KKC_0057 | Effektive KI Software-Tests mit LLMs

In diesem Seminar erarbeiten Sie die wichtigsten Konzepte, Werkzeuge und Einsatzmöglichkeiten praxisnah. Im Mittelpunkt stehen moderne KI-Entwicklung mit Sprachmodellen, Automatisierung, Datenpipelines, Tools und praxisnahe Implementierungen.

Sie lernen typische Einsatzszenarien kennen, bewerten Chancen und Grenzen und übertragen die Inhalte auf konkrete Aufgaben aus dem Arbeitsalltag. Praxisnahe Übungen, Beispiele und Leitfragen helfen Ihnen, das Thema strukturiert, sicher und nachvollziehbar anzuwenden.

• Sie verstehen Einsatzfelder von LLMs in Softwaretests und Qualitätssicherung.
• Sie nutzen Sprachmodelle zur Testfallgenerierung, Analyse und Dokumentation.
• Sie planen Automatisierungsszenarien für wiederkehrende Testaufgaben.
• Sie bewerten Grenzen, Risiken und Qualitätsanforderungen KI-gestützter Tests.
• Sie integrieren KI-Werkzeuge in bestehende Entwicklungs- und Testprozesse.
• Sie übertragen die Inhalte auf praktische Softwareprojekte und Teamsituationen.

Das Angebot richtet sich an Softwareentwickler/innen, Tester/innen, QA-Teams, Testmanager/innen, DevOps-Teams und technische Projektverantwortliche, die LLMs sinnvoll in Softwaretests und Qualitätssicherung integrieren möchten.

• Erfahrung in der Software-Entwicklung

1. Einführung in die Anwendung von generativer KI im Softwaretest
- Einführung in generative KI
- Nutzen generativer KI für Softwaretests
- Grundsätze beim Einsatz generativer KI im Test
- Praktische Übung: Nutzung der LLM-Workbench

2. Effektives Testen mit Large Language Models (LLM)
- Grundlagen des Prompt Engineering
- Techniken des Promptings
- Anwendungsbeispiele und Übungen:
- Erstellen von Testfällen
- Optimierung vorhandener Testfälle
- Automatisierung von Tests
- Analyse und Erstellung von Fehlerberichten
- Best Practices beim Prompting im Softwaretest
- Zusammenfassung und Diskussion der Erkenntnisse

3. Umgang mit Risiken generativer KI
- Bewältigung von Halluzinationen, Fehlern und Vorurteilen der KI
- Praktische Übung: Umgang mit Halluzinationen und Fehlern
- Datenschutz und Cybersecurity-Risiken
- Umweltaspekte und Energieverbrauch der KI
- Praktische Übung: Ermittlung des Energieverbrauchs der KI
- Weitere Risiken: Wissensverlust und Abhängigkeit von Drittanbietern
- Regulierung durch den EU AI Act

4. Einsatz von KI-basierten Anwendungen im Testen
- Testwerkzeuge mit integrierter generativer KI
- Nutzung von RAG (Retrieval Augmented Generation) für Unternehmensdaten
- Praktische Übung: Analysieren großer Dokumente mit RAG
- Integration generativer KI in Testprozesse
- Anpassung eines LLMs (Fine-Tuning)
- Praktische Übung: Einsatz von Testwerkzeugen mit GenAI-Funktionen
- LLMOps und KI-Agenten im Testen
- Vorführung eines virtuellen manuellen Testers
- Zusammenfassung und Diskussion

5. Abschluss: Erlernte Lektionen
- Praktische Anwendung generativer KI im Testen
- Auswahl des geeigneten KI-Modells für Testaktivitäten
- Abschließende Diskussion und Reflexion