.
Dinamik hesaplama grafikleri (dynamic computation graphs) sunması nedeniyle araştırma ve akademi dünyasında son derece popülerdir.
Python dili ile doğal uyumu ve esnekliği sayesinde hızlı prototipleme imkânı tanır.
scikit-learn:
Python üzerinde kurulu, temel ve geleneksel Makine Öğrenimi (MÖ) algoritmalarını (Sınıflandırma, Regresyon, Kümeleme, Boyut İndirgeme) içeren hafif bir kütüphanedir.
Derin öğrenme içermeyen klasik MÖ projelerinde ve veri ön işleme adımlarında endüstri standardıdır.
Keras:
TensorFlow üzerinde çalışan high-level (üst düzey) bir yapay sinir ağı API'sidir.
Derin öğrenme modellerini hızlı ve kolay bir şekilde tasarlamayı/denemeyi sağlar.
Test Uzmanı Açısından Önemi: Bir YZ sisteminde kullanılan çerçeve, modelin bağımlılıklarını, sürüm uyumluluklarını ve test otomasyonunda kullanılacak kütüphaneleri doğrudan etkiler.
1.6 YZ Donanım Seçenekleri (Hardware Options)
Geleneksel yazılımlar genellikle standart CPU (Central Processing Unit) üzerinde rahatlıkla çalışırken, Makine Öğrenimi ve Derin Öğrenme modelleri muazzam miktarda paralel matematiksel işlem (özellikle matris çarpımları) gerektirir. İhtiyaca uygun donanımın seçilmesi, hem eğitim (training) hem de çıkarım (inference) süreçlerinin performansını doğrudan belirler:
CPU (Central Processing Unit - Merkezi İşlem Birimi):
Genel amaçlı işlemler için tasarlanmıştır. Karmaşık mantıksal işlemlerde hızlıdır ancak az sayıda çekirdeğe sahiptir.
Küçük ölçekli MÖ modelleri ve model çıkarımı (inference) için yeterli olabilir, ancak büyük derin öğrenme modellerini eğitmek için son derece yavaştır.
GPU (Graphics Processing Unit - Grafik İşlem Birimi):
Binlerce küçük ve eşzamanlı çalışabilen çekirdeğe sahiptir.
Matris ve vektör hesaplamalarını paralel olarak yapabilmesi sayesinde derin öğrenme modellerinin eğitim süresini günlerden saatlere indirir.
Makine Öğrenimi uygulamaları için CPU'lardan daha iyi performans gösterir. Küçük ölçekli Makine Öğrenimi çalışmaları için GPU'lar genellikle en iyi seçeneği sunar.
TPU (Tensor Processing Unit - Tensor İşlem Birimi):
Google tarafından özellikle YZ ve Derin Öğrenme iş yükleri (TensorFlow işlemleri) için tasarlanmış özel bir entegre devredir (ASIC).
Çok yüksek matris hesaplama hızı ve yüksek verimlilik sunar.
ASIC (Application-Specific Integrated Circuit), dediğimiz şey ise Türkçe adıyla Uygulamaya Özel Tümleşik Devre, sadece tek bir belirli işi veya görevi yapmak için özel olarak tasarlanmış ve üretilmiş bir mikroçiptir.
Bilgisayarlarımızdaki genel amaçlı işlemciler (CPU) her türlü programı çalıştırabilirken, bir ASIC çipi sadece üretim amacına yönelik tek bir işlemi çok yüksek performansla yapar. Daha minimal olabilir, düşük seri üretim maliyetine sahiptir, güç tüketimi daha azdır ve sadece tek bir göreve odaklandığı için daha yüksek performans gösterir. Tüm bu artıların yanında bir ASIC çipini sıfırdan tasarlamak ve fabrikada üretim kalıbını çıkarmak milyonlarca dolar tutabilir. Bu yüzden sadece dev şirketler veya dev projeler için uygundur. Fabrikadan çıktıktan sonra işlevi asla değiştirilemez veya güncellenemez. Örneğin Bitcoin madenciliği için üretilen bir ASIC çipiyle oyun oynayamaz veya video düzenleyemezsiniz.
NPU (Neural Processing Unit - Sinir Ağı İşlem Birimi):
Akıllı telefonlar, otonom araçlar ve uç cihazlarda (Edge Computing) YZ algoritmalarını donanımsal olarak hızlandırmak için tasarlanmış mikro çiplerdir.
Sınav İpucu (K2): YZ donanımı seçimi sadece modelin ne kadar hızlı eğitileceğini değil; aynı zamanda yanıt süresini (latency), enerji tüketimini ve sistemin maliyetini etkileyen kritik bir kalite faktörüdür.
1.7 AIaaS (Service As AI - Servis Olarak Yapay Zekâ)
Her organizasyonun kendi YZ modellerini sıfırdan eğitmek için gerekli donanıma, veriye ve uzmanlığa sahip olması gerekmez. Bulut sağlayıcıları bu yetenekleri hazır servisler olarak sunar. Buna AIaaS (AI as a Service) adı verilir. Bu servis şirketlerin kendi yapay zeka altyapılarını sıfırdan kurmak yerine, bulut üzerinden hazır yapay zeka araçlarını ve modellerini kiralayarak kullanmalarını sağlayan bir modeldir.
En bilinen örnekleri OpenAI (API), Microsoft Azure AI, Google Cloud AI ve AWS Bedrock gibi platformlardır.
AIaaS'ın temel amacı, yapay zeka teknolojilerine erişimi demokratikleştirmektir. Şirketlerin veya yazılımcıların, milyonlarca dolarlık dev bütçelere, binlerce ekran kartına (GPU) ve nadir bulunan yapay zeka mühendislerine ihtiyaç duymadan, yapay zekanın gücünü kendi işlerine ve uygulamalarına kolayca entegre edebilmelerini sağlamayı hedefler.
Tanım: Bulut sağlayıcıları (AWS, Google Cloud, Microsoft Azure, IBM Cloud vb.) tarafından sunan; hazır eğitilmiş YZ modellerine, makine öğrenimi platformlarına ve API'lere internet üzerinden erişim sağlayan hizmet modelidir.
AIaaS Bileşenleri:
Hazır Servisler/API'ler: Metin okuma (OCR), ses tanıma, dil çevirisi, duygu analizi, görsel nesne tespiti (Örn: AWS Rekognition, Google Cloud Vision).
MÖ Platformları: Kendi modelinizi oluşturup eğitebileceğiniz bulut ortamları (Örn: AWS SageMaker, Azure Machine Learning).
AIaaS Avantajları ve Test Uzmanı İçin Zorlukları:
Avantajlar | Test Açısından Zorluklar ve Riskler |
Altyapı ve donanım maliyetini düşürür. | Servis sağlayıcıya bağımlılık (Vendor lock-in). |
Hızlı prototipleme ve pazara sunma imkânı verir. | Üçüncü taraf servisin erişilebilirliği ve performans bağımlılığı (SLA/SLA riski). |
Sıfırdan veri toplama ve eğitme ihtiyacını azaltır. | Servis güncellendiğinde model davranışının değişmesi (Sürüm kontrol zorluğu). |
Veri gizliliği, veri güvenliği ve KVKK/GDPR uyum riskleri. |
|
Bir örnek vermek gerekirse:
Bir e-ticaret siteniz olduğunu düşünün. Müşteri yorumlarının olumlu mu olumsuz mu olduğunu analiz eden bir sistem istiyorsunuz:
AIaaS Olmadan: Günlerce veri toplamanız, yapay zeka modeli tasarlamanız, güçlü bir sunucu kiralayıp modeli orada eğitmeniz gerekir. (Çok pahalı ve yavaş).
AIaaS ile: Google veya OpenAI'ın hazır metin analizi API'sine yorumu gönderirsiniz, sistem size saliseler içinde "Bu yorum %95 olumlu" yanıtını döner. (Çok ucuz ve anında).
AIaaS Sözleşmeleri Nasıl Yapılandırılır?
Yapay Zekâ Hizmetleri (AIaaS), çoğunlukla geleneksel bulut tabanlı Hizmet Olarak Yazılım (SaaS) modellerine benzer sözleşmelerle sunulur. Bu sözleşmelerde temel olarak şu konular ele alınır:
Hizmet düzeyi (SLA): Hizmetin erişilebilirliği ve güvenliği tanımlanır. Örneğin %99,99 çalışma süresi ve teknik sorunlara müdahale/yanıt süreleri belirtilir.
Yapay zekâ performansı: Geleneksel SLA'ların aksine, AIaaS sözleşmelerinde modelin doğruluk, tahmin başarısı veya diğer makine öğrenimi performans ölçütleri çoğunlukla garanti edilmez.
Ücretlendirme: Hizmetler genellikle abonelik modeliyle ücretlendirilir.
Hizmet kesintileri: Sağlayıcı, SLA'da belirtilen erişilebilirlik veya yanıt sürelerini karşılayamazsa çoğunlukla müşteriye gelecekte kullanılmak üzere hizmet kredisi sağlar.
Sorumluluk: Bu hizmet kredileri dışında sağlayıcının sorumluluğu çoğu sözleşmede, müşterinin ödediği ücretlerle sınırlıdır. Bu nedenle AIaaS kullanan sistemler genellikle hizmetin kesilmesinin ciddi sonuçlar doğurmayacağı düşük riskli uygulamalarda tercih edilir.
Ücretsiz Deneme Süresinin Önemi
AIaaS hizmetlerinde, geleneksel bir kabul (acceptance) dönemi yerine sıklıkla başlangıçta ücretsiz deneme süresi sunulur. Bu süre boyunca müşterinin, hizmetin:
ihtiyaç duyulan işlevleri sağlayıp sağlamadığını,
beklenen performansı gösterip göstermediğini,
özellikle doğruluk gibi yapay zekâya özgü performans gereksinimlerini karşılayıp karşılamadığını
kendi kullanım senaryosu üzerinde değerlendirmesi beklenir.
Bunun temel nedenlerinden biri, AIaaS sağlayıcısının yapay zekâ modelinin çalışma şekli ve performansı konusunda her zaman yeterli şeffaflık sağlamamasıdır.
Özetle: AIaaS sözleşmeleri erişilebilirlik ve güvenlik konusunda belirli garantiler sunarken, yapay zekânın ürettiği sonuçların doğruluğu veya performansı çoğu zaman aynı şekilde garanti edilmez. Bu nedenle hizmeti satın almadan önce ücretsiz deneme sürecinden yararlanarak gerçek kullanım senaryosunda test etmek büyük önem taşır.
1.8 Önceden Eğitilmiş Modeller ve Transfer Öğrenme (Pre-trained Models & Transfer Learning)
Büyük miktarda veri ve güçlü donanımlar kullanarak bir modeli sıfırdan eğitmek (Training from scratch) çok maliyetlidir. Bu sorunu çözmek için Önceden Eğitilmiş Modeller ve Transfer Öğrenme yaklaşımları kullanılır.
Önceden Eğitilmiş Model (Pre-trained Model):
Devasa veri kümeleri üzerinde (örneğin milyonlarca görsel barındıran ImageNet) genel bir görevi öğrenmek üzere önceden eğitilmiş ve ağırlıkları belirlenmiş hazır modellerdir (Örn: ResNet, BERT, GPT).
Transfer Öğrenme (Transfer Learning):
Bir problem domain'inde (alanında) eğitilmiş hazır bir modelin kazandığı bilgi ve özniteliklerin (features), benzer veya daha özel başka bir hedef probleme uygulanması tekniğidir. Örnek: Genel nesneleri tanımak üzere milyonlarca fotoğrafla eğitilmiş bir modelin (ResNet), sadece röntgen filmlerindeki akciğer kanserini tespit etmek üzere son katmanlarının az sayıda tıbbi görselle yeniden eğitilmesi (Fine-Tuning / İnce Ayar).
Test Açısından Değerlendirme:
Önceden eğitilmiş modeller ve transfer öğrenme, yapay zekâ sistemleri geliştirmeyi kolaylaştırır. Ancak bu yaklaşım bazı önemli riskleri beraberinde getirir:
Şeffaflık eksikliği: Önceden eğitilmiş modelin nasıl geliştirildiği, hangi verilerle eğitildiği veya nasıl karar verdiği yeterince açık olmayabilir.
İşlev uyumsuzluğu: Modelin daha önce öğrendiği görev ile yeni sistemde ihtiyaç duyulan görev arasında yeterli benzerlik olmayabilir. Bu uyumsuzluk veri bilimcisi tarafından her zaman fark edilmeyebilir.
Veri hazırlama farklılıkları: Modelin ilk eğitiminde kullanılan verilerin hazırlanma yöntemi ile yeni sistemde kullanılan verilerin hazırlanma yöntemi farklı olabilir. Bu durum modelin gerçek kullanım performansını olumsuz etkileyebilir.
Mevcut hataların ve yanlılıkların taşınması: Önceden eğitilmiş modelde bulunan hatalar, eksiklikler veya yanlılıklar (bias) yeni modele de aktarılabilir. Modelin eğitim verileri ve geçmişi yeterince belgelenmemişse bu sorunları tespit etmek zorlaşır.
Bilinmeyen hatalar: Model yaygın olarak kullanılmıyorsa, daha önce keşfedilmemiş veya belgelenmemiş hataların bulunma ihtimali daha yüksektir. Bu durumda daha kapsamlı testler yapılması gerekir.
Güvenlik açıklarının miras alınması: Transfer öğrenmeyle oluşturulan model, temel aldığı modelin güvenlik zayıflıklarını da taşıyabilir. Örneğin, yanıltıcı/aldatıcı saldırılara karşı benzer şekilde savunmasız olabilir.
Saldırganlar için bilinen zayıflıklar: Kullanılan önceden eğitilmiş model biliniyorsa, saldırganlar bu modelin daha önce bilinen güvenlik açıklarından yararlanabilir.
Temel Çıkarım:
Önceden eğitilmiş bir modeli kullanmak, onun geçmişteki hatalarını, yanlılıklarını ve güvenlik açıklarını da devralmak anlamına gelebilir. Bu nedenle modelin eğitim verileri, geliştirme süreci, bilinen sınırlamaları ve güvenlik açıkları hakkında kapsamlı dokümantasyon bulunması ve modelin yeni kullanım senaryosunda titizlikle test edilmesi önemlidir.
1.9 YZ ile İlgili Standartlar ve Yönetmelikler (Standards & Regulations)
YZ sistemlerinin güvenilir, etik, insan haklarına uygun ve güvenli bir şekilde geliştirilmesi için uluslararası standartlar ve yasal düzenlemeler kritik bir role sahiptir. ISTQB® CT-AI müfredatında özellikle aşağıdaki standart ve tüzüklere vurgu yapılır:
1. Standartlar:
ISO/IEC TR 29119-11 (Yazılım ve Sistem Mühendisliği - YZ Tabanlı Sistemlerin Test Edilmesi):
ISTQB® CT-AI müfredatının temel dayanak noktasıdır.
YZ tabanlı sistemlerin test terminolojisini, test yaklaşımlarını, risklerini ve kalite karakteristiklerini (özelliklerini) tanımlayan uluslararası teknik rapordur.
ISO/IEC 22989: YZ kavramları ve terminolojisini standartlaştırır.
ISO/IEC 23053: YZ kullanan sistemlerin tanımlanması için MÖ çerçevesini sunar.
ISO/IEC 42001: YZ Yönetim Sistemi (Artificial Intelligence Management System - AIMS) standardıdır.
2. Mevzuatlar ve Yönetmelikler:
AB Yapay Zekâ Yasası (EU AI Act):
Dünyanın ilk kapsamlı YZ yasasıdır. YZ sistemlerini risk seviyelerine göre sınıflandırır:
Kabul Edilemez Risk (Unacceptable Risk): Sosyal puanlama sistemleri, kitlelerin bilinçaltı yönlendirilmesi vb. (Yasaklanmıştır).
Yüksek Risk (High Risk): Otonom araçlar, tıbbi cihazlar, işe alım algoritmaları, kritik altyapılar. (Sıkı kalite, test, veri şeffaflığı ve insan gözetimi zorunludur).
Sınırlı / Düşük Risk: Chatbot'lar, spam filtreleri vb. (Şeffaflık yükümlülükleri yeterlidir).
GDPR / KVKK (Veri Koruma Tüzükleri):
YZ modellerinin eğitiminde kullanılan kişisel verilerin korunması, "unutulma hakkı" ve otomatik karar alma süreçlerinde insan müdahalesi talebi gibi hakları düzenler.
Sınav İpucu (K1/K2): Sınavda ISO/IEC TR 29119-11'in doğrudan YZ sistemlerinin test edilmesine odaklanan resmi standart olduğu unutulmamalıdır.
Bölüm 1 Özet ve Değerlendirme:
Bu yazımızla birlikte ISTQB® CT-AI Müfredatının 1. Bölümünü (Yapay Zekâya Giriş) tamamen tamamlamış olduk.
Bir sonraki yayınımızda 2. Bölüm: YZ Tabanlı Sistemler İçin Kalite Özellikleri (Quality Characteristics for AI-Based Systems) konusuna giriş yapacağız; YZ'de Esneklik (Flexibility), Otonomi (Autonomy), Evrim (Evolution), Yanlılık (Bias), Açıklanabilirlik (Explainability) ve Etik ilkelerini detaylandıracağız.
Testlerinizde başarılı olmanız dileğiyle.
Bu Yazı Hakkında
Bu yazı, ISTQB® Certified Tester Artificial Intelligence Testing (CT-AI) müfredatının 1. Bölümünü tamamlayan, Yapay Zekâ Testi ve AI Testing içerik serisinin devam bölümüdür.
Bu bölümde YZ geliştirme çerçeveleri (TensorFlow, PyTorch, scikit-learn, Keras), YZ donanım seçenekleri (CPU, GPU, TPU, ASIC, NPU), AIaaS (Service As AI / Servis Olarak Yapay Zekâ) modelleri, önceden eğitilmiş modeller (Pre-trained Models) ve transfer öğrenme (Transfer Learning) kavramları detaylandırılmaktadır. Ayrıca YZ sistemlerinin test edilmesine odaklanan uluslararası standartlar (ISO/IEC TR 29119-11, ISO/IEC 22989, ISO/IEC 23053, ISO/IEC 42001) ile yasal tüzük ve yönetmelikler (AB Yapay Zekâ Yasası / EU AI Act, GDPR / KVKK) ele alınmaktadır.
Yazının devamında bütünsel takım kalite sahipliği (Whole-Team Approach), Agile test kadranları entegrasyonu, model bağımlılıkları, miras alınan güvenlik açıkları ve AIaaS sözleşmelerindeki test/maliyet riskleri gibi test uzmanı perspektifinden kritik konulara giriş yapılmaktadır.
Bu Yazı Kimler İçin?
Bu içerik özellikle yazılım test mühendisleri, QA otomasyon uzmanları, yazılım kalite mimarları, test uzmanları, yapay zekâ altyapılarını ve modellerini test etmek isteyen profesyoneller ve ISTQB® CT-AI sınavına hazırlanan adaylar için hazırlanmıştır.
Anahtar Konular
ISTQB CT-AI, Artificial Intelligence Testing, AI Testing, Yapay Zekâ Testi, YZ Geliştirme Çerçeveleri, YZ Donanımı, AIaaS, Transfer Öğrenme, Pre-trained Models, ISO/IEC TR 29119-11, EU AI Act, Yazılım Testi ve Yazılım Kalitesi.
Sonraki Bölüm
Bir sonraki bölümde YZ tabanlı sistemler için kalite özellikleri (Quality Characteristics for AI-Based Systems), YZ'de esneklik (Flexibility), otonomi (Autonomy), evrim (Evolution), yanlılık (Bias), açıklanabilirlik (Explainability) ve etik ilkeleri ele alınacaktır.
NOT: Bu içerik, ISTQB® CT-AI müfredatını temel alarak hazırlanmış eğitim amaçlı bir çalışmadır. İçerikte kullanılan ISTQB® ve CT-AI adları ilgili hak sahiplerinin tescilli markaları olabilir.
FAQ
ISTQB CT-AI müfredatında öne çıkan temel YZ geliştirme çerçeveleri nelerdir?
Derin öğrenme ve ölçeklenebilirlik için TensorFlow, dinamik hesaplama ve araştırma projeleri için PyTorch, geleneksel makine öğrenimi için scikit-learn ve hızlı prototipleme sağlayan üst düzey API olarak Keras öne çıkmaktadır.
YZ modellerinde GPU, TPU ve NPU donanımları neden tercih edilir?
Geleneksel CPU'lar genel amaçlı işlemler için tasarlanmışken GPU, TPU ve NPU gibi donanımlar matris ve vektör hesaplamalarını paralel olarak yapabilen binlerce çekirdeğe sahiptir; bu da eğitim ve çıkarım süreçlerindeki süreyi ve gecikmeyi (latency) ciddi oranda azaltır.
AIaaS (Service As AI) kullanmanın test uzmanları açısından riskleri nelerdir?
Servis sağlayıcıya bağımlılık (Vendor lock-in), üçüncü taraf API performansına doğrudan bağımlılık, model güncellendiğinde davranışın değişmesi (sürüm kontrol zorluğu), veri gizliliği (KVKK/GDPR) riskleri ve model doğruluğunun SLA sözleşmelerinde garanti edilmemesi temel risklerdir.
Transfer öğrenme (Transfer Learning) kullanırken hangi test riskleri ortaya çıkar?
Önceden eğitilmiş modellerin şeffaflık eksikliği, işlev uyumsuzluğu, veri hazırlama farklılıkları, kök modeldeki veri yanlılığının (bias) yeni modele aktarılması ve temel modelin sahip olduğu güvenlik açıklarının (Adversarial attacks) miras alınması riskleri mevcuttur.
Yapay zekâ sistemlerinin test edilmesinde doğrudan geçerli olan uluslararası standart hangisidir?
ISO/IEC TR 29119-11 (Yazılım ve Sistem Mühendisliği - YZ Tabanlı Sistemlerin Test Edilmesi), ISTQB® CT-AI müfredatının da temelini oluşturan, YZ test terminolojisi ve süreçlerini tanımlayan resmi teknik rapordur.
Yorumlar