Künstliche Intelligenz (KI) hat die Qualitätssicherung verändert und wird sie auch weiterhin verändern, was bedeutet, dass wir als Tester darauf vorbereitet sein müssen. KI-gestützte Testtools werden sich wiederholende Aufgaben automatisieren, Probleme vorhersagen und die Effizienz sowie die Genauigkeit verbessern. Dadurch entsteht mehr Zeit für kreative Aufgaben, gleichzeitig werden jedoch neue Anforderungen an den Tester gestellt. Diejenigen, die in der Lage sind, mit KI-basierten Systemen zu arbeiten und von KI-gestützten Tests zu profitieren, werden gefragt sein. Bei der Testautomatisierung der Zukunft geht es nicht darum, Tester gegen KI antreten zu lassen, sondern vielmehr darum, wie man mithilfe von KI testet.
Hier sind einige Möglichkeiten, wie Tester in ihrer Arbeit von KI profitieren können.
Mit KI lassen sich Testfälle auf verschiedene Weise generieren; eine gängige Methode ist der Einsatz von maschinellem Lernen (ML). Maschinelles Lernen ist eine Form der KI, die es Computern ermöglicht, aus Daten zu lernen, ohne explizit programmiert zu werden. Im Testbereich kann maschinelles Lernen genutzt werden, um Erkenntnisse über die Software und ihr Verhalten zu gewinnen. Durch die Analyse des Codes kann KI potenzielle Fehlerquellen identifizieren. Diese Fehlerquellen können dann zur Generierung von Testfällen genutzt werden, die darauf ausgelegt sind, potenzielle Fehler zu finden, bevor sie auftreten.
Ein weiterer Zweig der KI, der es ermöglicht, die Interaktion zwischen Menschen und Computern so weit wie möglich der natürlichen Sprache anzupassen, ist die Verarbeitung natürlicher Sprache (Natural Language Processing, NLP). Der Einsatz von NLP bedeutet, dass Tester keine neuen Regeln oder Syntax für verschiedene Programmiersprachen lernen müssen. Die Erstellung und Pflege von Testskripten kann langwierig und zeitaufwendig sein, doch bei der skriptlosen Automatisierung mittels NLP werden die Skripte in natürlicher Sprache verfasst – ein Vorteil ist dabei die flache Lernkurve. Im Gegensatz zu den meisten Automatisierungstools, die Programmierkenntnisse in irgendeiner Form erfordern. Ein weiterer Vorteil ist das verbesserte Verständnis und die bessere Lesbarkeit, wodurch alle Rollen innerhalb des Teams die Testfälle bei Bedarf überprüfen können. Da einfaches Englisch verwendet werden kann, ist es jedem im Team möglich, Testfälle zu erstellen, und Produktverantwortliche oder Projektmanager können eingreifen und die Testabdeckung sowie die Qualität verbessern.
Durch die Analyse von Benutzerdokumentationen und Anforderungen kann KI potenzielle Benutzerszenarien identifizieren. Diese Benutzerszenarien können dann zur Generierung von Testfällen genutzt werden, die simulieren, wie Benutzer die Software nutzen werden. Da ML aus früheren Testläufen lernt, Ergebnisse analysiert und entscheidende Muster erkennt, wird es möglich sein, sich wiederholende oder weniger wichtige Testfälle zu identifizieren und die Testsuite zu verbessern.
Anforderungen wie die Gewährleistung einer einheitlichen Benutzererfahrung – unabhängig davon, ob ein Benutzer Firefox auf seinem Laptop oder Chrome auf seinem Smartphone nutzt – sind keine Seltenheit. Zudem wächst der Bedarf, dass Nutzer auf Anwendungen über verschiedene Geräte wie Tablets und Wearables zugreifen können. Für Tester kann dies eine unüberschaubare Anzahl von UI-Testfällen auf allen Browsern und Geräten bedeuten. Es ist unmöglich, hier Schritt zu halten, und der Einsatz visueller KI-Verifizierung kann eine geeignete Lösung darstellen.
Visuelle KI-Tests umfassen das Erstellen, Analysieren und Vergleichen von Bildern, um mögliche Änderungen der Pixelwerte – sogenannte „visuelle Unterschiede“ – zu erkennen. Zur Durchführung visueller Tests ist ein Test-Runner in Kombination mit einem Browser-Automatisierungs-Framework erforderlich, um das Nutzerverhalten nachzubilden. Zu festgelegten Zeitpunkten werden Screenshots aufgenommen und als erwartete Ergebnisse für spätere Vergleiche verwendet. Während des Testlaufs lösen mögliche Änderungen die Aufnahme eines Screenshots aus, der mit dem Referenzbild verglichen wird. Bei Abweichungen wird der Test als fehlgeschlagen markiert und ein automatischer Bericht zur Überprüfung durch die Qualitätssicherung erstellt.
KI-gestützte Testautomatisierung kann selbstheilend sein, was bedeutet, dass sie sich an Änderungen in der Software oder der Testumgebung anpassen kann, ohne dass ein manueller Eingriff erforderlich ist. Dies ist in agilen Entwicklungsumgebungen von großem Wert, in denen häufig Änderungen auftreten. Fehlgeschlagene Tests werden während des Testprozesses entdeckt, und viele scheitern aufgrund mangelhafter Wartung. Das bedeutet, dass die Qualitätssicherung Zeit mit der Behebung von Testfehlern verbringt, die stattdessen für die Behebung von Softwarefehlern genutzt werden könnte. Die manuelle Testpflege kann zudem die Produktentwicklung und -einführung verzögern. Selbstheilende Testautomatisierung reduziert (oder eliminiert sogar) die manuelle Testpflege. Dies führt zu weniger fehlgeschlagenen Tests und einer aktuelleren Übersicht über den Teststatus.
Allzu oft schlagen Tests aufgrund von Änderungen an Objekten oder deren Eigenschaften in der Benutzeroberfläche fehl. Hier kommt der KI-gestützte selbstheilende Ansatz zum Tragen. Objekte können auch nach einer Änderung ihrer Eigenschaften erkannt werden, wodurch die Notwendigkeit einer Skriptanpassung praktisch entfällt.
Anstatt den Test als fehlgeschlagen zu werten, passt die KI das Skript automatisch an die neuen Objekteigenschaften an. Die selbstheilende Funktion erfasst, wertet aus, wählt aus und bearbeitet das Skript bei Bedarf innerhalb von Bruchteilen einer Sekunde. Dies spart Zeit und fügt eine weitere Automatisierungsebene hinzu, um manuelle Eingriffe weiter zu reduzieren.
KI befindet sich in der Entwicklung und hat großes Potenzial, die „traditionellen“ Aufgaben des Testers wie das Erstellen, Ausführen und Pflegen von Testfällen zu übernehmen. KI ist in der Lage, große Datenmengen zu analysieren und umfassende Testszenarien zu liefern, die zu einer höheren Testabdeckung und einer besseren Erkennung potenzieller Fehler führen. Genauigkeit und Geschwindigkeit steigen, was zu weniger Fehlern und schnelleren Releases führt. Die neue Ära des KI-basierten Testens führt zu einer gesteigerten Produktivität und entlastet den Tester. In Zukunft werden Tester nicht mehr „nur“ Tester sein, sondern sich zu strategischen Denkern entwickeln, die sowohl die technischen Aspekte als auch die Anforderungen des Unternehmens tiefgreifend verstehen.
Es mag den Anschein haben, als würde der Tester in Zukunft ersetzt werden, doch die menschlichen Fähigkeiten sollten nicht unterschätzt werden. KI ist nur so gut wie die Daten, mit denen sie trainiert wurde, und kann menschliche Intuition oder Kreativität nicht ersetzen. Sicherlich ist sie vielversprechend, wenn es um die Automatisierung sich wiederholender Aufgaben geht, doch sie kann das kritische Denken und die Problemlösungsfähigkeiten des Testers nicht ersetzen. KI kann nicht die emotionale Intelligenz beisteuern, die erforderlich ist, um das Produkt aus der Perspektive des Nutzers zu verstehen und sich in dessen Erlebnis hineinzuversetzen. Diese Einschränkung bedeutet, dass der KI Fehler entgehen können, die sich negativ auf das Nutzererlebnis auswirken. Die Zukunft der Qualitätssicherung liegt darin, das richtige Gleichgewicht zwischen KI und menschlichem Testen zu finden, wobei KI-basierte Tools den Tester dabei unterstützen, Aufgaben effizienter und genauer zu erledigen. Tester, die bereit sind, sich mit KI auseinanderzusetzen und in KI-gestützte Testtools zu investieren, werden gut aufgestellt sein, um in der Zukunft der Testautomatisierung erfolgreich zu sein.