Prácticas inteligentes enfocadas a la automatización de pruebas

Teniendo en cuenta el aumento de las capacidades tecnológicas y las nuevas posibilidades que ofrece el mercado, la cantidad de entornos y procedimientos de software complejos es cada vez mayor, lo que hace que este software sea más vulnerable y propenso a fallar antes de que pueda ponerse en producción. Esto se debe principalmente a que muchas empresas tecnológicas aún no cuentan con los recursos humanos y financieros necesarios para gestionar todo el proceso de testing y control de calidad, además del mantenimiento de los procesos puestos en producción hasta la fecha.

Por lo tanto, JanIA propone dar una solución a todos estos nuevos problemas emergentes, abordando particularmente la reducción del número de incidencias de los sistemas en producción, la reducción de los costos de mantenimiento del software y el tiempo de comercialización de la aplicación. Todo ello basado en una gestión de riesgos de software eficaz y eficiente y un seguimiento de las operaciones de testing que son elementos clave en cualquier proyecto de software.

En cuanto a la aplicación de JanIA en un proyecto real, en primer lugar, se realizó una POC para evaluar la viabilidad de la solución. Para ello, primero se establecieron los resultados a obtener, se evaluó la cantidad y calidad de los datos disponibles y se definió un criterio de éxito. Posteriormente, se demostró la validez del método entrenando y ajustando algunos de los modelos de IA, y los resultados se acompañaron de un cuadro de mando.

En particular para este proyecto se plantearon dos casos de uso principales: el primero consiste en predecir el resultado de las pruebas realizadas en preproducción a los aplicativos con el fin de reducir el número de pruebas innecesarias y plantear un escenario de prioridades entre aquellas que sí lo son. Por otro lado, se predice el comportamiento de estos aplicativos en producción, en temas de rendimiento  especialmente. Para ello, se basa en el registro histórico de pruebas anteriores junto con el análisis de calidad de código estático y una serie de datos generados por los propios procesos en producción, como por ejemplo métricas sobre el tiempo de respuesta o los errores por petición.

      En la presentación tratamos de mostrar estos casos de uso siguiendo una línea común: objetivos, datos de entrada y salida, modelos  entrenados, resultados y conclusiones.