Dugo vremena, razgovor o automatizaciji testiranja bio je prilično jednostavan .
Kako timovi mogu testirati više, brže napredovati i pratiti rastuće rasporede izdanja bez dodavanja više ručnog rada?
Na papiru, to zvuči dovoljno jednostavno.
U stvarnosti, većina timova za testiranje zna da je izazov rijetko stvaranje testova. Teži dio je održati ih korisnima.
Aplikacije se stalno mijenjaju. Korisnička sučelja se razvijaju. API-ji se ažuriraju. Poslovni procesi se mijenjaju.
Testni paket koji je prije nekoliko mjeseci radio glatko može iznenada početi zahtijevati puno više pažnje nego što je itko očekivao.
To je jedan od razloga zašto su mnogi timovi počeli posvećivati više pažnje automatizaciji testiranja umjetne inteligencije.
Većina timova ne traži više automatizacije samo da bi rekli da je imaju.
Pokušavaju riješiti puno praktičniji problem.
Kako aplikacije rastu, testiranje postaje sve teže održavati. Dodaju se nove značajke, mijenjaju se tijekovi rada, integracije se množe i odjednom testni paket koji je prije nekoliko mjeseci radio savršeno zahtijeva stalnu pažnju samo da bi održao korak.
Privlačnost umjetne inteligencije nije u tome što sve automatizira. To je u tome što može pomoći u smanjenju dijela ručnog rada koji dolazi s održavanjem kvalitete u okruženju koje se stalno mijenja.
Zašto tradicionalna automatizacija doseže svoje granice
Tradicionalna automatizacija je tijekom godina na mnogo načina pomogla softverskim timovima.
Omogućilo je brže testiranje, ranije otkrivanje problema i validaciju daleko više scenarija nego što većina timova realno može pokriti samo ručnim testiranjem.
zapravo nije predmet rasprave.
Ali svatko tko je dovoljno dugo radio s automatizacijom zna da je pisanje testova često samo početak.
Većina automatiziranih testova izgrađena je oko toga kako se aplikacija ponaša u određenom trenutku.
Problem je što „danas“ ne traje jako dugo.
Tim ažurira tijek rada. Stranica se redizajnira. Doda se nova značajka. Ponekad je promjena značajna, a ponekad je jedva primjetna.
U svakom slučaju, automatizacija mora pratiti napredak.
Izazov postaje održavanje korisnih tih testova dok se aplikacija mijenja oko njih.
Kako aplikacije postaju veće i povezanije, održavanje automatizacije može se početi činiti kao posao sam po sebi.
Timovi više ne testiraju samo web stranicu.
Testiraju puno više od web stranice ili aplikacije. Postoje API-ji, baze podataka, integracije trećih strana, sustavi plaćanja, mobilna iskustva i bezbrojni tijekovi rada koji sve povezuju iza kulisa.
Kako ta složenost raste, mnoge organizacije traže načine da provode manje vremena održavajući testove, a više vremena usredotočujući se na samu kvalitetu.
Zašto testiranje temeljeno na umjetnoj inteligenciji privlači pažnju
Jedan od razloga zašto je umjetna inteligencija izazvala toliko interesa jest njezina sposobnost da se nosi s promjenama malo drugačije od tradicionalne automatizacije.
Dobar primjer je nešto što je svaki tim za testiranje iskusio. Programer ažurira stranicu, premješta gumb, mijenja identifikator ili prilagođava dio sučelja. Sama funkcionalnost i dalje radi, ali odjednom deseci testova počinju padati.
Tradicionalna automatizacija to obično vidi kao neispravan test.
Sustavi vođeni umjetnom inteligencijom ponekad mogu prepoznati što se promijenilo i razumjeti da je temeljna radnja i dalje ista.
To ne znači da kvarovi nestaju ili da održavanje postaje nepotrebno.
Umjetna inteligencija može promijeniti dio posla koji se ulaže u testiranje, ali ne mijenja potrebu za iskusnim testerima.
Netko ipak mora razumjeti kako se aplikacija koristi, koji su njezini dijelovi najvažniji i gdje je najvjerojatnije da će stvari poći po zlu.
Alat može pomoći u izvlačenju informacija.
Odlučivanje o tome što ta informacija znači je druga priča.
Ono što umjetna inteligencija može učiniti jest smanjiti dio posla koji dolazi s održavanjem automatizacije, dajući timovima više vremena da se usredotoče na pronalaženje stvarnih problema umjesto na stalno popravljanje testova.
To je glavni razlog zašto interes za umjetnu inteligenciju za testiranje softvera nastavlja rasti.
Gdje timovi vide stvarnu vrijednost od umjetne inteligencije u testiranju
Mnogi ljudi misle da umjetna inteligencija postaje korisna tek kada se testovi zapravo provode .
Ono što mnogi timovi otkrivaju jest da vrijednost počinje mnogo prije nego što se test uopće izvrši.
Iznenađujuća količina testiranja se događa prije nego što se uopće izvrši ijedan test.
Timovi provode puno vremena odlučujući što zaslužuje pokrivenost, razumiju što se promijenilo, procjenjuju rizik i osiguravaju da se važni scenariji ne propuste.
To postaje sve teže kako aplikacije postaju veće i povezanije.
Izrada testova je dobar primjer.
U određenom trenutku, izazov više nije samo testiranje softvera. Radi se o tome da se shvati što sve treba testirati.
Postoje korisnička putovanja, poslovna pravila, integracije, rubni slučajevi i bezbrojni putevi kojima ljudi mogu ići kroz aplikaciju.
Što je aplikacija veća, to je teže imati cijelu sliku na umu.
Postoje značajke koje ljudi koriste svaki dan. Značajke koje se rijetko diraju. Integracije koje povezuju sustave. Dozvole koje mijenjaju čemu različiti korisnici mogu pristupiti. Poslovna pravila koja utječu na to kako se sve ponaša.
Popis stalno raste.
Obično puno brže nego što itko očekuje.
U određenom trenutku, problem nije pronaći stvari za testiranje.
Većina timova već ima više posla s testiranjem nego što mogu udobno obaviti.
Teži dio je znati na što se usredotočiti i osigurati da važna područja ne nestanu tiho s radara kako aplikacija nastavlja rasti.
Još jedno područje gdje timovi vide vrijednost je analiza neuspjeha.
Kad test ne uspije, sam neuspjeh je obično lakši dio.
Posao počinje s otkrivanjem zašto je došlo do neuspjeha.
Možda postoji greška. Možda se nešto promijenilo u okruženju. Možda testni podaci uzrokuju problem. Možda sam test treba pozornost.
Sada to pomnožite sa stotinama ili tisućama rezultata.
Nije teško vidjeti kamo vrijeme ide.
Umjetna inteligencija može pomoći u tome da taj proces bude upravljiviji otkrivanjem obrazaca, povezivanjem povezanih kvarova i pomaganjem timovima da uoče probleme koje bi inače bilo lako propustiti.
Prioritizacija je još jedan izazov s kojim se većina timova za testiranje suočava svakodnevno.
Jedan od najtežih dijelova testiranja je odlučiti što prvo zaslužuje pažnju.
Jer gotovo uvijek ima više posla koji čeka nego što ima vremena za njegov završetak.
Ne može se svako ažuriranje ispitati s istom razinom pažnje.
Umjetna inteligencija može pomoći timovima da shvate gdje su se dogodile nedavne promjene, što olakšava odlučivanje gdje bi detaljniji pogled vjerojatno bio vrijedan truda.
Pronalaženje pravih alata za testiranje umjetne inteligencije
Tržište najboljih alata za testiranje umjetne inteligencije i najboljih alata za testiranje automatizacije umjetne inteligencije nastavlja brzo rasti.
Alati koji imaju tendenciju da dobiju na popularnosti obično nisu oni koji daju najveća obećanja.
Oni su ti koji rješavaju svakodnevne frustracije.
Možda smanjuju dio posla održavanja. Možda olakšavaju razumijevanje kvarova. Možda pomažu timovima da manje vremena provedu u potrazi za problemima koji zapravo nisu problemi.
Platforme poput Qyrus dio su rastućeg vala rješenja za testiranje temeljenih na umjetnoj inteligenciji, osmišljenih kako bi pomogli timovima u upravljanju složenošću testiranja bez dodavanja nepotrebnih troškova.
Većina timova već ionako balansira dovoljno odgovornosti.
Ono što obično traže je nešto što olakšava svakodnevni posao, a ne nešto što dodaje još jedan sloj složenosti.
Možda to znači manje trošenja vremena na održavanje testova. Možda to znači manje sati provedenih u istraživanju kvarova koji se pokažu kao lažne uzbune. Ponekad je to jednostavno kao pomoći timovima da brže razumiju probleme kada se dogodi nešto neočekivano.
Alati koji traju obično nisu oni s najvećim marketinškim tvrdnjama.
To su one koje ljudi nastavljaju koristiti šest mjeseci kasnije jer im dan čine malo lakšim.
Možda uštede vrijeme.
Možda smanjuju frustraciju.
Možda pomažu timovima da brže dobiju odgovore.
Bez obzira na razlog, oni rješavaju problem koji ljudi zapravo imaju .
Kamo ide automatizacija testiranja umjetne inteligencije
Rasprava o automatizaciji testiranja umjetnom inteligencijom ponekad zvuči kao da tehnologija zamjenjuje ljude koji obavljaju posao.
Većina testnih timova to ne vidi tako.
Izazov nikada nije bio pronaći dovoljno stvari za testiranje.
Ako išta, obično je suprotno.
Uvijek postoji više tijekova rada za validaciju, više rubnih slučajeva za razmatranje i više područja rizika nego što je vremena dostupno za pokrivanje.
Ono što timovi zapravo traže jest način da provedu manje vremena održavajući testove, a više vremena poboljšavajući kvalitetu.
To je važno jer moderni softver rijetko je jednostavan.
Većina ljudi nikad ne zastane da razmisli o tome što se događa nakon što kliknu "Pošalji".
I iskreno, ne bi trebali.
Očekivanje je jednostavno. Djelovanje funkcionira i život ide dalje.
Za timove za testiranje, ta ista akcija može biti sasvim drugačija priča.
Informacije se mogu prenositi između više sustava. API-ji mogu razmjenjivati podatke. Provjere autentičnosti mogu se odvijati u pozadini. Zapisi se mogu ažurirati na nekoliko različitih mjesta prije nego što se proces završi.
Korisnik vidi jednu akciju.
Timovi za testiranje moraju razmišljati o svemu što se događa nakon toga.
Zato alati za automatizaciju umjetne inteligencije i dalje privlače toliko pažnje.
Razgovor se postupno udaljava od toga koliko testova tim može izraditi prema puno praktičnijem pitanju.
Kako se ti testovi drže kako se aplikacija mijenja?
Jer na kraju, vrijednost automatizacije se ne mjeri veličinom testnog paketa.
Mjeri se time mogu li se timovi i dalje oslanjati na njega iz izdanja u izdanje, čak i dok se softver oko njega nastavlja razvijati.
