Благодаря внедрению подходов к обеспечению качества с использованием искусственного интеллекта нам удалось сократить объем ручного регрессионного тестирования примерно в 3 раза и уменьшить среднее время выполнения одного теста в 2 раза. Высвободившиеся ресурсы были направлены на тестирование новых функций продукта.
Руководитель отдела тестирования в a1qa

Клиент — международная компания в области кибербезопасности, предоставляющая платформу комплексной защиты с управлением через единую консоль.

Компания обратилась в a1qa, чтобы высвободить ресурсы команды обеспечения качества для тестирования новых функций и поддержать рост бизнеса без замедления выпуска релизов, обусловленного увеличением объема регрессионных проверок.

Кейс демонстрирует, как применение AI в QA и автоматизации тестирования помогает сокращать затраты на поддержку регрессионного покрытия без увеличения численности команды.

Задача

Объединение множества функциональных областей в единой консоли продукта приводило к постоянному росту объема регрессионного тестирования. Требовалось снизить затраты на его поддержание, сохранив полноту и глубину покрытия, и одновременно обеспечить достаточные ресурсы для проверки новых функций, внедрение которых происходило все более высокими темпами.

Сегодня искусственный интеллект активно применяется в обеспечении качества программного обеспечения. AI-инструменты используются для генерации тестов, анализа дефектов, оптимизации регрессионного покрытия и ускорения циклов тестирования. В данном кейсе рассмотрим, как внедрение пяти AI-инициатив помогло снизить затраты на регрессионное тестирование и повысить эффективность QA-команды.

Проект реализовывался поэтапно — от пилотного запуска к полномасштабному внедрению. Каждый этап масштабировался только после подтверждения измеримого эффекта.

Работа велась по гибкой методологии с интеграцией QA-специалистов в процесс разработки продукта.

Команда a1qa, состоящая из 5 экспертов по обеспечению качества, работала совместно с командой клиента:

• 2 инженера по автоматизации тестирования
• 2 инженера по искусственному интеллекту
• 1 руководитель отдела тестирования

Можно ли сократить затраты на регрессионное тестирование в несколько раз без расширения команды QA?

Для международной компании из сферы кибербезопасности ответ оказался положительным. За счет внедрения пяти инициатив на базе искусственного интеллекта удалось сократить объем ручной регрессии более чем в три раза, ускорить выполнение тестов и направить высвободившиеся ресурсы на проверку новых функций продукта.

Ключевые инициативы с применением ИИ

1. Генерация пользовательских тестов с помощью ИИ

Ручное написание тестов было заменено организованным процессом с участием ИИ-агентов:

• первый агент анализирует требования и формирует тестовые сценарии;
• второй агент анализирует пользовательский интерфейс приложения и сопоставляет реальные элементы системы с тестовыми сценариями;
• третий агент объединяет результаты, исключает дублирование и формирует готовый код тестов, который можно запускать практически сразу после генерации.

2. Генерация API‑тестов с применением искусственного интеллекта

Заранее заданная структура среды разработки организует проект по предметным областям, а правила приемки формулируются таким образом, чтобы быть понятными как интеллектуальным моделям, так и инженерам. При добавлении нового теста система автоматически определяет нужную предметную область, использует существующие шаблоны и добавляет необходимые компоненты тестовой инфраструктуры.

Инженер в этом процессе выполняет проверку и отладку конкретной функции, а не занимается написанием теста полностью с нуля.

3. Анализ сбоев тестов с использованием ИИ

Ранее анализ каждого сбоя требовал ручной обработки журналов и определения первопричины. В новой модели информация о сбое автоматически передается интеллектуальной системе, которая собирает контекст, классифицирует проблему и формирует структурированный отчет для дальнейшей работы.

4. Управление регрессионным покрытием с помощью ИИ

За счет сочетания выявления пробелов в покрытии тестами и риск-ориентированного отбора команда смогла определить, какие ручные регрессионные тесты действительно необходимы в каждом цикле, а какие можно автоматизировать или исключить.

Это позволило сократить количество ручных тестов, выполняемых в каждом цикле регрессионного тестирования, примерно со 185 на момент внедрения решений до 78 к финальному отчетному периоду. Таким образом, объем был уменьшен почти в 3 раза.

5. Планирование регрессионных циклов

Команда пересмотрела подход к планированию регрессионного тестирования, используя данные, полученные в рамках перечисленных инициатив. Объем тестирования стал определяться фактическими рисками, связанными с изменениями продукта, вместо поддержания фиксированного набора устаревших тестовых сценариев.