Использование машинного обучения для улучшения процессов автоматизированного тестирования.

Коротко: как написать ВКР по теме «Использование машинного обучения для улучшения процессов автоматизированного тестирования.»

ВКР по теме «Использование машинного обучения для улучшения процессов автоматизированного тестирования» в МТИ требует сочетания теоретического анализа, практической реализации и экономического обоснования. Ключ — в интеграции ML-моделей в тестовые фреймворки, например, для предсказания падений тестов или приоритизации сценариев. Работа должна включать реальный код, диаграммы процессов и расчёты эффективности.

Нужен разбор вашей темы Использование машинного обучения для улучшения процессов автоматизированного тестирования.? Получите бесплатную консультацию: @Diplomit | +7 (987) 915-99-32 (WhatsApp)

Актуальность темы

Каждый релиз программного обеспечения в среднем содержит 15–20% регрессионных багов, выявляемых только после деплоя (State of DevOps Report, 2024). При этом 68% времени QA-инженеров тратится на повторное выполнение одних и тех же тестов. Внедрение машинного обучения позволяет оптимизировать эти процессы: модели предсказывают, какие тесты с наибольшей вероятностью упадут, и запускают их в первую очередь.

В МТИ по направлению 09.03.02 «Информационные системы и технологии» это особенно актуально: студенты проектируют ИС, но часто не учитывают автоматизацию тестирования. Использование ML-подходов повышает надёжность и сокращает цикл разработки — критически важный фактор для современных систем.

Цель и задачи

Цель ВКР: Повышение эффективности процессов автоматизированного тестирования за счёт внедрения моделей машинного обучения.

Задачи:

1. Проанализировать существующие подходы к автоматизированному тестированию в ИС.
2. Изучить применимость ML-моделей (например, классификация, кластеризация) для приоритизации тестов.
3. Разработать прототип системы, интегрирующей ML-модель с фреймворком тестирования (например, PyTest или Selenium).
4. Оценить экономический эффект от снижения времени выполнения тестовых сценариев.

Задачи соответствуют методичке МТИ: от анализа до экономики, с логической прогрессией.

Объект и предмет исследования

• Объект: Процесс тестирования программного обеспечения в IT-компании (например, при разработке веб-приложения).
• Предмет: Применение алгоритмов машинного обучения для оптимизации запуска автоматизированных тестов.

Не путайте: объект — где, предмет — что именно вы улучшаете.

Ожидаемые результаты и практическая значимость

• Снижение времени выполнения тестового набора на 30–40% за счёт приоритизации.
• Раннее выявление «хрупких» тестов, подверженных ложным падениям.
• Реализованный модуль на Python с интеграцией в CI/CD-пайплайн.

Такой эффект реально измерить и продемонстрировать на защите.

Рекомендуемая структура дипломной работы

Пример введения для МТИ

Современные информационные системы требуют высокой надёжности и быстрой итерации. Однако традиционные подходы к автоматизированному тестированию не масштабируются: рост числа тестов приводит к увеличению времени CI/CD-пайплайнов. В среднем, полный прогон тестов в крупных проектах занимает 2–4 часа (GitLab DevOps Survey, 2024), что замедляет выпуск функциональности.

Внедрение машинного обучения позволяет прогнозировать, какие тесты с наибольшей вероятностью упадут, и запускать их в первую очередь. Это сокращает время обнаружения багов и ускоряет цикл разработки. Цель данной работы — разработка и оценка эффективности системы, использующей ML для приоритизации тестов в автоматизированном тестировании.

Объект исследования — процесс тестирования веб-приложения. Предмет — применение ML-моделей для оптимизации запуска тестов. Задачи включают анализ существующих решений, проектирование системы, реализацию прототипа и расчёт экономической эффективности.

Этапы разработки информационной системы

graph TD
  A[Анализ требований] --> B[Проектирование системы]
  B --> C[Разработка ML-модели]
  C --> D[Интеграция с тестовым фреймворком]
  D --> E[Тестирование и валидация]
  E --> F[Оценка эффективности]
  F --> G[Внедрение в CI/CD]
  

Как написать заключение по Информационные системы и технологии

В ходе выполнения ВКР была проанализирована проблема масштабируемости автоматизированного тестирования. Была разработана система, использующая модель машинного обучения для приоритизации тестов на основе истории их выполнения. Прототип реализован на Python с использованием библиотек scikit-learn и PyTest.

Экономический эффект составил сокращение времени выполнения тестов на 35%, что соответствует экономии 1,2 часа на каждый релиз. Это повышает скорость доставки функциональности и снижает нагрузку на QA-инженеров. Работа подтверждает целесообразность применения ML в тестировании и может быть использована как основа для дальнейшего внедрения в промышленных условиях.

Требования к списку литератууры МТИ

Список литературы оформляется по ГОСТ Р 7.0.100-2018. Обязательно включать:

• Официальную документацию по используемым технологиям.
• Научные статьи из eLibrary, CyberLeninka.
• Стандарты: ГОСТ 34.602-2020 (ТЗ), ГОСТ 2.118-2014 (документация).

Примеры источников:

1. Bishop, C. M. Pattern Recognition and Machine Learning. Springer, 2023. — https://link.springer.com/book/10.1007/978-0-387-45528-0
2. GitLab. State of DevOps Report 2024. — https://about.gitlab.com/resources/state-of-devops/
3. ФСТЭК России. Рекомендации по обеспечению безопасности ИС. — https://fstec.ru/metodicheskie-rekomendatsii

Вопросы, которые часто задают студенты

Можно ли использовать готовые решения в ВКР?

Да, но с адаптацией. Например, вы можете использовать фреймворк PyTest или библиотеку scikit-learn, но модель должна быть обучена на реальных данных из вашего тестового окружения. Чистое копирование без анализа и модификации — риск провала на защите.

Сколько страниц должна быть практическая часть?

В МТИ — от 40 до 60 страниц. Включайте архитектуру системы, код, диаграммы (UseCase, ER, последовательности), описание интеграции с CI/CD. Главное — показать, что вы не просто описали, а реализовали.

Можно ли использовать open-source решения?

Абсолютно. Open-source — основа современной разработки. Используйте, но с пояснениями: почему выбрали именно этот инструмент, как адаптировали под задачу, какие изменения внесли. Это покажет вашу экспертизу.

Проверьте свою тему ВКР

• □ Есть ли реальная организация для анализа?
• □ Есть ли измеримый эффект внедрения?
• □ Можно ли построить диаграммы процессов?
• □ Есть ли реальные данные для экономических расчетов?
• □ Есть ли доступ к данным о тестах (история падений, время выполнения)?