AI と LLM によるテストケース作成の高速化
- アプリの安全な領域については、テストケースのアイデア生成に複数モデルを活用しました。
- 製品の文脈や命名に合わせてプロンプトとガードレールを調整しました。
- 最終受け入れの前に必ずレビュー工程を維持しました。
チームはサイクルタイム短縮とカバレッジ向上を求めますが、プライバシーとコンプライアンスも重要です。SequoiaAT は、コードとデータの管理を維持しながら速度を高めるために、慎重に設計した AI のセットアップを採用しています。
お客様事例
大規模自動化のためのAI生成データ
- テストファームに大規模言語モデルを組み込み、必要に応じて最新の入力データを供給しました。
- まれなケースや境界値入力を含め、システムにストレスをかけました。
- 合否の傾向を追跡し、次回の実行計画に反映しました。
カバレッジを高めるトリアージ分析
- 機械学習でトリアージノートとテストライブラリを突き合わせ、ギャップを特定しました。
- 実際に発生した不具合に沿った新しいテストケースを提案しました。
- 結果を次スプリントの計画に組み込みました。
ユニットテスト向けオフラインAIのパイロット
- ビルド環境内で Llama のようなオフラインモデルを実行しました。
- 対象を選定したリポジトリに限定し、開発者レビューを維持しました。
- スケール前に速度、フレーク率、実際の不具合検出率を測定しました。