2024质量时代：质量工程助力金融机构中生成式AI的成功研究报告

通过质量工程推动金融机构在通用人工智能领域的成功 为了适应今天快速变化的技术格局，质量工程（QE）必须进行转型。问题是，“如何？” 《质量时代》是我们回答这个问题的尝试。我们的贡献者属于一个高级QE领导者专属社区，他们定期交流关于行业最新趋势和技术的见解。在引导他们的组织经历多次颠覆之后，他们带来了独特的视角，以帮助您规划自己的现代化之旅。 潜在影响是巨大的。通过他们的经验，他们提出了对量化宽松投资的令人信服的论点，展示了如何利用新技术和数字化增长的同时，提供安全、可靠和吸引人的用户体验。 我们的首篇文章介绍了T-Mobile质量工程总监Aaron Haehn，他具有深厚的现代化质量工程实践和实施生成式人工智能解决方案的专业知识，与系列合作作者、Amdocs质量工程、数据与生成式人工智能工作室副总裁Dror Avrilingi共同撰写。在全球金融服务、媒体和电信等领域拥有数百个成功实施质量工程和生成式人工智能转型的案例，Dror通过深入的行业视角丰富了Aaron的见解。文章还包括了我们全面研究的洞察：对美国、欧洲、中东和非洲以及亚太地区的200家金融企业进行的调查，以及与领先质量工程专业人士的访谈。 这些与通用人工智能（GenAI）相关的经验反映了整个行业的更大转变。该技术从根本上改变了组织对未来工作方式的想象。对于质量工程而言，GenAI具有双刃剑效应：它改变了质量工程师的测试方式，同时也要求自身被测试。 展望未来，随着通用人工智能（GenAI）自动化更多软件开发流程，质量工程将变得更加关键。组织将需要熟练的专业人士来协调和验证这些系统，确保软件达到最高质量、可靠性和安全性标准。 随着这些变化展开，我们希望您会发现这一系列内容引人深思、充满吸引力，最重要的是，对您思考您的组织质量工程（QE）职能如何适应惊人的技术变革速度大有裨益。与我们的合作伙伴和热心的传播者携手，我们旨在塑造质量工程的未来。 埃伦·海恩释放基因人工智能在质量工程中的力量 Dror Avrilingi下一代QE联盟的架构师 作为Amdocs量子效应（QE）、数据和AI工作室的首席主管，Dror拥有超过25年的高质量工程经验，目前正推动AQE的生成式AI用例的快速扩张。此前，作为Amdocs质量工程（AQE）国际部的主管，他负责全球战略并领导了显著的增长。在那之前，作为AQE的技术总监和战略主管，他建立了创新的“工作新方式”，领导了员工技能提升项目，并管理研发团队，成果包括13项专利。对推进QE前沿充满热情的Dror创立了下一代QE联盟，以讨论前沿趋势，并希望与他的同道中人一起改变这个领域。 作为T-Mobile USA质量服务部的负责人，Aaron正致力于GenAI的转型。Aaron在IT领域的30年经验涵盖了从领导转型策略的开发到实施IT生态系统的各个方面。他的经验范围包括运营、监控、系统可靠性、系统/软件开发以及IT问题解决。Aaron相信与合作伙伴协作的力量，以重新定义质量——目标应该是让它成为组织文化的一部分，而不仅仅是他们所做的某件事。通过培养卓越文化，Aaron旨在将质量实践提升到新的、可持续的成功和简洁水平。 2 智能型开发人员和质量工程师的精妙合并 生成式AI的对量化宽松政策的影响 QE对...的影响生成式人工智能 6 如何量化宽松最大化企业从生成式人工智能中获益 注入量化宽松（QE） 智能型开发人员和质量工程师的精妙合并 软件流程与开发人员和质量工程师角色完全分离且独立的时代相比，已经取得了长足的进步。测试不再在软件开发生命周期（SDLC）的末端开始，这在历史上导致上市时间延缓6-8周。 金融机构正在转型其软件开发方式。 最终，通用人工智能正在改变量化宽松的游戏规则——将更多责任放在质量工程师肩上，并对组织适应能力施加更多压力。 生成式人工智能（GenAI），显著扩展了它们向客户提供日益复杂数字服务解决方案的能力。但这些进步也伴随着一定的风险。在银行业，质量不容妥协。尽管GenAI可以通过提升开发者生产力20-50%并且帮助将客户导向的服务更快地推向市场，银行仍需确保客户在银行的系统中保持最高的信任水平。银行仍需保护资产和信息，遵守严格的监管要求和安全标准，同时在持续提供与客户建立联系的创新产品。客户在使用银行的数字旅程中不能遇到任何障碍。 现在，开发人员和质量工程师的角色正在迅速变化，这在很大程度上是由于生成式人工智能（GenAI）的影响。例如，让机器人编写更多代码改变了开发和质量工程师的需求。随着编码本身变得商品化，开发人员的责任转移到更高级、更具战略性的任务，例如架构设计、改善用户体验、整合如区块链、AR/VR和边缘计算等新兴技术。这反过来又增加了质量工程（QE）面临的挑战。 因此，问题是… 您的组织准备好应对由GenAI推动的必要量化变革了吗？ 您的QE组织是否正在帮助您充分发挥企业通用人工智能战略的潜力？ 您是否在进行必要的投资以确保您的通用人工智能（GenAI）策略成功？ 这是质量控制（QE）变得至关重要的地方。在未来几年里，通用人工智能（GenAI）将对组织的QE职能产生深远影响——反之亦然。这是因为GenAI不仅有助于更快地使代码通过系统——它正在加速一个已经开始成形的发展趋势。GenAI正在帮助融合开发人员和质量工程师的角色。 质量工程考虑因素也正在被纳入到商业和IT的战略讨论中。不仅质量工程师将在测试臭名昭著的不可靠AI代码中扮演关键角色——他们还将参与到软件交付策略的规划中。通用人工智能（GenAI）对整体企业使命的重要性提升了质量工程师在关键话题上的影响力，包括 如果上述任何问题的答案是否定的，那么现在是时候继续阅读了。 2 生成式人工智能对量化宽松的影响 人工智能（AI）在量化宽松（QE）实践中的作用开始变得更加显著。根据IDC的最新预测，空格 投入测试工具本身。这种双重转型在先进QE能力方面推动了显著的投资需求。 我们对200位金融服务提供商中的质量工程专业人士进行了调查，揭示了他们的期望和计划实施的措施。研究发现，质量工程专业人士预计将对关键技术关键绩效指标产生即时影响，包括提高自动化测试生成、数据增强、持续学习、测试维护效率以及减少人为偏见。 自动化软件质量（ASQ）市场是预计到2028年将以12.7%的复合年增长率增长*。 这表明这种增长反映了两个相互关联的趋势：由于40%的由生成式人工智能生成的代码需要修复，自动化软件质量（ASQ）市场必须既测试由生成式人工智能开发的代码，又融入生成式人工智能的能力。 生成式人工智能对量化宽松的影响 更重要的是，QE专业人士认为，通用人工智能（GenAI）将对C级管理层关注的KPIs产生重大影响——如提高客户满意度评分、加快产品开发周期，以及增加在产品发布前识别出的质量问题数量。 然而，尽管这些预期的好处为在量化宽松政策（QE）中采用通用人工智能（GenAI）做出了令人信服的案例，但成功需要仔细关注实施过程。 3 量化宽松对生成式人工智能的影响 本报告的要点是，如果通用人工智能（GenAI）在这一层面失败，将使组织面临收入损失、数据丢失或损坏、安全漏洞、法律风险以及品牌声誉受损。 尽管通用人工智能（GenAI）前景光明，但如果不给予足够的关注，它将不会成功。 从量化宽松（QE）方面。这里的问题是：AI生成的代码通常不准确。在Stack Overflow 2024开发者调查中，76%的受访者表示他们已经在或计划在开发过程中使用AI工具，但只有43%的人表示他们信任AI输出的准确性。 量化宽松在金融服务领域 以下是一些在金融服务领域的通用人工智能应用案例： 合规监管的合成数据生成 没有进行密集测试，AI生成的代码中的错误会在软件交付系统中随着代码行数的增加而累积。在整个软件开发生命周期（SDLC）中，信任AI生成代码而不进行质量监控存在固有的风险。 人工智能生成多样化的匿名数据集，模拟真实世界的金融交易，以便在不妨碍隐私法规的前提下测试系统。 科技监管合规问答代理 人工智能代理解读不断变化的监管要求（例如，GDPR、Basel III、DORA、PSD3），生成相应的测试计划和测试案例，并自动验证合规性。 边缘情况场景模拟 人工智能生成罕见但关键的测试案例（例如，金融危机、市场异常）以对系统进行压力测试，确保它们能够处理极端负载条件。此外，人工智能生成混沌工程场景，如网络攻击和意外系统故障，以识别和解决系统弹性的潜在弱点。 4 如何将生成式AI注入量化宽松（QE） 基准到期日 将通用人工智能（GenAI）集成到质量工程基础设施中预计将改变测试方法并提升测试人员的能力。这一愿景概述了利用GenAI的三个成熟度级别，每个级别代表着测试过程复杂性和自主性的一个前进步骤。 辅助通用人工智能量化宽松：GenAI充当测试者的知识库和教学指南，使用简单的机器学习模型来回答问题并提供培训。由人类驱动的交互主要关注低关键性任务、知识共享和基本测试支持。 增强型通用人工智能量化增强：GenAI积极支持标准测试工作流程，成为测试员的一个协作伙伴，以实现半自动化流程。它通过自动化测试计划、测试设计和工作流程管理中的元素来提升程序。 高度成熟 代理人工智能QE：人工智能代理自主运行，处理复杂的测试任务，优化环境，并管理配置和数据。通过承担关键的质量工程任务，例如测试加速器和编排多层次环境，人工智能使人类测试人员能够专注于策略和监督。 如何将生成式AI注入量化宽松（QE） 如何将生成式AI注入量化宽松（QE） 在GenAI驱动的质量工程时代，随着组织沿着成熟度模型发展，测试工程师将转型从遗嘱执行人to认知编排器智能、自主系统。他们的角色将集中在设计自适应和智能提示，并确保AI工具与业务目标保持一致。这种转变在我们审视角色随时间发展进程时变得清晰。 例如，看看一位质量工程师的技能是如何演变到如今的状态，以及他们在生成人工智能时代将何去何从： 如何将生成式AI注入量化宽松（QE） 随着我们迅速进入生成式人工智能时代，提示工程已成为质量工程师的关键技能。随着AI系统在质量工程师工作流程中发展成为共创者和自主代理，这种构建提示的技能已提升为创建复杂、以业务为导向的输入。在金融行业，合规性、安全性和客户信任至关重要，提示技能必须解决所有这些考虑因素。 以准确测试覆盖率应对财务复杂性 今天：提示被用于创建基本测试场景，例如支付处理或用户身份验证任务。 在将来:基于人工智能的测试用例将模拟精细的金融场景，包括复杂的交易流程、合规压力测试以及涉及欺诈活动的边缘案例。 在金融服务领域，测试案例必须解决监管要求之复杂、高价值交易之复杂性以及欺诈检测之挑战。人工智能使得动态创建反映这些挑战的测试案例成为可能。 示例：为跨境支付系统生成10个测试场景，重点关注如反洗钱（AML）合规失败、同时进行的大额交易以及高交易量日的系统过载等场景。 这一演变确保了金融系统在面对脆弱性时具有韧性，同时满足严格的监管要求。 在将来:金融服务中的测试代理将使用自适应提示来根据监管变化、客户行为模式或甚至日内市场活动修改测试案例。 管理动态财务系统通过自主测试代理 示例：为最新的合规更新设置回归测试套件。优先处理近期代码变更的模块、被运营风险团队标记为高风险的交易算法以及用户报告的移动银行应用程序问题。包括高频交易场景进行压力测试。 金融系统经常因市场波动、监管更新或用户需求而经历实时变化。由提示工程赋能的自主测试代理可以即时适应这些变化。 这种方法确保了系统即使在金融环境快速演变的情况下也能保持安全和合规。 如何将生成式AI注入量化宽松（QE） 通过数据集和机器学习模型测试解决偏差和鲁棒性问题 在将来:提示工程将使质量工程师能够创建模拟真实世界金融交易的合成数据集，同时遵守隐私法规。提示还将测试人工智能模型对对抗性输入的鲁棒性，确保可靠性和公平性。 示例：生成一