Grundläggande principer för kvalitetsassurance och modern testning med AI (förberedelse för ISTQB Foundation) Träningskurs

Modul 1: Grunderna för kvalitetsassurance och testning

• Att definiera kvalitet, kvalitetsassurance (QA) och testning
• De sju testprinciperna (ISTQB CTFL v4.0)
• Testning jämfört med felsökning och kvalitetskontroll
• Psykologin bakom testning
• Roller och ansvar i ett QA-team

Modul 2: Mjukvaruutvecklingslivscykel och testning

• Faserna i mjukvarutestningslivscykeln (STLC)
• Vattfall, Agile, DevOps och CI/CD-teststrategier
• Testnivåer: enhetstest, integrationstest, systemtest och acceptanstest
• Strategier för 'shift-left' och 'shift-right' testning
• Sporbarhet mellan krav och testfall

Modul 3: Statiska testtekniker

• Genomgångar (reviews), genomlöpningar och inspektioner
• Statisk analys med hjälp av automatiserade verktyg
• Checklistbaserad och rollbaserad granskning
• Formella och informella granskningsmetoder
• Integrering av statisk testning i Agile-arbetsflöden

Modul 4: Testtekniker

• Svartask-tekniker: ekvivalensklassindela och gränsvärdesanalys
• Testning med hjälp av beslutsbord och tillståndsovergångar
• Användningsfallstestning och utforskande testning
• Vitask-tekniker: påståendetäckning och beslutstäckning
• Erfarenhetsbaserade tekniker och gissning av fel

Modul 5: Hantering av fel

• Felens livscykel: upptäckt, rapportering, prioritering, lösning och avslut
• Skriv effektiva felrapporter med JIRA
• Skillnaden mellan allvarlighetsgrad (severity) och prioritet vid felklassificering
• Tekniker för rotorsaksanalys
• Felmätetal och trendanalys

Modul 6: Testhantering och riskbaserad testning

• Testplanering och uppskogningsmetoder
• Identifiering, bedömning och minskning av risker
• Övervakning, kontroll och rapportering av tester
• Definiera kriterier för testavslut och utträdesvillkor
• ISTQB-överensstämmande dokument för teststrategi och testpolicy

Modul 7: Testverktyg och grunderna i automatisering

• Klassificering av testverktyg (ISTQB:s verktygskategorier)
• Fördelar och risker med testautomatisering
• Välja verktyg: open source jämfört med kommersiella lösningar
• Introduktion till Selenium, Playwright och Cypress
• Bygga ett grundläggande automatiserat testsuite

Modul 8: Introduktion till AI i kvalitetsassurance

• Koncept kring AI och maskininlärning för testare
• Taxonomi: AI för testning kontra testning av AI-system
• Det nuvarande landskapet för AI-testning: möjligheter och begränsningar
• Kvalitetskarakteristika för AI-baserade system
• Översikt över ISTQB CT-AI-syllabus och dess relevans

Modul 9: AI-stött generering av testfall

• Använda LLMs (ChatGPT, Claude, Copilot) för att utforma testfall
• Prompt-engineering-tekniker för att generera testszenarier
• Att konvertera användarhistorik och acceptanskriterier till testfall
• Granska och validera AI-genererade testfall
• Plattformar: Testim, Mabl och andra AI-native verktyg för testskapande

Modul 10: AI-stött testautomation

• Självreparerande testautomation med Katalon Studio AI
• AI-driven objektigenkänning och lokalisering av element
• Visuell regressionstestning med Applitools Eyes
• Selenium med AI-plugins för robust automatisering
• Minska underhållsarbetet med intelligenta lokatorer

Modul 11: AI för felprognos och analys

• Prediktiv testval genom Launchable och Sealights
• Felklusteranalys och anomalidetektion med ReportPortal
• AI-stött rotorsaksanalys
• Kvalitetsriskscoring och analys av testluckor
• Använda historisk felsdata för att prioritera testning

Modul 12: Utvärdering av AI-verktyg och integrering i CI/CD

• Kriterier för att utvärdera AI-testverktyg
• ROI-analys och adoptionsstrategi
• Integrera AI-testverktyg i Jenkins, GitHub Actions och GitLab CI
• Pipelinedesign: när och var du ska köra AI-drivna tester
• Mäta effektiviteten hos AI-testning med hjälp av mätetal

Modul 13: Etiska överväganden i AI-driven testning

• Fördomar och rättvisa i AI-genererade testdata
• Integritetsfrågor vid användning av molnbaserade AI-verktyg
• Transparens och förklarbarhet hos AI-testbeslut
• Omfattande hanterings- och efterlevnadskrav
• Sansad AI-praxis för QA-team

Modul 14: Förberedelse för ISTQB CTFL-examen

• Struktur, varaktighet och poängsättning för CTFL v4.0-examen
• Frågetyper och strategier för att besvara dem
• Fördelning av ämnesvikt över kapitel i CTFL-läroplanen
• Övningsprov med exempel på frågor i ISTQB-stil
• Studieväg och rekommenderade resurser

Modul 15: Sammanfattande projekt: End-to-end AI-förbättrad testningsarbetsflöde

• Konstruktion av testfall från ett exempel på en kravspecifikation
• Använda AI för att generera och förfinar testszenarier
• Automatisera valda tester med hjälp av självreparerande verktyg
• Rapportera fel och köra AI-stött rotorsaksanalys
• Retrospektiv: integrera AI i den dagliga QA-praxisen