🚀 Открытый бесплатный курс для тестировщиков «Что под капотом у ИИ»
29 сентября в 21:00 мск стартует бесплатный курс «Что под капотом у ИИ» в @qa_road_channel
🧑🏫 Ведущие:
Дима Алексеев, Senior QA-аналитик @qa_road_channel
Александр Бугров, Senior QA Engineer, магистр компьютерной лингвистики LMU München, автор канала «Тестирование из первых рук» @qa_iz_pervyx_ruk
📌 Курс состоит из 6 блоков
1. История и термины
AI, ML, DL, LLM, предпосылки прорыва, пионеры отрасли
2. Как работает LLM
Токенизация, эмбеддинги, attention, вероятность и сэмплинг, reasoning-модели
3. LLM в использовании
Промптинг, prompt injection, галлюцинации, RAG, fine-tuning
4. Что такое AI-агент
Отличие от чата с LLM, типы агентов, цикл работы агента, инструменты и память
5. Практическое применение
Паттерны внедрения агентов, vibe coding, здоровье кодовой базы, данные из исследований
6. Итоговый разбор
Как всё пройденное работает вместе
🧑💻 Для всех, кто хочет разобраться, что происходит под капотом у современного ИИ
💎 Результат: понимание архитектуры LLM и агентов, а не просто "ИИ работает как-то там"
💡 Формат: живые созвоны с вопросами в прямом эфире. Запись будет. Бесплатно!
👉 Приходить будет на канале @qa_road_channel
🚀Старт 29 сентября в 21:00 мск, не пропусти!
29 сентября в 21:00 мск стартует бесплатный курс «Что под капотом у ИИ» в @qa_road_channel
🧑🏫 Ведущие:
Дима Алексеев, Senior QA-аналитик @qa_road_channel
Александр Бугров, Senior QA Engineer, магистр компьютерной лингвистики LMU München, автор канала «Тестирование из первых рук» @qa_iz_pervyx_ruk
📌 Курс состоит из 6 блоков
1. История и термины
AI, ML, DL, LLM, предпосылки прорыва, пионеры отрасли
2. Как работает LLM
Токенизация, эмбеддинги, attention, вероятность и сэмплинг, reasoning-модели
3. LLM в использовании
Промптинг, prompt injection, галлюцинации, RAG, fine-tuning
4. Что такое AI-агент
Отличие от чата с LLM, типы агентов, цикл работы агента, инструменты и память
5. Практическое применение
Паттерны внедрения агентов, vibe coding, здоровье кодовой базы, данные из исследований
6. Итоговый разбор
Как всё пройденное работает вместе
🧑💻 Для всех, кто хочет разобраться, что происходит под капотом у современного ИИ
💎 Результат: понимание архитектуры LLM и агентов, а не просто "ИИ работает как-то там"
💡 Формат: живые созвоны с вопросами в прямом эфире. Запись будет. Бесплатно!
👉 Приходить будет на канале @qa_road_channel
🚀Старт 29 сентября в 21:00 мск, не пропусти!
🔥9❤3❤🔥1
Ссылка на все расширения - сохранить и использовать в работе
👍14❤🔥6❤2🔥1
Присоединяйся к нельзяграму
Постепенно буду раскрывать эту тему пока на таких картинках, раскрывая тему глубже:
Представь: AI умеет анализировать требования, находить проблемы и генерировать идеи для тестов.
Но сам по себе он не получает доступ к Jira, GitHub, браузеру или базе данных.
И здесь появляется MCP — Model Context Protocol.
MCP — открытый стандарт, который задаёт единый способ взаимодействия AI-приложения с внешними системами.
MCP-сервер может предоставлять AI:
🔹 Tools — инструменты и действия
🔹 Resources — данные и контекст
🔹 Prompts — готовые шаблоны инструкций
А что это даёт QA?
🐞 Jira → прочитать задачу или создать баг
📚 Confluence → получить требования
🌐 Browser → открыть сайт и выполнить сценарий
💻 GitHub → посмотреть код или изменения
🗄 БД → получить данные для проверки
И тогда получается уже не просто:
«AI, подскажи, как протестировать эту фичу»
А, например:
«Проанализируй задачу → проверь данные → выполни сценарий → зафиксируй результат».
Но есть важный нюанс 👇
MCP НЕ превращает AI автоматически в автономного QA-инженера.
Он предоставляет стандартизированный способ взаимодействия с инструментами и данными.
Что именно AI сможет сделать, зависит от подключённых MCP-серверов, доступных инструментов и настроек доступа.
Главная мысль:
MCP не заменяет знания QA.
Он помогает AI перейти от простого разговора к взаимодействию с рабочими системами.
А значит, у QA появляется ещё один инструмент для автоматизации рутины и работы с информацией.
Сохрани пост, если хочешь разобраться, как MCP можно применять именно в тестировании.
Подписывайся на @protestinginfo здесь разбираю сложные AI- и QA-технологии простыми словами.
Ставь 🔥, если уже завтра продолжить❤️
Постепенно буду раскрывать эту тему пока на таких картинках, раскрывая тему глубже:
Представь: AI умеет анализировать требования, находить проблемы и генерировать идеи для тестов.
Но сам по себе он не получает доступ к Jira, GitHub, браузеру или базе данных.
И здесь появляется MCP — Model Context Protocol.
MCP — открытый стандарт, который задаёт единый способ взаимодействия AI-приложения с внешними системами.
MCP-сервер может предоставлять AI:
🔹 Tools — инструменты и действия
🔹 Resources — данные и контекст
🔹 Prompts — готовые шаблоны инструкций
А что это даёт QA?
🐞 Jira → прочитать задачу или создать баг
📚 Confluence → получить требования
🌐 Browser → открыть сайт и выполнить сценарий
💻 GitHub → посмотреть код или изменения
🗄 БД → получить данные для проверки
И тогда получается уже не просто:
«AI, подскажи, как протестировать эту фичу»
А, например:
«Проанализируй задачу → проверь данные → выполни сценарий → зафиксируй результат».
Но есть важный нюанс 👇
MCP НЕ превращает AI автоматически в автономного QA-инженера.
Он предоставляет стандартизированный способ взаимодействия с инструментами и данными.
Что именно AI сможет сделать, зависит от подключённых MCP-серверов, доступных инструментов и настроек доступа.
Главная мысль:
MCP не заменяет знания QA.
Он помогает AI перейти от простого разговора к взаимодействию с рабочими системами.
А значит, у QA появляется ещё один инструмент для автоматизации рутины и работы с информацией.
Сохрани пост, если хочешь разобраться, как MCP можно применять именно в тестировании.
Подписывайся на @protestinginfo здесь разбираю сложные AI- и QA-технологии простыми словами.
Ставь 🔥, если уже завтра продолжить❤️
❤4🔥3❤🔥1