ИИ в тестировании: от анализа требований до автоматизации
Привет, Хабр! Я хотела разместить тут перевод статьи моего коллеги, который опубликовали на Medium. Думаю, вы найдете для себя немало интересного о такой горячей теме как ИИ в тестировании приложений. Буду рада комментариям!Меня зовут Денис, я QA-инженер в EXANTE, международной брокерской платформе для торговли на мировых финансовых рынках. В моей зоне ответственности — десктопный и веб-терминалы, а также мобильные приложения.
От разовых запросов к повторно используемым ИИ‑флоу в QA
Введение Прежде чем начать, скажу, что эта статья написана для QA‑инженеров, которые только начинают использовать AI в QA‑процессах. Это не глубокое погружение в продвинутое использование Agentic AI или во внутреннюю логику AI‑систем. Автономные AI‑агенты и системы оркестрации сейчас активно обсуждаются, но стоит помнить: sic parvis magna. Так что добро пожаловать.
AI-агент для анализа требований в финтехе: собираем контекст и находим проблемы до разработки
В прошлой статье
Находим конфликты в пользовательских историях за 10 минут с помощью ИИ
Привет, Хабр! Меня зовут Андрей Бирюков. Я — независимый эксперт в области ИТ и ИБ, преподаю в учебных центрах и пишу статьи и книги. И сегодня мы поговорим о том, как можно с помощью ИИ (да, опять этот ИИ) находить конфликты в пользовательских историях.Ситуация, знакомая каждому менеджеру по продукту: вы написали бэклог на спринт. Команда оценила, всё красиво разложено по Jira. Начинается разработка, и на третий день разработчик подходит с вопросом: «Слушай, тут история US-17 говорит, что кнопка должна быть красной, а US-23 — что зелёной. Какую делать?».
Может ли ИИ заменить QA?
Уже несколько лет подряд у всех на слуху ИИ и тезисы о том, что он заменит человечество, а если и не заменит, то ускорит до немыслимых высот. Сегодня я хотела бы подискутировать на эту тему в области обеспечения качества, хотя рискую, кажется, оказаться в ряду динозавров.Всем привет, меня зовут Настя, я QA Lead, преподаватель курса «JavaScript QA Engineer»
Model Serving в 9 раз быстрее! И никакой замены оборудования
В 9 раз быстрее и в 13 раз компактнее по сравнению со стандартными реализациямиОбучение ML‑модели — это только первый шаг к решению бизнес‑задачи. Далее необходимо создать эффективный механизм для развертывания модели в производственной среде и разработать serving‑стратегию, которая сможет масштабироваться в соответствии с текущим спросом.
