7. Применение искусственного интеллекта в тестировании
Для оптимизации процесса подготовки тестовой документации и получения справочной информации была использована языковая модель искусственного интеллекта (LLM).
В ходе работы были составлены запросы (промпты) для решения различных задач: получение определений из сферы тестирования,
генерация вопросов по техникам тест-дизайна, а также составление негативных тест-кейсов для элементов графического интерфейса.
На запрос о предоставлении определения регрессионного тестирования нейросеть выдала корректный и развернутый ответ,
описывающий суть проверок после изменения программного кода.
Результат представлен на рисунке 21.
Рис. 21. Запрос на предоставление определения из сферы тестирования
23
Также был сформирован запрос на создание тестового вопроса по техникам тестирования с четырьмя вариантами ответов. Модель успешно сгенерировала релевантный вопрос и указала правильный ответ. Результат представлен на рисунке 22.
Рис. 22. Запрос на генерацию тестового вопроса по тест-дизайну
Для ускорения написания тестовой документации был выполнен запрос на создание негативных тест-кейсов для формы авторизации.
Нейросеть предложила логичные сценарии проверок (вход с несуществующим логином, попытка входа с заблокированным аккаунтом,
попытка входа с пустым полем пароля). Результат представлен на рисунке
23.
24
Рис. 23. Использование ИИ для генерации тест-кейсов
25
ЗАКЛЮЧЕНИЕ.
В процессе выполнения практико-ориентированного проекта были успешно достигнуты поставленные цели и получены практические навыки по тестированию и контролю качества веб-приложения. Объектом исследования выступил ресурс «Лаборатория цифрового моделирования в электроэнергетике» (https://energy.exponenta.ru/).
При решении задач был сформирован детальный план тестовых мероприятий из 20 тест-кейсов. Организация процесса тестирования проводилась в системе Kaiten, где были определены временные рамки и построена TIMELINE-диаграмма.
В ходе ручного тестирования клиентской части была подтверждена совместимость приложения с различными браузерами (Chrome, Edge).
Тестирование адаптивности показало корректное перестроение интерфейса на десктопных (1920x1080), планшетных (1366x768) и мобильных
(360x800) разрешениях экрана. Проверка верстки через W3C Validator
выявила наличие предупреждений, но подтвердила отсутствие критических ошибок, нарушающих структуру DOM-дерева.
С помощью вкладки Network инструментов DevTools был проведен глубокий анализ сетевых подключений. Было установлено, что сайт использует безопасный протокол HTTPS, возвращает корректный статус ответа 200 OK на GET-запросы, а также использует безопасные файлы cookie с единым доменом. Аудит технического стека инструментом
SimilarWeb позволил выявить используемые на сайте технологии.
Кроме ручного тестирования, были закреплены навыки автоматизации в Selenium IDE. Был выявлен конфликт стандартных команд
Selenium со скриптами конструктора Tilda, на базе которого построен сайт.
Для обхода проблемы был разработан альтернативный, полностью отлаженный сценарий навигации по основным разделам ресурса,
26
программный код которого (в формате Python/pytest) вынесен в Приложение А. Дополнительно были успешно применены возможности нейросетевых моделей для генерации тестовой документации. Выполнение работы позволило освоить современные инструменты инженера по тестированию.
27