У статті досліджується автоматизація цього процесу з використанням Марковських процесів прийняття рішень і алгоритму Q-навчання. Застосування MDP дозволяє моделювати сценарії атак, передбачати ризики та автоматизувати прийняття рішень у стохастичних середовищах. Основними компонентами дослідження стали формулювання марковського середовища, створення алгоритму для аналізу шляху до вразливостей і впровадження інтерактивного веб-додатку, який інтегрується з сучасними технологіями, такими як Spring Boot, React та MySQL. Запропонований інструмент моделює процес пошуку вразливостей, оптимізуючи його через алгоритм Q-навчання, що визначає оптимальні політики. Інтеграція з хмарними платформами забезпечує масштабованість і зручність використання. Експериментальні результати підтверджують ефективність запропонованого підходу, зокрема зменшення часу на тестування, підвищення точності та адаптивності системи. Стаття аналізує інші сучасні дослідження у сфері автоматизації пентесту, акцентуючи увагу на використанні глибокого навчання з підкріпленням і графових моделей атак. У роботі розглядаються обмеження, зокрема потреба у значних обчислювальних ресурсах, та пропонуються шляхи їх подолання, наприклад, навчання алгоритмів на основі реальних користувацьких даних. Загалом дослідження демонструє високу перспективність автоматизації тестування на проникнення, сприяючи підвищенню точності аналізу інформаційних систем та їхньої захищеності. У майбутньому планується оптимізувати алгоритми навчання, інтегрувати нові джерела даних, такі як CVE-звіти та платформи bug bounty, що сприятиме розширенню функціональних можливостей інструменту.