Darin Brown, 首席产品和技术官，Testlio Darin Brown 首席产品和技术官，Testlio

四种最昂贵的AI测试不充分的失败

当公司在没有严格的人类监督的情况下部署AI时，他们基本上是在要求一个非确定性的自动化系统来验证自己。问题不在于AI不擅长测试。AI擅长做那些以前已经做过的事情，特别是遵循你明确设置的规则。但是，真正损害你品牌的失败却存在于人类判断最重要的领域。关于退货政策的幻觉。对于敏感投诉的品牌不符的回应。一个在压力下无法坚持的安全防护栏。根据70%的客户在经历一次糟糕的AI交互后就愿意切换，这个风险很高。然而，大多数公司都在使用过时或仅仅依赖自动化工具来验证AI，这些工具原本是为确定性软件设计的。这种技术堆栈从来没有被设计来捕获真正驱使人们离开的失败。在Teslio为企业团队进行的所有参与中，四种故障模式占了大部分客户可见的损害。这些故障模式都无法仅通过自动化测试来捕获。1. 安全和安全防护栏的失败客户以正确的方式向你的聊天机器人提问。机器人以10美元的价格提供1000美元的商品。或者它泄露了绝对不应该泄露的信息。或者它违反了基本的商业规则，因为没有人测试边界条件。风险很直接。损害是立即的，损害是公开的。真正的问题不仅仅是自动化，尽管这也是其中的一部分。安全防护栏并没有标准化，它们必须适应你的特定业务环境。即使遵循最佳实践，安全防护栏仍然容易受到攻击。像“诗歌越狱”这样的技术表明，原本良好的安全防护栏可以以其创造者从未预料到的方式被操纵。公司需要问的问题不是“我们的安全防护栏是否遵循行业标准？”而是“这个模型可以以什么新方式被操纵？”这需要对抗性思维。具有创造性、探究性的人类，他们理解安全防护栏的设计和攻击面。测试边缘，压力测试，提出复杂的问题。这是区别于仅仅通过合规性测试的安全防护栏和真正坚固的安全防护栏之间的差异。2. 隐藏在幻觉中的准确性和商业逻辑失败事实是AI会产生幻觉。我所了解的是，当你在某个领域拥有专业知识时，你会立即注意到这种幻觉。你可以直接看穿它。但是，这里有一个关键的缺陷，仅仅依赖内部团队：他们有盲点。当你非常了解一个产品时，你知道如何提问才能得到正确的答案。你无法找到不准确的地方，如果你不去寻找它们。内部团队知道产品应该如何工作，但不知道它实际上如何为具有不同思维模型、不同背景和不同破坏你假设方式的真实用户工作。这就是为什么需要来自新鲜视角的人们的监督。他们不仅仅验证AI是否按照你的指示行事；他们会揭露可能对不同部门感兴趣的问题，并突出实际失败的领域。当公司开始在主要的大语言模型上构建自己的过程和工作流时，测试要求变得更加关键。3. 可用性和用户体验的疏忽感觉对吗？看起来对吗？支付处理是否需要稍微长一点的时间？响应是否具有适合沮丧客户的语气或适合首次用户的节奏？这些是自动化工具无法回答的问题。同时，这些问题对客户来说非常重要。通过测试套件和真正的良好体验之间存在根本的区别。AI交互可以满足你的验收标准，但仍可能被用户认为是错误的。它可以在技术上是正确的，但在组织上却很笨拙。它可以以错误的语气或节奏提供准确的信息。这就是为什么需要人工介入。你需要受过训练的人来识别AI如何失败，测试在客户实际使用的区域，使用他们实际使用的设备和支付方式。一个人在旧金山使用顶级iPhone测试的体验与一个人在雅加达使用中端安卓设备和不稳定的数据连接测试的体验是不一样的。没有测试人员的多样性，你只会得到模拟结果，一旦你的产品面对现实，它就会失败。你必须有人实际使用产品，实际思考体验的意义，实际反对当某些事情感觉不对时。4. 验证专家的幻觉这是最微妙的失败，也许也是最危险的。当公司在没有适当测试的情况下部署AI时，他们经常押注AI已经吸收了足够的知识来正确处理该领域。他们假设因为AI可以对某事物表现出自信，所以它可能知道自己在说什么。但是，还有另一个风险维度。大多数使用AI功能的人都做出了同样的假设。他们没有质疑输出结果。如果它听起来有权威性且没有明显的错误，他们就会相信它。糟糕的医疗建议，错误的法律指导，缺陷的财务建议，后果会随着用户相信AI是正确的而增加，他们没有理由怀疑它。AI擅长知道已经做过的事情。它不擅长知道在新情况下应该做什么。每个业务都有新情况。每个产品都有边缘案例。每个客户旅程都有一个时刻，正确的答案是AI没有被训练给出的答案。重新定义发布的准备度成熟的AI发布策略需要超越仅仅依赖自动化的思维方式。它涉及建立一个结构化的、人工介入的专业知识框架。 工程：该团队应该拥有系统完整性，定义模型和基础设施层的故障是什么样的，以及安全防护栏需要放在哪里。 产品：领导者应该拥有决策边界，判断哪些决策可以由AI自主做出，哪些需要人类批准，哪些不应该被AI触及。 设计和QA：这些专业人员应该拥有用户体验，判断用户是否理解AI在做什么，是否可以识别AI错误，并在错误时有意义的补救措施。 我们必须接受，虽然AI可以为客户创造难以置信的体验，但它不能成为自己的法官和陪审团。AI质量的责任是一个组织性的责任，分散在各个团队中，植根于人类的专业知识，并以现实世界的测试为基础。在现实世界的测试中。