Kategorie: Szkolenia AI, GPT i Machine Learning , Testowanie oprogramowania
O szkoleniu
Na tym szkoleniu nauczysz się testować szybciej z pomocą generatywnej AI, nie tracąc kontroli nad jakością całego procesu. Przez dwa dni pracujemy na przykładowej aplikacji: od user stories i makiet ekranów, przez kryteria akceptacji, przypadki i dane testowe, po skrypty regresji i analizę raportów z nieudanych przebiegów. Na każdym etapie sprawdzamy, co AI zrobiło dobrze, gdzie się pomyliło i jak to wychwycić. Drugi dzień kończymy tym, co interesuje również kierowników zespołów: jak działają narzędzia testowe oparte na modelach językowych (RAG, agenci) i jak wprowadzić AI w zespole tak, żeby nie wyciekały dane i nie ucierpiała jakość.
Po szkoleniu:
- napiszesz prompt testowy, który daje powtarzalny wynik, i dobierzesz technikę do zadania,
- wygenerujesz z AI kryteria akceptacji, warunki i przypadki testowe, także w formacie Gherkin, i wychwycisz luki w samych wymaganiach,
- przygotujesz z AI dane testowe, skrypty regresji i analizę raportu z testów,
- ocenisz, czy wynik AI jest trafny i kompletny, i rozpoznasz halucynację albo błąd w rozumowaniu modelu,
- zaplanujesz wdrożenie AI w zespole testowym: zasady pracy z danymi, wybór modelu i kolejne etapy.
Zakres szkolenia odpowiada wymaganiom renomowanego, międzynarodowego egzaminu z testowania z wykorzystaniem generatywnej AI. Dla chętnych: po szkoleniu można do niego podejść. Egzamin jest zewnętrzny i płatny osobno, a dopuszczenie wymaga wcześniejszego certyfikatu testerskiego na poziomie podstawowym. Zajęcia prowadzimy po polsku, podając angielskie odpowiedniki pojęć. Uwaga: to jest autorskie szkolenie ALX – program i materiały przygotowali nasi trenerzy, a szkolenie nie jest akredytowane przez organizację prowadzącą egzamin.
Szkolenie dotyczy testowania z pomocą AI, a nie testowania samych systemów AI. Jest dla wszystkich, którzy zawodowo dbają o jakość oprogramowania: testerów manualnych i automatyzujących, analityków testów, test leadów i kierowników QA, osób prowadzących testy akceptacyjne, a także programistów, analityków biznesowych i kierowników projektów, którzy współpracują z zespołem testowym. Jeśli dopiero zaczynasz w testowaniu, polecamy kurs Tester oprogramowania.
Czas trwania
2 dni
Program
- Jak działa generatywna AI i co daje testerowi
- Od klasycznego uczenia maszynowego do dużych modeli językowych
- Tokeny, okno kontekstu, transformer: co dzieje się z tekstem promptu
- Modele bazowe, dostrojone do instrukcji i rozumujące
- Modele multimodalne; makiety ekranów, zrzuty i diagramy jako dane wejściowe
- Mocne strony modeli w zadaniach testowych
- Czat a narzędzia testowe z wbudowaną AI
- Prompt dla testera: budowa i techniki
- Sześć elementów promptu: rola, kontekst, instrukcja, dane wejściowe, ograniczenia, format wyniku
- Zero-shot, one-shot i few-shot
- Łańcuch promptów (prompt chaining) i meta-prompting
- Prompt systemowy i prompt użytkownika
- Analiza testów z AI
- Wyszukiwanie niejasności, sprzeczności i luk w user stories i specyfikacji
- Kryteria akceptacji z user story i makiety ekranu
- Warunki testowe i ich priorytety
- Doprecyzowywanie wyniku kolejnymi promptami
- Projektowanie i implementacja testów z AI
- Przypadki testowe funkcjonalne z wykorzystaniem technik projektowania testów
- Scenariusze w formacie Gherkin (Given/When/Then)
- Dane testowe: syntetyczne, brzegowe i zanonimizowane
- Priorytetyzacja i harmonogram wykonania testów z uwzględnieniem zależności
- Automatyzacja regresji, monitorowanie i nadzór nad testami
- Tworzenie i utrzymanie skryptów w podejściu keyword-driven
- Analiza raportu z testów regresji: grupowanie błędów, prawdopodobne przyczyny
- Metryki postępu i ryzyka: od surowych wyników do raportu dla kierownika
- Dobór techniki promptowania do zadania testowego
- Ocena wyników AI i doskonalenie promptów
- Miary jakości wyniku: trafność, kompletność, różnorodność, wykonywalność, oszczędność czasu
- Iteracyjne poprawianie promptów i porównywanie wariantów (A/B)
- Biblioteka sprawdzonych promptów zespołu
- Halucynacje, błędy rozumowania i stronniczość
- Jak je rozpoznać: weryfikacja krzyżowa, wiedza dziedzinowa, sprawdzenie logiki
- Jak im zapobiegać: pełny kontekst, łańcuch promptów, ustrukturyzowany format, dobór modelu
- Niedeterministyczne wyniki: temperatura i powtarzalność
- Dane, bezpieczeństwo, regulacje i koszt energetyczny
- Ryzyka: wyciek danych, utrata kontroli nad danymi, zgodność z przepisami
- Ataki na narzędzia AI: wstrzykiwanie poleceń, zatruwanie danych, szkodliwy kod
- Ochrona: anonimizacja danych testowych, kontrola dostępu, wybór planu i dostawcy
- Zużycie energii i emisja CO2 a rodzaj zadania
- AI Act, RODO, normy i dobre praktyki istotne dla zespołu testowego
- Infrastruktura testowa oparta na modelach językowych
- Elementy architektury narzędzia testowego z LLM
- RAG: AI, które korzysta z dokumentacji i historii testów zespołu
- Agenci AI w automatyzacji testów: demonstracja agenta wykonującego scenariusz w przeglądarce
- Dostrajanie modelu (fine-tuning) do zadań testowych
- LLMOps: wdrażanie, monitorowanie i utrzymanie modeli w procesie testowym
- Wdrożenie AI w zespole testowym
- Shadow AI: ryzyko nieoficjalnych narzędzi i prywatnych kont
- Strategia: cele, zasady, odpowiedzialność, miary sukcesu
- Wybór modelu: duże i małe modele, chmura i model lokalny
- Etapy wdrożenia: od pilotażu do standardu pracy zespołu
- Kompetencje testera pracującego z AI i zmiana procesu testowego
- Pytania sprawdzające i podsumowanie
Training also available in English .
Przeznaczenie i wymagania
Szkolenie jest przeznaczone przede wszystkim dla:
- testerów manualnych i analityków testów,
- testerów automatyzujących, którzy utrzymują testy regresji,
- test leadów i kierowników zespołów QA, którzy wprowadzają AI w zespole,
- osób prowadzących testy akceptacyjne i odbierających oprogramowanie od wykonawców,
- programistów, analityków biznesowych i kierowników projektów współpracujących z testerami.
Szkolenie będzie za proste dla osób, które same budują w firmie narzędzia testowe oparte na modelach językowych.
Od uczestników oczekujemy:
- znajomości podstaw testowania: procesu testowego, technik projektowania testów, przypadków testowych i zgłoszeń defektów,
- co najmniej podstawowego doświadczenia w testowaniu albo pracy przy wytwarzaniu oprogramowania,
- podstawowej znajomości czatu AI (np. ChatGPT lub Claude),
- umiejętności przeczytania prostego skryptu testowego (pisanie kodu nie jest potrzebne).
Certyfikat testerski nie jest potrzebny do udziału w szkoleniu, tylko do ewentualnego egzaminu. Sugerujemy, aby na czas szkolenia mieć aktywną płatną licencję ChatGPT lub Claude. W szkoleniach dla grup na zamówienie możemy zapewnić komplet licencji albo pracować na narzędziu wdrożonym w firmie.
Certyfikaty
Uczestnicy szkolenia otrzymują imienne certyfikaty sygnowane przez ALX.