Testy Playwright napędzane AI - od agentów E2E po inteligentne testy API

Radosław Wasik

•  Generowanie i modyfikowanie testów e2e i API z pomocą AI (framework testowy: Playwright).
• Praca z agentami testowymi i narzędziami MCP / Stagehand.
• Wykorzystanie AI do testów dostępności, danych testowych i walidacji logiki.
• Łączenie AI z CI/CD oraz utrzymanie generowanych testów.

Holistyczne Bezpieczeństwo Aplikacji narzędzia metody standardy i AI

Rafał Krząpa

Jednodniowy, intensywny warsztat pokazujący, jak skutecznie wykorzystać sztuczną inteligencję w automatyzacji testów z użyciem Cypress. Uczestnicy poznają praktyczne zastosowania AI w tworzeniu, analizie i utrzymaniu testów E2E, organizacji projektu testowego oraz integracji z procesami CI/CD. Szkolenie skupia się na realnych scenariuszach projektowych, dobrych praktykach oraz świadomym wykorzystaniu AI jako wsparcia pracy QA.

• AI w pracy QA — narzędzia i realne zastosowania
• Budowa projektu Cypress i POM z pomocą AI
• Generowanie, analiza i debugowanie testów E2E
• Pluginy i rozszerzenia w ekosystemie Cypress
• Integracja z CI/CD i równoległe uruchamianie testów
• Ograniczenia AI i przyszłość automatyzacji testów QA
• Q&A i dyskusja praktyczna

From Logs to Insights: KQL for Test Engineers

Viktoriia Manukiantc

Warsztat będzie prowadzony w języku angielskim, jednak Prowadząca komunikuje się w języku polskim i w razie wystąpienia jakichkolwiek barier językowych będzie mogła rozmawiać z uczestnikami w języku polskim. Opis warsztatu: As testers, we often feel that something is wrong in the system but don’t have enough evidence to prove it. Logs, HTTP requests, status codes and response times contain valuable information — if we know how to explore them. In this hands-on workshop, you will learn how to use Kusto Query Language (KQL) to analyze data in Azure environment, investigate failures, and understand application behavior. You will practice writing simple queries to filter data, find errors, calculate failure rates, performance metrics and visualize results with charts. No deep Azure knowledge is required. This session is designed for engineers who want to make data-driven decisions and better investigate issues using real system data. Main takeaways: - Intro: telemetry vs. monitoring vs. observability, and how it supports QA activities. - Use Kusto Query Language (KQL) to query and analyze logs. - Investigate failures and errors by analyzing HTTP status codes, failed requests and source IP activity, etc. - Analyze performance trends using time-based queries and metrics such as average, P90, and P95 response times. - Visualize and interpret log data with charts to support test analysis and reporting. - Leave with set of KQL queries that can be reused/adapted for your projects. Level: Middle QA/Dev/Ops

AI w pracy testera: od frameworków promptowych do workflowów multi-agentowych

Grzegorz Holak

Uczestnicy poznają i natychmiast przećwiczą kilka (ilość zależna od grupy, w momencie zgłoszenia nie ma co określać dokładnie ile, w pół roku może się mocno zmienić) frameworków promptowych (CRISPE, Chain of Thought, Tree of Thought, RAG, Few-Shot, CO-STAR, SCQA i inne), z których każdy jest zmapowany na konkretne zadania QA: generowanie test case’ów, analizę edge case’ów, pisanie opisów bugów, budowanie business case’ów dla automatyzacji oraz tworzenie kodu testowego z dokumentacji API. Warsztaty wykraczają poza promptowanie pojedynczego modelu. Uczestnicy poznają możliwości multimodalne — wykorzystanie obrazów, nagrań audio i wideo jako danych wejściowych do raportowania bugów i analizy UI — oraz dowiedzą się, jak Model Context Protocol (MCP) umożliwia agentom AI orkiestrowanie prawdziwych narzędzi: Jiry, Confluence, GitHuba i Slacka w zunifikowanych workflow’ach. Na zakończenie omówimy scenariusze multi-agentowe, w których różne narzędzia AI współpracują nad złożonymi zadaniami QA: od incident response po migrację frameworków. Każde pojęcie jest utrwalane ćwiczeniami na żywo. Uczestnicy wychodzą z osobistą biblioteką promptów, gotowymi szablonami i jasnym zrozumieniem, które narzędzie AI użyć do którego zadania QA.

Testowanie data pipelines w praktyce - warsztat dla QA

Michał Pilarski