Cette page résume et organise les publications en intelligence artificielle du monde entier. Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif. Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.
Cet article présente une méthode de génération automatique de cas de test basée sur GenAI. Elle exploite les modèles de langage à grande échelle (LLM) et les modèles de langage visuel (VLM) pour transformer les exigences en langage naturel et les diagrammes système en cas de test Gherkin structurés. En intégrant la modélisation des spécifications des signaux automobiles, elle standardise les définitions des signaux des véhicules, améliore l'interopérabilité entre les sous-systèmes automobiles et simplifie l'intégration avec des outils de test tiers. Les cas de test générés sont exécutés sur la plateforme digital.auto, un environnement ouvert et indépendant des fournisseurs, conçu pour la vérification rapide des fonctions logicielles des véhicules. Nous évaluons cette approche à l'aide d'un cas d'utilisation de système de détection de présence d'enfants, démontrant une réduction significative des efforts de spécification manuelle des tests et une exécution rapide des tests générés.
Takeaways, Limitations
•
Takeaways:
◦
La génération automatique de cas de test à l'aide de GenAI peut réduire considérablement la quantité de travail manuel.
◦
Intègre la modélisation des spécifications des signaux automobiles pour améliorer la compatibilité et l'intégration des cas de test.
◦
Exécution et validation rapides de tests à l'aide de la plateforme digital.auto.
•
Limitations:
◦
En raison des limitations actuelles du pipeline GenAI et des contraintes de la plateforme digital.auto, la génération de cas de test et de scripts de test nécessite toujours une intervention manuelle.
