コース概要

モジュール1: QAにおけるAIの導入

  • 人工知能とは何か
  • 機械学習とディープラーニング、ルールベースシステムとの比較
  • AIと共に進化するソフトウェアテスト
  • QAにおけるAIの主要な利点と課題

モジュール2: テスター向けデータと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、およびトレーニングデータセット
  • 監督学習と非監督学習
  • モデル評価の概要(精度、適合率、再現率など)
  • 実世界のQAデータセット

モジュール3: QAにおけるAIのユースケース

  • AIを活用したテストケース生成
  • MLを使用した欠陥予測
  • テストの優先順位付けとリスクベースのテスト
  • コンピュータビジョンを活用した視覚的なテスト
  • ログ分析と異常検知
  • テストスクリプトの自然言語処理(NLP)

モジュール4: QA向けAIツール

  • AI搭載QAプラットフォームの概要
  • オープンソースライブラリ(例: Python, Scikit-learn, TensorFlow, Keras)を用いたQAプロトタイプ
  • テスト自動化におけるLLMの導入
  • テスト失敗予測モデルの簡単な構築

モジュール5: QAワークフローへのAI統合

  • あなたのQAプロセスのAI対応度評価
  • CI/CDとAI: 知能をCI/CDパイプラインに組み込む方法
  • 智能化されたテストスイートの設計
  • AIモデルのドリフト管理と再学習サイクル
  • AIを活用したテストにおける倫理的考慮事項

モジュール6: 実践的なラボと最終プロジェクト

  • ラボ1: AIを用いたテストケース生成の自動化
  • ラボ2: 歴史的なテストデータを使用し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
  • 最終プロジェクト: AIを活用したテストパイプラインのエンドツーエンド実装

要求

参加者は以下の条件を満たしていることが期待されます:

  • ソフトウェアテスト/QAの役割で2年以上の経験
  • テスト自動化ツール(例: Selenium, JUnit, Cypress)の使用経験
  • 基本的なプログラミング知識(PythonやJavaScriptが望ましい)
  • バージョン管理およびCI/CDツール(例: Git, Jenkins)の使用経験
  • AI/MLの事前知識は不要だが、好奇心と実験する意志が重要
 21 時間

参加者の人数


参加者1人あたりの価格

お客様の声 (5)

今後のコース

関連カテゴリー