从营销、招聘到运营和安全，AI的应用备受热议。我们的年度研究表明，大多数组织都在积极关注AI在业务、运营和安全领域的应用。
这些都不足为奇。一项又一项调查表明，AI正得到广泛采用，为各种业务和IT职能提供支持。
人们并不总会谈及AI如何融入开发流程。
AI之所以能为业务和安全带来价值，核心在于它能够识别模式和关联，并从中得出可付诸行动的洞察。许多人并未关注支撑这一能力的“引擎”，因此也很少深入了解究竟使用了哪些AI技术，才得以如同施展魔法般发掘出有价值的洞察。
机器学习是AI的一个特定分支，专注于数据分析和建模。机器学习适用于安全领域，因为在有足够时间和数据的情况下，它能够实时识别表明异常行为的模式。同样，它还可以发现业务数据中不易察觉的关联，从中识别产品和服务的营销机会。
但机器学习也擅长建模，即通过执行数百种“假设”场景，更深入地了解多个变量之间的复杂关系。在开发（工程）领域，这些变量可能包括数据大小、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，只要确定了变量，就可以利用机器学习对这些变量的不同组合进行建模，从中找出一组较优的组合。
例如，F5杰出工程师Laurent Querel与F5高级架构师Sebastien Soudan携手合作，最近发表了一篇文章，介绍他们如何设计模型，以“构建一种将数据从PubSub高效传输到BigQuery的方法”。
他们还解释了为什么如今使用机器学习是优化软件的更好选择。他们的解释非常到位，我直接引用如下：
“如今，软件优化是一个迭代过程，主要依靠人工完成，其中使用性能分析器来识别软件代码中的性能瓶颈。性能分析器会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。这种人工方法的缺点在于，优化效果取决于开发人员的经验，因此主观性很强。该过程速度慢、覆盖不全面、容易出错，也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增加了人工优化过程的复杂性。
另一种尚未得到充分利用且更具全局性的方法，是依靠性能实验和黑盒优化算法开展性能工程。更具体地说，我们的目标是优化具有众多参数的复杂系统的运营成本。”
在开发中使用AI（尤其是机器学习）的驱动因素，与推动IT运维采用AI的因素大致相同：手动流程速度慢、容易出错，也容易受到人为偏见的影响。
谈到IT现代化以及企业稳步迈向全面数字化时，开发和工程工作也包括在内。
建议阅读“使用Google Vertex AI Vizier优化应用”，即使只是为了了解如何设计合适的模型，以及他们从实践中获得了哪些经验。
关于作者
Lori MacVittie是F5首席技术官办公室的杰出工程师兼首席技术布道师，在应用交付、自动化战略和基础设施领域拥有深厚的专业知识。无论是为AI智能体定义防护机制、剖析脆弱的多云架构，还是探索可扩展系统的极限，她都善于化繁为简。她在应用开发、IT架构以及网络和系统运维领域拥有30多年的行业经验。加入F5之前，她曾担任技术编辑，并因出色表现获得奖项。 MacVittie拥有计算机科学硕士学位，著述颇丰，出版作品涵盖安全、云和企业架构领域。她还热衷于桌面游戏和电子游戏，并且对奶酪有着毫不掩饰的鲜明见解。
Lori Mac Vittie 的更多博客文章相关博客文章
2023年应用策略现状：成本与复杂性是推动多云网络发展的首要因素
多云网络解决方案可在核心、云和边缘环境之间实现无缝、安全的互联，为解决当今混合IT面临的挑战提供支持，因而备受业界关注。