お問い合わせ
 期間 21 時間

コース概要

QAにおけるAIの入門

  • 人工知能とは何か?
  • 機械学習 vs ディープラーニング vs ルールベースシステム
  • AIによるソフトウェアテストの変遷
  • QAにおけるAIの主な利点と課題

テスターのためのデータとMLの基礎

  • 構造化データと非構造化データの理解
  • 特徴量、ラベル、訓練データセット
  • 教師あり学習と教師なし学習
  • モデル評価の入門(正解率、再現率、適合率など)
  • 実際のQAデータセットの例

QAにおけるAIのユースケース

  • AIによるテストケース生成
  • MLを用いた欠陥予測
  • テスト優先順位付けとリスクベーステスト
  • コンピュータビジョンを活用したビジュアルテスト
  • ログ解析と異常検知
  • テストスクリプト処理における自然言語処理(NLP)

QA向けAIツール

  • AI対応QAプラットフォームの概要
  • QAプロトタイプ作成におけるオープンソースライブラリ(Python、Scikit-learn、TensorFlow、Kerasなど)の利用
  • テスト自動化におけるLLM(大規模言語モデル)の紹介
  • テスト失敗を予測するシンプルなAIモデルの構築

QAワークフローへのAI統合

  • QAプロセスのAI導入準備度(AI-readiness)の評価
  • 継続的統合とAI:CI/CDパイプラインにインテリジェンスを埋め込む方法
  • インテリジェントなテストスイートの設計
  • AIモデルドリフトの管理と再訓練サイクル
  • AI活用テストにおける倫理的配慮

ハンズオンラボとキャプストーンプロジェクト

  • ラボ1:AIを用いたテストケース生成の自動化
  • ラボ2:過去のテストデータを用いた欠陥予測モデルの構築
  • ラボ3:LLMを用いたテストスクリプトのレビューと最適化
  • キャプストーン:AI活用テストパイプラインのエンドツーエンド実装

要求

参加者には以下が求められます:

  • ソフトウェアテスト/QA業務における2年以上の実務経験
  • テスト自動化ツール(Selenium、JUnit、Cypressなど)の知識
  • プログラミングの基礎知識(PythonまたはJavaScriptが望ましい)
  • バージョン管理ツールおよびCI/CDツール(Git、Jenkinsなど)の実務経験
  • AI/MLの既往経験は必須ではありませんが、好奇心と実験 willingness(試行錯誤する意欲)が重要です

参加者の人数


参加者1人あたりの価格

お客様の声 (3)

今後のコース

関連カテゴリー