مقیاس یا شکست؟ چک لیست QA Leader برای تست هوش مصنوعی

برای رهبران تضمین کیفیت (QA)، تست عملکرد چیزی بیش از تایید عملکرد است. چه در حال آماده شدن برای عرضه یک محصول در مقیاس بزرگ باشید و چه برای افزایش ترافیک فصلی – چیزهای زیادی در خطر است. زمان توقف می تواند به معنای کاهش بهره وری، خرابی سیستم، از دست رفتن درآمد و مشتریان ناراضی باشد. .

به همین دلیل است که ما راهنمای تست مقیاس نهایی را گردآوری کرده ایم. در اینجا نحوه اطمینان از ساخت عوامل و برنامه های کاربردی هوش مصنوعی در مقیاس ارائه شده است.

مرحله 0: نقاط داغ را شناسایی کنید

یک استراتژی قدرتمند تست عملکرد با نگاه کردن به داده های تولید شما شروع می شود. درک نقاط مهم – کندترین و پرکاربردترین اجزای شما – برای اطمینان از اولویت‌بندی تست‌های شما در مناطقی که احتمال شکست آن‌ها تحت بار است، به حداکثر رساندن بازده سرمایه‌گذاری آزمایشی و حذف فعال خطرات تولید حیاتی است.

ویژگی ایجاد طرح آزمایشی Scale Test این بینش را با تجزیه و تحلیل داده‌های تولید زنده برای تعیین کندترین و پرکاربردترین صفحات، APIها و مؤلفه‌های Lightning به شما می‌دهد. برای شناسایی مشکلات عملکرد، این گزارش را در ساعات اوج مصرف اجرا کنید.

به جای آزمایش صفحات ایزوله یا APIها، بینش های Build a Plan به شما امکان می دهد واقع بینانه بسازید، سفرهای کاربر نهایی به عنوان مثال، یک سفر ممکن است از صفحه اصلی شروع شود، به نمای حساب بروید و سپس یک به‌روزرسانی فرصت انجام دهد. این رویکرد تضمین می‌کند که تست‌های شما منعکس‌کننده جریان‌های کاری در دنیای واقعی هستند و بر مهم‌ترین بخش‌های برنامه شما تمرکز می‌کنند.

مرحله 1: به طور ایمن در جعبه شنی تست کنید

با ایجاد یک کپی از محیط تولید خود، تیم‌ها می‌توانند ویژگی‌ها، کدها و ادغام‌های جدید را بسازند، آزمایش کنند و اصلاح کنند – همه اینها بدون تأثیر بر داده‌ها و عملیات زنده. سندباکس کامل محیطی امن برای آزمایش و نوآوری را برای مدیران و توسعه دهندگان فراهم می کند.

نحوه تنظیم محیط تست خود مهم است. هنگام تنظیم جعبه ایمنی خود، می توانید این دستورالعمل های تست کیفیت را دنبال کنید.

• اجرای آزمایشی برای اندازه مناسب: برای اعتبارسنجی اسکریپت‌ها و مقایسه آن‌ها با پیک‌های تولید با استفاده از بررسی‌کننده دقت آزمایشی Scale Test، با تعداد کمی کاربر (20-30 کاربر) شروع کنید.
• NFR را با SLA تراز کنید: اهداف قابل اندازه گیری، مانند “بارگیری صفحه ≤ 2 ثانیه” یا “نرخ خطا ≤ 0.5٪” را تعیین کنید. این معیارهای شفاف / عدم موفقیت را ایجاد می کند.
• کاهش خطرات یکپارچه سازی: حتی اگر ادغام های شخص ثالث خارج از محدوده هستند، آنها را با استفاده از تمسخر شبکه شبیه سازی کنید.

مرحله 3: آزمون های مقیاس واقعی = نتایج واقعی

بهترین آزمایش ها شبیه زندگی هستند. “مدل سازی حجم کاری” فرآیند ایجاد یک شبیه سازی واقعی از نحوه تعامل کاربران واقعی با یک عامل، برنامه یا سیستم است. با تکرار الگوهای بارگذاری و استفاده واقعی، می توانید مطمئن شوید که نتایج شما دقیق هستند.

در اینجا استراتژی های اصلی برای مدل سازی حجم کار بهتر آمده است:

• تعداد کاربران ثابت را رها کنید. در عوض، تست های بار خود را با استفاده از درخواست ها در ثانیه (RPS) یا تراکنش ها در ثانیه (TPS) اجرا کنید. این رویکرد یک شبیه سازی سازگارتر و شبیه تولید ایجاد می کند.
• به عنوان یک کاربر واقعی عمل کنید. کاربران مجازی خود را روبات نسازید. با استفاده از توزیع های تصادفی برای چیزهایی مانند زمان فکر کردن، سرعت و نرخ شیب به آنها رفتار واقعی بدهید.
• با جزئیات خود دقیق باشید مطمئن شوید که تمام مقادیر پویا مانند شناسه‌های جلسه و نشانه‌ها را مدیریت می‌کنید. این تضمین می کند که هر جلسه کاربر مجازی منحصر به فرد و واقعی است، درست مانند دنیای واقعی.
• برای رشد خود برنامه ریزی کنید مقیاس بندی کنترل شده (و مقیاس بندی) برای کشف مشکلات بدون تحت فشار قرار دادن سیستم شما از همان ابتدا بسیار مهم است.

نمونه طرح رمپ برای 5000 کاربر:

برای کشف خطرات سیستمیک، از حجم کاری ساعتی فراتر بروید. ممکن است انجام “آزمایش استقامت” را در نظر بگیرید که شامل اجرای آزمایش‌های طولانی مدت بار مشابه تولید برای بیش از 4 ساعت برای شناسایی مشکلات طولانی مدت مانند نشت حافظه است. در طول فرآیند آزمایش، مالکیت سند و مسیرهای تشدید در صورت نقض SLAها.

مرحله 4: داده ها را جمع آوری کنید

هنگامی که محیط و شرایط آزمایش شما تنظیم شد، آماده شروع جمع آوری داده ها هستید. وقتی شروع به دیدن نتایج آزمون ثابت می‌کنید، به این معنی است که به داده‌های تست با کیفیت بالا دست یافته‌اید.

در اینجا نحوه دریافت نتایج مفید و مرتبط آورده شده است:

• ایجاد خودکار داده ها: با بارگیری داده های واقعی (نه واقعی) در جعبه شنی خود سریع حرکت کنید. از Salesforce CLI، Apex Scripts یا Salesforce Data Seed استفاده کنید برای ایجاد برنامه‌ای هزاران کاربر یا رکورد.
• تمیز کردن خودکار: ایجاد جفت با اسکریپت های پاکسازی برای بازنشانی محیط به حالت غیرفعال پس از هر اجرا.
• امنیت داده ها: با استفاده از ابزارهای پوشاندن داده ها، می توانید از اطلاعات شناسایی شخصی (PII) با تبدیل آنها به مقادیر واقعی و غیر حساس که مانند چیز واقعی رفتار می کنند اما جزئیات شخصی را پنهان نگه می دارند محافظت کنید. هنگام استفاده از مجموعه داده‌های تولید مانند، ابزارهایی مانند ماسک داده Salesforce یا تکنیک‌های ناشناس‌سازی را کاوش کنید.

مرحله 5: نتایج آماده است، بینش آماده است

عمل واقعی زمانی شروع می شود که داده ها را در اختیار داشته باشید. برای تبدیل نتایج آزمون به بهبود عملکرد، به ابزارهای مناسب و مناطق متمرکز برای تجزیه و تحلیل نیاز دارید. در اینجا نحوه دسترسی به معیارهای قابل اجرا آمده است:

• دید جلو با LEX Insight: آهنگ زمان صفحه تجربه (EPT) و معیارهای صدک (p75، p90) برای آشکار کردن تنگناهای UI.
• نظارت بر آزمون زنده با Scale Test: معیارهای زمان اجرا مانند DML، رویدادهای پلتفرم، نمودارهای RPS و نقاط مهم Apex را مشاهده کنید. برای فرصت‌های بهینه‌سازی کد Apex خود در مورد کلاس‌های استفاده نشده، روش‌های گران قیمت، موارد تست و موارد دیگر، از ApexGuru دیدن کنید.
• روی صدک ها تمرکز کنید: برای نمایش بهتر تجربه کاربر در دنیای واقعی، زمان پاسخ P90/P95 را نسبت به میانگین اولویت بندی کنید.

مراحل بعدی شما در داده ها است. نتایج آزمون را مستقیماً به ریسک‌های تجاری و الزامات عملکردی مرتبط کنید تا ذینفعان بتوانند آنچه را تأیید شده است ببینند.

زمان برای یک آزمون در مقیاس بزرگ است

QA در مقیاس سازمانی به چیزی بیش از شبیه سازی بار ساده نیاز دارد – این نیاز به یک رویکرد منضبط و آگاهانه از تولید دارد. با ایجاد این شیوه‌ها در فرآیند QA خود و استفاده از ابزارهایی مانند Scale Test، می‌توانید مطمئن باشید که تنها با کیفیت‌ترین و ایمن‌ترین عوامل و برنامه‌های کاربردی را برای کسب‌وکار خود به کار می‌گیرید.

بسازید، ایمن کنید، مستقر کنید و تکرار کنید

با استفاده از مدیریت چرخه عمر عامل و برنامه (ALM) مطمئن شوید که عوامل و برنامه های شما از جعبه شنی خارج می شوند.

راهنما را دریافت کنید

Source link