Terima kasih telah mengirimkan pertanyaan Anda! Salah satu anggota tim kami akan segera menghubungi Anda.
Terima kasih telah mengirimkan pemesanan Anda! Salah satu anggota tim kami akan segera menghubungi Anda.
Durasi 21 jam
Kerangka Materi
Pengenalan AI untuk QA
- Apa itu Kecerdasan Buatan?
- Pembelajaran Mesin vs Pembelajaran Mendalam vs Sistem Berbasis Aturan
- Evolusi pengujian perangkat lunak dengan AI
- Manfaat utama dan tantangan AI di QA
Dasar Data dan ML untuk Penguji
- Memahami data terstruktur vs tidak terstruktur
- Fitur, label, dan dataset pelatihan
- Pembelajaran supervisi dan tanpa supervisi
- Pengenalan evaluasi model (akurasi, presisi, recall, dll.)
- Dataset QA dunia nyata
Studi Kasus AI dalam QA
- Pembuatan kasus uji yang didorong oleh AI
- Prediksi cacat menggunakan ML
- Prioritisasi pengujian dan pengujian berbasis risiko
- Pengujian visual dengan computer vision
- Analisis log dan deteksi anomali
- Pemrosesan bahasa alami (NLP) untuk skrip pengujian
Alat AI untuk QA
- Ikhtisar platform QA yang diaktifkan oleh AI
- Menggunakan pustaka open-source (misalnya, Python, Scikit-learn, TensorFlow, Keras) untuk prototipe QA
- Pengenalan LLM dalam otomasi pengujian
- Membangun model AI sederhana untuk memprediksi kegagalan pengujian
Mengintegrasikan AI ke dalam Alur Kerja QA
- Mengevaluasi kesiapan AI dari proses QA Anda
- Integrasi terus-menerus dan AI: cara menanamkan kecerdasan ke dalam pipeline CI/CD
- Merancang suite pengujian cerdas
- Manajemen drift model AI dan siklus pelatihan ulang
- Pertimbangan etika dalam pengujian yang didorong oleh AI
Lab Praktis dan Proyek Capstone
- Lab 1: Otomasi pembuatan kasus uji menggunakan AI
- Lab 2: Membangun model prediksi cacat menggunakan data pengujian historis
- Lab 3: Menggunakan LLM untuk meninjau dan mengoptimalkan skrip pengujian
- Capstone: Implementasi ujung-ke-ujung pipeline pengujian yang didorong oleh AI
Persyaratan
Peserta diharapkan memiliki:
- Pengalaman 2+ tahun di peran pengujian perangkat lunak/QA
- Kenalan dengan alat otomasi pengujian (misalnya, Selenium, JUnit, Cypress)
- Pengetahuan dasar pemrograman (diutamakan dalam Python atau JavaScript)
- Pengalaman dengan alat kontrol versi dan CI/CD (misalnya, Git, Jenkins)
- Tidak diperlukan pengalaman AI/ML sebelumnya, meskipun rasa ingin tahu dan kesediaan untuk bereksperimen sangat penting
Testimoni (1)
Hasil pembelajaran paling berharga adalah memahami cara memanfaatkan AI secara efektif untuk meningkatkan aktivitas pengujian, khususnya melalui teknik prompt engineering yang lebih baik, agen AI, RAG, serta analisis pengujian yang dibantu oleh AI.
Tallada Vijayakumar - Advantest Europe GmbH
Kursus - AI Enablement Training Program for Software QA Engineers
Diterjemahkan Mesin