Az alapvető QA ismeretek és a modern tesztelés mesterséges intelligenciával (ISTQB alapképzés előkészítése) Képzés

1. modul: A minőségbiztosítás és tesztelés alapjai

• A minőség, minőségbiztosítás és tesztelés definíciója
• A hét tesztelési alapelv (ISTQB CTFL v4.0)
• Tesztelés vs. hibakeresés vs. minőségellenőrzés
• A tesztelés pszichológiája
• A QA csapat szerepei és felelősségei

2. modul: Szoftverfejlesztési életciklus és tesztelés

• A Szoftver Tesztelési Életciklus (STLC) szakaszai
• Waterfall, Agile, DevOps és CI/CD tesztelési megközelítések
• Teszt szintek: egység, integrációs, rendszer, elfogadás
• Shift-left és shift-right tesztelési stratégiák
• Nyomkövethetőség a követelmények és a tesztesetek között

3. modul: Statikus tesztelési technikák

• Felülvizsgálatok, áttekintések és ellenőrzések
• Statikus elemzés automatizált eszközökkel
• Ellenőrzőlista alapú és szerepalapú felülvizsgálat
• Formális és informális felülvizsgálati technikák
• Statikus tesztelés integrálása Agile folyamatokba

4. modul: Teszttechnikák

• Fekete doboz technikák: ekvivalencia particionálás, határérték elemzés
• Döntési táblázat tesztelés és állapotátmenet tesztelés
• Használati eset tesztelés és felderítő tesztelés
• Fehér doboz technikák: utasítás- és döntési lefedettség
• Tapasztalatalapú technikák és hibajelzés

5. modul: Hibakezelés

• Hiba életciklus: észlelés, jelentés, triázs, megoldás, lezárás
• Hatékony hibajelentések írása JIRA-val
• Hiba súlyosság vs. prioritás besorolása
• Gyökér ok elemzési technikák
• Hibametrikák és trendelemzés

6. modul: Tesztmenedzsment és kockázatalapú tesztelés

• Teszttervezés és becslési módszerek
• Kockázat azonosítás, értékelés és csökkentés
• Tesztmonitoring, irányítás és jelentéskészítés
• Tesztbefejezési kritériumok és kilépési feltételek meghatározása
• ISTQB-kompatibilis tesztstratégia és tesztpolitika dokumentumok

7. modul: Teszteszközök és automatizálás alapjai

• Teszteszközök osztályozása (ISTQB eszközkategóriák)
• A tesztautomatizálás előnyei és kockázatai
• Eszközök kiválasztása: nyílt forráskódú vs. kereskedelmi megoldások
• Bevezetés a Selenium, Playwright és Cypress használatába
• Alapvető automatizált tesztkészlet felépítése

8. modul: Bevezetés a mesterséges intelligencia használatába a minőségbiztosításban

• Mesterséges intelligencia és gépi tanulás alapfogalmai tesztelők számára
• Taxonómia: mesterséges intelligencia a teszteléshez vs. mesterséges intelligencia rendszerek tesztelése
• A jelenlegi mesterséges intelligencia tesztelési helyzet: lehetőségek és korlátok
• Minőségi jellemzők mesterséges intelligencia alapú rendszerekhez
• ISTQB CT-AI tananyag áttekintése és relevanciája

9. modul: Mesterséges intelligencia által támogatott teszteset generálás

• LLM-ek (ChatGPT, Claude, Copilot) használata tesztesetek tervezéséhez
• Prompt engineering technikák tesztforgatókönyvek generálásához
• Felhasználói történetek és elfogadási kritériumok átalakítása tesztesetekké
• Mesterséges intelligencia által generált tesztesetek felülvizsgálata és érvényesítése
• Platformok: Testim, Mabl és AI-alapú tesztgeneráló eszközök

10. modul: Mesterséges intelligencia által támogatott tesztautomatizálás

• Öngyógyító tesztautomatizálás a Katalon Studio AI-val
• Mesterséges intelligencia által vezérelt objektumfelismerés és elemek helyének meghatározása
• Vizuális regressziós tesztelés az Applitools Eyes segítségével
• Selenium mesterséges intelligencia bővítményekkel a rugalmas automatizáláshoz
• Karbantartási terhek csökkentése intelligens lokátorokkal

11. modul: Mesterséges intelligencia a hibajelzés és elemzés területén

• Prediktív tesztkiválasztás a Launchable és Sealights segítségével
• Hibaklaszterezés és anomáliadetektálás a ReportPortal segítségével
• Mesterséges intelligencia által támogatott gyökér ok elemzés
• Minőségi kockázat pontozás és tesztelési hézagok elemzése
• Előző hibák adatainak felhasználása a tesztelés prioritásának meghatározásához

12. modul: Mesterséges intelligencia eszközök értékelése és CI/CD integráció

• Mesterséges intelligencia tesztelési eszközök értékelési kritériumai
• ROI elemzés és bevezetési stratégia
• Mesterséges intelligencia tesztelési eszközök integrálása a Jenkins, GitHub Actions, GitLab CI rendszerekbe
• Folyamat tervezés: mikor és hol futtassunk mesterséges intelligencia által támogatott teszteket
• A mesterséges intelligencia tesztelés hatékonyságának mérése metrikákkal

13. modul: Etikai megfontolások a mesterséges intelligencia által vezérelt tesztelésben

• Torzítás és igazságosság a mesterséges intelligencia által generált tesztadatokban
• Adatvédelmi aggályok felhőalapú mesterséges intelligencia eszközök használatakor
• Átláthatóság és magyarázhatóság a mesterséges intelligencia tesztelési döntésekben
• Irányítási és megfelelőségi szempontok
• Felelős mesterséges intelligencia gyakorlatok QA csapatok számára

14. modul: ISTQB CTFL vizsgára való felkészülés

• CTFL v4.0 vizsga szerkezete, időtartama és pontozása
• Kérdéstípusok és válaszstratégiák
• Téma súlyeloszlás a CTFL tananyag fejezetei között
• Gyakorlati vizsga ISTQB stílusú minta kérdésekkel
• Tanulmányi útmutató és ajánlott források

15. modul: Záró projekt: Teljes körű mesterséges intelligencia által fokozott tesztelési folyamat

• Tesztesetek tervezése egy minta követelménydokumentum alapján
• Mesterséges intelligencia használata tesztforgatókönyvek generálásához és finomításához
• Kiválasztott tesztek automatizálása öngyógyító eszközökkel
• Hibajelentések készítése és mesterséges intelligencia által támogatott gyökér ok elemzés futtatása
• Retrospektív: a mesterséges intelligencia integrálása a napi QA gyakorlatba