Formation en IA générative pour le test logiciel

Leçon 1 • Révision des fondements des tests logiciels

Couvre le cycle de vie du développement logiciel (SDLC), les types de tests et les rôles en assurance qualité pour ancrer les concepts d'IA dans un contexte familier. Assure que tous les apprenants partagent une base commune avant l'introduction des sujets sur l'IA.

Leçon 2 • Introduction à l'intelligence artificielle

Définit l'IA, l'apprentissage automatique et l'apprentissage profond avec des exemples pertinents pour les tests. Construit le vocabulaire nécessaire pour évaluer de manière critique les outils d'IA générative.

Leçon 3 • Qu'est-ce que l'IA générative

Explique comment les modèles génératifs produisent du texte, du code et des données en apprenant des motifs. Établit un lien direct entre les capacités de production générative et la création d'artefacts de test.

Leçon 4 • Valeur de l'IA générative en assurance qualité

Fait correspondre les capacités de l'IA générative à des points faibles spécifiques de l'assurance qualité, tels que les lacunes dans la couverture des tests et la dette documentaire. Établit le contexte commercial pour l'adoption.

Leçon 1 • Optimisation avancée des invites

Couvre la température, les messages système et l'injection de contraintes pour affiner le comportement du modèle. Les étudiants optimisent les invites pour la cohérence dans de grandes suites de tests.

Leçon 2 • Anatomie d'une invite efficace

Décompose les composants d'une invite bien formulée : rôle, contexte, instruction et format. Fournit un modèle mental réutilisable pour tous les exercices ultérieurs de rédaction d'invites.

Leçon 3 • Évaluation et validation des résultats de l'IA

Établit des critères pour évaluer l'exactitude, l'exhaustivité et la pertinence des artefacts générés par l'IA. Enseigne la révision humaine comme passerelle de qualité obligatoire.

Leçon 4 • Modèles d'invites pour les artefacts de test

Présente des modèles d'invites réutilisables adaptés aux plans de test, aux cas de test et aux critères d'acceptation. Réduit le temps de rédaction d'invites grâce à des modèles structurés.

Leçon 1 • Techniques de couverture avec le soutien de l'IA

Applique le partitionnement d'équivalence, l'analyse des valeurs limites et les tables de décision à l'aide de l'IA. Les étudiants vérifient que les cas générés par l'IA satisfont aux critères de couverture.

Leçon 2 • Traduction des exigences en cas de test

Montre comment fournir des récits d'utilisateurs et des spécifications à l'IA pour en extraire des conditions testables. Établit un lien entre les compétences d'analyse des exigences et la conception de tests assistée par l'IA.

Leçon 3 • Génération de cas limites et négatifs

Utilise l'IA pour identifier systématiquement les conditions limites et les scénarios négatifs souvent manqués manuellement. Renforce la détection des défauts en élargissant la diversité des cas de test.

Leçon 4 • Révision et amélioration des cas de test de l'IA

Établit un flux de travail de révision par les pairs pour les cas de test générés par l'IA afin de détecter les erreurs et les lacunes. Crée des habitudes d'assurance qualité autour de la conception assistée par l'IA.

Leçon 1 • Génération de scripts à partir de cas de test

Convertit les cas de test structurés en scripts exécutables à l'aide d'invites de génération de code d'IA. Les étudiants s'exercent à générer des scripts pour des scénarios de test d'interface utilisateur, d'API et de tests unitaires.

Leçon 2 • Maintien des suites de tests générées par l'IA

Aborde le défi à long terme de maintenir les scripts générés par l'IA alignés sur le code d'application en évolution. Présente les concepts de maintenance assistée par l'IA et d'auto-guérison.

Leçon 3 • Intégration des scripts dans les pipelines CI/CD

Relie les scripts de test générés par l'IA aux flux de travail d'intégration continue pour une exécution automatisée. Les étudiants configurent les déclencheurs de pipeline et interprètent les rapports de résultats de test.

Leçon 4 • Révision et débogage du code généré par l'IA

Enseigne des techniques systématiques de révision de code pour identifier les erreurs de logique, les assertions manquantes et les sélecteurs fragiles dans les résultats de l'IA. Renforce l'idée que le code d'IA nécessite une validation humaine.

Leçon 1 • Génération de données de test structurées

Utilise l'IA pour produire des ensembles de données JSON, CSV, SQL et XML alignés sur les schémas d'application. Les étudiants valident les données générées par rapport aux contraintes du schéma et aux règles métier.

Leçon 2 • Données synthétiques pour les cas limites

Applique l'IA pour créer des scénarios de données rares, limites et contradictoires difficiles à obtenir manuellement. Élargit la couverture des tests pour les chemins de gestion des erreurs et des exceptions.

Leçon 3 • Défis liés aux données de test et solutions d'IA

Identifie les problèmes courants liés aux données de test (pénurie, sensibilité et manque de diversité) et fait correspondre les capacités de l'IA à chacun. Motive le passage de la création manuelle de données à la création assistée par l'IA.

Leçon 4 • Gestion et gestion de versions des ensembles de données de test

Établit des pratiques pour stocker, versionner et actualiser les ensembles de données générés par l'IA dans les environnements de test. Empêche l'obsolescence des données et l'incohérence des environnements.

Leçon 1 • Rédaction de rapports de bogues améliorés par l'IA

Utilise l'IA pour générer des rapports de bogues clairs, reproductibles et complets à partir de données brutes d'échec. Améliore la communication entre développeurs et testeurs et réduit les cycles d'échanges.

Leçon 2 • Analyse des causes profondes avec l'IA générative

Guide l'IA à travers une analyse structurée des causes profondes à l'aide des modèles d'invites des cinq pourquoi et du diagramme en arête de poisson. Les étudiants valident les hypothèses de l'IA par rapport au code et aux preuves de test.

Leçon 3 • Prédiction des défauts et modélisation des risques

Présente les modèles d'IA qui prédisent les zones sujettes aux défauts en fonction des métriques du code et des données historiques. Permet la priorisation des tests basée sur les risques avant l'exécution.

Leçon 4 • Classification et priorisation des défauts

Applique l'IA pour catégoriser automatiquement les défauts par gravité, type et composant affecté. Permet un triage plus rapide et une gestion plus cohérente des défauts.

Leçon 1 • L'IA pour les tests de sécurité et de vulnérabilité

Applique l'IA pour générer des cas de test de sécurité, des entrées de test par fuzzing et des modèles de menace pour les classes de vulnérabilité courantes. Renforce la divulgation responsable et les limites éthiques des tests.

Leçon 2 • Tests mobiles et multiplateformes avec l'IA

Applique l'IA pour générer des scénarios de test spécifiques aux appareils et analyser les problèmes de compatibilité multiplateforme. Aborde le défi combinatoire de la couverture des tests mobiles.

Leçon 3 • Tests d'API augmentés par l'IA

Utilise l'IA pour générer des collections de test d'API, valider les contrats et détecter automatiquement la dérive du schéma. Accélère la couverture des tests d'API sur les interfaces REST et GraphQL.

Leçon 4 • Tests d'accessibilité avec l'IA

Tire parti de l'IA pour auditer les interfaces par rapport aux normes d'accessibilité et générer des recommandations de correction. Élargit la portée de l'assurance qualité pour inclure la validation de la conception inclusive.

Leçon 1 • Mesure et communication de la valeur de l'IA en assurance qualité

Définit des indicateurs clés de rendement pour les tests augmentés par l'IA et construit des tableaux de bord qui communiquent la valeur aux parties prenantes. Ferme la boucle entre l'investissement dans l'IA et les résultats commerciaux.

Leçon 2 • Évaluation de l'état de préparation à l'IA dans votre organisation

Fournit un modèle de maturité pour évaluer les processus d'assurance qualité, les outils et les compétences de l'équipe actuels par rapport aux exigences d'adoption de l'IA. Identifie les lacunes et priorise les domaines d'amélioration.

Leçon 3 • Gouvernance de l'utilisation de l'IA dans les équipes d'assurance qualité

Définit des politiques pour la gestion des invites, la validation des résultats et le contrôle d'accès aux outils d'IA au sein des équipes d'assurance qualité. Assure une utilisation cohérente, vérifiable et responsable de l'IA.

Leçon 4 • Sélection et évaluation des outils de test d'IA

Établit un cadre d'évaluation indépendant des fournisseurs pour comparer les outils de test d'IA sur les capacités, le coût et l'adéquation à l'intégration. Empêche les mésappariements coûteux d'outils.