Návrh Školení
Modul 1: Úvod do AI pro QA
- Co je umělá inteligence?
- Machine Learning vs Deep Learning vs pravidla-založené systémy
- Vývoj software testingu s AI
- Klíčové výhody a překážky AI v QA
Modul 2: Základy dat a ML pro testery
- Rozumění strukturovaným vs nestrukturovaným datům
- Vlastnosti, značky a trénovací datasety
- Supervised and unsupervised learning (Přípravné a nepřípravné učení)
- Úvod do hodnocení modelu (presnost, přesnost, sensitivity, atd.)
- Skutečné QA datové sady
Modul 3: AI Use Cases v QA
- AI-založená generace testovacích případů
- Predikce chyb pomocí ML
- Prioritizace testů a rizikově založené testy
- Vizuální testování s počítačovým zrakem
- Analýza protokolů a detekce anomálií
- Zpracování přirozeného jazyka (NLP) pro testovací skripty
Modul 4: AI nástroje pro QA
- Přehled o AI-založených platformách QA
- Využití otevřených zdrojových knihoven (např., Python, Scikit-learn, TensorFlow, Keras) pro QA prototypy
- Úvod do LLM v testovací automatizaci
- Vytvoření jednoduchého AI modelu k predikci selhání testů
Modul 5: Integrace AI do QA pracovních postupů
- Hodnocení připravenosti QA procesů pro AI
- Spojitá integrace a AI: jak vložit inteligenci do CI/CD kanálů
- Návrh inteligentních testovacích sestav
- Správa posunů AI modelu a cyklů opakování výuky
- Etické aspekty AI-založeného testování
Modul 6: Praktická laboratoř a kapstone projekt
- Laboratorní cvičení 1: Automatizace generování testovacích případů pomocí AI
- Laboratorní cvičení 2: Vytvoření modelu predikce chyb pomocí historických dat testů
- Laboratorní cvičení 3: Použití LLM pro kontrolu a optimalizaci testovacích skriptů
- Kapstone: Úplná implementace AI-založeného testovacího kanálu
Požadavky
Zúčastněnci by měli disponovat:
- 2+ let zkušeností v rolech software testing/QA
- Znalosti s testovacími automačními nástroji (např., Selenium, JUnit, Cypress)
- Základní znalosti programování (preferovaně v Python nebo JavaScript)
- Zkušenosti s nástroji řízení verzí a CI/CD (např., Git, Jenkins)
- Není vyžadována předchozí zkušenost s AI/ML, avšak zvídavost a ochota experimentovat jsou klíčové
Reference (5)
Způsob výuky
Negritu - OMNIASIG VIENNA INSURANCE GROUP S.A.
Kurz - SoapUI for API Testing
Machine Translated
Všechno mě bavilo, protože je to pro mě všechno nové a vidím, jakou přidanou hodnotu to může vyznít v mé práci.
Zareef - BMW South Africa
Kurz - Tosca: Model-Based Testing for Complex Systems
Machine Translated
Very broad overview of the subject matter that ran through all the prerequisite knowledge in ways appropriate to the course knowledge.
James Hurburgh - Queensland Police Service
Kurz - SpecFlow: Implementing BDD for .NET
It was easy to understand and to implement.
Thomas Young - Canadian Food Inspection Agency
Kurz - Robot Framework: Keyword Driven Acceptance Testing
Amount of hands-on excersises.