Matthias Hamburg

Matthias était consultant principal chez Sogeti Deutschland GmbH jusqu’à sa retraite en septembre 2019. Ses principaux domaines d’expertise professionnels sont l’analyse de test, la gestion de test et l’amélioration des processus de test.

Il continue de s’impliquer bénévolement au sein du German Testing Board (GTB) et de l’International Software Testing Qualifications Board (ISTQB®). En tant que président du groupe de travail sur le glossaire de l’ISTQB®, il publie le glossaire standard des termes de test de l’ISTQB®.

De plus, il dirige le groupe de travail pour le programme de l’ISTQB® Advanced Level Test Analyst. Dans ces fonctions, il continue d’exercer en tant que praticien de l’assurance qualité logicielle et prend plaisir à expérimenter des méthodes innovantes. Il possède plusieurs certifications, dont TPI Assessor, ISTQB Advanced Level (tous les modules) et ISTQB Expert Level – Improving the Test Process.

Les tests dynamiques comprennent l’analyse des tests, la conception des tests, l’implémentation des tests et l’exécution des tests. Les outils traditionnels d’automatisation des tests n’automatisent que l’exécution des tests. Les tests basés sur des modèles (MBT) peuvent automatiser la conception des tests, mais sont rarement utilisés en raison de lacunes dans l’implémentation des tests. Cependant, le besoin d’un niveau plus élevé d’automatisation des tests continue de croître en raison de systèmes logiciels de plus en plus complexes, d’une intégration et d’un déploiement plus fréquents (CI/CD) et de la généralisation de DevOps. La question se pose aujourd’hui de savoir si une combinaison adaptée d’IA générative et d’outils existants peut automatiser entièrement les tests dynamiques, de la base de test au résultat de test.

L’auteur présente une étude de cas réelle de ce type. L’objet de test était l’application ISTQB Glossary, une application de dialogue web. L’objectif principal des tests était de préserver l’image de l’ISTQB grâce à la qualité de son application Glossary. Cela a entraîné un besoin élevé de confiance dans l’adéquation fonctionnelle.

Les exigences étaient documentées sous forme de texte en langage naturel. À partir de cela, le composant d’analyse basé sur l’IA, entraîné en conséquence aux techniques de test sélectionnées, a généré des modèles de test. Les modèles devaient utiliser des mots-clés et des éléments de modèle au niveau du domaine, faciles à comprendre pour les testeurs. En outre, ils devaient couvrir les principaux risques produit. À partir de ces modèles, l’outil MBT devait générer des cas de test de haut niveau pouvant être revus par les testeurs.

Une fois l’objet de test disponible dans l’environnement de test, l’IA générative devait implémenter les tests en sélectionnant les données de test et en associant les mots-clés à l’interface de test. Enfin, elle pouvait laisser l’outil d’automatisation des tests exécuter les cas de test.

L’auteur partage les enseignements tirés de cette étude de cas :