Εξέλιξη Κομματιού

Μονάδα 1: Εισαγωγή στην AI για τη Δοκιμολογία

  • Τι είναι η Τεχνητή Νοημοσύνη;
  • Μηχανική μάθηση vs βαθιά μάθηση vs συστήματα που βασίζονται σε κανόνες
  • Η εξέλιξη της δοκιμολογίας λογισμικού με AI
  • Κύριε όφελη και προκλήσεις της AI στη δοκιμολογία

Μονάδα 2: Βασικές γνώσεις δεδομένων και ML για τους Δοκιματές

  • Κατανόηση δομεμένων vs αδομεμένων δεδομένων
  • Χαρακτηριστικά, ετικέτες και σύνολα δεδομένων εκπαίδευσης
  • Επιβλεπόμενη και μη-επιβλεπόμενη μάθηση
  • Παρουσίαση εκτίμησης μοντέλων (ακρίβεια, πάθος, αναδρομή κλπ.)
  • Πραγματικά δεδομένα QA

Μονάδα 3: Εφαρμογές AI στη Δοκιμολογία

  • Γενική γέννηση περιπτώσεων δοκιμής με τη συμβολή της AI
  • Πρόβλεψη παρατυπωμάτων χρησιμοποιώντας ML
  • Προτεραιοτήτα δοκιμής και δοκιμολογία βασισμένη στην αξιολόγηση κινδύνου
  • Οπτική δοκιμολογία με την εργαστηριακή όραση
  • Ανάλυση και ανίχνευση απωλειών από δεδομένα λογαριασμών
  • Εκτήξη φυσικής γλώσσας (NLP) για τους σενάρια δοκιμής

Μονάδα 4: Εργαλεία AI για τη Δοκιμολογία

  • Γενική παρουσίαση επιτυχημένων πλατφόρμων QA
  • Χρήση ανοιχτών κώδικα βιβλιοθηκών (π.χ., Python, Scikit-learn, TensorFlow, Keras) για τυποποιημένες δοκιμολογίες QA
  • Εισαγωγή στα μεγάλα μοντέλα γλώσσας (LLMs) στη δοκιμολογία
  • Κατασκευή ενός απλού μοντέλου AI για την πρόβλεψη αποτυχιών δοκιμής

Μονάδα 5: Ενσωμάτωση AI στις ρούτες Δοκιμολογίας

  • Αξιολόγηση της προσοχής στην AI για τις διαδικασίες QA
  • Συνεχόμενη ολοκλήρωση και AI: πώς να ενσωματώσετε την αυτομάτη υποστήριξη στους διαδίκτυους ρούτες CI/CD
  • Σχεδιασμός ενσωματωμένων συνόλων δοκιμής
  • Διαχείριση παρακλίνδου μοντέλων AI και των κύκλων επανάφορας
  • Ηθικές συνειδητοποίησεις στη δοκιμολογία με την υποστήριξη AI

Μονάδα 6: Πρακτικές εργαστηριακές δραστηριότητες και Περιφερειακή πρόχειρη συμπίεση

  • Εργαστήριο 1: Αυτομάτη γέννηση περιπτώσεων δοκιμής με τη συμβολή της AI
  • Εργαστήριο 2: Κατασκευή ενός μοντέλου πρόβλεψης παρατυπωμάτων χρησιμοποιώντας τα ιστορικά δεδομένα δοκιμής
  • Εργαστήριο 3: Χρήση μεγάλου μοντέλου γλώσσας (LLM) για την αναθεώρηση και βελτίωση των σεναρίων δοκιμής
  • Περιφερειακή: Συνολική υλοποίηση ενός πλήρους διαδικασίας δοκιμολογίας με τη συμβολή της AI

Απαιτήσεις

Οι συμμετέχοντες αναμένεται να έχουν:

  • 2+ χρόνια εμπειρία στη δοκιμολογία λογισμικού/ρόλους QA
  • Εξ αρχής γνώση των εργαλείων δοκιμολογίας (π.χ., Selenium, JUnit, Cypress)
  • Βασική γνώση προγραμματισμού (ιδεálnως σε Python ή JavaScript)
  • Εμπειρία με ελέγχο έκδοσης και εργαλεία CI/CD (π.χ., Git, Jenkins)
  • Δεν απαιτείται προηγούμενη εμπειρία στην AI/ML, αλλά η περιέργεια και η διάθεση για πειράματα είναι απολύτως απαραίτητες
 21 Ώρες

Αριθμός συμμετέχοντων


Τιμή ανά συμμετέχοντα

Σχόλια (5)

Εφεξής Μαθήματα

Σχετικές Κατηγορίες