В исследовании предлагается гибридный метод автоматизированного тестирования на основе искусственного интеллекта для повышения качества программного обеспечения. Он включает предсказание дефектов на основе нейронных сетей BiLSTM, расчёт приоритета тестов с помощью Q-обучения и метаморфное тестирование для проверки в средах без оракула. Метод обеспечивает более эффективное тестирование с повышенной точностью и экономией затрат. Компоненты системы были реализованы на Python с использованием PyTorch и OpenAI Gym, а развертывание осуществлялось с помощью Docker Swarm в среде CI/CD. Эксперименты показали сокращение времени тестирования на 50%, повышение точности обнаружения дефектов на 35-40% и снижение человеческого участия на 60-70% по сравнению с ручным тестированием. Предложенный подход демонстрирует практическую применимость в agile-средах и конвейерах CI/CD.