一种测试方向的探讨-基于模型测试调研引发的思考 - 1

简介:

  第一篇 殊途同归


1.1 敏捷是一种态度

敏捷是目前组内尝试开发模式。结合实际操作,总结一下看法,敏捷更多的在提倡一种理念与态度,而非技术本身。
1.1.1 技术角度分析 
从技术角度来讲,敏捷本身并未提供或定义具体的方法。敏捷更多的是在提倡一种更快更高效得开发模式,来缩短产品上线周期。如被经常提及的提前介入,迭代开发,更多沟通,测试驱动设计,测试驱动开发等等。
1.1.2 产品流程角度分析
从整个产品设计流程上来说,敏捷要求处于流程后期的参与者对于产品的参与度与贡献度更大。因为产品的末端参与者通常处于比较被动的角色,这种被动性是产品周期缩短的天然屏障。这势必对测试人员提出最大的挑战。如何主动前期介入,如何更有效的介入,如何成为推动产品周期的动力,如何驱动设计与开发。这个是敏捷测试的核心价值。
1.1.3 敏捷的误区
敏捷本身提倡更简单的流程,更高效的工作。但通常实践时经常出现2大误区:
1、很多事情不做就是敏捷了。敏捷的核心是化繁为简,不是直接删除。 (调研的过程中发现不少rd的意识是只写代码,别的不提供。Qa的意识是当前项目快速over,产品维护并不考虑。这个不仅给测试带来较大麻烦。对于产品的迭代开发来说更是一个噩梦。) 敏捷的过程需要整个产品团队保持远见,保持对持续集成,迭代开发的高度关注。不仅是为了现在更快,而是为了将来越来越快。
2、敏捷对于流程,技术,文档的要求变得更高(更简单与高效),而不是一部分人认为的降低。

1.2 模型驱动是一种过程+方法

模型驱动是伴随着整个软件对象的复杂性,规模型,不可控性,自动化迫切性,分布式等要求越来越高而诞生的。模型驱动核心是对产品对象建立模型,通过模型驱动设计,开发与测试。方法本身天然包含对整个产品开发过程的梳理与重构。
1.2.1 从过程角度分析
模型驱动希望在产品设计阶段,产品周期的所有参与人员进行模型制定。测试人员在项目启动时介入,进行产品bug(mrd bug),设计bug(架构bug,文档bug,思路bug)的发掘(这一点基于bug发现的越迟,代价将成指数级增长的原理。)。提倡更多的沟通,降低产品升级的影响,让迭代开发变得更高效。
1.2.2 从技术方法角度分析
模型驱动包含建立模型,分析模型,翻译模型,执行,结果对比等阶段。建立模型的思想是核心。业界比较成熟的建模方案包括(基于状态机,基于数据流,基于产品逻辑,基于马尔科夫模型等等。) 通常会提供建模到自动化执行的一系列解决方案。
总结:敏捷体现的是一种态度,基于模型测试是敏捷思想的方法实践,组件化测试只是模型测试的一个分支。
1.3巧合还是必然的一致?(组织与技术的双重挑战)
1.3.1 更短的时间更完美的产品
产品最终服务于用户。从纯商业角度看,追求收益是最终目标。具体的技术表现就是更短的时间,更完美的产品。因此无论敏捷还是模型驱动测试在这一点上应该是高度一致的。

 

 



图表 1敏捷思想=〉模型驱动=〉组件化测试
1.3.2敏捷与模型驱动对比分析

图表 2敏捷与模型驱动对比分析
总结:组织与技术的双重挑战。无论敏捷还是模型测试带来的冲击,我们需要做好准备. 
作者: sevensky615
 








本文转自百度技术51CTO博客,原文链接:http://blog.51cto.com/baidutech/743246 ,如需转载请自行联系原作者
相关文章
|
2月前
|
人工智能 搜索推荐 测试技术
模拟试错(STE)法让7B大模型测试超GPT-4
【2月更文挑战第24天】模拟试错(STE)法让7B大模型测试超GPT-4
37 1
模拟试错(STE)法让7B大模型测试超GPT-4
|
2月前
|
传感器 算法 计算机视觉
基于肤色模型和中值滤波的手部检测算法FPGA实现,包括tb测试文件和MATLAB辅助验证
该内容是关于一个基于肤色模型和中值滤波的手部检测算法的描述,包括算法的运行效果图和所使用的软件版本(matlab2022a, vivado2019.2)。算法分为肤色分割和中值滤波两步,其中肤色模型在YCbCr色彩空间定义,中值滤波用于去除噪声。提供了一段核心程序代码,用于处理图像数据并在FPGA上实现。最终,检测结果输出到"hand.txt"文件。
|
2月前
|
测试技术
模型驱动测试:引领软件质量的新潮流
模型驱动测试:引领软件质量的新潮流
24 2
|
15天前
R语言估计多元标记的潜过程混合效应模型(lcmm)分析心理测试的认知过程
R语言估计多元标记的潜过程混合效应模型(lcmm)分析心理测试的认知过程
33 0
|
25天前
|
人工智能 搜索推荐 算法
人工智能,应该如何测试?(七)大模型客服系统测试
这篇文稿讨论了企业级对话机器人的知识引擎构建,强调了仅靠大模型如 GPT 是不够的,需要专业领域的知识库。知识引擎的构建涉及文档上传、解析、拆分和特征向量等步骤。文档解析是难点,因文档格式多样,需将内容自动提取。文档拆分按语义切片,以便针对性地回答用户问题。词向量用于表示词的关联性,帮助模型理解词义关系。知识引擎构建完成后,通过语义检索模型或问答模型检索答案。测试环节涵盖文档解析的准确性、问答模型的正确率及意图识别模型的性能。整个过程包含大量模型组合和手动工作,远非简单的自动化任务。
43 0
|
25天前
|
机器学习/深度学习 人工智能 文字识别
|
2月前
|
测试技术
模型驱动测试引领测试开发新风向
模型驱动测试引领测试开发新风向
19 3
|
3月前
|
存储 人工智能 自然语言处理
选择最适合数据的嵌入模型:OpenAI 和开源多语言嵌入的对比测试
OpenAI最近发布了他们的新一代嵌入模型*embedding v3*,他们将其描述为性能最好的嵌入模型,具有更高的多语言性能。这些模型分为两类:较小的称为text- embeddings -3-small,较大且功能更强大的称为text- embeddings -3-large。
107 0
|
3月前
|
运维 数据可视化 测试技术
Lag-Llama:第一个时间序列预测的开源基础模型介绍和性能测试
2023年10月,我们发表了一篇关于TimeGPT的文章,TimeGPT是时间序列预测的第一个基础模型之一,具有零样本推理、异常检测和共形预测能力。 虽然TimeGPT是一个专有模型,只能通过API访问。但是它还是引发了对时间序列基础模型的更多研究。到了2024年2月,已经有了一个用于时间序列预测的开源基础模型:laglllama。
130 2
|
3月前
|
测试技术 程序员 图形学
常用的Negative prompt用语-测试模型(Stable-Diffusion)
常用的Negative prompt用语-测试模型(Stable-Diffusion)
82 0

热门文章

最新文章