Εξέλιξη Κομματιού

Μονάδα 1: Εισαγωγή στην AI για τη Δοκιμασία

  • Τι είναι η Τεχνητή Νοημοσύνη;
  • Μηχανική μάθηση vs βαθιά μάθηση vs συστήματα με βάση κανόνες
  • Η εξέλιξη της δοκιμασίας λογισμικού με AI
  • Τα βασικά πλεονεκτήματα και τα εμπόδια της AI στη δοκιμασία

Μονάδα 2: Βασικά Δεδομένων και ML για τους Δοκιμαστές

  • Κατανόηση δομένων vs αδομένων δεδομένων
  • Χαρακτηριστικά, ετικέτες και σύνολα δεδομένων εκπαίδευσης
  • Επόπτευση και μη-επόπτευση μάθησης
  • Εισαγωγή στην αξιολόγηση του μοντέλου (ακρίβεια, πυκνότητα, επανάληψη κ.α.)
  • Πραγματικά σύνολα δεδομένων QA

Μονάδα 3: Εφαρμογές AI στη Δοκιμασία

  • Γενική δοκιμασία με βάση AI
  • Πρόβλεψη λαθών χρησιμοποιώντας ML
  • Εξουσιοδότηση δοκιμασίας και δοκιμασία με βάση κίνδυνο
  • Οπτική δοκιμασία με χρήση εξέλιξης του περιβάλλοντος (CV)
  • Ανάλυση και ανίχνευση απωλειών σε καταγραφές
  • Εξεργασία φυσικής γλώσσας (NLP) για δοκιμασία σεναρίων

Μονάδα 4: Εργαλεία AI για τη Δοκιμασία

  • Γενική παρουσίαση εργαλείων δοκιμασίας με βάση AI
  • Χρήση ανοιχτό-λογισμικών βιβλιοθηκών (π.χ., Python, Scikit-learn, TensorFlow, Keras) για δοκιμασίες πρωτότυπων εφαρμογών
  • Εισαγωγή στην χρήση μεγάλων γλωσσικών μοντέλων (LLMs) στη δοκιμασία αυτόματως
  • Δημιουργία απλού μοντέλου AI για πρόβλεψη αποτυχιών δοκιμασίας

Μονάδα 5: Ενσωμάτωση AI στα προϊόντα Δοκιμασίας

  • Αξιολόγηση της ικανότητας για ενσωμάτωση AI στα προϊόντα δοκιμασίας
  • Συνεχής ολοκλήρωση και AI: πώς να ενσωματώσουμε την αξιολόγηση σε δίκτυα CI/CD
  • Σχεδιασμός έξυπνων προϊόντων δοκιμασίας
  • Διαχείρηση αποκλίνουσας εξέλιξης μοντέλων AI και κύκλων εκπαιδευτικής ξαναμάθησης
  • Ηθικές συζητήσεις για δοκιμασία με βάση AI

Μονάδα 6: Εργαστήρια και τελικό σχέδιο

  • Εργαστήριο 1: Αυτόματη δημιουργία περιπτώσεων δοκιμασίας με χρήση AI
  • Εργαστήριο 2: Δημιουργία μοντέλου πρόβλεψης λαθών χρησιμοποιώντας ιστορικά δεδομένα δοκιμασίας
  • Εργαστήριο 3: Χρήση μεγάλου γλωσσικού μοντέλου (LLM) για την αξιολόγηση και βελτίωση σεναρίων δοκιμασίας
  • Τελική έργα: Πλήρης υλοποίηση προϊόντος δοκιμασίας με βάση AI

 

Απαιτήσεις

Οι συμμετέχοντες αναμένεται να διαθέτουν:

  • 2+ χρόνια εμπειρία σε ρόλους δοκιμασίας/Εξέτασης λογισμικού
  • Γνώση των εργαλείων αυτόματης δοκιμασίας (π.χ., Selenium, JUnit, Cypress)
  • Βασική γνώση προγραμματισμού (υποθέτεται ότι είναι στο Python ή JavaScript)
  • Εμπειρία με εργαλεία διαχείρισης έκδοσης και CI/CD (π.χ., Git, Jenkins)
  • Δεν απαιτείται προηγούμενη εμπειρία στην AI/ML, αλλά η κουριόζιτα και η βούληση να εκδοκιμάσετε είναι απαραίτητες
 21 Ώρες

Αριθμός συμμετέχοντων


Τιμή ανά συμμετοχαστή

Σχόλια (5)

Εφεξής Μαθήματα

Σχετικές Κατηγορίες