기본 콘텐츠로 건너뛰기

STAREAST 참관기 - Rapid Software Testing Strategy

지난 5월 5일부터 5월 8일까지 4일동안 세계에서 가장 큰 소프트웨어 테스팅 컨퍼런스라 일컬어지는 STAREAST 2014에 다녀왔습니다.

남들에게는 황금 연휴였고, 그 연휴기간동안 가족을 내팽개치고 다녀온 컨퍼런스였습니다.

회사 지원으로 다녀온 컨퍼런스였기 때문에 가족을 챙길 여력은 없었는데 가보니 가족과 같이 왔더라면 정말 좋았겠다라는 생각이 들더군요. 씨랜드, 유니버셜 스튜디오, 디즈니랜드까지 돈만 있다면 정말 놀기에는 최적화된 곳에서 컨퍼런스가 열렸습니다.

컨퍼런스가 열린 곳이 바로 플로리다의 올랜도라는 도시였습니다.

플로리다에는 마이애미만 있는 줄 알았고, 올랜도는 자동차 이름인줄 알았는데.. 하하하하..

어쨌든 4일간 제가 들었던 몇몇 세션들과 튜토리얼에 대해서 제가 느낀 내용을 간단하게 블로그에 기록으로 남겨보고자 합니다.

갔다온 내용에 대한 발표는 STEN에서 진행되는 세미나에서 나누거나 아니면 듣고 싶으신 분들이 자리를 마련해주시면 나눠보도록 하겠습니다.

컨퍼런스는 크게 2~3일간의 교육과 2일간의 튜토리얼 그리고 2일간의 컨퍼런스로 구성되어 있습니다.

전체 일정과 주제는 http://stareast.techwell.com/schedule/grid 에서 보실 수 있는데, 후에 URL이 변경될 것 같습니다. 아마 내년쯤??

저는 2일간의 튜토리얼과 2일간의 컨퍼런스에 참여했습니다.

튜토리얼에는 다양한 세션들이 준비되었는데 저는 먼저 제임스 바크의 'Rapid Software Testing Strategy'를 들었습니다.

5~6년 전인가 바크가 한국에 와서 강연했던 내용에서 많은 부분 변화가 있었습니다.

이번에 바크에게 직접 새로 들어보니 제가 잘못 이해하고 있던 부분도 있었고, 기억이 새록 새록 되살아나는 것이 정말 좋은 시간이었습니다.

그 중에 저에게 가장 뚜렷하게 각인된 몇가지만 공유하도록 하겠습니다.

첫번째는 왜 전략을 강요하는가에 대한 내용이었습니다. 일반적으로 많은 경우 전략을 세우고(계획을 세우고) 그에 따라 테스트를 충실히 수행하는 것을 미덕이라 여기는데, 우리가 테스트 해야할 대상과 내용을 모두 알고 있느냐?고 반문하더군요.

그걸 모르니 테스트를 수행하면서 전략은 지속적으로 변경되어야 하고, 발전시켜 나가야 한다는 어떻게 보면 굉장히 당연한 얘기지만 꽤 신선하게 받아들였습니다. 왜냐하면 제가 만나본 많은 매니저들은 명확하지 않으면 사람을 신뢰하지 못하는 경우가 많아서 계획을 명확하게 세우기를 강요하고 그렇게 진행되지 않으면 진행되지 않는 책임에 대해 추궁하는 경우가 많은데.. 그게 틀렸다는 것이니 꽤 공감이 갔습니다.

관련해서 기억이 남는 것은.. 좋은 질문이 계속되어야 테스팅의 완성도가 높아진다는 것.. 즉, 테스터는 제품에 대해 끊임없이 질문을 하고 그에 대한 해답을 구해야 하고 그러한 활동이 테스팅이라고 하더군요.

따라서 테스팅에서 가장 중요한 활동은 학습이라고 강조했습니다. 기존 V-모델의 문제는 이러한 학습이 없다는 것이라고 하더군요.

이와 관련해서 우리가 테스팅을 수행하려면 도메인 지식을 굉장히 중요하게 여기는데 그러한 도메인 지식보다는 학습 능력이 더 중요한 능력이라고 하더군요.

두번째는 자동화와 매뉴얼 테스팅을 왜 구분하느냐는 것이었습니다. 우리가 개발자나 디자이너에게는 자동화와 매뉴얼을 구분하지 않으면서 왜 테스팅은 두가지를 구분하냐고 하더군요.

그러면서 자동화라는 용어보다는 도구 지원을 받는 테스팅이라고 부르는 것이 더 낫다고 했습니다.

세번째는 리스크 기반 테스팅이었습니다.

여기서 말하는 리스크는 예상되는 문제를 리스크라고 하더군요. 즉, 테스트를 설계하는 과정은 발생할 수 있는 문제를 예측하는 것이고(추론), 그 예측에 따라 실제 문제가 발생하는지 확인하고 그 과정을 통해 제품의 명시적이고 암묵적인 요구사항에 대한 학습을 지속하는 과정이 테스팅이다라는 것이 리스크 기반 테스팅이었습니다.

이와 관련되어서 가장 오랜 시간 얘기된 내용이 모델에 대한 내용이었습니다.

안되는 영어 실력으로 우걱 우걱 들었기 때문에 제가 잘 못 이해한 내용이 있을 수 있지만.. 정말 좋은 세션이었습니다.


댓글

이 블로그의 인기 게시물

AI 에이전트의 환각과 프롬프트 폭증을 막는 '컨텍스트 엔지니어링(Context Engineering)'과 아키텍처의 미래

AI 코딩 에이전트나 생성형 LLM을 소프트웨어 개발에 접목하는 시도가 늘어나면서, 엔지니어들이 마주하는 가장 큰 기술적 병목 중 하나는 바로 '컨텍스트(Context)'의 관리입니다. 저 역시 최근 AI와 바이브 코딩(Vibe Coding)을 활용해 여러 프로젝트를 진행하고 있는데, 하나의 대화창(세션)을 오래 켜둔 채 작업을 계속 이어가다 보면 AI가 초기 맥락을 잊어버리거나 이전에 지켜달라고 했던 제약조건을 놓치며 실수를 저지르는 경우를 자주 겪곤 합니다. 그래서 저는 목적별로 대화창을 명확하게 분리해서 작업하거나, 어느 정도 작업 단계가 진행되면 지금까지의 구현 내용과 의사결정을 요약 정리한 뒤 새 대화창에서 AI에게 이를 다시 학습시키는 방식으로 맥락을 관리하고 있습니다. 그렇다면 엔지니어링 아키텍처 차원에서는 이 문제를 어떻게 접근하고 있을까요? InfoQ의 발표 아티클 "Architecture / Context Engineering"에서는 바로 이 지점, 즉 단순한 프롬프트 엔지니어링을 넘어 시스템 아키텍처 수준에서 컨텍스트를 제어하는 '컨텍스트 엔지니어링(Context Engineering)'의 필요성과 구체적인 프레임워크를 다루고 있습니다. (출처: InfoQ - Architecture / Context Engineering) https://www.infoq.com/presentations/architecture-context-engineering/ 발표자들은 코딩 에이전트나 자율형 에이전트가 현장에서 실패하는 가장 큰 이유로 '비대해진 컨텍스트 윈도우(Bloated Context Windows)'와 무분별하게 채워진 프롬프트(Stuffed Prompts)를 꼽습니다. AI에게 너무 많은 정보를 한 번에 주면, 모델의 주의력(Attention)이 분산되거나 논리적 우선순위를 놓치는 현상이 발생합니다. 마치 인간 엔지니어에게 백과사전 수십 권을 던져주고 "이거 다 읽고 10초 ...

AI의 UX, 단 5개 문항으로 측정하는 방법: SUXAI

테스트 관리에는 아주 유명한 명언이 있습니다. 어쩌면 이 말은 테스트 관리에서만 유용한 얘기는 아닐거고.. 어쩌면 여러분도 다른 곳에서 들었을 수도 있습니다. "측정할 수 없으면 개선할 수 없다" 지난 글(https://murianwind.blogspot.com/2026/07/ai_01010698011.html)에서 생성형 AI 시대에는 기존의 일반적인 사용성 지표(SUS 등)만으로는 부족하며 정확성, 신뢰성, 설명 가능성, 제어 가능성이라는 AI 에 특화된 품질 특성이 필요하다고 정리해 드린 바 있습니다. 하지만 실무자의 입장에서 항상 부딪히는 현실적인 고민이 있습니다. "이론은 좋은데, 당장 매주 업데이트되는 AI 기능의 UX를 바쁜 현장에서 어떻게 빠르고 정량적으로 측정할 것인가?"라는 점이죠. MeasuringU에서 이에 대한 명확하고 실용적인 해답을 제시하는 후속 아티클을 공개했습니다. 바로 "Streamlined Measurement of the UX of AI"입니다. (출처: MeasuringU - Streamlined Measurement of the UX of AI / Jeff Sauro, PhD & Jim Lewis, PhD) https://measuringu.com/streamlined-measurement-of-the-ux-of-ai/ Jeff Sauro와 Jim Lewis 박사는 실무 연구자들과 테스터들이 긴 설문이나 복잡한 프레임워크 없이도 AI 제품의 핵심 품질을 빠르게 측정할 수 있도록 SUXAI(Streamlined UX of AI)라는 간소화된 측정 모델을 구축했습니다. 기존에 수많은 문항으로 분산되어 있던 지표들을 통계적 요인 분석을 통해 쥐어짜고 압축하여, 핵심적인 5가지 5점 척 문항 으로 표준화했습니다. SUXAI를 구성하는 5가지 핵심 평가 문항 정확성 (Accuracy): "이 AI가 생성한 결과물은 정확하다." 신뢰성 (Trust/Re...

합성 사용자(Synthetic Users)의 5가지 유형과 AI 테스팅 현장에서의 활용법

AI와 생성형 모델 기술이 발전하면서, 사용자 경험(UX) 연구와 테스팅 현장에서 가상 퍼소나를 활용해 테스트 데이터를 수집하거나 사용성을 평가하려는 시도가 급격히 늘고 있습니다. 이를 흔히 '합성 사용자(Synthetic Users)'라고 부릅니다. 하지만 막연히 "AI에게 사용자 역할을 시켜 테스트를 돌린다"고 할 때, 그 가상 사용자가 어떤 방식과 데이터로 생성되었는지 명확히 구분하지 않으면 자칫 왜곡된 결과에 빠질 위험이 있습니다. UX 및 사용성 리서치 분야의 권위 있는 기관인 MeasuringU에서 이 합성 사용자의 개념을 명쾌하게 분류한 아티클을 공개했습니다. 바로 "What Are the Different Types of Synthetic Users?"라는 글입니다. (출처: MeasuringU - What Are the Different Types of Synthetic Users? / Jeff Sauro, PhD & Jim Lewis, PhD) https://measuringu.com/what-are-the-different-types-of-synthetic-users/ Jeff Sauro와 Jim Lewis 박사는 합성 사용자를 단순히 하나의 개념으로 뭉뚱그리지 않고, 생성 기술의 근거와 데이터 기반에 따라 크게 5가지 유형으로 깔끔하게 정리해 줍니다. 첫째는 규칙 기반(Rule-Based) 합성 사용자입니다. AI 모델이 아니라 사전 정의된 조건문, 정규식, 시나리오 스크립트에 따라 움직이는 전통적인 형태의 가상 사용자입니다. 예측 가능하고 정확하지만, 인간 사용자의 복잡한 정서나 미묘한 변수를 반영하진 못합니다. Selenium, Playwright, K6 같은 도구를 통해 지정된 경로대로 버튼을 누르고 데이터를 입력하는 방식을 들 수 있습니다. 둘째는 퍼소나 기반 LLM(Persona-Based LLM) 합성 사용자입니다. 생성형 AI에게 "너는 50대 비테크놀로지 사용...