AI-аналіз тестування та класифікація помилок

Зауважте: коли в CI падає одразу кілька десятків тестів, розбір першопричин займає години. Інженери прогортають логи, намагаючись зрозуміти, що зламалося: інфраструктура, регресія чи flaky-тест. Ми навчили модель автоматично групувати падіння за реальною причиною та направляти тікети відповідальному розробнику. Наша AI-система обробляє stack trace швидше за ручний аналіз у 5–10 разів, скорочуючи час від падіння до фіксу з годин до хвилин. Впровадження такого підходу дозволяє команді заощадити до 80 людино-годин на місяць на тріажі CI-збоїв.

Система не просто знаходить помилки — вона пріоритизує дефекти та автоматично маршрутизує сповіщення. Замість того щоб слати алерти всій команді, сповіщення отримує лише той, хто реально може виправити проблему.

Як відбувається класифікація помилок?

Пайплайн складається з чотирьох етапів: парсинг, класифікація, кластеризація та маршрутизація. На вході — сирі логи тестів, на виході — структуровані звіти з пріоритетом і власником.

Парсинг — підтримка JUnit XML, Allure, pytest JSON, Cypress Mochawesome. Нормалізація в єдину схему: {test_id, status, duration, error_message, stack_trace, timestamp}.

Класифікація — мультилейбл класифікатор на базі fine-tuned CodeBERT, навчений на розмічених stack trace'ах. Вихідні класи:

• INFRASTRUCTURE — таймаути, connection refused, OOM
• REGRESSION — тест працював, зламався після коміту
• FLAKY — нестабільний (проходить з retry)
• TEST_BUG — помилка в самому тесті, не в коді
• NEW_BUG — реальний дефект у продукті
• ENVIRONMENT — проблема з тестовим оточенням

Кластеризація — ембеддінги stack trace через CodeBERT → HDBSCAN кластеризація. Тести з одного кластеру з високою ймовірністю мають одну першопричину.

from sentence_transformers import SentenceTransformer
import hdbscan

class ErrorClusterer:
    def __init__(self):
        self.encoder = SentenceTransformer('microsoft/codebert-base')
        self.clusterer = hdbscan.HDBSCAN(
            min_cluster_size=3,
            metric='cosine',
            cluster_selection_method='eom'
        )

    def cluster_failures(self, failures: list[dict]) -> list[int]:
        texts = [f['error_message'] + '\n' + f['stack_trace'][:500]
                 for f in failures]
        embeddings = self.encoder.encode(texts, batch_size=32)
        return self.clusterer.fit_predict(embeddings)

Чому варто використовувати AI-аналіз тестів?

Ручний розбір падінь — трудомісткий і схильний до помилок процес. Fine-tuned CodeBERT обробляє stack trace у 5 разів швидше за людину, а кластеризація виявляє каскадні збої, які виглядають як десятки незалежних помилок. Гарантуємо: після впровадження ви скоротите час на тріаж CI-збоїв щонайменше вдвічі. Наш досвід показує, що вже через 2–3 тижні роботи система виходить на цільові метрики якості.

Як HDBSCAN кластеризація виявляє каскадні збої?

Каскадні збої — коли одна поломка (наприклад, відмова бази даних) викликає десятки падінь тестів. Кластеризація групує їх за схожістю stack trace та error message. Навіть якщо помилки виглядають по-різному (connection timeout, NULL pointer, 500 помилка), HDBSCAN об'єднує їх в один кластер при достатній близькості ембеддінгів. Це дозволяє одразу зрозуміти, що всі падіння — наслідок однієї проблеми.

Визначення flaky тестів

Flaky тести — окрема категорія. Система аналізує історію 30 останніх запусків кожного тесту та обчислює flakiness score:

flakiness_score = std(pass_rate_per_day) * frequency_of_status_changes

Тест з flakiness_score > 0.3 маркується як flaky та автоматично поміщається в карантин — він продовжує запускатися для збору статистики, але не блокує CI.

Маршрутизація сповіщень

Система визначає власника впалого тесту через git blame на файл тесту та на файли з stack trace. Сповіщення йде не всій команді, а:

• REGRESSION/NEW_BUG → автор останнього коміту в зачеплених файлах + тімлід
• FLAKY → власник тесту за git blame
• INFRASTRUCTURE → DevOps-канал
• TEST_BUG → QA, відповідальний за даний тест-файл

Метрики якості класифікації

Навчання проводиться на розміченому датасеті з історії проекту. Типові метрики після 2–3 тижнів накопичення даних:

Що входить в роботу?

• Аудит поточного CI-процесу та форматів звітів
• Налаштування парсингу та нормалізації логів
• Навчання класифікатора на ваших історичних даних
• Інтеграція з GitLab, GitHub Actions або Jenkins
• Розгортання дашборду (Grafana) та webhook-сповіщень
• Документація та навчання команди

Процес впровадження

1. Аналітика — збір метрик, визначення типів помилок
2. Проектування — вибір стеку, конфігурація пайплайну
3. Реалізація — написання парсерів, навчання моделі
4. Тестування — A/B-порівняння з ручним аналізом
5. Деплой — розгортання в staging, потім у production

Терміни орієнтовно

Вартість розраховується індивідуально після аудиту. Оцінимо ваш проект за один робочий день — зв'яжіться з нами для консультації. Отримайте демо-доступ до системи та переконайтеся в ефективності на своїх даних.

Практичний розбір LLM: fine-tuning, RAG, агенти, деплой

Модель GPT‑4 або Claude 3.5 Sonnet через публічне API — не рішення, а просто інструмент. Коли приходить вимога «зробити як ChatGPT, але на наших даних», за нею стоїть реальна інженерна задача: від налаштування промптів до навчання 70B‑моделі на власній інфраструктурі. LLM розробка під ключ — це складний стек, і ми займаємося цим понад 5 років. За цей час реалізовано понад 20 проєктів у галузі генеративного AI: від RAG‑систем для юридичних департаментів до кастомних агентів для техпідтримки. Де саме знаходиться ваша задача — залежить від даних, latency‑вимог, бюджету та того, наскільки критична конфіденційність.

Типова ситуація: клієнт уже спробував ChatGPT, але результати нестабільні — то відповідає точно, то галюцинує. Або потрібна інтеграція в корпоративний портал з дотриманням політик безпеки. Розберемо кожен шар стеку в деталях — від RAG до production‑деплою.

Чому RAG‑системи ламаються і як це виправити?

RAG (Retrieval‑Augmented Generation) виглядає просто: знайшли релевантні документи, поклали в контекст, модель відповіла. На практиці збоїть у кількох місцях.

Chunking без перекриття. Класична помилка: chunk_size=512, overlap=0. Якщо відповідь лежить на межі двох чанків, retrieval не знайде жодного з достатньою впевненістю. Рішення: overlap 15–25% від chunk_size, а краще sentence‑aware splitting через spaCy або NLTK, а не наївне розбиття за символами.

Поганий embedder. Текст‑embedding‑ada‑002 — хороший для загального випадку, але на юридичних або медичних текстах програє спеціалізованим моделям: E5‑large‑v2, BGE‑M3 або fine‑tuned sentence‑transformers на доменних даних. Різниця в Recall@5 може становити 15–25%.

Відсутність re‑ranking. Векторний пошук оптимізований за швидкістю, не за релевантністю. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) після первинного retrieval піднімає точність топ‑3 при прийнятній затримці (+50–150 ms). Це часто важливіше за покращення embedding‑моделі.

Гібридний пошук. Тільки dense вектори погано працюють на точних запитах: імена, артикули, коди. BM25 (sparse) добре знаходить точні збіги, але не розуміє семантику. Гібрид через RRF (Reciprocal Rank Fusion) — оптимальний компроміс. Qdrant, Weaviate та pgvector 0.7+ підтримують гібридний пошук нативно.

Коли варто fine‑tune, а не промпт‑інжиніринг?

Промпт‑інжиніринг вирішує ~70% завдань адаптації LLM під домен. Решта 30% вимагають донавчання. Три ознаки: модель ігнорує специфічний формат виведення навіть при детальному описі в промпті; задача вимагає глибокого знання спеціалізованої лексики (медицина, право); потрібно значно знизити витрати на токени, замінивши велику модель меншою спеціалізованою.

LoRA та QLoRA — стандарт для SFT. LoRA додає trainable low‑rank матриці до attention‑шарів. Типова конфігурація для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — параметрів, що навчаються, ~0.8%, навчання на одній A100 40GB. QLoRA додає 4‑бітну квантизацію (NF4) і дозволяє fine‑tune 70B модель на двох A100 40GB, хоча швидкість падає вдвічі порівняно з bf16.

DPO замість RLHF. Direct Preference Optimization вимагає лише пари (chosen, rejected), а не скалярні reward‑сигнали. DPOTrainer з бібліотеки trl (Hugging Face) реалізує це кількома десятками рядків.

Типова помилка. Датасет з 500 прикладів, 5 епох, validation loss 0.8 — здається норм. Але на тесті модель деградувала на загальних інструкціях. Причина: catastrophic forgetting. Рішення — додати 10–20% загальних instruction‑following прикладів (Alpaca, FLAN) у навчальну вибірку, щоб не зруйнувати вихідні здібності.

Як обрати базову модель: 8B чи 70B?

Для більшості задач fine‑tuning 8B моделі достатньо. 70B потрібен, коли потрібне глибоке міркування або baseline 8B не досягає потрібної якості навіть після донавчання. Вартість інференсу Llama‑3 8B через vLLM на A100 значно нижча, ніж у GPT‑4, що робить його економічно вигідним.

Що дає PagedAttention в production?

vLLM — перший вибір для serving open‑source моделей. PagedAttention — ключове технічне рішення: KV‑cache керується як virtual memory в ОС, без фрагментації. Це дає throughput у 2–4 рази вище порівняно з наївним HuggingFace Transformers inference. Документація vLLM підтверджує: continuous batching та PagedAttention — стандарт для високонавантажених LLM‑сервісів.

Типові числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двох A100 з tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизація AWQ або GPTQ знижує споживання пам'яті в 2 рази при втраті якості в межах 1–3%.

Мультиагентні системи

Агенти — LLM з доступом до інструментів: пошук, виконання коду, запити до API, робота з БД. Основні патерни:

• ReAct (Reason + Act): модель розмірковує → обирає інструмент → спостерігає результат → знову розмірковує. LangChain та LlamaIndex реалізують з коробки.
• Multi‑agent orchestration: кілька спеціалізованих агентів з координатором зверху. Приклад: coordinator → researcher (пошук + summarization) → coder (генерація та виконання коду) → critic (перевірка). Інструменти: AutoGen (Microsoft), CrewAI, кастомна реалізація на LangGraph.

В продакшені агентні системи недетерміновані. Обов'язкові guardrails, ліміти кроків, логування кожного кроку, human‑in‑the‑loop для критичних дій.

Як ми гарантуємо якість LLM рішення?

Ми використовуємо RAGAS для автоматичної оцінки відповідей: faithfulness, answer relevancy, context precision. Система трекінгу експериментів на базі MLflow фіксує всі метрики, датасети та конфіги. Це дозволяє порівнювати різні гіпотези та доводити покращення з цифрами. Гарантію стабільної роботи забезпечує continuous integration з тестами на специфічних сценаріях (prompt injection, edge‑cases).

Як почати LLM розробку: наступні кроки

Ми передаємо:

• Технічну документацію (model card, конфіги, інструкції з розгортання)
• Доступ до інфраструктури (репозиторій з кодом, навчені ваги)
• 1 місяць підтримки після деплою (консультації, виправлення багів)
• Навчання команди замовника (2–3 заняття з експлуатації системи)

Терміни: базовий RAG‑прототип — 1–2 тижні. Fine‑tuning з даними замовника — 3–6 тижнів (з урахуванням підготовки даних). Production‑система з моніторингом та перенавчанням — 2–4 місяці.

Вартість розраховується індивідуально і залежить від обсягу даних, складності моделі та вимог до інфраструктури. Хочете оцінити свій проєкт? Зв'яжіться з нами — ми підготуємо попереднє резюме за 1–2 робочі дні. Або замовте консультацію фахівця з вибору підходу: RAG, fine‑tuning або гібрид — розповімо, що підійде саме вам.