“Toto je najúžasnejšia aplikácia strojového učenia, akú som kedy videl.”
Mike Krieger, spoluzakladateľ Instagramu.
Slová Mika Kriegera nie sú hyperbolou. Hoci ML dokáže pozoruhodné veci, pokiaľ ide o analýzu údajov a poznatky, GitHub Copilot úplne mení pravidlá hry, pretože môže byť užitočný pre vývojárov produktov na celom svete.
Kódovací kopiloti a generatívna umelá inteligencia pomáhajú tímom odomknúť obrovské výhody, ako je zrýchlenie životného cyklu vývoja softvéru na doteraz nepredstaviteľnú rýchlosť. Vplyv tejto technológie na RPA a testovanie softvéru sú však dve najzaujímavejšie hranice tejto úžasnej technológie.
V tomto článku sa pozrieme na to, ako kódovacie kopiloty a generatívna umelá inteligencia zmenili svet testovania softvéru a RPA v súčasnosti, a potom preskúmame ich budúci vplyv na technológie.
Kopiloti a generatívna umelá inteligencia v
vývoj softvéru: Základné informácie
Generatívna umelá inteligencia a kódovanie kopilotov sú relatívnymi nováčikmi v oblasti vývoja softvéru. Predtým, ako sa budeme venovať ich vplyvu na tento priestor, stojí za to pozrieť sa na ich pozadie a spôsob ich práce.
1. Automatické kódovače poháňané umelou inteligenciou
Veľké jazykové modely (LLM) sa za posledných niekoľko rokov výrazne zlepšili. S exponenciálnym nárastom veľkosti súborov údajov a výpočtového výkonu sa zvýšila aj kvalita výstupov.
Existuje mnoho odvetví, ktoré môžu mať prospech z LLM. Medzi tie, o ktorých sa najviac píše, patrí generovanie textu, obrázkov, videí a iných foriem médií. Aj keď sú tieto prípady použitia pôsobivé, pre vývojárov sú tu dôsledky, ktoré sú možno oveľa zaujímavejšie.
Na trhu je viacero autokóderov LLM. GitHub CoPilot je však pravdepodobne najznámejší a najúspešnejší. Dôvodom je najmä to, že sa trénuje na úložisku GitHub. Má prístup k miliónom príkladov kódu s otvoreným zdrojovým kódom, osvedčeným postupom, architektúre aplikácií a ďalším zdrojom, z ktorých sa môže učiť, čo mu umožňuje poskytovať kvalitné a všestranné výstupy.
2. Ako funguje kódovanie kopilotov?
Jedným z najjednoduchších spôsobov, ako hovoriť o tom, ako fungujú kopiloti kódovania, je pozrieť sa na popredný produkt v tejto hre, GitHub CoPilot. Aplikácia je založená na modeli ChatGPT-3 spoločnosti OpenAi.
Rovnako ako ChatGPT a podobné LLM, aj CoPilot je založený na miliardách parametrov. Počas vývoja ChatGPT-3 začala spoločnosť OpenAI budovať špecializovaný kódovací program s názvom OpenAI Codex. Spoločnosť Microsoft si zakúpila exkluzívny prístup k produktu.
Kľúčové však je, že spoločnosť Microsoft už GitHub vlastnila. Ak ste programátor, o službe GitHub viete všetko. V podstate ide o webovú platformu, ktorá sa používa na riadenie verzií a spoluprácu v projektoch vývoja softvéru. Na základe knižnice GitHub, ktorá obsahuje milióny riadkov verejného kódu s otvoreným zdrojovým kódom, vycvičili OpenAI Codex.
CoPilot využíva strojové učenie na vyhľadávanie vzorov a vzťahov medzi riadkami kódu. Podobne ako ChatGPT sa pozrie na slovo alebo riadok a vypočíta pravdepodobnosť toho, čo by malo nasledovať, na základe rozsiahleho archívu historických údajov.
Sila kopilotov s umelou inteligenciou spočíva v ich schopnosti navrhovať úryvky kódu počas úprav vývojárov. Predstavte si to ako vylepšené automatické dokončovanie kódovania. Keď programátori zadajú riadok kódu, LLM porovná začiatok tohto kódu so svojou obrovskou knižnicou predchádzajúcich projektov. Odtiaľ navrhuje pravdepodobnostné riadky a nové riadky kódu.
Zrejmou výhodou je, že vývojári môžu vďaka tomuto automatickému dokončovaniu ušetriť neuveriteľné množstvo času. Zvyšuje produktivitu a v mnohých prípadoch aj presnosť kódu.
3. A čo generatívna umelá inteligencia pre kódovanie a vývoj?
Ako vidíte z histórie CoPilota, generatívna umelá inteligencia a kopiloti majú podobné korene. V oboch prípadoch ide o technológie, ktoré využívajú štatistickú pravdepodobnosť na predpovedanie toho, čo používatelia potrebujú, na základe pripísaných informácií.
Veľký rozdiel medzi kopilotačným softvérom a generatívnou umelou inteligenciou je však v tom, že táto je založená na výzvach. V skratke to znamená, že používatelia zadajú do stroja súbor písomných pokynov a ten vypíše obsah. Ako vie každý, kto používal ChatGPT alebo podobné aplikácie, tento výstup môže mať podobu textu, obrázkov, videa alebo kódu.
Hoci sa teda metódy, ktoré kóderi používajú na automatizované kódovanie, líšia, môžeme ich zaradiť pod podobný pojem automatizované alebo generatívne kódovanie s pomocou umelej inteligencie.
Vývoj testovania softvéru
Testovanie softvéru reaguje a neustále sa vyvíja. V priebehu niekoľkých desaťročí sa zmenila a pretvorila tak, aby spĺňala nové požiadavky a využívala technologický pokrok.
1. Manuálne testovanie:
V začiatkoch testovania softvéru sa testovalo manuálne. Tento druh testovania bol drahý a časovo náročný, pretože vyžadoval, aby odborníci na zabezpečenie kvality prešli softvér jemným hrebeňom, vytvorili sériu testovacích prípadov, spustili a zaznamenali výsledky, naplánovali opravy a proces opakovali.
Zabezpečenie pokrytia všetkých možných scenárov a situácií týmito testami bolo veľkou výzvou, a keď sa k tomu pripočítajú čas a náklady, manuálne testovanie bolo náročné na zdroje. Bol tiež veľmi náchylný na ľudské chyby, čo bolo umocnené obmedzenými možnosťami distribúcie, čo znamenalo, že akékoľvek neobjavené chyby bolo náročné rýchlo opraviť.
2. Skriptové testovanie:
Skriptové testovanie predstavovalo pre komunitu QA obrovský krok vpred. Namiesto manuálneho prechádzania kódu a testovacích scenárov mohli vývojári napísať programy, ktoré dokázali softvér testovať automaticky. Veľkým pozitívom bolo, že testovanie sa stalo efektívnejšie a menej náchylné na ľudské chyby. Dosiahnutie tohto cieľa si však vyžadovalo kvalifikované, presné a časovo náročné plánovanie a kódovanie, aby sa zabezpečilo komplexné pokrytie.
3. Automatizácia testovania:
Automatizácia testovania bola ďalším vývojom testovania. Nástroje ako ZAPTEST dokázali programátorom ponúknuť všetky výhody skriptovaného testovania, ale bez použitia kódov. Aj v tomto prípade boli významnými prínosmi úspora času, opakovane použiteľné a prispôsobiteľné testy, testovanie používateľského rozhrania a API a testovanie naprieč platformami a zariadeniami.
4. Testovanie založené na údajoch:
Testovanie založené na údajoch bolo riešením problému testovania softvéru, ktorý spracovával rôzne súbory údajov. Opäť ide o formu automatizácie testovania, ale táto metóda zahŕňa vytvorenie testovacích skriptov a ich spustenie na priradených súboroch údajov. Tento typ testovania umožnil vývojárom pracovať rýchlejšie, izolovať testy a znížiť množstvo času potrebného na opakovanie testovacích prípadov.
5. Generatívne testovanie umelej inteligencie:
Generatívne testovanie pomocou umelej inteligencie je najnovšou inováciou v oblasti testovania softvéru. Pomocou LLM môžu tímy QA vytvárať testovacie prípady a testovacie údaje, ktoré pomáhajú urýchliť proces testovania. Tieto testovacie prípady sú veľmi flexibilné a upraviteľné, čo pomáha vývojárom opätovne používať a využívať testy a výrazne zväčšuje rozsah testovania.
Súčasné používanie kopilotov a
Generatívna AI v testovaní softvéru a RPA
Generatívna umelá inteligencia a kopiloti majú veľký vplyv na testovanie softvéru. Avšak namiesto toho, aby tieto nástroje úplne nahradili kóderov, pomohli rozšíriť testerov. Stručne povedané, pomáhajú vývojárom stať sa rýchlejšími a efektívnejšími a v mnohých prípadoch zvyšujú kvalitu testovania.
Stránka
Prieskum Stack Overflow pre vývojárov z roku 2023
ponúka niekoľko informácií o súčasnom používaní nástrojov umelej inteligencie v komunite vývojárov softvéru. Jedna z najzaujímavejších častí prieskumu ukázala, že hoci o niečo viac ako polovica vývojárov naznačila, že sa zaujíma o nástroje umelej inteligencie na testovanie softvéru, menej ako 3 % uviedlo, že týmto nástrojom dôverujú. Navyše len každý štvrtý uviedol, že v súčasnosti používa nástroje AI na testovanie softvéru.
Zaujímavé na týchto štatistikách je, že ukazujú, že používanie nástrojov umelej inteligencie ešte nie je rozšírené a že tí, ktorí si ich osvojili skôr, môžu stále získať výhodu.
1. Prípady použitia kopilota a generatívnej umelej inteligencie pri testovaní softvéru a RPA
Kopiloti a generatívna umelá inteligencia ovplyvňujú všetky oblasti vývoja softvéru. Tu je niekoľko spôsobov, ako môže táto technológia pomôcť pri testovaní softvéru a RPA.
Analýza požiadaviek
Analýza požiadaviek je kľúčovou súčasťou životného cyklu vývoja softvéru. Tento proces zahŕňa pochopenie požiadaviek zainteresovaných strán a rôznych funkcií potrebných na vytvorenie softvéru. Generatívna umelá inteligencia môže pomôcť tímom pri tvorbe nápadov tým, že prichádza s novými nápadmi a perspektívami.
Plánovanie testov
Keď sú požiadavky na testovanie dobre pochopené, tímy QA musia rozdeliť veci do harmonogramu, aby sa zabezpečilo primerané pokrytie testami. Tento typ práce si vyžaduje odborné znalosti a skúsenosti, ale Generative AI môže podporiť tímy prostredníctvom príkladov a príručiek, ako aj odporúčaním konkrétnych nástrojov a osvedčených postupov pre ich jedinečné požiadavky.
Vytvorenie testovacieho prípadu
Tímy QA môžu používať LLM na analýzu kódu, požiadaviek používateľov a špecifikácií softvéru, aby pochopili základné vzťahy v systéme. Keď umelá inteligencia pozná vstupy a výstupy a očakávané správanie softvéru, môže začať vytvárať testovacie prípady, ktoré otestujú softvér.
Výhody v tomto prípade presahujú rámec úspory času a manuálneho kódovania. Vytváranie testovacích prípadov pomocou umelej inteligencie môže viesť aj ku komplexnejšiemu pokrytiu, pretože môže preskúmať oblasti, ktoré by inžinieri QA nemuseli brať do úvahy, čo vedie k spoľahlivejším zostavám.
Vyhľadávanie a riešenie chýb
Strojové učenie umožňuje odborníkom na zabezpečenie kvality výrazne skrátiť čas potrebný na nájdenie a vyriešenie chýb. Pri testovaní softvéru sa mnohé chyby dajú ľahko nájsť. V mnohých prípadoch je to však náročný a zdĺhavý proces. Generatívna umelá inteligencia dokáže vykonávať kontroly za zlomok času manuálnych pracovníkov a pomáha upozorniť aj na tie najodolnejšie chyby. Okrem toho tieto nástroje AI dokážu identifikované chyby aj vyriešiť, čím šetria nekonečné množstvo času tímov QA.
Testovanie používateľského rozhrania
Generatívne nástroje umelej inteligencie dokážu simulovať rôzne správania používateľov a interakcie so softvérovými systémami. Tieto metódy môžu vývojovým tímom poskytnúť istotu, že ich rozhranie zvládne širokú škálu použití človek-počítač. Generatívna umelá inteligencia navyše dokáže analyzovať aj údaje o používateľskom rozhraní a heatmapy a navrhovať, ako zlepšiť používateľské rozhranie a urobiť ho používateľsky prívetivejším.
Budúcnosť kopilotov a generatívnej AI
v oblasti testovania softvéru a RPA
Hoci súčasné využívanie kopilotov a generatívnej umelej inteligencie v automatizácii softvéru je už teraz vzrušujúce, budúcnosť je ešte sľubnejšia.
Budúcnosť kopilota a generatívnej umelej inteligencie závisí od vylepšení, ktoré možno v týchto produktoch vykonať. Nedávna štúdia z Purdue University s názvom Kto na to odpovie lepšie? Hĺbková analýza odpovedí na otázky softvérového inžinierstva na portáloch ChatGPT a Stack Overflow zdôrazňuje niektoré obmedzenia generatívnych modelov umelej inteligencie.
Výskumníci poskytli ChatGPT viac ako 500 otázok zo Stack Overflow. Nástroj AI odpovedal na viac ako polovicu otázok nepresne. Teraz je dôležité poznamenať, že jedným z najvýznamnejších problémov, ktoré výskumníci zaznamenali, bolo, že umelá inteligencia najčastejšie zlyhávala, pretože správne nerozumela otázkam. Tento detail zdôrazňuje význam pohotového inžinierstva v rámci generatívnej umelej inteligencie.
Okrem toho spoločnosti Google aj Amazon tento rok uskutočnili nezávislé testy, aby zistili kvalitu nástrojov generatívnej umelej inteligencie v rámci otázok na pohovore. V oboch prípadoch sa nástroju podarilo odpovedať na testovacie otázky dostatočne dobre na to, aby získal pozíciu, ako uvádza
CNBC
a
Business Inside
, resp.
Je teda zrejmé, že v tejto technológii sa nachádzame v bode, v ktorom je potenciál, ale je potrebné doladiť niektoré drobnosti. Rozsah, v akom sa tieto nástroje v posledných rokoch zdokonalili, nám dáva istotu, že sa dostanú na požadovanú úroveň a pravdepodobne aj v predstihu.
Teraz sa môžeme pozrieť na niektoré oblasti, v ktorých tieto technológie ovplyvnia budúcnosť testovania vývoja softvéru.
1. Hyperautomatizácia
Hyperautomatizácia opisuje cieľ vývoja podniku, v ktorom bude každý proces, ktorý sa dá automatizovať, automatizovaný. Ide o holistický prístup k produktivite, ktorý je navzájom veľmi prepojený.
Z hľadiska vývoja softvéru nie je ťažké predstaviť si centralizovaný systém s dohľadom nad požiadavkami na obchodné procesy. Systém pochopí a identifikuje potreby a efektívnosť a neustále identifikuje oblasti, ktoré je potrebné zlepšiť prostredníctvom technológie.
S rozvojom podnikov budú tieto centralizované systémy využívať generatívnu umelú inteligenciu na vytváranie aplikácií, ktoré budú automaticky riešiť úzke miesta a neefektívnosť alebo možno posúvať konkrétne úlohy na dokončenie inžinierom.
2. Navrhovanie softvérových architektúr
S dostatočným množstvom údajov by nástroje umelej inteligencie mohli pochopiť osvedčené postupy v oblasti softvérovej architektúry a nájsť spôsoby, ako tieto návrhy vylepšiť, aby boli maximálne efektívne. Strojové učenie je o hľadaní vzorcov a vzťahov, ktoré sú mimo rámca ľudskej mysle.
Ak majú nástroje umelej inteligencie dostatočné znalosti o rôznych aplikáciách, môžeme im dať pokyn, aby ohýbali predchádzajúce architektúry podľa nových požiadaviek, čo vedie k efektívnejším zostavám alebo dokonca k nápadom, ktoré by sa inak nezohľadnili.
3. Modernizácia starších systémov
Hoci žiadny softvér nie je nikdy dokonalý, existuje mnoho nástrojov, ktoré stále odvádzajú vynikajúcu prácu a sú tak hlboko zakorenené v infraštruktúre spoločnosti, že je ťažké ich nahradiť. Prispôsobenie týchto systémov môže byť náročné, najmä ak boli napísané pomocou softvérového kódu, ktorý vyšiel z módy.
V budúcnosti budú nástroje generatívnej umelej inteligencie schopné konvertovať tento kód do jazyka du jour, čo tímom umožní zachovať ich staršie systémy a v mnohých prípadoch ich aj vylepšiť.
4. Zlepšenie nízkokódového a nekódového vývoja
Jednou z výziev automatizovaného testovania softvéru prostredníctvom nástrojov generatívnej umelej inteligencie, ktorú sme identifikovali vyššie, bola situácia, keď kóder nemal dostatočné znalosti a skúsenosti na overenie výstupu.
Kopiloti s umelou inteligenciou pomôžu rozšíriť nízkokódové nástroje o lepšie návrhy, ktoré povedú k robustným aplikáciám. Sofistikované testovacie nástroje umožnia ľudským operátorom voľnú tvorivú ruku pri neustálom overovaní ich práce a otvoria dvere netechnickým profesionálom pri vytváraní potrebných aplikácií.
Výhody generatívnej umelej inteligencie pri testovaní softvéru
Používanie generatívnej umelej inteligencie na testovanie softvéru má mnoho výhod, ktoré z neho robia atraktívnu možnosť pre vývojové tímy, ktoré chcú pracovať rýchlejšie, ale bez kompromisov v kvalite.
1. Urýchlenie životného cyklu vývoja softvéru
Vývojári sú pod neustálym tlakom a musia pracovať dlhé hodiny, aby sa softvér a nové funkcie dostali na trh včas. Aj keď agilné metodiky/DevOps zabezpečili efektívnejší vývoj, stále existujú jednotlivé fázy vývoja, ktoré by bolo vhodné ďalej zefektívniť.
Generatívne nástroje AI umožňujú testovacím tímom riešiť rôzne fázy SDLC, od generovania prototypov až po testovanie používateľského rozhrania.
2. Komplexná detekcia chýb
Jedno z najvýkonnejších využití umelej inteligencie pri testovaní softvéru vyplýva zo schopnosti tejto technológie porovnávať veľké súbory údajov. Nástroje ML dokážu analyzovať rozsiahle súbory údajov (vrátane kódu) s cieľom vytvoriť úložisko informácií a očakávaných modelov.
Keď vývojári odovzdávajú kód, môžu ho porovnať s týmito modelmi, ktoré môžu poukázať na neočakávané scenáre, závislosti a zraniteľnosti, čo umožní zlepšiť kód počas celého procesu vývoja.
3. Zlepšené pokrytie testov
Nástroje strojového učenia sú vytvorené na analýzu a pochopenie rozsiahlych súborov údajov. Pri aplikácii na testovanie softvéru umožňuje tímom zvýšiť rozsah testovania softvéru. Výhody sú väčšie ako len odstránenie ľudskej práce z rovnice s cieľom ušetriť peniaze; umelá inteligencia tiež vedie k oveľa komplexnejšiemu typu testovania, ktoré umožňuje lepšie odhaľovať chyby v komplexnom súbore scenárov.
4. Zníženie nákladov
V porovnaní so zamestnávaním tímu QA inžinierov a ich využívaním na opakované a časovo náročné úlohy testovania softvéru sú generatívna AI a RPA rýchlejšie a nákladovo efektívnejšie.
S rastúcou konkurenciou vo svete vývoja softvéru rastie význam hľadania spôsobov, ako dodávať kvalitné a trvanlivé produkty s nízkym rozpočtom. Generatívne nástroje umelej inteligencie a kopiloti môžu znížiť závislosť na inžinieroch a umožniť im vykonávať prácu orientovanú na hodnotu a viesť k menšiemu objemu zostavení.
Znamenajú generatívne nástroje AI koniec
ľudských softvérových inžinierov?
Napriek zjavným výhodám môže každý automatizačný nástroj v pracovníkoch vyvolať obavy o ich budúcnosť. Hoci ide o normálnu reakciu, rýchlosť a rozsah generatívnej umelej inteligencie znamenajú, že obavy sú rozsiahlejšie ako zvyčajne. Hoci tieto nástroje dokážu automatizovať mnohé úlohy, nemôžu vykonávať všetky úlohy, ktoré vykonávajú softvéroví inžinieri. Pochopenie možností technológie, ako aj jej obmedzení, je pre inžinierov a vedúcich pracovníkov nevyhnutné.
Prvá vec, ktorú si ľudia musia uvedomiť, je, že nástroje na automatizáciu testovania využívajúce umelú inteligenciu existujú na trhu už dlhší čas. Vďaka používateľsky prívetivej povahe generatívnej AI je však schopná ďalšej flexibility.
Jednou z prvých vecí, ktoré musíme vziať do úvahy, je, že generatívna umelá inteligencia funguje najlepšie pri výstupoch, ktoré možno overiť. Toto je kľúčový bod. Z podstaty toho, ako sú LLM vyškolení, vyplýva, že urobia všetko pre to, aby vám dali odpoveď, aj keď to občas znamená “halucinácie” faktov, odkazov a argumentov.
Ak máte dostatočné znalosti kódovania, budete teraz schopní prečítať a overiť akýkoľvek text, ktorý generatívna umelá inteligencia vypíše, a zachytiť prípadné chyby. Ak ste programátor, ktorý používa generatívnu umelú inteligenciu namiesto toho, aby vedel programovať, nebudete schopní tieto chyby zachytiť.
Z tohto pohľadu budú kvalifikovaní inžinieri stále dôležitou súčasťou ekosystému vývoja softvéru. Stále sa od nich bude vyžadovať testovanie z hľadiska dohľadu aj praxe.
Ďalšie obmedzenie generatívnej umelej inteligencie pre testovanie softvéru sa týka mobilného testovania. Napríklad ChatGPT je dobrá možnosť na testovanie používateľských rozhraní webových stránok. Nemá však prístup k rôznym mobilným zariadeniam. Pri takom množstve rôznych telefónov a modelov na trhu zaostáva za súčasným softvérom na automatizáciu testovania, ako je ZAPTEST. Ani tento problém nie je zanedbateľnou prekážkou. Viac ako
polovica všetkých používateľov internetu využíva mobilné zariadenia.
a toto číslo sa každoročne zvyšuje.
Generatívna umelá inteligencia síce prevezme mnoho povinností od vývojárov, ale bez rozsiahlych zmien v testovacej infraštruktúre a schopnosti overovať výstupy nezbaví týchto odborníkov funkcie.
Záverečné myšlienky
Testovanie softvéru a RPA sa neustále zlepšujú. S príchodom nových technológií a metód si obe disciplíny osvojujú osvedčené postupy, ktoré pomáhajú tímom QA poskytovať rýchlejšie a komplexnejšie testovanie za zlomok ceny manuálneho testovania.
Kým zlepšenie rozsahu testov a zníženie ľudských chýb a nákladov sú niektoré z najzrejmejších výhod testovania s umelou inteligenciou, pomáha to tímom prijať prístup kontinuálnej integrácie a nasadenia (CI/CD).
Vzhľadom na to, že očakávania spotrebiteľov a konkurencia sú vyššie ako kedykoľvek predtým, generatívna umelá inteligencia ponúka tímom spôsob, ako zabezpečiť rýchle a efektívne testy bez toho, aby sa znížila kvalita.
