Plan Szkolenia

Moduł 1: Wprowadzenie do AI dla QA

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

Moduł 2: Podstawy danych i ML dla testerów

  • Zrozumienie strukturyzowanych vs niestrukturyzowanych danych
  • Cechy, etykiety i zestawy treningowe
  • Uczenie nadzorowane i nienadzorowane
  • Wprowadzenie do oceny modeli (dokładność, precyzja, przywołanie itp.)
  • Zestawy danych QA w praktyce

Moduł 3: Przypadki zastosowania AI w QA

  • Generowanie przypadków testowych opartych na AI
  • Przewidywanie defektów przy użyciu ML
  • Priorytetyzacja testów i testy ryzykozaniczne
  • Testowanie wizualne z wykorzystaniem vision
  • Analiza logów i wykrywanie anomalii
  • Przetwarzanie języka naturalnego (NLP) dla skryptów testowych

Moduł 4: Narzędzia AI dla QA

  • Przegląd platform QA opartych na AI
  • Korzystanie z bibliotek open-source (np. Python, Scikit-learn, TensorFlow, Keras) do prototypów QA
  • Wprowadzenie do LLM w automatyzacji testowej
  • Budowanie prostego modelu AI do przewidywania błędów testowych

Moduł 5: Integracja AI w procesy QA

  • Ocena gotowości do AI w procesach QA
  • Ciągła integracja i AI: jak zintegrować inteligencję w potoki CI/CD
  • Projektowanie inteligentnych zestawów testowych
  • Zarządzanie odchyleniem modeli AI i cyklami ponownego treningu
  • Etyczne aspekty w testowaniu opartym na AI

Moduł 6: Praktyczne laboratoria i projekt końcowy

  • Laboratorium 1: Automatyzacja generowania przypadków testowych przy użyciu AI
  • Laboratorium 2: Budowanie modelu przewidywania defektów na podstawie historycznych danych testowych
  • Laboratorium 3: Użycie LLM do rewizji i optymalizacji skryptów testowych
  • Projekt końcowy: Całościowa implementacja potoku testowego opartego na AI

 

Wymagania

Oczekuje się, że uczestnicy posiadają:

  • Doświadczenie w testowaniu oprogramowania/rołach QA na poziomie 2+ lat
  • Znajomość narzędzi do automatyzacji testów (np. Selenium, JUnit, Cypress)
  • Podstawową wiedzę z programowania (preferowane języki Python lub JavaScript)
  • Doświadczenie z kontrolą wersji i narzędziami CI/CD (np. Git, Jenkins)
  • Nie wymagane jest wcześniejsze doświadczenie w AI/ML, choć ciekawość i chęć eksperymentowania są kluczowe
 21 godzin

Liczba uczestników


cena netto za uczestnika

Opinie uczestników (5)

Propozycje terminów

Powiązane Kategorie