Leçons tirées de notre webinaire sur l’IA sur l’AQ

Je tombe définitivement dans le camp de penser que l’IA augmente les capacités et les capacités humaines. – Satya Nadella

Notre dernier webinaire QA sur “Comment l’IA change la détection des défauts ?” avait presque un thème similaire. Au cas où vous l’auriez manqué en direct, voici les enseignements de notre webinaire sur l’IA sur l’AQ.

Plus de 90 participants se sont inscrits à la session en direct d’une heure, et 25 % d’entre eux l’ont regardée en direct. Le présentateur, Vasudevan Swaminathan , a expliqué aux participants la nécessité de détecter les défauts et comment l’intelligence artificielle change cela.

Tout a commencé le 9 septembre 1947, le jour où le premier bogue au monde a été trouvé et l’évolution des défauts, au fil des années, coûtant une fortune aux entreprises, ce qui a nécessité la détection des défauts.

Comme le dit l’aphorisme, « les tests de logiciels prouvent l’existence de bogues, pas leur absence ». L’existence de défauts et ses graves impacts ont modifié les méthodes de test des logiciels. De la méthodologie Waterfall à l’ère DevOps actuelle, nous avons tout vu. L’intelligence artificielle est la dernière en date et ce qui est considéré comme l’avenir des tests de logiciels. La transition vers l’adoption de l’IA dans les tests n’est plus un mot à la mode aujourd’hui.

L’IA s’appuie sur les données.

Plus les données sous forme de défauts passés, de tendances de défauts, etc. sont nombreuses et diversifiées, fournies au modèle d’apprentissage automatique, meilleur est le résultat.

En travaillant avec les gens, l’IA peut améliorer la littératie des données de l’ensemble de la main-d’œuvre. Alors que certaines applications d’IA reposent uniquement sur l’automatisation des machines, la plupart des problèmes commerciaux complexes tels que la détection des défauts nécessitent une interaction et une perspective humaines. Et c’est pourquoi nous préférons l’appeler Intelligence Augmentée plutôt que de l’appeler Intelligence Artificielle.

Vers la fin du webinaire, les participants ont posé quelques questions intéressantes.

Q1 : Pour un apprentissage supervisé, vous devez disposer de données étiquetées. Je pense que vous suggérez que les résultats d’AQ des sprints précédents seront la source des étiquettes sur les données. Cela peut-il aider à identifier les défauts dans les futurs sprints, où de nouveaux défauts pourraient être introduits ?

A1 : L’étiquetage est certainement quelque chose que nous faisons. Mais nous le faisons pour les cas de test (pour l’instant) et non pour les résultats (car nous avons fait une hypothèse prudente sur la cartographie d’un cas de test à un résultat de test). Étant donné que les cas de test sont déjà mappés sur les problèmes existants (régression s’il y en a ?), le taux de désabonnement de la base de code, nous avons parfois accès à des prévisions futures (nous ne sélectionnons que les valeurs aberrantes pour l’instant). Oui, cela aide, mais nous travaillons sur l’utilisation des modèles disponibles pour prévoir l’avenir et nous avons actuellement des résultats mitigés.

Q2 : Pouvez-vous donner un exemple en temps réel de la manière dont l’IA aide à automatiser un cas d’utilisation de connexion de base

A2 : Automatisation des tests de connexion – Le principal avantage des solutions basées sur l’IA ou l’apprentissage sur lesquelles Zuci se concentre est de générer des cas de test, et non de les automatiser. Ce sont les cas d’utilisation sur lesquels Zuci se concentre,

1. 1. Trouver un meilleur moyen de promouvoir un document (un cas de test) par rapport à un autre document
   2. Ou regrouper un document avec un autre,
   3. Ou créer un document (génération d’un cas de test)

Q3 : Quelle entreprise a construit l’outil Spider AI ?

A3 : Outil Spider AI – Les “outils Spider AI” sont des outils d’exploration courants que vous trouvez dans l’optimisation des moteurs de recherche et dans d’autres domaines. Dans le cadre de l’identification des cas de test, Zuci utilise une solution similaire pour reconnaître les cas optimaux.