Accenture의 Quality Engineering in the New(2)

PROCESS: Real-time AI-driven monotoring and integration

신기술의 채택에 따라 고속으로 Test Data에 접속할수 있는 환경이 가속화되면서, ‘QE in the New’는 AI기반 실시간 CI(Continuous Integration) 및 Appilcation의 모니터링이 가능하게 할 것입니다.

새로운 형태의 Enterprise Interaction은 테스트 전문역량(Testing Professionals)이 설계 엔지니어(Design Engineers)에게 제공될 수 있도록, VR 및 AR(virtual and augmented reality) 협업에 기반한 Testing-as-a-Service를 확대시킬 것입니다. 감지기술(Sensor technologies)은 Virtualizations, Digital Twins 및 Deeper Test Simulation을 가능하게 해줄 것입니다.

참고. Digital Twin이란? 디지털 트윈(Digital Twin)은 물리적(Physical) 세계와 동일한 디지털(Digital) 쌍둥이를 만드는 것으로, 센서에서 아날로그 데이터를 수집하여 디지털 데이터로 단순히 1:1로 저장하는 것은 정적인 디지털 모델이며, 디지털 트윈은 1개의 데이터가 N개의 지식과 솔루션을 만들고 물리적 자산의 최적화를 위해 실시간으로 피드백하는 동적인 모델입니다.

디지털화된 자산이 1) 나는 누구이고, 2) 내가 무엇을 제공하고, 3) 나의 협업 파트너가 누구인지 인식하는 능동적 주체로 전환하는 것을 의미합니다.

센서, 사물인터넷, 인공지능, 3D프린팅 등 관련 요소기술들이 동시 다발적으로 발전하면서 시장이 급성장하고 있습니다. 그림 1. Digital Twin의 정의 및 MEMS Sensor 가격 추이

Source: https://www.posri.re.kr/files/file_pdf/63/15506/63_15506_file_pdf_1543820345.pdf

Intelligent Identity Management는 분산된 Application에 대해 Real-time Root Cause Analysis 및 Seamless Handover를 지원함과 동시에, 분산된 테스트 팀들에게 개인별 테스트 식별자를 제공하기 위해, 블록체인과 같은 기술을 사용한 Embed Smart Contract를 지원하게 될 것입니다.

전사적으로 Edge Computing이 보다 강력해짐에 따라, 광범위한 Datasets는 새로운 “Quality Everywhere and for Anything” 패러다임을 창출하게 될 것입니다. ‘True End-to-End Data Monitoring and Logging’ 및 ‘Decentralized API-based Test Integration’은 잠재적으로 Device Type 및 Algorithm 개수의 제한없이 “Plug-and-Play Application Testing”을 지원하게 됩니다.

무엇보다 양자컴퓨팅(Quantum Computing)은 전례없는 수준의 처리능력을 보여주고 있기 때문에, QE는 가속화된 Machine Learning 및 테스트 계획과 수행에 최적화된 새로운 플랫폼에 접속할 수 있게 될 것입니다. 실제로, Quantum Computing은 차세대 QE 알고리즘이 요구하는 속도 및 정확성을 제공함으로써 미래의 Quality Platform의 조력자로서 역할을 하게 될 것입니다.

TECHNOLOGY: Self Managing

AI는 ‘QE in the New’가 Self-Managing Function을 향해 진화하는 것을 가능하게 해줍니다. 단기적으로는, Bugs와 System Defects를 식별하고, Environment Provisioning을 자동화하여 제공하며, Test Data를 관리하고, Requirement Analysis Data를 생성하는 등의 테스트 전문역량이 향상될 수 있도록 Machine Learning을 사용하는 것을 의미합니다.

더 나아가, 이것은 Failure Case들을 식별하고 Test Simulation을 생성하는 것 뿐 아니라, Script-less Real-time Error Checking 및 Failsafe Analysis를 가능하게 하는 ‘Self-monitoring Systems’이 만들어질 수 있도록, Unstructured/Complex Data에 기반한 AI의 진화하는 역량을 사용하는 것을 의미합니다.

결국, Intelligent Technology는 DevOps Test Planning(시간 및 자원 산정을 포함하여), 지속적인 모니터링 및 결함 예측, 그리고 자연어 기반 소통을 지원하게 될 것입니다. 언젠가, AI 시스템은 사용자 요구사항을 자연어 처리에 기반하여 이해한 후, 의도된 목적을 위한 Machine Code를 인간의 개입없이 스스로 작성하게 될 것입니다.

AI가 지원하는 테스트 환경 개발을 위한 핵심요소 중 하나는 AI 자체를 테스트하는 것으로서, AI가 원하는 결과를 제공하는지, 책임감있게 행동하는지, 그리고 의도치 않은 편견을 피하고 있는지를 보증하는 것입니다. 사용자의 AI Quality System 채택 여부는 AI가 수행하는 의사결정의 신뢰성과 투명성에 달려있습니다. 그래서, Testing에 있어 AI 의사결정의 Quality는 올바른 결과(Correct Results)만을 제공하는 것으로는 충분하지 않으며, 그들이 책임감있게 제공하는 것 또한 하나의 핵심 요소가 됩니다. 이러한 요소들은 모두 Functional 및 Non-Functional Requirements로 생성됩니다.

그림 2. Testing AI for functional and non-functional requirements

AI는 기업의 기능적인 요구사항을 준수하면서도, 의사결정이 일관되고, 빠르고, 정확하다는 것을 보증하기 위해 분석될 필요가 있을 것입니다. 성능이 무엇보다 중요하지만, AI는 윤리적인 고려사항들을 검토해 감으로써 신뢰할 수 있고, 책임감있으며, Infrastructure 또는 dataset의 확장성을 확보한 상태로 운영될 필요가 있습니다. 또한, AI는 미래의 의사소통, 제품 및 서비스의 개인화 증가 수요를 다룰 필요가 있습니다.

한편, AI는 훨씬 광범위한 요구사항에 대해서도 테스트될 필요가 있습니다. 성별, 인종 및 기타 편견과 윤리적인 Risk를 피하면서 규제 및 법적 환경을 준수할 필요가 있습니다. 의사결정을 검증하기 위해 투명한 Test Process를 제공함으로, 비즈니스 전략 및 브랜드 평판에 맞추어 나갈 필요가 있습니다. 그리고, 변화하는 사회의 사고 방식에 적절히 대응하기 위해 “Right”을 “Wrong”으로부터 구별할 수 있는 능력을 보여줄 수 있도록 환경을 통해 배울 필요가 있습니다.

그림 3. Evolution of QE as a self-managing function

ORGANIZATION: Borderless Organization

QE가 새로운 영역으로 진입함에 따라 비즈니스는 함께 진화하고, 장벽을 무너뜨릴 것이며, 새로운 종류의 “Borderless Enterprise”를 만들게 될 것입니다. 미래의 경제가 요구하는 속도에 맞추어 비즈니스를 수행한다는 것은, 기업의 모든 이해관계자를 참여시키고, “Zero Delay” 의사결정을 가능하게 하는 것을 의미합니다.

QE에 관해서는, 상호연결된 각 분야 전문가가 협력하는 Design Teams을 의미하고 있으며, Engineers, Business Clients 및 End Customers의 Mix Design이 포함됨으로써, 기업의 진정한 Needs에 맞게 Focus를 맞출 수 있게 될 것입니다.

이러한 환경에서, Continuous Integration/Monitoring, QE Metrics 및 Quality Lifecycle Management를 보장하기 위해, Robo-Workers와 Broad-skilled Human Resources가 함께 여러 비즈니스에 걸쳐 매끄럽게 이동하는 모습을 보여주게 될 것입니다.

Virtual Employees, Bots, Machine to Machine Edge Agents 및 “Intelligence as a Service”들은 직원(Employees), 크라우드 소싱 인력(Crowd-sourced Resources), 산업 및 기술 전문가(Industry and technology expertise) 및 고객/소비자로 구성된 테스터(Client/Consumer “citizen testers”)들과 결합됨으로써, 전체적인 QE Process가 미래 비즈니스 성공에 맞추어 함께 성장할 수 있도록 지원할 것입니다.

그림 4. Borderless enterprise aligned around a common purpose

FROM APPLICATION-FOCUSED TO PURPOSE-DRIVEN

오늘날 급격하게 진화하고 있는 ‘Enterprise Applcation Testing Environements’는 그 강도가 약해지고 있다는 신호가 아직 없는 상황입니다. 계속적인 진화가 이루어짐에 따라, QE는 Application 그 자체에 초점을 맞추어 정의되는 부분은 다소 줄어들 것이며, 비즈니스 목적과 연계하여 정의되는 부분은 보다 늘어나게 될 것입니다. 그것은 Code뿐만 아니라 Business도 “작동(Works)”한다는 것을 보장하기 위해, Real-Time Testing, Monitoring 및 수정작업을 수행하는 것을 의미합니다. 그리고, Machine Learning 및 Advanced Analytics에 의해 지원되는 Self-learning, Self-adapting Systems를 개발하는 것을 의미합니다.

이상으로 Accenture가 적극적으로 준비하고 있는 미래에 대해 살펴보았습니다. Accenture는 전체 QE Lifecycle에 걸쳐 250개가 넘는 특허를 보유하고 있으며, 전체적인 QE전략, Machine Learning역량, End-to End Automation 역량을 기반으로 지속적인 QE의 혁신을 추진해가고 있습니다.

[End]