एआई के साथ त्रुटि समूहीकरण और मूल कारण विश्लेषण (आरसीए)

लेख में तर्क दिया गया है कि जबकि AI कोड विकास को गति देता है, QA थ्रूपुट में सुधार नहीं हुआ है, आंशिक रूप से क्योंकि AI द्वारा विफलताओं का विश्लेषण करने के लिए संदर्भ और डेटा तैयारी की आवश्यकता होती है। लेखक एक सरल बैनर घटक पर परीक्षण चलाता है जिसमें लोकेटर बदल दिया गया है, जिससे दो परीक्षण विफल हो जाते हैं। AI विश्लेषण (playwright-ai/auto-debug के माध्यम से) प्रत्येक विफलता के लिए अलग-अलग परिकल्पनाएँ प्रदान करता है, लेकिन समूहीकरण के बिना, समय कई गुना बढ़ जाता है। मौजूदा RCA प्रयोग (GPTrace, FlakyCat, BuildSheriff, LogSage) बताते हैं कि समूहीकरण अक्सर एल्गोरिदमिक रूप से या AI के साथ किया जाता है, लेकिन AI प्रीप्रोसेसिंग महंगी है (उदाहरण के लिए, GPTrace ने OpenAI का उपयोग करके 300k वैक्टर के लिए 10 घंटे लिए)। लेख AI विश्लेषण से पहले विफलताओं को समूहीकृत करने की आवश्यकता पर जोर देता है, और Allure Report को एक संरचित डेटा स्रोत के रूप में उजागर करता है जो प्रीप्रोसेसिंग को सरल बनाता है, जिसमें त्रुटि संदेशों द्वारा अंतर्निहित समूहीकरण और कस्टम श्रेणियों के लिए समर्थन शामिल है। निष्कर्ष में, परीक्षण में AI के लिए परिपक्व डेटा प्रथाओं की आवश्यकता होती है, न कि केवल मॉडल ट्यूनिंग की।