Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Struttura del corso
Modulo 1: Introduzione all'IA per la QA
- Che cos'è l'Intelligenza Artificiale?
- Machine Learning vs Deep Learning vs Sistemi basati su regole
- L'evoluzione del testing software con l'IA
- Vantaggi e sfide dell'IA nella QA
Modulo 2: Nozioni di base sui dati e l'ML per i tester
- Comprendere i dati strutturati vs non strutturati
- Feature, etichette e dataset di training
- Apprendimento supervisionato e non supervisionato
- Introduzione alla valutazione del modello (precisione, accuratezza, richiamo, ecc.)
- Dataset QA reali
Modulo 3: Utilizzo dell'IA Use Case nella QA
- Generazione di casi di test supportata dall'IA
- Predizione dei difetti utilizzando l'ML
- Prioritizzazione dei test e testing basato sui rischi
- Testing visivo con la visione artificiale
- Analisi dei log e rilevamento delle anomalie
- Processamento del linguaggio naturale (NLP) per gli script di test
Modulo 4: Strumenti AI per la QA
- Panoramica sui sistemi di QA abilitati dall'IA
- Utilizzo delle librerie open-source (ad esempio, Python, Scikit-learn, TensorFlow, Keras) per i prototipi di QA
- Introduzione agli LLM nel test automizzato
- Costruzione di un semplice modello AI per la previsione degli errori dei test
Modulo 5: Integrazione dell'IA nei flussi di lavoro della QA
- Valutazione della prontezza dell'IA nei processi di QA
- Integrazione continua e IA: come incorporare l'intelligenza nelle pipeline CI/CD
- Progettazione di kit di test intelligenti
- Gestione del deragamento dei modelli AI e dei cicli di riaddestramento
- Considerazioni etiche nel testing supportato dall'IA
Modulo 6: Laboratori pratici e progetto finale
- Laboratorio 1: Automatizzare la generazione di casi di test utilizzando l'IA
- Laboratorio 2: Costruire un modello di predizione dei difetti utilizzando i dati storici dei test
- Laboratorio 3: Utilizzare un LLM per la revisione e l'ottimizzazione degli script di test
- Progetto finale: Implementazione end-to-end di una pipeline di testing supportata dall'IA
Requisiti
Si prevede che i partecipanti abbiano:
- 2+ anni di esperienza in ruoli di testing software/QA
- Familiarità con strumenti di automazione dei test (ad esempio, Selenium, JUnit, Cypress)
- Conoscenze di base di programmazione (preferibilmente in Python o JavaScript)
- Esperienza con strumenti di controllo delle versioni e CI/CD (ad esempio, Git, Jenkins)
- Non è richiesta esperienza precedente in AI/ML, anche se curiosità e disponibilità a sperimentare sono essenziali
21 ore
Recensioni (5)
Metodo di insegnamento
Negritu - OMNIASIG VIENNA INSURANCE GROUP S.A.
Corso - SoapUI for API Testing
Traduzione automatica
Mi è piaciuto tutto perché è tutto nuovo per me e posso vedere il valore aggiunto che può suonare al mio lavoro.
Zareef - BMW South Africa
Corso - Tosca: Model-Based Testing for Complex Systems
Traduzione automatica
Very broad overview of the subject matter that ran through all the prerequisite knowledge in ways appropriate to the course knowledge.
James Hurburgh - Queensland Police Service
Corso - SpecFlow: Implementing BDD for .NET
It was easy to understand and to implement.
Thomas Young - Canadian Food Inspection Agency
Corso - Robot Framework: Keyword Driven Acceptance Testing
Amount of hands-on excersises.
