ИИ в тестировании: ускорение процессов и проверка ИИ-функций

Тестирование

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: Консультация по проекту

Тема 2: Защита проектной работы

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.

Преподаватель

Павел Балахонов

VK Tech

Senior QA Automation Engineer

5 лет в Otus

615 занятий

2254 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

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

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

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

Подробнее о корпоративном обучении

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.