ਲਾਭ:
- ਫੰਕਸ਼ਨਲ, ਰਿਗਰੈਸ਼ਨ, ਐਜ ਕੇਸ ਅਤੇ ਕਰੈਸ਼ ਟੈਸਟ ਲੇਅਰਾਂ ਨੂੰ ਸਮਝਣ ਦੀ ਸਮਰੱਥਾ ਅਤੇ ਨਕਲੀ ਬੁੱਧੀ ਨਾਲ ਟੈਸਟ ਦੇ ਦ੍ਰਿਸ਼ ਅਤੇ ਕਿਨਾਰੇ ਦੇ ਕੇਸ ਸੂਚੀਆਂ ਤਿਆਰ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
- ਨਕਲੀ ਬੁੱਧੀ ਨਾਲ ਆਟੋਮੈਟਿਕ ਟੈਸਟ ਕੋਡ ਲਿਖ ਕੇ ਅਤੇ ਲੌਗ ਅਤੇ ਕਰੈਸ਼ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਪੈਟਰਨਾਂ ਨੂੰ ਐਕਸਟਰੈਕਟ ਕਰਕੇ ਡੀਬੱਗਿੰਗ ਨੂੰ ਤੇਜ਼ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
- ਇਹ ਸਮਝਣ ਦੇ ਯੋਗ ਹੋਣਾ ਕਿ ਨਕਲੀ ਬੁੱਧੀ ਦੀ ਗਲਤੀ ਦਾ ਨਿਦਾਨ ਸਬੂਤ ਨਹੀਂ ਹੈ ਪਰ ਪਰਿਕਲਪਨਾ ਹੈ, ਕਾਰਨ ਨੂੰ ਲੌਗਸ ਅਤੇ ਪ੍ਰਜਨਨ ਨਾਲ ਸਾਬਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, ਅਤੇ ਗਲਤੀ ਰਿਪੋਰਟ ਦੇ ਪੁਨਰ-ਉਤਪਾਦਨ ਦੀ ਮਹੱਤਤਾ ਹੈ।
ਜਦੋਂ ਕੋਈ ਗੇਮ ਰਿਲੀਜ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਤਾਂ ਖਿਡਾਰੀ ਇਸ ਨੂੰ ਉਹਨਾਂ ਤਰੀਕਿਆਂ ਨਾਲ ਖੇਡਦੇ ਹਨ ਜਿਨ੍ਹਾਂ ਦੀ ਡਿਵੈਲਪਰ ਨੇ ਕਲਪਨਾ ਨਹੀਂ ਕੀਤੀ ਸੀ: ਕੰਧਾਂ ਵਿੱਚ ਫਸਣਾ, ਵਸਤੂਆਂ ਦਾ ਸ਼ੋਸ਼ਣ ਕਰਨਾ, ਅਸੰਭਵ ਸਥਾਨਾਂ 'ਤੇ ਪਹੁੰਚਣਾ, ਕ੍ਰੈਸ਼ਾਂ ਨੂੰ ਚਾਲੂ ਕਰਨਾ। ਗੁਣਵੱਤਾ ਭਰੋਸਾ (QA - ਗੁਣਵੱਤਾ ਭਰੋਸਾ); ਇਹ ਰੀਲੀਜ਼ ਤੋਂ ਪਹਿਲਾਂ ਗੇਮ ਦੀ ਯੋਜਨਾਬੱਧ ਤਰੀਕੇ ਨਾਲ ਜਾਂਚ ਕਰਨ ਅਤੇ ਗਲਤੀਆਂ (ਬੱਗ), ਕਰੈਸ਼, ਅਸਥਿਰਤਾ ਅਤੇ ਮਾੜੇ ਤਜ਼ਰਬਿਆਂ ਨੂੰ ਲੱਭਣ ਅਤੇ ਠੀਕ ਕਰਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਹੈ। ਇਹ ਖੇਡ ਉਤਪਾਦਨ ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਧ ਕਿਰਤ-ਸੰਬੰਧੀ ਪਰ ਨਾਜ਼ੁਕ ਲਿੰਕਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ। AI ਕਈ ਬਿੰਦੂਆਂ 'ਤੇ QA ਨੂੰ ਤੇਜ਼ ਕਰਦਾ ਹੈ: ਟੈਸਟ ਕੇਸ ਜਨਰੇਸ਼ਨ, ਬੱਗ ਰਿਪੋਰਟ ਵਿਸ਼ਲੇਸ਼ਣ, ਲੌਗ ਸਮੀਖਿਆ, ਆਟੋਮੈਟਿਕ ਟੈਸਟ ਕੋਡ ਲਿਖਣਾ, ਡੀਬੱਗਿੰਗ, ਅਤੇ ਉਤਪਾਦਨ ਦੇ ਕਦਮਾਂ ਨੂੰ ਸੋਧਣਾ। ਪਰ AI ਇੱਕ ਮਨੁੱਖੀ ਟੈਸਟਰ ਦੇ ਅਨੁਭਵ ਅਤੇ ਖੇਡ ਭਾਵਨਾ ਦੇ ਮੁਲਾਂਕਣ ਨੂੰ ਨਹੀਂ ਬਦਲਦਾ.
ਇਸ ਯੂਨਿਟ ਵਿੱਚ ਤੁਸੀਂ ਸਿੱਖੋਗੇ ਕਿ QA ਅਤੇ ਡੀਬੱਗਿੰਗ ਵਿੱਚ AI ਦੀ ਵਰਤੋਂ ਕਿਵੇਂ ਕਰਨੀ ਹੈ; ਤੁਸੀਂ ਟੈਸਟ ਦ੍ਰਿਸ਼ ਡਿਜ਼ਾਈਨ, ਲੌਗ ਵਿਸ਼ਲੇਸ਼ਣ, ਆਟੋਮੈਟਿਕ ਟੈਸਟ ਲਿਖਣਾ ਅਤੇ ਗਲਤੀ ਰਿਪੋਰਟਿੰਗ ਅਨੁਸ਼ਾਸਨ ਸਿੱਖੋਗੇ।
QA ਦੀਆਂ ਪਰਤਾਂ ਅਤੇ AI ਦੀ ਥਾਂ
QA ਬਹੁ-ਪੱਧਰੀ ਹੈ। ਫੰਕਸ਼ਨਲ ਟੈਸਟਿੰਗ: ਕੀ ਵਿਸ਼ੇਸ਼ਤਾ ਕੰਮ ਕਰਦੀ ਹੈ (ਕੀ ਦਰਵਾਜ਼ਾ ਖੁੱਲ੍ਹਦਾ ਹੈ, ਰਿਕਾਰਡਿੰਗ ਲੋਡ ਕਰਦਾ ਹੈ)। ਰਿਗਰੈਸ਼ਨ ਟੈਸਟਿੰਗ: ਕੀ ਨਵੀਂ ਤਬਦੀਲੀ ਉਸ ਚੀਜ਼ ਨੂੰ ਤੋੜਦੀ ਹੈ ਜੋ ਪਹਿਲਾਂ ਕੰਮ ਕਰ ਰਹੀ ਸੀ? ਐਜ ਕੇਸ ਟੈਸਟਿੰਗ: ਅਸਧਾਰਨ ਇਨਪੁਟਸ (ਸੂਚੀ ਨੂੰ ਰੀਸੈਟ ਕਰੋ, ਦੋ ਕੁੰਜੀਆਂ ਇੱਕੋ ਸਮੇਂ, ਬਾਰਡਰਲਾਈਨ ਮੁੱਲ)। ਪ੍ਰਦਰਸ਼ਨ/ਕਰੈਸ਼ ਟੈਸਟਿੰਗ: ਖੇਡ ਸਥਿਰ ਹੈ। ਗੇਮਪਲੇਅ/ਅਨੁਭਵ ਟੈਸਟ: ਮਜ਼ੇਦਾਰ, ਅਨੁਭਵੀ। AI ਪਹਿਲੇ ਚਾਰ ਵਿੱਚ ਮਜ਼ਬੂਤ ਹੈ: ਦ੍ਰਿਸ਼ ਤਿਆਰ ਕਰਨਾ, ਕਿਨਾਰੇ ਦੇ ਕੇਸਾਂ ਦੀ ਸੂਚੀ ਬਣਾਉਣਾ, ਟੈਸਟ ਕੋਡ ਲਿਖਣਾ, ਲੌਗਸ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨਾ। ਆਖਰੀ-ਅਨੁਭਵ-ਮਨੁੱਖ ਦਾ ਹੈ।
QA ਪ੍ਰਵਾਹ ਕਦਮ ਦਰ ਕਦਮ:
- ਟੈਸਟ ਕੇਸ ਤਿਆਰ ਕਰੋ (ਏਆਈ ਦੇ ਨਾਲ ਕਾਰਜਸ਼ੀਲ ਅਤੇ ਕਿਨਾਰੇ ਕੇਸ ਸੂਚੀ)।
- ਸਵੈਚਲਿਤ ਜਾਂਚ ਲਿਖੋ (ਦੁਹਰਾਉਣ ਵਾਲੀਆਂ ਜਾਂਚਾਂ ਲਈ ਕੋਡ)।
- ਚਲਾਓ ਅਤੇ ਇਕੱਠਾ ਕਰੋ (ਲੌਗ ਗਲਤੀਆਂ, ਲਾਗ, ਕਰੈਸ਼)।
- ਵਿਸ਼ਲੇਸ਼ਣ ਕਰੋ (AI ਨਾਲ ਲਾਗ ਅਤੇ ਗਲਤੀ ਪੈਟਰਨ ਦੀ ਜਾਂਚ ਕਰੋ)।
- ਰਿਪੋਰਟ ਕਰੋ ਅਤੇ ਤਸਦੀਕ ਕਰੋ (ਸਪੱਸ਼ਟ, ਦੁਬਾਰਾ ਪੈਦਾ ਕਰਨ ਯੋਗ ਬੱਗ ਰਿਪੋਰਟ; ਟੈਸਟ ਫਿਕਸ)।
ਸੰਕੇਤ: ਕਿਨਾਰੇ ਦੇ ਕੇਸਾਂ ਨੂੰ ਲੱਭਣਾ ਔਖਾ ਹੈ ਕਿਉਂਕਿ ਡਿਜ਼ਾਈਨਰ ਆਪਣੀ ਖੇਡ "ਸਹੀ" ਖੇਡਦਾ ਹੈ। ਏਆਈ ਨੂੰ ਪੁੱਛੋ "ਜੇਕਰ ਉਹ ਇਸ ਪ੍ਰਣਾਲੀ ਨੂੰ ਤੋੜਨਾ ਚਾਹੁੰਦੇ ਹਨ ਤਾਂ ਖਿਡਾਰੀ ਕੀ ਕੋਸ਼ਿਸ਼ ਕਰੇਗਾ?" ਸ਼ੋਸ਼ਣ ਅਤੇ ਕਿਨਾਰੇ ਦੇ ਕੇਸਾਂ ਦੀ ਸੂਚੀ ਬਣਾਓ।
ਆਟੋਮੈਟਿਕ ਟੈਸਟਿੰਗ: ਮਸ਼ੀਨ ਨੂੰ ਦੁਹਰਾਓ ਛੱਡੋ
ਹਰ ਰੀਲੀਜ਼ ਵਿੱਚ ਇੱਕੋ ਜਿਹੀਆਂ ਚੀਜ਼ਾਂ ਦੀ ਦਸਤੀ ਜਾਂਚ ਕਰਨਾ ਥਕਾਵਟ ਵਾਲਾ ਅਤੇ ਗਲਤੀ-ਸੰਭਾਵੀ ਹੈ। ਆਟੋਮੇਟਿਡ ਟੈਸਟਿੰਗ ਇਹਨਾਂ ਜਾਂਚਾਂ ਨੂੰ ਕੋਡ ਵਿੱਚ ਰੱਖਦੀ ਹੈ: ਕੀ ਇੱਕ ਫੰਕਸ਼ਨ ਹਰ ਵਾਰ ਜਦੋਂ ਇਸਨੂੰ ਬੁਲਾਇਆ ਜਾਂਦਾ ਹੈ ਤਾਂ ਸਹੀ ਨਤੀਜਾ ਦਿੰਦਾ ਹੈ, ਇਹ ਇੱਕ ਸਿਸਟਮ ਦੀ ਉਮੀਦ ਕੀਤੀ ਸਥਿਤੀ ਵਿੱਚ ਹੈ। ਏਕਤਾ ਅਤੇ ਅਵਿਸ਼ਵਾਸੀ ਪੇਸ਼ਕਸ਼ ਟੈਸਟਿੰਗ ਫਰੇਮਵਰਕ; AI ਇਹਨਾਂ ਟੈਸਟਾਂ ਨੂੰ ਲਿਖਣ ਵਿੱਚ ਤੇਜ਼ ਹੈ। ਇਹ ਰਿਗਰੈਸ਼ਨ ਲਈ ਵਿਸ਼ੇਸ਼ ਤੌਰ 'ਤੇ ਕੀਮਤੀ ਹੈ: ਜੇਕਰ ਕੋਈ ਤਬਦੀਲੀ ਕਿਸੇ ਅਜਿਹੀ ਚੀਜ਼ ਨੂੰ ਤੋੜ ਦਿੰਦੀ ਹੈ ਜੋ ਪਹਿਲਾਂ ਕੰਮ ਕਰ ਰਹੀ ਸੀ, ਤਾਂ ਟੈਸਟ ਲਾਲ ਹੋ ਜਾਂਦਾ ਹੈ। AI ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੇ ਗਏ ਟੈਸਟਾਂ ਦੀ ਸਮੀਖਿਆ ਕਰੋ, ਇਹ ਸੁਨਿਸ਼ਚਿਤ ਕਰਦੇ ਹੋਏ ਕਿ ਉਹ ਇਸ ਗੱਲ ਦੀ ਜਾਂਚ ਕਰਦੇ ਹਨ ਕਿ ਅਸਲ ਵਿੱਚ ਕੀ ਅਰਥਪੂਰਨ ਹੈ — ਇੱਕ ਖਾਲੀ ਟੈਸਟ ਬਿਨਾਂ ਟੈਸਟ ਤੋਂ ਵੀ ਮਾੜਾ ਹੈ।
ਸਾਵਧਾਨ: ਡੀਬੱਗਿੰਗ ਵਿੱਚ, AI ਕਈ ਵਾਰ ਇੱਕ "ਸੰਭਾਵਿਤ ਕਾਰਨ" (ਭਰਮ) ਦੇ ਤੌਰ 'ਤੇ ਇੱਕ ਨਿਰਮਿਤ ਵਿਆਖਿਆ ਪੈਦਾ ਕਰਦਾ ਹੈ। ਕਿਸੇ ਬੱਗ ਦੇ ਕਾਰਨ ਨੂੰ ਸਵੀਕਾਰ ਨਾ ਕਰੋ ਕਿਉਂਕਿ AI ਨੇ ਤੁਹਾਨੂੰ ਅਜਿਹਾ ਦੱਸਿਆ ਹੈ; ਲੌਗਿੰਗ, ਰੀਪ੍ਰੋਡਕਸ਼ਨ, ਅਤੇ ਟੈਸਟਿੰਗ ਦੁਆਰਾ ਕਾਰਨ ਸਾਬਤ ਕਰੋ। ਗਲਤ ਨਿਦਾਨ ਸਹੀ ਨੂੰ ਲੱਭਣ ਵਿੱਚ ਦੇਰੀ ਕਰਦਾ ਹੈ।
ਪ੍ਰਜਨਨ: ਡੀਬੱਗਿੰਗ ਦਾ ਦਿਲ
ਇੱਕ ਬੱਗ ਨੂੰ ਠੀਕ ਕਰਨ ਲਈ ਪਹਿਲੀ ਲੋੜ ਇਸ ਨੂੰ ਭਰੋਸੇਯੋਗਤਾ ਨਾਲ ਦੁਬਾਰਾ ਪੈਦਾ ਕਰਨਾ ਹੈ। "ਕਈ ਵਾਰ ਵਾਪਰਦਾ ਹੈ" ਵਜੋਂ ਵਰਣਿਤ ਇੱਕ ਬੱਗ ਨੂੰ ਠੀਕ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਕਿਉਂਕਿ ਤੁਸੀਂ ਇਹ ਪੁਸ਼ਟੀ ਨਹੀਂ ਕਰ ਸਕਦੇ ਹੋ ਕਿ ਫਿਕਸ ਕੰਮ ਕਰਦਾ ਹੈ ਜਾਂ ਨਹੀਂ। ਇਸ ਲਈ ਡੀਬੱਗਿੰਗ ਦਾ ਸਭ ਤੋਂ ਕੀਮਤੀ ਕੰਮ ਸਹੀ ਸਥਿਤੀਆਂ ਨੂੰ ਸੰਕੁਚਿਤ ਕਰਨਾ ਹੈ ਜਿਸ ਵਿੱਚ ਬੱਗ ਵਾਪਰਦਾ ਹੈ (ਕਿਹੜੇ ਕਦਮ, ਕਿਹੜੀ ਸਥਿਤੀ, ਕਿਹੜਾ ਸਮਾਂ)। AI ਇਸ ਨੂੰ ਘਟਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ: ਤੁਸੀਂ ਲੱਛਣਾਂ ਅਤੇ ਅੰਸ਼ਕ ਪ੍ਰਜਨਨ ਦੇ ਪੜਾਅ ਦੇ ਸਕਦੇ ਹੋ ਅਤੇ ਕਹਿ ਸਕਦੇ ਹੋ ਕਿ "ਸ਼ਰਤਾਂ ਅਤੇ ਸੰਕੁਚਿਤ ਰਣਨੀਤੀ ਦਾ ਸੁਝਾਅ ਦਿਓ ਜੋ ਇਸ ਵਿਵਹਾਰ ਨੂੰ ਚਾਲੂ ਕਰ ਸਕਦੀ ਹੈ।" ਪਰ ਤੁਸੀਂ ਅਸਲ ਵਿੱਚ ਖੇਡ ਨੂੰ ਚਲਾ ਕੇ ਸੰਕੁਚਿਤ ਕਰਦੇ ਹੋ; AI ਪਰਿਕਲਪਨਾ ਪੈਦਾ ਕਰਦਾ ਹੈ, ਤੁਸੀਂ ਉਹਨਾਂ ਨੂੰ ਖਤਮ ਕਰਦੇ ਹੋ।
ਖਾਸ ਤੌਰ 'ਤੇ ਸਮਾਂ-ਸਬੰਧਤ (ਦੌੜ ਦੀ ਸਥਿਤੀ) ਅਤੇ ਮੈਮੋਰੀ ਸਥਿਤੀ-ਸਬੰਧਤ ਤਰੁਟੀਆਂ ਧੋਖੇਬਾਜ਼ ਹਨ; ਇਹ ਸਿਰਫ਼ ਇੱਕ ਖਾਸ ਕ੍ਰਮ ਜਾਂ ਲੋਡ ਵਿੱਚ ਵਾਪਰਦੇ ਹਨ। ਅਜਿਹੀਆਂ ਗਲਤੀਆਂ ਲਈ, ਲੌਗ ਵਿੱਚ ਟਾਈਮਸਟੈਂਪ ਅਤੇ ਸਥਿਤੀ ਜਾਣਕਾਰੀ ਸ਼ਾਮਲ ਕਰਨਾ ਮਹੱਤਵਪੂਰਨ ਹੈ; AI ਇਸ ਅਮੀਰ ਲੌਗ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਪੈਟਰਨ ਨੂੰ ਦੇਖ ਸਕਦਾ ਹੈ ("ਗਲਤੀ ਹਮੇਸ਼ਾ ਉਦੋਂ ਵਾਪਰਦੀ ਹੈ ਜਦੋਂ ਇਹ ਦੋ ਘਟਨਾਵਾਂ ਹਾਲ ਹੀ ਵਿੱਚ ਵਾਪਰਦੀਆਂ ਹਨ")। ਡੀਬੱਗਿੰਗ ਦੇ ਸੁਨਹਿਰੀ ਨਿਯਮ ਨੂੰ ਯਾਦ ਰੱਖੋ: ਪਹਿਲਾਂ ਸਮਝੋ, ਫਿਰ ਠੀਕ ਕਰੋ। ਬਿਨਾਂ ਸਮਝੇ ਸੁਧਾਰ ਗਲਤੀ ਨੂੰ ਛੁਪਾਉਂਦਾ ਹੈ ਪਰ ਇਸਦਾ ਹੱਲ ਨਹੀਂ ਕਰਦਾ ਅਤੇ ਅਕਸਰ ਕਿਤੇ ਹੋਰ ਨਵੀਂ ਗਲਤੀ ਪੈਦਾ ਕਰਦਾ ਹੈ।
ਤਿੰਨ ਛੋਟੇ ਕੇਸ
ਕੇਸ 1 - ਕਿਨਾਰੇ ਕੇਸ ਸ਼ਿਕਾਰ. ਇੱਕ ਆਰਪੀਜੀ ਵਿੱਚ, ਟੀਮ ਨੇ "ਆਮ" ਗੇਮਪਲੇ ਵਿੱਚ ਵਸਤੂ ਪ੍ਰਣਾਲੀ ਦੀ ਜਾਂਚ ਕੀਤੀ ਅਤੇ ਸੋਚਿਆ ਕਿ ਇਹ ਠੋਸ ਸੀ। ਉਹਨਾਂ ਨੇ AI ਕਿਹਾ ਸੀ "ਇਸ ਵਸਤੂ ਨੂੰ ਤੋੜਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ" ਅਤੇ 30 ਕਿਨਾਰੇ ਦੇ ਕੇਸਾਂ ਦੇ ਦ੍ਰਿਸ਼ ਤਿਆਰ ਕੀਤੇ; ਇਹਨਾਂ ਵਿੱਚੋਂ 4 ਸਹੀ ਗਲਤੀਆਂ ਸਨ (0 ਵਜ਼ਨ ਆਈਟਮ ਵੰਡਣਾ, ਸਮਕਾਲੀ ਡਿਸਪੋਸੇਜਲ)। ਪ੍ਰਕਾਸ਼ਨ ਤੋਂ ਪਹਿਲਾਂ ਠੀਕ ਕੀਤਾ ਗਿਆ।
ਕੇਸ 2 - ਲੌਗ ਵਿਸ਼ਲੇਸ਼ਣ ਨੇ ਕਰੈਸ਼ ਨੂੰ ਹੱਲ ਕੀਤਾ। ਇੱਕ ਖੇਡ ਬੇਤਰਤੀਬੇ ਕਰੈਸ਼ ਹੋ ਰਹੀ ਸੀ; ਕਰੈਸ਼ ਲੌਗ ਸੈਂਕੜੇ ਲਾਈਨਾਂ ਦੇ ਸਨ। ਜਦੋਂ AI ਨੂੰ ਲੌਗ ਦਿੱਤੇ ਗਏ ਸਨ ਅਤੇ ਪੈਟਰਨ ਲਈ ਕਿਹਾ ਗਿਆ ਸੀ, ਤਾਂ ਇਹ ਖੁਲਾਸਾ ਹੋਇਆ ਸੀ ਕਿ ਕਰੈਸ਼ ਹਮੇਸ਼ਾ ਇੱਕ ਖਾਸ ਦ੍ਰਿਸ਼ ਤਬਦੀਲੀ ਅਤੇ ਘੱਟ ਮੈਮੋਰੀ 'ਤੇ ਹੁੰਦਾ ਹੈ। ਇਸ ਸੁਰਾਗ ਨਾਲ, ਪ੍ਰੋਗਰਾਮਰ ਨੂੰ ਮੈਮੋਰੀ ਲੀਕ ਦਾ ਪਤਾ ਲੱਗਾ; ਕਰੈਸ਼ ਰੇਟ ਜ਼ੀਰੋ 'ਤੇ ਆ ਗਿਆ।
ਕੇਸ 3 - ਗਲਤ ਨਿਦਾਨ ਤੋਂ ਵਾਪਸੀ। ਇੱਕ ਪ੍ਰੋਗਰਾਮਰ ਨੇ AI ਦੇ ਸਪੱਸ਼ਟੀਕਰਨ 'ਤੇ ਭਰੋਸਾ ਕੀਤਾ ਕਿ "ਇਹ ਗਲਤੀ ਇਸ ਫੰਕਸ਼ਨ ਕਾਰਨ ਹੋਈ ਹੈ" ਅਤੇ ਅੱਧੇ ਦਿਨ ਲਈ ਇਸ ਨਾਲ ਟਿੰਕਰ ਕੀਤਾ; ਕੋਈ ਨਤੀਜਾ ਨਹੀਂ ਨਿਕਲਿਆ। ਜਦੋਂ ਉਸਨੇ ਸਪੱਸ਼ਟ ਕੀਤਾ ਅਤੇ ਦੁਬਾਰਾ ਉਤਪਾਦਨ ਦੇ ਕਦਮਾਂ ਨੂੰ ਲੌਗ ਕੀਤਾ, ਤਾਂ ਗਲਤੀ ਬਿਲਕੁਲ ਵੱਖਰੀ ਥਾਂ 'ਤੇ ਸੀ। ਸਬਕ: AI ਦੇ ਨਿਦਾਨ ਪਰਿਕਲਪਨਾ ਹਨ, ਸਬੂਤ ਨਹੀਂ।
ਚਾਰ ਕਾਪੀ ਕਰਨ ਯੋਗ ਟੈਂਪਲੇਟ
1) ਕਿਨਾਰੇ ਦੇ ਮਾਮਲੇ/ਸ਼ੋਸ਼ਣ ਦ੍ਰਿਸ਼ ਪੈਦਾ ਕਰਨਾ:
ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਖਤਰਨਾਕ QA ਟੈਸਟਰ। ਮੈਂ ਹੇਠਾਂ ਦਿੱਤੀ ਪ੍ਰਣਾਲੀ ਦਾ ਵਰਣਨ ਕਰਦਾ ਹਾਂ: [ਸਿਸਟਮ, ਨਿਯਮ]। ਟਾਸਕ: 20 ਕਿਨਾਰੇ ਦੇ ਕੇਸਾਂ ਦੇ ਦ੍ਰਿਸ਼ਾਂ ਦੀ ਸੂਚੀ ਬਣਾਓ ਜੋ ਇਸ ਸਿਸਟਮ ਨੂੰ ਤੋੜਨ, ਸ਼ੋਸ਼ਣ ਕਰਨ ਜਾਂ ਇੱਕ ਅਚਾਨਕ ਸਥਿਤੀ ਵਿੱਚ ਸੁੱਟਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਨਗੇ। ਹਰੇਕ ਲਈ: ਕੀ ਕੋਸ਼ਿਸ਼ ਕਰਨੀ ਹੈ, ਅਨੁਮਾਨਿਤ ਨਤੀਜਾ, ਸੰਭਵ ਗਲਤੀ।
2) ਸਵੈਚਲਿਤ ਟੈਸਟ ਲਿਖਣਾ:
ਇੰਜਣ: [ਏਕਤਾ 2022.3 / ਅਰੀਅਲ 5.3]। ਟੈਸਟ ਫਰੇਮਵਰਕ: [ਸਪੇਸ਼ ਕਰੋ]।ਹੇਠ ਦਿੱਤੇ ਫੰਕਸ਼ਨ/ਸਿਸਟਮ ਲਈ ਸਵੈਚਲਿਤ ਟੈਸਟ ਲਿਖੋ: [ਵੇਰਵਾ/ਕੋਡ]।ਸਧਾਰਨ ਕੇਸ, ਸੀਮਾ ਕੇਸ, ਅਤੇ ਨੁਕਸਦਾਰ ਇਨਪੁਟ ਸ਼ਾਮਲ ਕਰੋ। ਯਕੀਨੀ ਬਣਾਓ ਕਿ ਹਰੇਕ ਟੈਸਟ ਸੱਚਮੁੱਚ ਅਰਥਪੂਰਨ ਕਿਸੇ ਚੀਜ਼ ਦੀ ਪੁਸ਼ਟੀ ਕਰਦਾ ਹੈ; ਖਾਲੀ/ਅਰਥ ਰਹਿਤ ਟੈਸਟ ਲਿਖਣਾ।
3) ਲੌਗ/ਕਰੈਸ਼ ਵਿਸ਼ਲੇਸ਼ਣ:
ਹੇਠਾਂ ਗੇਮ ਦੇ ਕਰੈਸ਼/ਗਲਤੀ ਲੌਗ ਹਨ: [ਲੌਗ]। ਟਾਸਕ: ਆਵਰਤੀ ਪੈਟਰਨ, ਆਮ ਸਥਿਤੀਆਂ (ਸੀਨ, ਮੈਮੋਰੀ, ਸਮਾਂ), ਅਤੇ ਸੰਭਾਵਿਤ ਮੂਲ ਕਾਰਨਾਂ 'ਤੇ ਨਿਸ਼ਾਨ ਲਗਾਓ। ਹਰੇਕ ਕਾਰਨ ਨੂੰ "ਸਾਬਤ ਹੋਣ ਵਾਲੀ ਕਲਪਨਾ" ਵਜੋਂ ਪੇਸ਼ ਕਰੋ; ਸਪੱਸ਼ਟ ਬੋਲੋ. ਮੈਨੂੰ ਇਹ ਵੀ ਦੱਸੋ ਕਿ ਕਿਵੇਂ ਤਸਦੀਕ ਕਰਨਾ ਹੈ।
4) ਬੱਗ ਰਿਪੋਰਟ ਸਪਸ਼ਟੀਕਰਨ:
ਨਿਮਨਲਿਖਤ ਅਸਪਸ਼ਟ ਗਲਤੀ ਦੀ ਰਿਪੋਰਟ ਨੂੰ ਸਪੱਸ਼ਟ ਅਤੇ ਦੁਬਾਰਾ ਪੈਦਾ ਕਰਨ ਯੋਗ ਬਣਾਓ: [ਕੱਚੀ ਰਿਪੋਰਟ]। ਆਉਟਪੁੱਟ: ਸਿਰਲੇਖ, ਕਦਮ-ਦਰ-ਕਦਮ ਪ੍ਰਜਨਨ, ਅਨੁਮਾਨਿਤ ਨਤੀਜਾ, ਅਸਲ ਨਤੀਜਾ, ਬਾਰੰਬਾਰਤਾ, ਵਾਤਾਵਰਣ। ਜੇਕਰ ਜਾਣਕਾਰੀ ਗੁੰਮ ਹੈ, ਤਾਂ ਸੂਚੀ ਬਣਾਓ ਕਿ ਕਿਹੜੀ ਜਾਣਕਾਰੀ ਦੀ ਲੋੜ ਹੈ।
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:
ਮੇਰੀ ਗੇਮ ਵਿੱਚ ਇੱਕ ਬੱਗ ਹੈ, ਇਸਨੂੰ ਠੀਕ ਕਰੋ।
ਕੋਈ ਪ੍ਰਸੰਗ ਨਹੀਂ, ਕੋਈ ਲਾਗ ਨਹੀਂ, ਕੋਈ ਪ੍ਰਜਨਨ ਨਹੀਂ; AI ਪੂਰਵ-ਅਨੁਮਾਨਿਤ ਹੈ ਅਤੇ ਭਰਮ ਦਾ ਖ਼ਤਰਾ ਉੱਚ ਹੈ।
ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:
ਮੇਰੀ ਯੂਨਿਟੀ 2022.3 ਗੇਮ ਵਿੱਚ ਇੱਕ ਬੱਗ ਹੈ: ਜਦੋਂ ਖਿਡਾਰੀ ਇੱਕ ਤੇਜ਼ ਸੇਵ-ਲੋਡ ਕਰਦਾ ਹੈ ਤਾਂ ਵਸਤੂ ਸੂਚੀ ਕਈ ਵਾਰ ਦੁੱਗਣੀ ਹੋ ਜਾਂਦੀ ਹੈ। ਪ੍ਰਜਨਨ: [ਕਦਮ]।ਸੰਬੰਧਿਤ ਕੋਡ: [ਪੇਸਟ]। ਲੌਗ: [ਪੇਸਟ]।ਟਾਸਕ: ਸੰਭਾਵਿਤ ਮੂਲ ਕਾਰਨਾਂ ਨੂੰ ਸਾਬਤ ਕਰਨ ਲਈ ਅਨੁਮਾਨਾਂ ਦੇ ਰੂਪ ਵਿੱਚ ਸੂਚੀਬੱਧ ਕਰੋ, ਹਰ ਇੱਕ ਲਈ ਪ੍ਰਮਾਣਿਤ ਅਤੇ ਸੰਭਵ ਹੱਲ ਕਿਵੇਂ ਕਰੀਏ। ਇੱਕ ਗੈਰ-ਮੌਜੂਦ ਕਾਰਨ ਬਣਾਓ; ਜੇਕਰ ਤੁਹਾਨੂੰ ਯਕੀਨ ਨਹੀਂ ਹੈ, ਤਾਂ ਮੈਨੂੰ ਦੱਸੋ।
ਪ੍ਰਜਨਨ, ਕੋਡ, ਲੌਗ ਅਤੇ "ਕਲਪਨਾ ਦੇ ਰੂਪ ਵਿੱਚ ਪੇਸ਼ ਕਰੋ" ਬੇਨਤੀ ਨਿਦਾਨ ਨੂੰ ਭਰੋਸੇਯੋਗ ਬਣਾਉਂਦੀ ਹੈ।
QA ਪਰਤ ਸਾਰਣੀ
ਪਰਤ
ਇਹ ਕੀ ਟੈਸਟ ਕਰਦਾ ਹੈ?
AI ਯੋਗਦਾਨ
ਮਨੁੱਖੀ ਸ਼ੇਅਰ
ਕਾਰਜਸ਼ੀਲ
ਕੀ ਵਿਸ਼ੇਸ਼ਤਾ ਕੰਮ ਕਰਦੀ ਹੈ?
ਸਕ੍ਰਿਪਟ, ਟੈਸਟ ਕੋਡ
ਦਾਖਲੇ ਦਾ ਫੈਸਲਾ
ਰਿਗਰੈਸ਼ਨ
ਕੀ ਪੁਰਾਣੀ ਚੀਜ਼ ਟੁੱਟ ਗਈ ਹੈ?
ਆਟੋਮੈਟਿਕ ਟੈਸਟ
ਸਕੋਪ ਦਾ ਫੈਸਲਾ
ਅਤਿ ਕੇਸ
ਅਸਧਾਰਨ ਇੰਪੁੱਟ
ਸਕ੍ਰਿਪਟ ਉਤਪਾਦਨ
ਤਰਜੀਹ
ਕਰੈਸ਼/ਪ੍ਰਦਰਸ਼ਨ
ਦ੍ਰਿੜ੍ਹਤਾ
ਲੌਗ ਵਿਸ਼ਲੇਸ਼ਣ
ਮੂਲ ਕਾਰਨ ਦੀ ਪੁਸ਼ਟੀ
ਅਨੁਭਵ
ਮਨੋਰੰਜਨ, ਅਨੁਭਵ
ਸੀਮਿਤ
ਪੂਰੀ ਤਰ੍ਹਾਂ ਮਨੁੱਖੀ
ਆਮ ਗਲਤੀਆਂ
- ਬੱਸ "ਆਮ" ਗੇਮਪਲੇ ਦੀ ਜਾਂਚ ਕਰ ਰਿਹਾ ਹੈ। ਕਿਨਾਰੇ ਦੇ ਕੇਸ ਰਿਹਾਈ ਤੋਂ ਬਾਅਦ ਫਟ ਜਾਂਦੇ ਹਨ।
- ਸਬੂਤ ਵਜੋਂ AI ਨਿਦਾਨ ਨੂੰ ਗਲਤ ਕਰਨਾ। ਲੌਗ ਅਤੇ ਟੈਸਟਿੰਗ ਦੁਆਰਾ ਸਾਬਤ ਕਿਉਂ ਹੁੰਦਾ ਹੈ।
- ਖਾਲੀ ਆਟੋਮੈਟਿਕ ਟੈਸਟ ਲਿਖਣਾ. ਅਰਥਹੀਣ ਪ੍ਰੀਖਿਆ ਭਰੋਸੇ ਦਾ ਭਰਮ ਦਿੰਦੀ ਹੈ।
- ਅਸਪਸ਼ਟ ਬੱਗ ਰਿਪੋਰਟ। ਇੱਕ ਗੈਰ-ਪ੍ਰੋਡਕਸ਼ਨਯੋਗ ਗਲਤੀ ਨੂੰ ਠੀਕ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ।
- ਰਿਗਰੈਸ਼ਨ ਟੈਸਟਿੰਗ ਨੂੰ ਛੱਡਣਾ। ਹਰੇਕ ਸੁਧਾਰ ਨਾਲ ਨਵੀਆਂ ਗਲਤੀਆਂ ਹੋ ਸਕਦੀਆਂ ਹਨ।
ਸੰਖੇਪ ਵਿੱਚ
QA ਉਹ ਅਨੁਸ਼ਾਸਨ ਹੈ ਜੋ ਖਿਡਾਰੀ ਲਈ ਖੇਡ ਨੂੰ ਤਿਆਰ ਕਰਦਾ ਹੈ। AI; ਕਿਨਾਰੇ ਦੇ ਕੇਸ ਦ੍ਰਿਸ਼ ਤਿਆਰ ਕਰਦਾ ਹੈ, ਸਵੈਚਲਿਤ ਟੈਸਟ ਲਿਖਦਾ ਹੈ, ਲੌਗਸ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦਾ ਹੈ ਅਤੇ ਗਲਤੀ ਰਿਪੋਰਟਾਂ ਨੂੰ ਸਪੱਸ਼ਟ ਕਰਦਾ ਹੈ। ਪਰ ਉਹਨਾਂ ਦੇ ਨਿਦਾਨ ਕਲਪਨਾ ਹਨ, ਅਨੁਭਵ ਦਾ ਮੁਲਾਂਕਣ ਮਨੁੱਖੀ ਹੈ, ਅਤੇ ਹਰ ਸੁਧਾਰ ਲਈ ਦੁਬਾਰਾ ਜਾਂਚ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। AI ਨਾਲ "ਕੌਣ ਇਸ ਨੂੰ ਤੋੜ ਸਕਦਾ ਹੈ ਅਤੇ ਕਿਵੇਂ" ਪ੍ਰਤੀਬਿੰਬ ਨੂੰ ਦੁਹਰਾਉਣਾ; ਤੁਸੀਂ ਸਬੂਤ ਇਕੱਠੇ ਕਰੋ।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਆਪਣੀ ਗੇਮ ਵਿੱਚੋਂ ਇੱਕ ਸਿਸਟਮ ਚੁਣੋ। "ਐਜ ਕੇਸ/ਸ਼ੋਸ਼ਣ ਦ੍ਰਿਸ਼ ਜਨਰੇਸ਼ਨ" ਟੈਮਪਲੇਟ ਦੇ ਨਾਲ 20 ਦ੍ਰਿਸ਼ ਤਿਆਰ ਕੀਤੇ ਗਏ ਹਨ ਅਤੇ ਅਸਲ ਵਿੱਚ 5 ਸਭ ਤੋਂ ਖਤਰਨਾਕ ਦੀ ਜਾਂਚ ਕਰੋ। "ਬੱਗ ਰਿਪੋਰਟ ਰਿਫਾਈਨਮੈਂਟ" ਟੈਮਪਲੇਟ ਨਾਲ ਤੁਹਾਨੂੰ ਮਿਲੇ ਬੱਗ ਲਈ ਇੱਕ ਰੀਪ੍ਰੋਡਸੀਬਲ ਰਿਪੋਰਟ ਬਣਾਓ।
ਚੈੱਕਲਿਸਟ
- [ ] ਮੈਂ "ਇਸ ਨੂੰ ਕੌਣ ਅਤੇ ਕਿਵੇਂ ਤੋੜ ਸਕਦਾ ਹੈ?" ਨਾਲ ਇੱਕ ਕਿਨਾਰਾ ਕੇਸ ਬਣਾਇਆ ਹੈ।
- [ ] ਆਵਰਤੀ ਜਾਂਚਾਂ ਲਈ ਸਵੈਚਲਿਤ ਜਾਂਚ ਨੂੰ ਲਿਖਿਆ ਅਤੇ ਸਮੀਖਿਆ ਕੀਤੀ।
- [ ] ਮੈਂ AI ਨਿਦਾਨ ਨੂੰ ਇੱਕ ਪਰਿਕਲਪਨਾ ਮੰਨਿਆ ਅਤੇ ਇਸਨੂੰ ਲੌਗ/ਟੈਸਟ ਨਾਲ ਸਾਬਤ ਕੀਤਾ।
- [ ] ਮੈਂ ਗਲਤੀਆਂ ਨੂੰ ਦੁਬਾਰਾ ਪੈਦਾ ਕਰਨ ਲਈ ਰਿਪੋਰਟ ਕੀਤਾ ਹੈ।
- [ ] ਮੈਂ ਰਿਗਰੈਸ਼ਨ ਲਈ ਹਰੇਕ ਫਿਕਸ ਦੀ ਦੁਬਾਰਾ ਜਾਂਚ ਕੀਤੀ।