Dlaczego warto
Testowanie wspomagane sztuczną inteligencją pozwala znacząco skrócić czas pracy, zwiększyć pokrycie przypadków testowych i szybciej wykrywać błędy. Dzięki temu jako tester, QA czy lider zespołu testowego możesz skupić się na analizie i jakości, zamiast na powtarzalnych czynnościach.
Czego się nauczysz
- Rozumienia zasad AI Driven Testing i różnic względem tradycyjnego testowania.
- Wykorzystywania AI do automatyzacji testów UI, E2E i unitowych.
- Korzystania z popularnych narzędzi AI, takich jak Testim, Applitools, Mabl, Functionize czy Test.ai.
- Tworzenia i uruchamiania prostych projektów testowych wspomaganych AI.
- Integracji testów AI z Pythonem, Pytest, Selenium i CI/CD.
- Stosowania najlepszych praktyk związanych z bezpieczeństwem i etyką testów AI.
Certyfikat i egzamin
Po ukończeniu szkolenia otrzymasz imienny certyfikat potwierdzający zdobycie praktycznych umiejętności w zakresie wykorzystania AI w testowaniu aplikacji. Szkolenie nie kończy się egzaminem – wystarczy aktywne uczestnictwo w zajęciach.
Dla kogo
Szkolenie jest przeznaczone dla testerów manualnych i automatyzujących, QA engineerów, programistów oraz osób chcących poznać praktyczne możliwości sztucznej inteligencji w testowaniu aplikacji webowych i mobilnych.
Harmonogram szkolenia
Dzień 1: Wprowadzenie do AI w testowaniu
Cel: Poznanie podstaw AI w testowaniu, korzyści i wyzwań.
- Godz. 1-2: Podstawy AI Driven Testing
- Definicja AI Driven Testing: Różnice między tradycyjnym testowaniem a wspomaganym AI (np. generowanie testów, predictive analytics).
- Korzyści: 80% szybsze tworzenie testów, 40% lepsze pokrycie edge cases, 90% redukcja czasu na raportowanie błędów.
- Wyzwania: Non-deterministic responses, bias i fairness testing, brak determinizmu w modelach AI.
- Ćwiczenie: Omówienie case study (np. jak AI redukuje manualne testy w aplikacjach webowych).
- Godz. 3-4: Narzędzia i frameworki AI do testowania
- Przegląd narzędzi: Testim (AI do testów UI), Applitools (wizualne testowanie AI), Mabl (automatyczne testy E2E), Functionize (generowanie testów z NL), Tricentis Tosca (AI do optymalizacji testów), Test.ai (AI do testów mobilnych), Diffblue Cover (generowanie testów unitowych).
- Integracja z Pythonem: Użycie bibliotek jak Selenium z AI plugins lub Pytest z rozszerzeniami AI.
- Ćwiczenie: Instalacja i podstawowa konfiguracja jednego narzędzia (np. Applitools w VS Code).
- Godz. 5-6: Projekt praktyczny
- Stworzenie prostego testu UI z AI: Użycie Testim lub Mabl do automatyzacji testu aplikacji webowej.
- Debugowanie błędów: Obsługa bias w testach wizualnych.
- Dyskusja: Jak AI zmienia rolę testera QA.
Dzień 2: Zaawansowane praktyki i implementacja
Cel: Praktyczne zastosowanie AI w testowaniu, integracja z CI/CD i najlepsze praktyki.
- Godz. 1-2: Najlepsze praktyki w AI Driven Testing
- Strategie testowania: Testowanie bias i fairness (np. sprawdzanie dyskryminacji w modelach AI), obsługa non-deterministic outputs, testowanie edge cases z ML.
- Integracja z CI/CD: Użycie GitHub Actions z narzędziami AI (np. prompt engineering do generowania testów).
- Bezpieczeństwo i etyka: Zapewnienie zgodności z regulacjami (np. GDPR w testach AI).
- Ćwiczenie: Analiza case study.
- Godz. 3-4: Zaawansowane narzędzia i automatyzacja
- Narzędzia ML do testowania: Scikit-learn do predictive testing, PyTorch do modelowania błędów.
- Generowanie testów z AI: Użycie Functionize lub Diffblue do automatycznego tworzenia testów unitowych i E2E.
- Ćwiczenie: Implementacja testu z AI w Pythonie (np. generowanie testów z użyciem biblioteki Test.ai lub podobnej).
- Godz. 5-6: Projekt praktyczny i podsumowanie
- Stworzenie kompleksowego scenariusza testowego: Integracja AI do testowania aplikacji (np. webowej lub mobilnej) z użyciem Mabl i Pythona.
- Testowanie w CI/CD: Symulacja pipeline z GitHub Actions.
- Dyskusja: Przyszłość AI w testowaniu i rola kierownika IT w wdrożeniu.
- Podsumowanie szkolenia i certyfikacja.
Wymagania wstępne
Szkolenie skierowane jest do osób posiadających podstawową wiedzę o testowaniu manualnym lub automatyzacji, mile widziana znajomość Pythona na poziomie podstawowym.
Wymagania sprzętowe:
- Komputer z dostępem do internetu.
- Python 3.9+ i VS Code z wtyczkami AI (np. GitHub Copilot).
- Konta na platformach narzędziowych (np. Testim, Applitools – darmowe wersje trial).
- Zainstalowane biblioteki: Selenium, Pytest, Scikit-learn, PyTorch.
