概要
https://qiita.com/k_kitamura/items/7c9bff3e42133f4ebaf7
詳細内容
## 初めてのバグ分析でGemini先生に壁打ちを頼んだ話
https://qiita.com/k_kitamura/items/7c9bff3e42133f4ebaf7
QAチームリーダーである著者が、自身のバグ分析スキル向上と深い洞察を得るために、Google Geminiを壁打ち相手として活用した経験を共有し、AIがデータ分析の視点を広げ、時には客観的に間違いを正すパートナーとなり得ると示唆する。
**Content Type**: ⚙️ Tools
**Language**: ja
**Scores**: Signal:4/5 | Depth:3/5 | Unique:4/5 | Practical:5/5 | Anti-Hype:4/5
**Main Journal**: 100/100 | **Annex Potential**: 100/100 | **Overall**: 80/100
**Topics**: [[バグ分析, 品質保証, 生成AI活用, GitHub API, AIとの協業]]
株式会社LITALICOのQAチームリーダーである著者は、プロダクトの品質向上を目指してバグ分析を開始したものの、集計データから深い洞察を得ることに課題を感じていました。この状況を打開するため、著者はGoogleの生成AI「Gemini」を壁打ち相手として活用した経験を共有しています。
著者はまず、GeminiにGitHubからのIssue取得方法を相談し、Google Apps Script (GAS) を用いた自動化スクリプトの生成支援を受け、月ごとのバグIssueをスプレッドシートに効率的に集計できる基盤を確立しました。しかし、可視化したグラフを前に「ここから何が言えるのか」という分析の壁に直面します。
この壁に対し、著者がGeminiにグラフのスクリーンショットを提示して分析を依頼したところ、Geminiは数値の増減や傾向から多角的な観点を提示。著者は、期間を指定した深掘りや、バグ密度・テスト密度といった別の指標を組み合わせた再分析を通じて、一人では見落としていた切り口を発見しました。例えば、4月にテスト密度が非常に高かったにもかかわらずバグ密度も高かった状況から、「テストの量が品質を全く担保していなかった」とGeminiは指摘。これは、6月にはテストの「質」への転換が進んだことを示唆する重要な洞察となりました。
このプロセスで著者は、AIに適切な文脈と意図を伝える「舵取り」の重要性を痛感しました。単に「分析して」と依頼するだけでは過去の累積不具合を含めた全体傾向に引っ張られがちなため、「今回の月次リリースに含まれる不具合に着目してほしい」と具体的に指示を修正することで、AIは著者の意図を汲み取り、より的確な分析を返せるようになりました。
さらに印象的だったのは、ある月のバグ密度について著者が参照データに基づき「悪くない」と判断した際、Geminiが客観的なデータと一般的な目標値を根拠に「品質が低い状態」だと頑固に指摘し続けたことです。後に著者の参照データが誤っていたことが判明し、Geminiの客観性が誤った判断を未然に防いだ経験として深く記憶されています。
著者は、Geminiとの壁打ちを通じて分析結果の解釈に自信を持てるようになったと述べ、「スキルに自信がなくても、AIというパートナーがいれば、視点を広げ、時には間違いを正してもらいながら前に進むことができる」と結論付けています。新しい取り組みに足踏みしているエンジニアに対し、AIを「先生」や「同僚」として積極的に活用し、自身の視点を広げるツールとして頼ることを強く推奨しています。