Slimmer testen: tips voor AI in IT Quality
AI duikt steeds vaker op in de wereld van IT Quality en testen. De Quality Consultants bij Heeyoo zijn dagelijks getuige van de impact van AI op ons werk. Het omarmen van AI is geen keuze meer, maar een onvermijdelijkheid. Als professionals in dit veld staan we dan ook voor de uitdaging hoe we AI op een effectieve manier kunnen integreren. We delen graag onze praktische ervaringen en inzichten over het gebruik van AI, met als streven mensen te inspireren en te laten zien hoe ze op een effectieve manier met deze technologie kunnen omgaan. AI zal uiteindelijk niet de rol van mensen overnemen; in plaats daarvan zullen mensen die op slimme wijze gebruikmaken van AI het verschil gaan maken.
Begin bij het begin en durf te vragen
AI kan soms als wat complexe materie aanvoelen, maar je hoeft geen ‘die hard’ expert te zijn voordat je ermee aan de slag kan. Begin met het begrijpen van de basics. Het opbouwen van basiskennis van machine learning begint bij het leren van begrippen zoals training data, algoritmes en modellen. Dit zal je helpen om de taal van AI te spreken en het potentieel ervan te begrijpen voor jouw IT Quality processen.
Weet ook dat er geen domme vragen bestaan als het gaat om AI gaat. Wees dus niet bang om vragen te stellen. Alles is nieuw, en we leren allemaal samen. Vraag je collega’s om hun ervaringen te delen. Het kan handig zijn een reguliere meeting te organiseren, om te praten over wat je hebt ontdekt en waar je hulp bij nodig hebt. Online zijn er ook veel waardevolle resources. Duik in blogs, online cursussen, en community-forums. Deel je ontdekkingen en vind samen een manier om AI in je voordeel te laten werken.
Daarnaast kun je overwegen lid te worden van bestaande groepen die gericht zijn op kennisdeling. Er bestaan ontzettend veel groepen met als doel kennis en nieuws te delen, ideeën uit te wisselen en ruimte te bieden voor vragen. Dit is een geweldige manier om samen te groeien en te profiteren van elkaars inzichten.
AI in de praktijk
Als je eenmaal de basiskennis op zak hebt, is het tijd om te kijken hoe AI in de praktijk waarde kan opleveren. Twee goede voorbeelden van het toepassen van AI binnen ons vakgebied zien we bij regressietesten en loganalyses. Bij deze processen kan AI in de praktijk ook echt waarde leveren.
Regressietesten zijn een integraal onderdeel van onze IT Quality processen, maar handmatig elke test herhalen voor elke kleine codeaanpassing en het schrijven van voor de hand liggende code kan een tijdrovende klus zijn. Hier ligt dus een kans voor het gebruik van AI. In plaats van handmatig alle testgevallen opnieuw te schrijven, kunnen we de kracht van code completion en prediction tools benutten, zoals GitHub Copilot. Door slechts de naam en het type van de volgende test in te voeren, kunnen deze tools op basis van context automatisch de volledige test genereren. Dit versnelt niet alleen het testproces, maar maakt het ook gemakkelijker om consistente en volledige tests te schrijven zonder onnodige herhalingen.
Onze tweede kans ligt in het gebruik van AI voor automatische data analyse, waarbij we snel door enorme hoeveelheden logdata, performance test data en applicatielogging kunnen navigeren. In plaats van handmatig door bergen logbestanden te ploegen, laat AI ons zien wat er echt toe doet. Het systeem identificeert patronen, afwijkingen en kritieke informatie, en rapporteert alleen wat relevant is voor het probleem of de functionaliteit waar we naar kijken. Hierdoor verspillen we geen tijd aan onnodige details en kunnen we ons richten op wat er werkelijk toe doet bij het verbeteren van de softwarekwaliteit.
Realistische verwachtingen
Een van de belangrijkste lessen die we hebben geleerd, is het belang van realistische verwachtingen. AI is krachtig, zeker, maar het is geen magisch tovermiddel dat alle problemen binnen een handomdraai oplost. Het is een veel voorkomende valkuil om te beginnen met te hoge verwachtingen, gehypnotiseerd door de potentie van kunstmatige intelligentie. We kwamen er al snel achter dat geduld en realisme de sleutels tot succes zijn.
Het is cruciaal om te begrijpen wat AI wel en niet kan doen. Een goede kennis van de beperkingen van specifieke modellen helpt om realistische doelen te stellen en teleurstellingen te voorkomen. AI gaat niet al het werk opeens uit handen nemen (en dat zouden we ook niet moeten willen). In plaats van te streven naar een model dat het hele proces uit handen neemt, is het vaak beter om je te concentreren op specifieke verbeteringen binnen de IT Quality processen.
Het is soms dan ook nodig om een stap terug te doen en het grotere plaatje opnieuw te evalueren. Vooral wanneer AI-modellen niet de gewenste resultaten opleveren. In plaats van star vast te houden aan de oorspronkelijke aanpak, moet je bereid zijn om opnieuw te analyseren, te herzien en aan te passen. Het is ook belangrijk om te onthouden dat een enkele chat context kan onthouden, en dat het soms loont om die context achter te laten en opnieuw te beginnen.
Trial-and-error
Een beetje trial-and-error kan nooit kwaad, en dit geldt des te meer in de wereld van AI. Accepteer het dus ook gewoon dat niet elk experiment direct succesvol gaat zijn. In plaats van te focussen op het ontwikkelen van nieuwe modellen, is het waardevol om te experimenteren met en te leren van bestaande modellen. Sommige modellen vereisen meerdere iteraties en finetuning voordat je de gewenste resultaten behaalt. Door iteratief te experimenteren, inputgegevens te verfijnen en een bestaand model als basis te gebruiken, kun je erin slagen om een model te vinden dat niet alleen nauwkeurig is, maar ook de efficiëntie van je werk aanzienlijk kan verbeteren.
De wereld van AI biedt eindeloze mogelijkheden en we zouden nog honderden tips kunnen geven over dit boeiende onderwerp. Maar om het kort en krachtig te houden, sluiten we hieronder af met nog vijf beknopte tips.
1. Vakkennis geeft sturing
Je bereikt betere resultaten door je eigen expertise te integreren in het sturen van het AI-systeem. Combineer vakspecifieke kennis met bestaande modellen en pas aangepaste datasets toe die relevant zijn voor jouw vakgebied.
2. Bewustzijn van context
Wees je bewust van zowel geleverde als nog niet geleverde context, en gebruik bijvoorbeeld eigen vector databases of aangepaste GPT-modellen om context op te halen.
3. Koppel GPT’s aan elkaar
Heb je bijvoorbeeld moeite hebt met het formuleren van zinnen voor beeldgeneratie, gebruik dan een andere tool om deze zinnen te laten genereren en integreer deze vervolgens met GPT-modellen voor een meer uitgebreide output.
4. Doe ervaring op met verschillende AI-tools
Chatbots: ChatGPT, Bing Chat, Bard, Amazon Q
Code completion: Github Copilot (Chat), Tabnine, Amazon CodeWhisperer
Text-to-image: Dall-E, Stable Diffusion, Midjourney
Text-to-speech: ElevenLabs
LLM gedreven modellen: AutoGPT, PentestGPT
Open-source AI-modellen: Hugging Face, GitHub Next
5. Maak gebruik van AI-tool discovery-sites
Bezoek sites zoals FutureTools.io, AI Tool Hunt, en There’s an AI for That om nieuwe en relevante AI-tools te ontdekken.
