𝗣𝗿𝗼𝗺𝗽𝘁 𝗘𝗻𝗴𝗶𝗻𝗲𝗲𝗿𝗶𝗻𝗴 𝗳𝗼𝗿 𝗦𝘆𝗻𝘁𝗵𝗲𝘁𝗶𝗰 𝗗𝗮𝘁𝗮
సింథటిక్ డేటాను సృష్టించడానికి LLMలను ఉపయోగించడం QA బృందాలకు ఒక ప్రసిద్ధ వ్యూహం. మీరు సెకన్లలో వందలాది సంక్లిష్టమైన రికార్డులను రూపొందించవచ్చు.
కానీ సాధారణ (generic) ప్రాంప్ట్లు ఒక ఉచ్చులోకి తీసుకెళ్తాయి. మీరు ఒక LLMని "50 టెస్ట్ యూజర్లను రూపొందించు" అని అడిగితే, అది మీకు ఊహించదగిన, పునరావృతమయ్యే డేటాను ఇస్తుంది. ఇది తప్పుడు కవరేజ్ అనే భ్రమను కలిగిస్తుంది. మీరు కేవలం "హ్యాపీ పాత్" (happy path) ను మాత్రమే పరీక్షించే అనేక రికార్డులను పొందుతారు, తద్వారా కీలకమైన ఎడ్జ్ కేస్లు (edge cases) మరియు బిజినెస్ లాజిక్లను మిస్ అవుతారు.
దీనిని సరిదిద్దడానికి, మీరు కేవలం అడిగే వ్యక్తిగా కాకుండా, ఒక ఆర్కెస్ట్రేటర్ (orchestrator) గా మారాలి. మీరు మీ ప్రాంప్ట్ ఇంజనీరింగ్కు నేరుగా టెస్టింగ్ సూత్రాలను వర్తింపజేయాలి.
మీ డేటా నాణ్యతను మెరుగుపరచడానికి ఈ మూడు పద్ధతులను ఉపయోగించండి:
- Equivalence Partitioning and Boundary Value Analysis డేటా కోసం అడగడానికి బదులుగా, మొదట టెస్ట్ క్లాస్లను మ్యాప్ చేయమని LLMని ఆదేశించండి. Chain-of-Thought ప్రాంప్టింగ్ ఉపయోగించండి.
- మీ పాత్రను సీనియర్ QA ఇంజనీర్గా నిర్వచించండి.
- నిర్దిష్ట బిజినెస్ రూల్స్ను అందించండి (ఉదాహరణకు, కూపన్ పరిమితులు లేదా కనిష్ట ఖర్చు).
- అన్ని చెల్లుబాటు అయ్యే (valid) మరియు చెల్లని (invalid) ఈక్వివలెన్స్ క్లాస్లను ఒక టేబుల్లో జాబితా చేయమని LLMకి సూచించండి.
- గుర్తించిన ప్రతి సినారియోకు ఖచ్చితంగా ఒక JSON పేలోడ్ను కోరండి.
ఇది అనవసరమైన రికార్డులపై సమయాన్ని వృథా చేయకుండా, $99.99 vs $100.00 వంటి ఖచ్చితమైన ట్రాన్సిషన్ పాయింట్లను పరీక్షించేలా చేస్తుంది.
- State Transition Testing పేమెంట్ ఫ్లోలు లేదా ఆర్డర్ మేనేజ్మెంట్ వంటి సిస్టమ్ల కోసం, డేటా లైఫ్ సైకిల్లోని వివిధ దశలను ప్రతిబింబించాలి.
- సాధ్యమయ్యే అన్ని స్టేట్ల జాబితాను అందించండి (ఉదా: Created, Paid, Shipped, Delivered).
- స్టేట్ ట్రాన్సిషన్ మ్యాట్రిక్స్ను కవర్ చేస్తూ ఒక CSVని రూపొందించమని LLMని అడగండి.
- మూడు రకాల ఫ్లోలను కోరండి: లీనియర్ (Linear - valid), ఎక్సెప్షన్ (Exception - deviations), మరియు వయొలేషన్ (Violation - invalid transitions).
- ప్రతి ప్రత్యేక స్టేట్ కాంబినేషన్కు ఒకే ఒక రో (row) రూపొందించాలని నియమాన్ని సెట్ చేయండి.
ఇది డూప్లికేట్ రికార్డులను నివారిస్తుంది మరియు నెగటివ్ టెస్ట్ కేస్ల సృష్టిని ప్రోత్సహిస్తుంది.
- Variance Control and Negative Prompting LLMలు తరచుగా ఒకే రకమైన డేటాను (homogeneous data) ఉత్పత్తి చేస్తాయి, ఉదాహరణకు ఒకే ప్రాంతాలు లేదా వయస్సు సమూహాలను ఉపయోగించడం. దీనిని ఆపడానికి నెగటివ్ ప్రాంప్టింగ్ (Negative Prompting) ఉపయోగించండి.
- డిస్ట్రిబ్యూషన్ కోసం స్పష్టమైన అవసరాలను సెట్ చేయండి (ఉదా: నిర్దిష్ట వయస్సు పరిధులు లేదా భౌగోళిక ప్రాంతాలు).
- ఒక "PROHIBITIONS" (నిషేధాలు) విభాగాన్ని జోడించండి.
- "John Doe" వంటి సాధారణ పేర్లను స్పష్టంగా నిషేధించండి.
- వేరియబుల్స్ యొక్క ఒకే రకమైన కాంబినేషన్లను పునరావృతం చేయవద్దని నిషేధించండి.
- సీక్వెన్షియల్ లేదా ఒకే రకమైన ID నంబర్లను నిషేధించండి.
ఇది బయాస్ను (bias) తొలగిస్తుంది మరియు మీ బ్యాకెండ్ వైవిధ్యమైన, వాస్తవిక డేటాను హ్యాండిల్ చేసేలా చేస్తుంది.
మీ డేటా ఉద్దేశపూర్వకమైనది అయితేనే AI వేగం విలువను అందిస్తుంది. ఈ జనరేటివ్ మోడల్స్ను నియంత్రించే పరిమితులను కోడ్ చేయడమే ఒక QA ప్రొఫెషనల్గా మీ పాత్ర.
ఐచ్ఛిక అభ్యాస సమూహం: https://t.me/GyaanSetuAi