质量工程（QE）在通用人工智能（GenAI）时代面临转型，需要适应快速变化的技术格局。本文探讨了GenAI对金融机构QE的影响，并提出应对策略。
核心观点与影响
GenAI改变了组织的未来工作方式，对QE具有双刃剑效应：既改变了测试方式，也要求QE自身被测试。随着GenAI自动化更多软件开发流程，QE将变得更加关键，需要专业人士协调和验证这些系统，确保软件质量、可靠性和安全性。
关键数据与研究结论
- 根据IDC预测，自动化软件质量（ASQ）市场预计到2028年将以12.7%的复合年增长率增长。
- 76%的开发者计划在开发过程中使用AI工具，但只有43%信任AI输出的准确性。
- 调查显示，QE专业人士预计GenAI将显著提升自动化测试生成、数据增强、持续学习等能力，并影响客户满意度、产品开发周期等KPIs。
GenAI在金融领域的应用案例
- 合规监管的合成数据生成：模拟金融交易数据，测试系统合规性。
- 科技监管合规问答代理：自动解读监管要求，生成测试计划和案例。
- 边缘情况场景模拟：生成罕见但关键的测试案例，如金融危机、网络攻击等。
如何将GenAI注入QE
- 辅助GenAI QE：GenAI作为知识库和教学指南，支持低关键性任务。
- 增强GenAI QE：GenAI协作自动化测试计划、测试设计等。
- 代理GenAI QE：AI自主运行复杂测试任务，优化环境和管理配置。
提示工程的重要性
在金融服务领域，提示工程是关键技能，用于创建复杂、以业务为导向的输入，确保测试覆盖财务复杂性、合规性、安全性和客户信任。例如，生成跨境支付系统的测试场景，模拟反洗钱（AML）合规失败等场景。
LLM优化即服务（LLMOaaS）
- 上下文相关性评估：测试LLM根据用户意图适应回应的能力。
- 内容质量和完整性保证：评估准确性、适宜性和语气，集成事实核查等自动化方法。
- 适应性学习与微调：通过人类反馈强化学习（RLHF）优化模型性能。
- 偏差与道德质量保证：确保LLM提供公平、无偏见的答案，创建偏见检测和缓解框架。
负责任和道德的AI实践
质量工程师需转变为知识促进者、自动化设计师和AI监督者，确保AI模型符合伦理政策，包括政策实施、公平性审计、可解释性测试和实时监控。
结论与建议
金融机构应设立首席质量官，充分利用GenAI潜力，开启新的商业机会。通过投资QE、任命有远见的领导者，并拥抱GenAI，组织可将挑战转化为机遇。建议创建新角色监督GenAI与QE的整合，确保运营卓越与创新一致。Amdocs的brAIn框架可帮助客户降低测试设计时间33%、减少自动化开发时间25%等。
