全文共1834字，预计学习时长4分钟
图片来源：/@hauntedeyes
智能手机、智能音箱、智能汽车、智能咖啡机……物品被赋予智能的例子不胜枚举，似乎周围的一切都获得了生命和智慧。
由于人类长期以来对机器人统治世界充满恐惧，这类的科幻小说也备受欢迎。但尽管如此，智能设备绝不是反乌托邦式的——它们的存在实际上是为了让我们的生活更方便，让我们有更多时间专注重要事务，而不用操心单调忙碌的工作。
科技公司深知发展自动化是未来的必经之路，一如当年福特率先推出汽车流水线。人工智能(AI)和机器学习(ML)这样先进的技术正在为史上最振奋人心的创新赋能——想一想无人驾驶汽车、虚拟现实和增强现实、自动化投资、医学成像等等创新吧。这些先进技术的优势日益凸显，众多公司争先恐后地采用这些技术，并将其应用到自己的产品中。
图片来源：/@bekirdonmeez
随着先进技术越来越广泛应用于汽车、医疗、金融等高敏感、高风险领域，开发运营团队的QA测试（即QUALITY ASSURANCE TEST，质量监督测试）至关重要。如果公众安全、客户的生计或病人的数据有可能面临风险，那么即使最智能的算法也必须经过人类工程师反复检查。
在深入探讨智能设备的测试方法之前，我们需要先区分一下人工智能和机器学习。虽然这两个术语经常互换使用，但它们之间还是存在一些主要区别。
简单来说，人工智能系统以人类认为聪明或高效的方式执行任务，而机器学习系统则是利用已有数据进行自动的连续的自我训练。
测试人工智能系统
挑战和潜在并发症
· 大量收集的数据会带来存储和分析方面的挑战——清除这些数据可能耗费很多时间。
· 数据收集可能发生在意外事件或情况下，这使收集数据并将其用于训练变得困难重重。
· 训练和测试数据集中可能会出现个人偏见。
· 在人工智能系统中，系统缺陷会迅速恶化并变得更加复杂。
测试的主要方面
数据校验
人工智能系统取得成功的关键是精确无误的数据。在将数据提供给人工智能系统之前，应该对数据进行过滤、清理和验证。QA团队应该警惕个人偏见以及多样性问题出现，这可能使系统对数据的解释变得复杂——想一想汽车导航系统或智能手机助手试图理解一种不常见的口音时的场景吧。
算法原理
算法是人工智能的核心，算法可以处理数据并生成观念。一些常见的算法涉及到易学性(即Netflix或Amazon学习用户偏好并提供新推荐的能力)、语音识别(智能扬声器)和现实世界的传感器检测(无人驾驶汽车)等技术。
（这些技术应通过模型验证、易学性成功率、算法有效性和核心理解力等方面的全面测试。）算法如果在某一方面出现问题，都必将产生更为严重的后果。
性能和安全性测试
图片来源：/@atlas_ke
与任何其他软件平台一样，人工智能系统也需要性能和安全性的强化测试以及法规遵从性测试。未经过恰当测试，利基安全漏洞(利用语音录音欺骗语音识别软件或控制聊天机器人)出现概率将会更高。
系统集成测试
建立人工智能系统目的在于接入其他系统，在更大的场景中解决问题。为使所有集成环节运行正常，有必要对人工智能系统及其各个连接点进行完整评估。随着越来越多系统吸收了人工智能系统的特性，对这些系统进行仔细测试至关重要。
测试机器学习系统
机器学习系统的目标是在不进行显式编程的情况下独立获取知识。实现该目标要求系统有持续的数据流输入——此方法动态性更强，传统测试正是基于此(固定输入=固定输出)。因此，QA专家需要从不同角度思考如何为机器学习系统实施测试策略。
训练数据和测试数据
训练数据是用于训练系统模型的一组数据。此数据集包括输入的数据以及预期输出的数据。数据集准备阶段通常是以半自动的方式收集数据来完成。
测试数据是训练数据的子集，逻辑上来看，建立测试数据是为了测试所有可能的组合并确定模型的训练情况。根据测试数据集的结果，对模型进行微调。
模型验证
为验证系统模型，应创建测试套件。主算法分析所有提供的数据，寻找特定模式，使用测试结果开发最优参数，以此建立模型。在此基础上，随着迭代次数和数据丰富性的增加，主算法将得到细化。
沟通测试结果
QA工程师习惯从质量层面表达测试结果，例如泄漏缺陷或缺陷的严重程度。但是基于机器算法的模型验证产生的是近似结果，而非精确结果。工程师和相关人员需要在一个特定范围内为每个结果确定可接受的安全等级。
留言 点赞 关注
我们一起分享AI学习与发展的干货
欢迎关注全平台AI垂类自媒体 “读芯术”
