您的位置首页 >网络行情 >

人工智能测试如何为您的企业增加投资回报率

毫无疑问,软件系统是人类构建的最复杂,最不可靠的技术系统之一。在仅观察到系统可能状态的很小一部分之后,软件工程师通常必须对软件系统的可靠性作出断言。软件系统的迅速发展和广泛存在以及深远的复杂性使人们想到了软件质量的基本概念,包括可靠性,可移植性和维护等关键组件。因此,需要用于推断软件系统的整体质量和可靠性的新机制和技术。

在本文中,我们将探讨如何使用人工智能(AI)和机器学习(ML)来确保软件质量,从而引导此类机制以及您的组织如何从中受益。

提高软件质量

在最基本的水平上,质量意味着某些产品的使用性能。这是客户的看法,并不直接转化为工程规格。因此,诸如可靠性,性能和可用性之类的问题对于提高系统的整体质量起着至关重要的作用。软件质量也许是21世纪最关键的技术挑战。由于大型软件系统可能具有数百万个变体,因此通过测试评估软件质量可能是一项详尽的工作,因此需要使用AI来催化该过程。

AI可以用于生成和优化测试,减少繁琐的分析,并使用生产数据来跟踪功能,以区分自动化和测试内容的优先级。

自动化测试设计

AI可以解释需求(例如,用户故事),并根据需求立即生成最少数量的测试用例,以最大程度地覆盖风险。但是,这似乎在不久的将来不可行,因为测试用例当前是从某种以自然语言表达的需求中衍生出来的。因此,这将要求AI不仅了解需求的各个细节,而且还了解其背景(例如,业务用例),其含义和相关性(例如,业务影响)以估计风险贡献。这个要求。AI还需要将这些学习与应用程序的各个技术组件联系起来,以便从需求中得出测试用例。

尽管如此,在不久的将来仍需要在自动化测试设计中使用AI。

冗余预防

冗余预防是当今的一个大问题。识别物理上相同的测试用例很容易,但是仅靠这一点并不能解决问题。发现逻辑上相同的测试用例更具挑战性。目前,在没有太多手动预配置的情况下训练系统来检测这些逻辑身份在经济上似乎并不合理。为了识别这些冗余,您需要适当地标记测试数据(和测试操作)的业务相关性,然后将测试数据提供给等效类。一旦完成,消除冗余就很简单了,不需要学习系统。

AI消除和/或防止了现有测试用例组合中的冗余,从而在业务风险覆盖范围上实现了相同的结果(但花费更少的精力)。

风险覆盖率优化

AI会找到最佳测试集,以在给定的时间,资源和预算约束下最大化业务风险覆盖范围和缺陷检测,以优化测试执行。不可否认,这是一件很明智的事情,但是它不需要学习系统。这个目标可以通过传统的基于规则的数学优化算法来实现,并且涉及到最大化缺陷检测。通过减少所需的资源(例如测试仪,机器)来最小化成本;减少执行时间;减少测试用例的数量;并在预定的时间范围内(例如一天)最大程度地覆盖风险。

为了使它起作用,有必要知道某个测试用例将检测到某个严重性缺陷的可能性。可以从过去的测试运行中大致估算出这种可能性,而无需付出太多努力。接下来,我们需要知道每个测试案例的风险贡献。一旦将测试用例链接到需求(例如,用户案例),该信息就已经可用。我们还需要知道每个测试用例的平均执行时间。这可以从过去的测试运行中轻松得出。对于新添加的测试用例,可以根据具有相似测试动作序列的测试用例的平均执行时间来估计时间。为了最大程度地降低成本,我们只需要知道每台人工测试仪或机器的成本是多少。只能配置一次。为了尽量减少资源,我们需要知道可用的资源(人力和机器资源)。这也只能配置一次。

其他用例

目前在/将在不久的将来可用的软件测试中AI的其他一些可能用例是:

项目组合检查:AI可以跟踪不稳定的和未使用的测试用例以及未与需求或未经测试的需求链接的测试用例等,以显示测试用例组合中的薄弱环节。

误报检测:人工智能还可以通过显示失败的测试用例实际上是检测到应用程序中的缺陷还是仅由于测试用例的技术缺陷而失败,从而降低了分析结果所需的能量。

自动化探索性测试:AI可以与应用程序交互,构建应用程序模型,发现相关功能,发现缺陷并提取测试用例以减少回归测试工作量。

自动化的缺陷诊断:使用AI的主要好处之一是,它可以提出可能导致测试用例失败的潜在原因,从而减少确定故障主要原因的时间和精力。

用户体验分析:AI在探索性测试期间解释用户的情绪,并将其发现链接回相关的应用程序组件,以提高UX分析的准确性。

自我修复自动化:最后,AI可以通过在运行时更新控件(例如按钮)及其属性(例如ID)来修复损坏的自动化测试用例,以使测试自动化更灵活地应对变化。

结论

软件系统是当今世界上最复杂的技术系统,也是最短暂的技术系统。它们以纯信息形式存在,没有任何物理成分。软件以其在所有工程构造中最容易出错的方式而闻名,但它却是基础架构和经济的重要组成部分。这种软件质量危机可能是21世纪最紧迫的技术挑战。人工智能测试可以通过提高测试流程的效率和增加企业的边际回报来为这一领域做出重大贡献。

郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时间联系我们修改或删除,多谢。