ИИ в тестировании: ускорение процессов и проверка ИИ-функций

В этом модуле вы разберёте, что такое LLM и рассмотрите наиболее популярные модели на примере решения типовых задач QA. Также поймёте, как выбрать модель для решения конкретной задачи, и с какими корпоративными ограничениями вы можете столкнуться.

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

В этом модуле вы научитесь писать тестовую документацию при помощи ИИ. А также разберёте, как структурировать тестовую документацию, и какие модели выбрать для решения данной задачи.

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

В этом модуле вы научитесь использовать ИИ в тестировании и генерации дефектов. Рассмотрите, как с помощью ML-моделей генерировать простые API-автотесты на основе Swagger. Разберёте, как создавать баг-репорты с добавлением стектрейсов сервиса с ошибкой и дополнительными данными. Это поможет понять причины того, почему сервис работает не так, как ожидается А также, вы изучите, какие модели применять для решения данных задач.

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

В этом модуле вы изучите, как использовать ИИ в автоматизации тестирования и как генерировать автотесты, используя ИИ. Вы научитесь писать промпты для ИИ и тестировать их качество. А также разберёте, как интегрировать LLM-workflow в CI/CD.

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

В этом модуле вы изучите, как с помощью ИИ автоматизировать процесс ревью автотестов, как ускорить автотесты за счёт уменьшения пула автотестов после анализа и как проставлять приоритеты в регрессионных наборах.

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

В этом модуле вы изучите, как интегрировать ИИ в команду QA и как использовать ИИ для решения повседневных задач QA-инженера.

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

В этом модуле вы изучите тестирование ИИ-моделей. А именно: как выявлять промпт-инъекции и избегать их, а также как проводить регрессионное тестирование ИИ-фич.

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

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