A minőségbiztosítás és a modern, mesterséges intelligenciával támogatott tesztelés alapjai (ISTQB Foundation felkészítő) Képzés

A minőségbiztosítás és a tesztelés alapjai

• A minőség, a minőségbiztosítás és a tesztelés meghatározása
• A hét tesztelési alapelv (ISTQB CTFL v4.0)
• Tesztelés kontra hibakeresés kontra minőség-ellenőrzés
• A tesztelés pszichológiája
• Szerepek és felelősségi körök egy minőségbiztosítási csapatban

Szoftverfejlesztési életciklus és tesztelés

• A szoftvertesztelési életciklus (STLC) fázisai
• Vízesés, agilis, DevOps és CI/CD tesztelési megközelítések
• Tesztszintek: egység, integrációs, rendszer, átvételi
• Balra és jobbra tolt tesztelési stratégiák
• Nyomonkövethetőség a követelmények és a tesztesetek között

Statikus tesztelési technikák

• Áttekintések, végigjárások és ellenőrzések
• Statikus elemzés automatizált eszközökkel
• Ellenőrzőlista-alapú és szerepkör-alapú áttekintés
• Formális és informális áttekintési technikák
• A statikus tesztelés integrálása az agilis munkafolyamatokba

Tesztelési technikák

• Fekete doboz technikák: ekvivalenciaosztályok, határérték-elemzés
• Döntési tábla tesztelés és állapotátmenet tesztelés
• Használati eset tesztelés és felderítő tesztelés
• Fehér doboz technikák: utasítás- és döntéslefedettség
• Tapasztalat alapú technikák és hibatalálgatás

Hibakezelés

• A hiba életciklusa: észlelés, jelentés, osztályozás, megoldás, lezárás
• Hatékony hibajelentések készítése a JIRA segítségével
• A hiba súlyosságának és prioritásának osztályozása
• Gyökérokelemzési technikák
• Hibametrikák és trendelemzés

Tesztkezelés és kockázatalapú tesztelés

• Teszttervezési és becslési módszerek
• Kockázatok azonosítása, értékelése és mérséklése
• A tesztelés nyomon követése, ellenőrzése és jelentése
• A tesztelés befejezési kritériumainak és kilépési feltételeinek meghatározása
• ISTQB-vel összehangolt tesztstratégiai és tesztpolitikai dokumentumok

Teszteszközök és az automatizálás alapjai

• A teszteszközök osztályozása (ISTQB eszközkategóriák)
• A teszt automatizálás előnyei és kockázatai
• Eszközök kiválasztása: nyílt forráskódú kontra kereskedelmi megoldások
• Bevezetés a Selenium, a Playwright és a Cypress használatába
• Alapszintű automatizált tesztkészlet felépítése

Bevezetés a mesterséges intelligenciába a minőségbiztosításban

• A mesterséges intelligencia és a gépi tanulás fogalmai tesztelők számára
• Taxonómia: tesztelés mesterséges intelligenciával kontra mesterséges intelligencia rendszerek tesztelése
• A mesterséges intelligenciával támogatott tesztelés jelenlegi helyzete: lehetőségek és korlátok
• Minőségi jellemzők a mesterséges intelligencia alapú rendszerek esetében
• Az ISTQB CT-AI tananyag áttekintése és jelentősége

Mesterséges intelligenciával támogatott teszteset-generálás

• Nagy nyelvi modellek (ChatGPT, Claude, Copilot) használata tesztesetek vázlatainak elkészítéséhez
• Prompttervezési technikák tesztforgatókönyvek generálásához
• Felhasználói történetek és elfogadási kritériumok átalakítása tesztesetekké
• A mesterséges intelligencia által generált tesztesetek áttekintése és validálása
• Platformok: Testim, Mabl és mesterséges intelligenciára épülő tesztgeneráló eszközök

Mesterséges intelligenciával támogatott teszt automatizálás

• Öngyógyító teszt automatizálás a Katalon Studio AI segítségével
• Mesterséges intelligencia által vezérelt objektumfelismerés és elemhely-meghatározás
• Vizuális regressziós tesztelés az Applitools Eyes segítségével
• Selenium mesterséges intelligencia bővítményekkel az ellenálló automatizálásért
• A karbantartási terhek csökkentése intelligens lokátorokkal

Mesterséges intelligencia a hibaelőrejelzéshez és -elemzéshez

• Prediktív tesztkiválasztás a Launchable és a Sealights segítségével
• Hibacsoportosítás és anomáliadetektálás a ReportPortal segítségével
• Mesterséges intelligenciával támogatott gyökérokelemzés
• Minőségi kockázati pontozás és tesztlefedettségi rés elemzése
• Korábbi hibaadatok használata a tesztelés priorizálásához

Mesterséges intelligencia eszközök értékelése és CI/CD integráció

• A mesterséges intelligencia tesztelési eszközök értékelésének kritériumai
• ROI-elemzés és bevezetési stratégia
• Mesterséges intelligencia tesztelési eszközök integrálása a Jenkins, a GitHub Actions és a GitLab CI rendszerekbe
• Folyamattervezés: mikor és hol futtassunk mesterséges intelligenciával működő teszteket
• A mesterséges intelligenciával támogatott tesztelés hatékonyságának mérése metrikákkal

Etikai megfontolások a mesterséges intelligencia által vezérelt tesztelésben

• Elfogultság és méltányosság a mesterséges intelligencia által generált tesztadatokban
• Adatvédelmi aggályok felhőalapú mesterséges intelligencia eszközök használatakor
• A mesterséges intelligencia tesztelési döntéseinek átláthatósága és magyarázhatósága
• Irányítási és megfelelőségi megfontolások
• Felelős mesterséges intelligencia gyakorlatok minőségbiztosítási csapatok számára

ISTQB CTFL vizsgafelkészítés

• A CTFL v4.0 vizsga felépítése, időtartama és pontozása
• Kérdéstípusok és válaszadási stratégiák
• A témakörök súlyozott eloszlása a CTFL tananyag fejezetei között
• Gyakorló vizsga ISTQB-stílusú mintakérdésekkel
• Tanulási ütemterv és ajánlott források

Záróprojekt: Teljes körű, mesterséges intelligenciával továbbfejlesztett tesztelési munkafolyamat

• Tesztesetek tervezése egy mintakövetelmény-dokumentum alapján
• Mesterséges intelligencia használata tesztforgatókönyvek generálásához és finomításához
• Kiválasztott tesztek automatizálása öngyógyító eszközökkel
• Hibák jelentése és mesterséges intelligenciával támogatott gyökérokelemzés futtatása
• Retrospektív: a mesterséges intelligencia beépítése a napi minőségbiztosítási gyakorlatba