Опануйте AI-QA Engineering: From Manual QA to AI Pipeline

Час на курс: ~3 год live + 5–7 год take-home на тиждень, 6 тижнів. Уся практика робиться на наскрізному прогоні пайплайну, який потім лишається у вас як робочий інструмент і портфоліо. Якщо ви зараз готуєте тестові артефакти вручну — ви вже витрачаєте більше годин на задачу, ніж займе тиждень курсу.

Ні. Курс не вчить писати автотести й не замінює ваш automation framework. Він про інше — автоматизувати QA workflow за допомогою AI: аналіз задач, вимоги, checklist, test cases, PR summary, impact, coverage gaps. Для SDET цінність вибіркова — це upstream-артефакти й підготовка automation candidates, а не web testing як таке.

Так, це основна аудиторія. Ви не пишете автотести — ви проєктуєте скіли як процеси: вхід, scope, правила, output-template, критерії якості. Єдина технічна вимога — вміти читати PR/diff і базовий Git (для уроків 6–8). Якщо ви працюєте з тікетами, checklist і test cases — ви готові.

Ви, найпевніше, юзаєте AI «як у чаті»: контекст губиться, немає повторюваності, доказів і контролю кроку. Курс вчить будувати skill-chain, де output одного скіла = input наступного, помилки агента стають видимими й локалізованими, а кожен статус має evidence (file:line, UI-доказ). Це інженерія процесу, не «як краще попросити модель».

Конкретні фічі інструментів — так, оновлюються постійно. Тому вчимо не інструмент, а принципи AI-QA pipeline engineering: вузький scope, grounding, traceability, REQ-ID, human-in-the-loop, stop-gates. Claude і Cursor — лише приклади двох середовищ; той самий пайплайн ви адаптуєте під Codex, Copilot, ChatGPT чи внутрішній корпоративний AI. Логіка лишається сталою, коли інструмент змінюється.

Hybrid sandbox model. Є спільний course sandbox: тестова борда, навчальні тікети, demo repo, PR/diff, seeded bugs і expected outcomes — на ньому проходить оцінювання, щоб ментор порівнював результат з еталоном. Паралельно ви можете адаптувати скіли під власний безпечний тікет. Якщо дані конфіденційні або немає дозволу — повністю проходите курс і capstone на sandbox. Перед використанням реального тікета маскуєте customer data, secrets і будь-що чутливе.

Робочий AI-QA пайплайн з 10 SKILL.md + references + output-templates під ваш LLM, наскрізні артефакти прогону (task context, REQ-ID register, checklist, test suite, PR map, code verification, regression scope, web testing report, defect analysis), Coverage Critic Report з RTM, control matrix і 30-day rollout plan. Усе це — proof-of-skill для портфоліо і співбесіди.

Не за «красивими промптами», а за інженерним процесом. Кожна домашка здається в єдиному форматі: SKILL.md, input, output, self-check, issues, next-step. Рубрика — 5 критеріїв (scope control, grounding, output format, traceability, failure visibility), прохідний стандарт 8/10 для ключового скіла. Плюс mastery gates наприкінці кожного етапу: без замкненої попередньої стадії не йдемо далі.

Один наскрізний прогін нового тікета через усі 10 скілів без розриву golden thread — від сирого тікета до quality verdict. Рахуєте cost/run, time/run, bottlenecks, agent failure points і захищаєте, чому процес доцільний. Для QA Lead акцент на operating model і rollout, для SDET — на mapping артефактів у automation suite.

Так, з дозволу компанії та без чутливих даних. Для менторської перевірки потрібен хоча б один прогін на спільному sandbox — щоб результат можна було порівняти з expected outcomes. Додаткову адаптацію під власну борду показуєте як proof of applicability.

Даємо рахунок і опис програми — багато роботодавців покривають навчання й API-бюджет. Витрати на API (умовно ~$50 на Anthropic/OpenAI) — окремо, часто йдуть за рахунок компанії. Для команд — окрема пропозиція.

Випускники курсу отримують спеціальну вартість на заліку у магістратуру Neoversity (EQF7, EU диплом). Умови — за запитом на консультації.