前言

不得不说最近AI概念确实很火，好像什么搭上AI概念都立马变得高大上了。但是也要看清，AI目前仍然是处于早起发展的阶段，仍处于算法研究革新的阶段，技术发展目前是先于应用层面的。现在比较成熟的应用场景主要在，智能硬件、机器人、翻译、医疗诊断和一些推荐系统等等

目前看现状是大公司都在加大经费投入算法研究和平台建设，比如现在很火的Tensorflow，百度推的Apollo等，都在想着做AI领域的IOS，Android。而中小型的公司则深耕某个垂直领域，比如语音识别领域的科大讯飞，计算机图像识别领域的Face++等。

在此AI浪潮之下，作为一个测试人员，我们要怎么做，才能搭上风口或者说不被浪潮抛下呢？个人觉得有两个选择：

1. 只要你理论基础足够好，你可以转型研究各种算法，参与框架和平台的搭建，找个目前最火热的职位-算法工程师
2. 学习目前成熟的框架，调用别人封装好的各种网络和深度学习算法，利用自己手头有的数据，训练模型，利用AI解决一些问题

本文仅就在选择第二种的前提下，讨论在测试行业内，我们能利用AI做些什么，从而改善测试的质量和效率

选择有监督、无监督还是强化学习？

既然要在别人计算框架的基础上，选择网络和深度学习算法训练模型，但是网络和算法有这么多，选哪个？怎么选？
其实目前大部分深度学习算法大体可以分为有监督学习、无监督学习和强化学习三大类。监督学习就是基于一堆带标签数据进行模型训练，无监督学习简单理解就是给一堆无标签数据，让计算机自己去学习总结规律。
目前应用层面用的多还是监督学习，比如商业化比较成功的广告推荐系统，类似今日头条那种新闻推荐，都是基于你日常浏览、搜索和用户画像标签数据的。
所以AI如何运用于测试领域，个人认为重点还是数据，找到我们已有的一些数据，才知道我们到底能做什么。

数据数据！

那一般测试人员会有什么类型的数据呢？

1. 系统运行时候产生的日志信息
2. 移动App运行中收集连续性能数据
3. 测试人员本身提的bug数据，包括标题、描述、截图等
4. 网站或app运营数据，埋点数据，用户访问路径，用户评论数据等
   ...

有了数据，然后呢？发散一下

1. 假设我们有了大量的报错日志片段-标签是报错责任人和报错模块，那么我们大概可以通过机器学习训练一个模型，该模型可以自动识别一段报错日志，并提交给XX模块的负责人YY
2. 另外假设我们有app运行一段时间的各项性能指标，标签是性能是否达标，那么我们大概也可以训练一个模型，只要提交一段时间的各项性能数据，机器自动会告诉你性能达标与否

如果没有数据呢？

前面说的都是在有大量人为标注的格式化数据的前提下的想象，那万一我们没有这些数据积累了，我们还能做啥？
如果某些测试场景，我们不但没有数据，反而需要自己构造一堆数据，该怎么办？AI有没有办法自动产生类似数据呢？
有的，这里介绍一个目前比较好的一个神经网络，叫做GAN（对抗生成网络)，简单讲，这个网络有两个模型，一个是生成模型，一个是识别模型，生成模型不断产生跟训练数据很像的数据，企图欺骗识别模型，识别模型在不断训练，提高识别准确率，企图把所有生成模型生成的假的都找出来。在对抗的过程中，两个模型不断发展，最后达到一个比较好的平衡。

GAN的计算流程与结构

这里面比较有意思的变形就是DCGAN，即在生成和识别模型均使用卷积神经网络去处理图像，可以通过一堆数据，比如通过很多妹子的图像，伪造一个妹子图像。

训练头像资源及教程来源于这篇博文：传送门
生成二次元萌妹纸图像如下：

机器生成萌妹纸 64*64*64

假如随着生成网络算法的完善，比如测试车险的智能理赔业务的时候，我们是不是可以通过AI生成一堆不同车型，不同部位受损的照片，作为测试数据对智能理赔业务进行测试呢？
同理，类似车牌识别，人脸识别等等，我们是不是都可以想想办法构造类似数据，看看人脸识别SDK是否能准确检测呢？
当然，这里只是随意YY一下，具体到实施肯定还有诸多问题。

基于强化学习的游戏测试

2013年的时候DeepMind就提出DQN（Deep Q Network）算法，实现端到端学习玩Atari游戏。输入是一帧像素图像，训练AI自动玩游戏。

打砖块

假设我们遇到关卡类手游的测试，比如开心消消乐这种，是不是也可以训练AI来自动测试关卡难度呢？

比如酷跑类游戏，也可以边训练AI，边收集性能数据，随着AI越来越智能，就能收集到游戏长时间运行的数据，也能发现长时间跑后可能出现的bug了，如果这些依赖人工操作的话，可能要耗费大量人力成本。

基于迁移学习-图片相似度判断

迁移学习，简单来说就是基于别人训练好的模型，来做自己的事情，而不用重新训练

比如，谷歌有个图片识别模型Inception-v4,是谷歌用几百万图片训练出来，对图片进行分类识别的，识别准确率很高，机器训练模型结构很复杂，用了多个卷积核和多层卷积模型。

假设我们认可这种识别图片的模型，在此基础下，我们截取模型最后输出的特征向量来代表这张图片，那如果要计算两张图片的相似度，我们是不是拿分别产生的两个特征向量来计算余弦距离，距离越小相似度则越高。

欧氏距离和余弦距离

93%相似度的两张图片：

93%

85%相似度的两张图片：

85%

40%相似度的两张图片：

40%

未完待续