כיצד AI משנה את אבטחת האיכות בטכנולוגיה

AI ואוטומציה הפכו נפוצים יותר בתהליכים עסקיים. בתעשיית הטכנולוגיה, למשל, השימוש בשניהם יכול לשפר את הבטחת האיכות.

בהתחשב בהייפ סביב AI גנראטיבי, יישום שימושי אך לעתים קרובות מתעלם ממנו של בינה מלאכותית הוא בהבטחת איכות, בעיקר במגזרים כמו פיתוח תוכנה.

מפתחי תוכנה מאמצים AI להבטחת איכות כדי להגביר את הפרודוקטיביות והדיוק. “הבטחת איכות הייתה ידנית עבור רוב פיתוח התוכנה, אבל בעבר הלא רחוק, עברנו ממדריך לאוטונומי והכנסנו AI לתהליך”, אמר Venkat Chaganti, מנכ”ל בחברת השירותים המקצועיים Deloitte.

AI באבטחת איכות מועיל גם למגזרים אחרים.

אנו בהורייזון פיתחנו  קורס בינה מלאכותית למנהלי פרויקטים המותאם במיוחד לצרכי ארגון פרטניים, יחד עם אפיון להטמעת ה-AI בארגון.

בייצור, בינה מלאכותית מחליפה בדיקות ידניות של חלקים ומוצרים בזמן שהם עוברים בקווי ייצור. מערכות המונעות בינה מלאכותית משתמשות לעתים קרובות במודלים של ראייה ממוחשבת ולמידה עמוקה כדי לסרוק ולנתח רכיבים כנגד תקנים מקובלים ולהתריע על פריטים פגומים. כל זה הופך את קווי הייצור ליעילים יותר ומסייע במניעת שחיקת עובדים.

הכנסת מערכת AI לתהליך QA מובילה לזרימת עבודה QA אוטונומית. זה יכול להועיל לעסקים כל עוד מנהיגים מבינים כיצד ליישם זאת ומהם האתגרים הפוטנציאליים שלו.

כיצד עסקים יכולים להשיג זרימת עבודה QA אוטונומית

אבטחת איכות תוכנה (SQA) מאשרת שכל מרכיבי תהליך הנדסת התוכנה עומדים בסטנדרטים שנקבעו ותומכים בייצור מוצר איכותי.

SQA כולל ניתוח ומפרט דרישות, עיצוב ופיתוח, ובדיקות ופריסה. לכן, אבטחת איכות היא חלק מכל שלבי מחזור החיים של פיתוח התוכנה. הבדיקה צריכה להתרחש לאורך כל הדרך, משולבת בתהליך הפיתוח.

כמה היבטים של SQA לאורך מחזור החיים הזה יכולים להיות אוטומטיים, כגון בדיקות. אוטומציה של בדיקות היא מרכיב מפתח בסביבות פיתוח Agile שכן היא מביאה את המהירות הדרושה לתמיכה בבדיקות מתמשכות ובאינטגרציה מתמשכת.

בדיקה אוטומטית, שבה בני אדם כותבים סקריפטים לכל תרחיש בדיקה, היא מהירה יותר מתהליך ידני. עם זאת, בדיקות אוטומטיות אינן זהות – או מהירה כמו – בדיקה אוטונומית, שהיא השלב הבא בבגרות האוטומציה. בדיקות אוטונומיות משתמשות בכלי בדיקה אוטומטיים וטכנולוגיות אחרות, כלומר AI ולמידת מכונה (ML), כדי ליצור ולבצע את תהליך הבדיקה ללא כל התערבות אנושית.

היתרונות של AI ב-QA

היתרונות של בדיקה אוטונומית ל-QA יכולים להיות עצומים. בדיקה אוטונומית מאיצה את תהליך הבדיקה, מה שבתורו אומר שמפתחים ומהנדסים יכולים לקצר את הזמן שלוקח לשחרר מוצרים.

יתרונות נוספים של בדיקה אוטונומית כוללים עלות-יעילות גבוהה יותר ויעילות משופרת הכוללת. בשימוש במסגרת בדיקות אוטונומיות, אלגוריתמי ML יוצרים ומריצים בדיקות. טכנולוגיית AI משתמשת גם באלגוריתמים לניתוח תוצאות. יתר על כן, הוא יכול ללמוד באופן איטרטיבי מהחוויות הללו ולהמשיך לחדד את הצעדים הללו.

מהנדס QA תוכנה צריך להמציא תרחישי בדיקה שונים ולבדוק את כל מה שקשור לתרחישים האלה. “זו עבודה רבה”, אמרה קאוויטה גנסאן, יועצת בינה מלאכותית, אסטרטגית ומייסדת חברת ייעוץ בינה מלאכותית Opinosis Analytics. בינה מלאכותית יכולה למעשה להפוך את יצירת מקרי הבדיקה לאוטומטית, מאומתת על ידי המהנדסים, אמר Ganesan. “למרות שאדם עדיין צריך להיות בעניינים כדי לאמת שמקרי הבדיקה הללו נכונים, ה-AI בהחלט מפחית את עומס העבודה.”

בינה מלאכותית בבדיקות אוטונומיות מבצעת משימות מפתח אחרות, כגון זיהוי באגים וניתוח שורש. מפתחים יכולים לטפל בבעיות בקוד לפני הפריסה, וזה מגדיל את יעילות התהליך באופן כללי.

“עם בינה מלאכותית, אבטחת האיכות לתוכנה הרבה יותר טובה”, אמר Sreekanth Menon, סגן נשיא ומוביל עולמי של שירותי AI/ML בחברת השירותים המקצועיים Genpact. “עכשיו אתה יכול ליצור נתונים סינתטיים כדי לבדוק את התוכנה כדי לוודא שיש לך מוצר סופר איכותי.” מערכי נתונים סינתטיים הם תחליפים מציאותיים למערכי נתונים בעולם האמיתי, המשמשים למטרת אימון מודלים.

אתגרים עבור AI ב-SQA

לוקח זמן עד לעסקים להבשיל לחלוטין את שיטות הבדיקה שלהם. דוח “מצב בדיקות אוטומציה 2023” ממפתחת תוכנת התצורה Perforce Software מצא כי 22% מאנשי המקצוע של DevOps שנשאלו ציינו את המחסור במשאבים עבור אוטומציה של בדיקות כאתגר, מה שהפך אותו לאתגר הנפוץ ביותר המדווח.

יישום בדיקות אוטונומיות עם AI כחלק מתוכנית SQA כוללת מלווה באתגרים. אתגר אחד כזה הוא להגדיר את רכיב הבינה המלאכותית ולהכשיר ביעילות את דגמי הבינה המלאכותית.

“המודל יהיה טוב רק כמו הנתונים המשמשים לאימון אותו, כך שאם הנתונים אינם איכותיים, אז התוצאות לא יהיו מדויקות”, הסביר ארתור קרוואלו, פרופסור חבר למערכות מידע וניתוח בחקלאי. בית הספר לעסקים באוניברסיטת מיאמי.

גם אם נתוני האימון היו מוצקים, מודלים של AI יכולים להיסחף לאורך זמן. גם תקני QA יכולים להשתנות, מה שמחייב שינויים במודלים.

“במקום לנטר את המוצר [על איכותו], עלינו לפקח על דגמי הבינה המלאכותית שלנו כדי לוודא שהם עדיין עובדים כמתוכנן”, אמר קרוואלו.

ארגונים עשויים להיאבק לאייש צוותים עם המומחיות הנדרשת לניטור תוצאות מהמערכות המופעלות על ידי AI. יש צורך במומחיות אנושית – לפחות עד שמודלים של AI ישתפרו בביצועים לאורך זמן באמצעות למידה איטרטיבית.

אתגרים אלו יהיו ברורים בהתחלה, זמן קצר לאחר שהארגון יישם זרימת עבודה של QA אוטונומית, אך ניתן להתגבר עליהם.