AI Driven Testing的成熟度分析

简介: AI-DT(AI Driven Testing)也就是AI驱动测试,AI驱动测试是AI驱动完成测试工作和测试流程,帮助或者辅助测试工程师完成工作。在未来的测试工作中,测试工程师应该花费更多的时间来关注如何更加完善的测试来验证工程质量,而不是将全部的时间荒废在一遍一遍执行测试用例的无脑工作中。

AI-DT的级别划分

AI-DT(AI Driven Testing)也就是AI驱动测试,AI驱动测试是AI驱动完成测试工作和测试流程,帮助或者辅助测试工程师完成工作。在未来的测试工作中,测试工程师应该花费更多的时间来关注如何更加完善的测试来验证工程质量,而不是将全部的时间荒废在一遍一遍执行测试用例的无脑工作中。我们将AI-DT的成熟度分为六级,具体如下。


Level 0: 原始级

处于原始级,测试工程师每天还在针对各个应用手写测试用例,一遍一遍的针对每次的release版本进行相同测试用例的执行。全部的精力都关注在如何更全面的测试上。没有人独立出来写自动化测试脚本,手工测试工程师负责完成自己撰写case的自动化测试脚本,将手工测试cases用测试脚本重复一遍。任何功能的修改都意味着测试用例和自动化测试脚本的人工维护。


在开发工程师对系统做了全面修改的时候,绝大部分测试用例全部都是失效,需要重新维护,并且验证全部的失效用例,来验证是否是软件缺陷。


Level 1:辅助级

AI-DT框架可以分析被测系统的修改是有效的更改,还是无效的更改。AI-DT框架通过AI算法辅助测试脚本的开发,通知AI-DT框架可以执行测试并决定测试结果是否通过,如果失败,框架将通知你验证缺陷的正确性。测试工程师来确定失效其是否是一个真实的bug。


AI可以辅助测试人员,当被测系统发生更改的时候,AI算法驱动测试完成全量的检测,避免人工重复执行大范围测试用例这样繁琐枯燥的工作。


Level 2: 部分自动化级

在部分自动化级,AI-DT框架可以学习应用系统用户角度的术语差异,能够对更改进行分组, 同时算法在不断地自我学习中可以自行更改这样的分组,同时可以通知测试工程师对应的更改,人工可以介入撤回更改。AI-DT 框架可帮助您根据基线检查更改, 并将繁琐的工作转化为简单的工作。但是人工还是需要review全部AI测试出来的bug,并进行确认。


Level 3: 有条件自动化级

在这一层级中,AI-DT框架可以通过机器学习完成基线的建立,自动的确定Bug。例如,AI-DT框架可以根据自我学的基线和先关规则来确定UI层的设计是不是合理((包括对齐、空白使用、颜色和字体使用情况以及布局)。在数据检查方面,可以通过自己的对比来确定页面显示的全部结果是否正确,接口返回结果是否正确。AI-DT框架可以再无人干预的情况下完成测试,测试工程师只需要了解被测系统和数据规则即可。及时页面发生很大的编号,但是正确逻辑无变化,那么AI-DT框架还是可以很好的学习和使用。A收集并分析全部的测试用例,通过机器学习等线管技术,人工智能系统可以检测到变化中的异常, 并只将异常提交给人工进行验证。


Level 4: 高度自动化级

AI-DT框架 可以检查一个页面, 并像人类一样理解它, 所以当它查看登录页面与配置文件、注册或购物车页面时, 它就会理解。因为它在语义上理解页面, 作为交互流的一部分的页面, AI-DT框架 可以推动测试。虽然登录和注册等页面是标准的, 但大多数其他页面则不是标准的。但是, 第4级 AI-DT框架将能够查看用户随着时间的推移进行的交互, 可视化交互, 并了解页面和通过它们的流, 即使它们是 AI-DT框架 系统从未见过的类型的页面。一旦 AI-DT框架 了解了页面的类型, 它就可以使用强化学习 (一种机器学习) 等技术, 自动开始驾驶测试。它可以编写测试, 而不仅仅是对它们的检查。


Level 5: 全量自动化(科幻小说)级

最后一级是全量自动化级,也叫科幻小说级自动化。在此级别上, AI将能够与产品经理进行对话, 了解应用程序, 并自行完全驱动测试。但考虑到没有人能够理解产品经理对应用程序的描述, 科幻小说级需要比人类聪明得多。


当今现在

当今绝大部分的自动化框架都是Level1辅助级别,同时都有往级别2上的发展,想要达到3级别,有条件的自动化还需要很多努力。但是达到4级及其以上还需要很久远的发展。


目录
相关文章
|
7天前
|
机器学习/深度学习 人工智能 算法
FinRobot:开源的金融专业 AI Agent,提供市场预测、报告分析和交易策略等金融解决方案
FinRobot 是一个开源的 AI Agent 平台,专注于金融领域的应用,通过大型语言模型(LLMs)构建复杂的金融分析和决策工具,提供市场预测、文档分析和交易策略等多种功能。
72 13
FinRobot:开源的金融专业 AI Agent,提供市场预测、报告分析和交易策略等金融解决方案
|
10天前
|
机器学习/深度学习 数据采集 人工智能
AI在用户行为分析中的应用:实现精准洞察与决策优化
AI在用户行为分析中的应用:实现精准洞察与决策优化
59 15
|
5月前
|
人工智能 监控 安全
ai换脸?分析一下双刃剑
随着技术进步,“换脸”技术在身份验证中的应用日益广泛,但也引发了一系列问题,如侵犯肖像权、隐私泄露、虚假信息传播及身份盗用等。尽管国家尚未全面禁止换脸软件,已出台多项法规加强监管,确保技术合法、安全应用。未来,平衡技术利弊与社会需求将是关键。换脸技术在影视娱乐、社交媒体和医学领域展现出巨大潜力,但仍需谨慎使用,避免滥用。
|
16天前
|
数据采集 机器学习/深度学习 人工智能
基于AI的网络流量分析:构建智能化运维体系
基于AI的网络流量分析:构建智能化运维体系
90 13
|
16天前
|
机器学习/深度学习 存储 人工智能
基于AI的实时监控系统:技术架构与挑战分析
AI视频监控系统利用计算机视觉和深度学习技术,实现实时分析与智能识别,显著提升高风险场所如监狱的安全性。系统架构包括数据采集、预处理、行为分析、实时决策及数据存储层,涵盖高分辨率视频传输、图像增强、目标检测、异常行为识别等关键技术。面对算法优化、实时性和系统集成等挑战,通过数据增强、边缘计算和模块化设计等方法解决。未来,AI技术的进步将进一步提高监控系统的智能化水平和应对复杂安全挑战的能力。
|
2月前
|
机器学习/深度学习 人工智能 搜索推荐
AI与体育训练:运动表现分析
【10月更文挑战第31天】本文探讨了AI在体育训练中的应用,特别是在运动表现分析方面。通过数据收集与处理、深度分析与挖掘、实时反馈与调整三个环节,AI为运动员和教练提供了高效、个性化的训练计划和比赛策略,显著提升了训练效率和比赛成绩。未来,AI将在数据隐私、情感理解及跨学科合作等方面继续发展,为体育事业带来更多可能性。
|
3月前
|
人工智能 自然语言处理 算法
几款宝藏级AI阅读工具推荐!论文分析、文档总结必备神器!
【10月更文挑战第8天】几款宝藏级AI阅读工具推荐!论文分析、文档总结必备神器!
197 1
Nyx
|
3月前
|
人工智能 监控 算法
AI大模型客户分析体验测评
该方案介绍了利用AI大模型进行客服对话分析的原理和优势,如智能化分析和数据驱动决策。然而,方案缺乏具体的技术细节和实施步骤,如模型选择和训练方法。部署过程中可能遇到的困惑包括CRM系统集成、数据安全和非结构化数据处理。示例代码具有较高的直接应用性,但仍需根据业务逻辑定制。方案能满足基本对话分析需求,但对复杂场景如多轮对话和情感分析,建议提供更多技术文档、行业预训练模型、增强模型可解释性和性能监控工具。
Nyx
69 1
|
3月前
|
机器学习/深度学习 人工智能 搜索推荐
AI在医疗诊断中的应用与未来发展趋势分析
【10月更文挑战第9天】 本文深入探讨了人工智能(AI)在医疗诊断领域的现状及其应用,包括影像识别、临床数据处理及个性化治疗方案的制定。通过具体案例分析,展示了AI技术如何提高诊断准确性、缩短诊断时间,并减轻医生的工作负担。同时,本文还讨论了AI在医疗诊断中面临的伦理问题和法律障碍,以及解决这些问题的可能途径。最后,对AI在未来医疗行业中的发展潜力进行了展望,指出其在提升医疗服务质量和效率方面的巨大潜力。
325 2
|
3月前
|
机器学习/深度学习 人工智能 监控
AI与未来医疗:重塑健康产业的双刃剑随着科技的迅猛发展,人工智能(AI)正以前所未有的速度融入各行各业,其中医疗领域作为关系到人类生命健康的重要行业,自然也成为AI应用的焦点之一。本文将探讨AI在未来医疗中的潜力与挑战,分析其对健康产业可能带来的革命性变化。
在医疗领域,人工智能不仅仅是一种技术革新,更是一场关乎生死存亡的革命。从诊断到治疗,从后台数据分析到前端临床应用,AI正在全方位地改变传统医疗模式。然而,任何技术的发展都有其两面性,AI也不例外。本文通过深入分析,揭示AI在医疗领域的巨大潜力及其潜在风险,帮助读者更好地理解这一前沿技术对未来健康产业的影响。