تسلط به Generative AI برای تست نرمافزار: از دستی تا خودکار
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- استفاده از ابزارهای Generative AI مانند ChatGPT و OpenAI API برای ایجاد، تحلیل و پالایش پویای پلنهای تست، تست کیس ها و سناریوهای BDD
- تسلط به الزامات پایتون: متغیرها، توابع، کار با فایل و کتابخانههایی مانند Requests برای تست خودکار مؤثر.
- ساخت فریمورکهای تقویتشده با هوش مصنوعی با استفاده از Behave BDD برای تست API و Playwright برای تست UI، با تمرکز بر ایجاد تست پویا و بهینه
- بهینهسازی تستهای خودکار با هوش مصنوعی: پالایش مراحل BDD، تولید گزارشهای تست، خودکارسازی پاکسازی و ادغام ویژگیهای پیشرفته
- پیکربندی CI pipeline های Jenkins برای اجرای تستهای خودکار UI و API، تولید گزارشها و بهینهسازی یکپارچه گردش کار تست
- اطمینان از حفظ حریم خصوصی دادههای تست: ناشناسسازی دادههای حساس، استفاده از متغیرهای محیطی و رعایت بهترین شیوههای اخلاقی هوش مصنوعی با ChatGPT
- کسب تجربه عملی با پروژههای واقعی: خودکارسازی تست APIهای Contact Us ،Login و Goal Tracker با استفاده از تمرینات عملی
- یادگیری تکنیکهای پیشرفته تست مانند اجراکنندههای تست سفارشی، اجرای هدفمند با تگها و گزارشدهی دقیق با استفاده از Allure
پیشنیازهای دوره
- نیازی به دانش قبلی پایتون نیست: این دوره مبانی پایتون را گام به گام آموزش میدهد و برای مبتدیان مناسب است.
- درک اولیه از تست نرمافزار: آشنایی با مفاهیمی مانند تست کیس ها و تست دستی به شما کمک میکند تا به طور مؤثرتری مطالب را دنبال کنید.
- کلید API OpenAI (توصیه شده برای تمرین عملی): برای پیادهسازی عملی/برنامهنویسی ویژگیهای مجهز به هوش مصنوعی (مانند تولید تست کیس ها)، به کلید API OpenAI نیاز است. OpenAI برای حسابهای جدید اعتبار رایگان ارائه میدهد، اما کاربران فعلی ممکن است نیاز به افزودن بودجه اندک (حدود 5 دلار) داشته باشند. تماشای درسهای مشخص بدون اجرای عملی نیز امکانپذیر است.
- برخی دانش برنامهنویسی (اختیاری): گرچه الزامی نیست، آشنایی ابتدایی با مفاهیم برنامهنویسی میتواند به شما در پیشرفت سریعتر کمک کند.
- کنجکاوی و اشتیاق: تمایل به بررسی در Generative AI و تست خودکار به شما کمک میکند که از این دوره بهترین استفاده را ببرید.
- پرسیدن سؤالات در بخش Q&A: اگر چیزی برای شما واضح نیست یا کار نمیکند، راهنمایی و پشتیبانی همیشه در دسترس است.
توضیحات دوره
چرا Generative AI در تست نرمافزار؟
Generative AI با فعال کردن تولید پویای تست کیس ها، بهینهسازی اجرای تست و بهبود پوشش، در حال دگرگون کردن چشمانداز تست نرمافزار است. ابزارهایی مانند OpenAI API و GPT4All تستکنندگان را قادر میسازد تا:
- کاهش تلاش دستی
- کشف سریعتر edge cases
- بهبود گردش کار تست دستی و خودکار.
چرا پایتون، Behave BDD و ابزارهای هوش مصنوعی محور؟
پایتون: یک زبان برنامهنویسی چندمنظوره و مبتدی پسند که به طور گستردهای برای اتوماسیون استفاده میشود.
Behave BDD: یک ابزار توسعه رفتار محور مبتنی بر پایتون است که از همان سینتکس Gherkin مشابه Cucumber BDD استفاده میکند، ایجاد تست کیس ها را سادهتر میکند و اطمینان میدهد که سناریوها برای همه ذینفعان واضح باشند.
ابزارهای هوش مصنوعی: از OpenAI API (ChatGPT) و ابزارهای آفلاین مانند GPT4All برای ایجاد، بهینهسازی و پالایش پویای سناریوهای تست، کاهش تلاش دستی و بهبود پوشش تست استفاده کنید.
در کنار هم، این ابزارها به تستکنندگان اجازه میدهند:
- تستهای UI و API را با هوش مصنوعی، پایتون، Behave BDD و Playwright خودکار کنند.
- بهصورت پویا با استفاده از ابزارهای هوش مصنوعی مانند ChatGPT و OpenAI APIs تست کیس ها را تولید و پالایش کنند.
- در CI pipeline های Jenkins برای مقیاسپذیری و اجرای مداوم تست یکپارچه شوند.
چرا این دوره؟
این دوره عملی، روان و برای تستکنندگان دستی و تستکنندگان خودکار طراحی شده است که به دنبال ارتقای مهارتهای خود هستند. چه در اتوماسیون تازهکار باشید و چه در تست باتجربه، تجربه عملی با تست مجهز به هوش مصنوعی کسب خواهید کرد.
(توجه: برای پیادهسازی کامل ویژگیهای هوش مصنوعی به صورت برنامهنویسی، داشتن کلید API OpenAI توصیه میشود. OpenAI برای حسابهای جدید اعتبار رایگان فراهم میکند، اما کاربران فعلی ممکن است نیاز به افزودن بودجه اندک (حدود 5 دلار) داشته باشند. تماشای درسهای مشخص بدون اجرای عملی نیز امکانپذیر است.)
این دوره شامل مثالهای کد قبل و بعد است که به منابع درسهای مربوطه پیوست شده است، تا به شما کمک کند مفاهیم را گام به گام درک کنید و بهصورت بیدردسر پیادهسازی کنید.
چه چیزی یاد خواهید گرفت؟
Generative AI برای ایجاد تست کیس
- استفاده از ChatGPT (نسخه رایگان یا پولی) برای تولید پلنهای تست و تست کیس ها خارج از کد.
- استفاده از OpenAI APIs برای تولید پویای تست کیس ها و پیشنهاد کد step definition در داخل فریمورک (کلید API و اعتبار اندک برای پیادهسازی عملی مورد نیاز است).
- بررسی ابزارهایی مانند GPT4All برای تست مجهز به هوش مصنوعی آفلاین.
- بهسرعت سناریوهای تست بهینه و مجهز به هوش مصنوعی ایجاد کنید.
تسلط به اصول پایتون برای تست
- مبانی پایتون: متغیرها، ساختارهای داده، توابع و کار با فایل.
- کار با دادههای JSON و کتابخانههای خارجی مانند Requests برای تست API
ساخت فریمورکهای اتوماسیون تقویتشده توسط هوش مصنوعی
- توسعه رفتار محور (BDD): سادهسازی الزامات تست با استفاده از Gherkin و Behave.
- خودکارسازی تست UI با استفاده از Playwright و Behave (BDD).
- خودکارسازی تست API با استفاده از پایتون و Behave (BDD).
ویژگیهای پیشرفته برای اتوماسیون
- استفاده از Generative AI برای پالایش سناریوها و step definitions های BDD
- استفاده از OpenAI API برای تحلیل فایلهای step definition و پیشنهاد راهحلهای کد بهینهسازی شده.
- پیادهسازی تگها، اجراکنندههای سفارشی و تولید گزارشهای تست دقیق با Allure
- ادغام CI/CD: یادگیری چگونگی اجرای مداوم تستها با استفاده از Jenkins CI pipelines
حریم خصوصی دادهها و امنیت در تست هوش مصنوعی
- محافظت از دادههای حساس هنگام استفاده از ابزارهای هوش مصنوعی مانند OpenAI APIs
- رعایت بهترین شیوهها برای ناشناسسازی دادهها و مدیریت امن اعتبارنامهها
ویژگیهای اضافی
- پروژههای واقعی: خودکارسازی تستها برای صفحه تماس با ما، صفحه ورود و یک Goal Tracker API
- تمرینات عملی: ضبطهای گام به گام با مثالهای کد قابل دانلود قبل و بعد.
- بهینهسازیهای مجهز به هوش مصنوعی: تولید، تجزیه و تحلیل و پالایش اسکریپتهای تست بهطور پویا.
- گزارشدهی: تولید گزارشهای دقیق و پیوست تصاویر برای بهبود دید تست
آمادهاید به تست نرمافزار هوش مصنوعی محور مسلط شوید؟
تا پایان این دوره، شما مهارتهای زیر را خواهید داشت:
- ادغام Generative AI در گردش کار تست دستی و خودکار.
- ساخت فریمورکهای اتوماسیون مقیاسپذیر و پویا با استفاده از پایتون، Behave BDD و Playwright و Jenkins CI
- استفاده مؤثر از ابزارهای هوش مصنوعی برای بهینهسازی و سادهسازی فرآیندهای تست
بیایید همراه با Generative AI، تست نرمافزار را متحول کنیم!
این دوره برای چه کسانی مناسب است؟
- تستکنندگان دستی که به دنبال بهینهسازی ایجاد تست کیس ها و ارتقای مهارتهای خود با استفاده از ابزارهای هوش مصنوعی مانند ChatGPT و OpenAI API هستند.
- تستکنندگان خودکار که میخواهند فریمورکهای تقویتشده با هوش مصنوعی برای تست UI (Playwright) و API (Behave + Requests) با پایتون بسازند.
- متخصصان QA که به دنبال ادغام Generative AI در گردش کاری خود هستند تا تولید تست کیس های سریعتر و اجرای تست هوشمندانهتری داشته باشند.
- مبتدیانی که به دنبال انتقال به تست خودکار با پایتون، Behave BDD و Jenkins هستند، با مثالهای واقعی گام به گام.
- SDETs و مهندسان اتوماسیون که به دنبال بهینهسازی و مقیاسبندی اتوماسیون تست با استفاده از ابزارهای مجهز به هوش مصنوعی، Jenkins CI و گزارشدهی پویا هستند.
- علاقهمندان به فناوری که مشتاقاند یاد بگیرند چگونه از ابزارهای هوش مصنوعی مانند ChatGPT و GPT4All برای ایجاد، تحلیل و اتوماسیون سناریوهای تست استفاده کنند.
- مدیران و سرپرستان QA که علاقهمند به اتخاذ شیوههای تست هوش مصنوعی محور برای بهبود بهرهوری، پوشش تست و کارایی هستند.
تسلط به Generative AI برای تست نرمافزار: از دستی تا خودکار
-
بررسی دوره و اهداف 06:54
-
مقدمهای بر Generative AI در تست نرمافزار 06:34
-
کاربردهای عملی ابزارهای هوش مصنوعی در تست نرمافزار 07:48
-
پروژه تست واقعی: مقدمهای بر صفحه تماس با ما 02:57
-
عملی: تولید پلنهای تست و تست کیس ها با استفاده از پرامپتهای هوش مصنوعی 20:19
-
چالش واقعی: تولید تست کیس ها برای صفحه ورود 02:10
-
راهحل واقعی: بازبینی و پالایش تست کیس ها صفحه ورود 10:34
-
بررسی دانش: مقدمهای بر Generative AI در تست نرمافزار None
-
استفاده از پرامپتهای هوش مصنوعی برای وظایف تست دستی 14:36
-
بارگذاری اسناد الزامات برای تولید تست کیس 08:17
-
مقدمهای بر GPT4ALL: مدل هوش مصنوعی آفلاین برای تولید تست کیس 05:36
-
راه اندازی GPT4ALL بهطور محلی 04:21
-
تمرینات عملی با ابزارهای هوش مصنوعی بدون کد (آنلاین و آفلاین) 07:58
-
بررسی دانش: ابزارهای بدون کد هوش مصنوعی برای تستکنندگان دستی None
-
چرا پایتون برای تست و هوش مصنوعی ایدهآل است؟ 06:39
-
بررسی مفاهیم برنامهنویسی مرتبط با تست 06:09
-
تمرین Low-Code: مدیریت دادههای تست تقویتشده با هوش مصنوعی 06:10
-
بررسی دانش: اتوماسیون و مفاهیم برنامهنویسی برای تستکنندگان None
-
نصب پایتون 02:54
-
پیکربندی یک IDE پایتون (VSCode و افزونهها) 06:26
-
تأیید محیط پایتون 02:36
-
اصول پایتون – متغیرها، انواع داده و عملیات اولیه – (بخش 1/2) 13:17
-
اصول پایتون – متغیرها، انواع داده و عملیات اولیه – (بخش 2/2) 11:11
-
مبانی پایتون – متغیرها و انواع دادهها None
-
جریان کنترل – شرطیها و حلقهها 08:53
-
جریان کنترل – شرطیها و حلقهها None
-
توابع و قابلیت استفاده مجدد 08:41
-
توابع و قابلیت استفاده مجدد None
-
لیستها، دیکشنریها و ساختارهای داده در تست 12:36
-
کار با فایل برای مدیریت دادههای تست 07:00
-
مدیریت استثنا برای تست قوی 07:35
-
مدیریت استثنا برای تست قوی None
-
کار با دادههای JSON برای تست API 06:07
-
کار با دادههای JSON برای تست API None
-
نصب و استفاده از کتابخانههای خارجی با pip – (بخش 1/2) 09:28
-
نصب و استفاده از کتابخانههای خارجی با pip – (بخش 2/2) 11:36
-
مدلهای زبانی بزرگ (LLMs) و نقش آنها در تست 08:08
-
مقدمهای بر مهندسی پرامپت برای تولید خودکار تست کیس 09:04
-
استفاده از OpenAI API برای تولید تست کیس 04:27
-
پیکربندی OpenAI API برای اتوماسیون تست 06:00
-
ایجاد یک ماشین مجازی پایتون و نصب بسته OpenAI 08:03
-
تمرین عملی: تولید تست کیس ها با OpenAI API 13:50
-
استفاده از GPT-Neo: یک مدل متنباز برای تست مجهز به هوش مصنوعی 13:01
-
انتخاب مدل مناسب برای تست مجهز به هوش مصنوعی: OpenAI، متنباز و GPT4All 05:39
-
بررسی دانش: اصول Generative AI در تست نرمافزار None
-
مقدمهای بر توسعه رفتار محور (BDD) 06:11
-
بررسی فریمورک 02:39
-
پیکربندی فریمورک اتوماسیون 15:55
-
پیکربندی ادغام OpenAI 17:24
-
استفاده از OpenAI برای تولید تست پویا 20:40
-
تحلیل و پالایش سناریوهای تولید شده BDD 06:55
-
پیادهسازی Setup و Teardown با Behave - (بخش 1/2) 15:02
-
پیادهسازی Setup و Teardown با Behave - (بخش 2/2) 11:24
-
خودکارسازی الگوهای Step Definition با Behave 06:03
-
پیکربندی VS Code برای Behave (BDD) 05:56
-
بهینهسازی پویای Step Definitions 15:14
-
نوشتن اولین Step Definitions 11:42
-
ساخت یک Context سفارشی – سادهسازی کد با DRY 06:50
-
بهینهسازی مراحل با هوش مصنوعی - بخش (1/2) 11:45
-
بهینهسازی مراحل با هوش مصنوعی - بخش (2/2) 07:16
-
نهایی کردن سناریوی اول - بخش (1/3) 14:47
-
نهایی کردن سناریوی اول - بخش (2/3) 11:28
-
نهایی کردن سناریوی اول - بخش (3/3) 06:58
-
نهایی کردن همه سناریوها و مراحل - بخش (1/2) 09:32
-
نهایی کردن همه سناریوها و مراحل - بخش (2/2) 08:29
-
مقدمهای بر Scenario Outlines 07:23
-
اعمال Scenario Outlines - بخش (1/2) 12:37
-
اعمال Scenario Outlines - بخش (2/2) 08:34
-
مقدمهای بر کلمه کلیدی Background 02:43
-
کلمه کلیدی Background – در عمل 02:27
-
مقدمهای بر تگها 03:19
-
تگها – در عمل 03:12
-
ایجاد یک اجراکننده سفارشی 03:19
-
تولید گزارشها 09:36
-
پیوست تصاویر به گزارشها 09:07
-
خودکارسازی پاکسازی داده و بهینهسازی فریمورک 06:29
-
API دقیقاً چیست؟ 10:35
-
تولید سناریو تست API با هوش مصنوعی 11:35
-
پیادهسازی سناریوهای تست API در Behave 08:36
-
تست پاسخهای API 06:57
-
بهینهسازی و ریفکتورینگ برای تست UI و API - بخش (1/2) 10:36
-
بهینهسازی و ریفکتورینگ برای تست UI و API - بخش (2/2) 06:54
-
بررسی دانش: تست API هوش مصنوعی محور با Behave و پایتون None
-
مقدمهای بر Jenkins (CI) 01:35
-
پیکربندی Java JDK برای Jenkins 07:22
-
دانلود و پیکربندی Jenkins 09:48
-
پیکربندی Jenkins برای اتوماسیون 05:34
-
بهینهسازی Job های Jenkins برای اتوماسیون تست 05:29
-
اجرای تستها با تگهای سفارشی در Jenkins 12:04
-
تولید گزارشهای Allure در Jenkins 10:38
-
بررسی دانش: ادغام Jenkins CI برای فریمورک اتوماسیون None
-
استفاده اخلاقی از هوش مصنوعی در تست نرمافزار 06:12
-
حریم خصوصی داده و امنیت با OpenAI API 05:13
مشخصات آموزش
تسلط به Generative AI برای تست نرمافزار: از دستی تا خودکار
- تاریخ به روز رسانی: 1404/09/07
- سطح دوره:همه سطوح
- تعداد درس:93
- مدت زمان :11:33:38
- حجم :7.06GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy