NEW BOT Телеграм, страница

2.05K viewsedited 10:04

#تجربه

چطوری برای پروژه‌های هوش مصنوعی تست می‌نویسیم !؟

یک دوستی توی لینکدین این سوال جالب و خیلی خیلی مهم رو گذاشته که من قبل جواب دادن به ایشون گفتم تجربه خودم رو به اشتراک بذارم (قبلاً راجبش صحبت نکرده بودم) :

خداروشکر تست نویسی خوب داره رواج پیدا می‌کنه (متأسفانه بین دولوپرهای هموطن خیلی کم دیده میشه)
حتی وقتایی که زمانبندی پروژه خیلی کم هست (مشکل اصلی ۹۰٪ تست ننوشتن ها)
حداقل باید تمام سناریوهایی که بهش فکر میشه توی دیزاین و تست‌های دستی وجود داشته باشه (ی جور Todo خاص برای وقتی زمان اجازه میده و دولوپر‌های بعدی)

من ی مورد دیگه رو هم اضافه کنم بعد میرم سراغ جواب دادن به سوال :

تورو خدا Error Handling بذارید، دیباگر خوبه، print , log و ... هم خوبه ولی یوزر یا دولوپر‌های دیگه‌ای که از کد شما بعنوان سرویس استفاده می‌کنند باید متوجه بشن کجا به مشکل خورده پروژه که بتونه به شما اطلاع بده و شما reproduce کنید. (Debuger , ... فقط برای زمان توسعه کد هست توی production این error handle هست که کمک می‌کنه ؛ ی فکری بکنید به پروژه‌های بدون error handle که از باقی گرفتید چقدر سخت بوده رفع ارور توش ؟! )

جواب من برای این سوال، تست نویسی رو من برای پروژه‌های خودم (نظرشخصی و تجربه خودم) اینطور تعریف می‌کنم (باتوجه به تجربه‌ام خیلی خوب جواب ML/DL رو میده)
من دیدم بعضی دوستان میگن، تست فقط برای بخش
Data Engineering
هست کاملاً غلط هست؛ جا بندازم که اینجا چیزی به اسم تست نداریم مثل باقی موضوع بطور کلی تست نویسی اسم اشتباهی هست، برای این مرحله بهش میگیم Data Validation ینی توقع داریم یکسری اطلاعات مثلاً توزیع داده‌ها / بالانس بودن یا نبودن و ... به مرور زمان ثابت باشه (بسته به نوع پروژه داره) و اگر نبود میگیم دیتا valid نیست و بعنوان ارور نوتیف برمیگرده برای تیم‌هایی که با اون داده کار می‌کنند.

اما من چطوری تست می‌نویسم یا از تیمم توقع دارم بنویسند:
اولین قدم:
تست رو فقط و فقط برای توابع pure می‌نویسم، توابعی که مطمئنم همیشه یک خروجی ثابتی رو باید برگردونه
قدم دوم :
توابعی که side effect روی پروژه نداره ولی خروجی خودش بستگی به یکسری پارامتر ورودی داره اول تست خود پارامتر بعد تست مقادیر و خروجی تابع
قدم سوم :
تست side effect ها و توابعی که به دیتای valid شده مرحله data engineering بستگی داره, یک مثال خیلی خیلی ساده توی مراحل preprocessing فرض کنید تابعی داریم که outlier و ... رو حذف می‌کنیم
تستی که می‌نویسم اینه که اگر ورودی توزیع نرمال هست خروجی هم توزیع نرمال باشه
یا دیتا از ی حدی بیشتر imbalance نشه بیشتر از ی تعدادی outlier پیدا نشه وگرنه validation مرحله قبلی زیر سوال هست

در نهایت پارامتر‌های مدل و دقت و لاس و .... رو بررسی می‌کنم (توقع دارم اگر مدل تا حالا روی ۹۰٪ دقت بوده توی همین حدود بمونه، اشاره کنم بازم که دقت به تنهایی اصلا معیاری خوبی نیست)

خلاصه :
تست نویسی توی پروژه‌های هوش و هرجایی که به دیتای متغییر وابسته هست متفاوت می‌شه بطور کلی.

پ.ن : من اینجا از valid / test و ... که برای خروجی مدل هست و همه بلدش هستید صحبتی نکردم
چون سوال بنظرم ربطی به این موضوع نداشت.

👍19❤2🥰1🎉1

2.27K viewsedited 22:55