Kursbeschreibung
In diesem Seminar lernst du, wie du Large Language Models gezielt im Softwaretest einsetzt: von besseren Testfällen über effizientere Fehlerberichte bis zur Unterstützung bei Testautomatisierung und Dokumentenanalyse. Du übst praxisnah mit Prompts, KI-Tools und RAG, bewertest Risiken wie Halluzinationen, Datenschutz und Abhängigkeiten und entwickelst ein klares Verständnis dafür, wann generative KI im Test wirklich hilft und wann Vorsicht geboten ist.
Die wichtigsten Themen im Überblick
- Generative KI gezielt im Softwaretest einsetzen
- LLMs für Testfälle, Testdaten und Fehlerberichte nutzen
- Prompt Engineering für bessere Software-Tests anwenden
- Tests mit KI automatisieren und Testfälle optimieren
- Halluzinationen, Datenschutz und EU AI Act bewerten
- RAG für große Testdokumente und Unternehmensdaten nutzen
- KI-Testwerkzeuge praktisch auswählen und integrieren
- LLMOps, KI-Agenten und virtuelle Testassistenz einordnen
Zielgruppe
- Tester:innen
- Testmanager:innen
- Consultants
- Entwickler:innen
- Testautomatisierungs-Ingenieur:innen
- Produktverantwortliche
- Projektleiter:innen
- Business-Analysten
- Product Owner
Voraussetzung für die Schulung
- Erfahrung in der Software-Entwicklung
Kursinhalte
1. Einführung in die Anwendung von generativer KI im Softwaretest
- Einführung in generative KI
- Nutzen generativer KI für Softwaretests
- Grundsätze beim Einsatz generativer KI im Test
- Praktische Übung: Nutzung der LLM-Workbench
2. Effektives Testen mit Large Language Models (LLM)
- Grundlagen des Prompt Engineering
- Techniken des Promptings
- Anwendungsbeispiele und Übungen:
- Erstellen von Testfällen
- Optimierung vorhandener Testfälle
- Automatisierung von Tests
- Analyse und Erstellung von Fehlerberichten
- Best Practices beim Prompting im Softwaretest
- Zusammenfassung und Diskussion der Erkenntnisse
3. Umgang mit Risiken generativer KI
- Bewältigung von Halluzinationen, Fehlern und Vorurteilen der KI
- Praktische Übung: Umgang mit Halluzinationen und Fehlern
- Datenschutz und Cybersecurity-Risiken
- Umweltaspekte und Energieverbrauch der KI
- Praktische Übung: Ermittlung des Energieverbrauchs der KI
- Weitere Risiken: Wissensverlust und Abhängigkeit von Drittanbietern
- Regulierung durch den EU AI Act
4. Einsatz von KI-basierten Anwendungen im Testen
- Testwerkzeuge mit integrierter generativer KI
- Nutzung von RAG (Retrieval Augmented Generation) für Unternehmensdaten
- Praktische Übung: Analysieren großer Dokumente mit RAG
- Integration generativer KI in Testprozesse
- Anpassung eines LLMs (Fine-Tuning)
- Praktische Übung: Einsatz von Testwerkzeugen mit GenAI-Funktionen
- LLMOps und KI-Agenten im Testen
- Vorführung eines virtuellen manuellen Testers
- Zusammenfassung und Diskussion
5. Abschluss: Erlernte Lektionen
- Praktische Anwendung generativer KI im Testen
- Auswahl des geeigneten KI-Modells für Testaktivitäten
- Abschließende Diskussion und Reflexion
