虽然软件开发和测试过程的自动化势在必行，但困难依然重重。我们还远没有达到全面自动化所需的技术水平。**即使是当今最先进的软件测试环境，机器学习是帮助批量处理代码集，在不需要解耦的情况下测试和解决大数据问题。**如果测试过程中出现错误，基于ML的多层结构化测试也会提醒相关用户标记问题，并继续完成自动测试过程。
许多公司一直以来有成千上万的测试需要运行。代码的一个微小改动可能花费数个小时或者数天测试才能获得反馈结果。虽然通常来说测试越多质量越好， 但是同时意味着反馈更慢。
迄今为止，谷歌和脸书已经研发了机器学习算法用于处理输入变化然后只运行最可能失败的测试。这就是预测性测试选择。这个技术令人乍舌的地方在于你只需运行10%~20%的测试，却能达到90%的可信度–整体测试不会失败。一个在代码合并后需要运行5小时的测试套件，在代码合并前只需要30分钟，只运行跟源码修改相关度最高的测试。另一个场景是把一小时的测试运行时间减少到6分钟。
半监督学习犹如直推式半监督方法，基于图理论的半监督方法等。今后的研究可以比较各种半监督方法的预测性能
在软件进行预测或者进行机器学习的时候，由于一些不关键数据等各种原因往往会产生噪音，导致实验数据偏斜，我们仍然需要攻克这一难关，使得噪音对预测的影响接近于无
在软件开发过程中，自动测试和手动测试的之间平衡是QA测试的未来。
文章知识点与官方知识档案匹配，可进一步学习相关知识OpenCV技能树首页概览11562 人正在系统学习中
声明：本站部分文章及图片源自用户投稿，如本站任何资料有侵权请您尽早请联系jinwei@zod.com.cn进行处理,非常感谢！