Share
Embed
JaSST'26 Kyushu JSTQB スポンサーセッション
rina
November 19, 2026
Transcript
11 slides
-
2026/10リリース 生成 AI を使用したテスト(CT-GenAI) ▪ 対象は「テストに生成AIを使う」こと 本シラバスの対象 主シラバスではない AI4QA QA4AI
生成AIを使って、テストを支援する 生成AI搭載システム自体の品質を評 価する • • • 要件の曖昧さの洗い出し テストケース・テストデータの生成 結果の分析とレポート作成 例: 生成AIを組み込んだアプリの評価 対象者 テスト担当者・アナリスト・自動化エンジニア・マネージャーから、開発者・PM・QAマネージャーまで © Japan Software Testing Qualifications Board 3 -
CT-GenAI シラバスの学習領域 ▪ 全815分の約45%は第2章 章ごとの学習時間 第1章 基礎 37 100分 第2章
プロンプト 365分 学習目的(LO)の総数 13.6 認定研修の学習時間(時間) 第3章 リスク 第4章 基盤 第5章 導入 160分 110分 80分 5 / 6 「適用(K3)」の学習目的の うち第2章にあるもの 前提 Foundation Level 認定 / 試験範囲は K1〜K3(ハンズオン目標は研修用) © Japan Software Testing Qualifications Board 4 -
CT-GenAI シラバスの内容 ISTQB®認定テスター — 生成AIを使用したテスト(CT-GenAI) ソフトウェアテストのための 生成AIの概要 効果的なソフトウェアテスト のための プロンプトエンジニアリング
ソフトウェアテストプロセス における 生成AIのリスク管理 LLMを活用した ソフトウェアテスト基盤 テスト組織への 生成AIの導入と統合 生成AIの基礎と 主要な概念 効果的なプロンプト開発 ハルシネーション、 推論エラー、バイアス LLM利用テスト基盤の アーキテクチャ 生成AI導入の ロードマップ ソフトウェアテストにおける 生成AIの応用:基本原則 プロンプトエンジニアリング 技法の適用 データプライバシーと セキュリティのリスク ファインチューニングと LLMOps:生成AIの運用化 生成AI導入時の 変更管理 生成AIの結果を評価し、 プロンプトを改善する 生成AIのエネルギー消費と 環境への影響 AI規制、標準、 ベストプラクティスの フレームワーク © Japan Software Testing Qualifications Board 5 -
第2章:プロンプトの書き方と使い方 書き方:6つの要素 使い方:3つの技法 1回のお願いに、何を書くか お願いを、どう進めるか 役割 予約サービスのテストアナリスト コンテキスト 前日23:59まで、1回だけ変更可 指示
曖昧な点と確認質問を挙げる 入力データ 「会員は予約日時を変更できる」 制約 仕様にないことは推測せず「不明」 出力形式 置き場所 表(曖昧な点/質問/リスク) プロンプトチェーン お願いを小さく分け、1段ずつ人が確かめる Few-Shot 例を見せて、同じ形で答えてもらう メタプロンプト AIにお願いの文章を作らせ、よくしていく システムプロンプト: 会話全体のふるまいを決める / ユーザープロンプト: そのつどのお願い © Japan Software Testing Qualifications Board 6 -
第2章:AIの出力は、何で評価するか? ▪ テストタスクの生成AI結果の品質を評価する7つのメトリクス 正確さ 精度 再現率 要件などの基準に対して、全 体としてどれだけ合っている か 特定の目的に対して、出力が
どれだけ正しいか 必要なテストをもれなく出せ ているか 多様性 実行成功率 時間効率 繰り返しを避けて、幅広くカ バーしているか 生成したテストのうち、正常 に実行できる割合 人が手で作るより、どれだけ 時間を節約できたか © Japan Software Testing Qualifications Board 関連性とコンテキストへの 適合性 この場面・要件に合った内容 か(書かれていない条件を持 ち込んでいないか) 単発でなく、複数回 ・統計的に評価する 7