Why can I tell a test is flaky but never find out why?
Opportunità
Detecting that a test is flaky is mostly solved; several tools do it reliably across reruns. Diagnosing the specific root cause is not. LLMs evaluated on real-world flaky test datasets achieve F1 scores above 0.88 for detection but drop below 0.57 on the same inputs when asked to identify root cause. The few automated repair tools only handle order-dependent or implementation-dependent flakiness and fail on resource contention, async timing, and environment drift. Developers spend hours reading logs and adding print statements, then watch the failure refuse to reproduce locally.
Perché è importante
Root cause attribution is the missing step that turns a flakiness detector from a dashboard metric into a tool that actually reduces CI time.
Come valuto l'opportunità
L'Opportunity Score è la mia valutazione personale, non una misurazione: quanto fa male, con quale frequenza colpisce e quanto poco esiste per risolverlo oggi. Un punteggio più alto significa che lo ritengo più degno di essere sviluppato.
Quanto dolore provoca quando si manifesta.
Quanto spesso le persone ci si imbattono davvero.
Quanti pochi strumenti validi esistono oggi per affrontarlo.
Altri problemi che vale la pena risolvere
Perché il software da cui dipendiamo di più è il peggiore da usare?
TechPerché non possiedo ancora nessuno dei dati che genero?
TechPerché non riesco a ottenere una ricevuta che dimostri che i miei dati sono stati effettivamente eliminati?
TechPerché non posso sapere se ciò che è in esecuzione corrisponde a quanto dichiarato nel mio SBOM?
TechPerché ogni catena di provenienza C2PA si spezza nel momento in cui i contenuti raggiungono i social media?
TechPerché i miei test generati dall'IA non rilevano i bug che avrebbero dovuto individuare?