Ta Quality Assurance till nästa nivå med AI

Artificiell Intelligens (AI) är ju på inget sätt ett nytt påfund. Själva uttrycket myntades 1956, men en tänkande maskin eller virtuell varelse har figurerat i många verk hela vägen tillbaka till den grekiska mytologin. Kanske är ändå koppling till Science Fiction min första och starkaste reaktion. Fram tills nu?

Dagens allt mer kraftfulla datorer möjliggör att gemene person har tillgång till och kan använda AI-applikationer. Detta har lett till en AI-boom där fler och fler utvecklar och använder sig av autonom körning, chatbots och online coaches, dataanalys, datainsamling, samverkan mellan människor & maskiner, bildigenkänning, personalisering, förutsägelser, produktdesign, produktivitet, rekommendationsmotor, tillförlitlighet och robusthet, säkerhet, hållbarhet, systemoptimering och undervisning & lärande.

Huvudsyftet med AI innebär en direkt tids- och kostnadsbesparing i och med att en uppgift kan flyttas från en människa till en dator. I vissa fall kan uppgiften vara så pass komplicerad att en människa inte hade klarat av den. I andra fall kan uppgiften betraktas som enkel och då innebär AI att människan som skulle gjort uppgiften ur en praktiskt synpunkt inte längre behövs.

En AI kan/bör alltså också ses som ett verktyg. Ett verktyg vi använder oss av i vårt dagliga arbete i syfte att förbättra kvaliteten hos exempelvis en specifik produkt. Och enligt samma resonemang att det innebär en kostnads- och tidsbesparing som förs gällande testautomatisering så bör man argumentera för att ta fram just den typen av AI-lösningar.

För att ta Zington till en högre nivå inom kvalitetssäkring har vi tillsammans med forskare på KTH inlett ett samarbete där vi kan dra nytta av deras expertis inom Computer Science, den forskning som gjorts, framtagna egenutvecklade Open Source-verktyg (Repairnator och DSpot), den kunskap som finns inom den akademiska världen, men även för att praktiskt kunna utvärdera möjlig tillämpning inom vår profession. Mer specifikt pågår nu en utvärdering huruvida något av de framtagna verktygen kan integreras med Zingtons Test Automation Framework (TAF) och därmed kunna bidra med ett AI-element i vår redan existerande testautomatisering. Att kunna ta fram egna verktyg är en viktig del av det vi vill göra, men det kommer alltid kombineras med omvärldsanalys och bedömning av hur existerande verktyg lämpligast kan appliceras.

För oss är det viktigt att vara delaktiga i dialogen och att hjälpa till att sprida befintlig kunskap och forskning. Det är därför vi bjudit in intresserade inom och utanför Zington till presentationer gällande både Repairnator och DSpot. Under presentationerna visar KTH-professorerna grunden till forskningen, framsteg som gjorts och verktyg som tagits fram under deras arbete.

Frågeställningar ovan är intressanta. Dom är svåra, utmanande, men framförallt relevanta. Både för professionen och för företag. Det är dessa två frågor som just nu driver Quality Solutions satsning inom AI. Jag vet inte vad du säger, men jag känner en energi och vilja att försöka delta, förstå, lära mig, utvecklas och bidra, enligt bästa förmåga, i den ytterst intressanta framtid som står för dörren. Hoppas att jag med denna artikel kan väcka er nyfikenhet och utforskarlust, oavsett tidigare erfarenheter inom området. Samt även starta en dialog om hur vi på bästa sätt rustar området Kvalitetssäkring för den kommande AI-boomen.