Лабораторные работы Цифровая кафедра ФЭА 4 семестр / Введение в тестирование ПО / cktestposix

МИНОБРНАУКИ РОССИИ

Санкт-Петербургский государственный

электротехнический университет

«ЛЭТИ» им. В.И. Ульянова (Ленина)

Цифровая Кафедра

ПРАКТИЧЕСКАЯ РАБОТА №6

Применение искусственного интеллекта в тестировании

Студенты гр. 4404		Комарницкий М. С. Коншин М. В. Кудрявцев С. А.
Преподаватель		Турнецкая Е.Л.

Санкт-Петербург

2026

Цель.

Получение практических навыков применения искусственного интеллекта в тестировании программного обеспечения.

Описание модели ИИ и сферы тестирования.

Для выполнения практического задания была выбрана отечественная нейросетевая модель YandexGPT. Данная модель разработана компанией «Яндекс», генерирует текст на основе запросов пользователя и находится в свободном доступе.

• Ссылка на доступ: https://ya.ru/.

• Сфера тестирования: В данной работе ИИ применялся для автоматизации рутинных задач ручного тестирования и тест-дизайна: генерации тестовых данных, разработки тестовой документации (чек-листов, баг-репортов), получения теоретической справки и создания тестовых опросников.

Скриншоты с запросами, ответами и комментариями.

3.1 Запрос на генерацию тестовых данных (п. 4.1)

Запрос: Сгенерируй тестовые данные для 5 пользователей маркетплейса (Имя, Возраст от 18 до 60, Email, Номер телефона) и выведи их в виде таблицы.

Рисунок 1 - Запрос на генерацию тестовых данных по шаблону

Комментарий к результату: Нейросеть успешно распознала шаблон и ограничения (возраст строго от 18 до 60). Данные сгенерированы в удобном табличном виде, номера телефонов и email-адреса выглядят реалистично. Это значительно ускоряет подготовку данных для позитивного тестирования форм регистрации.

3.2 Запрос на предоставление определений (п. 4.2).

Запрос: Объясни простыми словами, что такое "Попарное тестирование" (Pairwise testing) в тестировании ПО, и приведи один короткий пример.

Рисунок 2 - Запрос на предоставление определения из сферы тестирования

Комментарий к результату: ИИ корректно объяснил суть техники попарного тестирования (комбинаторика) и привел понятный пример. Использование уточнения "простыми словами" помогло избежать излишне сложной терминологии.

3.3 Запросы на составление тестовой документации (п. 4.3)

Запрос 1 (Чек-лист): Составь подробный чек-лист для тестирования функционала "Корзина покупок" в интернет-магазине. Разбей проверки на логические блоки.

Рисунок 3 - Запрос на создание чек-листа для "Корзины покупок"

Комментарий к результату: Модель сгенерировала структурированный чек-лист, охватив основные аспекты: отображение заказа, управление товарами в корзине, расчеты и цены и тд. Это отличный драфт для тестировщика.

Запрос 2 (Баг-репорт): Напиши баг-репорт по всем стандартам (с приоритетом, серьезностью, шагами, ОР и ФР). Дефект: при фильтрации товаров в каталоге по цене "от 1000 до 2000 рублей", в выдаче отображаются товары стоимостью 5000 рублей.

Рисунок 4 — Запрос на создание отчета о дефекте (баг-репорта)

Комментарий к результату: Баг-репорт составлен по классической структуре. Модель верно определила приоритет (Высокий) и серьезность (Значительная/Мажорная) дефекта, так как сломан важный бизнес-функционал (поиск и фильтрация).

3.4 Запрос на составление теоретического вопроса (п. 4.4).

Запрос: Составь один сложный теоретический вопрос для проверки знаний Junior QA по технике тест-дизайна "Анализ граничных значений". Напиши 4 варианта ответа и укажи правильный с кратким объяснением.

Рисунок 5 - Запрос на генерацию тестового вопроса по техникам тестирования

Комментарий к результату: Сгенерированный вопрос релевантен. Нейросеть правильно подобрала граничные значения для условия и дала корректное обоснование правильному ответу. Инструмент применим для подготовки к собеседованиям или составления тестов для стажеров.

3.5 Самостоятельный запрос: возможности применения ИИ (п. 4.5).

Запрос: Напиши регулярное выражение (RegEx) для проверки валидности российского номера телефона (с учетом +7 и 8). Затем напиши 3 позитивных тест-кейса и 3 негативных тест-кейса для проверки этого регулярного выражения.

Рисунок 6 - Запрос на написание регулярного выражения и тест-кейсов к нему

Комментарий к результату: Этот запрос демонстрирует, как ИИ может помогать тестировщикам не только с текстом, но и с кодом/выражениями, которые применяются при тестировании API или валидации полей. Модель выдала рабочее регулярное выражение и сразу подготовила данные для его проверки (как валидные форматы номеров, так и невалидные - с лишними символами или недостающей длиной).

Результаты оценки корректности и объяснение полученных результатов.

Проведенная оценка ответов YandexGPT показала высокую релевантность и техническую грамотность сгенерированных текстов.

• Шаблоны тестовых данных и структура баг-репорта соответствуют общепринятым стандартам в QA.

• Определение попарного тестирования дано точно и без фактических ошибок.

• При генерации регулярного выражения модель учла национальную специфику (коды +7 и 8), что говорит о хорошем контекстном понимании.

Объяснение результатов: Высокая точность ответов обусловлена правильно сформулированными промптами (запросами). В запросах указывались конкретные рамки ("5 пользователей", "разбей на блоки", "по всем стандартам"), что сузило область поиска для ИИ и позволило избежать генерации нерелевантной информации (галлюцинаций).

Вывод.

В ходе выполнения практической работы была достигнута главная цель: получены практические навыки применения искусственного интеллекта (на базе YandexGPT) в тестировании программного обеспечения.

В процессе выполнения я освоил методы составления эффективных промптов (запросов) для автоматизации задач тест-дизайна. Были получены навыки генерации структурированных тестовых данных, разработки чек-листов и стандартизированных отчетов о дефектах. Кроме того, на практике проверена способность ИИ объяснять сложные концепции (техники тест-дизайна) и генерировать технические элементы (регулярные выражения).

Возникшие проблемы и пути решения: Основная сложность заключалась в том, что при слишком общих запросах нейросеть могла выдавать "воду" или упускать важные атрибуты баг-репорта. Проблема была решена путем итеративного уточнения запросов: добавления ролей, конкретных форматов вывода (например, "в виде таблицы") и жестких ограничений. Использование ИИ доказало свою эффективность как инструмента-помощника, способного значительно сократить время QA-инженера на написание рутинной документации, однако результаты генерации всегда требуют валидации и ревью со стороны человека.

Список использованных источников.

1. Что такое YandexGPT. Блог компании Yandex URL: https://ya.ru/ai/gpt-2

2. Методические указания к практической работе №6 "Применение искусственного интеллекта в тестировании", СПбГЭТУ «ЛЭТИ», 2024 г.

3. Документация Yandex Cloud. Практические советы по написанию промптов. URL: https://yandex.cloud/ru/docs/foundation-models/concepts/yandexgpt/prompts