Generación Automática de Procedimientos de Test con IA
Generación
Automática de Procedimientos de Test con IA
Autor:
Francisco Prats Quilez
Introducción
Este proyecto presenta una
solución ágil y eficiente para la generación automatizada de procedimientos de
test, aprovechando las capacidades de los modelos de lenguaje de gran tamaño
(LLM). Al integrar una interfaz de usuario intuitiva en Vue.js con un backend
que gestiona la generación de prompts y la interacción con el LLM local, el
sistema ofrece una forma rapida de crear documentación de alta calidad a partir
de una variedad de fuentes.
Objetivo
El objetivo principal del
proyecto es agilizar y mejorar la precisión en la elaboración de procedimientos
de test, reduciendo la carga de trabajo de los ingenieros de validación y
verificación. Al automatizar gran parte del proceso, se busca garantizar la
coherencia y exhaustividad de la documentación, al tiempo que se minimiza el
riesgo de errores manuales.
Desarrollo
- Interfaz de Usuario: Se desarrolló una interfaz
en Vue.js que permite a los usuarios cargar los documentos iniciales del
proyecto de forma sencilla. La interfaz ofrece una experiencia intuitiva y
guía al usuario en la selección del tipo de procedimiento de test a
generar.
- Generación de Prompts: El backend del sistema es
responsable de generar prompts personalizados para el LLM, dependiendo del
tipo de procedimiento de test seleccionado. Estos prompts se diseñan para
guiar al modelo hacia la generación de contenido relevante y estructurado.
- Procesamiento con LLM Local: El LLM, ejecutado en un
entorno local para garantizar la seguridad de la información confidencial,
recibe el prompt y los documentos de entrada. El modelo procesa esta
información y genera un borrador del procedimiento de test.
- Generación del Documento: El borrador generado por el
LLM se transforma en un archivo .docx, listo para ser revisado por un
ingeniero de validación y verificación.
Conclusiones
Los resultados preliminares del
proyecto demuestran el potencial de la IA para automatizar la generación de
documentación técnica. El sistema ha mostrado una capacidad notable para
producir procedimientos de test coherentes y bien estructurados, reduciendo
significativamente el tiempo dedicado a esta tarea.
Futuro Desarrollo
- Mejora de
los Prompts:
- Ingeniería de Prompts:
Experimentar con diferentes técnicas de ingeniería de prompts para
obtener resultados más precisos y personalizados. Se deberá de ajustar
los prompts en función de la calidad de los resultados obtenidos.
- Ampliación
de la Base de Conocimiento:
- Aprendizaje Continuo:
Desarrollar un sistema de aprendizaje continuo que permita al modelo
adaptarse a nuevos tipos de documentos y requisitos, así como a los diferentes
formatos de documentación de cada empresa.
- Evaluación
de Modelos:
- Comparación de Modelos: Evaluar
el desempeño de diferentes modelos LLM en local y online (por ejemplo, Llama3,
GPT) para identificar el modelo más adecuado para esta tarea.
- Nuevos Modelos: Evaluar el
uso de este sistema con cada nuevo modelo. Es normal, que los modelos
vayan mejorando sus prestaciones, por lo que para este caso generaran informes
de mayor calidad.
Consideraciones Adicionales
- Escalabilidad: Diseñar el sistema para que
pueda escalar y adaptarse a proyectos de mayor envergadura.
- Integración con Herramientas Existentes: Explorar
la integración del sistema con otras herramientas utilizadas en el proceso
de desarrollo de productos, como sistemas de gestión de requisitos y
herramientas de seguimiento de defectos.
Este caso de estudio proporciona
una visión general del proyecto y establece una hoja de ruta clara para futuros
desarrollos. Al abordar las áreas de mejora identificadas, se puede lograr una
solución aún más robusta y eficaz para la generación automatizada de
procedimientos de test.
Comentarios
Publicar un comentario