Testowanie oprogramowania z wykorzystaniem generatywnej AI Mark Winteringham, Nicola Martin (Przedmowa)

Dostępność produktu

Produkt został zweryfikowany pod kątem ułatwień dostępu więcej przeczytasz w deklaracji dostępności.

Spis treści książki

Przedmowa

Wstęp

Podziękowania

Informacje o książce

Informacje o autorze

Część I. Nastawienie - budowanie pozytywnej relacji z modelami językowymi

• 1. Ulepszanie testowania z użyciem dużych modeli językowych
  • 1.1. Wpływ narzędzi AI na testowanie i tworzenie oprogramowania
    • 1.1.1. Generowanie danych
    • 1.1.2. Zautomatyzowane budowanie testów
    • 1.1.3. Projektowanie testów
  • 1.2. Dostarczanie wartości z użyciem LLM-ów
    • 1.2.1. Model dostarczania wartości
    • 1.2.2. Wykorzystywanie zdolności człowieka i AI
    • 1.2.3. Sceptycyzm wobec LLM-ów
  • Podsumowanie
• 2. Duże modele językowe i inżynieria promptów
  • 2.1. Sposób działania dużych modeli językowych
  • 2.2. Unikanie zagrożeń związanych z używaniem dużych modeli językowych
    • 2.2.1. Halucynacje
    • 2.2.2. Pochodzenie danych
    • 2.2.3. Prywatność danych
  • 2.3. Ulepszenie wyników z użyciem inżynierii promptów
  • 2.4. Zasady inżynierii promptów
    • 2.4.1. Zasada 1. Pisz jasne i konkretne instrukcje
    • 2.4.2. Taktyka 1. Używaj ograniczników
    • 2.4.3. Taktyka 2. Proś o ustrukturyzowane wyniki
    • 2.4.4. Taktyka 3. Sprawdzaj założenia
    • 2.4.5. Taktyka 4. Prompty z kilkoma przykładami
    • 2.4.6. Zasada 2. Daj modelowi czas, żeby "pomyślał"
    • 2.4.7. Taktyka 1. Określ etapy realizacji zadania
    • 2.4.8. Taktyka 2. Poinstruuj model, żeby najpierw znalazł własne rozwiązanie
  • 2.5. Praca z różnymi LLM-ami
    • 2.5.1. Porównywanie LLM-ów
    • 2.5.2. Popularne LLM-y
  • 2.6. Tworzenie biblioteki promptów
  • 2.7. Rozwiązywanie problemów z użyciem promptów
  • Podsumowanie
• 3. Sztuczna inteligencja, automatyzacja i testowanie
  • 3.1. Wartość testowania
    • 3.1.1. Inne spojrzenie na testowanie
    • 3.1.2. Całościowe podejście do testowania
  • 3.2. W jaki sposób narzędzia wspomagają testowanie?
    • 3.2.1. Złudność automatyzacji
    • 3.2.2. Selektywne podejście do narzędzi
  • 3.3. Kiedy stosować LLM-y w testowaniu?
    • 3.3.1. Generowanie
    • 3.3.2. Przekształcanie
    • 3.3.3. Rozszerzanie
    • 3.3.4. LLM-y w testowaniu
  • Podsumowanie

Część II. Technika - identyfikowanie zadań i inżynieria promptów w testowaniu

• 4. Testowanie wspomagane przez AI dla programistów
  • 4.1. Wzrost znaczenia automatyzacji w programowaniu
  • 4.2. Praca w parze z LLM-em
    • 4.2.1. Analizowanie pomysłów
    • 4.2.2. Analizowanie kodu
    • 4.2.3. Dlaczego symulacja jest lepsza niż nic?
  • 4.3. Budowanie jakości z pomocą sztucznej inteligencji
  • 4.4. Tworzenie pierwszej pętli TDD z wykorzystaniem LLM-ów
    • 4.4.1. Przygotowanie pracy
    • 4.4.2. Pętla 1. Dodawanie wpisu do karty czasu pracy
    • 4.4.3. Pętla 2. Pobieranie wpisu z karty czasu pracy
    • 4.4.4. Pętla 3. Obliczanie czasu dla projektu
    • 4.4.5. Refaktoryzacja kodu
  • 4.5. Ulepszanie dokumentacji i komunikacji z użyciem LLM-ów
    • 4.5.1. Generowanie komentarzy w kodzie
    • 4.5.2. Generowanie uwag do wydania
  • 4.6. Zachowywanie równowagi podczas pracy z asystentami kodowania
  • Podsumowanie
• 5. Planowanie testów ze wsparciem AI
  • 5.1. Definiowanie planowania testów we współczesnym testowaniu
    • 5.1.1. Planowanie testów, LLM-y i obszar oddziaływania
  • 5.2. Ukierunkowane prompty dla modeli
    • 5.2.1. Słabe prompty to słabe sugestie
    • 5.2.2. Czym są modele i dlaczego mogą pomóc?
  • 5.3. Łączenie modeli i LLM-ów w planowaniu testów
    • 5.3.1. Tworzenie modelu w celu zidentyfikowania promptów
    • 5.3.2. Eksperymentowanie z różnymi typami modeli
  • 5.4. LLM-y i przypadki testowe
    • 5.4.1. Zdrowy sceptycyzm wobec wygenerowanych zagrożeń i przypadków testowych
  • Podsumowanie
• 6. Szybkie tworzenie danych z użyciem AI
  • 6.1. Generowanie i przekształcanie danych za pomocą LLM-ów
    • 6.1.1. Generowanie prostych zbiorów danych za pomocą LLM-ów
    • 6.1.2. Przekształcanie danych w różne formaty
  • 6.2. Przetwarzanie złożonych danych testowych za pomocą LLM-ów
    • 6.2.1. Używanie standardowych formatów w promptach
    • 6.2.2. Kod SQL jako wskazówka w prompcie
  • 6.3. Konfigurowanie LLM-ów jako menedżerów danych testowych
    • 6.3.1. Zakładanie konta OpenAI
    • 6.3.2. Łączenie się z OpenAI
  • 6.4. Korzyści z generowania danych testowych
  • Podsumowanie
• 7. Przyspieszanie i ulepszanie automatyzacji UI z użyciem sztucznej inteligencji
  • 7.1. Szybkie tworzenie automatyzacji UI
    • 7.1.1. Konfigurowanie projektu
    • 7.1.2. Tworzenie wstępnego sprawdzianu z pomocą ChatGPT
    • 7.1.3. Uzupełnianie luk w wygenerowanym kodzie
  • 7.2. Poprawianie istniejącej automatyzacji UI
    • 7.2.1. Aktualizowanie zarządzania stanem w celu używania odpowiedniej warstwy
    • 7.2.2. Nabieranie biegłości w pracy z narzędziami AI
  • Podsumowanie
• 8. Sztuczna inteligencja w testach eksploracyjnych
  • 8.1. Organizowanie testów eksploracyjnych z użyciem LLM-ów
    • 8.1.1. Rozszerzanie zidentyfikowanych zagrożeń za pomocą LLM-ów
    • 8.1.2. Rozszerzanie list kart testowych z użyciem LLM-ów
  • 8.2. Używanie LLM-ów podczas testów eksploracyjnych
    • 8.2.1. Budowanie zrozumienia
    • 8.2.2. Tworzenie danych na użytek sesji
    • 8.2.3. Eksplorowanie i badanie usterek
    • 8.2.4. Używanie LLM-ów do pomocy w testowaniu eksploracyjnym
  • 8.3. Podsumowanie notatek z testów z użyciem modeli językowych
  • Podsumowanie
• 9. Agenty AI jako asystenty testowania
  • 9.1. Agenty AI i LLM-y
    • 9.1.1. Co definiuje agenty AI?
    • 9.1.2. W jaki sposób agent współdziała z LLM-ami?
  • 9.2. Tworzenie asystenta testowania opartego na sztucznej inteligencji
    • 9.2.1. Konfigurowanie agenta AI
    • 9.2.2. Dawanie agentowi AI funkcji do wykonania
    • 9.2.3. Łączenie narzędzi w łańcuch
  • 9.3. Rozwijanie asystentów testowania opartych na AI
    • 9.3.1. Przykłady asystentów testowania opartych na AI
    • 9.3.2. Problemy w pracy z agentami
  • Podsumowanie

Część III. Kontekst - dostosowywanie LLM-ów do różnych kontekstów

• 10. Dostosowywanie LLM-ów
  • 10.1. Wyzwania związane z kontekstem
    • 10.1.1. Tokeny, okna kontekstu i ograniczenia
    • 10.1.2. Osadzanie kontekstu jako rozwiązanie
  • 10.2. Głębsze osadzanie kontekstu w promptach i LLM-ach
    • 10.2.1. RAG
    • 10.2.2. Dostrajanie LLM-ów
    • 10.2.3. Porównanie dwóch podejść
    • 10.2.4. Łączenie RAG i dostrajania
  • Podsumowanie
• 11. Kontekstualizowanie promptów z użyciem generowania wspomaganego wyszukiwaniem
  • 11.1. Rozszerzanie promptów z użyciem RAG
  • 11.2. Budowanie systemu RAG
    • 11.2.1. Budowanie systemu RAG
    • 11.2.2. Testowanie systemu RAG
  • 11.3. Ulepszanie magazynu danych używanego przez RAG
    • 11.3.1. Praca z wektorowymi bazami danych
    • 11.3.2. Konfigurowanie systemu RAG opartego na wektorowej bazie danych
    • 11.3.3. Testowanie systemu RAG opartego na wektorowej bazie danych
    • 11.3.4. Potencjał systemów RAG
  • Podsumowanie
• 12. Dostrajanie LLM-ów z wykorzystaniem wiedzy dziedzinowej
  • 12.1. Proces dostrajania
    • 12.1.1. Mapa procesu dostrajania
    • 12.1.2. Wyznaczanie celów
  • 12.2. Przeprowadzanie sesji dostrajania
    • 12.2.1. Przygotowywanie danych do treningu
    • 12.2.2. Wstępne przetwarzanie i konfiguracja
    • 12.2.3. Praca z narzędziami do dostrajania
    • 12.2.4. Uruchamianie procesu dostrajania
    • 12.2.5. Testowanie wyników dostrajania
    • 12.2.6. Wnioski z dostrajania modelu
  • Podsumowanie

A. Konfigurowanie i używanie ChatGPT

B. Konfigurowanie i używanie GitHub Copilota

C. Notatki z testów eksploracyjnych

pokaż cały spis treści

ukryj recenzje