毫无疑问,测试自动化领域正在发生转变。 机器学习(ML),深度学习和人工智能(AI)被越来越多地用作测试创作和测试分析的一部分。
尽管从成熟的角度来看,这个空间仍在增长,但对于从业者(开发人员和测试工程师)来说,现在是开始理解ML / AI的关键用例及其对整体测试自动化的影响的绝佳时机。
如今,各组织都在研究ML和AI,以帮助解决和解决以下方面的问题:
- 对象识别和处理动态对象定位器
- 转录语音–可访问性和类似的用例
- 根据数据制定与质量相关的决策
- 确定DevOps管道中的趋势和/或模式
- 安全用例–识别应用程序和文档中的签名,例如
并非所有的ML / AI解决方案都提供无代码测试创作,还有诸如Test.AI之类的解决方案通过附加的代码行提供了用于鸦片测试编码的AI功能。
我的同事Uzi Eilon (Perfecto的CTO)和我自己准备了以下比较表,其中显示了使用ML / AI无代码(在大多数情况下)测试自动化工具和传统测试框架(如Selenium,Appium,浓缩咖啡等
从上表可以看出,没有一个解决方案比其他解决方案要好,而是从业人员或团队需要解决的一组要求,然后才能转换为新模型或坚持使用当前的(或两者结合)。
为了强调无代码测试的一些好处,我们可以看看测试编写的速度,从技能组的角度来看较低的标准,由于自愈代码和对象标识而导致的更稳定的测试方案等。
为了突出传统测试自动化领域的优势,我们可以研究成熟的空间,更好的集成和开源挂钩,更高的技能组合,以实现更大的编码灵活性,高级测试类型以及对所有应用程序的支持。
底线
在此博客中,除了没有其他决定或底线之外-熟悉并了解市场转型,开始考虑使您放慢脚步的用例,并查看AI / ML领域中的哪些工具可以用来缓解这些麻烦。
翻译自: https://www.javacodegeeks.com/2018/11/codeles-based-automation-traditional-test.html