В заключительной статье цикла о тестовых данных разбираем 3 реальных кейса. Показываем инструменты, применимые в российских реалиях, как считать экономику внедрения и даём план внедрения на 90 дней.
Продолжение цикла публикаций о тестовых данных. Переходим к практике построения конвейера синтетики: от минимизации хаоса до автоматизации за 7 шагов. Это проверенный на практике план, поэтому лучше придерживаться указанной методологии.
Первая статья цикла о тестовых данных: как построить конвейер, который выдает обезличенные материалы в промышленных объемах, и как убедиться, что они не врут. Вы узнаете, какие бывают тестовые данные, насколько реалистичными их можно делать и что по этому поводу говорит закон.
Читайте, чтобы узнать как тестировать RAG-системы. На что обратить внимание в первую очередь, какие метрики отражают реальную картину и как выстроить регрессионную и нагрузочную проверку так, чтобы изменения в модели, промптах или базе знаний не приводили к деградации качества.
Столкнулись с тем, что QA-команда много работает, а релизы всё равно тормозят? Читайте статью, если хотите узнать, как Lean, Six Sigma и Кайдзен могут помочь руководителям QA и разработки увидеть реальные узкие места и внедрить устойчивые улучшения.
Делимся ещё одним кейсом от нашего ведущего эксперта Олега – на этот раз про тестирование расчётного калькулятора с помощью ИИ. Читайте, где прячутся ошибки в вычислениях и как использовать для их поиска нейросети.
Читайте личный кейс нашего ведущего эксперта о том, что происходит, когда корпоративную систему собирают с помощью ИИ – без команды разработки и полноценного ТЗ. И, конечно, что с таким продуктом потом делать и как его тестировать.
В статье расскажем о подходе QAOps: почему он особенно важен сейчас, с какими сложностями сталкиваются при его внедрении и какие приёмы реально помогают выпускать обновления быстрее и без потери качества, а также получать обратную связь и не допускать, чтобы ускорение разработки приводило к росту ошибок. Бонус: тест для оценки зрелости команды перед внедрением QAOps.
ИИ уже перестал быть экспериментом в разработке. Он пишет, рефакторит и дополняет код в большинстве современных команд, ускоряя выпуск новых функций. Но традиционные QA-процессы всё хуже справляются с кодом, созданным нейросетями, поэтому нужен новый подход. Об этом наш подробный лонгрид.
В статье рассказываем, какие метрики мы внедрили вместо подсчёта количества багов, как собрать риск‑матрицу за пару часов, сколько это стоит и что будет, если забить и игнорировать новые подходы в тестировании. Читайте о проверенных на практике решениях, которые действительно работают — без претензии на истину в последней инстанции.
Редакция сайта
