Deepdive AI

Ga mee op AI-ontdekkingsreis voor Quality Engineering & Testing

Wat zijn de mogelijkheden van GeneratieveAI (GenAI) voor Quality Engineering & Testing? Antoine Aymer (Gobal CTO voor QE & Testing bij Sogeti) en Wouter Ruigrok (Quality Coach TMAP bij Sogeti) hebben zich in het afgelopen half jaar over deze vraag gebogen. In deze blog lees je hun voornaamste bevindingen.

Generative AI

Als mens zijn we gefascineerd door het onbekende, zoals de diepzeewereld. Ondanks alle onderzoeken en duikpogingen, is dit nog steeds grotendeels onbekend terrein. Zo is momenteel slechts 25 procent van de oceaanbodem in kaart gebracht”, zegt Antoine Aymer. “Generative AI heeft één duidelijke overeenkomst met diepzeeduiken. Ook deze technologie is nog een grote onbekende voor ons die we momenteel aan het ontdekken zijn.” Bij deze ontdekkingsreis is waakzaamheid geboden. “Generative AI, zoals oplossingen op basis van Large Language Models, creëert nieuwe content… maar deze content is niet per definitie waar. Daarom moeten we de output van GenAI niet als kennissysteem gebruiken en er zeker niet blind op vertrouwen”, vult Wouter Ruigrok aan. “Werken met GenAI vraagt dus om een kritische blik, zeker van Quality Engineers, voor wie kwaliteit meer betekent dan voor een gemiddelde professional.”

Twee aandachtspunten

Naast een kritische blik op de resultaten van GenAI en Large Language Models, moeten Quality Engineers in hun AI-ontdekkingsreis ook letten op twee andere zaken. Antoine Aymer: “Ten eerste heb je geen garantie op kwaliteit en consistentie. Als ik een prompt invoer, kan ik een andere uitkomst krijgen dan mijn collega. Ten tweede moeten we ons beseffen dat er nog veel onbekend is over het toepassen van GenAI bij Quality Engineering & Testing.”

GenAI use cases

Op het gebied van GenAI en Quality Engineering & Testing is niet alles onbekend terrein. “Zo zijn er al een aantal use cases, bijvoorbeeld voor de toepassing van GenAI in test design, test strategy en test analysis”, licht Antoine Aymer toe. Sogeti deed onderzoek en kwam uiteindelijk tot meer dan twintig use cases. Deze werden in een diagram geordend volgens hun potentiële productiviteitsimpact op de verticale en implementatietijd op de horizontale as. Ook is in het diagram aangegeven wat de omvang van een project is en of het op een public, private of enterprise platform moet worden geïmplementeerd. Het valt op dat de meeste waarde bij deze cases zit in ‘Requirement analysis and validation’, ‘(Security) test case generation, ‘(Performance) test scenario generation and optimization’,’Performance test analysis en ‘Test environment configuration and setup’.

“In mijn duik in de wereld van Quality Engineering & Testing in combinatie met GenAI, kom ik telkens weer dezelfde term tegen: vertrouwen”, zegt Antoine Aymer. “Het belang van vertrouwen komt tot uiting in twee aspecten. Hoe kan ik experimenteren zonder mijn data bloot te stellen? En hoe doe ik dat op een efficiënte manier?” Als je deze twee zaken op orde hebt, kan GenAI de grootste impact maken. “Dan zal GenAI de manier waarop we bezig zijn met Quality Engineering & Testing pas echt gaan veranderen”, zegt Wouter Ruigrok. “De productiviteit zal toenemen en GenAI zal een standaard gereedschap worden in de tas van een Quality Engineer, waarbij het belangrijk is om als mens aan het stuur te blijven. Testdata creëren, testgevallen maken of automation scripts schrijven; het zijn allemaal taken die een stuk sneller gaan, mits je weet wat je nodig hebt en wat een goed resultaat is. Kortom, het belang van vakkennis wordt alleen maar relevanter bij het gebruik van GenAI. AI zelf gaat jouw plek niet overnemen maar iemand die AI gebruikt wel.”

GenAI gaat de manier waarop we bezig zijn met Quality Engineering & Testing radicaal veranderen. Hierbij is het cruciaal om de kansen en risico's goed te kennen. Daarnaast moet je begrijpen dat het hierdoor nog belangrijker is dat GenAI ingezet wordt door mensen die verstand hebben van Quality Engineering.
 

Kan ik je helpen?