ИИ в тестировании программного обеспечения

Команды разработки ускоряются за счёт ИИ-ассистентов, и тестирование не может отставать: изменений становится больше, а времени на проверку — нет. Языковые модели уже умеют разбирать требования, предлагать сценарии и писать заготовки автотестов, но без понимания специфики тестирования выдают правдоподобный и при этом бесполезный результат. Умение встроить ИИ в рабочий процесс QA постепенно становится стандартным требованием к специалисту.

Курс построен на реальных задачах тестировщика. Вы разберёте, где LLM действительно помогает, а где подводит, освоите приёмы составления промптов под задачи тестирования, сравните облачные, отечественные и локальные модели и научитесь обращаться к ним через API. Затем подключите модель к системе управления тестированием и трекеру задач, включая сценарии в low-code платформе Nodul, и отработаете генерацию тестовых данных и баг-репортов по логам и результатам автотестов. Около 70% времени — практика на учебном приложении.

Отдельное внимание уделено ответственности: за результат всегда отвечает человек, поэтому вы научитесь проверять ответы модели и работать с галлюцинациями. Логи, дампы и тестовые базы часто содержат персональные данные и коммерческую тайну, поэтому разбираем обезличивание, локальные модели и требования 152-ФЗ.

По итогам вы получите библиотеку проверенных промптов, рабочий сценарий интеграции с вашим трекером или TMS и понятные критерии, какие задачи передавать ИИ, а какие оставлять за собой.