Курс за обучение по Основи на QA и модерно тестване с AI (Подготовка за ISTQB Foundation)

Модул 1: Основи на осигуряването на качество и тестването

• Дефиниране на качество, осигуряване на качество и тестване
• Седемте принципа на тестване (ISTQB CTFL v4.0)
• Тестване срещу дебъгване срещу контрол на качеството
• Психология на тестването
• Роли и отговорности в QA екип

Модул 2: Жизнен цикъл на разработката на софтуер и тестване

• Фази на жизнения цикъл на софтуерното тестване (STLC)
• Подходи за тестване при Waterfall, Agile, DevOps и CI/CD
• Нива на тестване: модулно, интеграционно, системно, приемателно
• Стратегии за тестване shift-left и shift-right
• Проследимост между изисквания и тестови случаи

Модул 3: Техники за статично тестване

• Прегледи, преминавания и инспекции
• Статичен анализ с помощта на автоматизирани инструменти
• Преглед, базиран на контролни списъци и на роли
• Формални и неформални техники за преглед
• Интегриране на статичното тестване в Agile работни потоци

Модул 4: Тестови техники

• Техники на черната кутия: разделяне на еквивалентности, анализ на гранични стойности
• Тестване с таблици на решенията и тестване на преходи на състояния
• Тестване на случаи на употреба и изследователско тестване
• Техники на бялата кутия: покритие на оператори и решения
• Техники, базирани на опит, и отгатване на грешки

Модул 5: Управление на дефекти

• Жизнен цикъл на дефекта: откриване, докладване, триаж, разрешаване, затваряне
• Писане на ефективни доклади за дефекти с JIRA
• Класификация на дефектите: тежест срещу приоритет
• Техники за анализ на първопричините
• Метрики за дефекти и анализ на тенденции

Модул 6: Управление на тестването и тестване, базирано на риска

• Методи за планиране и оценка на тестване
• Идентифициране, оценка и намаляване на риска
• Мониторинг, контрол и докладване на тестове
• Определяне на критерии за завършване на тестването и условия за изход
• Тестова стратегия и документи за тестова политика, съобразени с ISTQB

Модул 7: Инструменти за тестване и основи на автоматизацията

• Класификация на инструментите за тестване (категории инструменти на ISTQB)
• Ползи и рискове от автоматизацията на тестове
• Избор на инструменти: open-source срещу комерсиални решения
• Въведение в Selenium, Playwright и Cypress
• Изграждане на основен пакет от автоматизирани тестове

Модул 8: Въведение в AI в осигуряването на качество

• Концепции за AI и машинно обучение за тестери
• Таксономия: AI за тестване срещу тестване на AI системи
• Текущ пейзаж на AI тестването: възможности и ограничения
• Качествени характеристики за системи, базирани на AI
• Преглед и релевантност на учебния план ISTQB CT-AI

Модул 9: Генериране на тестови случаи с помощта на AI

• Използване на LLM (ChatGPT, Claude, Copilot) за създаване на тестови случаи
• Техники за инженеринг на промптове за генериране на тестови сценарии
• Превръщане на потребителски истории и критерии за приемане в тестови случаи
• Преглед и валидиране на тестови случаи, генерирани от AI
• Платформи: Testim, Mabl и инструменти за генериране на тестове, базирани на AI

Модул 10: Автоматизация на тестове с помощта на AI

• Самовъзстановяваща се автоматизация на тестове с Katalon Studio AI
• Разпознаване на обекти и локализиране на елементи, управлявано от AI
• Тестване за визуална регресия с Applitools Eyes
• Selenium с AI плъгини за устойчива автоматизация
• Намаляване на разходите за поддръжка с интелигентни локатори

Модул 11: AI за предсказване и анализ на дефекти

• Предсказващ избор на тестове с Launchable и Sealights
• Клъстеризация на грешки и откриване на аномалии с ReportPortal
• Анализ на първопричините с помощта на AI
• Оценка на качествения риск и анализи за пропуски в тестването
• Използване на исторически данни за дефекти за приоритизиране на тестването

Модул 12: Оценка на AI инструменти и CI/CD интеграция

• Критерии за оценка на инструменти за AI тестване
• Анализ на възвращаемостта на инвестициите (ROI) и стратегия за приемане
• Интегриране на инструменти за AI тестване в Jenkins, GitHub Actions, GitLab CI
• Дизайн на pipeline: кога и къде да се изпълняват тестове, захранвани от AI
• Измерване на ефективността на AI тестването с метрики

Модул 13: Етични съображения при тестването, управлявано от AI

• Пристрастия и справедливост в тестовите данни, генерирани от AI
• Загриженост за поверителността при използване на облачно базирани AI инструменти
• Прозрачност и обяснимост на решенията за AI тестване
• Съображения за управление и съответствие
• Отговорни AI практики за QA екипи

Модул 14: Подготовка за изпит ISTQB CTFL

• Структура, продължителност и точкуване на изпита CTFL v4.0
• Типове въпроси и стратегии за отговор
• Разпределение на тежестта на темите в главите на учебния план CTFL
• Практически изпит с примерни въпроси в стил ISTQB
• План за учене и препоръчани ресурси

Модул 15: Финален проект: Цялостен работен поток за тестване, подобрен с AI

• Проектиране на тестови случаи от примерен документ с изисквания
• Използване на AI за генериране и усъвършенстване на тестови сценарии
• Автоматизиране на избрани тестове с инструменти за самовъзстановяване
• Докладване на дефекти и изпълнение на анализ на първопричините, подпомогнат от AI
• Ретроспектива: интегриране на AI в ежедневната QA практика