අවසානය සිට අවසානය දක්වා කාර්ය ප්‍රවාහය, CI/CD ඒකාබද්ධ කිරීම, ආචාර ධර්ම සහ ආරක්ෂාව: AI වගකීමෙන් භාවිතා කිරීම

ලාභ:

• CI/CD සන්දර්භය තුළ අදහසේ සිට මුදා හැරීම දක්වා QA ප්‍රවාහයේ අවසානයේ සිට අවසානය දක්වා කෘත්‍රිම බුද්ධිය සහ මානව අනුමත ලක්ෂ්‍යවල භූමිකාව සැලසුම් කිරීමේ හැකියාව
• CI/CD හි, පරීක්ෂණය ස්වයංක්‍රීයව 'සම්මත' වීමට AI හට අවසර නොදේ, නමුත් රහස්‍ය දත්ත සහ යතුරු ආරක්ෂා කිරීමට සීමාවන් යෙදීම
• අධිකාරිය තුළ සහ ආරක්‍ෂක අරමුණු සඳහා ආරක්‍ෂක පරීක්‍ෂණ සිදුකිරීමේ හැකියාව සහ වගකීම් සහගත හෙළිදරව් කිරීමේ සහ සදාචාරාත්මක විනිවිදභාවයේ මූලධර්ම අනුගමනය කිරීමේ හැකියාව.

පෙර ඒකක දහය තුළ, අපි තනි කාර්යයන් සඳහා AI භාවිතා කළෙමු: අවස්ථා උත්පාදනය, ස්වයංක්‍රීය කේතය, දෝෂ වාර්තා කිරීම, ආවරණ විශ්ලේෂණය, විකෘති පරීක්ෂාව. මෙම අවසාන ඒකකය ඒවා සියල්ලම එක් වගකිවයුතු කාර්ය ප්‍රවාහයකට ඒකාබද්ධ කරයි. නවීන QA යනු එක් පුද්ගලයෙකුගේ මේසයෙන් අවසන් වන රැකියාවක් නොවේ; එය CI/CD (Continuous Integration / Continuous Delivery — කේතය නිරන්තරයෙන් ඒකාබද්ධ කර, ස්වයංක්‍රීයව පරීක්‍ෂා කර නිතර හා ආරක්ෂිතව ප්‍රකාශනය සඳහා සූදානම් කරන නල මාර්ගය) තුළ ජීවත් වන ක්‍රියාවලියකි. AI හට මෙම ක්‍රියාවලියේ සෑම අදියරකටම සම්බන්ධ විය හැක. නමුත් AI හි බලය වර්ධනය වන විට, එය වගකීමෙන් යුතුව භාවිතා කිරීමේ වැදගත්කම ද වැඩි වේ: පුද්ගලිකත්වය, ආරක්ෂක පරීක්ෂණවල අධිකාරිය, ආචාර ධර්ම සහ වඩාත්ම වැදගත් දෙය නම්, ගුණාත්මක තීරණය මිනිසාට තබා ගැනීමයි. මෙම ඒකකය තුළ, ඔබ අන්තයේ සිට අවසානය දක්වා ගලායාම සහ මායිම් ඉගෙන ගනු ඇත.

AI-බලය වන QA ප්‍රවාහය අන්තයේ සිට අවසානය දක්වා

අදහසේ සිට නිකුත් කිරීම දක්වා විශේෂාංගයක ගමනේ AI හි භූමිකාව:

1. අවශ්යතා විශ්ලේෂණය. AI අවශ්‍යතාවයේ සහ නැතිවූ පිළිගැනීමේ නිර්ණායකවල අපැහැදිලි සලකුණු කරයි ("මෙම රීතිය මඟින් මුරපදය අවම අක්ෂර කීයක් දැයි නොකියයි").

2. පරීක්ෂණ නිර්මාණය. අවස්ථා සහ සිද්ධි කෙටුම්පත් (ඒකක 2), දාර අවස්ථා (ඒකක 3) පිළිගැනීමේ නිර්ණායක අතර වේ.

3. ස්වයංක්රීයකරණය. ඒකකය (6), API (5) සහ UI (4) පරීක්ෂණ කේත කෙටුම්පත්; එක් එක් විකෘති (10) මගින් තහවුරු වේ.

4. CI/CD ඒකාබද්ධ කිරීම. සෑම කේත ඒකාබද්ධ කිරීමකින්ම පරීක්ෂණ ස්වයංක්‍රීයව ක්‍රියාත්මක වේ. AI කෙටුම්පත් නල මාර්ග වින්‍යාසය (YAML), අසාර්ථක පරීක්ෂණවල ලඝු-සටහන් සාරාංශ කරයි, විය හැකි මූල හේතුව යෝජනා කරයි.

5. නිදහස් කිරීමේ තීරණය. අවදානම් විශ්ලේෂණය (8) සහ ප්රතිගාමී (9) ප්රතිඵල එකතු කරනු ලැබේ - නමුත් එය සාර්ථක විය හැකිද යන්න විශේෂඥයා තීරණය කරයි.

6. නිෂ්පාදන අධීක්ෂණය සහ ප්‍රතිපෝෂණ. සජීවී දෝෂ අනාගත පරීක්ෂණ බවට පත් වේ; AI නිෂ්පාදන දෝෂයකින් පසුබෑමේ නඩුවක් යෝජනා කරයි.

ඉඟිය: "පරීක්ෂණ ලිවීමට සහ තීරණ ගැනීමට" වඩා "මිනිසුන්-සමාලෝචනය කරන ලද කෙටුම්පත් වේගවත් කරන" CI/CD හි ස්ථරයක් ලෙස AI පිහිටුවන්න. ස්වයංක්‍රීයව උත්පාදනය කරන ලද පරීක්ෂණ කිසිවක් මානව සමාලෝචනයකින් සහ ඒවා අනුමත නොකර නල මාර්ගයට ඇතුළු නොවිය යුතුය.

CI/CD හි AI: කොහෙද ඔව්, කොහෙද නැහැ

වේදිකාව

AI සුදුසුයි

මිනිසා අත්යවශ්ය වේ

පරීක්ෂණ කේත කෙටුම්පත

ඔව්

සංශෝධනය + විකෘතිය

නල මාර්ගය YAML කෙටුම්පත

ඔව්

සත්‍යාපනය + රහස් යතුර පරීක්ෂා කිරීම

අසාර්ථක ලොග් සාරාංශය

ඔව්

මූල හේතුව තහවුරු කිරීම

බිඳෙනසුලු පරීක්ෂණ රෝග විනිශ්චය

ඔව්

ස්ථිර විසදුම් තීරණය

"අනුවාදයක් තිබිය හැකිද?"

නැත

විශේෂඥ විනිශ්චය සහ වගකීම

පරීක්ෂණය ස්වයංක්‍රීයව "සමත්" කරන්න

කවදාවත්

-

අවවාදයයි: CI/CD හි "අසාර්ථක පරීක්ෂණයෙන් සමත් වීමට එය නිවැරදි කරන්න" වැනි විධානයක් කිසිවිටෙක AI හට ලබා නොදෙන්න. මෙය පරීක්ෂා කිරීමේ අරමුණ පරාජය කරන අතර ස්වයංක්‍රීයව දෝෂ ආවරණය කරයි. AI හට දෝෂය පැහැදිලි කළ හැකිය, නිවැරදි කිරීම යෝජනා කළ හැකිය; නමුත් "පරීක්ෂණය කොළ පාට කිරීම" පුද්ගලයෙකුගේ සවිඥානික, තර්කානුකූල තීරණයක් විය යුතුය.

පෞද්ගලිකත්වය, දත්ත සහ ආරක්ෂාව: වෙනස් කළ නොහැකි සීමාවන්

පෞද්ගලිකත්වය. පරීක්ෂණ පරිසරය තුළ, සැබෑ පාරිභෝගික දත්ත, නිෂ්පාදන දත්ත සමුදා පිටපත්, API යතුරු සහ අභ්‍යන්තර පද්ධති තොරතුරු සංවේදී වේ. පොදු AI මෙවලම් වලට මේවා දෙන්න එපා. පුද්ගලික දත්ත KVKK සහ සමාන රෙගුලාසි වලට යටත් වේ; මාස්ක් ලඝු-සටහන් සහ තිරපිටපත්. හැකි සෑම විටම කෘතිම (ප්‍රබන්ධ) පරීක්ෂණ දත්ත භාවිතා කරන්න.

ආරක්ෂක පරීක්ෂණ - ආරක්ෂක සහ බලයලත්. මෙම මොඩියුලයේ ඉගෙන ගන්නා ආරක්ෂක පරීක්ෂණ (අවසර/IDOR පරීක්ෂණ, ගොනු උඩුගත කිරීමේ සීමාවන්, ආදාන වලංගුකරණය) ලිඛිත අවසරය සහ නිශ්චිත විෂය පථය තුළ ඔබේම නිෂ්පාදනයක් පරීක්ෂා කිරීම සඳහා පමණි. අවසරයකින් තොරව වෙනත් කෙනෙකුගේ පද්ධතියට ප්‍රවේශ වීමට AI භාවිතා කිරීම, සැබෑ දුර්වලතා ආයුධ සන්නද්ධ කිරීම හෝ විෂය පථයෙන් බැහැර පරීක්ෂණ සිදු කිරීම සදාචාර විරෝධී මෙන්ම නීති විරෝධී වේ. ඔබ ආරක්‍ෂක අවදානමක් සොයා ගත් විට, වගකීමෙන් හෙළිදරව් කිරීමේ මූලධර්මයට අනුකූල වන්න - අවදානම රහසිගතව තබාගෙන එය නිවැරදි කළ හැකි වන පරිදි අදාළ පාර්ශ්වයට වාර්තා කරන්න.

ආචාර ධර්ම සහ විනිවිදභාවය. AI විසින් නිෂ්පාදනය කරන ලද පරීක්ෂණ ඔබේම කාර්යයක් ලෙස ඉදිරිපත් නොකරන්න; ඔබ කණ්ඩායම තුළ AI භාවිතා කරන බව ප්‍රකාශ කිරීම විනිවිදභාවයකි. AI-නිෂ්පාදිත නිමැවුමක සාවද්‍යතාවයට ඔබ වගකිව යුතුය - "AI එය ලිවීය" නිදහසට කරුණක් නොවේ.

දුර්වල ක්ෂණික / ශක්තිමත් විමසුම

දුර්වල: "CI සඳහා පරීක්ෂණ නල මාර්ගය සකසන්න."

ශක්තිමත්: "GitHub ක්‍රියා සඳහා CI කාර්ය ප්‍රවාහ YAML කෙටුම්පත් කරන්න: එක් එක් PR මත ඒකකය + API පරීක්ෂණ ධාවනය කරන්න, ආවරණ වාර්තාව උත්පාදනය කරන්න, විකෘති පරීක්ෂණ (ස්ට්‍රයිකර්) සතිපතා ධාවනය කරන්න. රහස් කේත තුළට එබ්බවන්න එපා; රහස් යොමු පමණක් භාවිතා කරන්න. පරීක්ෂණ රතු නම් ඒකාබද්ධ කිරීම අවහිර කරන්න. මෙය DRAFT සහ රහස්‍ය DOT යතුරක් සමාලෝචනය කර සංස්කරණය කරන්න. 'fix' හෝ 'migrate' පියවර පරීක්ෂා කිරීම."

බලවත් ක්ෂණික; එය රහස්‍යභාවය, මානව සමාලෝචනය සහ "ස්වයංක්‍රීය පරීක්‍ෂණයක් නැත" යන සීමාවන් පනවයි.

පිටපත් කළ හැකි සැකිලි හතරක්

1) අන්තයේ සිට අවසානය දක්වා පරීක්ෂණ සැලැස්ම:

ඔබේ කාර්යභාරය: ජ්යෙෂ්ඨ QA නායකයා. පහත විශේෂාංගය සඳහා අදහසින් අවසානය දක්වා පරීක්ෂණ සැලැස්මක් කෙටුම්පත් කරන්න: [විශේෂාංග + පිළිගැනීමේ නිර්ණායක]. අදියර: අවශ්‍යතා විශ්ලේෂණය (අවිනිශ්චිතතා), පරීක්ෂණ සැලසුම්, ස්වයංක්‍රීයකරණ ස්ථර (ඒකකය/API/UI), CI/CD ඒකාබද්ධ කිරීම, නිකුත් කිරීමේ තීරණ නිර්ණායක, නිෂ්පාදන ලුහුබැඳීම. එක් එක් අදියරේදී AI සහ HUMAN අනුමත ලක්ෂ්‍යවල කාර්යභාරය වෙන වෙනම සඳහන් කරන්න.

2) CI/CD නල මාර්ග දළ සටහන:

[GitHub Actions/GitLab CI/Azure Pipelines] සඳහා CI YAML කෙටුම්පත:- ඒකකය + API පරීක්ෂණය + PR හි විෂය පථය- රතු පරීක්ෂණයට ඒකාබද්ධ වීම වැළැක්වීම- රහස් අගයන් රහස් සමඟ පමණි; කේත කාවැද්දීම මෙය කෙටුම්පතකි; මම ප්‍රධාන කළමනාකරණ සහ අනුමත පියවර සමාලෝචනය කරමි. ස්වයං නිවැරදි/ සමත් පරීක්ෂණ පියවරක් එක් කිරීම.

3) අසාර්ථක පරීක්ෂණ ලොග් විශ්ලේෂණය:

ඒ CI මුද්‍රණයේ පරීක්ෂණ රතු පාටයි. ලොගය පරීක්ෂා කරන්න; අසාර්ථකත්වය කාණ්ඩගත කරන්න, විය හැකි මූල හේතුව වෙන්කර හඳුනා ගන්න සහ සැබෑ අසාර්ථකත්වය විය හැකි අතර එය බිඳෙනසුලු පරීක්ෂණයක්/පරිසර ගැටලුවක් විය හැකිය. පුද්ගලික දත්ත තිබේ නම්, එය ආවරණය කරන්න. තීරණය සහ නිවැරදි කිරීම මගේ වනු ඇත. ලොගය: [පේස්ට්]

4) ආරක්ෂාව/පෞද්ගලිකත්ව පූර්ව පරීක්ෂාව:

මෙම පරීක්ෂණ දත්ත/ලොගය AI මෙවලම වෙත යැවීමට පෙර, පරීක්ෂා කරන්න: එහි පුද්ගලික දත්ත, API යතුර, අභ්‍යන්තර පද්ධති ලිපිනය, නිෂ්පාදන දත්ත අඩංගු වේද? ආවරණ/ඉවත් කළ යුතු ප්‍රදේශ තිබේ නම් ලැයිස්තුගත කරන්න. එය ලෙසම සැකසීම. අන්තර්ගතය: [පේස්ට්]

කුඩා නඩු තුනක්

නඩුව 1 - අන්තයේ සිට අවසානය දක්වා ප්රවාහයේ වේගය. එක් කණ්ඩායමක් AI බලයෙන් ක්‍රියාත්මක වන අන්තයේ සිට අවසානය දක්වා ප්‍රවාහයක් සමඟින් නව “දායකත්ව අලුත් කිරීමේ” විශේෂාංගයක් විසඳා ඇත: අවශ්‍යතා අවිනිශ්චිතතා ඉදිරියෙන් සලකුණු කර, තුන්-ස්ථර පරීක්ෂණ කෙටුම්පත් කර සහ විකෘති-වලංගු කර, CI සමඟ බැඳී ඇත. විශේෂාංගය සාම්ප්‍රදායික ක්‍රියාවලියේදී දින 5 ක් ගත වූ පරීක්ෂණ චක්‍රය දින 2 දක්වා අඩු කළේය; නමුත් සෑම අදියරකදීම මානව අනුමැතිය ආරක්ෂා වූ අතර, අවශ්‍යතා අවිනිශ්චිතතාවයක් (නැවුම් කිරීම අසාර්ථක වුවහොත් කුමක් සිදුවේද) සජීවීව පෙර වසා දමන ලදී.

නඩුව 2 - යතුරු කාන්දුවෙන් ආපසු. සංවර්ධකයෙකු සතුව CI YAML උත්පාදනය කරන ලද අතර, AI විසින් YAML වෙත සැබෑ පෙනුමක් ඇති API යතුරක් ඇතුළත් කර ඇත. "ආරක්ෂාව/පෞද්ගලිකත්ව පූර්ව පරීක්ෂාව" පියවර මෙය ග්‍රහණය කර ඇත; යතුර රහස් යොමු බවට පරිවර්තනය කරන ලදී. විගණන පියවර නොමැතිව, යතුර අනුවාද පාලනයට කාන්දු වේ (git ඉතිහාසය).

නඩුව 3 - අධිකාරියේ සීමාව. කණ්ඩායමේ සාමාජිකයෙකුට ඔහු ඉගෙන ගත් IDOR පරීක්ෂණය ව්‍යාපාරික හවුල්කරුවෙකුගේ සජීවී පද්ධතියට යෙදීමට අවශ්‍ය විය. QA නායකයා නතර විය: ලිඛිත අවසරයකින් සහ නිශ්චිත විෂය පථයකින් තොරව වෙනත් පද්ධතියක ආරක්ෂක පරීක්ෂණ සිදු කිරීම නීති විරෝධී ය. පරීක්ෂා කිරීම සිදු කරනු ලැබුවේ ඔවුන්ගේම නිෂ්පාදනවල පරීක්ෂණ පරිසරය තුළ පමණි, අධිකාරිය සහිතව; විවෘත වගකිව යුතු පාර්ශ්වය අදාළ කණ්ඩායමට දැනුම් දෙන ලදී.

පොදු වැරදි

• AI මුදා හැරීමේ තීරණ ගැනීම. "එය නිදහස් කළ හැකිද?" යන ප්රශ්නය අසමින්. AI වෙත සහ අත්සන වෙනුවට පිළිතුර තැබීම.
• ස්වයංක්‍රීය පරීක්ෂණය "සමත් වීම". CI හි, AI පරීක්ෂණය කොළ පාට කිරීම; වැරදි වහනවා.
• වාහනයට රහස්‍ය දත්ත/යතුර ලබා දීම. නිෂ්පාදන දත්ත, පුද්ගලික දත්ත හෝ API යතුරු අධීක්ෂණයකින් තොරව බෙදා ගැනීම.
• අනවසර ආරක්ෂක පරීක්ෂණ. විෂය පථය සහ අවසරයකින් තොරව වෙනත් පද්ධතියක ප්‍රහාරක පරීක්ෂාව.
• සමාලෝචනයකින් තොරව නල මාර්ගයට පරීක්ෂණ හඳුන්වා දීම. මානව අනුමැතියකින් තොරව ස්වයංක්‍රීයව AI සටහන ධාවනය කරන්න.
• AI මත වරද පැටවීම. "AI එය ලිව්වා" යැයි පවසමින් වැරදි ප්‍රතිදානය ආරක්ෂා කිරීම.

සාරාංශයකින්

අන්තයේ සිට අවසානය දක්වා QA යනු අවශ්‍යතා සිට නිෂ්පාදන ලුහුබැඳීම දක්වා විහිදෙන ක්‍රියාවලියක් වන අතර CI/CD තුළ ජීවත් වේ; සෑම අදියරකදීම, AI කෙටුම්පත් නිෂ්පාදනය කරයි, ලොගය සාරාංශ කරයි, සහ මූල හේතු යෝජනා කරයි. නමුත් මායිම් වෙනස් කළ නොහැක: මිනිසුන් පරීක්ෂණ තීරණ ගන්නා අතර අනුමැතිය නිකුත් කරයි; පරීක්ෂණය ස්වයංක්‍රීයව "සමත් වීමට" AI හට කිසි විටෙකත් බලය ලබා නොදේ; රහස්‍ය දත්ත සහ යතුරු වාහනයට ඇතුළු නොවේ; ආරක්ෂක පරීක්ෂණ සිදු කරනු ලබන්නේ ඔබේම නිෂ්පාදනයක් මත, ලිඛිත අවසරය සහ නිර්වචනය කළ විෂය පථය තුළ, ආරක්ෂක අරමුණු සඳහා වන අතර, සොයාගැනීම් වගකීමෙන් හෙළිදරව් කිරීම සමඟ වාර්තා කරනු ලැබේ. ඔබ AI භාවිතා කරන විට විනිවිදභාවයෙන් සිටින්න; නිමැවුමේ නිරවද්‍යතාවය සඳහා ඔබ වගකිව යුතුය. AI වේගවත් කරයි; ඔබ ගුණාත්මකභාවය සහ ආචාර ධර්ම සඳහා සහතික වේ.

යෙදුම් කාර්යය

ඔබේම ව්‍යාපෘතියේ විශේෂාංගයක් සඳහා “අවසානයේ සිට අවසානය දක්වා පරීක්ෂණ සැලැස්ම” අච්චුවක් සමඟ මුදා හැරීමට අදහසින් සැලැස්මක් කෙටුම්පත් කරන්න; එක් එක් අදියරේදී AI හි භූමිකාව සහ මානව අනුමැතිය ලකුණු වෙන වෙනම සලකුණු කරන්න. ඉන්පසු “CI/CD නල මාර්ග දළ සටහන” සහිත YAML එකක් ජනනය කර කාවැද්දූ යතුරු/රහස් දත්ත පරීක්ෂා කිරීමට මෙම YAML වෙත “ආරක්ෂාව/පෞද්ගලිකත්ව පූර්ව පරීක්ෂාව” යොදන්න. අවසාන වශයෙන්, ඔබගේ සැලැස්මේ ඇති සියලුම "මානව තීරණ" කරුණු ලැයිස්තුගත කර මෙම තීරණ AI වෙත පැවරිය නොහැක්කේ මන්දැයි එක වාක්‍යයකින් යුක්ති සහගත කරන්න.

පිරික්සුම් ලැයිස්තුව

• [ ] මම නිදහස් කිරීම සහ පරීක්ෂා කිරීමේ තීරණ මානව අනුමැතියට ආරෝපණය කරමි; මම ඒක AI එකට බාර දුන්නේ නැහැ.
• [ ] CI/CD හි මම ස්වයංක්‍රීයව පරීක්ෂණය "සම්මත/නිවැරදි" කිරීමට AI අවසරය ලබා දුන්නේ නැත.
• [ ] මම ඒවා වාහනයට යැවීමට පෙර රහස්‍ය දත්ත, පුද්ගලික දත්ත සහ යතුරු පරීක්ෂා කර වසන් කළෙමි.
• [ ] මම ලිඛිත අවසරය සහ විෂය පථය තුළ මගේම නිෂ්පාදනයේ ආරක්‍ෂක පරීක්‍ෂණය ගැන පමණක් සලකා බැලුවෙමි.
• [ ] මම වගකිවයුතු හෙළිදරව් කිරීමේ මූලධර්මය සමඟින් සොයාගත් දුර්වලතා ආමන්ත්‍රණය කළෙමි.
• [ ] මම AI භාවිතා කළ බවත් ප්‍රතිදානයේ නිරවද්‍යතාවයට මා වගකිව යුතු බවත් මම විනිවිද භාවයෙන් ප්‍රකාශ කළෙමි.

මොඩියුල විභාගය

1. QA සන්දර්භය තුළ 'අසත්‍ය සාමාර්ථය' වඩාත් නිවැරදිව අර්ථ දක්වන්නේ කෙසේද?

• A) පරීක්ෂණය කොළ පැහැයට හැරුණද, එය ඇත්ත වශයෙන්ම කිසිදු හැසිරීමක් තහවුරු නොකරයි; ✔ කේතය දූෂිත වුවද රතු පැහැයට හැරෙන්නේ නැත
• B) පරීක්ෂණය ඉතා සෙමින් හා කාලය අවසන් වේ.
• C) පරීක්ෂණය සැබෑ දෝෂයක් හඳුනාගෙන රතු පැහැයට හැරේ
• D) පරීක්ෂණය ක්රියාත්මක වන්නේ නිෂ්පාදන පරිසරය තුළ පමණි

පැහැදිලි කිරීම: ව්‍යාජ සාමාර්ථයක් යනු පරීක්ෂණයක් 'සම්මත' යැයි පවසන නමුත් සැබවින්ම අර්ථවත් කිසිවක් තහවුරු නොකරන විටය; පරීක්ෂණය කොළ පාටයි, නමුත් මෘදුකාංගය දෝෂ සහිත වුවද, එය අල්ලා නොගනී. QA හි AI හි අංක එකේ අවදානම මෙයයි, මන්ද AI පිළිවෙලට පෙනෙන නමුත් කුහර සහිත පරීක්ෂණ නිෂ්පාදනය කිරීමට නැඹුරු වේ.

2. පරීක්ෂණ සහ QA ක්‍රියාවලියේදී කෘත්‍රිම බුද්ධිය වඩාත් නිවැරදිව ස්ථානගත කිරීම කුමක්ද?

• A) මානව අනුමැතියකින් තොරව අනුවාදය නිකුත් කළ හැකිද යන්න කෘතිම බුද්ධියට තීරණය කළ හැකිය
• B) කෘතිම බුද්ධිය යනු කෙටුම්පත් සහ අදහස් ජනනය කරන සහායකයෙකි; 'එය ප්‍රකාශනයට සූදානම්ද' යන තීරණය සහ වගකීම විශේෂඥයා සතුය ✔
• C) කෘත්‍රිම බුද්ධිය පෙළ පමණක් ලියන අතර පරීක්ෂණ කේතය සමඟ කිසිසේත් ගනුදෙනු කළ නොහැක
• D) කෘතිම බුද්ධිය සෑම විටම මිනිසාට වඩා නිවැරදි පරීක්ෂණයක් ලියයි, එබැවින් සමාලෝචනය අනවශ්‍යයි

විස්තරය: කෘත්‍රිම බුද්ධිය යනු පරීක්ෂණ සහකාර, කෙටුම්පත් උත්පාදක සහ අදහස් ගුණකය; පරීක්ෂණ අවස්ථා, ස්වයංක්‍රීය කේතය සහ වාර්තා කෙටුම්පත් නිෂ්පාදනය කරයි. කෙසේ වෙතත්, 'මෙම මෘදුකාංගය ප්‍රකාශනයට සුදානම්ද' හෝ 'මෙම පරීක්ෂණය සමත් වී තිබේද' වැනි ගුණාත්මක තීරණවල වගකීම සහ අවසාන අනුමැතිය හිමිවන්නේ දක්ෂ විශේෂඥයාටය.

3. දෝෂ බොහෝ දුරට සිදුවන්නේ එළිපත්ත අගයන්හිදී යන කාරණය මත පදනම්ව, 18 වයස් සීමාව සඳහා 17, 18 සහ 19 වෙන වෙනම පරීක්ෂා කිරීම කුමන පරීක්ෂණ සැලසුම් තාක්ෂණයද?

• A) රාජ්ය සංක්රාන්ති පරීක්ෂණය
• B) තීරණ වගුව
• C) මායිම් අගය විශ්ලේෂණය ✔
• D) ගවේෂණාත්මක පරීක්ෂණය

පැහැදිලි කිරීම: මායිම් අගය විශ්ලේෂණය පදනම් වී ඇත්තේ මායිම් සහ පරීක්ෂණ එළිපත්ත අගයන් (පහළ, මදක් ඉහළින් සහ සීමාවට ඉහළින්) වෙන වෙනම දෝෂ බොහෝ විට සිදුවන බව නිරීක්ෂණය කිරීම මත ය. එය සමානතා පන්තිවලට අනුපූරක වන බලවත් තාක්ෂණයකි.

4. කෘත්‍රිම බුද්ධිය සමඟින් නිපදවන UI පරීක්ෂණ ස්වයංක්‍රීයකරණ කේතයේ බිඳෙනසුලු බව අඩු කිරීමට මූලද්‍රව්‍ය තෝරාගැනීමේදී වඩාත් කැමති ප්‍රවේශය කුමක්ද?

• A) හැකි දිගම XPath මාර්ගය භාවිතා කිරීම
• B) තිරයේ ඇති පික්සල් පිහිටීම අනුව මූලද්රව්යය තෝරා ගැනීම
• C) CSS පන්ති නාම මත පදනම්ව තේරීම් භාවිතා කිරීම
• D) පරීක්ෂා කිරීම සඳහා එකතු කරන ලද ස්ථායී ගුණාංග (data-testid) භාවිතා කිරීම ✔

පැහැදිලි කිරීම: දිගු XPath මාර්ග සහ CSS පන්ති නම් පිටු ව්‍යුහය සහ සැලසුම් මත අතිශයින් රඳා පවතී; සුළු අතුරු මුහුණත වෙනස් වීමකදී එය කැඩී යයි. පරීක්ෂණ සඳහා විශේෂයෙන් එකතු කරන ලද ස්ථායී ගුණාංග (උදා: දත්ත-පරීක්ෂණය) සැලසුම් වෙනස්කම්වලට බලපාන්නේ නැති අතර පරීක්ෂණ ශක්තිමත් කරයි.

5. API පරීක්ෂණයකට HTTP තත්ව කේතය (උදා. 200) පමණක් පරීක්ෂා කිරීම ප්‍රමාණවත් නොවන්නේ ඇයි?

• A) නිවැරදි තත්ව කේතය සහිත ශරීර දත්ත දූෂිත විය හැකි නිසා සහ තත්ත්‍ව පරීක්ෂාවකින් පමණක් මෙය අල්ලා නොගන්නා නිසා (ව්‍යාජ විශ්වාසය) ✔
• B) API පරීක්ෂණ වලදී තත්ව කේත කිසිසේත් විශ්වාසදායක නොවන නිසා
• C) තත්ත්‍ව කේත පරීක්ෂා කිරීම පරීක්ෂණය බොහෝ සෙයින් අඩු කරන බැවිනි
• D) API පරීක්ෂණ වලදී තත්ත්‍ව කේතය කිසිවිටෙක ආපසු නොදෙන නිසා

පැහැදිලි කිරීම: සේවාදායකය නිවැරදි තත්ව කේතය ලබා දෙන අතර, එය ශරීරය තුළ දූෂිත දත්ත ආපසු ලබා දිය හැක (වැරදි වර්ගය, නැතිවූ ක්ෂේත්රය, වැරදි ලෙස ගණනය කළ අගය). තත්වය පමණක් බලන පරීක්ෂණයට මෙය නොපෙනී බොරු විශ්වාසයක් ලබා දෙයි. එබැවින් ක්‍රම/කොන්ත්‍රාත් සහ ව්‍යාපාර රීති වලංගු කිරීමද එකතු කළ යුතුය.

6. ඒකක පරීක්ෂණ මුද්‍රණය කිරීමේදී 'පිළිගැනීමේ රීතියට අනුව අපේක්ෂිත අගය අතින් ගණනය කරන්න, ශ්‍රිතයේ වත්මන් ප්‍රතිදානය යොමු නොකරන්න' AI හට පැවසීම ඉතා වැදගත් වන්නේ ඇයි?

• A) අතින් ගණනය කිරීම් පරීක්ෂණ වේගවත් වන නිසා
• B) එසේ නොමැතිනම් පරීක්ෂණය කේතයේ වත්මන් (සමහර විට දෝෂ සහිත) හැසිරීම 'නිවැරදි' ලෙස පිළිගෙන දෝෂය තහවුරු කරයි ✔
• C) කෘතිම බුද්ධියට දශම සංඛ්‍යා කිසිසේත් ගණනය කළ නොහැකි නිසා
• D) පරීක්ෂණ වලදී පිළිගැනීමේ නීති කිසි විටෙක භාවිතා නොකරන නිසා

පැහැදිලි කිරීම: AI පරීක්ෂණය යටතේ ඇති ශ්‍රිතයේ ප්‍රතිදානයෙන් අපේක්ෂිත අගය ලබා ගන්නේ නම්, එය ශ්‍රිතය දෝෂ සහිත වුවද පරීක්ෂණය 'සමත්' කරයි; එනම්, කේතය නිපදවන කුමක් වුවත්, පරීක්ෂණය සත්‍ය ලෙස ගණන් ගනී. පිළිගැනීමේ රීතියෙන් ස්වාධීනව අපේක්ෂිත අගය ගණනය කිරීම, පරීක්ෂණය කේතයේ කැඩපතක් නොව රීතියට දොරටු පාලකයෙකු බව සහතික කරයි.

7. හොඳ දෝෂ වාර්තාවක වඩාත්ම කැපී පෙනෙන ලක්ෂණය වන්නේ පහත ඒවායින් කුමක්ද?

• A) හැකි තරම් දිගු හා තාක්ෂණික විය යුතුය
• B) කෘතිම බුද්ධිය මගින් ලියා ඇත
• C) සංවර්ධකයාට ස්වාධීනව අනුගමනය කළ හැකි සහ දෝෂය ඇති කළ හැකි නිර්ණායක ප්‍රතිනිෂ්පාදන පියවර අඩංගු වේ ✔
• D) එය තිර රුවක් පමණි

පැහැදිලි කිරීම: දෝෂ වාර්තාවක සැබෑ වටිනාකම වන්නේ සංවර්ධකයාට ඔබේ උදව් නොමැතිව දෝෂය ප්‍රතිනිෂ්පාදනය කළ හැකි වීමයි. මුල සිටම නිර්ණය කළ හැකි, සොයා ගත හැකි ප්‍රතිනිෂ්පාදන පියවර මෙය සහතික කරයි; මෙම පියවර අස්ථානගත වී ඇත්නම්, වාර්තාව බොහෝ විට 'නිපදවිය නොහැක' ලෙස වසා දමයි.

8. මුල් පිටුවේ සමාගමේ නම වැරදි ලෙස අක්ෂර වින්‍යාස කිරීමේ දෝෂයේ බරපතලකම සහ ප්‍රමුඛතාවය අතර සම්බන්ධය සඳහා වඩාත් නිවැරදි ප්‍රකාශනය කුමක්ද?

• A) තීව්‍රතාවය සහ ප්‍රමුඛතාවය සෑම විටම එකම අගයක් තිබිය යුතුය
• B) මෙම දෝෂයේ බරපතලකම සහ ප්‍රමුඛතාවය යන දෙකම අනිවාර්යයෙන්ම අඩුය
• C) බරපතලකම සහ ප්‍රමුඛතාවය එකම සංකල්පයකි, එක් ලේබලයක් ප්‍රමාණවත් වේ
• D) තාක්ෂණික තීව්‍රතාවය අඩු විය හැකි නමුත් ව්‍යාපාරික ප්‍රමුඛතාවය (කීර්තිය) ඉහළ විය හැක; දෙක වෙනස් ලෙස ඇගයීමට ලක් කෙරේ ✔

පැහැදිලි කිරීම: බරපතලකම යනු දෝෂයේ තාක්ෂණික බලපෑමයි (තාක්ෂණිකව ටයිප් කිරීමේ දෝෂය අඩුයි), ප්‍රමුඛතාවය වන්නේ එය කෙතරම් ඉක්මනින් නිවැරදි කළ යුතුද යන්නයි (එය සෑම අමුත්තෙක්ම දකින කීර්තිමත් අංගයක් වන නිසා ඉහළයි). දෙන්නා හැමතිස්සෙම යන්නෙ එකම පැත්තට නෙවෙයි. මෙම උදාහරණය අඩු බරපතලකම-ඉහළ ප්‍රමුඛතා තත්වයකි.

9. 90% රේඛා ආවරණයක් සහිත පරීක්ෂණ කට්ටලයක වඩාත්ම නිවැරදි අර්ථ නිරූපණය කුමක්ද?

• A) එය රේඛා ක්‍රියාත්මක කර ඇති නමුත් ඒවා නිවැරදිව හැසිරෙන බව ඔප්පු නොකරයි; ✔ ඉහළ ආවරණයක් බොරු විශ්වාසයක් ලබා දිය හැක
• B) මෘදුකාංගයෙන් 90%ක් දෝෂ රහිත බව ස්ථිරවම ඔප්පු කරයි
• C) එය විශිෂ්ට පරීක්ෂණ ගුණාත්මකභාවය පිළිබඳ නිශ්චිත මිනුමක් වේ.
• D) තවදුරටත් අමතර පරීක්ෂණ ලිවීමට අවශ්‍ය නොවන බව පෙන්නුම් කරයි

පැහැදිලි කිරීම: පේළි ආවරණය පෙන්නුම් කරන්නේ පේළි පමණක් ක්‍රියාත්මක කර ඇති බවයි; එය නිවැරදි ප්රතිඵල ලබා දෙන බව ඔප්පු නොවේ. ස්ථිර නොවන පරීක්ෂණ සමඟ වුවද, 90% ආවරණයක් ලබා ගත හැකිය. විෂය පථය යනු 'කවදාවත් නොබැලු' සිතියමක් මිස 'සියල්ල පරීක්ෂා කර ඇත' සහතිකයක් නොවේ; සැබෑ ආරක්ෂාව මනිනු ලබන්නේ විකෘති පරීක්ෂාව මගිනි.

10. අවදානම් මත පදනම් වූ පරීක්‍ෂණයේදී, සීමිත පරීක්‍ෂණ උත්සාහයන් මෙහෙයවීම සඳහා විශේෂාංගයක අවදානම ගණනය කරන්නේ කෙසේද?

• A) කේතයේ පේළි ගණනින් පමණි
• B) අසාර්ථක වීමේ සම්භාවිතාව සහ එය බිඳවැටීමේදී ඇතිවන බලපෑම ගුණ කිරීමෙන් ✔
• C) විශේෂාංගය වර්ධනය කරන ලද අනුපිළිවෙලෙහි පමණි
• D) පරීක්ෂණ ලිවීමට පහසුම විශේෂාංගයට පමණක් ප්‍රමුඛත්වය දීම

පැහැදිලි කිරීම: අවදානම් පාදක පරීක්‍ෂණයේ දී අවදානම සම්භාවිතාව = සම්භාවිතාව (බිඳවැටීමේ සම්භාවිතාව) × බලපෑම (කැඩී ගියහොත් හානිය) ලෙස ඇගයීමට ලක් කෙරේ. ඉහළ සම්භාවිතාව සහ ඉහළ බලපෑම් වසම් (ගෙවීම්, සත්‍යාපනය) වඩාත් දැඩි පරීක්‍ෂණයට සුදුසු වන අතර අඩු×අඩු වසම්වලට සැහැල්ලු පරීක්‍ෂණයක් ලැබේ.

11. කේතය වෙනස් වී නැතත් සමහර විට සමත් වන සහ සමහර විට අසාර්ථක වන (බිඳෙනසුලු/පටලෙන) පරීක්ෂණයකට නැවත උත්සාහයක් එක් කිරීමේ ප්‍රධාන අවදානම කුමක්ද?

• A) පරීක්ෂණයේ ධාවන කාලය කෙටි කිරීම
• B) ආවරණ ප්රතිශතය අඩු කරයි
• C) සැබෑ සමගාමී දෝෂයක් හෝ මූල හේතුව වසන් කිරීම සහ රෝග ලක්ෂණය යටපත් කිරීම ✔
• D) පරීක්ෂණයේ නම වෙනස් කිරීම

පැහැදිලි කිරීම: නැවත උත්සාහ කිරීම රෝග විනිශ්චය කිරීමේ මෙවලමක් මිස ප්‍රතිකාරයක් නොවේ. අවිනිශ්චිතතාවය බොහෝ විට පැමිණෙන්නේ සැබෑ ධාවන තත්වයක් හෝ ඇබ්බැහි වීමෙනි; නැවත උත්සාහ කිරීමෙන් පරීක්ෂණය 'සාම' බවට පත් කිරීම මෙම සැබෑ දෝෂය ආවරණය කරන අතර සජීවීව බරපතල ගැටළු ඇති කළ හැක. මූල හේතුව මුලින්ම සොයාගත යුතුය.

12. පරීක්ෂණ කට්ටලයක් ඇත්ත වශයෙන්ම ආරක්ෂා කරන්නේද යන්න මැනීමේ වඩාත්ම අවංක ක්‍රමය වන විකෘති පරීක්ෂාව ක්‍රියා කරන්නේ කෙසේද?

• A) පරීක්ෂණවල ධාවන වේගය මැනීමෙන්
• B) කේතයේ පේළි කීයක් ලියා ඇත්දැයි ගණනය කිරීමෙන්
• C) විවිධ අනුපිළිවෙලින් පරීක්ෂණ ධාවනය කිරීමෙන්
• D) හිතාමතාම කේතයේ කුඩා බිඳීම් නිර්මාණය කිරීමෙන් සහ පරීක්ෂණ මගින් ඒවා අල්ලා ගන්නේද යන්න මැන බැලීමෙන් ✔

විස්තරය: විකෘති පරීක්ෂාව මඟින් මූල කේතයේ කුඩා චේතනාන්විත විකෘති කිරීම් (විකෘති) ඇති කරයි; හොඳ පරීක්ෂණ කට්ටලයක් මෙම විකෘති කිරීම් අල්ලා රතු පැහැයට හැරිය යුතුය. අල්ලා නොගත් (නොමැරී ජීවත් වූ) විකෘතිවලින් පෙන්නුම් කරන්නේ පරීක්ෂණ එම හැසිරීම ආරක්ෂා නොකරන බවයි. විකෘති ලකුණු යනු ප්‍රතිශත ආවරණයට වඩා ගුණාත්මක බවේ අවංක මිනුමක් වේ.

13. ආරක්ෂක පරීක්ෂණ (උදා. අවසරය/IDOR පරීක්ෂණ) සිදු කිරීමේදී අනුගමනය කළ යුතු ප්‍රධාන සීමාව කුමක්ද?

• A) එය කළ යුත්තේ තමන්ගේම නිෂ්පාදනයක් මත, ලිඛිත අවසරය සහ නිශ්චිත විෂය පථය තුළ, ආරක්ෂක අරමුණු සඳහා ✔
• B) එය ඕනෑම උනන්දුවක් දක්වන පද්ධතියකට නිදහසේ යෙදිය හැකිය
• C) අවසරයකින් තොරව ව්යාපාරික හවුල්කරුවන්ගේ සජීවී පද්ධති මත එය උත්සාහ කළ හැකිය
• D) සොයාගත් ඕනෑම දුර්වලතාවයක් වහාම ප්රසිද්ධියේ ප්රකාශයට පත් කළ යුතුය.

විස්තරය: මෙම මොඩියුලයේ ඉගෙන ගත් ආරක්ෂක පරීක්ෂණ ලිඛිත අවසරය සහ නිශ්චිත විෂය පථය තුළ ආරක්ෂක අරමුණු සඳහා ඔබේම නිෂ්පාදනයක් පරීක්ෂා කිරීම සඳහා පමණි. අවසරයකින් තොරව වෙනත් කෙනෙකුගේ පද්ධතියට ප්‍රවේශ වීම හෝ විෂය පථයෙන් බැහැර පරීක්ෂණ සිදු කිරීම සදාචාර විරෝධී සහ නීති විරෝධී ය; සොයාගත් ඕනෑම දුර්වලතාවයක් වගකීමෙන් හෙළිදරව් කිරීම හරහා වාර්තා කරනු ලැබේ.

14. CI/CD නල මාර්ගයේ AI වෙත කිසිවිටෙක ලබා නොදිය යුතු අධිකාරිය කුමක්ද?

• A) අසාර්ථක පරීක්ෂණ ලඝු-සටහන් සාරාංශ කිරීම
• B) අසමත් වූ (රතු) පරීක්ෂණයක් ස්වයංක්‍රීයව ' සමත්' කිරීමට හෝ එය කොළ පාට කිරීමට අධිකාරිය ✔
• C) පරීක්ෂණ කේත කෙටුම්පතක් යෝජනා කිරීම
• D) නල මාර්ගය YAML ගොනු කෙටුම්පත් කිරීම

විස්තරය: AI හට පරීක්ෂණ කේත දළ සටහන, නල මාර්ගය YAML සහ CI/CD හි ලොග් සාරාංශය නිෂ්පාදනය කළ හැක; කෙසේ වෙතත්, අසමත් වූ පරීක්ෂණයක් ස්වයංක්‍රීයව ' සමත්/ නිවැරදි කිරීමේ' හැකියාව කිසි විටෙක ලබා නොදිය යුතුය. මෙය පරීක්ෂා කිරීමේ අරමුණ පරාජය කරන අතර ස්වයංක්‍රීයව දෝෂ ආවරණය කරයි. පරීක්ෂණය කොළ පාට කිරීම පුද්ගලයෙකුගේ සවිඥානක සහ තර්කානුකූල තීරණයක් විය යුතුය.