A mesterséges intelligencia alkalmazása a szoftvertesztelés automatizálásában
Artificial intelligence in software testing automation
Keywords:
artificial intelligence, software testing automation, machine learning, software testing, test case generation, /, /mesterséges intelligencia, szoftvertesztelés automatizálása, gépi tanulás, szoftver tesztelés, teszteset generálásAbstract
The article presents the role of artificial intelligence (AI) in software testing automation. AI technologies, such as machine learning and natural language processing, help automate test case generation and increase the efficiency of testing processes. While AI offers numerous advantages, its implementation also comes with challenges. The article aims to provide an overview of how AI could shape the future of software testing practices and improve the quality and reliability of software.
Kivonat
A cikk bemutatja a mesterséges intelligencia (MI) szerepét a szoftvertesztelés automatizálásában. Az MI technológiák, mint a gépi tanulás és a természetes nyelvfeldolgozás, segíthetik a tesztesetek automatikus generálását és a tesztelési folyamatok hatékonyságának növelését. Bár az MI számos előnyt kínál, bevezetése kihívásokkal is jár. A cikk célja, hogy képet adjon arról, hogyan formálhatja az MI a jövő szoftvertesztelési gyakorlatait, és hogyan növelheti a szoftverek minőségét és megbízhatóságát.
References
Sommerville, I. Software Engineering. Pearson Education, New York, 2016.
Myers, G. J., Badgett, C., Sandler, C. The Art of Software Testing. John Wiley & Sons, , New York, 2011.
Hass, A. M. Guide to advanced software testing. Artech House Boston, 2014
Ricca, F., Marchetto, A., Stocco, A. Ai-based test automation: A grey literature analysis. (2021 IEEE International Conference on Software Testing, Verification and Validation Workshops ICSTW), pp. 263-270).
Wang, J., Huang, Y., Chen, C., Liu, Z., Wang, S., Wang, Q. Software Testing with Large Language Models: Survey, Landscape, and Vision. (IEEE Transactions on Software Engineering, 01), pp.1-27. (2024).
Olaleye, T.O., Arogundade, O.T., Misra, S., Abayomi-Alli, A., Kose, U. Predictive Analytics and Software Defect Severity: A Systematic Review and Future Directions. Scientific Programming. 2023, pp 1.18
Amershi, S., Begel, A., Bird, C., DeLine, R., Gall, H., Kamar, E., Nagappan, N., nushu, B., Zimmermann, T.). Software engineering for machine learning: A case study. (2019 IEEE/ACM 41st International Conference on Software Engineering: Software Engineering in Practice, ICSE-SEIP) (pp. 291-300). IEEE. 2019
Kaner, C., Bach, J., Pettichord, B. Lessons Learned in Software Testing. Wiley, New york, 2008.
Sarro, F.Predictive analytics for software testing. (2018 IEEE/ACM 11th International Workshop on Search-Based Software Testing SBST) (pp. 1-1). IEEE.
