Základy QA a moderního testování s AI (Příprava na ISTQB Foundation) Počítačový Kurz

Základy zajištění kvality a testování

• Definice kvality, zajištění kvality a testování
• Sedm testovacích principů (ISTQB CTFL v4.0)
• Testování vs. ladění vs. kontrola kvality
• Psychologie testování
• Role a odpovědnosti v QA týmu

Životní cyklus vývoje softwaru a testování

• Fáze životního cyklu testování softwaru (STLC)
• Přístupy testování ve Waterfall, Agile, DevOps a CI/CD
• Úrovně testování: unit, integrace, systémové, akceptační
• Strategie testování shift-left a shift-right
• Sledovatelnost mezi požadavky a testovacími případy

Statické testovací techniky

• Recenzí, procházky a inspekce
• Statická analýza pomocí automatizovaných nástrojů
• Recenzování na základě kontrolních seznamů a rolí
• Formální a neformální recenzační techniky
• Integrace statického testování do Agile procesů

Testovací techniky

• Black-box techniky: ekvivalence partitions, analýza hraničních hodnot
• Testování pomocí rozhodovacích tabulek a testování přechodů stavů
• Testování use case a průzkumné testování
• White-box techniky: pokrytí výroků a rozhodování
• Techniky založené na zkušenostech a odhadování chyb

Správa chyb

• Životní cyklus chyb: detekce, referencování, triage, řešení, uzavření
• Psaní efektivních chyb v JIRA
• Klasifikace závažnosti vs. priority chyby
• Techniky analýzy příčin
• Metrik chyb a analýza trendů

Správa testů a testování na základě rizik

• Plánování testů a metody odhadů
• Identifikace, hodnocení a mírnění rizik
• Monitorování, kontrola a referencování testů
• Definice kritérií dokončení testů a výstupních podmínek
• Doklady testovací strategie a politiky souladící s ISTQB

Základy testovacích nástrojů a automatizace

• Klasifikace testovacích nástrojů (kategorie nástrojů ISTQB)
• Benefity a rizika automatizace testování
• Výběr nástrojů: open-source vs. komerční řešení
• Úvod do Selenium, Playwright a Cypress
• Vytváření základní automatizované testovací sady

Úvod do umělé inteligence v zajišťování kvality

• Koncepty AI a strojového učení pro testery
• Taxonomie: AI pro testování vs. testování systémů AI
• Aktuální situace v testování AI: příležitosti a omezení
• Kvalita charakteristik pro systémy založené na AI
• Přehled osnovy ISTQB CT-AI a její relevance

Generování testovacích případů pomocí AI

• Použití LLM (ChatGPT, Claude, Copilot) k načrtnutí testovacích případů
• Techniky prompt engineering pro generování testovacích scénářů
• Převod uživatelských příběhů a akceptančních kritérií na testovací případy
• Revize a validace testovacích případů generovaných AI
• Platformy: Testim, Mabl a nástroje pro generování testů s AI

Automatizace testování pomocí AI

• Self-healing automatizace testování s Katalon Studio AI
• AI řízené rozpoznání objektů a lokalizace prvků
• Vizuální regresní testování s Applitools Eyes
• Selenium s AI pluginy pro robustní automatizaci
• Snižování údržby pomocí inteligentních locatorů

AI pro predikci a analýzu chyb

• Prediktivní výběr testů s Launchable a Sealights
• Klasterování selhání a detekce anomálií s ReportPortal
• AI podpořená analýza příčin
• Hodnocení rizik kvality a analýza mezer v testování
• Použití historických dat o chybách pro prioritizaci testování

Hodnocení AI nástrojů a integrace do CI/CD

• Kritéria pro hodnocení AI testovacích nástrojů
• Analýza ROI a strategie adopce
• Integrace AI testovacích nástrojů do Jenkins, GitHub Actions, GitLab CI
• Návrh pipeline: kdy a kde spouštět AI řízené testy
• Měření účinnosti AI testování pomocí metrik

Etická hlediska v testování řízeném AI

• Předsudečnost a spravedlnost v AI generovaných testovacích datech
• Obavy o soukromí při používání cloudových AI nástrojů
• Transparentnost a vysvětlitelnost AI rozhodnutí při testování
• Uvažování o governance a souladu s předpisy
• Zodpovědná praxe AI pro QA týmy

Příprava na zkoušku ISTQB CTFL

• Struktura zkoušky CTFL v4.0, délka a hodnocení
• Typy otázek a strategie odpovědí
• Rozložení váh témat napříč kapitolami osnovy CTFL
• Cvičení na zkoušku s ukázkovými otázkami ve stylu ISTQB
• Studijní mapa a doporučené zdroje

Capstone: End-to-End workflow testování posílený AI

• Návrh testovacích případů z ukázkového dokumentu s požadavky
• Použití AI k generování a zdokonalení testovacích scénářů
• Automatizace vybraných testů pomocí self-healing nástrojů
• Referencování chyb a spuštění AI podpořené analýzy příčin
• Retrospektiva: integrace AI do každodenní QA praxe