Amazon AMET Payments: как ИИ-агенты Strands сократили генерацию тест-кейсов с недели до часов

Команда Amazon AMET Payments, обслуживающая около 10 миллионов клиентов в пяти странах Ближнего Востока и Северной Африки, сократила время генерации тест-кейсов с одной недели до нескольких часов. Это стало возможным благодаря внедрению мультиагентного ИИ-решения SAARAM, которое также повысило качество тестового покрытия.

Если рутинная проверка качества отнимает у ваших QA-инженеров недели, это уже готовый кейс для автоматизации. Напишите нашему менеджеру, он проведёт бесплатный анализ вашего бизнеса и ниши и расскажет, как именно в вашем случае получить реальный бизнес-результат от ИИ-агента, а не красивую картинку. Написать менеджеру

Проблема: неделя ручной работы на каждый тест-кейс

Команда AMET Payments ежемесячно выпускает в среднем пять новых функций. Каждая функция требует тщательной генерации тест-кейсов, что традиционно занимало одну неделю ручного труда на проект. Инженеры по обеспечению качества тратили это время на анализ бизнес-требований, проектной документации, макетов пользовательского интерфейса и исторических данных тестирования. Этот процесс требовал одного штатного инженера в год только на создание тест-кейсов.

Первоначальные попытки с использованием одноагентных ИИ-систем часто приводили к общим формулировкам, таким как «проверить, что оплата работает корректно», вместо специфических и действенных тест-кейсов. Например, требовались такие детали, как «проверить, что когда клиент из ОАЭ выбирает наложенный платеж (COD) для заказа свыше 1000 дирхамов с привязанной кредитной картой, система отображает комиссию COD в размере 11 дирхамов и обрабатывает платеж через шлюз COD с переходом статуса заказа в «ожидает доставки».

Решение: мультиагентная система SAARAM

Amazon разработала решение SAARAM (QA Lifecycle App) — мультиагентную ИИ-систему, которая сокращает время генерации тест-кейсов с одной недели до нескольких часов. В основе SAARAM лежит Amazon Bedrock с Claude Sonnet от Anthropic и Strands Agents SDK.

Ключевым прорывом стал человеко-ориентированный подход: вместо того чтобы спрашивать «как ИИ должен думать о тестировании?», команда спросила «как опытные люди думают о тестировании?». Это привело к детальному изучению когнитивных процессов старших QA-специалистов, которые не обрабатывают документы целиком, а работают поэтапно.

SAARAM состоит из специализированных агентов, каждый из которых фокусируется на определённом аспекте процесса тестирования, имитируя экспертный подход:

• Агент сегментации клиентов. Выявляет сегменты пользователей, создает матрицы решений и разрабатывает сквозные сценарии.
• Агент картирования пользовательского пути. Строит диаграммы потоков и последовательностей, генерирует сквозные сценарии и детальные шаги тестирования.
• Агент покрытия сегментов и путей. Объединяет данные от предыдущих агентов для создания детальных сегмент-специфичных анализов.
• Агент перехода состояний. Анализирует различные точки состояний продукта в пользовательских путях, создавая диаграммы состояний и генерируя связанные сценарии тестирования.

Система прошла несколько итераций, чтобы преодолеть ограничения контекстной длины, снизить галлюцинации и обеспечить масштабируемость.

Результаты и перспективы

Внедрение SAARAM привело к следующим ключевым результатам:

• Сокращение времени генерации тест-кейсов. С одной недели до нескольких часов.
• Улучшение качества тестового покрытия. ИИ-агенты генерируют специфичные и действенные тест-кейсы, уменьшая количество ошибок и пропусков.
• Захват институциональных знаний. Система помогает стандартизировать подходы к тестированию и сохранять опыт опытных тестировщиков.

Решение уже используется в команде AMET QA и планируется к расширению на другие QA-команды в International Emerging Stores and Payments (IESP) Org.

Источник: aws.amazon.com

Хотите узнать, как ИИ-агенты могут ускорить ваши процессы тестирования или другие рутинные задачи? Напишите менеджеру. Мы бесплатно разберем ваш кейс и предложим оптимальное решение.