A mesterséges intelligencia által vezérelt szoftvertesztelés több sikert arat, de az aggodalmak továbbra is fennállnak

A kérdés már nem az, hogy az AI és a feltörekvő technológiák javítják-e a szoftvertesztelés automatizálását, hanem az, hogy mikor és hogyan. A támogatóknak azonban le kell győzniük a szervezeti ellenállást.

Az átfogó minőségi tervezés és tesztelés elengedhetetlen a mai szoftvervezérelt szervezetek számára. Talán nem meglepő, hogy a generatív mesterséges intelligencia (Gen AI) a szoftverfejlesztési életciklus minőségi és tesztelési szakaszának élvonalbeli összetevőjeként jelenik meg.

A szoftvertesztelés automatizálásának hosszú távú sikere azonban a szükséges szervezeti akarat és erőforrások megteremtésén múlik. Röviden, Peter Drucker menedzsmentguru gyakran idézett mondatát átfogalmazva: A kultúra szoftverminőségű stratégiákat eszik reggelire.

"Még mindig megoldatlan a vita arról, hogy mely minőségi tervezési és tesztelési tevékenységek profitálnak leginkább a Gen AI-ból" - állítják egy 1755 technológiai vezető részvételével készült OpenTextstudy társszerzői. A Capgemini és a Sogeti (a Capgemini csoport része) által kiadott felmérés rámutatott, hogy egyre nagyobb hangsúlyt fektetnek a Gen AI „tesztjelentések készítésére és adatgenerálásra a tesztesetek létrehozása helyett”.

A mesterséges intelligencia választ, vagy legalábbis részleges választ ad számos gyötrő szoftverminőségi problémára. A szoftverek minősége az első számítógépek nyolc évtizeddel ezelőtti gyártása óta kihívást jelent, és a technológiai hálózatokkal és megoldásokkal teli világban a probléma csak súlyosbodott. A Gen AI a minőségirányítás fontos lépéseként jelenik meg.

A felmérés megerősítette, hogy tízből körülbelül hét szervezet (68%) alkalmaz Gen AI-t, hogy segítse szoftverminőségi erőfeszítéseit. A szervezetek legalább 29%-a teljesen integrálta a Gen AI-t tesztautomatizálási folyamataiba, 42%-uk pedig a benne rejlő lehetőségeket kutatja.

A tanulmány arra is utalt, hogy a tesztautomatizálás ezen új területén a „felhőalapú technológiák és a robotizált folyamatautomatizálás, amelyben a Gen AI és a prediktív AI egyaránt jelentős szerepet játszik” elterjedt.

"A felhőalapú technológiák vonzóak, mert megnyitják az ajtót olyan költséghatékony megoldások előtt, amelyek kiküszöbölik a szerszámlicencek szükségességét, ami csökkenti az általános működési költségeket. Már nem az a kérdés, hogy az AI és más feltörekvő technológiák részei lesznek-e. A DevOps szövetének a kezdeti szakaszában járunk az üzletvitelünkben zajló dinamikus változásnak.

A következtetés az, hogy a mesterséges intelligencia a viszonylag összetett minőségbiztosítási és tesztelési folyamatok automatizálásának következő szakasza.

"Egyértelmű szükség van arra, hogy a minőségi mérnöki mérőszámokat összhangba hozzák az üzleti eredményekkel, és bemutassák a minőségi kezdeményezések stratégiai értékét az érdemi változás előmozdítása érdekében" - állapította meg a felmérés szerzőinek csapata, Jeff Spevacek, az OpenText vezetésével.

"Technológiai fronton az újabb, intelligensebb tesztautomatizálási eszközök bevezetése a tesztautomatizálás átlagos szintjét 44%-ra emelte. Az idei év legátalakítóbb trendje azonban a mesterséges intelligencia gyors elterjedése, különösen a Gen AI, amely a tervek szerint óriási hatást gyakorolni."

Spevacek és szerzőtársai így folytatták: "A nagy nyelvi modellek és mesterséges intelligencia-eszközök, különösen a Copilot fejlődése lehetővé tette, hogy zökkenőmentesen integrálódjanak a meglévő szoftverfejlesztési életciklusokba, és a minőségi mérnöki automatizálás hatékonyságának és innovációjának új hullámát vezették be."

Az előző évi szoftverminőség-felmérés során „felfelé haladást tapasztaltunk a szervezetek AI-megoldásokba történő beruházásaiban a minőség-átalakítási menetrend előmozdítása érdekében” - írták. "Sokan azonban szkeptikusak voltak az AI minőségi tervezésben betöltött értékével kapcsolatban."

A mesterséges intelligencia iránti attitűd az elmúlt 12 hónap során jelentősen megváltozott: "Sok szervezet mostanra [eltávolodik] a kísérletezéstől a Gen AI valós léptékű megvalósítása felé, hogy támogassa a minőségi mérnöki tevékenységeket. Őszintén hisszük, hogy további előrelépéseket fogunk látni ezen a téren. terület."

Az AI szoftverminőség-biztosítási eszközként történő alkalmazása azonban kihívást jelent. A felmérés válaszadóinak legalább 61%-a aggódik a generatív AI-megoldások kihasználásával kapcsolatos adatszivárgás miatt. A válaszadók 57%-a, illetve 64%-a az átfogó tesztautomatizálási stratégiák hiányát és a régi rendszerekre való támaszkodást jelölte meg az automatizálási erőfeszítések előmozdításának fő akadályaként.

A minőségi mérnökök és az Agilis szoftverszállító csapatok beágyazása tekintetében is vegyes a kép. Csak a válaszadók egyharmada mondta azt, hogy minőségügyi mérnökeik többsége agilis csapatokban vesz részt. A szerzők azonban azt javasolták, hogy a részvétel hiánya nem lehet rossz.

"Ez azt sugallja, hogy egyre jobban felismerik a minőségügyi mérnökök iránti igényt, akik az Agilis csapatoktól függetlenül tudnak működni, miközben továbbra is hozzájárulnak az általános minőségi célkitűzésekhez. Valójában az önálló minőségügyi mérnökök száma várhatóan 27%-ról 38%-ra fog növekedni."

A felmérés azt sugallja, hogy a magas színvonalú mérnökök számának növekedése tükrözheti az agilis csapatok keresztképzettségének tendenciáját is a szoftverminőség és a tesztelés érdekében: "Úgy tűnik, hogy az agilis csapatok egymáshoz való készségeinek fejlesztése a minőségi mérnökök és az agilis csapatok szorosabb összehangolása érdekében kifizetődő volt. Az idei felmérés eredményei azt mutatják, hogy a szervezetek jelentős előrelépést értek el csapataik képzettségének javításában - a válaszadók mindössze 16%-a tekinti a készségek hiányát a fő szűk keresztmetszetnek, ami jelentős előrelépést jelent. tavalyi 37 százalék."

Ennek ellenére azonban a legtöbb technológiai vezető azt mondta, hogy nincs elég hangsúly a minőségi tervezésen. Több mint fele (56%) azt mondta, hogy a kihívás az, hogy "a minőségi tervezést nem tekintik stratégiai tevékenységnek szervezetünkben". A válaszadók hasonló aránya értett egyet azzal, hogy "a minőségi tervezési folyamat nem eléggé automatizált", és hogy "a minőségügyi mérnökök nem rendelkeznek kellő készségekkel az Agilis projektek támogatásához".

A Gen AI és a prediktív AI térnyerése költséghatékony és egyszerűsített megközelítést kínálhat a minőség és a tesztelési erőfeszítések összehangolására az általános szoftverfejlesztéssel és -telepítéssel. Az OpenText/Sogeti csapata által az automatizálás és a mesterséges intelligencia terén a szoftverminőségi erőfeszítések terén tett előrelépéshez a következőket ajánlották:

• Vállalati szintű nézet: Egyértelműen vázolja fel "a minőségi mérnöki automatizálás céljait és kívánt eredményeit, és előre válassza ki azokat a területeket, ahol alkalmazni, növelni vagy javítani kell a tesztautomatizálást."
• Kezdje el most, és folytassa a kísérletezést: "Ha még nem fedezi fel vagy nem használja aktívan a Gen AI-megoldásokat, döntő fontosságú, hogy most kezdje el, hogy versenyképes maradjon. Ne rohanjon el egyetlen platform vagy használati eset mellett. Ehelyett kísérletezzen többféle megközelítéssel, hogy azonosítsa azokat, amelyek a legjelentősebb előnyöket nyújtják."
• Használja ki a Gen AI képességeinek teljes skáláját: "A Gen AI messze túlmutat az automatizált tesztszkriptek generálásán, és segít az önadaptív tesztautomatizálási rendszerek megvalósításában."
• Az üzleti kulcsfontosságú teljesítménymutatók összekapcsolása: "A minőségi tervezés automatizálása által befolyásolt kulcsfontosságú üzleti teljesítménymutatók azonosítása és kihasználása, egyértelműen az üzleti eredményekre összpontosítva, mint például a megnövekedett vevői elégedettség, az üzleti műveletek költségének csökkenése és mások. amelyek relevánsak az üzlet szempontjából."
• Racionalizálja a minőségi mérnöki automatizálási eszközöket: "Győződjön meg arról, hogy minőségi mérnöki automatizálási eszközei áramvonalasak, és képesek integrálódni a feltörekvő technológiákkal, például a Gen AI-vel a kompatibilitás és a jövőbeli készenlét fenntartása érdekében."
• A minőségi mérnöki tehetség és szerepek fejlesztése: "Vegyen be több teljes körű minőség- és szoftverfejlesztő mérnököt a tesztbe, hogy erősítse csapata képességeit."
• Javítsa, ne cserélje ki: "Megértse, hogy a Gen AI nem fogja leváltani a minőségügyi mérnökeit, de jelentősen növeli a termelékenységüket. Ezek a fejlesztések azonban nem azonnaliak; hagyjon elegendő időt az előnyök nyilvánvalóvá válására ."

Míg a mesterséges intelligencia minőségi és tesztelési eszközként nagy ígéreteket kínál, a tanulmány szerint "jelentős kihívások vannak a protokollok, AI-modellek validálása és az összes integráció validálásának összetettsége terén. Jelenleg sok szervezet küzd átfogó tesztelési stratégiák bevezetésével, amelyek biztosítják az optimalizálást. A kritikus területek lefedettsége A jövőre nézve azonban erős az elvárás, hogy a mesterséges intelligencia kulcsszerepet fog játszani e kihívások kezelésében és a tesztelési tevékenységek hatékonyságának növelésében. ezen a területen."

A kutatás kulcsfontosságú pontja az, hogy a szoftverminőség-fejlesztés gyorsan fejlődik: "Valamikor ember által írt szoftverek teszteléseként határozták meg, mostanra az AI által generált kóddal fejlődött."

Ennek az evolúciónak az eredményeként a minőségfejlesztésben egyre több kódot és tesztszkriptet kell generálni, és új követelmények merülnek fel a szoftverláncok végétől a végéig történő tesztelésére.