在人工智能和機器學習領域，測試自動化已經(jīng)取得了長足的進步。通過引入智能測試自動化工具，可以解決傳統(tǒng)測試自動化的難點，從而獲得最佳結(jié)果。下面分享 5 種通過人工智能和機器學習實現(xiàn)完全自動化的方法，這些方法能夠幫助項目團隊減少測試工作量，提高測試覆蓋率。

1. 測試自動化的自修復

測試自動化中的自修復技術解決了測試腳本維護的主要問題，即自動測試腳本在對象屬性（包括名稱、ID、CSS 等）的每個變更階段都會中斷。測試自動化中的自修復技術在實現(xiàn)過程中使用了動態(tài)定位策略，程序可以自動檢測到這些變更，并動態(tài)地修正它們，無需人工干預。團隊可以利用敏捷測試方法中的左移方法，使得過程更加高效，提高工作效率，加速交付。

舉個例子，當開發(fā)者對 HTML 頁面中的對象標識符進行任何更改時，測試用例中的 UI 標識符將自動更改。雖然屬性改變了，但人工智能引擎仍然定位這些元素，并根據(jù)在源代碼中的更改來修改它們。這一自修復技術使開發(fā)者不必花費大量時間來識別變更，同時更新 UI。

2. 測試腳本的自動生成

自動化測試腳本的開發(fā)是一項復雜的工作，需要用到 Java、Python、Ruby 等高技能的編程語言。同時還需要做大量的初始工作，并投入一定的時間和資源。使用自動化腳本進行開發(fā)可將測試腳本的生成時間減少 50%。另外，在測試腳本設計過程中加入人工智能和機器學習技術，也能大大簡化其設計流程。

目前市面上有各種各樣的測試工具，比如通過手動測試用例構建的 selenium 自動化測試腳本，它可以讀取測試腳本，并自動生成自動化腳本。該人工智能算法使用自然語言處理，能夠理解用戶的意圖，并在 Web 應用中模擬這些行為。它的優(yōu)點是可以減少 80% 的測試腳本設計和經(jīng)歷。

3. 大量測試數(shù)據(jù)的有效使用很多使用敏捷和 DevOps 方法執(zhí)行持續(xù)測試的組織都選擇了一種嚴格的測試方法，并在整個軟件開發(fā)生命周期中每天進行數(shù)次使用，其中包括單元、API、功能、可訪問性、集成和其他類型的測試。在執(zhí)行這些測試用例時，系統(tǒng)將創(chuàng)建大量的測試數(shù)據(jù)。庫存的數(shù)據(jù)越多，管理人員就越難做出更準確的決定。

通過可視化最不穩(wěn)定的測試用例和其他需要重點關注的部分，機器學習可以幫助開發(fā)者更容易地識別關鍵的問題區(qū)域。此外，通過人工智能和機器學習系統(tǒng)的參與，還可以輕松地對測試數(shù)據(jù)進行切片、分塊和分析，并能夠讀取模式、量化業(yè)務風險和加快手頭項目的總體決策過程。

具體來說，在人工智能和機器學習的幫助下，分析人員可以獲得以下更好的特性：

測試影響分析

安全漏洞

平臺特有缺陷

測試環(huán)境不穩(wěn)定

測試失敗的重復模式

應用元素定位器的脆性

4. 利用自動視覺驗證工具對圖像進行測試當前，在基于圖像的測試領域中，自動視覺驗證工具得到了越來越多的應用。

軟件開發(fā)中的視覺測試（也叫 UI 測試）可以確保開發(fā)者構建的 Web 或移動應用的 UI 呈現(xiàn)給最終用戶，這些工具旨在通過更新 UI 來幫助開發(fā)者實現(xiàn)應用的功能。不過當前，大多數(shù)正在進行的測試通常難以實現(xiàn)自動化，而是采用人工測試的方式。

人工測試很容易導致一些元素被忽略，要想準確識別這些元素，測試人員可以利用基于機器學習的視覺驗證工具。這是一種基于圖像的測試注入，它動態(tài)地改變了公司在任何系統(tǒng)中提供自動測試服務的方式。測試分析人員可以創(chuàng)建自動檢測軟件中所有視覺錯誤的機器學習測試，這樣做有助于驗證應用的視覺正確性，而無需測試專家將輸入隱性地插入到系統(tǒng)中。

5. 人工智能搜索當前，開發(fā)者使用的基于人工智能的最新自動化技術是使用 spidering 方法為應用自動編寫測試。

開發(fā)者需要為自己的 Web 應用提供一些新的人工智能 / 機器學習工具，以便啟動抓取。在抓取的過程中，該工具通過截圖收集數(shù)據(jù)，為每個頁面下載 HTML 代碼，測量復雜，并不斷重復運行這些步驟。最后，這一工具會創(chuàng)建一個數(shù)據(jù)集，并訓練機器學習模型，從而理解應用程序的預期模式和行為。

此外，該工具還將其當前階段與之前觀察到的所有模式進行比較。如果有偏差，工具將把這部分標記為測試期間可能出現(xiàn)的 Bug。下一步，開發(fā)者需要確認被標記的問題是否確實是 Bug。也就是說，機器學習工具負責 Bug 的檢測過程，但是開發(fā)者在接受調(diào)用之前必須進行最后的確認。

結(jié) 論要想在測試中充分利用人工智能和機器學習技術，需要開發(fā)者具備一定的機器學習測試算法基礎，并且要有戰(zhàn)略上的測試方法。同時，還需要擁有一支測試團隊，團隊需要知道如何將復雜的數(shù)據(jù)結(jié)構分解成能夠幫助開發(fā)者加強決策過程，并提高總體項目效率和收益的簡化表示。

作者介紹：

Mohit Shah，供職于 ImpactQA，高級技術內(nèi)容營銷人員。

原文鏈接：

https://dzone.com/articles/5-great-ways-to-achieve-complete-automation-with-a

編輯：jq