“Þetta er ein undarlegasta notkun vélanáms sem ég hef séð.”
Mike Krieger, meðstofnandi Instagram.
Orð Mike Krieger eru ekki ýkjur. Þó að ML sé fær um ótrúlega hluti hvað varðar gagnagreiningu og innsýn, þá er GitHub Copilot algjör leikjaskipti vegna hugsanlegs gagnsemi sem það getur veitt vöruframleiðendum um allan heim.
Kóðunaraðstoðarflugmenn og Generative AI hjálpa teymum að opna mikla kosti, svo sem að flýta fyrir líftíma hugbúnaðarþróunar að hingað til ólýsanlegum hraða. Hins vegar, áhrif tækninnar á RPA og hugbúnaðarprófanir eru tvö af mest spennandi landamærum þessarar mögnuðu tækni.
Í þessari grein munum við skoða hvernig kóðunaraðstoðarflugmenn og generative AI hafa breytt heimi hugbúnaðarprófunar og RPA í nútímanum áður en við könnum framtíðaráhrif þeirra á tæknina.
Aðstoðarflugmenn og generative AI í
hugbúnaðarþróun: Grunnur
Generative AI og kóðunaraðstoðarflugmenn eru tiltölulega nýliðar í hugbúnaðarþróunarlandslaginu. Áður en við ræðum áhrif þeirra á rýmið er vert að skoða bakgrunn þeirra og hvernig þeir vinna.
1.AI-máttur sjálfvirkt merkjamál
Stór tungumálalíkön (LLM) hafa batnað verulega á undanförnum árum. Þar sem stærð gagnasafnanna og reikniaflið hefur aukist veldishraða hafa gæði framleiðslunnar aukist.
Það eru margir lóðréttir sem geta notið góðs af LLM. Sumt af því sem mest er skrifað um felur í sér að búa til texta, myndir, myndbönd og annars konar miðla. Hins vegar, þó að þessi notkunartilvik séu áhrifamikil, þá eru afleiðingar fyrir forritara sem eru kannski mun áhugaverðari.
Það er fjöldi LLM autocoders á markaðnum. Hins vegar er GitHub CoPilot kannski þekktastur og leiknastur. Stór hluti ástæðunnar er sú að það er þjálfað í GitHub geymslunni. Það hefur aðgang að milljónum dæma um opinn kóða, bestu starfsvenjur, umsóknararkitektúr og fleira til að læra af, sem gerir það kleift að veita hágæða og fjölhæfur framleiðsla.
2. Hvernig virka kóðunaraðstoðarflugmenn?
Ein auðveldasta leiðin til að tala um hvernig kóðunaraðstoðarflugmenn virka er með því að skoða leiðandi vöru í leiknum, GitHub CoPilot. Forritið er byggt á ChatGPT-3 líkani OpenAi.
Rétt eins og ChatGPT og svipuð LLM er CoPilot byggt á milljörðum breytna. Við þróun ChatGPT-3 byrjaði OpenAI að smíða sérstakt kóðunarforrit sem kallast OpenAI Codex. Microsoft keypti einkaaðgang að vörunni.
Hins vegar er lykilatriðið hér að Microsoft átti þegar GitHub. Ef þú ert kóðari veistu allt um GitHub. Í grundvallaratriðum er það vefvettvangur sem notaður er til útgáfustýringar og samvinnu í hugbúnaðarþróunarverkefnum. Þeir þjálfuðu OpenAI Codex á GitHub bókasafninu sem innihélt milljónir lína af opnum, opinberum kóða.
CoPilot notar Machine Learning til að finna mynstur og tengsl milli lína af kóða. Rétt eins og ChatGPT lítur það á orð eða línu og reiknar líkurnar á því sem ætti að koma næst út frá mikilli geymslu sögulegra gagna.
Kraftur gervigreindaraðstoðarflugmanna liggur í getu þeirra til að stinga upp á kóðabútum þegar verktaki breytir. Hugsaðu um það eins og forþjöppuð sjálfvirk útfylling fyrir kóðun. Þegar kóðarar slá inn kóðalínu ber LLM upphaf þess kóða saman við risastórt bókasafn fyrri verkefna. Þaðan bendir það til líkindalína og nýrra lína af kóða.
Augljósir kostir hér eru þeir að verktaki getur sparað ótrúlegan tíma í gegnum þessa sjálfvirku útfyllingu. Það eykur framleiðni og í mörgum tilfellum nákvæmni kóðans.
3. Hvað með generative AI fyrir kóðun og þróun?
Eins og þú sérð af sögu CoPilot eiga Generative AI og Copilots svipaðar rætur. Þetta er bæði tækni sem notar tölfræðilegar líkur til að spá fyrir um hvað notendur þurfa á grundvelli tilreiknaðra upplýsinga.
Hins vegar er stóri munurinn á afritunarhugbúnaði og generative AI að hið síðarnefnda er tafarlaust. Í stuttu máli þýðir það að notendur setja inn sett af skriflegum leiðbeiningum í vélina og það framleiðir efni. Eins og allir sem hafa notað ChatGPT eða svipuð forrit vita getur þessi framleiðsla komið í formi texta, mynda, myndbands eða kóða.
Svo, þó að aðferðirnar sem kóðarar nota til að komast að sjálfvirkri kóðun séu mismunandi, getum við sett þær undir svipaða regnhlíf sjálfvirkrar eða generative kóðunar með gervigreind.
Þróun hugbúnaðarprófunar
Hugbúnaðarprófun er móttækileg og í sífelldri þróun. Á nokkrum áratugum hefur það breyst og breyst til að mæta nýjum kröfum og nota framfarir í tækni.
1. Handvirk prófun:
Fyrstu dagar hugbúnaðarprófana fólu í sér handvirkar prófanir. Þessi tegund af prófun var dýrt og tímafrekt vegna þess að það krafðist QA sérfræðinga til að fara yfir hugbúnað með fínu tönn greiða með því að þróa röð af tilvikum próf, keyra og skrá niðurstöður, tímasetningu fastur, og endurtaka ferlið.
Það var mikil áskorun að tryggja að allar mögulegar aðstæður og aðstæður féllu undir þessar prófanir og þegar þeim var bætt við tímann og kostnaðinn sem því fylgdi voru handvirkar prófanir auðlindafrekar. Það var einnig mjög næm fyrir mannlegum mistökum, sem var magnað með takmörkuðum dreifingarmöguleikum, sem þýddi að allar óuppgötvaðar villur voru krefjandi að plástra fljótt.
2. Scripted próf:
Scripted próf fulltrúa a gríðarstór skref fram á við fyrir QA samfélag. Í stað þess að fara í gegnum kóða og prófunaraðstæður handvirkt gátu verktaki skrifað forrit sem gætu prófað hugbúnað sjálfkrafa. Stóru plúshliðarnar hér voru að prófanir urðu skilvirkari og minna hættar við mannlegum mistökum. Hins vegar, til að ná þessu þurfti hæfa, nákvæma og tímafreka skipulagningu og kóðun til að tryggja alhliða umfjöllun.
3. Prófaðu sjálfvirkni:
Sjálfvirkni prófa var næsta þróun prófana. Verkfæri eins og ZAPTEST gátu boðið merkjara alla kosti handritsprófa en með viðmóti án kóða. Aftur, verulegur ávinningur hér var að spara tíma, endurnýtanlegar og aðlögunarhæfar prófanir, HÍ og API prófanir og prófanir yfir vettvang og yfir tæki.
4. Gagnastýrðar prófanir:
Gagnastýrðar prófanir voru lausnin á vandamálinu við að prófa hugbúnað sem vann úr ýmsum gagnasöfnum. Aftur, þetta er form af sjálfvirkni prófa, en þessi aðferð felur í sér að búa til prófunarforskriftir og keyra þær á móti úthlutuðum gagnasöfnum. Þessi tegund prófana gerði verktaki kleift að vinna hraðar, einangra próf og draga úr tíma í að endurtaka prófunartilvik.
5. Generative AI próf:
Generative AI próf er nýjasta nýjungin í hugbúnaðarprófunum. Með því að nota LLM geta QA teymi búið til prófunartilvik og prófað gögn sem hjálpa til við að flýta fyrir prófunarferlinu. Þessi prófunartilvik eru mjög sveigjanleg og breytanleg, sem hjálpar verktaki að endurnýta og endurnýta próf og auka umfang prófana gríðarlega.
Núverandi notkun aðstoðarflugmanna og
Generative AI í hugbúnaðarprófunum og RPA
Generative AI og aðstoðarflugmenn hafa haft mikil áhrif á hugbúnaðarprófanir. Hins vegar, frekar en að beinlínis skipta um merkjara, hafa þessi verkfæri hjálpað til við að auka prófunartæki. Í stuttu máli, þeir hjálpa verktaki að verða hraðari og skilvirkari og í mörgum tilfellum auka gæði prófana.
Stack Overflow Developer Survey frá 2023
býður upp á nokkra innsýn í núverandi notkun gervigreindarverkfæra innan hugbúnaðarþróunarsamfélagsins. Einn áhugaverðasti hluti könnunarinnar benti til þess að á meðan aðeins meira en helmingur allra verktaki benti til þess að þeir hefðu áhuga á gervigreindarverkfærum til hugbúnaðarprófunar, sögðust minna en 3% treysta þessum verkfærum. Það sem meira er, aðeins 1 af hverjum 4 benti til þess að þeir væru að nota gervigreindartæki til hugbúnaðarprófunar.
Það sem er áhugavert við þessa tölfræði er að hún sýnir að notkun gervigreindartækja er ekki enn útbreidd og að snemma notendur geta samt fengið forskot.
1. Aðstoðarflugmaður og generative AI nota tilvik í hugbúnaðarprófunum og RPA
Aðstoðarflugmenn og generative AI hafa áhrif á öll svið hugbúnaðarþróunar. Hér eru nokkrar af þeim leiðum sem tæknin getur hjálpað til við hugbúnaðarprófanir og RPA.
Þarfagreining
Þarfagreining er lykilþáttur í líftíma hugbúnaðarþróunar. Ferlið felur í sér að skilja kröfur hagsmunaaðila og hina ýmsu eiginleika sem þarf til að smíða hugbúnað. Generative AI getur hjálpað teymum með hugmyndir með því að koma með nýjar hugmyndir og sjónarmið.
Gerð prófunar
Þegar prófkröfur eru vel skildar þurfa QA teymi að brjóta hlutina niður í áætlun til að tryggja fullnægjandi prófumfjöllun. Þessi tegund vinnu krefst sérfræðiþekkingar og reynslu, en Generative AI getur stutt teymi með dæmum og leiðbeiningum, auk þess að koma með tillögur um tiltekin verkfæri og bestu starfsvenjur fyrir einstaka kröfur þeirra.
Prófa stofnun máls
QA teymi geta notað LLM til að greina kóða, kröfur notenda og hugbúnaðarforskriftir til að skilja undirliggjandi sambönd á bak við kerfið. Þegar gervigreindin hefur náð tökum á inntakum og úttakum og væntanlegri hegðun hugbúnaðarins getur hún byrjað að byggja upp prófunartilvik sem munu prófa hugbúnaðinn.
Ávinningurinn hér er meiri en að spara tíma og handvirka kóðun. Sköpun gervigreindarprófa getur einnig leitt til víðtækari umfjöllunar vegna þess að það getur kannað svæði sem QA verkfræðingar gætu ekki íhugað, sem leiðir til áreiðanlegri bygginga.
Að finna og leysa villur
Vélnám gerir QA sérfræðingum kleift að skera verulega niður þann tíma sem það tekur að finna og leysa villur. Í hugbúnaðarprófunum er auðvelt að finna margar villur. Hins vegar, í mörgum tilfellum, er það erfiður og tímafrekt ferli. Generative AI getur framkvæmt athuganir á broti af tíma verkamanna og hjálpað til við að varpa ljósi á jafnvel þrjóskustu villur. Þar að auki geta þessi gervigreindartæki einnig leyst villur sem þau bera kennsl á og sparað endalausan tíma fyrir QA teymi.
HÍ prófun
Generative AI verkfæri geta líkt eftir ýmsum notendahegðun og samskiptum við hugbúnaðarkerfi. Aðferðirnar geta veitt þróunarteymum fullvissu um að viðmót þeirra ráði við margs konar notkun manna og tölvu. Það sem meira er, Generative AI getur einnig greint notendaviðmótsgögn og hitakort og komið með tillögur um hvernig eigi að bæta HÍ og gera það notendavænna.
Framtíð aðstoðarflugmanna og generative AI
in Hugbúnaðarprófanir og RPA
Þó að núverandi notkun aðstoðarflugmanna og generative AI í sjálfvirkni hugbúnaðar sé nú þegar spennandi, lofar framtíðin enn meira.
Framtíð aðstoðarflugmanns og generative AI veltur á endurbótum sem hægt er að gera á vörunum. Nýleg rannsókn frá Purdue University, sem heitir Hver svarar því betur? Ítarleg greining á ChatGPT og stafla yfirflæðissvörum við spurningum um hugbúnaðarverkfræði undirstrikar nokkrar af takmörkunum generative AI líkana.
Rannsakendur gáfu ChatGPT yfir 500 spurningar frá Stack Overflow. Gervigreindartólið svaraði meira en helmingi ónákvæmt. Nú er mikilvægt að hafa í huga að eitt mikilvægasta vandamálið sem vísindamennirnir bentu á var að AI mistókst oftast vegna þess að það skildi ekki spurningarnar almennilega. Þetta smáatriði undirstrikar mikilvægi skjótrar verkfræði innan Generative AI.
Að auki hafa bæði Google og Amazon keyrt sjálfstæð próf á þessu ári til að skoða gæði Generative AI verkfæra í spurningastillingu viðtals. Í báðum tilvikum tókst tólinu að svara prófspurningum nógu vel til að fá stöðuna, eins og greint var frá af
CNBC
og
Business Inside
, í sömu röð.
Þannig að það er ljóst að við erum á þeim stað í þessari tækni þar sem möguleikarnir eru til staðar, en það þarf að strauja út nokkra minniháttar hluti. Umfangið sem þessi tæki hafa batnað á undanförnum árum gefur okkur fullvissu um að það muni komast á tilskilið stig og líklega á undan áætlun.
Nú getum við skoðað nokkur svæði þar sem þessi tækni mun hafa áhrif á framtíð hugbúnaðarþróunarprófana.
1. Ofsjálfvirkni
Hyperautomation lýsir áfangastað í þróun fyrirtækisins þar sem hvert ferli sem hægt er að gera sjálfvirkt verður sjálfvirkt. Það er heildræn nálgun á framleiðni sem er mjög samtengd.
Hvað varðar hugbúnaðarþróun er ekki erfitt að ímynda sér miðstýrt kerfi með eftirlit með kröfum um viðskiptaferli. Kerfið mun skilja og greina þarfir og skilvirkni og greina stöðugt svið sem þarf að bæta með tækni.
Eftir því sem fyrirtæki þróast munu þessi miðstýrðu kerfi nota Generative AI til að smíða forrit sem munu leysa flöskuhálsa og óhagkvæmni sjálfkrafa eða kannski ýta tilteknum störfum til verkfræðinga til að ljúka.
2. Hönnun hugbúnaðararkitektúrs
Með fullnægjandi gögnum gætu gervigreindarverkfæri skilið bestu starfsvenjur hugbúnaðararkitektúrs og fundið leiðir til að bæta þessa hönnun til að ná hámarks skilvirkni. Vélnám snýst um að finna mynstur og sambönd sem eru utan sviðs mannshugans.
Ef gervigreindarverkfæri hafa næga þekkingu á margvíslegum forritum getum við leiðbeint þeim að sveigja fyrri arkitektúr í átt að nýjum kröfum, sem leiðir til skilvirkari smíða eða jafnvel hugmynda sem annars væru ekki teknar til greina.
3. Nútímavæðing eldri kerfa
Þó að enginn hugbúnaður sé alltaf fullkominn, þá eru mörg verkfæri sem vinna enn frábært starf og eru svo djúpt innbyggð í innviði fyrirtækisins að erfitt er að skipta um þau. Aðlögun þessara kerfa getur verið húsverk, sérstaklega ef þau voru skrifuð með hugbúnaðarkóða sem hefur fallið úr tísku.
Í framtíðinni munu Generative AI verkfæri geta umbreytt þessum kóða í tungumál dagsins, sem gerir teymum kleift að halda eldri kerfum sínum og í mörgum tilfellum bæta þau.
4. Auka þróun með lágum kóða og án kóða
Ein af áskorunum sjálfvirkni hugbúnaðarprófunar með Generative AI verkfærum sem við bentum á hér að ofan var ástand þar sem kóðarann skorti þekkingu og reynslu til að sannreyna framleiðsluna.
AI ljósritunarvélar munu hjálpa til við að auka verkfæri með lágum kóða með því að koma með betri tillögur sem leiða til öflugra forrita. Háþróuð prófunartæki munu leyfa mannlegum rekstraraðilum ókeypis skapandi valdatíma en stöðugt staðfesta vinnu sína og opna dyrnar fyrir ótæknilegum sérfræðingum til að byggja upp forritin sem þeir þurfa.
Ávinningur af Generative AI í hugbúnaðarprófunum
Notkun Generative AI til hugbúnaðarprófunar hefur marga kosti sem gera það að aðlaðandi valkosti fyrir þróunarteymi sem vilja vinna hraðar en án þess að skerða gæði.
1. Hraðakstur líftíma hugbúnaðarþróunar
Hönnuðir eru undir stöðugum þrýstingi um að vinna langan tíma til að tryggja að hugbúnaður og nýir eiginleikar komist á markað tímanlega. Þó að Agile/DevOps aðferðafræði hafi tryggt að þróunin sé skilvirkari, þá eru enn einstök þróunarstig sem geta notið góðs af frekari hagræðingu.
Generative AI verkfæri gera prófunarteymum kleift að takast á við ýmis SDLC stig, allt frá því að búa til frumgerðir til HÍ prófana.
2. Alhliða galla uppgötvun
Eitt öflugasta forrit gervigreindar í hugbúnaðarprófunum kemur frá getu tækninnar til að bera saman stór gagnasöfn. ML verkfæri geta greint mikla gagnasöfn (þ.mt kóða) til að byggja upp geymslu upplýsinga og væntanlegra líkana.
Þegar devs fremja kóða geta þeir borið hann saman við þessi líkön, sem geta varpað ljósi á óvæntar aðstæður, ósjálfstæði og varnarleysi, sem gerir kleift að fá betri kóða í gegnum allt þróunarferlið.
3. Bætt prófumfjöllun
Vélanámsverkfæri eru smíðuð til að greina og skilja gríðarstór gagnasett. Þegar það er notað við hugbúnaðarprófun gerir það teymum kleift að auka umfang hugbúnaðarprófunar sinnar. Ávinningurinn er umfram það að fjarlægja vinnuafl manna úr jöfnunni til að spara peninga; Gervigreind leiðir einnig til mun yfirgripsmeiri tegundar prófana sem gera kleift að bæta villugreiningu í flóknum sviðsmyndum.
4. Minni kostnaður
Í samanburði við að ráða teymi QA verkfræðinga og nota þá til endurtekinna og tímafrekra hugbúnaðarprófunarverkefna eru Generative AI og RPA hraðari og hagkvæmari.
Eftir því sem heimur hugbúnaðarþróunar verður samkeppnishæfari eykst mikilvægi þess að finna leiðir til að skila gæðum, endingargóðum vörum á fjárhagsáætlun. Generative AI verkfæri og aðstoðarflugmenn geta dregið úr því að treysta á verkfræðinga og gert þeim kleift að vinna gildisdrifna vinnu og leitt til minna uppblásinna bygginga.
Stafa Generative AI verkfæri endinn
mannlegra hugbúnaðarverkfræðinga?
Þrátt fyrir augljósan ávinning þeirra getur hvaða sjálfvirknitæki sem er valdið starfsmönnum kvíða um framtíð sína. Þó að þetta séu eðlileg viðbrögð þýðir hraði og umfang generative AI að áhyggjur eru umfangsmeiri en venjulega. Þó að þessi verkfæri hafi getu til að gera sjálfvirkan mörg störf, geta þau ekki sinnt öllum verkefnum sem hugbúnaðarverkfræðingar gera. Skilningur á getu tækninnar, sem og takmörkunum þeirra, er nauðsynlegur fyrir verkfræðinga og leiðtoga.
Það fyrsta sem fólk þarf að muna er að sjálfvirkni próftækja knúin af gervigreind hefur verið til á markaðnum í allnokkurn tíma. Hins vegar gerir notendavænt eðli Generative AI það fær um frekari sveigjanleika.
Eitt af því fyrsta sem við verðum að hafa í huga er að Generative AI virkar best fyrir framleiðsla sem hægt er að sannreyna. Þetta er lykilatriði. Eðli þess hvernig LLM eru þjálfaðir þýðir að þeir munu gera sitt besta til að gefa þér svar, jafnvel þó að það þýði stundum “ofskynjanir” staðreyndir, tilvísanir og rök.
Nú, ef þú hefur næga þekkingu á kóðun, munt þú geta lesið og staðfest hvaða texta sem Generative AI gefur frá sér og náð hugsanlegum villum. Ef þú ert ríkisborgarakóðari sem notar Generative AI í stað þess að geta kóðað muntu ekki vera eins fær um að ná þessum mistökum.
Svo þegar litið er á það frá þessu sjónarhorni munu hæfir verkfræðingar enn vera mikilvægur hluti af vistkerfi hugbúnaðarþróunar. Áfram verður gerð krafa um að þeir prófi bæði í eftirlitslegum og hagnýtum skilningi.
Önnur takmörkun á generative AI fyrir hugbúnaðarprófanir felur í sér farsímapróf. Til dæmis er ChatGPT góður kostur til að prófa notendaviðmót vefsíðna. Hins vegar hefur það ekki aðgang að mismunandi farsímum. Með svo mörg mismunandi símtól og gerðir á markaðnum fellur það á bak við núverandi sjálfvirkni prófunarhugbúnaðar eins og ZAPTEST. Þetta vandamál er heldur engin minniháttar hindrun. Meira en Helmingur allrar netnotkunar kemur frá farsíma
og sú tala eykst með hverju ári.
Svo, þó að Generative AI muni taka margar skyldur frá hönnuðum, mun það ekki gera þessa sérfræðinga úrelta án mikilla breytinga á prófunarinnviðum og getu til að sannreyna framleiðslu.
Lokahugsanir
Hugbúnaðarprófanir og RPA eru á stöðugri leið til umbóta. Þegar ný tækni og aðferðir koma fram gleypa báðar greinar bestu starfsvenjur til að hjálpa QA teymum að skila hraðari og umfangsmeiri prófunum á broti af verði handvirkra prófana.
Þó að bæta umfang prófana og draga úr mannlegum mistökum og kostnaði séu augljósari kostir gervigreindarprófana, hjálpar það einnig teymum að taka upp stöðuga samþættingar- og dreifingarleiðslur (CI / CD) nálgun.
Þar sem væntingar neytenda og samkeppni eru meiri en nokkru sinni fyrr, býður Generative AI teymum leið til að bjóða upp á hröð og skilvirk próf án þess að skerða gæði.
