7个智能建筑技术的案例
智能建筑也被称为综合建筑，是复杂的生物，其信息网络，如神经系统，使用最先进的计算机技术分支到所有部分。这些系统通常超出自动照明，阴影和HVAC配置，并涉及对建筑物能源效率，舒适度，访问，火灾报警和其他要素的高级实时控制。集成网络连接到建筑物基础设施的各个方面，但这些系统不一定是物理的。在异常智能建筑的情况下，这些系统使用互联网等外部网络进行连接，可以远程控制。最先进的智能建筑解决方案通常存在于可能缺乏建筑闪光的建筑物中，但成功地证明了数字驱动设计如何影响到建筑项目的环境，结构和能源概况。这七个例子展示了响应和智能系统的行动。
1.巴林世界贸易中心由阿特金斯巴林世界贸易中心是传统的阿拉伯风塔的现代诠释，这些风塔被用来利用来自阿拉伯海湾的陆上风。建筑物的形状使气流通过直径为95英尺的三个涡轮机;在连接两个787英尺高的塔的桥梁上支持这些。涡轮机产生大约11-15％的建筑物的能源需求。该中心还具有先进的安全系统，具有IP电话的高速宽带互联网接入以及单一融合语音数据视频网络上的无线统一消息传递。2.环境系统公司（ESI）总部，威斯康星州威斯康星州布鲁克菲尔德的环境系统公司（ESI）总部是世界上最智能的建筑之一，自动化程度甚至使其灭火器在互联网上得到控制。该公司总部是技术和特色系统的显示，大大降低了运营成本。该建筑物获得了能源之星评级为98分，尽管事实上这座新建筑比前任大一万平方英尺，但公用事业成本比以前的建筑物低了33％。建筑大厅设有大型平板显示器，显示有关建筑物性能的实时信息。这些参数包括与能量，HVAC系统，照明和插头负载相关的测量。报警系统连接到BAS（楼宇自动化系统），系统监控灭火器，确保其具有适当的压力，并且不被阻塞。3.迪拜太平洋控制楼中东首个白金级LEED项目，迪拜太平洋控制大楼拥有一个集成的楼宇自动化系统，其使用有线和无线传感器，控制和M2M通信，这使其成为该地区可持续发展的象征。该建筑具有IP骨干网，可用于访问，音频和摄像机，电梯和火灾报警器。它负责公司的研发活动，并将远程监控该地区公共和私人物业的设施服务。4.铝巴哈尔，阿布扎比，由Aedas建筑师Aedas的AlBahrTowers拥有独特的动态遮阳系统，旨在将建筑物的太阳能收益降低50％，旨在测试响应式设计的极限。门面具有灵感来自伊斯兰教的传统格子系统mashrabiya，它完全电脑化以适应不断变化的天气条件。5.美国航空航天局可持续发展基地，加利福尼亚州莫菲特，威廉·麦克唐纳合伙人美国航空航天局在加利福尼亚的新设施不是您的平均政府大楼。新月形建筑拥有智能控制技术，灵感来自该机构的航空安全计划，为飞机提供指导控制。该技术用于控制建筑物内的不同区域，并提供有关通过整个结构的气流的实时数据。WilliamMcDonoughPartners以摇篮到摇篮的设计方式而着称，主要使用了被回收，可再生，可回收或回收利用的材料。6.公爵能源中心，北卡罗来纳州夏洛特这种白金认证的LEED结构采用西门子的楼宇自动化系统，集成了多个平台和协议，通过一个IP网络运行16个独立系统。租户可以逐层获取关于功耗，暖通空调和照明负载的数据。建筑系统可以监控，检测和通知工程师潜在的问题。地下水和雨水储存有两个巨大的地下储罐，而建筑物的灌溉系统跟踪雨水和蒸发速率，以尽量减少屋顶花园和相邻公园的用水量。7.香港ZCB大厦，香港罗纳德·卢合伙大厦ZCB是香港第一个零碳建筑，将被动设计功能与高能效主动系统（如大容量低速风扇，冷却梁冷却系统）和智能控制系统相结合，可将能源需求降低25百分。该建筑旨在实现超越碳中和的“能量加”状态，发电量大于结构要求。定制的BEPAD（建筑环境绩效评估仪表板）系统显示实时数据，评估建筑物的环境性能，提供能源使用，用水，占用，室内环境质量等统计资料。这些由通过整个结构的2800个传感点收集数据的BMS（建筑物管理系统）进行监控。除了通过Panoramio的太平洋控制大厦外，建筑师还提供所有图像。
关联标签：
文章来源：河姆渡智能建筑
文章网址：
【上一篇】案例研究:建筑智能系统【下一篇】智能建筑技术的商业案例6大人工智能应用关键技术，终于有人讲明白了
导读：我国《人工智能标准化白皮书（2018年）》中也给出了人工智能的定义：“人工智能是利用数字计算机或者由数字计算机控制的机器，模拟、延伸和扩展人类的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术和应用系统。”
人工智能的核心思想在于构造智能的人工系统。人工智能是一项知识工程，利用机器模仿人类完成一系列的动作。根据是否能够实现理解、思考、推理、解决问题等高级行为。
在未来，人工智能应用主要会体现如下几大核心技术特点。
作者：达观数据
来源：大数据DT（ID：hzdashuju）
01机器人流程自动化（RoboticProcessAutomation，RPA）
RPA（RoboticProcessAutomation，机器人流程自动化）的定义：通过特定的、可模拟人类在计算机界面上进行操作的技术，按规则自动执行相应的流程任务，代替或辅助人类完成相关的计算机操作。
与大家通常所认为的具备机械实体的“机器人”不同，RPA本质上是一种能按特定指令完成工作的软件，这种软件安装在个人计算机或大型服务器上，通过模拟键盘、鼠标等人工操作来实现办公操作的自动化。
▲图1-1RPA是未来办公创新和发展的趋势
RPA也被形象地称为数字化劳动力（DigitalLabor），是因为其综合运用了大数据、人工智能、云计算等技术，通过操纵用户图形界面（GUI）中的元素，模拟并增强人与计算机的交互过程，从而能够辅助执行以往只有人类才能完成的工作，或者作为人类高强度工作的劳动力补充。
自2015年以来，人工智能技术和RPA在同一时间大幅度发展和进步，恰好相辅相成，汇合在了一起。自然而然地，RPA和AI两者的结合运用，带来了一股非常独特的智能化应用的发展潮流，我们称之为智能RPA技术，或者IPA技术（IntelligentProcessingAutomation），即智能流程自动化技术（如图1-2所示）。
▲图1-2智能RPA的构成：RPA+AI=IPA
换句话说就是，RPA是基础，需要与其他技术手段整合在一起，方能实现IPA及其优势。
商业社会对流程自动化的功能的期望将与日俱增，将机器学习等AI技术运用到RPA中，将人工智能功能集成到产品套件中，以提供更多类型的自动化功能，已经成为未来RPA发展的主流趋势。
02光学字符识别（OpticalCharacterRecognition，OCR）
OCR技术是指利用电子设备（例如扫描仪或数码相机）将纸质文档中的文字转换成为黑白点阵的图像文件，并通过识别软件将图像中的文字转换成文本格式，供文字处理软件进一步编辑加工的技术。通俗地说就是，对文本资料进行扫描，然后对图像文件进行分析处理，以获取文字及版面信息的技术。
OCR技术一般可分为如图3-1所示的5个阶段。
▲图3-1OCR技术的5个阶段
下面具体说明OCR的识别流程。
1.图像处理
针对图像的成像问题进行修正。常见的图像预处理过程包括：几何变换（透视、扭曲、旋转等）、畸变校正、去除模糊、图像增强和光线校正、二值化处理等。
2.文字检测
检测文本所在位置、范围及其布局，通常还包括版面分析和文字行检测等。文字检测解决的主要问题是哪里有文字，文字的范围有多大。
文字检测采用的处理算法一般包括：Faster-RCNN、Mask-RCNN、FPN、PANet、Unet、IoUNet、YOLO、SSD。
3.文字识别
在文本检测的基础上，对文本内容进行识别，将图像中的文本信息转化为计算机可识别和处理的文本信息。文字识别主要解决的问题是每个文字是什么。
文字识别常采用的处理算法包括：CRNN、AttentionOCR、RNNLM、BERT。
4.文本抽取
从文字识别结果中抽取出需要的字段或要素。
文本抽取常采用的处理算法包括：CRF、HMM、HAN、DPCNN、BiLSTM+CRF、BERT+CRF、Regex。
5.输出
输出最终的文字识别结果或者文本抽取结果。
03机器学习/大数据分析
机器学习/大数据分析是一种用于设计复杂模型和算法并以此实现预测功能的方法，即计算机有能力去学习，而不是依靠预先编写的代码。它能够基于对现有结构化数据的观察，自行识别结构化数据中的模型，并以此来输出对未来结果的预测。
机器学习是一种通过“监督”和“无监督”学习来识别结构化数据中的模式（例如日常性能数据）的算法。监督算法是指在根据自己的输入做出预测之前，会从输入和输出的结构化数据集来进行学习。无监督算法是指观察结构化数据，并对已识别的模式提供相关见解。
机器学习和高级分析可能会改变保险公司的游戏规则，例如，在提高合规性、降低成本结构，以及从新的见解中获得竞争优势。高级分析已经在领先的人力资源部门中得到了广泛应用，主要用于确定和评估领导者和管理者的核心品质，以便更好地预测行为、规划职业发展道路和下一任领导岗位归属。
04自然语言生成（NaturalLanguageGeneration，NLG）
计算机具有与人一样的表达能力和写作能力，它遵循某种规则，将从数据中观察到的信息转换成高质量的自然语言文本。例如，自动识别会议邮件中的主题、数字地名、人名地址并生成行程表备忘录，或者识别出合同条款的关键内容并将摘要的重点生成列表。
关于自然语言生成及自然语言处理的详细介绍，请阅读《详解自然语言处理5大语义分析技术及14类应用（建议收藏）》
05智能工作流（SmartWorkflow）
智能工作流是一种用于流程管理的软件工具，其中集成了由人和机器共同执行的工作，允许用户实时启动和跟踪端到端流程的状态，以便于管理不同组之间的切换，包括机器人与人类用户之间的切换，同时还能提供瓶颈阶段的统计数据。
随着社会和科技的不断进步，各个领域都开始逐步朝着自动化、智能化的方向快速发展。工作流相关技术的研究也越来越受重视，并广泛地应用于制造业、软件开发、银行金融、生物医学等不同领域。
工作流不但能够自动化地处理相关的活动和任务，减少人机交互处理过程中带来的潜在错误，而且能够精确化每一个处理步骤，最大化地提高生成效率，并且将工作流应用到动态、可变且灵活的应用场景当中。
近年来，在大数据、人工智能的背景下，工作流中的业务流程日趋复杂，所面临的环境和数据也日趋复杂，由需求分析引起的业务过程重新建模或由维护升级引起的过程模式变更和改进也变得越来越频繁。
在这种动态多变的复杂环境下，如何快速识别出任务，然后快速高效并有针对性地处理工作流问题，已成为目前工作流任务研究的关键问题。
RPA软件机器人在工作过程中，也会遇到很多类似的情况。工作流的复杂多变，会导致RPA作业流程的复杂多变，使其无法做到自适应，这将会大大影响RPA软件机器人的作业效率。
因此，需要通过智能工作流的技术，实现动态地调整RPA里的任务设定，以及RPA业务流程的自动变更和自动升级，在智能工作流的指导下实现自适应作业模式。
实现智能工作流的方法有很多，比如，美国J.H.Holland教授提出的基于遗传算法的工作流调度，PandeyS等提出的基于粒子群优化算法的启发式算法（PSO）可用于不同资源的智能调度。除此之外，还有很多基于自然界和仿生学的智能算法，比如，混合蛙跳算法、布谷鸟搜索算法、蝙蝠算法、人工蜂群算法等。
目前比较常见的方法是实现一种基于智能规划的工作流处理模式，该模式不再是单纯地将不同的活动当作对彼此没有影响的单独事件，而是有针对性地考虑多个事件的共同影响。
该模式充分考虑了工作流和智能规划之间的相似之处，通过智能规划推导出不同工作流任务之间的内在逻辑关系，并从其他的渠道和外部信息中充分挖掘潜在的关系。
逐步改进传统工作流中的问题，使用全新的智能规划的手段，从表面动作中挖掘出潜在的信息，过滤噪声数据，进而实现流程的自动修正，最后，通过前面得出的结论，有针对性地修改之前的RPA作业流程，实现自适应性的作业模式和作业过程。
06认知智能体（CognitiveAgent）
认知智能体是一种结合了机器学习和自然语言生成的技术，并在此基础上加入情感检测功能以做出判断和分析，使其能够执行任务，交流沟通，从数据集中学习，甚至根据情感检测结果作出决策。换句话说，机器会像人一样产生“情感共鸣、精神共振”，真正成为一个完全虚拟的劳动力（或者智能体）。
在客服领域，英国某汽车保险公司通过使用认知智能体技术，将客户转化率提高了22%，验证错误率降低了40%，整体投资回报率达到了330%。
当然，德勤、安永等咨询公司也坦然表示，就现阶段许多企业的流程管理与系统的基础能力来看，仍存在着大量的基础建设工作有待开展。而打造智能流程自动化所需的部分核心技术（例如认知智能体等）也还停留在雏形阶段。
智能包含三个方面，分别是计算智能、感知智能和认知智能。
在计算智能方面，计算机的速度早已远远超过人工的效率。
在感知智能方面，随着OCR、NLP等技术的发展，目前也已经能够实现很多的效果。
但是在认知智能方面，即使在某些特定领域，自然语言的处理也已经可以得到比人工更好的成绩，但是在某些领域，特别是知识理解、知识推理、知识判断等方面，还有很多需要逐步积累、逐步完善的地方。
按照机器能否产生自我认知和机器人的适用范围，人工智能分为弱人工智能和强人工智能，其中弱人工智能里的机器没有自我意识，不具备真正的推理和独立解决问题的能力，通常只适用于解决特定条件下的某种问题。当前人工智能的研究主要在弱人工智能领域。
而在强人工智能方面，机器具有一定的自我意识，能够通过学习拓展功能。对于当前不具备的功能或者当前不了解的知识，能通过自行学习获得。
当前条件下，全面的强人工智能还面临技术能力、社会伦理等多方面的挑战，但是在某些领域的特定场景下，具备认知智能能力和学习能力的人工智能软件，不仅能够优化作业流程、快速响应、覆盖更多不同的情况，同时还能够最大限度地避免技术风险和应用风险，是一个非常有价值的研究方向。
认知智能有很多种定义，其中，复旦大学肖仰华教授曾经提到过，所谓让机器具备认知智能是指让机器能够像人一样思考，而这种思考能力具体体现在如下几个方面。
第一，机器具备能够理解数据、理解语言进而理解现实世界的能力。
第二，机器具备能够解释数据、解释过程进而解释现象的能力。
第三，机器具备推理、规划等一系列人类所独有的认知能力，也就是说认知智能需要解决推理、规划、联想、创作等一系列复杂任务。
智能体是指驻留在某一环境下，能够持续自主地发挥作用，具备驻留性、反应性、社会性、主动性特征的计算实体。根据著名人工智能学者，美国斯坦福大学Hayes-Roth教授的理论“智能体能够持续执行三项功能：感知环境中的动态条件、执行动作影响环境、进行推理以解释感知信息、求解问题和决定动作”。
从前面的定义我们可以看出，认知智能体能够感知到环境中的动态条件，然后根据这些条件执行相应的动作来影响现有的环境，同时其还能够用推理来解释感知信息，求解相关问题，决定后续动作。
将认知智能体与RPA相结合，我们能够得到一个具备认知智能的机器人，它可以根据所涉及的应用系统和其他环境的变化动态感知下一步需要做的事情，同时执行相应的动作来影响对应的环境信息，实现智能录入、智能监控、智能文档处理和辅助判定。
与此同时，认知智能体通过RPA技术在处理业务的同时，还能够学习到相关的经验和知识，逐步掌握识别重点的能力。
认知智能体的研究包含了多种不同的方法，近年来，随着分布式人工智能、信息科学和网络科学的不断发展，面向动态环境下的分布式协同决策已经成为认知智能体的一个重要的研究方式。这种方式在以多无人机系统、多机器人系统为代表的典型无中心式多智能体系统中得到了广泛的应用。
与此同时，受限于自身设计，智能体对所在环境和系统常呈现出信息的部分可观测特征，而有限的智能体之间的交互和外部的约束也使得获得全局信息需要付出极高的代价。
同时，无中心式的多智能体系统在应用中呈现出了与社会网络相类似的自组结构和相应的复杂网络特征，即网络中单个智能体通常仅能连接/交互所在局部网络中的小部分智能体，传统的集中式协同模型则不再适用。
此外，类似于社会网络中人与人之间的有限信息交换便可大大提升个体的决策效率，同样的方法能否应用到相应的研究当中，也处于不断的尝试过程中。
关于作者：达观数据，中国智能RPA领域的龙头企业，独立开发了全套“RPA+AI”系统，拥有核心知识产权。达观智能RPA产品是业界不依赖微软底层开发框架、未使用第三方开源框架的RPA产品。
本文摘编自《智能RPA实战》，经出版方授权发布。
延伸阅读《智能RPA实战》
点击上图了解及购买
转载请联系微信：DoctorData
推荐语：这是一部从实战角度讲解“AI+RPA”如何为企业数字化转型赋能的著作，从基础知识、平台构成、相关技术、建设指南、项目实施、落地方法论、案例分析、发展趋势8个维度对智能RPA做了系统解读，为企业认知和实践智能RPA提供全面指导。
划重点????
干货直达????
西安交大送大一新生这本书，你读过吗？12本有趣有料的科普书盘点
终于有人把AI、BI、大数据、数据科学讲明白了
监督学习、非监督学习、强化学习都是什么？终于有人讲明白了
一条SQL引发的“血案”：与SQL优化相关的4个案例
更多精彩????
在公众号对话框输入以下关键词
查看更多优质内容！
PPT | 读书 | 书单 | 硬核 | 干货 | 讲明白 | 神操作
大数据 | 云计算 | 数据库 | Python | 可视化
AI | 人工智能 | 机器学习 | 深度学习 | NLP
5G | 中台 | 用户画像 | 1024 | 数学 | 算法 | 数字孪生
据统计，99%的大咖都完成了这个神操作
????
人脸识别技术发展及实用方案设计
作者：汪彪，阿里iDST视觉计算组算法专家
人脸识别技术不但吸引了Google、Facebook、阿里、腾讯、百度等国内外互联网巨头的大量研发投入，也催生了Face++、商汤科技、Linkface、中科云从、依图等一大波明星创业公司，在视频监控、刑事侦破、互联网金融身份核验、自助通关系统等方向创造了诸多成功应用案例。本文试图梳理人脸识别技术发展，并根据作者在相关领域的实践给出一些实用方案设计，期待能对感兴趣的读者有所裨益。
概述通俗地讲，任何一个的机器学习问题都可以等价于一个寻找合适变换函数的问题。例如语音识别，就是在求取合适的变换函数，将输入的一维时序语音信号变换到语义空间；而近来引发全民关注的围棋人工智能AlphaGo则是将输入的二维布局图像变换到决策空间以决定下一步的最优走法；相应的，人脸识别也是在求取合适的变换函数，将输入的二维人脸图像变换到特征空间，从而唯一确定对应人的身份。
一直以来，人们都认为围棋的难度要远大于人脸识别，因此，当AlphaGo以绝对优势轻易打败世界冠军李世乭九段和柯洁九段时，人们更惊叹于人工智能的强大。实际上，这一结论只是人们的基于“常识”的误解，因为从大多数人的切身体验来讲，即使经过严格训练，打败围棋世界冠军的几率也是微乎其微；相反，绝大多数普通人，即便未经过严格训练，也能轻松完成人脸识别的任务。然而，我们不妨仔细分析一下这两者之间的难易程度：在计算机的“眼里”，围棋的棋盘不过是个19x19的矩阵，矩阵的每一个元素可能的取值都来自于一个三元组{0,1,2}，分别代表无子，白子及黑子，因此输入向量可能的取值数为3的361次方；而对于人脸识别来讲，以一
基于人工智能的软件测试
本文转自公众号：晨小菜人工智能介绍
人工智能是在计算机的帮助下，通过软件提供智能能力来完成人类的任务。人们的主要目标是为计算机提供人类智能。
人工智能(AI)是在计算机化的帮助下作为一种想法在现实世界中实现的人类思想。有两件事需要解决。第一是我们如何表示这些知识，第二是如何操作这些知识。这两件事结合起来，为我们提供了人工智能的实现。
人工智能是计算机能力和逻辑的结合，以非常少的错误和完美的精度来解决我们的问题。对那些非常危险或超出人类能力范围的责任移交给人工智能机器人是一个很好的选择。人工智能的空间是巨大的，我们只需要思考如何实现这些，使我们的生活更美好。它可以被应用到各种各样的领域无论是军事、制造业、汽车、法律、金融、医疗、保健、电脑游戏，还是作为机器人执行人类的日常行动。
人工智能分类
人工智能可以有很多分类，现在我们来举两种分类例子。
第一种分类如下：
窄人工智能：我们可以称之为弱人工智能，这种类型的人工智能被编程和设计来执行一项特定的任务。一个很好的例子就是Siri(苹果的软件应用)，它是虚拟的个人助理。
通用人工智能：这也被称为强人工智能。该系统解决或处理需要与人脑同等智力水平的情况，并尝试多种可能的解决方案，从中选择最佳方案。
第二种分类如下：
密歇根州立大学(MichiganStateUniversity)计算机科学和综合生物学助理教授阿伦特•欣策(ArendHintze)给出的。他将人工智能分为四种类型，包括目前存在的人工智能系统和未来不存在的人工智能系统：
类型1: 反应型机器
IBM国际象棋程序“深蓝”就是一个很好的例子，它能够识别棋盘上的物体，然后思考如何移动这些物体。然而，这种深蓝不像人类有任何可以使用的旧记忆，它认为物体可能的最佳行动与现有的情况相关联，认为对手可能的反击行动，然后执行他的行动。这些都是情景思维设计的程序，也有其局限性。
类型2: 有限记忆
这些是类型1的升级版本，可以回忆过去的经验并用它们来分析情况，从而找出最好的解决方案并采取行动。这几年的车辆自动驾驶就是按这种方式设计的。它们可以观察周围的情况，比如说如果一辆车要变换车道，AI使用这些信息来执行其下一步的动作，使得和其它相同方向的汽车保持一致又不影响变化到其它车道的车。当然这些观测到的信息不是永久的，我们只是利用他们对即将到来的决策分析。
类型3:心智理论
这是像人类的大脑一样思考别人如何行动，思想会影响我们的行为。AI能够理解人、对象以及其他生物并考虑他们的情绪然后执行自己的决定。当我们能够与他人的期望和感受相互作用、相互关联时，我们的工作和表现最好。这个人工智能仍在研究中并没实现。
类型 4: 自我意识
要了解我们的能力，自我意识是非常必要的。这类人工智能赋予计算机思考和分析自身局限性和现状的能力，赋予它们利用记忆、学习和决策的意识和自我意识。这种类型的人工智能还没有实现。
人工智能测试
客户满意度是软件测试的目标，它是在应用程序开发的不同阶段执行的连续过程。测试确保测试人员能够使用测试自动化检查应用程序的现有实现中的风险和缺陷。它帮助我们及早识别应用程序的故障和缺陷，这些故障和缺陷可能会对将来的最终应用程序造成不利影响。应用程序的调试也应该在测试完成后进行。
测试正逐步从传统的测试方式转向自动化，以确保高质量的最终产品。人工智能测试是一个很好的方法，可以使我们在没有失败的情况下更高效地达到完美。这使我们向自动化测试的过渡以更快地将人工智能和自动化集成在一起。我们现在使用计算机来代替人工进行大量的测试工作。人工智能可以用来编写自动化脚本代码，也可以用来执行这些脚本。提供最少的人力输入，机器现在能够执行学习和改进他们的行动。
人工智能刚刚开始它在自动化测试领域的旅程。人工智能机器人现在被用于自动化测试，但这还有待探索的，我们仍然面临一些人工智能相关的挑战需要解决。
计算机可以用大量的数据作为输入，然后可以找到正确模式识别输入和他们的期望输出。最后它可以检查我们提供的输入数据与它的期望输出，并给我们通过和失败的数据集的结果。所有这些都是在提供的算法的帮助下完成的，这些算法使机器能够识别正确并从业务逻辑中获得预期的输出。AIBOT帮助我们与人工输入进行通信，并执行软件测试的困难任务。它有助于减少高失败率，并通过提高测试过程的效率来节省执行成本。
软件测试中为什么需要人工智能
软件测试过程是软件交付生命周期中的一个重要方面。应用程序的开发人员由于时间和资源的局限性执行严格的测试是不可能的，所以才需要对一个系统进行缺陷多发地区的测试。我们需要一个完善的集中在核心业务方面并且未来可重用的测试集。
传统的软件测试需要大量的时间和人力资源来完成测试任务。所以最好的选择是利用人工智能自动化测试，它可以节省时间和努力，帮助我们用最少的人力投入实现目标。人工智能测试没有人为的不一致，并提供更准确的结果，平均使用多台机器执行任务也减少了大量的成本。
基于AIBOT的测试低维护成本。AI算法正在为最终用户帮助产生最佳质量的软件，所以智能的AI算法使用是重要的。首先我们需要找到弱点领域和需要执行的任务，然后使用人工智能算法来编写。一个深思熟虑的AI算法可以帮助测试人员找到大量的缺陷。当开发人员修复这些缺陷时，就可以提供高质量的应用程序。
AI测试的级别
通过智能的应用程序进行软件测试有一个持续的过渡。关于人工智能测试有5个定义的级别：
第0级: 非自主
为了运行自动化测试用例，我们需要编写代码在应用程序上运行这些步骤。一旦测试套件被开发就能在每个交付中重用。
代码的编写是由我们手工完成的，以应用程序页面中的表单为例，每当添加一些功能时，如果添加了一些与该功能相关的新字段，我们就需要添加一个测试。在页面中添加表单意味着需要创建一个测试来检查页面中的所有字段。因此，当测试失败时，你必须与开发人员确认是否部署了新的开发更改，或者它是一个bug。这种在测试过程中不涉及AIBOT的基本自动化是人工智能测试的0级。
第1级: 自主
我们可以举一个自动驾驶汽车的例子来解释这种级别的测试。如果我们为自动驾驶汽车提供良好的视野，那么我们的自动驾驶汽车将更加独立和强大。同样的，测试系统如果加入人工智能会加强我们的测试。
如果我们考虑DOM的例子，它能够在屏幕上找到元素并将其用于自动化，但它将永远不能识别其他缺陷，如页面当前位置不正确或某些元素隐藏了页面的某些部分的可见性。
测试人员查看应用程序页面的时候,当特定的操作被执行时，他能一眼识别显示的所有字段值和检查是否与预期值一致。他也能够识别页面的位置是否如预期正确。相似的我们人工智能应该能够马上捕捉到这个。我们的人工智能必须是自给自足的，并能够考虑所有这些因素，而这些因素是人类在测试网页元素时手动执行的。所以第1级在参考基线的帮助下执行。
这就是为什么AI算法和它们的重要性出现在画面中。算法应该被设计成一个智能的视觉，这样它就能够识别实际的变化，而不是那些看起来是真正的变化。
人工智能是自我装备的，我们不需要指定它的所有步骤。一些内置的功能可以自动执行简单的操作。尽管它仍然让我们能够完全控制我们想让AI在特定情况下如何工作。
人工智能运行测试用例的执行和持续追踪我们套件的执行状态，给我们汇总了成功执行的用例，同时通知我们测试集失败的地方。这为我们提供了识别缺陷和错误的自由，这些缺陷和错误应该优先考虑，以更好地稳定我们的系统。
第2级: 部分自动化
在上面的第1级：自主里面我们已经讨论了如何严格的工作通过代码编写所有步骤来执行自动化脚本可以很容易地移交给现代人工智能系统。无论是工作还是检查数据库值，或验证屏幕元素或检查网页的大小和尺寸可以由人工智能使用算法来测试。
第1级给我们确切的通过和失败的测试集状态，但确定优先级和风险与缺陷仍是我们的工作。我们必须分析这些错误在我们的系统所带来的影响是什么，哪些需要在当前版本被修复和交付。这一级未能考虑另一个因素是缺陷的冗余错误，例如：如果同样的问题落在很多测试用例，它会统计每一个缺陷是独一无二的。
第2级人工智能现在能够识别错误的相似性，它可以聚焦并突出导致这些错误的准确问题区域，从而减少冗余缺陷的验证。
它为我们提供了一组相似的缺陷，减少了人工对类似问题进行分组的工作量。通过这些缺陷，人工可以检查缺陷的优先级和影响。根据这个分析决定是修复还是忽略当前的问题。
第3级: 条件自动化
在上面的例子中，2级有自己的约束，元素的对齐和定位是在基线的支持下完成的。3级帮助我们超越这些约束，在这里，3级AI使用机器学习的概念。
对于以上页面场景，第3级AI测试现在可以自己检查页面对齐和定位，而不需要任何参考基线。它的机器学习技术有助于在视觉上识别页面，然后它可以参考客户的规格文件，并比较大小，颜色，字体的网页与预期的标准。
3级适用在数据方面,也可以验证页面的数据驱动的元素,为一个数字字段检查它的上、下限、数值数据而不是字母被接受、为日期字段检查有效的日期格式、文本字段检查可以输入的最大长度等。
这种人工智能是独立工作的，它所提供的协议能够自己测试一个应用程序，它首先理解这些规则，然后根据这些规则设计测试来进行应用程序测试。
现在，对于新引入的变化，这个人工智能适应变化，所以不需要人类的批准。人工智能致力于机器学习，并持续监控这些变化，并将它们与旧版本进行比较，最后只生成那些需要人工批准的变化，这一点具有关键的区别。
第4级: 高自动化
我们到3级AI能够执行我们的用例使用人工智能自动化测试运行,但那些或触发AI算法仍然需要人工输入4级:高自动化会克服这个障碍,AI本身也可以触发自动化本身不需要人工输入。
4级AI增加了检查的能力。这是使用强化学习技术完成的，它是机器学习的一个版本，现在人工智能可以区分它的视觉。
例如登录航空公司网站订票。第一页是在网站上注册，然后第二页是预订页面提供选择飞往不同的位置按选定的日期和时间，第三页是支付页面，人可以提供卡的细节，第四页显示购买机票的结果与机票交易细节。
现在4级AI能够区分这4页，因此无论何时移动这些特定的页面：注册、预订、支付、总结，它能够识别页面和简单地执行为特定页面设计的动作并完成整个本身的任务序列而不需要人工输入。
第5级: 全自动化
第5级是一个高级的人工智能，在目前还只是一个虚构的存在。这里的概念是为机器提供比人脑更多的智能。
这一层次的人工智能将能够用自己的思维能力驱动与人类的对话，思想和想法是由人工智能本身产生的，而不是人类在人工智能系统中预先设定好的。
AI测试工具
我们看看一些经常被使用的AI测试自动化工具。
Testim.io
机器学习的概念被这个工具用于测试集的自动化。它侧重于在功能级别上测试最终用户端场景，还测试应用程序中涉及的接口。UI测试使用testim.io是有效的，并减少时间花费高达90%。它使用JavaScript，也接受html语言。该工具的主要特点如下：
1.与像Jenkins这样的CI工具集成。
2.与CD工具如Jira,Github和Visualstudio合作。
3.支持不同的浏览器Edge,IE,Safari,InternetExplorer等。
Appvance
这个工具是基于人工智能技术概念的基础上创建基于实际最终用户输入的测试用例。由于它能识别最微小缺陷的强大功能主要是用于生产系统。测试人员在AI的帮助下能在较短的时间内执行大量的脚本的全面测试,。该工具的主要特点如下：
1.生产系统的人工智能脚本。
2.优秀的测试集设计。
3.统一测试。
Functionize
它也使用了机器学习，是第一个基于云的测试平台工具，它对敏捷测试的测试能力使它成为客户最广泛使用的工具，它可以在几分钟内执行上千个测试集，速度非常快。该工具的主要特点如下。
1.使用记录器创建测试用例，不需要脚本。
2.它的维护成本可以忽略不计，因为它的学习和自适应方法帮助它使用根本原因分析引擎来解决问题。
3.优秀的分析报告。
总结
人工智能现在正慢慢成为软件生命周期的一个重要方面。人工智能在我们的实践中应该涉及到什么范围，目前还在讨论和观察中。很多组织都不太愿意将它们用于生产工作，因为这很关键，需要大量的创造力和分析。
人工智能是一个聪明的举动，它可以节省大量的原本需要更多人力投入的人工和自动化系统的成本。对于人工智能，我们需要做一次投资，然后才能在未来取得丰硕的成果。
手工测试涉及重复性的工作，因此需要大量的人力投入，这使得利用手工测试进行创新的空间更小。人工智能测试将解放人力，因此我们可以交叉培训我们的低技能劳动者，让他们接受人工智能机器学习。这将帮助我们实现更高效的人工智能系统，提高生产率，从而产生巨额利润。所有的节省都可以智能地用于执行最好的质量保证活动，探索性测试和即兴的应用程序测试的其他领域。
人工智能机器学习和人工智能机器人与现代测试框架兼容，并与许多CI/CD工具集成。因此，人工智能机器人与应用测试的协作是很容易的。人工智能有它的局限性，我们还需要进一步研究。更多的探索和使用人工智能系统，我们会意识到它的局限性。然后我们可以在这些基础上继续工作，并获得克服现有版本困难的下一个高级版本。
在未来，人工智能可以帮助人类测试人员探索测试的新方面，因此这是一个人类和机器携手合作以获得更大优势的新时代的开始。
参考文献
本文参考了互联网上的如下链接：
https://en.wikipedia.org/wiki/Artificial_intelligence
https://techbeacon.com/6-levels-ai-based-testing-have-no-fear-qa-pros
https://dzone.com/articles/artificial-intelligence-in-testing-tools-and-advan
【AI测试】也许这有你想知道的人工智能(AI)测试--开篇
测试工程师不懂AI，还有未来吗？