【51CTO。com快譯】近年來，人工智慧（AI）和機器學習（ML）技術正在蓬勃發展，諸如：自動駕駛汽車、機器人、以及Amazon的Alexa等應用，都深刻地影響和改變著我們的日常生活。當然，隨著此類智慧應用和裝置使得我們的生活越來越輕鬆，大家對於軟體產品的質量需求日益增長，並且對於產品缺陷的容忍度越來越低。一旦出現了功能或效能上的問題，使用者會很快切換到市場上的同類替代產品中。因此，面對此類苛刻的要求，應用開發公司一方面不得不根據複雜的服務流程，不斷迭代軟體結構，一方面又要以更快的交付速度，推出高質量的軟體。
對此，人工智慧和機器學習正好能夠發揮作用。它們能夠以更快的速度、更好的質量、以及更高的效率，透過高度自動化的測試方式，為企業提供合適的端到端解決方案。據此，開發團隊能夠在有限的時間範圍內，創建出專有的測試用例，以避免從頭開始編寫測試指令碼，並能夠涵蓋儘可能多的關鍵性、高風險性的測試場景。可以說，使用AI和ML進行自動化測試的方式，正在逐漸成為整個開發和測試過程中，不可或缺的一部分。
下面，我將和您討論透過使用由AI和ML帶來的自動化智慧測試技術，是如何解決傳統測試中的痛點，並協助專案團隊減少測試工作量，以及提高測試覆蓋率的。
1。針對自動化測試的自愈（Self-Healing）技術
自動化測試自愈的流程圖
自動化測試中的自愈技術，能夠有效地解決測試指令碼的維護問題。透過基於動態定位的策略，此類自動化指令碼會在物件屬性（包括名稱、ID、CSS等）出現變化的每個階段產生中斷，以便程式能夠自動檢測到各種更改，並在無需人工干預的前提下，動態地修復它們。據此，專案團隊能夠在他們的敏捷測試中，利用左移的方法（shift-left approach），加快產品的交付速度，並提高生產率。
例如：開發人員在對HTML頁面中的各種物件識別符號進行更改時，AI將自動糾正測試用例中相應的UI識別符號。也就是說，AI引擎會在屬性發生變化時，及時找到此類元素，然後根據原始碼中的更改情況，做出相應的修改。可以說，這種自愈技術，節省了開發人員花費在識別更改，並對UI做出相應變動的大量時間。
在具體應用中，基於AI的測試平臺會按照端到端的處理流程，利用AI引擎發現那些由物件屬性的變更所導致的測試項中斷，進而憑藉著自愈技術提取整個DOM，以深入研究各個屬性。由於各項測試用例都是被自動化執行的，因此該過程無需任何人干預，便可使用動態定位策略，做出相應的更改。
2。自動生成測試指令碼
自動生成測試指令碼
過去，當我們需要開發自動化測試指令碼時，往往需要開發人員具備Java、Python、Ruby等高階程式語言的相關技能。顯然，這是一個既耗時又耗力的過程。如今，AI和ML技術，則能夠大幅簡化測試指令碼的設計與開發全過程。
目前，市場上有許多此方面的測試工具，其中selenium是最常見的一款。使用者既能夠手動構建各種自動化的測試指令碼，又可以透過平臺去讀取、並自動生成各種自動化的指令碼。在實際應用中，它能夠透過自帶的各種AI演算法，使用自然語言處理（NLP）技術，在完成了全面、良好的訓練後，可以理解使用者的意圖，進而模仿Web應用的各種動作。值得一提的是，在整個操作過程中，使用者無需親自編寫任何程式碼。有資料表明，該工具能夠讓常規測試指令碼的設計時間和人員的工作量減少80%左右。套用當前流行的概念，此類自動化測試可被稱為“非接觸式測試（Touchless testing）”。
3。有效地利用大量測試資料
許多使用敏捷（Agile）和DevOps方法實施持續測試的組織，每天都會在其軟體開發的生命週期中，多次採用端到端的嚴格測試方法，對其軟體應用的單元、API、功能、可訪問性、整合效果等其他方面予以測試。
而相對於上述測試內容的增加，待測資料在體量上的增多，則更讓專案團隊無法透過軟體應用做出更好、更準確的決策。對此，機器學習卻能夠透過視覺化那些極不穩定的測試用例，協助開發人員輕鬆地關注大資料對於軟體關鍵功能與服務的影響。
在實際應用中，AI和ML系統能夠輕鬆地對海量資料進行切片、切塊和分析，為目標專案提供模型的解讀、業務風險的量化、以及決策過程的提速。同時，開發人員還可以用AI和ML系統，來確定有待優先處理的持續整合作業，或是發現待測環境中目標平臺的潛在錯誤，以及獲得如下方面的“測試紅利”：
測試影響分析
安全漏洞
平臺的特有缺陷
測試環境的不穩定性
測試失敗中的重複模式
應用元件的漏洞位置
4。使用自動化視覺驗證工具，執行基於影象的測試
軟體開發過程中的視覺化測試（也稱為使用者介面測試），可以確保即將構建出的Web、或移動應用的UI，能夠給使用者帶來流暢的體驗。過去此類測試往往難以實現自動化，而需要人員進行繁瑣的手動測試。如今，使用基於ML的視覺驗證工具，使得測試人員可以識別出那些，過去在手動測試過程中容易遺漏的元素。實際上，在不少自動化網路社群中，大家正在流行著利用最新的機器學習技術，以及自動化視覺驗證工具，執行基於影象的測試。
這種基於影象的測試，可以動態地改變軟體公司在任何系統中，提供自動化測試服務的方式。據此，測試專家不必再將各項輸入，隱式地插入目標系統中，而只需透過建立ML類測試，以自動化的方式，驗證待測軟體在顯示效果（或稱視覺）上的正確性，及時發現各種錯誤與不足。
5。利用AI進行爬取
如今，不少開發人員也會使用基於AI的自動化技術，採用爬取的方法，自動為應用程式編寫測試用例。也就是說，一些新穎的AI/ML工具能夠針對Web應用開啟爬網功能。
在實際爬取過程中，此類工具首先會透過類似螢幕截圖，為每個頁面下載HTML程式碼，以及測量流量負載等方式，來收集資料，並且持續重複前面的步驟。接著，它們會基於收集到的資料構建出全量資料集，並根據待測應用的預期模式和行為，去訓練出可供機器學習的模型。然後，此類工具將當前階段觀察到的模式與先前輸入的模式進行比較。如果結果出現偏差，它們會將其作為測試中的錯誤予以標記。最後，由具有該領域知識的人員，對這些標記出的問題進行驗證。可見，儘管ML工具主要負責錯誤的檢測過程，但是人工核查仍然必不可少。
小結
目前，大多數公司都已將AL和ML之類的新技術，應用到了軟體測試的自動化流程中。當然，您和您的測試團隊，應當透過學習該領域的專業知識，瞭解如何將複雜的資料結構進行分解與分析，以增強針對測試的判斷與決策能力，並提高專案的總體效率與服務水平。希望上述五點經驗，能夠更好地為您實現該目標。
原文標題：5 Great Ways To Achieve Complete Automation With AI and ML，作者：Mohit Shah
【51CTO譯稿，合作站點轉載請註明原文譯者和出處為51CTO。com】