前言
不得不說最近AI概念確實很火，好像什么搭上AI概念都立馬變得高大上了。但是也要看清，AI目前仍然是處于早起發展的階段，仍處于算法研究革新的階段，技術發展目前是先于應用層面的。現在比較成熟的應用場景主要在，智能硬件、機器人、翻譯、醫療診斷和一些推薦系統等等
目前看現狀是大公司都在加大經費投入算法研究和平臺建設，比如現在很火的Tensorflow，百度推的Apollo等，都在想著做AI領域的IOS，Android。而中小型的公司則深耕某個垂直領域，比如語音識別領域的科大訊飛，計算機圖像識別領域的Face++等。
在此AI浪潮之下，作為一個測試人員，我們要怎么做，才能搭上風口或者說不被浪潮拋下呢？個人覺得有兩個選擇：
- 只要你理論基礎足夠好，你可以轉型研究各種算法，參與框架和平臺的搭建，找個目前最火熱的職位-算法工程師
- 學習目前成熟的框架，調用別人封裝好的各種網絡和深度學習算法，利用自己手頭有的數據，訓練模型，利用AI解決一些問題
本文僅就在選擇第二種的前提下，討論在測試行業內，我們能利用AI做些什么，從而改善測試的質量和效率
選擇有監督、無監督還是強化學習？
既然要在別人計算框架的基礎上，選擇網絡和深度學習算法訓練模型，但是網絡和算法有這么多，選哪個？怎么選？
其實目前大部分深度學習算法大體可以分為有監督學習、無監督學習和強化學習三大類。監督學習就是基于一堆帶標簽數據進行模型訓練，無監督學習簡單理解就是給一堆無標簽數據，讓計算機自己去學習總結規律。
目前應用層面用的多還是監督學習，比如商業化比較成功的廣告推薦系統，類似今日頭條那種新聞推薦，都是基于你日常瀏覽、搜索和用戶畫像標簽數據的。
所以AI如何運用于測試領域，個人認為重點還是數據，找到我們已有的一些數據，才知道我們到底能做什么。
數據數據！
那一般測試人員會有什么類型的數據呢？
- 系統運行時候產生的日志信息
- 移動App運行中收集連續性能數據
- 測試人員本身提的bug數據，包括標題、描述、截圖等
- 網站或app運營數據，埋點數據，用戶訪問路徑，用戶評論數據等
...
有了數據，然后呢？發散一下
- 假設我們有了大量的報錯日志片段-標簽是報錯責任人和報錯模塊，那么我們大概可以通過機器學習訓練一個模型，該模型可以自動識別一段報錯日志，并提交給XX模塊的負責人YY
- 另外假設我們有app運行一段時間的各項性能指標，標簽是性能是否達標，那么我們大概也可以訓練一個模型，只要提交一段時間的各項性能數據，機器自動會告訴你性能達標與否
如果沒有數據呢？
前面說的都是在有大量人為標注的格式化數據的前提下的想象，那萬一我們沒有這些數據積累了，我們還能做啥？
如果某些測試場景，我們不但沒有數據，反而需要自己構造一堆數據，該怎么辦？AI有沒有辦法自動產生類似數據呢？
有的，這里介紹一個目前比較好的一個神經網絡，叫做GAN（對抗生成網絡)，簡單講，這個網絡有兩個模型，一個是生成模型，一個是識別模型，生成模型不斷產生跟訓練數據很像的數據，企圖欺騙識別模型，識別模型在不斷訓練，提高識別準確率，企圖把所有生成模型生成的假的都找出來。在對抗的過程中，兩個模型不斷發展，最后達到一個比較好的平衡。
這里面比較有意思的變形就是DCGAN，即在生成和識別模型均使用卷積神經網絡去處理圖像，可以通過一堆數據，比如通過很多妹子的圖像，偽造一個妹子圖像。
訓練頭像資源及教程來源于這篇博文：傳送門
生成二次元萌妹紙圖像如下：
假如隨著生成網絡算法的完善，比如測試車險的智能理賠業務的時候，我們是不是可以通過AI生成一堆不同車型，不同部位受損的照片，作為測試數據對智能理賠業務進行測試呢？
同理，類似車牌識別，人臉識別等等，我們是不是都可以想想辦法構造類似數據，看看人臉識別SDK是否能準確檢測呢？
當然，這里只是隨意YY一下，具體到實施肯定還有諸多問題。
基于強化學習的游戲測試
2013年的時候DeepMind就提出DQN（Deep Q Network）算法，實現端到端學習玩Atari游戲。輸入是一幀像素圖像，訓練AI自動玩游戲。
假設我們遇到關卡類手游的測試，比如開心消消樂這種，是不是也可以訓練AI來自動測試關卡難度呢？
比如酷跑類游戲，也可以邊訓練AI，邊收集性能數據，隨著AI越來越智能，就能收集到游戲長時間運行的數據，也能發現長時間跑后可能出現的bug了，如果這些依賴人工操作的話，可能要耗費大量人力成本。
基于遷移學習-圖片相似度判斷
遷移學習，簡單來說就是基于別人訓練好的模型，來做自己的事情，而不用重新訓練
比如，谷歌有個圖片識別模型Inception-v4,是谷歌用幾百萬圖片訓練出來，對圖片進行分類識別的，識別準確率很高，機器訓練模型結構很復雜，用了多個卷積核和多層卷積模型。
假設我們認可這種識別圖片的模型，在此基礎下，我們截取模型最后輸出的特征向量來代表這張圖片，那如果要計算兩張圖片的相似度，我們是不是拿分別產生的兩個特征向量來計算余弦距離，距離越小相似度則越高。
93%相似度的兩張圖片：
85%相似度的兩張圖片：
40%相似度的兩張圖片：
