“See on kõige hämmastavam masinõppe rakendus, mida ma kunagi näinud olen.”
Mike Krieger, Instagrami kaasasutaja.
Mike Kriegeri sõnad ei ole liialdus. Kuigi ML on võimeline tegema tähelepanuväärseid asju andmete analüüsi ja arusaamade osas, on GitHub Copilot täiesti muutuv, sest see võib pakkuda tootearendajatele kogu maailmas potentsiaalset kasu.
Kodeerimiskoopiloodid ja genereeriv tehisintellekt aitavad meeskondadel kasutada tohutuid eeliseid, näiteks kiirendada tarkvaraarenduse elutsüklit seni kujuteldamatu kiirusega. Kuid selle tehnoloogia mõju RPA-le ja tarkvara testimisele on kaks selle hämmastava tehnoloogia kõige põnevamat piiriala.
Selles artiklis vaatleme, kuidas kodeerivad kopiloodid ja genereeriv tehisintellekt on muutnud tarkvara testimise ja RPA maailma tänapäeval, enne kui uurime nende tulevast mõju tehnoloogiale.
Kopiloodid ja genereeriv tehisintellekt on
tarkvaraarendus: Alustuseks
Geneeriline tehisintellekt ja kodeerimiskopiloodid on tarkvaraarenduse maastikul suhtelised uustulnukad. Enne kui me arutame nende mõju ruumile, tasub tutvuda nende taustaga ja töömeetoditega.
1. Tehisintellektipõhised autokodeerijad
Suured keelemudelid (LLM) on viimaste aastate jooksul märkimisväärselt paranenud. Kuna andmekogumite suurus ja arvutusvõimsus on eksponentsiaalselt kasvanud, on ka väljundite kvaliteet tõusnud.
On palju vertikaalseid valdkondi, mis saavad kasu LLM-ist. Mõned kõige rohkem kirjutatud tekstide, piltide, videote ja muude meediavormide genereerimine. Kuigi need kasutusjuhud on muljetavaldavad, on arendajatele palju huvitavamad tagajärjed.
Turul on mitmeid LLM-autokoodereid. GitHub CoPilot on aga ehk kõige tuntum ja edukam. Suur osa põhjusest on see, et see on koolitatud GitHubi repositooriumis. Sellel on juurdepääs miljonitele avatud lähtekoodiga koodinäidetele, parimatele tavadele, rakendusarhitektuurile ja muule, millest õppida, mis võimaldab pakkuda kvaliteetset ja mitmekülgset väljundit.
2. Kuidas töötavad kodeerivad kopiloodid?
Üks lihtsamaid viise rääkida sellest, kuidas kodeerimiskoopiloodid töötavad, on vaadata juhtivat toodet GitHub CoPilot. Rakendus põhineb OpenAi’s ChatGPT-3 mudelil.
Nii nagu ChatGPT ja sarnased LLM-id, põhineb ka CoPilot miljarditel parameetritel. ChatGPT-3 arendamise ajal hakkas OpenAI looma spetsiaalset kodeerimisprogrammi nimega OpenAI Codex. Microsoft ostis eksklusiivse juurdepääsu tootele.
Oluline on aga see, et GitHub kuulus juba Microsoftile. Kui oled programmeerija, siis tead kõike GitHubist. Põhimõtteliselt on see veebipõhine platvorm, mida kasutatakse tarkvaraarendusprojektide versioonikontrolliks ja koostööks. Nad koolitasid OpenAI Codex’i GitHubi raamatukogul, mis sisaldas miljoneid ridu avatud lähtekoodiga, avalikku koodi.
CoPilot kasutab masinõpet, et leida mustreid ja seoseid koodiridade vahel. Nii nagu ChatGPT, vaatab see sõna või rida ja arvutab tõenäosuse, mis peaks tulema järgmisena, tuginedes suurele ajaloolise andmehoidla põhjal.
Tehisintellekti kopilootide võimsus seisneb nende võimekuses teha arendajatele redigeerimise käigus ettepanekuid koodilõikude kohta. Mõelge sellele kui ülelaaditud autokomplektile kodeerimiseks. Kui kodeerija sisestab koodirea, võrdleb LLM selle koodi algust oma tohutu raamatukogu varasemate projektidega. Sealt edasi soovitab see tõenäosusridasid ja uudseid koodiridu.
Ilmselge kasu on see, et arendajad saavad selle automaatse täitmise abil uskumatult palju aega kokku hoida. See suurendab tootlikkust ja paljudel juhtudel ka koodi täpsust.
3. Kuidas on loodava tehisintellekti kasutamine kodeerimisel ja arendamisel?
Nagu CoPiloti ajaloost näete, on Generative AI ja Copiloti juured sarnased. Need on mõlemad tehnoloogiad, mis kasutavad statistilist tõenäosust, et teha prognoose selle kohta, mida kasutajad vajavad kaudse teabe põhjal.
Suur erinevus copiloteerimise tarkvara ja genereeriva tehisintellekti vahel seisneb aga selles, et viimane põhineb käsklustel. Lühidalt öeldes tähendab see, et kasutajad sisestavad masinasse kirjalikud juhised ja masin väljastab sisu. Nagu igaüks, kes on kasutanud ChatGPT-d või sarnaseid rakendusi, teab, et see väljund võib olla teksti, pildi, video või koodi kujul.
Seega, kuigi meetodid, mida kodeerijad kasutavad automaatse kodeerimise saavutamiseks, on erinevad, võime neid paigutada sarnase tehisintellekti abil automatiseeritud või generatiivse kodeerimise alla.
Tarkvara testimise areng
Tarkvara testimine on tundlik ja areneb pidevalt. Mõne aastakümne jooksul on see muutunud ja muutunud, et vastata uutele nõuetele ja kasutada tehnoloogia arengut.
1. Käsitsi testimine:
Tarkvara testimise algusaegadel tehti testimist käsitsi. Selline testimine oli kallis ja aeganõudev, sest see nõudis, et kvaliteedi tagamise eksperdid käiksid tarkvara põhjalikult läbi, töötades välja rea testjuhtumeid, käivitades ja salvestades tulemused, planeerides parandused ja korrates protsessi.
Suureks väljakutseks oli tagada, et kõik võimalikud stsenaariumid ja olukorrad oleksid hõlmatud nende testidega, ning kui lisada siia juurde aeg ja kulud, siis oli käsitsi testimine ressursimahukas. Samuti oli see väga vastuvõtlik inimlikele vigadele, mida võimendasid piiratud levitamisvõimalused, mis tähendas, et kõiki avastamata vigu oli keeruline kiiresti parandada.
2. Stsenaariumi alusel toimuv testimine:
Skriptidega testimine kujutas endast QA-kogukonna jaoks suurt sammu edasi. Selle asemel, et käia kood ja testimisstsenaariumid käsitsi läbi, said arendajad kirjutada programme, millega saab tarkvara automaatselt testida. Selle suur pluss oli see, et testimine muutus tõhusamaks ja inimlikele vigadele vähem vastuvõtlikuks. Selle saavutamine nõudis aga oskuslikku, täpset ja aeganõudvat planeerimist ja kodeerimist, et tagada terviklik katvus.
3. Testimise automatiseerimine:
Testimise automatiseerimine oli testimise järgmine areng. Tööriistad nagu ZAPTEST suutsid pakkuda programmeerijatele kõiki skriptidega testimise eeliseid, kuid ilma koodita kasutajaliideseta. Ka siin olid olulised eelised aja kokkuhoid, korduvkasutatavad ja kohandatavad testid, kasutajaliidese ja API testimine ning platvormide ja seadmete vaheline testimine.
4. Andmepõhine testimine:
Andmepõhine testimine oli lahendus probleemile, mis puudutas erinevaid andmekogumeid töötleva tarkvara testimist. Ka see on üks testide automatiseerimise vorm, kuid see meetod hõlmab testiskriptide loomist ja nende käivitamist määratud andmekogumite suhtes. Selline testimine võimaldas arendajatel töötada kiiremini, isoleerida teste ja vähendada testjuhtumite kordamisele kuluvat aega.
5. Geneeriva tehisintellekti testimine:
Geneeriva tehisintellekti testimine on uusim uuendus tarkvara testimise valdkonnas. Kasutades LLM-i, saavad QA meeskonnad luua testjuhtumeid ja testimisandmeid, mis aitavad kiirendada testimisprotsessi. Need testjuhtumid on väga paindlikud ja redigeeritavad, mis aitab arendajatel teste taaskasutada ja ümber kasutada ning testimise ulatust oluliselt suurendada.
Kaaspilootide tänapäevane kasutamine ja
Generatiivne tehisintellekt tarkvara testimine ja RPA
Generatiivne tehisintellekt ja kaaspiloodid on avaldanud suurt mõju tarkvara testimisele. Siiski on need vahendid pigem aidanud testijaid täiendada kui otseselt asendada kodeerijaid. Lühidalt öeldes aitavad nad arendajatel muutuda kiiremaks ja tõhusamaks ning paljudel juhtudel tõstavad testimise kvaliteeti.
The
Stack Overflow arendajate uuring aastast 2023
annab ülevaate tehisintellekti vahendite tänapäevasest kasutamisest tarkvaraarenduse kogukonnas. Uuringu üks huvitavamaid osi näitas, et kuigi veidi rohkem kui pooled arendajatest olid huvitatud tehisintellekti vahenditest tarkvara testimiseks, ütles vähem kui 3%, et nad usaldavad neid vahendeid. Veelgi enam, vaid iga neljas pakkus välja, et kasutab praegu tehisintellekti vahendeid tarkvara testimiseks.
Huvitav on selle statistika puhul see, et see näitab, et tehisintellekti vahendite kasutamine ei ole veel laialt levinud ja et varajased kasutuselevõtjad võivad veel eelise saada.
1. Kopiloodi ja genereeriva tehisintellekti kasutusjuhtumid tarkvara testimisel ja RPA-s.
Kopiloodid ja genereeriv tehisintellekt mõjutavad kõiki tarkvaraarenduse valdkondi. Siin on mõned viisid, kuidas tehnoloogia võib aidata tarkvara testimisel ja RPA-l.
Nõuete analüüs
Nõuete analüüs on tarkvaraarenduse elutsükli oluline osa. Protsess hõlmab sidusrühmade nõuete ja erinevate funktsioonide mõistmist, mis on vajalikud tarkvara loomiseks. Generatiivne tehisintellekt võib aidata meeskondi ideede väljatöötamisel, tuues välja uusi ideid ja vaatenurki.
Testi planeerimine
Kui testimisnõuded on hästi mõistetud, peavad kvaliteedi tagamise meeskonnad koostama ajakava, et tagada piisav testide katvus. Seda tüüpi töö nõuab teadmisi ja kogemusi, kuid Generative AI saab meeskondi toetada näidete ja juhendite abil ning anda soovitusi konkreetsete tööriistade ja parimate tavade kohta, mis vastavad nende ainulaadsetele nõuetele.
Testjuhtumi loomine
Kvaliteeditagamise meeskonnad saavad kasutada LLM-i koodi, kasutajate nõuete ja tarkvara spetsifikatsioonide analüüsimiseks, et mõista süsteemi aluseks olevaid seoseid. Kui tehisintellektuaali on saanud aru tarkvara sisenditest ja väljunditest ning eeldatavast käitumisest, saab ta hakata koostama testjuhtumeid, mis testivad tarkvara.
Selle eelised ulatuvad kaugemale aja kokkuhoiust ja käsitsi kodeerimisest. Tehisintellekti testjuhtumite loomine võib viia ka ulatuslikuma katvuse saavutamiseni, sest see võib uurida valdkondi, mida QA-insenerid ei pruugi arvesse võtta, mis viib usaldusväärsemate testide koostamiseni.
Vigade leidmine ja lahendamine
Masinõpe võimaldab QA-spetsialistidel oluliselt vähendada vigade leidmiseks ja lahendamiseks kuluvat aega. Tarkvara testimisel on paljusid vigu lihtne leida. Paljudes stsenaariumides on see aga töömahukas ja aeganõudev protsess. Generatiivne tehisintellektuaalkontroll võib teostada kontrolle vaid murdosa ajast, mis kulub käsitsi töötavatele töötajatele, ja aidata esile tuua isegi kõige kangekaelseid vigu. Lisaks sellele suudavad need AI-vahendid ka tuvastatud vead lahendada, säästes kvaliteedikontrollimeeskondade jaoks lõputult aega.
UI testimine
Generatiivsed tehisintellekti tööriistad suudavad simuleerida erinevaid kasutajate käitumisviise ja suhtlemist tarkvarasüsteemidega. Meetodid võivad anda arendusmeeskondadele kindlustunde, et nende kasutajaliides saab hakkama mitmesuguste inimese ja arvuti vaheliste kasutusvõimalustega. Veelgi enam, Generative AI suudab analüüsida kasutajaliidese andmeid ja heatmaps’e ning teha ettepanekuid, kuidas parandada kasutajaliidest ja muuta see kasutajasõbralikumaks.
Kopilootide ja generatiivse tehisintellekti tulevik
tarkvara testimine ja RPA
Kuigi kaaspilootide ja generatiivse tehisintellekti kasutamine tarkvara automatiseerimisel on juba praegu põnev, on tulevik veelgi paljutõotavam.
Kopiloodi ja generatiivse tehisintellekti tulevik sõltub toodete täiustamisest. Purdue’i ülikooli hiljutine uuring pealkirjaga Kes vastab sellele paremini? ChatGPT ja Stack Overflow vastuste põhjalik analüüs tarkvaratehnika küsimustele rõhutab mõningaid Generatiivse tehisintellekti mudelite piiranguid.
Teadlased andsid ChatGPT-le üle 500 küsimuse Stack Overflow’st. Tehisintellekti vahend vastas enam kui poolele ebatäpselt. Nüüd on oluline märkida, et üks olulisemaid probleeme, mida teadlased märkisid, oli see, et tehisintellektuaal ebaõnnestus kõige sagedamini seetõttu, et ta ei saanud küsimustest korralikult aru. See detail rõhutab kiire insenerluse olulisust generatiivse tehisintellekti raames.
Lisaks sellele on nii Google kui ka Amazon korraldanud sel aastal sõltumatuid teste, et uurida generatiivse tehisintellekti vahendite kvaliteeti intervjuuküsimuste esitamisel. Mõlemal juhul õnnestus tööriistal vastata testiküsimustele piisavalt hästi, et saada positsioon, nagu teatas
CNBC
ja
Business Inside
vastavalt.
Seega on selge, et me oleme selle tehnoloogia puhul jõudnud punkti, kus potentsiaal on olemas, kuid mõned väikesed asjad tuleb veel ära parandada. See, kui palju on need vahendid viimastel aastatel paranenud, annab meile kindlustunde, et see jõuab nõutavale tasemele ja tõenäoliselt enne ajakava.
Nüüd saame vaadata mõningaid valdkondi, kus need tehnoloogiad mõjutavad tarkvaraarenduse testimise tulevikku.
1. Hüperautomaatika
Hüperautomatsioon kirjeldab ettevõtte arengu sihtkohta, kus kõik protsessid, mida saab automatiseerida, automatiseeritakse. See on terviklik lähenemine tootlikkusele, mis on omavahel tihedalt seotud.
Tarkvaraarenduse seisukohalt ei ole raske ette kujutada tsentraliseeritud süsteemi, mis jälgib äriprotsesside nõudeid. Süsteem mõistab ja tuvastab vajadusi ja tõhusust ning teeb pidevalt kindlaks valdkonnad, mida tuleb tehnoloogia abil parandada.
Ettevõtete arenedes hakkavad need tsentraliseeritud süsteemid kasutama generatiivset tehisintellekti, et luua rakendusi, mis lahendavad kitsaskohti ja ebaefektiivsust automaatselt või ehk suunavad teatud tööd inseneridele täitmiseks.
2. Tarkvara arhitektuuride kavandamine
Piisava hulga andmete korral võiksid tehisintellekti vahendid mõista tarkvara arhitektuuri parimaid tavasid ja leida viise, kuidas neid kavandeid maksimaalse tõhususe saavutamiseks parandada. Masinõppe eesmärk on leida mustreid ja seoseid, mis on inimmeele võimete piiridest väljaspool.
Kui tehisintellekti tööriistad tunnevad piisavalt erinevaid rakendusi, saame neid juhendada, et nad painutaksid varasemaid arhitektuure uute nõuete suunas, mis viib tõhusamate ehitiste või isegi ideede väljatöötamiseni, mida muidu ei võetaks arvesse.
3. Vanade süsteemide ajakohastamine
Kuigi ükski tarkvara ei ole kunagi täiuslik, on palju tööriistu, mis teevad endiselt suurepärast tööd ja on ettevõtte infrastruktuuri nii sügavalt integreeritud, et neid on raske asendada. Nende süsteemide kohandamine võib olla keeruline, eriti kui need on kirjutatud moest välja langenud tarkvarakoodiga.
Tulevikus suudavad genereeriva tehisintellekti tööriistad konverteerida selle koodi päevakeelde, võimaldades meeskondadel säilitada oma olemasolevad süsteemid ja paljudel juhtudel neid täiustada.
4. Vähese koodiga ja koodita arenduse edendamine
Üks eespool nimetatud probleemidest tarkvara automatiseeritud testimisel generatiivse tehisintellekti vahendite abil oli olukord, kus kodeerijal puudusid teadmised ja kogemused väljundite kontrollimiseks.
Tehisintellekti kaaspiloodid aitavad täiendada madala koodiga tööriistu, tehes paremaid ettepanekuid, mis viivad jõuliste rakendusteni. Keerukad testimisvahendid võimaldavad inimtöötajatele vaba loomingulist vabadust, valideerides samal ajal pidevalt nende tööd ja avades mitte-tehnilistele spetsialistidele ukse vajalike rakenduste loomiseks.
Generatiivse tehisintellekti eelised tarkvara testimisel
Generatiivse tehisintellekti kasutamisel tarkvara testimisel on palju eeliseid, mis teevad selle atraktiivseks valikuks arendusmeeskondadele, kes soovivad töötada kiiremini, kuid kvaliteedis kompromisse tegemata.
1. Tarkvaraarenduse elutsükli kiirendamine
Arendajatel on pidev surve töötada kaua, et tagada tarkvara ja uute funktsioonide õigeaegne turulejõudmine. Kuigi Agile/DevOps-metoodikad on taganud, et arendus on tõhusam, on siiski veel üksikuid arendusetappe, mida võiks veelgi sujuvamaks muuta.
Geneeriva tehisintellekti tööriistad võimaldavad testimismeeskondadel lahendada erinevaid SDLC etappe, alates prototüüpide loomisest kuni kasutajaliidese testimiseni.
2. Põhjalik vigade tuvastamine
Üks võimsamaid tehisintellekti rakendusi tarkvara testimisel tuleneb tehnoloogia võimest võrrelda suuri andmekogumeid. ML-vahendid võivad analüüsida tohutuid andmekogumeid (sealhulgas koodi), et luua teabe ja eeldatavate mudelite varamu.
Kui arendajad koodile pühenduvad, saavad nad seda võrrelda nende mudelitega, mis võib esile tuua ootamatuid stsenaariume, sõltuvusi ja haavatavusi, võimaldades paremat koodi kogu arendusprotsessi vältel.
3. Parem testide katvus
Masinõppevahendid on loodud tohutute andmehulkade analüüsimiseks ja mõistmiseks. Kui seda rakendatakse tarkvara testimisel, võimaldab see meeskondadel suurendada tarkvara testimise ulatust. Kasu ei ole ainult inimtööjõu eemaldamine võrrandist, et säästa raha; tehisintellekti tulemuseks on ka palju ulatuslikum testimine, mis võimaldab parandada vigade tuvastamist keerukate stsenaariumide puhul.
4. Vähendatud kulud
Võrreldes QA-inseneride meeskonna palkamisega ja nende kasutamisega korduvate ja aeganõudvate tarkvara testimise ülesannete täitmiseks, on genereeriv tehisintellekt ja RPA kiiremad ja kuluefektiivsemad.
Kuna tarkvaraarenduse maailm muutub üha konkurentsivõimelisemaks, muutub üha olulisemaks leida viise, kuidas pakkuda kvaliteetseid ja vastupidavaid tooteid eelarve piires. Geneeriva tehisintellekti tööriistad ja kaaspiloodid võivad vähendada sõltuvust inseneridest ja võimaldada neil teha väärtuspõhist tööd ning viia vähem paisutatud ehitusteni.
Kas generatiivsed tehisintellekti tööriistad tähendavad lõppu
inimtarkvara inseneride kohta?
Hoolimata nende ilmsetest eelistest võib iga automatiseerimisvahend tekitada töötajates ärevust nende tuleviku suhtes. Kuigi see on normaalne reaktsioon, tähendab generatiivse tehisintellekti kiirus ja ulatus, et mure on tavapärasest suurem. Kuigi need tööriistad suudavad automatiseerida paljusid töid, ei suuda nad täita kõiki ülesandeid, mida tarkvaraarendajad teevad. Tehnoloogia võimaluste ja piirangute mõistmine on inseneride ja juhtide jaoks väga oluline.
Esimene asi, mida inimesed peavad meeles pidama, on see, et tehisintellekti abil toimivad testide automatiseerimise tööriistad on turul juba mõnda aega olemas. Generatiivse tehisintellekti kasutajasõbralik olemus muudab selle siiski paindlikumaks.
Üks esimesi asju, mida me peame arvestama, on see, et Generative AI töötab kõige paremini väljundite puhul, mida saab kontrollida. See on oluline punkt. Õppejõudude koolitamise laad tähendab, et nad annavad endast parima, et anda teile vastus, isegi kui see tähendab mõnikord faktide, viidete ja argumentide “hallutsinatsiooni”.
Kui teil on piisavad teadmised kodeerimisest, saate lugeda ja kontrollida mis tahes teksti, mille Generative AI väljastab, ning leida võimalikke vigu. Kui te olete kodanikukooder, kes kasutab geneerilist tehisintellekti selle asemel, et osata kodeerida, ei ole te nii võimeline neid vigu avastama.
Nii et sellest vaatenurgast vaadatuna on kvalifitseeritud insenerid endiselt oluline osa tarkvaraarenduse ökosüsteemist. Nad peavad endiselt katsetama nii järelevalvealases kui ka praktilises mõttes.
Teine piirang, mida loov tehisintellekti kasutamine tarkvara testimisel hõlmab mobiilseid teste. Näiteks ChatGPT on hea võimalus veebisaidi kasutajaliideste testimiseks. Sellel ei ole aga juurdepääsu erinevatele mobiilseadmetele. Kuna turul on nii palju erinevaid mobiiltelefone ja mudeleid, jääb see maha praegusest testide automatiseerimise tarkvarast, nagu ZAPTEST. Ka see probleem ei ole väike takistus. Rohkem kui
pool kogu internetikasutusest tuleb mobiiltelefoni kaudu
ja see arv suureneb igal aastal.
Seega, kuigi generatiivne tehisintellekt võtab arendajatelt palju ülesandeid, ei muuda see neid spetsialiste iganenuks ilma tohutute muudatusteta testimise infrastruktuuris ja võimekuses väljundit kontrollida.
Lõplikud mõtted
Tarkvara testimine ja RPA on pidevas arengus. Uute tehnoloogiate ja meetodite tekkimisel võtavad mõlemad erialad kasutusele parimad tavad, et aidata kvaliteedi tagamise meeskondadel teha kiiremat ja põhjalikumat testimist vaid murdosa manuaalse testimise hinnast.
Kuigi testide ulatuse parandamine ning inimlike vigade ja kulude vähendamine on mõned AI-võimendusega testimise ilmsemad eelised, aitab see meeskondadel võtta kasutusele ka pideva integreerimise ja kasutuselevõtu torujuhtmete (CI/CD) lähenemisviisi.
Kuna tarbijate ootused ja konkurents on suuremad kui kunagi varem, pakub Generative AI meeskondadele võimalust pakkuda kiireid ja tõhusaid teste, ilma et see kahjustaks kvaliteeti.
