Hvala što ste poslali upit! Jedan od naših članova tima će vas uskoro kontaktirati.
Hvala što ste poslali rezervaciju! Jedan od naših članova tima će vas uskoro kontaktirati.
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
Iskustva korisnika (1)
Najvrednija poruka bila je učenje kako efikasno iskoristiti veštačku inteligenciju za unapređenje testiranja, naročito kroz unapređeno inženjering upita, AI agense, RAG i AI-asistiranu analizu testova.
Tallada Vijayakumar - Advantest Europe GmbH
Kurs - AI Enablement Training Program for Software QA Engineers
Mašinski prevedeno