Kurzusleírás
Bevezetés az AI használatába szoftvertesztelésben
- Az AI képességeinek áttekintése tesztelésben és minőségbiztosításban
- Modern tesztelési munkafolyamatokban használt AI-eszközök típusai
- Az AI-alapú minőségbiztosítás előnyei és kockázatai
Nagy nyelvi modellek tesztesetek generálásához
- Prompt mérnöki munka egység- és funkcionális tesztek generálásához
- Paraméterezett és adatvezérelt teszt sablonok létrehozása
- Felhasználói történetek és követelmények átalakítása teszt szkriptekké
AI az exploratív és edge case tesztelésben
- Tesztelés nélküli ágak vagy feltételek azonosítása AI segítségével
- Ritka vagy abnormális használati forgatókönyvek szimulálása
- Kockázatalapú tesztgenerálási stratégiák
Automatizált felhasználói felületi és regressziós tesztelés
- AI-eszközök, mint a Testim vagy a mabl használata felhasználói felületi tesztek létrehozásához
- Stabil felhasználói felületi tesztek fenntartása öngyógyító szelektorokkal
- AI-alapú regressziós hatáselemzés kódváltoztatások után
Hibaelemzés és tesztoptimalizálás
- Teszt hibák csoportosítása LLM vagy ML modellek segítségével
- Instabil tesztfutások és riasztási fáradtság csökkentése
- Tesztvégrehajtás rangsorolása történelmi betekintések alapján
CI/CD folyamat integráció
- AI tesztgenerálás beágyazása Jenkins, GitHub Actions vagy GitLab CI folyamatokba
- Tesztminőség ellenőrzése pull requestek során
- Automatizált visszaállítások és intelligens tesztelési zárlatok a folyamatokban
Jövőbeli trendek és az AI felelős használata a minőségbiztosításban
- Az AI által generált tesztek pontosságának és biztonságának értékelése
- Irányítás és audit nyomvonalak az AI-fokozott tesztelési folyamatokhoz
- Trendek az AI-QA platformokban és az intelligens megfigyelhetőségben
Összefoglalás és következő lépések
Követelmények
- Tapasztalat szoftvertesztelésben, teszttervezésben vagy QA automatizálásban
- Ismeret a JUnit, PyTest vagy Selenium tesztelési keretrendszerekben
- Alapvető ismeret a CI/CD folyamatokról és DevOps környezetekről
Közönség
- QA mérnökök
- Tesztelési Fejlesztő Mérnökök (SDETs)
- Szoftvertesztelők, akik agilis vagy DevOps környezetben dolgoznak
Vélemények (2)
Hogy megszereztem tudást a Python Streamlit könyvtárról, és biztosan megpróbálom használni annak érdekében, hogy fejlesszem a csapatomban használt R Shiny alkalmazásokat.
Michal Maj - XL Catlin Services SE (AXA XL)
Kurzus - GitHub Copilot for Developers
Gépi fordítás
Közelítő és hatékony gyakorlási munkamenet a képző tanári ismeretei a copilot speciális használatáról
Tan - ViTrox Technologies Sdn Bhd
Kurzus - Intermediate GitHub Copilot
Gépi fordítás