Kvalitātes nodrošināšanas automatizācija: projektu pārvaldības sistēma AI vadītu testēšanas risinājumu nodrošināšanai

Abstract

Kvalitātes nodrošināšana (QA) ir saistīta ar produkta vai pakalpojuma kvalitātes atbilstības standarta prasībām noteikšanu. Tā nosaka un uztur standarta prasības, vienlaikus ražojot uzticamus un kvalitatīvus produktus. Labs QA process uzlabo klientu apmierinātību un veido uzņēmuma uzticamību un zīmola tēlu. Tas arī palīdz uzņēmumam sasniegt konkurētspējīgu pozīciju tirgū. QA koncepcija ir svarīga ražošanas nozarē. QA process neaprobežojas tikai ar ražošanas nozarēm, bet ir piemērojams arī programmatūras inženierijā. Programmatūras kvalitātes nodrošināšana (SQA) sistemātiski identificē modeļus un darbības, kā arī uzlabo programmatūras izstrādes ciklus. Tomēr kodēšanas kļūdu atrašana un labošana ir noderīga SQA procesā. Programmatūras izstrādātājiem ir kļuvis svarīgi mazināt kļūdas, pirms tās rodas, tas var ietaupīt programmatūras izstrādes laiku un ar programmatūru saistītos izdevumus. Šīs kļūdas ir pazīstamas kā kļūdas. Tām ir būtiska ietekme uz programmatūras veiktspēju. Mākslīgā intelekta modeļi programmatūras testēšanai strauji attīstās. Izmantojot ģeneratīvo mākslīgo intelektu programmatūras testēšanā, SQA procesu var uzlabot. Tas vēl vairāk automatizē testēšanas procedūras un vienlaikus uzlabo testēšanas kvalitāti. Ģeneratīvie mākslīgā intelekta modeļi ir piemērotāki programmatūras izstrādei. Tas nodrošina, ka mākslīgā intelekta testēšana var uzlabot testēšanas metodes. Tādēļ pakalpojuma kvalitātes nodrošināšanas komandas var uzlabot testēšanas procesu. Mākslīgā intelekta rīki var automatizēt testēšanas metodes, izmantojot ģeneratīvos mākslīgā intelekta modeļus. Tas var palīdzēt identificēt kļūdas. Ģeneratīvie mākslīgā intelekta modeļi ļauj vizualizēt testēšanas datus. Tas var palīdzēt izpildīt klientu prasības. Tomēr mākslīgā intelekta rīku, kas var automatizēt testēšanas metodes, ieviešanā ir daudz izaicinājumu. Pētījuma mērķis ir izstrādāt un piedāvāt projektu vadības sistēmu, kas pielāgota mākslīgā intelekta vadītu testēšanas risinājumu nodrošināšanai kvalitātes nodrošināšanā. Rezultāti atklāja, ka tehniskā sarežģītība, prasmju un zināšanu trūkums, finansiālie ierobežojumi un organizatoriskā pretestība ir galvenie faktori mākslīgā intelekta vadītas kvalitātes nodrošināšanas automatizācijas ieviešanā IT nozarēs. Ierosināto sistēmu var izmantot IT nozare.

Quality assurance (QA) relates with determining the meeting of quality of product or service with standard requirements. It establishes and maintain standards requirements while manufacturing of reliable and quality products. A well QA process enhance customer satisfaction and build company's credibility and brand image. It also helps a company to achieve a competitive position in the market. The concept of QA is important in the manufacturing industry. The QA process is not limited to manufacturing industries, but it is also applicable to software engineering. Software quality assurance (SQA) systematically identifies patterns, and the actions and improve development cycles involved in software development. However, finding and fixing coding errors are beneficial during the process of SQA. It is become essential for software developers to mitigate errors before they occur, this can save software development time and expenses involved in software. These errors are known as bugs. These have a significant impact on the performance of software. AI models for software testing is gaining rapid growth. By employing generative AI in software testing, SQA process can be enhanced. It further automates the testing procedures and simultaneously boost the testing quality. Generative AI models are more suited for software development. This ensures that AI testing can enhance the testing methods. Therefore, SQA teams can enhance the process of testing. AI tools can automate the testing methods using generative AI models. This can help in the identification of bugs. Generative AI models allow to visualize the testing data. This can enable to meet the customer requirements. However, there many challenges in the adoption of AI tools that can automate the testing methods. The aim of the study is to design and propose a project management framework tailored for delivering AI-driven testing solutions in QA. Results revealed that technical complexity, skill and knowledge gaps financial constraints, and organizational resistance are the major factors in implementing AI-driven QA automation in IT industries. The proposed framework can be used by the IT industry.