Abstracts

Software-Testsuiten größerer Projekte haben meist lange Laufzeiten. Entwickler/innen müssen Stunden oder sogar ganze Tage auf ein Testresultat warten. Dauert es zu lange, wenden sie sich in der Zwischenzeit anderen Themen zu, was bei der Rückkehr zur ursprünglichen Aufgabe Reibungsverluste verursacht. Darüber hinaus müssten nicht immer alle Testsuiten vollständig durchgeführt werden. Beispielsweise genügt manchmal bereits ein einziger gefundener Fehler, um einen Gated Checkin abzuweisen.

Diese noch typischen Situationen in der Softwareentwicklung können mittels Machine Learning optimiert und teilweise aufgelöst werden. Das Einsparungspotential von Ressourcen wie Rechenleistung und Arbeitszeit ist entsprechend groß und stellt eine signifikante Qualitätssteigerung im Sinne der Performanceleistung dar. Im vorgestellten Erfahrungsbericht wird aufgezeigt, wie mittels des Machine Learning System scryer die geschilderten Situationen in der Praxis optimiert werden konnten. Durchgeführt wurde die Studie mit Echtwelt-Daten eines Großprojekts aus dem Bereich Medizintechnik.

Die Studie verdeutlicht die Wirksamkeit der Testfall-Priorisierung und Wirkung des Einsatzes von scryer auf das Projekt und seine Beteiligten. Nach dem Training konnte das System die Ergebnisse von Tests mit einer mittleren Genauigkeit von 78% vorhersagen. Es ermöglichte sekundenschnelles Feedback über vermutete Testfehlschläge während der Entwicklung. Zusätzlich konnten die Testfälle einer Suite so umgeordnet werden, dass Tests mit hoher Fehlschlagswahrscheinlichkeit zuerst ausgeführt werden. Entsprechend wurden tatsächlich fehlschlagende Tests früher gemeldet.

Mithilfe scryers konnte so der Entwicklungsprozess vereinfacht und beschleunigt werden, unnötige Testausführung wurden eingespart und Entwickler entlastet. Welche Daten dafür nötig waren und wie diese verarbeitet wurden, wird ebenso aufgezeigt, wie die gelieferten Ergebnisse.