Machine learning para el testeo de calidad del software - caso de estudio de sonarqube en cobistopaz

Abstract

El actual estudio buscara explorar el estado actual del uso de machine learning (ML) en el proceso de pruebas de software, analizando el impacto que este ha tenido en la calidad del software, automatización de tareas, detección inteligente de errores y en el ciclo de pruebas en general. Exploraremos como están siendo usados los distintos modelos y técnicas de machine learning para la automatización de casos de pruebas, cobertura de pruebas, optimización de código fuente, corrección de errores e identificación de patrones en datos y comportamientos de las aplicaciones. Por último, examinaremos varios casos de éxito en la industria que muestran la implementación del aprendizaje automático en el proceso de pruebas y su impacto en la calidad del software. Buscando identificar mejores prácticas y lecciones aprendidas que puedan orientar e inspirar la adopción efectiva del aprendizaje automático en los procesos de pruebas de software en diferentes sectores e industrias. El estudio se complementa con con la presentación de un caso práctico en la empresa Cobis-Topaz, donde se implementa la herramienta SonarQube, una solución basada en Machine Learning, para evaluar la calidad del código de software. Este caso de estudio ilustra cómo una herramienta de este tipo puede ser aplicada en un entorno empresarial para mejorar los procesos de testeo y asegurar estándares de calidad más elevados.