Undabot će nam se kao partner konferencije pridružiti i ove godine. O tome kakva im je bila protekla godina, na čemu rade i kakve su sve nagrade za svoje uratke u međuvremenu dobili, popričali smo u .debug TV studiju s Anom Šeler, voditeljicom designa u Undabotu i lanjskom predavačicom na .debugu.

U razgovoru ćete čuti i što sve, osim rada na uzbudljivim i dinamičnim projektima, nude svojim zaposlenicima, ali i kakvo su zanimljivo predavanje pripremili za .debug 2024. Ono nosi naziv “Kako reći NE kao junior, a kako kao senior” – više o tome poslušajte u videu, a potom i na glavnom stageu .debuga!

Kupi ulaznicu

Objava VIDEO: Predstavljamo partnera .debuga, Undabot pojavila se prvi puta na .debug.

U kategoriji Website, nagradama se odaju priznanja projektima u području dizajna i razvoja internetskih stranica. U ovom je krugu natjecanja bilo prijavljeno više od 1500 projekata iz 26 zemalja sa šest kontinenata.

“Izuzetno smo zahvalni i ponosni što smo primili priznanja Web Excellence Awards. Naš uspjeh svjedoči o trudu i stručnosti našeg tima poslovnih analitičara, dizajnera i developera koji se u svaki projekt daju 100% – i to se odražava na rezultatima. Ovo postignuće ne pripada samo našem timu već i našem klijentu koji može s ponosom isticati svoj nagrađeni internetski portal”, kazao je Hrvoje Kapetanović, glavni izvršni direktor Undabota.

“Čitatelji svakodnevno nagrađuju aktualnost i pravovremenost DNEVNIK.hr-a kada su u pitanju vijesti iz zemlje i svijeta, no portal istom ažurnošću prati i odgovara na potrebe svoje publike. Njezine preference i želja za još boljim doživljajem informiranja utkani su u novi dizajn DNEVNIK.hr-a koji svojim modernim izgledom, modularnošću, brzinom, intuitivnošću te preglednošću prati svjetske trendove, za što smo sada dobili i potvrdu struke”, rekao je Domagoj Repač, voditelj upravljanja projektima Novih medija Nove TV.

O Web Excellence Awards

Web Excellence Awards je platforma za poduzetnike, IT tvrtke i eksperte za digitalna rješenja kroz koju mogu prikazati svoj rad i sudjelovati u međunarodnim natjecanjima. Više informacija dostupno je na Web Excellence Awards internetskim stranicama.

Objava Undabot osvojio Web Excellence nagrade za dva projekta web redizajna pojavila se prvi puta na .debug.

Undabot, jedna od vodećih IT tvrtki sa sjedištem u Zagrebu, nedavno je obilježila 10 godina uspješnog poslovanja kroz osvježenje vizualnog identiteta. Uz novi i moderniziran website, odlučili su se i za izradu custom ilustracija koje iz kreativnog kuta prikazuju rad Undabota. Kako su tvrtka koja izrađuje custom rješenja za svoje klijente, ništa manje nisu htjeli ni za svoje ilustracije. U suradnji s međunarodno priznatom ilustratoricom i muralisticom, Teom Jurišić, stvorene su jedinstvene ilustracije koje dočaravaju duh i karakter Undabotovog radnog okruženja i atmosfere. Svaka ilustracija pažljivo je osmišljena kako bi se istaknule vrijednosti tvrtke te predanost kreiranju izvrsnih rješenja kroz stručan pristup, što čini srž Undabotovog poslovanja.

Kako i zašto je došlo do suradnje otkriva marketing managerica Undabota, Marina Vnučec:

“Nekoliko mjeseci se unutar tima “kuhala” ideja o izradi custom ilustracija i suradnja s Teom se tu pokazala se kao pun pogodak. Iako smo definirali neke smjernice, kao što su boje branda i tip ilustracije, prepustili smo Tei cijeli kreativni proces i ona je to odradila izvrsno! Odlično je prenijela atmosferu u tvrtci, i uspješno i vjerno to utkala  u ilustracije. Zaista smo zadovoljni suradnjom i nadamo se da ćemo i ubuduće imati prilike ponovno zajedno raditi!”

Kako izgleda suradnja iz perspektive ilustratorice, otkrila nam je ona sama:

„Suradnja s Undabotom je bila prva takve vrste. Čim sam dobila poziv za suradnju, zainteresirala sam se jer mi je to bilo nešto novo, a novo je često kod mene sinonim za izazov, što naposljetku vodi k učenju. Čitava IT branša mi nije inače bliska, ali rad s kreativnim, mladim timom iz Undabota je doveo do toga da naučim što je kodiranje, user journey i slično“, objašnjava Tea.

Tea za sebe kaže kako je pripovjedač koji sve ideje klijenta može pretočiti u sliku, koristeći se metaforama i umjetničkim stilom koji je prepoznat od mnogih međunarodnih studija i agencija. Završila je Akademiju likovnih umjetnosti, gdje se počela izražavati kroz različite tehnike slikanja, crtanja i grafike. O suradnji s Undabotom ima samo riječi hvale:

„Ekipa iz Undabota je imala jasnu viziju kakav konačan proizvod žele, tako da sam imala određene upute poput korištenja nekoliko boja i plošnih oblika u ilustracijama, što mi se svidjelo jer je bio dobar izazov izaći iz svog uobičajenog modela rada. Ono što bih posebno htjela istaknuti je da se custom made ilustracije koje sam radila ne mogu mjeriti sa stock ilustracijama, jer imaju autorski potpis i utjecaj klijenta koji je svojim inputom radio na njima skupa sa mnom. Sve te stavke naposljetku vode prema tome da korisnik ilustracija polako po njima postaje prepoznatljiv i unikatan. Suradnja je bila divna, nekomplicirana i brza, tako da smo u ovom projektu postali dobar tim“, zaključuje Tea Jurišić.

Objava Undabot ostvario suradnju s ilustratoricom i muralisticom Teom Jurišić pojavila se prvi puta na .debug.

Danas je u Zagrebu predstavljeno poslovanje Undabota, jedne od vodećih domaćih tehnoloških kompanija koja ove godine obilježava deset godina uspješnog rada. Prezentirana je i nova mobilna i TV platforma za streaming audio-vizualnog sadržaja i video igara, cliq.de, koju je Undabot izradio za klijenta CLIQ Digital.

Hrvoje Kapetanović, izvršni direktor Undabota, naglasio je rast prihoda od 37% u prošloj godini u odnosu na 2021., te rast prihoda od 92% u prvom kvartalu tekuće godine u odnosu na isto razdoblje lani. Istaknuo je kako Undabot planira zaključiti prvu polovicu 2023. s 2,4 milijuna eura prihoda.

Udio izvoza u prihodima 2022. godine je iznosio 86%, a u prvom kvartalu 2023. 98%. Većina inozemnih klijenata dolazi iz zemalja sjeverne i zapadne Europe, Ujedinjenog Kraljevstva i SAD-a.

Undabot nudi cjelokupna tehnološka rješenja kroz usluge tehničkog konzaltinga, dizajna i razvoja kompleksnih web i mobilnih rješenja po mjeri klijenta. U svom radu koristi široki raspon tehnologija i pažljivo bira one koje zadovoljavaju specifične potrebe svakog projekta. Neki od referentnih projekata rađeni su za klijente kao što su Coca-Cola Hellenic Group, CLIQ Digital, Styria Media Group, Austrijska pošta, A1 Telekom Austria Group, Wiener Osiguranje, Njuškalo, Foreo i Nova TV. Clutch, najveća svjetska platforma za rangiranje IT kompanija, u zadnje tri godine ih je uvrstila među najbolje sotfverske tvrtke u svijetu, a osvajali su i nagrade na prestižnim strukovnim natjecanjima, kao što su W3, Web Excellence Awards, Mixx i Pioneers.

Undabot zapošljava 70 visoko kvalificiranih tehnoloških stručnjaka, od čega su 40% žene. U posljednje tri godine broj zaposlenih je udvostručen.

Gospodin Kapetanović izložio je i planove za budućnost, koji se odnose na proširenje portfolia usluga, daljnje širenje na tržištima SAD-a, sjeverne i zapadne Europe i otvaranje ureda u inozemstvu.

Ana Šeler, Head od Design, predstavila je Undabotove usluge izrade dizajna rješenja i neke od nagrađivanih projekata. Posebno se osvrnula na nedavno lansiranu platformu za streaming audio-vizualnog sadržaja i video igara, cliq.de. Platforma je rađena za njemačko tržište, za klijenta CLIQ Digital, specijaliziranog za online oglašavanje i kreiranje streaming usluga koje se oglašavaju ciljanim korisnicima.

Događaju se priključio i George Ursateanu, izvršni direktor tvrtke CLIQ Digital, koji je prisutnima detaljnije prezentirao funkcionalnosti aplikacije cliq.de, suradnju s Undabotom i planove za daljnji razvoj. Istaknuo je kako je CLIQ Digital prisutan u više od 30 zemalja svijeta, s uredima u Amsterdamu, Londonu, Parizu i Torontu i sjedištem u Duesseldorfu, a izlistan je na frankfurtskoj burzi. O suradnji s Undabotom rekao je: “Više od deset godina sanjali smo o razvoju platforme cliq.de. Undabot se pokazao kao vrlo profesionalan, predan i fleksibilan partner. Impresionirani smo njihovom multidisciplinarnom ekspertizom.”

Objava Undabot očekuje rast od 50% te prihode preko 4,5 milijuna eura pojavila se prvi puta na .debug.

U zadnje vrijeme svjedočimo povećanju broja dizajn meetup-ova, no većina njih je iz područja dizajna digitalnog produkta. Iako je razvoj digitalnog produkta iznimno zanimljiv s dizajn aspekta, ne rezonira u potpunosti s dizajnerima koji rade u agencijama/software development tvrtkama. Kako bi se pokrenuo razgovor o spomenutoj problematici, Undabot & Notch organiziraju prvi u nizu meetup-ova na tu temu.

On će se održati 11. svibnja, a najavljene predavačice i panelisti podijelit će svoja iskustva rada u agencijskom kontekstu. Nakon predavanja slijedi druženje uz hranu i piće u prostorijama Undabota.

Raspored

• 18:00 – 18:15 – Uvod
• 18:15 – 19:15 – Predavanja + Q&A
• 19:15 – 20:00 – Panel
• 20:00 – XX:XX – Networking + food & drinks

Link za prijavu

Sažeci predavanja

Aida Malkić: Velika očekivanja i realnost: UX procesi u agencijama

Jedan od najvećih izazova UX dizajnera u agencijama je definiranje i prilagođavanje procesa koji se, zbog užurbanijeg načina rada, razlikuju od procesa u produktnim firmama. Ovo predavanje otkrit će nam na koje načine UX dizajneri navigiraju kroz agencijski život, koje su njihove borbe s okolinom i kako mogu prilagoditi procese koji neće naštetiti kvaliteti produkta.

Aida Malkić – Aida je UX/UI Designer i Design Team Lead u Notchu. Po završetku studija matematike i informatike karijeru je započela kao grafički dizajner, a zatim se u potpunosti prekvalificirala u UX/UI dizajnera. U zadnjih 6 godina radila je na velikom broju digitalnih rješenja iz različitih industrija. Njen radni dan je najčešće obilježen ulogom UX konzultanta, te planiranjem discovery radionica i evoluiranjem dizajn procesa. Osim dizajna, bavi se društvenim igrama i učenjem japanskog jezika.

Ana Šeler: Procjene ili “koliko ti za ovo treba”?

Procijeniti vrijeme potrebno za izradu nekog projekta često je jedan od težih zadataka u dizajn svijetu. U ovom predavanju ćemo proći proces procjena, načine za obuhvaćanje što više scenarija, te razgovarati o potencijalnim problemima i kako se lakše nositi s pitanjima kao što su “koliko ti za ovo treba” i “stojiš li iza ove procjene”?

Ana Šeler – Ana je UX/UI dizajner i Head of Design u Undabotu s više od 15 godina iskustva. Tijekom karijere imala je priliku raditi na mnogo projekata iz raznih područja i industrija, te samim time surađivati s klijentima i ciljanim korisnicima iz cijelog svijeta.

Vješta je u razumijevanju potreba klijenata i fokusirana na korisničkog iskustvo. U slobodno vrijeme putuje, bavi se raznim sportovima i voli otići na koncerte.

Panel: Kako uklopiti UX procese u agencijske projekte

Pri izradi svakog projekta, UX koraka je puno i potrebno je dosta vremena kako bi se svi kvalitetno odradili. Klijenti često nemaju želje/vremena/budžeta za sve. Kako se nosimo s time, što uspijemo odraditi s klijentima, što nikako ne prolazi i o čemu ovisi, ključne su teme ovog panela.

Panelisti: Otkrivamo uskoro

Napomena

Broj posjetitelja ograničen je na 65 zbog broja sjedećih mjesta. Ukoliko ste se prijavili, a nećete stići na meetup, molimo vas da obrišete RSVP kako bi oslobodili mjesto za nekog drugog.

Link za prijavu

Video najava:

Objava Najavljujemo Design MeetUp u organizaciji Undabota i Notcha pojavila se prvi puta na .debug.

U .debug TV studiju ovoga je puta gostovala Ana Šeler, voditeljica dizajna u domaćoj IT kompaniji Undabot, koja radi kompleksne web i mobilne aplikacije za svoje domaće i strane klijente. O tome kakvi su to projekti, koje tehnologije koriste te kakve sve edukacije i sudjelovanja na konferencijama nude svojim zaposlenicima, više doznajte u videu.

Ana je spomenula i kako Undabot organizira i svoje meetupe, a uskoro pokreću novu seriju takvih događaja, koji će se baviti onime za što su i sami specijalizirani – dizajnom u agencijama. Najavila je i predavanja kojima će se predstaviti našoj publici u lipnju: bit će tu predavanje Vedrana Križeka s temom pretpostavki u poslovnom svijetu, kao i Anino predavanje o poveznicama dizajna i developmenta.

Video razgovor je u nastavku, a ulaznice su na debug.hr

Objava VIDEO: Najavljujemo novi nastup Undabota na .debugu pojavila se prvi puta na .debug.

Već tradicionalni PHP MeetUp svoje će novo izdanje doživjeti ovoga četvrtka, 20. travnja, s početkom u 18h. Ovo izdanje organiziraju tech tvrtka Undabot i ZGPHP zajednica u Zagrebu.

Ovaj događaj odlična je prilika za druženje, konzultiranje s kolegama iz industrije i građenje svog networka, a uključuje korisna stručna predavanja te nakon toga neformalno druženje uz hranu i piće. Mjesto održavanja je Undabot ured (Eurotower, 20. kat, Ivana Lučića 2a), a svi koji dođu na besplatno druženje, dobit će i Undabot goodiese.

PRIJAVITE SE

Dva zanimljiva predavanja

Event počinje (i završava) s druženjem uz hranu i piće, a tijekom meetupa posjetitelji će imati priliku čuti 2 predavanja:

Prvo predavanje je “Claim-ing the token” gdje će biti riječi o pristupnim tokenima i široko korištenom OAuth2 autorizacijskom protokolu. Kroz predavanje pokazat će se kako je Undabot Backend tim prilagodio službeni Symfony OAuth2 library za podršku prilagođenim claimovima u tokenima i prikazati kako izgleda proces upravljanja podacima koji žive samo u tokenima.

Ovo će predavanje održati Ivana Skelić, Backend developerica s povremenim izletima u Business Analytics u Undabotu. Sve izazove lako rješava uz hladnu kavu s puno šećera, a njena bogata karijera gotovo uvijek je bila vezana uz Symfony stoga se voli nazvati Symfony developericom.

Drugo predavanje održat će Ivan Penović, Head of Web Engineering i Team Lead Backend tima u Undabotu. S više od 10 godina iskustva, Ivan je osoba s kojom će se svi vrlo rado konzultirati u Undabotu, a i šire. Fokusiran je na razvoj APIja s PHPom. Veliki je fan Symfonyja i voli DDD pristup kada razvija aplikacije, ali je uvijek otvoren za nove tehnologije i dizajnerske principe.

Ivan će podijeliti svoje iskustvo na temu JSON:API library – s naglaskom na skalabilnost i usability.

Iz Undabota poručuju kako uskoro planiraju još sličnih meetupa, pa pozivaju sve da prate društvene mreže Undabota, kako bi na vrijeme saznali sve novosti. Link za prijavu na nadolazeći PHP MeetUp je, još jednom, ovdje.

Objava Undabot i ZGPHP zajednica pozivaju na novi PHP MeetUp pojavila se prvi puta na .debug.

Važnost pisanja unit testova opće je poznata među programerima. Međutim, dodavanje testova projektu koji je već dovršen može biti poprilično zahtjevan zadatak. Srećom, ne moramo to raditi sami – možemo iskoristiti ChatGPT, našu vlastitu verziju Tony Starkovog AI pomoćnika J.A.R.V.I.S.-a, da nam pomogne.

Otkako je predstavljen, ChatGPT je postao vrlo traženi alat za različite zadatke, uključujući razvoj softvera. Zahvaljujući naprednom jezičnom modelu kojeg je razvio Open AI, ima sposobnost generiranja tekstova sličnih ljudskom jeziku. Treniran je na ogromnom skupu podataka, što mu omogućuje duboko razumijevanje jezika i davanje relevantnih odgovora.  Može se prilagoditi specifičnim slučajevima uporabe, poput generiranja dijelova koda, odgovaranja na tehnička pitanja ili davanja preporuka na temelju ulaznih podataka korisnika. Zbog naprednih mogućnosti, nije neuobičajeno da programeri traže pomoć ChatGTP-a za zadatke kao što je pisanje unit testova u svojim projektima.

Za kakav projekt pišemo testove

U ovom članku pokazat ćemo vam kako nam je ChatGPT pomogao u generiranju unit testova za postojeći projekt napisan u programskom jeziku Swift. Fokus je bio na testiranju ViewModel klasa koje uključuju gatewaye i ograničenu logiku.

Klase korištene u ovom primjeru malo su modificirane da bi poslužile kao dobar primjer koda prije testiranja, te su skraćene da budu jasnije.

Dobra priprema je ključna

Prije nego se započne s pisanjem unit testova, važno je dobro razumjeti postojeći projekt i klase koje treba testirati. Analizom klasa i ubacivanjem svakog ovisnog objekta u konstruktor, osigurali smo da ChatGPT generira jasnije i opsežnije testove.

Uz to smo uključili Quick i Nimble – popularne frameworke za pisanje testova u Swiftu. Quick je behavior-driven development framework koji pruža jednostavnu, čitljivu sintaksu za pisanje testova. Nimble je framework koji olakšava pisanje tvrdnji (assertions) u testovima. U usporedbi s Xcode assertionsima i testovima, oni nude intuitivniju i ekspresivniju sintaksu, što olakšava pisanje jasnih i sažetih testova.

Kako početi

Prvo smo kopirali klasu prikazanu u nastavku i dali ChatGPT-u jednostavnu naredbu: “Please write tests using Quick and Nimble for the following Swift code”.  Kad se od ChatGPT-a traži generiranje koda, važno mu je dati što je više informacija moguće. Da smo tražili samo “Write a test for this class”, dobili bismo značajno drugačiji rezultat.

import Foundation
import RxSwift
protocol SettingsViewModelDelegate: AnyObject {
func settingsDidChange()
func showProgressIndicator()
func hideProgressIndicator()
}
protocol SettingsCoordinatorDelegate: AnyObject {
func showErrorScreen()
}
class SettingsViewModel {
weak var delegate: SettingsViewModelDelegate?
weak var coordinatorDelegate: SettingsCoordinatorDelegate?
let userInfo: UserInfo
var notificationsEnabled: Bool
var privacyEnabled: Bool
let userDefaultsManager: UserDefaultsManager
let gateway: SettingsGateway
let disposeBag = DisposeBag()
init(userInfo: UserInfo, userDefaultsManager: UserDefaultsManager = UserDefaultsManager(), gateway: SettingsGateway = SettingsGateway()) {
self.userInfo = userInfo
self.userDefaultsManager = userDefaultsManager
self.notificationsEnabled = userDefaultsManager.notificationsEnabled
self.privacyEnabled = userDefaultsManager.privacyEnabled
self.gateway = gateway
}
func changeSettings(notificationsEnabled: Bool, privacyEnabled: Bool) {
guard let userId = userDefaultsManager.userId else {
return
}
delegate?.showProgressIndicator()
let body = SettingsBody(userId: userId, notificationsEnabled: notificationsEnabled, privacyEnabled: privacyEnabled)
gateway
.changeSettings(body: body)
.subscribeOnBackgroundObserveOnMain()
.subscribe(onSuccess: { [weak self] response in
guard let self else { return }
self.notificationsEnabled = response.notificationsEnabled
self.privacyEnabled = response.privacyEnabled
self.userDefaultsManager.notificationsEnabled = response.notificationsEnabled
self.userDefaultsManager.privacyEnabled = response.privacyEnabled
self.delegate?.settingsDidChange()
}, onFailure: { [weak self] _ in
guard let self else { return }
self.delegate?.hideProgressIndicator()
self.coordinatorDelegate?.showErrorScreen()
}).disposed(by: disposeBag)
}
}

ChatGPT je generirao dobro strukturirani test koji zadovoljava sve potrebne specifikacije:

1. Test je potklasa klase QuickSpec:

• • Ima metodu spec() koja uključuje klasu SettingsViewModel koja se testira i sve potrebne simulirane ovisnosti (mockove)

2. ViewModel i mockovi su inicijalizirani u beforeEach bloku
3. describe blokovi nazvani su prema metodama koje se testiraju
4. context blokovi dijele različite slučajeve izvršenja i ponašanja za metodu
5. it blok sadrži test u kojem se poziva metoda na viewModelu i provjerava koristeći expect klauzulu

import Quick
import Nimble
import RxSwift
@testable import Test_Project
class SettingsViewModelSpec: QuickSpec {
override func spec() {
var viewModel: SettingsViewModel!
var delegate: SettingsViewModelDelegateMock!
var coordinatorDelegate: SettingsCoordinatorDelegateMock!
var userDefaultsManager: UserDefaultsManagerMock!
var gateway: SettingsGatewayMock!
beforeEach {
delegate = SettingsViewModelDelegateMock()
coordinatorDelegate = SettingsCoordinatorDelegateMock()
userDefaultsManager = UserDefaultsManagerMock()
gateway = SettingsGatewayMock()
viewModel = SettingsViewModel(
userInfo: UserInfo(),
userDefaultsManager: userDefaultsManager,
gateway: gateway
)
viewModel.delegate = delegate
viewModel.coordinatorDelegate = coordinatorDelegate
}
describe("changeSettings") {
context("when the user ID exists") {
beforeEach {
userDefaultsManager.userId = "123"
}
context("when the gateway call is successful") {
beforeEach {
gateway.changeSettingsResult = .success(SettingsResponse(
notificationsEnabled: true,
privacyEnabled: false
))
viewModel.changeSettings(notificationsEnabled: true, privacyEnabled: false)
}
it("calls showProgressIndicator on delegate") {
expect(delegate.showProgressIndicatorCalled).to(beTrue())
}
it("updates notificationsEnabled and privacyEnabled on the view model") {
expect(viewModel.notificationsEnabled).to(beTrue())
expect(viewModel.privacyEnabled).to(beFalse())
}
it("updates notificationsEnabled and privacyEnabled on the userDefaultsManager") {
expect(userDefaultsManager.notificationsEnabled).to(beTrue())
expect(userDefaultsManager.privacyEnabled).to(beFalse())
}
it("calls settingsDidChange on delegate") {
expect(delegate.settingsDidChangeCalled).to(beTrue())
}
it("doesn't call hideProgressIndicator on delegate") {
expect(delegate.hideProgressIndicatorCalled).to(beFalse())
}
it("doesn't call showErrorScreen on coordinatorDelegate") {
expect(coordinatorDelegate.showErrorScreenCalled).to(beFalse())
}
}
context("when the gateway call fails") {
beforeEach {
gateway.changeSettingsResult = .failure(APIError.unknown)
viewModel.changeSettings(notificationsEnabled: true, privacyEnabled: false)
}
it("calls showProgressIndicator on delegate") {
expect(delegate.showProgressIndicatorCalled).to(beTrue())
}
it("doesn't update notificationsEnabled and privacyEnabled on the view model") {
expect(viewModel.notificationsEnabled).to(beFalse())
expect(viewModel.privacyEnabled).to(beFalse())
}
it("

Kao što možete vidjeti, proces ispisivanja je bio prekinut. Međutim, naredbom “Continue previous response” , ChatGPT obično može nastaviti gdje je stao. U nekim slučajevima može krenuti ispočetka, što je jedan od izazova korištenja ChatGPT-a za pisanje testova. No, pomoću naredbe “Please continue the following test” i davanjem prekinutog testa uspio je dovršiti generiranje preostalog koda, što je dalo sljedeći rezultat:

it("doesn't update notificationsEnabled and privacyEnabled on the view model") {
expect(viewModel.notificationsEnabled).to(beFalse())
expect(viewModel.privacyEnabled).to(beFalse())
}
it("doesn't update notificationsEnabled and privacyEnabled on the userDefaultsManager") {
expect(userDefaultsManager.notificationsEnabled).to(beFalse())
expect(userDefaultsManager.privacyEnabled).to(beFalse())
}
it("doesn't call settingsDidChange on delegate") {
expect(delegate.settingsDidChangeCalled).to(beFalse())
}
it("doesn't call hideProgressIndicator on delegate") {
expect(delegate.hideProgressIndicatorCalled).to(beFalse())
}
it("doesn't call showErrorScreen on coordinatorDelegate") {
expect(coordinatorDelegate.showErrorScreenCalled).to(beFalse())
}
}
}
}

ChatGPT je učinkovito generirao popriličnu količinu koda, što nam je uštedjelo vrijeme i trud. Međutim, bilo je potrebno prilagoditi kod kako bi se osigurala funkcionalnost. Prilikom pokretanja testa u Xcodeu naišli smo na nekoliko grešaka. Nismo imali implementacije za SettingsViewModelDelegateMock, SettingsCoordinatorDelegateMock, UserDefaultsManagerMock i SettingsGatewayMock.

Da bismo riješili te probleme, zatražili smo od ChatGPT-a da generira mock za klasu UserDefaultsManager. Ovo je rezultat:

class UserDefaultsManagerMock: UserDefaultsManager {
var mockUserId: String?
var mockNotificationsEnabled: Bool = false
var mockPrivacyEnabled: Bool = false
override var userId: String? {
get {
return mockUserId
}
set {
mockUserId = newValue
}
}
override var notificationsEnabled: Bool {
get {
return mockNotificationsEnabled
}
set {
mockNotificationsEnabled = newValue
}
}
override var privacyEnabled: Bool {
get {
return mockPrivacyEnabled
}
set {
mockPrivacyEnabled = newValue
}
}
}

Takoder smo od ChatGPT-a zatražili da generira mockove za delegate klase tako što smo mu dali sljedeću naredbu: “Please continue previous test and write mocks for delegate and coordinatorDelegate”:

class SettingsViewModelDelegateMock: SettingsViewModelDelegate {
var showProgressIndicatorCalled = false
var settingsDidChangeCalled = false
var hideProgressIndicatorCalled = false
func showProgressIndicator() {
showProgressIndicatorCalled = true
}
func settingsDidChange() {
settingsDidChangeCalled = true
}
func hideProgressIndicator() {
hideProgressIndicatorCalled = true
}
}
class SettingsCoordinatorDelegateMock: SettingsCoordinatorDelegate {
var showErrorScreenCalled = false
func showErrorScreen() {
showErrorScreenCalled = true
}
}

Naposljetku, da dovršimo proces testiranja, zatražili smo od ChatGPT-a da napiše mockove za klasu SettingsGateway. Morali smo mu samo dati klasu i naredbu “Please write mocks for the SettingsGateway class”:

class SettingsGateway {
private let apiClient: APIClientProtocol
init(apiClient: APIClientProtocol = APIClient.shared) {
self.apiClient = apiClient
}
func changeSettings(body: SettingsBody) -> Single<ChangeSettingsResponse> {
let request = ChangeSettingsRequest(body: body)
return apiClient.perform(request: request)
}
}

ChatGPT je generirao sljedeće:

class SettingsGatewayMock: SettingsGatewayProtocol {
var changeSettingsResult: Single<ChangeSettingsResponse>!
func changeSettings(body: SettingsBody) -> Single<ChangeSettingsResponse> {
return changeSettingsResult
}
}

Nismo bili u potpunosti zadovoljni prvotnim rezultatom jer su nedostajale vrijednosti propertya u mocku, a inicijalna klasa zapravo nije odgovarala protokolu SettingsGatewayProtocol. Da to ispravimo, tražili smo ChatGPT da ispravi prethodni mock naredbom: “Please correct the previous mock “ i ažurirani rezultat je izgledao ovako:

class SettingsGatewayMock: SettingsGateway {
var changeSettingsResult: Single<ChangeSettingsResponse> = Single.just(ChangeSettingsResponse(success: true))
override func changeSettings(body: SettingsBody) -> Single<ChangeSettingsResponse> {
return changeSettingsResult
}
}

Nakon analize rezultata primijetili smo da metoda changeSettings(body: SettingsBody) vraća samo uspješan rezultat,, ali ne i grešku. Da to riješimo, dodali smo dodatni property errorToReturn.

Uz to smo zatražili od ChatGPT-a da generira objekt s određenim vrijednostima s naredbom “Please create an object for the following struct”:

struct ChangeSettingsResponse: Codable {
let status: Int
let notificationsEnabled: Bool
let privacyEnabled: Bool
}

Vratio je changeSettingsResponse objekt koji je korišten kao povratna vrijednost u metodi changeSettings:

gateway.changeSettingsResult = .failure(APIError.unknown)

ChatGPT nam u ovakvim slučajevima može smanjiti količinu vremena i truda potrošenog na ručno stvaranje objekta, posebice u situacijama kad se treba instancirati objekt s puno propertya.

Kao konačni rezultat, dobili smo verziju SettingsGatewayMock-a koja nam je bila potrebna:

class SettingsGatewayMock: SettingsGateway {
var errorToRetun: Error?
var changeSettingsResult: Single<ChangeSettingsResponse> = Single.just(ChangeSettingsResponse(status: 200, notificationsEnabled: true, privacyEnabled: false))
override func changeSettings(body: SettingsBody) -> Single<ChangeSettingsResponse> {
if let errorToReturn {
return Single.error(errorToReturn)
}
return changeSettingsResult
}
}

Nakon nekoliko izmjena uspjeli smo riješiti preostale greške pri pokretanju testova. Da bi poziv gatewaya bio uspješan, zamijenili smo

gateway.changeSettingsResult = .success(SettingsResponse(
notificationsEnabled: true,
privacyEnabled: false
))

s

gateway.changeSettingsResult = .failure(APIError.unknown)

Da bi poziv gatewaya vračao grešku, dodali smo:

gateway.changeSettingsResult = .failure(APIError.unknown)

umjesto

gateway.changeSettingsResult = .failure(APIError.unknown)

Također smo dodali ispravni inicijalizator za UserInfo klasu i s tim izmjenama uspješno smo dovršili testove.

Međutim, naši testovi nisu prolazili prilikom izvršavanja. Da bismo riješili taj problem, morali smo zamijeniti ‘to’ s ‘toEventually’ u expect klauzulama. Oboje, ‘to’ i ‘toEventually’ su matcheri (uspoređivači) koji se koriste da bi se potvrdila jednakost dvije vrijednosti. Razlika između njih je u vremenu njihove evaluacije.’To’ provjerava odgovara li stvarna vrijednost očekivanoj vrijednosti odmah, dok ‘toEventually’ kontinuirano provjerava stvarnu vrijednost dok se ne podudara s očekivanom vrijednosti ili dok vrijeme ne istekne. Druga opcija je posebice korisna prilikom testiranja asinkronog koda i zato smo odabrali koristiti ‘toEventually’ u našem slučaju.

Nakon posljednjih izmjena, naši testovi su uspješno prošli. S dobro postavljenim temeljima jednostavno je dodavati nove testove, bilo ručno ili uz pomoć ChatGPT-a, kako bismo pokrili sve moguće scenarije.

Koliko je učinkovita pomoć ChatGPT-a?

Dok se prethodni primjer čini jednostavnim, korištenje ChatGPT-a na stvarnom projektu zahtijevalo je malo više truda kako bi se postigao željeni rezultat. Međutim, uz jasnu komunikaciju i temeljito razumijevanje projekta i onoga što se treba testirati, ChatGPT se pokazao kao sjajan pomoćnik. Nakon dobivanja jasnih uputa, brzo je generirao značajnu količinu koda i uštedio na vremenu u repetitivnim zadacima kao što je pripremanje mockova.

Zaključak

ChatGPT je koristan alat za programere koji žele pojednostaviti i ubrzati proces testiranja. Unatoč povremenim problemima, kao što su greške ili nedostupnost, pokazao se kao odličan alat za uštedu vremena, posebno za projekte koji nisu razvijeni koristeći test-driven development pristup. Osim toga, izvrstan je resurs za programere svih razina znanja, uključujući one koji se tek počinju baviti testiranjem. Oni posebno mogu vježbati i s vremenom naučiti pisati učinkovite testove.

Da biste postali Ironman unit testiranja, ChatGPT vam može poslužiti kao osobni J.A.R.V.I.S. za generiranje temelja testova i stvaranje mockova i, uz neke preinake, možete osigurati da su testovi učinkoviti i točni.

Objava Pisanje unit testova korištenjem ChatGPT-a kao vlastitog J.A.R.V.I.S.-a pojavila se prvi puta na .debug.

Za priznanje “Poslodavac prijatelj obitelji” za 2022. godinu, natjecalo se 55 poduzeća i to u 4 kategorije – mikro, mala, srednja i velika poduzeća. Undabot je osvojio priznanje u kategoriji srednjih poduzeća i time potvrdio svoj fokus na stvaranje produktivnog i ugodnog radnog okruženja, s naglaskom na ravnotežu privatnog i poslovnog života.

U Undabotu ističu da im je ovo priznanje posebno drago, a kao ključne sastojke uspješnog odnosa između poslodavca i zaposlenika navode međusobno poštovanje, slušanje i uvažavanje.

“Sretni smo što vidimo priznanje “Poslodavac prijatelj obitelji” u našem uredu. To je potvrda naših napora za stvaranjem zdravog i kvalitetnog balansa između privatnog i poslovnog života za sve naše zaposlenike. Trudimo se iskazati maksimalno poštovanje zaposlenicima, a isto tako i njihovim obiteljima. Cilj nam je da svaki novi radni dan, za naše zaposlenike, krene s dobrim osjećajem”, rekao je Hrvoje Kapetanović, CEO Undabota.

Uz vrhunsku opremu za rad, fleksibilno radno vrijeme i mogućnost hibridnog rada, Undabot svojim zaposlenicima nudi i ostale benefite, između ostalog različita timska i obiteljska druženja, plaćene sportske i rekreacijske aktivnosti, godišnji sistematski pregled i dodatne aktivnosti brige o zdravlju. Zaposlenicima omogućavaju rad i učenje na zanimljivim projektima, redovito praćenje napretka zaposlenika te sukladno tome revizije plaće i razvoj karijere u željenom smjeru.

“U Undabotu se vodimo načelom da su nam ljudi na prvom mjestu. Prioritet nam je osigurati zadovoljstvo zaposlenika, zbog čega kontinuirano radimo na unaprjeđenju uvjeta rada te težimo izvrsnosti i kvaliteti u svemu što radimo. Fokus stavljamo na otvorenu komunikaciju, mogućnosti osobnog i profesionalnog razvoja te na pošten odnos prema svakom zaposleniku”, zaključuje Martina Bastašić, Voditeljica ljudskih potencijala Undabota.

Sa sjedištem u Zagrebu, Undabot je tehnološka tvrtka koja razvija mobilne i web aplikacije po mjeri klijenta. U timu imaju vrhunske stručnjake iz područja web i mobilnog razvoja, poslovne analize, UX/UI dizajna, kontrole kvalitete, vođenja projekata te ekonomije i psihologije. Trenutno zapošljavaju više od 70 stručnjaka iz cijele Hrvatske, a većinu projekata i digitalnih rješenja izrađuju za inozemne klijente.

Objava Undabot dobitnik priznanja “Poslodavac prijatelj obitelji” pojavila se prvi puta na .debug.

Zadnjih godina umjetna inteligencija (AI) znatno je napredovala u mogućnosti da generira specifikacije softverskih proizvoda. Jedan od najimpresivnijih primjera tog napretka upravo je GPT-3, jezični model baziran na umjetnoj inteligenciji koji je razvio OpenAI. U ovom tekstu vidjet ćemo kako i koliko nam GTP-3 može pomoći u pisanju specifikacija, posebice oko formalnih oblika specificiranja, poput use case-ova, acceptance kriterija i user story-a. Također ćemo razmotriti i odvagnuti potencijalne benefite i mane korištenja GPT-3-a u te svrhe.

________________________________________

Ovaj uvod nisam napisao ja.

Ja sam ga samo preveo s engleskog, a napisao ga je moj osobni BA asistent kad sam mu zadao sljedeći zadatak: “Write a short introduction to a blog post discussing how capable the GPT 3 is in helping produce software requirements specifications, especially when it comes to formal requirements formats such as use cases, acceptance criteria, and user stories“.

Istina, rezultat nije savršen, dobiveni tekst je ponešto generičan i općenito mu fali stila, ali kontekstualno i sadržajno u potpunosti odgovara zadanom zadatku. Generalno, izbor riječi i fraziranje su korektni, a kad se sve uzme u obzir, krajnji rezultat je otprilike onakve razine kvalitete koju možemo očekivati od stažista ili juniora kao odgovor na isti zadatak.

Razgovor sa strojem

GPT-3 (Generative Pre-trained Transformer) je napredni jezični model (točnije – neuronska mreža), treniran na nebrojenim *milijunima* tekstova s Interneta (a i šire), uključujući i tekstove s Wikipedije i knjige o svim mogućim temama.

Ukratko, GPT-3 ukratko funkcionira na način da tekstualni upit napisan na govornom engleskom (takozvani “prompt”) nadopuni nizom riječi za koji misli da najbolje odgovara i dovršava originalni upit, uzimajući u obzir sadržaj i kontekst cjelovitog teksta.

Posljedično, interakcija sa sustavom djeluje kao razgovor između dva inteligentna entiteta – iako tome nipošto nije tako. Bolji opis onoga što se stvarno dešava bi bio – “supernapredni autocomplete”.

Ono što je zanimljivo za nas, jest da kao rezultat treninga, model, osim razumijevanja jezične sintakse i općenitih semantičkih struktura specifičnih za govorni jezik, mora razviti i apstraktno razumijevanje koncepata opisanih u milijunima tekstova na kojima je treniran. Bez tog razumijevanja, model ne bi mogao generirati kontekstualno ispravne “odgovore” na zadani prompt, već samo proizvesti niz gramatički točnih, ali fundamentalno besmislenih nizova riječi.

Kako su ti milijuni tekstova uključivali i hrpu tekstova u kojima se raspravljalo i objašnjavalo sve o use caseovima, acceptance kriterijima, user storyjima i drugim temama vezanima za pisanje requirementsa, te kako su ti tekstovi tipično sadržavali i masu primjera konkretnih requirementsa, model je, kao nusprodukt učenja razvio “razumijevanje2 i tih koncepata – koncepata koji “život znače” svakom punokrvnom poslovnom analitičaru/ki.

To u praksi znači da bismo – dokle god smo spremni prihvatiti nesavršenosti u detaljima odgovora na naše promptove i dokle god nam je kristalno jasno da nema nikakve garancije da će dobiveni odgovori biti nužno u potpunosti točni, bez obzira na to koliko samouvjereno i uvjerljivo djeluju – trebali moći zatražiti od GPT-3 modela da kreira requirementse za zadani sustav, koristeći standardne formate i tako da to jednostavno zatražimo od njega na konverzacijskom engleskom.

Odlučio sam isprobati upravo to i utvrditi koliko je GPT-3 dobar kada su requirementsi u pitanju. Ovaj članak je posljedica moje impresioniranosti rezultatima koje sam dobio. U ostatku ovog poglavlja predočiti ću vam 2sirovi sinopsis” naših “razgovora” i tako vam pokušati demonstrirati neke od razloga zašto je GPT-3 ostavio takav utisak na mene.

Za interakciju s modelom koristio sam OpenAI playground, svi moji promptovi (pitanja/zadaci) bit će u nastavku teksta podebljani i u kurzivu, a odgovori koje sam dobio od sustava bit će u kurzivu odmah ispod pripadajućeg upita. Svi promptovi i odgovori zalijepljeni su točno onakvi kakvima ih je GPT-3 model AI-ja dao na zaslonu, bez ikakvih promjena i intervencija sa moje strane.

I na kraju, za postavke modela koristio sam default vrijednosti (text-davinci-003 model, temperatura na 0,7, dužina odgovora 256 tokena (riječi), itd.).

Sad kad smo razriješili sve “tehnikalije”, da vidimo što nam taj (sad već slavni) GPT-3 ima za reći.

1. Sažeci

Odlučio sam početi s klasičnim sažetkom, tj nečim što bih obično napisao na početku bilo kojeg SRS-a koji pišem kao poslovni analitičar ili funkcionalni dizajner.

Write a summary depicting the standard classifieds system, such as craigslist.

The classifieds system is an online marketplace for individuals to buy, sell, and trade goods and services. It is a platform for users to post classified ads, with categories ranging from jobs, housing, and items for sale. Users can search for listings by geographic location, type of product, or keyword. Items can be posted for free or for a fee. The listings typically include detailed descriptions of the item, along with photos, price, contact information, and other relevant details. Buyers and sellers can communicate through the website messaging system, allowing them to negotiate terms and arrange for payment and shipping. The classifieds system provides a safe and convenient way for individuals to buy, sell, and trade products and services.

Neloše… Na prvi pogled izgleda da nema problema s pisanjem korektnih sažetaka, ali ruku na srce, to je i prvo što bismo očekivali od jednog velikog NLP modela.

Prijeđimo stoga s “dječjih” zadataka na nešto ozbiljnije i preciznije. Pokušajmo s use caseovima.

2. Use caseovi

Write a use case for a registration process that uses the already existing google or Facebook accounts (a.k.a. “register with google” or “register via Facebook”). Use the writing style depicted in the book “Writing effective use cases” by Alistair Cockburn. Include all relevant extensions of a produced main success scenario.

Title: Register with Google or Facebook

Primary Actor: User

Goal in Context: The user is able to sign up for an account using their existing Google or Facebook account.

Stakeholders:

User: To create an account with minimal effort.

System: To securely store the user information.

Preconditions:

The user has a valid Google or Facebook account.

Main Success Scenario:

1. User clicks on “Register with Google” or “Register via Facebook”.
2. System authenticates the user’s Google or Facebook account.
3. System displays a form with the user’s information pre-filled.
4. User verifies and updates the information if needed, then clicks “Submit”.
5. System stores the updated information and creates a user account.

Extensions:

4a. User does not want to use their existing information.

4a1. System displays an empty form.

4a2. User fills out the form and clicks “Submit”.

5a. System is not able to store the user information.

5a1. System displays an error message.

Ok, ovo već postaje ozbiljnije. Stil nije 100% pogođen, ali je sasvim prihvatljiv, a svi važni dijelovi koje sam tražio su uključeni. Uz to se čini da model razumije što su ekstenzije, kako se označavaju i kako se koraci u istima numeriraju prema pravilima iz knjige koju sam naveo u svojem promptu. Nije loše. Nije nimalo loše.

3. Acceptance kriteriji

Pokušajmo sada sa acceptance kriterijiima pisanima u gherkinu.

Write a comprehensive set of acceptance criteria describing all behaviors for the following user story: “As a visitor, I want to be able to register using my existing google account”. Use gherkin format.

Given a user is a visitor

When the user clicks on the “Register” button on the home page

Then the user is presented with a Google login form

Given the user has an existing Google account

When the user enters their Google credentials

Then the user is logged in to the site

Given the user is now logged in to the site

When the user enters their email address

Then the user is asked to enter a password

Given the user has entered a password

When the user clicks “Submit”

Then the user is registered to the site

Given the user is registered to the site

When the user visits the home page

Then the user is logged in to the site automatically

Given the user is registered to the site

When the user attempts to register with the same Google account

Then an error message is displayed informing the user that they are already registered

Izgleda da ni acceptance kriterij nije problem. Model razumije što su acceptance kriteriji, njihovu vezu sa širim korisničkim ciljem kojega opisuju i na kraju nema problema s gherkinom kao formatom. Dodatno proizvedeni set kriterija je prilično kompletan. Sve bolje i bolje.

Isprobajmo još jednu stvar. Provjerimo kako se nosi s generiranjem cjelovitog seta user storyja koji opisuju jedan veći epic.

4. User storyji (i epici)

Create a comprehensive set of user stories describing the process of a user achieving his or her ultimate goal of successfully selling their old bike using the online classifieds system such as craigslist.

1. As a user, I want to be able to create and post an advertisement for my old bike on the online classifieds system so that potential buyers can find it.
2. As a user, I want to be able to set the price of my bike in the advertisement so that potential buyers can have an idea of how much I am asking for it.
3. As a user, I want to be able to provide detailed information about my bike such as its age, condition, and any other relevant information so that potential buyers can make an informed decision.
4. As a user, I want to be able to respond to inquiries from potential buyers in a timely manner so that they can get the information they need to make a decision.
5. As a user, I want to be able to set up a meeting with potential buyers so that I can show them the bike in person and negotiate a price.
6. As a user, I want to be able to securely accept payment from potential buyers so that I can get paid for the bike.
7. As a user, I want to be able to ensure that the bike is safely delivered to the buyer so that they can start using it.

OK, tu ću stati. Ovo nadilazi moja (skrivena) očekivanja. Model razumije odnose između story-a i epic-a, sposoban je razumjeti funkcionalni opseg zadanog šireg cilja i koncepte koji su ključni za tehnike kao što je story mapping i sl., a to je tipično nešto s čim bilo koji stažist ili junior ima problema, bar na početku.

Zaključak

Nadam se da vam je ovaj članak uspio demonstrirati da su NLP AI modeli kao što je GTP-3 evoluirali do točke u kojoj danas mogu ono što je do prije nekoliko godina bilo čista znanstvena fantastika.

Međutim, po mojem mišljenju, to NIJE najfascinantnija stvar vezana za GPT-3 (i sličnih generativnih modela poput DALL-E 2). Ono što JEST njihova glavna „distruptivna“ karakteristika, ako se mene pita,  jest njihova slobodna dostupnost.

Razmislite o sljedećem, u ovom času, bez ikakvih bitnih prepreka imate (gotovo) besplatan pristup tehnologiji koja bi se prije 20 godina smatrala magijom, a prije nekoliko godina bleeding edge istraživanjem. I uz sve to, da bi ste ju koristili, ne morate se polomiti da naučite superkomplicirana korisnička sučelja ili postati data scientist.

Umjesto toga, na raspolaganju imate sustav koji  može odrađivati neke (jednostavnije) segmente vašeg posla na razini koju bi mogli očekivati od tipičnog  stažista/juniora i to putem interakcije koja nije ništa složenija od one koju bi imali sa spomenutim stažistom/juniorom.

Rijetko kad nam, ni krivima ni dužnima, u krilo padne tako moćna stvar. Ako ništa drugo, bilo bi nepristojno ne potruditi se iskoristiti njen puni potencijal.

Ako se i dalje pitate što je s našim poslom poslovnih analitičara / funkcionalnih dizajnera i hoće li nas GTP-3 zamijeniti, te ako vas sve ovo pomalo plaši, ne brinite se. Uz sve ovdje rečeno, AI modeli kao što je GPT-3 i dalje su daleko od toga da postanu drop-in zamjena za nas poslovne analitičare od krvi i mesa, i tako će bar još neko vrijeme i ostati.

Istina, GPT-3, može pisati korektne sažetke, generirati use caseove i acceptance kriterije i razumije kako user story-i funkcioniraju, ali ništa se neće dogoditi  samo od sebe, bez uputa i kontrole od strane stručnjaka, a ti stručnjaci, na sreću, i dalje ostajemo mi.

Drugim riječima, umjetna inteligencija nije nam konkurencija, ona je naš alat.

Ali kao i sa svakim alatom, postojati će oni koji ga dobro razumiju i iz njega mogu iscijediti i zadnju kap “dodane vrijednosti”, kao i oni koji ga “samo koriste”. Neću reći ništa kontroverzno ako ustvrdim da je prva grupa tipično više cijenjena (a posljedično i bolje plaćena).

Poruka koju vam pokušavam prenijeti jest da ne brinete o tome hoće li vam AI modeli oteti posao – umjesto toga, radije naučite kako funkcioniraju.

Dobitak za vas biti će dvojak – kao prvo, ući ćete u prvu, bolje plaćenu, grupu ljudi o kojoj smo govorili u pretprošlom paragrafu. Kao drugo, kao poslovni analitičar (a posebice kao funkcionalni dizajner) trebali biste moći dodati AI modele na popis svojih standardnih rješenja koje možete znalački koristiti kada dizajnirate optimalna, moderna rješenja na koja ćete biti ponosni (i s kojima će vaši klijenti biti zadovoljni).

Nemojte pogriješiti misleći da možete cijelu ovu priču sa AI modelima “prosjediti i pustiti da prođe”. Zaista ne možete.

Objava GPT-3 – vaš osobni, “umjetno inteligentni”, BA asistent pojavila se prvi puta na .debug.