Automatisierte Softwareprüfung ist ein Grundpfeiler der modernen Softwaretechnik, doch traditionelle Ansätze haben Schwierigkeiten, mit der Komplexität und der schnellen Entwicklung zeitgenössischer Anwendungen Schritt zu halten. Dieses Papier untersucht die Integration von generativer künstlicher Intelligenz (KI) und großen Sprachmodellen (LLMs) in automatisierte Softwareprüfungs-Workflows. Wir überprüfen den Stand der Technik bei der KI-gestützten Testfallgenerierung, der Wartung von Testscripten und der Defektvorhersage und heben hervor, wie generative Modelle Quellcode, Anforderungen und Benutzerverhalten analysieren können, um umfassende und anpassungsfähige Test-Suites zu erstellen. Unsere Studie synthetisiert aktuelle Forschung und Fallstudien aus der Industrie und zeigt, dass generative KI und LLMs die Testabdeckung erheblich verbessern, den manuellen Aufwand reduzieren und die Veröffentlichungszyklen beschleunigen. Dennoch bleiben Herausforderungen in Bezug auf Modellinterpretierbarkeit, Datenqualität und Ressourcenanforderungen bestehen. Wir diskutieren diese Einschränkungen und schlagen zukünftige Forschungsrichtungen vor, einschließlich erklärbarer KI für Tests und domänenspezifischer Modellanpassung. Die Ergebnisse zeigen, dass die Synergie zwischen menschlicher Expertise und intelligenter Automatisierung entscheidend ist, um die Zuverlässigkeit von Software in zunehmend komplexen Umgebungen sicherzustellen. Diese Arbeit bietet einen umfassenden Überblick für Forscher und Praktiker, die generative KI und LLMs in der Softwareprüfung nutzen möchten.
Subramaniam et al. (Sat,) untersuchten diese Frage.