AI vs 确定性算法：谁能更好地检测视觉回归？
Les deux approches ont des partisans convaincus. Mais elles ne répondent pas au même besoin, et le choix entre les deux a des conséquences directes sur la fiabilité de vos tests.
L'approche IA : comment ça marche
L'approche IA en test visuel fonctionne par apprentissage. L'outil analyse des millions (voire des milliards) de captures d'écran pour entraîner un modèle qui "comprend" ce qu'est une différence visuelle significative pour un humain.
Quand vous lancez un test, l'IA compare la capture actuelle à la baseline et décide automatiquement si les différences détectées sont "importantes" ou "négligeables". Un anti-aliasing légèrement différent entre deux navigateurs ? Ignoré. Un bouton qui a changé de couleur ? Signalé.
C'est la promesse : réduire les faux positifs, ces alertes qui signalent des différences que personne ne verrait à l'œil nu. L'idée est séduisante — qui aime passer du temps à trier des faux positifs ?
Le problème de la boîte noire
L'IA prend une décision, mais elle n'explique pas son raisonnement. Quand elle décide qu'une différence est "acceptable", vous ne savez pas pourquoi. Quand elle laisse passer un changement qui s'avère être un vrai bug, vous ne pouvez pas comprendre ce qui s'est passé.
C'est ce qu'on appelle le problème de la boîte noire. Et en QA, c'est un vrai problème.
Le rôle d'un ingénieur QA est de garantir avec certitude le bon comportement d'une application. Un test de régression doit être reproductible et prévisible. Si l'IA décide différemment d'une exécution à l'autre — parce que le modèle a été mis à jour, parce que le contexte est légèrement différent — la confiance dans le résultat s'effondre.
Un test qui passe un jour et échoue le lendemain sur le même code, sans qu'on puisse expliquer pourquoi, c'est pire qu'un faux positif. C'est un test sur lequel on ne peut plus compter.