Использование ИИ в тест-дизайне, документации и автоматизации, а также проверка ИИ-функций продукта.
Использование ИИ в тест-дизайне, документации и автоматизации, а также проверка ИИ-функций продукта. Кому адресована программа: практикующим тестировщикам и QA-инженерам.
Обучение охватывает следующие темы: Как тестировщику работать с LLM осознанно; Ускорение тест-дизайна и документации с помощью ИИ; ИИ в ручном тестировании и работе с багами; ИИ в автоматизации: как ускорять автотесты без потери управляемости; Оптимизация автотестов и набор регрессионных тестов (regression suite) с помощью ИИ. Далее изучаются: Интеграция ИИ в процесс QA и работу команды; Тестирование ИИ-функциональности в продукте; Проектный модуль.
Практикующим тестировщикам и QA-инженерам.
Как устроены LLM и что тестировщику важно понимать для практической работы; Основы нейронных сетей и LLM; Сравнение ChatGPT, Claude, Gemini, YandexGPT и Qwen на типовых QA-задачах; Как выбирать модель под задачу, данные и корпоративные ограничения.
Генерация чек-листов, тест-кейсов и сценариев из требований; Подготовка и структурирование тестовой документации с помощью ИИ; Автоматизация отчётов по результатам тестирования.
Генерация тест-данных для реальных и пограничных (edge-case) сценариев; Применение ML моделей для генерации API автотестов на основании OpenAPI; Генерация пользовательских и негативных сценариев для исследовательского тестирования; Подготовка воспроизводимых и содержательных баг-репортов.
Где ИИ реально помогает в автоматизации тестирования, а где создает ложную экономию; Генерация API-автотестов и контрактных проверок на основе OpenAPI; Запрос-как-код (Prompt-as-code): хранение, версионирование и переиспользование промпт-шаблонов; Как валидировать качество промптов: A/B-подход и критерии сравнения.
Ревью автотестов: поиск слабых мест, антипаттернов и рисков сопровождения; Поиск дублирующих и пересекающихся тестовых сценариев; Обнаружение мертвых, нестабильных и низкоценных тестов; Приоритизация регрессионных тестов (regression suite) по рискам, изменениям и сигналам качества.
Как встроить ИИ в повседневную работу тестировщика без потери качества; База промптов, шаблоны и переиспользуемые QA-паттерны; Внедрение ИИ в команду: роли, правила, контроль качества и зоны ответственности; Как измерять эффект внедрения: ROI, скорость, качество, покрытие, экономия времени.
Как оценивать качество ИИ-ответов и задавать критерии приемки; Тестирование нестабильности, галлюцинаций и рискованных сценариев; Золотые наборы данных (Golden dataset), атака «красной команды» (red teaming), промпт-инъекции и регрессия ИИ-фич; Мониторинг деградации качества ИИ-функции в разработке и LLM-as-Judge.
Выбор темы и организация проектной работы // Проектная работа; Консультация по проектам и домашним заданиям; Защита проектной работы; Подведение итогов курса.
OTUS специализируется на онлайн-образовании в ИТ. Направления школы включают разработку, тестирование, инфраструктуру, информационную безопасность, управление и Data Science. Программы рассчитаны на разные уровни подготовки — от начальных до профессиональных.
ИИ в разработке ПО
Работа с Claude Code для рутины, файлов и рабочих сервисов с подключением MCP и n8n.
ИИ в разработке ПО
Комплексное применение ИИ от промптинга и контента до вайбкодинга и агентов.
ИИ в разработке ПО
Инженерия LLM-систем: RAG, агенты, развёртывание и наблюдаемость рабочего ИИ-сервиса.
ИИ в разработке ПО
Эксплуатация ИИ-агентов: трассировка, оценки качества, надёжность, управление автономностью и безопасность.
