一、依靠人工智能和机器学习实时自动提示代码段，以加快开发速度，从而提高DevOps的生产效率

 

一些行业领先的企业软件厂商的DevOps团队在客户关系管理(CRM)、供应链管理和社交媒体市场上展开了激烈的竞争。他们表示，人工智能的这个用例是更有成效的，并且在准确性方面获得了更大的收益。一家行业领先的客户关系管理(CRM)提供商的DevOps负责人表示，最初使用人工智能自动完成代码的努力是徒劳的。她认为DevOps的开发工具提供商使用有监督的机器学习算法可以提高模型学习和响应代码请求的速度。微软的VisualStudioIntellicode目前已安装600万次以上，而这是DevOps团队将其列为DevOps中最有价值的人工智能开发的原因。

 

二、事实证明，使用人工智能简化需求管理可以有效提高需求文档的准确性和质量，从而捕获用户在下一代应用程序或平台中的需求

 

人工智能正在提供可靠的结果，简化了创建、编辑、验证、测试和管理需求文档的每个阶段。DevOps团队成员正在使用基于人工智能和机器学习的需求管理平台节省时间，以便他们可以经常在紧迫的期限内恢复编码和创建软件产品。第一次正确地满足需求有助于使整个项目保持在其项目计划的路径上。基于人工智能的软件开发工具提供商看到了建立按时完成项目的商业案例的机会，因此正在这一领域迅速开发和启动新的应用程序。令人兴奋的是，自然语言处理技术在DevOps工具这一领域中的采用速度很快，而使用基于人工智能工具的企业已经能够将需求审查时间减少50%以上。

 

三、事实证明，人工智能在检测错误和改进代码的自动建议方面非常有效

 

Facebook的错误检测工具可以预测缺陷并提出补救措施，在80%的情况下，人工智能工具学会自动修复错误。SemmleCodeQL被认为是该领域领先的基于人工智能的DevOps工具。使用CodeQL的DevOps团队可以跟踪代码中的漏洞，还可以在整个代码库中找到逻辑变体。微软安全响应团队的安全研究人员使用Semmle-QL来发现关键问题的变体，使他们能够识别和响应严重的代码问题，并防止事件发生。

 

四、人工智能正在协助确定安全测试结果的优先级并对漏洞进行分类

 

Checkmarx公司首席技术官MatySiman对机器学习如何实时发现代码漏洞的信息进行了阐述。他说：“即使是拥有最成熟软件开发生命周期(SDLC)的组织，也经常会遇到对漏洞进行优先级划分和分类的问题。专注于开发人员或应用程度安全团队的机器学习算法要关注真正的优势和构成威胁易受攻击的组件，这是应对这一挑战的关键。”他表示，可以教会机器学习算法理解一种类型的脆弱性相对于另一种类型的脆弱性，它所占的比例更高。有了这个自动的审核过程，团队能够以更加明智的方式优化和加速其修复工作。

 

五、通过基于给定代码库的唯一属性自动生成和自动运行测试用例来提高软件质量保证，这是采用人工智能技术节省DevOps团队宝贵时间的另一个领域

 

对于在各种用例中对新应用程序和平台进行压力测试而言，这是非常宝贵的。在任何DevOps团队中，创建和修改测试用例都是一项独特的技能，具有这种技能的开发人员经常会因测试更新而感到不知所措。基于人工智能的软件开发工具正在消除测试覆盖范围的重叠，通过更可预测的测试优化现有的测试工作，并加快从缺陷检测到缺陷预防的进程。基于人工智能的软件开发平台可以识别复杂且相互关联的产品模块之间的依赖关系，从而提高整个过程中的产品质量。而提高软件质量也提高了客户体验。