Jadual Kandungan
Tahun 1980-an: Pengujian Manual
1990-an – 2010-an: Automasi Ujian Pengekodan
Tahun 2020: Automasi Ujian Tanpa Kod
2025? Perisian Pengujian Kendiri Benar-benar Pintar
Rumah Peranti teknologi AI Kecerdasan Buatan, Pembelajaran Mesin dan Masa Depan Pembangunan Perisian

Kecerdasan Buatan, Pembelajaran Mesin dan Masa Depan Pembangunan Perisian

Apr 30, 2023 pm 01:37 PM
AI pembelajaran mesin pembangunan perisian

Setiap interaksi yang berjaya antara anda dan apl kegemaran anda adalah hasil usaha bersama oleh pasukan QA.

Kecerdasan Buatan, Pembelajaran Mesin dan Masa Depan Pembangunan Perisian

Setiap interaksi yang berjaya anda lakukan dengan apl kegemaran anda adalah hasil usaha sama oleh pasukan Jaminan Kualiti (QA). Pemburu masalah tanpa jemu ini memastikan bahawa setiap aspek aplikasi yang pengguna peranti mudah alih di seluruh dunia bergantung kepada keperluan harian mereka berjalan lancar dengan setiap keluaran dan kemas kini.

Apabila anda bangun dengan bunyi penggera anda pada waktu pagi, menyemak cuaca atau menghantar mesej kepada orang tersayang, kita mesti berterima kasih kepada wira yang sering tidak didendang ini.

Apabila usaha pasukan gagal, mereka pasti akan mendengar berita: ramai pengguna tidak akan teragak-agak untuk memberikan maklum balas negatif pada tapak ulasan yang popular (dan sangat jelas).

Jangkaan pengguna aplikasi mudah alih moden - yang hampir sama dengan kita semua hari ini - adalah kesempurnaan, dan matlamat utama pasukan QA adalah untuk memastikan produk bebas pepijat setiap kali ia digunakan.

Kehadiran pepijat dan isu boleh menenggelamkan apl dengan cepat. Malangnya, memastikan pengalaman bebas pepijat bukanlah tugas yang mudah. Dan ia hanya menjadi lebih rumit. Dunia pembangunan perisian hari ini menjadi semakin kompleks, dan ujian terhadap banyak potensi dan senario yang dibawa oleh kerumitan ini bermakna ujian itu sendiri menjadi semakin kompleks dan intensif sumber.

Memandangkan sejarah pembangunan aplikasi mudah alih, adalah sangat munasabah untuk menjangkakan bahawa apl hanya akan menjadi lebih kompleks dan memerlukan ujian yang lebih maju dan kerap. Tetapi adakah ia mesti begini? Adakah kita ditakdirkan untuk memerlukan lebih ramai kakitangan dan pasukan QA yang lebih besar dan lebih besar?

Tahun 1980-an: Pengujian Manual

Mari kita luangkan sedikit masa untuk mempertimbangkan bagaimana kami sampai di sini. Sehingga baru-baru ini - "Wah - Saya rasa ini benar-benar tahun 1980-an sekian lama dahulu" - pasukan QA perisian sangat bergantung pada ujian manual peralatan mereka untuk memastikan produk yang mereka bawa ke pasaran berprestasi baik.

Ia lebih mudah masa apabila peranti mempunyai ciri yang jauh lebih sedikit dan senario aktif, jadi pengekodan tangan adalah cara yang mencukupi untuk menguji. Walaupun kerja yang membosankan mengambil banyak masa apabila dilakukan dengan teliti, ujian manual berfungsi dengan baik untuk penguji.

Tetapi teknologi, sebagai haiwan yang sentiasa berkembang dan bertambah baik, telah membawa perubahan dalam bentuk automasi, meningkatkan secara mendadak proses ujian. Perisian terus maju dan menjadi lebih kompleks.

1990-an – 2010-an: Automasi Ujian Pengekodan

Dalam dekad berikut, kemajuan dalam ujian membebaskan penguji QA daripada keperluan untuk melalui kes ujian secara fizikal. Mereka tidak lagi perlu mencari pepijat secara manual dalam timbunan kod spageti.

Mereka mempunyai senjata baharu dalam peperangan terhadap isu perisian: ujian manual berskala besar telah menjadi tidak praktikal, dan jika mana-mana pasukan QA akan menguji secara menyeluruh kemungkinan keluaran dalam jumlah masa yang munasabah, mereka perlu Berikut ialah alat automatik untuk melaksanakan skrip ujian.

Jadi, adakah perang kerumitan dimenangi? Tidak sepenuhnya. Adalah lebih baik untuk menganggap ujian automatik kurang sebagai inovasi revolusioner dan lebih sebagai satu lagi langkah dalam perlumbaan senjata dengan kerumitan perisian yang sentiasa berkembang.

Jam berdetik, tetapi tiada kemenangan yang jelas di kaki langit. Apabila apl mudah alih semakin popular dan menjadi alat teras dalam kebanyakan kehidupan seharian kita, ujian automatik semakin hilang. Nasib baik, perubahan yang lama ditunggu-tunggu akan datang, revolusi sebenar.

Tahun 2020: Automasi Ujian Tanpa Kod

Sehingga baru-baru ini, dilema pasukan ujian QA telah menjadi agak teruk. Untuk memastikan keluaran produk berkualiti tinggi, ujian automatik memerlukan alat pengekodan yang semakin canggih, yang bermaksud pasukan QA perlu mendedikasikan lebih ramai pengaturcara untuk menguji dan bukannya tugas lain, seperti menjana ciri baharu. Ini bukan sahaja semakin mahal, ia juga bermakna menolak tarikh keluaran lebih jauh ke belakang. Tetapi alternatifnya, pelancaran bencana, boleh jadi jauh lebih mahal (seperti yang telah dibuktikan oleh banyak pelancaran gagal berprofil tinggi).

Tetapi perkara yang tidak dapat dielakkan berlaku. Melalui prinsip abstraksi—perwakilan berasaskan antara muka membuka jalan untuk proses yang sangat kompleks (fikir, sebagai contoh, 1s dan 0s yang bersembunyi di sebalik artikel yang anda baca)—ramai pakar telah lama mengumumkan lapisan abstraksi baharu, yang Terdapat "revolusi tanpa kod", yang telah benar-benar membuahkan hasil sejak beberapa tahun lalu.

Beberapa platform telah muncul baru-baru ini yang membenarkan penggunaan penyelesaian tanpa kod dalam pelbagai industri. Salah satu contoh revolusi tanpa kod yang lebih jelas ialah populariti editor laman web WYSIWYG sebenar (fikirkan Squarespace atau Wix), dan dalam bidang ujian perisian yang kurang jelas, syarikat yang saya asaskan, Sofy, adalah platform yang unik , yang menyediakan ujian tanpa kod untuk aplikasi mudah alih.

Revolusi tanpa kod telah membawa perubahan yang menggegarkan bumi, membolehkan bukan pakar mengendalikan tugas yang rumit, memberikan lebih banyak masa kepada pakar untuk mengendalikan tugas lain. Oleh itu, kami sudah pasti akan melihat semakin banyak penyelesaian tanpa kod untuk pelbagai industri dalam masa terdekat.

2025? Perisian Pengujian Kendiri Benar-benar Pintar

Yang berkata, dalam skema perkara, revolusi tanpa kod hanyalah satu langkah ke hadapan, saya percaya langkah seterusnya dalam ujian perisian ialah menguji dirinya perisian.

Saya tidak bersendirian dalam hal ini: sama seperti revolusi tanpa kod, perisian ujian kendiri telah menjadi realiti yang dijangka selama bertahun-tahun. Pada kadar di mana teknologi berubah dan berkembang, tidak masuk akal untuk membayangkan bahawa menjelang 2025, automasi ujian pintar (iaitu, perisian ujian kendiri) yang boleh menguji operasi AI tanpa campur tangan manusia akan diperluaskan secara meluas.

Pada masa ini, pelaksanaan ujian pintar yang terhad meningkatkan kelajuan dan kualiti keluaran perisian dengan bergantung pada pembelajaran mesin (ML) dan platform AI. Ini membolehkan ujian pantas dan berterusan (dan oleh itu meningkatkan ROI). Selain itu, AI boleh meniru kecerdasan manusia, manakala ML membenarkan komputer belajar tanpa campur tangan manusia.

Kecerdasan buatan dan pembelajaran mesin menggunakan algoritma berasaskan pembelajaran mendalam untuk mengakses data dan belajar daripada data dengan mengekstrak corak untuk penyahpepijatan dan membuat keputusan yang lebih cekap. Selain itu, teknologi ini membolehkan pasukan QA melakukan banyak ujian merentas pelbagai peranti dan faktor bentuk yang berbeza.

Bukan hari, tetapi jam. Sekarang ini adalah revolusi.

Tiada kod yang masih memerlukan orang; orang bukan mesin: mereka membuat kesilapan. Walaupun tanpa kod—walaupun sangat berkurangan—kesilapan manusia masih menjadi faktor yang menyebabkan masalah serius. Pertimbangkan penggunaan sumber, masa dan usaha yang berlebihan yang disebabkan oleh ujian manual.

Ujian pintar secara automatik menjana dan mengekalkan kes ujian dan menjana faedah berharga yang boleh diringkaskan sebagai peningkatan produktiviti dan kualiti output. Tetapi untuk mencapai automasi ujian pintar, anda mesti terlebih dahulu menggabungkan elemen berikut:

  • Belajar daripada input manusia: Apabila mesin melakukan ujian, ia mesti bertindak seperti manusia. Ia mesti memahami apa yang manusia perlukan dan inginkan, dan bagaimana manusia menggunakan peranti. Seperti yang kita bincangkan, ini sukar untuk diramalkan, dan aplikasi yang kompleks bermakna senario dan corak ujian yang kompleks. Walau bagaimanapun, mesin mesti difahami dan dikendalikan dari sudut pandang ini.
  • Belajar daripada data produk kehidupan sebenar: Mesin mesti memahami cara aplikasi digunakan dalam persekitaran pengeluaran yang berbeza. Ini termasuk memahami peranti yang mungkin sedang digunakan, bahasa yang ditetapkan dan aliran penggunaannya, termasuk penggunaan menu, skrin dan tindakan.
  • Data Latihan: Seperti kereta pandu sendiri (kacang yang masih belum retak), pembelajaran mesin memerlukan data latihan untuk membantu menggariskan corak perisian.

Tiga item ini mesti dihayati dan diuji secara menyeluruh untuk setiap perubahan kod. Ia kemudiannya mesti diagregatkan dan diutamakan dengan cara yang lancar dan bijak. Ini bukan kejayaan kecil, tetapi kami akan terus berusaha ke arah langkah seterusnya.

Kami belum memilikinya lagi. Setiap langkah ini mesti diselesaikan sebelum kita boleh bergerak ke hadapan, tetapi ia sebenarnya hanya menunggu masa.

Perisian ujian kendiri hanyalah langkah pertama: Saya meramalkan kita boleh menjangkakan contoh tanpa kod lain hanya akan memasuki pasaran ke arah pembelajaran mesin. Saya percaya ia hanya menunggu masa sebelum menjana keseluruhan tapak web berdasarkan beberapa parameter yang ditentukan pengguna menjadi kenyataan. Hari ini, revolusi tanpa kod akhirnya telah tiba, tetapi dengannya datang permulaan revolusi lain.

Atas ialah kandungan terperinci Kecerdasan Buatan, Pembelajaran Mesin dan Masa Depan Pembangunan Perisian. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Kenyataan Laman Web ini
Kandungan artikel ini disumbangkan secara sukarela oleh netizen, dan hak cipta adalah milik pengarang asal. Laman web ini tidak memikul tanggungjawab undang-undang yang sepadan. Jika anda menemui sebarang kandungan yang disyaki plagiarisme atau pelanggaran, sila hubungi admin@php.cn

Alat AI Hot

Undresser.AI Undress

Undresser.AI Undress

Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover

AI Clothes Remover

Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool

Undress AI Tool

Gambar buka pakaian secara percuma

Clothoff.io

Clothoff.io

Penyingkiran pakaian AI

AI Hentai Generator

AI Hentai Generator

Menjana ai hentai secara percuma.

Artikel Panas

R.E.P.O. Kristal tenaga dijelaskan dan apa yang mereka lakukan (kristal kuning)
2 minggu yang lalu By 尊渡假赌尊渡假赌尊渡假赌
Repo: Cara menghidupkan semula rakan sepasukan
1 bulan yang lalu By 尊渡假赌尊渡假赌尊渡假赌
Hello Kitty Island Adventure: Cara mendapatkan biji gergasi
4 minggu yang lalu By 尊渡假赌尊渡假赌尊渡假赌

Alat panas

Notepad++7.3.1

Notepad++7.3.1

Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina

SublimeText3 versi Cina

Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1

Hantar Studio 13.0.1

Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6

Dreamweaver CS6

Alat pembangunan web visual

SublimeText3 versi Mac

SublimeText3 versi Mac

Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Bytedance Cutting melancarkan keahlian super SVIP: 499 yuan untuk langganan tahunan berterusan, menyediakan pelbagai fungsi AI Bytedance Cutting melancarkan keahlian super SVIP: 499 yuan untuk langganan tahunan berterusan, menyediakan pelbagai fungsi AI Jun 28, 2024 am 03:51 AM

Laman web ini melaporkan pada 27 Jun bahawa Jianying ialah perisian penyuntingan video yang dibangunkan oleh FaceMeng Technology, anak syarikat ByteDance Ia bergantung pada platform Douyin dan pada asasnya menghasilkan kandungan video pendek untuk pengguna platform tersebut Windows , MacOS dan sistem pengendalian lain. Jianying secara rasmi mengumumkan peningkatan sistem keahliannya dan melancarkan SVIP baharu, yang merangkumi pelbagai teknologi hitam AI, seperti terjemahan pintar, penonjolan pintar, pembungkusan pintar, sintesis manusia digital, dsb. Dari segi harga, yuran bulanan untuk keratan SVIP ialah 79 yuan, yuran tahunan ialah 599 yuan (nota di laman web ini: bersamaan dengan 49.9 yuan sebulan), langganan bulanan berterusan ialah 59 yuan sebulan, dan langganan tahunan berterusan ialah 499 yuan setahun (bersamaan dengan 41.6 yuan sebulan) . Di samping itu, pegawai yang dipotong juga menyatakan bahawa untuk meningkatkan pengalaman pengguna, mereka yang telah melanggan VIP asal

Pembantu pengekodan AI yang ditambah konteks menggunakan Rag dan Sem-Rag Pembantu pengekodan AI yang ditambah konteks menggunakan Rag dan Sem-Rag Jun 10, 2024 am 11:08 AM

Tingkatkan produktiviti, kecekapan dan ketepatan pembangun dengan menggabungkan penjanaan dipertingkatkan semula dan memori semantik ke dalam pembantu pengekodan AI. Diterjemah daripada EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, pengarang JanakiramMSV. Walaupun pembantu pengaturcaraan AI asas secara semulajadi membantu, mereka sering gagal memberikan cadangan kod yang paling relevan dan betul kerana mereka bergantung pada pemahaman umum bahasa perisian dan corak penulisan perisian yang paling biasa. Kod yang dijana oleh pembantu pengekodan ini sesuai untuk menyelesaikan masalah yang mereka bertanggungjawab untuk menyelesaikannya, tetapi selalunya tidak mematuhi piawaian pengekodan, konvensyen dan gaya pasukan individu. Ini selalunya menghasilkan cadangan yang perlu diubah suai atau diperhalusi agar kod itu diterima ke dalam aplikasi

Tujuh Soalan Temuduga Teknikal GenAI & LLM yang Cool Tujuh Soalan Temuduga Teknikal GenAI & LLM yang Cool Jun 07, 2024 am 10:06 AM

Untuk mengetahui lebih lanjut tentang AIGC, sila layari: 51CTOAI.x Komuniti https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou berbeza daripada bank soalan tradisional yang boleh dilihat di mana-mana sahaja di Internet memerlukan pemikiran di luar kotak. Model Bahasa Besar (LLM) semakin penting dalam bidang sains data, kecerdasan buatan generatif (GenAI) dan kecerdasan buatan. Algoritma kompleks ini meningkatkan kemahiran manusia dan memacu kecekapan dan inovasi dalam banyak industri, menjadi kunci kepada syarikat untuk kekal berdaya saing. LLM mempunyai pelbagai aplikasi Ia boleh digunakan dalam bidang seperti pemprosesan bahasa semula jadi, penjanaan teks, pengecaman pertuturan dan sistem pengesyoran. Dengan belajar daripada sejumlah besar data, LLM dapat menjana teks

Bolehkah penalaan halus benar-benar membolehkan LLM mempelajari perkara baharu: memperkenalkan pengetahuan baharu boleh menjadikan model menghasilkan lebih banyak halusinasi Bolehkah penalaan halus benar-benar membolehkan LLM mempelajari perkara baharu: memperkenalkan pengetahuan baharu boleh menjadikan model menghasilkan lebih banyak halusinasi Jun 11, 2024 pm 03:57 PM

Model Bahasa Besar (LLM) dilatih pada pangkalan data teks yang besar, di mana mereka memperoleh sejumlah besar pengetahuan dunia sebenar. Pengetahuan ini dibenamkan ke dalam parameter mereka dan kemudiannya boleh digunakan apabila diperlukan. Pengetahuan tentang model ini "diperbaharui" pada akhir latihan. Pada akhir pra-latihan, model sebenarnya berhenti belajar. Selaraskan atau perhalusi model untuk mempelajari cara memanfaatkan pengetahuan ini dan bertindak balas dengan lebih semula jadi kepada soalan pengguna. Tetapi kadangkala pengetahuan model tidak mencukupi, dan walaupun model boleh mengakses kandungan luaran melalui RAG, ia dianggap berfaedah untuk menyesuaikan model kepada domain baharu melalui penalaan halus. Penalaan halus ini dilakukan menggunakan input daripada anotasi manusia atau ciptaan LLM lain, di mana model menemui pengetahuan dunia sebenar tambahan dan menyepadukannya

Untuk menyediakan tanda aras dan sistem penilaian menjawab soalan saintifik dan kompleks baharu untuk model besar, UNSW, Argonne, University of Chicago dan institusi lain bersama-sama melancarkan rangka kerja SciQAG Untuk menyediakan tanda aras dan sistem penilaian menjawab soalan saintifik dan kompleks baharu untuk model besar, UNSW, Argonne, University of Chicago dan institusi lain bersama-sama melancarkan rangka kerja SciQAG Jul 25, 2024 am 06:42 AM

Editor |ScienceAI Question Answering (QA) set data memainkan peranan penting dalam mempromosikan penyelidikan pemprosesan bahasa semula jadi (NLP). Set data QA berkualiti tinggi bukan sahaja boleh digunakan untuk memperhalusi model, tetapi juga menilai dengan berkesan keupayaan model bahasa besar (LLM), terutamanya keupayaan untuk memahami dan menaakul tentang pengetahuan saintifik. Walaupun pada masa ini terdapat banyak set data QA saintifik yang meliputi bidang perubatan, kimia, biologi dan bidang lain, set data ini masih mempunyai beberapa kekurangan. Pertama, borang data adalah agak mudah, kebanyakannya adalah soalan aneka pilihan. Ia mudah dinilai, tetapi mengehadkan julat pemilihan jawapan model dan tidak dapat menguji sepenuhnya keupayaan model untuk menjawab soalan saintifik. Sebaliknya, Soal Jawab terbuka

Prestasi SOTA, kaedah AI ramalan pertalian protein-ligan pelbagai mod Xiamen, menggabungkan maklumat permukaan molekul buat kali pertama Prestasi SOTA, kaedah AI ramalan pertalian protein-ligan pelbagai mod Xiamen, menggabungkan maklumat permukaan molekul buat kali pertama Jul 17, 2024 pm 06:37 PM

Editor |. KX Dalam bidang penyelidikan dan pembangunan ubat, meramalkan pertalian pengikatan protein dan ligan dengan tepat dan berkesan adalah penting untuk pemeriksaan dan pengoptimuman ubat. Walau bagaimanapun, kajian semasa tidak mengambil kira peranan penting maklumat permukaan molekul dalam interaksi protein-ligan. Berdasarkan ini, penyelidik dari Universiti Xiamen mencadangkan rangka kerja pengekstrakan ciri berbilang mod (MFE) novel, yang buat pertama kalinya menggabungkan maklumat mengenai permukaan protein, struktur dan jujukan 3D, dan menggunakan mekanisme perhatian silang untuk membandingkan ciri modaliti yang berbeza penjajaran. Keputusan eksperimen menunjukkan bahawa kaedah ini mencapai prestasi terkini dalam meramalkan pertalian mengikat protein-ligan. Tambahan pula, kajian ablasi menunjukkan keberkesanan dan keperluan maklumat permukaan protein dan penjajaran ciri multimodal dalam rangka kerja ini. Penyelidikan berkaitan bermula dengan "S

Lima sekolah pembelajaran mesin yang anda tidak tahu Lima sekolah pembelajaran mesin yang anda tidak tahu Jun 05, 2024 pm 08:51 PM

Pembelajaran mesin ialah cabang penting kecerdasan buatan yang memberikan komputer keupayaan untuk belajar daripada data dan meningkatkan keupayaan mereka tanpa diprogramkan secara eksplisit. Pembelajaran mesin mempunyai pelbagai aplikasi dalam pelbagai bidang, daripada pengecaman imej dan pemprosesan bahasa semula jadi kepada sistem pengesyoran dan pengesanan penipuan, dan ia mengubah cara hidup kita. Terdapat banyak kaedah dan teori yang berbeza dalam bidang pembelajaran mesin, antaranya lima kaedah yang paling berpengaruh dipanggil "Lima Sekolah Pembelajaran Mesin". Lima sekolah utama ialah sekolah simbolik, sekolah sambungan, sekolah evolusi, sekolah Bayesian dan sekolah analogi. 1. Simbolisme, juga dikenali sebagai simbolisme, menekankan penggunaan simbol untuk penaakulan logik dan ekspresi pengetahuan. Aliran pemikiran ini percaya bahawa pembelajaran adalah proses penolakan terbalik, melalui sedia ada

SK Hynix akan memaparkan produk berkaitan AI baharu pada 6 Ogos: HBM3E 12 lapisan, NAND 321 tinggi, dsb. SK Hynix akan memaparkan produk berkaitan AI baharu pada 6 Ogos: HBM3E 12 lapisan, NAND 321 tinggi, dsb. Aug 01, 2024 pm 09:40 PM

Menurut berita dari laman web ini pada 1 Ogos, SK Hynix mengeluarkan catatan blog hari ini (1 Ogos), mengumumkan bahawa ia akan menghadiri Global Semiconductor Memory Summit FMS2024 yang akan diadakan di Santa Clara, California, Amerika Syarikat dari 6 hingga 8 Ogos, mempamerkan banyak produk penjanaan teknologi baru. Pengenalan kepada Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage), dahulunya Sidang Kemuncak Memori Flash (FlashMemorySummit) terutamanya untuk pembekal NAND, dalam konteks peningkatan perhatian kepada teknologi kecerdasan buatan, tahun ini dinamakan semula sebagai Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage) kepada jemput vendor DRAM dan storan serta ramai lagi pemain. Produk baharu SK hynix dilancarkan tahun lepas

See all articles