Как не обманываться метриками покрытия и научиться реально измерять качество кода и надёжность современных ИИ-систем? Встречаемся 28.04.2026 в в 19:00 в офисе компании Askend, 2й этаж, 80f Tartu maantee.
Билеты: https://www.eventbrite.com/e/devclubeu-198-tickets-1989374032283
Подробности:
Иван Пономарёв
Красивые цифры, или Что мы измеряем на самом деле, когда измеряем покрытие
Покрытие кода тестами кажется обманчиво простым — пока не начинаешь принимать решения на основе отчёта.
В этом докладе мы разберём основные метрики — покрытие строк, операторов, ветвлений и путей выполнения — покажем, как каждая из них может вводить в заблуждение, и увидим, почему рост процента покрытия не всегда означает рост качества.
На небольших наглядных примерах мы рассмотрим типичные «иллюзии покрытия» (зелёные строки и растущие проценты, которые не повышают качество тестов), покажем, как цикломатическая сложность может задавать нижнюю границу числа необходимых тестов, а также обсудим мутационное тестирование как дополнительный подход и его практические ограничения.
Вы научитесь замечать «зону насыщения», где погоня за дополнительными процентами перестаёт окупаться, и настраивать разумные quality gates, которые поощряют реальное обнаружение дефектов, а не «красивые цифры».
Сергей Чипига
EVA-LLM \n AI Metrology
В условиях жёсткого регулирования, таких как EU AI Act, ИИ перестает быть «чёрным ящиком» для экспериментов. Теперь это промышленный актив, требующий доказательной надёжности.
Поскольку ИИ не является детерминированной средой, его безопасность невозможно подтвердить классическими математическими методами. Единственный путь к предсказуемости — это получение Statistical SLA через массированное автоматизированное тестирование.
EVA-LLM (https://eva-llm.github.io) — это комплексная экосистема, которая переносит классическую пирамиду тестирования в сферу искусственного интеллекта.
