STUDIO E ANALISI DI STRUMENTI DI NLP PER TESTING

In questa tesi si esplora come l’intelligenza artificiale (AI) stia trasformando il processo di testing del software, con particolare attenzione all’integrazione di tecniche di machine learning per la generazione automatica di casi di test, la predizione dei difetti e l’ottimizzazione del testing continuo. Attraverso un’analisi empirica basata sui dati raccolti nell'ambiente di sviluppo (modello, cicli di test, metriche di qualità), viene dimostrato che l’adozione di strumenti AI consente di migliorare l’efficienza del testing, ridurre il tempo di manutenzione dei test e aumentare la copertura delle anomalie critiche. Inoltre, si è valutato le implicazioni organizzative nel team. I tester tradizionali devono evolvere verso ruoli più strategici, focalizzati su supervisione, interpretazione e formazione del modello. Infine, si delineano le principali sfide etiche e tecniche, come la spiegabilità del modello e la mancanza di dati etichettati, e proposto linee evolutive future. I risultati indicano che l’AI nel testing non è solo uno strumento di automazione, ma un agente di cambiamento organizzativo e professionale, con potenziale significativo per il miglioramento della qualità del software e dei processi di sviluppo.