లాభాలు:
- QA ప్రక్రియలో కృత్రిమ మేధస్సు నిజ సమయాన్ని ఎక్కడ ఆదా చేస్తుందో మరియు పని ప్రమాద స్థాయిని బట్టి 'పబ్లికేషన్కు సిద్ధంగా ఉంది' వంటి నాణ్యమైన నిర్ణయాలను మానవులకు ఎక్కడ వదిలివేయాలో గుర్తించగలగడం
- తప్పుడు పాస్ల ప్రమాదాన్ని గుర్తించగల సామర్థ్యం మరియు ఉద్దేశపూర్వకంగా కోడ్ను విచ్ఛిన్నం చేయడం ద్వారా ప్రతి AI పరీక్షను పరీక్షించే ధృవీకరణ క్రమశిక్షణను అమలు చేయడం
- పరీక్ష డేటా, వ్యక్తిగత డేటా మరియు కీలను రక్షించే సామర్థ్యం మరియు అధీకృత మరియు రక్షణ ప్రయోజనాల కోసం మాత్రమే భద్రతా పరీక్షను నిర్వహించే అలవాటును పొందడం.
విడుదల రాత్రిని పరిగణించండి. వందలాది పరీక్షలు జరిగాయి, వారందరికీ గ్రీన్ లైట్ వచ్చింది, బృందం ఉపశమనం పొందింది మరియు సాఫ్ట్వేర్ ప్రత్యక్ష ప్రసారం చేయబడింది. మరుసటి రోజు ఉదయం, చెల్లింపు స్క్రీన్ క్రాష్ అయినట్లు కస్టమర్ నివేదించారు. పరీక్షలు ఆకుపచ్చగా ఉన్నాయి కానీ అతనికి లోపం కనిపించలేదు. నాణ్యత హామీ (QA) వృత్తికి సంబంధించిన అత్యంత కృత్రిమ పీడకల ఇది, అంటే సాఫ్ట్వేర్ కోరుకున్న నాణ్యతను క్రమపద్ధతిలో నిర్ధారించే క్రమశిక్షణ: ఆకుపచ్చ రంగులో మెరుస్తున్న కానీ వాస్తవానికి దేనినీ నిర్ధారించని పరీక్ష. కృత్రిమ మేధస్సు (AI — చారిత్రక డేటా నుండి నమూనాలను సంగ్రహించే మరియు టెక్స్ట్ మరియు కోడ్ను రూపొందించే సాఫ్ట్వేర్) ఈ వృత్తిలోకి ప్రవేశించినప్పుడు, ఖచ్చితంగా ఈ పీడకల యొక్క భారీ త్వరణం మరియు మాగ్నిఫికేషన్ రెండూ ఉన్నాయి. ఈ మాడ్యూల్ యొక్క ప్రారంభ వాగ్దానం స్పష్టంగా ఉంది: AI ఒక టెస్టింగ్ అసిస్టెంట్, బ్లూప్రింట్ జనరేటర్ మరియు ఐడియా గుణకం; "ఈ సాఫ్ట్వేర్ విడుదలకు సిద్ధంగా ఉందా" నిర్ణయంపై సైన్ ఆఫ్ చేసే టెస్టర్ మీరే.
ఈ మొదటి యూనిట్లో మేము సాధనంపై కాకుండా క్రమశిక్షణపై దృష్టి పెడతాము. QA ప్రాసెస్లో AI నిజ సమయాన్ని ఎక్కడ ఆదా చేస్తుంది, ఎక్కడ అది ప్రమాదకరం, "ఫాల్స్-పాస్" అని పిలవబడే మోసపూరిత ఆకుపచ్చ ఎందుకు అతిపెద్ద ప్రమాదం, ప్రతి అవుట్పుట్ను ఎలా ధృవీకరించాలి మరియు మీరు ఏ టూల్కు ఏ డేటాను అందించగలరో మీరు తెలుసుకుంటారు. ఈ పునాదిని వేయకుండా, తదుపరి యూనిట్లు గాలిలో ఉంటాయి.
పరీక్ష ప్రక్రియలో AI ఎక్కడ ఉపయోగపడుతుంది?
పరీక్షా ఉద్యోగాలను రెండు పెద్ద క్లస్టర్లుగా విభజిద్దాం. మొదటి క్లస్టర్: పునరావృత, ఉత్పాదక, డ్రాఫ్ట్ ఉద్యోగాలు. ఆవశ్యకత నుండి టెస్ట్ కేస్ను రూపొందించడం, బ్రేక్పాయింట్లను జాబితా చేయడం, స్క్రీన్కి ఆటోమేషన్ కోడ్ స్కెలిటన్ను రాయడం, సంక్లిష్టమైన ఎర్రర్ కేస్ను చక్కని ఎర్రర్ రిపోర్ట్గా అనువదించడం, వందల కొద్దీ లైన్ల లాగ్ ఫైల్లను సంగ్రహించడం, API ప్రతిస్పందన నుండి స్కీమాను సంగ్రహించడం. ఈ పనులలో, AI నిమిషాల నుండి సెకన్ల వరకు తగ్గిస్తుంది మరియు అలసిపోదు.
రెండవ క్లస్టర్: నాణ్యత, నమ్మకం మరియు బాధ్యతతో కూడిన నిర్ణయాలు. “ఈ సంస్కరణ ప్రత్యక్ష ప్రసారం కాగలదా”, “ఈ బగ్ క్లిష్టమైనదా లేదా వాయిదా వేయవచ్చు”, “ఈ పరీక్ష కవరేజీ సరిపోతుందా”, “ఈ దృశ్యం నిజమైన వినియోగదారు ప్రమాదాన్ని సంగ్రహిస్తుందా” మొదలైన నిర్ణయాలకు సందర్భం, ఉత్పత్తి పరిజ్ఞానం మరియు బాధ్యత అవసరం. ఇక్కడ AI ఎంపికలు, చిత్తుప్రతులను రూపొందిస్తుంది - కానీ మీరు "పాస్/ఫెయిల్" మరియు "గో/నో గో" అని నిర్ణయించుకుంటారు.
ఒక వాక్యంలో వ్యత్యాసాన్ని స్పష్టం చేద్దాం: "ఏ పరిస్థితులను పరీక్షించవచ్చు మరియు దానిని పరీక్షించే కోడ్ను ఎలా వ్రాయాలి" అనే విషయంలో AI బలంగా ఉంది; "ఈ సాఫ్ట్వేర్ నిజంగా పని చేస్తుందా మరియు దీనికి ఎవరు హామీ ఇస్తున్నారు?" అనే ప్రశ్న వచ్చినప్పుడు నిర్ణయం మీదే.
చిట్కా: AIకి ఉద్యోగాన్ని అప్పగించే ముందు, ఇలా అడగండి: “ఈ అవుట్పుట్ తప్పుగా ఉండి, నేను గమనించకపోతే ఏమి జరుగుతుంది?” "నేను కొన్ని నిమిషాలు కోల్పోతాను" అని సమాధానం ఉంటే, సులభంగా అప్పగించండి. సమాధానం "తప్పుతో కూడిన సాఫ్ట్వేర్ ప్రత్యక్ష ప్రసారం అవుతుంది" అయితే, AI డ్రాఫ్ట్ను రూపొందించనివ్వండి మరియు మీరు నిర్ణయం మరియు ధృవీకరణను తీసుకోండి.
తప్పు పాస్: QAలో AI యొక్క మొదటి ప్రమాదం
పరీక్ష ఆకుపచ్చ రంగులో వెలుగుతున్నప్పుడు, అది రెండు విషయాలను సూచిస్తుంది: సాఫ్ట్వేర్ వాస్తవానికి సరిగ్గా పని చేస్తోంది లేదా పరీక్ష తప్పుగా వ్రాయబడినందున అది బగ్ను చూడలేదు. రెండవది తప్పుడు పాస్ అని పిలువబడుతుంది - పరీక్ష "పాస్" అని చెబుతుంది కానీ వాస్తవానికి దేనినీ నిర్ధారించదు. AIతో ఉత్పత్తి చేయబడిన పరీక్షలలో ఈ ప్రమాదం గణనీయంగా పెరుగుతుంది, ఎందుకంటే AI నిష్ణాతులుగా, సరళంగా కనిపించే కానీ ఖాళీగా ఉన్న పరీక్షలను రాయడంలో చాలా విజయవంతమైంది.
సూడో-పాస్ యొక్క మూడు అత్యంత సాధారణ రూపాలు: (1) నిర్థారణ లేకుండా పరీక్షించడం - కోడ్ నడుస్తుంది, నిర్థారణలను కలిగి ఉండదు, ఎల్లప్పుడూ పాస్ అవుతుంది. (2) స్వీయ-ధృవీకరణ పరీక్ష - పరీక్ష యొక్క అంచనా విలువ పరీక్షలో ఉన్న కోడ్ యొక్క అవుట్పుట్ నుండి లెక్కించబడుతుంది; అంటే, కోడ్ ఏది ఉత్పత్తి చేసినా, పరీక్ష "సరైనది"గా అంగీకరిస్తుంది. (3) తప్పుడు విషయాన్ని ధృవీకరించే పరీక్ష — ఉనికిలో ఉందని నిర్ధారించడం, కానీ అది అసలైన వ్యాపార నియమాన్ని కాదు (ఉదా. "ప్రతిస్పందన శూన్యం కాదు") ఏదో చిన్నవిషయాన్ని తనిఖీ చేస్తుంది.
హెచ్చరిక: గ్రీన్ టెస్ట్ ప్యానెల్ నాణ్యతకు రుజువు కాదు; ఉత్తమంగా అది "మేము వ్రాసిన నియంత్రణలు ప్రస్తుతం విచ్ఛిన్నం కాలేదు" అని చెబుతుంది. AI ఉత్పత్తి చేసే పరీక్షలో "పాస్" చూసి ఓదార్పు పొందకండి - అసలు ప్రశ్న: నేను ఉద్దేశపూర్వకంగా కోడ్ను విచ్ఛిన్నం చేస్తే ఈ పరీక్ష ఎరుపు రంగులోకి మారుతుందా? తిప్పకపోతే ఆ పరీక్ష అలంకారం.
ఈ మాడ్యూల్ అంతటా పునరావృతమయ్యే గోల్డెన్ రూల్: ఉద్దేశపూర్వకంగా కోడ్ను విచ్ఛిన్నం చేయడం ద్వారా ప్రతి AI పరీక్షను పరీక్షించండి. పరీక్ష ఇంకా ఆకుపచ్చగా ఉంటే, ఆ పరీక్ష పనిచేయదు. (మేము ఈ ఆలోచనను యూనిట్ 10లో మ్యుటేషన్ టెస్టింగ్గా మరింత లోతుగా చేస్తాము.)
ధృవీకరణ క్రమశిక్షణ: మూడు దశలు
AI విశ్వాసంతో మాట్లాడుతుంది; అంటే అది నిజమని కాదు. ప్రతి ఫలితానికి వర్తింపజేయడానికి మూడు-దశల రిఫ్లెక్స్ను అభివృద్ధి చేయండి:
- దానిని అవసరానికి కట్టండి. ప్రతి పరీక్షా సందర్భం మరియు AI తప్పనిసరిగా నిజమైన అవసరం లేదా అంగీకార ప్రమాణాలపై ఆధారపడి ఉండాలని నొక్కి చెబుతుంది (ఒక ఉద్యోగం "పూర్తయింది"గా పరిగణించబడాలంటే తప్పనిసరిగా పాటించాల్సిన షరతులు). "ఈ దృశ్యం ఏ నియమాన్ని నిర్ధారిస్తుంది?" అడగండి.
- ఎరుపు చూడండి. కోడ్ను బద్దలు కొట్టి, ఉత్పత్తి చేయబడిన పరీక్షను ఒకసారి అమలు చేయండి. అది ఎరుపు రంగులోకి మారకపోతే, పరీక్ష చెల్లదు. AI పరీక్షలో ఇది చర్చించలేని దశ.
- కాంటెక్స్ట్ ఫిల్టర్ ద్వారా దాన్ని పాస్ చేయండి. ఉత్పత్తి ప్రవర్తన, ఆర్కిటెక్చర్, వాస్తవ వినియోగదారు ప్రవాహం గురించి మీకు తెలిసిన దానితో అవుట్పుట్ సరిపోతుందా? మీ డొమైన్ పరిజ్ఞానం చివరి ఫిల్టర్.
డేటా గోప్యత మరియు భద్రత: ఏమి ఎక్కడికి వెళుతుంది?
పరీక్ష వాతావరణంలో మీరు పని చేసే డేటా తరచుగా సున్నితంగా ఉంటుంది: నిజమైన కస్టమర్ రికార్డ్లు, ప్రొడక్షన్ డేటాబేస్ కాపీలు, API కీలు, అంతర్గత సిస్టమ్ చిరునామాలు, ఇంకా ప్రకటించని ఫీచర్లు. సరళమైన వర్గీకరణను రూపొందించండి: ఓపెన్ డేటా (డాక్యుమెంట్ చేయబడింది, పబ్లిక్గా అందుబాటులో ఉంటుంది) ఏదైనా వాహనంలోకి ప్రవేశించవచ్చు. అంతర్గత డేటా (సోర్స్ కోడ్ శకలాలు, అంతర్గత డాక్యుమెంటేషన్) ఏజెన్సీ-ఆమోదిత సాధనాలకు మాత్రమే. గోప్యమైన డేటా (నిజమైన కస్టమర్ డేటా, గుర్తింపు సమాచారం, దుర్బలత్వ వివరాలు, కీలు) మాత్రమే సంస్థ యొక్క కాంట్రాక్ట్ సాధనాల్లోకి ప్రవేశిస్తుంది, దీని డేటా మోడల్ శిక్షణకు వెళ్లదు, ప్రాధాన్యంగా ముసుగు వేయబడుతుంది.
భద్రతా పరీక్ష సందర్భంలో అదనపు పరిమితి ఉంది: ఈ మాడ్యూల్లో నేర్చుకున్న ప్రతిదీ రక్షణ ప్రయోజనాల కోసం — మీ స్వంత ఉత్పత్తి యొక్క భద్రతను అధికారికంగా పరీక్షించడానికి. అనుమతి లేకుండా వేరొకరి సిస్టమ్లోకి చొరబడటానికి, నిజమైన దుర్బలత్వాన్ని ఆయుధంగా మార్చడానికి లేదా మీకు అధికారం లేని సిస్టమ్ను పరీక్షించడానికి AIని ఉపయోగించడం అనైతికం మరియు నేరం. అధీకృత (పరిధి మరియు అనుమతి) లేకుండా ఎటువంటి అభ్యంతరకరమైన పరీక్ష జరగదు.
చిట్కా: నిజమైన కస్టమర్ డేటాకు బదులుగా సింథటిక్ (కృత్రిమంగా ఉత్పత్తి చేయబడిన) పరీక్ష డేటాను ఉపయోగించండి. "వాస్తవికమైన కానీ పూర్తిగా కల్పిత పరీక్ష డేటాను రూపొందించమని" AIని అడగడం గోప్యతను కాపాడుతుంది మరియు ఎడ్జ్ కేసులను వైవిధ్యపరుస్తుంది.
మూడు చిన్న కేసులు
కేస్ 1 - సరైన స్థలంలో టైమ్ సేవర్. Ekomerce బృందం యొక్క టెస్టర్ ప్రతి విడుదల కోసం 30-పేజీల అవసరాల పత్రం నుండి మాన్యువల్గా పరీక్ష దృశ్యాన్ని రూపొందించడానికి 6 గంటలు గడిపారు. అతను పత్రాన్ని (వాణిజ్య రహస్యాలు లేని భాగం) YZకి ఇచ్చాడు మరియు నిర్మాణాత్మక దృశ్య ముసాయిదా కోసం అడిగాడు; సమయాన్ని 90 నిమిషాలకు తగ్గించారు. AI మిస్ అయిన బిజినెస్ రూల్ ఎడ్జ్ కేసులను జోడించడం ద్వారా అతను ఆదా చేసిన సమయాన్ని వెరిఫై చేయడానికి కేటాయించాడు. AI పునరావృతమయ్యే పనిని తీసివేసింది, తీర్పును మానవునికి వదిలివేసింది.
కేసు 2 - నకిలీ-పాసింగ్ క్యాచ్. ఒక డెవలపర్ కంప్యూట్ ఫంక్షన్ కోసం AI 12 యూనిట్ పరీక్షలను వ్రాసాడు; అవన్నీ పచ్చగా ఉన్నాయి. టెస్టర్ "ఎరుపును చూడు" దశను అమలు చేసాడు: ఉద్దేశ్యపూర్వకంగా ఫంక్షన్ లోపల సంకలన చిహ్నాన్ని గుణకారానికి మార్చడం. 12 పరీక్షల్లో 3 మాత్రమే ఎరుపు రంగులో ఉన్నాయి. ఇతర 9 పరీక్షలు నిజమైన నిర్ధారణను అందించలేదు; ఇది కేవలం "ఇది ఒక లోపాన్ని విసిరివేయలేదు" అని చెప్పింది. 9 అలంకార పరీక్షలు తొలగించబడ్డాయి మరియు బదులుగా 5 నిజమైన పరీక్షలు వ్రాయబడ్డాయి.
కేసు 3 - గోప్యతా ఉల్లంఘన నుండి తిరిగి రావడం. ఒక ఇంటర్న్ నిజమైన కస్టమర్ ఇమెయిల్లను కలిగి ఉన్న ఎర్రర్ లాగ్ను మరియు ప్రొడక్షన్ డేటాబేస్ నుండి కార్డ్లోని చివరి నాలుగు అంకెలను పబ్లిక్ టూల్లో అతికించి, "ఈ లోపాన్ని వివరించండి" అని చెప్పాడు. QA నాయకుడు జోక్యం చేసుకున్నారు: ఇది వ్యక్తిగత డేటా నియంత్రణలో లేదు మరియు KVKK (వ్యక్తిగత డేటా రక్షణ చట్టం) ఉల్లంఘన. అదే పని సంస్థ-ఆమోదిత వాహనంలో జరిగింది, వ్యక్తిగత ప్రాంతాలను మాస్క్ చేయడం మరియు స్టాక్ ట్రేస్ను మాత్రమే వదిలివేయడం.
నాలుగు కాపీ చేయగల టెంప్లేట్లు
1) ఉద్యోగ అనుకూలత అంచనా:
మీ పాత్ర: సీనియర్ QA నాయకుడు. నేను మీకు టెస్టింగ్ జాబ్ గురించి వివరిస్తాను. నాకు చెప్పండి (1) ఈ పనిని AIకి సురక్షితంగా అప్పగించగల డ్రాఫ్టింగ్/విశ్లేషణ పని లేదా మానవుడు తప్పనిసరిగా తీసుకోవలసిన నాణ్యమైన నిర్ణయం, (2) తప్పు అవుట్పుట్ యొక్క సంభావ్య వ్యయం, (3) నేను అప్పగించే ముందు నేను చేయవలసిన ధృవీకరణ. ఉద్యోగం: [ఇక్కడ ఉద్యోగం చొప్పించండి]
2) సూడో-పాస్ నియంత్రణ:
దిగువ పరీక్షను తనిఖీ చేయండి. నాకు చెప్పు:- ఈ పరీక్ష ఏ ప్రవర్తనను నిర్ధారిస్తుంది? (ఒక వాక్యం)- పరీక్షలో కోడ్ను నేను ఎలా విచ్ఛిన్నం చేయగలను, తద్వారా పరీక్ష ఎరుపు రంగులోకి మారుతుంది?- ఈ పరీక్ష ఎల్లప్పుడూ ఉత్తీర్ణత సాధించడానికి కారణమయ్యే బలహీనత ఏదైనా ఉందా (నిర్ధారణ, స్వీయ ధ్రువీకరణ, ట్రివియల్ చెక్)? పరీక్ష: [పరీక్షను ఇక్కడ అతికించండి]
3) టెస్ట్ డేటా మాస్కింగ్ నియంత్రణ:
నేను మీకు ఇచ్చే లాగ్/డేటా వ్యక్తిగత లేదా రహస్య ఫీల్డ్లను కలిగి ఉండవచ్చు (ఇ-మెయిల్, పేరు, కార్డ్, కీ, అంతర్గత చిరునామా). ముందుగా, ముసుగు వేయవలసిన ఫీల్డ్లను జాబితా చేయండి; దాన్ని మాస్క్ చేసి మళ్లీ పంపిస్తాను. దాన్ని ఉన్నట్లుగా విశ్లేషించవద్దు.
4) సింథటిక్ పరీక్ష డేటా ఉత్పత్తి:
[క్రింది ఫీల్డ్ స్ట్రక్చర్] కోసం పూర్తిగా కల్పిత, వాస్తవిక పరీక్ష డేటా యొక్క 20 వరుసలను రూపొందించండి. నిజమైన వ్యక్తి/సంస్థ డేటాను ఉపయోగించవద్దు. అంచు కేసులను కూడా చేర్చండి: ఖాళీ స్థలం, చాలా పొడవైన వచనం, పరిమితి విలువలు, చెల్లని ఫార్మాట్.
బలహీనమైన ప్రాంప్ట్ / బలమైన ప్రాంప్ట్
బలహీనం: "ఈ కోడ్పై పరీక్షలు రాయండి."
బలమైనది: "తగ్గింపు ఫంక్షన్ కోసం ఈ వ్రాత యూనిట్ పరీక్షలను లెక్కించండి. ఫంక్షన్ కోసం అంగీకార ప్రమాణాలు: 1000 TL కంటే 10% తగ్గింపు, 5000 TL కంటే 20% తగ్గింపు; ప్రతికూల మొత్తం లోపాన్ని విసురుతుంది. ప్రతి పరీక్షకు మీరు ఏ నియమాన్ని ధృవీకరిస్తున్నారో వ్యాఖ్య లైన్తో పేర్కొనండి. పరిమితి 100, 09, 100, 05 విలువలను పరీక్షించండి 0, -1) నేను కోడ్ని ఖాళీ చేస్తే లేదా పనికిమాలిన నిశ్చయతని వ్రాయకుంటే అది ఎరుపు రంగులోకి మారుతుంది.
శక్తివంతమైన ప్రాంప్ట్; ఇది అంగీకార ప్రమాణాలు, పరిమితి విలువలు, ధ్రువీకరణ అంచనాలు మరియు స్పష్టమైన స్పూఫింగ్ సూచనలను అందిస్తుంది. బలహీనమైన ప్రాంప్ట్ అలంకార పరీక్ష రాయడానికి AIని ఆహ్వానిస్తుంది.
సాధారణ తప్పులు
- పచ్చని నమ్మకం. పరీక్షలో ఉత్తీర్ణత సాధించడమే రుజువు అని ఆలోచించడం. అసలు ప్రశ్న: మీరు కోడ్ను విచ్ఛిన్నం చేసినప్పుడు అది ఎరుపు రంగులోకి మారుతుందా?
- ఎటువంటి కారణం చెప్పకుండా పరీక్షను అభ్యర్థించడం. AI సాధారణ, తరచుగా పనికిరాని పరీక్షలను ఏది ధృవీకరించాలో తెలియకుండా ఉత్పత్తి చేస్తుంది.
- ధృవీకరణను దాటవేయడం. "AI వ్రాసింది, ఇది బహుశా నిజం" అని చెప్పడం. అవుట్పుట్ని ఉపయోగించే వ్యక్తిపై బాధ్యత ఉంటుంది.
- నిజమైన/సున్నితమైన డేటాను సాధనంలో అతికించడం. ఉత్పత్తి డేటా, కీలు లేదా వ్యక్తిగత డేటాతో పని చేయడం.
- అనధికార భద్రతా పరీక్ష. పరిధి మరియు అనుమతి లేకుండా ప్రమాదకర పరీక్షను ప్రయత్నించడం.
- నిర్ణయాధికారాన్ని అప్పగించడానికి AIని ఉపయోగించడం. "ఈ సంస్కరణను విడుదల చేయవచ్చా?" అనే ప్రశ్న అడుగుతోంది. AIకి మరియు సంతకంలో సమాధానాన్ని ఉంచడం.
సారాంశంలో
AI అనేది QA ప్రక్రియలో శక్తివంతమైన సహాయకుడు, ఇది పునరావృత మరియు ఉత్పాదక పనిని వేగవంతం చేస్తుంది; కానీ నాణ్యమైన నిర్ణయానికి బాధ్యత మానవునిపై ఉంటుంది. ఈ వృత్తిలో AI యొక్క నంబర్ వన్ రిస్క్ సూడో-పాస్: గ్రీన్ పరీక్షలు చక్కగా కనిపిస్తాయి కానీ దేనినీ నిర్ధారించవు. ప్రతి AI పరీక్షను ఉద్దేశపూర్వకంగా కోడ్ని విచ్ఛిన్నం చేయడం ద్వారా పరీక్షించండి; ఎర్రగా మారకపోతే ఆ పరీక్ష అలంకారం. దానిని అవసరానికి కట్టండి, ఎరుపు రంగును చూడండి, కాంటెక్స్ట్ ఫిల్టర్ ద్వారా పాస్ చేయండి. రహస్య డేటాను మాస్క్ చేయండి, అధీకృత మరియు రక్షణ ప్రయోజనాల కోసం మాత్రమే భద్రతా పరీక్షను నిర్వహించండి.
అప్లికేషన్ టాస్క్
మీ స్వంత ప్రాజెక్ట్ నుండి 5 AI- రూపొందించిన (లేదా AI- రూపొందించిన) యూనిట్ పరీక్షలను తీసుకోండి. ప్రతిదానికీ: (1) అది ఏ ప్రవర్తనను ధృవీకరిస్తుంది అనేది ఒక వాక్యంలో వ్రాయండి, (2) ఉద్దేశపూర్వకంగా కోడ్ను విచ్ఛిన్నం చేసి, పరీక్షలో రన్ చేయండి మరియు ఎన్ని ఎరుపు రంగులోకి మారతాయో గమనించండి, (3) ఎరుపు రంగులోకి మారని వాటిని "అలంకరణ పరీక్షలు"గా గుర్తించి, వాటిని నిజమైన దృఢత్వంతో తిరిగి వ్రాయండి. ఫలితాన్ని పట్టికలో ఉంచండి: పరీక్ష పేరు / అది ధృవీకరించబడిన నియమం / విచ్ఛిన్నమైనప్పుడు / చర్యలో విచ్ఛిన్నం చేయబడిందా.
చెక్లిస్ట్
- [ ] పనిని అప్పగించే ముందు, "తప్పు జరిగితే నేను ఏమి కోల్పోతాను?" అనే ప్రశ్న అడిగాను.
- [ ] నేను ప్రతి AI పరీక్షను కోడ్ను విచ్ఛిన్నం చేయడం ద్వారా పరీక్షించాను; నేను ఎరుపు రంగులోకి మారని దాన్ని నిజమైన పరీక్షతో భర్తీ చేసాను.
- [ ] నేను పరీక్ష కేసులను వాస్తవ అవసరం/అంగీకార ప్రమాణాలకు లింక్ చేసాను.
- [ ] నేను సున్నితమైన/నిజమైన డేటాను సాధనానికి ఇవ్వకుండా ముసుగు చేసాను; వీలైతే నేను సింథటిక్ డేటాను ఉపయోగించాను.
- [ ] నేను భద్రతా పరీక్షను అధికారం లోపల మరియు రక్షణ ప్రయోజనాల కోసం మాత్రమే పరిగణించాను.
- [ ] "వెర్షన్ విడుదల చేయాలా" అనే నిర్ణయాన్ని నేను AIకి కాకుండా నాకే వదిలేశాను.