Generative AI in Software Testing Training

Les 1 • Geïntroduceerd

Behandelt de SDLC, testtypen en QA-rollen om AI-concepten in een vertrouwde context te verankeren. Zorgt dat alle cursisten een gemeenschappelijke basis delen voordat AI-onderwerpen worden geïntroduceerd.

Les 2 • Inleiding tot kunstmatige intelligentie

Definieert AI, machine learning en deep learning met voor testen relevante voorbeelden. Bouwt de vocabulaire die nodig is om generatieve AI-tools kritisch te beoordelen.

Les 3 • Wat is generatieve AI

Legt uit hoe generatieve modellen tekst, code en data produceren door patronen te leren. Koppelt generatieve uitvoermogelijkheden direct aan het maken van testartefacten.

Les 4 • Waarde van generatieve AI in QA

Koppelt generatieve AI-mogelijkheden aan specifieke QA-knelpunten zoals hiaten in testdekking en documentatieschuld. Kadert de businesscase voor adoptie.

Les 1 • Geavanceerde promptoptimalisatie

Behandelt temperatuur, systeemberichten en constraint-injectie om modelgedrag fijn af te stellen. Studenten optimaliseren prompts voor consistentie over grote testsuites.

Les 2 • Anatomie van een effectieve prompt

Ontleedt de componenten van een goed gevormde prompt: rol, context, instructie en formaat. Biedt een herbruikbaar mentaal model voor alle daaropvolgende prompt-schrijfoefeningen.

Les 3 • Beoordelen en valideren van AI-uitvoer

Stelt criteria vast voor het beoordelen van nauwkeurigheid, volledigheid en relevantie van AI-gegenereerde artefacten. Leert human-in-the-loop review als verplichte kwaliteitspoort.

Les 4 • Promptpatronen voor testartefacten

Introduceren van herbruikbare promptpatronen toegespitst op testplannen, testgevallen en acceptatiecriteria. Vermindert prompt-schrijftijd door gestructureerde sjablonen.

Les 1 • Dekkingstechnieken met AI-ondersteuning

Past equivalentieklassen, grenswaardeanalyse en beslissingstabellen toe met behulp van AI-ondersteuning. Studenten verifiëren dat AI-gegenereerde gevallen voldoen aan dekkingscriteria.

Les 2 • Vertalen van vereisten naar testgevallen

Demonstreert hoe user stories en specificaties in AI te voeren om testbare condities te extraheren. Koppelt vereistenanalysevaardigheden aan AI-ondersteund testontwerp.

Les 3 • Genereren van rand- en negatieve gevallen

Gebruikt AI om systematisch randcondities en negatieve scenario's aan het licht te brengen die vaak handmatig worden gemist. Versterkt foutdetectie door de diversiteit van testgevallen te vergroten.

Les 4 • Beoordelen en verfijnen van AI-testgevallen

Stelt een peer-reviewworkflow in voor AI-gegenereerde testgevallen om fouten en hiaten op te sporen. Bouwt kwaliteitsborgingsgewoonten rond AI-ondersteund ontwerp.

Les 1 • Genereren van scripts uit testgevallen

Converteert gestructureerde testgevallen naar uitvoerbare scripts met behulp van AI-codegeneratieprompts. Studenten oefenen met het genereren van scripts voor UI-, API- en unittest-scenario's.

Les 2 • Onderhouden van AI-gegenereerde testsuites

Behandelt de langetermijnuitdaging om AI-gegenereerde scripts afgestemd te houden op de evoluerende applicatiecode. Introduceert AI-ondersteund onderhoud en self-healing-concepten.

Les 3 • Continue integratie-workflows

Verbindt AI-gegenereerde testscripts met continue-integratieworkflows voor geautomatiseerde uitvoering. Studenten configureren pipelinetriggers en interpreteren testresultatenrapporten.

Les 4 • Beoordelen en debuggen van AI-gegenereerde code

Leert systematische code-reviewtechnieken om logische fouten, ontbrekende asserts en broze selectoren in AI-uitvoer te identificeren. Benadrukt dat AI-code menselijke validatie vereist.

Les 1 • Genereren van gestructureerde testdata

Gebruikt AI om JSON-, CSV-, SQL- en XML-datasets te produceren die zijn afgestemd op applicatieschema's. Studenten valideren gegenereerde data tegen schemaconstraints en bedrijfsregels.

Les 2 • Synthetische data voor randgevallen

Past AI toe om zeldzame, grens- en adversariële datascenario's te creëren die moeilijk handmatig te verkrijgen zijn. Vergroot testdekking voor foutafhandeling- en uitzonderingspaden.

Les 3 • Testdata-uitdagingen en AI-oplossingen

Identificeert veelvoorkomende testdataproblemen—schaarste, gevoeligheid en gebrek aan diversiteit—en koppelt AI-mogelijkheden aan elk ervan. Motiveert de verschuiving van handmatige naar AI-ondersteunde datacreatie.

Les 4 • Beheren en versiebeheer van testdatasets

Stelt praktijken vast voor het opslaan, versiebeheer en verversen van AI-gegenereerde datasets in testomgevingen. Voorkomt dataveroudering en omgevingsinconsistentie.

Les 1 • Schrijven van AI-verbeterde bugrapporten

Gebruikt AI om duidelijke, reproduceerbare en volledige bugrapporten te genereren op basis van ruwe foutdata. Verbetert de communicatie tussen ontwikkelaar en tester en vermindert heen-en-weer-cycli.

Les 2 • Hoofdoorzaakanalyse met generatieve AI

Leidt AI door gestructureerde hoofdoorzaakanalyse met behulp van vijf-keer-waarom- en visgraat-promptpatronen. Studenten valideren AI-hypothesen tegen code en testbewijs.

Les 3 • Foutvoorspelling en risicomodellering

Introduceren van AI-modellen die foutgevoelige gebieden voorspellen op basis van codemetrics en historische data. Maakt risicogebaseerde testprioritering vóór uitvoering mogelijk.

Les 4 • Foutclassificatie en -prioritering

Past AI toe om fouten automatisch te categoriseren op ernst, type en betrokken component. Maakt snellere triage en consistenter foutbeheer mogelijk.

Les 1 • AI voor beveiligings- en kwetsbaarheidstesten

Past AI toe om beveiligingstestgevallen, fuzz-invoer en bedreigingsmodellen te genereren voor veelvoorkomende kwetsbaarheidsklassen. Benadrukt verantwoorde openbaarmaking en ethische testgrenzen.

Les 2 • Mobiel en cross-platform testen met AI

Past AI toe om apparaatspecifieke testscenario's te genereren en cross-platform-compatibiliteitsproblemen te analyseren. Behandelt de combinatorische uitdaging van mobiele testdekking.

Les 3 • API-testen verbeterd door AI

Gebruikt AI om API-testcollecties te genereren, contracten te valideren en schemadrift automatisch te detecteren. Versnelt API-testdekking over REST- en GraphQL-interfaces.

Les 4 • Toegankelijkheidstesten met AI

Benut AI om interfaces te auditen op toegankelijkheidsnormen en hersteladviezen te genereren. Vergroot de QA-scope met inclusief ontwerpvalidatie.

Les 1 • Meten en communiceren van AI-QA-waarde

Definieert KPI's voor AI-versterkt testen en bouwt dashboards die waarde communiceren aan belanghebbenden. Sluit de cirkel tussen AI-investering en bedrijfsresultaten.

Les 2 • Beoordelen van AI-gereedheid in uw organisatie

Biedt een volwassenheidsmodel voor het evalueren van huidige QA-processen, tooling en teamvaardigheden tegen AI-adoptievereisten. Identificeert hiaten en prioriteert verbetergebieden.

Les 3 • Governance van AI-gebruik in QA-teams

Definieert beleid voor promptbeheer, uitvoervalidatie en AI-tooltoegangscontrole binnen QA-teams. Zorgt voor consistent, controleerbaar en verantwoordelijk AI-gebruik.

Les 4 • Selecteren en evalueren van AI-testtools

Stelt een leveranciersonafhankelijk evaluatiekader vast voor het vergelijken van AI-testtools op capaciteit, kosten en integratiegeschiktheid. Voorkomt kostbare toolmismatches.