Plan de estudio ISTQB CT-AI v2.0: dónde se va el tiempo

CT-AI es un examen pequeño que se subestima con frecuencia. Cuarenta preguntas en sesenta minutos suenan a una tarde de repaso, hasta que aparecen los cálculos sobre la matriz de confusión y la tarde se convierte en tres semanas. Los números oficiales y las reglas del examen están en nuestra guía del examen ISTQB CT-AI v2.0. Este artículo trata lo que una página de referencia no puede darte: dónde se va realmente el tiempo de estudio, en qué orden abordar el material y cómo saber, a partir de un examen de práctica, si ya estás listo.

Por qué CT-AI cuesta más de lo que sugiere su tamaño

Nada en CT-AI es intelectualmente difícil. La dificultad está en que el programa te pide sostener tres cosas ajenas a la vez: un vocabulario prestado del machine learning, unos cálculos que no haces desde el colegio y un modelo de pruebas en el que no existe un único resultado esperado con el que comparar. CTFL no entrena ninguna de las tres. Quien suspende rara vez falla por el contenido de pruebas: falla por haber leído el material una vez, reconocer todos los términos y no haberlos usado nunca.

Dónde se va realmente el tiempo de estudio

Mira el índice oficial de contenidos de v2.0 y cuenta secciones, no capítulos. Seis de los siete capítulos traen una o dos secciones. El capítulo 3, Machine Learning, trae cuatro: introducción al ML, datos para machine learning, métricas de rendimiento funcional de ML para clasificación y redes neuronales. En ese único capítulo están el vocabulario, los cálculos y el único modelo mental verdaderamente nuevo: merece cerca de la mitad de tu tiempo de estudio aunque sea un capítulo de siete.

Lo que no puedes deducir de ahí es un número de preguntas. ISTQB no publica el reparto de preguntas por capítulo en CT-AI — nuestra guía del examen explica por qué, y por qué quien te diga "el capítulo 3 vale ocho preguntas" se lo ha inventado. Reparte tus horas según lo que cuesta aprender cada parte, no según una ponderación que nadie ha publicado.

El orden en que conviene estudiar

De principio a fin es el orden equivocado para este programa, porque los capítulos 5, 6 y 7 son especializaciones del capítulo 3. Hazlo en tres pasadas.

Pasada 1 — vocabulario, rápido (un fin de semana)

Capítulos 1 y 2 a ritmo de lectura, más la introducción al machine learning del capítulo 3. Aquí no tienes que dominar nada: monta un glosario de una línea por término con tus palabras y contrasta cada uno con el glosario oficial de ISTQB. Lo que compras es poder leer el resto del programa sin frenar.

Pasada 2 — machine learning, despacio (el grueso del tiempo)

Vuelta al capítulo 3, y quédate ahí. Primero datos para machine learning (división en entrenamiento, validación y prueba, calidad del dato, etiquetado, leakage), después las métricas de rendimiento funcional y por último redes neuronales, y estas solo con la profundidad que pide el programa: estructura e implicaciones para las pruebas, no matemáticas de retropropagación. Si acabas en una clase de cálculo, te has pasado del temario.

Pasada 3 — los capítulos de pruebas, de una vez

Los capítulos 4 a 7 se leen rápido cuando el 3 está firme, y conviene leerlos juntos porque lo que se examina es precisamente su frontera: pruebas de datos de entrada frente a pruebas de modelo frente a pruebas de desarrollo de ML, y dónde encaja entre ellas el testing de IA generativa y de LLM. Escribe las tres áreas específicas de ML en una hoja, con una frase que distinga cada una. Esa hoja vale más en la última semana que otra relectura.

Dónde te engañan los reflejos de CTFL

• El resultado esperado. CTFL te enseña a comparar el resultado real con uno esperado. En un modelo a menudo no existe ese único esperado, y por eso existen las pruebas metamórficas y back-to-back. Si una técnica te parece rara, pregúntate qué está sustituyendo del resultado esperado que falta.

• Intermitente significa roto. En CTFL, una prueba que pasa al reintentar es un defecto de la prueba. En un sistema de IA, una salida no determinista puede ser comportamiento correcto. La pregunta pasa a ser si la variación se queda dentro de los criterios de aceptación, y de ahí que los criterios de aceptación para sistemas probabilísticos tengan su propia sección.

• Los defectos viven en el código. Aquí viven igual de a menudo en los datos: ejemplos mal etiquetados, leakage entre entrenamiento y prueba, sesgo heredado del histórico. Un modelo impecable entrenado con los datos equivocados es el defecto específico de IA que nunca has tenido que buscar.

• Cobertura es código o requisitos. La cobertura de modelo y la de datos de entrada son otra cosa, y el programa espera que notes que un buen resultado sobre el conjunto de prueba no dice nada de las entradas que ese conjunto nunca contuvo.

Practicar las métricas para que aguanten contrarreloj

Leer sobre precision y recall no se transfiere. Lo único que se transfiere es haber sacado los números a mano, muchas veces, desde una matriz cuya orientación no elegiste tú.

Una rutina que funciona: dibuja una matriz de dos por dos, mete cuatro números cualesquiera y calcula accuracy, precision, recall y F1. Cinco al día durante una semana. Luego pon los números incómodos a propósito —990 verdaderos negativos y 2 verdaderos positivos— y di en voz alta qué métrica te está mintiendo. Para terminar, haz algunas con la matriz transpuesta o con la clase rara como clase positiva, porque el examen no la dibuja como tus apuntes.

Y después la mitad que casi todo el mundo se salta: dado un objetivo de negocio concreto, decir qué métrica importa y por qué. Saber que recall es TP/(TP+FN) es el primer punto; saber que un filtro antifraude prefiere perseguir falsas alarmas antes que dejar pasar un fraude es la pregunta aplicada.

Cómo leer el resultado de un examen de práctica

Un resultado es un diagnóstico, no un pronóstico. Saca de él tres cosas, en este orden:

• El porcentaje, no los puntos. Nuestros exámenes de práctica dan un punto a cada pregunta, mientras que el examen real reparte 44 puntos de forma desigual entre 40 preguntas; la guía del examen explica esa salvedad. Compara porcentaje con porcentaje y no traslades nunca una puntuación bruta al umbral real.

• El patrón de fallos por tema. Dos fallos en métricas y dos en pruebas de desarrollo de ML no son el mismo resultado y no llevan a la misma semana siguiente.

• Los aciertos por el motivo equivocado. Lee la justificación de todas las opciones, también en las preguntas que acertaste, o te quedarás con la casualidad en la puntuación y el hueco en la cabeza.

• El reloj. Si te faltó tiempo, la solución no es repasar más, sino decidir de antemano que marcarás las preguntas de cálculo y volverás a ellas.

Cuándo puedes dejar de estudiar

Nuestro listón numérico está en la guía; la versión conductual es más simple. Estás listo cuando puedes explicar sin apuntes por qué un modelo con un 99% de accuracy puede ser inútil; cuando una matriz de confusión te devuelve cuatro métricas en menos de un minuto; cuando nombras los dos niveles de prueba específicos de ML y dices qué encuentra cada uno que el otro no; y cuando tus tres últimos exámenes de práctica caen en la misma banda en vez de oscilar. Si eso se cumple, reserva. Si siguen oscilando, el problema es un tema y no los nervios: búscalo en el desglose.

Practica con nuestros exámenes de práctica gratuitos de ISTQB CT-AI, con justificación escrita en cada opción. Si aún dudas si CT-AI es la certificación adecuada, empieza por nuestra guía de certificación ISTQB CT-AI; lo que se ha movido en el programa actual está en CT-AI v2.0 frente a v1.0: qué cambió. Reglas del examen y números oficiales: la página oficial de ISTQB CT-AI.