背景

你所需要的網(wǎng)站建設(shè)服務(wù)，我們均能行業(yè)靠前的水平為你提供.標(biāo)準(zhǔn)是產(chǎn)品質(zhì)量的保證，主要從事網(wǎng)站建設(shè)、成都網(wǎng)站設(shè)計、企業(yè)網(wǎng)站建設(shè)、手機網(wǎng)站制作設(shè)計、網(wǎng)頁設(shè)計、品牌網(wǎng)站設(shè)計、網(wǎng)頁制作、做網(wǎng)站、建網(wǎng)站。創(chuàng)新互聯(lián)公司擁有實力堅強的技術(shù)研發(fā)團隊及素養(yǎng)的視覺設(shè)計專才。

從計算機科學(xué)誕生開始，其主要目標(biāo)一是計算（用計算機對大量數(shù)據(jù)進行處理），二是自動化（用計算機代替機械重復(fù)的人工勞動）。在半個多世紀(jì)后的今天，我們驚訝地發(fā)現(xiàn)，引導(dǎo)計算機科學(xué)發(fā)展的仍然是這兩個范疇：大數(shù)據(jù)和人工智能（AI）。

而自動化測試，是人工智能領(lǐng)域下的一個應(yīng)用方向，和無人駕駛、機器人等一樣，都是AI技術(shù)的應(yīng)用場景。從技術(shù)的發(fā)展角度看，自動化測試一共經(jīng)歷了四代發(fā)展變化。從最早提出自動化測試思想，到如今將AI引入自動化測試，貫穿其發(fā)展的核心訴求就是希望能有效的解決自動化測試中的時間與人力成本問題。

1.png

在過去很長一段時間內(nèi)，自動化測試都局限于傳統(tǒng)的測試腳本驅(qū)動。無論是游戲開發(fā)人員使用的Lua接口，還是類似Xcode的UI Test，抑或是通過ADB/minicap對Android設(shè)備進行簡單操控的Python Script，其本質(zhì)都是人為定義規(guī)則的自動化操作模擬。傳統(tǒng)方式盡管工作量大，但實現(xiàn)門檻較低，容易上手，容易調(diào)試，也容易修改，在很長一段時間里都是自動化測試的主流方案。相關(guān)主流方案的差異通常也只限于自動化腳本接口或規(guī)則定義形式的不同。

然而，這種人工定義規(guī)則的方案都存在一些很明顯的問題：版本迭代頻繁。每次版本變化往往需要重新修改、調(diào)整腳本。對于較為復(fù)雜或具有一定隨機性（例如游戲?qū)郑┑膱鼍埃y以通過簡單的腳本調(diào)整對其提供支持。實際上，對于隨機性極強的游戲產(chǎn)品，通常不會對游戲?qū)诌^程進行太多測試。

部分測試腳本需要產(chǎn)品本身提供對應(yīng)的操作接口，用于獲取游戲內(nèi)部數(shù)據(jù)。而這種專用測試接口通常不會在正式發(fā)布版本中提供，因此對于真正上線的產(chǎn)品，難以用自動化腳本進行測試，只能靠人工測試。這一點可以說是導(dǎo)致自動化測試工具至今無法大規(guī)模商業(yè)化、產(chǎn)品化的核心原因。

AI與自動化測試

從20世紀(jì)50年代到20世紀(jì)70年代初，人工智能的研究處于“推理期”。1981年，Werbos提出了多層感知器，引入了反向傳播（BP）算法，此后，神經(jīng)網(wǎng)絡(luò)得到了快速發(fā)展；1986年，決策樹的機器學(xué)習(xí)算法被J.R.Quinlan提出，也就是ID3算法；1995年，Vapnik和Cortes提出了支持向量機（SVM），其被作為一種能使機器學(xué)習(xí)取得重大進展的方法而得到推廣；2005年，三層的NN模型強勢崛起，諸多專家在理論和實踐上徹底激活了深度學(xué)習(xí)。2012年，Hinton課題組首次參加ImageNet圖像識別比賽，通過CNN網(wǎng)絡(luò)——AlexNet奪得冠軍，CNN網(wǎng)絡(luò)吸引了眾多研究者關(guān)注；2015年，深度殘差網(wǎng)絡(luò)（ResNet）被提出，在眾多比賽中表現(xiàn)突出；2016年，由谷歌旗下的DeepMind公司研發(fā)的阿爾法圍棋（AIphaGo）戰(zhàn)勝了當(dāng)時的圍棋世界冠軍李世石，成為第一個擊敗人類職業(yè)圍棋選手、第一個戰(zhàn)勝圍棋世界冠軍的人工智能機器人，引起世界輿論的嘩然。越來越多的技術(shù)領(lǐng)域開始嘗試結(jié)合AI技術(shù)進行開發(fā)。至今，AI技術(shù)已經(jīng)在圖像處理、語音識別、藝術(shù)創(chuàng)作、自動駕駛等許多方面有了成熟的技術(shù)與穩(wěn)定的應(yīng)用。

在2015年和2016年Google DeepMind發(fā)表多篇游戲自動控制的論文，以及AlphaGo在棋類游戲上有了戰(zhàn)勝人類的先例之后，騰訊互動娛樂事業(yè)群的TuringLab團隊開始思考如何利用最新的AI技術(shù)解決上述問題，并將其融入自動化測試工具中。從2017年到今天，通過多個產(chǎn)品的實驗和騰訊內(nèi)部多個部門的協(xié)作，TuringLab團隊成功地開發(fā)出一套基于深度學(xué)習(xí)的自動化AI測試框架，并應(yīng)用在多款世界知名游戲產(chǎn)品的日常測試上。

AI技術(shù)的核心思想是利用已有的歷史數(shù)據(jù)，訓(xùn)練出一個較好的AI網(wǎng)絡(luò)，通過已經(jīng)訓(xùn)練好的AI網(wǎng)絡(luò)來處理當(dāng)下的輸入數(shù)據(jù)。與傳統(tǒng)的編程方法不用，通過AI算法訓(xùn)練出來的網(wǎng)絡(luò)模型通常會有更好的泛化性。而在傳統(tǒng)的自動化測試中，項目測試的維護成本很高，只要版本更新或功能發(fā)生變動，就有可能產(chǎn)生大量的維護工作。引入AI技術(shù)后，其帶來的泛化性可以有效地減少自動化測試的維護成本，在AI模型中編程可以不做改動，或者直接增加訓(xùn)練數(shù)據(jù)就可以很好的完成測試需求。

2020年，TuringLab團隊基于深度學(xué)習(xí)的自動化AI測試框架基礎(chǔ)，將其開發(fā)與應(yīng)用經(jīng)驗詳細整理成了《AI自動化測試：技術(shù)原理、平臺搭建與工程實踐》一書，與讀者分享騰訊游戲是如何將AI技術(shù)與自動化測試相結(jié)合完成測試需求的。

主創(chuàng)團隊

書籍簡介

《AI自動化測試：技術(shù)原理、平臺搭建與工程實踐》一書共分了三個部分。

第一部分是原理篇，重點介紹圖像識別算法、基于值函數(shù)和策略梯度的強化學(xué)習(xí)、模仿學(xué)習(xí)的研究現(xiàn)狀與在自動化測試中的運用等相關(guān)的AI算法原理，還詳細講解了Android設(shè)備調(diào)試相關(guān)問題，為后續(xù)學(xué)習(xí)具體工具的落地應(yīng)用打下基礎(chǔ)。

2.png

第二部分是平臺篇，將用長達117頁的詳細介紹為工程師們講解騰訊游戲AI自動化開發(fā)工具的設(shè)計與實現(xiàn)，包括和Android設(shè)備的對接、數(shù)據(jù)標(biāo)注流程、AI算法在游戲自動化中的具體實現(xiàn)、AI SDK平臺二次開發(fā)等。

第三部分是最佳實踐篇，將通過不同需求場景下的實踐案例，為工程師們展示在實際游戲產(chǎn)品的測試如何使用本書介紹的測試平臺完成各類不同的需求，并可嘗試在此基礎(chǔ)上實現(xiàn)定制化功能。

結(jié)語

AI作為近些年的技術(shù)熱門話題詞，有不少企業(yè)行業(yè)打出“人工智能”的標(biāo)簽制造噱頭，吸引大眾的眼球。在自動化測試技術(shù)多種多樣的背景下，與AI技術(shù)結(jié)合的自動化測試方法卻已經(jīng)在諸多適當(dāng)?shù)膱鼍斑_到了提高生產(chǎn)效率，節(jié)省企業(yè)的人力成本的效果。

　從目前騰訊公司的AI自動化測試實踐來看，多分辨率手機的相關(guān)測試如兼容性、性能、回歸等節(jié)省的成本是最明顯且有效的?，F(xiàn)在，TuringLab團隊將AI測試平臺免費開源開放，如果用戶覺得已有的算法或者功能不能滿足測試需求，可以自己開發(fā)一些更適合自己業(yè)務(wù)的功能與算法?！禔I自動化測試：技術(shù)原理、平臺搭建與工程實踐》一書也將更好的為你指引AI+自動化測試的開發(fā)方向。 現(xiàn)在 點擊購買，還可享受限時8折特惠！