Kontaktirajte nas
 Trajanje 21 sati

Sadržaj kursa

Uvod u veštačku inteligenciju za QA

  • Šta je veštačka inteligencija?
  • Mašinsko učenje u odnosu na duboko učenje i sisteme zasnovane na pravilima
  • Evolucija testiranja softvera uz veštačku inteligenciju
  • Ključne prednosti i izazovi veštačke inteligencije u QA

Osnove podataka i mašinskog učenja za testere

  • Razumevanje strukturiranih i nestrukturiranih podataka
  • Carakteristike, oznake i skupovi podataka za obuku
  • Nadzirano i nezadazirano učenje
  • Uvod u ocenjivanje modela (tačnost, preciznost, recall, itd.)
  • QA skupovi podataka iz stvarnog sveta

Primeri upotrebe veštačke inteligencije u QA

  • Generisanje slučajeva za testiranje pomoću veštačke inteligencije
  • Predviđanje defekata korišćenjem mašinskog učenja
  • Prioritizacija testova i testiranje zasnovano na riziku
  • Vizuelno testiranje pomoću računarom vidjenja
  • Analiza dnevnik i detekcija anomalija
  • Obrađivanje prirodnog jezika (NLP) za skripte testiranja

Alati za veštačku inteligenciju u QA

  • Pregled QA platformi sa podrškom za veštačku inteligenciju
  • Korišćenje biblioteka sa otvorenim izvorom koda (npr. Python, Scikit-learn, TensorFlow, Keras) za QA prototipove
  • Uvod u LLM-ove u automatizaciji testiranja
  • Izgradnja jednostavnog modela veštačke inteligencije za predviđanje neuspelih testova

Integracija veštačke inteligencije u QA tokove rada

  • Ocena spremnosti vaših QA procesa za veštačku inteligenciju
  • Kontinuirana integracija i veštačka inteligencija: kako ugraditi inteligenciju u CI/CD pipeleine
  • Dizajniranje inteligentnih test suita
  • Upravljanje drifom modela veštačke inteligencije i ciklusima ponovne obuke
  • Etički aspekti testiranja pokrenutog veštačkom inteligencijom

Praktične laboratorije i projekat za završni rad

  • Laboratorija 1: Automatizacija generisanja slučajeva za testiranje uz pomoć veštačke inteligencije
  • Laboratorija 2: Izgradnja modela za predviđanje defekata korišćenjem istorijskih podataka o testovima
  • Laboratorija 3: Korišćenje LLM-a za pregled i optimizaciju skripti testiranja
  • Projekat za završni rad: Implementacija end-to-end test pipelinea pokrenutog veštačkom inteligencijom

Uslovi

Očekuje se da polaznici imaju:

  • Višu od 2 godine iskustva u ulogama testiranja softvera / QA
  • Znalaštvu sa alatima za automatizaciju testiranja (npr. Selenium, JUnit, Cypress)
  • Osnovno znanje programiranja (po mogućnosti u Python-u ili JavaScript-u)
  • Iskustvo sa alatima za kontrolu verzija i CI/CD (npr. Git, Jenkins)
  • Prethodno iskustvo sa AI/ML nije obavezno, ali je radoznalost i spremnost na eksperimentisanje ključna

Broj učesnika


Cena po učesniku

Iskustva korisnika (1)

Predstojeći kursevi

Povezane kategorije