风险无处不在，但不是所有的测试都能够揭露风险。基于这个现实，百度 MEG 质量效能团队从 2021 年开始探索和实践基于风险驱动的测试，希望利用人工智能技术来决策测试行为，实现风险揭错的高 ROI。

9 月 21 日，本期沙龙将走进百度 MEG 质量效能团队，为大家带来 “基于风险驱动的智能交付系统” 的专题分享。

分享议题一：百度搜索业务交付无人值守实践与探索

刘道伟
百度资深测试工程师，搜索业务测试技术负责人，主要负责搜索测试中台和效能方向，具有多年的交付效能、智能交付工作经验。

议题介绍：
随着工程能力的提升，测试能力左移，研发的自主测试率不断提升。但在交付过程中，仍然存在很多流程和质量确认环节依赖于人工测试，消耗了大量的 QA 人力，因此百度探索通过智能化决策代替交付过程中的人工决策，实现全流程无人值守。
本次报告将介绍交付过程中无人值守的方案，探索实践及降本增效。

分享议题二：AI 技术在基于风险测试模式转型中的应用

韩照光
百度资深测试工程师，大商业交付效能提升负责人，长期从事研发效能提升工作。在研发流程改进、接口自动化及持续集成、效能数字化方面有一定的经验，目前专注于精准测试和智能化测试等专项测试的改进工作。

议题介绍：

当前，项目交付过程中测试环节黑盒占比较高，质量、效率受主观因素影响较大，很大程度依赖个人的经验和能力，在测试过程中面临着谁来测、怎么测、测试效果等问题。我们试着将 AI 技术引入整个测试过程，基于项目风险驱动任务自动分发、测试范围分析、智能化的测试执行、测试辅助定位、准出风险评估做全流程的智能决策，提高技术/机器决策占比，用较小代价完成测试任务，实现整体测试模式转型。
本次报告将为大家介绍 AI 技术在基于风险测试模式转型中的应用分享。

分享议题三：质量度模型助力风险决策水平提升

黄佳鑫
百度资深测试工程师，研发质效策略负责人。通过数据 +AI 策略，最大程度平衡交付质量和效能，在用例筛选、精准灰度，风险评估和线上监测等方面有实践经验。

议题介绍：

持续交付过程的决策和流转主要依赖人工判断，人工精力有限、经验参差不齐会影响交付的质量和效率。与此同时，机器学习技术的应用，已在不同领域遍地开花。
本报告将介绍机器学习在质量场景的一些探索和实践，希望给大家带来一些思考。

观看通道

• 直接扫码，报名观看
  

• 社区视频号，届时也会同步转播，小伙伴们也可以直接预约观看