Grunnleggende prinsipper for kvalitetssikring (QA) og moderne testing med AI (ISTQB Foundation-preparering) Treningskurs

Modul 1: Grunnleggende innen kvalitetssikring og testing

• Definering av kvalitet, kvalitetssikring og testing
• De sju testingprinsippene (ISTQB CTFL v4.0)
• Testing versus feilsøking versus kvalitetskontroll
• Testingens psykologi
• Roller og ansvar i et QA-lag

Modul 2: Programvareutviklingslivssyklus og testing

• Faser i programvaretestingens livssyklus (STLC)
• Vannfall, Agile, DevOps og CI/CD-testtilnærminger
• Testnivåer: enhetstesting, integrasjonstesting, systemtesting, akseptanstesting
• Strategier for «shift-left» og «shift-right» testing
• Sporbarhet mellom krav og testsaker

Modul 3: Statiske test teknikker

• Gjennomganger, gjennomgangsmøter (walkthroughs) og inspeksjoner
• Statisk analyse ved hjelp av automatiserte verktøy
• Sjekklister basert på sjekklister og roller basert
• Formelle og uformelle gjennomgangsteknikker
• Integrasjon av statisk testing i Agile-arbeidsflyter

Modul 4: Test teknikker

• Black-box-teknikker: ekvivalensklassifisering, grenseverdianalyse
• Desisjonsbordtesting og tilstandsovergangstesting
• Brukssagstesting og utforskende testing (exploratory testing)
• White-box-teknikker: instruksjonsdekning og desisjonsdekning
• Erfaringbaserte teknikker og feilgjetting

Modul 5: Feilhåndtering

• Feilens livssyklus: oppdaging, rapportering, prioritering, løsning, lukking
• Skrive effektive feilrapporter med JIRA
• Feilens alvorlighetsgrad versus prioriteringsklassifisering
• Teorier om rotårsaksanalyse
• Feilmetrikk og trendanalyse

Modul 6: Testhåndtering og risikobasert testing

• Testplanlegging og estimatmetoder
• Risikoidentifikasjon, -vurdering og -avbøting
• Oppfølging, kontroll og rapportering av testing
• Definere kriterier for testfullføring og avgangsbetingelser
• ISTQB-tilpassede dokumenter for teststrategi og testpolicy

Modul 7: Testverktøy og grunnpiller innen automatisering

• Klassifisering av testverktøy (ISTQB-verktøykategorier)
• Fordeler og risika med testautomatisering
• Velge verktøy: åpen kildekode versus kommersielle løsninger
• Innledning til Selenium, Playwright og Cypress
• Bygge en grunnleggende automatisert testsuite

Modul 8: Introduksjon til AI i kvalitetssikring

• AI- og maskinlæringsbegreper for testere
• Taksonomi: AI for testing versus testing av AI-systemer
• Aktuelt AI-testlandskaftet: muligheter og begrensninger
• Kvalitetskarakteristikker for AI-baserte systemer
• ISTQB CT-AI-syllabusoversikt og relevans

Modul 9: AI-assistert generering av testsaker

• Bruk av LLMs (ChatGPT, Claude, Copilot) til utarbeidelse av testsaker
• Promptengineering-teknikker for å generere testszenarier
• Konvertere brukssager og akseptanskriterier til testsaker
• Gjennomgå og validere AI-genererte testsaker
• Plattform: Testim, Mabl og AI-native verktøy for testsagsgenerering

Modul 10: AI-assistert testautomatisering

• Self-healing (selvtilpassende) testautomatisering med Katalon Studio AI
• AI-drevet objektgjenkjennelse og elementlokalisering
• Visuell regresjonstesting med Applitools Eyes
• Selenium med AI-plugins for robust automatisering
• Mindre vedlikeholdsarbeid med intelligente lokators

Modul 11: AI for feilprognoser og analyse

• Prediktiv testvalg med Launchable og Sealights
• Tetting av feil og unormalitetsdetektering med ReportPortal
• AI-assistert rotårsaksanalyse
• Kvalitetens risikovurdering og analyse av testglemmer (test gap analytics)
• Bruke historisk feildata til å prioritere testing

Modul 12: Vurdering av AI-verktøy og integrasjon i CI/CD

• Kriterier for vurdering av AI-testverktøy
• ROI-analyse og adopteringsstrategi
• Integrasjon av AI-testverktøy i Jenkins, GitHub Actions, GitLab CI
• Pipeline-design: når og hvor skal du kjøre AI-drevne tester?
• Måle effektiviteten av AI-testing med metrikk

Modul 13: Etiske betraktninger ved AI-drevet testing

• Forkjørsel og rettferdighet i AI-genererte testdata
• Personvernutfordringer ved bruk av skybaserte AI-verktøy
• Gjennomsiktighet og forklarbarhet av AI-testbeslutninger
• Styring og overholdelse
• Ansvarsfull AI-praksis for QA-lag

Modul 14: ISTQB CTFL-eksamenforberedelse

• CTFL v4.0 eksamensstruktur, varighet og poengsetting
• Spørsmålstyper og svarstrategier
• Emneprioritering fordelt over CTFL-syllabus-kapitler
• Prøveeksamen med eksempelspørsmål i ISTQB-stil
• Studieveiledning og anbefalte ressurser

Modul 15: Kapittelprosjekt: Tverrfaglig AI-forbedret testflyt

• Designe testsaker fra et eksempeldokument med kravspesifikasjoner
• Bruke AI til å generere og forbedre testszenarier
• Automatisere utvalgte tester med selvtilpassende verktøy
• Rapportere feil og kjøre AI-assistert rotårsaksanalyse
• Evaluering: integrere AI i daglig QA-praksis