בקצרה

נתונים סינתטיים (synthetic data) לבדיקות הם נתונים מומצאים שנועדו להפעיל תהליך תוכנה בלי להעתיק רשומות של לקוחות. בפיתוח עם סוכני AI במערכות לגאסי משמרים את הקשרים והחריגים שמעוררים את התקלה, ומוודאים שאפשר ליצור שוב את אותו מערך. שמות שנראים אמיתיים אינם מוכיחים שהתיקון מטפל במקרה העסקי.

הרעיון של המאמר, משורטט ב־18 שניות. לחצו על הרמקול לסאונד.

יצירת נתונים סינתטיים מתחילה בתקלה

סוכן פיתוח צריך מספיק הקשר כדי לשחזר בעיה, אבל יצוא של בסיס הנתונים בפרודקשן מכיל בדרך כלל הרבה מעבר להקשר הדרוש. מתחילים בהתנהגות: איזה מצב רשומה, סדר אירועים או ערך חסר גורם לכשל? מתארים את התנאים בלי לצרף שיחות לקוח, מסמכים או רשומות ממסד הנתונים.

הנחיות הבדיקות של Microsoft במסגרת Azure Well-Architected (נבדק ב-18 בנובמבר 2026) ממליצות על נתונים סינתטיים כברירת מחדל, ושומרות נתוני פרודקשן, לאחר אנונימיזציה מתאימה, לתרחישים מסוימים שבהם נתונים סינתטיים אינם משחזרים את המורכבות הנדרשת, למשל בדיקת סקריפטים להעברת נתונים. כשתקלה נופלת בקטגוריה הזו, מתעדים את הפער בבדיקות ובוחרים דרך אימות מבוקרת. לא מוסיפים בשקט רשומות מפרודקשן לפרומפט של הסוכן.

המאמר מציע תהליך הנדסי לבדיקות יישום בעזרת נתונים סינתטיים. הוא אינו עוסק באימון מודל ואינו טוען שהכינוי סינתטי הופך נתונים לאנונימיים. אם רשומות מקור או טקסט רגיש נכנסו למחולל, בודקים את הפלט לפני שמשתפים אותו.

משמרים קשרים עסקיים ולא זהויות לקוח

דוגמה להמחשה בלבד, ולא סיפור לקוח: דוח במערכת הזמנות לגאסי (Legacy) נכשל כאשר הזמנה כוללת שני נוסעים, מקטע מבוטל והחזר חלקי. אוסף אקראי של שמות וסכומים לא בהכרח ישחזר את השילוב הזה. בונים הזמנה מומצאת עם הקשרים האלה ומסבירים מה צריך להופיע בדוח.

משתמשים במזהים מומצאים ועקביים ברשומות ההזמנה, הנוסעים, המקטעים וההחזרים. מבחינים בין מקרה לא תקין שנוצר בכוונה לבין טעות בנתוני הבדיקה. הפניה חסרה עשויה להיות התקלה שבודקים, בעוד הפניה שבורה שאינה קשורה רק תעצור את הבדיקה לפני שתגיע לקוד הרלוונטי.

מהנדס שמכיר את התהליך מאמת את התוצאה הצפויה לפי הכלל העסקי. לא נותנים לסוכן לגזור את ההחזר הצפוי מתוך המימוש שהוא עצמו מציע. שומרים מקרה קטן ומזוהה לכל חריג חשוב, ואז מוסיפים סביבו וריאציות שנוצרות אוטומטית.

יכולת שחזור דורשת יותר מ־seed קבוע

תיעוד Faker (נבדק ב-18 בנובמבר 2026) מתאר יצירה עם seed קבוע, אך מזהיר ששדרוג הספרייה עשוי לשנות את הערכים גם עם אותו seed. שיטות שמייצרות תאריכים יחסיים דורשות גם תאריך ייחוס קבוע כדי לקבל תוצאה חוזרת. Faker מייצר בעיקר ערכים בסיסיים, ולכן את הקשרים בין הרשומות ביישום מגדירים בפונקציות factory משלכם.

בבדיקת ההזמנה שבדוגמה מתעדים את גרסת המחולל, ה־seed, תאריך הייחוס וגרסת המתכון לנתוני הבדיקה. מקבעים את התלויות הרלוונטיות ושומרים על סדר היצירה. אם וריאציה אקראית חשפה כשל, שומרים את המקרה הבטוח לשימוש או מספיק מידע כדי ליצור אותו שוב.

לפני מסירת המשימה לסוכן יוצרים את המערך פעמיים בסביבות בדיקה זמניות ומשווים את השדות החשובים לתוצאה הצפויה. חותמת זמן או מזהה שמשתנים לא צריכים לקבוע אם הכלל העסקי נראה תקין. מתעדים בנפרד שונות שנשמרת בכוונה.

ניהול נתוני בדיקה כולל גם את הפלט

מגדירים מה הסוכן רשאי לקרוא: סכמת הנתונים המצומצמת, הנתונים המומצאים, התוצאה הצפויה והקוד הרלוונטי. בודקים הערות בטקסט חופשי, קבצים מצורפים ולוגים, ולא רק עמודות זיהוי בולטות. החלפת שם הלקוח אינה משנה את שאר התוכן.

פרטי קשר שנוצרו אוטומטית אינם הרשאה ליצור קשר עם אדם כלשהו. מנתבים מייל, הודעות, תשלומים וקריאות webhook לתחליפים מבוקרים בסביבת הבדיקה. מאמתים באילו יעדים תהליך הבדיקה משתמש בפועל. רשומה מומצאת שמחוברת לשירות שליחה חי עדיין יכולה לגרום לפעולה אמיתית.

בודקים לוגים של כשל וצילומי מסך לפני שמוסיפים אותם לפרומפט הבא או לחומרי הסקירה. שומרים תיעוד של מקור נתוני הבדיקה, הרשאות הגישה ומשך השמירה. זהו נוהל תפעולי, ולא אישור שכל חובות הפרטיות מולאו.

קובעים תנאי קבלה מועילים

דורשים שהכשל המקורי יהיה ניתן לשחזור עם הנתונים המומצאים, שהתיקון המיועד יעבור ושמקרים סמוכים ישמרו על ההתנהגות שסוכמה. אם המערך אינו משחזר את התקלה, מסמנים שהגורם עדיין לא אומת. כמות גדולה של רשומות אקראיות אינה תחליף לראיה חסרה.

מערך קטן לבדיקה תפקודית אינו מוכיח קיבולת בפרודקשן. בדיקות עומס דורשות הנחות נפרדות על נפח, התפלגות, מקביליות וסביבה. גם שירות מדומה אינו מוכיח שהאינטגרציה החיה פועלת. מציינים את הפערים האלה בסקירה.

UVISION מספקת מפתחים ייעודיים ופרויקטים מנוהלים עם לפחות מפתח אחד במשרה מלאה בכל פרויקט. במערכות לגאסי קריטיות, תחזוקת נתוני בדיקה שימושיים היא חלק מאחריות הנדסית מתמשכת. AI יכול להאיץ הכנת בדיקות ושינויי קוד, בזמן שמהנדסים מנוסים שומרים על ההקשר העסקי ומחליטים מה הראיות באמת מוכיחות.

שאלות נפוצות

מהם נתונים סינתטיים לבדיקות?

נתונים סינתטיים לבדיקות הם מידע מומצא המשמש להפעלת התנהגות של תוכנה. במערכת הזמנות לגאסי הם יכולים לייצג הזמנות, נוסעים והחזרים מקושרים בלי להעתיק רשומות לקוח. ערכם תלוי בשחזור התנאים והחריגים הרלוונטיים. שמות מציאותיים אינם מספיקים, וגם מערך שמכונה סינתטי דורש בדיקה אם מידע רגיש השפיע על יצירתו.

מהי יצירת נתונים סינתטיים לבדיקות?

יצירת נתונים סינתטיים לבדיקות היא הפקת רשומות מומצאות לפי מתכון, כללים או מחוללים. בבדיקות יישום מגדירים קשרים ומקרי קצה במקום ליצור שדות שאינם קשורים. כדי לשחזר כשל שומרים את גרסת המתכון, גרסת המחולל, ה־seed ותאריך הייחוס. את התוצאה הצפויה מאמתים בנפרד מהמימוש שסוכן הפיתוח מציע.

מהו ניהול נתוני בדיקה?

ניהול נתוני בדיקה כולל הכנה, אספקה, בקרה ותחזוקה של המידע שבו הבדיקות משתמשות. בפיתוח עם סוכן AI הוא כולל תיעוד מקור, הרשאות גישה, יכולת שחזור, יעדי בדיקה ובחינת הפלט. מתעדים גם מגבלות: מערך קטן לבדיקה תפקודית אינו מוכיח קיבולת בפרודקשן, ושירות מדומה אינו מאמת אינטגרציה חיה.

לקריאה נוספת

רוצים לבחון איך זה מתאים למערכות שלכם?

לשירות הרלוונטי