ટેસ્ટ દૃશ્ય અને ટેસ્ટ કેસ જનરેશન: જરૂરિયાતથી વ્યાપક નિયંત્રણ સુધી

નફો:

• કૃત્રિમ બુદ્ધિમત્તાના સમર્થન સાથે, સમાનતા વર્ગો, સીમા મૂલ્ય વિશ્લેષણ અને નિર્ણય કોષ્ટકો જેવી તકનીકો સાથે આવશ્યકતા અને સ્વીકૃતિ માપદંડને વ્યાપક પરીક્ષણ કેસોમાં પરિવર્તિત કરવાની ક્ષમતા
• પોઝિટિવ, નેગેટિવ અને એજ કેસ દૃશ્યોને અલગથી બનાવવાની ક્ષમતા અને ઉત્પાદનની માહિતી સાથે આર્ટિફિશિયલ ઇન્ટેલિજન્સ દ્વારા ચૂકી ગયેલા કિસ્સાઓને પૂર્ણ કરવાની ક્ષમતા
• પરીક્ષણના કેસોને સ્વીકૃતિ માપદંડ સાથે જોડીને ટ્રેસેબિલિટી સ્થાપિત કરવાની અને કવરેજ ગેપ અને બિનજરૂરી બ્લોટને દૂર કરવાની ક્ષમતા

પરીક્ષકનું કામ ઘણીવાર આ ખાલી સ્લેટથી શરૂ થાય છે: તેની પાસે એક આવશ્યકતા છે ("વપરાશકર્તાએ તેનો પાસવર્ડ રીસેટ કરવા માટે સક્ષમ હોવા જોઈએ") અને તેણે આ એક વાક્યને ડઝનેક નક્કર તપાસમાં ફેરવવાની જરૂર છે જે સાબિત કરશે કે સોફ્ટવેર ખરેખર યોગ્ય રીતે કાર્ય કરે છે. આ પરિવર્તનને ટેસ્ટ ડિઝાઇન કહેવામાં આવે છે. પરીક્ષણ દૃશ્ય વચ્ચેના તફાવતને જાણવું — એક ઉચ્ચ-સ્તરનો ઉદ્દેશ્ય જેનું વર્ણન કરે છે કે શું પરીક્ષણ કરવું જોઈએ, જેમ કે "અમાન્ય પાસવર્ડ નકારી કાઢવો જોઈએ" — અને ટેસ્ટ કેસ — એક એક્ઝિક્યુટેબલ યુનિટ કે જે નક્કર પગલાં, ઇનપુટ અને અપેક્ષિત પરિણામ સાથેના દૃશ્યની વિગતો આપે છે તે મુખ્ય છે. આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) આ ખાલી પૃષ્ઠ ક્ષણને વેગ આપે છે: એક જરૂરિયાતને સેકંડમાં ડઝનેક ડ્રાફ્ટ દૃશ્યોમાં ફેરવે છે. પરંતુ યાદ રાખો - AI એ પ્રતિકૃતિ બનાવે છે કે તમે કઈ પરિસ્થિતિઓ વિશે વિચારી શકો છો; તમે તમારા ઉત્પાદન જ્ઞાન સાથે પસંદ કરો કે કઈ પરિસ્થિતિઓ ખરેખર મહત્વપૂર્ણ છે.

આ એકમમાં, તમે પગલું-દર-પગલાં શીખી શકશો કે કેવી રીતે જરૂરિયાતને AI સપોર્ટ સાથે વ્યાપક પરંતુ ક્લટર-ફ્રી ટેસ્ટ સ્યુટમાં ફેરવવી.

સ્ટેપ બાય સ્ટેપ: જરૂરિયાતથી ટેસ્ટ સેટ સુધી

પગલું 1 - જરૂરિયાત સ્પષ્ટ કરો. AI ને કાચી આવશ્યકતા આપતા પહેલા સ્વીકૃતિ માપદંડ (જોબને "પૂર્ણ" ગણવામાં આવે તેવી શરતો પૂરી કરવી આવશ્યક છે) એકત્રિત કરો. "પાસવર્ડ રીસેટેબલ હોવો જોઈએ" પૂરતું નથી; "રીસેટ લિંક 30 મિનિટ માટે માન્ય છે", "સમાન પાસવર્ડનો ફરીથી ઉપયોગ કરી શકાતો નથી" જેવા નિયમો વાસ્તવિક પરીક્ષણના સ્ત્રોત છે.

પગલું 2 - પરીક્ષણ તકનીકોનો અમલ કરો. AI વિશે ફક્ત "એક સ્ક્રિપ્ટ લખો" એમ ન કહો; નામ દ્વારા ક્લાસિક ટેસ્ટ ડિઝાઇન તકનીકો માટે પૂછો:

• સમાનતા વર્ગો (સમાનતાનું વિભાજન): ઇનપુટ્સને જૂથોમાં વિભાજીત કરવા કે જે સમાન વર્તન ઉત્પન્ન કરે તેવી અપેક્ષા છે. ઉદાહરણ તરીકે, વય ક્ષેત્ર માટે, "માન્ય શ્રેણી", "ખૂબ નાની" અને "ખૂબ મોટી" વર્ગો છે; દરેક વર્ગમાંથી એક ઉદાહરણનું પરીક્ષણ કરવું પૂરતું છે.
• બાઉન્ડ્રી વેલ્યુ વિશ્લેષણ: સીમાઓ પર મોટાભાગે ભૂલો થાય છે તે હકીકતના આધારે થ્રેશોલ્ડ મૂલ્યોનું પરીક્ષણ. તે 18 વર્ષની વય મર્યાદા માટે અલગથી 17, 18, 19નું પરીક્ષણ કરવા જેવું છે.
• નિર્ણય કોષ્ટક: બહુવિધ પરિસ્થિતિઓ અને દરેક સંયોજનના અપેક્ષિત પરિણામના ટેબ્યુલેટીંગ સંયોજનો.
• રાજ્ય સંક્રમણ: રાજ્યથી રાજ્યમાં સિસ્ટમના સંક્રમણોનું પરીક્ષણ (ઉદાહરણ તરીકે, ઓર્ડર: બનાવાયેલ → ચૂકવેલ → મોકલેલ) અને અમાન્ય સંક્રમણો.

પગલું 3 - હકારાત્મક, નકારાત્મક અને ધારની સ્થિતિઓને અલગ કરો. સકારાત્મક પરીક્ષણ માટે પૂછો (સાચા ઇનપુટ સાથે અપેક્ષિત પરિણામ), નકારાત્મક પરીક્ષણ (અમાન્ય ઇનપુટ સાથે યોગ્ય ભૂલ), અને એજ કેસ - સરહદ અથવા અસામાન્ય કેસ. AI સામાન્ય રીતે હકારાત્મક પર ભાર મૂકે છે; જ્યાં સુધી તમે સ્પષ્ટપણે વિનંતી ન કરો ત્યાં સુધી નકારાત્મક અને ધારના કિસ્સાઓ અપૂર્ણ છે.

પગલું 4 - પ્રાધાન્ય આપો અને કાપણી કરો. AI 60 દૃશ્યો જનરેટ કરી શકે છે; તેઓ બધા સમાન મૂલ્ય ધરાવતા નથી. ઉચ્ચ જોખમ ધરાવતા લોકોને પ્રાધાન્ય આપો (પૈસા, સુરક્ષા, ડેટા લોસ) અને જે ડુપ્લિકેટ છે તેમને જોડો.

ટીપ: AI ને એક અલગ વિનંતી મોકલો કે "આ જરૂરિયાતમાંથી 5 અકલ્પ્ય એજ કેસ જનરેટ કરો". AI નું સૌથી મૂલ્યવાન યોગદાન એ છે કે તે ઘણીવાર તમને અસાધારણ પરિસ્થિતિઓની યાદ અપાવે છે જેને તમે અવગણ્યા છે.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા: "પાસવર્ડ રીસેટ માટે પરીક્ષણ કેસ લખો."

સશક્ત: "નીચેના સ્વીકૃતિ માપદંડો સાથે 'પાસવર્ડ રીસેટ' સુવિધા માટે ટેસ્ટ કેસ જનરેટ કરો: લિંક 30 મિનિટ માટે માન્ય, એક જ ઉપયોગ, છેલ્લા 3 પાસવર્ડનો ફરીથી ઉપયોગ કરી શકાતો નથી, 5 ખોટા પ્રયાસો પછી 15 મિનિટ માટે એકાઉન્ટ લૉક કરવામાં આવે છે. સમકક્ષતા વર્ગો અને સીમા મૂલ્ય વિશ્લેષણ લાગુ કરો. દરેક કેસમાં સકારાત્મક, નકારાત્મક અને હેડિંગના અલગ-અલગ કેસ માટે ID આપો. પગલાં, પરીક્ષણ ડેટા, અપેક્ષિત પરિણામ, સંબંધિત સ્વીકૃતિ માપદંડો હાઇલાઇટ સુરક્ષા/લૉકિંગ દૃશ્યો લે છે."

શક્તિશાળી પ્રોમ્પ્ટ; તે નિયમો, તકનીકો, આઉટપુટ ફોર્મેટ અને અગ્રતા ક્રમ આપે છે. આમ, AI એક્ઝિક્યુટેબલ અને શોધી શકાય તેવા પરીક્ષણ કેસોનું નિર્માણ કરે છે, શણગારાત્મક નહીં.

ટેસ્ટ કેસ આઉટપુટ ફોર્મેટ

સંરચિત ફોર્મેટ માટે પૂછો કે જે તમારી ટીમના ટેસ્ટ મેનેજમેન્ટ ટૂલમાં સીધા જ આયાત કરી શકાય (દા.ત. TestRail, Zephyr, Xray). નીચેના કોષ્ટક સારા ટેસ્ટ કેસના ઘટકો બતાવે છે:

વિસ્તાર

વર્ણન

ઉદાહરણ

ID

અનન્ય ID

TC-PWD-014

શીર્ષક

સંક્ષિપ્ત હેતુ

સમાપ્ત થયેલ લિંકને નકારવામાં આવશે

પૂર્વશરત

પરીક્ષણ પહેલાં આવશ્યક સ્થિતિ

રીસેટ લિંક 31 મિનિટ પહેલા જનરેટ કરવામાં આવી હતી

પગલાં

ક્રમિક ક્રિયાઓ

1. લિંક પર ક્લિક કરો 2. નવો પાસવર્ડ દાખલ કરો

ટેસ્ટ ડેટા

વપરાયેલ કોંક્રિટ મૂલ્યો

જૂની લિંક, નવો પાસવર્ડ "Abc!2345"

અપેક્ષિત પરિણામ

ચકાસવા માટેનું વર્તન

"લિંક એક્સપાયર્ડ" ભૂલ, પાસવર્ડ બદલાતો નથી

સ્વીકૃતિ માપદંડ

ટ્રેસેબિલિટી લિંક

AK-3: લિંક 30 મિનિટ માટે માન્ય છે

અગ્રતા

જોખમ સ્તર

ઉચ્ચ

ચાર નકલ કરી શકાય તેવા નમૂનાઓ

1) તકનીકી આધારિત દૃશ્ય ઉત્પાદન:

તમારી ભૂમિકા: વરિષ્ઠ પરીક્ષણ ડિઝાઇનર. વિશેષતા માટે પરીક્ષણ કેસ બનાવો: [સુવિધા અને સ્વીકૃતિ માપદંડ]. લાગુ કરો: સમકક્ષ વર્ગો, બ્રેકપોઇન્ટ વિશ્લેષણ, નિર્ણય ટેબલ. 3 જૂથોમાં આઉટપુટ પ્રદાન કરો: હકારાત્મક / નકારાત્મક / ધાર કેસ. દરેક કેસ: ID, પૂર્વશરત, પગલાં, પરીક્ષણ ડેટા, અપેક્ષિત પરિણામ, સ્વીકૃતિ/સંબંધિત માપદંડ (LowM/LowM)).

2) એજ કેસ શિકારી:

નીચેની સુવિધા માટે 10 સામાન્ય રીતે અવગણવામાં આવેલા કિનારી કેસોની સૂચિ બનાવો: [સુવિધા]. એક વાક્યમાં લખો કે તે દરેક માટે કેમ જોખમી છે. ખાલી/શૂન્ય, ઇનપુટ ખૂબ લાંબો, સહવર્તી, સમયસમાપ્તિ, ફોર્મેટ ભૂલો, યુનિકોડ/ઇમોજી, નકારાત્મક/શૂન્ય, નેટવર્ક આઉટેજ જેવા અક્ષો વિશે વિચારો.

3) નિર્ણય કોષ્ટક ઉત્પાદન:

નીચેના વ્યવસાય નિયમ માટે નિર્ણય કોષ્ટક બનાવો: [નિયમો]. કૉલમ્સ: શરત સંયોજનો; પંક્તિઓ: દરેક શરત અને અપેક્ષિત ક્રિયા. અપ્રાપ્ય અથવા વિરોધાભાસી સંયોજનોને ફ્લેગ કરો. પછી દરેક સંયોજન માટે ટેસ્ટ કેસની દરખાસ્ત કરો.

4) ટ્રેસેબિલિટી નિયંત્રણ:

સ્વીકૃતિ માપદંડોની નીચેની સૂચિ અને નીચેના પરીક્ષણ કેસો આપેલ છે: [માપદંડ] / [કેસો]. ટેબ્યુલર સ્વરૂપમાં બતાવો કે કયા સ્વીકૃતિ માપદંડો NO ટેસ્ટ કેસો (કવરેજ ગેપ) દ્વારા પૂરા થાય છે અને કયા કેસ કોઈપણ માપદંડ (રિડન્ડન્ટ કેસ) દ્વારા પૂરા થતા નથી.

ત્રણ નાના કેસો

કેસ 1 — ધારની સ્થિતિનું મૂલ્ય. ફિનટેક ટીમના નિષ્ણાતે મની ટ્રાન્સફર સુવિધા માટે 18 સ્ક્રિપ્ટ લખી હતી. તેણે AI પર "એજ કેસ હન્ટર" ટેમ્પલેટ લાગુ કર્યું; AI એ "એક જ સમયે બે ઉપકરણોમાંથી સમાન સંતુલનને સ્થાનાંતરિત કરવા" (સહસંગતતા) ની પરિસ્થિતિને યાદ અપાવી. જ્યારે આ દૃશ્યનું પરીક્ષણ કરવામાં આવ્યું હતું, ત્યારે ડબલ ખર્ચની નબળાઈ મળી આવી હતી અને લાઇવ થતાં પહેલાં તેને બંધ કરવામાં આવી હતી. સિંગલ ફ્રિન્જ સિચ્યુએશનથી સંભવિત છ-આંકડાના નુકસાનને અટકાવવામાં આવ્યું હતું.

કેસ 2 - બલ્જને ટ્રિમિંગ. એક ટીમે AI પાસે મેમ્બરશિપ ફોર્મ માટે સ્ક્રિપ્ટ તૈયાર કરી હતી અને 74 કેસ સામે આવ્યા હતા. ટ્રેસેબિલિટી ટેમ્પલેટ ચલાવવાથી જાણવા મળ્યું કે 74 કેસ માત્ર 9 સ્વીકૃતિ માપદંડોને પૂર્ણ કરે છે, જેમાં ઘણા સમાન સમકક્ષ વર્ગનું ફરીથી પરીક્ષણ કરે છે. સમૂહ 74 થી ઘટાડીને 23 નોંધપાત્ર કેસ કરવામાં આવ્યો હતો; રન ટાઈમ 68% ઘટ્યો, કવરેજ ઘટ્યું નથી.

કેસ 3 - ખોટી ધારણા. AI એ તારીખ ફીલ્ડ માટે “ફેબ્રુઆરી 31મી” જેવી અમાન્ય તારીખોનું પરીક્ષણ કરવાનું સૂચન કર્યું હતું, પરંતુ તે જાણતું ન હતું કે ટીમ જે કૅલેન્ડર ઘટકનો ઉપયોગ કરી રહી હતી તેણે તેને પહેલેથી જ બ્લૉક કરી દીધું હતું. નિષ્ણાતે ઉત્પાદનના સંદર્ભમાં બિનજરૂરી તરીકે AI દ્વારા ઉત્પાદિત 6 તારીખમાંથી 4 દૃશ્યોને દૂર કર્યા. AIએ જનરેટ કરેલી શક્યતાઓ; ઉત્પાદન માહિતી પસંદગી કરી.

સામાન્ય ભૂલો

• સ્વીકૃતિ માપદંડ આપ્યા વિના સ્ક્રિપ્ટની વિનંતી કરવી. સાચું શું છે તે જાણ્યા વિના, AI સુપરફિસિયલ દૃશ્યો ઉત્પન્ન કરે છે જે ઘણીવાર વાસ્તવિક જોખમ ચૂકી જાય છે.
• માત્ર હકારાત્મક પરીક્ષણો માટે પતાવટ. સ્પષ્ટપણે નેગેટિવ અને એજ કેસો ઇચ્છતા નથી. આ તે છે જ્યાં ભૂલો વારંવાર આવે છે.
• જે ઉત્પન્ન થાય છે તેમ સ્વીકારવું. એ ભૂલી જવું કે AI ઉત્પાદન સંદર્ભને જાણતું નથી અને સેટ પર બિનજરૂરી અથવા અશક્ય દૃશ્યો છોડી દે છે.
• ટ્રેસેબિલિટીને બાયપાસ કરીને. સ્વીકૃતિ માપદંડ સાથે કેસોને જોડતા નથી; પરિણામે, તે જોવામાં આવતું નથી કે કયો માપદંડ ચકાસાયેલ નથી (કવરેજ ગેપ).
• જથ્થાની ગેરસમજ. ખુશ છું કારણ કે "60 સ્ક્રિપ્ટ રિલીઝ થઈ છે". મૂલ્ય સંખ્યામાં નથી, પરંતુ જોખમને આવરી લેતા અવકાશમાં છે.

સારાંશમાં

ટેસ્ટ ડિઝાઇન એ એક-વાક્યની જરૂરિયાતને નક્કર, એક્ઝિક્યુટેબલ કેસમાં અનુવાદિત કરવા વિશે છે જે સૉફ્ટવેરની સાચીતા સાબિત કરે છે. AI આ પરિવર્તનને મોટા પ્રમાણમાં વેગ આપે છે: જ્યારે તમે તેને સ્વીકૃતિ માપદંડ, શાસ્ત્રીય પરીક્ષણ તકનીકો (સમાનતા વર્ગો, બ્રેકપોઇન્ટ, નિર્ણય કોષ્ટક, રાજ્ય સંક્રમણ) અને સ્પષ્ટ આઉટપુટ ફોર્મેટ આપો ત્યારે તે વ્યાપક બ્લુપ્રિન્ટ્સ ઉત્પન્ન કરે છે. પરંતુ AI હકારાત્મક તરફ પક્ષપાતી છે, ઉત્પાદન સંદર્ભને જાણતું નથી અને બિનજરૂરી ફૂગ પેદા કરી શકે છે. તમારું કાર્ય સ્પષ્ટપણે નકારાત્મક અને ધારના કેસોની વિનંતી કરવાનું, ટ્રેસિબિલિટી સ્થાપિત કરવાનું, જોખમ દ્વારા પ્રાથમિકતા આપવાનું અને કાપણી કરવાનું છે.

એપ્લિકેશન કાર્ય

તમારા પોતાના પ્રોજેક્ટમાંથી એક સુવિધા પસંદ કરો અને સ્વીકૃતિ માપદંડ લખો. "ટેકનિક-આધારિત દૃશ્ય જનરેશન" ટેમ્પ્લેટ સાથે AI જનરેટ ટેસ્ટ કેસ રાખો. પછી “એજ કેસ હન્ટર” અને “ટ્રેસેબિલિટી ચેક” ટેમ્પ્લેટ્સ લાગુ કરો. પરિણામે: (1) ઓછામાં ઓછા 3 કિસ્સાઓ ઉમેરો કે જે AI છોડી દે છે, (2) કોઈપણ સ્વીકૃતિ માપદંડ સાથે જોડાયેલા ન હોય તેવા કેસોને કાપો, (3) જો કોઈ સ્વીકૃતિ માપદંડ ચકાસાયેલ બાકી હોય તો નવા કેસ લખો. સ્પ્રેડશીટમાં અંતિમ સેટ રેડો.

ચેકલિસ્ટ

• [ ] સ્ક્રિપ્ટની વિનંતી કરતા પહેલા, મેં સ્વીકૃતિ માપદંડની સ્પષ્ટતા કરી.
• [ ] મેં YZ ને નામ દ્વારા સમકક્ષતા વર્ગો અને સીમા મૂલ્ય વિશ્લેષણ માટે પૂછ્યું.
• [ ] મેં સકારાત્મક, નકારાત્મક અને ધાર સ્થિતિઓ અલગથી જનરેટ કરી.
• [ ] મેં દરેક ટેસ્ટ કેસને સ્વીકૃતિ માપદંડ (ટ્રેસેબિલિટી) સાથે જોડ્યો છે.
• [ ] મેં ટેબલ સાથે સ્કોપ ગેપ અને બિનજરૂરી કેસ તપાસ્યા.
• [ ] મેં જોખમને પ્રાધાન્ય આપ્યું અને સોજોના સમૂહને કાપી નાખ્યો.