Was ist künstliche Intelligenz beim Testen von Software?

Das Aufkommen der künstlichen Intelligenz (KI) verändert weiterhin die technologische Landschaft. Seine Anwendung in verschiedenen Facetten der Softwareentwicklung nimmt weiter zu. Einer der Bereiche der Softwareentwicklung, in denen die Annahme von KI Fortschritte machen kann das Testen von Software.

Softwaretests sind entscheidend, um sicherzustellen, dass Softwareprodukte veröffentlicht werden, die sowohl Compliance-Standards als auch die Qualitätsanforderungen der Benutzer erfüllen. Da es jedoch viele Permutationen rund um den Einsatz künstlicher Intelligenz gibt, werden wir tief in die Aufdeckung dessen eintauchen, was KI beim Softwaretesten ist.

• Wie funktioniert KI im Kontext der Softwaretestautomatisierung von seiner weiter gefassten Definition abweichen?
• Was meinen wir, wenn wir von KI und ihrem Schwesterbegriff Machine Learning sprechen?
• Welche Vorteile bietet der Einsatz von KI und maschinellem Lernen zur Weiterentwicklung modernster API-Tests?

Lass es uns herausfinden.

Was ist KI und wie verändert sie die Dynamik des Softwaretestens?

Künstliche Intelligenz ist eines der am meisten überladenen Schlagworte auf dem digitalen Marktplatz. „KI“ beschwört Bilder von Dingen wie allmächtigen Supercomputern, die höllisch auf die Zerstörung der Menschheit aus sind, Sprachsteuerungsunterstützung wie Alexa oder Siri, Computerschachgegner und selbstfahrende Autos.

Wikipedia definiert KI-Forschung als „… Die Untersuchung von „intelligenten Agenten“: Jedes Gerät, das seine Umgebung wahrnimmt und Maßnahmen ergreift, die seine Chance maximieren, seine Ziele erfolgreich zu erreichen.“ Aber das ist ein wenig zu abstrakt.

Ich stelle mir KI gerne vor die Fähigkeit eines Computerprogramms oder einer Maschine zu denken (Grund für sich selbst) und lernen (Daten sammeln und zukünftiges Verhalten auf vorteilhafte Weise ändern).

In dieser Definition sehen wir etwas Bedeutenderes im Kontext dessen, was KI für Softwareentwicklungstools und -technologien bedeutet.

KI in der Softwaretestautomatisierung

Beim Softwaretesten wird Software bewertet, um sicherzustellen, dass sie ihre Aufgabe effizient erfüllen kann. Dabei werden Softwareinfrastrukturen einer Reihe funktionaler und nicht funktionaler Testszenarien unterzogen. Wenn Teams Software testen, können sie Laufzeitfehler, Skalierbarkeitsprobleme, Sicherheitslücken und mehr entdecken und beheben.

Der Softwaretestprozess ist in der Regel sehr anspruchsvoll, daher ist Automatisierung erforderlich. Damit die Softwareautomatisierung jedoch hocheffizient und nahtlos ist, muss KI integriert werden.

Der Einsatz von KI in der Softwareentwicklung befindet sich noch in der Entwicklung, aber das Niveau, auf dem sie derzeit beim automatisierten Testen von Software eingesetzt wird, ist niedriger als in fortgeschritteneren Arbeitsbereichen wie selbstfahrenden Systemen oder sprachgestützter Steuerung, maschineller Übersetzung und Robotik.

Die Anwendung von KI in Softwaretesttools konzentriert sich darauf, den Softwareentwicklungslebenszyklus (SDLC) zu vereinfachen. Durch die Anwendung von Argumentation, Problemlösung und in einigen Fällen maschinellem Lernen kann KI dazu beitragen, die Menge an alltäglichen und langwierigen Aufgaben in der Entwicklung und beim Testen zu automatisieren und zu reduzieren.

Sie fragen sich vielleicht: „Machen Testautomatisierungstools das nicht bereits?“ Natürlich haben Testautomatisierungstools bereits KI im Einsatz, aber sie haben Einschränkungen.

Wo KI in der Softwareentwicklung glänzt, ist, wenn sie angewendet wird, um diese Einschränkungen zu beseitigen, sodass Tools zur Automatisierung von Softwaretests Entwicklern und Testern noch mehr Wert bieten können. Der Wert der KI ergibt sich aus der Reduzierung der direkten Beteiligung des Entwicklers oder Testers an den alltäglichsten Aufgaben. Wir haben immer noch einen großen Bedarf an menschlicher Intelligenz bei der Anwendung von Geschäftslogik, strategischem Denken, kreativen Ideen und dergleichen.

Bedenken Sie beispielsweise, dass die meisten, wenn nicht alle Testautomatisierungstools Tests für Sie ausführen und Ergebnisse liefern. Die meisten wissen nicht, welche Tests sie durchführen sollen, also führen sie alle oder einen bestimmten Satz aus.

Was wäre, wenn ein KI-fähiger Bot den aktuellen Stand des Teststatus, die letzten Codeänderungen, die Codeabdeckung und andere Metriken überprüfen und dann entscheiden könnte, welche Tests ausgeführt und für Sie ausgeführt werden sollen?

Das Einbringen von Entscheidungen auf der Grundlage sich ändernder Daten ist ein Beispiel für die Anwendung von KI. Gute Nachrichten! Parasoft behandelt automatisierte Softwaretests auf dieser Ebene.

Wie maschinelles Lernen die KI verbessert

Also, was ist mit maschinellem Lernen?

Maschinelles Lernen (ML) kann die KI erweitern, indem Algorithmen angewendet werden, die es dem Tool ermöglichen, sich automatisch zu verbessern, indem umfangreiche Datenmengen gesammelt werden, die durch Tests erzeugt werden.

ML-Forschung ist eine Teilmenge der gesamten KI-Forschung mit Schwerpunkt auf Entscheidungsfindungsmanagement auf der Grundlage zuvor beobachteter Daten. Dies ist insgesamt ein wichtiger Aspekt der KI, da Intelligenz eine Änderung der Entscheidungsfindung erfordert, wenn sich das Lernen verbessert. In Softwaretestwerkzeugen ist maschinelles Lernen jedoch nicht immer erforderlich. Manchmal lässt sich ein KI-fähiges Tool am besten manuell an die Organisation anpassen, die das Tool verwendet, und dann kann jedes Mal die gleiche Logik und Argumentation angewendet werden, unabhängig vom Ergebnis.

In anderen Fällen ist die Datenerfassung der Schlüssel zum Entscheidungsprozess, und maschinelles Lernen kann äußerst wertvoll sein, da zunächst einige Daten erforderlich sind und diese dann verbessert oder angepasst werden, wenn mehr Daten erfasst werden. Beispielsweise können Codeabdeckung, statische Analyseergebnisse, Testergebnisse oder andere Softwaremetriken im Laufe der Zeit die KI über den Status des Softwareprojekts informieren.

Echte Beispiele für KI und ML beim Softwaretesten

KI und ML spielen eine Schlüsselrolle bei Parasofts Plattform für kontinuierliche Qualitätstests. Sie sind wichtige Bereiche der laufenden Forschung und Entwicklung bei Parasoft. Unsere Erkenntnisse liefern immer wieder neue und spannende Möglichkeiten, diese Technologien in unsere Plattform zu integrieren und die Testautomatisierung in jedem Schritt des SDLC zu optimieren. Hier sind einige Möglichkeiten, wie wir sie genutzt haben.

Verbesserter Einsatz von statischer Analyse beim Softwaretesten durch KI

Eine der Straßensperren zum erfolgreiche Einführung statischer Analysetools verwaltet eine große Anzahl von Warnungen und geht mit falsch positiven Ergebnissen (Warnungen, die keine echten Fehler sind) in den Ergebnissen um. Softwareteams, die eine Legacy- oder vorhandene Codebasis analysieren, kämpfen mit den ersten Ergebnissen, die sie mit der statischen Analyse erhalten, und sind von dieser Erfahrung genug abgeschreckt, um keine weiteren Anstrengungen zu unternehmen. Ein Grund für die Überforderung ist die Anzahl der Standards, Regeln (Checker), Empfehlungen und Metriken, die mit modernen statischen Analysewerkzeugen möglich sind.

Softwareentwicklungsteams haben einzigartige Qualitätsanforderungen. Es gibt keine allgemeingültigen Empfehlungen für Prüfer oder Codierungsstandards. Jedes Team hat seine eigene Definition von „falsch positiv“, was oft „egal“ bedeutet und nicht „das ist technisch falsch“. Die Continuous Quality Testing Platform von Parasoft umfasst eine zentralisierte Berichts- und Analyselösung namens DTP, die KI und maschinelles Lernen anwendet, um die durch statische Analysen gemeldeten Ergebnisse zu priorisieren und so die Benutzererfahrung und die Akzeptanz solcher Tools zu verbessern.

Parasoft DTP verwendet eine Methode, um die Ergebnisse in der Ausgabe eines statischen Analysetools schnell als etwas zu klassifizieren, das das Team sehen möchte, oder als etwas, das das Team unterdrücken möchte, indem eine kleine Anzahl von Ergebnissen überprüft und ein Klassifikator basierend auf den mit diesen Ergebnissen verknüpften Metadaten erstellt wird.

Dieser Klassifikator basiert auf Ergebnissen früherer Klassifizierungen statischer Analyseergebnisse im Kontext sowohl historischer Unterdrückungen irrelevanter Warnungen als auch einer vorherigen Priorisierung sinnvoller Ergebnisse zur Behebung innerhalb der Codebasis.

Die Endergebnisse werden auf zwei Arten klassifiziert:

• Von Interesse für das Team zu untersuchen.
• Elemente, die unterdrückt werden können.

Dieser Priorisierungsprozess verbessert das Benutzererlebnis erheblich, indem er Entwickler auf Warnungen aufmerksam macht, bei denen es sich mit höchster Wahrscheinlichkeit um einen echten Defekt in ihrem Projekt handelt.

Entwicklungsteams können Parasoft DTP optional mit OpenAI- oder Azure OpenAI-Anbietern integrieren, um die Sichtung statischer Analyseergebnisse für Java-Anwendungen mit CVE-Match-Analyse weiter zu optimieren. DTP analysiert den Verstoß gegen die statische Analyse und quantifiziert die Ähnlichkeit zwischen dem Quellcode der Methode, die den Verstoß enthält, und dem Quellcode mit bekannten Sicherheitslücken. Entwicklungsteams können die CVE-Match-Analyse verwenden, um zu beurteilen, welche Verstöße priorisiert werden sollen, damit kritische Sicherheitsprobleme nicht versehentlich übersehen werden.

Wir implementierten auch eine Hotspot-Erkennungs-Engine zusammen mit einem fortschrittlichen KI-basierten Modell zur Zuweisung von Verstößen an Entwickler, die ihren besten Fähigkeiten und Erfahrungen entsprechen, und lernt aus Verstößen, die sie in der Vergangenheit behoben haben. Mit diesen Innovationen können Unternehmen den manuellen Aufwand bei der Einführung und Verwendung statischer Analysen sofort reduzieren.

Mit generativer KI Verstöße gegen die statische Analyse schneller beheben

Parasoft integriert generative KI in seine Continuous Quality Testing Platform, indem es seine statischen Analyselösungen für C#, .NET und Java mit OpenAI- und Azure OpenAI-Anbietern integriert. Die optionale Integration ermöglicht es Entwicklungsteams, statische Analyseergebnisse durch KI-generierte Korrekturempfehlungen in der IDE einfacher und schneller zu beheben.

Generative KI-Codekorrekturen für statische Analyseergebnisse sind besonders nützlich für neue Projekte, die statische Analysen implementieren und Code-Compliance-Anforderungen haben, um branchenspezifische oder Sicherheitsstandards einzuhalten. Teams, die neu in der statischen Analyse sind, sind möglicherweise technisch nicht mit den Richtlinien oder Regeln vertraut, die mit diesen Standards verbunden sind. Wenn die Regel oder der Verstoß nicht richtig verstanden wird, kann dies die Entwicklungsproduktivität beeinträchtigen, da Entwickler ihre Zeit und Mühe darauf verwenden müssen, den Verstoß zu untersuchen und eine Codekorrektur zu implementieren. Durch die Integration generativer KI zur schnellen Erstellung von Codekorrekturen können Entwickler Verstöße schnell beheben. Dadurch haben sie mehr Zeit, sich auf die Entwicklung neuen Codes zu konzentrieren und andere Verstöße zu beheben, um die allgemeine Codequalität, Sicherheit und Zuverlässigkeit der Software zu verbessern.

Verwendung künstlicher Intelligenz zur Automatisierung der Unit-Test-Generierung

Unsere Produktivitätslösung für Java-Entwickler, Jtest, umfasst automatisierte statische Analyse, Unit-Tests, Codeabdeckungsanalyse und Rückverfolgbarkeit. Es verwendet Parasofts eigene proprietäre KI und die optionalen Integrationen mit OpenAI- und Azure OpenAI-Anbietern, um die Erstellung von JUnit-Tests zu optimieren und die Codeabdeckung zu verbessern.

Ingenieure können die Erstellung von Unit-Tests beschleunigen, indem sie das Eclipse- oder IntelliJ-IDE-Plugin nutzen, um neue Tests mit dem KI-gestützten Unit-Test-Assistenten (UTA) von Jtest zu generieren. Teams können effektive Unit-Test-Suites erstellen, indem sie die vorhandenen Code-Abdeckungsebenen auf Methoden-, Klassen-, Paket- oder Projektebene analysieren und KI nutzen, um eine Suite von Unit-Tests für nicht abgedeckte Codezeilen in großen Mengen zu generieren. Während der Testerstellung generiert unsere Java-Lösung automatisch Mocks und Assertions und bietet Teams eine Suite intelligenter, effektiver Testfälle für Regressionstests.

Bei der Entwicklung neuen Codes müssen zusätzliche Unit-Tests erstellt werden, um die neue Funktionalität zu validieren. Der UTA von Jtest generiert einen neuen Testfall, um die vom Benutzer ausgewählte Codezeile abzudecken, und gibt dann Empfehlungen zur Verbesserung des Testfalls. Teams können Abhängigkeiten einfach und schnell stubben und simulieren, Behauptungen hinzufügen, Testfälle parametrisieren und vorhandene Testfälle klonen oder mutieren, um eine höhere Codeabdeckung zu erreichen.

Die optionale Integration mit OpenAI- und Azure OpenAI-Anbietern ermöglicht Entwicklern, Unit-Tests auf der Grundlage von Eingabeaufforderungen in natürlicher Sprache, die die spezifischen Anforderungen des Entwicklers umreißen, einfach anzupassen, zu erweitern oder umzugestalten. Die Integration von Jtest mit OpenAI analysiert den Code und den vorhandenen Unit-Test in Verbindung mit den eingegebenen Anforderungen und gestaltet den Testfall auf der Grundlage dieser Spezifikationen um. Dies bietet Entwicklern große Flexibilität, um Testfälle auf jede für ihre Anwendung erforderliche Weise anzupassen, und beschleunigt den Prozess der Erstellung effektiver und wertvoller Test-Suites.

Verwendung künstlicher Intelligenz zur Automatisierung der Generierung und Parametrisierung von Unit-Tests

Dieses erste Beispiel ist in Parasoft Jtest, unsere Softwaretestlösung für Java-Entwickler, die statische Analysen, Komponententests, Abdeckung und Rückverfolgbarkeit usw. umfasst. Durch die Anwendung von KI hier haben wir die automatische Testfallgenerierung veröffentlicht, die Entwicklern hilft, die Lücken zu füllen, wenn sie von einem spärlichen JUnit-Harness ausgehen.

Das IDE-Plug-in von Parasoft Jtest fügt der Unit-Testing-Praxis eine nützliche Automatisierung mit einfachen Ein-Klick-Aktionen zum Erstellen, Skalieren und Verwalten von Unit-Tests hinzu. Durch die Verwendung von KI-fähigem Jtest können Benutzer eine höhere Codeabdeckung erreichen und gleichzeitig den Zeit- und Arbeitsaufwand für die Erstellung einer umfassenden und aussagekräftigen Suite von Junit-Testfällen erheblich reduzieren.

Eine Möglichkeit, dies zu erreichen, besteht darin, das Erstellen von Stubs und Mocks zum Isolieren des zu testenden Codes zu vereinfachen. Die zugrunde liegende KI ermöglicht es Jtest, die zu testende Einheit zu beobachten, um ihre Abhängigkeiten von anderen Klassen zu bestimmen. Wenn Instanzen dieser Abhängigkeiten erstellt werden, wird dem Benutzer vorgeschlagen, sie zu verspotten, um isoliertere Tests zu erstellen.

Das automatische Erstellen der erforderlichen Mocks und Stubs reduziert den Aufwand bei einem der zeitaufwändigsten Teile der Testerstellung.

Parasoft Jtest erkennt außerdem automatisch Code, der nicht von vorhandenen Testsuiten abgedeckt wird, und durchläuft den Steuerpfad des Quellcodes, um herauszufinden, welche Parameter an eine zu testende Methode übergeben werden müssen und wie Subs / Mocks initialisiert werden müssen, um sie zu erreichen dieser Code. Durch Aktivieren dieser KI kann Jtest automatisch neue Komponententests generieren und geänderte Parameter anwenden, um die gesamte Codeabdeckung des gesamten Projekts zu erhöhen.

Verwendung von KI und ML zur Automatisierung der Generierung und Wartung von API-Tests

Ein weiteres gutes Beispiel für das Hinzufügen von maschinellem Lernen zum Mix ist Parasoft SOAtest's Smart API-Testgenerator. Es geht über das Testen von Aufzeichnung und Wiedergabe hinaus und nutzt KI und maschinelles Lernen, um UI-Tests in vollständige, automatisierte API-Testszenarien umzuwandeln.

Der Smart API Test Generator verwendet Argumente, um die Muster und Beziehungen in den verschiedenen API-Aufrufen zu verstehen, die während der Ausübung der Benutzeroberfläche durchgeführt werden. Aus dieser Analyse wird eine Reihe von API-Aufrufen erstellt, die die zugrunde liegenden Schnittstellenaufrufe darstellen, die während des UI-Flusses durchgeführt werden.

Anschließend wendet es maschinelles Lernen an, indem es beobachtet, was es über die verschiedenen API-Ressourcen tun kann, und sie als Vorlage in einer proprietären Datenstruktur speichert. Diese interne Struktur wird aktualisiert, indem andere Testfälle in der Bibliothek des Benutzers untersucht werden, um verschiedene Arten von Verhalten zu lernen, wenn die APIs ausgeführt werden, beispielsweise eine Behauptung oder das Hinzufügen eines bestimmten Headers an der richtigen Stelle.

Das Ziel der KI besteht hier darin, fortgeschrittenere Tests zu erstellen und nicht nur zu wiederholen, was der Benutzer getan hat, wie dies bei einfachen Aufnahme- und Wiedergabetests der Fall ist. So funktioniert der Smart API Test Generator:

1. Erkennt Muster im Datenverkehr.
2. Erstellt ein umfassendes Datenmodell der beobachteten Parameter.
3. Erzeugt und ermöglicht automatisierte API-Tests indem erlernte Muster aus anderen API-Tests angewendet werden, um Benutzern die Erstellung fortgeschrittenerer automatisierter Testszenarien zu erleichtern.

Die resultierenden automatisierten API-Tests sind vollständiger, wiederverwendbar, skalierbar und widerstandsfähiger gegenüber Änderungen.

Generative KI zur Erstellung von API-Szenariotests nutzen

Parasoft SOAtest kann auch in OpenAI- oder Azure OpenAI-Anbieter integriert werden, was die Verwendung generativer KI-Technologien ermöglicht, um die Erstellung von API-Szenariotests zu optimieren. Tester können eine Servicedefinitionsdatei in SOAtest eingeben und eine Eingabeaufforderung in natürlicher Sprache bereitstellen, die die spezifischen Anforderungen und die erforderliche Geschäftslogik umreißt. Die KI analysiert dann die Servicedefinitionsdatei und generiert eine Reihe von API-Szenariotestfällen, die dem in der Eingabeaufforderung beschriebenen Anwendungsfall zugeordnet sind.

Durch diesen Einsatz generativer KI beim API-Testen können QA-Teams ihre Testbemühungen gründlicher gestalten, da Tester erweiterte Testszenarien ohne Code und automatisch generieren können.

Verwenden von maschinellem Lernen zur Selbstheilung der Durchführung von Selentests

Automatische Validierung der UI-Schicht ist ein weiterer wichtiger Bestandteil Ihrer Teststrategie, um sicherzustellen, dass das Produkt vollständig verifiziert ist, bevor es in Produktion geht. Der Selen-Framework wurde weithin für UI-Tests übernommen, aber Benutzer kämpfen immer noch mit den üblichen Herausforderungen bei Selenium-Tests in Bezug auf Wartbarkeit und Stabilität. Hier können KI-Technologien und insbesondere maschinelles Lernen helfen, indem sie eine Selbstheilung zur Laufzeit ermöglichen, um die häufigen Wartbarkeitsprobleme im Zusammenhang mit der Ausführung von UI-Tests zu beheben.

Wir stellen diese Funktionalität mit Parasoft Selenic bereit, das während Ihrer regelmäßigen Ausführung von Selenium-Tests etwas über Ihre interne Datenstruktur „lernen“ kann. Die Selenic-Engine überwacht jeden Lauf und erfasst detaillierte Informationen über den Web-UI-Inhalt der getesteten Anwendung. Es extrahiert DOM-Elemente, ihre Attribute, Locators und dergleichen und korreliert sie mit Aktionen, die von UI-gesteuerten Tests durchgeführt werden. Selenic verwendet den proprietären Datenmodellierungsansatz von Parasoft und speichert diese Informationen in seiner KI-Engine. Das Modell wird kontinuierlich aktualisiert, wobei die historische Ausführung aller Tests analysiert wird, um weiter „intelligenter“ zu werden.

Dies ist eine entscheidende Zeitersparnis in Fällen, in denen UI-Elemente von Webseiten verschoben oder erheblich geändert werden, wodurch Tests fehlschlagen. Mit Selenic kann die von der Engine verwendete KI-Heuristik diese geänderten Elemente mit historischen Daten „abgleichen“, die durch das Modell dargestellt werden, und automatisch „intelligente Ortungsgeräte“ generieren, die gegen Änderungen resistent sind, um die Ausführung von Selenium-Tests zur Laufzeit wiederherzustellen. Informationen zu diesen Änderungen werden automatisch durch das Modell weitergegeben, und die zukünftige Generation neuer Locators wird basierend auf diesen Änderungen angepasst.

Darüber hinaus kann Selenic verschiedene Arten von „Wartezuständen“ selbst beheben, um Instabilitäten zu beheben, die mit Leistungsmerkmalen von getesteten Systemen verbunden sind. Es misst auch die Zeit, die mit der Ausführung jedes Testfalls auf Webseiten verbunden ist, und vergleicht sie mit dem historischen Durchschnitt, der aus den vorherigen Durchläufen erfasst wurde. In Fällen, in denen die Abweichung einen bestimmten Schwellenwert überschreitet, wird im Bericht eine Warnung angezeigt, um einen Benutzer über wesentliche Änderungen zu informieren.

Optimieren Sie die Testausführung mit der Testauswirkungsanalyse

Tools zur Testauswirkungsanalyse (TIA) Bewerten Sie die Auswirkungen von Änderungen am Produktionscode. Sie helfen dabei, Testfälle aufzudecken, die von Codeänderungen betroffen sind. Der Hauptvorteil von TIA besteht darin, dass nach der Durchführung von Änderungen keine Tests Ihrer gesamten Codebasis mehr durchgeführt werden müssen. Dies spart Zeit und Kosten und sorgt dafür, dass Ihr Entwicklungsprozess effizient abläuft.

Durch die Integration der TIA-Technologie in CI/CD-Pipelines können Sie den Ablauf Ihrer automatisierten Tests optimieren und Entwicklern schneller Feedback zu den Auswirkungen von Änderungen auf die Qualität ihres Projekts geben. Abhängig von der Art der Produkte und der Art der durchzuführenden Tests können Sie die KI-gestützte Technologie von Parasoft nutzen, um die Ausführung von C#-, .NET- und Java-Unittests, Selenium-Web-UI-Tests, API-Tests, oder Tests, die in Frameworks von Drittanbietern ausgeführt werden.

Fazit

Das explosive Wachstum auf dem Softwaremarkt lässt darauf schließen, dass auch in Zukunft mehr Software veröffentlicht wird, um Probleme in unserem täglichen Geschäft zu lösen. Damit Software jedoch effizient funktioniert und so schnell wie möglich auf den Markt kommt, sind Automatisierung und künstliche Intelligenz beim Softwaretesten erforderlich. Hier kommt die Continuous Quality Testing Platform von Parasoft ins Spiel, um KI-gestützte, ML-gesteuerte Softwaretestlösungen bereitzustellen, die Qualität in den Softwareentwicklungsprozess integrieren, um Fehler frühzeitig im SDLC zu verhindern, zu erkennen und zu beheben.