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.

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.

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

Впроцессе 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/foundationmodels/concepts/yandexgpt/prompts