智好手机、智能音箱、智能汽车、智能咖啡机……这样的例子不胜列举。
彷佛我们周围的统统都变得鲜活起来，聪明起来。
只管科幻小说的繁荣源于我们对机器人恶意接管的恐怖，但智能设备绝不是反乌托邦的——它们的存在实际上是为了让我们的生活更轻松，这样我们才能把更多的韶光花在主要的事情上，而不是单调乏味的劳碌事情。

科技公司知道，提高自动化水平是未来的发展方向，就像当年福特率先推出装置线一样。
像人工智能(AI)和机器学习(ML)这样的前辈技能正在推动近代史上最令人愉快的创新——思考自动驾驶汽车、虚拟现实和增强现实、自动化投资、改进医学成像等等。
这项技能的好处越来越明显，各个公司都在争先恐后地采取这项技能，并将其运用到自己的产品中。

随着这项技能开始在敏感、高风险的领域(如汽车、医疗和金融行业)变得越来越普遍，DevOps团队采纳强有力的方法来进行QA测试是至关主要的。
当公共安全、客户生存或病人数据存在风险时，纵然是最聪明的算法也必须由人类工程师反复检讨。

在深入研究智能产品测试方法之前，让我们先区分一下人工智能和机器学习。
虽然这些术语常常互换利用，但它们之间存在一些关键差异。

大略地说，人工智能指的是一个别系，它以我们人类认为聪明或高效的办法实行任务，而机器学习是自动化的，利用已有数据的系统，持续实行自我演习。

测试人工智能系统

寻衅和潜在的并发症

大量网络的数据带来了存储和剖析方面的寻衅——打消这些数据非常耗时。
数据可能是在意外事宜或情形下网络的，因此很难网络用于培训。
人类的偏见可能涌如今演习和测试数据集中。
在AI系统中，毛病会迅速恶化并变得更加繁芜。

测试的紧张方面

数据验证

成功AI的关键是良好的数据。
在将数据供应给AI系统之前，该当对数据进行洗濯、清理和验证。
您的QA团队该当当心可能使系统对数据的阐明繁芜化的人为偏见和多样性——例如汽车导航系统或智好手机助手试图阐明一种罕见的口音。

算法事理

AI的核心是算法，它处理数据并生成见解。
一些常见算法涉及学习性(Netflix或Amazon学习客户偏好并供应新推举的能力)、语音识别(智能扬声器)和现实天下的传感器检测(自动驾驶汽车)。

这些须要通模型验证进行全面的测试，测试可学习性是否成功，算法是否有效，核心理解是否精确。
如果算法存在问题，将来肯定会带来更严重的后果。

性能和安全性测试

与任何其他软件平台一样，AI系统须要密集的性能和安全性测试，以及法规屈服性测试。
如果没有适当的测试，利基安全漏洞(利用录音来欺骗语音识别软件或谈天机器人进行操作)将变得更加普遍。

系统集成测试

AI系统可以连接到其他系统并在更大的环境中办理问题。
为了使所有这些集成正常事情，有必要对AI系统及其各种连接点进行全面评估。
随着越来越多的系统接管AI特性，对它们进行仔细测试至关主要。

测试机器学习系统

ML系统的目标是在不进行显式编程的情形下独立获取知识。
这须要将同等的数据流反馈到系统中——这是比传统测试基于（固定输入=固定输出）更加动态的方法。
因此，质量担保（QA）专家须要从不同的角度为ML系统履行测试计策。

培训数据和测试数据

演习数据是用于演习系统模型的数据集。
在这个数据集中，输入数据与预期输出一起供应。
这常日是通过半自动的办法网络的数据。

测试数据是演习数据的子集， 逻辑构建用于测试所有可能的组合并确定模型的演习程度。
根据测试数据集的结果，对模型进行微调。

模型验证

该当创建测试套件来验证系统的模型。
主算法剖析所有供应的数据，探求特定的模式，并利用结果来开拓最优参数来创建模型。
在此根本上，随着迭代次数的增加和数据的丰富性增加，它将得到细化。

沟通测试结果

QA工程师习气于用质量来表达测试结果，例如毛病泄露或毛病严重性。
但是基于机器算法的模型验证将产生近似结果，而不是精确结果。
工程师和涉众须要确定可接管的担保级别。

来源How to QA Test Software That Uses AI and Machine Learning - DZone AI