Innehåll
- Hybridmotorer måste existera för att vara framgångsrika i dagens autonoma klöv
- Människor och maskiner måste arbeta tillsammans för att utveckla skalbara, stabila och säkra applikationer
- Fyra typer av testautomationsingenjörer
- Inga buggar, ingen stress - din steg-för-steg-guide för att skapa livsförändrad programvara utan att förstöra ditt liv
- Hybrid Masters överträffa prestandametrik
Källa: karnoff / iStockphoto
Hämtmat:
Med tillkomsten av autonoma fordon blir automatiserade tester viktigare än någonsin. Det finns dock flera sätt att testa automatisering.
Nittifem procent av de nya sålda fordonen kommer att vara helt autonoma år 2040. För ett decennium sedan verkade den förutsägelsen vara otänkbar för den vardagliga konsumenten, men det blir mer trovärdig med produkter och tjänster som har sammanflätat artificiell intelligens (AI) i våra dagliga liv. The Society of Automotive Engineers (SAE) beskriver förarens förändrade roll till förarlösa fordon i sex nivåer upp till fullständig autonomi. (Se figur 1)
De tre första etapperna är inriktade på övervakad körning, där föraren aktivt måste analysera miljön, och de tre sista stegen är inriktad på icke-övervakad körning, där ett autonomt körsystem analyserar miljön. Övergången från dessa två olika strategier kräver en förändring av regelverk, infrastruktur och tankesätt. Viktigast av allt kräver det en garanti för att den senare, tekniska metoden är lika pålitlig och korrekt. (För mer information om SAE: s olika nivåer av automatisering, se Driverless Cars: Levels of Autonomy.)
Bild 1: SAE-nivåerna för automatisering som markerar omvandlingen från ingen automatisering till fullständig autonomi
Källa: Anpassad från Mike Lemanski
Hybridmotorer måste existera för att vara framgångsrika i dagens autonoma klöv
Självkörande bilar som kommer in på marknaden kommer att behöva hybridmotorer som ger möjlighet att växla från en manuell till självkörande läge, vilket gör att människor och maskiner kan arbeta tillsammans, vilket ger förarna en känsla av säkerhet. Detta behov av säkerhet vid utnyttjande av AI gäller inte bara fordonsindustrin utan även programutveckling. SAE: s ramverk från övervakad till icke-övervakad körning har lyfts fram ett utbrett autonomt klöv där människor och maskiner måste arbeta tillsammans för att garantera produkter och tjänster över hela branschen.
Människor och maskiner måste arbeta tillsammans för att utveckla skalbara, stabila och säkra applikationer
Omfamna total autonomi kräver en kombination av människa och maskin för att säkerställa skalbara, stabila och säkra AI-drivna system. Programvaruteam som utnyttjar hybridautomationstestverktyg som kombinerar fastighetsbaserat och AI-drevet visuellt igenkännande kommer inte bara att uppnå prestandaförbättringar utan också uppnå kvalitet i snabbhet när man säkerställer att en applikation fungerar korrekt genom testtäckning. För en testautomationsingenjör för att säkerställa säkerheten bakom deras applikation krävs kombinationen av två separata, men relaterade dimensioner. (Se figur 2)
- Den första, grad av noggrannhet, är en mätare i stabilitet bakom automatiserade tester och lätt att skapa test genom att känna igen olika applikationskomponenter.
- Den andra, enkel underhåll, är en mått på skalbarhet bakom automatiserade tester och förmågan att enkelt underhålla testskript efter applikationsuppdateringar, förbättringar och korrigeringar.
Fyra typer av testautomationsingenjörer
Det finns två dimensioner när människor och maskiner arbetar tillsammans för att utveckla testautomation från fyra olika typer av programvarutestningsroller. Testare längst ner till vänster är traditionalisterna. Dessa testare gör mycket lite med automatisering och genomför främst manuell testning, vilket ökar underhållsarbetet för att uppnå täckning. De kanske inte känner till möjligheter inom automatisering eller gör små investeringar utan effektiv verkställande sponsring eller toppledd omvandling på plats.
Inga buggar, ingen stress - din steg-för-steg-guide för att skapa livsförändrad programvara utan att förstöra ditt liv
Du kan inte förbättra dina programmeringsfärdigheter när ingen bryr sig om mjukvarukvalitet.
Automationstekniker längst ner till höger är ansvariga. De förlitar sig på konservativa, försiktiga åtgärder för att säkerställa att testautomationsskript är korrekta. Underhållare förstår behovet av expansiv testtäckning, men kan vara skeptiska till en strategi som inte är individuellt programmerad för deras applikationsegenskaper. Deras noggranna inställning till testautomation främjar stabilitet och noggrannhet, särskilt när du testar mellan mycket liknande objekt, men kan vara svårt att upprätthålla mot dynamiska egenskaper. (Mer information om automatisering finns i Automation: The Future of Data Science and Machine Learning?)
Testare uppe till vänster är Visualists som har använt visuella testfunktioner som ofta drivs av artificiell intelligens. AI i mjukvarukvalitet gör det möjligt för automatiserade verktyg att få tillgång till applikationsegenskaper som ofta missas av vanliga objektigenkänningstekniker. Genom att till exempel fånga UI-element på en nivå med AI kan programteam göra det lättare att underhålla dynamiska egenskaper och bredda täckningen för komplexa konsoler, datavisualiseringsverktyg och PDF-filer.
Automationstekniker längst upp till höger är Hybridmasters. De förstår verkligen hur man driver värde med stabila och skalbara testmetoder för att ge maximal testtäckning och säkerhet. De kombinerar en hög grad av noggrannhet genom manuell skriptning av testskript med hög underhåll genom AI-driven testning för att dra nytta av varje tillvägagångsstyrka: stabilitet och noggrannhet från fastighetsbaserat erkännande och testning av det förra och hastigheten och skalbarheten från AI-driven visuell testning av den senare.
Bild 2: Fyra typer av testautomationsingenjörer
Hybrid Masters överträffa prestandametrik
Programkvalitetsteam som antingen har omfattande fastighetsbaserat erkännande eller ramverk för visuella tester överträffar manuella testare i tidsbesparingar och täckning. Hybrid Masters kommer att överträffa prestandametriken ytterligare när en kombination av tillvägagångssätt utnyttjas. Det som helt enkelt kommer till fastighetsbaserat objektigenkänning som att identifiera subtila skillnader mellan två bilder, till exempel, kan vara svårt för maskiner, och vad som är enkelt för maskiner som att analysera gigabyte data eller översätta bilder till datorläsbart innehåll, är fortfarande mycket svårt och tidskrävande för människor. Att testa skrivbords-, webb- eller mobilapplikationer kräver båda typer av funktioner.
Teknologins framsteg tar fart och mjukvaruteam i varje bransch frågar om dess konsekvenser för att producera mycket stabila, skalbara och säkra applikationer. Team står inför ett spektrum av alternativa metoder och verktyg för att ta itu med utvecklings- och prestationsmål - ibland otillräckliga och ofta svåra att använda. Genom att infoga AI med traditionella automatiserade testverktyg skapas en hybridmotor som enkelt kan upptäcka och testa alla UI-element för maximal testtäckning.