프로덕션 AI 기반 호스트 자동화 테스트-일체 포함-php.cn

번역가 | Chen Jun

리뷰어 | Chonglou

기존 메인프레임 애플리케이션의 코드와 데이터를 현대 기술 아키텍처로 마이그레이션하는 것은 기업의 디지털 개발의 핵심 단계로 간주됩니다. 효율성과 확장성을 추구하기 위해 이러한 전환에는 기존 메인프레임 환경에서 보다 유연한 클라우드 또는 온프레미스 솔루션으로 마이그레이션하는 작업이 포함되는 경우가 많습니다. 이러한 변화는 기업이 더 큰 민첩성과 혁신을 달성하는 동시에 비용을 절감하고 보안을 강화하는 데 도움이 됩니다. 또한 이러한 마이그레이션을 통해 기업의 리소스 활용도가 향상되고 시장 대응 속도가 빨라질 수 있습니다. 기업은 데이터 마이그레이션 및 애플리케이션 재구성 프로세스가 원활하게 진행되어 비즈니스 연속성과 데이터 보안을 보장할 수 있도록 이러한 전환을 신중하게 계획하고 실행해야 합니다. 기존 메인프레임 애플리케이션을 최신 기술 아키텍처로 마이그레이션함으로써 기업은 급변하는 시장 요구에 더 잘 적응하고

프로덕션 AI 기반 호스트 자동화 테스트

을 달성할 수 있습니다. 그러나 비즈니스 환경의 역동적인 변화로 인해 마이그레이션 프로세스도 더욱 복잡해집니다. 이는 리소스의 기술적 재배치일 뿐만 아니라 근본적인 변화이기도 하므로 다양한 기능의 동등성을 확인하고 이를 통해 애플리케이션의 운영 무결성과 성능을 유지하기 위해 엄격한 테스트가 필요한 경우가 많습니다.

동시에 마이그레이션 후 애플리케이션은 새로운 요구 사항, 발전하는 비즈니스 전략 및 규제 표준 변경으로 인해 광범위한 수정을 거쳐야 하는 경우가 많습니다. 그리고 사소한 조정이든 대대적인 "개조"이든 모든 수정은 엄격한 테스트를 거쳐야 합니다. 가장 중요한 과제는 의도하지 않은 결과나 중단을 초래하지 않고 새로운 변경 사항이 기존 기능과 조화롭게 통합되도록 하는 것입니다. 새로운 기능을 검증하고 기존 기능을 유지해야 하는 이중 요구 사항은 마이그레이션 후 자동화된 테스트 스위트의 중요성을 강조한다는 것을 알 수 있습니다.

최근에는 생성 AI(GenAI)가 다양한 분야로 확산되고 있습니다. 메인프레임 현대화 프로세스에 도입되면 기업은 소프트웨어 품질, 운영 효율성 등에서 상당한 개선을 달성할 수 있을 뿐만 아니라 소프트웨어 개발 및 품질 보증 개념에 근본적인 변화를 가져올 것으로 예상됩니다. 궁극적으로 상당한 투자 수익을 얻습니다.

원활한 기술 전환 중에 최신 메인프레임 애플리케이션의 고유한 품질과 성능이 유지되도록 보장하기 위해 적절한 자동화 테스트 방법론, 도구 및 모범 사례를 활용하는 방법에 대해 논의하겠습니다.

전통적인 수동 테스트 개념

오랫동안 대규모 호스트 환경에서는 자동화된 테스트 방법을 받아들이지 않았습니다. Compuware와 Vanson Bourne이 공동으로 실시한 2019 글로벌 설문조사에 따르면 응답자의 7%만이 메인프레임 애플리케이션에 자동화된 테스트 사례를 채택한 것으로 나타났습니다. 이는 이에 대한 업계의 태도를 충분히 보여줍니다.

수동 테스트의 딜레마

반면, 수동 테스트는 많은 회사에서 일반적으로 사용하는 전통적인 방법입니다. 그러나 메인프레임 현대화의 복잡한 프로세스에서 이러한 접근 방식은 점점 더 부적절해지고 오류가 발생하기 쉽습니다. 결국 테스트 엔지니어는 모든 시나리오와 비즈니스 규칙을 수동으로 확인해야 합니다. 이 과정에는 인적 오류가 발생할 가능성이 높습니다. 더욱이 많은 메인프레임 애플리케이션의 위험성이 높고 미션 크리티컬한 특성을 고려할 때 테스트 프로세스 중 미묘한 오류를 간과하면 심각한 생산 문제, 상당한 가동 중지 시간, 심지어 재정적 손실까지 초래할 수 있습니다. 따라서 이러한 단점은 특히 두드러집니다. 또한 수동 테스트에는 다음과 같은 결함도 있습니다.

1. 누락 및 부정확성: 많은 수의 테스트 사례를 수동으로 처리하면 주요 시나리오가 누락되고 부정확한 데이터 검증이 발생할 위험이 높아집니다.

2. 시간 소모적: 수동 방법은 모든 측면을 철저하게 테스트하는 데 많은 시간이 필요하므로 빠르게 진행되는 개발 환경에서는 효율적이지 않습니다.

3. 확장성 문제: 애플리케이션이 확장되고 발전함에 따라 수동 테스트에 필요한 작업량이 기하급수적으로 증가하여 오류를 효과적으로 식별하는 것이 불가능해집니다.

일부 회사에서는 수동 테스트 팀 확장을 직관적으로 생각할 수도 있습니다. 그러나 이는 실현 가능한 해결책이 아닙니다. 이러한 움직임은 비용 비효율성을 초래하고 수동 테스트 프로세스의 본질적인 한계를 해결하지 못합니다. 기업은 효율성을 높이고 오류를 줄이기 위해 DevOps와 같은 최신 방법을 통해 자동화된 테스트 프로세스를 통합해야 합니다.

테스트 자동화의 필요성

전체적으로 자동화된 테스트 프로세스를 최신 메인프레임 애플리케이션에 통합함으로써 기업은 마이그레이션의 효율성과 정확성을 크게 향상시킬 수 있습니다. 물론 메인프레임 환경에서 자동화된 테스트의 채택률은 높지 않습니다. 일부 기업에서는 이를 도전으로 보는 반면, 다른 기업에서는 이를 거대한 변화의 기회로 봅니다. 결국 테스트에 자동화를 채택하는 것은 단순한 기술 업그레이드가 아니라 위험을 줄이고 시간을 절약하며 리소스 활용도를 최적화하기 위한 전략적 움직임입니다.

이러한 변화는 빠르게 진화하는 기술 환경에서 경쟁력과 효율성을 유지하려는 기업에 매우 중요합니다. "DevOps 상태 보고서"에 따르면 자동화된 테스트는 운영 워크플로를 최적화하고 애플리케이션 안정성을 보장하는 데 큰 역할을 할 수 있습니다.

자동 테스트란 무엇인가요?

Atlassian의 정의에 따르면, 자동화된 테스트는 소프트웨어 도구를 사용하여 수동으로 구동되는 소프트웨어 제품의 검토 및 검증 프로세스를 자동으로 완료하는 것입니다. 속도, 효율성 및 정확성은 기존 수동 테스트 방법의 한계를 뛰어넘습니다. 즉, 자동화된 테스트는 품질과 안정성이 손상되지 않도록 보장하면서 애플리케이션 변경을 가속화하는 데 도움이 됩니다. 자동화된 테스트는 새로운 변경 사항의 확인 프로세스를 단순화할 뿐만 아니라 기존 기능의 무결성을 모니터링하여 최신 애플리케이션의 원활한 전환과 지속적인 유지 관리에 중요한 역할을 합니다.

소프트웨어 테스트 프로세스를 최적화하기 위해 자동화된 테스트를 사용하려면 초기 수동 투자가 필요한 경우가 많습니다. 여기에는 애플리케이션의 기본이 되는 복잡한 비즈니스 로직에 대한 테스트 엔지니어의 이해가 포함됩니다. 이러한 이해는 Selenium과 같은 프레임워크를 사용하여 자동화된 테스트 사례를 효과적으로 생성하는 데 중요합니다. 이 단계는 인력이 많이 소모되지만 기본적인 작업이다. 결국, 후속 자동화 테스트는 특히 반복적이고 광범위한 테스트 시나리오에서 수동 테스트에 대한 의존도를 크게 줄여줍니다. 또한 자동화 프레임워크가 일단 구축되면 이는 애플리케이션을 지속적으로 평가하기 위한 강력한 메커니즘이 됩니다. 애플리케이션 변경으로 인해 발생할 수 있는 오류나 버그를 파악하는 데 능숙하다는 장점이 있습니다.

메인프레임 현대화 프로세스의 자동화된 테스트 방법

소프트웨어 엔지니어링 분야에서 메인프레임 애플리케이션의 대규모 마이그레이션 또는 현대화를 위한 자동화된 테스트에서는 종종 애플리케이션의 모든 비즈니스 규칙에 대한 포괄적인 이해가 필요합니다. 수백만 줄의 코드로 구성되는 대규모 코드 기반에 대한 자동화된 테스트 사례를 생성합니다. 이것은 복잡하고 매우 어려운 작업입니다. 100% 코드 커버리지를 달성하는 것이 어렵다는 점을 감안할 때 중요한 비즈니스 로직이 충분한 테스트 커버리지를 받을 수 있도록 테스트 커버리지 깊이와 실제 타당성 간의 균형을 달성해야 합니다.

이 경우 GenAI와 같은 신기술이 가능성을 제공합니다. 자동화된 테스트 스크립트를 자동으로 생성하여 메인프레임 현대화 프로젝트의 테스트 프로세스를 단순화하고 소프트웨어 개발의 품질 보증을 위한 보다 효율적이고 정확하며 확장 가능한 방법을 제공할 수 있습니다.

GenAI의 광범위한 활용

메인프레임 현대화에서 GenAI가 어떻게 자동 테스트를 지원하는지 알아보기 전에 GenAI에 대해 간략하게 살펴보겠습니다. 기본적으로 GenAI는 인공지능의 한 측면을 나타냅니다. 생성 모델을 사용하여 다양한 텍스트, 이미지 또는 기타 미디어를 생성합니다. 이러한 생성적 AI 모델은 입력 훈련 데이터의 패턴과 구조적 요소를 학습한 다음 이러한 특성을 반영하는 새로운 데이터를 생성하는 데 능숙합니다. 분명히 이러한 시스템은 주로 기계 학습 모델, 특히 딥 러닝 분야의 모델에 의존합니다.

NLG(자연어 생성)는 메인프레임 현대화와 매우 관련이 있는 GenAI의 한 형태입니다. LLM(대형 언어 모델) 지원을 통해 인간과 유사한 텍스트를 생성할 수 있습니다. 일반적으로 LLM은 대규모 텍스트 데이터 말뭉치에 대해 교육을 받아 언어의 뉘앙스와 구조를 식별하고 재현할 수 있습니다. 따라서 이 교육을 통해 텍스트 생성, 번역 요약, 감정 분석 등 다양한 자연어 처리 작업을 수행할 수 있습니다. 특히 LLM은 정확한 컴퓨터 프로그램 코드를 생성하는 데에도 능숙합니다.

현재 대규모 언어 모델의 잘 알려진 사용 사례로는 GPT-3(Generative Pre-trained Transformer 3), BERT(BiDirectional Encoder Representations from Transformers) 및 T5(Text-to-Text Transfer Transformer)가 있습니다. 이러한 모델은 일반적으로 심층 신경망, 특히 Transformer 아키텍처를 사용하는 모델을 기반으로 구축됩니다. 따라서 텍스트와 같은 순차적 데이터 처리에 탁월한 효능을 보인다. 수백만 또는 수십억 개의 단어나 문서를 포함한 대량의 교육 데이터를 통해 이러한 모델은 광범위한 프로그래밍 언어를 마스터할 수 있습니다. 일관되고 상황에 맞는 텍스트를 생성하는 데 탁월할 뿐만 아니라 문장 완성이나 질문에 답하는 등의 언어 패턴을 예측하는 데에도 탁월합니다.

현재 일부 대형 언어 모델은 여러 언어로 된 텍스트를 이해하고 생성할 수 있어 챗봇 및 가상 비서를 위한 "지능" 제공부터 콘텐츠 생성 지원, 언어 번역 등 응용 분야에서 전 세계적으로 유용성이 증가합니다. 요약하자면, LLM의 다양성은 탁월한 성과를 가져올 수 있습니다.

GenAI를 사용하여 자동화된 테스트 스크립트를 생성하는 방법

소프트웨어 테스트 분야에서 LLM은 애플리케이션 코드에서 비즈니스 로직을 추출하고 이러한 규칙을 사람이 읽을 수 있는 형식으로 변환하는 데 도움을 줄 수 있습니다. 해당 자동화 테스트 스크립트를 생성합니다. 동시에 코드 조각의 다양한 잠재적 적용 범위 요구 사항을 충족하는 데 필요한 테스트 사례 수를 선택하는 데도 도움이 될 수 있습니다.

일반적으로 GenAI를 사용하여 애플리케이션 코드에 대한 자동화된 테스트 스크립트를 생성하려면 다음과 같이 구조화된 3단계 프로세스가 필요합니다.

1 GenAI를 사용하여 비즈니스 규칙을 추출합니다. 초기 단계에서는 GenAI를 사용하여 다음을 수행해야 합니다. 애플리케이션에서 비즈니스 규칙을 추출합니다. 비즈니스 규칙을 정제합니다. 이 프로세스에서는 추출된 규칙을 세부 수준에 따라 판단하고 이를 사람이 읽을 수 있는 형식으로 해석합니다. 또한 GenAI는 특정 코드 조각의 모든 잠재적 결과를 완전히 이해하는 데도 도움이 됩니다. 이 지식은 정확하고 관련성이 높은 테스트 스크립트를 생성하는 데 중요합니다.

2. GenAI를 사용하여 기능 수준에서 자동화된 테스트 스크립트 생성: 추출된 비즈니스 로직을 기반으로 테스트 엔지니어는 애플리케이션의 기능을 포괄적으로 이해할 수 있으므로 GenAI를 사용하여 기능 수준에서 테스트 스크립트를 개발할 수 있습니다. . 이 단계에는 필요한 테스트 스크립트 수를 결정하고 제외될 수 있는 시나리오를 식별하는 작업이 포함됩니다. 물론 이러한 자동화된 테스트 스크립트의 코드 적용 범위는 팀에서 집합적으로 결정하는 경우가 많습니다.

3. 주제 전문가(SME)에 의한 검증 및 추론 추가: 최종 단계에서 비즈니스 로직이 추출되고 해당 자동화 테스트 스크립트가 생성되면 테스트 전문가가 이러한 스크립트를 검증하고 수행할 권한을 갖습니다. 추가, 수정, 삭제 등의 작업. 이러한 개입은 GenAI 출력에서 발생할 수 있는 잠재적인 확률적 오류를 해결하고 자동화된 테스트 스크립트의 품질 확실성을 높입니다.

위 프로세스는 복잡해 보일 수 있지만 실제로 GenAI의 기능을 최대한 활용하여 테스트 스크립트 생성 프로세스를 단순화하고 자동화 효율성과 인간 전문 지식의 완벽한 조합을 보장할 수 있습니다. 그 중에서도 검증 단계에 테스터의 참여가 특히 중요합니다. 이를 통해 인공지능이 생성하는 출력 결과가 실제 실제 응용 지식을 기반으로 하여 테스트 스크립트의 신뢰성과 적용성이 크게 향상될 것입니다.

요약

요약하자면, 효율성을 향상시키는 도구로서 GenAI는 NLG 기능을 통해 자동화된 테스트 스크립트를 생성하여 메인프레임 현대화를 위한 소프트웨어 테스트 프로세스의 정확성과 신뢰성을 향상시킬 수 있습니다. 동시에 GenAI는 구조화된 3단계 프로세스를 통해 AI가 생성한 출력 결과를 개선하고 자동화된 스크립트가 기술적으로 합리적일 뿐만 아니라 실제로 적용 가능하도록 보장하여 AI 역량과 인간의 조화와 통일성을 반영해야 합니다. 전문적 지식. 이러한 통합은 최신 메인프레임 애플리케이션의 복잡성과 동적 요구 사항을 해결하는 데 매우 중요합니다.