“நான் இதுவரை பார்த்த மெஷின் லேர்னிங்கின் மிகவும் மனதைக் கவரும் பயன்பாடு இதுதான்.”

மைக் கிரிகர், இன்ஸ்டாகிராமின் இணை நிறுவனர்.

 

மைக் க்ரீகரின் வார்த்தைகள் மிகைப்படுத்தப்பட்டவை அல்ல. தரவு பகுப்பாய்வு மற்றும் நுண்ணறிவுகளின் அடிப்படையில் எம்.எல் சில குறிப்பிடத்தக்க விஷயங்களைச் செய்ய முடியும் என்றாலும், கிட்ஹப் கோபிலட் என்பது உலகெங்கிலும் உள்ள தயாரிப்பு டெவலப்பர்களுக்கு வழங்கக்கூடிய சாத்தியமான பயன்பாடு காரணமாக ஒரு மொத்த கேம் சேஞ்சர் ஆகும்.

கோடிங் கோப்பிலட்டுகள் மற்றும் ஜெனரேட்டிவ் ஏஐ ஆகியவை குழுக்களுக்கு மென்பொருள் மேம்பாட்டு வாழ்க்கை சுழற்சியை இதுவரை கற்பனை செய்ய முடியாத வேகத்திற்கு விரைவுபடுத்துவது போன்ற பெரிய நன்மைகளைத் திறக்க உதவுகின்றன. இருப்பினும், ஆர்பிஏ மற்றும் மென்பொருள் சோதனையில் தொழில்நுட்பத்தின் தாக்கம் இந்த அற்புதமான தொழில்நுட்பத்தின் மிகவும் அற்புதமான எல்லைகளில் ஒன்றாகும்.

இந்த கட்டுரையில், தொழில்நுட்பத்தில் அவற்றின் எதிர்கால தாக்கத்தை ஆராய்வதற்கு முன்பு, குறியீட்டு கோப்பிலோட்டுகள் மற்றும் ஜெனரேட்டிவ் செயற்கை நுண்ணறிவு ஆகியவை மென்பொருள் சோதனை மற்றும் ஆர்.பி.ஏ ஆகியவற்றின் உலகங்களை தற்போதைய நாட்களில் எவ்வாறு மாற்றியுள்ளன என்பதைப் பார்ப்போம்.

 

Copilots and Generative AI in

மென்பொருள் மேம்பாடு: ஒரு பிரைமர்

ஜெனரேட்டிவ் ஏஐ மற்றும் கோடிங் கோப்பிலோட்கள் மென்பொருள் மேம்பாட்டு நிலப்பரப்பிற்கு ஒப்பீட்டளவில் புதியவை. விண்வெளியில் அவற்றின் தாக்கத்தைப் பற்றி விவாதிப்பதற்கு முன், அவர்களின் பின்னணிகள் மற்றும் அவை எவ்வாறு செயல்படுகின்றன என்பதைப் பார்ப்பது மதிப்புக்குரியது.

 

1.AI இயங்கும் ஆட்டோ கோடர்கள்

 

பெரிய மொழி மாதிரிகள் (எல்.எல்.எம்) கடந்த சில ஆண்டுகளில் குறிப்பிடத்தக்க வகையில் மேம்பட்டுள்ளன. தரவுத் தொகுப்புகளின் அளவு மற்றும் கணக்கீட்டு சக்தி அதிவேகமாக அதிகரித்துள்ளதால், வெளியீட்டின் தரம் உயர்ந்துள்ளது.

எல்.எல்.எம்களிலிருந்து பயனடையக்கூடிய பல செங்குத்துகள் உள்ளன. உரை, படங்கள், வீடியோக்கள் மற்றும் பிற ஊடக வடிவங்களை உருவாக்குவது பற்றி அதிகம் எழுதப்பட்ட சில. இருப்பினும், இந்த பயன்பாட்டு வழக்குகள் ஈர்க்கக்கூடியவை என்றாலும், டெவலப்பர்களுக்கு மிகவும் சுவாரஸ்யமான தாக்கங்கள் உள்ளன.

சந்தையில் பல எல்.எல்.எம் ஆட்டோகோடர்கள் உள்ளன. இருப்பினும், கிட்ஹப் கோபைலட் மிகவும் அறியப்பட்ட மற்றும் மிகவும் திறமையானது. காரணம் இது கிட்ஹப் களஞ்சியத்தில் பயிற்றுவிக்கப்படுகிறது. இது திறந்த மூல குறியீடு, சிறந்த நடைமுறைகள், பயன்பாட்டு கட்டமைப்பு மற்றும் கற்றுக்கொள்ள பலவற்றின் மில்லியன் கணக்கான எடுத்துக்காட்டுகளுக்கான அணுகலைக் கொண்டுள்ளது, இது உயர்தர மற்றும் பல்துறை வெளியீடுகளை வழங்க அனுமதிக்கிறது.

 

2. கோடிங் கோப்பிலோட்கள் எவ்வாறு செயல்படுகின்றன?

 

குறியீட்டு கோப்பிலோட்கள் எவ்வாறு செயல்படுகின்றன என்பதைப் பற்றி பேசுவதற்கான எளிதான வழிகளில் ஒன்று, விளையாட்டில் முன்னணி தயாரிப்பான கிட்ஹப் கோபிலட்டைப் பார்ப்பதன் மூலம். இந்த பயன்பாடு ஓபன்ஏஐயின் சாட்ஜிபிடி -3 மாடலை அடிப்படையாகக் கொண்டது.

ChatGPT மற்றும் இதே போன்ற எல்எல்எம்களைப் போலவே, CoPilot பில்லியன் கணக்கான அளவுருக்களை அடிப்படையாகக் கொண்டது. ChatGPT-3 இன் வளர்ச்சியின் போது, OpenAI கோடெக்ஸ் எனப்படும் ஒரு பிரத்யேக குறியீட்டு நிரலை உருவாக்கத் தொடங்கியது. மைக்ரோசாப்ட் தயாரிப்புக்கான பிரத்யேக அணுகலை வாங்கியது.

இருப்பினும், இங்கே முக்கியமான விஷயம் என்னவென்றால், மைக்ரோசாப்ட் ஏற்கனவே கிட்ஹப் வைத்திருந்தது. நீங்கள் ஒரு குறியீட்டாளராக இருந்தால், கிட்ஹப் பற்றி உங்களுக்கு அனைத்தும் தெரியும். அடிப்படையில், இது மென்பொருள் மேம்பாட்டு திட்டங்களில் பதிப்பு கட்டுப்பாடு மற்றும் ஒத்துழைப்புக்கு பயன்படுத்தப்படும் வலை அடிப்படையிலான தளமாகும். அவர்கள் கிட்ஹப் நூலகத்தில் ஓபன்ஏஐ கோடெக்ஸுக்கு பயிற்சி அளித்தனர், இது மில்லியன் கணக்கான திறந்த மூல, பொது குறியீட்டைக் கொண்டிருந்தது.

குறியீட்டின் கோடுகளுக்கு இடையிலான வடிவங்கள் மற்றும் உறவுகளைக் கண்டறிய கோபைலட் இயந்திர கற்றலைப் பயன்படுத்துகிறது. சாட்ஜிபிடியைப் போலவே, இது ஒரு சொல் அல்லது வரியைப் பார்த்து, வரலாற்றுத் தரவுகளின் பரந்த களஞ்சியத்தின் அடிப்படையில் அடுத்து என்ன வர வேண்டும் என்பதற்கான நிகழ்தகவைக் கணக்கிடுகிறது.

டெவலப்பர்கள் திருத்தும்போது குறியீடு துணுக்குகளை பரிந்துரைக்கும் திறனில் செயற்கை நுண்ணறிவு நகல்களின் சக்தி உள்ளது. குறியீட்டுக்கு ஒரு சூப்பர்சார்ஜ் செய்யப்பட்ட தானியங்கியைப் போல நினைத்துப் பாருங்கள். குறியீட்டாளர்கள் குறியீட்டின் வரியை உள்ளிடும்போது, எல்.எல்.எம் அந்த குறியீட்டின் தொடக்கத்தை அதன் முந்தைய திட்டங்களின் பெரிய நூலகத்துடன் ஒப்பிடுகிறது. அங்கிருந்து, இது சார்பு கோடுகள் மற்றும் புதுமையான குறியீட்டு வரிகளை பரிந்துரைக்கிறது.

இங்கே வெளிப்படையான நன்மைகள் என்னவென்றால், டெவலப்பர்கள் இந்த தானியங்கி நிறைவு மூலம் நம்பமுடியாத அளவு நேரத்தை மிச்சப்படுத்தலாம். இது உற்பத்தித்திறனையும், பல சந்தர்ப்பங்களில், குறியீட்டின் துல்லியத்தையும் அதிகரிக்கிறது.

 

3. குறியீட்டு மற்றும் மேம்பாட்டிற்கான உருவாக்க செயற்கை நுண்ணறிவு பற்றி என்ன?

 

கோபைலட்டின் வரலாற்றிலிருந்து நீங்கள் காணக்கூடியது போல, ஜெனரேட்டிவ் ஏஐ மற்றும் கோப்பிலோட்கள் ஒத்த வேர்களைக் கொண்டுள்ளன. அவை இரண்டும் புள்ளிவிவர நிகழ்தகவைப் பயன்படுத்தி பயனர்களுக்கு என்ன தேவை என்பதைப் பற்றிய கணிப்புகளைச் செய்யும் தொழில்நுட்பங்கள்.

இருப்பினும், நகலெடுக்கும் மென்பொருளுக்கும் உற்பத்தி செயற்கை நுண்ணறிவுக்கும் இடையிலான பெரிய வேறுபாடு என்னவென்றால், பிந்தையது உடனடி அடிப்படையிலானது. சுருக்கமாக, இதன் பொருள் பயனர்கள் கணினியில் எழுதப்பட்ட வழிமுறைகளின் தொகுப்பை உள்ளிடுகிறார்கள், மேலும் இது உள்ளடக்கத்தை வெளியிடுகிறது. ChatGPT அல்லது ஒத்த பயன்பாடுகளைப் பயன்படுத்திய எவருக்கும் தெரியும், இந்த வெளியீடு உரை, படங்கள், வீடியோ அல்லது குறியீடு வடிவில் வரலாம்.

எனவே, தானியங்கி குறியீட்டை அடைய குறியீட்டாளர்கள் பயன்படுத்தும் முறைகள் வேறுபட்டவை என்றாலும், அவற்றை செயற்கை நுண்ணறிவு உதவியுடன் தானியங்கி அல்லது உருவாக்கும் குறியீட்டின் ஒத்த குடையின் கீழ் வைக்கலாம்.

 

மென்பொருள் சோதனையின் பரிணாமம்[தொகு]

மென்பொருள் சோதனை பதிலளிக்கக்கூடியது மற்றும் எப்போதும் வளர்ந்து வருகிறது. சில தசாப்தங்களின் இடைவெளியில், இது புதிய தேவைகளைப் பூர்த்தி செய்வதற்கும் தொழில்நுட்பத்தில் முன்னேற்றங்களைப் பயன்படுத்துவதற்கும் மாற்றப்பட்டு உருமாற்றம் அடைந்துள்ளது.

 

1. கையேடு சோதனை:

மென்பொருள் சோதனையின் ஆரம்ப நாட்களில் கையேடு சோதனை இருந்தது. இந்த வகையான சோதனை விலையுயர்ந்தது மற்றும் நேரம் எடுக்கும், ஏனெனில் தொடர்ச்சியான சோதனை வழக்குகளை உருவாக்குவதன் மூலமும், முடிவுகளை இயக்குவதன் மூலமும் பதிவு செய்வதன் மூலமும், திருத்தங்களைத் திட்டமிடுவதன் மூலமும், செயல்முறையை மீண்டும் செய்வதன் மூலமும் க்யூஏ வல்லுநர்கள் ஒரு சிறந்த பல் சீப்புடன் மென்பொருளைப் பயன்படுத்த வேண்டியிருந்தது.

சாத்தியமான அனைத்து காட்சிகளும் சூழ்நிலைகளும் இந்த சோதனைகளால் உள்ளடக்கப்படுவதை உறுதி செய்வது ஒரு பெரிய சவாலாக இருந்தது, மேலும் சம்பந்தப்பட்ட நேரம் மற்றும் செலவுகளுடன் சேர்க்கும்போது, கையேடு சோதனை வளம் நிறைந்தது. இது மனித பிழைக்கு மிகவும் பாதிக்கப்படக்கூடியது, இது வரையறுக்கப்பட்ட விநியோக விருப்பங்களால் பெருக்கப்பட்டது, அதாவது கண்டறியப்படாத பிழைகளை விரைவாக சரிசெய்வது சவாலானது.

 

2. ஸ்கிரிப்ட் சோதனை:

 

ஸ்கிரிப்ட் செய்யப்பட்ட சோதனை QA சமூகத்திற்கு ஒரு பெரிய முன்னேற்றத்தைக் குறிக்கிறது. குறியீடு மற்றும் சோதனை காட்சிகளை கைமுறையாகச் செல்வதற்குப் பதிலாக, டெவலப்பர்கள் மென்பொருளை தானாக சோதிக்கக்கூடிய நிரல்களை எழுத முடிந்தது. இங்கே பெரிய பிளஸ் பக்கங்கள் என்னவென்றால், சோதனை மிகவும் திறமையானது மற்றும் மனித தவறுகளுக்கு குறைவான வாய்ப்பு கொண்டது. இருப்பினும், இதை அடைய விரிவான பாதுகாப்பை உறுதிப்படுத்த திறமையான, துல்லியமான மற்றும் நேர-தீவிர திட்டமிடல் மற்றும் குறியீட்டு தேவை.

 

3. டெஸ்ட் ஆட்டோமேஷன்:

 

சோதனை ஆட்டோமேஷன் என்பது சோதனையின் அடுத்த பரிணாமம். ZAPTEST போன்ற கருவிகள் ஸ்கிரிப்ட் செய்யப்பட்ட சோதனையின் அனைத்து நன்மைகளையும் கோடர்களுக்கு வழங்க முடிந்தது, ஆனால் குறியீடு இல்லாத இடைமுகத்துடன். மீண்டும், இங்கே குறிப்பிடத்தக்க நன்மைகள் நேரத்தை மிச்சப்படுத்துதல், மறுபயன்பாட்டு மற்றும் தகவமைக்கக்கூடிய சோதனைகள், யுஐ மற்றும் ஏபிஐ சோதனை மற்றும் குறுக்கு-இயங்குதளம் மற்றும் குறுக்கு-சாதன சோதனை.

 

4. தரவு அடிப்படையிலான சோதனை:

 

பல்வேறு தரவுத் தொகுப்புகளைச் செயலாக்கும் மென்பொருளைச் சோதிக்கும் சிக்கலுக்கு தரவு சார்ந்த சோதனை தீர்வாக இருந்தது. மீண்டும், இது சோதனை ஆட்டோமேஷனின் ஒரு வடிவமாகும், ஆனால் இந்த முறை சோதனை ஸ்கிரிப்ட்களை உருவாக்கி ஒதுக்கப்பட்ட தரவுத் தொகுப்புகளுக்கு எதிராக அவற்றை இயக்குவதை உள்ளடக்குகிறது. இந்த வகை சோதனை டெவலப்பர்களை வேகமாக வேலை செய்யவும், சோதனைகளை தனிமைப்படுத்தவும், சோதனை வழக்குகளை மீண்டும் செய்யும் நேரத்தை குறைக்கவும் அனுமதித்தது.

 

5. உற்பத்தி செயற்கை நுண்ணறிவு சோதனை:

 

ஜெனரேட்டிவ் ஏஐ சோதனை என்பது மென்பொருள் சோதனையில் புதிய கண்டுபிடிப்பு ஆகும். எல்.எல்.எம்களைப் பயன்படுத்துவதன் மூலம், QA குழுக்கள் சோதனை வழக்குகளை உருவாக்கலாம் மற்றும் சோதனை செயல்முறையை விரைவுபடுத்த உதவும் தரவை சோதிக்கலாம். இந்த சோதனை வழக்குகள் மிகவும் நெகிழ்வானவை மற்றும் திருத்தக்கூடியவை, இது டெவலப்பர்கள் சோதனைகளை மறுபயன்பாடு மற்றும் மறுபயன்பாடு செய்ய உதவுகிறது மற்றும் சோதனையின் நோக்கத்தை பெருமளவில் அதிகரிக்கிறது.

 

கோப்பிலோட்களின் இன்றைய பயன்பாடு மற்றும்

மென்பொருள் சோதனை மற்றும் RPA இல் உருவாக்கும் செயற்கை நுண்ணறிவு

மென்பொருள் சோதனையில் ஜெனரேட்டிவ் ஏஐ மற்றும் துணைப்பொருட்கள் பெரிய தாக்கத்தை ஏற்படுத்தியுள்ளன. இருப்பினும், கோடர்களை முற்றிலுமாக மாற்றுவதற்கு பதிலாக, இந்த கருவிகள் சோதனையாளர்களை அதிகரிக்க உதவியுள்ளன. சுருக்கமாக, அவை டெவலப்பர்களை விரைவாகவும் திறமையாகவும் மாற்ற உதவுகின்றன, மேலும் பல சந்தர்ப்பங்களில், சோதனையின் தரத்தை அதிகரிக்கின்றன.

2023 முதல் ஸ்டாக் ஓவர்ஃப்ளோ டெவலப்பர் கணக்கெடுப்பு
மென்பொருள் மேம்பாட்டு சமூகத்தில் செயற்கை நுண்ணறிவு கருவிகளின் தற்போதைய பயன்பாடு குறித்த சில நுண்ணறிவுகளை வழங்குகிறது. கணக்கெடுப்பின் மிகவும் சுவாரஸ்யமான பகுதிகளில் ஒன்று, அனைத்து டெவலப்பர்களில் பாதிக்கும் மேற்பட்டவர்கள் மென்பொருள் சோதனைக்கான செயற்கை நுண்ணறிவு கருவிகளில் ஆர்வமாக இருப்பதாகக் கூறினாலும், 3% க்கும் குறைவானவர்கள் இந்த கருவிகளை நம்புவதாகக் கூறினர். மேலும் என்னவென்றால், நான்கில் 1 பேர் மட்டுமே தற்போது மென்பொருள் சோதனைக்கு செயற்கை நுண்ணறிவு கருவிகளைப் பயன்படுத்துவதாகக் கூறினர்.

இந்த புள்ளிவிவரங்களைப் பற்றிய சுவாரஸ்யமான விஷயம் என்னவென்றால், செயற்கை நுண்ணறிவு கருவிகளைப் பயன்படுத்துவது இன்னும் பரவலாக இல்லை என்பதையும், ஆரம்பகால தத்தெடுப்பாளர்கள் இன்னும் ஒரு நன்மையைப் பெறலாம் என்பதையும் அவை காட்டுகின்றன.

 

1. மென்பொருள் சோதனை மற்றும் ஆர்.பி.ஏ ஆகியவற்றில் கோப்பிலட் மற்றும் ஜெனரேட்டிவ் செயற்கை நுண்ணறிவு பயன்பாடு வழக்குகள்

 

Copilots மற்றும் Generative AI மென்பொருள் உருவாக்கத்தின் ஒவ்வொரு பகுதியையும் பாதிக்கின்றன. மென்பொருள் சோதனை மற்றும் ஆர்பிஏவுக்கு தொழில்நுட்பம் உதவக்கூடிய சில வழிகள் இங்கே.

 

தேவை பகுப்பாய்வு

தேவை பகுப்பாய்வு என்பது மென்பொருள் மேம்பாட்டு வாழ்க்கை சுழற்சியின் முக்கிய பகுதியாகும். இந்த செயல்முறை பங்குதாரர் தேவைகள் மற்றும் ஒரு மென்பொருளை உருவாக்க தேவையான பல்வேறு அம்சங்களைப் புரிந்துகொள்வதை உள்ளடக்கியது. புதிய யோசனைகள் மற்றும் கண்ணோட்டங்களைக் கொண்டு வருவதன் மூலம் யோசனைகளைக் கொண்ட குழுக்களுக்கு உருவாக்கும் செயற்கை நுண்ணறிவு உதவ முடியும்.

 

சோதனை திட்டமிடல்

சோதனை தேவைகள் நன்கு புரிந்து கொள்ளப்பட்டவுடன், போதுமான சோதனை கவரேஜை உறுதிப்படுத்த QA அணிகள் விஷயங்களை ஒரு அட்டவணையாக உடைக்க வேண்டும். இந்த வகை வேலைக்கு நிபுணத்துவம் மற்றும் அனுபவம் தேவைப்படுகிறது, ஆனால் உருவாக்கும் செயற்கை நுண்ணறிவு எடுத்துக்காட்டுகள் மற்றும் வழிகாட்டிகள் மூலம் குழுக்களை ஆதரிக்க முடியும், மேலும் அவற்றின் தனித்துவமான தேவைகளுக்கு குறிப்பிட்ட கருவிகள் மற்றும் சிறந்த நடைமுறைகளின் பரிந்துரைகளை செய்ய முடியும்.

 

சோதனை வழக்கு உருவாக்கம்

கணினியின் பின்னால் உள்ள அடிப்படை உறவுகளைப் புரிந்துகொள்ள குறியீடு, பயனர் தேவைகள் மற்றும் மென்பொருள் விவரக்குறிப்புகளை பகுப்பாய்வு செய்ய QA குழுக்கள் எல்.எல்.எம்களைப் பயன்படுத்தலாம். செயற்கை நுண்ணறிவு மென்பொருளின் உள்ளீடுகள் மற்றும் வெளியீடுகள் மற்றும் எதிர்பார்க்கப்படும் நடத்தைகளைப் புரிந்துகொண்டவுடன், அது மென்பொருளை சோதிக்கும் சோதனை வழக்குகளை உருவாக்கத் தொடங்கலாம்.

இங்குள்ள நன்மைகள் நேரத்தை மிச்சப்படுத்துதல் மற்றும் கையேடு குறியீட்டுக்கு அப்பாற்பட்டவை. செயற்கை நுண்ணறிவு சோதனை வழக்கு உருவாக்கம் மிகவும் விரிவான பாதுகாப்புக்கு வழிவகுக்கும், ஏனெனில் இது QA பொறியாளர்கள் கருத்தில் கொள்ளாத பகுதிகளை ஆராய முடியும், இது மிகவும் நம்பகமான கட்டுமானங்களுக்கு வழிவகுக்கும்.

 

பிழைகளைக் கண்டறிதல் மற்றும் தீர்த்தல்

இயந்திர கற்றல் QA வல்லுநர்களை பிழைகளைக் கண்டறிந்து தீர்க்க எடுக்கும் நேரத்தை கணிசமாகக் குறைக்க அனுமதிக்கிறது. மென்பொருள் சோதனையில், பல பிழைகளைக் கண்டுபிடிப்பது எளிது. இருப்பினும், பல சூழ்நிலைகளில், இது ஒரு கடினமான மற்றும் நேரம் எடுக்கும் செயல்முறையாகும். உருவாக்கும் செயற்கை நுண்ணறிவு உடலுழைப்பு தொழிலாளர்களின் நேரத்தின் ஒரு பகுதியில் சோதனைகளைச் செய்ய முடியும் மற்றும் மிகவும் பிடிவாதமான பிழைகளைக் கூட முன்னிலைப்படுத்த உதவும். மேலும், இந்த செயற்கை நுண்ணறிவு கருவிகள் அவர்கள் அடையாளம் காணும் பிழைகளையும் தீர்க்க முடியும், இது QA குழுக்களுக்கு முடிவற்ற நேரத்தை மிச்சப்படுத்துகிறது.

 

UI சோதனை

உருவாக்கும் செயற்கை நுண்ணறிவு கருவிகள் மென்பொருள் அமைப்புகளுடனான பயனர் நடத்தைகள் மற்றும் தொடர்புகளின் வரம்பை உருவகப்படுத்த முடியும். இந்த முறைகள் வளர்ச்சிக் குழுக்களுக்கு அவர்களின் இடைமுகம் பரந்த அளவிலான மனித-கணினி பயன்பாடுகளைக் கையாள முடியும் என்ற நம்பிக்கையை அளிக்க முடியும். மேலும் என்னவென்றால், ஜெனரேட்டிவ் ஏஐ பயனர் இடைமுக தரவு மற்றும் ஹீட்மேப்களையும் பகுப்பாய்வு செய்யலாம் மற்றும் யுஐயை எவ்வாறு மேம்படுத்துவது மற்றும் அதை மிகவும் பயனர் நட்புறவாக மாற்றுவது என்பது குறித்த பரிந்துரைகளை செய்யலாம்.

 

துணை விமானிகள் மற்றும் ஜெனரேட்டிவ் செயற்கை நுண்ணறிவு ஆகியவற்றின் எதிர்காலம்

மென்பொருள் சோதனை மற்றும் RPA

மென்பொருள் ஆட்டோமேஷனில் கோப்பிலட்கள் மற்றும் ஜெனரேட்டிவ் ஏஐ ஆகியவற்றின் தற்போதைய பயன்பாடு ஏற்கனவே உற்சாகமாக இருந்தாலும், எதிர்காலம் இன்னும் அதிக வாக்குறுதியைக் கொண்டுள்ளது.

கோப்பிலட் மற்றும் ஜெனரேட்டிவ் ஏஐ ஆகியவற்றின் எதிர்காலம் தயாரிப்புகளில் செய்யக்கூடிய மேம்பாடுகளைப் பொறுத்தது. பர்டியூ பல்கலைக்கழகத்தின் சமீபத்திய ஆய்வு, தலைப்பு யார் இதற்கு சிறப்பாக பதில் சொல்வது? மென்பொருள் பொறியியல் கேள்விகளுக்கான ChatGPT மற்றும் ஸ்டாக் ஓவர்ஃப்ளோ பதில்களின் ஆழமான பகுப்பாய்வு ஜெனரேட்டிவ் ஏஐ மாதிரிகளின் சில வரம்புகளை அடிக்கோடிட்டுக் காட்டுகிறது.

ஆராய்ச்சியாளர்கள் சாட்ஜிபிடிக்கு ஸ்டாக் ஓவர்ஃப்ளோவிலிருந்து 500 க்கும் மேற்பட்ட கேள்விகளைக் கொடுத்தனர். செயற்கை நுண்ணறிவு கருவி பாதிக்கும் மேற்பட்ட தவறாக பதிலளித்தது. இப்போது, ஆராய்ச்சியாளர்கள் குறிப்பிட்ட மிக முக்கியமான சிக்கல்களில் ஒன்று, கேள்விகளை சரியாகப் புரிந்து கொள்ளாததால் செயற்கை நுண்ணறிவு அடிக்கடி தோல்வியுற்றது என்பதைக் கவனத்தில் கொள்ள வேண்டியது அவசியம். இந்த விவரம் ஜெனரேட்டிவ் செயற்கை நுண்ணறிவில் உடனடி பொறியியலின் முக்கியத்துவத்தை அடிக்கோடிட்டுக் காட்டுகிறது.

கூடுதலாக, கூகிள் மற்றும் அமேசான் இரண்டும் நேர்காணல் கேள்வி அமைப்பில் உருவாக்கும் செயற்கை நுண்ணறிவு கருவிகளின் தரத்தைப் பார்க்க இந்த ஆண்டு சுயாதீன சோதனைகளை நடத்தியுள்ளன. இரண்டு சந்தர்ப்பங்களிலும், கருவி சோதனை கேள்விகளுக்கு நன்கு பதிலளிக்க முடிந்தது, இது பின்வருமாறு தெரிவிக்கப்பட்டது சி.என்.பி.சி

மற்றும் பிசினஸ் இன்சைட்

முறையே.

எனவே, இந்த தொழில்நுட்பத்தில் சாத்தியம் இருக்கும் ஒரு கட்டத்தில் நாம் இருக்கிறோம் என்பது தெளிவாகிறது, ஆனால் சில சிறிய விஷயங்களை சரிசெய்ய வேண்டும். சமீபத்திய ஆண்டுகளில் இந்த கருவிகள் மேம்பட்ட அளவு, அது தேவையான மட்டத்திற்கு வரும் மற்றும் ஒருவேளை திட்டமிடப்பட்ட நேரத்திற்கு முன்பே வரும் என்ற நம்பிக்கையை அளிக்கிறது.

இப்போது, இந்த தொழில்நுட்பங்கள் மென்பொருள் மேம்பாட்டு சோதனையின் எதிர்காலத்தை பாதிக்கும் சில பகுதிகளைப் பார்ப்போம்.

 

1. ஹைப்பர் ஆட்டோமேஷன்

 

ஹைபராடோமேஷன் என்பது நிறுவனத்தின் பரிணாம வளர்ச்சியில் ஒரு இலக்கை விவரிக்கிறது, அங்கு தானியங்கியாக இருக்கக்கூடிய ஒவ்வொரு செயல்முறையும் தானியங்கியாக இருக்கும். இது உற்பத்தித்திறனுக்கான ஒரு முழுமையான அணுகுமுறையாகும், இது மிகவும் ஒன்றோடொன்று இணைக்கப்பட்டுள்ளது.

மென்பொருள் மேம்பாட்டைப் பொறுத்தவரை, வணிக செயல்முறை தேவைகளின் மேற்பார்வையுடன் ஒரு மையப்படுத்தப்பட்ட அமைப்பை கற்பனை செய்வது கடினம் அல்ல. இந்த அமைப்பு தேவைகள் மற்றும் செயல்திறன்களைப் புரிந்துகொண்டு அடையாளம் காணும் மற்றும் தொழில்நுட்பத்தின் மூலம் மேம்படுத்தப்பட வேண்டிய பகுதிகளை தொடர்ந்து அடையாளம் காணும்.

வணிகங்கள் உருவாகும்போது, இந்த மையப்படுத்தப்பட்ட அமைப்புகள் தடைகள் மற்றும் திறமையின்மைகளைத் தானாகவே தீர்க்கும் பயன்பாடுகளை உருவாக்க உருவாக்க உற்பத்தி செயற்கை நுண்ணறிவைப் பயன்படுத்தும் அல்லது குறிப்பிட்ட வேலைகளை முடிக்க பொறியாளர்களுக்குத் தள்ளும்.

 

2. மென்பொருள் கட்டமைப்புகளை வடிவமைத்தல்

 

போதுமான தரவுடன், செயற்கை நுண்ணறிவு கருவிகள் மென்பொருள் கட்டமைப்பு சிறந்த நடைமுறைகளைப் புரிந்துகொண்டு அதிகபட்ச செயல்திறனுக்காக இந்த வடிவமைப்புகளை மேம்படுத்துவதற்கான வழிகளைக் கண்டறிய முடியும். இயந்திர கற்றல் என்பது மனித மனதின் எல்லைக்கு அப்பாற்பட்ட வடிவங்களையும் உறவுகளையும் கண்டுபிடிப்பதாகும்.

செயற்கை நுண்ணறிவு கருவிகள் பல்வேறு பயன்பாடுகளைப் பற்றிய போதுமான அறிவைக் கொண்டிருந்தால், முந்தைய கட்டமைப்புகளை புதிய தேவைகளுக்கு வளைக்க அவர்களுக்கு அறிவுறுத்தலாம், இது மிகவும் திறமையான கட்டுமானங்களுக்கு அல்லது கருத்தில் கொள்ளப்படாத யோசனைகளுக்கு வழிவகுக்கும்.

 

3. மரபுவழி அமைப்புகளை நவீனப்படுத்துதல்

 

எந்தவொரு மென்பொருளும் ஒருபோதும் சரியானதாக இல்லை என்றாலும், பல கருவிகள் இன்னும் ஒரு சிறந்த வேலையைச் செய்கின்றன மற்றும் ஒரு நிறுவனத்தின் உள்கட்டமைப்பில் மிகவும் ஆழமாக உட்பொதிக்கப்பட்டுள்ளன, அவற்றை மாற்றுவது கடினம். இந்த அமைப்புகளைத் தழுவுவது ஒரு வேலையாக இருக்கலாம், குறிப்பாக அவை ஃபேஷனுக்கு அப்பாற்பட்ட மென்பொருள் குறியீட்டைப் பயன்படுத்தி எழுதப்பட்டிருந்தால்.

எதிர்காலத்தில், உருவாக்கும் செயற்கை நுண்ணறிவு கருவிகள் இந்த குறியீட்டை மொழியில் மாற்ற முடியும், இது குழுக்கள் தங்கள் பாரம்பரிய அமைப்புகளை வைத்திருக்கவும், பல சந்தர்ப்பங்களில் அவற்றை மேம்படுத்தவும் அனுமதிக்கிறது.

 

4. குறைந்த குறியீடு மற்றும் குறியீடு இல்லாத வளர்ச்சியை மேம்படுத்துதல்

 

நாங்கள் மேலே அடையாளம் கண்ட ஜெனரேட்டிவ் ஏஐ கருவிகள் மூலம் ஆட்டோமேஷன் மென்பொருள் சோதனையின் சவால்களில் ஒன்று, வெளியீட்டை சரிபார்க்க குறியீட்டாளருக்கு அறிவும் அனுபவமும் இல்லாத ஒரு சூழ்நிலையாகும்.

வலுவான பயன்பாடுகளுக்கு வழிவகுக்கும் சிறந்த பரிந்துரைகளைச் செய்வதன் மூலம் குறைந்த குறியீடு கருவிகளை அதிகரிக்க செயற்கை நுண்ணறிவு துணை நிரல்கள் உதவும். அதிநவீன சோதனை கருவிகள் மனித ஆபரேட்டர்களுக்கு அவர்களின் வேலையை தொடர்ந்து சரிபார்த்து, அவர்களுக்குத் தேவையான பயன்பாடுகளை உருவாக்க தொழில்நுட்பம் அல்லாத நிபுணர்களுக்கு கதவைத் திறக்கும் போது சுதந்திரமான படைப்பாற்றலை அனுமதிக்கும்.

 

மென்பொருள் சோதனையில் உருவாக்கும் செயற்கை நுண்ணறிவின் நன்மைகள்

மென்பொருள் சோதனைக்கு ஜெனரேட்டிவ் செயற்கை நுண்ணறிவைப் பயன்படுத்துவது பல நன்மைகளைக் கொண்டுள்ளது, இது வேகமாக வேலை செய்ய விரும்பும் ஆனால் தரத்தில் சமரசம் செய்யாமல் வளரும் குழுக்களுக்கு கவர்ச்சிகரமான விருப்பமாக அமைகிறது.

 

1. மென்பொருள் உருவாக்க வாழ்க்கை சுழற்சியை விரைவுபடுத்துதல்

 

மென்பொருள் மற்றும் புதிய அம்சங்கள் சரியான நேரத்தில் சந்தைக்கு வருவதை உறுதி செய்வதற்காக டெவலப்பர்கள் நீண்ட நேரம் வேலை செய்ய வேண்டிய தொடர்ச்சியான அழுத்தத்தில் உள்ளனர். சுறுசுறுப்பான / DevOps முறைகள் வளர்ச்சி மிகவும் திறமையானது என்பதை உறுதிப்படுத்தியிருந்தாலும், மேலும் நெறிப்படுத்துவதன் மூலம் பயனடையக்கூடிய வளர்ச்சியின் தனிப்பட்ட நிலைகள் இன்னும் உள்ளன.

உருவாக்கும் செயற்கை நுண்ணறிவு கருவிகள் சோதனை குழுக்களை முன்மாதிரிகளை உருவாக்குவது முதல் யுஐ சோதனை வரை பல்வேறு எஸ்.டி.எல்.சி நிலைகளை சமாளிக்க அனுமதிக்கின்றன.

 

2. விரிவான பிழை கண்டறிதல்

 

மென்பொருள் சோதனையில் செயற்கை நுண்ணறிவின் மிகவும் சக்திவாய்ந்த பயன்பாடுகளில் ஒன்று பெரிய தரவுத்தொகுப்புகளை ஒப்பிடுவதற்கான தொழில்நுட்பத்தின் திறனிலிருந்து வருகிறது. தகவல் களஞ்சியம் மற்றும் எதிர்பார்க்கப்படும் மாதிரிகளை உருவாக்க எம்.எல் கருவிகள் பரந்த தரவுத் தொகுப்புகளை (குறியீடு உட்பட) பகுப்பாய்வு செய்யலாம்.

தேவ்ஸ் குறியீட்டை அர்ப்பணிக்கும்போது, அவர்கள் அதை இந்த மாதிரிகளுடன் ஒப்பிடலாம், இது எதிர்பாராத காட்சிகள், சார்புகள் மற்றும் பாதிப்புகளை முன்னிலைப்படுத்தலாம், இது முழு வளர்ச்சி செயல்முறையிலும் சிறந்த குறியீட்டை அனுமதிக்கிறது.

 

3. மேம்பட்ட சோதனை கவரேஜ்

 

இயந்திர கற்றல் கருவிகள் பரந்த அளவிலான தரவை பகுப்பாய்வு செய்வதற்கும் புரிந்துகொள்வதற்கும் கட்டமைக்கப்பட்டுள்ளன. மென்பொருள் சோதனைக்கு பயன்படுத்தும்போது, இது குழுக்கள் தங்கள் மென்பொருள் சோதனையின் நோக்கத்தை அதிகரிக்க அனுமதிக்கிறது. நன்மைகள் பணத்தைச் சேமிப்பதற்கான சமன்பாட்டிலிருந்து மனித உழைப்பை அகற்றுவதற்கு அப்பாற்பட்டவை; செயற்கை நுண்ணறிவு மிகவும் விரிவான வகை சோதனைக்கு வழிவகுக்கிறது, இது சிக்கலான சூழ்நிலைகளில் மேம்பட்ட பிழை கண்டறிதலை அனுமதிக்கிறது.

 

4. குறைக்கப்பட்ட செலவுகள்

 

QA பொறியாளர்களின் குழுவைப் பணியமர்த்துவது மற்றும் மீண்டும் மீண்டும் மற்றும் நேரம் எடுக்கும் மென்பொருள் சோதனை பணிகளுக்கு அவற்றைப் பயன்படுத்துவதோடு ஒப்பிடும்போது, ஜெனரேட்டிவ் ஏஐ மற்றும் ஆர்பிஏ வேகமானவை மற்றும் அதிக செலவு குறைந்தவை.

மென்பொருள் வளர்ச்சி உலகம் மிகவும் போட்டித்தன்மை வாய்ந்ததாக மாறும்போது, பட்ஜெட்டில் தரமான, நீடித்த தயாரிப்புகளை வழங்குவதற்கான வழிகளைக் கண்டுபிடிப்பது முக்கியத்துவம் அதிகரிக்கிறது. உருவாக்கும் செயற்கை நுண்ணறிவு கருவிகள் மற்றும் துணைப்பொருட்கள் பொறியியலாளர்களை சார்ந்திருப்பதைக் குறைத்து, மதிப்பு சார்ந்த வேலைகளைச் செய்ய அனுமதிக்கும் மற்றும் குறைந்த வீங்கிய கட்டுமானங்களுக்கு வழிவகுக்கும்.

 

உருவாக்கும் செயற்கை நுண்ணறிவு கருவிகள் முடிவை உச்சரிக்கின்றனவா

மனித சாப்ட்வேர் இன்ஜினியர்கள்?

அவற்றின் வெளிப்படையான நன்மைகள் இருந்தபோதிலும், எந்தவொரு ஆட்டோமேஷன் கருவியும் தொழிலாளர்களுக்கு அவர்களின் எதிர்காலத்தைப் பற்றிய கவலையை ஏற்படுத்தும். இது ஒரு சாதாரண எதிர்வினை என்றாலும், உற்பத்தி செயற்கை நுண்ணறிவின் வேகம் மற்றும் நோக்கம் கவலைகள் வழக்கத்தை விட விரிவானவை என்பதைக் குறிக்கிறது. இந்த கருவிகள் பல வேலைகளை தானியக்கமாக்கும் திறனைக் கொண்டிருந்தாலும், மென்பொருள் பொறியாளர்கள் செய்யும் ஒவ்வொரு பணியையும் அவர்களால் செய்ய முடியாது. தொழில்நுட்பத்தின் திறன்களையும் அவற்றின் வரம்புகளையும் புரிந்துகொள்வது பொறியாளர்கள் மற்றும் தலைவர்களுக்கு அவசியம்.

மக்கள் நினைவில் கொள்ள வேண்டிய முதல் விஷயம் என்னவென்றால், செயற்கை நுண்ணறிவு மூலம் இயக்கப்படும் சோதனை ஆட்டோமேஷன் கருவிகள் சந்தையில் நீண்ட காலமாக உள்ளன. இருப்பினும், ஜெனரேட்டிவ் செயற்கை நுண்ணறிவின் பயனர் நட்பு தன்மை அதை மேலும் நெகிழ்வுத்தன்மை கொண்டதாக ஆக்குகிறது.

நாம் கருத்தில் கொள்ள வேண்டிய முதல் விஷயங்களில் ஒன்று, சரிபார்க்கக்கூடிய வெளியீடுகளுக்கு ஜெனரேட்டிவ் ஏஐ சிறப்பாக செயல்படுகிறது. இது ஒரு முக்கிய புள்ளி. எல்.எல்.எம்.கள் எவ்வாறு பயிற்றுவிக்கப்படுகின்றன என்பதன் தன்மை என்னவென்றால், அவர்கள் உங்களுக்கு ஒரு பதிலைக் கொடுக்க தங்களால் முடிந்த அனைத்தையும் செய்வார்கள், அது எப்போதாவது “மயக்கும்” உண்மைகள், குறிப்புகள் மற்றும் வாதங்களைக் குறிக்கிறது.

இப்போது, உங்களுக்கு குறியீட்டில் போதுமான அறிவு இருந்தால், ஏஐ வெளியிடும் எந்தவொரு உரையையும் நீங்கள் படிக்கவும் சரிபார்க்கவும் முடியும் மற்றும் சாத்தியமான பிழைகளைப் பிடிக்க முடியும். நீங்கள் ஒரு குடிமகன் குறியீட்டாளராக இருந்தால், குறியிடுவதற்கு பதிலாக ஜெனரேட்டிவ் செயற்கை நுண்ணறிவைப் பயன்படுத்துகிறீர்கள் என்றால், இந்த தவறுகளைப் பிடிக்கும் திறன் உங்களுக்கு இருக்காது.

எனவே, இந்த கண்ணோட்டத்தில் பார்க்கும்போது, திறமையான பொறியாளர்கள் இன்னும் மென்பொருள் மேம்பாட்டு சுற்றுச்சூழல் அமைப்பில் ஒரு முக்கிய பகுதியாக இருப்பார்கள். அவர்கள் இன்னும் மேற்பார்வை மற்றும் நடைமுறை அர்த்தத்தில் சோதிக்க வேண்டும்.

மென்பொருள் சோதனைக்கான உருவாக்கும் செயற்கை நுண்ணறிவின் மற்றொரு வரம்பு மொபைல் சோதனையை உள்ளடக்கியது. எடுத்துக்காட்டாக, வலைத்தள யுஐக்களை சோதிக்க சாட்ஜிபிடி ஒரு நல்ல வழி. இருப்பினும், இது வெவ்வேறு மொபைல் சாதனங்களுக்கான அணுகலைக் கொண்டிருக்கவில்லை. சந்தையில் பல வெவ்வேறு கைபேசிகள் மற்றும் மாடல்களுடன், இது ZAPTEST போன்ற தற்போதைய சோதனை ஆட்டோமேஷன் மென்பொருளுக்கு பின்னால் உள்ளது. இந்தப் பிரச்சினையும் சிறிய தடையல்ல. மேல்
அனைத்து இணைய பயன்பாட்டிலும் பாதி மொபைலில் இருந்து வருகிறது
, மேலும் அந்த எண்ணிக்கை ஒவ்வொரு ஆண்டும் அதிகரிக்கிறது.

எனவே, உருவாக்கும் செயற்கை நுண்ணறிவு டெவலப்பர்களிடமிருந்து பல கடமைகளை எடுத்துக் கொள்ளும் அதே வேளையில், சோதனை உள்கட்டமைப்பு மற்றும் வெளியீட்டை சரிபார்க்கும் திறனில் பெரிய மாற்றங்கள் இல்லாமல் இந்த நிபுணர்களை காலாவதியாக்காது.

 

இறுதி எண்ணங்கள்

 

மென்பொருள் சோதனை மற்றும் ஆர்பிஏ ஆகியவை முன்னேற்றத்தின் நிலையான பாதையில் உள்ளன. புதிய தொழில்நுட்பம் மற்றும் முறைகள் உருவாகும்போது, இரண்டு துறைகளும் சிறந்த நடைமுறைகளை உள்வாங்கி, கையேடு சோதனையின் விலையில் ஒரு பகுதியில் விரைவான மற்றும் விரிவான சோதனையை வழங்க QA குழுக்களுக்கு உதவுகின்றன.

சோதனைகளின் நோக்கத்தை மேம்படுத்துவது மற்றும் மனித பிழை மற்றும் செலவுகளைக் குறைப்பது செயற்கை நுண்ணறிவு மூலம் இயங்கும் சோதனையின் வெளிப்படையான நன்மைகளில் சில என்றாலும், இது தொடர்ச்சியான ஒருங்கிணைப்பு மற்றும் வரிசைப்படுத்தல் குழாய்கள் (சிஐ / சிடி) அணுகுமுறையைப் பின்பற்ற குழுக்களுக்கு உதவுகிறது.

நுகர்வோர் எதிர்பார்ப்புகள் மற்றும் போட்டி முன்னெப்போதையும் விட அதிகமாக இருப்பதால், தரத்தை சமரசம் செய்யாமல் வேகமான மற்றும் திறமையான சோதனைகளை வழங்க குழுக்களுக்கு ஒரு வழியை ஜெனரேட்டிவ் ஏஐ வழங்குகிறது.

Download post as PDF