La crescente complessità dei moderni sistemi elettronici automobilistici richiede un approccio più efficiente al testing software e all’integrazione, con l’obiettivo di ridurre il time-to-market e i costi di sviluppo. Con questo lavoro di tesi si introduce un framework di intelligenza artificiale per valutare i test case e determinarne la conformità al framework definito, nonché la loro esecuzione automatizzata.
Il sistema analizzerà sia le capacità dell’ambiente di test sia le proprietà intrinseche di ciascun test case per decidere se un test è “pronto per l’automazione” o meno. Per i test case considerati pronti, l’IA genererà automaticamente un’interfaccia strutturata con Automation Desk, integrando funzioni personalizzate per supportare l’esecuzione, a partire da un modello già definito per gruppi di test case. Per quelli non ancora in uno stato adeguato, il sistema adatterà e modificherà i test case per allinearli ai requisiti dell’automazione oppure richiederà l’intervento dell’utente per raggiungere lo stato desiderato.
Guardando al futuro, il framework mira ad andare oltre i test case esistenti, partendo direttamente dai requisiti di sistema e generando test case intrinsecamente conformi alla struttura di automazione del cliente. Questa visione supporta una transizione fluida dall’ingegneria dei requisiti a test automatizzati, eseguibili e ottimizzati tramite intelligenza artificiale.
Argomento principale: intelligenza artificiale e apprendimento automatico
Corso di studio e requisiti candidato:
Laurea magistrale (o all’ultimo anno di laurea triennale) in Informatica, Ingegneria del software, Ingegneria elettrica o in un campo correlato.
Competenza di Python, inclusa l’elaborazione dei dati e la scrittura di script.
Sede: Napoli.
_________
The increasing complexity of modern automotive electronics systems is leading to a more efficient approach to software and integration testing, aiming to reduce time to market and reduce development costs. With this thesis work, we are introducing an artificial intelligence framework to evaluate test cases and determine the compliance with the framework defined and their automated execution.
The system will analyse both the capability of the testing environment and the intrinsic properties of each test case to decide whether a test is “ready for automation” or not. For test cases deemed ready, the AI will automatically generate a structured interface with Automation Desk, integrating custom functions to support execution, starting from a template already defined for clustered test cases. For those not in a suitable state, the system will adapt and modify the test cases to align them with the requirements of automation or will require user support to achieve the desired state.
Looking ahead, the framework aims to extend beyond existing test cases by starting directly from system requirements, generating test cases that inherently conform to the automation structure of the client. This vision supports a seamless transition from requirements engineering to executable, AI-optimized, automated tests.
Main topic: Artificial Intelligence and Machine Learning
Course of study and candidate requirements:
Master’s degree (or final year of bachelor’s degree) in Computer Science, Software Engineering, Electrical Engineering, or a related field.
Proficiency in Python, including data processing and scripting.
Location: Naples.
