課程簡介
業(yè)界普遍問題——將在課程中要逐一解決：
?大模型及RAG到底是什么？有什么用？
?AI + 自動化測試的具體實現(xiàn)是怎樣的？
?大模型測試有哪些具體優(yōu)勢？又有哪些局限？
?如何進行大模型快速環(huán)境部署？及測試數(shù)據(jù)生成？
?自動化測試是不是只解決回歸測試或功能測試，是否可全線覆蓋各種測試類型（例如性能測試、壓力測試、安全測試等自動化如何做）？
?如何使用自動化測試來實施TDD（測試驅(qū)動開發(fā)）？
?自動化測試的具體實現(xiàn)是怎樣的？希望有實際案例、及細(xì)節(jié)實現(xiàn)過程
?如何提高自動化測試的技術(shù)復(fù)用性？
如何進行數(shù)據(jù)驅(qū)動測試？以及自動化測試的架構(gòu)最佳實踐？
目標(biāo)收益
1.有當(dāng)堂真實自動化運行演示，所有真實實現(xiàn)的自動化技術(shù)均來自講師的實際工作成果
2.分享建立私有大模型及RAG的實戰(zhàn)經(jīng)驗，講解LLM運用RAG自動生成測試案例及分析結(jié)果的分層實現(xiàn)技術(shù)
3.講師實際編寫過多個自動化測試工具，會分享多種自動化工具的定位和集成效能，所以不依賴特定自動化工具，學(xué)員將會系統(tǒng)化學(xué)習(xí)從自動化的框架層、到工具層、到用例封裝的技術(shù)實現(xiàn)
4.因為本課程并非編程課，所以對學(xué)員并不要求編程基礎(chǔ)。但學(xué)員最好有基本的技術(shù)意識。例如，上學(xué)期間學(xué)過基礎(chǔ)類的軟件知識。以便可以理解技術(shù)設(shè)計思想
培訓(xùn)對象
1、技術(shù)團隊成員：尤其是負(fù)責(zé)質(zhì)量保證（QA）、測試工程師、持續(xù)集成/持續(xù)交付（CI/CD）流程的專業(yè)人員。他們可能對AI技術(shù)有所了解，但希望深入學(xué)習(xí)如何將這些技術(shù)應(yīng)用于實際的測試和質(zhì)量保證流程中。
2、軟件開發(fā)團隊成員：包括開發(fā)人員、產(chǎn)品經(jīng)理、項目經(jīng)理等，他們對提高軟件開發(fā)過程中的測試效率和質(zhì)量感興趣。這些人員希望通過學(xué)習(xí)AI在測試中的應(yīng)用，來提升軟件產(chǎn)品的整體質(zhì)量和交付速度。
3、對AI技術(shù)感興趣的技術(shù)愛好者：他們可能并不直接從事測試工作，但對生成式AI、大模型技術(shù)等領(lǐng)域感興趣，并希望了解這些技術(shù)在特定行業(yè)（如軟件測試）中的實際應(yīng)用。
4、尋求技術(shù)轉(zhuǎn)型或提升的專業(yè)人士：包括希望從傳統(tǒng)測
課程大綱
|
AI大模型在質(zhì)量測試的應(yīng)用總覽 本章介紹生成式AI在質(zhì)量測試領(lǐng)域有哪些應(yīng)用落地點，尤其是對App移動端測試、性能測試、整體測試技巧完善、測試效能提升等方面都有哪些應(yīng)用 |
（1）大模型技術(shù)在App測試的應(yīng)用 （2）基于AI視覺分析的App前端測試自動化 （3）大模型輔助移動端性能測試指標(biāo)分析、趨勢監(jiān)察、瓶頸定位 （4）大模型輔助移動端需求分析及檢測測試用例對需求的覆蓋率 （5）通過大模型檢索設(shè)計標(biāo)準(zhǔn)核對，加強合規(guī)性檢查及設(shè)計缺陷預(yù)防 （6）大模型輔助移動端測試用例設(shè)計及邊界檢查 （7）生成式AI輔助缺陷報告生成 （8）大模型輔助質(zhì)量管理關(guān)鍵信息檢索和追蹤 |
|
系統(tǒng)理解生成式AI和大模型 隨著大模型的爆發(fā)式增長，AI技術(shù)對各行業(yè)生產(chǎn)力的提高開始顯現(xiàn)巨大的影響，某些領(lǐng)域的工作方式和思維方式都在AI加持之下產(chǎn)生巨變?，F(xiàn)代企業(yè)的技術(shù)團隊需要對生成式AI有一個系統(tǒng)全面的理解 |
（1）何為生成式AI （AIGC）、與傳統(tǒng)AI的本質(zhì)區(qū)別是什么 （2）AIGC領(lǐng)域的重要應(yīng)用——LLM（大模型） （3）由AI視角解釋LLM大模型工作原理：分別詳述“L”-“Language”-“Model”技術(shù)原理 （4）理清大模型的核心概念和相互關(guān)系：Token、向量、嵌入、Transformer等 （5）有哪些好用的大模型：Chat GPT以及類似的中英文開源大模型 （6）每一個“我”如何在龐大的AI生態(tài)系統(tǒng)中找準(zhǔn)自己的定位 |
|
搭建你的定制專屬大模型+增強檢索RAG 學(xué)習(xí)和理解生成式AI以及大模型是為了更好地應(yīng)用到自己企業(yè)或部門以解決實際問題或提高生產(chǎn)力。僅靠通用大模型并不能深入滿足特定企業(yè)或崗位的應(yīng)用，例如，如何使用大模型增強QA測試能力、項目管理能力、開發(fā)效率、財務(wù)分析能力等。本章介紹為使得大模型在具體企業(yè)或崗位應(yīng)用落地需要學(xué)習(xí)和理解的RAG技術(shù)的必要性和知識準(zhǔn)備 |
（1）通用大模型vs私有大模型，及應(yīng)該如何選擇 （2）哪些情況需要企業(yè)搭建針對性的私有大模型 （3）構(gòu)建私有大模型的核心條件和準(zhǔn)備工作 （4）搭建私有大模型的關(guān)鍵步驟、順序、及依賴關(guān)系 （5）深入理解：大模型訓(xùn)練vs模型微調(diào)vs增強檢索RAG的核心區(qū)別、實施成本、實施難度、和應(yīng)用場景定位 （6）大模型具體應(yīng)用落地的重要抓手——RAG （7）RAG技術(shù)詳解：RAG數(shù)據(jù)集合、RAG分塊策略、RAG模型嵌入 （8）大模型智能體內(nèi)部解剖 （9）大模型的幻覺及閾值調(diào)試 （10）實施：私有大模型的算力要求和投入估算 |
|
基于AI輔助的測試用例生成及優(yōu)化 本章介紹基于生成式AI進行測試用例的生成、優(yōu)化、范式保證、以及結(jié)構(gòu)化優(yōu)化的應(yīng)用 |
（1）運用AI進行等價類用例設(shè)計 （2）運用AI可極大提升邊界值用例設(shè)計效率 （3）運用AI進行用例格式規(guī)范檢查 （4）利用大模型對大規(guī)模測試用例進行結(jié)構(gòu)化分層、提高復(fù)用率 |
|
AI大模型對QA結(jié)果的自動分析和歸納總結(jié) 在實際工作中構(gòu)建了兩套大規(guī)模自動化實驗室和私有大模型+RAG知識管理系統(tǒng)。這一章讓我們先一起來看一下一套實際運行的自動化及持續(xù)集成系統(tǒng)加持AI大模型分析后的真實應(yīng)用是怎樣的以及效果如何。對整體的設(shè)計思路和目的性有一個系統(tǒng)認(rèn)識，然后從下一模塊開始展開細(xì)節(jié)，講解如何進行技術(shù)實現(xiàn)的 |
（1）應(yīng)用大模型基于大量原始測試數(shù)據(jù)生成測試報告和關(guān)鍵信息提取 （2）基于AI大模型分析的數(shù)據(jù)統(tǒng)計及數(shù)據(jù)挖掘，如何自定義及實現(xiàn)一套Dashboard （3）通過AI大模型來快速精準(zhǔn)定位整個系統(tǒng)的質(zhì)量弱點，為敏捷測試及持續(xù)交付提供AI分析 （4）AI統(tǒng)計通過率、各種Top10及缺陷與用例的關(guān)聯(lián) （5）大規(guī)模自動化測試及數(shù)據(jù)分析的實際演示與詳解 |
|
AI對自動化測試的輔助 這一章是AI助力自動化測試的重要實戰(zhàn)部分，將對每一種測試方法的重點、難點和實施技巧進行講解，用一個真實的企業(yè)級軟件項目作為案例，講解如何在一個真實項目中逐一實施這些測試方法的自動化 |
（1）適配AI應(yīng)用的自動化架構(gòu)框架設(shè)計 （2）應(yīng)用大模型生成測試腳本 （3）應(yīng)用大模型生成數(shù)據(jù)驅(qū)動的自動化數(shù)據(jù)文件 （4）基于AI圖像識別的UI或App前端自動化 （5）性能測試的自動化的難點及數(shù)據(jù)分析 （6）全球化和本地化測試的自動化（適用于多語言或定制開發(fā)項目） |
|
AI在測試領(lǐng)域落地的流程支撐 AI大模型并非萬能，對于輸入數(shù)據(jù)、尤其是需求的清晰度和嚴(yán)謹(jǐn)度提出了更高的要求。本章將分享講師在真實項目中打磨的實戰(zhàn)方法，此方法已經(jīng)在多個團隊實施，有著非常好的實際結(jié)果 |
（1）AI大模型助力測試領(lǐng)域的工作模式和質(zhì)量標(biāo)準(zhǔn)先決條件 （2）需求數(shù)據(jù)的質(zhì)量如何管控？管控方法實踐分享 （3）高質(zhì)量輸入數(shù)據(jù)對AI生成測試用例的實戰(zhàn)經(jīng)驗分享 （4）架構(gòu)設(shè)計需不要質(zhì)量？管控方法分享 |
|
從DevOps進化到MLOps 隨著自動化的規(guī)?；瘜崿F(xiàn)，在多維度引入AI可實現(xiàn)各自動化模塊即可單獨運轉(zhuǎn)、有著自己清晰的功能，也可協(xié)同運轉(zhuǎn)成為一個高階自動化系統(tǒng)。從而為敏捷測試及持續(xù)交付提供強力的技術(shù)支撐。AI的引入，對于質(zhì)量保證的技術(shù)、效率、思維方式都產(chǎn)生了巨大的改變！ |
（1）機器學(xué)習(xí)ML+DevOps總體建設(shè)思路 （2）AI+自動化測試+持續(xù)集成的運行部署策略 （3）測試環(huán)境及測試數(shù)據(jù)的自動化部署 （4）Pass Rate：測試活動的重要標(biāo)準(zhǔn) （5）AI輔助分析代碼覆蓋率檢查 （6）AI輔助自動化測試的缺陷跟蹤 （7）AI輔助分析多機器池自動化部署及優(yōu)化 （8）如何將AI+大規(guī)模自動化+版本控制+持續(xù)集成部署為一個復(fù)雜完備的大型質(zhì)量保證體系，從而實現(xiàn)MLOps |
|
AI大模型在質(zhì)量測試的應(yīng)用總覽 本章介紹生成式AI在質(zhì)量測試領(lǐng)域有哪些應(yīng)用落地點，尤其是對App移動端測試、性能測試、整體測試技巧完善、測試效能提升等方面都有哪些應(yīng)用 （1）大模型技術(shù)在App測試的應(yīng)用 （2）基于AI視覺分析的App前端測試自動化 （3）大模型輔助移動端性能測試指標(biāo)分析、趨勢監(jiān)察、瓶頸定位 （4）大模型輔助移動端需求分析及檢測測試用例對需求的覆蓋率 （5）通過大模型檢索設(shè)計標(biāo)準(zhǔn)核對，加強合規(guī)性檢查及設(shè)計缺陷預(yù)防 （6）大模型輔助移動端測試用例設(shè)計及邊界檢查 （7）生成式AI輔助缺陷報告生成 （8）大模型輔助質(zhì)量管理關(guān)鍵信息檢索和追蹤 |
|
系統(tǒng)理解生成式AI和大模型 隨著大模型的爆發(fā)式增長，AI技術(shù)對各行業(yè)生產(chǎn)力的提高開始顯現(xiàn)巨大的影響，某些領(lǐng)域的工作方式和思維方式都在AI加持之下產(chǎn)生巨變?，F(xiàn)代企業(yè)的技術(shù)團隊需要對生成式AI有一個系統(tǒng)全面的理解 （1）何為生成式AI （AIGC）、與傳統(tǒng)AI的本質(zhì)區(qū)別是什么 （2）AIGC領(lǐng)域的重要應(yīng)用——LLM（大模型） （3）由AI視角解釋LLM大模型工作原理：分別詳述“L”-“Language”-“Model”技術(shù)原理 （4）理清大模型的核心概念和相互關(guān)系：Token、向量、嵌入、Transformer等 （5）有哪些好用的大模型：Chat GPT以及類似的中英文開源大模型 （6）每一個“我”如何在龐大的AI生態(tài)系統(tǒng)中找準(zhǔn)自己的定位 |
|
搭建你的定制專屬大模型+增強檢索RAG 學(xué)習(xí)和理解生成式AI以及大模型是為了更好地應(yīng)用到自己企業(yè)或部門以解決實際問題或提高生產(chǎn)力。僅靠通用大模型并不能深入滿足特定企業(yè)或崗位的應(yīng)用，例如，如何使用大模型增強QA測試能力、項目管理能力、開發(fā)效率、財務(wù)分析能力等。本章介紹為使得大模型在具體企業(yè)或崗位應(yīng)用落地需要學(xué)習(xí)和理解的RAG技術(shù)的必要性和知識準(zhǔn)備 （1）通用大模型vs私有大模型，及應(yīng)該如何選擇 （2）哪些情況需要企業(yè)搭建針對性的私有大模型 （3）構(gòu)建私有大模型的核心條件和準(zhǔn)備工作 （4）搭建私有大模型的關(guān)鍵步驟、順序、及依賴關(guān)系 （5）深入理解：大模型訓(xùn)練vs模型微調(diào)vs增強檢索RAG的核心區(qū)別、實施成本、實施難度、和應(yīng)用場景定位 （6）大模型具體應(yīng)用落地的重要抓手——RAG （7）RAG技術(shù)詳解：RAG數(shù)據(jù)集合、RAG分塊策略、RAG模型嵌入 （8）大模型智能體內(nèi)部解剖 （9）大模型的幻覺及閾值調(diào)試 （10）實施：私有大模型的算力要求和投入估算 |
|
基于AI輔助的測試用例生成及優(yōu)化 本章介紹基于生成式AI進行測試用例的生成、優(yōu)化、范式保證、以及結(jié)構(gòu)化優(yōu)化的應(yīng)用 （1）運用AI進行等價類用例設(shè)計 （2）運用AI可極大提升邊界值用例設(shè)計效率 （3）運用AI進行用例格式規(guī)范檢查 （4）利用大模型對大規(guī)模測試用例進行結(jié)構(gòu)化分層、提高復(fù)用率 |
|
AI大模型對QA結(jié)果的自動分析和歸納總結(jié) 在實際工作中構(gòu)建了兩套大規(guī)模自動化實驗室和私有大模型+RAG知識管理系統(tǒng)。這一章讓我們先一起來看一下一套實際運行的自動化及持續(xù)集成系統(tǒng)加持AI大模型分析后的真實應(yīng)用是怎樣的以及效果如何。對整體的設(shè)計思路和目的性有一個系統(tǒng)認(rèn)識，然后從下一模塊開始展開細(xì)節(jié)，講解如何進行技術(shù)實現(xiàn)的 （1）應(yīng)用大模型基于大量原始測試數(shù)據(jù)生成測試報告和關(guān)鍵信息提取 （2）基于AI大模型分析的數(shù)據(jù)統(tǒng)計及數(shù)據(jù)挖掘，如何自定義及實現(xiàn)一套Dashboard （3）通過AI大模型來快速精準(zhǔn)定位整個系統(tǒng)的質(zhì)量弱點，為敏捷測試及持續(xù)交付提供AI分析 （4）AI統(tǒng)計通過率、各種Top10及缺陷與用例的關(guān)聯(lián) （5）大規(guī)模自動化測試及數(shù)據(jù)分析的實際演示與詳解 |
|
AI對自動化測試的輔助 這一章是AI助力自動化測試的重要實戰(zhàn)部分，將對每一種測試方法的重點、難點和實施技巧進行講解，用一個真實的企業(yè)級軟件項目作為案例，講解如何在一個真實項目中逐一實施這些測試方法的自動化 （1）適配AI應(yīng)用的自動化架構(gòu)框架設(shè)計 （2）應(yīng)用大模型生成測試腳本 （3）應(yīng)用大模型生成數(shù)據(jù)驅(qū)動的自動化數(shù)據(jù)文件 （4）基于AI圖像識別的UI或App前端自動化 （5）性能測試的自動化的難點及數(shù)據(jù)分析 （6）全球化和本地化測試的自動化（適用于多語言或定制開發(fā)項目） |
|
AI在測試領(lǐng)域落地的流程支撐 AI大模型并非萬能，對于輸入數(shù)據(jù)、尤其是需求的清晰度和嚴(yán)謹(jǐn)度提出了更高的要求。本章將分享講師在真實項目中打磨的實戰(zhàn)方法，此方法已經(jīng)在多個團隊實施，有著非常好的實際結(jié)果 （1）AI大模型助力測試領(lǐng)域的工作模式和質(zhì)量標(biāo)準(zhǔn)先決條件 （2）需求數(shù)據(jù)的質(zhì)量如何管控？管控方法實踐分享 （3）高質(zhì)量輸入數(shù)據(jù)對AI生成測試用例的實戰(zhàn)經(jīng)驗分享 （4）架構(gòu)設(shè)計需不要質(zhì)量？管控方法分享 |
|
從DevOps進化到MLOps 隨著自動化的規(guī)?；瘜崿F(xiàn)，在多維度引入AI可實現(xiàn)各自動化模塊即可單獨運轉(zhuǎn)、有著自己清晰的功能，也可協(xié)同運轉(zhuǎn)成為一個高階自動化系統(tǒng)。從而為敏捷測試及持續(xù)交付提供強力的技術(shù)支撐。AI的引入，對于質(zhì)量保證的技術(shù)、效率、思維方式都產(chǎn)生了巨大的改變！ （1）機器學(xué)習(xí)ML+DevOps總體建設(shè)思路 （2）AI+自動化測試+持續(xù)集成的運行部署策略 （3）測試環(huán)境及測試數(shù)據(jù)的自動化部署 （4）Pass Rate：測試活動的重要標(biāo)準(zhǔn) （5）AI輔助分析代碼覆蓋率檢查 （6）AI輔助自動化測試的缺陷跟蹤 （7）AI輔助分析多機器池自動化部署及優(yōu)化 （8）如何將AI+大規(guī)模自動化+版本控制+持續(xù)集成部署為一個復(fù)雜完備的大型質(zhì)量保證體系，從而實現(xiàn)MLOps |
近期公開課推薦
