Dziękujemy za wysłanie zapytania! Jeden z członków naszego zespołu skontaktuje się z Państwem wkrótce.
Dziękujemy za wysłanie rezerwacji! Jeden z członków naszego zespołu skontaktuje się z Państwem wkrótce.
Czas trwania 14 godzin
Plan Szkolenia
Wprowadzenie do sztucznej inteligencji w testowaniu oprogramowania
- Przegląd możliwości AI w testowaniu i zapewnianiu jakości
- Rodzaje narzędzi AI stosowanych w nowoczesnych procesach testowych
- Korzyści i ryzyka związane z inżynierią jakości opartą na AI
Modele LLM do generowania przypadków testowych
- Inżynieria promptów do generowania testów jednostkowych i funkcjonalnych
- Tworzenie sparametryzowanych i opartych na danych szablonów testów
- Przekształcanie historyjek użytkownika i wymagań w skrypty testowe
AI w testach eksploracyjnych i przypadkach brzegowych
- Identyfikowanie nieprzetestowanych gałęzi lub warunków przy użyciu AI
- Symulowanie rzadkich lub nietypowych scenariuszy użytkowania
- Strategie generowania testów oparte na ryzyku
Automatyzacja testów interfejsu użytkownika i testów regresyjnych
- Wykorzystanie narzędzi AI, takich jak Testim czy mabl, do tworzenia testów UI
- Utrzymywanie stabilnych testów UI dzięki samonaprawiającym się selektorom
- Analiza wpływu regresji oparta na AI po zmianach w kodzie
Analiza awarii i optymalizacja testów
- Grupowanie awarii testów przy użyciu modeli LLM lub ML
- Redukowanie niestabilnych przebiegów testów i zmęczenia alertami
- Priorytetyzacja wykonywania testów na podstawie wniosków historycznych
Integracja z potokiem CI/CD
- Osadzanie generowania testów AI w Jenkins, GitHub Actions lub GitLab CI
- Walidacja jakości testów podczas przeglądania pull requestów
- Automatyzacja wycofywania 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 ścieżki audytu dla procesów testowych wspomaganych 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 czy Selenium
- Podstawowa znajomość potoków CI/CD i środowisk DevOps
Grupa docelowa
- Inżynierowie QA
- Inżynierowie ds. rozwoju oprogramowania w testach (SDET)
- Testerzy oprogramowania pracujący w środowiskach agile lub DevOps
Opinie uczestników (1)
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