Podstawy QA i nowoczesne testowanie z wykorzystaniem sztucznej inteligencji (przygotowanie do ISTQB Foundation) - Plan Szkolenia

Moduł 1: Podstawy zapewnienia jakości i testowania

• Definiowanie jakości, zapewnienia jakości i testowania
• Siedem zasad testowania (ISTQB CTFL v4.0)
• Testowanie vs. debugowanie vs. kontrola jakości
• Psychologia testowania
• Role i obowiązki w zespole QA

Moduł 2: Cykl życia rozwoju oprogramowania i testowanie

• Fazy cyklu życia testowania oprogramowania (STLC)
• Podejścia do testowania w modelach Waterfall, Agile, DevOps i CI/CD
• Poziomy testów: jednostkowe, integracyjne, systemowe, akceptacyjne
• Strategie testowania shift-left i shift-right
• Śledzenie wymagań i przypadków testowych

Moduł 3: Techniki testowania statycznego

• Przeglądy, przeglądy krok po kroku i inspekcje
• Analiza statyczna z użyciem zautomatyzowanych narzędzi
• Przeglądy oparte na checklistach i rolach
• Techniki przeglądów formalnych i nieformalnych
• Integracja testowania statycznego z przepływami pracy Agile

Moduł 4: Techniki testowania

• Techniki czarnej skrzynki: podział na klasy równoważności, analiza wartości brzegowych
• Testowanie za pomocą tabel decyzyjnych i testowanie przejść stanów
• Testowanie przypadków użycia i testowanie eksploracyjne
• Techniki białej skrzynki: pokrycie instrukcji i decyzji
• Techniki oparte na doświadczeniu i zgadywanie błędów

Moduł 5: Zarządzanie defektami

• Cykl życia defektu: wykrywanie, raportowanie, triage, rozwiązywanie, zamknięcie
• Pisanie efektywnych raportów defektów z użyciem JIRA
• Klasyfikacja ważności vs. priorytetu defektu
• Techniki analizy przyczyn źródłowych
• Metryki defektów i analiza trendów

Moduł 6: Zarządzanie testami i testowanie oparte na ryzyku

• Planowanie testów i metody szacowania
• Identyfikacja, ocena i łagodzenie ryzyka
• Monitorowanie, kontrola i raportowanie testów
• Definiowanie kryteriów zakończenia testów i warunków wyjścia
• Dokumenty strategii i polityki testowej zgodne z ISTQB

Moduł 7: Narzędzia testowe i podstawy automatyzacji

• Klasyfikacja narzędzi testowych (kategorie narzędzi ISTQB)
• Korzyści i ryzyka automatyzacji testów
• Wybór narzędzi: rozwiązania open-source vs. komercyjne
• Wprowadzenie do Selenium, Playwright i Cypress
• Tworzenie podstawowego zestawu zautomatyzowanych testów

Moduł 8: Wprowadzenie do sztucznej inteligencji w zapewnieniu jakości

• Pojęcia sztucznej inteligencji i uczenia maszynowego dla testerów
• Taksonomia: sztuczna inteligencja do testowania vs. testowanie systemów sztucznej inteligencji
• Aktualny krajobraz testowania sztucznej inteligencji: możliwości i ograniczenia
• Charakterystyki jakościowe systemów opartych na sztucznej inteligencji
• Przegląd sylabusa ISTQB CT-AI i jego znaczenie

Moduł 9: Generowanie przypadków testowych wspomagane sztuczną inteligencją

• Wykorzystanie LLM (ChatGPT, Claude, Copilot) do tworzenia przypadków testowych
• Techniki inżynierii promptów do generowania scenariuszy testowych
• Przekształcanie historii użytkownika i kryteriów akceptacji w przypadki testowe
• Przegląd i walidacja przypadków testowych generowanych przez sztuczną inteligencję
• Platformy: Testim, Mabl i narzędzia do generowania testów oparte na sztucznej inteligencji

Moduł 10: Automatyzacja testów wspomagana sztuczną inteligencją

• Samonaprawiająca się automatyzacja testów z Katalon Studio AI
• Rozpoznawanie obiektów i lokalizacja elementów wspomagana sztuczną inteligencją
• Testowanie regresji wizualnej z Applitools Eyes
• Selenium z wtyczkami sztucznej inteligencji do odpornej automatyzacji
• Zmniejszenie obciążenia związanego z utrzymaniem dzięki inteligentnym lokalizatorom

Moduł 11: Sztuczna inteligencja do predykcji i analizy defektów

• Predykcyjny wybór testów z Launchable i Sealights
• Grupowanie błędów i wykrywanie anomalii z ReportPortal
• Analiza przyczyn źródłowych wspomagana sztuczną inteligencją
• Ocena ryzyka jakości i analiza luk testowych
• Wykorzystanie historycznych danych o defektach do priorytetyzacji testów

Moduł 12: Ocena narzędzi sztucznej inteligencji i integracja z CI/CD

• Kryteria oceny narzędzi do testowania sztucznej inteligencji
• Analiza ROI i strategia wdrożenia
• Integracja narzędzi do testowania sztucznej inteligencji z Jenkins, GitHub Actions, GitLab CI
• Projektowanie potoków: kiedy i gdzie uruchamiać testy wspomagane sztuczną inteligencją
• Pomiar efektywności testowania sztucznej inteligencji za pomocą metryk

Moduł 13: Zagadnienia etyczne w testowaniu wspomaganym sztuczną inteligencją

• Bias i sprawiedliwość w danych testowych generowanych przez sztuczną inteligencję
• Obawy dotyczące prywatności przy użyciu chmurowych narzędzi sztucznej inteligencji
• Przejrzystość i wyjaśnialność decyzji testowych podejmowanych przez sztuczną inteligencję
• Zagadnienia związane z zarządzaniem i zgodnością
• Odpowiedzialne praktyki sztucznej inteligencji dla zespołów QA

Moduł 14: Przygotowanie do egzaminu ISTQB CTFL

• Struktura, czas trwania i punktacja egzaminu CTFL v4.0
• Typy pytań i strategie odpowiedzi
• Rozkład wag tematów w rozdziałach sylabusa CTFL
• Przykładowy egzamin z pytaniami w stylu ISTQB
• Plan nauki i zalecane zasoby

Moduł 15: Projekt końcowy: Kompleksowy proces testowania wspomaganego sztuczną inteligencją

• Projektowanie przypadków testowych na podstawie przykładowego dokumentu wymagań
• Wykorzystanie sztucznej inteligencji do generowania i udoskonalania scenariuszy testowych
• Automatyzacja wybranych testów z użyciem narzędzi samonaprawiających się
• Raportowanie defektów i przeprowadzanie analizy przyczyn źródłowych wspomaganej sztuczną inteligencją
• Retrospektywa: integracja sztucznej inteligencji w codziennej praktyce QA