Mitä testeistä puuttuu? Tekoäly testikattavuuden arvioinnin tukena

Tekoälytyökalut, kuten Copilot, Claude ja ChatGPT, voivat auttaa projektidokumenttien analysoinnissa, tiedon jäsentämisessä ja prosessien kuvaamisessa. Kun dokumentaatio on saatu paremmin järjestykseen, samaa aineistoa voidaan hyödyntää myös testauksen suunnittelussa. 

Keskeinen kysymys on silloin yksinkertainen. Onko testauksessa huomioitu kaikki olennainen? Tekoäly voi auttaa vertaamaan eri lähteissä olevaa tietoa testeihin ja nostamaan esiin kohtia, jotka muuten saattaisivat jäädä huomaamatta. 

Testauksen tavoitteena ei ole tehdä mahdollisimman paljon testitapauksia, vaan tärkeämpää on tunnistaa, mitä pitäisi testata, miksi sitä pitäisi testata ja mitä tietoa vielä puuttuu. 

Testauksen tieto on usein hajallaan 

Tietojärjestelmäprojektissa testauksen lähtötieto löytyy harvoin yhdestä paikasta. Sitä voi olla projektisuunnitelmassa, prosessikuvauksissa, vaatimuksissa, käyttötapauksissa, Jira- tai Azure DevOps -tehtävissä sekä järjestelmien välisiä yhteyksiä kuvaavissa dokumenteissa. 

Yhdessä dokumentissa kerrotaan, mitä järjestelmän pitäisi tehdä. Toisessa kuvataan, miten työ etenee käytännössä. Kolmannessa voi olla tekninen yksityiskohta tai poikkeustilanne, jota muualla ei mainita. 

Kun aineistoa on paljon, kokonaisuuden hahmottaminen vie aikaa. Tekoäly voi auttaa kokoamaan eri lähteistä olennaiset asiat yhteen ja vertaamaan niitä jo olemassa oleviin testeihin. Näin voidaan löytää puuttuvia testejä, ristiriitoja tai kohtia, jotka tarvitsevat lisäselvitystä. 

Testitapausten määrä ei vielä kerro kattavuudesta 

Projektissa voi olla satoja testitapauksia ja silti jokin tärkeä toiminto jäädä testaamatta. Pelkkä testien määrä ei siis kerro, kuinka kattavaa testaus oikeasti on. 

Olennaisempaa on tarkistaa esimerkiksi, onko tärkeille vaatimuksille olemassa testit, onko poikkeustilanteet huomioitu ja onko prosessin eri vaihtoehdot testattu.  

Yksinkertainen esimerkki on järjestelmien välinen rajapinta, jonka kautta asiakastietoja voidaan hakea, muuttaa ja poistaa. Jos testeissä tarkistetaan vain tietojen hakeminen ja muuttaminen, tekoäly voi auttaa huomaamaan, että tietojen poistamista ei ole testattu.  

Samalla voidaan huomata myös puutteita itse määrittelyssä. Mitä pitäisi tapahtua, jos asiakasta ei löydy? Entä jos pakollinen tieto puuttuu tai toinen järjestelmä ei ole käytettävissä? 

Jos lähdeaineisto ei kerro vastausta, tekoälyn ei pitäisi keksiä sitä. Asia on parempi nostaa näkyväksi avoimeksi kysymykseksi. 

Fakta, tulkinta ja avoin kysymys pitää erottaa toisistaan 

Tekoälyä käytettäessä on hyödyllistä erottaa toisistaan kolme asiaa. Mitä lähteistä varmasti tiedetään? mitä tekoäly on päätellyt? Mitä ei vielä tiedetä? 

Lähteestä löytyvä tieto voidaan yhdistää siihen dokumenttiin tai kohtaan, josta se on saatu. Jos tekoäly yhdistää tietoja tai tekee niiden perusteella tulkinnan, tulkinta kannattaa merkitä näkyviin. Jos vastausta ei löydy lainkaan, asia voidaan kirjata avoimeksi kysymykseksi. 

TBD (avoin kysymys): Miten järjestelmän pitäisi toimia, jos yhteys toiseen järjestelmään katkeaa kesken käsittelyn? 

Tällainen käytäntö estää oletuksia muuttumasta huomaamatta faktoiksi. Samalla se auttaa löytämään puutteita määrittelyistä jo ennen kuin ne näkyvät testauksessa tai myöhemmin tuotannossa. 

Kaikki puutteet eivät ole yhtä tärkeitä 

Tekoäly voi löytää useita mahdollisia puutteita, mutta niiden merkitys ei ole aina sama. Harvoin käytetyn toiminnon puuttuva testi ei yleensä ole yhtä merkittävä kuin liiketoimintakriittisen yhteyden testaamatta jääminen. 

Siksi löydöksiä kannattaa tarkastella myös riskien näkökulmasta. Mitä suurempi vaikutus virheellä voisi olla, sitä tärkeämpää on varmistaa, että kyseinen toiminto on testattu riittävän kattavasti. 

Tekoäly voi auttaa tunnistamaan mahdollisia riskikohtia, mutta niiden todellinen merkitys pitää arvioida liiketoiminnan ja järjestelmän tuntevien ihmisten kanssa. Asiantuntijan arvio säilyy olennaisena osana kokonaisuutta. 

Yhteydet pitää pystyä jäljittämään 

Kun tekoälyä käytetään dokumentaation analysointiin ja testauksen suunnitteluun, pitää pystyä seuraamaan, mihin tieto perustuu. Jos testissä tarkistetaan tietty toiminto, pitäisi tarvittaessa nähdä, mistä vaatimuksesta tai dokumentista se on tullut. 

Jäljitettävyydestä on hyötyä myös muutoksissa. Jos vaatimus muuttuu, voidaan tunnistaa, mihin testeihin muutos vaikuttaa. 

Jira tai Azure DevOps voi toimia tällaisen kokonaisuuden hallinnan ytimenä. Tekoäly voi auttaa ehdottamaan yhteyksiä ja löytämään puuttuvia linkkejä, mutta yhteydet ja niiden merkitys on edelleen syytä tarkistaa ihmisen toimesta. 

Lopuksi 

Tekoälyn arvo testauksessa ei synny siitä, kuinka monta testitapausta sillä voidaan tuottaa. Suurempi hyöty voi olla siinä, että se auttaa hahmottamaan kokonaisuuden, vertaamaan eri lähteitä ja löytämään kohtia, jotka muuten jäisivät helposti huomaamatta. 

Kun tiedon alkuperä, tekoälyn tulkinnat ja avoimet kysymykset pidetään näkyvissä, tekoäly voi tukea testikattavuuden arviointia. Vastuu olennaisuudesta ja riittävästä testauksesta säilyy ihmisellä. 

Reflector Kari Turpeinen

Kari Turpeinen

Projektipäällikkö

Kari Turpeinen on Reflectorin projektipäällikkö, joka pitää erityisesti businesskriittisistä, vaativista hankkeista, joihin hän tuo sekä projektinhallintaa että teknistä osaamista.

Ota yhteys asiantuntijaan

Jaa artikkeli

Lisää aiheesta

Tekoäly kehitystyössä – näin tehostat koko kehitysputkea

Miten tehdä IT-investointipäätöksiä, kun AI-deflaatio mietityttää?

Tyhmentääkö tekoäly meitä?

Ota yhteyttä

Jätä soittopyyntö

Olemme yhteydessä sinuun mahdollisimman pian.

Lähetä viesti

Get in touch!