將人工智能引入軟件測試似乎將徹底改變軟件質(zhì)量保證。

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、人力和金錢方面的成本很高，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(jī)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。

這可以在不犧牲范圍或質(zhì)量的情況下減少測試所花費(fèi)的時間和金錢，使工程團(tuán)隊能夠打破項目管理的“鐵三角”。繼續(xù)閱讀以了解將 AI 和機(jī)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)，以及與測試一起使用的測試數(shù)據(jù)的生成。雖然在提交時自動運(yùn)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，并且可能會遺漏測試用例。隨著軟件的增長，測試的數(shù)量將不可避免地增加，這使得保持在測試套件之上并確保良好的代碼覆蓋率變得更加困難。

這些挑戰(zhàn)可以通過將人工智能引入測試過程來克服。人工智能可以在項目中以多種方式應(yīng)用，從抓取軟件到使用測試數(shù)據(jù)自動生成測試套件，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，增強(qiáng)測試過程以幫助確保網(wǎng)頁上的所有內(nèi)容都能正確顯示。與傳統(tǒng)的功能測試相比，這可以通過更少的錯誤來完成，并且比手動測試要快得多。這節(jié)省了時間和金錢，因為用于 UI 驗證的功能測試開發(fā)起來非常耗時，并且很快就會變得非常冗長，使得它們難以維護(hù)。

視覺 AI 支持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 功能測試的方式。例如，AI 支持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。這可以立即突出差異，還可以更輕松地編寫可以應(yīng)用于不同設(shè)備和屏幕分辨率的更好的測試。

人工智能蜘蛛和用戶分析

生成用戶旅程需要大量時間，并且在足夠成熟的軟件中，可能的用戶旅程數(shù)量迅速接近超出手動創(chuàng)建的測試用例可能覆蓋的數(shù)字。AI 爬蟲用于自動發(fā)現(xiàn)應(yīng)用程序，并可與其他測試程序（例如回歸測試）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(jī)器學(xué)習(xí)來創(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)用程序。該模型通過應(yīng)用程序創(chuàng)建一系列路徑，以自動生成可以編寫測試的工作模式。這些測試將當(dāng)前模式與預(yù)期工作模式進(jìn)行比較，以突出差異作為測試過程的一部分。

可以使用支持 ML 的使用分析來代替或補(bǔ)充 AI 爬蟲。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

使用記錄和回放界面是一種流行的生成測試的方法，但是隨著 UI 元素的變化，它們很難維護(hù)。人工智能驅(qū)動的無代碼測試開啟了創(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 可以通過在與之交互時動態(tài)生成對象定位器來增強(qiáng)記錄和播放過程。所有命令，從鼠標(biāo)點擊到鍵盤輸入，以及對象類型，無論它可能是下拉選項、輸入字段還是其他東西，都會被識別。

人工智能驅(qū)動的無代碼測試能夠自我修復(fù)。通過開發(fā)頁面上的對象模型，它能夠重新發(fā)現(xiàn)已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，而是允許使用連續(xù)驗證在開發(fā)過程的所有階段運(yùn)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，比手動處理機(jī)器日志數(shù)據(jù)的速度要快得多。

這些風(fēng)險評估可用作自動化決策部署過程的一部分。如果部署被判定風(fēng)險太大，可以使用 AI 自動回滾或前滾部署，以防止不穩(wěn)定的代碼留在生產(chǎn)環(huán)境中。這些不僅節(jié)省了凌晨 3 點對技術(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)重程度自動理解和分類錯誤、警告和異常，進(jìn)一步減少對專家確定風(fēng)險級別的依賴的錯誤。

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)的應(yīng)用并不廣泛。這些測試方法是新的，但 AI 驅(qū)動的測試方法證明了不僅可以擴(kuò)大軟件中可測試的范圍，而且可以自動化多少測試過程。軟件 QA 是開發(fā)過程中最昂貴的部分之一，因此在時間和金錢方面的潛在成本節(jié)約對于開發(fā)團(tuán)隊來說是巨大的。

審核編輯：郭婷