𝗣𝗿𝗼𝗺𝗽𝘁 𝗘𝗻𝗴𝗶𝗻𝗲𝗲𝗿𝗶𝗻𝗴 𝗳𝗼𝗿 𝗦𝘆𝗻𝘁𝗵𝗲𝘁𝗶𝗰 𝗗𝗮𝘁𝗮
સિન્થેટિક ડેટા બનાવવા માટે LLMs નો ઉપયોગ કરવો એ QA ટીમો માટે એક લોકપ્રિય વ્યૂહરચના છે. તમે સેકન્ડોમાં સેંકડો જટિલ રેકોર્ડ્સ જનરેટ કરી શકો છો.
પરંતુ સામાન્ય (generic) પ્રોમ્પ્ટ્સ એક જાળમાં ફસાવી શકે છે. જો તમે LLM ને "50 ટેસ્ટ યુઝર્સ જનરેટ કરો" એમ કહો છો, તો તે તમને અનુમાનિત અને પુનરાવર્તિત ડેટા આપશે. આ કવરેજની ખોટી લાગણી પેદા કરે છે. તમને એવા ઘણા રેકોર્ડ્સ મળે છે જે ફક્ત "happy path" ટેસ્ટ કરે છે, જ્યારે મહત્વપૂર્ણ એજ કેસ (edge cases) અને બિઝનેસ લોજિક રહી જાય છે.
આને સુધારવા માટે, તમારે માત્ર વિનંતી કરનાર (requester) બનવાને બદલે ઓર્કેસ્ટ્રેટર (orchestrator) બનવું પડશે. તમારે તમારા પ્રોમ્પ્ટ એન્જિનિયરિંગમાં સીધા જ ટેસ્ટિંગ સિદ્ધાંતો લાગુ કરવાની જરૂર છે.
તમારા ડેટાની ગુણવત્તા સુધારવા માટે આ ત્રણ પેટર્નનો ઉપયોગ કરો:
- Equivalence Partitioning and Boundary Value Analysis ડેટા માંગવાને બદલે, LLM ને પહેલા ટેસ્ટ ક્લાસ મેપ કરવા માટે મજબૂર કરો. Chain-of-Thought પ્રોમ્પ્ટિંગનો ઉપયોગ કરો.
- તમારી ભૂમિકા સિનિયર QA એન્જિનિયર તરીકે વ્યાખ્યાયિત કરો.
- ચોક્કસ બિઝનેસ નિયમો આપો (દા.ત., કૂપન મર્યાદા અથવા લઘુત્તમ ખર્ચ).
- LLM ને ટેબલમાં તમામ માન્ય અને અમાન્ય ઇક્વિવેલન્સ ક્લાસની યાદી બનાવવા માટે સૂચના આપો.
- દરેક ઓળખાયેલા સિનારિયો દીઠ બરાબર એક JSON પેલોડની માંગ કરો.
આ સુનિશ્ચિત કરે છે કે તમે વધારાના રેકોર્ડ્સ પર જગ્યા વેડફ્યા વિના, $99.99 વિરુદ્ધ $100.00 જેવા ચોક્કસ ટ્રાન્ઝિશન પોઈન્ટ્સ ટેસ્ટ કરો છો.
- State Transition Testing પેમેન્ટ ફ્લો અથવા ઓર્ડર મેનેજમેન્ટ જેવી સિસ્ટમ્સ માટે, ડેટાએ લાઇફસાયકલના વિવિધ તબક્કાઓને પ્રતિબિંબિત કરવા જોઈએ.
- તમામ સંભવિત સ્ટેટ્સની યાદી આપો (દા.ત., Created, Paid, Shipped, Delivered).
- LLM ને સ્ટેટ ટ્રાન્ઝિશન મેટ્રિક્સ આવરી લેતી CSV જનરેટ કરવા માટે કહો.
- ત્રણ પ્રકારના ફ્લોની માંગ કરો: Linear (માન્ય), Exception (વિચલન), અને Violation (અમાન્ય ટ્રાન્ઝિશન).
- દરેક યુનિક સ્ટેટ કોમ્બિનેશન દીઠ ફક્ત એક જ રો જનરેટ કરવાનો નિયમ સેટ કરો.
આ ડુપ્લીકેટ રેકોર્ડ્સ અટકાવે છે અને નેગેટિવ ટેસ્ટ કેસ બનાવવા માટે મજબૂર કરે છે.
- Variance Control and Negative Prompting LLMs ઘણીવાર સમાન (homogeneous) ડેટા બનાવે છે, જેમ કે સમાન પ્રદેશો અથવા વય જૂથોનો ઉપયોગ કરવો. આ રોકવા માટે નેગેટિવ પ્રોમ્પ્ટિંગનો ઉપયોગ કરો.
- વિતરણ માટે સ્પષ્ટ જરૂરિયાતો સેટ કરો (દા.ત., ચોક્કસ વય મર્યાદા અથવા ભૌગોલિક પ્રદેશો).
- એક "PROHIBITIONS" વિભાગ ઉમેરો.
- "John Doe" જેવા સામાન્ય નામો પર સ્પષ્ટપણે પ્રતિબંધ મૂકો.
- વેરિયેબલ્સના સમાન કોમ્બિનેશનનું પુનરાવર્તન કરવા પર પ્રતિબંધ મૂકો.
- ક્રમિક અથવા સમાન ID નંબર પર પ્રતિબંધ મૂકો.
આ પક્ષપાત (bias) દૂર કરે છે અને સુનિશ્ચિત કરે છે કે તમારું બેકએન્ડ વૈવિધ્યસભર, વાસ્તવિક ડેટા હેન્ડલ કરે છે.
AI ની ઝડપ ત્યારે જ મૂલ્યવાન બને છે જો તમારો ડેટા હેતુપૂર્ણ હોય. QA પ્રોફેશનલ તરીકે તમારી ભૂમિકા એવા નિયંત્રણો (constraints) કોડ કરવાની છે જે આ જનરેટિવ મોડલ્સનું સંચાલન કરે છે.
વૈકલ્પિક લર્નિંગ કોમ્યુનિટી: https://t.me/GyaanSetuAi