Bądźmy w kontakcie

Plan Szkolenia

Moduł 1: Wprowadzenie do sztucznej inteligencji dla QA

  • Czym jest sztuczna inteligencja?
  • Uczenie maszynowe vs głębokie uczenie vs systemy oparte na regułach
  • Ewolucja testowania oprogramowania z wykorzystaniem sztucznej inteligencji
  • Kluczowe korzyści i wyzwania związane z AI w QA

Moduł 2: Podstawy danych i uczenia maszynowego dla testerów

  • Zrozumienie danych strukturalnych i niestrukturalnych
  • Cechy, etykiety i zbiory danych treningowych
  • Uczenie nadzorowane i nienadzorowane
  • Wprowadzenie do oceny modeli (dokładność, precyzja, czułość itp.)
  • Zbiory danych QA w praktyce

Moduł 3: Zastosowania sztucznej inteligencji w QA

  • Generowanie przypadków testowych z wykorzystaniem AI
  • Przewidywanie defektów za pomocą uczenia maszynowego
  • Priorytetyzacja testów i testowanie oparte na ryzyku
  • Testowanie wizualne z wykorzystaniem technik komputerowego widzenia
  • Analiza logów i wykrywanie anomalii
  • Przetwarzanie języka naturalnego (NLP) w skryptach testowych

Moduł 4: Narzędzia sztucznej inteligencji dla QA

  • Przegląd platform QA wspieranych przez AI
  • Korzystanie z bibliotek open-source (np. Python, Scikit-learn, TensorFlow, Keras) do tworzenia prototypów QA
  • Wprowadzenie do dużych modeli językowych (LLM) w automatyzacji testów
  • Budowa prostego modelu AI do przewidywania błędów testowych

Moduł 5: Integracja sztucznej inteligencji z procesami QA

  • Ocena gotowości procesów QA na wdrożenie AI
  • Ciągła integracja i AI: jak osadzić inteligencję w potokach CI/CD
  • Projektowanie inteligentnych zestawów testowych
  • Zarządzanie dryfem modeli AI i cyklami ich ponownego trenowania
  • Zagadnienia etyczne w testowaniu wspieranym przez AI

Moduł 6: Praktyczne laboratoria i projekt końcowy

  • Laboratorium 1: Automatyzacja generowania przypadków testowych z wykorzystaniem AI
  • Laboratorium 2: Budowa modelu przewidywania defektów na podstawie historycznych danych testowych
  • Laboratorium 3: Wykorzystanie dużego modelu językowego (LLM) do przeglądu i optymalizacji skryptów testowych
  • Projekt końcowy: End-to-end implementacja potoku testowego wspieranego przez AI

Wymagania

Od uczestników oczekuje się:

  • Co najmniej 2 lata doświadczenia w testowaniu oprogramowania/rolach QA
  • Znajomości narzędzi do automatyzacji testów (np. Selenium, JUnit, Cypress)
  • Podstawowej wiedzy z zakresu programowania (najlepiej w Pythonie lub JavaScript)
  • Doświadczenia z narzędziami do kontroli wersji i CI/CD (np. Git, Jenkins)
  • Wcześniejsze doświadczenie w AI/ML nie jest wymagane, ale ciekawość i chęć eksperymentowania są kluczowe
 21 godzin

Liczba uczestników


Cena za uczestnika (netto)

Opinie uczestników (2)

Propozycje terminów

Powiązane Kategorie