Navegando por Assunto "Testes"

Agora exibindo 1 - 2 de 2

Automação de Testes de Interface Web: uma análise comparativa entre Cypress e Playwright
(2022-04-24) Segundo, Marco Antonio de Souza; Furtado, Ana Paula Carvalho Cavalcanti; http://lattes.cnpq.br/5862330768739698; http://lattes.cnpq.br/7175760993922551
O mercado de software vem cada vez mais buscando a otimização em seus processos, assim como uma qualidade superior em seus produtos. Dentre os processos, está o de Testes de Software, que contribui de forma considerável para a qualidade dos sistemas. No meio deles, há o Teste de Interface que é baseado na formação de uma sequência de eventos nos componentes de uma interface gráfica a fim de encontrar falhas. Para auxiliar neste processo, é comum a utilização de ferramentas de automação com capacidade de gerenciamento e controle de testes. Entre as principais ferramentas do mercado, está o Selenium WebDriver, que possui limitações em sua aplicação. Diante disso, o objetivo deste trabalho é a realização de uma análise comparativa entre o Cypress e o Playwright, duas ferramentas que possuem arquiteturas diferentes do Selenium, a fim de auxiliar profissionais na escolha de frameworks de automação relacionados à interface gráfica. A partir desta análise, foi possível verificar um equilíbrio entre as ferramentas, com o Cypress obtendo uma vantagem em relação a eficiência dos testes e o Playwright garantindo uma vantagem nos critérios de tempo de execução e cobertura de testes.
Uso de Machine Learning para identificação de solicitação de teste de confirmação em projeto de teste de software
(2022-06-06) Santos, Victor Leuthier dos; Monteiro, Cleviton Vinicius Fonsêca; Albuquerque Júnior, Gabriel Alves de; http://lattes.cnpq.br/1399502815770584; http://lattes.cnpq.br/9362573782715504; http://lattes.cnpq.br/8817589533156593
Um estudo recente publicado pela Cambridge Judge Business School descobriu que os desenvolvedores perdem 620 milhões de horas por ano depurando falhas de software, o que acaba custando às empresas aproximadamente US$ 61 bilhões por ano. Este processo de depuração se torna ainda mais complexo e custoso às organizações quando o desenvolvedor não possui acesso aos recursos necessários. Utilizando a biblioteca TPOT como ferramenta de Auto Machine Learning para encontrar a melhor pipeline de um modelo foram analisados comentários do Jira afim de identificar pedidos de reteste por parte de desenvolvedores para os testadores de uma empresa. Foi construído um modelo para criação da ferramenta chamada “Preste atenção ao reteste ou Pay attention to retest” - PATRE, que utiliza Aprendizado de Máquina (Machine Learning) para identificação automática de pedido de teste de confirmação, otimizando assim a rotina dos profissionais envolvidos no desenvolvimento do software. O classificador gerado após 5 gerações foi o GradientBoostingClassifier e obteve uma precisão de 0.562, e um recall de 0.529, enquanto o f1-score encontrado foi de cerca de 0.545. Enquanto que o classificador escolhido pelo TPOT após 20 gerações foi o StackingEstimator obteve os seguintes resultados: precisão de 0.48, recall de 0.735 e f1-score de 0.581. Mostrando a influência direta do número de gerações na qualidade do modelo e do classificador final. Nenhuma informação ou dado confidencial foi utilizado para a realização deste trabalho.