LLM赋能下全程质量管理-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：LLM赋能下全程质量管理

专场聚焦于探讨：如何借助大规模语言模型（Large Language Model，LLM）技术对企业的全流程质量管理体系进行赋能和优化。本专场将深入剖析包含但不限于“质量知识图谱工程化构建、质量管控流程智能化升级、实时质量过程监控与告警、基于AI的智能决策支持”等核心话题，旨在探讨如何将大规模语言模型技术融入传统质量管理全过程，从而实现质量管理水平的全面提升及企业核心竞争力的持续稳固。

专场出品人：霜波

阿里巴巴饿了么副总裁技术中台负责人

东南大学计算机毕业，2008年加入阿里巴巴，先后负责杭州广告，搜索，数据平台，天猫的测试负责人，阿里新零售技术质量部高级总监，阿里巴巴技术风险负责人，连续五年阿里双十一技术大队长。

程派峰

字节跳动工程师

字节跳动工程师，目前负责TOB产品全流程交付提效、测试左移推进、质检能力建设等工作。毕业后曾就职于阿里巴巴和苏宁易购，从事测试平台、智能化测试能力建设等开发工作。

待定

AI-PMO赋能全流程质效改进

痛点：
业务的困境：产研需求交付太慢，而且进度不透明，面对客户承诺日期心里没底，只能靠人肉方式口口相传需求进度。
研发的困境：需求、版本插队太多，排期不能得到保证，沟通成本极高，同时产品需求变更也频繁，PM交付的PRD质量也不够好导致提测不断延期。
QA的困境：需求集中提测，提测质量太差返工率较高，不断的压缩测试周期，只能靠加班加点完成测试任务，同时上线质量没信心。
版本管理困境：交付流程无标准化统一，缺乏整体规划、里程碑标准，过程风险全靠站会成本很高，后期无法控制。
度量困境：流程、字段不统一，导致取数成本太高，每个方向一套取数标准。缺少北极星指标体系建设，每个角色关注的指标不同很难达成共识，同时每个季度效能大会偏结果指标，太滞后不利于过程改进。

解法：
流程：端到端全流程拉通价值流，对齐流程并自动同步上线版本字段到业务、变更自动同步，提升需求上下车、纳入版本规划的透明度。同时在关键节点上增加AI质检能力，提升需求端到端搬运过程中的质量，减少返工浪费。
工具：AI-PMO、AI-质检双剑合璧，效率与质量的相互制衡，通过AI-PMO识别过程风险、提升信息透明度，解决过程成熟度。AI-质检提升需求准出、研发准出、QA准出、发布准出卡点能力，利用大模型总结归纳能力多维度判断准出风险，提升准出质量。
度量：定义北极星指标体系，拆解过程指标，通过AI-PMO在双周敏捷迭代中运营指标，提升指标共识度，帮助业务提升过程成熟度、持续改进。

内容大纲
1. AI-PMO全流程跟进提升业务过程成熟度
2. 需求维度、迭代维度过程风险模型设计
3. 大模型Prompt设计、大模型结论后置优化
4. 自动流转与风险看板推送
5. AI-质检全流程准入准出能力
6. 需求准入准出AI质检风险模型设计
7. 大模型总结Prompt设计、大模型结论后置优化
8. 自动流转与风险看板推送
9. 未来设想
10. AI+XXX风险具体化建设
11. AI+XXX风险代码挖掘

听众收益
产研：提升工程质量，强化质量意识，提升协同效率，质效合一
度量：由于结果指标滞后性，通过AI夹持左移度量，提升过程成熟度，如何0-1，1-10解决业务痛点

马雯雯

蔚来资深测试工程师

NIO整车研发数字化效率工具的资深测试工程师，目前主要负责Program Space的质量保障工具，Program Space是整车研发全生命周期管理工具，集成了整车项目管理流程、整车研发工程的过程。毕业后曾就职于互联网公司和银行系统，从事自动化测试及测试开发工作。

待定

整车研发数字化系统的质量保障

整车项目的研发周期可能一年两年甚至更久，期间需要应对不断变化的市场需求、技术进步、法规要求以及内部协调问题，如何在如此长的周期中保持项目的高效推进和质量保障；
技术背景上前端的组件化满足个性化需求并提高了可复用性，后端的架构治理提高了系统的可拓展性和可维护性，故需要具备对底层的测试手段。

内容大纲
1. 整车研发模式&数字化产品
2. 系统化质量保障能力建设
2.1 基于功能模块设置卡点
2.2 端流量一致性比对
2.3 Web组件升级的精准用例推荐
2.4 数据一致性比对&一键造数
3. 研发效能洞察及智能化方向的探索

听众收益
了解整车研发中质量保障手段的实际应用，激发在自己项目中实施类似实践的想法。

胡应广

华为GTS产品高级测试开发工程师测试专家

华为GTS产品高级测试开发工程师、测试专家，主要负责自动化测试框架设计和开发、测试工程工具和测试系统架构设计与开发工作。目前负责大模型辅助研发效率提升相关探索与实践。

待定

AI辅助自动化失败用例根因诊断

痛点：敏捷开发模式下，每日版本构建依赖大量自动化测试用例执行验证版本质量，随着用例规模越来越大，失败用例也越来越多，人工分析效率低、投入成本高、问题反馈周期长，严重制约了敏捷效率。

解决思路：引入大模型、向量知识库、RAG、SFT等AI技术，对失败用例多态日志进行自动采集和特征提取，使用聚类算法对重复问题进行聚类，减少相同问题重复分析工作量；使用大模型对日志进行摘要提取，构建存量失败用例已知根因向量知识库，通过检索召回相似问题根因，对于新问题使用Few-shot prompting进行失败用例问题根因诊断和问题自动分类。

内容大纲
1. 问题和背景介绍
2. 传统小模型日志智能分析技术洞察
3. 大模型辅助失败用例根因诊断方案介绍
3.1 基于大模型微调方案
3.2 基于In-Context learning with LLM方案
4. 关键技术介绍
4.1 失败用例多态日志采集和清洗
4.2 构建存量已知问题根因向量知识库
4.3 失败用例特征向量库多级检索召回技术
4.4 基于日志特征聚类和问题去重技术
5. 业务流程和工程实施方案
6. 实践效果
7. 下一步规划