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 támogatott manuális és automata szoftvertesztelés (AI-augmented QA engineering)
Ebben a képzésben lépésről lépésre megtanulod, hogyan írj célirányos, kifejezetten minőségbiztosításra hangolt promptokat, hogyan építs ágens-alapú QA-láncot természetes nyelvi utasításokkal, és hogyan állíts össze egy ingyenes, adatbiztos, lokálisan futó eszköztárat, amely a legszigorúbb nagyvállalati és compliance-környezetben is használható.
A képzés nem arról szól, hogy majd az MI tesztel helyetted. Sokkal inkább arról, hogyan dolgozol együtt tudatosan az MI-eszközökkel: mikor érdemes használni, mikor nem, hogyan ellenőrzöd a javaslatait, és hogyan illeszted a folyamataidba úgy, hogy az emberi szakértelem a helyén maradjon.
Ugyanilyen fontos a másik oldal is: egy MI-transzformáció soha nem egyszemélyes feladat. A képzés külön hangsúlyt fektet az AI change management (az MI-bevezetés emberi és szervezeti oldalának kezelése) témájára: hogyan ismerd fel és oldd fel a csapatban megbúvó, gyakran csendes ellenállást, hogyan építs bizalmat a technológia iránt, és hogyan állj át csapatként az MI-vezérelt munkafolyamatokra egy tesztcsapat vagy egy CoE (Center of Excellence, azaz szakmai kiválósági központ) szintjén.
A képzés végére képes leszel MI-vel támogatott QA-munkafolyamatot kialakítani, a meglévő tesztelési folyamataidat gyorsítani, a meglévő automata keretrendszeredet MI-vel bővíteni, és bevezetni az MI-alapú tesztelést a saját, akár erősen szabályozott környezetedben.
A szoftvertesztelés szerepe gyorsan változik. A tesztelők és QA-szakemberek munkája már nemcsak arról szól, hogy manuálisan végigkattintanak folyamatokat vagy kész automata teszteket futtatnak. Egyre nagyobb értéke van annak, ha valaki képes az MI-t tudatosan beépíteni a napi rutinba, és így gyorsabb, de továbbra is megbízható tesztelést elérni.
Az MI-eszközök különösen hasznosak ott, ahol sok szöveges információt kell feldolgozni, teszteseteket kell strukturálni, vagy meglévő kód alapján kell teszteket készíteni. A manuális adminisztráció és a tesztkarbantartás terhe éppen ezeken a pontokon csökkenthető a leglátványosabban.
Ez a tudás különösen sokat ér a szigorú, compliance-vezérelt környezetekben, például a fintech, banki és biztosítási szektorban, ahol Jira és Confluence alapú workflow-k uralkodnak, és ahol az adatoknak a helyi hálózaton belül kell maradniuk. Ugyanez igaz a komplex tesztelési folyamatokkal dolgozó telco és pharma nagyvállalatokra is.
A jó QA-szakember értéke nem csökken, hanem nő az MI-vel: ő tudja, milyen kérdéseket kell feltenni, mit kell ellenőrizni, hol rejtőzhet kockázat, és hogyan lehet az MI javaslatait szakmailag validálni. Ehhez jön hozzá az, amit ez a képzés külön kiemel: egy MI-transzformáció akkor sikeres, ha nem egy ember, hanem az egész csapat áll át rá.
Több mint egy évtizedes tesztelési tapasztalattal a háta mögött sikeresen vezényelt le egy nagybanki környezet MI-alapú transzformációját.
Nemcsak technológiai váltást vezetett be, hanem a teljes szervezeti szemléletmódot is átformálta az MI-asszisztált folyamatok irányába.
Saját fejlesztésű MI-keretrendszerekkel dolgozik, amelyek képesek a manuális Jira ticketekből automatikusan teszteseteket generálni, vagy meglévő automata keretrendszerekbe 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