Optimisez vos processus de test grâce à l’IA générative

Combien de temps dure la formation ?

2,00 jour(s)

Dans quelle(s) langue(s) la formation est-elle donnée ?

EN FR

Quand a lieu la prochaine session ?

Qui organise cette formation ?

OXiane est spécialisé dans la conception et la réalisation de formations informatiques et de supports de cours pédagogiques sur les dernières technologies. Nos différentes filières permettent de couvrir tous les besoins en formation que ce soit en IT au sens large, mais également "Utilisateurs" et "Soft Skills" en Management, Communication & leadership.

À qui s’adresse la formation ?

Testeurs, QA Engineers, Chefs de projet, Architectes logiciels, et toute personne souhaitant intégrer l'IA générative dans ses pratiques de test

Quels sont les objectifs poursuivis ou les compétences visées ?

Comprendre et maitriser les techniques de requêtage adaptées à différents contextes
Maîtriser les méthodes de prompt engineering, telles que le prompting structuré, le few-shot prompting et les techniques avancées d'analyse documentaire, afin d'accélérer et de fiabiliser la conception, l'optimisation et l'automatisation des tests
Identifier et corriger les hallucinations, mettre en place des mesures pour prévenir les risques de fuites de données et de cybersécurité, et estimer l'empreinte carbone liée à l'usage de l'IA générative
Élaborer un plan de déploiement de l'IA générative dans son environnement de travail, en identifiant les usages à forte valeur ajoutée et les écueils à éviter

Quel est le contenu de la formation ?

Section 1 – Fondamentaux de l'IA générative appliquée aux tests logiciels

Panorama rapide : ML, DL, IA générative – ce qui change réellement pour les testeurs
Valeur ajoutée de l'IA générative : création de cas de test, data-set, scripts d'automatisation, analyses de résultats
Découverte d'un portail LLM : navigation, paramètres de température, limites de tokens

Section 2 – Prompt Engineering centré sur la génération de tests

Principes du prompt engineering : contexte, contraintes, format de sortie, few-shot & chain-of-thought
Atelier 1 : Générer des cas de test à partir de spécifications fonctionnelles
Atelier 2 : Enrichir des scénarios existants (variantes, données de bord, combinaisons)
Atelier 3 : Produire du code de test automatisé (JUnit/PyTest/Selenium) via LLM
Atelier 4 : Transformer des exigences non structurées (user stories, tickets) en tests exécutables
Bonnes pratiques de requêtage (prompt templates, validation, itérations)

Section 3 – Qualité, fiabilité et maîtrise des risques

Hallucinations, biais et erreurs de génération : comment les détecter et les corriger
Atelier 5 : Analyse de cas d'erreurs de tests générés (faux positifs/négatifs)
Sécurité et protection des données sensibles dans les prompts
Empreinte carbone et coût énergétique : bonnes pratiques pour limiter les appels inutiles
Risques organisationnels : perte de compétences, dépendance fournisseur, gouvernance IA
Cadre légal et conformité (European AI Act, ISO 25010)

Section 4 – Intégration opérationnelle de l'IA générative dans les workflows de test

Architecture simplifiée : LLM ? IDE/Test Framework
Atelier 6 : Plug-in LLM dans un IDE (VS Code / IntelliJ) pour génération instantanée de tests
Utilisation d'agents IA légers : déclenchement de génération de tests via commandes CLI
Gestion du cycle de vie des tests générés : revue, versionning, traçabilité dans les outils (ex : Jira)
Stratégies de monitoring et de feedback loop pour améliorer les prompts au fil du temps

Section 5 – Stratégie d'adoption et mise en pratique

Élaborer une feuille de route d'adoption : quick-wins vs projets pilotes
Sélection du modèle IA adapté (taille, coût, confidentialité) et critères de décision
Identification des cas d'usage prioritaires dans votre organisation (régression, API, UI, performance)