AI in IT Quality: concrete toepassingen die vandaag al werken

Toepassingen van AI

Eén van de gebieden waarop AI een enorme impact heeft, is leren – het verkennen en begrijpen van nieuwe concepten en technologieën. Een mooi voorbeeld hiervan is één van de recente uitdagingen bij het opzetten van complexe pipelines. Een consultant kwam erachter dat templating ook mogelijk was voor pipelines. Normaal gesproken zou er begonnen worden met wat online onderzoek, maar deze keer werd een andere route genomen en de AI-assistent om hulp gevraagd. Met een simpele vraag kwamen er zeer specifieke antwoorden, die relevant waren voor de situatie. Dit bespaarde niet alleen tijd, maar gaf ook inzicht in hoe het beste omgaan kon worden met de variabelen in dit exacte scenario.

Wat dit advies van de AI-assistent waardevol maakt, is dat we de output op twee manieren kunnen controleren: je kan een gerichte zoekopdracht doen om te zien of het echt mogelijk is, en omdat het om objectieve kennis gaat, kan je het gemakkelijk verifiëren door de code te draaien. Dat is toch handiger dan bijvoorbeeld het checken van theoretische of subjectieve kennis zoals geschiedenis of meningen.

Belangrijke AI-tools

Het mooie van het werken met AI is de mogelijkheid om zeer specifieke vragen te stellen en direct relevante antwoorden te ontvangen. Dit in tegenstelling tot het doorzoeken van talloze pagina’s op Google en maar hopen dat je iets vindt dat past bij jouw situatie. We maken hierbij gebruik van twee belangrijke tools: GPT-4.5 turbo van OpenAI en GitHub Copilot chat. Beide geven verschillende perspectieven en antwoorden, maar het integreren van GitHub Copilot in een IDE (ontwikkelomgeving) geeft een uniek voordeel. Het neemt direct de code mee als context, waardoor we nog nauwkeurigere en relevantere antwoorden krijgen. 

De rol van vakkennis en vertrouwen

Een belangrijke kanttekening bij het gebruik van AI in IT Quality is de rol van vakspecifieke kennis en vaktaal. Een kritische blik is essentieel bij het evalueren van de verkregen antwoorden, en dat kan bij het ontbreken van specifieke kennis een uitdaging zijn. Zeker voor meer gevorderde taken, zoals het schrijven van automatische tests, is diepgaande kennis van het vakgebied van onschatbare waarde. Het stelt je in staat om snel afwijkingen te detecteren in de output van het AI-model en te begrijpen waarom bepaalde oplossingen wel of niet werken, waardoor je efficiënter kunt handelen en problemen kunt oplossen.

Een persoonlijke codeer assistent

Code assistance, het tweede gebied waarin AI een prominente rol speelt binnen IT Quality, is voor onze consultants persoonlijk van onschatbare waarde. Ook hierbij helpt GitHub Copilot. Deze suite, samen met andere tooling van GitHub, zoals functies geïntegreerd in de IDE om git commit messages te automatiseren, vormt een essentieel onderdeel van ontwikkelworkflows.

GitHub Next is een platform dat AI-tooling integreert binnen development, waardoor we kunnen profiteren van slimme hulpmiddelen rechtstreeks in onze (IDE). De kracht van GitHub Copilot ligt in zijn vermogen om code te voorspellen. Met slechts één druk op de knop kan AI suggesties doen voor codeblokken, waardoor het schrijven van repetitieve code aanzienlijk wordt versneld. Dit geldt ook voor het schrijven van testcases, waarbij de tool suggesties doet op basis van eerder geschreven tests of methoden.

Maar het gaat verder dan alleen voorspellingen. GitHub Copilot kan ook reageren op commando’s in de chat, waardoor je bijvoorbeeld specifieke testcases kunt laten schrijven met bepaalde aanpassingen. Het stroomlijnt niet alleen het ontwikkelproces, maar biedt ook een gemakkelijke manier om code te reviewen en aan te passen door in je IDE vragen te stellen over de code in kwestie.

Een kwestie van vertrouwen

Hoewel code assistance-tools zoals GitHub Copilot ons ontzettend kunnen helpen bij het ontwikkelen, zijn wij er niet van overtuigd dat ze menselijke input kunnen vervangen. Het is essentieel te erkennen dat deze tools ons vooral moeten ondersteunen en ontlasten, in plaats van ons volledig te vervangen. Vooral in de wereld van testautomatisering is betrouwbaarheid cruciaal. Een kleine fout in een test kan grote gevolgen hebben voor de productieomgeving. Daarom moeten we altijd kritisch blijven kijken naar de output van AI-tools en ervoor zorgen dat ze ons op cruciale momenten niet in de steek laten.

Debugging met AI

Het derde gebied waarbij AI gebruikt wordt is debugging, een proces dat zowel cruciaal als tijdrovend is. Het vinden en oplossen van fouten in de code kan een hele uitdaging zijn, vooral als de fout niet direct voor de hand ligt. Zo kreeg een consultant laatst te maken met een stukje code dat door een oneindige loop resulteerde in een stack overflow. Dankzij AI kon hij snel de exacte locatie van het probleem identificeren. In plaats van kostbare tijd te verspillen aan handmatig zoeken, werd het probleem binnen enkele seconden opgelost. 

Eén van de uitdagingen bij het gebruik van AI voor debugging is het gebrek aan context. AI-tools kunnen soms generieke oplossingen bieden die niet specifiek zijn voor de situatie waarin de fout optreedt. Zo merkte we laatst dat de tests in een pipeline aanzienlijk langer duurden dan verwacht. Hoewel AI-tools suggesties boden, ontbrak het aan contextuele inzichten over de specifieke omgeving en applicatie. Hierdoor kon AI het probleem niet oplossen.

Documentatie schrijven

Wanneer je het hebt over het toepassen van AI in IT Quality is documentatie misschien niet het meest spannende onderwerp. Maar een goede documentatie is essentieel voor elk IT-team, en dus het vierde gebied waarbij AI regelmatig gebruikt wordt. Documentatie biedt niet alleen een referentiepunt voor huidige en toekomstige projecten, maar het kan ook dienen als een leermiddel voor nieuwe teamleden en een communicatiemiddel tussen verschillende afdelingen. Echter, het schrijven van uitgebreide documentatie kan tijdrovend zijn, vooral voor diegenen onder ons die meer affiniteit hebben met code dan met het geschreven woord. 

Een goed voorbeeld hiervan is dat er onlangs een wiki is geschreven, waarin alles is gedocumenteerd over hoe we werken, standaarden, visie en voorbeelden. Het was een flinke taak, maar gelukkig kon AI gebruikt worden om het proces te stroomlijnen. Door gebruik te maken van ChatGPT Plus in combinatie met custom instructies, kon een ruwe versie van de tekst gegenereerd worden, die vervolgens grondig worden doorlopen en aangepast. Dit proces van iteratief schrijven en reviseren stelt ons in staat om de documentatie te verfijnen en aan te passen aan onze specifieke behoeften en stijl.

Het gebruik van AI voor het schrijven van documentatie biedt verschillende voordelen. Allereerst bespaart het enorm veel tijd. Wat normaal gesproken een langdurig proces zou zijn, kan nu veel sneller worden afgerond met de hulp van AI. Bovendien geeft het een gevoel van zekerheid, wetende dat de tekst is gegenereerd met behulp van geavanceerde taalmodellen en vervolgens is beoordeeld en aangepast aan specifieke vereisten. Wel is het belangrijk om voorzichtig te zijn met het delen van bedrijfsdata, aangezien niet alle informatie zomaar met een derde partij gedeeld mag worden.

Combinatie van menselijke expertise en AI

Met alle vooruitgang en het grote potentieel rond AI is het cruciaal om de realiteit niet uit het oog te verliezen. In dit blog hebben we concrete voorbeelden gedeeld van hoe AI nu al veel impact kan hebben op ons vak. Maar laten we ook niet vergeten dat AI geen magische oplossing is voor alle uitdagingen. Het is belangrijk kritisch te blijven en menselijke expertise te combineren met de kracht van AI om zo de beste resultaten te behalen. Met een realistische benadering kunnen we de mogelijkheden van AI volledig benutten en onze processen blijven verbeteren, terwijl we de kwaliteit en betrouwbaarheid van onze IT-systemen waarborgen.