تكافح ضمان الجودة لمواكبة تطوير تطبيقات الذكاء الاصطناعي

بدأت عمليات الاختبار في الاصطدام. قد يؤدي إعداد اختبار إحدى الميزات إلى تعطيل عملية تفكيك ميزة أخرى عند استخدام نفس صفوف قاعدة البيانات أو المنافذ أو الموارد المشتركة الأخرى.

انجرفت الدولة. البيئة التي افترضتها الاختبارات لم تعد تتطابق مع البيئة الموجودة، لأن وكيلًا شقيقًا قام بتغييرها تحتها.

تم نسج عوامل الاختبار في حلقات. لقد أعادوا التشغيل وأعادوا فحص نفس التدفقات دون التقارب، وحرق الوقت والرموز، غير متأكدين مما إذا كان الفشل حقيقيًا أم اصطدامًا.

تحسين نمذجة الذكاء الاصطناعي. عندما تقوم المؤسسات ببناء نماذج قوية للذكاء الاصطناعي في المقام الأول، يكون من الأسهل ضمان الجودة فيها لأنها تتوافق مع حالات استخدام الأعمال التي تم تطويرها لمعالجتها. وذلك لأن نماذج الذكاء الاصطناعي القوية تستخدم بيانات عالية الجودة، ويفهم الفريق الذي يقوم بتطويرها تمامًا أفضل السبل لاستخلاص هذه البيانات – سواء من خلال أشجار القرار الخوارزمية أو الاستعلامات، أو التدريب على الشبكة العصبية وتنفيذها، أو بعض المنهجيات الأخرى الموصوفة لحالة الاستخدام. ضع في اعتبارك أن تطوير النماذج يمكن أن يمثل تحديًا لفرق الذكاء الاصطناعي الجديدة وعديمة الخبرة؛ يمكن أن تكون الاستشارة الخارجية أو المساعدة الخارجية مفيدة في المرة الأولى.

حدد الميزات التي تختبرها بالتوازي مع أربعة. وجدت دراسة TheBuild This Now أن اختبار أكثر من أربع ميزات للذكاء الاصطناعي في وقت واحد يقلل بشكل كبير من فعالية ضمان الجودة، لذا حدد اختبارات ميزات الذكاء الاصطناعي الموازية بما لا يزيد عن أربع كلما أمكن ذلك. إذا كان مشروع الذكاء الاصطناعي يتطلب أكثر من أربع ميزات، وهو ما سيفعله على الأرجح، فحاول ترتيب اختبار ضمان الجودة عند إضافة كل مجموعة جديدة من أربع ميزات. قد تكون هناك بعض المشكلات المتعلقة بدقة ضمان الجودة لأن البيانات الأساسية التي كانت موجودة في الأصل للاختبار قد تم تعديلها بالفعل من خلال اختبارات الميزات السابقة، ولكن على الأقل لديك اختبار مرحلي ويمكن التحكم فيه.

اقبل حقيقة أن البيانات وضبط التطبيقات وضمان الجودة ستكون مستمرة مع الذكاء الاصطناعي. حتى إذا كانت بياناتك مثالية للصور وذات جودة عالية، فقد تتغير حالة الاستخدام التجاري الأصلي والبيانات بمرور الوقت. عندما يحدث هذا، يمكن أن تتضاءل دقة الذكاء الاصطناعي. من السهل معرفة متى يحدث ذلك لأن المستخدمين سيعتمدون بشكل أقل على البيانات، وسيكون هناك انخفاض ملحوظ في دقة نتائج الذكاء الاصطناعي. والخلاصة هي أن نماذج الذكاء الاصطناعي والبيانات وتعديلات التطبيقات ستكون ضرورية، وسيكون ضمان الجودة نشاطًا مستمرًا. ويمثل هذا تغييرًا في ممارسات العمل لفرق مشروعات المستخدمين النهائيين لتكنولوجيا المعلومات، ولكنه أيضًا تغيير في تصور الإدارة العليا، التي توقعت تاريخيًا انتهاء المشاريع. يجب على مدراء تكنولوجيا المعلومات وغيرهم من قادة الذكاء الاصطناعي إقناع الإدارة بأن أنظمة الذكاء الاصطناعي تتطور باستمرار.

تغلب على كل اختناقات AI QA التي يمكنك العثور عليها. إن الطبيعة الأحادية لضمان الجودة تجعلها بالفعل عنق الزجاجة للذكاء الاصطناعي، ولكن يمكن تجنب بعض المشكلات. على سبيل المثال، عادةً ما تعاني فرق ضمان الجودة في مجال تكنولوجيا المعلومات من نقص الموظفين، ولكن لا يمكنك تحمل ذلك مع الذكاء الاصطناعي. إذا كان لديك شخص واحد فقط لضمان الجودة لكل ستة من مطوري الذكاء الاصطناعي، فسيكون هناك اختناق في الموارد. وإذا رأيت أن دورة تطوير الذكاء الاصطناعي تستغرق ثلاثة أيام ودورة ضمان الجودة تستغرق خمسة أيام، فأنت تعلم أيضًا أن لديك مشكلة في الموارد. الحل هو تعزيز موظفي ضمان الجودة حتى يتمكنوا من التعامل مع هذا العبء.

استخدم أدوات الاختبار الآلي. على مدى العقد الماضي، اعتمد موظفو ضمان الجودة الأتمتة لإنشاء البرامج النصية للاختبار وتشغيلها. أدى هذا إلى إلغاء العديد من عمليات فحص الاختبارات الروتينية التي كان يتعين على الموظفين إجراؤها يدويًا في السابق. ويمكن اعتماد نهج مماثل في عمليات فحص نظام الذكاء الاصطناعي. بدلاً من تصميم حالات اختبار للذكاء الاصطناعي، سيكون التركيز على تحديد معايير لسيناريوهات الاختبار المختلفة وتحديد متغيرات العملية التي يجب ألا تفشل أبدًا. يمكن لأدوات أتمتة الذكاء الاصطناعي لضمان الجودة أيضًا أتمتة الاختبارات والتتبعات لتدفقات مستخدم الذكاء الاصطناعي بالكامل ضمن عملية الأعمال لضمان عمل كل شيء في كل نقطة. وأخيرًا، يمكن لأتمتة اختبار الذكاء الاصطناعي إنشاء سيناريوهات اختبار والتحقق من جودة البيانات. تعمل كل هذه القدرات على التخلص من الملل حتى يتمكن موظفو ضمان الجودة من التركيز على القضايا الأكبر.