{"id":4414,"date":"2021-01-08T16:30:40","date_gmt":"2021-01-08T19:30:40","guid":{"rendered":"http:\/\/cl.abstracta.us\/blog\/?p=4414"},"modified":"2024-02-15T17:28:24","modified_gmt":"2024-02-15T20:28:24","slug":"adopcion-testing-inteligencia-artificial","status":"publish","type":"post","link":"https:\/\/es.abstracta.us\/blog\/adopcion-testing-inteligencia-artificial\/","title":{"rendered":"Adopci\u00f3n del testing basado en inteligencia artificial: una nueva era"},"content":{"rendered":"\n

\u00bfC\u00f3mo la inteligencia artificial puede mejorar las pruebas de software?<\/h3>\n\n\n\n
\"\"
Fuente: Imagen de Gerd Altmann en Pixabay<\/em><\/figcaption><\/figure><\/div>\n\n\n\n

La tecnolog\u00eda ha evolucionado dr\u00e1sticamente durante la \u00faltima d\u00e9cada. Muchas innovaciones han influido profundamente en nuestras vidas, como smartphones<\/em>, bitcoin<\/em>, autos el\u00e9ctricos y blockchain<\/em>, pero la inteligencia artificial (IA) definitivamente encabeza la lista.<\/p>\n\n\n\n

La inteligencia artificial se ha vuelto vital para analizar una gran cantidad de datos no estructurados e identificar diferentes patrones, relaciones y realizar la optimizaci\u00f3n de procesos en varios dominios, incluido el reconocimiento de voz, los veh\u00edculos aut\u00f3nomos, la visi\u00f3n por computador, la atenci\u00f3n m\u00e9dica, las tecnolog\u00edas financieras y ahora en las pruebas de software<\/strong>.<\/p>\n\n\n\n

En la actualidad, tenemos la capacidad de predecir el comportamiento futuro y descubrir patrones que se pasan por alto a simple vista con la ayuda de modelos complejos que analizan grandes cantidades de datos. Esto se vuelve a\u00fan m\u00e1s importante con la necesidad de respaldar los \u00faltimos desarrollos en pruebas de software relacionadas con los procesos \u00e1giles, DevOps<\/em> y las pr\u00e1cticas de integraci\u00f3n continua y entrega continua (CI\/CD).<\/p>\n\n\n\n

En esta era digital, las organizaciones se ven obligadas a encontrar un equilibrio en el costo-beneficio, en cuanto al r\u00e1pido tiempo de comercializaci\u00f3n y una buena experiencia de usuario se refiere. El objetivo actual de las organizaciones es ejecutar m\u00e1s pruebas, encontrar incidentes r\u00e1pidamente y liberar productos m\u00e1s prontamente. La Inteligencia Artificial puede ayudar a lograr este objetivo.<\/p>\n\n\n\n

\u00bfEn qu\u00e9 consiste el testing basado en Inteligencia Artificial?<\/strong><\/h2>\n\n\n\n

El testing basado en inteligencia artificial puede tener un impacto positivo en varias facetas de las pruebas de software, especialmente en la automatizaci\u00f3n de pruebas. Han surgido tantas herramientas y frameworks<\/em> diferentes tratando de resolver diversos tipos de problemas relacionados con la automatizaci\u00f3n de pruebas, pero un problema que ha sido un desaf\u00edo constante hasta la fecha, es el aspecto del ‘mantenimientO’. Una de las principales razones de esto es el uso de localizadores est\u00e1ticos.<\/p>\n\n\n\n

Con los localizadores est\u00e1ticos, usamos solo un atributo de un elemento para identificarlo de manera \u00fanica en una p\u00e1gina y, si esto cambia, la prueba se interrumpe y, como testers, terminamos dedicando una cantidad considerable de tiempo a tomar el problema y solucionarlo. Seg\u00fan investigaciones, aproximadamente el 30% del tiempo de los testers se consume solamente en el mantenimiento de las pruebas. \u00bfPuede imaginarse el costo de oportunidad asociado con este esfuerzo? \u00a1Es alucinante! El tiempo de los testers es valioso y es mejor invertirlo en explorar la aplicaci\u00f3n y proporcionar informaci\u00f3n para ayudar a las partes interesadas a tomar decisiones informadas sobre el producto. Con el testing basado en inteligencia artificial podemos superar dicho problema mediante el uso de localizadores din\u00e1micos. <\/p>\n\n\n\n

Los localizadores din\u00e1micos<\/a> o ‘Dynamic Locators<\/em>‘ es un concepto en el que usamos m\u00faltiples atributos de un elemento para ubicarlo en la p\u00e1gina en lugar de un solo atributo. De esta manera, incluso si cambia un atributo, el elemento a\u00fan se puede ubicar con \u00e9xito con la ayuda de otros atributos que ya han sido extra\u00eddos del DOM (Document Object Model) por la inteligencia artificial.<\/p>\n\n\n\n

\"aprendizaje<\/figure>\n\n\n\n

Ahora, con inteligencia artificial, puede conectar sus aplicaciones de producci\u00f3n al ciclo de prueba. Esto significa que podemos crear pruebas basadas en los flujos reales realizados por el usuario en producci\u00f3n. Adem\u00e1s, la inteligencia artificial puede observar y encontrar pasos repetidos y agruparlos para hacer componentes reutilizables en sus pruebas. Por ejemplo: escenarios de inicio de sesi\u00f3n, cierre de sesi\u00f3n. Adem\u00e1s, cuantas m\u00e1s pruebas ejecute, m\u00e1s capaz se volver\u00e1 la inteligencia artificial en t\u00e9rminos de identificar pruebas inestables, optimizar las esperas entre pasos y tambi\u00e9n solucionar problemas de manera proactiva antes de que ocurran, debido a su mecanismo de auto reparaci\u00f3n.<\/em><\/p>\n\n\n\n

El campo de la automatizaci\u00f3n de pruebas ha sido hist\u00f3ricamente una comunidad centrada en los testers t\u00e9cnicos. Este estigma tambi\u00e9n puede cambiar con la inteligencia artificial, ya que trae el concepto de colaboraci\u00f3n en la automatizaci\u00f3n de pruebas. Lo que esto significa es que los recursos no t\u00e9cnicos ya no necesitan temer al c\u00f3digo y la tecnolog\u00eda, sino que la inteligencia artificial ayudar\u00e1 a cerrar la brecha entre el conocimiento t\u00e9cnico y la creaci\u00f3n y ejecuci\u00f3n de las pruebas, lo que facilita el trabajo de los equipos.<\/p>\n\n\n\n

El papel del tester en el testing basado en Inteligencia Artificial<\/strong><\/h2>\n\n\n\n

La inteligencia artificial ha demostrado su capacidad para funcionar con m\u00e1s inteligencia colectiva, m\u00e1s velocidad y mayor escalabilidad, que incluso los equipos de aplicaciones mejor financiados actualmente.<\/p>\n\n\n\n

Con el Desarrollo Continuo marcando un ritmo cada vez m\u00e1s competitivo, y la presi\u00f3n combinada de la automatizaci\u00f3n inspirada en la inteligencia artificial, los robots y los chatbots, aparece la pregunta que surge en la mente de todos los testers de software: \u00bfEst\u00e1n los equipos de pruebas y control de calidad bajo asedio? \u00bfEst\u00e1n los roles de QA en peligro de ser eliminados o reemplazados, de manera similar a la industria manufacturera?<\/p>\n\n\n\n

Durante la \u00faltima d\u00e9cada, las tecnolog\u00edas han evolucionado dr\u00e1sticamente, se han producido muchos cambios en el espacio tecnol\u00f3gico, pero un aspecto constante es la interacci\u00f3n de los testers humanos con ellas y c\u00f3mo las usamos para nuestras necesidades. Lo mismo se aplica tambi\u00e9n a la inteligencia artificial. En segundo lugar, para entrenar la inteligencia artificial, necesitamos buenas combinaciones de input\/output<\/em> (que llamamos conjunto de datos de entrenamiento). Entonces, para trabajar con software moderno, debemos elegir este conjunto de datos de entrenamiento con cuidado, ya que la inteligencia artificial comienza a aprender de esto y comienza a crear relaciones basadas en lo que le entregamos. Adem\u00e1s, es importante monitorear c\u00f3mo est\u00e1 aprendiendo la IA a medida que brindamos diferentes conjuntos de datos de entrenamiento. Esto tambi\u00e9n ser\u00e1 vital para c\u00f3mo se probar\u00e1 el software. Todav\u00eda necesitamos de la participaci\u00f3n humana en el entrenamiento de la inteligencia artificial.<\/p>\n\n\n\n

Por \u00faltimo, es importante asegurarse de que, al trabajar con inteligencia artificial, los aspectos \u00e9ticos, de seguridad y de privacidad del software no se vean comprometidos. Todos estos factores contribuyen a una mejor capacidad de prueba del software. Tambi\u00e9n necesitamos humanos para esto.<\/p>\n\n\n\n

Continuaremos haciendo testing exploratorio manualmente, pero tambi\u00e9n usaremos IA para automatizar procesos. Al igual que las herramientas de automatizaci\u00f3n que no reemplazan las pruebas manuales, lo complementar\u00e1n.<\/p> Raj Subramanian, Tech Career Strategist, Autor & Keynote Speaker <\/cite><\/blockquote>\n\n\n\n

Entonces, contrariamente a la creencia popular, el panorama no es del todo “pesimista”; ser un humano real tiene sus ventajas.<\/p>\n\n\n\n

Por ejemplo, los testers humanos pueden improvisar y probar sin especificaciones escritas, diferenciar la claridad de la confusi\u00f3n y detectar cu\u00e1ndo el \u2018look and feel\u2019<\/em> de un componente on-screen<\/em> est\u00e1 \u2018off\u2019<\/em> o es incorrecto. El reemplazo completo de los testers manuales solo ocurrir\u00e1 cuando la inteligencia artificial exceda esas cualidades \u00fanicas del intelecto humano. Hay una gran cantidad de \u00e1reas que requerir\u00e1n testing en profundidad para garantizar la seguridad, la protecci\u00f3n y la precisi\u00f3n de toda la tecnolog\u00eda y las aplicaciones basadas en datos que se crean a diario.<\/p>\n\n\n\n

En este sentido, la utilizaci\u00f3n de la inteligencia artificial para el testing de software todav\u00eda est\u00e1 comenzando y tiene el potencial de tener un impacto enorme<\/strong>.<\/p>\n\n\n\n

\u00bfC\u00f3mo la Inteligencia Artificial est\u00e1 conformando el futuro?<\/strong><\/h2>\n\n\n\n
\"Futuro<\/figure><\/div>\n\n\n\n

Hemos discutido las diversas formas en que la inteligencia artificial influir\u00e1 en el campo del testing de software y ayudar\u00e1 a resolver algunos de los mayores desaf\u00edos respecto a la automatizaci\u00f3n de pruebas. En el futuro, la forma en que realizamos la automatizaci\u00f3n de pruebas cambiar\u00e1 significativamente en t\u00e9rminos de adoptar un enfoque m\u00e1s basado en riesgos para el testing de software.<\/p>\n\n\n\n

La inteligencia artificial tiene la capacidad de aprender de diferentes flujos de usuarios y crear casos de prueba basados \u200b\u200ben datos reales del usuario. Ya no tenemos que dedicar mucho tiempo a crear datos de prueba basados \u200b\u200ben usuarios de producci\u00f3n, ya que la Inteligencia artificial lo hace autom\u00e1ticamente por nosotros. Esto ayuda a aumentar la cobertura de las pruebas y hace que la pruebas automatizadas sean mucho m\u00e1s efectivas, ya que se han creado bas\u00e1ndose en flujos de usuarios reales.<\/p>\n\n\n\n

Reemplazar los localizadores est\u00e1ticos por localizadores din\u00e1micos har\u00e1 que las pruebas sean m\u00e1s estables y, como resultado de esto, la creaci\u00f3n y ejecuci\u00f3n de las pruebas ser\u00e1 mucho m\u00e1s r\u00e1pida. Por ejemplo, digamos que tenemos un bot\u00f3n “Pagar” y cambiamos su nombre a “Comprar”, las pruebas que hubieran fallado antes debido al uso de un solo atributo para ubicar el elemento ya no fallar\u00e1n porque comenzaremos a usar localizadores din\u00e1micos, y a hacer uso de m\u00faltiples atributos para el mismo elemento. Incluso si el nombre del bot\u00f3n cambi\u00f3, la inteligencia artificial ir\u00e1 al siguiente mejor atributo para ubicar el elemento en la p\u00e1gina en lugar de invalidar las pruebas. Esto ahorra una cantidad considerable de tiempo en el mantenimiento de las pruebas automatizadas.<\/p>\n\n\n\n

Adem\u00e1s, cuantas m\u00e1s pruebas ejecuta el usuario, m\u00e1s datos recopila la inteligencia artificial sobre la pruebas y m\u00e1s estables se vuelven las mismas durante un per\u00edodo de tiempo. Por ejemplo, en funci\u00f3n del n\u00famero de ejecuciones de prueba, la inteligencia artificial puede comenzar a optimizar los tiempos de espera en las pruebas para adaptarse a los diferentes tiempos de carga de la p\u00e1gina en la aplicaci\u00f3n.<\/p>\n\n\n\n

Finalmente, la automatizaci\u00f3n de pruebas ya no es una tarea centrada en el desarrollador.<\/p>\n\n\n\n

Gracias a la IA, todos los miembros del equipo pueden participar en la elaboraci\u00f3n de pruebas automatizadas, ya que su creaci\u00f3n y ejecuci\u00f3n se vuelven realmente simples.<\/p> Raj Subramanian, Tech Career Strategist, Autor & Keynote Speaker <\/cite><\/blockquote>\n\n\n\n

Los usuarios pueden registrar las pruebas por su cuenta y tambi\u00e9n utilizar las pruebas que la inteligencia artificial crea autom\u00e1ticamente, para crear conjuntos de pruebas automatizadas eficaces. De esta manera, incluso las personas sin conocimientos t\u00e9cnicos, pueden crear y aumentar la cobertura de las pruebas de software.<\/p>\n\n\n\n

Conclusi\u00f3n<\/strong><\/h2>\n\n\n\n

Pese al constante progreso que se est\u00e1 logrando con la inteligencia artificial, la verdad es que imitar el cerebro humano no es una tarea f\u00e1cil. Los seres humanos somos los usuarios de las aplicaciones y las innovaciones tecnol\u00f3gicas que se est\u00e1n creando y hay que tener en cuenta que, el entendimiento, la creatividad y la contextualizaci\u00f3n humana, son rasgos necesarios para asegurar un producto de calidad. Dicho esto, las pruebas manuales siguen siendo esenciales y deber\u00edan complementar la automatizaci\u00f3n y la inteligencia artificial<\/strong>. Son funciones distintas y diferentes que, en lugar de ser comparadas, deben apalancarse de acuerdo con sus respectivas fortalezas.<\/p>\n\n\n\n

En lugar de que las soluciones de la IA reemplacen a los equipos de control de calidad, la inteligencia artificial puede aumentar la cobertura de las pruebas de software.<\/p> Raj Subramanian, Tech Career Strategist, Autor & Keynote Speaker <\/cite><\/blockquote>\n\n\n\n

Lo que est\u00e1 claro es que los l\u00edderes en la industria de la tecnolog\u00eda continuar\u00e1n disolviendo fronteras, descubriendo e innovando con el machine learning y la inteligencia artificial.<\/p>\n\n\n\n

A medida que los equipos de control de calidad contin\u00faan adoptando la automatizaci\u00f3n y dan la bienvenida a la IA en sus pr\u00e1cticas de testing de software, los resultados contribuir\u00e1n a nuevas soluciones y formas de trabajar, reinventando lo que es posible.<\/p>\n\n\n\n

\n\n\n\n

Sobre el Autor<\/strong><\/h3>\n\n\n\n
\"Raj<\/figure><\/div>\n\n\n\n

Raj Subramanian es un ex desarrollador que pas\u00f3 al \u00e1rea de testing para centrarse en su pasi\u00f3n. Raj trabaj\u00f3 como desarrollador evangelista para Testim.io, y contribuye activamente a la comunidad de pruebas al participar como Speaker en conferencias, escribir art\u00edculos y publicar frecuentemente en su canal de YouTube. Actualmente reside en Chicago y se puede seguirlo en Twitter<\/a>, leer sus blogposts en Testim.io<\/a> y en su web personal<\/a>. Asimismo, sus videos sobre testing, liderazgo y productividad se pueden encontrar en su canal ChaiLatte Consulting<\/a>.<\/p>\n\n\n\n

\n\n\n\n

Otros contenidos relacionados<\/h3>\n\n\n\n

World Quality Report 2021: lo m\u00e1s destacado<\/a><\/p>\n\n\n\n

4 desaf\u00edos comunes de la Automatizaci\u00f3n de Pruebas: \u00bfc\u00f3mo enfrentarlos?<\/a><\/p>\n\n\n\n