Plan Szkolenia

Moduł 1: Wprowadzenie do AI w QA

  • Co to jest sztuczna inteligencja?
  • Machine Learning vs Deep Learning vs Systemy oparte na regułach
  • Ewolucja testowania oprogramowania z AI
  • Główne korzyści i wyzwania AI w QA

Moduł 2: Podstawy danych i ML dla testerów

  • Rozumienie strukturowanych i nieskładniczych danych
  • Cechy, etykiety i zestawy danych do nauki
  • Nadzorowana i nienadzorowana nauka
  • Wprowadzenie do oceny modeli (dokładność, precyzja, uzupełnienie itp.)
  • Zbiory danych QA z rzeczywistego świata

Moduł 3: AI Use Cases w QA

  • Generowanie przypadków testowych z użyciem AI
  • Predykcja błędów z użyciem ML
  • Priorytetyzowanie testów i testowanie oparte na ryzyku
  • Testowanie wizualne z użyciem komputerowego wizji
  • Analiza logów i wykrywanie anomalii
  • Przetwarzanie języka naturalnego (NLP) dla skryptów testowych

Moduł 4: Narzędzia AI dla QA

  • Przegląd platform QA w oparciu o AI
  • Używanie bibliotek open-source (np. Python, Scikit-learn, TensorFlow, Keras) dla prototypów QA
  • Wprowadzenie do modeli językowych dużego rozmiaru w automatyzacji testów
  • Budowanie prostego modelu AI do predykcji niepowodzeń testów

Moduł 5: Integracja AI w procesach QA

  • Ocena gotowości do AI procesów QA
  • Integracja ciągła i AI: jak osadzić inteligentność w ścieżkach CI/CD
  • Projektowanie inteligentnych zestawów testów
  • Zarządzanie odchyleniami modeli AI i cyklami ponownego szkolenia
  • Etyczne aspekty w testowaniu opartym na AI

Moduł 6: Praktyczne laboratoria i projekt końcowy

  • Laboratorium 1: Automatyzacja generowania przypadków testowych za pomocą AI
  • Laboratorium 2: Budowanie modelu predykcji błędów za pomocą historycznych danych testowych
  • Laboratorium 3: Używanie LLM do przeglądania i optymalizacji skryptów testowych
  • Projekt końcowy: Wdrożenie całego procesu testowania z użyciem AI

Wymagania

Uczestnicy powinni posiadać:

  • Dwulatne doświadczenie w rolach testowania oprogramowania/QA
  • Znajomość narzędzi automatyzacji testów (np., Selenium, JUnit, Cypress)
  • Podstawowa wiedza z programowania (najlepiej w Python lub JavaScript)
  • Doświadczenie z narzędziami kontroli wersji i narzędziami CI/CD (np., Git, Jenkins)
  • Nie jest wymagane wcześniejsze doświadczenie w dziedzinie AI/ML, choć ciekawość i chęć eksperymentowania są niezbędne
 21 godzin

Liczba uczestników


cena netto za uczestnika

Opinie uczestników (5)

Propozycje terminów

Powiązane Kategorie