Struttura del corso
Introduzione all’impiego dell’IA nei test software
- Panoramica delle capacità dell’intelligenza artificiale in ambito testing e QA
- Tipologie di strumenti AI utilizzati nei flussi di lavoro testuali moderni
- Vantaggi e potenziali rischi derivanti da un’ingegneria della qualità basata sull’IA
Modelli linguistici per la generazione dei casi di test
- Tecniche di ingegneria dei prompt finalizzate alla creazione di test unitari e funzionali
- Realizzazione di template parametrizzati e orientati ai dati per i test
- Conversione di requisiti e user story in script di test effettivi
L’IA nei test esplorativi e nella scoperta dei casi limite
- Individuazione di condizioni o rami del codice non ancora testati con l’ausilio dell’intelligenza artificiale
- Simulazione di scenari d’uso rari o potenzialmente anomali
- Strategie finalizzate alla generazione di test basati sulla valutazione del rischio
Test automatici dell’interfaccia utente e analisi delle regressioni
- Utilizzo di strumenti AI come Testim o mabl per la produzione di test relativi all’interfaccia grafica
- Gestione della stabilità dei test UI grazie a selettori adattivi
- Analisi dell’impatto delle modifiche al codice effettuata mediante tecniche di regression testing assistite dall’IA
Analisi dei fallimenti e ottimizzazione dei processi di test
- Raggruppamento delle criticità riscontrate nei test mediante modelli LLM o ML
- Riduzione delle esecuzioni errate dei test e del sovraccarico di notifiche
- Ordinamento prioritario dei test da eseguire in base a dati storici ed esperienze precedenti
Integrazione nei flussi CI/CD
- Inserimento della generazione test assistita dall’IA in Jenkins, GitHub Actions o GitLab CI
- Verifica della qualità dei test proposti durante le richieste di modifica del codice
- Gestione automatizzata degli rollback e applicazione di filtri intelligenti alle esecuzioni dei test nei flussi di produzione
Prospettive future e uso responsabile dell’intelligenza artificiale in ambito QA
- Valutazione della correttezza, precisione e sicurezza dei test generati automaticamente dall’IA
- Regolamentazione e tracciabilità degli interventi automatizzati nell’ambito dell’ingegneria della qualità basata sull’AI
- Evoluzione delle piattaforme AI dedicate alla qualità software e dello sviluppo dell’osservabilità intelligente
Conclusioni e prossimi passi da intraprendere
Requisiti
- Esperienza nella progettazione e attuazione dei test software o nell’automatizzazione della qualità
- Conoscenza di framework per i test come JUnit, PyTest o Selenium
- Comprensione di base dei flussi CI/CD e degli ambienti DevOps
Destinatari del corso
- Ingegneri della qualità (QA Engineer)
- Sviluppatori incaricati dei test software (SDET)
- Tester operanti in contesti agili o ambienti DevOps
Recensioni (1)
Ho acquisito una conoscenza riguardante la libreria Streamlit di Python e sicuramente cercherò di utilizzarla per migliorare le applicazioni del mio team, che sono sviluppate con R Shiny.
Michal Maj - XL Catlin Services SE (AXA XL)
Corso - GitHub Copilot for Developers
Traduzione automatica
