Tests möglichst oft und möglichst früh auszuführen – das ist der Traum vieler agiler Tester:innen.
Am besten nach jeder Änderung und auf allen Branches, damit wir sofort merken, wenn wir etwas kaputt gemacht haben.

Aber wie soll das gehen, wenn meine Tests Stunden oder sogar Tage dauern? Was, wenn ich manuell teste?
Da erscheint der Traum vom beschleunigten Testprozess schnell unerreichbar.

Doch die Forschung zeigt Lösungsmöglichkeiten auf: Ein Ansatz, um auch mit langsamen Tests schnelles Feedback zu geben, ist die Ausführung einer kleinen Teilmenge, die schnell genug ist. Das lohnt sich dann, wenn diese Teilmenge einen Großteil der Fehler findet. Zum Beispiel 80% der Fehler in 5% der Zeit.

Im Vortrag stelle ich zwei Ansätze vor, die mit geringem Aufwand in bestehenden Projekten umgesetzt werden können, um die meisten Fehler mit wenig Testaufwand aufzudecken.
Das erste Verfahren nutzt Large Language Models (KI) und Clustering, um eine effektive Smoke Test Suite zu erstellen, die für beliebige Änderungen Fehler in der Breite aufdeckt. Das zweite Verfahren dagegen schlägt mit Hilfe eines Suchverfahrens gezielt Tests für eine aktuelle Änderung vor, die möglichst gut zum geänderten Code passt. Für beide Techniken präsentiere ich Grundlagen, Forschungsergebnisse und Einsatzszenarien aus der Praxis.

Key Takeaways:

    Auch mit extrem langsamen Test Suites kann man Shift-Left realisieren!
    Es gibt verschiedene Ansätze mit unterschiedlichem Kosten/Nutzen-Verhältnis.
    KI hilft uns dabei, ist aber nicht die einzige Möglichkeit.