軟體自動化測試與AI結合 - modernanalyst

發表於2021-01-10

關於AI是否會取代QA測試人員的工作,仍然存在很多思考。但是,事實並非如此。實際上,人工智慧永遠不會取代測試人員的角色。測試人員將能夠藉助AI驅動的工具更好地進行測試。

自動化測試和AI的結合具有許多優勢:

  • 加快時間表

軟體測試需要花費大量時間來驗證應用程式的質量。隨著手動測試花費更多時間,自動化測試支援處理重複性任務,並將更多的精力放在新的實現上以更快地發現缺陷。類似地,除了自動化測試之外,AI還可以通過建立更快的測試(測試生成器),處理更改(自我修復測試)並減少程式碼行數來支援自動化。

  • 增加測試範圍

自動化測試處理重複性任務。但是,隨著應用技術數量的增加,測試自動化工具很難適應這些變化。結果,使用自動化的測試覆蓋率已經很長一段時間了。由於採用了人工智慧技術的視覺識別,自動化工具現在能夠處理應用程式,從而增加了測試範圍。

  • 提高準確性

通過測試可以確保產品的質量。並且質量保證保證了測試的準確性。但是犯錯是人的,因為即使是經驗豐富的測試人員,在執行重複性任務時也會犯錯。自動化測試可防止這些錯誤,並且重複任務的資料量增加不會影響測試的質量。AI生成的資料支援建立準確的資料並減少時間。

 

人工智慧和測試已經接近人們無法想象的程度。現有自動化工具中新功能的實施或具有AI功能的新自動化工具的演進就是最好的證明。

  • Tricentis – AI引擎NEO
  • SmartBear – ReadyAPI - AI驅動的測試生成
  • SmartBear – TestComplete - 混合物件識別引擎
  • Parasoft – Smart Generator
  • Eggplant
  • Percy
  • Applitools
  • Mabl
  • Functionize
  • ReportPortal.io
  • Healenium

 

傳統測試和AI之間幾乎沒有什麼共同之處,

傳統測試:

  • 準備測試用例
  • 準備測試資料
  • 測試執行

基於AI的軟體測試:

  • 準備測試資料
  • 分析和清理測試資料
  • 通過執行迴歸服來建立AI模型來訓練測試資料

 

AI測試的關鍵領域

迴歸優化:

  • 建模迴歸服
  • 解決方案:

    • 測試套件對CR的影響
    • Patchwork
    • 升級應用程式
  • 基於機器學習的測試用例/指令碼的自動優先順序排序

 

缺陷分析:

  • 基於AI的情緒分析可找到需求/正向和負面場景以做出更好的決策
  • 實時儀表板,用於顯示錯誤的當前狀態
  • 分析驅動的工作負載建模

    • 缺陷預測
    • 程式碼覆蓋率
    • 響應時間
    • 可伸縮性預測

 

智慧自動化測試:

  • 在每個發行版上,在指令碼中的物件引數中查詢更改檢測
  • 自我修復指令碼,當有新的CR / Upgrade / Patch時
  • 需求覆蓋率系統上的儀表板

 

效能測試:

  • 通過ML建模進行工作量建模和響應時間分析
  • 基於代理的系統建模將進行效能測試

 

 

相關文章