പിശക് റിപ്പോർട്ട് റൈറ്റിംഗും മുൻഗണനയും: AI ഉപയോഗിച്ച് വ്യക്തവും പുനർനിർമ്മിക്കാവുന്നതുമായ റെക്കോർഡുകൾ

നേട്ടങ്ങൾ:

• ചിതറിക്കിടക്കുന്ന നിരീക്ഷണങ്ങളെ വ്യക്തമായ ശീർഷകം, നിർണായകമായ പുനരുൽപ്പാദന ഘട്ടങ്ങൾ, പ്രതീക്ഷിക്കുന്ന/യഥാർത്ഥ ഫലങ്ങൾ, ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിൻ്റെ പിന്തുണയുള്ള തെളിവുകൾ എന്നിവ അടങ്ങിയ റിപ്പോർട്ടാക്കി മാറ്റാനുള്ള കഴിവ്
• ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിന് 'ഞാൻ നൽകുന്ന വിവരങ്ങൾ മാത്രം ഉപയോഗിക്കുക, അത് ഉണ്ടാക്കരുത്' എന്ന നിയമം അടിച്ചേൽപ്പിക്കാനും സ്വന്തം നിയന്ത്രണത്തോടെ പുനരുൽപാദനത്തിന് ഉറപ്പ് നൽകാനും കഴിയും
• തീവ്രതയും (സാങ്കേതിക സ്വാധീനം) മുൻഗണനയും (ബിസിനസ് അടിയന്തിരത) തമ്മിൽ വേർതിരിച്ചറിയാനും ബിസിനസ്സ് സന്ദർഭത്തിൽ അന്തിമ ലേബൽ നൽകാനും കഴിയും

ഒരു പരിശോധകൻ കണ്ടെത്തുന്ന ബഗ് അത് പരിഹരിച്ചാൽ മാത്രമേ മൂല്യമുള്ളൂ; ഇത് പരിഹരിക്കുന്നത് ബഗ് റിപ്പോർട്ടിൻ്റെ ഗുണനിലവാരത്തെ ആശ്രയിച്ചിരിക്കുന്നു - ഡെവലപ്പർക്ക് മനസ്സിലാക്കാനും പുനർനിർമ്മിക്കാനും പരിഹരിക്കാനും കഴിയുന്ന തരത്തിൽ ഒരു തകരാർ രേഖപ്പെടുത്തുന്ന ഒരു റെക്കോർഡ്. മോശമായി എഴുതിയ ഒരു ബഗ് റിപ്പോർട്ട് ("ലോഗിൻ പ്രവർത്തിക്കുന്നില്ല") മണിക്കൂറുകളോളം ഡവലപ്പറെ സ്തംഭിപ്പിക്കുകയും, അങ്ങോട്ടും ഇങ്ങോട്ടും ഉള്ള കത്തിടപാടുകളിലേക്ക് നയിക്കുകയും, "പുനർനിർമ്മാണം സാധ്യമല്ല" എന്നതിനാൽ പലപ്പോഴും അടയ്ക്കുകയും ചെയ്യും. ഒരു നല്ല റിപ്പോർട്ടിൽ വ്യക്തമായ ഘട്ടങ്ങൾ, പ്രതീക്ഷിച്ചതും യഥാർത്ഥവുമായ ഫലങ്ങൾ, സന്ദർഭ വിവരങ്ങളും തെളിവുകളും ഉൾപ്പെടുന്നു. നിങ്ങളുടെ ചിതറിക്കിടക്കുന്ന നിരീക്ഷണങ്ങളെ ഒരു പ്രൊഫഷണൽ, ഘടനാപരമായ റിപ്പോർട്ടാക്കി മാറ്റുന്നതിൽ ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് (AI) വളരെ നല്ലതാണ്. എന്നാൽ കേന്ദ്ര മുന്നറിയിപ്പ് ഇവിടെയും ബാധകമാണ്: നിങ്ങൾ കാണാത്ത ഘട്ടങ്ങൾ AI-ക്ക് ഉണ്ടാക്കാൻ കഴിയില്ല; നഷ്‌ടമായ വിവരങ്ങൾ "ന്യായമായ രൂപത്തിലുള്ള" എന്നാൽ കൃത്യമല്ലാത്ത ഊഹങ്ങൾ ഉപയോഗിച്ച് പൂരിപ്പിക്കാൻ കഴിയും. റിപ്പോർട്ടിലെ ഓരോ വരിയും നിങ്ങൾ യഥാർത്ഥത്തിൽ നിരീക്ഷിച്ചതിനെ അടിസ്ഥാനമാക്കിയുള്ളതാണെന്ന് ഉറപ്പാക്കുക എന്നതാണ് നിങ്ങളുടെ ജോലി.

ഒരു നല്ല ബഗ് റിപ്പോർട്ടിൻ്റെ അനാട്ടമി

ഫലപ്രദമായ റിപ്പോർട്ടിൽ ഇനിപ്പറയുന്ന ഘടകങ്ങൾ ഉൾപ്പെടുന്നു:

• ശീർഷകം: ഹ്രസ്വവും നിർദ്ദിഷ്ടവും തിരയാൻ കഴിയുന്നതും. "ഒരു പിശക് ഉണ്ട്" എന്നല്ല; "കാർട്ടിൽ (Chrome) 10-ലധികം ഇനങ്ങളുള്ള 'ചെക്കൗട്ട്' ബട്ടണിൽ ക്ലിക്ക് ചെയ്യാൻ കഴിയുന്നില്ല".
• പുനരുൽപ്പാദിപ്പിക്കുന്നതിനുള്ള ഘട്ടങ്ങൾ: അക്കമിട്ടത്, ആദ്യം മുതൽ കണ്ടെത്താൻ കഴിയുന്നത്, നിർണ്ണായകമാണ്. ഈ ഘട്ടങ്ങൾ പിന്തുടർന്ന് ഡെവലപ്പർക്ക് പിശക് കാണാൻ കഴിയണം.
• പ്രതീക്ഷിച്ച ഫലം: സ്വീകാര്യത മാനദണ്ഡമനുസരിച്ച് എന്താണ് സംഭവിക്കേണ്ടത്.
• യഥാർത്ഥ ഫലം: എന്താണ് സംഭവിച്ചത് (പിശക് സന്ദേശം, സ്ക്രീൻ, പെരുമാറ്റം).
• പരിസ്ഥിതി: ബ്രൗസർ/ഉപകരണം, പതിപ്പ്, പരിസ്ഥിതി (ടെസ്റ്റ്/ലൈവ്), യൂസർ റോൾ, ഡാറ്റ.
• തെളിവ്: സ്ക്രീൻഷോട്ട്, വീഡിയോ, ലോഗ്, പിശക് ട്രെയ്സ് (സ്റ്റാക്ക് ട്രെയ്സ്).
• തീവ്രതയും മുൻഗണനയും: താഴെ വിശദമായി.

നുറുങ്ങ്: ഒരു റിപ്പോർട്ട് അയയ്ക്കുന്നതിന് മുമ്പ്, "ഞാൻ ഈ ഘട്ടങ്ങൾ മറ്റൊരാൾക്ക് നൽകിയാൽ, എൻ്റെ സഹായമില്ലാതെ അവർക്ക് പിശക് കാണാൻ കഴിയുമോ?" ചോദിക്കുക. "ഇല്ല" എന്നാണ് ഉത്തരമെങ്കിൽ, റിപ്പോർട്ട് അപൂർണ്ണമാണ്. AI-ക്ക് റിപ്പോർട്ട് മനോഹരമാക്കാൻ കഴിയും, എന്നാൽ നിങ്ങൾക്ക് മാത്രമേ പുനരുൽപാദനക്ഷമത ഉറപ്പുനൽകാൻ കഴിയൂ.

അക്രമവും മുൻഗണനയും: ആശയക്കുഴപ്പത്തിലായ രണ്ട് ആശയങ്ങൾ

പിശകിൻ്റെ സാങ്കേതിക ഫലമാണ് കാഠിന്യം: സിസ്റ്റം തകരാറിലാകുമോ, ഡാറ്റ നഷ്‌ടപ്പെടുമോ, അതോ അക്ഷരത്തെറ്റാണോ? അത് എത്ര അടിയന്തരമായി പരിഹരിക്കണം എന്നതിനാണ് മുൻഗണന; ബിസിനസ്സ് സ്വാധീനത്തെക്കുറിച്ചാണ്. രണ്ടും എല്ലായ്പ്പോഴും ഒരേ ദിശയിലല്ല: ഹോംപേജിൽ കമ്പനിയുടെ പേര് തെറ്റായി എഴുതുന്നത് കാഠിന്യം കുറവാണെങ്കിലും ഉയർന്ന മുൻഗണനയാണ് (പ്രശസ്തി). ഒരു അപൂർവ സന്ദർഭത്തിൽ, ഒരു തകർച്ച ഉയർന്ന തീവ്രതയുള്ളതായിരിക്കാം, പക്ഷേ മുൻഗണന കുറവാണ്. നിങ്ങൾ നിരീക്ഷണം നൽകുമ്പോൾ ഈ വ്യത്യാസം വരുത്താൻ AI നിങ്ങളെ സഹായിക്കുന്നു; എന്നാൽ ബിസിനസ്സ് സന്ദർഭം അറിയാവുന്ന നിങ്ങളാണ് അവസാന ലേബൽ നൽകിയിരിക്കുന്നത്.

അക്രമം

ഉദാഹരണം

മുൻഗണന

ഉദാഹരണം

ഗുരുതരം (ബ്ലോക്കർ)

പേയ്‌മെൻ്റ് പൂർത്തിയാക്കാൻ കഴിയില്ല

അടിയന്തിര (P1)

തത്സമയ വരുമാന നഷ്ടം

ഉയർന്നത് (മേജർ)

റിപ്പോർട്ട് മൊത്തം തെറ്റായി നൽകുന്നു

ഉയർന്നത് (P2)

വരാനിരിക്കുന്ന റിലീസിന് നിർബന്ധമാണ്

ഇടത്തരം (മൈനർ)

അപൂർവ എഡ്ജ് കേസ് പിശക്

ഇടത്തരം (P3)

ആസൂത്രിതമായ സ്പ്രിൻ്റിൽ

താഴ്ന്നത് (നിസ്സാരം)

ബട്ടൺ വിന്യാസം ഓഫാണ്

കുറവ് (P4)

ഒരു അവസരം ഉള്ളപ്പോൾ

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായത്: "ഈ പിശക് റിപ്പോർട്ടുചെയ്യുക: പേയ്‌മെൻ്റ് പ്രവർത്തിക്കുന്നില്ല."

ശക്തമായത്: "താഴെയുള്ള എൻ്റെ നിരീക്ഷണങ്ങൾ സ്റ്റാൻഡേർഡ് ബഗ് റിപ്പോർട്ട് ഫോർമാറ്റിലേക്ക് വിവർത്തനം ചെയ്യുക: ശീർഷകം, പുനർനിർമ്മാണ ഘട്ടങ്ങൾ (അക്കമിട്ടത്), പ്രതീക്ഷിച്ച ഫലം, യഥാർത്ഥ ഫലം, പരിസ്ഥിതി, തീവ്രത, മുൻഗണനാ ശുപാർശ (ന്യായീകരിക്കപ്പെട്ടവ). ഞാൻ നൽകുന്ന വിവരങ്ങൾ മാത്രം ഉപയോഗിക്കുക; നഷ്‌ടമായ ഏതെങ്കിലും ഫീൽഡുകൾ ഉണ്ടാക്കുക, 'വിവരങ്ങൾ നഷ്‌ടപ്പെടുമ്പോൾ: ...' എന്നതിൽ അടയാളപ്പെടുത്തുക. കാർ, ക്രോം 1 ഇനങ്ങളിൽ ഒന്നും സംഭവിക്കുമ്പോൾ, പരിശോധനകൾ കൺസോളിൽ 'ചെക്കൗട്ട്', 'നിർവചിക്കാത്തത് ഒരു ഫംഗ്‌ഷൻ അല്ല', 11 ഉൽപ്പന്നങ്ങളിൽ പ്രശ്‌നമില്ല."

ശക്തമായ പ്രോംപ്റ്റ്; ഫോർമാറ്റ്, "ഫിറ്റിംഗ്" റൂൾ, നഷ്ടപ്പെട്ട വിവരങ്ങളുടെ അടയാളപ്പെടുത്തൽ എന്നിവ ചുമത്തുന്നു. ഈ രീതിയിൽ, റിപ്പോർട്ട് കൃത്യവും സത്യസന്ധവുമാകും.

ഡ്യൂപ്ലിക്കേറ്റ് പിശക് കണ്ടെത്തൽ

വലിയ ടീമുകളിൽ, ഒരേ പിശക് വീണ്ടും വീണ്ടും റിപ്പോർട്ട് ചെയ്യപ്പെടുന്നു. AI-ന് നിങ്ങളുടെ പുതിയ റിപ്പോർട്ട് നിലവിലുള്ള ഓപ്പൺ ബഗുകളുമായി താരതമ്യം ചെയ്യാനും സാധ്യതയുള്ള ഡ്യൂപ്ലിക്കേറ്റുകൾ ഫ്ലാഗ് ചെയ്യാനും കഴിയും - ഇത് നിങ്ങളുടെ ബഗ് ട്രാക്കിംഗ് സിസ്റ്റം (Jira, Azure DevOps, GitHub പ്രശ്നങ്ങൾ) വൃത്തിയായി സൂക്ഷിക്കുന്നു. എന്നാൽ സൂക്ഷിക്കുക: ഉപരിതലത്തിൽ സമാനമായി കാണപ്പെടുന്ന രണ്ട് പിശകുകൾക്ക് വ്യത്യസ്ത മൂലകാരണങ്ങളുണ്ടാകാം; AI-യുടെ "ഡ്യൂപ്ലിക്കേറ്റ്" നിർദ്ദേശം അടയ്ക്കുന്നതിന് മുമ്പ് രണ്ട് റിപ്പോർട്ടുകളുടെയും ആവർത്തിച്ചുള്ള പ്രൊഡക്ഷൻ ഘട്ടങ്ങളും പരിസ്ഥിതിയും താരതമ്യം ചെയ്യുക. ആകസ്മികമായി അടച്ച "ഡ്യൂപ്ലിക്കേറ്റ്" യഥാർത്ഥത്തിൽ ഒരു പ്രത്യേക പിശക് കാണുന്നില്ല.

ബഗ് ട്രെയ്സ് മുതൽ മൂലകാരണം വരെ: ലോഗുകൾ വായിക്കാനുള്ള AI-യുടെ ശക്തി

ഒരു ബഗ് റിപ്പോർട്ടിൻ്റെ ഏറ്റവും സാങ്കേതികമായ ഭാഗം പലപ്പോഴും ബഗ് ട്രെയ്സ് ആണ് (സ്റ്റാക്ക് ട്രെയ്സ് - ഏത് കോൾ ചെയിൻ ഉപയോഗിച്ച് ഒരു ബഗ് ട്രിഗർ ചെയ്ത കോഡിൻ്റെ ഏത് ലൈനിൻ്റെ തകർച്ചയാണ്). ദൈർഘ്യമേറിയതും സങ്കീർണ്ണവുമായ ലോഗുകൾ ഡവലപ്പറെപ്പോലും ക്ഷീണിപ്പിക്കും. AI നൂറുകണക്കിന് വരികളുടെ ഒരു ലോഗ് വായിക്കുകയും ഏറ്റവും നിർണായകമായ വരികൾ, സാധ്യമായ മൂലകാരണ സിദ്ധാന്തം, പിശക് ട്രിഗർ ചെയ്ത കോഡ് പോയിൻ്റ് എന്നിവ നിമിഷങ്ങൾക്കുള്ളിൽ സംഗ്രഹിക്കുകയും ചെയ്യുന്നു. ഇത് രണ്ടും റിപ്പോർട്ടിനെ ചുരുക്കുകയും ഡെവലപ്പർക്ക് നേരിട്ട് ഒരു ആരംഭ പോയിൻ്റ് നൽകുകയും ചെയ്യുന്നു.

എന്നിരുന്നാലും രണ്ട് പരിധികൾ ഓർക്കുക. ഒന്നാമതായി, AI നൽകുന്ന മൂലകാരണം ഒരു സിദ്ധാന്തമാണ്, തെളിവല്ല; ഇത് പരിശോധിച്ചുറപ്പിക്കാതെ ഡെവലപ്പർ ഇത് പരിഹരിക്കാൻ ശ്രമിക്കരുത്. രണ്ടാമതായി, ലോഗുകളിൽ പലപ്പോഴും വ്യക്തിഗത ഡാറ്റ അടങ്ങിയിരിക്കുന്നു (ഇമെയിൽ, ഉപയോക്തൃ ഐഡി, സെഷൻ ടോക്കൺ); വാഹനത്തിൽ ലോഗ് സ്ഥാപിക്കുന്നതിന് മുമ്പ് ഈ ഭാഗങ്ങൾ മാസ്ക് ചെയ്യുക. "ഈ ലോഗിൽ മാസ്ക് ചെയ്യേണ്ട ഫീൽഡുകൾ ലിസ്റ്റ് ചെയ്യുക" എന്ന് ആദ്യം AI പറയുകയും തുടർന്ന് വൃത്തിയാക്കിയ ലോഗ് വിശകലനം ചെയ്യുകയും ചെയ്യുക എന്നതാണ് ഒരു നല്ല പരിശീലനം.

നുറുങ്ങ്: റിപ്പോർട്ടിൽ മുഴുവൻ ലോഗും ഒട്ടിക്കുന്നതിന് പകരം, AI സംഗ്രഹിക്കുന്ന ഏറ്റവും നിർണായകമായ 3-5 വരികളും പൂർണ്ണ ലോഗിലേക്കുള്ള ഒരു ലിങ്കും ഉൾപ്പെടുത്തുക. ഈ രീതിയിൽ റിപ്പോർട്ട് വായിക്കാൻ കഴിയുന്നതായി തുടരുന്നു, വിശദാംശങ്ങൾ ആവശ്യമുള്ള ഡെവലപ്പർക്ക് പൂർണ്ണ ലോഗ് ആക്സസ് ചെയ്യാൻ കഴിയും.

പകർത്താവുന്ന നാല് ടെംപ്ലേറ്റുകൾ

1) നിരീക്ഷണം മുതൽ റിപ്പോർട്ട് വരെ:

നിങ്ങളുടെ റോൾ: മുതിർന്ന QA. ഇനിപ്പറയുന്ന അസംസ്‌കൃത നിരീക്ഷണങ്ങൾ ഒരു സാധാരണ ബഗ് റിപ്പോർട്ടിലേക്ക് വിവർത്തനം ചെയ്യുക: ശീർഷകം / പുനർനിർമ്മാണ ഘട്ടങ്ങൾ (അക്കമിട്ടത്) / പ്രതീക്ഷിക്കുന്നത് / യഥാർത്ഥം / പരിസ്ഥിതി / തെളിവ് കുറിപ്പ് / തീവ്രത + മുൻഗണന (ന്യായീകരിച്ചത്). നിയമം: ഞാൻ നൽകുന്ന വിവരങ്ങൾ മാത്രം ഉപയോഗിക്കുക; നഷ്‌ടമായ ഫീൽഡ് "നഷ്‌ടമായ വിവരങ്ങൾ:..." എന്ന് അടയാളപ്പെടുത്തുക നിരീക്ഷണങ്ങൾ: [റോ കുറിപ്പുകൾ]

2) പുനരുൽപ്പാദന നിയന്ത്രണം:

ബഗ് ഒരിക്കലും കണ്ടിട്ടില്ലാത്ത ഒരു ഡെവലപ്പറുടെ വീക്ഷണകോണിൽ നിന്ന് ഈ ബഗ് റിപ്പോർട്ട് വായിക്കുക. ഘട്ടങ്ങൾ പിന്തുടർന്ന് ബഗ് സൃഷ്ടിക്കാത്ത സ്ഥലങ്ങൾ അടയാളപ്പെടുത്തുക: അവ്യക്തമായ ഘട്ടം, മുൻവ്യവസ്ഥകൾ നഷ്‌ടപ്പെട്ടു, ടെസ്റ്റ് ഡാറ്റ നഷ്‌ടപ്പെട്ടു, ഒഴിവാക്കിയ അവസ്ഥ. ഓരോ വിടവിനും ഞാൻ എന്ത് വിവരങ്ങളാണ് ചേർക്കേണ്ടതെന്ന് എന്നോട് പറയുക. റിപ്പോർട്ട്: [റിപ്പോർട്ട് ഒട്ടിക്കുക]

3) തീവ്രത/മുൻഗണന ഉപദേശകൻ:

ഇനിപ്പറയുന്ന പിശക് ഞാൻ വിവരിക്കുന്നു: [പിശക് + ബിസിനസ്സ് സന്ദർഭം]. തീവ്രതയ്ക്കും (സാങ്കേതിക സ്വാധീനം), മുൻഗണനയ്ക്കും (ബിസിനസ് അടിയന്തിരത) പ്രത്യേകം നിർദ്ദേശങ്ങളും ന്യായീകരണവും നൽകുക. രണ്ടും വ്യത്യസ്തമായേക്കാവുന്നത് എന്തുകൊണ്ടെന്ന് വിശദീകരിക്കുക. ഞാൻ അന്തിമ തീരുമാനം എടുക്കും.

4) ലോഗ്/എറർ ട്രെയ്സ് സംഗ്രഹം:

താഴെയുള്ള പിശക് ട്രേസ്/ലോഗ് പരിശോധിക്കുക. (1) മൂലകാരണ സിദ്ധാന്തം, (2) പിശക് സംഭവിക്കാനിടയുള്ള കോഡ് പോയിൻ്റ്, (3) റിപ്പോർട്ടിൽ ചേർക്കേണ്ട ഏറ്റവും നിർണായകമായ 3 വരികൾ എന്നിവയുടെ ഒരു സംഗ്രഹം എനിക്ക് തരൂ. വ്യക്തിഗത ഡാറ്റ ഉണ്ടെങ്കിൽ മാസ്ക് ചെയ്യുക.ലോഗ്: [ലോഗ് ഒട്ടിക്കുക]

മൂന്ന് മിനി കേസുകൾ

കേസ് 1 - "എനിക്ക് നിർമ്മിക്കാൻ കഴിഞ്ഞില്ല" എന്നതിൽ നിന്നുള്ള മോചനം. ഒരു ടീമിൽ, 30% ബഗുകൾ "പുനർനിർമ്മിക്കാൻ കഴിയില്ല" എന്നതിനാൽ അടച്ചു. റിപ്പോർട്ട് പ്രോസസ്സിലേക്ക് "പുനർനിർമ്മാണ പരിശോധന" ടെംപ്ലേറ്റ് ചേർത്തു; ഓരോ റിപ്പോർട്ടും അയയ്‌ക്കുന്നതിന് മുമ്പ്, നഷ്‌ടമായ ഘട്ടങ്ങളും മുൻവ്യവസ്ഥകളും AI ഫ്ലാഗ് ചെയ്‌തു. മൂന്ന് മാസത്തിന് ശേഷം, "ഉത്പാദിപ്പിക്കാൻ കഴിഞ്ഞില്ല" നിരക്ക് 30% ൽ നിന്ന് 8% ആയി കുറഞ്ഞു. തുടക്കം മുതൽ ചുവടുകൾ കൃത്യമായിരുന്നു എന്നതായിരുന്നു വ്യത്യാസം.

കേസ് 2 - വ്യാജ നടപടികളുടെ അപകടം. ഒരു ടെസ്റ്റർ AI-യെ അപൂർണ്ണമായ നിരീക്ഷണങ്ങളോടെ ഒരു റിപ്പോർട്ട് എഴുതി; "ക്രമീകരണ പേജിൽ നിന്നുള്ള അറിയിപ്പുകൾ ഉപയോക്താവ് ഓണാക്കുന്നു" പോലെ ഒരിക്കലും സംഭവിക്കാത്ത ഒരു ഘട്ടം AI ചേർത്തു. ഡെവലപ്പർ ആ ഘട്ടം പിന്തുടർന്നപ്പോൾ, അദ്ദേഹത്തിന് പിശക് കണ്ടെത്താനായില്ല, സമയം നഷ്ടപ്പെട്ടു. ടീം "ഞാൻ നൽകുന്ന വിവരങ്ങൾ മാത്രം ഉപയോഗിക്കുക, അത് ഉണ്ടാക്കരുത്" എന്ന നിയമം നടപ്പിലാക്കി; തയ്യാറാക്കിയ ഘട്ടങ്ങൾ ഒഴിവാക്കപ്പെടുന്നു.

കേസ് 3 - തീവ്രത/മുൻഗണന വ്യത്യാസം. ഹോം പേജിലെ കമ്പനിയുടെ മുദ്രാവാക്യത്തിൽ അക്ഷരത്തെറ്റുണ്ടായി. ടെസ്റ്റർ ഇത് "കുറഞ്ഞത്" ആയി മാറ്റും; സാങ്കേതിക അക്രമം കുറവാണെന്നും എന്നാൽ ബിസിനസ്സ് മുൻഗണന ഉയർന്നതാണെന്നും AI കൺസൾട്ടൻ്റ് ഓർമ്മിപ്പിച്ചു (ഓരോ സന്ദർശകനും ലഭിക്കുന്ന പ്രശസ്തി ഘടകം). "ഉയർന്ന മുൻഗണന" എന്ന ടാഗ് ഉപയോഗിച്ച് ബഗ് അന്നുതന്നെ പരിഹരിച്ചു.

സാധാരണ തെറ്റുകൾ

• അവ്യക്തമായ തലക്കെട്ട്. "പ്രവർത്തിക്കുന്നില്ല" പോലെയുള്ള തിരയാൻ കഴിയാത്ത, വിവേചനരഹിതമായ തലക്കെട്ടുകൾ.
• സ്റ്റെപ്പുകൾ കാണുന്നില്ല/ഒഴിവാക്കി. നിങ്ങളുടെ സന്ദർഭത്തിൽ പ്രകടമായത് എഴുതുന്നില്ല; നിർമ്മിക്കുന്നതിൽ ഡവലപ്പറുടെ പരാജയം.
• അത് നിർമ്മിക്കാൻ AI-യെ അനുവദിക്കുന്നു. നഷ്‌ടമായ വിവരങ്ങൾ "ന്യായമായ എസ്റ്റിമേറ്റ്" ഉപയോഗിച്ച് പൂരിപ്പിക്കുക; തെറ്റായ നടപടികൾ.
• പ്രതീക്ഷിച്ച ഫലം എഴുതുന്നില്ല. "തെറ്റ്" എന്ന് പറയുന്നു, എന്നാൽ ശരി എന്താണെന്ന് വ്യക്തമാക്കുന്നില്ല.
• അക്രമവും മുൻഗണനയും ആശയക്കുഴപ്പത്തിലാക്കുന്നു. രണ്ടും ഒരു ലേബലായി തെറ്റിദ്ധരിക്കുന്നു; ബിസിനസ്സ് സ്വാധീനം തെറ്റായി വിലയിരുത്തുന്നു.
• തെളിവുകളിൽ സെൻസിറ്റീവ് ഡാറ്റ. യഥാർത്ഥ വ്യക്തിഗത ഡാറ്റ സ്‌ക്രീൻഷോട്ടുകളിൽ/ലോഗുകളിൽ മറയ്ക്കാതെ പങ്കിടുന്നു.

ചുരുക്കത്തിൽ

ബഗ് റിപ്പോർട്ടിൻ്റെ മൂല്യം, ഡെവലപ്പർക്ക് നിങ്ങളുടെ സഹായമില്ലാതെ തന്നെ ബഗ് പുനർനിർമ്മിക്കാനും പരിഹരിക്കാനും കഴിയും എന്നതാണ്. ചിതറിക്കിടക്കുന്ന നിരീക്ഷണങ്ങളെ ഒരു പ്രൊഫഷണൽ, ഘടനാപരമായ റിപ്പോർട്ടാക്കി മാറ്റുന്നതിൽ AI വളരെ മികച്ചതാണ്; ഇത് ശീർഷകം, ഘട്ടങ്ങൾ, പ്രതീക്ഷിക്കുന്ന/യഥാർത്ഥ ഫലം, പരിസ്ഥിതി, തെളിവുകൾ എന്നിവ സംഘടിപ്പിക്കുകയും തീവ്രതയും മുൻഗണനയും തമ്മിലുള്ള വ്യത്യാസത്തെക്കുറിച്ചുള്ള കൺസൾട്ടൻസി നൽകുകയും ചെയ്യുന്നു. എന്നാൽ നഷ്‌ടമായ വിവരങ്ങൾ നികത്താൻ AI-ക്ക് കഴിയും; "ഞാൻ നൽകുന്ന വിവരങ്ങൾ മാത്രം ഉപയോഗിക്കുക, കാണാതായത് അടയാളപ്പെടുത്തുക" എന്ന നിയമം നടപ്പിലാക്കുകയും പുനരുൽപാദനക്ഷമത സ്വയം ഉറപ്പുനൽകുകയും ചെയ്യുക. തെളിവായി സ്വകാര്യ ഡാറ്റ മറയ്ക്കുക.

ആപ്ലിക്കേഷൻ ടാസ്ക്

നിങ്ങൾ അടുത്തിടെ കണ്ടെത്തിയ ഒരു ബഗ് എടുത്ത് നിങ്ങളുടെ അസംസ്‌കൃത നിരീക്ഷണങ്ങളെ "നിരീക്ഷണത്തിനുള്ള റിപ്പോർട്ട്" പാറ്റേൺ ("ഫിറ്റിംഗ്" റൂളിനൊപ്പം) ഉപയോഗിച്ച് ഒരു റിപ്പോർട്ടാക്കി മാറ്റുക. തുടർന്ന് "പുനർനിർമ്മാണ പരിശോധന" നടത്തി അടയാളപ്പെടുത്തിയ വിടവുകൾ പൂരിപ്പിക്കുക. ഒരു സഹപ്രവർത്തകന് റിപ്പോർട്ട് നൽകുക, നിങ്ങളുടെ സഹായമില്ലാതെ അയാൾക്ക് പിശക് സൃഷ്ടിക്കാൻ കഴിയുമോ എന്ന് നോക്കുക. അവസാനമായി, "അക്രമം/മുൻഗണന കൺസൾട്ടൻ്റ്" ഉപയോഗിച്ച് ലേബലുകൾ നിർണ്ണയിക്കുകയും നിങ്ങളുടെ സ്വന്തം വിവേചനാധികാരത്തിൽ അത് അന്തിമമാക്കുകയും ചെയ്യുക. ഈ പ്രക്രിയയിൽ AI ഉണ്ടാക്കാൻ ശ്രമിക്കുന്ന ഏത് വിവരവും ശ്രദ്ധിക്കുക.

ചെക്ക്ലിസ്റ്റ്

• [ ] എൻ്റെ ശീർഷകം നിർദ്ദിഷ്ടവും തിരയാവുന്നതുമാണ്.
• [ ] പുനരുൽപ്പാദന ഘട്ടങ്ങൾ ആദ്യം മുതൽ, നിർണ്ണായകവും പൂർണ്ണവുമാണ്.
• [ ] ഞാൻ പ്രതീക്ഷിച്ചതും യഥാർത്ഥവുമായ ഫലങ്ങൾ വെവ്വേറെ എഴുതി.
• [ ] ക്രമീകരണവും തെളിവ് വിവരങ്ങളും പൂർത്തിയായി; ഞാൻ സ്വകാര്യ വിവരങ്ങൾ മറച്ചുവച്ചു.
• [ ] ഞാൻ AI-യിൽ "ഇത് ഉണ്ടാക്കുക, നഷ്ടപ്പെട്ടതായി അടയാളപ്പെടുത്തുക" നിയമം അടിച്ചേൽപ്പിക്കുകയും വിടവുകൾ സ്വയം നികത്തുകയും ചെയ്തു.
• [ ] ഞാൻ കാഠിന്യവും മുൻഗണനയും പ്രത്യേകം വിലയിരുത്തി അന്തിമ തീരുമാനമെടുത്തു.