기본 콘텐츠로 건너뛰기

요즘 저는...

저는 요즘 테스팅 실무보다는 테스팅의 이론적인 정리나 강의 등을 주업으로 하고 있습니다.

최근 저는 ISTQB의 모델기반테스팅 실라버스를 번역하고 있고.. 관련해서 공부를 하고 있습니다. 꽤 오래된 개념이지만 최근의 이 이론적 방법론에 푹 빠져 있는 상태입니다. 자격증도 따야할텐데..

아마 내일이면 공식적으로 배포될 예정인(배포가 되지 않을 수도 있겠죠..) 사용성 테스팅 실라버스를 들여다보고 있습니다. 개인적으로 사용성 테스팅을 하고 계시거나 배우기를 원하시는 분이라면 내용면에서 매우 알차다고 볼 수 있습니다. 최신의 표준이나 추세에 대한 내용은 깔끔하게 정리되어 있어서 매우 좋습니다.

안드로이드 테스팅은 여러 사정으로 거의 손을 떼었고..

애자일 테스팅과 DevOps는 계속 공부는 하고 있지만.. 이걸로 밥 벌어 먹고 살 수 있는건지는 잘 모르겠습니다. 가장 어려운건.. 저는 개발을 전혀 할 줄 몰라서.. 정말 어렵습니다. 최근에야 다시 개발을 배우기 시작해볼까 하는 마음은 생겼는데.. 흠.. 온라인에서 무료로 제공되는 강의들은 잘 이해가 안가고 괜찮은 멘토분을 모시기에는 생활이 궁핍하고 이래저래 핑계만 많네요.. 뜻이 있어도 길은 없는 것 같은 요즘이기는 합니다.

계속해서 탐색적 테스팅과 Rapid Software Testing에 대한 내용을 정리하고 있고...(그런데 이것도 요즘은 다들 관심이 없으셔서.. 가르치기도 힘들고... 밥 벌어 먹고 살기 힘드네요..)

개인적으로 Product centered testing과 User centered testing이라는 개념으로 테스팅을 구분하고 체계화 하는 작업을 하고 있습니다.

책을 써보고 싶은 마음은 있는데.. 가방 끈도 짧고 레퍼런스 조사같은거 할 시간도 충분치 않고.. 그냥 제 개인적인 의견 끄적여봐야 여러 사람들에게 폐만 끼칠것 같아.. 마음만 갈무리고 하고 있습니다.

ISTQB에서는 계속 새로운 실라버스가 나오고 있는데, 국내에는 여러 사정으로 도입이 되지 않고 있어서 좀 아쉽기도 합니다. (최근에 사람들이 테스팅에 큰 관심이 없거나 다들 먹고 살기 힘들구나라는 추측을 하고 있습니다.)

이제 한해도 거의 마무리가 되어가는데, 내년에는 어떤 일들이 펼쳐질지..

제가 손대는 분야마다 흥하지를 않아서 먹고 살기 힘든데.. 제발 내년에는 제가 잘 도와드릴 수 있는 분야에 많은 분들이 관심을 가지고 도움을 요청했으면 하는 바램입니다.

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...