592
产品测试一直都是开发过程中确保产品在功能和性能方面符合市场预期的关键一环。然而，传统的产品测试流程需要投入大量的时间和资源。另一方面，现代的新产品设计也变得越来越复杂，对运行条件的要求也愈发严苛，如要求低功耗、融合更多的传感器以及添加更多的输入/输出接口等。
令人欣慰的是，人工智能（AI）技术正逐渐被运用于现代化的产品测试流程，有望在产品的整个生命周期内提高测试的效率、准确性和可扩展性。
此篇是德科技署名文章旨在探讨AI技术革新产品测试的潜能，并详细解读产品生命周期的各个阶段，将AI技术集成到产品测试中所能带来的积极意义，以及适用于产品测试的各种AI技术，例如采用机器学习（ML）算法进行预测性维护或者缺陷检测等，同时探索现实世界的各种应用场景、挑战和未来发展趋势。
产品测试的生命周期
众所周知，产品开发生命周期有几个关键阶段。工程师会在各个阶段执行产品测试工作，以确保整个产品开发过程符合公司制定的业务计划和目标。随着时间的推移，大多数的产品开发流程会因为新市场需求的出现以及激烈的竞争等因素而变得越来越复杂。图 1 显示了产品开发生命周期的各个阶段。
图1：产品生命周期的各个阶段
创意和规划阶段
创意阶段的导入意味着开启一个新产品开发项目。该阶段的主要任务是从客户、科研机构和外场等各种渠道收集与新产品创意有关的数据。在进行规划时，需要做相关调研，寻找产品的潜在市场，并且尽可能从客户那里挖掘更多的用例信息。
要对所有内部和外部的需求进行鉴别，并按照优先级进行排序。客户需求是应当优先考虑的事项，此外针对技术可行性的调研也很重要。这一阶段为后续的测试工作奠定了基础，因而非常关键。在该阶段，AI可以通过分析历史数据和市场走向来预见潜在的问题并对测试计划进行优化，从而为工程师提供帮助。
设计和开发阶段
在设计和开发阶段，分步骤制作硬件电路原型并执行测试验证对于确保产品的有效构建而言至关重要。在该阶段，设计人员将设计、编码和开发固件或者嵌入式软硬件。
最初的测试验证还将追踪各个功能的表现情况，以确保其符合客户的要求。AI技术可以根据设计规范和用例自动生成各种测试用例和场景，确保测试用例的全面覆盖并降低人为错误导致的风险。
测试验证阶段
所谓测试验证也就是在硬件开发的最后阶段进行详细的性能测试。不过，大多数的最终验证测试通常发生在最终的产品认证阶段，以确保硬件和嵌入式软件符合客户、公司内部、法律法规以及监管部门的要求，并获得相应的认证。
这一阶段的测试必须要全面。由AI驱动的测试工具可以自动执行重复性的工作、分析海量的测试数据，并锁定可能识别出潜在缺陷的模式，从而显著增强这一阶段工作的有效性。完成测试验证和产品认证之后，需要对数据进行分析，以确保新品能够充分满足产品发布所需的各种规格要求。
开发和维护阶段
产品发布之后，将会进入生产组装和测试流程，进而完成产品订单。部署之后的测试和持续监测对于始终确保产品的质量水平而言至关重要。AI技术能够实时监测产品的性能表现，检测异常情况并预测维护需求。这种持续的反馈闭环有助于实现产品的迭代更新。
将AI技术集成到产品测试中，裨益良多
全球许多公司都在诸多应用领域中使用AI技术，其中包括产品测试。快速向市场推出高质量的产品意味着在竞争中脱颖而出，赢得更多市场份额。在整个产品生命周期中，采用AI技术来执行产品测试大有裨益。
更高的效率
产品测试可能会非常繁琐，特别是对汽车甚至现代洗衣机等复杂的产品执行测试，情况更是如此。这些产品中通常配备了诸多传感器、运动部件、输入和输出接口以及图形显示用户界面等。而这也是AI的用武之地，AI技术可以搜集数据并通过特定的算法来运行这些数据，从而开发出一整套经过优化的、适用于任何环境的测试用例。因此，采用AI技术可以提高测试流程的效率，显著缩短测试用时。
更高的精准度
产品测试可以用来测量数字或模拟电信号的性能、声音、振动、力学或者视觉信息。如果机器学习算法能够解读这些数据，学习并理解预期的结果，然后采取行动对数据进行完善从而提高检测的准确性，则意味着AI能够处理这些数据。与较为传统的、由人工操作的视觉检测测试流程相比，AI技术能够显著增强缺陷检测能力，减少人为错误，优势非常明显。
降低成本
由AI驱动的测试工具能够智能化管理重复且耗时的工作任务，从而为人类提供帮助。它们可以替工程师执行许多离线任务，如测试调度、批量测试、最大化测试设备利用率、自动进行测试配置和执行、数据处理等。通过自动执行各类任务，AI能够大量减少原本需要人工执行的测试工作，从而降低成本。
增强可扩展性
进行产品测试通常需要收集大量的测试数据，而这些数据如果使用不当，往往会造成信息浪费。AI的强大优势之一在于，它能够根据产品的复杂性和终端用户的应用场景进行相应的扩展。也就是说，AI可以进行功能扩展，以便管理大量的测试数据，并动态适应复杂的测试场景。由此带来的成效之一是，通过提供高质量的产品为终端用户创造价值。
将AI技术用于产品测试
测试工程师可以在产品测试过程中，根据其具体用例和现有测试数据的架构而量身打造的各种AI技术和算法。如果是新项目，测试工程师也可以灵活地从零开始创建模型和数据架构。这些AI算法通常可以被划分为三大类：监督学习算法、无监督学习算法和强化学习算法。
监督学习算法
顾名思义，该算法是一种有监督的机器学习和训练方法，它能够接收带标记的数据并对其进行训练，从而预测由其他数据可以推导出的结果。在该过程中，需要熟谙原始数据、通晓良好结果的专家帮助AI算法捕捉一些错误信息。
这些著名的监督学习算法包括决策树算法、朴素贝叶斯算法和支持向量机算法。用户可以利用这些算法得出分类结果。分类意味着结果为是或者否 ，一或者二，通过或者失败。这些算法还可以将数据点位分为多个类别。
与线性回归算法一样，监督学习算法也是通过在图表上设置X轴和Y轴得出数据序列，从而构建一个线性回归方程，以最好地解释自变量与因变量之间的关系。X 轴是自变量，Y 轴是因变量。算法生成的线性回归方程可以帮助人们推导和预测未来可能出现的数据。
无监督学习算法
有些算法，如 K-Means 聚类和高斯混合模型，不需要监督学习。它们不需要带标记的数据，而是根据接近程度将数据分类放入预先设定好的聚类中，从而创建模型、分析数据之间的关系，并从中得出有实际价值的洞察和见解。
强化学习算法
强化学习算法是第三种机器学习算法，它将接收到的奖励信号作为反馈，用于评估自身在环境中执行动作后所带来的影响。这类机器学习算法是一个循环往复的学习过程，需要执行动作的智能体（agent）以及外围的执行环境。
当环境向智能体发送一个状态信号，提示它执行特定的动作之后，循环的学习过程就开始了。智能体执行动作之后，外围环境会发送一个奖励信号，告诉智能体结果如何，使其能够更新和评估之前的动作。有了这些新信息，智能体就可以重新采取新的行动。如此循环往复，直到环境发出停止信号。
强化学习算法适用于自然语言处理，如网络互动聊天、聊天机器人、文本或语音翻译、语言建模等。它们还适用于周围环境不断动态变化的自动驾驶汽车相关应用、能够改善疾病诊断和治疗的医疗保健行业以及工业自动化等应用。
AI在实际产品测试中的应用
世界各个地区的不同行业和公司正在利用AI技术革新复杂的软硬件测试方法，利用AI技术提高测试的效率、准确性、成本效益和可扩展性，从而获得诸多裨益。以下是三种典型的AI用例：
第一：AI在软件测试中的应用
银行、金融服务和保险 (BFSI) 业的一家软件公司必须确保其所有银行软件应用程序，如手机银行、信用卡、电子钱包、交易和投资以及保险应用程序，都能满足其所有的性能、功能和系统集成要求。此外，这些软件应用程序还必须符合所有的兼容性要求、满足业务流程需要并达到安全监管标准。
该公司利用AI技术助力实现测试自动化，将测试覆盖率提高了 90%，从而提高了产品质量，并将新产品的上市时间缩短了 40%，同时在保证产品质量的前提下将效率提高了 40%以上，并通过在产品开发的早期阶段消除风险最大限度地降低了总成本。
第二：AI在机器视觉测试中的应用
一家PCB组装（PCBA）公司需要简化其制造流程，以便为全球客户提供具有竞争力的 PCBA 制造服务。该公司向着这个目标迈出了大胆的一步，将AI运用到了其制造流程的各个阶段，包括PCB 设计阶段，在该阶段，AI的性能仿真有助于更精确地设计集成电路；也包括焊接机，利用AI技术能够控制细间距的元器件焊接；还包括基于AI技术的机器视觉检测，能够有效捕捉到产品缺陷。
因此，该公司利用更好的设计和更有效的、自动化的机器视觉检测方法，提高了 PCBA 产品的质量，并降低了制造成本。
第三：AI在产品的声学和振动测试领域中的应用
一家拥有重型工业机械的公司需要确保在其运营过程中出现意外宕机的几率极低，才能避免损失。近年来，通过将人工智能和机器学习（AI/ML）用于工业机械的故障预测，使得声学和振动分析在早期故障检测和诊断方面的应用取得了长足的进步。
AI/ML 方法（如无监督的、用于图像分割的卷积神经网络 ）可利用机械运行过程中产生的涵盖整个历史生命周期的声学和振动数据对算法进行训练。完成训练之后，测试系统能够在没有人工监督的情况下在线进行实时监测，预测早期故障，并提供诊断以查明可能引发故障的根源。总之，这款集成了AI技术的早期故障检测和诊断系统为公司节省了数百万美元的成本，并避免了昂贵设备的意外宕机和损坏。
AI驱动下，产品测试的未来发展趋势
AI时代已经来临，各行各业对它的应用也将持续加深。采用AI技术的解决方案创新，也必然会让产品的测试和开发流程变得更加容易，从而为大众市场创造福音。测试和测量公司也将针对特定的行业应用推出更多易于使用的、基于AI技术的测试软件。将AI用于产品测试能够带来诸多裨益，包括提高测试效率、增强准确性、提高成本效益和可扩展性。企业可以利用监督学习算法、无监督学习算法和强化学习算法等AI技术革新其测试流程，并确保更高的产品质量。
AI技术将继续向前演进，基于AI技术的、全新的产品测试解决方案也将更加易于部署。许多公司抓住这一点在产品的全生命周期管理方面获得了超越竞争对手的领先优势。
作者：是德科技产品营销经理Bernard Ang
