AI应用于软件测试的探讨

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上软件测试知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化的资料的朋友，可以戳这里获取

​02/AI在测试自动化中的应用

让我们看看AI在测试自动化中的一些应用，通俗来说，Ai可以应用于整个软件测试周期，包括单元测试、用户界面测试、API测试和维护自动化测试套件。

1. 自动化测试：AI 可以帮助自动化软件测试过程，例如使用机器学习算法来生成测试用例、预测缺陷、识别测试覆盖度等。

2. 智能测试用例生成：通过使用自然语言处理技术，AI 可以理解测试需求，并自动生成相关的测试用例，提高测试效率和质量。

3. 缺陷预测：基于历史数据和机器学习模型，AI 可以预测软件中可能出现缺陷的区域，帮助测试人员更有针对性地进行测试。

4. 测试结果分析：AI 可以分析测试结果，例如识别异常或错误模式，提供有关软件质量和性能的见解。

5. 可视化和报告：AI 可以将测试数据可视化，帮助测试人员更容易理解和分析测试结果，并生成相关的报告。

6. 智能监控：利用 AI 实时监控软件的性能和状态，及时发现问题并发出警报。

7. 模拟用户行为：AI 可以模拟用户的行为和交互，进行基于行为的测试，以发现用户体验方面的问题。

8. 持续集成和交付（CI/CD）：将 AI 集成到 CI/CD 管道中，以实现自动化测试、监控和反馈，加速软件交付过程。

9. 测试自动修复：AI 系统可以根据测试结果和反馈，自动调整测试策略和用例，提高测试的效果和效率。

10. 语音和图像识别测试：对于涉及语音识别或图像处理的软件，AI 可以用于测试这些功能的准确性和可靠性。

单元测试

单元测试，经常被用于DevOps 中持续测试、持续集成/持续交付(CI/CD)。通常，开发人员花费大量时间编写和维护单元测试，这远远不如编写应用程序代码有趣。在这种情况下，基于AI的产品可以用于自动化单元测试的创建，特别是对于那些计划在产品生命周期后期引入单元测试的团队。

好处:

● 基于AI的自动化单元测试比使用静态或动态分析的基于模板的自动化单元测试生成更进一步，这样生成的测试是实际的代码，而不仅仅是存根。

● 基于 AI 的单元测试可以非常快速地生成，这对于大型现有代码库很有用。

● 开发人员只需要修改测试，并可以相对快速地设置单元回归套件。

局限:

● AI生成的单元测试只是反映了它所构建的代码，但它不知道代码的预期功能，如果代码的行为不符合预期，为该代码生成的单元测试将反映出非预期的行为。

● 使用机器学习生成的单元测试可能会破坏现有的运行单元测试，开发人员需要确保这种情况不会发生。

● 开发人员需要自己为复杂的业务逻辑编写测试。

Ui自动化测试

在基于AI的 UI 测试中，测试自动化工具解析 DOM 和相关代码以确定对象属性。它们还使用图像识别技术来导航应用程序，并可视化地验证 UI 对象和元素，以创建 UI 测试。

此外，AI测试系统使用探索性测试来发现应用程序 UI 中的变化，并生成屏幕截图供QA工程师稍后验证。同样，可以验证被测系统的视觉方面，如布局、大小和颜色。

好处:

● 自动化的 UI 测试可以提高代码覆盖率。

● UI中的轻微偏差不会导致测试套件失败。产品AI模型可以处理这些偏差。

局限:

● 对于任何现代应用程序，平台、应用程序版本和浏览器版本的数量都很大。目前还不清楚基于 AI 的 UI 自动化在这些条件下表现如何。然而，云测试工具可以并行执行测试，因此这将是一个有趣的观察空间！

API测试

即使没有AI，自动化API测试也是一项非同小可的任务，因为它涉及到理解API，然后为多种场景设置测试，以确保覆盖面的深度和广度。

当前的API测试自动化工具，如Tricentis和SoapUI，记录API活动和流量来分析和创建测试。然而，修改和更新测试需要测试人员深入研究REST调用和参数的细节，然后更新API测试套件。

基于AI的API自动化测试工具试图通过检查流量和识别API调用之间的模式和连接来缓解这一问题，并根据场景有效地分组它们。

好处:

● 对于新手测试人员或那些没有编程经验的人来说，这对他们“落地运行”非常有帮助。

限制:

● 一般来说，API测试很难设置，而且在这个领域提供基于机器学习功能的工具并不多，那些提供这种功能的工具似乎也只有非常基本的功能。

自动化测试维护

基于AI的工具可以评估代码的变更，并修复几个与这些变更不一致的现有测试，特别是当这些代码变更不太复杂时。对UI元素、字段名等的更新不再需要破坏测试套件。

一些AI工具监控运行中的测试，并根据最适合的UI元素选择修改后的变量来尝试失败的测试。它们还可以提升测试覆盖率。

基于AI的测试数据生成

测试数据生成是AI的另一个有潜力的领域。机器学习可以轻松地生成数据集，如个人资料照片和年龄、体重等信息，基于使用现有生产数据集进行学习的训练机器学习模型。

这样，生成的测试数据非常类似于生产数据，非常适合用于软件测试。生成数据的机器学习模型称为生成对抗网络(GAN)。

AI驱动的自动化测试工具

如果你正在寻找使用机器学习来进行和跟踪自动化测试的软件，请查看下面的工具。许多工具包括开源或无代码选项，以满足你的测试团队的需求。

● Applitools Eyes

● Functionize

● Mabl

● Parasoft SOAtest

● Test.ai

● Testim.io

04/AI将如何改变软件测试

AI可以代替测试人员做其不擅长的工作。

测试人的工作特点是，同样的事情要重复多次，几乎没有变化，而且要等待很长时间。

● 一个新的版本要测试。

● 自动测试运行完成。

● 对block缺陷进行验证。

● 等等…。

测试人员还需要执行一些需要大量关注细节的任务，例如分析自动化测试运行的结果，维护由于应用程序更改而失败的自动化测试，报告测试状态。

测试中的大部分工作是测试执行。虽然它在很大程度上是自动化的，但是也消耗了人力；而人力决定整个测试周期长短。

05/AI对QA的直接影响

在下一波自动化测试创建中，我们将看到直接根据用例描述生成测试的工具，甚至更直接地通过观察人类测试人员探索应用程序来生成测试。这是从自动化测试向自主测试迈出的一大步。尽管我们可能还没有完全实现这一点，但大多数应用程序和业务流程都是专有的，训练AI所需的数据分散在不同的软件测试工具中。因此，我们可能会看到人工监督的测试，而不是完全自主的测试。

大多数软件团队的测试数量太少，而不是太多。随着AI的使用，测试资产的规模可能会增长。虽然运行自动化测试实际上是免费的，但获得测试结果的速度仍然很重要。因此，安排自动化回归是大有裨益的，以便那些最有可能发现缺陷的测试用例将优先运行。如果AI足够了解生命周期数据，它可以查看代码更改和以前的测试结果，确定如何安排测试，从而加快反馈周期。

如果 AI 能够根据缺陷引起的可能性来生成测试，那么它也应该能够预测缺陷可能在哪里被发现。测试人员也可以利用AI的这些上下文来更好的做探索性测试。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**

需要这份系统化的资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！