De afgelopen jaren maken de meeste softwareprojecten gebruik van Continuous Delivery, een software engineering-aanpak waarbij teams in korte cycli software produceren, zodat software op elk moment betrouwbaar kan worden vrijgegeven.

In het vorige bericht hebben we een overzicht gegeven van hoe ZUJYA helpt bij het valideren van voorspellende modellen. Hoewel ZUJYA is gebouwd om op machine learning gebaseerde voorspellende modellen te valideren, kan het ook worden gebruikt in combinatie met standaard automatiseringskaders die worden gebruikt voor functioneel/niet-functioneel testen.

Machine Learning wordt toegepast wanneer de schaal van gegevens te groot is voor op regels gebaseerde systemen. U kunt bijvoorbeeld het aankooppatroon van een kleine winkel langs de weg handmatig voorspellen door de verkoopgegevens te doorlopen, maar het zou moeilijk zijn om hetzelfde te doen voor een grote warenhuis, simpelweg omdat het aantal betrokken factoren erg hoog is.

Het was 8 uur 's ochtends tijdens een van de kritieke release-regressietijden, onze SDET kwam naar kantoor en ontdekte dat 60% van zijn tests mislukte vanwege wijzigingen in de gebruikersinterface (element-ID's gewijzigd, nieuwe elementen geïntroduceerd, elementen verwijderd enz.). Het is een suite van ongeveer 2000 tests, kunnen we al deze 1200 mislukte tests in de komende uren analyseren en de redenen vinden?

Niet-functioneel testen is van cruciaal belang om de volledige functionaliteit van software te garanderen en om een naadloze bedrijfsvoering te garanderen. Dit is waarom...

Voordat we de aanpak voor het testen van Machine Learning-toepassingen begrijpen, gaan we eerst kijken naar de stappen die nodig zijn om ze te bouwen.

In het vorige bericht hebben we een overzicht gegeven van hoe ZUJYA helpt bij het valideren van voorspellende modellen. Hoewel ZUJYA is gebouwd om op machine learning gebaseerde voorspellende modellen te valideren, kan het ook worden gebruikt in combinatie met standaard automatiseringskaders die worden gebruikt voor functioneel/niet-functioneel testen.

De vaak genoemde uitdagingen bij het overwegen van niet-functionele tests in welk model dan ook (laat staan continu testen) zijn: Niet-functionele tests zijn inconsistent gedefinieerd en slecht gepland Niet-functionele tests hebben vaak een lagere prioriteit Gebrek aan geschikte vaardigheden

Degenen onder jullie die dit jaar toevallig in het Moscone-centrum in San Francisco waren voor de Google I/O-conferentie, zouden getuige zijn geweest van de toespraak van Google-CEO Sundar Pichai over machine learning, kunstmatige intelligentie,