广告
智能试验成功的五个关键因素
2018-06-22 17:26:55· 来源：洞云书屋
在过去十年中，由于引入新技术和新工艺、虚拟化和数字化改造，试验生态系统经历了快速的演变。测试还从产品生命周期最后阶段的产品验证到更有效的跨阶段连续测试过程。测试解决方案、框架和方法将继续发展、响应和符合市场需求。
在过去十年中，由于引入新技术和新工艺、虚拟化和数字化改造，试验生态系统经历了快速的演变。测试还从产品生命周期最后阶段的产品验证到更有效的跨阶段连续测试过程。测试解决方案、框架和方法将继续发展、响应和符合市场需求。
为了解决速度、质量和成本的关键因素，各组织在确定和实施新的测试框架、方法和技术方面一直走在前列。今天，利用人工智能和机器学习的智能测试解决方案正在为各种方案开发，并取得积极成果。但随着越来越多的公司采用智能测试解决方案，理解最大业务价值的最佳实践非常重要。
尽管各组织已开始将重点放在提高效率、效率和生产力的智能测试解决方案上，但他们仍然不能确定预期的有形和无形利益。有许多因素需要考虑，这将确保无缝执行并提供长期的商业成果。
以下是需要考虑的五大关键成功因素：
关注影响最大的领域
通常情况下，团队将尝试在所有测试阶段执行智能测试，而不需要适当的分析、范围或理解。这导致了低于预期的结果，在最坏的情况下放弃了解决方案。智能测试解决方案需要分阶段应用。首先，在最大影响的可能性最大化，然后转移到其他领域，最终在整个产品生命周期中带来好处。
例如，回归测试是一个高影响领域，由于新的需求和测试用例的增加，缺乏足够的测试覆盖率。在这种情况下应用AI / ml解决方案将有助于提高发布质量。
可量化的投资回报率，提高效率和效益
在智能测试中使用人工智能/ ML方法的主要目标之一是以最少的努力和成本实现最大的效率，从而获得更高的投资回报。引入智能测试解决方案降低了选择、获取和维护成本。在硬件和用户培训等领域将产生额外的成本。
生成所需返回的时间间隔需要在初始部署阶段考虑。同样应该考虑导致测试质量改进的效率和有效性因素。
可扩展的解决方案
当应用于测试生命周期的多个阶段时，智能测试解决方案应该能够处理大型数据集，并以敏捷的方式做出明智的决定。在评估阶段，根据执行的并行测试周期的数量、生成测试数据的数量（缺陷数据、测试执行日志）来计划是很重要的。例如，基于智能的基于风险的测试解决方案需要大量的用户测试用例数据、测试数据和缺陷数据，从而为每一个测试周期派生出一组优化的测试用例。
用户界面和参与
AI和ML发展得很快，算法也很简单，这些都不是万无一失的。实现的成功还取决于用户界面，用户界面可以了解决策标准、传播影响，使他们能够理解人工智能系统无法解决的问题。用户必须能够根据场景监控和验证建议，修改/重写数据集，并提供额外的信息以确保无缝自动化。
采用正确的方法，而不是工具
为了提供好处，组织在考虑基于智能测试的解决方案时需要采取全面的、端到端的观点。工具是次要的；它们只增加测试方法、过程和方法。理解和分析场景并为将来的改进做计划，首先需要采取正确的方法。一旦确定了潜在的改进领域，下一步是确定一个可以使用智能测试解决方案解决的试点用例。最初的小项目将有助于团队获得洞察力和经验来展示业务价值。
为了解决速度、质量和成本的关键因素，各组织在确定和实施新的测试框架、方法和技术方面一直走在前列。今天，利用人工智能和机器学习的智能测试解决方案正在为各种方案开发，并取得积极成果。但随着越来越多的公司采用智能测试解决方案，理解最大业务价值的最佳实践非常重要。
尽管各组织已开始将重点放在提高效率、效率和生产力的智能测试解决方案上，但他们仍然不能确定预期的有形和无形利益。有许多因素需要考虑，这将确保无缝执行并提供长期的商业成果。
以下是需要考虑的五大关键成功因素：
关注影响最大的领域
通常情况下，团队将尝试在所有测试阶段执行智能测试，而不需要适当的分析、范围或理解。这导致了低于预期的结果，在最坏的情况下放弃了解决方案。智能测试解决方案需要分阶段应用。首先，在最大影响的可能性最大化，然后转移到其他领域，最终在整个产品生命周期中带来好处。
例如，回归测试是一个高影响领域，由于新的需求和测试用例的增加，缺乏足够的测试覆盖率。在这种情况下应用AI / ml解决方案将有助于提高发布质量。
可量化的投资回报率，提高效率和效益
在智能测试中使用人工智能/ ML方法的主要目标之一是以最少的努力和成本实现最大的效率，从而获得更高的投资回报。引入智能测试解决方案降低了选择、获取和维护成本。在硬件和用户培训等领域将产生额外的成本。
生成所需返回的时间间隔需要在初始部署阶段考虑。同样应该考虑导致测试质量改进的效率和有效性因素。
可扩展的解决方案
当应用于测试生命周期的多个阶段时，智能测试解决方案应该能够处理大型数据集，并以敏捷的方式做出明智的决定。在评估阶段，根据执行的并行测试周期的数量、生成测试数据的数量（缺陷数据、测试执行日志）来计划是很重要的。例如，基于智能的基于风险的测试解决方案需要大量的用户测试用例数据、测试数据和缺陷数据，从而为每一个测试周期派生出一组优化的测试用例。
用户界面和参与
AI和ML发展得很快，算法也很简单，这些都不是万无一失的。实现的成功还取决于用户界面，用户界面可以了解决策标准、传播影响，使他们能够理解人工智能系统无法解决的问题。用户必须能够根据场景监控和验证建议，修改/重写数据集，并提供额外的信息以确保无缝自动化。
采用正确的方法，而不是工具
为了提供好处，组织在考虑基于智能测试的解决方案时需要采取全面的、端到端的观点。工具是次要的；它们只增加测试方法、过程和方法。理解和分析场景并为将来的改进做计划，首先需要采取正确的方法。一旦确定了潜在的改进领域，下一步是确定一个可以使用智能测试解决方案解决的试点用例。最初的小项目将有助于团队获得洞察力和经验来展示业务价值。
广告
编辑推荐
最新资讯
-
NVIDIA 收购 GPU 编排软件提供商 Run:ai
2024-04-26 17:32
-
在亚洲最大车展见证 AI 推动未来交通运输业
2024-04-26 17:07
-
《GB/T 15385-2022 气瓶水压爆破试验方法》
2024-04-26 16:51
-
直播｜中国汽研：大倾角座椅下的乘员安全研
2024-04-26 16:35
-
采埃孚亚太区最大安全气囊生产基地在武汉投
2024-04-26 16:29
广告
广告
