નફો:
- QA પ્રક્રિયામાં આર્ટિફિશિયલ ઇન્ટેલિજન્સ ક્યાં વાસ્તવિક સમય બચાવે છે અને જ્યાં 'પ્રકાશન માટે તૈયાર' જેવા ગુણવત્તાયુક્ત નિર્ણયો માનવો પર છોડી દેવામાં આવે છે, તે કાર્યના જોખમના સ્તરને આધારે પારખવામાં સક્ષમ હોવું.
- ખોટા પાસના જોખમને ઓળખવાની અને એક ચકાસણી શિસ્ત અમલમાં મૂકવાની ક્ષમતા જે કોડને જાણી જોઈને તોડીને દરેક AI પરીક્ષણનું પરીક્ષણ કરે છે
- પરીક્ષણ ડેટા, વ્યક્તિગત ડેટા અને કીઝનું રક્ષણ કરવાની ક્ષમતા અને માત્ર અધિકૃતતામાં અને રક્ષણાત્મક હેતુઓ માટે સુરક્ષા પરીક્ષણ કરવાની આદત કેળવવી.
પ્રકાશન રાત્રિનો વિચાર કરો. સેંકડો પરીક્ષણો ચલાવવામાં આવ્યા, તે બધાને લીલીઝંડી મળી, ટીમને રાહત મળી અને સૉફ્ટવેર લાઇવ થયું. બીજા દિવસે સવારે, ગ્રાહકે જાણ કરી કે પેમેન્ટ સ્ક્રીન ક્રેશ થઈ ગઈ છે. પરીક્ષણો લીલા હતા પરંતુ તેમણે ભૂલ જોઈ ન હતી. ગુણવત્તા ખાતરી (QA) વ્યવસાયનું આ સૌથી કપટી દુઃસ્વપ્ન છે, એટલે કે, તે શિસ્ત કે જે વ્યવસ્થિત રીતે ખાતરી કરે છે કે સોફ્ટવેર ઇચ્છિત ગુણવત્તાનું છે: પરીક્ષણ જે લીલો ચમકે છે પરંતુ વાસ્તવમાં કંઈપણ પુષ્ટિ કરતું નથી. જ્યારે આર્ટિફિશિયલ ઈન્ટેલિજન્સ (AI — સોફ્ટવેર કે જે ઐતિહાસિક ડેટામાંથી પેટર્ન કાઢે છે અને ટેક્સ્ટ અને કોડ જનરેટ કરે છે) આ વ્યવસાયમાં પ્રવેશ કરે છે, ત્યારે આ દુઃસ્વપ્નનું એક વિશાળ પ્રવેગ અને વિસ્તૃતીકરણ બંને છે. આ મોડ્યુલનું પ્રારંભિક વચન સ્પષ્ટ છે: AI એ પરીક્ષણ સહાયક, બ્લુપ્રિન્ટ જનરેટર અને આઈડિયા ગુણક છે; તમે પરીક્ષક છો જે "શું આ સોફ્ટવેર રિલીઝ માટે તૈયાર છે" નિર્ણય પર સહી કરે છે.
આ પ્રથમ એકમમાં આપણે શિસ્ત પર ધ્યાન કેન્દ્રિત કરીશું, સાધન પર નહીં. તમે શીખી શકશો કે QA પ્રક્રિયામાં AI વાસ્તવિક સમય ક્યાં બચાવે છે, તે ક્યાં જોખમી છે, શા માટે ભ્રામક લીલો કહેવાતા "ફોલ્સ-પાસ" સૌથી મોટું જોખમ છે, દરેક આઉટપુટને કેવી રીતે ચકાસવું અને તમે કયા ટૂલને કયો ડેટા આપી શકો છો. આ પાયો નાખ્યા વિના, અનુગામી એકમો હવામાં રહેશે.
પરીક્ષણ પ્રક્રિયામાં AI ક્યાં કામમાં આવે છે?
ચાલો ટેસ્ટીંગ જોબને બે મોટા ક્લસ્ટરમાં વિભાજીત કરીએ. પ્રથમ ક્લસ્ટર: પુનરાવર્તિત, ઉત્પાદક, ડ્રાફ્ટ જોબ્સ. આવશ્યકતામાંથી ટેસ્ટ કેસનો મુસદ્દો તૈયાર કરવો, બ્રેકપોઇન્ટ્સની યાદી બનાવવી, સ્ક્રીન માટે ઓટોમેશન કોડ હાડપિંજર લખવું, જટિલ ભૂલના કેસને સુઘડ ભૂલ અહેવાલમાં અનુવાદિત કરવું, લોગ ફાઇલોની સેંકડો લાઇનોનો સારાંશ આપવો, API પ્રતિસાદમાંથી સ્કીમા કાઢવા. આ કાર્યોમાં, AI મિનિટથી સેકંડ સુધી ઘટાડે છે અને થાકતો નથી.
બીજું ક્લસ્ટર: નિર્ણયો જેના પરિણામ ગુણવત્તા, વિશ્વાસ અને જવાબદારી છે. "શું આ સંસ્કરણ લાઇવ થઈ શકે છે", "શું આ બગ ગંભીર છે અથવા તેને મુલતવી રાખી શકાય છે", "શું આ પરીક્ષણ કવરેજ પૂરતું છે", "શું આ દૃશ્ય વાસ્તવિક વપરાશકર્તા જોખમને પકડે છે" વગેરે જેવા નિર્ણયો માટે સંદર્ભ, ઉત્પાદન જ્ઞાન અને જવાબદારીની જરૂર છે. અહીં AI વિકલ્પો, ડ્રાફ્ટ્સ જનરેટ કરે છે - પરંતુ તમે "પાસ/ફેલ" અને "ગો/નો ગો" નક્કી કરો છો.
ચાલો એક વાક્યમાં ભેદ સ્પષ્ટ કરીએ: AI એ "કઈ પરિસ્થિતિઓમાં પરીક્ષણ કરી શકાય છે અને તેને પરીક્ષણ કરતા કોડ કેવી રીતે લખવો" પર મજબૂત છે; "શું આ સોફ્ટવેર ખરેખર કામ કરે છે અને તેના માટે કોણ સમર્થન આપે છે?" પ્રશ્ન આવે ત્યારે નિર્ણય તમારો છે.
ટીપ: AI ને નોકરી સોંપતા પહેલા, પૂછો: "જો આ આઉટપુટ ખોટું હોય અને મને ધ્યાન ન આવે તો શું થશે?" જો જવાબ "હું થોડી મિનિટો ગુમાવીશ", તો સરળતાથી પ્રતિનિધિત્વ કરો. જો જવાબ "ખોટી સોફ્ટવેર ગોઝ લાઇવ" છે, તો AI ને ડ્રાફ્ટ બનાવવા દો અને તમે નિર્ણય અને ચકાસણી કરો.
ખોટા પાસ: QA માં AI નું નંબર વન જોખમ
જ્યારે ટેસ્ટ લીલો દેખાય છે, ત્યારે તેનો અર્થ બે બાબતો હોઈ શકે છે: કાં તો સોફ્ટવેર વાસ્તવમાં યોગ્ય રીતે કામ કરી રહ્યું છે, અથવા તે બગ જોઈ રહ્યું નથી કારણ કે ટેસ્ટ ખોટી રીતે લખવામાં આવ્યો હતો. બીજાને ખોટો પાસ કહેવામાં આવે છે - પરીક્ષણ "પાસ" કહે છે પરંતુ વાસ્તવમાં કંઈપણ પુષ્ટિ કરતું નથી. AI સાથે ઉત્પાદિત પરીક્ષણોમાં આ જોખમ નોંધપાત્ર રીતે વધે છે, કારણ કે AI અસ્ખલિત, સરળ દેખાતા પણ ખાલી પરીક્ષણો લખવામાં ખૂબ જ સફળ છે.
સ્યુડો-પાસના ત્રણ સૌથી સામાન્ય સ્વરૂપો છે: (1) નિવેદન વિના પરીક્ષણ - કોડ ચાલે છે, તેમાં કોઈ દાવા નથી, હંમેશા પાસ થાય છે. (2) સ્વ-ચકાસણી પરીક્ષણ - પરીક્ષણની અપેક્ષિત કિંમત પરીક્ષણ હેઠળના કોડના આઉટપુટમાંથી ગણવામાં આવે છે; એટલે કે, જે પણ કોડ ઉત્પન્ન કરે છે, પરીક્ષણ "સાચું" તરીકે સ્વીકારે છે. (3) કસોટી કે જે ખોટી વસ્તુની ચકાસણી કરે છે — દાવો અસ્તિત્વમાં છે, પરંતુ તે કંઈક તુચ્છ તપાસે છે (દા.ત. "પ્રતિસાદ નલ નથી"), વાસ્તવિક વ્યવસાય નિયમ નહીં.
સાવધાન: ગ્રીન ટેસ્ટ પેનલ ગુણવત્તાનો પુરાવો નથી; શ્રેષ્ઠ રીતે તે કહે છે કે "અમે લખેલા નિયંત્રણો અત્યારે તૂટેલા નથી". AI દ્વારા ઉત્પાદિત પરીક્ષણ પર "પાસ" જોઈને દિલાસો ન મેળવો - વાસ્તવિક પ્રશ્ન એ છે: જો હું જાણીજોઈને કોડ તોડીશ તો શું આ પરીક્ષણ લાલ થઈ જશે? જો તે ફરતું નથી, તો તે કસોટી શણગાર છે.
સુવર્ણ નિયમ જે આ મોડ્યુલ દરમિયાન પુનરાવર્તિત થાય છે: કોડને જાણી જોઈને તોડીને દરેક AI પરીક્ષણનું પરીક્ષણ કરો. જો ટેસ્ટ હજુ પણ લીલો છે, તો તે ટેસ્ટ કામ કરતું નથી. (અમે એકમ 10 માં પરિવર્તન પરીક્ષણ તરીકે આ વિચારને વધુ ઊંડો કરીશું.)
ચકાસણી શિસ્ત: ત્રણ પગલાં
AI આત્મવિશ્વાસ સાથે બોલે છે; તેનો અર્થ એ નથી કે તે સાચું છે. દરેક પરિણામને લાગુ કરવા માટે ત્રણ-પગલાની રીફ્લેક્સ વિકસાવો:
- તેને જરૂરિયાત પ્રમાણે બાંધો. દરેક ટેસ્ટ કેસ અને ભારપૂર્વક જણાવે છે કે AI ઉત્પન્ન કરે છે તે વાસ્તવિક જરૂરિયાત અથવા સ્વીકૃતિ માપદંડ પર આધારિત હોવું જોઈએ (શરતો કે જે નોકરીને "પૂર્ણ" ગણવામાં આવે તે માટે પૂરી કરવી આવશ્યક છે). "આ દૃશ્ય કયા નિયમની પુષ્ટિ કરે છે?" પૂછો
- લાલ જુઓ. કોડને તોડીને એકવાર જનરેટ કરેલ ટેસ્ટ ચલાવો. જો તે લાલ ન થાય, તો પરીક્ષણ અમાન્ય છે. AI પરીક્ષણમાં આ બિન-વાટાઘાટ કરી શકાય તેવું પગલું છે.
- તેને સંદર્ભ ફિલ્ટરમાંથી પસાર કરો. શું આઉટપુટ તમે જાણો છો તે ઉત્પાદન વર્તન, આર્કિટેક્ચર, વાસ્તવિક વપરાશકર્તા પ્રવાહ સાથે મેળ ખાય છે? તમારું ડોમેન જ્ઞાન અંતિમ ફિલ્ટર છે.
ડેટા ગોપનીયતા અને સુરક્ષા: શું ક્યાં જાય છે?
પરીક્ષણ વાતાવરણમાં તમે જે ડેટા સાથે કામ કરો છો તે ઘણીવાર સંવેદનશીલ હોય છે: વાસ્તવિક ગ્રાહક રેકોર્ડ્સ, ઉત્પાદન ડેટાબેઝ નકલો, API કી, આંતરિક સિસ્ટમ સરનામાં, હજુ સુધી-જાહેરાત કરવાની સુવિધાઓ. એક સરળ વર્ગીકરણ કરો: ઓપન ડેટા (દસ્તાવેજીકૃત, સાર્વજનિક રૂપે ઉપલબ્ધ) કોઈપણ વાહન દાખલ કરી શકે છે. આંતરિક ડેટા (સ્રોત કોડ ટુકડાઓ, આંતરિક દસ્તાવેજીકરણ) માત્ર એજન્સી-મંજૂર સાધનો માટે. ગોપનીય ડેટા (વાસ્તવિક ગ્રાહક ડેટા, ઓળખની માહિતી, નબળાઈ વિગતો, કી) ફક્ત સંસ્થાના કરાર કરાયેલા સાધનોમાં પ્રવેશે છે, જેનો ડેટા મોડેલ તાલીમમાં જતો નથી, પ્રાધાન્યપણે માસ્ક કરેલ હોય છે.
સુરક્ષા પરીક્ષણના સંદર્ભમાં એક વધારાની મર્યાદા છે: આ મોડ્યુલમાં શીખેલી દરેક વસ્તુ રક્ષણાત્મક હેતુઓ માટે છે — તમારા પોતાના ઉત્પાદનની સુરક્ષાને અધિકૃત રીતે ચકાસવા માટે. પરવાનગી વિના કોઈ બીજાની સિસ્ટમમાં ઘૂસણખોરી કરવા, વાસ્તવિક નબળાઈઓને હથિયાર બનાવવા અથવા એવી સિસ્ટમનું પરીક્ષણ કરવા માટે AI નો ઉપયોગ કરવો કે જેના માટે તમારી પાસે કોઈ સત્તા નથી તે અનૈતિક અને ગુનાહિત બંને છે. અધિકૃતતા (અવકાશ અને પરવાનગી) વિના કોઈ અપમાનજનક પરીક્ષણ કરવામાં આવશે નહીં.
ટીપ: વાસ્તવિક ગ્રાહક ડેટાને બદલે કૃત્રિમ (કૃત્રિમ રીતે ઉત્પાદિત) પરીક્ષણ ડેટાનો ઉપયોગ કરો. AI ને "વાસ્તવિક પરંતુ સંપૂર્ણ કાલ્પનિક પરીક્ષણ ડેટા જનરેટ કરવા" પૂછવું એ બંને ગોપનીયતા જાળવી રાખે છે અને ધારના કેસોમાં વિવિધતા લાવે છે.
ત્રણ નાના કેસો
કેસ 1 - યોગ્ય જગ્યાએ સમય બચાવનાર. Ekomerce ટીમના પરીક્ષકે દરેક પ્રકાશન માટે 30-પૃષ્ઠ આવશ્યકતાઓ દસ્તાવેજમાંથી મેન્યુઅલી પરીક્ષણ દૃશ્ય બનાવવામાં 6 કલાક વિતાવ્યા. તેણે YZ ને દસ્તાવેજ (એક ભાગ જેમાં વેપાર રહસ્યો નહોતા) આપ્યા અને સંરચિત દૃશ્ય ડ્રાફ્ટ માટે કહ્યું; સમય ઘટાડીને 90 મિનિટ કરવામાં આવ્યો હતો. તેણે AI ચૂકી ગયેલા બિઝનેસ-રૂલ એજ કેસો ઉમેરીને પોતે વેરિફિકેશન કરવામાં બચેલો સમય ફાળવ્યો. AI એ પુનરાવર્તિત કાર્યને છીનવી લીધું, નિર્ણય માનવ પર છોડી દીધો.
કેસ 2 - નકલી પાસિંગ પકડાયો. એક ડેવલપર પાસે કમ્પ્યુટ ફંક્શન માટે AI રાઈટ 12 યુનિટ ટેસ્ટ હતા; તેઓ બધા લીલા હતા. પરીક્ષકે "લાલ જુઓ" પગલું અમલમાં મૂક્યું: ઇરાદાપૂર્વક કાર્યની અંદરના વધારાના ચિહ્નને ગુણાકારમાં બદલવું. 12 માંથી માત્ર 3 પરીક્ષણો જ લાલ આવ્યા. અન્ય 9 પરીક્ષણોએ કોઈ વાસ્તવિક પુષ્ટિ આપી નથી; તેણે ફક્ત કહ્યું કે "તે ભૂલ કરી નથી". 9 સુશોભન પરીક્ષણો કાઢી નાખવામાં આવ્યા હતા અને તેના બદલે 5 વાસ્તવિક પરીક્ષણો લખવામાં આવ્યા હતા.
કેસ 3 - ગોપનીયતા ભંગમાંથી પાછા ફરો. એક ઇન્ટર્નએ સાર્વજનિક ટૂલમાં પ્રોડક્શન ડેટાબેઝમાંથી વાસ્તવિક ગ્રાહક ઇમેઇલ્સ અને કાર્ડના છેલ્લા ચાર અંકો ધરાવતો એરર લોગ પેસ્ટ કર્યો અને કહ્યું "આ ભૂલ સમજાવો." QA નેતાએ દરમિયાનગીરી કરી: આ અંગત ડેટા નિયંત્રણની બહાર હતો અને KVKK (પર્સનલ ડેટા પ્રોટેક્શન લો)નું ઉલ્લંઘન હતું. આ જ કાર્ય સંસ્થા દ્વારા મંજૂર કરાયેલા વાહનમાં કરવામાં આવ્યું હતું, વ્યક્તિગત વિસ્તારોને માસ્ક કરીને અને માત્ર સ્ટેક ટ્રેસ છોડીને.
ચાર નકલ કરી શકાય તેવા નમૂનાઓ
1) નોકરીની યોગ્યતાનું મૂલ્યાંકન:
તમારી ભૂમિકા: વરિષ્ઠ QA નેતા. હું તમને એક પરીક્ષણ કામનું વર્ણન કરીશ. મને કહો (1) શું આ કાર્ય ડ્રાફ્ટિંગ/વિશ્લેષણ કાર્ય છે જે AI ને સુરક્ષિત રીતે સોંપી શકાય છે અથવા ગુણવત્તાયુક્ત નિર્ણય કે જે માનવે લેવો જોઈએ, (2) ખોટા આઉટપુટની સંભવિત કિંમત, (3) સોંપણી કરતા પહેલા મારે જે ચકાસણી કરવી જોઈએ. જોબ: [અહીં નોકરી દાખલ કરો]
2) સ્યુડો-પાસ નિયંત્રણ:
નીચેની કસોટી તપાસો. મને કહો:- આ પરીક્ષણ કયા વર્તનની પુષ્ટિ કરે છે? (એક વાક્ય)- હું ટેસ્ટ હેઠળ કોડને કેવી રીતે તોડી શકું જેથી ટેસ્ટ લાલ થઈ જાય?- શું એવી કોઈ નબળાઈ છે કે જેનાથી આ ટેસ્ટ હંમેશા પાસ થઈ શકે (ગુમ થયેલ દાવો, સ્વ-માન્યતા, તુચ્છ તપાસ)?પરીક્ષણ: [પરીક્ષણ અહીં પેસ્ટ કરો]
3) ટેસ્ટ ડેટા માસ્કિંગ નિયંત્રણ:
હું તમને જે લોગ/ડેટા આપીશ તેમાં વ્યક્તિગત અથવા ગોપનીય ક્ષેત્રો (ઈ-મેલ, નામ, કાર્ડ, કી, આંતરિક સરનામું) હોઈ શકે છે. પ્રથમ, ફીલ્ડ્સની યાદી આપો કે જેને માસ્ક કરવાની જરૂર છે; હું તેને માસ્ક કરીશ અને તેને ફરીથી મોકલીશ. જેમ છે તેમ તેનું વિશ્લેષણ કરશો નહીં.
4) સિન્થેટિક ટેસ્ટ ડેટા જનરેશન:
[નીચેની ફીલ્ડ સ્ટ્રક્ચર] માટે સંપૂર્ણપણે કાલ્પનિક, વાસ્તવિક પરીક્ષણ ડેટાની 20 પંક્તિઓ બનાવો. વાસ્તવિક વ્યક્તિ/સંસ્થાના ડેટાનો ઉપયોગ કરશો નહીં. એજ કેસ પણ શામેલ કરો: ખાલી જગ્યા, ખૂબ લાંબુ ટેક્સ્ટ, મર્યાદા મૂલ્યો, અમાન્ય ફોર્મેટ.
નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ
નબળા: "આ કોડ પર પરીક્ષણો લખો."
સશક્ત: "ડિસ્કાઉન્ટ ફંક્શન માટે આ લખો એકમ પરીક્ષણોની ગણતરી કરો. કાર્ય માટે સ્વીકૃતિ માપદંડ: 1000 TL પર 10% ડિસ્કાઉન્ટ, 5000 TL પર 20% ડિસ્કાઉન્ટ; નકારાત્મક રકમ ભૂલ થવી જોઈએ. દરેક પરીક્ષણ માટે તમે કયા નિયમને માન્ય કરી રહ્યાં છો તે ટિપ્પણી લાઇન સાથે સ્પષ્ટ કરો. મર્યાદા, 1900 100 મૂલ્યો, 9901 મૂલ્યો 5000.
શક્તિશાળી પ્રોમ્પ્ટ; તે સ્વીકૃતિ માપદંડો, મર્યાદા મૂલ્યો, માન્યતા અપેક્ષાઓ અને સ્પષ્ટ એન્ટી-સ્પૂફિંગ સૂચનાઓ પ્રદાન કરે છે. નબળા પ્રોમ્પ્ટ એઆઈને સુશોભન પરીક્ષણ લખવા માટે આમંત્રિત કરે છે.
સામાન્ય ભૂલો
- લીલા પર વિશ્વાસ. એમ વિચારીને પરીક્ષા પાસ કરવી એ સાબિતી છે. વાસ્તવિક પ્રશ્ન એ છે: જ્યારે તમે કોડ તોડશો ત્યારે શું તે લાલ થઈ જાય છે?
- કોઈપણ કારણ આપ્યા વગર ટેસ્ટની વિનંતી કરવી. શું ચકાસવાની જરૂર છે તે જાણ્યા વિના AI સામાન્ય, ઘણીવાર નકામી પરીક્ષણો ઉત્પન્ન કરે છે.
- ચકાસણી છોડવી. "એઆઈએ લખ્યું છે, તે કદાચ સાચું છે" એમ કહીને. જવાબદારી આઉટપુટનો ઉપયોગ કરનાર વ્યક્તિની છે.
- ટૂલમાં વાસ્તવિક/સંવેદનશીલ ડેટા પેસ્ટ કરવું. ઉત્પાદન ડેટા, કી અથવા વ્યક્તિગત ડેટા સાથે કામ કરવું.
- અનધિકૃત સુરક્ષા પરીક્ષણ. અવકાશ અને પરવાનગી વિના અપમાનજનક પરીક્ષણ કરવાનો પ્રયાસ.
- નિર્ણય લેવા માટે AI નો ઉપયોગ કરવો. પ્રશ્ન પૂછીને "શું આ સંસ્કરણ બહાર પાડી શકાય?" AI ને અને જવાબ સહી માં મૂકવો.
સારાંશમાં
AI એ QA પ્રક્રિયામાં એક શક્તિશાળી સહાયક છે જે પુનરાવર્તિત અને ઉત્પાદક કાર્યને વેગ આપે છે; પરંતુ ગુણવત્તાયુક્ત નિર્ણયની જવાબદારી માણસની છે. આ વ્યવસાયમાં AI નું પ્રથમ જોખમ સ્યુડો-પાસ છે: લીલા પરીક્ષણો જે સુઘડ દેખાય છે પરંતુ કંઈપણ પુષ્ટિ કરતા નથી. ઇરાદાપૂર્વક કોડ તોડીને દરેક AI પરીક્ષણનું પરીક્ષણ કરો; જો તે લાલ ન થાય, તો તે પરીક્ષણ શણગાર છે. તેને જરૂરિયાત સાથે બાંધો, લાલ જુઓ, તેને સંદર્ભ ફિલ્ટરમાંથી પસાર કરો. ગોપનીય ડેટાને માસ્ક કરો, માત્ર અધિકૃત અને રક્ષણાત્મક હેતુઓ માટે સુરક્ષા પરીક્ષણ કરો.
એપ્લિકેશન કાર્ય
તમારા પોતાના પ્રોજેક્ટમાંથી 5 AI-જનરેટેડ (અથવા AI-જનરેટેડ) યુનિટ ટેસ્ટ લો. દરેક માટે: (1) એક વાક્યમાં લખો કે તે કઈ વર્તણૂકની ચકાસણી કરે છે, (2) ઇરાદાપૂર્વક કોડને તોડો અને પરીક્ષણ હેઠળ ચલાવો અને નોંધો કે કેટલા લાલ થાય છે, (3) "સજાવટ પરીક્ષણો" તરીકે લાલ ન થતા હોય તેને ચિહ્નિત કરો અને તેમને વાસ્તવિક દાવો સાથે ફરીથી લખો. પરિણામને કોષ્ટકમાં મૂકો: પરીક્ષણનું નામ / નિયમ તે ચકાસાયેલ છે / શું તે તૂટી ગયું હતું ત્યારે / ક્રિયા.
ચેકલિસ્ટ
- [ ] કામ સોંપતા પહેલા, મેં પ્રશ્ન પૂછ્યો કે "જો તે ખોટું થશે તો હું શું ગુમાવીશ?"
- [ ] મેં કોડ તોડીને દરેક AI પરીક્ષણનું પરીક્ષણ કર્યું; મેં એકને બદલ્યું જે વાસ્તવિક પરીક્ષણ સાથે લાલ ન થયું.
- મેં પરીક્ષણના કેસોને વાસ્તવિક આવશ્યકતા/સ્વીકૃતિ માપદંડ સાથે જોડ્યા છે.
- [ ] મેં ટૂલને આપ્યા વિના સંવેદનશીલ/વાસ્તવિક ડેટાને ઢાંકી દીધો; જો શક્ય હોય તો મેં સિન્થેટિક ડેટાનો ઉપયોગ કર્યો.
- [ ] મેં સુરક્ષા પરીક્ષણને માત્ર સત્તાની અંદર અને રક્ષણાત્મક હેતુઓ માટે જ માન્યું છે.
- [ ] મેં "આવૃત્તિ બહાર પાડવામાં આવશે કે કેમ" નો નિર્ણય AI પર નહીં, મારા પર છોડી દીધો છે.