Hata Gruplama ve Yapay Zeka ile Kök Neden Analizi (RCA)
OpenAI
Habr'daki makale, kalite güvence testlerinde yapay zeka için veri hazırlığının önemini ele alıyor ve kök neden analizinden önce hataların gruplanmasına odaklanıyor. Yazar, playwright-ai/auto-debug ile yapay zeka hata ayıklamanın gruplama yapılmadığında analiz süresini katladığını gösteriyor. Ön işleme süreçlerindeki rolleri nedeniyle Allure Report gibi mevcut deneyimler ve altyapılar vurgulanıyor.
Makale, yapay zekanın kod geliştirmeyi hızlandırmasına rağmen kalite güvence (QA) verimliliğinin artmadığını, bunun kısmen yapay zekanın hata analizinin bağlam ve veri hazırlığı gerektirmesinden kaynaklandığını savunuyor. Yazar, değiştirilmiş bir konumlandırıcı (locator) ile basit bir banner bileşeni üzerinde testler çalıştırıyor ve iki test hatasına neden oluyor. Yapay zeka analizi (playwright-ai/auto-debug aracılığıyla) her hata için ayrı hipotezler sunuyor, ancak gruplama yapılmadığında süre katlanarak artıyor. Mevcut kök neden analizi (RCA) deneyleri (GPTrace, FlakyCat, BuildSheriff, LogSage), gruplamanın genellikle algoritmik olarak veya yapay zeka ile yapıldığını, ancak yapay zeka ön işleme maliyetinin yüksek olduğunu gösteriyor (örneğin, GPTrace, OpenAI kullanarak 300 bin vektör için 10 saat sürdü). Makale, yapay zeka analizinden önce hataların gruplanması gerektiğini vurguluyor ve ön işlemeyi basitleştiren, hata mesajlarına göre yerleşik gruplama ve özel kategoriler desteği sunan yapılandırılmış bir veri kaynağı olarak Allure Report'u öne çıkarıyor. Sonuç olarak, testlerde yapay zeka, yalnızca model ayarlamayı değil, olgun veri yönetimi uygulamalarını gerektirir.
Kaynak: Habr — хаб ИИ —
orijinal