AI Enablement Training Program for Software QA Engineers

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

Ten program szkoleniowy ma na celu wyposażenie inżynierów ds. testowania oprogramowania w niezbędną wiedzę z zakresu sztucznej inteligencji oraz praktyczne umiejętności, aby poprawić ich wydajność testowania i jakość oprogramowania. Uczestnicy zdobędą podstawową wiedzę na temat sztucznej inteligencji, uczenia maszynowego oraz ich zastosowania w automatyzacji testów, wykrywaniu błędów, generowaniu przypadków testowych, testowaniu opartego na ryzyku oraz analizie wydajności.

Poprzez mieszankę teorii, demonstracji i praktycznych ćwiczeń, specjaliści ds. testowania dowiedzą się, jak wykorzystać sztuczną inteligencję do zmniejszenia wysiłku manualnego, poprawy pokrycia testów i zwiększenia dokładności wykrywania błędów – co poprawia ogólną efektywność i skuteczność procesów testowania.

Na koniec tego kursu uczestnicy będą w stanie:

• Zrozumieć podstawowe koncepcje sztucznej inteligencji i uczenia maszynowego, relevantne dla testowania oprogramowania.
• Wykryć obszary w cyklu życia QA, które mogą skorzystać z narzędzi i technik wspomaganych sztuczną inteligencją.
• Wykorzystywać modele sztucznej inteligencji do zadań takich jak generowanie przypadków testowych, prognozowanie błędów oraz analiza ryzyka.
• Ocenić i zintegrować narzędzia testowe oparte na sztucznej inteligencji z istniejącymi przepływami pracy QA.
• Współpracować z naukowcami danych i inżynierami w celu zaprojektowania i wdrożenia inteligentnych strategii QA.

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