Перевод статьи «How I Started Learning QA + AI as a Manual Tester, And Why You Should Too!».
🔥 Важное для QA-специалистов! 🔥
В QaRocks ты найдешь туториалы, задачи и полезные книги, которых нет в открытом доступе. Уже более 17.000 подписчиков – будь среди нас! Заходи к нам в телеграм канал QaRocks
Когда я впервые столкнулся с тестированием ИИ, меня охватили два чувства одновременно: азарт и растерянность.
Азарт — потому что было видно, что ИИ проникает в почти каждый продукт: чат-боты, системы рекомендаций, антифрод-системы, генерация изображений.
Растерянность — потому что я не знал, с чего начать. У меня не было опыта в ИИ или data science. Я работал как ручной тестировщик, а статьи по тестированию ИИ казались либо слишком теоретическими, либо чересчур сложными с технической точки зрения.
Поэтому я решил идти практическим путем, шаг за шагом. Я составил простой и последовательный план обучения, сосредоточенный на том, что действительно нужно знать QA-специалисту.
Вот план, который помог мне разобраться, как тестировать системы с ИИ, работать с инструментами на базе ИИ и получить полезные практические навыки.
Читайте также: Как ИИ и другие тенденции меняют QA в 2026 году
Неделя 1: Знакомство с ИИ и QA
Я начал с основ, без кода и сложной математики, просто разбираясь в концепциях.
Я разобрал, что означают такие термины, как Machine Learning (ML), Deep Learning (DL) и Natural Language Processing (NLP), простыми словами. Изучил, как компании вроде Uber, Netflix и Amazon используют ИИ и как это влияет на процесс QA.
Но важнее всего — я начал задавать себе ключевой вопрос:
Чем тестирование ИИ отличается от традиционного тестирования?
И тогда я узнал о таких вещах, как:
- недетерминированные результаты (один и тот же ввод — разный вывод);
- проблемы смещения модели и справедливости;
- дрейф данных и нестабильное поведение со временем.
Я также изучал реальные кейсы сбоев ИИ: чат-боты, которые выдавали неверные или вредоносные ответы, и предвзятые решения при выдаче кредитов. Это помогло мне понять, насколько высоки ставки при тестировании систем с ИИ.
Неделя 2: Как на самом деле тестировать функции с ИИ
Разобравшись с основными проблемами, я перешел к самому интересному — как вообще тестировать фичи с ИИ.
Я начал задавать себе непростые вопросы:
- Как определить «pass» или «fail», если результат каждый раз разный?
- Как тестировать чат-бота, который каждый раз генерирует разные ответы?
- Как проверять справедливость и отсутствие смещений в результатах?
Познакомился с понятием тестового оракула, узнал про пороги точности и понял, как тестировать объяснимость и прозрачность решений ИИ.
Я писал тест-кейсы для учебных чат-ботов, учился аккуратно и структурированно описывать непредсказуемое поведение. Заодно начал тестировать такие инструменты, как Bing AI, обращая внимание на edge cases, предвзятость и странные запросы.
Эта неделя полностью поменяла мое мышление: от жестких правил — к риск-ориентированному подходу и исследовательскому тестированию.
Неделя 3: Практика и инструменты ИИ-тестирования
На этой неделе теория наконец перешла в практику.
Я изучал такие платформы, как:
- Truera — для объяснимости моделей и обнаружения смещений;
- DeepChecks — для валидации моделей и проверок целостности;
- Google Teachable Machine — для создания простых моделей распознавания изображений.
Я тестировал результаты работы этих моделей и писал структурированные баг-репорты при обнаружении несоответствий.
Параллельно я начал тестировать ИИ-API, например moderation endpoint от OpenAI, через Postman: отправлял запросы, разбирался в нестабильных ответах и проверял безопасность контента и корректность результатов.
К концу недели я перестал быть просто читателем — я стал практикующим тестировщиком ИИ.
Неделя 4: Использование ИИ-инструментов для улучшения QA-тестирования
На этой неделе я учился работать умнее, используя ИИ-инструменты.
Я изучал:
- Testim и Mabl — инструменты автоматизации тестирования с поддержкой ИИ;
- Percy — инструмент визуального регрессионного тестирования на базе ИИ;
- инструменты, которые помогают находить flaky-тесты и улучшать покрытие тестами.
Я собрал умный тестовый набор в Testim и написал небольшой кейс на основе собственного опыта. В процессе я понял, что ИИ может помогать быстрее находить зоны риска и повышать эффективность тестирования — даже без написания сложного автоматизированного кода.
Бонусная неделя: превращаем обучение в портфолио
В конце я собрал все полученные знания в понятное и практичное портфолио:
- тест-планы для чат-бота;
- баг-репорты по ИИ-API;
- скриншоты инструментов тестирования, с которыми я работал;
- короткое описание того, что я делал и почему это было важно.
Я добавил все это в GitHub и Notion, обновил профиль в LinkedIn и начал делиться небольшими постами о своем опыте.
В результате выросла уверенность в себе, появилась видимость на рынке и даже открылись новые возможности — от обучения до первых фриланс-заказов в области ИИ и QA.
Заключение
Если ты мануальный тестировщик, джун или даже специалист без опыта в программировании, но тебе интересен ИИ — этот путь открыт для тебя.
Тебе не нужно становиться инженером по машинному обучению.
Достаточно понимать, что делает ИИ, как он себя ведет и как тестировать его осмысленно и эффективно.
Начни с малого. Учись понемногу каждый день. Потому что будущее QA — это не «тестировать больше», а «тестировать умнее».
В мире, где ИИ становится частью почти каждого продукта, тестировщики, которые понимают и качество программного обеспечения, и поведение ИИ, будут особенно востребованы.