AIGC时代的测试智能创新-2024上海站_QECon全球软件质量效能大会-橙柚科技

点击抢票

即将售罄

深圳站 · 2024年5月24-25日

上海站 · 2024年9月20-21日

北京站 · 2024年10月25-26日

优惠倒计时

专场：AIGC时代的测试智能创新

随着AIGC时代的到来，测试领域在智能化方向上也迎来了一场深刻的变革。本专场将重点讨论以下方向：

1）AIGC时代下测试智能Agent的探索与畅想；

2）AIGC赋能测试分析、测试用例生成、测试代码生成等智能化场景的优秀案例与实践。期待与大家一起交流大模型在测试领域落地的实际应用场景和无限可能性，共同推动测试领域的智能Agent升级。

专场出品人：朱少民

QECon发起人 “软件工程3.0”定义者

同济大学特聘教授、CCF 质量工程SIG主席、软件绿色联盟标准评测组组长，拥有个人公众号 “软件质量报道”。先后获得多项科技进步奖，出版了二十多部著作和4本译作，其代表作有：《全程软件测试》、《敏捷测试：以持续测试促进持续交付》、《软件测试方法和技术》、《软件质量保证与管理》等。经常作为大会联席主席、论坛主席或专场出品人、演讲嘉宾等出席国内技术大会，曾任IEEE ICST 2019工业论坛主席、多个软件测试国际学术会议程序委员、思科（中国）软件有限公司QA高级总监等。

李贺松

华为云 PAAS服务产品部TSEG Leader

华为测试工程能力专家
12年+测试及测试工程能力构建经验，目前主导华为云PAAS服务产品部测试工程能力建设，主要聚焦模型辅助测试设计&测试用例生成、精准测试&评估等方向的能力探索和实践。

待定

API全场景用例智能生成和评估能力构建实践

1. 解决API规范性差导致用例生成效果不佳的问题
2. 解决如何让AI生成的用例更符合用户场景的问题
3. 解决如何从AI生成的海量用例中快速提取与版本变更代码关联接口相关&符合用户场景&基线用例库中无相似用例的脚本

内容大纲
1. 在API用例智能生成实践中遇到的挑战
2. 数据质量提升：提升接口规范性的实践
2.1 接口规范性自动检测和一键提单
2.2 接口规范性问题辅助
3. 用户场景用例智能生成
3.1 跨服务Yaml文件版本归一
3.2 跨服务导流数据挖掘
4. 高价值场景用例智能筛选
4.1 基于代码血缘分析快速识别版本变更关联接口
4.2 基于推荐指数的高价值场景用例智能筛选
4.3 高价值场景用例一键生成流水线门禁用例

雷伟

恒生电子测试架构师

目前主要负责公司一站式测试管理平台规划和研发，平台涵盖测试分析、测试设计、测试执行、质量监控、规范检查等测试全流程功能，支撑测试各阶段活动的在线化协作，实现端到端的测试流程跟踪，让测试过程高效、可信，保障产品高质量交付。

待定

AI在测试活动中的应用和探索

主要在深入探讨如何运用先进的AI大模型，针对软件需求、架构设计以及产品自身的特性和功能进行全面的测试分析、用例设计以及失败用例的错误分析。我们希望通过这一系列的技术手段，不仅能够显著提高测试工作的效率，还能极大提升测试用例的质量。我们将详细介绍如何借助AI大模型的力量来自动化理解和解析需求文档，确保测试覆盖度；如何基于AI生成高质量的测试用例，并对现有的用例进行优化和管理；以及如何利用AI技术来进行故障定位和根因分析，快速诊断失败用例中的问题所在，并提出有效的修复建议。最终目标是构建一套智能化的测试体系，帮助测试团队在面对复杂多变的产品需求时，能够更快地响应变化，更准确地识别风险点，从而全面提升软件质量和用户体验。

内容大纲
1. 引言
1.1 当前软件测试面临的挑战
1.2 AI大模型在测试领域的应用前景
2. AI大模型在测试分析中的应用
2.1 基于AI的测试需求理解与解析
2.2 AI驱动的测试场景生成
3. AI大模型在用例设计中的应用
3.1 基于AI的用例生成：测试方法分析
3.2 用例优化与审视
4. AI大模型在失败用例的错误分析中的应用
4.1 失败用例的自动诊断：错误日志分析
4.2 失败用例的智能修复：修复建议生成
5. 实践案例分享
5.1 案例1：基于AI的测试分析自动生成
5.2 案例2：基于AI的测试用例自动生成
5.3 案例3：AI驱动的错误分析与修复
6. 结论与未来展望
6.1 AI大模型带来的测试效率与质量提升
6.2 未来发展趋势与挑战

听众收益
1. 启发听众了解如何利用AI大模型来提升测试效率和用例质量
2. 提供具体的实践案例，让听众能够借鉴并应用于自己的项目中

尹飞

某证券信息技术质量效能部工具负责人

信息技术开发总部质量效能部，测试工具平台研发组负责人，目前主要负责公司测试工具平台的研发、运营、运维工作，通过探索工具与DevOps结合，实现业务测试效果赋能。毕业后曾就职于百度，长期从事质量平台和智能化测试的开发、建设工作。

待定

证券行业智能UI自动化测试平台建设实践

证券行业软件信息系统的测试有以下特点和瓶颈。
1. 【效能瓶颈】面对柜台系统快速的产品迭代压力，外围产品受限于跨厂商、跨产品的信息流通屏障，无法感知柜台升级的内容和改动点，为保证产品高质量交付，各个外围项目组会开展全用例的“兼容”回归测试，不可避免的承担大量测试成本。
2. 【推广瓶颈】DevOps研发测试一体化成为行业趋势，工具和平台的集成缺少自主可控解决方案。DevOps CD/CT阶段，对自动化测试工具、平台提出了标准化要求：线上平台化、低代码化。
3. 【技术瓶颈】业界已有UI自动化能力受限于传统技术，用例定位以控件ID的定位手段为主，因产品迭代导致控件定位失效经常发生，需要投入大量测试人力对用例进行更新维护。部分视觉定位方法，要么存在训练成本，要么像素敏感，技术不易用。

本次分享议题，介绍业界少有的windows客户端UI自动化测试平台的建设实践，平台结合计算机视觉智能化技术，克服了传统自动化测试技术难点，解决了业务测试的痛点诉求。

内容大纲
1. 证券行业信息系统特点，以我司为例，存在大量C端产品，以客户端产品为主。针对效率瓶颈，需要提供windows客户端产品的自动化测试工具和平台。（背景介绍为主）
1.1 证券行业为代表的传统信息基建的产品形态介绍
1.2 证券行业柜台和外围产品的测试要点和痛点
2. 在DevOps的数智化建设历程中，工具和平台的结合如何实现1+1大于2效果，最终形成流程和质量的管理手段是需要探索的。平台以线上化和低代码化为建设目标和实现路径，探索了业务测试、测试工具、devops平台三方之间协作的最佳实践。（平台低代码、在线等主要功能）
2.1 质量门禁的准入和准出
2.2 测试报告（结果）的传递与归档
2.3 介绍平台低代码化、在线化、易扩展
3. 针对技术瓶颈，解决图像识别，尤其是跨分辨的图像识别技术和工程实践解决方案，完成工程级别的效果可行性验证（平台智能化亮点）。
3.1 通过视觉解决统一的驱动能力
3.2 通过数据集和结果集实现数据驱动测试和验收
3.3 建设统一的算法服务平台，支持扩展，ocr，视觉识别，校验算子
平台建设过程中，累计在数十个业务和系统进进行了质效保障赋能，平台积累的持久化用例资产数千例，并持续快速增长，为部门和业务提供了强有力的质量保障能力支撑。

听众收益
1.了解证券行业信息系统研发、测试的特点和痛点。
2.了解客户端UI自动化平台建设的完整项目经验。（windows 驱动、视觉驱动）
3.了解通用算法、算子平台的建设项目经验。（python算子，微服务架构）
4.平台建设经验总结，包括不限于：数据驱动、数据校验、稳定性建设、平台性能调优。
5.了解自有测试平台与devops结合的项目经验和实践。

黄涛涛

其域创新测试经理

其域创新测试经理, 目前负责其域创新的三维重建软硬件测试保障体系建设. 毕业后曾就职于金蝶软件,平安科技,大疆创新,腾讯 ,字节跳动等公司负责质量保障和建设等工作,获得三维测试相关的专利 :激光扫描仪的精度测量方法。

待定

三维模型测试方法& AI测试方法引入

以针对元宇宙项目，三维空间项目，三维模型项目等，并且区别于传统的软件测试对象和二维/三维模型测试对象的测试方式和测试思路总结。
1. 让大家能够对三维内容有初步的了解
2. 大家能够对三维的对象进行测试
3. 帮助大家做一个启发性结合LLM 自动化等工具

内容大纲
1. 什么是三维模型，对于三维模型生成特征
2. 三维模型在场景上面的运用和表现
3. 对于三维场景的测试和传统的测试对象区别
4. 三维场景测试分层思路
4.1 应用层面：用户VR的交互层面体验
4.2 渲染层面：如何针对模型渲染质量进行测试
4.3 生成层面：如何针对模型生成算法进行测试
5. 三维场景 AI 测试
5.1 模型的测试思路（模型的分割识别判断）
5.2 测试模型优化方式
5.3 目前市面大模型训练的成功率对比

听众收益
1. 学习三维场景测试与传统测试的区别，借鉴不同测试方法
2. 借鉴分层测试的系统思路，提高测试全面性

王婷

蔚来资深测试工程师

蔚来汽车物流测试团队资深测试工程师，
目前主要负责蔚来物流相关数字化系统的质量保障、以及全链路造数平台的工具建设工作，擅长通过自动化建设、全链路造数等智能化手段保障售后仓储物流业务的高效稳定运行。毕业后曾就职于美团点评，负责美团外卖APP的质量保障以及测试质量度量平台的建设工作。

待定

汽车物流数字化系统的测试能力探索与实践

1. 数字化的发展带来传统制造业的变革，汽车制造工业化中有哪些数字化系统落地？
2. 整车制造物流链路长、涉及几十个数字系统，系统间的测试数据、软硬件之间的数据串联如何高效的解决？
3.下游业务系统依赖上中游业务数据开展测试活动时，缺乏基于核心业务场景的全链路造数，如何解决？

内容大纲
1. 物流数字化在汽车制造业中的转型落地；
2. 物流超长链路在测试过程中的软硬件结合下的多平台挑战；
3. 全链路造数平台多环境下的一键造数能力；
4. 复杂链路复杂场景造数能力共享、多平台打通；
5. 全链路平台在功能测试过程中的智能化生成；
5.1 契合业务线的数据构造和场景组合构造；

听众收益
1. 了解新能源汽车行业在与传统汽车行业中，有哪些数字化方向的成长突破；
2. 汽车制造离不开物料的拉动，物流贯穿整个长链路并需结合多平台多系统，通过全链路造数平台可以在测试过程中对各种复杂链路、复杂场景进行数据的模拟，共享各系统间所具备指定路径指定环境的一键造数能力，加速端到端集成交付；
3. 提供多工厂产能分配或切换等工业化重要活动数据验证方案支撑，对工业化上游数据变更下游数据正确性/一致性验证提供高效解决方案。