AI/ML para QA

Por Jonathan Lipps

Quality Assurance (QA) são as atividades para garantir a qualidade do seu software.

Inteligência artificial (AI) é fazer o computador parecer inteligente.

Machine Learning (ML) é fazer o computador aprender por conta própria.

Exemplos:

• Predizer se uma flor é de uma determinada espécie baseada em uma amostra anterior (aprendizado supervisionado)
• Agrupar músicas de uma grande biblioteca (aprendizado não-supervisionado)
• Aprender a jogar um videogame contra humanos (aprendizado por reenforço)

Deep Learning é uma forma de usar redes neurais, não uma categoria de ML.

Tenha cuidado com besteiras industriais, já que AI é fácil de vender mas difícil de usar!

Soluções de AI em QA:

• AI para marketing somente
• AI/ML em um papel de suporte
• AI/ML como força principal da automação

Modelos de ML podem ser usados para dar suporte a features, não como um substituto para autoria de testes. Também é possível que testes sejam escritos e que bugs sejam descobertos por bots autônomos agindo com modelos de ML pré- ou pós-treinamento.

Nívels de AI/ML em QA:

1. Coletar atividades dos usuários em produção para gerar casos de tests. Identificar múltiplos seletores para melhorar a robustez de um teste.
2. Modelos de recognição de imagem para detectar diferenças visuais. Modelos de qualidade de vídeo dando feedback sobre qualidade como percebida pelo usuário.
3. Entregar o aplicativo para uma AI sem informações adicionais e ela te devolver todos os bugs.

A grande maioria das tecnologias atuais estão entre 1 e 2.

A grande questão, porém, é:

Você precisa de AI para os seus testes? Por que?

Para responder a esta pergunta, é necessário avaliar a tecnologia baseada em seu verdadeiro retorno, não na hype ao redor dela.

Para testar o seu vendedor: qual corpus você usou para ensinar sua AI?

Predição: AI/ML será usada em papeis auxiliares, já que sempre será necessário que alguém avalie os seus resultados.