Cubix Institute of TechnologyCubix Institute of Technology aims to gather the most important skill set building blocks for IT professionals by organizing cohort-based online IT&TECH trainings with the help of industry-leading mentors, tech companies and higher education institutions.
Our constantly expanding portfolio currently consists of 35+ courses, including topics, e.g.: Frontend and Backend development (Java, Python, C++, JavaScript, Angular, React, Node.js, C#, .NET, stb), Mobile and Cross-Platform Development (iOS, Android, Flutter), IT Project and Product Management, Software Testing, DevOps, and Cloud Solutions, Data Science, AI/ML/DL, UI/UX, IT security, Video Game-, AR/VR/XR Development, IoT and Embedded System Development, Blockchain, etc.
Become a member of our community!
Online IT academy
|
|
|
AI-augmented QA engineering képzés
Ebben a kurzusban lépésről lépésre megtanulod, hogyan támogathatja az AI a QA engineering teljes folyamatát: követelmények elemzését, tesztesetek tervezését, tesztadatok előállítását, automatizált tesztek generálását, hibák elemzését, regressziós tesztelést, dokumentációt és riportolást.
A képzés nem arról szól, hogy „majd az AI tesztel helyetted”. Sokkal inkább arról, hogyan tudsz tesztelőként, QA engineerként vagy fejlesztőként tudatosan együtt dolgozni AI-eszközökkel. Megtanulod, mikor érdemes AI-t használni, mikor nem, hogyan kell jó promptokat írni QA-feladatokra, hogyan ellenőrizd az AI által javasolt teszteket, és hogyan építs olyan folyamatot, amelyben az AI támogatja, de nem helyettesíti a szakmai gondolkodást.
A modern tesztelési eszközök már ma is jól kombinálhatók AI-alapú munkafolyamatokkal. A Playwright például modern webalkalmazások end-to-end tesztelésére készült, és Chromium, Firefox és WebKit böngészőkön is használható. A Selenium hivatalos dokumentációja szerint a Selenium böngészőautomatizálási eszköztár, amely elsősorban webalkalmazások tesztelésére használható.
A képzés végére képes leszel AI-val támogatott QA-workflow-t kialakítani, meglévő tesztelési folyamataidat gyorsítani, tesztautomatizálási feladatokat hatékonyabban megoldani, és olyan minőségbiztosítási szemléletet alkalmazni, amely illeszkedik a modern, AI-val támogatott szoftverfejlesztési környezetekhez.
A szoftvertesztelés szerepe gyorsan változik. A tesztelők és QA engineerek munkája már nemcsak arról szól, hogy manuálisan végigkattintanak folyamatokat vagy kész automatizált teszteket futtatnak. Egyre nagyobb értéke van annak, ha valaki képes a minőségbiztosítást rendszerszinten átlátni, a kockázatokat jól azonosítani, a tesztelési folyamatokat automatizálni, és az AI-t tudatosan használni a gyorsabb, de továbbra is megbízható teszteléshez.
Az AI-eszközök különösen hasznosak lehetnek olyan QA-feladatoknál, ahol sok szöveges információt kell feldolgozni, variációkat kell előállítani, teszteseteket kell strukturálni, vagy meglévő kód alapján kell teszteket készíteni. A Visual Studio Code dokumentációja szerint a Copilot például unit tesztek, end-to-end tesztek és edge case-ekhez kapcsolódó tesztek írásában is tud segíteni.
Ez azonban nem jelenti azt, hogy az AI automatikusan jó tesztelővé válik. A jó QA-szakember értéke éppen abban nő, hogy tudja, milyen kérdéseket kell feltenni, mit kell ellenőrizni, hol lehet rejtett kockázat, és hogyan lehet az AI által adott javaslatokat szakmailag validálni.
Ezzel a tudással gyorsabban tudsz tesztelni, hatékonyabban tudsz automatizálni, jobb minőségű teszteseteket tudsz készíteni, és könnyebben tudsz együttműködni fejlesztőkkel, product ownerekkel és technológiai vezetőkkel AI-val támogatott fejlesztési környezetben.
Több mint egy évtizedes tesztelési tapasztalattal a hátam mögött, sikeresen vezényeltem le egy nagybanki környezet MI-alapú transzformációját.
Nemcsak technológiai váltást implementáltam, hanem a teljes szervezeti szemléletmódot is átformáltam az MI-asszisztált folyamatok irányába.
Saját fejlesztésű AI keretrendszerekkel dolgozom, amelyek képesek a manuális Jira ticketekből automatikusan teszteseteket generálni, vagy meglévő automatizált keretrendszerekbe (FW) kódolni.
Ha eldöntötted, hogy jelentkezel a képzésre és szeretnéd biztosítani helyedet, nincs más teendőd, mint a ‘Beiratkozom’ gombra kattintva kitölteni a jelentkezési formot és kifizetni a képzés díját.
Ha szívesen jelentkeznél, de úgy érzed még van néhány kérdés, amire nem találtad meg a választ, kattints az ‘Érdekel, de kérdeznék’ gombra és add meg elérhetőségedet! 48 órán belül felvesszük veled a kapcsolatot.
Nézz körbe az alábbi oldalon, hogy mikor indul legközelebb ez vagy a témában releváns képzés:
MESTERSÉGES INTELLIGENCIA KÉPZÉSEK
Vagy írj nekünk az info@cubixedu.com címre és értesítünk, amikor megvan már a következő csoportok időpontja!
-
1.AI-augmented QA szemlélet és modern tesztelési folyamatok
-
1. lecke
AI szerepe a szoftvertesztelésben
-
2. lecke
QA engineering feladatok AI-támogatással
-
3. lecke
Manuális tesztelés, automatizált tesztelés és AI kapcsolata
-
4. lecke
AI-eszközök lehetőségei és korlátai
-
5. lecke
Tesztelői gondolkodás AI-környezetben
-
6. lecke
Felelős AI-használat QA-folyamatokban
-
7. lecke
[KVÍZ] - Ellenőrizd tudásod!
-
8. lecke
[HÁZI FELADAT] - Meglévő QA-folyamat elemzése és AI-val támogatható pontok azonosítása
-
9. lecke
[LIVE ALKALOM]
-
2.Követelmények elemzése és teszttervezés AI segítségével
-
10. lecke
User story-k és acceptance criteriák elemzése
-
11. lecke
Tesztötletek generálása AI-val
-
12. lecke
Pozitív, negatív és edge case tesztek
-
13. lecke
Kockázatalapú teszttervezés
-
14. lecke
Exploratory testing AI-támogatással
-
15. lecke
Tesztlefedettségi hiányok azonosítása
-
16. lecke
[KVÍZ] - Ellenőrizd tudásod!
-
17. lecke
[HÁZI FELADAT] - Meglévő QA-folyamat elemzése és AI-val támogatható pontok azonosítása
-
18. lecke
[LIVE ALKALOM]
-
3.Prompt engineering QA-feladatokra
-
19. lecke
Prompt engineering alapok QA-környezetben
-
20. lecke
Szerep, kontextus és output formátum megadása
-
21. lecke
Tesztesetek generálása strukturált formában
-
22. lecke
Bug reportok pontosítása
-
23. lecke
Tesztadat-generálás
-
24. lecke
AI-output validálása és javítása
-
25. lecke
[KVÍZ] - Ellenőrizd tudásod!
-
26. lecke
[HÁZI FELADAT] - Újrafelhasználható QA prompt sablonok készítése teszttervezéshez, bug reporthoz és dokumentációhoz
-
27. lecke
[LIVE ALKALOM]
-
4.Tesztautomatizálás AI segítségével
-
28. lecke
Tesztautomatizálási alapok áttekintése
-
29. lecke
Playwright és Selenium szerepe modern QA-folyamatokban
-
30. lecke
AI-val támogatott tesztkód-generálás
-
31. lecke
Selectorok, assertionök és test flow-k
-
32. lecke
Tesztkód refaktorálása AI-val
-
33. lecke
Generált tesztek ellenőrzése és futtatása
-
34. lecke
[KVÍZ] - Ellenőrizd tudásod!
-
35. lecke
[HÁZI FELADAT] - Egyszerű end-to-end teszt elkészítése AI segítségével
-
36. lecke
[LIVE ALKALOM]
-
5.API-tesztelés, tesztadatok és hibaanalízis
-
37. lecke
API-tesztelési alapok
-
38. lecke
Tesztadat-generálás AI-val
-
39. lecke
JSON, request és response struktúrák elemzése
-
40. lecke
Logok és hibaüzenetek értelmezése
-
41. lecke
Bug reportok javítása
-
42. lecke
Reprodukciós lépések strukturálása
-
43. lecke
[KVÍZ] - Ellenőrizd tudásod!
-
44. lecke
[HÁZI FELADAT] - Egyszerű end-to-end teszt elkészítése AI segítségével
-
45. lecke
[LIVE ALKALOM]
-
6.Regressziós tesztelés és tesztkarbantartás AI-val
-
46. lecke
Regressziós tesztelés szerepe
-
47. lecke
Tesztpriorizálás változások alapján
-
48. lecke
Flaky tesztek felismerése és kezelése
-
49. lecke
Tesztesetek karbantartása
-
50. lecke
AI-val támogatott refaktorálás
-
51. lecke
Release előtti QA-checklisták
-
52. lecke
[KVÍZ] - Ellenőrizd tudásod!
-
53. lecke
[HÁZI FELADAT] - API-tesztesetek és bug report készítése AI-támogatással
-
54. lecke
[LIVE ALKALOM]
-
7.AI-eszközök beépítése QA-workflow-ba
-
55. lecke
AI használata QA-csapatban
-
56. lecke
Git-alapú workflow-k és code review
-
57. lecke
CI/CD kapcsolódási pontok
-
58. lecke
Tesztelési dokumentáció automatizálása
-
59. lecke
AI használati szabályok és kontrollpontok
-
60. lecke
QA lead szintű bevezetési szempontok
-
61. lecke
[KVÍZ] - Ellenőrizd tudásod!
-
62. lecke
[HÁZI FELADAT] - AI-val támogatott QA-workflow terv készítése egy csapat vagy projekt számára
-
63. lecke
[LIVE ALKALOM]
-
8.Záróprojekt: AI-augmented QA workflow felépítése
-
64. lecke
Záróprojekt: Saját AI-augmented QA projekt bemutatása és értékelése