GlobalLogic InteliQ

Identifiziert kritische Probleme und risikoreiche Bereiche früher im Regressionstest durch hocheffektive Priorisierung der Testfälle

share

Überblick

Der IntellQ Accelerator von GlobalLogic wendet einen maschinellen Lernansatz auf Regressionstests an, um Testfälle effektiver zu priorisieren und so kritische Probleme und risikoreiche Bereiche früher zu erkennen. Die Lösung hilft TestingenieurInnen außerdem, manuelle Prozesse zu automatisieren, problematische Autotests zu identifizieren und Ausreißer zu erkennen, die eine Schwachstelle im Entwicklungsprozess darstellen könnten. Durch die Automatisierung der QS und die frühere Erkennung von Fehlern kann IntellQ die Kosten in der Projektphase um ca. 11% senken und den Zeitrahmen für den Regressionstestzyklus beschleunigen.

Unterstütze Plattform

Branchen

Industry Agnostic

Technologien/Funktioniert gut mit

Python, Scikit-learn, Pandas, NumPy, Angular, Flask, GitHub, Terraform, Amazon / kompatibel mit Azure and GCP, Amazon DynamoDB, Amazon S3 , AWS Code Commit, Amazon ECS, AWS Fargate, Amazon Route 53, Amazon CloudFront

Geschäftsanforderung

Definieren Sie die wichtigsten und risikoreichsten Tests (z. B. Bereiche, Funktionen) von Kritikalität bis Produktfreigabe

Finden Sie die wichtigsten Fehler zu Beginn des Regressionstests

Sparen Sie Zeit und reduzieren Sie die Kosten für Tests, ohne die Qualität des Produkts zu beeinträchtigen"

Schätzen Sie die Risiken im Vorfeld des nächsten Entwicklungszyklus ab, um die Risiken zu minimieren

Identifizieren Sie Hochrisikotests als Kandidaten für die Automatisierung

Wertversprechen

Erstellt Prioritäts-Heatmaps für die Regression zur Optimierung des Testlaufs

Eliminiert Fehlerrisiken für automatisierte und manuelle Tests

Erkennt Ausreißer und potenziell instabile Autotests

Hilft bei der Definition von manuellen Testfallkandidaten für die Automatisierung

Hebt Risikofaktoren hervor und mildert Projektrisiken

Reduziert die Kosten der Projektphase um ca. 11 %.

Features

Einfache Implementierung

  • Anwendbar auf jedes Projekt mit einem regelmäßigen Regressionszyklus
  • Kann in ein Projekt mit einer API integriert oder als eigenständiges Modul verwendet werden
  • Integriert sich in jedes Bug-Tracking-Tool, das API unterstützt

Moderne Technologien

  • Basierend auf einer benutzerdefinierten ML-gestützten Lösung und einem historienbasierten Ansatz zur Priorisierung von Testfällen
  • Verwendet eine intelligente Assistenz-UI, um eine benutzerfreundliche Oberfläche zu gewährleisten
  • Wiederverwendbar mit verschiedenen Projekten über kundenspezifische ETL-Konnektoren