課程簡(jiǎn)介
業(yè)界普遍問(wèn)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(dòng)化測(cè)試的具體實(shí)現(xiàn)是怎樣的？
?大模型測(cè)試有哪些具體優(yōu)勢(shì)？又有哪些局限？
?如何進(jìn)行大模型快速環(huán)境部署？及測(cè)試數(shù)據(jù)生成？
?自動(dòng)化測(cè)試是不是只解決回歸測(cè)試或功能測(cè)試，是否可全線(xiàn)覆蓋各種測(cè)試類(lèi)型（例如性能測(cè)試、壓力測(cè)試、安全測(cè)試等自動(dòng)化如何做）？
?如何使用自動(dòng)化測(cè)試來(lái)實(shí)施TDD（測(cè)試驅(qū)動(dòng)開(kāi)發(fā)）？
?自動(dòng)化測(cè)試的具體實(shí)現(xiàn)是怎樣的？希望有實(shí)際案例、及細(xì)節(jié)實(shí)現(xiàn)過(guò)程
?如何提高自動(dòng)化測(cè)試的技術(shù)復(fù)用性？
如何進(jìn)行數(shù)據(jù)驅(qū)動(dòng)測(cè)試？以及自動(dòng)化測(cè)試的架構(gòu)最佳實(shí)踐？
目標(biāo)收益
1.有當(dāng)堂真實(shí)自動(dòng)化運(yùn)行演示，所有真實(shí)實(shí)現(xiàn)的自動(dòng)化技術(shù)均來(lái)自講師的實(shí)際工作成果
2.分享建立私有大模型及RAG的實(shí)戰(zhàn)經(jīng)驗(yàn)，講解LLM運(yùn)用RAG自動(dòng)生成測(cè)試案例及分析結(jié)果的分層實(shí)現(xiàn)技術(shù)
3.講師實(shí)際編寫(xiě)過(guò)多個(gè)自動(dòng)化測(cè)試工具，會(huì)分享多種自動(dòng)化工具的定位和集成效能，所以不依賴(lài)特定自動(dòng)化工具，學(xué)員將會(huì)系統(tǒng)化學(xué)習(xí)從自動(dòng)化的框架層、到工具層、到用例封裝的技術(shù)實(shí)現(xiàn)
4.因?yàn)楸菊n程并非編程課，所以對(duì)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(shí)。例如，上學(xué)期間學(xué)過(guò)基礎(chǔ)類(lèi)的軟件知識(shí)。以便可以理解技術(shù)設(shè)計(jì)思想
培訓(xùn)對(duì)象
1、技術(shù)團(tuán)隊(duì)成員
2、軟件開(kāi)發(fā)團(tuán)隊(duì)成員
3、對(duì)AI技術(shù)感興趣的技術(shù)愛(ài)好者
4、尋求技術(shù)轉(zhuǎn)型或提升的專(zhuān)業(yè)人士
課程大綱
|
AI大模型在質(zhì)量測(cè)試的應(yīng)用總覽 本章介紹生成式AI在質(zhì)量測(cè)試領(lǐng)域有哪些應(yīng)用落地點(diǎn)，尤其是對(duì)App移動(dòng)端測(cè)試、性能測(cè)試、整體測(cè)試技巧完善、測(cè)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(cè)試的應(yīng)用 （2）基于AI視覺(jué)分析的App前端測(cè)試自動(dòng)化 （3）大模型輔助移動(dòng)端性能測(cè)試指標(biāo)分析、趨勢(shì)監(jiān)察、瓶頸定位 （4）大模型輔助移動(dòng)端需求分析及檢測(cè)測(cè)試用例對(duì)需求的覆蓋率 （5）通過(guò)大模型檢索設(shè)計(jì)標(biāo)準(zhǔn)核對(duì)，加強(qiáng)合規(guī)性檢查及設(shè)計(jì)缺陷預(yù)防 （6）大模型輔助移動(dòng)端測(cè)試用例設(shè)計(jì)及邊界檢查 （7）生成式AI輔助缺陷報(bào)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(zhǎng)，AI技術(shù)對(duì)各行業(yè)生產(chǎn)力的提高開(kāi)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(tuán)隊(duì)需要對(duì)生成式AI有一個(gè)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(lèi)似的中英文開(kāi)源大模型 （6）每一個(gè)“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(zhuān)屬大模型+增強(qiáng)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(mén)以解決實(shí)際問(wèn)題或提高生產(chǎn)力。僅靠通用大模型并不能深入滿(mǎn)足特定企業(yè)或崗位的應(yīng)用，例如，如何使用大模型增強(qiáng)QA測(cè)試能力、項(xiàng)目管理能力、開(kāi)發(fā)效率、財(cái)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(shí)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(duì)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(lài)關(guān)系 （5）深入理解：大模型訓(xùn)練vs模型微調(diào)vs增強(qiáng)檢索RAG的核心區(qū)別、實(shí)施成本、實(shí)施難度、和應(yīng)用場(chǎng)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(jué)及閾值調(diào)試 （10）實(shí)施：私有大模型的算力要求和投入估算 |
|
基于AI輔助的測(cè)試用例生成及優(yōu)化 本章介紹基于生成式AI進(jìn)行測(cè)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(yùn)用AI進(jìn)行等價(jià)類(lèi)用例設(shè)計(jì) （2）運(yùn)用AI可極大提升邊界值用例設(shè)計(jì)效率 （3）運(yùn)用AI進(jìn)行用例格式規(guī)范檢查 （4）利用大模型對(duì)大規(guī)模測(cè)試用例進(jìn)行結(jié)構(gòu)化分層、提高復(fù)用率 |
|
AI大模型對(duì)QA結(jié)果的自動(dòng)分析和歸納總結(jié) 在實(shí)際工作中構(gòu)建了兩套大規(guī)模自動(dòng)化實(shí)驗(yàn)室和私有大模型+RAG知識(shí)管理系統(tǒng)。這一章讓我們先一起來(lái)看一下一套實(shí)際運(yùn)行的自動(dòng)化及持續(xù)集成系統(tǒng)加持AI大模型分析后的真實(shí)應(yīng)用是怎樣的以及效果如何。對(duì)整體的設(shè)計(jì)思路和目的性有一個(gè)系統(tǒng)認(rèn)識(shí)，然后從下一模塊開(kāi)始展開(kāi)細(xì)節(jié)，講解如何進(jìn)行技術(shù)實(shí)現(xiàn)的 |
（1）應(yīng)用大模型基于大量原始測(cè)試數(shù)據(jù)生成測(cè)試報(bào)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(jì)及數(shù)據(jù)挖掘，如何自定義及實(shí)現(xiàn)一套Dashboard （3）通過(guò)AI大模型來(lái)快速精準(zhǔn)定位整個(gè)系統(tǒng)的質(zhì)量弱點(diǎn)，為敏捷測(cè)試及持續(xù)交付提供AI分析 （4）AI統(tǒng)計(jì)通過(guò)率、各種Top10及缺陷與用例的關(guān)聯(lián) （5）大規(guī)模自動(dòng)化測(cè)試及數(shù)據(jù)分析的實(shí)際演示與詳解 |
|
AI對(duì)自動(dòng)化測(cè)試的輔助 這一章是AI助力自動(dòng)化測(cè)試的重要實(shí)戰(zhàn)部分，將對(duì)每一種測(cè)試方法的重點(diǎn)、難點(diǎn)和實(shí)施技巧進(jìn)行講解，用一個(gè)真實(shí)的企業(yè)級(jí)軟件項(xiàng)目作為案例，講解如何在一個(gè)真實(shí)項(xiàng)目中逐一實(shí)施這些測(cè)試方法的自動(dòng)化 |
（1）適配AI應(yīng)用的自動(dòng)化架構(gòu)框架設(shè)計(jì) （2）應(yīng)用大模型生成測(cè)試腳本 （3）應(yīng)用大模型生成數(shù)據(jù)驅(qū)動(dòng)的自動(dòng)化數(shù)據(jù)文件 （4）基于AI圖像識(shí)別的UI或App前端自動(dòng)化 （5）性能測(cè)試的自動(dòng)化的難點(diǎn)及數(shù)據(jù)分析 （6）全球化和本地化測(cè)試的自動(dòng)化（適用于多語(yǔ)言或定制開(kāi)發(fā)項(xiàng)目） |
|
AI在測(cè)試領(lǐng)域落地的流程支撐 AI大模型并非萬(wàn)能，對(duì)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(shí)項(xiàng)目中打磨的實(shí)戰(zhàn)方法，此方法已經(jīng)在多個(gè)團(tuán)隊(duì)實(shí)施，有著非常好的實(shí)際結(jié)果 |
（1）AI大模型助力測(cè)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(shí)踐分享 （3）高質(zhì)量輸入數(shù)據(jù)對(duì)AI生成測(cè)試用例的實(shí)戰(zhàn)經(jīng)驗(yàn)分享 （4）架構(gòu)設(shè)計(jì)需不要質(zhì)量？管控方法分享 |
|
從DevOps進(jìn)化到MLOps 隨著自動(dòng)化的規(guī)?；瘜?shí)現(xiàn)，在多維度引入AI可實(shí)現(xiàn)各自動(dòng)化模塊即可單獨(dú)運(yùn)轉(zhuǎn)、有著自己清晰的功能，也可協(xié)同運(yùn)轉(zhuǎn)成為一個(gè)高階自動(dòng)化系統(tǒng)。從而為敏捷測(cè)試及持續(xù)交付提供強(qiáng)力的技術(shù)支撐。AI的引入，對(duì)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(jī)器學(xué)習(xí)ML+DevOps總體建設(shè)思路 （2）AI+自動(dòng)化測(cè)試+持續(xù)集成的運(yùn)行部署策略 （3）測(cè)試環(huán)境及測(cè)試數(shù)據(jù)的自動(dòng)化部署 （4）Pass Rate：測(cè)試活動(dòng)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(dòng)化測(cè)試的缺陷跟蹤 （7）AI輔助分析多機(jī)器池自動(dòng)化部署及優(yōu)化 （8）如何將AI+大規(guī)模自動(dòng)化+版本控制+持續(xù)集成部署為一個(gè)復(fù)雜完備的大型質(zhì)量保證體系，從而實(shí)現(xiàn)MLOps |
|
AI大模型在質(zhì)量測(cè)試的應(yīng)用總覽 本章介紹生成式AI在質(zhì)量測(cè)試領(lǐng)域有哪些應(yīng)用落地點(diǎn)，尤其是對(duì)App移動(dòng)端測(cè)試、性能測(cè)試、整體測(cè)試技巧完善、測(cè)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(cè)試的應(yīng)用 （2）基于AI視覺(jué)分析的App前端測(cè)試自動(dòng)化 （3）大模型輔助移動(dòng)端性能測(cè)試指標(biāo)分析、趨勢(shì)監(jiān)察、瓶頸定位 （4）大模型輔助移動(dòng)端需求分析及檢測(cè)測(cè)試用例對(duì)需求的覆蓋率 （5）通過(guò)大模型檢索設(shè)計(jì)標(biāo)準(zhǔn)核對(duì)，加強(qiáng)合規(guī)性檢查及設(shè)計(jì)缺陷預(yù)防 （6）大模型輔助移動(dòng)端測(cè)試用例設(shè)計(jì)及邊界檢查 （7）生成式AI輔助缺陷報(bào)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(zhǎng)，AI技術(shù)對(duì)各行業(yè)生產(chǎn)力的提高開(kāi)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(tuán)隊(duì)需要對(duì)生成式AI有一個(gè)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(lèi)似的中英文開(kāi)源大模型 （6）每一個(gè)“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(zhuān)屬大模型+增強(qiáng)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(mén)以解決實(shí)際問(wèn)題或提高生產(chǎn)力。僅靠通用大模型并不能深入滿(mǎn)足特定企業(yè)或崗位的應(yīng)用，例如，如何使用大模型增強(qiáng)QA測(cè)試能力、項(xiàng)目管理能力、開(kāi)發(fā)效率、財(cái)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(shí)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(duì)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(lài)關(guān)系 （5）深入理解：大模型訓(xùn)練vs模型微調(diào)vs增強(qiáng)檢索RAG的核心區(qū)別、實(shí)施成本、實(shí)施難度、和應(yīng)用場(chǎng)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(jué)及閾值調(diào)試 （10）實(shí)施：私有大模型的算力要求和投入估算 |
|
基于AI輔助的測(cè)試用例生成及優(yōu)化 本章介紹基于生成式AI進(jìn)行測(cè)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(yùn)用AI進(jìn)行等價(jià)類(lèi)用例設(shè)計(jì) （2）運(yùn)用AI可極大提升邊界值用例設(shè)計(jì)效率 （3）運(yùn)用AI進(jìn)行用例格式規(guī)范檢查 （4）利用大模型對(duì)大規(guī)模測(cè)試用例進(jìn)行結(jié)構(gòu)化分層、提高復(fù)用率 |
|
AI大模型對(duì)QA結(jié)果的自動(dòng)分析和歸納總結(jié) 在實(shí)際工作中構(gòu)建了兩套大規(guī)模自動(dòng)化實(shí)驗(yàn)室和私有大模型+RAG知識(shí)管理系統(tǒng)。這一章讓我們先一起來(lái)看一下一套實(shí)際運(yùn)行的自動(dòng)化及持續(xù)集成系統(tǒng)加持AI大模型分析后的真實(shí)應(yīng)用是怎樣的以及效果如何。對(duì)整體的設(shè)計(jì)思路和目的性有一個(gè)系統(tǒng)認(rèn)識(shí)，然后從下一模塊開(kāi)始展開(kāi)細(xì)節(jié)，講解如何進(jìn)行技術(shù)實(shí)現(xiàn)的 （1）應(yīng)用大模型基于大量原始測(cè)試數(shù)據(jù)生成測(cè)試報(bào)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(jì)及數(shù)據(jù)挖掘，如何自定義及實(shí)現(xiàn)一套Dashboard （3）通過(guò)AI大模型來(lái)快速精準(zhǔn)定位整個(gè)系統(tǒng)的質(zhì)量弱點(diǎn)，為敏捷測(cè)試及持續(xù)交付提供AI分析 （4）AI統(tǒng)計(jì)通過(guò)率、各種Top10及缺陷與用例的關(guān)聯(lián) （5）大規(guī)模自動(dòng)化測(cè)試及數(shù)據(jù)分析的實(shí)際演示與詳解 |
|
AI對(duì)自動(dòng)化測(cè)試的輔助 這一章是AI助力自動(dòng)化測(cè)試的重要實(shí)戰(zhàn)部分，將對(duì)每一種測(cè)試方法的重點(diǎn)、難點(diǎn)和實(shí)施技巧進(jìn)行講解，用一個(gè)真實(shí)的企業(yè)級(jí)軟件項(xiàng)目作為案例，講解如何在一個(gè)真實(shí)項(xiàng)目中逐一實(shí)施這些測(cè)試方法的自動(dòng)化 （1）適配AI應(yīng)用的自動(dòng)化架構(gòu)框架設(shè)計(jì) （2）應(yīng)用大模型生成測(cè)試腳本 （3）應(yīng)用大模型生成數(shù)據(jù)驅(qū)動(dòng)的自動(dòng)化數(shù)據(jù)文件 （4）基于AI圖像識(shí)別的UI或App前端自動(dòng)化 （5）性能測(cè)試的自動(dòng)化的難點(diǎn)及數(shù)據(jù)分析 （6）全球化和本地化測(cè)試的自動(dòng)化（適用于多語(yǔ)言或定制開(kāi)發(fā)項(xiàng)目） |
|
AI在測(cè)試領(lǐng)域落地的流程支撐 AI大模型并非萬(wàn)能，對(duì)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(shí)項(xiàng)目中打磨的實(shí)戰(zhàn)方法，此方法已經(jīng)在多個(gè)團(tuán)隊(duì)實(shí)施，有著非常好的實(shí)際結(jié)果 （1）AI大模型助力測(cè)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(shí)踐分享 （3）高質(zhì)量輸入數(shù)據(jù)對(duì)AI生成測(cè)試用例的實(shí)戰(zhàn)經(jīng)驗(yàn)分享 （4）架構(gòu)設(shè)計(jì)需不要質(zhì)量？管控方法分享 |
|
從DevOps進(jìn)化到MLOps 隨著自動(dòng)化的規(guī)模化實(shí)現(xiàn)，在多維度引入AI可實(shí)現(xiàn)各自動(dòng)化模塊即可單獨(dú)運(yùn)轉(zhuǎn)、有著自己清晰的功能，也可協(xié)同運(yùn)轉(zhuǎn)成為一個(gè)高階自動(dòng)化系統(tǒng)。從而為敏捷測(cè)試及持續(xù)交付提供強(qiáng)力的技術(shù)支撐。AI的引入，對(duì)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(jī)器學(xué)習(xí)ML+DevOps總體建設(shè)思路 （2）AI+自動(dòng)化測(cè)試+持續(xù)集成的運(yùn)行部署策略 （3）測(cè)試環(huán)境及測(cè)試數(shù)據(jù)的自動(dòng)化部署 （4）Pass Rate：測(cè)試活動(dòng)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(dòng)化測(cè)試的缺陷跟蹤 （7）AI輔助分析多機(jī)器池自動(dòng)化部署及優(yōu)化 （8）如何將AI+大規(guī)模自動(dòng)化+版本控制+持續(xù)集成部署為一個(gè)復(fù)雜完備的大型質(zhì)量保證體系，從而實(shí)現(xiàn)MLOps |
近期公開(kāi)課推薦
