Phân nhóm lỗi và phân tích nguyên nhân gốc rễ (RCA) với AI

Bài viết cho rằng mặc dù AI giúp đẩy nhanh quá trình phát triển mã nguồn, năng suất của QA (Quality Assurance - Đảm bảo Chất lượng) vẫn chưa được cải thiện tương ứng, một phần vì việc AI phân tích các lỗi thất bại đòi hỏi ngữ cảnh và công tác chuẩn bị dữ liệu. Tác giả tiến hành chạy thử nghiệm trên một thành phần banner đơn giản với một locator đã bị thay đổi, gây ra hai lỗi kiểm thử thất bại. Việc phân tích bằng AI (thông qua playwright-ai/auto-debug) đưa ra các giả thuyết riêng biệt cho từng lỗi thất bại, nhưng do không có sự phân nhóm, thời gian xử lý bị nhân lên gấp nhiều lần. Các thí nghiệm RCA (Root Cause Analysis - Phân tích Nguyên nhân Gốc) hiện có như GPTrace, FlakyCat, BuildSheriff, LogSage cho thấy việc phân nhóm thường được thực hiện bằng thuật toán hoặc bằng AI, nhưng quá trình xử lý trước bằng AI lại tốn kém chi phí (ví dụ, GPTrace đã mất 10 giờ để xử lý 300 nghìn vector bằng OpenAI). Bài viết nhấn mạnh sự cần thiết phải phân nhóm các lỗi thất bại trước khi tiến hành phân tích bằng AI, và nêu bật Allure Report như một nguồn dữ liệu có cấu trúc giúp đơn giản hóa việc xử lý trước, với khả năng phân nhóm tích hợp sẵn theo thông báo lỗi và hỗ trợ các danh mục tùy chỉnh. Kết luận, việc áp dụng AI trong kiểm thử đòi hỏi các quy trình dữ liệu trưởng thành, không chỉ đơn thuần là việc tinh chỉnh mô hình.