Optimisez vos processus de test grâce à l’IA générative

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

• 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

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)

Une attestation de participation sera transmise aux participants