Тестирование
ИИ в тестировании: ускорение процессов и проверка ИИ-функций

ИИ в тестировании: ускорение процессов и проверка ИИ-функций

30 июня

4 месяца

Онлайн

Вт/Чт 20:00 Мск

Для кого этот курс?

  • Для действующих инженеров по тестированию, которые хотят встроить ИИ в ключевые задачи так, чтобы ускорять работу без потери качества.
  • Для руководителей группы тестирования и старших тестировщиков, которые стремятся выстроить воспроизводимый, безопасный и измеримый процесс использования ИИ на уровне команды.
  • Для тестировщиков, которые хотят научиться тестировать ИИ-функциональность как отдельный объект качества.


Необходимые знания

  • Опыт работы инженером тестирования от 2х лет 

Что даст вам этот курс?

После обучения вы:

  • Научитесь уверенно применять большие языковые модели (LLM) в ключевых задачах тестирования – от анализа требований и тест-дизайна до генерации тестовых данных, автотестов, баг-репортов и отчетности.

  • Сможете различать, где большие языковые модели (LLM) реально усиливают процесс, а где создают риски.

  • Сможете применять ИИ для анализа требований, подготовки тестовой документации и поиска пропущенных сценариев. 

  • Научитесь тестировать ИИ-функциональность как отдельный объект качества — задавать критерии приемки, работать с галлюцинациями, промпт-инъекциями, золотыми наборами данных и мониторингом качества в работе.

  • Сможете проектировать и системно внедрять ИИ-процессы в работу команды.

Процесс обучения

Занятия в OTUS — это не заранее отснятый материал. Вебинары проходят в режиме реального времени, где преподаватели-практики рассказывают об актуальных кейсах и инструментах, которые нужны им в работе сейчас. Вы сможете активно участвовать голосом, практиковаться, задавать вопросы и получать обратную связь. Такой формат дает реальный результат. 

А если вы не смогли посетить занятие в реальном времени, то сможете посмотреть его в записи и задать вопрос преподавателю в закрытом Telegram-чате.

Программа

 
ИИ в тестировании: все, что надо знать и уметь тестировщику сегодня

Свой проект


Студент пишет выпускной проект под контролем преподавателя

Портфолио


Практика с первых занятий + выпускной проект, который усилит ваше портфолио
Формат обучения

Интерактивные вебинары


2 онлайн-трансляции по 2 ак.часа в неделю. Доступ к записям и материалам остается навсегда

Программа для профессионалов


Обучайтесь актуальным инструментам и технологиям, чтобы оставаться актуальными на рынке 

Коммьюнити


Модерируемый ТГ-чат для общения преподавателей и студентов

Программа

Как тестировщику работать с LLM осознанно

Тема 1: Как устроены LLM и что тестировщику важно понимать для практической работы

Тема 2: Сравнение ChatGPT, Claude, Gemini, YandexGPT и Qwen на типовых QA-задачах

Тема 3: Как выбирать модель под задачу, данные и корпоративные ограничения

Ускорение тест-дизайна и документации с помощью ИИ

Тема 1: Генерация чек-листов, тест-кейсов и сценариев из требований

Тема 2: Подготовка и структурирование тестовой документации с помощью ИИ

Тема 3: Автоматизация отчетов по результатам тестирования

ИИ в ручном тестировании и работе с багами

Тема 1: Генерация тест-данных для реальных и пограничных (edge-case) сценариев

Тема 2: Применение ML моделей для генерации API автотестов на основании OpenAPI

Тема 3: Генерация пользовательских и негативных сценариев для исследовательского тестирования

Тема 4: Подготовка воспроизводимых и содержательных баг-репортов

Тема 5: Поисковая дополненная генерация (RAG) поверх корпоративной базы: Jira, Confluence, репозитории

ИИ в автоматизации: как ускорять автотесты без потери управляемости

Тема 1: Где ИИ реально помогает в автоматизации тестирования, а где создает ложную экономию

Тема 2: Генерация API-автотестов и контрактных проверок на основе OpenAPI

Тема 3: Запрос-как-код (Prompt-as-code): хранение, версионирование и переиспользование промпт-шаблонов

Тема 4: Как валидировать качество промптов: A/B-подход и критерии сравнения

Тема 5: Интеграция LLM-workflow в конвейер автоматизации (automation pipeline) и CI/CD

Тема 6: Ограничения и безопасность: что нельзя отдавать в публичную модель и как работать с внутренними ИИ-инструментами

Оптимизация автотестов и набор регрессионных тестов (regression suite) с помощью ИИ

-

Тема 1: Ревью автотестов: поиск слабых мест, антипаттернов и рисков сопровождения

Тема 2: Поиск дублирующих и пересекающихся тестовых сценариев

Тема 3: Обнаружение мертвых, нестабильных и низкоценных тестов

Тема 4: Приоритизация регрессионных тестов (regression suite) по рискам, изменениям и сигналам качества

Интеграция ИИ в процесс QA и работу команды

Тема 1: Как встроить ИИ в повседневную работу тестировщика без потери качества

Тема 2: База промптов, шаблоны и переиспользуемые QA-паттерны

Тема 3: Внедрение ИИ в команду: роли, правила, контроль качества и зоны ответственности

Тема 4: Как измерять эффект внедрения: ROI, скорость, качество, покрытие, экономия времени

Тестирование ИИ-функциональности в продукте

Тема 1: Как оценивать качество ИИ-ответов и задавать критерии приемки

Тема 2: Тестирование нестабильности, галлюцинаций и рискованных сценариев

Тема 3: Золотые наборы данных (Golden dataset), атака «красной команды» (red teaming), промпт-инъекции и регрессия ИИ-фич

Тема 4: Мониторинг деградации качества ИИ-функции в разработке и LLM-as-Judge

Проектный модуль

Разработка LLM-workflow для реального QA-процесса

Тема 1: Выбор темы и организация проектной работы // Проектная работа

Тема 2: Консультация по проекту

Тема 3: Защита проектной работы

Тема 4: Подведение итогов курса

Также вы можете получить полную программу, чтобы убедиться, что обучение вам подходит

Проектная работа


На основе умений и знаний полученных в курсе студент выбирает какой проект будет реализовывать. С нашей стороны будет помощь и наставничество в реализации проекта. Проект станет хорошим пополнением вашего портфолио.

Преподаватели

Руководитель курса

Павел Балахонов

VK Tech

Senior QA Automation Engineer

5 лет в Otus
619 занятий
2273 студента

Более 15 лет занимается автоматизацией тестирования. Строит процессы и инструменты по автоматизации тестирования. В настоящий момент занимает позицию руководителя отдела автоматизации тестирования, построенного на базе OpenStack. Занимается адаптацией tempest для коробочной версии облака, выстраиванием процессов автоматизации тестирования и решением задач различной сложности. Отвечает за всю автоматизацию тестирования всех сервисов облака (IAAS, PAAS). Занимается обучением молодых специалистов и является ментором в команде автотестирования приватного облака. - Опыт работы на позиции инженера по автоматизации тестирования более 15 лет - Опыт в построение CI/CD конвейеров - Опыт использования Docker-контейнеров при поставке тестов на различные окружения

Преподает на курсах

  • Автоматизатор тестирования на Java. Базовый уровень
  • Автоматизатор тестирования на Java. Продвинутый уровень
  • Автоматизатор тестирования на Python
  • Инженер по тестированию
  • Автоматизатор тестирования на JavaScript
  • ИИ в тестировании: ускорение процессов и проверка ИИ-функций

Дмитрий Золотов

Yandex

Flutter+Kotlin Developer

6 лет в Otus
899 занятий
5568 студентов

Закончил Российский Государственный Педагогический Университет в 2002-ом году - учитель физики. Руководил межфакультетской лабораторией перспективных информационных технологий в РГПУ им. А. И. Герцена. Участвовал в создании и масштабировании ресурсов для электронного обучения (в т.ч. проект "Российская электронная школа"). Проектировал и разрабатывал высоконагруженные веб-приложения и системы автоматизации. Контрибьютор в проект ReOpenLdap. Разрабатывал архитектуру отказоустойчивых конфигураций гибридного облака на основе Consul и Kubernetes, сервисных сетей, интеграционных платформ с использованием AMQP. Также являюсь преподавателем по компьютерным сетям, DevOps, операционным системам, мультимедиа-технологиям. Руководил отделом автоматизации процессов в финансовой организации, в которой был консультантом и DevOps по миграции систем с использованием облачных технологий, а также разработчиком для Android/iOS. Автор серии вебинаров по Kubernetes и кроссплатформенной разработке: https://www.youtube.com/channel/UCs_AMB-HbhHzMhE0VdBZByg - Опыт работы 23 года - FullStack разработчик (Flutter/Python/Kotlin/GoLang/C++) - DevOps, Системный администратор - Приглашенный преподаватель в ИТМО - Исследователь технологий электронного обучения

Преподает на курсах

  • Highload Architect
  • DevOps практики и инструменты
  • Инфраструктурная платформа на основе Kubernetes
  • Автоматизатор тестирования на Python
  • Автоматизатор тестирования на Kotlin
  • Flutter-разработчик
  • Администрирование PostgreSQL. Экспертный уровень
  • DevOps. Экспертный уровень
  • Инженер по тестированию
  • Безопасность в Kubernetes
  • GA-Highload Architect
  • Системный дизайн для разработчиков - Авиасейлс
  • ИИ в тестировании: ускорение процессов и проверка ИИ-функций
  • SonarQube для ЦБ РФ
  • Java EE / Spring Frameworks / Микросервисная архитектура для Приорбанк

Эксперты-практики делятся опытом, разбирают кейсы студентов и дают развернутый фидбэк на домашние задания

Ближайшие мероприятия

Открытый вебинар — это настоящее занятие в режиме онлайн с преподавателем курса, которое позволяет посмотреть, как проходит процесс обучения. В ходе занятия слушатели имеют возможность задать вопросы и получить знания по реальным практическим кейсам.

Нейросети и глубокое обучение в тестировании ПО: как приручить ИИ
Павел Балахонов
Сегодня инженеры по тестированию всё чаще используют инструменты на базе искусственного интеллекта: для генерации тест-кейсов, анализа логов, подготовки автотестов и автоматизации рутинных задач. Но для эффективной работы с такими инструментами важно понимать не только их возможности, но и принципы работы.
На открытом уроке разберём, как устроены нейронные сети и большие языковые модели, что такое глубокое обучение и каким образом модели находят закономерности в больших объёмах данных. Поговорим о том, какие знания об искусственном интеллекте действительно полезны тестировщику в ежедневной практике и где находятся ограничения подобных систем.

На практических примерах рассмотрим применение искусственного интеллекта в тестировании: прогнозирование дефектов, анализ логов и помощь в автоматизации тестирования.

Что разберём:
Как устроены нейронные сети и большие языковые модели
Что такое глубокое обучение
Как модели обучаются и находят закономерности в данных
Ограничения и типичные ошибки систем искусственного интеллекта
Как инженеры по тестированию используют искусственный интеллект в работе
Анализ логов и прогнозирование дефектов с помощью ИИ
Что важно понимать тестировщику для практической работы с ИИ-инструментами

После вебинара вы сможете:
понимать базовые принципы работы больших языковых моделей;
осознанно использовать инструменты на базе искусственного интеллекта в тестировании;
понимать ограничения и риски работы с ИИ;
видеть практические сценарии применения ИИ в тестировании;
увереннее работать с современными инструментами автоматизации и анализа данных.

Кому будет полезно:
инженерам по тестированию и автоматизации тестирования;
специалистам, использующим ИИ-инструменты в ежедневной работе;
тем, кто хочет глубже понимать устройство современных систем искусственного интеллекта;
QA-инженерам, интересующимся практическим применением ИИ в тестировании ПО....
2 июня в 17:00
Открытый вебинар
Тесты, которые чинят себя сами: практика ИИ в UI-тестировании
Дмитрий Золотов
Что будет рассмотрено:
- Карта подходов: генерация тестов из пользовательских сценариев, семантические локаторы вместо XPath, computer-use агенты, self-healing — где какой реально окупается
- Демо в прямом эфире: ломаем UI прямо на сцене и в реальном времени смотрим, как ИИ-пайплайн находит новый локатор, чинит упавший тест и создаёт PR с диком
- Тёмная сторона: когда ИИ маскирует регрессию, как считать стоимость прогона и где контроль со стороны инженера остаётся обязательным

Что сможете делать после:
- Выбрать подход к ИИ-автоматизации под свою боль, а не под хайп
- Собрать MVP self-healing слоя на своём стеке за выходные — принципы переносятся на любой UI-фреймворк
- Считать экономику автоматизации: сколько токенов уходит на прогон и когда дешевле обойтись без ИИ

Хайпа вокруг ИИ в тестировании много, рабочих практик мало. Разложим подходы по полочкам и покажем один из них вживую — с кодом, метриками и подводными камнями.

Кому будет полезно:
инженерам по тестированию и автоматизации тестирования;
специалистам, использующим ИИ-инструменты в ежедневной работе...
18 июня в 17:00
Открытый вебинар

Этот курс может оплатить ваш работодатель

Обучайтесь за счёт работодателя или разделите оплату 50/50
  • Подробно расскажем об интересующем вас курсе
  • Объясним, как договориться с работодателем
  • Сообщим стоимость обучения и варианты оплаты
  • Ответим на вопросы
  • Предоставим шаблон договора и счёт на оплату

Подтверждение знаний и навыков

OTUS осуществляет лицензированную образовательную деятельность.

Вы получите сертификат о прохождении обучения, а также можете получить удостоверение о повышении квалификации.

После обучения:

  • Удостоверение о повышении квалификации: если вы успешно защитили выпускной проект и готовы предоставить копию документа о высшем или среднем профессиональном образовании

  • Доступ к учебным материалам курса

  • Ваш личный проект, который поможет проходить собеседования

Частые вопросы

Что, если в середине курса я не смогу продолжать обучение?
У вас есть право одного бесплатного трансфера в другую группу
Обязательно ли защищать выпускной проект?
Для получения сертификата OTUS необходимо сдать проект. Кроме того, проект необязательно защищать перед аудиторией, а можно сдать в чате с преподавателем.
Я могу вернуть деньги?
Да, вы можете сделать возврат средств пропорционально оставшимся месяцам обучения.