Система генерации тестовых сценариев на базе искусственного интеллекта

1.

Система генерации
тестовых сценариев на
базе искусственного
интеллекта
Дрозд Иван Андреевич, ст. гр. 263102

2.

Актуальность проблемы
Рост сложности
40% времени QA
Современные веб-приложения
По данным Industry Reports, до
«утяжеляются» за счет
40% рабочего времени
введения новых технологий.
инженеров по тестированию
уходит на рутинный тестдизайн.
Ускорение релизов и уменьшение бюджетов
Среднестатистический заказчик хочет приложение как можно раньше
и как можно дешевле (и удивляется, когда этого не происходит).

3.

Цели и задачи проекта
1
Перенос рутинного тест-дизайна на генеративный ИИ
с полным исключением нейросетевых ошибок
2
Соответствие концепции Shift Left Testing и сокращение
времени на проектирование тестовой документации
3
Создание готового к эксплуатации инструмента,
полностью совместимого с корпоративными
TMS-системами

4.

Классические LLM
Визуальный анализ
интерфейса
⚠ Нейросетевые галлюцинации
⚠ Зависимость от сценариев
No-code платформы
LLM генерирует правдоподобные, но фактически
неверные сценарии без верификации источника.
Современные платформы автоматизации требуют участия QA для определения логики проверок. Изменение
⚠ Отсутствие контекста компании
⚠ Контекст интерфейса
⚠ Малая масштабируемость
Базовые модели не знают внутренних стандартов
тестирования, глоссария и бизнес-логики
продукта.
Система способна обнаружить кнопку или поле
Больше тестовых сценариев = накопление
ввода, однако не интерпретирует его назначение.
избыточных операций и усложнение, из чего
⚠ Неструктурированный вывод
Свободный текст требует ручной постобработки,
что неприемлемо для понятия
«автоматизированный процесс».
реализации вашего продукта влечет за собой огромный объем работы по рефакторингу.
следует снижение автоматизации.
⚠ Отсутствие универсальности
⚠ Корреляция качества и QA
Инструменты связаны с экосистемами, которые
Зависимость качества сценариев от квалификации
могут не соответствовать разрабатываемому
специалиста, настраивавшего тесты.
продукту.

5.

Схема архитектуры программного комплекса

6.

Схема алгоритма
работы RAG-агента

7.

Диаграмма вариантов
использования

8.

Схема развертывания комплекса

9.

Пользовательский интерфейс

10.

Интеграция с TestRail

11.

Экономическая эффективность
111,07%
Рентабельность инвестиций в разработку
6 мес
Окупаемость
Расчётный срок возврата инвестиций при продаже подписок
для доступа к продукту.
75%
Сокращение времени
На операции тест-дизайна по сравнению с ручным подходом.

12.

Итоги
Ускорение процесса
QA-инженер может быстро сгенерировать
тестовую документацию и приступить к
процессам валидации и верификации ПО.
Высокое качество документации
Процесс генерации обрамлен правилами и
шаблонами, на выходе валидные тест-кейсы,
готовые к импорту в TMS.
Анализ DOM
Система качественно обрабатывает сырой
код HTML, определяя контекст элементов.
Благодарю за внимание!