Alisa Hrustic

Je m’appelle Alisa Hrustic et je travaille en tant que Test Manager pour Alfa Laval. Je suis titulaire d’un master de la Faculté de génie électrique de Sarajevo.

J’ai 15 ans d’expérience dans le domaine de l’automatisation des tests, combinée à la gestion des tests, avec un accent principal sur les améliorations techniques et la mise en place de stratégies de test pour améliorer l’efficacité de l’équipe de test. Ces dernières années, je me suis concentrée sur l’exploration et l’apprentissage de l’IA, en particulier sur la manière dont l’IA transforme les tests logiciels.

L’objectif principal de cette présentation est de fournir un aperçu captivant de la façon dont l’IA transforme et améliore les tests logiciels. Dans ce cas, l’IA exploite les données d’expérience utilisateur pour générer de nouveaux cas de test et étendre les flux de régression existants. En tant qu’ingénieurs QA, nous savons que même avec des tests bien conçus et complets, les mises à jour ne sont pas toujours fréquentes — en raison de facteurs tels que les contraintes de temps ou les défis de maintenance. Par conséquent, certains parcours utilisateur, notamment ceux dépourvus d’exigences détaillées mais fréquemment utilisés dans des scénarios réels, peuvent ne pas être couverts. Cette lacune est souvent source de frustration pour l’utilisateur, car il est inattendu que des flux en conditions réelles échouent après l’exécution de tant de tests de version.

L’IA offre un moyen de relever ce défi. Le concept est de construire un système d’auto-apprentissage capable de générer et d’automatiser de nouveaux cas de test. Ce système est composé de plusieurs composants et étapes. La première étape est la collecte de données : la collecte de mesures, d’analyses ou de toute information disponible qui reflète la manière dont les utilisateurs interagissent avec l’application. Ensuite, un grand modèle linguistique (LLM) traite ces données pour identifier des modèles et proposer des cas de test dans un format prédéfini. Une fois ces cas de test générés, ils sont évalués pour vérifier si des cas similaires existent déjà. S’ils sont nouveaux, ils sont sélectionnés et ajoutés à la suite de régression.

Le système d’auto-apprentissage serait périodiquement réentraîné avec de nouvelles données aux intervalles requis, garantissant ainsi que la suite de régression est continuellement mise à jour et alignée sur le comportement réel des utilisateurs.

Je suis convaincu que ce sujet suscitera un grand intérêt, car il présente un exemple concret de la manière dont l’IA peut soutenir l’assurance qualité. Nous savons tous qu’il s’agit d’un sujet d’actualité brûlant, qui suscite souvent des débats sur le remplacement éventuel de l’AQ par l’IA. Le message clé ici est que l’IA ne vise pas le remplacement — il s’agit de façonner l’avenir de l’AQ en nous permettant de procéder différemment et, en fin de compte, de manière plus efficace.