KI Testing

Künstliche Intelligenz verändert das Testen von Software aktuell maßgeblich. Auf dem Weg hin zur vollständigen Automatisierung gibt es allerdings einige Zwischenstufen, die wir uns im Folgenden anschauen. 

KI-Algorithmen bewerten Software-Systeme, um automatisch Skripte zu erstellen, die zuvor ressourcenintensiv waren. Im Anschluss daran analysieren sie die Ergebnisse, um Fehler vorherzusagen und passen die Skripte an, um die Testabdeckung zu verbessern. 

Dies ist eine große Veränderung gegenüber der Testumgebung von vor nur einem Jahrzehnt. Damals galten Softwaretests als Compliance-Maßnahme, die sicherstellen sollte, dass der Code funktionierte. Es war ein undurchsichtiges Unterfangen, das in der IT-Abteilung unter Verschluss gehalten und von niemandem beachtet wurde. 

Die Softwarewelt hat sich durch die Cloud, Consumerization, DevOps, Microservices und das Internet der Dinge (IoT) revolutioniert. Heute erscheinen ständig neue Apps und Software-Releases, die mit Milliarden von digitalen Geräten, die mit der Cloud verbunden sind, eine komplexe, fragmentierte Umgebung schaffen. 

Mit der raschen Ausrichtung auf digitale Technologien infolge der Pandemie beschleunigt jedes Unternehmen das Tempo der digitalen Transformation. Die Qualität der Software ist von entscheidender Bedeutung, da ein unentdeckter Fehler zu Systemausfällen führen kann und eine Fehlkonfiguration von Cloud-Plattformen eine Datenlücke oder einen Datenverlust zur Folge haben kann. 

Softwarefehler erhöhen die Entwicklungskosten erheblich. Und wenn eine App erst einmal veröffentlicht ist, sind die Kosten für das Auffinden und Beheben deutlich höher als in der Design- und Entwicklungsphase. 

Mit der Abhängigkeit von der Digitaltechnologie muss die Erfahrung die Erwartungen der Anwender erfüllen. In einer hypervernetzten und komplexen Welt ist dies jedoch alles andere als eine einfache Aufgabe und der traditionelle, manuelle Ansatz für das Testen kann nicht mehr Schritt halten. Daher müssen Unternehmen einen neuen, intelligenten Ansatz zur Testautomatisierung wählen, um sicherzustellen, dass die Qualität von Software und Anwendungen den Erwartungen der Anwender*innen entspricht.

Die KI-Methode

KI, Machine Learning, Deep Learning und Analysen fungieren als Katalysatoren für eine echte Testautomatisierung – sie empfehlen die durchzuführenden Tests, lernen kontinuierlich, sagen auf intelligente Weise die Auswirkungen auf das Geschäft voraus und helfen den Entwicklungsteams, Probleme zu beheben, bevor sie auftreten. Hier sehen Sie, wie sich dieses Test-Nirwana entwickelt.

1. Intelligente Automatisierung 

Die einzige Möglichkeit, eine digitale Anwendung oder Software wirklich aus der Perspektive der Anwender*innen zu testen, ist eine intelligente Automatisierungs-Engine. Das System greift auf die Anwendung zu, wie es Anwender*innen würden – es übernimmt die Kontrolle über eine Maschine, nutzt die App tatsächlich zur Ausführung von Arbeitsabläufen und sammelt auf dem Weg intelligente Analysen. Voraussetzung dafür ist eine Technologie, die Bildschirminformationen wie Bilder, Symbole und Text genau so versteht, wie ein Mensch es tun würde.

In der Regel werden bei der Testautomatisierung jedes Mal, wenn eine Software veröffentlicht wird, dieselben Testskripte ausgeführt. Diese Ansätze sind jedoch nicht in der Lage, auf intelligente Weise neue Fehler zu erkennen, die sich eingeschlichen haben. Sie finden auch die Schwachstellen in einem System nicht proaktiv und sind nicht in der Lage zu erkennen, was aus der Sicht der Anwender*innen unbedingt zu testen ist.

2. Intelligente Generierung von Testabdeckungen sowie Fehlersuche 

In einer komplexen App gibt es potenziell unendlich viele Pfade. Welchem sollte also die Automatisierung folgen? KI-Klassifizierungsalgorithmen wie Bayes‘sche Netze können zur Auswahl von Pfaden und zur Fehlersuche verwendet werden.

Bei der Erkundung dieser Pfade lernt der KI-Algorithmus für die Fehlersuche weiterhin aus den Korrelationen in den Daten, um die Abdeckung zu verfeinern und den Entwickler*innen dabei zu helfen, Ursachen zu identifizieren und Fehler zu beheben. Durch eine Kombination aus Fehlersuch- und Abdeckungsalgorithmen erhöhen KI und Analytik die Abdeckung und Produktivität exponentiell.

KI-Algorithmen suchen nach Fehlern in Anwendungen auf der Grundlage von User Journeys, die automatisch aus diesem Fehlersuchmodell generiert werden. Abdeckungsalgorithmen wählen die User Journey aus, die am weitesten von anderen, bereits ausgeführten User Journeys entfernt ist. Dank der KI geht der Test über eine einfache regelbasierte Automatisierung hinaus, indem Algorithmen eingesetzt werden, um Systeme anhand großer Datensätze effizient zu trainieren.

Der Algorithmus ahmt das menschliche Verhalten durch die Anwendung von logischem Denken, Problemlösung und Machine Learning nach. Er führt automatisierte Testroutinen aus, die die Aktionen menschlicher Anwender*innen widerspiegeln. Die KI sucht nach Fehlern in der Benutzeroberfläche, Bugs und Leistungsproblemen und behebt diese automatisch, bevor sie die Nutzererfahrung beeinträchtigen.

Die Automatisierung erhöht den Abdeckungsgrad, indem sie jede potenzielle User Journey untersucht und alle Engpässe, die die Leistung beeinträchtigen könnten, vorhersagt und identifiziert. Nicht-instanzbasierte Lernalgorithmen reduzieren den erforderlichen Lernaufwand und liefern schnelle Ergebnisse, die in agilen und DevOps-Umgebungen unerlässlich sind.

Durch den Einsatz von KI-gestützten Tests können Unternehmen die Veröffentlichung hochwertiger Software beschleunigen, was einen erheblichen Vorteil darstellt. Ein weiterer Vorteil der intelligenten Automatisierung besteht darin, dass sie einfach zu bedienen ist. Dadurch entfällt die Notwendigkeit, technische Mitarbeiter*innen mit Programmierkenntnissen für die Durchführung und Verwaltung von Tests einzusetzen.