百度专场_AI赋能质效实践_QECon全球软件质量效能大会-橙柚科技

9折票售票中

团购享更多优惠

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

百度专场：AI赋能质效实践

随着大模型的技术发展，质效领域的理论和方法也在持续革新。AI原生应用的研发模式，催化了"AI换道交付"的诞生；借助大模型的推理生成能力，"人机协同交付"在单点交付能力上有了跨越式发展；交付载体也从pipeline逐步向智能体生态转换。

分会场以『百度专场：AI赋能质效实践』为主题，邀请多位相关领域专家，探讨AI对交付模式的变化、AI赋能质效的相关技术和优秀实践。

专场出品人：田熲

百度资深工程师

百度资深工程师，对中、大型系统的质量保障体系和稳定性能力建设有丰富的经验，曾负责百度移动生态交付效能提升工作，目前聚焦在云原生工具链、AI智能管控等方向。

张航

百度资深工程师

百度资深工程师，硕士毕业于哈尔滨工业大学计算机科学与技术。多年百度工作经验，在大数据、AI领域经验丰富。现担任AI平台部测试技术负责人，带队25人+团队。

待定

大模型评估之道-可信与高效的评估体系构建及对应案例实践

随着大模型的迅猛发展，其评估工作面临着一系列挑战，包括但不限于标准缺失、数据不足、结果可信度低以及效率问题。这些问题不仅限制了模型性能的准确衡量，也阻碍了行业的健康发展。本次演讲旨在探讨如何建立一套全面、系统的大模型评估框架，以应对这些痛点，促进AI领域的进步。

内容大纲

1. 大模型评估的重要性与挑战

2. 评估架构与方法论概述

2.1 整体评估架构设计思路

2.2 方法论的核心原则与特点

3. 针对评估痛点的解决方案

3.1 缺乏统一评估标准

3.2 数据资源不足

3.3 评估结果可信度和公平性问题

3.4 评测任务效率低下

4. 典型场景的评估实例

听众收益

大模型评估中对各种问题的方法论及相应的解决方案

刘道伟

百度资深工程师

2014年加入百度，负责过搜索、大商业、知识、电商等多个团队的质效工作，专注于研发效能提升、DevOps实践、智能交付等方向，既负责过新业务的质效从零建设，也负责过成熟业务的质效重构；百度技术学院金牌讲师，多次在百度效能大会。

待定

百度商业基于大模型的智能交付探索与实践

在质效领域的智能化探索已经持续多年，大模型的出现无疑又带来的新的机会，进一步提升了智能化的天花板。在研发交付的方向，借助大模型的理解、推理、生成等能力，与交付过程的研发自测、测试规划、用例设计等方面结合，可以实现更高水平的交付质效。

课程大纲
1. 背景
1.1 智能交付的发展
1.2 大模型带来的新机会
2. 智能交付探索与实践
2.1 需求既交付-借助大模型实现需求到代码的自动生成
2.2 交付智能体-以大模型为核心建设研发交付过程的智能体
2.3 用例生成-大模型结合RAG提升用例编写效率
2.4 交付助手-LUI方式让交付过程更丝滑
3. 智能交付的价值及展望
3.1 基于大模型智能交付的变化及价值
3.2 智能交付的展望

许喆俊

百度资深工程师

百度资深工程师，用例测试创作工具QAMate UI自动化&生成方向负责人。

待定

智能用例创作与自动化

测试用例无论对于业务本身还是测试人员来说，都是极其重要的资产。然而测试用例的编写往往会受到编写者的个人编写风格、测试经验等因素影响，使得在可读性、可传承性方面存在一定困难。尤其是当新人刚刚接手某个业务的时候，往往无法一目了然的从过往用例中，了解到业务测试的难点和细节。因此我们尝试探索借助大模型以及其它多类AI能力，来建设包括服务端、移动端在内的各类业务测试用例的规范化编写和管理、用例的自动化生成和执行，使得用例的创作更加标准化，用例的执行更加低成本。

内容大纲

1. 测试用例创作和管理的困境

2. 结合大模型的测试用例创作和管理平台的搭建

3. 测试用例的自动化执行遇到的难题

4. 基于大模型和其它各类AI能力的测试用例自动化方案

5. 落地实践和效果

听众收益

1. 大模型在用例创作中的实践和效果

2. UI自动化解决方案，及与大模型的深度结合应用

郑林

百度资深工程师

百度资深测试工程师，2011年毕业于河海大学模式识别与人工智能专业, 从事测试以及相关工具开发10余年。

待定

智能Agent在测试中的实践与应用

大模型在测试领域的应用进展相对迟缓，这主要是由于两大成本因素：首先是适配成本高。由于不同业务场景下的测试框架和用例差异显著，这使得将大模型应用到这些不同的测试环境中需要较高的适配成本。其次是使用成本高。为了有效利用大模型，用户需要学习构建恰当的提示（prompt）并优化模型的输出结果，这一过程可能会降低工作效率，使得使用成本相对较高。

内容大纲

1. 背景

1.1 探析大模型测试迟滞之因

1.2 剖析Agent与人机互动共融之效

2. 测试Agent实现与应用实践

2.1 直面挑战：核心难题与破局之道

2.2 重塑流程：Agent引领测试新纪元

3. 成效与展望

3.1 实战验证：各类项目实践效果

3.2 前瞻未来：Agent进化蓝图

听众收益

测试Agent的探索与实践、智能体的应用前景

杨方方

百度资深工程师

百度资深工程师，主要负责质量风险管控、稳定性保障、线上测试等质量领域相关工作和业务落地，包括风险管理、智能监控/定位排查/止损决策、风险控制智能体等，在多个业务取得较好落地效果。

待定

大模型在质量风险管控的应用

质量风险管控是质量领域的关键领域，主要通过前置风险识别的管理能力和问题发生后的风险控制能力来实现质量把控，质量风险管控一直面临着海量风险对象和风险维度、管控过程依赖经验、实施落地场景化差异大、工具使用门槛高等诸多问题和挑战，随着大模型兴起和持续成熟，结合大模型对诸多风险管控的环节进行了重塑，解决其中海量对象挖掘/管理/识别、经验传递和门槛降低、工程分层和智能化组装等问题，实现风险管控智能化，同时也探索了基于大模型的智能体产品载体，实现风险管控智能体化。

内容大纲

1. 背景及对质量风险管控的思考

2. 质量风险管控介绍

3. 基于大模型的管控能力

3.1 基于LLM增强的知识图谱挖掘

3.2 基于LLM的排查定位

3.3 风险控制智能体

4. 总结与期望

听众收益

大模型在质量领域的应用、LLM基于知识图谱的信息挖掘及问题排查实践