• 你的问题有点大呢,有点不知怎么讲。

    我们做人脸识别首先是定义人脸识别的测试标准,比如对人像质量的定义(不同光线,不同角度,不同清晰度等因素设置的基础数据),然后是人像的范围(比如人种,年龄,肤色,性别),干扰内容(比如不同类型和程度的遮挡,纹身,饰品)反向数据(比如狗脸,猴脸,卡通,画像等),这部分做自动化对测试标准的定义很重要,很多同学做自动化会先忽略本身在业务线的测试要求,而机械的从自动化开始。

    本身这部分自动化都是基于接口请求去查看返回阈值的,到底准确不准确有时候过分依赖于人的判断。所以我们首先还是上文所说的基于各种标准准备测试数据,有些从科研机构拿到的,比如耶鲁大学的人脸样本;有些是线上导出的真实数据,有些是写了爬虫工具从网上批量抓取的数据。然后相同的样本做了一个投票设置,分别通过接口驱动查看本品和不同的竞品之前的返回结果,对几个测试结果做投票,对判决不一致的再人工跟进一次。测试的结果主要关注的是本品和竞品之间的比较。

  • 就我们团队的经验看,看问题先看个性的,开始不要眼光放太宽。

    第一步挖掘问题。在看问题的时候,要避免主观判断,比如去问业务线同学你们的痛点是什么,大家也许什么都不反馈,也许给你反馈一堆问题。建议通过客观的数据统计来分析,看是什么问题在困扰大家。我这边比较习惯于让大家做平时的工时统计,在工时统计上分析大家的时间有哪些不必要的损耗,损耗在哪里。

    第二步分析问题。在分析问题的时候要看下问题引入的原因,做改善的话空间有多大。避免为了做工具而做工具,这方面我们也是走了一些弯路,比如我们做了问题定位和分析工具,但是后续大家使用的很少。当时的分析是客观的,确实从数据上看大家在问题定位上贡献太少,贡献太少的原因是问题定位人工分析的时间太久,然后我们做了工具化,但是后来没有被用起来的真实原因是多数同学根本就不觉得自己应该在提交缺陷的时候做问题定位。

    第三步提炼问题和做解决方案输出。在抽取单一项目或者单一产品线的问题后,分析这个问题是不是在其他产品线也有,做解决方案的时候是否需要考虑服用。比如我们之前在某个业务线需要做一些图像识别的性能测试,这需要构造大量的测试数据用于做识别监测。在分析问题之后,我们发现其他产品线虽然没有挖出这个问题,但是其他产品线其实也有做图像识别的需求,只是使用的图像数据不一样。如果这个时候没有考虑复用,那方案后续肯定还得改,所以在一开始我们就设计方案上支持不同类型的图像数据构造。在抽象的过程中,务必要脱离开你当前的业务。比如刚那个例子,如果之前的业务线是需要构造用户身份证数据做测试,另一个项目是构造户口本数据,你可能会觉得是两个项目,但是如果你脱离开身份证和户口本的实例做抽象,你应该要想到其实两者本质上都是做图片的图橡树别和关键内容提取。抽象的问题自然也就共性了。

    以上是我的一点经验,希望对你有帮助。

  • 主要是我们的测试工具,还有做一些创新项目挖掘的。

  • (⊙o⊙)…,请问你是哪个团队的呀?

  • 我没有专门考虑过技能树这个东东。基本技能大神们整理了那么多,我就不多嘴了。
    其他方面,当前还是以问题驱动型去做储备为主的。不过在思考这个驱动上,不是以当前的问题为主线,是以即将出现的问题为主线思考,如果知道自己下一步要承接什么样的产品什么样的任务,会提前思考下需要什么样的技能,如果自己和团队还不具备的,就针对性的做一些学习,为即将出现的问题打基础。

  • 嗯 刚检查了 我已经髌骨软化症了。

  • 我也在整理这部分内容呢,回头会整理一下再发出来,届时可以再一起讨论下。

  • 没听说有公司内部专利一说,我们是提交国家专利局,香港专利局以及国际专利的

  • 嗯嗯 是我,我是慧众,你是?

  • 自己开发的,以解决自己的问题为主,后来发现可以对外输出给大家用,也就开始做一些输出的工作了。也是提升自己将工具打磨的机会。