认识达内从这里开始

我们在上文中提到了关于用户满意度的软件测试需求等内容，而今天我们就一起来了解一下，通过哪些实践操作方法可以实现这部分的要求，希望通过对本文的阅读，大家对于软件测试有更多的了解。

1.以智能的、分阶段的方式提升基础测试自动化和智能测试自动化水平

自动化测试是质量保障和测试变革的瓶颈，因为：

自动化的核心角色是敏捷和DevOps转型的推动者，随着敏捷和DevOps被越来越多的采用，自动化对交付“速度上的质量”的重要性也在上升;

它也是AI、ML、分析等新技术的结果，这些技术在自动化可以带来的好处方面都具有很大的潜力;

调查结果显示基础自动化水平还很低，还有很大的发展空间。

因此，自动化(尤其是智能自动化)将会在接下来两到三年给质量保障和测试带来重大的变化，组织需要有自己的策略和路线图去应对，报告推荐了一个三步走的方案：

优化测试

实施基础的自动化测试

采用智能的、自适应的测试自动化方案让自动化变得更加“智能”

2.以非孤立的方式实施测试数据和测试环境的管理

数据和环境的延迟使得云服务、敏捷和DevOps的采用所带来的效率不明显，这是一个需要特别引起重视的领域，建议采用集中的方式来管理。企业要开始生命周期的自动化，把测试自动化和数据、环境的准备工作一起开展，不要分离开来。另外，要采用更加智能的方式来管理测试环境和数据。

一定程度的集中化能够更有效的利用、共享各种知识、实践和经验，更好的风险管理，加速发布频率，缩减基础设施的开支，提高团队的生产力。

3.构建超出测试开发(SDET)之外的质量工程技能

敏捷、DevOps、云、IoT、区块链和AI这些新趋势的发展，以及更加自动的、集成的质量保障方法的需求，企业需要关注新的质量技能。

推荐以下方式做好质量保障能力建设：

吸引敏捷测试专家，需要具备功能自动化技能和领域测试技能，自动化测试将是每个质量保障人员的必备技能;

吸引SDET，他们的必备技能要求有高级自动化测试、白盒测试、开发和平台构建能力，同时好还有AI应用的基础算法应用能力和自然语言处理技能;

吸引拥有一些特定QA技能集的人员，比如安全等非功能测试、测试环境和数据的管理技能等;

吸引高级QA专家，需要有AI架构技能，以构建能够执行重复、智能任务的“智能资产”，这些技能由深度机器学习概念和算法组成，比如决策树、分类器、神经网络、高级统计学和数据优化技能。

当然，目前市场上还相对比较缺乏上面所列举的资源，建议组织要重点关注通过实习、专长培训、强制性的学习和发展计划来构建这些技能集。

4.加强跟踪以优化各项花费

敏捷和DevOps模式下测试活动被多个不同角色承担，很难精确跟踪、掌握和优化质量保障相关花费。另外，对于云、虚拟化和容器化环境的投资回报也需要跟踪掌握。

因此，建议企业采用严格的、细粒度的跟踪机制来看各项预算分配到了哪里、各项开支都花在了什么地方。

5.给AI解决方案开发一套测试方法

很多的企业开始开发AI产品，但是相应的质量保障方案并不成熟，有必要抓紧开发AI产品的质量保障策略和测试方案。组织应该意识到不正确的或者有缺陷的AI解决方案带来的业务和社会影响可能是巨大的。AI产品开发过程中校验和验证，以及自动化的持续监控都应该是AI质量保障策略的内容。

【免责声明】本文系本网编辑部分转载，转载目的在于传递更多信息，并不代表本网赞同其观点和对其真实性负责。如涉及作品内容、版权和其它问题，请在30日内与管理员联系，我们会予以更改或删除相关文章，以保证您的权益!