30 天 AI 测试挑战活动：第四天：观看有关测试中人工智能的任何问题视频并分享主要收获

第四天任务：观看有关测试中人工智能的任何问题视频并分享主要收获

在 30 天人工智能测试挑战赛的第 4 天，我们希望你观看由知识渊博的 Carlos Kidman（一位经验丰富的人工智能和测试专家）主持的有关测试中人工智能的任何问题。

在本次 AMA 中，Carlos 分享了他在应用机器学习解决复杂测试挑战方面的经验和见解、他向领先的测试 AI 计划的转变、AI 在测试中的未来等等！

与 Carlos 一起观看“关于测试中人工智能的任何问题”。你可以选择观看整个内容（强烈推荐！），也可以使用播放器上的章节图标或单击播放栏中用小点指示的章节来选择感兴趣的问题。边走边记笔记。
观看后，反思会议并通过单击“参加”按钮并回复俱乐部主题来分享对你影响最大的要点。例如，这可能是对人工智能在测试中的潜力的新理解，或者是对你来说突出的任何道德考虑。

大致看完了全部的内容，会上讨论了如何测试 AI 的偏见、如何确保用户对 AI 驱动软件的信心、如何使用 AI 帮助日常测试、如何使用机器学习进行测试、如何确保数据的安全性和机密性、AI 在可用性和 UX 测试中的作用、以及未来十年软件测试员的角色等话题。

Carlos 还分享了他对 AI 在未来软件开发和测试中的作用的看法，认为 AI 将在自动化测试方面发挥重要作用，而软件测试人员的角色将更多地侧重于分析和评估 AI 生成的测试结果。他还提到了使用 AI 时的道德和合规性问题，并强调了监控 AI 性能和数据漂移的重要性。

最后，Carlos 提到了 AI 在帮助初级测试人员提高测试能力方面的潜力。整个访谈涉及到了 AI 和机器学习在软件测试中的应用，测试 AI 的偏见和限制，以及 AI 如何帮助提高测试效率和质量。

关于测试 AI 的偏见，Carlos Kidman 提到可以使用不变性测试技术来测试 AI 的偏见。这种技术涉及到替换词汇来观察 AI 的反应。例如，他提到了将句子中的"Chicago"替换为"Dallas"，并观察 AI 对情感分析的改变。通过这种方式，可以识别并修正 AI 模型中的偏见。

关于评估用户对 AI 软件的信心，Carlos 提到使用可观测性技术。他举例说明了如何通过用户的反馈（例如点赞或点踩）来收集数据，并分析这些数据来评估用户对 AI 输出的信心和满意度。

在 AI 测试工具方面，Carlos 提到他们使用名为"Ling Smith"的工具，它是"Ling Chain"的一部分，用于观测 AI 系统的表现。他还提到使用"Pytest"来自动化一些测试案例。

关于日常测试中如何使用 AI，Carlos 建议尝试使用像 ChatGPT 和 Bard 这样的工具来激发创意和解决测试问题。他强调了工具必须具备足够的上下文才能有效地应用于测试。

对于如何进入 AI 测试领域，Carlos 建议初学者使用 ChatGPT 和 Bard 等工具来开始探索，这有助于他们发现 AI 在测试中的潜在用途。

最后，关于如何保障 AI 在生产环境中的表现随数据变化而变化的质量，Carlos 强调了监控 AI 性能的重要性，他提到了"数据漂移"的概念，并分享了一个关于房地产公司因未能监控 AI 性能而造成损失的故事。他提醒说，随着环境的变化，AI 也需要更新和调整，以保持其性能和效果。

使用 AI 和我们测试工作一样，都需要提升效率和质量。

如何通过提示词和上下文的提供，来更大程度上的利用 AI 的能力来帮助我们更高效率和高质量的完成工作，可能是我们后续需要思考的方向。

30 天 AI 测试挑战活动是 Ministry 测试社区发起的活动，上一次我了解这个社区是关于他们发起的 30 天敏捷测试的活动。

挑战：