Bedankt voor uw aanvraag! Een van onze medewerkers neemt binnenkort contact met u op
Bedankt voor uw boeking! Een van onze medewerkers neemt binnenkort contact met u op.
Duur 21 uren
Cursusaanbod
Introductie tot AI voor QA
- Wat is kunstmatige intelligentie?
- Machine learning versus dieplearning versus regelgebaseerde systemen
- De evolutie van softwaretesten met AI
- Belangrijke voordelen en uitdagingen van AI in QA
Basiskennis van data en ML voor testers
- Structured versus unstructured data begrijpen
- Kenmerken, labels en trainingsdatasets
- Bewak en onbewaakt leren
- Inleiding tot modelbeoordeling (accuratesse, precisie, herstel, etc.)
- QA-datasets uit de praktijk
AI-toepassingen in QA
- AI-gedreven testgevalsgeneratie
- Defectvoorspelling met ML
- Testprioritering en risicogebaseerde testen
- Visuele testen met computervisie
- Loganalyse en anomaliëdetectie
- Natuurlijke taalverwerking (NLP) voor testscripts
AI-tools voor QA
- Overzicht van AI-geactiveerde QA-platforms
- Gebruik van open-source-bibliotheken (bijv. Python, Scikit-learn, TensorFlow, Keras) voor QA-prototypes
- Inleiding tot LLMs in testautomatisering
- Ontwerpen van een eenvoudig AI-model om testmislukkingen te voorspellen
Integratie van AI in QA-workflows
- Evalueren van de AI-klaarheid van uw QA-processen
- Continue integratie en AI: intelligentie inbouwen in CI/CD-pipelines
- Ontwerpen van intelligente testsets
- Beheren van modeldrift en hertrainingscycli
- Ethische overwegingen bij AI-gedreven testen
Praktische labs en Capstone-project
- Lab 1: Testgevalsgeneratie automatiseren met AI
- Lab 2: Een defectvoorspellingsmodel bouwen met historische testdata
- Lab 3: Een LLM gebruiken om testscripts te beoordelen en te optimaliseren
- Capstone: End-to-end implementatie van een AI-gedreven testpipeline
Vereisten
Van deelnemers wordt verwacht dat zij:
- Meer dan 2 jaar ervaring hebben in softwaretest- of QA-functies
- Vertrouwd zijn met testautomatiseringstools (bijv. Selenium, JUnit, Cypress)
- Basis kennis hebben van programmeren (bij voorkeur in Python of JavaScript)
- Ervaring hebben met versiebeheer en CI/CD-tools (bijv. Git, Jenkins)
- Geen voorafgaande AI/ML-ervaring vereist is, maar nieuwsgierigheid en de bereidheid om te experimenteren zijn essentieel
Getuigenissen (1)
De meest waardevolle inzicht is het leren hoe effectief gebruik van AI kan worden ingezet om testactiviteiten te verbeteren, met name door middel van betere prompt engineering, AI-agents, RAG en AI-geassisteerde testanalyse.
Tallada Vijayakumar - Advantest Europe GmbH
Cursus - AI Enablement Training Program for Software QA Engineers
Automatisch vertaald