测试组
1、拆原型条件：原型设计依赖于定义的标签定义标签5-10种，如add,update,delete,search,list,input,button,img,link,password通过dom树识别元素类型，降噪、二值化原型图片，分类到各个标签，多次深度学习训练，多次演练生成原型类型、附加元素特征。
2、原型如何生成一套前端代码
前置条件：多次演练生成的原型类型、附加元素特征标签。根据原型类型和附加元素特征标签：add,update,delete,search,list,input,button,img,link自动转变成前端css,nodejs,react代码。
3、原型如何生成一套后端代码
前置条件：多次演练生成的原型类型、附加元素特征标签。根据原型类型和附加原型特征标签如add,update,delete,search,list,input,button,img,link,自动转变成后端如java,python,php代码。
4、原型如何生成自动化、功能测试案例
前置条件：多次演练生成的原型类型、附加元素特征标签。根据原型类型和附件原型特征标签，如post,get,delete转化成接口自动化案例，根据特征标签如add,update,delete,search,list生成功能测试案例。

思考的出发点基于这个原型
讨论的出发点也是基于这个原型

整体的分为两点，

1，做，要怎么做

怎么按照这个思路来做？
这个思路值得仔细讨论一下，我还是没有明白你的思路，

1，可以看出这个思路的核心是这个原型
但是有三个现实问题

• 1，原型大量缺失，
• 2，很多没有原型，比如接口，渠道，
• 3，提到的这个原型，是什么样子的，我感觉这种不是普通的吧，原型设计需要新的规范吗？

2，思路落脚点是什么？

• 1，是为了生成测试用例？
• 2，可以生成接口自动化案例，和功能测试案例，生成的测试用例是什么样？
• 3，怎么能根据原型生成接口自动化案例的？

3，从中得到的需要侧重的点

• 1，其中一定有一个过程就是给元素分类，可以使用聚类算法，k-means聚类算法，
• 2，降噪，二值化，就是机器学习的第一步，特征工程，拿到数据之后就行处理，
• 3，二值化原型图，这就是要涉及到图像处理了，深度学习，卷积神经网络，如果有涉及还需要学习这个，

4，从中疑问的点：

• 1，输出是生成原型类型、附加元素特征？这是什么？怎么理解？原型类型不理解，附加元素特征，大概理解，就是元素的特征，
• 2，输入应该就是一个dom？最终是只要输入一个页面，就能识别出来元素的类型，打上标签，如果是这样到不用特别考虑这个数据来源的问题，因为有图片和dom很多，
• 3，整体的一个思路是怎么样的？最终是要解决什么问题？

5，下一步

• 1，特征工程，降噪，二值化，
• 2，聚类算法，做一个小的demo案例，机器学习算法的，
• 3，图片分类，神经网络，做一个小的案例，图像聚类算法的，这种很好找，我有信息，

特征工程：特征工程的处理流程为首先去掉无用特征，接着去除冗余特征，如共线特征，并利用存在的特征、转换特征、内容中的特征以及其他数据源生成新特征，然后对特征进行转换（数值化、类别转换、归一化等），最后对特征进行处理（异常值、最大值、最小值、缺失值等），以符合模型的使用。
如果你以前用scikit-learn实现过这个算法，
https://blog.csdn.net/qq_42994177/article/details/116932451
观察数据--->找特征（特征提取、向量化、归一化）--->设计算法（建模型）--->算法验证--->洗数据--->工程化--->上线看效果---> 观察数据

2，做，要考虑到风险，

1，有三点风险

• 1，技术积累不够，难度太大，跨度太大，创新，先要模仿
• 2，这还不是最要命，最要命的是需求不清，需求过于模糊
• 3，短期不能出成果，投入和产品比的问题，最终是要解决什么问题，

2，其他思考

• 1，我不想否定这个方向这的确是一个好的方向
• 2，是不是一定要这个方向，是否考虑其他的方向，
• 3，理性来看只能在一个点应用这个机器学习，目前看起来只能解决软件测试中一个单点的问题，不能完全解决，
  如果按照这种方案，做出来离不需要人工，离得很远，如果完全解决，测试就失业了

3，我需要一些机器学习应用到软件测试的案例

接口平台只是为了申请软著，不想把这个当重点
机器学习把这个作为2022年的重点，

好处
1，专利申请，的确是一个硬技术，
2，可以开公司
3，测试变革，革命