PraveenKumar Prem

Capgemini (India)
TRACK 4: Test Strategy 18 de Octubre – 11:30-12:15

 

Análisis predictivo en calidad de software

A medida que las organizaciones experimentan una rápida transformación digital que está cambiando rápidamente las operaciones comerciales, la calidad de software debe evolucionar del control de calidad tradicional a una Ingeniería de Calidad Inteligente que soporte una entrega Agile / DevOps.
Los paisajes comerciales de hoy en día requieren que los líderes de control de calidad tomen decisiones críticas rápidamente. Deben hacer uso de los datos, como los comentarios de los clientes, opiniones a través del análisis de redes sociales, datos de defectos, resultados de pruebas, incidentes de producción y registros de aplicaciones disponibles para tomar decisiones informadas rápidamente.
En un entorno ágil, como las características del producto se desarrollan en múltiples iteraciones, hay una adición posterior al conjunto de pruebas de regresión que también aumenta las duraciones del ciclo de regresión. A medida que enfrentamos desafíos con los esfuerzos de QA para respaldar la entrega continua en iteraciones ágiles y más cortas, la automatización de pruebas tradicional puede no brindar la velocidad y la calidad necesarias.

Para lograr el Agile #NWOW (nuevas formas de trabajo, por sus siglas en inglés) que promete una mayor colaboración, un tiempo de comercialización más rápido con una mayor calidad incorporada, es significativo optar por el cambio a la izquierda / a la derecha en las prácticas de prueba y la pronta predicción de fallos probables.

Una selección inteligente del conjunto de pruebas de regresión óptimo se convierte en una necesidad debido a los plazos más cortos de una iteración. Las técnicas de optimización habituales que utilizan pruebas basadas en el riesgo práctico (PRISMA), las pruebas basadas en modelos, la optimización paramétrica y la optimización del cambio del código de software vienen con sus limitaciones inherentes y a menudo no replican una optimización basada en la experiencia. Esta presentación explora el potencial de hacer uso de enormes cantidades de datos creados durante la fase de prueba del ciclo de vida de desarrollo de software (SDLC) mediante la aplicación de aprendizaje automático y análisis de datos para llegar a una experiencia inteligente basada en la optimización de pruebas de regresión que conduce a un conjunto de pruebas de regresión optimizada.

Existe un mayor alcance en el uso de análsisi predictivo / ML usando Naive Bayes, regresión logística, red neuronal artificial, etc .; no solo para la optimización de la prueba de regresión, sino también para el análisis de la opinión del cliente, que informa problemas de usabilidad, predicciones de estimación de prueba, análisis de entorno de prueba, predicción de tasa de aprobación futura, etc.

PraveenKumar Prem tiene más de 17 años de experiencia en desarrollo de software y testing de productos y servicios de calidad en todos los ámbitos. Después de haber vivido en Oxford trabajando para CSC UK (ahora DXC Technology) durante 10 años y adquirir la nacionalidad británica, actualmente trabaja para Capgemini con reubicación temporal en Bangalore, India.

Es experto acreditado en consultoría Agile&DevOps, y proporciona formación en Agile y DevOps, gestión de programas de pruebas, ingeniería de calidad ágil y Agile Test Automation Transformation (SDET) para los clientes globales de Capgemini (EE.UU., México, Reino Unido, Asia). Tiene profundos conocimientos de la solución Enterprise SAFe Agile Software Development & Quality Engineering y posee una comprensión avanzada de los complejos problemas del cliente, e interactúa con los clientes a todos los niveles utilizando el “Collaborative Business Experience Model ®” de Capgemini.

Linkedin