脸书在年度F8大会开源了多项工具，其中Ax以及BoTorch两项工具，与人工智能应用程序开发的实验阶段有关，Ax是一个通用平台，可用于自动管理适应性实验（Adaptive Experimentation），而BoTorch则是创建在开源深度学习框架PyTorch的函数库，能帮助贝式优化（Bayesian Optimization）研究，以API方式提供Ax优化算法，让开发人员简单地调整人工智能参数。
脸书提到，在机器学习领域要调校出最佳参数需要花费很多时间，尤其是在复杂的空间中，因此他们开发了Ax和BoTorch两种工具来解决这个问题，这两种工具都已经在脸书大量部署使用，是其内部适应性实验的一部分，在人类的指导下利用机器学习，依次决定配置测试的顺序，以完成一系列的试验目标。
脸书用适应性实验解决了许多问题，包括新闻馈给（News Feed）和Instagram的排名模型，也优化了视频播放算法、Facebook Live和媒体上传的算法，以提供更高品质的视频串流。在后端还会对基础设施诸如即时编译器、内存配置与数据检索系统进行优化，以提高执行效率，还被用于自动搜索脸书FBLearner机器学习的超参数，能以更少的计算资源实现更高的模型精准度。
这两项工具可以降低用户进入适应性实验的门槛，Ax让开发者以低资源以及原则的方式，探索参数配置，BoTorch则是使用了PyTorch的功能，像是自动微分、大规模平行化运算以及深度学习，推进贝式优化的研究。
BoTorch是贝式优化研究的现代化函数库，而贝式优化则是用来寻找有限资源的最佳系统参数配置。而之所以脸书会开发BoTorch，是因为过去他们使用现有贝式优化工具，进行超参数优化任务，逐渐不符合他们日渐增加的工作量，因此脸书自己发展了新方法，让BoTorch能够适应脸书多样化的使用案例。
BoTorch借助了PyTorch的运算能力，脸书重新设计了模型实例以及优化程序，使其具有模块化的优点，以及容易使用的接口。BoTorch能够支持GPU自动化微分、平行运算，并与PyTorch的深度学习模块紧密结合。脸书提到，BoTorch大大提高了贝式优化研究人员的工作效率，而且其模块化的设计，可以让研究人员更换或是重新排列组件，灵活地定制化算法的每一个部分。
而Ax让开发者使用API与BoTorch相连接，提供生产服务以及可重现研究结果需要的功能，这让开发者得以专注于解决实际应用的问题，像是环境配置以及实验目标的权衡。脸书提到，Ax被没有丰富机器学习经验的工程师与人工智能研究人员广泛使用。虽然Ax使用大量的BoTorch功能作为优化的算法，但是其提供NumPy和PyTorch通用接口，让开发人员可以使用在任何框架中。
Ax还提供了自动优化程序，会根据实验的特征选择优化算法，开发者可以简单地设置默认程序，以满足特定应用程序的需要，更重要的是，Ax还有交互可视化工具，让开发者审查代理模型，了解不同结果之间的权衡问题。而开发者也能用基准测试组件，比较不同算法在测试问题上的优化性能，开发者可以存储结果并进行反复比较。