作者：是德科技產品營銷經理 Bernard Ang
產品測試一直都是開發過程中確保產品在功能和性能方面符合市場預期的關鍵一環。然而，傳統的產品測試流程需要投入大量的時間和資源。另一方面，現代的新產品設計也變得越來越復雜，對運行條件的要求也愈發嚴苛，如要求低功耗、融合更多的傳感器以及添加更多的輸入/輸出接口等。 令人欣慰的是，人工智能（AI）技術正逐漸被運用于現代化的產品測試流程，有望在產品的整個生命周期內提高測試的效率、準確性和可擴展性。 此篇是德科技署名文章旨在探討AI技術革新產品測試的潛能，并詳細解讀產品生命周期的各個階段，將AI技術集成到產品測試中所能帶來的積極意義，以及適用于產品測試的各種AI技術，例如采用機器學習（ML）算法進行預測性維護或者缺陷檢測等，同時探索現實世界的各種應用場景、挑戰和未來發展趨勢。 產品測試的生命周期 眾所周知，產品開發生命周期有幾個關鍵階段。工程師會在各個階段執行產品測試工作，以確保整個產品開發過程符合公司制定的業務計劃和目標。隨著時間的推移，大多數的產品開發流程會因為新市場需求的出現以及激烈的競爭等因素而變得越來越復雜。圖 1 顯示了產品開發生命周期的各個階段。
圖1：產品生命周期的各個階段 創意和規劃階段 創意階段的導入意味著開啟一個新產品開發項目。該階段的主要任務是從客戶、科研機構和外場等各種渠道收集與新產品創意有關的數據。在進行規劃時，需要做相關調研，尋找產品的潛在市場，并且盡可能從客戶那里挖掘更多的用例信息。 要對所有內部和外部的需求進行鑒別，并按照優先級進行排序。客戶需求是應當優先考慮的事項，此外針對技術可行性的調研也很重要。這一階段為后續的測試工作奠定了基礎，因而非常關鍵。在該階段，AI可以通過分析歷史數據和市場走向來預見潛在的問題并對測試計劃進行優化，從而為工程師提供幫助。 設計和開發階段 在設計和開發階段，分步驟制作硬件電路原型并執行測試驗證對于確保產品的有效構建而言至關重要。在該階段，設計人員將設計、編碼和開發固件或者嵌入式軟硬件。 最初的測試驗證還將追蹤各個功能的表現情況，以確保其符合客戶的要求。AI技術可以根據設計規范和用例自動生成各種測試用例和場景，確保測試用例的全面覆蓋并降低人為錯誤導致的風險。 測試驗證階段 所謂測試驗證也就是在硬件開發的最后階段進行詳細的性能測試。不過，大多數的最終驗證測試通常發生在最終的產品認證階段，以確保硬件和嵌入式軟件符合客戶、公司內部、法律法規以及監管部門的要求，并獲得相應的認證。 這一階段的測試必須要全面。由AI驅動的測試工具可以自動執行重復性的工作、分析海量的測試數據，并鎖定可能識別出潛在缺陷的模式，從而顯著增強這一階段工作的有效性。完成測試驗證和產品認證之后，需要對數據進行分析，以確保新品能夠充分滿足產品發布所需的各種規格要求。 開發和維護階段 產品發布之后，將會進入生產組裝和測試流程，進而完成產品訂單。部署之后的測試和持續監測對于始終確保產品的質量水平而言至關重要。AI技術能夠實時監測產品的性能表現，檢測異常情況并預測維護需求。這種持續的反饋閉環有助于實現產品的迭代更新。 將AI技術集成到產品測試中，裨益良多 全球許多公司都在諸多應用領域中使用AI技術，其中包括產品測試。快速向市場推出高質量的產品意味著在競爭中脫穎而出，贏得更多市場份額。在整個產品生命周期中，采用AI技術來執行產品測試大有裨益。 更高的效率 產品測試可能會非常繁瑣，特別是對汽車甚至現代洗衣機等復雜的產品執行測試，情況更是如此。這些產品中通常配備了諸多傳感器、運動部件、輸入和輸出接口以及圖形顯示用戶界面等。而這也是AI的用武之地，AI技術可以搜集數據并通過特定的算法來運行這些數據，從而開發出一整套經過優化的、適用于任何環境的測試用例。因此，采用AI技術可以提高測試流程的效率，顯著縮短測試用時。 更高的精準度 產品測試可以用來測量數字或模擬電信號的性能、聲音、振動、力學或者視覺信息。如果機器學習算法能夠解讀這些數據，學習并理解預期的結果，然后采取行動對數據進行完善從而提高檢測的準確性，則意味著AI能夠處理這些數據。與較為傳統的、由人工操作的視覺檢測測試流程相比，AI技術能夠顯著增強缺陷檢測能力，減少人為錯誤，優勢非常明顯。 降低成本 由AI驅動的測試工具能夠智能化管理重復且耗時的工作任務，從而為人類提供幫助。它們可以替工程師執行許多離線任務，如測試調度、批量測試、最大化測試設備利用率、自動進行測試配置和執行、數據處理等。通過自動執行各類任務，AI能夠大量減少原本需要人工執行的測試工作，從而降低成本。 增強可擴展性 進行產品測試通常需要收集大量的測試數據，而這些數據如果使用不當，往往會造成信息浪費。AI的強大優勢之一在于，它能夠根據產品的復雜性和終端用戶的應用場景進行相應的擴展。也就是說，AI可以進行功能擴展，以便管理大量的測試數據，并動態適應復雜的測試場景。由此帶來的成效之一是，通過提供高質量的產品為終端用戶創造價值。 將AI技術用于產品測試 測試工程師可以在產品測試過程中，根據其具體用例和現有測試數據的架構而量身打造的各種AI技術和算法。如果是新項目，測試工程師也可以靈活地從零開始創建模型和數據架構。這些AI算法通常可以被劃分為三大類：監督學習算法、無監督學習算法和強化學習算法。 監督學習算法 顧名思義，該算法是一種有監督的機器學習和訓練方法，它能夠接收帶標記的數據并對其進行訓練，從而預測由其他數據可以推導出的結果。在該過程中，需要熟諳原始數據、通曉良好結果的專家幫助AI算法捕捉一些錯誤信息。 這些著名的監督學習算法包括決策樹算法、樸素貝葉斯算法和支持向量機算法。用戶可以利用這些算法得出分類結果。分類意味著結果為是或者否 ，一或者二，通過或者失敗。這些算法還可以將數據點位分為多個類別。 與線性回歸算法一樣，監督學習算法也是通過在圖表上設置X軸和Y軸得出數據序列，從而構建一個線性回歸方程，以最好地解釋自變量與因變量之間的關系。X 軸是自變量，Y 軸是因變量。算法生成的線性回歸方程可以幫助人們推導和預測未來可能出現的數據。 無監督學習算法 有些算法，如 K-Means 聚類和高斯混合模型，不需要監督學習。它們不需要帶標記的數據，而是根據接近程度將數據分類放入預先設定好的聚類中，從而創建模型、分析數據之間的關系，并從中得出有實際價值的洞察和見解。 強化學習算法 強化學習算法是第三種機器學習算法，它將接收到的獎勵信號作為反饋，用于評估自身在環境中執行動作后所帶來的影響。這類機器學習算法是一個循環往復的學習過程，需要執行動作的智能體（agent）以及外圍的執行環境。 當環境向智能體發送一個狀態信號，提示它執行特定的動作之后，循環的學習過程就開始了。智能體執行動作之后，外圍環境會發送一個獎勵信號，告訴智能體結果如何，使其能夠更新和評估之前的動作。有了這些新信息，智能體就可以重新采取新的行動。如此循環往復，直到環境發出停止信號。 強化學習算法適用于自然語言處理，如網絡互動聊天、聊天機器人、文本或語音翻譯、語言建模等。它們還適用于周圍環境不斷動態變化的自動駕駛汽車相關應用、能夠改善疾病診斷和治療的醫療保健行業以及工業自動化等應用。 AI在實際產品測試中的應用 世界各個地區的不同行業和公司正在利用AI技術革新復雜的軟硬件測試方法，利用AI技術提高測試的效率、準確性、成本效益和可擴展性，從而獲得諸多裨益。以下是三種典型的AI用例： 第一：AI在軟件測試中的應用 銀行、金融服務和保險 (BFSI) 業的一家軟件公司必須確保其所有銀行軟件應用程序，如手機銀行、信用卡、電子錢包、交易和投資以及保險應用程序，都能滿足其所有的性能、功能和系統集成要求。此外，這些軟件應用程序還必須符合所有的兼容性要求、滿足業務流程需要并達到安全監管標準。 該公司利用AI技術助力實現測試自動化，將測試覆蓋率提高了 90%，從而提高了產品質量，并將新產品的上市時間縮短了 40%，同時在保證產品質量的前提下將效率提高了 40%以上，并通過在產品開發的早期階段消除風險最大限度地降低了總成本。 第二：AI在機器視覺測試中的應用 一家PCB組裝（PCBA）公司需要簡化其制造流程，以便為全球客戶提供具有競爭力的 PCBA 制造服務。該公司向著這個目標邁出了大膽的一步，將AI運用到了其制造流程的各個階段，包括PCB 設計階段，在該階段，AI的性能仿真有助于更精確地設計集成電路；也包括焊接機，利用AI技術能夠控制細間距的元器件焊接；還包括基于AI技術的機器視覺檢測，能夠有效捕捉到產品缺陷。 因此，該公司利用更好的設計和更有效的、自動化的機器視覺檢測方法，提高了 PCBA 產品的質量，并降低了制造成本。 第三：AI在產品的聲學和振動測試領域中的應用 一家擁有重型工業機械的公司需要確保在其運營過程中出現意外宕機的幾率極低，才能避免損失。近年來，通過將人工智能和機器學習（AI/ML）用于工業機械的故障預測，使得聲學和振動分析在早期故障檢測和診斷方面的應用取得了長足的進步。 AI/ML 方法（如無監督的、用于圖像分割的卷積神經網絡 ）可利用機械運行過程中產生的涵蓋整個歷史生命周期的聲學和振動數據對算法進行訓練。完成訓練之后，測試系統能夠在沒有人工監督的情況下在線進行實時監測，預測早期故障，并提供診斷以查明可能引發故障的根源。總之，這款集成了AI技術的早期故障檢測和診斷系統為公司節省了數百萬美元的成本，并避免了昂貴設備的意外宕機和損壞。 AI驅動下，產品測試的未來發展趨勢 AI時代已經來臨，各行各業對它的應用也將持續加深。采用AI技術的解決方案創新，也必然會讓產品的測試和開發流程變得更加容易，從而為大眾市場創造福音。測試和測量公司也將針對特定的行業應用推出更多易于使用的、基于AI技術的測試軟件。將AI用于產品測試能夠帶來諸多裨益，包括提高測試效率、增強準確性、提高成本效益和可擴展性。企業可以利用監督學習算法、無監督學習算法和強化學習算法等AI技術革新其測試流程，并確保更高的產品質量。 AI技術將繼續向前演進，基于AI技術的、全新的產品測試解決方案也將更加易于部署。許多公司抓住這一點在產品的全生命周期管理方面獲得了超越競爭對手的領先優勢。 |
