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
Opinie uczestników (2)
temat, sposób przekazywania wiedzy
VIOLETTA RYBOWSKA
Szkolenie - Test Automation with Selenium
Podobało mi się, że trener miał praktyczną wiedzę z dziedziny testowania i że pytał o to, jak poszczególne aspekty wyglądają u nas. Dobrze, że trener zaznaczał, że niektóre elementy po prostu tak wyglądają wg ISTQB, gdy czasem prowadziliśmy dyskusję na temat danego rozwiązania zadania, z którym się do końca nie zgadzamy.