Успокоили, спасибо) да,тоже думал,что пока не придет некий свободный ai-lenium, глобально не поменяется ничего

(+) Тут намедни произошло знаковое событие.  Microsoft объявило что Windows Mobile все, и отправило пользователей к другим мобильным ОС.

https://support.microsoft.com/en-us/help/4485197/windows-10-mobile-end-of-support-faq?fbclid=IwAR1NXE150yi3ADLxMuuwBZr3lMvoGNS2GrmSH9gADU8G7cpZD5XZiEdTyIE

With the Windows 10 Mobile OS end of support, we recommend that customers move to a supported Android or iOS device. Microsoft’s mission statement to empower every person and every organization on the planet to achieve more, compels us to support our Mobile apps on those platforms and devices.
_______

Это где-то три года моей работы коту под хвост (проекты под Windows Mobile и WinPhone и тот под Metro тоже снят).

У компании с огромадными ресурсами коммерческое решение под рынок не получилось. Рынок захватили две другие компании, high-end iOS (начатая на основе Unix) и в основном low-end opensource Android (на основе Linux). Также Microsoft объявила о переходе в будущем браузеров на движок Chromium .  

Это, может, и не самое большое поражение closed решения, но в чем-то эпохальное. И еще один пример того о чем я говорю: вот есть high-end который купят далеко не только лишь все, и огромадная масса пользователей и бизнесов которые не хотят платить за софт вообще.

(+) Я хочу еще сказать что запас "консервативных" методов (те же профайлеры,  логи, мониторинг, статические анализаторы, обезьяны, crawler ...) применительно к инструментам не исчерпан. Скорее плохо применяется.  Много проблем не в том что у нас плохие инструменты, а в том что с ними делается и как это делается. AI этого не исправит, потому что он не может переступить своих границ. Он может прогнать приложение , но не поймать memory leak , например, или крэш при выходе из режима сна если ему не велено отправлять приложение в сон .  Его тренируют сравнивать картинки и мониторить изменения, но какой-то функционал вылезает в первый раз.

Также Майкл Болтон  сильно рекомендует новую книгу автора оказавшего существенное влияние на Rapid Software Testing,  это Harry Collins и "Artifictional Intelligence". Видел что она появилась на Либгене, но еще  не заглядывал.

Ок, пора освободить трибуну :) Кто может — выступайте лучше :)

👏👏👏

AI многие до сих пор путают с алгоритмами, все текущие реализации "умных скриптов" - просто поделки на коленке, по сравнению с тем что должен делать AI

Ну а из нейронок и текущих алгоритмов обработки данных почти все крутые решения открыты и доступны для использования, надо только суметь применить

Вопрос в том, зачем :) У King, повторяюсь, отличный юзкейс для проверки проходимости уровней Candy Crash .
Юзкейс по обходу приложения со сравнением — не уверен что тут нужен AI , может и CV ("Computer Vision") достаточно, плюс не такой уже AI логики crawler.
Мельком видел на Ютубе, емнип, что кто-то пытался натравить Tensoflow,  что ли, играть в Mortal Combat .  Это тоже юзкейс, и "солидный" но "обезьяньего" типа имхо: когда мы можем заставить нечто программное гонять приложение за нас.

А вот что у нас AI может применить в электронном магазине? Оптимизация тут не нужна, генетический алгоритм под покупки тоже вроде не нужен — какие из них лучше?
Аналогично в онлайн-банкинге — что тут AI распознавать или оптимизировать кроме ошибок?

Применения есть, но они не универсальны. Возможно появится что-то что будет с одной стороны работать как crawler , а с другой приносить "в зубах" ошибки "тренеру", и тот будет говорить ошибка ли это. Тогда появится натренированный AI который сможет немножко категоризировать ошибки.

Но. Есть принцип Парето и писания Джерри Вайнберга о том что больше не всегда значит лучше. В конкретном проекте может быть важнее обработать самое важное, а не пытаться значительно потратиться на AI (по деньгам или времени)  чтобы получить не так уж много "улучшений".

а если с другой стороны посмотреть? Внедрение AI решений в бизнес. Как их тестировать? Чем больше вводных, тем меньше возможности их оценить оптимальность алгоритмов.

Это внедрение уже есть, о нем, опять же, говорил Andrew Ng . Это решения 1) что есть спам (не так уж плохо работает)  2) какому пользователю какую рекламу показывать.  Здесь можно анализировать вход и выход, и результат (кликнул или нет, перешел или нет, "люди которые интересовались этим товаром также покупали", попал ли спам в инбокс, попало ли что-то не то в спам и пр. ).   Вот тебе и входные данные и самотестирование (если пользователи не кликают, значит не оно)

От этого определенно понесет расходы группа которая подвержена распродажам вообще :)  , но вряд ли оно зацепит широкие массы тестеров ввиду опять же скорее узких юзкейсов.

ну да, по спаму можно определить, насколько эффективно работает. А решения типа "когда показания миллиона датчиков на заводе приходят в определенное состояние относительно друг друга - назревает авария" или "у тебя есть 1000 курьеров и 10000 заданий для них на день, проложи оптимальные маршруты, с учетом их скорости, расстояний, графика работ итд" - тут уже интереснее оценивать.

Задачи маршрутов это уже классические алгоритмы и математические теории. Тут AI мало на что сгодится пока он "система распознавания или оптимизации".

ну не знаю, а если АИ скормить решения по маршрутам предыдущих нескольких лет...  Ладно, я просто пиво пью😀 И фантазирую.

А что они ему дадут? :)  Маршруты это как бы конкретная реальность, которую надо анализировать не так с учетом предыдущих лет как с учетом текущих пробок и ремонтов :)  Одна большая авария может превратить оптимальный маршрут в неоптимальный. У меня вон знакомая поехала вчера как обычно, но снег не чистили, много аварий, и она за полтора часа только полпути проехала.

такие расчеты базируются на исторических пробках, ты же текущие пробки не знаешь, когда на день вперед планируешь

Исторические пробки хороши, как я уже намекнул, если нет неисторических заторов и аварий. Возмооооожно в Яндексе могут симулировать на уровне моделирования аварий в разных местах, поведение водителей и каким путем лучше поехать. Таким образом можно получить данные что ты едешь из А в Б, текущая ситуация такая-то, а на участке Х авария, то лучше поехать по W-Z .  

Может они это даже уже делают.

Но это скорее моделирование, имхо, чем "исторические данные".

Но это  наверное весьма нетривиально + поскольку аварии подвержены погодным факторам (мокрый снег, гололед и пр.) может оказаться не особо хорошей областью моделирования под расчеты вместо, еще раз, традиционных алгоритмов  поиска пути.

Вклинюсь в вашу тему и как раз думаю разделю в данном примере разницу между алгоритмом оптимального пути и АИ. Прилюбой погоде будет отрабатывать алгоритм оптимального пути, но АИ будет строить оптимальный маршрут на основе текущих данных в реальном времени :)

Но если для алгоритма надо будет просто вычислить оптимальный маршрут пару раз, то для АИ это будет огромная куча данных для обработки в реальном времени

я вообще в примере хотела больше акцент сделать не на расчете оптимального пути между двумя точками (пункт а и пункт б, грубо говоря), а на расчете задачи: поделить X заданий между Y курьерами так, чтобы
1. все задачи были выполнены
2. делайн всех задач был соблюден
3. приоритетность задач учтена в графике выполнения
4. загрузка курьеров была равномерной
5. каждый курьер проехал в итоге минимальное расстояние
6. были соблюдены графики работ курьеров
7. ну и так далее.
Тут вопрос подсчета расстояния скорее влияет на скорость перебора вариантов. А перебор вариантов - это уже задача либо для математических алгоритмов, либо для AI. Перебор - условно. Поиск оптимального решения.