Blog
Observability voor testers, deel 3: aan de slag
Observability is theorie — maar hoe begin je er nu écht mee in je eigen team? In het afsluitende deel van deze driedelige serie geeft Jakob Jan Kamminga drie concrete adviezen om direct aan de slag te gaan: van voortbouwen op bestaande tooling tot het voorkomen van alert fatigue. Plus: een praktisch overzicht van het observability-landschap, van Grafana en Prometheus tot opkomende spelers als Clickstack en OpenObserve.
AI voor shift-left testing: betere specificaties, minder fouten achteraf
Onduidelijke requirements leiden tot herwerk, vertraging en risico. We laten zien hoe je AI inzet om al vóór de bouwfase ambiguïteit te verwijderen, risico’s expliciet te maken en uitvoerbare specificaties op te stellen, inclusief aantoonbaar bewijs dat herleidbaar is naar requirements en releases.
Observability voor testers, deel 2
Observability biedt testers meer dan alleen inzicht in de output van een black box. In deel 2 van deze serie gaan we in op drie concrete manieren om logs, metrics en traces in te zetten als testtechniek. Van het opstellen van hypotheses bij performancetests tot het benutten van productiedata als testbron.
Testen in een wereld met AI Agents: AI versnelt, de expert bewaakt de richting
AI agents analyseren falende tests, stellen nieuwe testcases voor en genereren automatisch testcode. Dat versnelt, maar wat gebeurt er met kwaliteit als autonome systemen testcode aanpassen? We leggen uit waarom menselijke review onmisbaar blijft en hoe de tester de testintentie bewaakt, niet alleen het resultaat.
Observability voor testers, deel 1
Observability is een essentieel onderdeel van moderne DevOps-teams. Maar in de wereld van testen blijft het onderbenut. In dit artikel laten we je zien wat observability is en waarom het zo belangrijk is voor testers.
RAG & Bias Checklist:Zo voorkom je hallucinatie en bias in AI-modellen
Retrieval Augmented Generation (RAG) is een krachtige manier om met Large Language Models (LLM’s) te werken, maar geen wondermiddel. Het vermindert hallucinatie en bias niet vanzelf, de risico’s verschuiven alleen. Met deze checklist en de juiste tools maak je die risico’s concreet en testbaar. In deze RAG & Bias Checklist laten we zien hoe je risico’s meetbaar maakt en welke tools je helpen om AI-toepassingen écht betrouwbaar te maken. De RAG & Bias Checklist stap voor stap 1. Relevantie Risico: irrelevante passages leiden tot hallucinaties.Hoe meten: beoordeel of je top-5 resultaten écht relevant zijn.Voorbeeld: document niet in top-5 → foutief antwoord. 2. Evidence-first Risico: het model verzint samenvattingen zonder bron.Hoe meten: check of broncitaten aanwezig zijn.Voorbeeld: output zonder referenties = rode vlag. 3. No-evidence, no-answer Risico: model vult leegte met fantasie.Hoe meten: meet refusal rate met een out-of-scope testset.Voorbeeld: vraag “Wat zegt dit document over raketten?” → correct = “Niet
Observability voor testers, deel 3: aan de slag
Observability is theorie — maar hoe begin je er nu écht mee in je eigen team? In het afsluitende deel van deze driedelige serie geeft Jakob Jan Kamminga drie concrete adviezen om direct aan de slag te gaan: van voortbouwen op bestaande tooling tot het voorkomen van alert fatigue. Plus: een praktisch overzicht van het observability-landschap, van Grafana en Prometheus tot opkomende spelers als Clickstack en OpenObserve.
AI voor shift-left testing: betere specificaties, minder fouten achteraf
Onduidelijke requirements leiden tot herwerk, vertraging en risico. We laten zien hoe je AI inzet om al vóór de bouwfase ambiguïteit te verwijderen, risico’s expliciet te maken en uitvoerbare specificaties op te stellen, inclusief aantoonbaar bewijs dat herleidbaar is naar requirements en releases.
Observability voor testers, deel 2
Observability biedt testers meer dan alleen inzicht in de output van een black box. In deel 2 van deze serie gaan we in op drie concrete manieren om logs, metrics en traces in te zetten als testtechniek. Van het opstellen van hypotheses bij performancetests tot het benutten van productiedata als testbron.
Testen in een wereld met AI Agents: AI versnelt, de expert bewaakt de richting
AI agents analyseren falende tests, stellen nieuwe testcases voor en genereren automatisch testcode. Dat versnelt, maar wat gebeurt er met kwaliteit als autonome systemen testcode aanpassen? We leggen uit waarom menselijke review onmisbaar blijft en hoe de tester de testintentie bewaakt, niet alleen het resultaat.
Observability voor testers, deel 1
Observability is een essentieel onderdeel van moderne DevOps-teams. Maar in de wereld van testen blijft het onderbenut. In dit artikel laten we je zien wat observability is en waarom het zo belangrijk is voor testers.
RAG & Bias Checklist:Zo voorkom je hallucinatie en bias in AI-modellen
Retrieval Augmented Generation (RAG) is een krachtige manier om met Large Language Models (LLM’s) te werken, maar geen wondermiddel. Het vermindert hallucinatie en bias niet vanzelf, de risico’s verschuiven alleen. Met deze checklist en de juiste tools maak je die risico’s concreet en testbaar. In deze RAG & Bias Checklist laten we zien hoe je risico’s meetbaar maakt en welke tools je helpen om AI-toepassingen écht betrouwbaar te maken. De RAG & Bias Checklist stap voor stap 1. Relevantie Risico: irrelevante passages leiden tot hallucinaties.Hoe meten: beoordeel of je top-5 resultaten écht relevant zijn.Voorbeeld: document niet in top-5 → foutief antwoord. 2. Evidence-first Risico: het model verzint samenvattingen zonder bron.Hoe meten: check of broncitaten aanwezig zijn.Voorbeeld: output zonder referenties = rode vlag. 3. No-evidence, no-answer Risico: model vult leegte met fantasie.Hoe meten: meet refusal rate met een out-of-scope testset.Voorbeeld: vraag “Wat zegt dit document over raketten?” → correct = “Niet