이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
AI 기반 테스트 자동화에 접근하는 방법은 기존 규칙 기반 자동화가 잘 다루지 못하는 영역을 먼저 찾는 것입니다. 화면 레이아웃 변화 감지나 시각적 회귀 테스트는 픽셀 비교 방식의 한계가 있었는데, ML 기반 비주얼 테스트 도구가 이 부분을 보완합니다. 수업 소프트웨어 테스트 과목에서 AI 테스트 도구 동향을 조사했는데, 자연어로 테스트 시나리오를 작성하면 코드로 변환하는 도구들이 나오고 있었습니다. 이게 실용화되면 도메인 전문가가 직접 테스트 케이스를 설계하는 데 도움이 될 것이라고 생각합니다. AI 접근의 주의점은 테스트 결과를 맹목적으로 신뢰하면 모델이 인식 못하는 오류를 놓칠 수 있다는 것입니다. AI가 보완하는 것이지 인간의 탐색적 테스트를 완전히 대체하는 것은 아직 어렵다는 인식을 갖고 접근하고 있습니다.
AI 기반 테스트 자동화에 제가 접근하는 방식은 기존 방식이 약한 곳부터 찾아 적용하는 것입니다. 규칙 기반 자동화는 화면 레이아웃이 조금만 바뀌어도 깨지고, 픽셀 비교 방식의 시각 회귀 테스트는 한계가 많았습니다. 그래서 저는 AI가 보완에 강한 영역, 예를 들어 시각적 변화 감지나 셀렉터가 바뀌어도 따라가는 유지보수 같은 곳에 먼저 적용하는 것이 효과적이라고 봤습니다. 전부 한 번에 AI로 바꾸려 하기보다, 가치가 분명한 곳부터 좁혀 들어간 것입니다. 또 자연어로 테스트 시나리오를 작성해 코드로 변환하는 도구는, 도메인 전문가가 직접 케이스를 설계하는 데 도움이 될 것이라 봤습니다. AI 자동화는 모든 것을 대체하는 것이 아니라, 기존 방식이 약한 곳부터 골라 적용하는 것이라고 생각합니다.
AI 테스트 자동화에서 제가 솔직히 경계하는 한계는 생성된 테스트가 정말 의미 있는 오류를 잡는지입니다. AI가 코드를 실행하는 테스트는 만들어내지만, 그것이 비즈니스 요구사항 관점에서 진짜 중요한 오류를 잡는 테스트인지는 따로 검증해야 했습니다. 또 모델이 잘못된 판단 기준을 끼워 넣거나, 맥락을 충분히 모르는 레거시 코드에서 오탐을 내기도 합니다. 그래서 저는 AI가 만든 결과를 맹목적으로 믿지 않고, 사람이 의미를 검토하는 단계를 두는 것이 필요하다고 봤습니다. AI는 사람의 탐색적 테스트를 보완하는 것이지 아직 완전히 대체하지는 못합니다. 그래서 저는 AI 도구를 커버리지 증가나 작성 시간 같은 지표로 평가하고, 팀 수준에 맞춰 단계적으로 들이는 것이 맞다고 생각합니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 배달의민족(우아한형제들) 품질보증 면접관이 던질 가능성이 높은 후속 질문.
이 페이지의 질문·답변·꼬리질문은 유사 직군 채용 시장의 공개된 면접 후기·커뮤니티 게시물을 분석해 구성한 학습 자료입니다. 특정 회사가 실제로 이 질문을 출제했다는 것을 보장하지 않으며, 모든 예시는 우문현답이 직접 작성한 창작물입니다. 해당 회사의 공식 입장과는 무관합니다. 회사 측의 정정 요청이 있을 경우 24시간 이내에 응답·수정합니다.