Die Auswahl von Testfällen aus einer Menge vorhandener Tests erfolgt in aller Regel anhand der Erfahrungen der Test-Manager oder Tester. Wir haben untersucht, inwiefern dabei Methoden der Künstlichen Intelligenz Unterstützung bringen. Welche Metriken können hier zum Einsatz kommen? Ist ein Neuronales Netz oder doch ein Entscheidungsbaum der effektivere Algorithmus? Und lässt es sich mit wenigen Zeilen Code in eine bestehende Testautomatisierung einbauen?

Zielpublikum: Tester, Testautomatisierer, Testmanager, Projektleiter
Voraussetzungen: Grundlagen SW-Test und Testautomatisierung, Grundlegende Java-Kenntnisse von Vorteil, aber nicht zwingend
Schwierigkeitsgrad: Advanced

Extended Abstract:
Eine Glaskugel, ob ein Test bei der Ausführung in Zukunft PASSED oder FAILED liefern wird, können wir leider nicht anbieten. Einen Algorithmus, der anhand von Daten früherer Testausführungen eine Wahrscheinlichkeit berechnet, ob ein Tests FAILED sein wird, hingegen schon. Im Rahmen des Vortrags werden wir diesen Ansatz vorstellen, verschiedene Metriken diskutieren (Letzte Ergebnisse, Ähnlichkeit von Testnamen, ...) und einen Vergleich verschiedener Machine-Learning-Methoden durchführen (kNN, DNN, SVM, Hoeffting-Tree). Die dabei entstandene Bibliothek 'CurrantRunner' ist auf GitHub als OpenSource verfügbar , demonstriert das Vorgehen am Beispiel von TestNG + JaCoCo + Maven und ist im entsprechenden Kontext sofort einsetzbar.