CognitiveQA¶

1. ¿Qué es CognitiveQA?¶

CognitiveQA es una solución donde podremos gestionar el proceso de garantía de calidad basándonos en la anticipación a través de predicciones y el uso de inteligencia artificial para la automatización de ciertos procesos de QA.

La predicción es posible gracias a la experiencia, es decir, la recopilación de datos, y a la aplicación de modelos predictivos que nos permiten usar esta información de una manera inteligente, gestionando así la calidad.

2. La solución CognitiveQA¶

2.1 El problema¶

En el mundo del Testing y Quality Assurance el tiempo es un recurso limitado y la máxima eficiencia proviene de la buena toma de decisiones. Es imprescindible tener un control sobre todos los procesos involucrados lo más preciso posible para obtener la máxima eficiencia en el diseño, ejecución y automatización de las pruebas. Esta necesidad de mejora en la eficiencia presenta la necesidad de una continua investigación de nuevas tecnologías. Además, la demanda de servicios de testing crece siempre a la par que el crecimiento tecnológico, así que también crece su complejidad. En conclusión, esto genera una demanda de análisis más detallados, precisos y rápidos.

Además de lo anteriormente mencionado, hay otro factor a considerar que muchas veces no es visible de forma inmediata: la cantidad de datos almacenados por cualquier tarea productiva está aumentando exponencialmente y no sabemos cómo aprovechar tales cantidades de información. Todos estos aspectos constituyen una oportunidad, a la vez de una necesidad, de desarrollar nuevas tecnologías para superar estos desafíos.

Hay muchas soluciones relacionadas con la inteligencia artificial que se aplican al negocio, pero no en la gestión de proyectos y la garantía de su calidad. Existen soluciones de Business Intelligence y reporting descriptivo integrado en herramientas de gestión de proyecto y de pruebas muy específicas, pero siempre de forma limitada.

2.2 La solución¶

Nuestra propuesta parte de la idea básica de mostrar información de datos generados durante el proceso de QA, pero añadimos varios niveles más allá. Con la capacidad de recopilar los datos de diferentes plataformas (Jira, Zephyr, Azure devops, HP ALM …) y estandarizar los mismos en un lenguaje común con un modelo de datos unificado, sumando la integración de Inteligencia Artificial y el análisis de datos avanzados conseguimos la capacidad emergente de extraer nueva información para el asesoramiento de los procesos de QA**.

Adicionalmente con la implementación de herramientas de visualización de datos como Microsoft Power BI, conseguimos realizar una transmisión de información más personalizada para el usuario con el objetivo de asesorar en los ámbitos más conflictivos dentro de los procesos de testing.

2.3 Ventajas¶

La oportunidad es muy clara en el campo de la garantía de la calidad: el éxito de toda una fase de testing depende de las decisiones que se tomen durante el proceso. Por lo tanto, toda la información disponible debería ser considerada para tomar estas decisiones que afectarán al resultado final. Aquí es donde CognitiveQA muestra su valor ya que puede acceder a toda la información que haya disponible (siendo capaz de combinar diferentes fuentes de datos) y presentarla de manera organizada para que el cliente pueda tomar mejores decisiones. Por lo tanto, permite tener en cuenta una gran variedad de factores en la toma de decisiones durante el proceso de QA.

3. Modelos de IA¶

Requirements Risk: Analiza qué áreas funcionales son más críticas, así como el riesgo pronosticado para las siguientes iteraciones, y tenerlo en cuenta en la asignación de tareas y recursos.
Release Testing Effort: Predice el tiempo de ejecución invertido en QA para el siguiente lanzamiento, de acuerdo con la tendencia histórica de los lanzamientos pasados, basándose en su tipo.
Test Cases Prioritization: Obtiene el conjunto óptimo de casos de prueba que deberían ser ejecutados limitados por: número de pruebas, tiempo de ejecución disponible, o el riesgo que podría suponer.
Test Design And Execution Effort: Estima el tiempo a invertir en el diseño y la ejecución de nuevos casos de prueba, dependiendo de su complejidad y sus requisitos relacionados.
Test Cases Productivity: Califica la calidad de todos los casos de prueba existentes dependiendo de la cantidad y tipo de defectos encontrados gracias a ellos.
Defects Fixing Effort: Predice el tiempo para empezar a arreglar y arreglar nuevos problemas, considerando datos históricos y sus propiedades más importantes como la prioridad o la severidad.
Duplicated Entities: Detecta qué entidades tienen una similitud alta, siendo consideradas como duplicadas, ayudando así a eliminar información redundante y optimizar los datos.
Data Audit: Analiza los datos de forma descriptiva, evaluarlos con diferentes métricas de calidad y comprobar si satisfacen las dependencias para ejecutar los casos de uso de CognitiveQA.

Casos de Uso