Kerangka Materi

Pengantar AI dalam Otomasi QA

  • Peran AI dalam pengujian perangkat lunak modern
  • Perbandingan antara strategi QA tradisional dan yang dipenuhi oleh AI
  • Ringkasan dari alat pengujian berbasis AI (Testim, mabl, Functionize)

Membuat Uji dengan AI

  • Pembuatan uji berdasarkan model dan UI
  • Menggunakan Testim atau platform serupa untuk menghasilkan alur otomatis
  • Evaluasi tujuan pengujian, stabilitas, dan keterulangan

Analisis Regresi dan Prioritas Pengujian

  • Pemilihan dan pemangkasan uji berbasis dampak
  • Jalur pengujian yang menyadari perubahan untuk repositori besar
  • Prioritas AI didasarkan pada risiko dan frekuensi

Integrasi dengan Pipelines CI/CD

  • Menghubungkan uji otomatis ke Jenkins, GitHub Actions, atau GitLab CI
  • Kualitas otomatis dan siklus umpan balik pengujian
  • Memicu uji pada permintaan tarik dan acara pembaruan

Prediksi Defect dan Deteksi Anomaly

  • Menganalisis data pengujian untuk memprediksi area kegagalan yang mungkin
  • Mengelompokkan dan mengkategorikan anomali menggunakan teknik ML
  • Umpan balik kepada pengembang dengan wawasan hasil AI

Memelihara dan Skalabilitas Uji Berbasis AI

  • Mengatasi pergeseran uji dan perubahan UI
  • Kontrol versi dan manajemen konfigurasi pengujian
  • Skalabilitas ke lingkungan QA berbasis enterprise

Studi Kasus dan Aplikasi Nyata

  • Implementasi perusahaan dari pipa AI QA
  • Best practices untuk adopsi tim dan peluncuran
  • Pelajaran yang dipelajari: sukses, kegagalan, dan penyetelan

Ringkasan dan Langkah Selanjutnya

Persyaratan

  • Pengalaman dengan pengujian perangkat lunak atau alur kerja QA
  • Kenalan dengan pipa CI/CD dan praktik DevOps
  • Pemahaman dasar tentang alat atau kerangka kerja uji otomatisasi

Audience

  • Lead QA dan insinyur otomasi tes
  • Profesional DevOps dan SREs
  • Pengujian Agile dan manajer kualitas
 14 Jam

Jumlah Peserta


Biaya per Peserta

Kursus Mendatang

Kategori Terkait