Bądźmy w kontakcie
 Czas trwania 21 godzin

Plan Szkolenia

Wprowadzenie do AI w QA

  • Czym jest sztuczna inteligencja?\n
  • Uczenie maszynowe vs uczenie głębokie vs systemy oparte na regułach\n
  • Ewolucja testowania oprogramowania z wykorzystaniem AI\n
  • Korzyści i wyzwania związane z AI w QA\n

Podstawy danych i ML dla testerów

  • Rozumienie danych strukturyzowanych i niestrukturyzowanych\n
  • Cechy, etykiety i zestawy danych do treningu\n
  • Uczenie nadzorowane i nienadzorowane\n
  • Wprowadzenie do oceny modeli (dokładność, precyzja, wrażliwość itp.)\n
  • Zestawy danych z rzeczywistego środowiska QA\n

Zastosowania AI w QA

  • Generowanie przypadków testowych za pomocą AI\n
  • Przewidywanie defektów z użyciem ML\n
  • Priorytetyzacja testów i testowanie oparte na ryzyku\n
  • Testowanie wizualne z wykorzystaniem przetwarzania obrazów\n
  • Analiza logów i wykrywanie anomalii\n
  • Przetwarzanie języka naturalnego (NLP) do skryptów testowych\n

Narzędzia AI dla QA

  • Przegląd platform do QA wspieranych przez AI\n
  • Wykorzystanie bibliotek open source (np. Python, Scikit-learn, TensorFlow, Keras) do prototypów QA\n
  • Wprowadzenie do LLM w automatyzacji testów\n
  • Budowanie prostego modelu AI do przewidywania niepowodzeń testów\n

Integracja AI z pracami QA

  • Ocena gotowości procesów QA do wdrożenia AI\n
  • Integracja ciągła i AI: jak wbudować inteligencję w rury CI/CD\n
  • Projektowanie inteligentnych zestawów testów\n
  • Zarządzanie dryfem modeli AI i cyklami ponownego trenowania\n
  • Kwestie etyczne w testowaniu opartym na AI\n

Laboratoria praktyczne i projekt dyplomowy

  • Laboratorium 1: Automatyzacja generowania przypadków testowych za pomocą AI\n
  • Laboratorium 2: Budowanie modelu do przewidywania defektów na podstawie danych historycznych\n
  • Laboratorium 3: Wykorzystanie LLM do przeglądania i optymalizacji skryptów testowych\n
  • Projekt dyplomowy: End-to-end wdrożenie rury testowej opartej na AI\n

Wymagania

Uczestnicy powinni posiadać:\n

  • Minimum 2 lata doświadczenia na stanowiskach związanych z testowaniem oprogramowania/QA\n
  • Znajomość narzędzi do automatyzacji testów (np. Selenium, JUnit, Cypress)\n
  • Podstawową wiedzę z zakresu programowania (preferalnie w Pythonie lub JavaScript)\n
  • Doświadczenie w pracy z narzędziami do kontroli wersji i CI/CD (np. Git, Jenkins)\n
  • Nie jest wymagane wcześniejsze doświadczenie w AI/ML, jednak ciekawość i chęć do eksperymentowania są niezbędne.\n

Liczba uczestników


Cena za uczestnika (netto)

Opinie uczestników (4)

Propozycje terminów

Powiązane Kategorie