النقاط العمياء للتحليل اليدوي
لنكن صادقين: المختبرون البشريون رائعون، لكننا أيضاً متحيزون.
نحن مهيئون بشكل طبيعي للتركيز على “الطريق السعيد” – التسلسل المنطقي المقصود للإجراءات التي من المفترض أن يتخذها المستخدم.
على الرغم من أن هذا ضروري للتحقق من صحة الوظائف الأساسية، إلا أنه يترك مناطق واسعة وغير مختبرة على هامش سلوك التطبيق.
هذه هي حالات الحافة: الشروط الحدودية، والمدخلات غير الصالحة، وتدفقات المستخدم النادرة وغير المتوقعة. إنها السيناريوهات التي لا تظهر في التدريج ولكنها مضمونة لتعطل تطبيقك في الساعة 2 صباحاً يوم السبت.
إن حجم هذه المشكلة مذهل. وفقاً لبحث معهد ماساتشوستس للتكنولوجيا MIT Technology Review، فإن نسبة مذهلة تبلغ 80% من حالات فشل نظام الذكاء الاصطناعي في بيئات الإنتاج تنبع من سيناريوهات غير ممثلة بشكل كافٍ في بيانات التدريب، وبعبارة أخرى، من حالات الحافة التي لم تتم معالجتها.
تحمل هذه الإخفاقات عواقب تتجاوز مجرد تقرير خطأ بسيط، مما يؤدي إلى عقوبات تنظيمية، وخسارة العملاء، وخسارة الإيرادات، والإضرار الشديد بالسمعة.
تستغرق الأساليب اليدوية التقليدية للعثور على حالات الحافة هذه وقتًا طويلاً وغالبًا ما تكون غير مكتملة. إنهم يعتمدون على إبداع وخبرة المختبرين الأفراد، الذين لا يمكنهم توقع كل مجموعة من المدخلات والعوامل البيئية.
والنتيجة هي أن تغطية حالة الحافة غالباً ما تقتصر على جزء صغير من سطح الخطر الفعلي للتطبيق، مما يترك الأنظمة عرضة للظروف نفسها التي ستواجهها حتمًا في العالم الحقيقي.
الزاوية الجديدة: تحليل المتطلبات المدعومة بالذكاء الاصطناعي
ما يعنيه هذا حقاً هو تعليم الآلة أن تفكر كمختبر متشكك ودقيق للغاية.
فبدلاً من مجرد قراءة متطلبات الفهم، تقوم أنظمة الذكاء الاصطناعي بتحليلها بحثاً عن الفجوات المنطقية والغموض ونقاط الفشل المحتملة.
يعد هذا تحولاً أساسياً من اكتشاف الأخطاء التفاعلية إلى الوقاية الاستباقية من العيوب. لا ينتظر الذكاء الاصطناعي كتابة الكود؛ يقوم بتحليل المخطط.
وإليك كيف يعمل. يستفيد الذكاء الاصطناعي من مجموعة من منهجيات الاختبار المعمول بها وتقنيات التعلم الآلي المتقدمة، ولكنه يطبقها في مرحلة تحليل المتطلبات:
- تحليل القيمة الحدودية (BVA)
هذه هي التقنية التأسيسية. بالنسبة لأي حقل إدخال بنطاق محدد (على سبيل المثال، العمر من 18 إلى 99)، يقوم الذكاء الاصطناعي تلقائيًا بإنشاء سيناريوهات اختبار للحد الأدنى للقيمة (18)، والحد الأقصى للقيمة (99)، والقيم داخل وخارج هذه الحدود (17، 19، 98، 100). فهو يقوم باختبار الحواف بشكل منهجي حيث يتم إخفاء العيوب بشكل شائع.
- اختبار اندماجي
يتفوق الذكاء الاصطناعي في استكشاف التفاعلات المعقدة. يمكنه إنشاء بيانات اختبار تغطي مجموعات مختلفة من معلمات الإدخال، خاصة تلك الموجودة في قيمها الحدودية، لاختبار تأثيرات التفاعل.
على سبيل المثال، قد تختبر عملية دفع التجارة الإلكترونية بأقصى كمية من العنصر الأقل سعراً باستخدام رمز خصم منتهي الصلاحية – وهو سيناريو قد يتجاهله الإنسان بسهولة.
- توليد الحالات غير الطبيعية والتشويش
يمكن للذكاء الاصطناعي إدخال حالات شاذة يمكن التحكم فيها في بيانات الاختبار لمحاكاة الأحداث الواقعية النادرة ولكن المحتملة.
يتضمن ذلك تقنية التشويش المدعومة بالذكاء الاصطناعي، والتي تتجاوز المدخلات العشوائية لتوليد بيانات غير متوقعة أو غير صالحة بذكاء لاختبار قوة النظام ومعالجة الأخطاء.
- التعلم من البيانات
يمكن لأنظمة الذكاء الاصطناعي المتقدمة تحليل سجلات العيوب التاريخية، وتحليلات استخدام الإنتاج، وحتى تذاكر دعم المستخدم.
من خلال تحديد أنماط الإخفاقات السابقة وسلوك المستخدم في العالم الحقيقي، يمكن للذكاء الاصطناعي إعطاء الأولوية لاختبار الحالات الطرفية التي ليست ممكنة من الناحية النظرية فحسب، بل أثبتت تجريبياً أنها مصدر للمشاكل.
يسمح هذا النهج المنهجي القائم على البيانات للذكاء الاصطناعي برسم “المسارات غير السعيدة” بمستوى من الشمولية لا يمكن تحقيقه ببساطة من خلال الجهد اليدوي وحده.
يستخدم الذكاء الاصطناعي منهجيات متعددة لاكتشاف حالات الحافة واختبارها بشكل منهجي، متجاوزاً الأساليب المكتوبة التقليدية.
الحل الذكي: منصة تشابك الجديدة
هذه ليست نظرية. هذه هي بالضبط الطريقة التي تعمل بها منصات مثل تشابك. تم تصميم المنصة لتكون شريكاً ذكياً في عملية ضمان الجودة، مما يؤدي إلى أتمتة اكتشاف هذه السيناريوهات المهمة ولكن غالبًا ما يتم تفويتها.
العملية واضحة ومباشرة: يمكنك تحميل وثائق مشروعك الحالي، مثل قصص المستخدم أو المواصفات، أو حتى مجرد توفير عنوان URL لتطبيقك.
لا يقوم الذكاء الاصطناعي الخاص بتشابك بإجراء فحص بسيط للكلمات الرئيسية للنص فحسب. فهو يبني نموذجاً سياقياً لمنطق التطبيق الخاص بك ومتطلباته. فهو يفهم العلاقات بين المكونات المختلفة، ويحدد قيود الإدخال، ويستنتج سير عمل المستخدم.
واستناداً إلى هذا التحليل العميق، فإنه يقوم تلقائيًاً بتحديد وإنشاء مجموعة شاملة من حالات الاختبار التي تستهدف على وجه التحديد حالات الحافة عالية الخطورة، بما في ذلك:
- المدخلات غير الصالحة: اختبار كيفية تعامل النظام مع البيانات التي تنتهك التنسيقات أو الأنواع أو النطاقات المتوقعة.
- حالات الحدود: التحقق بشكل منهجي من الحدود الدنيا والعليا لجميع حقول الإدخال.
- حالات الحافة السياقية: فهم سياق التطبيق لإنشاء سيناريوهات محتملة منطقيًا ولكنها نادرة، والتي غالبًا ما يتم تفويتها في الاختبار اليدوي.
ومن خلال أتمتة هذا التحليل، تضمن تشابك عدم ترك هذه الاختبارات الحاسمة للصدفة أو للوقت المحدود للاختبار اليدوي. إنه يجعل اختبار حالة الحافة الشاملة جزءاً منهجياً وقابلاً للتكرار في دورة حياة التطوير.
من التخمين إلى التغطية المضمونة
إن التناقض بين النهج التقليدي والنهج القائم على الذكاء الاصطناعي صارخ. في السابق، كانت الفرق تقضي ساعات في اجتماعات المراجعة، وتبادل الأفكار حول الحالات الطارئة المحتملة و على أمل أن يكونوا قد فكروا في كل شيء.
كانت تغطية الاختبار، في أحسن الأحوال، مجرد تخمين مدروس. كانت العملية يدوية، وغير متسقة، وتعتمد بشكل كبير على خبرة الأفراد الموجودين في الغرفة.
بعد تطبيق أداة مثل تشابك، تتغير الديناميكية تماماً. يمكن إنشاء مجموعة شاملة من اختبارات حالة الحافة في دقائق، وليس أيام. وهذا يوفر العديد من الفوائد الرئيسية:
- زيادة تغطية الاختبار
- تحسين الجودة القابل للقياس
- موثوقية محسنة
يتعلق الأمر بالانتقال من استراتيجية تخفيف المخاطر – حيث تأمل في اكتشاف معظم الأخطاء – إلى استراتيجية إزالة المخاطر، حيث تمنع بشكل منهجي فئات كاملة من العيوب من الوصول إلى الإنتاج.
