Телеграм канал «🇺🇦 Security QA»

Разом з АЗОВ.ONE та DOU збираємо кошти на НРК наземні роботизовані комплекси.

Це техніка, яка може виконувати небезпечні завдання замість людей. Доставляти необхідне, допомагати з евакуацією та працювати там, де ризик для військових надто високий.

І тут є один важливий момент.

Ми багато говоримо про AI, роботизацію та автоматизацію. Про те, як технології поступово замінюють людську працю.

Але зараз в Україні роботизація має значно важливіше завдання замінювати людину там, де вона може загинути.

І це, мабуть, один із найкращих прикладів того, навіщо взагалі потрібен технологічний прогрес.

🎯 Загальна ціль збору — 3 500 000 грн.
Моя особиста ціль — 30 000 грн.

Розумію, що зборів зараз багато. Але навіть невеликий донат має значення, коли нас багато.

Тому буду вдячний кожному, хто долучиться гривнею або поширенням.
Бо нехай краще втрачаємо роботів, ніж людей. 🇺🇦

💛 Банка для донатів:
https://send.monobank.ua/jar/27j2nDP4ar

AI-review кожного коміту, бот моніторингу кожні п’ять хвилин, ще кілька агентів для Jira і команда витрачає квоту на повторення тієї самої роботи.

Практичний спосіб це впорядкувати: codex-lb для пулу дозволених облікових записів та LiteLLM для керування доступом, бюджетами й API-викликами.

Важлива деталь: балансувальник не робить промпт коротшим. Він розподіляє навантаження. Економію потрібно закласти у workflow:

• Для GitLab review надсилати diff і потрібні залежності, а повторний запуск прив’язувати до commit SHA та версії промпту.
• Для моніторингу спочатку групувати алерти звичайним кодом. Викликати AI, коли змінився стан інциденту, а не заради чергового «все без змін».
• Вимірювати токени й витрати на корисний результат: підтверджений дефект, оброблений інцидент, прийняте оновлення документації.

https://svyat.tech/yak-ekonomyty-tokeny-na-code-review-monitorynhu-i-komandnykh-avtomatyzatsiiakh-za-dopomohoiu-codex-lb-ta-litellm

🤖 AI може згенерувати тест-кейси, проаналізувати вимоги, написати SQL-запит або розібрати лог. Але щоб він справді економив час, треба правильно поставити задачу, перевірити результат і безпечно вбудувати його у QA-процес.

Навчіться застосовувати AI на всіх етапах тестування — на курсі «AI для тестування» від robot_dreams.

Після 16 занять ви:
🔹аналізуватимете вимоги та генеруватимете тест-кейси
🔹створюватимете Test Plan, Test Strategy та regression scope
🔹працюватимете з Swagger/OpenAPI, API-запитами, SQL і тестовими даними
🔹аналізуватимете дефекти, логи та покриття
🔹використовуватимете AI для accessibility-, performance-, usability- та security-тестування
🔹навчитеся перевіряти AI-відповіді на галюцинації, помилки й ризики для даних

Лекторка: Юлія Заревич, Senior QA Lead в Intellias, із 10 роками досвіду в Quality Assurance та сертифікацією ISTQB Certified Tester Testing with Generative AI.

Деталі, програма та реєстрація ⬅️