In der Podcastfolge geht es um Testautomatisierung und den Einsatz von Machine Learning, um Fehler schneller zu finden und Tools zu integrieren. Unsupervised Learning und Test-Based-Modeling ermöglichen effizientere Testprozesse. Augmented Testing kombiniert menschliches Wissen und Automatisierung für genauere Ergebnisse. Die Zukunft des Testmanagements wird hinsichtlich der Rolle von KI in der Testautomatisierung und der weiteren Optimierung diskutiert.
"Ich komme in der Früh rein und finde nicht mehr 200 fehlgeschlagene Tests vor, sondern ich finde 7, vielleicht 8 Ursachen" - Thomas Steirer
Thomas ist Testautomatisierungsarchitekt aus Wien, und bringt über 15 Jahre Erfahrung in diesem Bereich mit. Er hat zahlreiche Automatisierungsframeworks und -lösungen in unterschiedlichsten Branchen und Technologien entwickelt. Sein Schwerpunkt liegt auf dem Aufbau skalierbarer und nachhaltiger Lösungen, die primär darauf ausgelegt sind, wertvolle Informationen zu liefern. In seiner Tätigkeit bei Nagarro begleitet er Kunden bei der Einführung und Optimierung von Testautomatisierung, unterrichtet an Hochschulen in Österreich und ist Co-Autor des Buches „Basiswissen Testautomatisierung"
Highlights in dieser Episode:
- Thomas und ich kennen uns seit unseren ersten Testprojekten in Wien
- Thomas ist CTO bei Nagaro und Experte für Künstliche Intelligenz und Testautomatisierung
- Wir sprechen über ein Forschungsprojekt, das untersucht, wie Machine Learning und KI genutzt werden können, um Testautomatisierungsstrukturen zu verbessern
- Es geht darum, aus vorhandenen Informationen neues Wissen zu ziehen und Fehlerursachen zu identifizieren
- Wir diskutieren, wie man neue Testfälle schreiben kann und Visualisierungen einsetzt, um die Testqualität zu erhöhen
- Thomas erzählt von einem Forschungsprojekt, bei dem es darum geht, Testportfolios zu visualisieren und daraus wertvolle Erkenntnisse zu gewinnen
- Es wird betont, wie wichtig es ist, Testern das Leben leichter zu machen, indem repetitive Aufgaben minimiert werden
- Thomas spricht über die Zukunft des Testens und wie Machine Learning dabei helfen kann, die Testtiefe und -abdeckung zu erhöhen
- Wir diskutieren die Rolle der Tester in einer von KI unterstützten Testlandschaft und kommen zu dem Schluss, dass menschliche Tester weiterhin unverzichtbar sind.
Kontakt zu Thomas:
Wie Künstliche Intelligenz die Testautomatisierung neu definiert
TLDR: Die KI-Revolution in der Testautomatisierung verändert die Art und Weise, wie wir Software testen, grundlegend. Durch den Einsatz von KI und maschinellem Lernen können wir Testprozesse optimieren und automatisieren, was zu effizienteren und effektiveren Tests führt. Diese Technologien ermöglichen es uns nicht nur, Fehler schneller zu identifizieren und zu beheben, sondern auch neue Testszenarien zu generieren und Testabdeckungen zu erweitern.
Die Konvergenz von KI und Testautomatisierung
In den letzten Jahren hat sich die Landschaft der Softwareentwicklung dramatisch verändert. Eine treibende Kraft hinter dieser Transformation ist die Integration von Künstlicher Intelligenz (KI) in die Testautomatisierung. Wie ich in dieser Episode mit Thomas Steirer, CTO bei der Firma Nagarro, diskutierte, stehen wir am Anfang einer Revolution, die das Potenzial hat, unsere Herangehensweise an das Softwaretesting grundlegend zu verändern. Die Integration von KI in Testprozesse ermöglicht es nicht nur, existierende Testszenarien zu optimieren, sondern auch neue Wege für die Identifikation und Behebung von Fehlern zu erschließen.
Ein Biergarten-Gespräch
Die Idee für das Forschungsprojekt entstand aus einem scheinbar banalen Moment heraus – einem Gespräch unter Kollegen in einem Biergarten. Doch wie so oft sind es gerade diese unerwarteten Augenblicke, die den Grundstein für Innovation legen. Thomas schilderte mir diesen Moment als einen Punkt der Selbstreflexion und des kreativen Austauschs, aus dem letztendlich der Entschluss gefasst wurde, Machine Learning (ML) zur Optimierung von Testautomatisierungsprozessen einzusetzen. Dieser Schritt markierte den Beginn unserer gemeinsamen Reise in die Welt der KI-gestützten Testautomatisierung.
Von der Theorie zur Praxis: Erste Erfolge
Unser Forschungsprojekt konzentrierte sich darauf, Methoden des Machine Learnings auf bestehende Testautomatisierungsstrukturen anzuwenden. Ein wesentliches Ziel war es, aus vorhandenen Daten neues Wissen zu ziehen und Fehlerursachen effizienter zu identifizieren. Thomas erläuterte mir, wie wir durch Analyse von Logfiles und Einsatz von Algorithmen nicht nur Fehlerursachen schneller erkennen konnten, sondern auch erste Vorschläge für neue Testfälle generierten. Der Erfolg dieses Ansatzes bestätigte unsere Überzeugung: KI kann einen signifikanten Mehrwert für die Testautomatisierung darstellen.
Visuelle Analyse und Modellbasierendes Testing
Ein weiterer Durchbruch unseres Projekts war die Entwicklung visueller Analysetools und modellbasierter Testing-Ansätze. Durch das Zusammenführen aller fachlichen Testschritte in einem Graphen gelang es uns, ein visuelles Modell der Applikationsstruktur zu erstellen. Dieses Modell ermöglichte es uns nicht nur, Redundanzen und Fehler-Hotspots schnell zu identifizieren, sondern auch neue Testszenarien abzuleiten – ein Meilenstein in unserer Forschung zur Integration von KI in die Testautomatisierung.
in Zukunft Automatisierte Generierung von Testfällen
Blickt man auf das Erreichte zurück und voraus auf das noch Mögliche, so scheint klar: Die Zukunft der Testautomatisierung liegt in der weiteren Integration von Künstlicher Intelligenz. Thomas skizzierte spannende Perspektiven wie die automatisierte Generierung von Testfällen basierend auf AI-generierten Annahmen oder sogar explorative Tests gesteuert durch AI. Diese Entwicklungen versprechen eine noch nie dagewesene Effizienzsteigerung im Testing-Prozess.
Mensch vs. Maschine im Testing
Abschließend stellte sich natürlich noch die Frage nach der Rolle des Menschen im Zeitalter der KI-gestützten Testautomatisierung. Trotz aller Fortschritte waren Thomas und ich uns einig: Der menschliche Faktor bleibt unersetzlich. Es ist nicht nur das technische Know-how, sondern auch das Verständnis für Kontext und Nuancen, das qualitativ hochwertige Tests ausmacht. Die Integration von KI bietet enorme Unterstützungsmöglichkeiten und kann unsere Arbeit erleichtern – doch am Ende ist es immer noch der Mensch, der über Qualität entscheidet.