Seminar QF-Test Mobile: AI-gestützte Prüfungen und Testdaten

Einordnung

Der Workshop behandelt den kontrollierten Einsatz der AI-Integration in mobilen Tests. Im Mittelpunkt stehen Anwendungsfälle, bei denen deterministische Prüfungen allein nicht ausreichen, etwa variable Texte, semantisch gleichwertige Meldungen oder umfangreiche Testdaten. Sämtliche Übungen folgen einem prüfbaren Aufbau mit klaren Akzeptanzkriterien, Protokollierung und konventionellen Rückfallebenen.

Inhaltsverzeichnis

1. Einordnung
2. Lernziele
3. Zielgruppe
4. Voraussetzungen
5. Schrittweise Seminarinhalte
6. Praxisübungen
7. Methodik

Lernziele

• geeignete und ungeeignete AI-Anwendungsfälle in mobilen Tests unterscheiden
• eine freigegebene Modellanbindung sicher und nachvollziehbar konfigurieren
• semantische Prüfungen mit eindeutigen Bewertungskriterien formulieren
• strukturierte Testdaten erzeugen, validieren und versionierbar ablegen
• Kosten, Datenschutz, Reproduzierbarkeit und Fallbacks in die Testarchitektur integrieren

Zielgruppe

• Testautomatisierungsfachkräfte
• QA Engineers
• Testarchitektinnen und Testarchitekten
• Entwicklungsnahe Tester mit QF-Test-Erfahrung

Voraussetzungen

Sichere Grundlagen in QF-Test, vorhandene mobile Testsuite und eine freigegebene AI-Integration oder lokale Modellumgebung.

Schrittweise Seminarinhalte

1. Anwendungsfälle und Entscheidungsregeln festlegen

1. Variable mobile Inhalte werden nach fachlicher Relevanz und Determinierbarkeit klassifiziert.
2. Für jeden Kandidaten wird geprüft, ob eine klassische Text-, Muster- oder Komponentenprüfung vorzuziehen ist.
3. AI-Einsatzfälle erhalten messbare Akzeptanzkriterien, Ausschlusskriterien und einen konventionellen Fallback.

2. Modellanbindung kontrolliert einrichten

1. Verbindungsparameter und Zugangsdaten werden außerhalb wiederverwendbarer Testlogik verwaltet.
2. Ein minimaler Konnektivitätstest prüft Erreichbarkeit, Antwortformat und Zeitüberschreitung.
3. Run-Log-Ausgaben werden so begrenzt, dass vertrauliche Testdaten nicht unbeabsichtigt protokolliert werden.

3. Semantische Prüfungen erstellen

1. Ein mobiles Prüfelement wird mit fachlichem Kontext und eindeutiger Prüffrage vorbereitet.
2. Erwartete Antwortstruktur, zulässige Abweichungen und Abbruchbedingungen werden definiert.
3. Die Modellantwort wird normalisiert, validiert und in ein eindeutiges Testergebnis überführt.
4. Ein deterministischer Gegencheck schützt kritische Freigabekriterien vor Fehlinterpretationen.

4. Testdaten reproduzierbar generieren

1. Datenanforderungen werden als Schema mit Datentypen, Wertebereichen und Negativfällen beschrieben.
2. Erzeugte Datensätze werden gegen das Schema und fachliche Plausibilitätsregeln geprüft.
3. Freigegebene Datensätze werden versioniert; spontane Generierung bleibt auf explorative Läufe begrenzt.

5. Qualität und Governance absichern

1. Prompt-Version, Modellkonfiguration und Bewertungsregeln werden gemeinsam dokumentiert.
2. Stichproben und Vergleichsläufe messen Konsistenz sowie falsch positive und falsch negative Bewertungen.
3. Timeouts, Kontingente, Ausfälle und nicht eindeutige Antworten erhalten definierte Ersatzpfade.

Praxisübungen

• Semantische Bewertung einer variablen mobilen Bestätigungsmeldung
• Erzeugung und Schema-Prüfung eines Satzes positiver und negativer Formulardaten
• Einbau eines deterministischen Fallbacks bei Zeitüberschreitung oder unklarer Antwort
• Review eines AI-Prüfschritts anhand einer Governance-Checkliste

Methodik

Kurze technische Einordnungen wechseln mit geführter Konfiguration, Einzelübungen und gemeinsamer Qualitätsprüfung. Die Übungen bauen auf einer vorhandenen mobilen Testsuite auf und enden jeweils mit einer reproduzierbaren Kontrollmessung.