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
Σχόλια (3)
Η υπομονή και το ρυθμός του διδάσκοντα.
Jace - Vodacom
Κομμάτι - Test Automation with Selenium
Μηχανική Μετάφραση
Οι κύριες θέματα μπορούν να συζητηθούν και να συμφωνηθούν με τον εκπαιδευτή πριν. Διαχειριστής ηρεμίας και αρεσκείας κατά τη διάρκεια των ημερών σεμινάριου.
Lorenz - Continentale Lebensversicherung AG
Κομμάτι - Advanced Selenium
Μηχανική Μετάφραση
Απέκτησα νέα γνώσεις και είμαι αρκετά βέβαιος/η γι' αυτό. Κάτι δεν είναι σαφές.
Barbara - Titian Software Poland Sp. z o.o.
Κομμάτι - Selenium WebDriver in C#
Μηχανική Μετάφραση