F5 工程师如何使用 AI 优化软件
从营销到招聘、从运营到安全，人工智能在各个领域的应用都受到了极大的关注。 我们的年度研究表明，大多数组织都热切关注业务、运营和安全领域的人工智能。
这些都不足为奇。 大量调查表明，人工智能已被广泛采用来支持各种业务和 IT 功能。
人们很少谈论的是人工智能如何融入发展之中。
人工智能对商业和安全的价值的核心前提在于它能够识别产生可操作见解的模式和关系。 许多人并没有考虑到这种能力背后的“引擎”，因此从未真正深入研究人工智能技术如何神奇地发现有价值的见解。
机器学习是人工智能的一个特定分支，专注于数据分析和建模。 它的用途适用于安全，因为只要有足够的时间和数据，它就能够实时识别指示异常行为的模式。 同样，它可以在商业数据中找到代表营销产品和服务机会的模糊关系。
但机器学习在建模方面也表现出色；也就是说，执行数百个“假设”场景以更好地理解多个变量之间的复杂关系。 在开发工程中，这些变量可能是数据大小、分配的内存、I/O 速度、网络带宽和虚拟机参数。 机器学习非常灵活，如果您识别出变量，您就可以使用机器学习来模拟这些变量的各种组合以发现“最佳”集合。
例如，F5 杰出工程师 Laurent Querel 和 F5 Sr. 架构师 Sebastien Soudan 组成了一个团队，并于最近发表了一篇文章，描述了他们如何设计一个模型来“建立一种将数据从 PubSub 传输到 BigQuery 的有效方法”。
他们还解释了为什么使用机器学习是当今软件优化的更好选择，而且做得非常好，我仅引用他们的话：
“如今，软件优化是一个迭代且主要是手动的过程，其中使用分析器来识别软件代码中的性能瓶颈。 分析器可以测量软件性能并生成报告，供开发人员审查并进一步优化代码。 这种手动方法的缺点是优化依赖于开发人员的经验，因此非常主观。 它速度慢、不详尽、容易出错，而且容易受到人为偏见的影响。 云原生应用的分布式特性进一步使手动优化过程复杂化。
一种未充分利用且更全球化的方法是另一种依赖于性能实验和黑盒优化算法的性能工程。 更具体地说，我们的目标是优化具有许多参数的复杂系统的运营成本。”
推动人工智能（特别是机器学习）在开发中的应用的因素与推动其在 IT 运营中被采用的因素大致相同：手动流程缓慢、容易出错且容易受到人为偏见的影响。
当我们谈论 IT 现代化和向全数字化业务稳步迈进时，其中包括开发/工程。
我鼓励阅读“使用 Google Vertex AI Vizier 优化您的应用”，即使只是为了了解设计合适模型的过程以及他们从经验中学到了什么。
