Soirée du Test Logiciel QA – Sophia 2020 : Rôle du Test Manager, Pantesting, Machine Learning
Julien Van Quackebeke d’All4Test a animé cette première soirée de web conférence sur la QA de la Soirée du Test Logiciel 2020 avec l’intervention de Jean-François FRESI (Ausy), Christophe MOUSTIER (GFI Informatique), Bruno LEGEARD (Université de Bourgogne Franche Comté) et Julien BOTELLA (Smartesting).
1. Le rôle du Test Manager dans Safe
Par Jean-François FRESI
L’objectif de cette présentation est de faire un retour d’expérience sur l’organisation mise en place pour intégrer le rôle de test manager dans l’organisation SAFe.
Télécharger le support de présentation.
2. PANTESTING : Dis-moi comment tu testes, je te dirai combien tu es agile
Par Christophe MOUSTIER
Présentation du modèle basé les notions de testabilité, théorie des contraintes, panarchie et double boucle d’apprentissage. Ces 4 composants constituent ce que j’ai nommé « PanTesting » afin de réaliser du test agile à l’échelle d’une entreprise.
Télécharger le support de présentation.
3. Des logs aux tests de régression via l’apprentissage
Par Bruno LEGEARD & Julien BOTELLA
Présentation d’une approche innovante mettant en œuvre des modèles d’apprentissage automatique sur les logs pour générer les tests automatisés de régression.
L’automatisation des tests de régression sur les projets est devenue un passage obligé avec l’agilité, mais aussi un point de peine en termes d’efforts consacrés à la création et à la maintenance de ces tests.
Dans cette présentation, nous montrons comment les techniques d’apprentissage automatique (Machine Learning) permettent d’identifier les tests manquants et de générer les scripts correspondants. La technologie développée s’appuie sur une analyse des logs en production et en test, avec des modèles d’apprentissage automatique (Machine Learning). Cela permet d’identifier les patterns d’usage, et une comparaison des traces d’exécution Utilisateurs, et des tests réalisés. Une visualisation de ce Clustering, et de sa couverture par les tests réalisés permet d’identifier les patterns d’usage insuffisamment testés. Puis, l’apprentissage sur les traces d’usage permet de générer des tests pour couvrir ces patterns d’usage peu couvert. La génération automatique utilise un modèle de Machine Learning statistique capturant la probabilité des actions de l’utilisateur.
Dans cette présentation, nous détaillerons les résultats très prometteurs obtenus sur plusieurs applications en production (système de bus, application logistique). Nous décrirons aussi, de façon pédagogique et adaptée au public de la STLS, les techniques de Machine Learning utilisées et disponibles dans la boîte à outils open-source PHILAE.
Télécharger le support de présentation.
Restez connectés pour plus d’informations sur les prochaines soirées du test logiciel à Sophia-Antipolis, Bordeaux et Lille.
N’oubliez pas de suivre notre page LinkedIn pour être informé des futurs événements.
