Bir kayanın altında yaşamadıysanız, ChatGPT ‘nin Kasım 2022’de kullanıma sunulduğundan bu yana nasıl manşetlere çıktığını fark etmemiş olamazsınız.
İstatistikler şaşırtıcı. Üretken yapay zeka aracının ilk haftasında bir milyon kullanıcıyı çektiği ve Ocak 2023’ün sonunda 100 milyon aktif kullanıcıya sahip olduğu tahmin ediliyor .
Ancak ChatGPT, üretici yapay zeka buzdağının yalnızca görünen kısmıdır. Beyinden metne bile çoğu senaryo için üretici yapay zekalar zaten var. Ve toplu olarak 11 milyar dolarlık yatırım çeken 500’den fazla üretken yapay zeka girişimi olduğu düşünülüyor (ve bu, ChatGPT’nin arkasındaki şirket olan OpenAI’deki 10 milyar doları içermiyor ).
Üretken Yapay Zeka Örnekleri: source @ethersiim
Yapay zekanın iş ve ev hayatımızın her alanını nasıl değiştireceğine dair yorumlar var. Yazılım test alanı bir istisna değildir. Ancak yapay zekanın dünyamız üzerindeki etkisini anlamak için, ChatGPT ve buna benzer diğer araçların temelini oluşturan üretken yapay zeka konseptini anlamak için temel bilgilere geri dönmeye değer.
Üretken Yapay Zeka nedir?
ChatGPT, üretken yapay zekanın belki de en ünlü örneğidir (isminin GPT’si, Generative Pretrained Transformer’ın kısaltmasıdır).
Üretken yapay zekalar, metin, resim ve ses gibi Web 2.0 içeriği üzerinde eğitilir. Hem denetimli hem de takviyeli öğrenme teknikleriyle ince ayar yapılır ve daha sonra yeni makul içerik üretebilirler.
ChatGPT, 175 milyar makine öğrenimi parametresiyle desteklendiği için en büyük eğitimli dil modellerinden biridir.
Ancak, girdilerinin 530 ile en büyük yoğun sinir ağına sahip olan Megatron-Turing Doğal Dil Üretimi modeli (NVidia ve Microsoft’tan) tarafından gölgede bırakıldığını düşündüğünüzde, bu alanda daha ne kadar ilerlememiz gerektiğini anlıyorsunuz. milyar parametre ve PaLM: 540 milyar girdi üzerinde eğitilen Pathways ile Ölçeklendirme Dil Modellemesi.
Yazılım Geliştirmede Üretken Yapay Zeka İçin Fırsatlar
Girdi zenginliği, ChatGPT gibi üretken yapay zekaların yapamayacağı çok az şey olduğu anlamına gelir. Kod yazabilmesi, yazılım geliştirme sürecinde ilginç fırsatların kilidini açar.
Aşağıdakileri yapmak için ChatGPT’yi kullandım:
- Bir model oluşturmak için kullanılabilecek bir Gherkin betiği yazarak gereksinimler oluşturun – Otonom Tasarım Otomasyonu (ADA)
- Co-Pilot – Autonomous Code Automation (ACA) kullanarak test edilen (SUT) bir sistem oluşturun
- Performans ve güvenlik üzerine manuel ve otomatik UI ve API testi ile işlevsel olmayan testler oluşturun – Otonom Test Otomasyonu (ATA)
- Operasyonel aşamada kullanılmak üzere Dijital İkizler oluşturmak için gerçek müşteri içgörülerinden testleri otomatik olarak oluşturun.
En heyecan verici olasılıklar, özellikle Çalıştırma aşamasında yapay zekanın yürütebileceği hacimle birlikte gelir. Teorik olarak, çalışan herhangi bir testinizin olması gerekmez. Bunun yerine, testçi olarak hareket eden, hataları bulan ve üretici yapay zekanın bunları düzeltmesine izin veren gerçek kullanıcılara sahip olabilirsiniz.
ChatGPT ve Generative AI ile Karşılaşılan Zorluklar
Ancak üretken yapay zekanın yeteneklerine çok fazla – veya belki de çok düşünmeden – güvendiğimiz bir senaryoda zorluklar var.
Ana akım medyada ChatGPT’nin tıp, hukuk ve finans alanlarında ileri düzey sınavları nasıl geçtiği konuşuluyor . ISTQB CTFL Sertifikasyon için ISTQB® Temel Düzey Örnek Sınavını geçtiğini muhtemelen bizim dünyamızda görmüşsünüzdür . Bu, ChatGPT’nin bir doktor, bir avukat veya sertifikalı bir testçi olduğu anlamına mı geliyor?
Üretken yapay zekanın günlük hayatımıza nasıl entegre olabileceğini düşünmeye başladığımızda, bu varsayımla ilgili sorunları fark edebilirsiniz. Üretken bir yapay zeka, ölümle sonuçlanan hatalı bir tıbbi karar verirse ne olur? Veya birinin ırksal veya cinsiyete dayalı önyargı sergilediği bulunursa?
Sonuçlar zaten AB tarafından değerlendiriliyor. Önerilen AB AI Yasası, ihlallerin hangisi daha yüksekse, 30.000.000 €’ya veya dünya çapındaki toplam yıllık cironun %6’sına kadar para cezalarına yol açabileceğini önermektedir.
Günlük düzeyde bile teknik karmaşıklıklar vardır. AI teknolojilerini nasıl test edersiniz?
Yazılım Testinde Üretken Yapay Zeka İçin Fırsatlar
Keysight’s Eggplant’ın Ürün Çözümleri Mimarı Randy Hesse, bu yaklaşımın üretken yapay zeka kullanımının gidişatını nasıl yansıttığını özetliyor. Yapay zeka destekli test platformumuz, kullanıcı davranışını simüle eder, test senaryoları oluşturur ve yapay zeka sistemi veya modelinin performansını değerlendirir.
Bu yaklaşım, belki de en iyi şekilde, bu alanda hızla bir mantra haline gelen şeyle özetlenebilir: İşinizi yapay zeka almaz, ancak yapay zeka kullanan biri alır. Çünkü bana göre üretken yapay zekalar, keşif testi, otomatik test veya performans güvenliği gibi günlük görevlerde bize yardımcı olan artırılmış zeka veya artırılmış test yetenekleri sağlıyor.
Örneğin:
- Otonom Tasarım Otomasyonu (ADA) – model tabanlı testleri (MBT) otomatik olarak oluşturur ve bu nedenle orijinal doğru kaydırma uygulamalarını gerçeğe dönüştürür.
- Test Gereksinim Mühendisliği (TRE) – bilgi ve bağlama özel doğrulama sağlar.
- Tahmine Dayalı Uygulama Yaşam Döngüsü Yönetimi (ALM) – gelecekteki testlerle ilgili daha iyi kararlar verebilmeniz için gelecekteki kusurları belirlemenize yardımcı olur.
- Kalite Yaşam Döngüsü Yönetimi – QA için yönetici puan kartı sağlar.
- Kendi Kendini Yöneten Test Otomasyonu (ATA) – kodu ve ilişkili test yapılarını otomatik olarak oluşturma.
- Hem etki alanı hem de bağlam doğrulaması sağlamak için doğal dil işleme (NLP) ve duygu analizi yoluyla bilgi aktarımı.
Üretken Yapay Zekayı Dikkatli Tutun
Üretken yapay zeka alanının hızla geliştiği açıktır. Yazılım testçileri olarak çalışma şeklimiz üzerinde derin etkileri olacağı da açık. Bu nedenle, tartışmayla bağlantıda kalmak ve kurulumunuzdaki araçları nasıl kullanabileceğinizi keşfetmeye başlamak çok önemlidir.
Aynı zamanda, değerlendirilmesi gereken pratik ve etik zorluklar olduğu da açıktır. Benim tavsiyem? Yazılım ortamındaki büyük oyuncuların nereye gittiğini izleyin ve onların liderliğini takip edin.
Bu makale buradan çevrilmiştir.
