Plan Szkolenia
Wprowadzenie do sztucznej inteligencji w testowaniu oprogramowania
- Przegląd możliwości AI w testowaniu i QA
- Rodzaje narzędzi AI stosowanych w nowoczesnych przepływach testowych
- Korzyści i ryzyka inżynierii jakości opartej na AI
LLM do generowania przypadków testowych
- Inżynieria promptów do generowania testów jednostkowych i funkcjonalnych
- Tworzenie szablonów testów parametryzowanych i opartych na danych
- Przekształcanie historii użytkowników i wymagań w skrypty testowe
AI w testowaniu eksploracyjnym i przypadkach brzegowych
- Identyfikowanie nieprzetestowanych gałęzi lub warunków przy użyciu AI
- Symulowanie rzadkich lub nietypowych scenariuszy użycia
- Strategie generowania testów opartych na ryzyku
Automatyzacja testów UI i regresji
- Wykorzystanie narzędzi AI, takich jak Testim lub mabl, do tworzenia testów UI
- Utrzymywanie stabilnych testów UI poprzez samonaprawiające się selektory
- Analiza wpływu regresji po zmianach kodu przy użyciu AI
Analiza błędów i optymalizacja testów
- Klasteryzacja błędów testowych przy użyciu modeli LLM lub ML
- Redukcja flakiness testów i zmęczenia alertami
- Priorytetyzacja wykonania testów na podstawie historycznych danych
Integracja z potokami CI/CD
- Osadzanie generowania testów AI w Jenkins, GitHub Actions lub GitLab CI
- Walidacja jakości testów podczas pull requestów
- Automatyczne cofanie zmian i inteligentne bramkowanie testów w potokach
Przyszłe trendy i odpowiedzialne wykorzystanie AI w QA
- Ocena dokładności i bezpieczeństwa testów generowanych przez AI
- Zarządzanie i śledzenie procesów testowych wspieranych przez AI
- Trendy w platformach AI-QA i inteligentnej obserwowalności
Podsumowanie i kolejne kroki
Wymagania
- Doświadczenie w testowaniu oprogramowania, planowaniu testów lub automatyzacji QA
- Znajomość frameworków testowych, takich jak JUnit, PyTest lub Selenium
- Podstawowa znajomość potoków CI/CD i środowisk DevOps
Grupa docelowa
- Inżynierowie QA
- Inżynierowie rozwoju oprogramowania w testach (SDETs)
- Testerzy oprogramowania pracujący w środowiskach agile lub DevOps
Opinie uczestników (2)
Zdobyłem wiedzę na temat biblioteki Streamlit w Pythonie i na pewno spróbuję ją wykorzystać, aby ulepszyć aplikacje w moim zespole, które są tworzone w R Shiny.
Michal Maj - XL Catlin Services SE (AXA XL)
Szkolenie - GitHub Copilot for Developers
Przetłumaczone przez sztuczną inteligencję
Instruktor może dostosować poziom kursu podczas szkolenia do naszego zrozumienia tematu, dzięki czemu możemy zdobyć więcej przydatnej wiedzy, która dalej pomóc nam w wykorzystywaniu narzędzi w codziennej pracy.
Tatt Juen - ViTrox Technologies Sdn Bhd
Szkolenie - Intermediate GitHub Copilot
Przetłumaczone przez sztuczną inteligencję