Використання математичних і ШІ-Моделей в тестуванні програмного забезпечення

Abstract

В статті представлено комплексне дослідження та аналіз застосування математичних моделей т а моделей штучного інтелекту в тестуванні програмного забезпечення, яке спрямоване на підвищення ефективності, та автономності процесів контролі якості. Призведена інтеграція ключових напрямів інтелектуального моделювання – великі мовні моделі (LLM), еволюційні алгоритми, штучні нейронні мережі та три трактування трьох RM (Reinforcement Models, Risk Management Models, Regression Models), демонструючи їх потенціал для оптимізації сучасних підходів до тестування. Узагальнені аналітичні підходи сформовано цілісні теоретико-методологічні засади побудови інтелектуальних систем тестування ПЗ. Також проаналізовано математичні моделі формального доведення коректності, ймовірнісні моделі помилок, регресійні RM-моделі передбачення дефектності та алгоритмічні структури для аналізу складності й оптимізації тестових наборів. Еволюційні алгоритми розглянуто як метод оптимізації шляхів проходження графів станів, формування мінімальних, але покривних тестових сценаріїв та генерування тестів у середовищах із великою кількістю варіантів конфігурацій. Нейронні мережі були представлені як основа для побудови моделей прогнозування ризиків, автоматизації регресійного тестування та виявлення прихованих закономірностей у телеметричних даних. Безпосередньо обґрунтовано можливість інтеграції RL-моделей (як частини RM) для створення самонавчальних тестувальних агентів, здатних адаптувати стратегії перевірки до поведінки системи. Запропонована концептуальна архітектура інтелектуальної системи тестування поєднує математичні формальні підходи та сучасні AI-моделі, забезпечуючи багаторівневий аналіз ризиків, автоматичне удосконалення тестових наборів і прийняття рішень на основі RM-методів управління ризиками. Отримані результати демонструють значний потенціал впровадження LLM, еволюційних алгоритмів, нейронних мереж та RM-моделей у практику тестування ПЗ, що дозволяє скоротити витрати часу, підвищити точність та забезпечити адаптивність до змінних умов розробки. Дослідження формує теоретичну основу для подальших досліджень у сфері інтелектуалізації тестування та відкриває перспективи для створення нових поколінь автономних тестувальних систем.