ਲਾਭ:
- ਇਹ ਫਰਕ ਕਰਨ ਦੇ ਯੋਗ ਹੋਣਾ ਕਿ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ QA ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਅਸਲ ਸਮੇਂ ਦੀ ਕਿੱਥੇ ਬਚਤ ਕਰਦੀ ਹੈ ਅਤੇ ਜਿੱਥੇ ਕੰਮ ਦੇ ਜੋਖਮ ਪੱਧਰ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹੋਏ, 'ਪ੍ਰਕਾਸ਼ਨ ਲਈ ਤਿਆਰ' ਵਰਗੇ ਗੁਣਵੱਤਾ ਵਾਲੇ ਫੈਸਲੇ ਮਨੁੱਖਾਂ ਲਈ ਛੱਡ ਦਿੱਤੇ ਜਾਂਦੇ ਹਨ।
- ਝੂਠੇ ਪਾਸਾਂ ਦੇ ਜੋਖਮ ਨੂੰ ਪਛਾਣਨ ਅਤੇ ਇੱਕ ਤਸਦੀਕ ਅਨੁਸ਼ਾਸਨ ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਜੋ ਜਾਣਬੁੱਝ ਕੇ ਕੋਡ ਨੂੰ ਤੋੜ ਕੇ ਹਰੇਕ AI ਟੈਸਟ ਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ
- ਟੈਸਟ ਡੇਟਾ, ਨਿੱਜੀ ਡੇਟਾ ਅਤੇ ਕੁੰਜੀਆਂ ਦੀ ਰੱਖਿਆ ਕਰਨ ਦੀ ਸਮਰੱਥਾ, ਅਤੇ ਸਿਰਫ ਅਧਿਕਾਰ ਦੇ ਅੰਦਰ ਅਤੇ ਰੱਖਿਆਤਮਕ ਉਦੇਸ਼ਾਂ ਲਈ ਸੁਰੱਖਿਆ ਟੈਸਟਿੰਗ ਕਰਨ ਦੀ ਆਦਤ ਪ੍ਰਾਪਤ ਕਰੋ।
ਇੱਕ ਰਿਹਾਈ ਦੀ ਰਾਤ 'ਤੇ ਵਿਚਾਰ ਕਰੋ. ਸੈਂਕੜੇ ਟੈਸਟ ਚਲਾਏ ਗਏ, ਉਨ੍ਹਾਂ ਸਾਰਿਆਂ ਨੂੰ ਹਰੀ ਝੰਡੀ ਮਿਲੀ, ਟੀਮ ਨੂੰ ਰਾਹਤ ਮਿਲੀ ਅਤੇ ਸਾਫਟਵੇਅਰ ਲਾਈਵ ਹੋ ਗਿਆ। ਅਗਲੀ ਸਵੇਰ, ਗਾਹਕ ਨੇ ਰਿਪੋਰਟ ਕੀਤੀ ਕਿ ਭੁਗਤਾਨ ਸਕ੍ਰੀਨ ਕਰੈਸ਼ ਹੋ ਗਈ ਸੀ। ਟੈਸਟ ਹਰੇ ਸਨ ਪਰ ਉਸਨੂੰ ਗਲਤੀ ਨਹੀਂ ਦਿਖਾਈ ਦਿੱਤੀ। ਇਹ ਕੁਆਲਿਟੀ ਐਸ਼ੋਰੈਂਸ (QA) ਪੇਸ਼ੇ ਦਾ ਸਭ ਤੋਂ ਧੋਖਾਧੜੀ ਵਾਲਾ ਸੁਪਨਾ ਹੈ, ਯਾਨੀ, ਅਨੁਸ਼ਾਸਨ ਜੋ ਯੋਜਨਾਬੱਧ ਤੌਰ 'ਤੇ ਇਹ ਯਕੀਨੀ ਬਣਾਉਂਦਾ ਹੈ ਕਿ ਸੌਫਟਵੇਅਰ ਲੋੜੀਂਦੀ ਗੁਣਵੱਤਾ ਦਾ ਹੈ: ਉਹ ਟੈਸਟ ਜੋ ਹਰਾ ਚਮਕਦਾ ਹੈ ਪਰ ਅਸਲ ਵਿੱਚ ਕਿਸੇ ਵੀ ਚੀਜ਼ ਦੀ ਪੁਸ਼ਟੀ ਨਹੀਂ ਕਰਦਾ ਹੈ। ਜਦੋਂ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (AI — ਸੌਫਟਵੇਅਰ ਜੋ ਇਤਿਹਾਸਕ ਡੇਟਾ ਤੋਂ ਪੈਟਰਨ ਕੱਢਦਾ ਹੈ ਅਤੇ ਟੈਕਸਟ ਅਤੇ ਕੋਡ ਤਿਆਰ ਕਰਦਾ ਹੈ) ਇਸ ਪੇਸ਼ੇ ਵਿੱਚ ਦਾਖਲ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਇੱਥੇ ਇੱਕ ਬਹੁਤ ਵੱਡਾ ਪ੍ਰਵੇਗ ਅਤੇ ਬਿਲਕੁਲ ਇਸ ਭਿਆਨਕ ਸੁਪਨੇ ਦਾ ਵਿਸਤਾਰ ਹੁੰਦਾ ਹੈ। ਇਸ ਮੋਡੀਊਲ ਦਾ ਸ਼ੁਰੂਆਤੀ ਵਾਅਦਾ ਸਪੱਸ਼ਟ ਹੈ: AI ਇੱਕ ਟੈਸਟਿੰਗ ਸਹਾਇਕ, ਬਲੂਪ੍ਰਿੰਟ ਜਨਰੇਟਰ ਅਤੇ ਵਿਚਾਰ ਗੁਣਕ ਹੈ; ਤੁਸੀਂ ਟੈਸਟਰ ਹੋ ਜੋ "ਕੀ ਇਹ ਸਾਫਟਵੇਅਰ ਰੀਲੀਜ਼ ਲਈ ਤਿਆਰ ਹੈ" ਫੈਸਲੇ 'ਤੇ ਦਸਤਖਤ ਕਰਦਾ ਹੈ।
ਇਸ ਪਹਿਲੀ ਇਕਾਈ ਵਿੱਚ ਅਸੀਂ ਅਨੁਸ਼ਾਸਨ 'ਤੇ ਧਿਆਨ ਦੇਵਾਂਗੇ, ਔਜ਼ਾਰ 'ਤੇ ਨਹੀਂ। ਤੁਸੀਂ ਸਿੱਖੋਗੇ ਕਿ AI QA ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਅਸਲ ਸਮਾਂ ਕਿੱਥੇ ਬਚਾਉਂਦਾ ਹੈ, ਇਹ ਕਿੱਥੇ ਖ਼ਤਰਨਾਕ ਹੈ, ਧੋਖੇਬਾਜ਼ ਹਰੇ ਅਖੌਤੀ "ਗਲਤ-ਪਾਸ" ਸਭ ਤੋਂ ਵੱਡਾ ਜੋਖਮ ਕਿਉਂ ਹੈ, ਹਰੇਕ ਆਉਟਪੁੱਟ ਦੀ ਪੁਸ਼ਟੀ ਕਿਵੇਂ ਕਰਨੀ ਹੈ, ਅਤੇ ਤੁਸੀਂ ਕਿਸ ਟੂਲ ਨੂੰ ਕਿਹੜਾ ਡੇਟਾ ਦੇ ਸਕਦੇ ਹੋ। ਇਹ ਨੀਂਹ ਰੱਖਣ ਤੋਂ ਬਿਨਾਂ, ਅਗਲੀਆਂ ਇਕਾਈਆਂ ਹਵਾ ਵਿਚ ਹੀ ਰਹਿਣਗੀਆਂ.
ਟੈਸਟਿੰਗ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ AI ਕਿੱਥੇ ਕੰਮ ਆਉਂਦਾ ਹੈ?
ਆਉ ਟੈਸਟਿੰਗ ਨੌਕਰੀਆਂ ਨੂੰ ਦੋ ਵੱਡੇ ਕਲੱਸਟਰਾਂ ਵਿੱਚ ਵੰਡੀਏ। ਪਹਿਲਾ ਸਮੂਹ: ਦੁਹਰਾਉਣ ਵਾਲੀਆਂ, ਉਤਪਾਦਕ, ਡਰਾਫਟ ਨੌਕਰੀਆਂ। ਇੱਕ ਲੋੜ ਤੋਂ ਇੱਕ ਟੈਸਟ ਕੇਸ ਦਾ ਖਰੜਾ ਤਿਆਰ ਕਰਨਾ, ਬ੍ਰੇਕਪੁਆਇੰਟਾਂ ਨੂੰ ਸੂਚੀਬੱਧ ਕਰਨਾ, ਇੱਕ ਸਕ੍ਰੀਨ ਲਈ ਇੱਕ ਆਟੋਮੇਸ਼ਨ ਕੋਡ ਸਕੈਲਟਨ ਲਿਖਣਾ, ਇੱਕ ਗੁੰਝਲਦਾਰ ਗਲਤੀ ਕੇਸ ਨੂੰ ਇੱਕ ਸਾਫ਼ ਤਰੁਟੀ ਰਿਪੋਰਟ ਵਿੱਚ ਅਨੁਵਾਦ ਕਰਨਾ, ਲੌਗ ਫਾਈਲਾਂ ਦੀਆਂ ਸੈਂਕੜੇ ਲਾਈਨਾਂ ਦਾ ਸਾਰ ਦੇਣਾ, ਇੱਕ API ਜਵਾਬ ਤੋਂ ਇੱਕ ਸਕੀਮਾ ਕੱਢਣਾ। ਇਹਨਾਂ ਕੰਮਾਂ ਵਿੱਚ, AI ਮਿੰਟਾਂ ਤੋਂ ਸਕਿੰਟਾਂ ਤੱਕ ਘਟਾ ਦਿੰਦਾ ਹੈ ਅਤੇ ਥੱਕਦਾ ਨਹੀਂ ਹੈ।
ਦੂਜਾ ਸਮੂਹ: ਅਜਿਹੇ ਫੈਸਲੇ ਜਿਨ੍ਹਾਂ ਦਾ ਨਤੀਜਾ ਗੁਣਵੱਤਾ, ਭਰੋਸਾ ਅਤੇ ਜ਼ਿੰਮੇਵਾਰੀ ਹੈ। "ਕੀ ਇਹ ਸੰਸਕਰਣ ਲਾਈਵ ਹੋ ਸਕਦਾ ਹੈ", "ਕੀ ਇਹ ਬੱਗ ਗੰਭੀਰ ਹੈ ਜਾਂ ਇਸਨੂੰ ਮੁਲਤਵੀ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ", "ਕੀ ਇਹ ਟੈਸਟ ਕਵਰੇਜ ਕਾਫ਼ੀ ਹੈ", "ਕੀ ਇਹ ਦ੍ਰਿਸ਼ ਅਸਲ ਉਪਭੋਗਤਾ ਜੋਖਮ ਨੂੰ ਹਾਸਲ ਕਰਦਾ ਹੈ" ਆਦਿ ਵਰਗੇ ਫੈਸਲਿਆਂ ਲਈ ਸੰਦਰਭ, ਉਤਪਾਦ ਗਿਆਨ ਅਤੇ ਜ਼ਿੰਮੇਵਾਰੀ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਇੱਥੇ AI ਵਿਕਲਪ, ਡਰਾਫਟ ਤਿਆਰ ਕਰਦਾ ਹੈ - ਪਰ ਤੁਸੀਂ "ਪਾਸ/ਫੇਲ" ਅਤੇ "ਗੋ/ਨੋ ਗੋ" ਦਾ ਫੈਸਲਾ ਕਰਦੇ ਹੋ।
ਆਓ ਇੱਕ ਵਾਕ ਵਿੱਚ ਅੰਤਰ ਨੂੰ ਸਪੱਸ਼ਟ ਕਰੀਏ: AI "ਕਿਹੜੀਆਂ ਸਥਿਤੀਆਂ ਦੀ ਜਾਂਚ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ ਅਤੇ ਕੋਡ ਨੂੰ ਕਿਵੇਂ ਲਿਖਣਾ ਹੈ ਜੋ ਇਸਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ" ਵਿੱਚ ਮਜ਼ਬੂਤ ਹੈ; ਫੈਸਲਾ ਤੁਹਾਡਾ ਹੈ ਜਦੋਂ ਇਹ ਸਵਾਲ ਆਉਂਦਾ ਹੈ "ਕੀ ਇਹ ਸੌਫਟਵੇਅਰ ਅਸਲ ਵਿੱਚ ਕੰਮ ਕਰਦਾ ਹੈ ਅਤੇ ਕੌਣ ਇਸਦਾ ਸਮਰਥਨ ਕਰਦਾ ਹੈ?"
ਨੁਕਤਾ: AI ਨੂੰ ਕੋਈ ਨੌਕਰੀ ਸੌਂਪਣ ਤੋਂ ਪਹਿਲਾਂ, ਪੁੱਛੋ: "ਜੇਕਰ ਇਹ ਆਉਟਪੁੱਟ ਗਲਤ ਹੈ ਅਤੇ ਮੈਨੂੰ ਨੋਟਿਸ ਨਹੀਂ ਹੁੰਦਾ ਤਾਂ ਕੀ ਹੁੰਦਾ ਹੈ?" ਜੇ ਜਵਾਬ ਹੈ "ਮੈਂ ਕੁਝ ਮਿੰਟ ਗੁਆ ਦੇਵਾਂਗਾ", ਤਾਂ ਆਸਾਨੀ ਨਾਲ ਡੈਲੀਗੇਟ ਕਰੋ। ਜੇਕਰ ਜਵਾਬ "ਨੁਕਸਦਾਰ ਸੌਫਟਵੇਅਰ ਲਾਈਵ ਹੋ ਜਾਂਦਾ ਹੈ" ਹੈ, ਤਾਂ AI ਨੂੰ ਡਰਾਫਟ ਤਿਆਰ ਕਰਨ ਦਿਓ ਅਤੇ ਤੁਸੀਂ ਫੈਸਲਾ ਅਤੇ ਤਸਦੀਕ ਕਰੋ।
ਗਲਤ ਪਾਸ: QA ਵਿੱਚ AI ਦਾ ਨੰਬਰ ਇੱਕ ਜੋਖਮ
ਜਦੋਂ ਇੱਕ ਟੈਸਟ ਹਰੇ ਰੰਗ ਦਾ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਇਸਦਾ ਮਤਲਬ ਦੋ ਚੀਜ਼ਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ: ਜਾਂ ਤਾਂ ਸੌਫਟਵੇਅਰ ਅਸਲ ਵਿੱਚ ਸਹੀ ਢੰਗ ਨਾਲ ਕੰਮ ਕਰ ਰਿਹਾ ਹੈ, ਜਾਂ ਇਹ ਬੱਗ ਨਹੀਂ ਦੇਖ ਰਿਹਾ ਕਿਉਂਕਿ ਟੈਸਟ ਗਲਤ ਲਿਖਿਆ ਗਿਆ ਸੀ। ਦੂਜੇ ਨੂੰ ਝੂਠਾ ਪਾਸ ਕਿਹਾ ਜਾਂਦਾ ਹੈ - ਟੈਸਟ "ਪਾਸ" ਕਹਿੰਦਾ ਹੈ ਪਰ ਅਸਲ ਵਿੱਚ ਕਿਸੇ ਵੀ ਚੀਜ਼ ਦੀ ਪੁਸ਼ਟੀ ਨਹੀਂ ਕਰਦਾ। ਇਹ ਖਤਰਾ AI ਨਾਲ ਤਿਆਰ ਕੀਤੇ ਗਏ ਟੈਸਟਾਂ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਤੌਰ 'ਤੇ ਵੱਧ ਜਾਂਦਾ ਹੈ, ਕਿਉਂਕਿ AI, ਨਿਰਵਿਘਨ, ਨਿਰਵਿਘਨ ਦਿੱਖ ਵਾਲੇ ਪਰ ਖਾਲੀ ਟੈਸਟਾਂ ਨੂੰ ਲਿਖਣ ਵਿੱਚ ਬਹੁਤ ਸਫਲ ਹੁੰਦਾ ਹੈ।
ਸੂਡੋ-ਪਾਸ ਦੇ ਤਿੰਨ ਸਭ ਤੋਂ ਆਮ ਰੂਪ ਹਨ: (1) ਬਿਨਾਂ ਦਾਅਵੇ ਦੇ ਟੈਸਟਿੰਗ — ਕੋਡ ਚੱਲਦਾ ਹੈ, ਕੋਈ ਦਾਅਵਾ ਨਹੀਂ ਰੱਖਦਾ, ਹਮੇਸ਼ਾ ਪਾਸ ਹੁੰਦਾ ਹੈ। (2) ਸਵੈ-ਤਸਦੀਕ ਟੈਸਟ - ਟੈਸਟ ਦੇ ਸੰਭਾਵਿਤ ਮੁੱਲ ਨੂੰ ਟੈਸਟ ਦੇ ਅਧੀਨ ਕੋਡ ਦੇ ਆਉਟਪੁੱਟ ਤੋਂ ਗਿਣਿਆ ਜਾਂਦਾ ਹੈ; ਭਾਵ, ਜੋ ਵੀ ਕੋਡ ਪੈਦਾ ਕਰਦਾ ਹੈ, ਟੈਸਟ "ਸਹੀ" ਵਜੋਂ ਸਵੀਕਾਰ ਕਰਦਾ ਹੈ। (3) ਟੈਸਟ ਜੋ ਗਲਤ ਚੀਜ਼ ਦੀ ਪੁਸ਼ਟੀ ਕਰਦਾ ਹੈ — ਦਾਅਵਾ ਮੌਜੂਦ ਹੈ, ਪਰ ਇਹ ਕਿਸੇ ਮਾਮੂਲੀ ਚੀਜ਼ ਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ (ਜਿਵੇਂ ਕਿ "ਜਵਾਬ ਖਾਲੀ ਨਹੀਂ ਹੈ"), ਅਸਲ ਕਾਰੋਬਾਰੀ ਨਿਯਮ ਨਹੀਂ।
ਸਾਵਧਾਨ: ਇੱਕ ਹਰਾ ਟੈਸਟ ਪੈਨਲ ਗੁਣਵੱਤਾ ਦਾ ਸਬੂਤ ਨਹੀਂ ਹੈ; ਸਭ ਤੋਂ ਵਧੀਆ ਇਹ ਕਹਿੰਦਾ ਹੈ "ਜੋ ਨਿਯੰਤਰਣ ਅਸੀਂ ਲਿਖੇ ਹਨ ਉਹ ਇਸ ਸਮੇਂ ਟੁੱਟੇ ਨਹੀਂ ਹਨ"। AI ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੇ ਗਏ ਟੈਸਟ 'ਤੇ "ਪਾਸ" ਨੂੰ ਦੇਖ ਕੇ ਦਿਲਾਸਾ ਨਾ ਲਓ - ਅਸਲ ਸਵਾਲ ਇਹ ਹੈ: ਕੀ ਇਹ ਟੈਸਟ ਲਾਲ ਹੋ ਜਾਵੇਗਾ ਜੇਕਰ ਮੈਂ ਜਾਣਬੁੱਝ ਕੇ ਕੋਡ ਨੂੰ ਤੋੜਦਾ ਹਾਂ? ਜੇ ਇਹ ਘੁੰਮਦਾ ਨਹੀਂ ਹੈ, ਤਾਂ ਇਹ ਟੈਸਟ ਇੱਕ ਸ਼ਿੰਗਾਰ ਹੈ.
ਸੁਨਹਿਰੀ ਨਿਯਮ ਜੋ ਇਸ ਮੋਡੀਊਲ ਵਿੱਚ ਦੁਹਰਾਉਂਦਾ ਹੈ: ਕੋਡ ਨੂੰ ਜਾਣਬੁੱਝ ਕੇ ਤੋੜ ਕੇ ਹਰੇਕ AI ਟੈਸਟ ਦੀ ਜਾਂਚ ਕਰੋ। ਜੇਕਰ ਟੈਸਟ ਅਜੇ ਵੀ ਹਰਾ ਹੈ, ਤਾਂ ਉਹ ਟੈਸਟ ਕੰਮ ਨਹੀਂ ਕਰ ਰਿਹਾ ਹੈ। (ਅਸੀਂ ਇਸ ਵਿਚਾਰ ਨੂੰ ਯੂਨਿਟ 10 ਵਿੱਚ ਪਰਿਵਰਤਨ ਜਾਂਚ ਦੇ ਰੂਪ ਵਿੱਚ ਡੂੰਘਾ ਕਰਾਂਗੇ।)
ਪੁਸ਼ਟੀਕਰਨ ਅਨੁਸ਼ਾਸਨ: ਤਿੰਨ ਕਦਮ
AI ਭਰੋਸੇ ਨਾਲ ਬੋਲਦਾ ਹੈ; ਇਸਦਾ ਮਤਲਬ ਇਹ ਨਹੀਂ ਕਿ ਇਹ ਸੱਚ ਹੈ। ਹਰੇਕ ਨਤੀਜੇ 'ਤੇ ਲਾਗੂ ਕਰਨ ਲਈ ਤਿੰਨ-ਪੜਾਅ ਪ੍ਰਤੀਬਿੰਬ ਵਿਕਸਿਤ ਕਰੋ:
- ਇਸ ਨੂੰ ਲੋੜ ਅਨੁਸਾਰ ਬੰਨ੍ਹੋ। ਹਰੇਕ ਟੈਸਟ ਕੇਸ ਅਤੇ ਦਾਅਵਾ ਕਰਦਾ ਹੈ ਕਿ AI ਪੈਦਾ ਕਰਦਾ ਹੈ ਇੱਕ ਅਸਲ ਲੋੜ ਜਾਂ ਸਵੀਕ੍ਰਿਤੀ ਦੇ ਮਾਪਦੰਡ (ਸ਼ਰਤਾਂ ਜੋ ਕਿ "ਹੋ ਗਿਆ" ਮੰਨੇ ਜਾਣ ਲਈ ਨੌਕਰੀ ਨੂੰ ਪੂਰਾ ਕਰਨਾ ਲਾਜ਼ਮੀ ਹੈ) 'ਤੇ ਅਧਾਰਤ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ। "ਇਹ ਦ੍ਰਿਸ਼ ਕਿਸ ਨਿਯਮ ਦੀ ਪੁਸ਼ਟੀ ਕਰਦਾ ਹੈ?" ਪੁੱਛੋ
- ਲਾਲ ਵੇਖੋ. ਕੋਡ ਨੂੰ ਤੋੜਦੇ ਹੋਏ, ਤਿਆਰ ਕੀਤੇ ਟੈਸਟ ਨੂੰ ਇੱਕ ਵਾਰ ਚਲਾਓ। ਜੇਕਰ ਇਹ ਲਾਲ ਨਹੀਂ ਹੁੰਦਾ, ਤਾਂ ਟੈਸਟ ਅਵੈਧ ਹੈ। ਇਹ AI ਟੈਸਟਿੰਗ ਵਿੱਚ ਗੈਰ-ਵਿਵਾਦਯੋਗ ਕਦਮ ਹੈ।
- ਇਸ ਨੂੰ ਸੰਦਰਭ ਫਿਲਟਰ ਰਾਹੀਂ ਪਾਸ ਕਰੋ। ਕੀ ਆਉਟਪੁੱਟ ਉਸ ਨਾਲ ਮੇਲ ਖਾਂਦੀ ਹੈ ਜੋ ਤੁਸੀਂ ਜਾਣਦੇ ਹੋ ਕਿ ਉਤਪਾਦ ਵਿਵਹਾਰ, ਆਰਕੀਟੈਕਚਰ, ਅਸਲ ਉਪਭੋਗਤਾ ਪ੍ਰਵਾਹ ਹੈ? ਤੁਹਾਡਾ ਡੋਮੇਨ ਗਿਆਨ ਅੰਤਮ ਫਿਲਟਰ ਹੈ।
ਡੇਟਾ ਗੋਪਨੀਯਤਾ ਅਤੇ ਸੁਰੱਖਿਆ: ਕੀ ਕਿੱਥੇ ਜਾਂਦਾ ਹੈ?
ਟੈਸਟ ਵਾਤਾਵਰਨ ਵਿੱਚ ਜਿਸ ਡੇਟਾ ਨਾਲ ਤੁਸੀਂ ਕੰਮ ਕਰਦੇ ਹੋ ਉਹ ਅਕਸਰ ਸੰਵੇਦਨਸ਼ੀਲ ਹੁੰਦਾ ਹੈ: ਅਸਲ ਗਾਹਕ ਰਿਕਾਰਡ, ਉਤਪਾਦਨ ਡੇਟਾਬੇਸ ਕਾਪੀਆਂ, API ਕੁੰਜੀਆਂ, ਅੰਦਰੂਨੀ ਸਿਸਟਮ ਪਤੇ, ਅਜੇ ਤੱਕ ਐਲਾਨੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ। ਇੱਕ ਸਧਾਰਨ ਵਰਗੀਕਰਣ ਬਣਾਓ: ਓਪਨ ਡੇਟਾ (ਦਸਤਾਵੇਜ਼ਿਤ, ਜਨਤਕ ਤੌਰ 'ਤੇ ਉਪਲਬਧ) ਕਿਸੇ ਵੀ ਵਾਹਨ ਵਿੱਚ ਦਾਖਲ ਹੋ ਸਕਦਾ ਹੈ। ਅੰਦਰੂਨੀ ਡੇਟਾ (ਸਰੋਤ ਕੋਡ ਦੇ ਟੁਕੜੇ, ਅੰਦਰੂਨੀ ਦਸਤਾਵੇਜ਼) ਸਿਰਫ਼ ਏਜੰਸੀ-ਪ੍ਰਵਾਨਿਤ ਸਾਧਨਾਂ ਲਈ। ਗੁਪਤ ਡੇਟਾ (ਅਸਲ ਗਾਹਕ ਡੇਟਾ, ਪਛਾਣ ਜਾਣਕਾਰੀ, ਕਮਜ਼ੋਰੀ ਵੇਰਵੇ, ਕੁੰਜੀਆਂ) ਸਿਰਫ ਸੰਸਥਾ ਦੇ ਇਕਰਾਰਨਾਮੇ ਵਾਲੇ ਸਾਧਨਾਂ ਵਿੱਚ ਦਾਖਲ ਹੁੰਦਾ ਹੈ, ਜਿਸਦਾ ਡੇਟਾ ਮਾਡਲ ਸਿਖਲਾਈ ਵਿੱਚ ਨਹੀਂ ਜਾਂਦਾ, ਤਰਜੀਹੀ ਤੌਰ 'ਤੇ ਮਾਸਕ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
ਸੁਰੱਖਿਆ ਜਾਂਚ ਦੇ ਸੰਦਰਭ ਵਿੱਚ ਇੱਕ ਵਾਧੂ ਸੀਮਾ ਹੈ: ਇਸ ਮੋਡੀਊਲ ਵਿੱਚ ਸਿੱਖੀ ਗਈ ਹਰ ਚੀਜ਼ ਰੱਖਿਆਤਮਕ ਉਦੇਸ਼ਾਂ ਲਈ ਹੈ — ਤੁਹਾਡੇ ਆਪਣੇ ਉਤਪਾਦ ਦੀ ਸੁਰੱਖਿਆ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਰੂਪ ਵਿੱਚ ਪਰਖਣ ਲਈ। ਬਿਨਾਂ ਇਜਾਜ਼ਤ ਕਿਸੇ ਹੋਰ ਦੇ ਸਿਸਟਮ ਵਿੱਚ ਘੁਸਪੈਠ ਕਰਨ ਲਈ AI ਦੀ ਵਰਤੋਂ ਕਰਨਾ, ਅਸਲ ਕਮਜ਼ੋਰੀਆਂ ਨੂੰ ਹਥਿਆਰ ਬਣਾਉਣਾ, ਜਾਂ ਅਜਿਹੀ ਪ੍ਰਣਾਲੀ ਦੀ ਜਾਂਚ ਕਰਨਾ ਜਿਸ ਲਈ ਤੁਹਾਡੇ ਕੋਲ ਕੋਈ ਅਧਿਕਾਰ ਨਹੀਂ ਹੈ, ਦੋਵੇਂ ਅਨੈਤਿਕ ਅਤੇ ਅਪਰਾਧਿਕ ਹਨ। ਅਧਿਕਾਰ (ਸਕੋਪ ਅਤੇ ਇਜਾਜ਼ਤ) ਤੋਂ ਬਿਨਾਂ ਕੋਈ ਅਪਮਾਨਜਨਕ ਟੈਸਟਿੰਗ ਨਹੀਂ ਕੀਤੀ ਜਾਵੇਗੀ।
ਸੰਕੇਤ: ਅਸਲ ਗਾਹਕ ਡੇਟਾ ਦੀ ਬਜਾਏ ਸਿੰਥੈਟਿਕ (ਨਕਲੀ ਤੌਰ 'ਤੇ ਤਿਆਰ) ਟੈਸਟ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਰੋ। AI ਨੂੰ "ਯਥਾਰਥਵਾਦੀ ਪਰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਕਾਲਪਨਿਕ ਟੈਸਟ ਡੇਟਾ ਤਿਆਰ ਕਰਨ" ਲਈ ਕਹਿਣਾ ਦੋਵੇਂ ਗੋਪਨੀਯਤਾ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਦਾ ਹੈ ਅਤੇ ਕਿਨਾਰੇ ਦੇ ਮਾਮਲਿਆਂ ਨੂੰ ਵਿਭਿੰਨ ਬਣਾਉਂਦਾ ਹੈ।
ਤਿੰਨ ਛੋਟੇ ਕੇਸ
ਕੇਸ 1 - ਸਹੀ ਥਾਂ 'ਤੇ ਸਮਾਂ ਬਚਾਉਣ ਵਾਲਾ। Ekomerce ਟੀਮ ਦੇ ਟੈਸਟਰ ਨੇ ਹਰੇਕ ਰੀਲੀਜ਼ ਲਈ 30-ਪੰਨਿਆਂ ਦੀਆਂ ਲੋੜਾਂ ਵਾਲੇ ਦਸਤਾਵੇਜ਼ਾਂ ਤੋਂ ਇੱਕ ਟੈਸਟ ਦ੍ਰਿਸ਼ ਬਣਾਉਣ ਲਈ ਹੱਥੀਂ 6 ਘੰਟੇ ਬਿਤਾਏ। ਉਸਨੇ YZ ਨੂੰ ਦਸਤਾਵੇਜ਼ (ਉਹ ਹਿੱਸਾ ਜਿਸ ਵਿੱਚ ਵਪਾਰਕ ਭੇਦ ਨਹੀਂ ਸਨ) ਦਿੱਤਾ ਅਤੇ ਇੱਕ ਸਟ੍ਰਕਚਰਡ ਦ੍ਰਿਸ਼ ਡਰਾਫਟ ਮੰਗਿਆ; ਸਮਾਂ ਘਟਾ ਕੇ 90 ਮਿੰਟ ਕਰ ਦਿੱਤਾ ਗਿਆ। ਉਸਨੇ ਆਪਣੇ ਆਪ ਦੁਆਰਾ ਤਸਦੀਕ ਕਰਨ ਲਈ ਬਚਾਇਆ ਸਮਾਂ ਬਿਜ਼ਨਸ-ਰੂਲ ਏਜ ਕੇਸਾਂ ਨੂੰ ਜੋੜਿਆ ਜੋ AI ਖੁੰਝ ਗਏ ਸਨ। ਏਆਈ ਨੇ ਦੁਹਰਾਉਣ ਵਾਲੇ ਕੰਮ ਨੂੰ ਦੂਰ ਕਰ ਦਿੱਤਾ, ਨਿਰਣਾ ਮਨੁੱਖ ਉੱਤੇ ਛੱਡ ਦਿੱਤਾ।
ਕੇਸ 2 - ਜਾਅਲੀ ਪਾਸ ਕਰਨ ਵਾਲਾ ਫੜਿਆ ਗਿਆ। ਇੱਕ ਡਿਵੈਲਪਰ ਕੋਲ ਇੱਕ ਕੰਪਿਊਟ ਫੰਕਸ਼ਨ ਲਈ ਏਆਈ ਰਾਈਟ 12 ਯੂਨਿਟ ਟੈਸਟ ਸਨ; ਉਹ ਸਾਰੇ ਹਰੇ ਸਨ। ਟੈਸਟਰ ਨੇ "ਲਾਲ ਦੇਖੋ" ਪੜਾਅ ਨੂੰ ਲਾਗੂ ਕੀਤਾ: ਜਾਣਬੁੱਝ ਕੇ ਫੰਕਸ਼ਨ ਦੇ ਅੰਦਰ ਜੋੜ ਚਿੰਨ੍ਹ ਨੂੰ ਗੁਣਾ ਵਿੱਚ ਬਦਲਣਾ। 12 ਵਿੱਚੋਂ ਸਿਰਫ਼ 3 ਟੈਸਟ ਹੀ ਰੈੱਡ ਵਾਪਸ ਆਏ। ਹੋਰ 9 ਟੈਸਟਾਂ ਨੇ ਕੋਈ ਅਸਲ ਪੁਸ਼ਟੀ ਨਹੀਂ ਕੀਤੀ; ਇਸਨੇ ਸਿਰਫ ਕਿਹਾ "ਇਸਨੇ ਕੋਈ ਗਲਤੀ ਨਹੀਂ ਸੁੱਟੀ"। 9 ਸਜਾਵਟੀ ਟੈਸਟਾਂ ਨੂੰ ਮਿਟਾ ਦਿੱਤਾ ਗਿਆ ਸੀ ਅਤੇ ਇਸ ਦੀ ਬਜਾਏ 5 ਅਸਲੀ ਟੈਸਟ ਲਿਖੇ ਗਏ ਸਨ।
ਕੇਸ 3 - ਗੋਪਨੀਯਤਾ ਦੀ ਉਲੰਘਣਾ ਤੋਂ ਵਾਪਸੀ। ਇੱਕ ਇੰਟਰਨ ਨੇ ਇੱਕ ਜਨਤਕ ਟੂਲ ਵਿੱਚ ਪ੍ਰੋਡਕਸ਼ਨ ਡੇਟਾਬੇਸ ਤੋਂ ਅਸਲ ਗਾਹਕ ਈਮੇਲਾਂ ਅਤੇ ਕਾਰਡ ਦੇ ਆਖਰੀ ਚਾਰ ਅੰਕਾਂ ਵਾਲਾ ਇੱਕ ਗਲਤੀ ਲੌਗ ਪੇਸਟ ਕੀਤਾ ਅਤੇ ਕਿਹਾ "ਇਸ ਗਲਤੀ ਦੀ ਵਿਆਖਿਆ ਕਰੋ।" QA ਨੇਤਾ ਨੇ ਦਖਲ ਦਿੱਤਾ: ਇਹ ਨਿੱਜੀ ਡੇਟਾ ਨਿਯੰਤਰਣ ਤੋਂ ਬਾਹਰ ਸੀ ਅਤੇ KVKK (ਪਰਸਨਲ ਡੇਟਾ ਪ੍ਰੋਟੈਕਸ਼ਨ ਕਾਨੂੰਨ) ਦੀ ਉਲੰਘਣਾ ਸੀ। ਇਹੀ ਕੰਮ ਇੱਕ ਸੰਸਥਾ ਦੁਆਰਾ ਪ੍ਰਵਾਨਿਤ ਵਾਹਨ ਵਿੱਚ ਕੀਤਾ ਗਿਆ ਸੀ, ਨਿੱਜੀ ਖੇਤਰਾਂ ਨੂੰ ਮਾਸਕਿੰਗ ਅਤੇ ਸਿਰਫ ਇੱਕ ਸਟੈਕ ਟਰੇਸ ਛੱਡ ਕੇ.
ਚਾਰ ਕਾਪੀ ਕਰਨ ਯੋਗ ਟੈਂਪਲੇਟ
1) ਨੌਕਰੀ ਦੀ ਅਨੁਕੂਲਤਾ ਦਾ ਮੁਲਾਂਕਣ:
ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਸੀਨੀਅਰ QA ਨੇਤਾ। ਮੈਂ ਤੁਹਾਨੂੰ ਇੱਕ ਟੈਸਟਿੰਗ ਨੌਕਰੀ ਦਾ ਵਰਣਨ ਕਰਾਂਗਾ। ਮੈਨੂੰ ਦੱਸੋ (1) ਕੀ ਇਹ ਕੰਮ ਡਰਾਫਟ/ਵਿਸ਼ਲੇਸ਼ਣ ਦਾ ਕੰਮ ਹੈ ਜੋ AI ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੂਪ ਨਾਲ ਸੌਂਪਿਆ ਜਾ ਸਕਦਾ ਹੈ ਜਾਂ ਇੱਕ ਗੁਣਵੱਤਾ ਦਾ ਫੈਸਲਾ ਜੋ ਮਨੁੱਖ ਨੂੰ ਲੈਣਾ ਚਾਹੀਦਾ ਹੈ, (2) ਗਲਤ ਆਉਟਪੁੱਟ ਦੀ ਸੰਭਾਵੀ ਲਾਗਤ, (3) ਤਸਦੀਕ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਮੈਨੂੰ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ। ਨੌਕਰੀ: [ਇੱਥੇ ਨੌਕਰੀ ਪਾਓ]
2) ਸੂਡੋ-ਪਾਸ ਨਿਯੰਤਰਣ:
ਹੇਠਾਂ ਦਿੱਤੇ ਟੈਸਟ ਦੀ ਜਾਂਚ ਕਰੋ। ਮੈਨੂੰ ਦੱਸੋ:- ਇਹ ਟੈਸਟ ਕਿਸ ਵਿਹਾਰ ਦੀ ਪੁਸ਼ਟੀ ਕਰਦਾ ਹੈ? (ਇੱਕ ਵਾਕ)- ਮੈਂ ਟੈਸਟ ਦੇ ਤਹਿਤ ਕੋਡ ਨੂੰ ਕਿਵੇਂ ਤੋੜ ਸਕਦਾ ਹਾਂ ਤਾਂ ਕਿ ਟੈਸਟ ਲਾਲ ਹੋ ਜਾਵੇ?- ਕੀ ਕੋਈ ਅਜਿਹੀ ਕਮਜ਼ੋਰੀ ਹੈ ਜੋ ਇਸ ਟੈਸਟ ਨੂੰ ਹਮੇਸ਼ਾ ਪਾਸ ਕਰ ਸਕਦੀ ਹੈ (ਗੁੰਮ ਦਾਅਵਾ, ਸਵੈ-ਪ੍ਰਮਾਣਿਕਤਾ, ਮਾਮੂਲੀ ਜਾਂਚ)? ਟੈਸਟ: [ਇੱਥੇ ਟੈਸਟ ਪੇਸਟ ਕਰੋ]
3) ਟੈਸਟ ਡੇਟਾ ਮਾਸਕਿੰਗ ਨਿਯੰਤਰਣ:
ਜੋ ਲੌਗ/ਡਾਟਾ ਮੈਂ ਤੁਹਾਨੂੰ ਦੇਵਾਂਗਾ ਉਸ ਵਿੱਚ ਨਿੱਜੀ ਜਾਂ ਗੁਪਤ ਖੇਤਰ (ਈ-ਮੇਲ, ਨਾਮ, ਕਾਰਡ, ਕੁੰਜੀ, ਅੰਦਰੂਨੀ ਪਤਾ) ਸ਼ਾਮਲ ਹੋ ਸਕਦੇ ਹਨ। ਪਹਿਲਾਂ, ਉਹਨਾਂ ਖੇਤਰਾਂ ਦੀ ਸੂਚੀ ਬਣਾਓ ਜਿਹਨਾਂ ਨੂੰ ਮਾਸਕ ਕਰਨ ਦੀ ਲੋੜ ਹੈ; ਮੈਂ ਇਸਨੂੰ ਮਾਸਕ ਕਰਾਂਗਾ ਅਤੇ ਇਸਨੂੰ ਦੁਬਾਰਾ ਭੇਜਾਂਗਾ। ਇਸ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਨਾ ਕਰੋ ਜਿਵੇਂ ਇਹ ਹੈ.
4) ਸਿੰਥੈਟਿਕ ਟੈਸਟ ਡਾਟਾ ਜਨਰੇਸ਼ਨ:
[ਹੇਠਾਂ ਦਿੱਤੇ ਖੇਤਰ ਢਾਂਚੇ] ਲਈ ਪੂਰੀ ਤਰ੍ਹਾਂ ਕਾਲਪਨਿਕ, ਯਥਾਰਥਵਾਦੀ ਟੈਸਟ ਡੇਟਾ ਦੀਆਂ 20 ਕਤਾਰਾਂ ਤਿਆਰ ਕਰੋ। ਅਸਲ ਵਿਅਕਤੀ/ਸੰਗਠਨ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਨਾ ਕਰੋ। ਕਿਨਾਰੇ ਦੇ ਕੇਸ ਵੀ ਸ਼ਾਮਲ ਕਰੋ: ਖਾਲੀ ਥਾਂ, ਬਹੁਤ ਲੰਮਾ ਟੈਕਸਟ, ਸੀਮਾ ਮੁੱਲ, ਅਵੈਧ ਫਾਰਮੈਟ।
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਕਮਜ਼ੋਰ: "ਇਸ ਕੋਡ 'ਤੇ ਟੈਸਟ ਲਿਖੋ।"
ਮਜ਼ਬੂਤ: "ਛੂਟ ਫੰਕਸ਼ਨ ਲਈ ਇਸ ਲਿਖੋ ਯੂਨਿਟ ਟੈਸਟਾਂ ਦੀ ਗਣਨਾ ਕਰੋ। ਫੰਕਸ਼ਨ ਲਈ ਸਵੀਕ੍ਰਿਤੀ ਮਾਪਦੰਡ: 1000 TL ਉੱਤੇ 10% ਛੂਟ, 5000 TL ਉੱਤੇ 20% ਛੂਟ; ਨਕਾਰਾਤਮਕ ਰਕਮ ਇੱਕ ਤਰੁੱਟੀ ਪੈਦਾ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ। ਇੱਕ ਟਿੱਪਣੀ ਲਾਈਨ ਦੇ ਨਾਲ ਦੱਸੋ ਕਿ ਤੁਸੀਂ ਹਰੇਕ ਟੈਸਟ ਲਈ ਪ੍ਰਮਾਣਿਤ ਕਰ ਰਹੇ ਹੋ, ਕਿਸ ਨਿਯਮ ਦੀ ਜਾਂਚ ਕਰੋ। ਮੁੱਲ, 1900 1900 ਦੀ ਜਾਂਚ ਕਰੋ। 5000, 0, -1) ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਵਰਤੋ ਜੋ ਲਾਲ ਹੋ ਜਾਣਗੇ ਜੇਕਰ ਮੈਂ ਕੋਡ ਨੂੰ ਖਾਲੀ ਕਰਾਂਗਾ ਜਾਂ ਮਾਮੂਲੀ ਦਾਅਵਾ ਨਹੀਂ ਲਿਖਾਂਗਾ।"
ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰੋਂਪਟ; ਇਹ ਸਵੀਕ੍ਰਿਤੀ ਦੇ ਮਾਪਦੰਡ, ਸੀਮਾ ਮੁੱਲ, ਪ੍ਰਮਾਣਿਕਤਾ ਉਮੀਦਾਂ, ਅਤੇ ਸਪੱਸ਼ਟ ਐਂਟੀ-ਸਪੂਫਿੰਗ ਨਿਰਦੇਸ਼ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ ਏਆਈ ਨੂੰ ਸਜਾਵਟੀ ਟੈਸਟ ਲਿਖਣ ਲਈ ਸੱਦਾ ਦਿੰਦਾ ਹੈ।
ਆਮ ਗਲਤੀਆਂ
- ਹਰੇ ਭਰੋਸੇ। ਇਹ ਸੋਚ ਕੇ ਇਮਤਿਹਾਨ ਪਾਸ ਕਰਨਾ ਹੀ ਸਬੂਤ ਹੈ। ਅਸਲ ਸਵਾਲ ਇਹ ਹੈ: ਕੀ ਇਹ ਲਾਲ ਹੋ ਜਾਂਦਾ ਹੈ ਜਦੋਂ ਤੁਸੀਂ ਕੋਡ ਤੋੜਦੇ ਹੋ?
- ਬਿਨਾਂ ਕੋਈ ਕਾਰਨ ਦੱਸੇ ਟੈਸਟ ਲਈ ਬੇਨਤੀ ਕੀਤੀ। AI ਇਹ ਜਾਣੇ ਬਿਨਾਂ ਕਿ ਕੀ ਪ੍ਰਮਾਣਿਤ ਕਰਨ ਦੀ ਲੋੜ ਹੈ, ਆਮ, ਅਕਸਰ ਬੇਕਾਰ ਟੈਸਟਾਂ ਦਾ ਉਤਪਾਦਨ ਕਰਦਾ ਹੈ।
- ਪੁਸ਼ਟੀਕਰਨ ਛੱਡਣਾ। ਇਹ ਕਹਿਣਾ ਕਿ "ਏਆਈ ਨੇ ਇਹ ਲਿਖਿਆ, ਇਹ ਸ਼ਾਇਦ ਸੱਚ ਹੈ"। ਜ਼ਿੰਮੇਵਾਰੀ ਆਉਟਪੁੱਟ ਦੀ ਵਰਤੋਂ ਕਰਨ ਵਾਲੇ ਵਿਅਕਤੀ ਦੀ ਹੈ।
- ਟੂਲ ਵਿੱਚ ਅਸਲੀ/ਸੰਵੇਦਨਸ਼ੀਲ ਡਾਟਾ ਪੇਸਟ ਕਰਨਾ। ਉਤਪਾਦਨ ਡੇਟਾ, ਕੁੰਜੀਆਂ ਜਾਂ ਨਿੱਜੀ ਡੇਟਾ ਨਾਲ ਕੰਮ ਕਰਨਾ।
- ਅਣਅਧਿਕਾਰਤ ਸੁਰੱਖਿਆ ਟੈਸਟਿੰਗ. ਬਿਨਾਂ ਸਕੋਪ ਅਤੇ ਇਜਾਜ਼ਤ ਦੇ ਅਪਮਾਨਜਨਕ ਟੈਸਟਿੰਗ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਨਾ।
- ਫੈਸਲੇ ਲੈਣ ਲਈ AI ਦੀ ਵਰਤੋਂ ਕਰਨਾ। ਸਵਾਲ ਪੁੱਛਣਾ "ਕੀ ਇਹ ਸੰਸਕਰਣ ਜਾਰੀ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ?" AI ਨੂੰ ਭੇਜੋ ਅਤੇ ਜਵਾਬ ਨੂੰ ਦਸਤਖਤ ਵਿੱਚ ਪਾਓ।
ਸਾਰੰਸ਼ ਵਿੱਚ
AI QA ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਸਹਾਇਕ ਹੈ ਜੋ ਦੁਹਰਾਉਣ ਵਾਲੇ ਅਤੇ ਉਤਪਾਦਕ ਕੰਮ ਨੂੰ ਤੇਜ਼ ਕਰਦਾ ਹੈ; ਪਰ ਗੁਣਵੱਤਾ ਦੇ ਫੈਸਲੇ ਦੀ ਜ਼ਿੰਮੇਵਾਰੀ ਮਨੁੱਖ ਦੀ ਹੈ. ਇਸ ਪੇਸ਼ੇ ਵਿੱਚ AI ਦਾ ਨੰਬਰ ਇੱਕ ਜੋਖਮ ਸੂਡੋ-ਪਾਸ ਹੈ: ਹਰੇ ਟੈਸਟ ਜੋ ਸਾਫ਼-ਸੁਥਰੇ ਦਿਖਾਈ ਦਿੰਦੇ ਹਨ ਪਰ ਕਿਸੇ ਵੀ ਚੀਜ਼ ਦੀ ਪੁਸ਼ਟੀ ਨਹੀਂ ਕਰਦੇ। ਕੋਡ ਨੂੰ ਜਾਣਬੁੱਝ ਕੇ ਤੋੜ ਕੇ ਹਰ ਏਆਈ ਟੈਸਟ ਦੀ ਜਾਂਚ ਕਰੋ; ਜੇ ਇਹ ਲਾਲ ਨਹੀਂ ਹੁੰਦਾ, ਤਾਂ ਇਹ ਟੈਸਟ ਇੱਕ ਸਜਾਵਟ ਹੈ. ਇਸ ਨੂੰ ਲੋੜ ਅਨੁਸਾਰ ਬੰਨ੍ਹੋ, ਲਾਲ ਦੇਖੋ, ਸੰਦਰਭ ਫਿਲਟਰ ਦੁਆਰਾ ਪਾਸ ਕਰੋ। ਗੁਪਤ ਡੇਟਾ ਨੂੰ ਮਾਸਕ ਕਰੋ, ਸਿਰਫ ਅਧਿਕਾਰਤ ਅਤੇ ਰੱਖਿਆਤਮਕ ਉਦੇਸ਼ਾਂ ਲਈ ਸੁਰੱਖਿਆ ਜਾਂਚ ਕਰੋ।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਆਪਣੇ ਖੁਦ ਦੇ ਪ੍ਰੋਜੈਕਟ ਤੋਂ 5 AI-ਉਤਪੰਨ (ਜਾਂ AI-ਉਤਪੰਨ) ਯੂਨਿਟ ਟੈਸਟ ਲਓ। ਹਰੇਕ ਲਈ: (1) ਇੱਕ ਵਾਕ ਵਿੱਚ ਲਿਖੋ ਕਿ ਇਹ ਕਿਸ ਵਿਹਾਰ ਦੀ ਪੁਸ਼ਟੀ ਕਰਦਾ ਹੈ, (2) ਜਾਣਬੁੱਝ ਕੇ ਤੋੜੋ ਅਤੇ ਟੈਸਟ ਦੇ ਅਧੀਨ ਕੋਡ ਨੂੰ ਚਲਾਓ ਅਤੇ ਨੋਟ ਕਰੋ ਕਿ ਕਿੰਨੇ ਲਾਲ ਹੁੰਦੇ ਹਨ, (3) ਉਹਨਾਂ ਨੂੰ "ਸਜਾਵਟ ਟੈਸਟਾਂ" ਵਜੋਂ ਚਿੰਨ੍ਹਿਤ ਕਰੋ ਜੋ ਲਾਲ ਨਹੀਂ ਹੁੰਦੇ ਹਨ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਅਸਲ ਦਾਅਵੇ ਨਾਲ ਦੁਬਾਰਾ ਲਿਖੋ। ਨਤੀਜਾ ਇੱਕ ਸਾਰਣੀ ਵਿੱਚ ਰੱਖੋ: ਟੈਸਟ ਦਾ ਨਾਮ / ਨਿਯਮ ਇਸ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ / ਕੀ ਇਹ ਟੁੱਟਣ ਵੇਲੇ ਟੁੱਟਿਆ / ਕਾਰਵਾਈ।
ਚੈੱਕਲਿਸਟ
- [] ਕੰਮ ਸੌਂਪਣ ਤੋਂ ਪਹਿਲਾਂ, ਮੈਂ ਇਹ ਸਵਾਲ ਪੁੱਛਿਆ ਕਿ "ਜੇ ਇਹ ਗਲਤ ਹੋ ਗਿਆ ਤਾਂ ਮੈਂ ਕੀ ਗੁਆਵਾਂਗਾ?"
- [ ] ਮੈਂ ਕੋਡ ਨੂੰ ਤੋੜ ਕੇ ਹਰ AI ਟੈਸਟ ਦੀ ਜਾਂਚ ਕੀਤੀ; ਮੈਂ ਉਸ ਨੂੰ ਬਦਲ ਦਿੱਤਾ ਜੋ ਅਸਲੀ ਟੈਸਟ ਨਾਲ ਲਾਲ ਨਹੀਂ ਹੋਇਆ ਸੀ।
- ਮੈਂ ਟੈਸਟ ਕੇਸਾਂ ਨੂੰ ਅਸਲ ਲੋੜ/ਸਵੀਕ੍ਰਿਤੀ ਮਾਪਦੰਡ ਨਾਲ ਜੋੜਿਆ ਹੈ।
- [ ] ਮੈਂ ਟੂਲ ਨੂੰ ਦਿੱਤੇ ਬਿਨਾਂ ਸੰਵੇਦਨਸ਼ੀਲ/ਅਸਲ ਡੇਟਾ ਨੂੰ ਮਾਸਕ ਕੀਤਾ; ਜੇ ਸੰਭਵ ਹੋਵੇ ਤਾਂ ਮੈਂ ਸਿੰਥੈਟਿਕ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕੀਤੀ।
- [ ] ਮੈਂ ਸੁਰੱਖਿਆ ਜਾਂਚ ਨੂੰ ਸਿਰਫ਼ ਅਥਾਰਟੀ ਦੇ ਅੰਦਰ ਅਤੇ ਰੱਖਿਆਤਮਕ ਉਦੇਸ਼ਾਂ ਲਈ ਮੰਨਿਆ ਹੈ।
- [ ] ਮੈਂ "ਕੀ ਸੰਸਕਰਣ ਜਾਰੀ ਕੀਤਾ ਜਾਵੇਗਾ" ਦਾ ਫੈਸਲਾ ਆਪਣੇ ਆਪ 'ਤੇ ਛੱਡ ਦਿੱਤਾ ਹੈ, ਨਾ ਕਿ AI 'ਤੇ।