Plan Szkolenia

Moduł 1: Wprowadzenie do AI dla QA

  • Co to jest sztuczna inteligencja?
  • Uczenie maszynowe vs głębokie uczenie vs systemy oparte na regułach
  • Ewolucja testowania oprogramowania z AI
  • Kluczowe korzyści i wyzwania z użyciem AI w QA

Moduł 2: Podstawy danych i ML dla testerów

  • Zrozumienie danych strukturyzowanych vs niestrukturyzowanych
  • Cechy, etykiety i zbiory treningowe
  • Uczenie nadzorowane i niezakłócone
  • Wprowadzenie do ewaluacji modeli (dokładność, precyzja, przywołanie itp.)
  • Realne zbiory danych QA

Moduł 3: Zastosowania AI w QA

  • Generowanie przypadków testowych za pomocą AI
  • Przewidywanie błędów przy użyciu ML
  • Priorytetyzacja testów i testowanie oparte na ryzyku
  • Wizualne testowanie za pomocą komputerowego widzenia
  • Analiza logów i wykrywanie anomalii
  • Przetwarzanie języka naturalnego (NLP) dla skryptów testowych

Moduł 4: Narzędzia AI dla QA

  • Przegląd platform QA opartych na AI
  • Użycie open-source bibliotek (np. Python, Scikit-learn, TensorFlow, Keras) do prototypów QA
  • Wprowadzenie do LLM w automatyzacji testów
  • Tworzenie prostego modelu AI do przewidywania błędu testowego

Moduł 5: Integracja AI w procesy QA

  • Ocena gotowości do AI procesów QA
  • Ciągła integracja i AI: jak wkomponować inteligencję do potoków CI/CD
  • Projektowanie inteligentnych zestawów testowych
  • Zarządzanie dryfem modeli AI i cyklami ponownego treningu
  • Etyczne zagadnienia w testowaniu opartym na AI

Moduł 6: Laboratoria praktyczne i projekt końcowy

  • Laboratorium 1: Automatyzacja generowania przypadków testowych za pomocą AI
  • Laboratorium 2: Budowanie modelu przewidywania błędów przy użyciu historycznych danych testowych
  • Laboratorium 3: Używanie LLM do przeglądu i optymalizacji skryptów testowych
  • Projekt końcowy: Pełna implementacja potoku testowego opartego na AI

Wymagania

Uczestnicy powinni posiadać:

  • 2+ lat doświadczenia w testowaniu oprogramowania/rolach QA
  • Znajomość narzędzi do automatyzacji testów (np. Selenium, JUnit, Cypress)
  • Podstawową znajomość programowania (lepiej w Pythonie lub JavaScript)
  • Doświadczenie z systemami kontroli wersji i narzędziami CI/CD (np. Git, Jenkins)
  • Nie wymagane jest wcześniejsze doświadczenie w AI/ML, choć ciekawość i chęć eksperymentowania są niezbędne
 21 godzin

Liczba uczestników


Cena za uczestnika

Opinie uczestników (5)

Propozycje terminów

Powiązane Kategorie