Das Jahr 2023 war geprägt von technologischen Fortschritten und Paradigmenwechseln, die herkömmliche Testansätze neu definiert haben. Die Einführung künstlicher Intelligenz durch einige Unternehmen hat dazu beigetragen, ihre Testkampagnen zu optimieren und die Effizienz und Testabdeckung zu erhöhen. Gleichzeitig hat die Automatisierung stark an Anerkennung und Anwendung gewonnen, was die Produktionszyklen erheblich beschleunigt hat. Zugänglichkeitsprobleme sind in den Mittelpunkt gerückt und haben Testfachleute dazu veranlasst, Praktiken zu integrieren, die sicherstellen, dass Anwendungen für alle nutzbar sind.
Wenn wir auf diese Herausforderungen zurückblicken, wie sind die Aussichten für das laufende Jahr? Unser Kollege Marc hat die Antworten. Aus seiner Perspektive präsentiert er die Höhepunkte des vergangenen Jahres und antizipiert gleichzeitig die aufkommenden Trends, die die Softwaretestlandschaft in den kommenden Monaten prägen werden.
Das Jahr 2023 war ein reichhaltiges Jahr. Wenn ich jedoch 2 Highlights aus dem Jahr 2023 herausgreifen müsste, wären das:
Die Vielzahl der erforderlichen Fähigkeiten: Sicherheit, Zugänglichkeit, Leistung, API-Testmanagement, Implementierung von Strategien, Anwendung verschiedener Methoden … alles, um ein Qualitätsprodukt zu entwickeln.
Technologische Fortschritte, insbesondere solche, die über unser Wissen hinausgehen. KI ist ein sehr gutes Beispiel, ChatGPT wurde Ende 2022 der Öffentlichkeit vorgestellt. Konkret wissen wir noch nicht wirklich, wie wir alle Konturen der KI testen können. Auch bei immer komplexeren Architekturen treten Schwierigkeiten auf.
Für mich sind die derzeit am meisten gefragten Fähigkeiten im Wesentlichen technische Fähigkeiten: die Fähigkeit, Tests zu automatisieren und APIs zu testen.
Der BDD-Ansatz ist ebenfalls ein wichtiger Punkt, ebenso wie alle agilen Methoden.
Ich würde die Begriffe Leistung und Zugänglichkeit hinzufügen, die derzeit mit dem RGAA-Standard (französische Zugänglichkeitsrichtlinien basierend auf WCAG2) zu einer Priorität werden.
Künstliche Intelligenz (KI) stellt im Bereich des Testens eine große Komplexität dar. Der Testumfang ist nicht klar definiert, da KI nicht darauf beschränkt ist, eine bestimmte Ausgabe mit einer Eingabe zu verknüpfen, was das Testen erschwert. Die Arbeit mit Daten, die Auswahl der richtigen Algorithmen und die Überprüfung der Ergebnisse sind entscheidend. Darüber hinaus ist KI anfällig für Fehler, die vom Team oft nicht vorhergesehen werden, wie das folgende Beispiel eines Freundes zeigt:
—–
Die Armee wollte künstliche Intelligenz nutzen, um auf einem Schlachtfeld festzustellen, ob die vorhandenen Panzer freundlich gesinnt oder feindlich sind, um zu entscheiden, ob sie von Drohnen angegriffen werden sollten. Dazu verarbeiteten sie eine riesige Menge an Daten, darunter auch Fotos. Als das System jedoch implementiert wurde, erwies es sich als ineffektiv. Dann erkannten sie das Problem: Alle Bilder befreundeter Panzer wurden bei gutem Wetter und strahlendem Sonnenschein aufgenommen, während die Bilder feindlicher Panzer bei schlechtem Wetter und Wolken aufgenommen wurden. Infolgedessen meldete die künstliche Intelligenz tatsächlich nur die Wetterbedingungen, anstatt Verbündete von Feinden zu unterscheiden.
—–
Diese für Menschen oft offensichtlichen Herausforderungen sind für Maschinen nicht unbedingt so, was die Bedeutung unterstreicht, sie bei Testkampagnen zu berücksichtigen. Es ist auch wichtig, sich nicht vollständig auf KI zu verlassen, sie als Entscheidungshilfe zu betrachten, anstatt ihr die endgültige Entscheidung zu überlassen, und regelmäßige Überprüfungen mit den erforderlichen Anpassungen im Fehlerfall durchzuführen, da man sich bewusst ist, dass KI, genau wie ein Mensch, Fehler machen kann.
Praktische Erfahrung und Schulung sind unerlässlich, um sich mit KI vertraut zu machen, ihre Funktionsweise zu verstehen und einen fundierten Vergleich mit anderen Tools zu ermöglichen.
Im Kontext digitaler Dienste scheinen die Möglichkeiten endlos, aber umfassende Tests sind unmöglich. Der Schlüssel liegt darin, sich auf den Begriff des Wertes und insbesondere auf nachhaltige Qualität zu konzentrieren, was bedeutet, die Qualität über einen längeren Zeitraum aufrechtzuerhalten. Die digitale Technologie wirft jedoch drei große Probleme auf: Erstens erfordert ihre zunehmende Umweltbelastung einen Ökodesign-Ansatz, um ihre langfristige Rentabilität zu gewährleisten. Zweitens stellt sich die Frage des Wohlbefindens der Designer, da ein dauerhafter Arbeitsrhythmus manchmal zu Burnout und Desinteresse führt. Schließlich ist es wichtig, sich daran zu erinnern, dass digitale Dienste in erster Linie Dienste sind, die für Benutzer entwickelt wurden. Abweichungen wie eine Ausrichtung auf Gewinn statt auf die tatsächlichen Bedürfnisse der Benutzer müssen vermieden werden.
Barrierefreiheit war zwar ein langjähriges Thema, aber nie eine Priorität. Seine aktuelle Bedeutung ergibt sich aus seinem bevorstehenden verbindlichen Charakter, ähnlich wie die DSGVO die Bedeutung der Sicherheit erhöht hat. Die Strafen für Nichteinhaltung sind nicht sehr streng, aber Unternehmen müssen die Kosten, die mit der Anpassung ihrer Websites an den Standard verbunden sind, vorhersehen und übernehmen.
Für mich liegt die Priorität auf nachhaltiger Qualität, aber jeder sollte seine eigenen Prioritätsthemen entsprechend seinen Vorlieben und Fähigkeiten bestimmen. Ich vergleiche es mit der Entscheidung, was an einer Software getestet werden soll. Die am Test beteiligten Personen sollten sich als die Software selbst betrachten und ihr Wissen und ihre Vorlieben bewerten, um zu entscheiden, in welche Themen sie ihre Zeit investieren, um Fortschritte zu erzielen und sich zu verbessern. Dies kann ein, zwei oder drei Themen umfassen, je nach individuellen Vorlieben, ob technischer oder anderer Natur. Die Anleitung sollte auch die Fähigkeiten und Anforderungen des Marktes berücksichtigen. Das ist meine Empfehlung.