Generación Automática de Procedimientos de Test con IA

Introducción

Este proyecto presenta una solución ágil y eficiente para la generación automatizada de procedimientos de test, aprovechando las capacidades de los modelos de lenguaje de gran tamaño (LLM). Al integrar una interfaz de usuario intuitiva en Vue.js con un backend que gestiona la generación de prompts y la interacción con el LLM local, el sistema ofrece una forma rápida de crear documentación de alta calidad a partir de una variedad de fuentes.

Objetivo

El objetivo principal del proyecto es agilizar y mejorar la precisión en la elaboración de procedimientos de test, reduciendo la carga de trabajo de los ingenieros de validación y verificación. Al automatizar gran parte del proceso, se busca garantizar la coherencia y exhaustividad de la documentación, al tiempo que se minimiza el riesgo de errores manuales.

Desarrollo

1. Interfaz de Usuario

• Se desarrolló una interfaz en Vue.js que permite a los usuarios cargar los documentos iniciales del proyecto de forma sencilla.
• La interfaz ofrece una experiencia intuitiva y guía al usuario en la selección del tipo de procedimiento de test a generar.

2. Generación de Prompts

• El backend del sistema es responsable de generar prompts personalizados para el LLM, dependiendo del tipo de procedimiento de test seleccionado.
• Estos prompts se diseñan para guiar al modelo hacia la generación de contenido relevante y estructurado.

3. Procesamiento con LLM Local

• El LLM, ejecutado en un entorno local para garantizar la seguridad de la información confidencial, recibe el prompt y los documentos de entrada.
• El modelo procesa esta información y genera un borrador del procedimiento de test.

4. Generación del Documento

• El borrador generado por el LLM se transforma en un archivo .docx, listo para ser revisado por un ingeniero de validación y verificación.

Conclusiones

Los resultados preliminares del proyecto demuestran el potencial de la IA para automatizar la generación de documentación técnica. El sistema ha mostrado una capacidad notable para producir procedimientos de test coherentes y bien estructurados, reduciendo significativamente el tiempo dedicado a esta tarea.

Futuro Desarrollo

• Mejora de los Prompts: Experimentar con diferentes técnicas de ingeniería de prompts para obtener resultados más precisos y personalizados, ajustando los prompts en función de la calidad de los resultados obtenidos.
• Ampliación de la Base de Conocimiento: Desarrollar un sistema de aprendizaje continuo que permita al modelo adaptarse a nuevos tipos de documentos y requisitos, así como a los diferentes formatos de documentación de cada empresa.
• Evaluación de Modelos: Evaluar el desempeño de diferentes modelos LLM en local y online (por ejemplo, Llama3, GPT) para identificar el modelo más adecuado para esta tarea.
• Nuevos Modelos: Evaluar el uso de este sistema con cada nuevo modelo para mejorar la calidad de los informes generados, a medida que los modelos evolucionan.
• Escalabilidad: Diseñar el sistema para que pueda escalar y adaptarse a proyectos de mayor envergadura.
• Integración con Herramientas Existentes: Explorar la integración del sistema con otras herramientas utilizadas en el proceso de desarrollo de productos, como sistemas de gestión de requisitos y herramientas de seguimiento de defectos.

Este caso de estudio proporciona una visión general del proyecto y establece una hoja de ruta clara para futuros desarrollos. Al abordar las áreas de mejora identificadas, se puede lograr una solución aún más robusta y eficaz para la generación automatizada de procedimientos de test.