Het is fascinerend om te zien hoe Kunstmatige Intelligentie (AI) onze industrie vormgeeft. Bill Gates verwoordde het treffend in zijn blog "The Age of AI has begun": AI is net zo fundamenteel als de creatie van de microprocessor, de pc, het internet en de mobiele telefoon. Het verandert onze manier van werken, leren, reizen, gezondheidszorg ontvangen en communiceren. Maar wat betekent dit voor de toekomst van Quality Engineering (QE)?
Experimenteren met AI
We experimenteren al een tijdje met AI om de kwaliteitsresultaten te verbeteren. Met de komst van Generative AI zien we voor het eerst dat hogere productiviteit het primaire resultaat is waarvoor organisaties AI gebruiken. Het is bemoedigend om te zien dat 77% van de organisaties consistent investeert in AI en het gebruikt om QA-processen te optimaliseren. Dit weerspiegelt het vertrouwen in trainingsdata voor AI-oplossingen en de robuuste infrastructuur en processen die organisaties over de jaren hebben ontwikkeld.
Belangrijke data aangedreven door AI:
- Hogere Productiviteit: 65%
- Meer Snelheid: 53%
- Verbeterde Klantbeleving: 41%
Trends die ons verrasten
Hoewel productiviteit bovenaan staat, waren we verrast dat betrouwbaarheid en minder defecten onderaan de lijst staan. De mogelijkheden van AI om de betrouwbaarheid van tests te verbeteren en het aantal defecten te verminderen zijn al langere tijd focusgebieden. Wat is hier aan de hand?
Twee mogelijke factoren:
- Met de beschikbaarheid van meerdere grote taalmodellen (LLM) is het mogelijk om met weinig moeite een veel hogere productiviteit te bereiken.
- De adoptie van Agile en DevOps-praktijken in organisaties verhoogt de tolerantie voor het vinden van defecten, zolang deze maar snel en efficiënt kunnen worden opgelost.
Oude en nieuwe uitdagingen
Er zijn meerdere uitdagingen voor organisaties om kwaliteitsresultaten door AI te behalen. De obstakels variëren van privacy- en nalevingszorgen tot een gebrek aan veerkracht en het omgaan met hallucinaties en vooroordelen.
Wat is nodig voor succes in dit nieuwe tijdperk?
Uit de enquête blijkt dat organisaties van plan zijn zich te richten op vereisten met betrekking tot transparantie, robuustheid en privacy van de opkomende AI-oplossingen, met een voortdurende investering in datawetenschapsvaardigheden binnen hun kwaliteitsteams.
Aanbevelingen en samenvatting:
- Hogere productiviteit aangedreven door AI zal de ontwikkelingssnelheid snel verhogen. Organisaties moeten blijven investeren in het opschalen van het quality engineering-proces, vaardigheden en bandbreedte.
- De implementatie van AI-gebruikscases in quality engineering vereist zorgvuldige overweging en analyse voor prioritering, samen met ondubbelzinnige KPI's die tastbare outputs meten om een succesvolle transformatie met AI te bewerkstelligen.
- Een iteratieve benadering naar gekozen/geprioriteerde gebruikscases, samen met een MVP-strategie, wordt aanbevolen omdat er aanzienlijke experimenten rond AI-oplossingen in de nabije toekomst zullen zijn, met meerdere onbekenden die tijdens de reis aan het licht zullen komen.
We staan aan de vooravond van een spannend tijdperk waarin AI de manier waarop we kwaliteit waarborgen, fundamenteel zal veranderen.
