تجميع الأخطاء وتحليل السبب الجذري (آر سي إيه) باستخدام الذكاء الاصطناعي

تجادل المقالة في أن الذكاء الاصطناعي يسرع تطوير الكود، لكن إنتاجية ضمان الجودة لم تتحسن، جزئيًا لأن تحليل الذكاء الاصطناعي للفشل يتطلب سياقًا وإعدادًا للبيانات. يقوم المؤلف بتشغيل اختبارات على مكون لافتة بسيط مع مُعرّف (locator) تم تغييره، مما يتسبب في فشلين في الاختبار. يوفر تحليل الذكاء الاصطناعي (عبر playwright-ai/auto-debug) فرضيات منفصلة لكل فشل، ولكن بدون تجميع، يتضاعف الوقت. تُظهر تجارب تحليل السبب الجذري الحالية (GPTrace، FlakyCat، BuildSheriff، LogSage) أن التجميع غالبًا ما يتم خوارزميًا أو باستخدام الذكاء الاصطناعي، لكن المعالجة المسبقة للذكاء الاصطناعي مكلفة (على سبيل المثال، استغرق GPTrace 10 ساعات لـ 300 ألف متجه باستخدام OpenAI). تؤكد المقالة على الحاجة إلى تجميع حالات الفشل قبل تحليل الذكاء الاصطناعي، وتسلط الضوء على Allure Report كمصدر بيانات منظم يبسط المعالجة المسبقة، مع تجميع مدمج حسب رسائل الخطأ ودعم الفئات المخصصة. في الختام، يتطلب الذكاء الاصطناعي في الاختبار ممارسات ناضجة للبيانات، وليس مجرد ضبط النماذج.