Lähes uunituore Jyväskylän Yliopiston Pro Gradu -tutkielma tekoälyn hyödyntämisestä testauksessa sisältää katsauksen kahdeksan suomalaisyrityksissä testauksen kanssa toimivan kokemuksiin tekoälyn hyödyntämisestä osana ohjelmistojen testausta. Haastateltavien edustamat organisaatiot olivat monipuolisia, IT-alan toimijoita ja niiden koot vaihtelivat start-upista globaaleihin suuryrityksiin.
Haasteina nousevat datan keruu ja tekoälyn hyödyntämisen kokeilujen maksajat.
Heini Ahven kokoaa yhteen kotimaisia kokemuksia tekoälyn hyödyntämisestä ohjelmistotestauksen kentällä. Lopputyö ‘Tekoälyn hyödyntäminen ohjelmistojen laadunvarmistuksessa’ sai kiitettävän arvosanan. Älyä – eli koneen kykyä ratkoa ongelmia ja tehdä päätöksiä – haetaan erityisesti koneoppimisen kautta.
Ihmismäiseen toimintaan tutkielman pohjana olevan tekoälyn perusteoksen mukaan vaaditaan kuitenkin kuusi kyvykkyyttä, joista useamman pohjana voi olla teknisesti jonkinlainen koneoppiminen:
- Luonnollisen kielen käsittely eli ihmismäinen viestintä
- Tiedon esittäminen eli tiedetyn ja kuullut tiedon koneellinen tallentaminen
- Asiantuntijajärjestelmä eli kyky vastata kysymyksiin ja vetää uusia johtopäätöksiä
- Koneoppiminen eli mukautuminen uusiin olosuhteisiin ja kaavojen huomaaminen sekä päättely
- Konenäkö ja puheentunnistus eli havainnointi
- Robotiikka eli kyky vaikuttaa ympäristöön
Tutkimustekstistä löytyy mielenkiintoisia havaintoja.
Tekoälyteknologiat ovat vasta alkaneet löytää tiensä ohjelmistotuotteisiin ja -järjestelmiin. Näiden teknologioiden soveltaminen tekoälyä sisältävien tai perinteisten järjestelmien testauksessa ei näyttäisi olevan tekoälyn sovellusalueiden aallonharjalla.
Käytön laajenemisessa kysymys on enemmän aikavälistä ja laajuudesta.
Erikoinen yhdistelmä on lähdeviitteistä löytyvä vuoden 2017 tutkimus kansainvälisesti haastateltavaa ryhmää vastaavalla profiililla, jossa 23% uskoi tekoälyn poistavan testauksen tarpeen viiden vuoden aikavälillä. Näin vuoden vaihtuessa ja viiden vuoden aikarajan umpeutuessa voitanee todeta kyseisen ennusteen olleen aikataulullisesti optimistinen.
Vastaavasti korostui haastateltavan ryhmän käyttötapausten painottuminen teknisiin kokeiluihin varsinaisen käytön sijaan.
Erityisen mielenkiintoiseksi osoittautuvat kuvaukset käytön esteistä: dataa testauksesta ei kerätä tai tunnisteta, ja datan kerääminen on oleellinen pohja koneoppimismallien luomiseksi.
Asiakkailla ja organisaatioilla ei ole valmiutta tai tai halukkuutta investoida tekoälyavusteisen testauksen käyttöönottoon. Tekoälyalgoritmit eivät voi luoda oppimaansa malliin tietoa, joita niiden opettamiseen käytettävässä datassa ei ole. Asiakkaat eivät miellä tarvitsevansa tekoälyä testauksen tehostamiseen, vaan testiautomaatio riittää.
Tutkimustuloksista löytyy myös vinkkejä testauksen ongelmakentällä mahdollisiin tekoälyn sovellusalueisiin: testitapausten priorisointi palautteen nopeuttamiseksi sekä käyttöliittymien visuaalinen testaus. Tarve testiautomaation priorisoinnille on suuri, mutta konkreettisia ratkaisuja ei ollut haastateltavien mukaan tehty yksittäistä harrasteprojektia lukuunottamatta. Visuaalisen testauksen saralla on noussut esiin eniten testaustyökaluihin paketoituja ratkaisuja kansainvälisellä testaustuotekentällä.
Gradun tekijän yhteenvetoa lainaten: Tekoäly ei ole muuttanut vielä testausta, vaan testausta tehdään testiautomaatiota ja tutkivaa testausta hyödyntäen. Tekoälyavusteinen testaus on vielä marginaali-ilmiö suomalaisissa IT-organisaatioissa.”
Rohkeita soveltajia erityisesti käyttöliittymätestiautomaation tekoälytoiminnallisuuksia sisältäville kansainvälisille ratkaisuille tarvitaan. Oman datan keräämisessä ja mallien luomisessa voi sitten miettiä tasapainoa tekoälyn aallonharjalla olemisen ja vihreän ICT:n välillä – viime kuukauden ChatGPT-sovelluksen kanssa kierroksia tehneen GPT-3 -mallin kouluttamisen hiilijalanjäljeksi kun on arvioitu automatka kuuhun ja takaisin.
Maaret Pyhäjärvi on TIVIAn hallituksen jäsen 2022-2023 ja ohjelmistotestausasiantuntija Vaisalassa.
Kuva Robynne Hu Unsplash
