Искусственный_интеллект_в_тестировании

1.

Искусственный интеллект в
тестировании

2.

Введение
Использование ИИ – это автоматизация различных
процессов, которые долго выполняются руками,
присутствует возможность человеческого фактора и
допущения ошибок. Раньше все стремились
автоматизировать регрессионные тесты, так
проходить их руками долго и больно, сейчас,
благодаря генеративному ИИ, появились новые
возможности для автоматизации процессов
тестирования, которые позволяют сократить
трудозатраты.

3.

Применение ИИ в тестировании
Тестирование требований – тут может
помочь NLP (Natural Language Processing)
Генерация тестовых кейсов
Генерация API тестов
Генерация отчётной документации
Генерация UI автотестов

4.

Применение ИИ в тестировании
Тестирование требований – анализ текста на отсутствие
неоднозначности, логических ошибок аналитики.
Генерация тестовых кейсов – нам нужно, чтобы ИИ генерировал
тестовые кейсы аналогично тому, как это делают
функциональные тестировщики (ФТ) – то есть по спецификации,
которая может храниться на внутрикорпоративном Confluence, в
Jira, а также в формате OpenAPI/Swagger.
Генерация API тестов – мы хотим, чтобы автоматически
генерировались API тесты на том стеке технологий, который мы
используем в работе, а это Postman. Также хорошо уметь
генерировать тесты на Java + RestAssured и Python + Requests,
чтобы их могла использовать команда автоматизации.

5.

Применение ИИ в тестировании
Генерация отчетной документации – основная «боль»
наших ФТ – это оформление документа «ПМИ»
(Программа и методика испытаний), которую мы должны
сдавать раз в квартал заказчику по техническому
заданию на квартал. Это трудозатратная и однообразная
активность, которую очень хочется автоматизировать.
Генерация UI автотестов – хотим автоматизировать часть
рутинной активности, например, формирование
PageObject и составлений xpath локаторов.

6.

Применение ИИ в тестировании
Основными цели внедрения ИИ:
Сократить time to market
Сократить время, которое сотрудники тратят на
выполнение рутинных задач
Повысить качество разрабатываемых нами продуктов
Повысить удовлетворённость наших сотрудников и
направить освободившееся время на развитие и
прокачку скиллов.

7.

Формирование требований к
решению
Решение должно уметь генерировать тестовые кейсы, а
также тестовые данные для сгенерированных кейсов
Решение должно поддерживать возможность интеграции
с Jira и Confluence, для того, чтобы в
автоматизированном режиме забирать оттуда
необходимую информацию
Решение должно быть либо OpenSource, либо входить в
реестр отечественного ПО, так как мы госкомпания и
закупать зарубежные решения не можем

8.

Формирование требований к
решению
Решение должно уметь генерировать автотесты
Решение должно иметь возможность
интегрироваться с TMS TestIT, так как мы
храним тестовую документацию в нём
Решение должно быть безопасным,
обеспечивать контроль отправляемых данных и
кастомизироваться

9.

Исследование вариантов
решения
Необходимо обучать сотрудников правильному
написанию промптов
Качество выданного результата GPT зависит от
уровня подготовки сотрудника
Подготавливать данные для запроса в GPT и
обрабатывать полученный результат необходимо
вручную
Отсутствие контроля отправляемых в GPT данных

10.

Реализация своего решения
Для подбора стека технологий и проработки
архитектуры необходимо:
Разбить планируемую реализацию на 2
этапа: MVP и продуктивное решение.

11.

Реализация своего решения
MVP (Минимально Жизнеспособный
Продукт). В бизнесе и разработке это
простейшая версия продукта с
минимальным набором функций,
достаточных для его использования
реальными клиентами и получения обратной
связи.

12.

Реализация своего решения
Продуктивное решение — это результат
продуктивного мышления, то есть процесса,
в ходе которого человек находит связи
между предметами и явлениями, чтобы
решить жизненную задачу, создать что-то
новое или изменить существующую
ситуацию.

13.

Возможные сложности
Искусственный интеллект пока не может
полностью заменить работу тестировщиков,
особенно в вопросах, требующих глубоких
знаний.
Работа с ИИ требует понимания как
предметной области, так и логики работы
самих ИИ-аугментаций.