ໂທ. 02-570-8449 ມືຖື 088-807-9770 ຊຳລະເງິນ
ຈ–ສ 9:00–17:00 ໂມງ @itgenius
ສະຖາບັນໄອທີຈີເນຍສ໌IT Genius Institute
ສະຖາບັນໄອທີຈີເນຍສ໌IT Genius Institute
ຫຼັກສູດເວີກຊັອບຕາຕະລາງຝຶກອົບຮົມ
ສຳລັບອົງກອນ
ຝຶກອົບຮົມພາຍໃນອົງກອນ (In-house)AI Transformationຝຶກອົບຮົມໜ່ວຍງານລັດບໍລິການພັດທະນາລະບົບເຊົ່າຫ້ອງຝຶກອົບຮົມ
ບົດຄວາມ
ກ່ຽວກັບພວກເຮົາ
ຮູ້ຈັກສະຖາບັນໄອທີຈີເນຍສ໌ວິທະຍາກອນຜົນງານລູກຄ້າຂອງພວກເຮົາຊ່ອງທາງຊຳລະເງິນ
ຕິດຕໍ່ພວກເຮົາຄອສອອນລາຍ
ຮູບແບບສີ
ພາສາ
THENLA
ສອບຖາມຫຼັກສູດເລືອກຊ່ອງທາງທີ່ສະດວກ ທີມງານຕອບເອງທຸກຊ່ອງທາງ
LINE @itgeniusຕອບໄວທີ່ສຸດ · ຈ–ສ 9:00–17:00 ໂມງ
ໂທລະສັບ
02-570-8449ຫ້ອງການ088-807-9770ມືຖື
ອີເມວ ແລະ ໂຊຊຽວ
contact@itgenius.co.thສຳລັບໃບສະເໜີລາຄາ ແລະ ເອກະສານFacebookitgeniusonlineYouTubeitgeniusengຂໍຄຳປຶກສາຈັດຝຶກອົບຮົມໃຫ້ທີມ
ໜ້າຫຼັກ / ຫຼັກສູດ / AI / ລາຍລະອຽດ
AI · AIC-58

AI for QA & Software Testing

หลักสูตร AI for QA & Software Testing เป็นการอบรมการใช้ AI ในทุกขั้นตอนงานทดสอบ ตั้งแต่วิเคราะห์ Requirement ออกแบบ Test Case สร้าง Test Data ทดสอบ API ดูแลสคริปต์อัตโนมัติ จนถึงเลือก Regression และรายงานคุณภาพ พร้อมรู้ข้อจำกัดของ AI เหมาะกับ QA Engineer, Software Tester, Manual Tester และ QA Lead

ອັບເດດລ່າສຸດ
AI for QA & Software Testing
ລາຄາເລີ່ມຕົ້ນ 8,010 ບາດ / ທ່ານ 8,900 −10% ຍັງບໍ່ລວມ VAT 7% · ມີລາຄາໝູ່ຄະນະ
ຂໍໃບສະເໜີລາຄາຝຶກອົບຮົມອົງກອນ ລົງຊື່ຈອງໄວ້
PDFດາວໂຫຼດ Course Outline
  • ໄລຍະເວລາ12 ຊົ່ວໂມງ · 2 ມື້
  • ຮູບແບບຢູ່ສະຖາບັນ / ອອນລາຍສົດ
  • ຮອບຕໍ່ໄປເປີດຕາມຄຳຂໍ
  • ລະດັບຂັ້ນກາງ

ພາບລວມຫຼັກສູດ

งาน QA ส่วนใหญ่หมดไปกับงานที่ทำซ้ำ เขียน Test Case ทีละข้อจากเอกสารที่ไม่ครบ เตรียมข้อมูลทดสอบทีละชุด ไล่รันสคริปต์ที่พังเพราะหน้าจอเปลี่ยนนิดเดียว แล้วยังต้องสรุปผลส่งทีมอีก พอเวลาไม่พอก็ต้องเลือกว่าจะทดสอบอะไรและปล่อยอะไรผ่านไป ซึ่งเป็นจุดที่บั๊กมักหลุดขึ้น Production หลักสูตรนี้ใช้ AI ตัดเวลางานซ้ำเหล่านั้นออก แล้วเอาเวลาที่ได้คืนไปทุ่มกับการคิดว่าอะไรควรทดสอบและอะไรเสี่ยงที่สุด ผู้เรียนจะได้ใช้ AI ช่วยตั้งแต่วิเคราะห์ Requirement

เพื่อหาความเสี่ยง ออกแบบ Test Case ด้วยเทคนิคมาตรฐานอย่าง Equivalence Partitioning และ Boundary Value สร้าง Test Data ที่ครอบคลุมโดยไม่ใช้ข้อมูลจริงของลูกค้า ทำ Exploratory Testing แบบมีทิศทาง ทดสอบ API ตามสเปก เขียนและซ่อมสคริปต์อัตโนมัติ เลือกชุด Regression ตามความเสี่ยง วิเคราะห์ผลที่ล้มเหลวและเขียนรายงาน Defect ที่นักพัฒนาแก้ต่อได้ทันที ไปจนถึงการสรุปคุณภาพเสนอผู้บริหาร พร้อมบทที่ว่าด้วยขอบเขตที่ AI เชื่อไม่ได้และต้องตรวจเองเสมอ ปิดท้ายด้วย Capstone ที่วางแผนและทดสอบระบบหนึ่งตัวครบวงจร (อบรม 2 วัน วันละ 6 ชั่วโมง รวม 12 ชั่วโมง ระดับ Beginner ถึง Intermediate)

ສິ່ງທີ່ທ່ານຈະໄດ້ຮັບ

  • ใช้ AI ช่วยงาน QA ได้ครบทุกขั้นตอน และรู้ว่าขั้นตอนไหนต้องตรวจทานด้วยตัวเองเสมอ
  • วิเคราะห์ Requirement เพื่อหาจุดเสี่ยงและกำหนดขอบเขตการทดสอบให้ตรงจุด
  • ออกแบบ Test Case ด้วยเทคนิคมาตรฐานและใช้ AI ขยายให้ครอบคลุมกรณีที่มักตกหล่น
  • สร้าง Test Data ที่ครอบคลุมและปลอดภัยโดยไม่ใช้ข้อมูลจริงของลูกค้า
  • ทำ Exploratory Testing อย่างมีทิศทางด้วย Charter และบันทึกผลที่ตรวจสอบย้อนหลังได้
  • ทดสอบ API จากสเปกและตรวจสอบพฤติกรรมทั้งกรณีปกติและกรณีผิดพลาด
  • ใช้ AI ช่วยเขียน ซ่อม และดูแลสคริปต์ทดสอบอัตโนมัติให้ไม่เปราะ
  • เลือกชุด Regression ตามความเสี่ยงเมื่อเวลาทดสอบมีจำกัด
  • วิเคราะห์ผลที่ล้มเหลว เขียนรายงาน Defect ที่ชัดเจน และสรุปคุณภาพเสนอผู้บริหารได้

ຫຼັກສູດນີ້ເໝາະສຳລັບ

  • QA Engineer และ Software Tester ที่ต้องการลดงานซ้ำและเพิ่มความครอบคลุม
  • Manual Tester ที่อยากเริ่มทำงานอัตโนมัติแต่ไม่ได้มาสายเขียนโปรแกรม
  • นักพัฒนาซอฟต์แวร์ที่ต้องทดสอบงานของตัวเองก่อนส่งทีม
  • QA Lead และ Test Manager ที่ต้องวางแผนทดสอบและรายงานคุณภาพ
  • Business Analyst และ Product Owner ที่ต้องตรวจรับงานก่อนขึ้นระบบจริง

ພື້ນຖານຂອງຜູ້ເຂົ້າຝຶກອົບຮົມ

  • เข้าใจกระบวนการพัฒนาซอฟต์แวร์และเคยมีส่วนร่วมกับการทดสอบระบบมาบ้าง
  • ใช้งานคอมพิวเตอร์และเบราว์เซอร์ในระดับคล่อง ไม่จำเป็นต้องเขียนโปรแกรมเป็น
  • หากอ่านโค้ดพื้นฐานได้จะช่วยให้ช่วงเขียนสคริปต์อัตโนมัติเรียนได้ลื่นขึ้น
  • เตรียมระบบหรือเว็บที่ดูแลอยู่มาหนึ่งตัวเพื่อใช้ตลอด Workshop จะได้ประโยชน์สูงสุด

ຫົວຂໍ້ການຝຶກອົບຮົມ

รายละเอียดหลักสูตร

อบรม 2 วัน วันละ 6 ชั่วโมง รวม 12 ชั่วโมง (09:00-16:00 น.) รูปแบบบรรยายพร้อม Workshop ลงมือทำกับระบบจริง ระดับ Beginner ถึง Intermediate หลักสูตรนี้เน้นวิธีคิดและกระบวนการทดสอบมากกว่าการเจาะลึกเครื่องมือใดเครื่องมือหนึ่ง จึงนำไปปรับใช้กับ Framework อื่นได้ ผู้ที่ต้องการลงลึกเฉพาะ Playwright แนะนำหลักสูตร Playwright ทดสอบเว็บอัตโนมัติแบบ End-to-End แยกต่างหาก ผู้เรียนจะได้ชุด Prompt Template สำหรับงาน QA ทุกขั้นตอน Template Test Plan, Test Case, Defect Report และ Quality Report พร้อมสคริปต์ตัวอย่างกลับไปใช้งานจริง

Day 1 ออกแบบการทดสอบด้วย AI

Section 1: AI ในงาน QA และขอบเขตที่ควรใช้

  • งาน QA ที่กินเวลามากที่สุดและจุดที่ AI ช่วยได้จริง

  • งานที่ AI ทำแทนไม่ได้ เช่น การตัดสินว่าอะไรเสี่ยงพอที่จะต้องทดสอบ

  • ภาพรวมเส้นทางทั้งหมดตั้งแต่วางแผนจนถึงรายงานคุณภาพ

  • ความเสี่ยงเรื่องข้อมูลลับของลูกค้าเมื่อใช้เครื่องมือ AI ภายนอก

  • การเตรียมเครื่องมือและบัญชีให้พร้อมใช้ตลอดสองวัน

Section 2: วิเคราะห์ Requirement และวางแผนทดสอบ

  • การอ่าน Requirement เพื่อหาจุดที่กำกวมและเงื่อนไขที่ยังไม่ระบุ

  • การใช้ AI ตั้งคำถามกลับไปยังทีมพัฒนาเพื่อปิดช่องว่างก่อนเริ่มทดสอบ

  • การประเมินความเสี่ยงเพื่อจัดลำดับว่าจะทดสอบอะไรก่อน

  • องค์ประกอบของ Test Plan ที่กระชับและใช้งานได้จริง

  • Lab: เขียน Test Plan จาก Requirement ของระบบที่ผู้เรียนดูแลอยู่

Section 3: ออกแบบ Test Case ด้วยเทคนิคมาตรฐาน

  • Equivalence Partitioning และ Boundary Value Analysis

  • Decision Table และ State Transition สำหรับเงื่อนไขที่ซับซ้อน

  • การเขียน Test Case ที่ระบุเงื่อนไขเริ่มต้น ขั้นตอน และผลลัพธ์ที่คาดหวังชัดเจน

  • การใช้ AI ขยายชุด Test Case ให้ครอบคลุมกรณีที่คนมักมองข้าม

  • การตัดกรณีซ้ำซ้อนออกเพื่อไม่ให้ชุดทดสอบบวมเกินจำเป็น

  • Lab: สร้างชุด Test Case จากฟีเจอร์จริงพร้อมตรวจความครอบคลุม

Section 4: การเตรียม Test Data

  • ประเภทของข้อมูลทดสอบและกรณีขอบที่ต้องมีเสมอ

  • การใช้ AI สร้างข้อมูลจำลองที่สมจริงโดยไม่ใช้ข้อมูลจริงของลูกค้า

  • การทำข้อมูลให้ไม่ระบุตัวตนและข้อควรระวังตาม พ.ร.บ. คุ้มครองข้อมูลส่วนบุคคล

  • การเตรียมชุดข้อมูลให้ทดสอบซ้ำได้ผลเหมือนเดิมทุกครั้ง

  • Lab: สร้างชุด Test Data ครอบคลุมทุกกรณีของ Test Case ที่ออกแบบไว้

Section 5: Exploratory Testing อย่างมีทิศทาง

  • ความต่างระหว่างการทดสอบตาม Script กับ Exploratory Testing

  • การเขียน Charter เพื่อกำหนดขอบเขตและเป้าหมายของแต่ละรอบ

  • การใช้ AI ช่วยตั้งสมมติฐานว่าระบบน่าจะพังตรงไหน

  • การบันทึกสิ่งที่ทำและสิ่งที่พบให้ตรวจสอบย้อนหลังได้

  • Lab: ทำ Exploratory Session กับระบบจริงแล้วสรุปผลที่พบ

Section 6: การทดสอบ API

  • การอ่านสเปก OpenAPI เพื่อถอดรายการสิ่งที่ต้องทดสอบ

  • การออกแบบชุดทดสอบทั้งกรณีปกติ กรณีข้อมูลผิด และกรณีไม่มีสิทธิ์

  • การตรวจสอบรหัสสถานะ โครงสร้างข้อมูลตอบกลับ และข้อความแจ้งข้อผิดพลาด

  • การใช้ AI สร้างชุดทดสอบ API จากสเปกและตรวจว่าครบทุกจุด

  • Lab: สร้างและรันชุดทดสอบ API ด้วย Postman จากสเปกจริง

Day 2 อัตโนมัติ วิเคราะห์ผล และรายงาน

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

ຮອບຝຶກອົບຮົມ ແລະ ຮູບແບບການຝຶກອົບຮົມ

ສຳລັບບຸກຄົນ — ຮອບຝຶກອົບຮົມທົ່ວໄປ

ຂະນະນີ້ຍັງບໍ່ມີຮອບຝຶກອົບຮົມເປີດຮັບສະໝັກ ລົງຊື່ຈອງໄວ້ໄດ້ເລີຍ ທີມງານຈະຕິດຕໍ່ກັບເປັນກຸ່ມທຳອິດເມື່ອເປີດຮອບຕໍ່ໄປ ຫຼື ສອບຖາມທາງ LINE ຫຼື ໂທ 02-570-8449 ຫຼື 088-807-9770

ລົງຊື່ຈອງໄວ້ ສອບຖາມຮອບຝຶກອົບຮົມ

ສຳລັບອົງກອນ — In-house / Private Training

  • ປັບເນື້ອໃນໃຫ້ກົງກັບເຄື່ອງມື ແລະ ວຽກຈິງຂອງທີມ
  • ເລືອກວັນເອງ ຝຶກອົບຮົມທີ່ບໍລິສັດ ຫຼື ອອນລາຍສົດ
  • ອອກໃບສະເໜີລາຄາໃນນາມນິຕິບຸກຄົນໃຫ້ຝ່າຍຈັດຊື້
ຂໍໃບສະເໜີລາຄາຝຶກອົບຮົມອົງກອນ

ວິທະຍາກອນຜູ້ສອນ

ຄຳຖາມທີ່ພົບເລື້ອຍ

Boundary Value Analysis คืออะไร ใช้ออกแบบ Test Case อย่างไร

Boundary Value Analysis คือการเลือกค่าทดสอบที่ขอบของช่วงข้อมูล เพราะข้อผิดพลาดมักเกิดตรงขอบ เช่น ช่องอายุที่รับค่า 18 ถึง 60 ให้ทดสอบ 17 18 60 และ 61 มักใช้คู่กับ Equivalence Partitioning ที่แบ่งค่าเป็นกลุ่มที่ระบบควรทำงานเหมือนกัน แล้วเลือกตัวแทนกลุ่มละหนึ่งค่า ทั้งสองเทคนิคช่วยลดจำนวน Test Case โดยยังครอบคลุมจุดเสี่ยงสำคัญ

ใช้ AI ช่วยออกแบบ Test Case ให้ได้ผลทำอย่างไร

เริ่มจากให้ Requirement หรือ User Story ที่ชัดเจนพร้อมกฎทางธุรกิจ แล้วสั่งให้ AI ใช้เทคนิคที่ระบุ เช่น Boundary Value หรือ Decision Table และกำหนดรูปแบบผลลัพธ์ให้มีเงื่อนไขเริ่มต้น ขั้นตอน และผลที่คาดหวัง จากนั้นให้ AI เสนอกรณีที่คนมักมองข้าม แล้วคนตรวจทานตัดกรณีที่ซ้ำหรือผิด และจัดลำดับตามความเสี่ยง ไม่ควรใส่ข้อมูลจริงของลูกค้าลงในเครื่องมือ AI ภายนอก

Flaky Test คืออะไร และควรจัดการอย่างไร

Flaky Test คือเทสต์ที่ผลไม่คงที่ บางครั้งผ่าน บางครั้งล้ม ทั้งที่โค้ดไม่ได้เปลี่ยน สาเหตุที่พบบ่อยคือการรอหน้าจอไม่ถูกจังหวะ ข้อมูลทดสอบที่ใช้ร่วมกัน หรือ Selector ที่ผูกกับโครงสร้างหน้าเว็บ ควรแยกเทสต์ที่ไม่นิ่งออกมาก่อนเพื่อไม่ให้ทีมเลิกเชื่อผลทดสอบ แล้วหาต้นเหตุจาก Log ภาพหน้าจอ หรือ Trace และตัดสินใจว่าจะซ่อมหรือตัดทิ้ง AI ช่วยวิเคราะห์สาเหตุและเสนอวิธีแก้ได้

หลักสูตร AI for QA & Software Testing เหมาะกับใคร ต้องมีพื้นฐานอะไรมาก่อน

เหมาะกับ QA Engineer และ Software Tester ที่ต้องการลดงานซ้ำและเพิ่มความครอบคลุม Manual Tester ที่อยากเริ่มทำงานอัตโนมัติแต่ไม่ได้มาสายเขียนโปรแกรม นักพัฒนาที่ต้องทดสอบงานตัวเอง และ QA Lead ที่ต้องวางแผนและรายงานคุณภาพ ควรเข้าใจกระบวนการพัฒนาซอฟต์แวร์และเคยมีส่วนร่วมกับการทดสอบมาบ้าง ใช้คอมพิวเตอร์ได้คล่อง ไม่จำเป็นต้องเขียนโปรแกรมเป็น

เรียนจบหลักสูตร AI for QA & Software Testing แล้วทำอะไรได้บ้าง

เขียน Test Plan จาก Requirement ออกแบบ Test Case ด้วยเทคนิคมาตรฐานร่วมกับ AI สร้าง Test Data จำลองที่ไม่ใช้ข้อมูลจริงของลูกค้า ทำ Exploratory Testing อย่างมีทิศทาง ทดสอบ API ด้วย Postman จากสเปก OpenAPI แปลง Test Case เป็นสคริปต์อัตโนมัติและดูแลไม่ให้เปราะ เลือกชุด Regression ตามความเสี่ยง และจัดทำรายงานคุณภาพ ผู้ผ่านการอบรมได้รับใบประกาศนียบัตร (Certificate of Completion) ที่มีเลขที่ของตัวเองและตรวจสอบออนไลน์ได้

จัดอบรมหลักสูตร AI for QA & Software Testing ให้ทีมในองค์กรได้ไหม

ได้ หลักสูตรนี้จัดเป็นการอบรมแบบ In-house ให้ทีมในองค์กรได้ และปรับตัวอย่างให้ตรงกับงานของทีม เช่น ใช้ระบบหรือเว็บที่ทีมดูแลอยู่เป็นโจทย์ทำ Test Plan และชุดทดสอบตลอด Workshop ขอใบเสนอราคาได้จากหน้านี้ หรือติดต่อทาง LINE @itgenius โทร 02-570-8449