Modelo de automatización de pruebas de APIs utilizando herramientas de inteligencia artificial para optimización de procesos de desarrollo en fábricas de software

Abstract

El flujo de trabajo de pruebas de API puede ser ineficiente y demandar un alto consumo de tiempo y esfuerzo. Los equipos de desarrollo y pruebas enfrentan dificultades para generar conjuntos de pruebas relevantes y eficientes, lo que retrasa el ciclo de desarrollo y compromete la calidad del software. En este trabajo, proponemos un modelo que integra herramientas de automatización y de inteligencia artificial para optimizar la generación y ejecución de conjuntos de pruebas de APIs complejas con múltiples endpoints y parámetros. El modelo se estructura en tres fases principales. La primera, de filtrado basado en contenido, utiliza Postbot para analizar la documentación de la API y generar un conjunto inicial de pruebas a partir de los endpoints identificados. La segunda, de filtrado colaborativo, examina los resultados de las ejecuciones previas y proporciona recomendaciones personalizadas que fortalecen la relevancia y calidad de los casos de prueba. Finalmente, mediante Newman, las pruebas se ejecutan en flujos de trabajo de integración continua, lo que permite su ejecución automatizada y la generación de informes de resultados para el monitoreo del rendimiento de las APIs La implementación de este modelo logra reducir significativamente el tiempo y esfuerzo invertidos en la creación de conjuntos de prueba, además de disminuir la incidencia de errores en entornos productivos. Como aporte, este estudio ofrece un enfoque práctico y adaptable que contribuye a la optimización del proceso de pruebas de API, favoreciendo el desarrollo de sistemas más robustos, confiables y eficientes

The API testing workflow can be inefficient and demand significant time and effort. Development and testing teams often face challenges in generating relevant and effective test suites, which delays the development cycle and compromises software quality. In this study, we propose a model that integrates automation and artificial intelligence tools to optimize the generation and execution of test suites for complex APIs with multiple endpoints and parameters. The model is structured into three main phases. The first phase, content-based filtering, uses Postbot to analyze API documentation and generate an initial test suite based on the identified endpoints. The second phase, collaborative filtering, examines the results of previous executions and provides personalized recommendations that enhance the relevance and quality of the test cases. Finally, using Newman, the tests are executed within continuous integration workflows, enabling automated execution and the generation of result reports for monitoring API performance. The implementation of this model significantly reduces the time and effort required to create test suites, while also decreasing the incidence of errors in production environments. As a contribution, this study offers a practical and adaptable approach that supports the optimization of the API testing process, fostering the development of more robust, reliable, and efficient systems.