Применение AI-инструментов#

Саммаризация по шаблону цепочки генерации тестовых данных и полям шагов входящих в него#

В цепочке генерации тестовых данных автоматически представлена краткая информация о предназначении данной цепочки, чтобы иметь возможность принять решение о том, релевантна ли цепочка генерации для задачи тестировщика. До внедрения данной функциональности владельцу шаблона необходимо было вручную составлять выжимку, выделять главное и вносить информацию в поле Описание.

Триггером автоматической саммаризации шаблона цепочки генерации тестовых данных являются следующие сценарии: создание шаблона по генерации тестовых данных и редактирование шаблона генерации тестовых данных.

Саммаризация имитирует следующие когнитивные способности человека:

Внимание - необходимо ознакомиться со всей цепочкой генерации, учесть все входные данные, которые необходимо внести.
Мышление - исходя из шагов цепочки генерации, необходимых входных и выходных данных, сложить свое мнение, какую задачу выполняет данная цепочка генерации, и выделить главное.
Логика - применение индукции, чтобы из частного (шаги генерации тестовых данных) сформировать обобщающее утверждение и зафиксировать это в поле Описание.

Автоматизированная саммаризация, которая имитирует эти когнитивные способности, может значительно улучшить качество и эффективность работы с информацией. Она помогает быстро извлекать ключевые моменты из больших объемов данных, упрощает процесс анализа и принятия решений, а также способствует более эффективному обмену знаниями и идеями.

Оценка качества саммаризации и самообучение производится при помощи G-Eval (фреймворк, который использует LLM для оценок).

G-Eval - процесс, состоящий из двух частей: первая генерирует этапы оценки, а вторая использует сгенерированные этапы оценки для вывода итоговой оценки. Максимальное количество итераций оценки для улучшения качества саммаризации – 10, после чего принудительно выходит из цикла оценки и перегенерации саммаризации и фиксирует результат в поле Описание.

Используемая технология: обработка естественного языка.

Выполняемые выбранной технологией задачи:

Извлечение фактов из текстов и их систематизация, в том числе автоматическое обучение онтологий.
Поиск текстовых документов по аналогии или по смыслу, поиск трендов и будущих ориентиров научно-технологического развития, поиск скрытого содержания и смыслов.

С подробным взаимодействием можно ознакомиться в разделе взаимодействия и компонентно-логической диаграмме.

Прогнозное моделирование, на основе которого система осуществляет предгенерацию тестовых данных к моменту спроса пользователем#

Функциональность позволяет системе на основе полученной информации о количестве спроса на будущий день автоматически генерировать тестовые данные, чтобы пользователь мог получить уже готовые тестовые данные из раздела Библиотека данных, удовлетворяющие спросу. До внедрения необходимо было вручную генерировать тестовые данные и ожидать окончания генерации.

Анализ спроса и предварительная генерация тестовых данных реализована при помощи прогнозного моделирования на основе временных рядов — это метод анализа данных, который использует историческую информацию для предсказания будущих значений на основе временных интервалов. Этот метод особенно полезен для выявления тенденций и сезонных колебаний.

Преимущества прогнозного моделирования на основе временных рядов:

точность предсказаний,
выявление трендов,
оптимизация ресурсов,
принятие обоснованных решений.

Используемая технология: интеллектуальные системы поддержки и принятия решений.

Выполняемые выбранной технологией задачи:

Предиктивный и прескриптивный анализ, позволяющий предсказывать развитие ситуации на основе анализа данных и автоматизировать принятие решений в режиме реального времени (включая создание методов и моделей).
Оценка качества моделей машинного обучения без тестирования в реальной среде, в том числе в рекомендательных системах, тестируемых без участия пользователя.