„Ez a gépi tanulás legelképesztőbb alkalmazása, amit valaha láttam.”
Mike Krieger, az Instagram társalapítója.
Mike Krieger szavai nem túlzások. Míg az ML figyelemre méltó dolgokra képes az adatelemzés és a meglátások terén, a GitHub Copilot teljesen megváltoztatja a játékot, mivel a termékfejlesztők számára világszerte potenciális hasznosságot jelenthet.
A kódolási társpilóták és a generatív mesterséges intelligencia segítségével a csapatok hatalmas előnyökhöz juthatnak, például a szoftverfejlesztési életciklus eddig elképzelhetetlen sebességre gyorsulhat. A technológia hatása az RPA-ra és a szoftvertesztelésre azonban e csodálatos technológia két legizgalmasabb határterülete.
Ebben a cikkben azt vizsgáljuk meg, hogy a kódoló társpilóták és a generatív AI hogyan változtatta meg a szoftvertesztelés és az RPA világát napjainkban, mielőtt megvizsgálnánk a technológiára gyakorolt jövőbeli hatásukat.
Copilots és generatív mesterséges intelligencia a
szoftverfejlesztés: A Primer
A generatív mesterséges intelligencia és a kódolási társak viszonylag újak a szoftverfejlesztés területén. Mielőtt a térre gyakorolt hatásukról beszélnénk, érdemes megnézni a hátterüket és a munkájuk módját.
1. AI-alapú automatikus kódolók
A nagy nyelvi modellek (LLM) az elmúlt néhány évben jelentősen fejlődtek. Ahogy az adathalmazok mérete és a számítási teljesítmény exponenciálisan nőtt, úgy emelkedett a kimenet minősége is.
Számos olyan vertikális ágazat van, amely az LLM-ek előnyeit élvezheti. A legtöbbet írottak közé tartozik a szövegek, képek, videók és más médiaformák létrehozása. Bár ezek a felhasználási esetek lenyűgözőek, a fejlesztők számára vannak olyan következmények, amelyek talán sokkal érdekesebbek.
A piacon számos LLM-autokodáló van forgalomban. A GitHub CoPilot azonban talán a legismertebb és legjobban megvalósított. Ennek oka nagyrészt az, hogy a GitHub tárolóhelyen képzik ki. Több millió nyílt forráskódú példához, legjobb gyakorlatokhoz, alkalmazásarchitektúrához és más tanulnivalókhoz fér hozzá, ami lehetővé teszi, hogy kiváló minőségű és sokoldalú kimeneteket nyújtson.
2. Hogyan működnek a kódoló kopilóták?
Az egyik legegyszerűbb módja annak, hogy beszéljünk arról, hogyan működnek a kódolási társpilóták, ha megnézzük a játék vezető termékét, a GitHub CoPilotot. Az alkalmazás az OpenAi ChatGPT-3 modelljén alapul.
A ChatGPT-hez és a hasonló LLM-ekhez hasonlóan a CoPilot is több milliárd paraméteren alapul. A ChatGPT-3 fejlesztése során az OpenAI elkezdett létrehozni egy külön kódoló programot, az OpenAI Codex-et. A Microsoft kizárólagos hozzáférést vásárolt a termékhez.
A lényeg azonban az, hogy a Microsoft már korábban is birtokolta a GitHubot. Ha programozó vagy, mindent tudsz a GitHubról. Alapvetően ez egy webalapú platform, amelyet a szoftverfejlesztési projektek verziókezelésére és együttműködésére használnak. Az OpenAI Codexet a GitHub könyvtáron képezték ki, amely több millió sor nyílt forráskódú, nyilvános kódot tartalmazott.
A CoPilot a gépi tanulást használja a kódsorok közötti minták és kapcsolatok keresésére. A ChatGPT-hez hasonlóan megnéz egy szót vagy sort, és kiszámítja annak valószínűségét, hogy mi következik ezután egy hatalmas történelmi adattár alapján.
A mesterséges intelligenciával rendelkező társpilóták ereje abban rejlik, hogy a fejlesztők szerkesztés közben kódrészleteket tudnak javasolni. Gondoljon rá úgy, mint egy felturbózott automatikus kitöltésre a kódoláshoz. Ahogy a programozók beírnak egy kódsort, az LLM összehasonlítja a kód kezdetét a korábbi projektek hatalmas könyvtárával. Onnan valószínűségi sorokat és újszerű kódsorokat javasol.
Ennek nyilvánvaló előnye, hogy a fejlesztők hihetetlenül sok időt takaríthatnak meg az automatikus kiegészítéssel. Ez növeli a termelékenységet és sok esetben a kód pontosságát is.
3. Mi a helyzet a generatív mesterséges intelligenciával a kódolás és a fejlesztés terén?
Amint a CoPilot történetéből láthatjuk, a generatív AI és a Copilots hasonló gyökerekkel rendelkezik. Mindkettő olyan technológia, amely statisztikai valószínűséget használ arra, hogy a felhasználók igényeire vonatkozó előrejelzéseket készítsen a feltételezett információk alapján.
A nagy különbség a kopilotáló szoftver és a generatív mesterséges intelligencia között azonban az, hogy az utóbbi prompt-alapú. Röviden ez azt jelenti, hogy a felhasználók írásos utasításokat adnak be a gépnek, és az kiadja a tartalmat. Mint azt bárki tudja, aki használta már a ChatGPT-t vagy hasonló alkalmazásokat, ez a kimenet lehet szöveg, kép, videó vagy kód.
Tehát, bár a kódolók által az automatizált kódoláshoz használt módszerek eltérőek, mégis hasonló, mesterséges intelligenciával támogatott automatizált vagy generatív kódolás alá sorolhatjuk őket.
A szoftvertesztelés fejlődése
A szoftvertesztelés érzékeny és folyamatosan fejlődik. Néhány évtized leforgása alatt átalakult és átalakult, hogy megfeleljen az új követelményeknek és felhasználja a technológia fejlődését.
1. Kézi tesztelés:
A szoftvertesztelés kezdeti időszakában a manuális tesztelés volt a jellemző. Ez a fajta tesztelés drága és időigényes volt, mivel a minőségbiztosítási szakértőknek át kellett nézniük a szoftvert egy finom fogú fésűvel, tesztesetek sorozatának kidolgozásával, az eredmények futtatásával és rögzítésével, a javítások ütemezésével és a folyamat megismétlésével.
Nagy kihívást jelentett annak biztosítása, hogy ezek a tesztek minden lehetséges forgatókönyvre és helyzetre kiterjedjenek, és ha hozzávesszük az időt és a költségeket, a kézi tesztelés erőforrás-igényes volt. Emellett nagyon érzékeny volt az emberi hibákra, amit a korlátozott terjesztési lehetőségek csak fokoztak, ami azt jelentette, hogy a felfedezetlen hibákat nehéz volt gyorsan javítani.
2. Szkriptelt tesztelés:
A szkriptelt tesztelés hatalmas előrelépést jelentett a minőségbiztosítási közösség számára. Ahelyett, hogy kézzel kellett volna végigmenniük a kódon és a tesztforgatókönyveken, a fejlesztők olyan programokat írhattak, amelyek automatikusan tesztelték a szoftvert. Ennek nagy előnye volt, hogy a tesztelés hatékonyabbá vált, és kevésbé volt hajlamos az emberi hibákra. Ennek elérése azonban szakszerű, pontos és időigényes tervezést és kódolást igényelt az átfogó lefedettség biztosításához.
3. Teszt automatizálás:
A teszt automatizálás a tesztelés következő evolúciója volt. Az olyan eszközök, mint a ZAPTEST, a programozók számára a szkriptelt tesztelés minden előnyét fel tudták kínálni, de kód nélküli felülettel. A jelentős előnyök itt is az időmegtakarítás, az újrafelhasználható és adaptálható tesztek, a felhasználói felület és az API tesztelése, valamint a platform- és eszközközi tesztelés voltak.
4. Adatvezérelt tesztelés:
Az adatvezérelt tesztelés volt a megoldás a különböző adathalmazokat feldolgozó szoftverek tesztelésének problémájára. Ez is a teszt automatizálás egyik formája, de ez a módszer teszt forgatókönyvek létrehozását és futtatását jelenti a kijelölt adathalmazok ellen. Ez a fajta tesztelés lehetővé tette a fejlesztők számára, hogy gyorsabban dolgozzanak, elkülönítsék a teszteket, és csökkentsék a tesztesetek ismétlésére fordított időt.
5. Generatív AI tesztelés:
A generatív mesterséges intelligencia tesztelés a legújabb innováció a szoftvertesztelésben. Az LLM-ek használatával a minőségbiztosítási csapatok olyan teszteseteket és tesztadatokat hozhatnak létre, amelyek segítenek felgyorsítani a tesztelési folyamatot. Ezek a tesztesetek rendkívül rugalmasak és szerkeszthetők, ami segít a fejlesztőknek a tesztek újrafelhasználásában és újrafelhasználásában, és jelentősen növeli a tesztelés hatókörét.
A másodpilóták mai használata és
Generatív AI a szoftvertesztelésben és az RPA-ban
A generatív mesterséges intelligencia és a kopilóták nagy hatással voltak a szoftvertesztelésre. Ezek az eszközök azonban ahelyett, hogy teljesen helyettesítenék a programozókat, inkább a tesztelőket segítik. Röviden, segítenek a fejlesztőknek gyorsabbá és hatékonyabbá válni, és sok esetben a tesztelés minőségét is javítják.
A
Stack Overflow fejlesztői felmérés 2023-ból
betekintést nyújt a mesterséges intelligencia eszközeinek jelenlegi használatába a szoftverfejlesztő közösségen belül. A felmérés egyik legérdekesebb része azt mutatta, hogy míg a fejlesztők valamivel több mint fele azt állította, hogy érdeklődik a szoftverteszteléshez használt mesterséges intelligenciaeszközök iránt, kevesebb mint 3% mondta, hogy megbízik ezekben az eszközökben. Ráadásul csak minden negyedik válaszadó jelezte, hogy jelenleg is használ mesterséges intelligencia eszközöket a szoftverteszteléshez.
A statisztikák érdekessége, hogy azt mutatják, hogy az AI-eszközök használata még nem terjedt el széles körben, és a korai alkalmazók még mindig előnyben lehetnek.
1. Copilot és generatív AI felhasználási esetek a szoftvertesztelésben és az RPA-ban
A robotpilóták és a generatív mesterséges intelligencia a szoftverfejlesztés minden területére hatással van. Íme néhány módszer, amellyel a technológia segíthet a szoftvertesztelésben és az RPA-ban.
Szükségletelemzés
A követelményelemzés a szoftverfejlesztés életciklusának kulcsfontosságú része. A folyamat magában foglalja az érdekelt felek igényeinek és a szoftver elkészítéséhez szükséges különböző funkcióknak a megértését. A generatív mesterséges intelligencia segíthet a csapatoknak az ötletelésben azáltal, hogy új ötletekkel és perspektívákkal áll elő.
Teszttervezés
Miután a tesztelési követelmények jól ismertek, a minőségbiztosítási csapatoknak ütemtervre kell bontaniuk a dolgokat a megfelelő tesztlefedettség biztosítása érdekében. Az ilyen típusú munka szakértelmet és tapasztalatot igényel, de a Generative AI példákon és útmutatókon keresztül támogathatja a csapatokat, valamint ajánlásokat tehet az egyedi követelményekhez szükséges eszközökre és legjobb gyakorlatokra vonatkozóan.
Teszteset létrehozása
A minőségbiztosítási csapatok az LLM-ek segítségével elemezhetik a kódot, a felhasználói követelményeket és a szoftverspecifikációkat, hogy megértsék a rendszer mögöttes összefüggéseit. Miután a mesterséges intelligencia megismerte a szoftver bemeneteit, kimeneteit és elvárt viselkedését, elkezdheti a szoftver tesztelését szolgáló tesztesetek létrehozását.
Az előnyök túlmutatnak az időmegtakarításon és a kézi kódoláson. A mesterséges intelligencia tesztesetek létrehozása átfogóbb lefedettséget is eredményezhet, mivel olyan területeket is fel tud fedezni, amelyeket a minőségbiztosítási mérnökök esetleg nem vesznek figyelembe, ami megbízhatóbb felépítéshez vezet.
Hibák keresése és megoldása
A gépi tanulás lehetővé teszi a minőségbiztosítási szakemberek számára, hogy jelentősen lerövidítsék a hibák felkutatásához és megoldásához szükséges időt. A szoftvertesztelés során sok hibát könnyű megtalálni. Sok esetben azonban ez egy fáradságos és időigényes folyamat. A generatív mesterséges intelligencia a kézi munkások idejének töredéke alatt képes elvégezni az ellenőrzéseket, és segít kiemelni még a legmakacsabb hibákat is. Ráadásul ezek az AI-eszközök képesek az általuk azonosított hibák megoldására is, végtelen időt megtakarítva a QA csapatoknak.
UI tesztelés
A generatív mesterséges intelligencia eszközök számos felhasználói viselkedést és a szoftverrendszerekkel való interakciót képesek szimulálni. A módszerek segítségével a fejlesztőcsapatok biztosak lehetnek abban, hogy az interfészük az ember-számítógép használat széles skáláját képes kezelni. Mi több, a generatív AI képes elemezni a felhasználói felület adatait és a hőtérképeket, és javaslatokat tenni a felhasználói felület javítására és felhasználóbarátabbá tételére.
A másodpilóták és a generatív mesterséges intelligencia jövője
a Szoftvertesztelés és RPA területén
Míg a kopilóták és a generatív mesterséges intelligencia jelenlegi alkalmazása a szoftverautomatizálásban már most is izgalmas, a jövő még több ígéretet tartogat.
A copilot és a generatív mesterséges intelligencia jövője a termékeken végrehajtható fejlesztéseken múlik. A Purdue Egyetem nemrégiben készült tanulmánya, melynek címe Ki válaszol jobban? A ChatGPT és a Stack Overflow szoftverfejlesztési kérdésekre adott válaszainak mélyreható elemzése kiemeli a generatív mesterséges intelligencia modellek néhány korlátját.
A kutatók a ChatGPT-nek több mint 500 kérdést adtak a Stack Overflowból. A mesterséges intelligencia eszköz több mint felére pontatlanul válaszolt. Fontos megjegyezni, hogy a kutatók az egyik legjelentősebb probléma az volt, hogy a mesterséges intelligencia leggyakrabban azért vallott kudarcot, mert nem értette meg megfelelően a kérdéseket. Ez a részlet kiemeli a generatív mesterséges intelligencián belüli prompt engineering fontosságát.
Emellett a Google és az Amazon idén független teszteket is lefuttatott, hogy megvizsgálja a generatív AI-eszközök minőségét interjúkérdésekben. Mindkét esetben az eszköznek sikerült elég jól válaszolnia a tesztkérdésekre ahhoz, hogy megszerezze a pozíciót, amint arról a
CNBC
és
Business Inside
illetve.
Világos tehát, hogy olyan ponton vagyunk ebben a technológiában, ahol a lehetőségek adottak, de néhány apróságot még ki kell javítani. Az a mérték, amellyel ezek az eszközök az elmúlt években fejlődtek, bizakodóvá tesz bennünket abban, hogy a szükséges szintre el fog jutni, és valószínűleg a tervezettnél hamarabb.
Most megnézhetünk néhány olyan területet, ahol ezek a technológiák hatással lesznek a szoftverfejlesztés tesztelésének jövőjére.
1. Hiperautomatizálás
A hiperautomatizálás a vállalat fejlődésének egy olyan célpontját írja le, ahol minden automatizálható folyamat automatizálva lesz. Ez a termelékenység holisztikus megközelítése, amely nagymértékben összekapcsolódik.
A szoftverfejlesztés szempontjából nem nehéz elképzelni egy központosított rendszert az üzleti folyamatok követelményeinek felügyeletével. A rendszer megérti és azonosítja az igényeket és a hatékonyságot, és folyamatosan azonosítja azokat a területeket, amelyeken a technológia segítségével javítani kell.
Ahogy a vállalkozások fejlődnek, ezek a központosított rendszerek a generatív AI segítségével olyan alkalmazásokat fognak létrehozni, amelyek automatikusan megoldják a szűk keresztmetszeteket és a hatékonysági hiányosságokat, vagy esetleg bizonyos feladatokat a mérnököknek adnak át.
2. Szoftverarchitektúrák tervezése
Elegendő adat birtokában az AI-eszközök megérthetik a szoftverarchitektúra legjobb gyakorlatait, és megtalálhatják a tervezési módokat a maximális hatékonyság érdekében. A gépi tanulás olyan minták és összefüggések megtalálását jelenti, amelyek meghaladják az emberi elme hatókörét.
Ha az AI-eszközök elegendő ismerettel rendelkeznek a különböző alkalmazásokról, akkor utasíthatjuk őket, hogy a korábbi architektúrákat az új követelményekhez igazítsák, ami hatékonyabb felépítéshez vagy akár olyan ötletekhez vezethet, amelyeket egyébként nem vennénk figyelembe.
3. A régi rendszerek korszerűsítése
Bár egyetlen szoftver sem tökéletes, sok olyan eszköz van, amely még mindig kiváló munkát végez, és olyan mélyen beépült a vállalat infrastruktúrájába, hogy nehéz lecserélni. Ezeknek a rendszereknek az adaptálása nehézkes lehet, különösen, ha a rendszereket olyan szoftverkóddal írták, amely már kiment a divatból.
A jövőben a generatív mesterséges intelligencia eszközök képesek lesznek ezt a kódot az aktuális nyelvre konvertálni, lehetővé téve a csapatok számára, hogy megtartsák a régi rendszereiket, és sok esetben továbbfejlesszék azokat.
4. Az alacsony kódú és a kód nélküli fejlesztés fokozása
A generatív mesterséges intelligencia eszközökkel történő automatizált szoftvertesztelés egyik kihívása, amelyet fentebb azonosítottunk, az a helyzet volt, amikor a kódoló nem rendelkezett a kimenet ellenőrzéséhez szükséges ismeretekkel és tapasztalattal.
A mesterséges intelligencia társpilóták segíteni fognak a low-code eszközök kiegészítésében azáltal, hogy jobb javaslatokat tesznek, amelyek robusztus alkalmazásokhoz vezetnek. A kifinomult tesztelési eszközök lehetővé teszik az emberi kezelők számára a szabad kreativitást, miközben folyamatosan validálják a munkájukat, és megnyitják az utat a nem műszaki szakemberek előtt, hogy elkészítsék a szükséges alkalmazásokat.
A generatív AI előnyei a szoftvertesztelésben
A generatív AI használata a szoftvertesztelésben számos előnnyel jár, amelyek vonzóvá teszik a gyorsabb, de a minőség rovására dolgozó fejlesztőcsapatok számára.
1. A szoftverfejlesztési életciklus felgyorsítása
A fejlesztők állandó nyomás alatt állnak, hogy hosszú munkaidőben dolgozzanak, hogy a szoftverek és az új funkciók időben piacra kerüljenek. Bár az Agile/DevOps módszertanok hatékonyabbá tették a fejlesztést, még mindig vannak olyan fejlesztési szakaszok, amelyek további racionalizálása előnyös lehet.
A generatív AI-eszközök lehetővé teszik a tesztelő csapatok számára, hogy a prototípusok létrehozásától az UI-tesztelésig különböző SDLC-fázisokban dolgozzanak.
2. Átfogó hibaérzékelés
A mesterséges intelligencia egyik leghatékonyabb alkalmazása a szoftvertesztelésben a technológia azon képességéből ered, hogy nagy adathalmazokat képes összehasonlítani. Az ML-eszközök hatalmas adathalmazok (beleértve a kódot is) elemzésére képesek, hogy az információk és a várható modellek tárházát felépítsék.
Amikor a fejlesztők kódot rögzítenek, összehasonlíthatják azt ezekkel a modellekkel, ami rávilágíthat a váratlan forgatókönyvekre, függőségekre és sebezhetőségekre, így a teljes fejlesztési folyamat során jobb kódot készíthetnek.
3. Javított tesztlefedettség
A gépi tanulási eszközök hatalmas adathalmazok elemzésére és megértésére szolgálnak. A szoftvertesztelésre alkalmazva lehetővé teszi a csapatok számára, hogy növeljék a szoftvertesztelés hatókörét. Az előnyök túlmutatnak azon, hogy az emberi munkaerőt kivonják az egyenletből, és ezzel pénzt takarítanak meg; a mesterséges intelligencia sokkal átfogóbb teszteléshez is vezet, amely lehetővé teszi a hibák jobb felderítését komplex forgatókönyvek egész sorában.
4. Csökkentett költségek
A generatív mesterséges intelligencia és az RPA gyorsabb és költséghatékonyabb, mint egy QA mérnökökből álló csapat foglalkoztatása, akiket ismétlődő és időigényes szoftvertesztelési feladatokra használnak.
Ahogy a szoftverfejlesztés világa egyre versenyképesebbé válik, egyre fontosabbá válik, hogy minőségi és tartós termékeket tudjunk szállítani a költségvetésen belül. A generatív AI-eszközök és a társpilóták csökkenthetik a mérnökökre való támaszkodást, és lehetővé tehetik számukra, hogy értékorientált munkát végezzenek, ami kevésbé felduzzasztott építkezésekhez vezet.
A generatív mesterséges intelligencia eszközök a végét jelentik
az emberi szoftvermérnökök?
A nyilvánvaló előnyök ellenére minden automatizálási eszköz aggodalmat okozhat a munkavállalóknak a jövőjükkel kapcsolatban. Bár ez egy normális reakció, a generatív mesterséges intelligencia sebessége és hatóköre miatt az aggodalmak a szokásosnál is nagyobbak. Bár ezek az eszközök számos feladatot képesek automatizálni, nem tudnak elvégezni minden olyan feladatot, amelyet a szoftvermérnökök végeznek. A mérnökök és a vezetők számára elengedhetetlen a technológia képességeinek és korlátainak megértése.
Az első dolog, amit az embereknek nem szabad elfelejteniük, hogy a mesterséges intelligenciával működő tesztautomatizálási eszközök már jó ideje léteznek a piacon. A generatív mesterséges intelligencia felhasználóbarát jellege azonban további rugalmasságot tesz lehetővé.
Az egyik első dolog, amit figyelembe kell vennünk, hogy a generatív mesterséges intelligencia a legjobban az ellenőrizhető kimenetek esetében működik. Ez egy kulcsfontosságú pont. Az LLM-ek képzésének jellege azt jelenti, hogy mindent megtesznek azért, hogy választ adjanak Önnek, még akkor is, ha ez időnként azt jelenti, hogy „hallucinálnak” a tények, hivatkozások és érvek.
Ha megfelelő kódolási ismeretekkel rendelkezik, akkor képes lesz elolvasni és ellenőrizni a Generative AI által kiadott szöveget, és észrevenni a lehetséges hibákat. Ha Ön egy civil programozó, aki a generatív mesterséges intelligenciát használja ahelyett, hogy kódolni tudna, akkor nem lesz annyira képes ezeket a hibákat észrevenni.
Ebből a szempontból nézve tehát a szakképzett mérnökök továbbra is a szoftverfejlesztés ökoszisztémájának kritikus részét képezik. Továbbra is vizsgázniuk kell mind felügyeleti, mind gyakorlati értelemben.
A generatív mesterséges intelligencia másik korlátja a szoftvertesztelésben a mobil tesztelés. A ChatGPT például jó lehetőség a webhelyek felhasználói felületeinek tesztelésére. Azonban nem fér hozzá a különböző mobileszközökhöz. A piacon lévő sok különböző készülék és modell miatt lemarad a jelenlegi teszt-automatizálási szoftverek, például a ZAPTEST mögött. Ez a probléma sem jelent kisebb akadályt. Több mint
az összes internethasználat fele mobilról történik
, és ez a szám évről évre nő.
Tehát, bár a generatív mesterséges intelligencia sok feladatot elvesz a fejlesztőktől, nem fogja ezeket a szakembereket elavulttá tenni a tesztelési infrastruktúra és a kimenet ellenőrzésének képessége nélkül.
Végső gondolatok
A szoftvertesztelés és az RPA folyamatosan fejlődik. Az új technológiák és módszerek megjelenésével mindkét szakterület magába szívja a legjobb gyakorlatokat, hogy a minőségbiztosítási csapatok gyorsabb és átfogóbb tesztelést végezzenek a kézi tesztelés árának töredékéért.
Míg a tesztek hatókörének javítása, valamint az emberi hibák és költségek csökkentése az AI-alapú tesztelés néhány nyilvánvaló előnye, ez segít a csapatoknak a folyamatos integrációs és telepítési csővezetékek (CI/CD) megközelítésének elfogadásában is.
Mivel a fogyasztói elvárások és a verseny minden eddiginél nagyobb, a generatív AI lehetőséget kínál a csapatoknak arra, hogy gyors és hatékony teszteket készítsenek a minőség romlása nélkül.
