Les défis souvent cités dans l'examen des tests non fonctionnels dans n'importe quel modèle (sans parler des tests continus) sont : Les tests non fonctionnels sont définis de manière incohérente et mal planifiés Les tests non fonctionnels sont souvent traités comme moins prioritaires Manque de compétences adaptées

Dans le post précédent, nous avons donné un aperçu de la façon dont ZUJYA aide à valider les modèles prédictifs. Bien que ZUJYA soit conçu pour valider des modèles prédictifs basés sur l'apprentissage automatique, il peut également être utilisé avec des cadres d'automatisation standard utilisés pour les tests fonctionnels/non fonctionnels.

Au cours des dernières années, la majorité des projets logiciels ont utilisé la livraison continue, une approche d'ingénierie logicielle dans laquelle les équipes produisent des logiciels en cycles courts, garantissant que les logiciels peuvent être publiés de manière fiable à tout moment.

L'apprentissage automatique est utilisé lorsque l'échelle des données est trop importante pour être gérée par des systèmes basés sur des règles. Par exemple, vous pourriez être en mesure de prédire manuellement le modèle d'achat dans un petit magasin en bordure de route en parcourant les entrées de vente, mais il serait difficile de faire la même chose pour un grand magasin simplement parce que le nombre de facteurs impliqués est très élevé.

Il était 8 heures du matin pendant l'une des périodes critiques de régression de la version, notre SDET est arrivé au bureau et a constaté que 60 % de ses tests échouaient en raison de changements dans l'interface utilisateur (ID d'éléments modifiés, nouveaux éléments introduits, éléments supprimés, etc.). C'est une suite d'environ 2000 Tests, peut-on analyser l'ensemble de ces 1200 tests ratés dans les prochaines heures et en trouver les raisons ?

Avant de comprendre l'approche de test des applications d'apprentissage automatique, examinons les étapes de leur création.

Les tests non fonctionnels sont essentiels pour garantir la fonctionnalité complète de tout logiciel et pour garantir des opérations commerciales transparentes. Voici pourquoi...

Dans le post précédent, nous avons donné un aperçu de la façon dont ZUJYA aide à valider les modèles prédictifs. Bien que ZUJYA soit conçu pour valider des modèles prédictifs basés sur l'apprentissage automatique, il peut également être utilisé avec des cadres d'automatisation standard utilisés pour les tests fonctionnels/non fonctionnels.

Ceux d'entre vous qui se sont trouvés au centre Moscone à San Francisco cette année pour la conférence Google I/O savent qu'ils auraient été témoins du discours du PDG de Google, Sundar Pichai, sur l'apprentissage automatique, l'intelligence artificielle,