將人工智能引入軟件測試似乎將徹底改變軟件QA。

軟件 QA 通常被視為任何開發(fā)團(tuán)隊的昂貴必需品;測試在時間、人力和金錢方面成本高昂，同時仍然是一個不完美的過程，容易出現(xiàn)人為錯誤。通過將人工智能和機器學(xué)習(xí)引入測試過程，我們不僅擴(kuò)大了可測試的范圍，而且還自動化了大部分測試過程本身。

這可以減少在測試上花費的時間和金錢，而不會犧牲范圍或質(zhì)量，使工程團(tuán)隊能夠突破項目管理的“鐵三角”。請繼續(xù)閱讀，了解將 AI 和機器學(xué)習(xí)應(yīng)用于測試過程如何有可能徹底改變測試環(huán)境。

測試的問題

手動測試涉及測試套件的開發(fā)，以及生成用于測試的測試數(shù)據(jù)。雖然在提交時自動運行測試套件可以很容易地集成到開發(fā)管道中，以防止部署失敗的代碼，但測試套件本身仍然只與其中包含的測試用例和使用的測試數(shù)據(jù)一樣好。創(chuàng)建測試的開發(fā)人員或測試人員是人類。這意味著可能會犯錯誤，并且可能會錯過測試用例。隨著軟件的發(fā)展，測試的數(shù)量將不可避免地增加，這使得保持測試套件的頂部并確保良好的代碼覆蓋率變得更加困難。

通過將人工智能引入測試過程，可以克服這些挑戰(zhàn)。人工智能可以在項目中以多種方式應(yīng)用，從抓取軟件到自動生成包含測試數(shù)據(jù)的測試套件，再到可視化分析軟件輸出以發(fā)現(xiàn)傳統(tǒng)功能測試不容易發(fā)現(xiàn)的錯誤。

視覺測試

可以訓(xùn)練基于圖像的學(xué)習(xí)算法來分析用戶界面，從而增強測試過程，以幫助確保網(wǎng)頁上的所有內(nèi)容正確顯示。與傳統(tǒng)的功能測試相比，這可以以更少的錯誤完成，并且比手動測試快得多。這樣可以節(jié)省時間和金錢，因為用于UI驗證的功能測試的開發(fā)非常耗時，并且很快就會變得非常冗長，使其難以維護(hù)。

可視化 AI 驅(qū)動的斷言通過顯著減少測試斷言所需的代碼量，徹底改變了編寫 UI 功能測試的過程。例如，AI 驅(qū)動的斷言不是編寫冗長的代碼來檢查 DOM 元素，而是根據(jù)目標(biāo)預(yù)期輸出（通常是屏幕截圖）分析輸出。如果輸出與屏幕截圖匹配，則測試通過。這可以立即突出顯示差異，還可以更輕松地編寫可應(yīng)用于不同設(shè)備和屏幕分辨率的更好測試。

人工智能爬蟲和用戶分析

生成用戶旅程需要花費大量時間，在足夠成熟的軟件中，可能的用戶旅程的數(shù)量會迅速接近超出手動創(chuàng)建的測試用例所能涵蓋的數(shù)字。AI 爬取用于自動化應(yīng)用程序發(fā)現(xiàn)，并可以與其他測試程序（如回歸測試）結(jié)合使用，以快速發(fā)現(xiàn)用戶旅程中引入的錯誤。它涉及利用機器學(xué)習(xí)創(chuàng)建一個模型，該模型可以通過與 UI 元素交互來導(dǎo)航應(yīng)用。該模型通過應(yīng)用創(chuàng)建一系列路徑，以自動生成可以針對其編寫測試的工作模式。這些測試將當(dāng)前模式與預(yù)期的工作模式進(jìn)行比較，以突出顯示差異作為測試過程的一部分。此方法可以非常快速地發(fā)現(xiàn)錯誤，否則這些錯誤可能隱藏在用戶旅程中一系列非常具體的步驟后面，手動測試很容易錯過這些步驟。

支持 ML 的使用分析可以代替 AI 爬取，也可以作為 AI 爬取的補充。通過觀察和了解最終用戶如何使用應(yīng)用程序，測試系統(tǒng)可以識別用戶實際遍歷的測試用例，而不是通過應(yīng)用程序的所有可能路徑，從而大大減少提供完整質(zhì)量保證所需的測試數(shù)量。

無代碼測試

使用錄制和播放界面是生成測試的常用方法，但隨著 UI 元素的更改，它們很難維護(hù)。人工智能驅(qū)動的無代碼測試開辟了創(chuàng)建幾乎不需要維護(hù)的自我修復(fù)測試用例的可能性。AI 可以通過在對象定位器交互時動態(tài)生成對象定位器來增強錄制和回放過程。識別所有命令，從鼠標(biāo)單擊到鍵盤輸入，以及對象類型，無論是下拉選項，輸入字段還是其他內(nèi)容。

AI 驅(qū)動的無代碼測試能夠自我修復(fù)。通過開發(fā)頁面上對象的模型，它能夠重新發(fā)現(xiàn)以某種方式移動或更改的 UI 元素定位器，而無需手動重新配置。在開發(fā) UI/UX 測試時，這可以節(jié)省大量時間，這通常需要不斷維護(hù)以適應(yīng)變化。

持續(xù)驗證

連續(xù)驗證不是將測試定義為 CI/CD 管道中的特定階段，而是允許使用持續(xù)驗證在開發(fā)過程的所有階段運行測試。人工智能驅(qū)動的持續(xù)驗證可以通過在開發(fā)過程的每個階段跟蹤數(shù)千個指標(biāo)來自動對新版本進(jìn)行風(fēng)險評估，處理機器日志數(shù)據(jù)的速度比手動快得多。

這些風(fēng)險評估可用作自動決策部署過程的一部分。如果判斷部署風(fēng)險太大，可以使用 AI 自動回滾或前滾部署，以防止不穩(wěn)定的代碼保留在生產(chǎn)中。這些不僅可以節(jié)省凌晨3點給技術(shù)專家的緊急呼叫，而且AI還能夠進(jìn)行錯誤診斷和分類，因此可以根據(jù)嚴(yán)重性自動理解和分類錯誤，從而進(jìn)一步減少對專家確定錯誤風(fēng)險級別的依賴。

人工智能和軟件測試的未來

基于AI和ML的軟件測試方法的許多潛在應(yīng)用仍處于起步階段，它們在軟件測試行業(yè)的采用并不廣泛。這些測試方法是新的，但人工智能驅(qū)動的測試方法表明，它不僅有可能擴(kuò)大軟件中可測試的范圍，而且有可能實現(xiàn)多少測試過程的自動化。軟件QA是開發(fā)過程中最昂貴的部分之一，因此對于開發(fā)團(tuán)隊來說，在時間和金錢方面的潛在成本節(jié)省是巨大的。

審核編輯：郭婷