AI & ML🤖

🏛️Spor 1 | 🎤Track 1

Kl.10.30 | In English

Raw Numbers Mean Nothing: Making Performance Insights Count with ML and LLMs

By Ernest Marzá Climent from Quibim

Abstract:

Performance testing plays a critical role in identifying bottlenecks, scaling issues, and stability risks—but its impact is often lost in translation when reports are filled with raw metrics and dense dashboards. This session presents a reporting pipeline designed to bridge that gap. It begins with load testing using K6 on a containerized backend, collecting both performance and system metrics. These are cleaned using Isolation Forest for anomaly detection and analyzed with XGBoost to simulate how the system might behave under projected future loads. In the final step, Large Language Models (LLMs) translate technical findings into plain language tailored to the needs of decision-makers. The outcome is an automatically generated, PDF-ready report that helps teams not only identify issues but also communicate them with clarity and confidence. If you have ever felt your performance tests deserved more attention, this talk will show you how to turn data into influence.

Learning Objectives:

You will learn:

  • To transform raw performance data into clean, structured insights

  • ML techniques like Isolation Forest and XGBoost enhance performance analysis

  • LLMs can generate clear, accessible summaries for all stakeholders

  • To automate reporting from load testing to final PDF delivery

  • Techniques to improve communication between QA, development and business teams

Session Outline:

  • Introduction : The communication problem in performance testing

  • Load testing with K6: Metrics and container-based setup

  • Cleaning & predictive modeling: Using Isolation Forest and XGBoost

  • Contextualization with LLMs: Tailoring results for non-technical audiences

  • From metrics to impact: Building the final report and real-world examples

Target Audience:

Intermediate (basic understanding of the topic)

Kl. 11.30 | In English

Automated REST API Vulnerability Detection with WuppieFuzz

By Thomas Rooijakkers from TNO

Abstract:

Today’s world depends on many digital services and the communication between them. To facilitate this communication between applications, standardised and well-specified application programming interfaces (APIs) are often used. In particular, the use of well-defined representational state transfer (REST) architectural constraints for APIs is popular. As an entry point to many applications, these APIs provide an interesting attack surface for malicious actors. Furthermore, since APIs often control access to business logic, a security lapse can have high-impact undesirable consequences. Thorough testing of these APIs is therefore essential to ensure business continuity. Manual testing cannot keep up, so automated solutions are needed. Fuzzing excels by testing the unexpected, exploring input spaces with unbiased (random) inputs and uncovering subtle bugs in a fully automated manner. In this talk, we introduce and demonstrate WuppieFuzz, an open-source, automated testing tool that makes use of fuzzing techniques and code coverage measurements to find bugs, errors and/or vulnerabilities in REST APIs.

Learning Objectives:

You will learn:

  • Basics of fuzzing (fuzz testing)

  • Challenges in fuzzing REST APIs

  • Demonstration of fuzzing REST APIs

Session Outline:

  • Introduction + Fuzzing 101

  • Challenges in fuzzing REST APIs

  • WuppieFuzz overview

  • Demonstration

Target Audience:

Intermediate (basic understanding of the topic)

Kl. 13.15 | PĂĄ Dansk

Er Agile-værdier i konflikt med brugen af Generativ Kunstig Intelligens (GenAI)?

Jan Piil fra EPOS Group

Abstract:

I denne præsentation udfordrer Jan Piil idéen om, at Agile-værdier står i modsætning til brugen af GenAI. Jan forklarer hvordan GenAI kan understøtte og styrke Agile arbejdsmetoder, accelerere softwaretest og kvalitetssikring - alt sammen uden at gå på kompromis med de grundlæggende Agile-principper.

GenAI kan understøtte Agile-værdier på flere centrale måder. F.eks. kan GenAI fremme værdien om individer og interaktioner frem for processer og værktøjersamarbejde gennem intelligente assistenter, automatiske mødereferater og forbedrede kommunikationsværktøjer, uden nødvendigvis at erstatte menneskelig interaktion.

Jan deler desuden sine erfaringer med hvordan GenAI kan integreres effektivt i Agile-teams uden at gĂĄ pĂĄ kompromis med test og kvalitetssikring. Erfaringerne inden for softwaretest inkludere:

  • Overgangen fra vandfaldsmodellen til Agile test hos Nokia.

  • Ledelse og skalering af softwaretest af internationale testteams pĂĄ tværs af kulturer.

  • Implementering af en Agil tilgang og kultur i en testorganisation.

Du kommer til at reflektere over, hvordan du selv kan kombinere Agile-værdier og GenAI i din faglige udvikling samt i teststrategier.

Learning Objectives:

Du vil lære:

  • hvordan GenAI kan supplere Agile-værdier i softwaretest.

  • at udøve en nysgerrighed, være tilpasningsdygtig, samt æringsorienteret tilgang .

  • vigtigheden af den menneskelig ekspertise i at styre AI-værktøjer til kvalitetssikring.

Session Outline:

  • Gennemgang af Agile-værdier og hvordan GenAI kan understøtte dem.

  • Eksempler fra Jans egen professionelle arbejdserfaring.

  • Udfordringer og overvejelser ved integration af GenAI i Agile test praksis:

    • Forandringsledelse: Hvordan vi involverer pionererne i at tage de første skridt mod brugen af GenAI, før resten af organisationen langsomt begynder at vække interesse og følge med.

    • Tekniske udfordringer: Hvordan vi som testorganisationer kan bruge GenAI til at analysere tusindvis af testcases og resultater for mønstre og optimering, som strækker sig udover vores menneskelige evner og egenskaber.

Target Audience:

Mellem (grundlæggende forståelse af emnet)

Kl. 14.15 | PĂĄ Dansk

Derfor bliver QA hjørnestenen i den succesfulde implementering af AI

Asger Steen Pedersen fra DSTBs AI Erfa Gruppe

Abstract:

Vi står i et paradoks: Vi ved, at AI vil forandre vores arbejdsmetoder og brancher – men vi er usikre på, hvordan vi implementerer teknologien rigtigt. I denne præsentation vil Asger forklare hvorfor han tror, at nøglen til succes ligger i at sætte Quality Assurance (QA) i centrum af implementeringen.

Fremtidens arbejde vil i stigende grad handle om at kontrollere og validere AI-genereret output. QA bliver ikke blot en teknisk disciplin, men en overordnet kompetence pĂĄ tværs af roller og brancher. Med AI, bliver QA-disciplinen sĂĄledes det værktøj, der kan sikre en ansvarlig, effektiv og etisk implementering af teknologien. 

Mens QA-disciplinen bliver udbredt, kan dens struktur ogsĂĄ anvendes til at sikre en succesfuld implementering af AI. Gennem kravspecs, testbarhed, dokumentation og løbende validering sikrer QA, at AI-løsninger bygger pĂĄ gennemsigtighed, kvalitet og forretningsforstĂĄelse. 

Asger vil forklare, hvorfor QA kommer til at spille en hovedrolle i AI-revolutionen, og hvordan vores branche kan forme fremtidens standarder for kvalitet, ansvarlighed og tillid i AI.

Learning Objectives:

Du vil lære:

  • at forstĂĄ, hvorfor kvalitetssikring vil blive en kernekomponent i implementeringsstrategier for AI.

  • at anerkende nødvendigheden af at strukturere tilgangen til AI omkring robuste QA-praksisser.

  • at identificer de færdigheder og den viden, som QA-professionelle kræver for effektivt at understøtte AI-systemer.

  • hvordan QA-fællesskabet proaktivt kan argumentere for og fremme integrationen af QA i AI-initiativer og blive opfordret til at deltage i denne bevægelse.

Session Outline:

  • Oversigt over, hvordan AI ændrer vores arbejdsmetoder.

  • Forklaring pĂĄ, hvorfor kvalitetssikring (QA) vil blive et kerneansvar pĂĄ tværs af forskellige professionelle roller med vægt pĂĄ, at QA-ekspertise er afgørende.

  • Handlingsrettet rĂĄdgivning, der er i overensstemmelse med læringsmĂĄlene for virksomheder og enkeltpersoner inden for QA.

Target Audience:

Grundlæggende (kræver ikke forudgående kendskab til emnet)