Section 7: ใช้ AI เขียนสคริปต์ทดสอบอัตโนมัติ
เกณฑ์การตัดสินว่า Test Case ไหนคุ้มที่จะทำอัตโนมัติและไหนควรทดสอบด้วยมือ
การแปลง Test Case เป็นสคริปต์ด้วย AI และการตรวจสิ่งที่ AI เขียนมา
การเลือก Selector ให้ทนต่อการเปลี่ยนหน้าจอ
การจัดโครงสร้างสคริปต์ให้ดูแลต่อได้ ไม่ใช่เขียนทิ้ง
Lab: แปลง Test Case เป็นสคริปต์อัตโนมัติแล้วรันกับระบบจริง
Section 8: ดูแลสคริปต์ไม่ให้เปราะ
สาเหตุที่สคริปต์ทดสอบพังบ่อยและวิธีป้องกันตั้งแต่ตอนเขียน
การจัดการการรอคอยและสถานะของหน้าจอให้ผลการทดสอบนิ่ง
การจัดการ Flaky Test ที่ผลไม่คงที่และการตัดสินใจว่าจะซ่อมหรือตัดทิ้ง
การใช้ AI ช่วยวิเคราะห์สาเหตุที่สคริปต์ล้มเหลวและเสนอวิธีแก้
Lab: ซ่อมสคริปต์ที่พังจากการเปลี่ยนหน้าจอให้กลับมาทำงานได้
Section 9: เลือกชุด Regression ตามความเสี่ยง
ปัญหาของการรัน Regression ทั้งชุดทุกครั้งเมื่อเวลาไม่พอ
การวิเคราะห์ว่าโค้ดที่เปลี่ยนกระทบส่วนใดของระบบบ้าง
การใช้ AI ช่วยเสนอชุดทดสอบที่ควรรันจากรายการสิ่งที่แก้ไข
การจัดชั้นชุดทดสอบเป็น Smoke, Critical Path และ Full Regression
การวางจังหวะรันในแต่ละรอบการพัฒนาให้เหมาะกับเวลาที่มี
Section 10: วิเคราะห์ผลและเขียนรายงาน Defect
การอ่านผลที่ล้มเหลวและแยกว่าเป็นบั๊กจริงหรือปัญหาที่ตัวสคริปต์เอง
องค์ประกอบของรายงาน Defect ที่นักพัฒนาแก้ต่อได้ทันทีโดยไม่ต้องถามกลับ
การใช้ AI ช่วยเรียบเรียงขั้นตอนการเกิดซ้ำและจัดระดับความรุนแรง
การจัดกลุ่มบั๊กที่มีสาเหตุเดียวกันเพื่อไม่ให้รายงานซ้ำซ้อน
Lab: เขียนรายงาน Defect จากผลการทดสอบจริงที่ทำมาในคลาส
Section 11: รายงานคุณภาพและข้อจำกัดของ AI
ตัวชี้วัดคุณภาพที่มีความหมายและตัวชี้วัดที่ทำให้ทีมปั่นตัวเลข
การสรุปสถานะคุณภาพให้ผู้บริหารเข้าใจโดยไม่ต้องลงรายละเอียดเทคนิค
จุดที่ AI มักพลาดในงานทดสอบ เช่น Test Case ที่ดูดีแต่ไม่ได้ทดสอบอะไรจริง
การตรวจทานผลลัพธ์ของ AI ก่อนนำไปใช้และการรักษาความรับผิดชอบไว้ที่คน
Lab: จัดทำรายงานคุณภาพหนึ่งหน้าสำหรับรอบการทดสอบที่ผ่านมา
Section 12: Capstone และการนำไปใช้จริง
โจทย์: วางแผนและทดสอบฟีเจอร์หนึ่งชุดตั้งแต่วิเคราะห์ Requirement จนถึงรายงานผล
การนำเสนอเหตุผลของการเลือกขอบเขตและลำดับการทดสอบ
แนวทางนำกระบวนการนี้กลับไปใช้กับทีมและการเริ่มจากจุดที่ได้ผลเร็วที่สุด
Workshop: นำเสนอผลงานและทบทวนแนวทางร่วมกันกับวิทยากร