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
Opinie uczestników (5)
Metoda nauczania
Negritu - OMNIASIG VIENNA INSURANCE GROUP S.A.
Szkolenie - SoapUI for API Testing
Przetłumaczone przez sztuczną inteligencję
Wszystko mi się podobało, ponieważ jest to dla mnie nowość i widzę wartość dodaną, jaką może wnieść do mojej pracy.
Zareef - BMW South Africa
Szkolenie - Tosca: Model-Based Testing for Complex Systems
Przetłumaczone przez sztuczną inteligencję
Bardzo szeroki omówienie tematu, który obejmował wszystkie wymagane przedwiedzy w sposób odpowiedni do poznawanych w kursie zagadnień.
James Hurburgh - Queensland Police Service
Szkolenie - SpecFlow: Implementing BDD for .NET
Przetłumaczone przez sztuczną inteligencję
Było łatwe do zrozumienia i zaimplementowania.
Thomas Young - Canadian Food Inspection Agency
Szkolenie - Robot Framework: Keyword Driven Acceptance Testing
Przetłumaczone przez sztuczną inteligencję
Ilość ćwiczeń praktycznych.
Jakub Wasikowski - riskmethods sp. z o.o
Szkolenie - API Testing with Postman
Przetłumaczone przez sztuczną inteligencję