SIGS DATACOM Fachinformationen für IT-Professionals

SOFTWARE MEETS BUSINESS:
Die Konferenz für Software-Architektur
03. - 07. Februar 2020, München

Sessionsdetails

Vortrag: Di 6.1
Datum: Di, 04.02.2020
Uhrzeit: 09:00 - 10:30
cart

Ein paar Millionen Worte später – Text Analytics für Software-Qualitätssicherung in der Praxis

Uhrzeit: 09:00 - 09:45
Vortrag: Di 6.1 1)

 

Mit KI-getriebener Textanalyse ist alles ist möglich, oder?
Wir setzen Natural Language Processing (NLP)-Techniken seit vielen Jahren bei mittlerweile über 60 Projekten täglich zur Qualitätssicherung von Software ein. Beispiele sind die automatische Prüfung von Anforderungen oder Testgenerierung aus User-Storys.
In diesem Vortrag zeigen wir auf, was der Stand der Technik ist und was mit NLP heute schon möglich ist. Damit wollen wir die großen Chancen der Textanalyse aufzeigen, ohne in unrealistische Erwartungen oder gar Buzzwords zu verfallen.

Zielpublikum: Tester, Qualitätsmanager, Entwickler, Projektleiter
Voraussetzungen: Grundkenntnisse Qualitätssicherung
Schwierigkeitsgrad: Fortgeschritten

Extended Abstract
In Wissenschaft und Praxis herrscht Revolutionsstimmung. Sprachassistenten simulieren natürliche Gespräche, automatische Übersetzer gibt es mittlerweile in Google Spreadsheets oder man schiebt gleich das ganze Word-Dokument in einen DeepL und bekommt den Text zurück, als ob ein Dolmetscher involviert wäre. Dieser Eindruck drängt sich auf, aber vielleicht ist die Revolutionsstimmung auch nur eine Goldgräberstimmung.
In unserer täglichen Arbeit setzten wir regelmäßig Text-Analytics-Techniken zur Qualitätsverbesserung von Software ein. Zum Beispiel decken wir automatisch potenzielle Sprachprobleme in Texten auf – wie eine schlauere Rechtschreibprüfung. Oder wir erzeugen automatisch Testfälle aus User-Storys. Auch für automatische Traceability-Analysen zwischen Anforderungen und Tests haben wir Text-Analytics-Techniken eingesetzt. Wir arbeiten dabei bereits seit sechs Jahren mit Natural Language Processing (NLP)-Techniken, insb. Lemmatization, Part-of-Speech Tagging, Syntax Parsing, Morphologischen Analysen und Co-Reference-Resolution, und zuletzt stärker Topic Modelling und Ähnlichkeitsmaßen. Weiterhin machen wir immer wieder Studien mit unterschiedlichsten Machine-Learning-Ansätzen. Das Herausfordernde in unserem Kontext: Mit den Ergebnissen unserer Analysen werden Menschen zum Teil auch kritisiert und gemessen und Sprache wird allgemein als etwas sehr Persönliches wahrgenommen. Dadurch kommen zwei Faktoren ins Zentrum der Bewertung: hohe Präzision und Erklärbarkeit.
In diesem Vortrag möchte ich diese modernen Ansätze in der konkreten Anwendung aufzeigen und sowohl Chancen als auch die Probleme aus der Anwendung heraus diskutieren und reflektieren. Dabei wird auf Buzzwords garantiert verzichtet, stattdessen wollen wir uns anschauen, was die End-Nutzer dazu sagen. Wir schließen mit einer versöhnlichen Analyse, wo und unter welchen Umständen aus unserer Erfahrung heraus NLP und Machine Learning sinnvoll anwendbar ist und wo nicht.

 

Schwarmintelligenz im Testing – Kollaborative Testmethoden in der Praxis

Uhrzeit: 09:45 - 10:30
Vortrag: Di 6.1 2)

 

In agilen Teams testen nicht nur Testexperten. Mit kollaborativen Testmethoden holen wir verschiedene Teilnehmer ins Boot. Dies ermöglicht uns, einen frischen Blick von unterschiedlichen Stakeholdern zu erhalten.
Vorteile von kollaborativen Methoden sind:

  • Verbesserte Kommunikation
  • Abbau von Wissensinseln
  • Aufbau des Team-Spirits

Kollaborative Testmethoden sind leichtgewichtig, können schnell erlernt und in diversen Situationen eingesetzt werden.
Folgende drei Methoden stellen wir praxisnah vor:

  • Mob Testing
  • Pair Testing
  • Bug Bash

Zielpublikum: Stakeholder, Tester, Entwickler, Business-Analysten, Architekten, Projektleiter, Product Owner
Voraussetzungen: Keine
Schwierigkeitsgrad: Fortgeschritten

Extended Abstract
Der Vortrag ist als Gespräch zwischen zwei Kollegen gedacht. Katharina und Benedikt treffen sich zufällig beim Kaffee und unterhalten sich bzgl. aktueller Projekt-Probleme von Benedikt. Er schildert Katharina im Verlauf der Präsentation 3 Problemstellungen und Katharina präsentiert jeweils einen Lösungsansatz:
Situation 1: Im Verlauf der Zeit haben sich Wissensinseln im Projekt gebildet. Benedikt hat keine Idee, wie er diese abbauen kann. Die Zeit drängt, da einer seiner Experten im Projekt bald in Rente geht und Wissen transferiert werden muss. Katharina kennt eine Lösung, sie hatte bereits einen ähnlichen Fall und hat ihn mit Pair Testing gelöst.
Situation 2: Benedikt ist Projektleiter für ein technisch hoch komplexes sowie sicherheitskritisches System. Die meiste Zeit der Entwicklung haben die Entwickler mit der Lösung der technischen Anforderungen verbracht, auf die Usability hat dabei keiner wirklich geachtet. Katharina hat im Bereich Usabiltity Testing bereits eine Bug Bash erfolgreich eingesetzt.
Situation 3: Am Ende eines Releases gehört es zu den Projektaufgaben, dem Fachbereich die neu umgesetzten Funktionalitäten vorzustellen. Bisher geschah dies immer via Frontalvortrag und einer Folienschlacht. Dies war nicht nur für den Kollegen, der es vorstellen sollte, anstrengend, sondern auch für den Fachbereich langweilig. Meist ging die Aufmerksamkeitskurve bereits nach wenigen Minuten deutlich nach unten. Katharina schlägt die Methode Mob Testing zum Wissenstransfer vor.
Jede der einzelnen Methoden (je Situation) wird im Verlauf der Präsentation in einem ersten Schritt methodisch vorgestellt, anschließend folgt eine Betrachtung eines Projekteinsatzes, gefolgt von Vor- und Nachteilen der Methode. Je Situation haben wir ein Projekt aus unserem Arbeitsalltag als Beispiel genutzt, sodass wir reale Projektsituation zur Beschreibung nutzen und unsere Erfahrungen weitergeben können.