ISTQB CT-AI v2.0 lernen: ein Lernplan mit Reihenfolge

CT-AI ist eine kleine Prüfung, die regelmäßig unterschätzt wird. 40 Fragen in 60 Minuten klingen nach einem Nachmittag Wiederholung — bis die Rechenaufgaben zur Konfusionsmatrix auftauchen und aus dem Nachmittag drei Wochen werden. Die offiziellen Zahlen und die Prüfungsregeln stehen in unserem Leitfaden zur ISTQB CT-AI v2.0-Prüfung. Dieser Beitrag behandelt das, was eine Referenzseite nicht leisten kann: wohin die Lernzeit wirklich fließt, in welcher Reihenfolge Sie den Stoff angehen und wie Sie an einem Ergebnis in der Probeprüfung ablesen, ob Sie bereit sind.

Warum CT-AI schwerer wirkt als sein Umfang

Intellektuell ist an CT-AI nichts schwer. Schwierig ist, dass der Lehrplan drei ungewohnte Dinge gleichzeitig verlangt: ein aus dem Machine Learning entlehntes Vokabular, Rechnen, das Sie seit der Schule nicht gebraucht haben, und ein Testmodell ohne ein einziges erwartetes Ergebnis, mit dem man vergleichen könnte. CTFL trainiert davon nichts. Wer durchfällt, scheitert selten am Testinhalt — sondern daran, den Stoff einmal gelesen, jeden Begriff wiedererkannt und nie angewendet zu haben.

Wohin die Lernzeit tatsächlich fließt

Zählen Sie in der offiziellen Inhaltsübersicht zu v2.0 die Abschnitte, nicht die Kapitel. Sechs der sieben Kapitel bringen ein oder zwei Abschnitte mit. Kapitel 3, Machine Learning, bringt vier: Einführung in ML, Daten für Machine Learning, ML-Funktionsleistungsmetriken für Klassifikation und Neuronale Netze. In diesem einen Kapitel stecken das Vokabular, das Rechnen und das einzige wirklich neue Denkmodell — es verdient knapp die Hälfte Ihrer Lernzeit, obwohl es nur eines von sieben Kapiteln ist.

Was Sie daraus nicht ableiten können, ist eine Fragenzahl. ISTQB veröffentlicht für CT-AI keine Verteilung der Fragen auf die Kapitel — unser Prüfungsleitfaden erklärt, warum, und warum jede Angabe wie "Kapitel 3 bringt acht Fragen" frei erfunden ist. Planen Sie Ihre Stunden nach dem Lernaufwand, nicht nach einer Gewichtung, die niemand veröffentlicht hat.

Die sinnvolle Reihenfolge

Von vorn nach hinten ist bei diesem Lehrplan die falsche Reihenfolge, denn die Kapitel 5, 6 und 7 sind Spezialisierungen von Kapitel 3. Arbeiten Sie stattdessen in drei Durchgängen.

Durchgang 1 — Vokabular, schnell (ein Wochenende)

Kapitel 1 und 2 im Lesetempo, dazu die Einführung ins Machine Learning aus Kapitel 3. Beherrschen müssen Sie hier nichts; legen Sie ein Glossar mit einer Zeile pro Begriff in eigenen Worten an und gleichen Sie jeden Begriff mit dem offiziellen ISTQB-Glossar ab. Was Sie damit kaufen, ist die Fähigkeit, den restlichen Lehrplan ohne Stocken zu lesen.

Durchgang 2 — Machine Learning, langsam (der Großteil der Zeit)

Zurück zu Kapitel 3 — und dort bleiben. Zuerst Daten für Machine Learning (Aufteilung in Trainings-, Validierungs- und Testdaten, Datenqualität, Labeling, Leakage), dann die Funktionsleistungsmetriken, dann Neuronale Netze, und diese nur in der Tiefe, die der Lehrplan verlangt: Aufbau und Konsequenzen für das Testen, keine Backpropagation-Mathematik. Wenn Sie in einer Mathematikvorlesung landen, sind Sie über den Lehrplan hinausgeschossen.

Durchgang 3 — die Testkapitel in einem Zug

Die Kapitel 4 bis 7 lesen sich zügig, sobald Kapitel 3 sitzt, und sie gehören zusammen gelesen, weil genau ihre Abgrenzung geprüft wird: Eingabedaten-Testen gegen Modell-Testen gegen ML-Entwicklungs-Testen — und wo das Testen generativer KI und von LLMs dazwischen sitzt. Schreiben Sie die drei ML-spezifischen Bereiche auf eine Seite, je ein abgrenzender Satz. Diese Seite ist in der letzten Woche mehr wert als ein weiteres Durchlesen.

Wo CTFL-Reflexe in die Irre führen

• Das erwartete Ergebnis. CTFL lehrt den Vergleich von Ist und einem einzigen Soll. Bei einem Modell gibt es dieses Soll oft nicht — genau deshalb existieren metamorphes und Back-to-Back-Testen. Wirkt eine Technik seltsam, fragen Sie sich, wodurch sie das fehlende erwartete Ergebnis ersetzt.

• Instabil heißt kaputt. In CTFL ist ein Test, der beim zweiten Versuch besteht, ein Fehler im Test. In einem KI-basierten System kann eine nicht deterministische Ausgabe korrektes Verhalten sein. Die Frage lautet, ob die Streuung innerhalb der Akzeptanzkriterien bleibt — weshalb Akzeptanzkriterien für probabilistische Systeme einen eigenen Abschnitt haben.

• Fehler stecken im Code. Hier stecken sie ebenso häufig in den Daten: falsch gelabelte Beispiele, Leakage zwischen Trainings- und Testdaten, aus der Historie geerbter Bias. Ein sauber implementiertes Modell auf den falschen Daten ist der KI-spezifische Fehler, nach dem Sie nie suchen mussten.

• Coverage heißt Code oder Anforderungen. Modellüberdeckung und Eingabedatenüberdeckung sind etwas anderes, und der Lehrplan erwartet, dass Sie merken: ein guter Wert auf den Testdaten sagt nichts über Eingaben, die in diesen Testdaten nie vorkamen.

Metriken so üben, dass sie unter Zeitdruck halten

Über Precision und Recall zu lesen überträgt sich nicht. Übertragen tut sich nur, die Zahlen wiederholt von Hand ausgerechnet zu haben — aus einer Matrix, deren Ausrichtung Sie nicht gewählt haben.

Eine Routine, die funktioniert: Zwei-mal-zwei-Matrix skizzieren, vier beliebige Zahlen hineinschreiben, dann Accuracy, precision, recall und F1 ausrechnen. Eine Woche lang fünf am Tag. Danach die Zahlen absichtlich unangenehm machen — 990 richtig negative und 2 richtig positive Fälle — und laut sagen, welche Metrik Sie belügt. Zum Schluss ein paar Aufgaben mit transponierter Matrix oder mit der seltenen Klasse als positiver Klasse, denn die Prüfung zeichnet sie nicht so wie Ihre Notizen.

Dann die Hälfte, die die meisten überspringen: zu einem genannten fachlichen Ziel sagen, welche Metrik zählt und warum. Dass Recall TP/(TP+FN) ist, ist der erste Punkt; dass eine Betrugsprüfung lieber Fehlalarmen nachgeht, als einen Betrug zu übersehen, ist die angewandte Frage.

Ein Ergebnis in der Probeprüfung richtig lesen

Ein Ergebnis ist Diagnose, nicht Prognose. Holen Sie drei Dinge heraus, in dieser Reihenfolge:

• Den Prozentwert, nicht die Punktzahl. Unsere Probeprüfungen gewichten jede Frage mit einem Punkt, die echte Prüfung verteilt 44 Punkte ungleich auf 40 Fragen; der Prüfungsleitfaden erklärt diesen Vorbehalt. Vergleichen Sie also Prozent mit Prozent und rechnen Sie ein Rohergebnis nie auf die echte Grenze um.

• Das Muster der Fehler nach Thema. Zwei Fehler bei den Metriken und zwei beim ML-Entwicklungs-Testen sind nicht dasselbe Ergebnis und führen nicht zur selben nächsten Woche.

• Die Treffer aus dem falschen Grund. Lesen Sie die Begründung zu jeder Option, auch bei richtig beantworteten Fragen — sonst behalten Sie den Glückstreffer im Ergebnis und die Lücke im Kopf.

• Die Uhr. Wenn die Zeit nicht gereicht hat, hilft nicht mehr Wiederholung, sondern die Entscheidung, Rechenaufgaben zu markieren und später zurückzukommen.

Wann Sie aufhören können zu lernen

Unsere zahlenmäßige Messlatte steht im Leitfaden; die verhaltensbezogene Version ist einfacher. Sie sind bereit, wenn Sie ohne Notizen erklären können, warum ein Modell mit 99% Accuracy nutzlos sein kann; wenn eine Konfusionsmatrix in unter einer Minute vier Metriken aus Ihnen herausbringt; wenn Sie die zwei ML-spezifischen Teststufen benennen und sagen können, was jede findet, was die andere nicht findet; und wenn Ihre letzten drei Probeprüfungen im gleichen Band lagen statt zu schwanken. Dann buchen Sie. Schwanken die Ergebnisse noch, liegt es an einem Thema und nicht an den Nerven — finden Sie es in der Auswertung.

Üben Sie mit unseren kostenlosen ISTQB CT-AI-Probeprüfungen, jede mit begründeten Antworten zu allen Optionen. Wenn Sie noch überlegen, ob CT-AI überhaupt die richtige Zertifizierung ist, beginnen Sie mit unserem ISTQB CT-AI-Zertifizierungsleitfaden; was sich im aktuellen Lehrplan verschoben hat, steht in CT-AI v2.0 vs. v1.0: Was sich geändert hat. Prüfungsregeln und offizielle Zahlen: die ISTQB CT-AI-Seite.