Comment utiliser AI pour analyser la sortie d'exécution de test (sortie SQL) pour concevoir une suite de régression?

Question

Actuellement, nous exécutons des rapports SQL pour extraire la sortie d'exécution des tests afin de pouvoir vérifier le succès d'un test, puis faire une estimation éclairée des tests à ajouter à nos suites de régression.

Cependant, cela prend du temps, car il faut que quelqu'un passe en revue toutes les données et fasse certaines hypothèses.

J'ai été chargé d'examiner la possibilité d'utiliser l'intelligence artificielle pour passer au crible les données à la place et je voudrais savoir si quelqu'un a essayé cela et comment ils l'ont implémenté.

Answer 1

Je ne sais pas si cela va faire, mais vous pouvez utiliser hors-the-box de scikit-learn Python

Il est aussi simple que:

from sklearn.feature_extraction.text import TfidfVectorizer 
from sklearn.neural_network import MLPClassifier 
from sklearn.pipeline import Pipeline 
import pandas as pd 
####DATA PREP## 
data = pd.read_csv('filepath') 
#Forgot the target xD 
# target = pd.read_csv('target_data_filepath') 
target = data.target #If target is in data 
other_data = pd.read_csv('filepath_other') 
###MAKE MODEL## 
tfidf_vect = TfidfVectorizer() 
mpl_class = MLPClassifier() 
pipe = Pipeline([('Tfidf Vectorizer', tfidf_vect),('MLP Classifier', mlp_class)] 
pipe.fit(data, target) #remove target from data beforehand if applies 
####PREDICT### 
pipe.predict(other_data) 

data est votre texte dans les entrées séparées, sortie entier par un seul enregistrement

target est ce que vous avez trouvé à l'avance, il devrait être wether inclus quelque part ou non

other_data est ce que vous voulez tester

Mais méfiez-vous que ci-dessus est juste une maquette et je ne garantis pas que j'avais tous les noms de méthodes corrects. Pour la lecture il suffit de suivre scikit-learn's doku, livres assez chers mais étendus comme Building Machine Learning Systems with Python on Packt et beaucoup d'autres gratuit blogs like this machinelearningmastery.com