The stress testing of AI-based syst

The stress testing of AI-based systems differs from the approach taken for more traditional Web services, both in terms of the design of test cases and the metrics used to measure quality. The expected variability in responses of an AI-based system to the same request adds a level of complexity to stress testing, when compared to more standard systems where the system response is deterministic and any deviations may easily be characterized as product defects. Generating test cases for AI-based systems requires balancing breadth of test cases with depth of response quality: most AI-systems may not return a perfect answer. An example of a machine learning translation system is considered, and the approach used for stress testing it is presented, alongside comparisons with a more traditional approach. The challenges of shipping such a system to support a growing set of features and language pairs necessitate a mature prioritization of test cases. This approach has been successful in shipping a Web service that currently serves millions of users per day.

ผลลัพธ์ (ไทย) 1:

ทดสอบความตึงเครียดของระบบที่ใช้ไอแตกต่างจากวิธีที่ใช้สำหรับบริการเว็บแบบดั้งเดิมมากขึ้น ทั้งแบบกรณีทดสอบและเครื่องมือวัดที่ใช้วัดคุณภาพ สำหรับความผันผวนที่คาดไว้ในการตอบสนองของระบบ AI ตามคำขอเดียวกันช่วยเพิ่มระดับของความซับซ้อนเน้นการทดสอบ เมื่อเทียบกับระบบมาตรฐานมากขึ้นซึ่งการตอบสนองของระบบเป็น deterministic และง่ายเป็นลักษณะความเบี่ยงเบนใด ๆ เป็นข้อบกพร่องของผลิตภัณฑ์ สร้างกรณีทดสอบสำหรับระบบที่ใช้ AI ต้องดุลกว้างกรณีทดสอบความลึกคุณภาพตอบ: ระบบ AI ส่วนใหญ่อาจไม่กลับคำตอบที่สมบูรณ์แบบได้ พิจารณาตัวอย่างของเครื่องแปลระบบการเรียนรู้ และวิธีการที่ใช้สำหรับการทดสอบความตึงเครียดจะมีการนำเสนอ ควบคู่ไปกับการเปรียบเทียบกับวิธีดั้งเดิม ความท้าทายของระบบเช่นการจัดส่งสินค้าเพื่อสนับสนุนการเติบโตชุดคุณลักษณะภาษาคู่รบกวนระดับผู้ใหญ่กรณีทดสอบ วิธีนี้ได้ผลในการจัดส่งการบริการเว็บในปัจจุบันรองรับนับล้านของผู้ใช้แต่ละวัน

ผลลัพธ์ (ไทย) 2:

การทดสอบความเครียดของระบบ AI ที่ใช้แตกต่างจากวิธีการดำเนินการสำหรับบริการเว็บแบบดั้งเดิมมากขึ้นทั้งในแง่ของการออกแบบกรณีทดสอบและตัวชี้วัดที่ใช้ในการวัดคุณภาพ ความแปรปรวนที่คาดไว้ในการตอบสนองของระบบ AI ตามคำขอเดียวกันเพิ่มระดับของความซับซ้อนในการทดสอบความเครียดเมื่อเทียบกับระบบอื่น ๆ อีกมากมายมาตรฐานที่ตอบสนองของระบบคือการกำหนดและการเบี่ยงเบนใด ๆ ได้อย่างง่ายดายอาจจะมีลักษณะเป็นข้อบกพร่องของผลิตภัณฑ์ สร้างกรณีทดสอบสำหรับระบบ AI ที่ใช้ต้องมีความสมดุลระหว่างความกว้างของกรณีทดสอบที่มีความลึกที่มีคุณภาพตอบสนอง: AI ที่สุดระบบอาจจะไม่กลับมาเป็นคำตอบที่สมบูรณ์ ตัวอย่างของระบบการแปลการเรียนรู้เครื่องที่มีการพิจารณาและวิธีการที่ใช้ในการทดสอบความเครียดจะนำเสนอควบคู่ไปกับการเปรียบเทียบด้วยวิธีการแบบดั้งเดิมมากขึ้น ความท้าทายของการจัดส่งสินค้าระบบดังกล่าวจะสนับสนุนการเติบโตของการตั้งค่าคุณสมบัติและคู่ภาษาเลี่ยงผู้ใหญ่จัดลำดับความสำคัญของกรณีทดสอบ วิธีการนี​​้จะประสบความสำเร็จในการจัดส่งสินค้าบริการเว็บที่ปัจจุบันทำหน้าที่ผู้ใช้นับล้านต่อวัน

ผลลัพธ์ (ไทย) 3:

การทดสอบความเครียดของ AI ที่ใช้ระบบที่แตกต่างจาก วิธีการดำเนินการบริการเว็บแบบดั้งเดิมมากขึ้น ทั้งในแง่ของการออกแบบกรณีทดสอบ และตัวชี้วัดที่ใช้ในการวัดคุณภาพ คาดว่า ความแปรปรวนในการตอบสนองของระบบ AI ที่ใช้เหมือนกันขอเพิ่มระดับของความซับซ้อนเน้นการทดสอบเมื่อเทียบกับระบบมาตรฐานที่มากกว่าระบบการตอบสนองเป็น deterministic และเบี่ยงเบนได้อย่างง่ายดายอาจจะมีลักษณะเป็นข้อบกพร่องของผลิตภัณฑ์ การสร้างกรณีทดสอบสำหรับ AI ที่ใช้ระบบนี้ต้องใช้ความสมดุลความกว้างของกรณีทดสอบกับความลึกของการตอบสนองมากที่สุด ระบบ AI ที่มีคุณภาพอาจจะไม่ได้กลับมาเป็นคำตอบที่สมบูรณ์แบบ ตัวอย่างของระบบเครื่องแปลภาษา การเรียนรู้ คือ พิจารณาและวิธีการที่ใช้ในการทดสอบความเครียดมันเสนอ พร้อมกับเปรียบเทียบกับวิธีการแบบดั้งเดิมมากขึ้น ความท้าทายของการขนส่งระบบดังกล่าว เพื่อสนับสนุนการเติบโตของชุดคุณลักษณะและคู่ภาษาจำเป็นเป็นลำดับความสำคัญของกรณีทดสอบ วิธีการนี้ประสบความสำเร็จในการจัดส่งบริการเว็บที่ปัจจุบันให้บริการนับล้านของผู้ใช้ต่อวัน