合肥房产,百度网站自然排名优化,国家职业技能培训官网,手机上怎么制作网站吗微软在 2018 年 4 月 Windows 更新时第一次大规模使用机器学习#xff08;ML#xff09;#xff0c;ML 通过监测 PC 运行状况的六个核心领域#xff08;例如总体可靠性#xff09;#xff0c;以确定功能更新过程是否顺利进行。而在 2019 年 5 月发布的更新推送中#xf… 微软在 2018 年 4 月 Windows 更新时第一次大规模使用机器学习MLML 通过监测 PC 运行状况的六个核心领域例如总体可靠性以确定功能更新过程是否顺利进行。而在 2019 年 5 月发布的更新推送中这是微软使用 ML 的第三次迭代可评估的领域增加到了 35 个微软计划在未来的更新中进一步扩大覆盖范围。微软表示使用 ML 来部署更新拥有更好的更新体验例如下图通过 ML 更新后系统启动的卸载数量不到一半、内核崩溃的数量减少一半以及更新后的驱动程序问题的数量减少了五倍。微软如何设计和构建支持 Windows 10 更新的机器学习模型最近微软发布博文介绍了这一技术信息。微软使用的是一个经过动态训练的模型它通过在最新更新的 PC 机上训练有区分好的和坏的更新体验的能力。下图是一个详尽的机器学习图展示了机器学习算法的整体框架。每个 Windows 10 更新版本都先推给早期使用者(比如 Windows 内部人员和主动寻求更新的人)。有了这些体验者微软开发人员就可以通过诊断数据(例如内核模式崩溃、异常关闭和驱动程序问题)来监控他们的更新体验。机器学习在其中提供了两个关键功能它确定了一些有安全隐患的问题从而可以及时采取措施保护尚未更新的 PC以便 Windows 开发人员能够及时调查和解决这些问题它预测和发现那些可以顺利进行更新的 PC从而提供更新每天都重复这样一个过程使模型不断地从最近更新的 PC 机中获得学习。然后随着时间的推移和不断解决问题相比之下过去那些更新了的 PC 就又有了缺陷而现在学习到的更好的经验就会重新对他们进行更新。微软使用 Azure Databricks 构建 ML 模型评估那些准备升级的 PC准备数据创建单个模型并计算出分数微软表示ML 驱动的推出过程中一个关键因素就是具有能够及早发现兼容性问题的能力使他们能够建立保护措施以保护其他的 PC 不进行本次的更新。而以往来说兼容性问题是通过实验室艰苦测试、反馈和其他渠道检测到的。虽然这些手段仍在使用但在微软复杂的生态系统中将 ML 应用到 PC 的诊断数据将使微软能够更快识别与任何更新相关的兼容性信息如硬件特性、驱动程序、应用程序等方面。为了发现兼容性问题他们使用异常检测以发现某些特征或模式在什么时候导致的故障率会比整体的预期高。通过使用 Azure Databricks就可以快速扩展到数百万台 PC并建立保护措施以防止 PC 被更新相关的潜在问题干扰。下图显示了某个功能或模式的失败率为 82%而基准失败率约为 3%。从而确定需要保护的位置以防止其他 PC 遇到类似问题微软表示目前的机器学习方案还不够完善接下来会进一步发展 ML以确保 ML 是全面的、更自动化的和灵活的能够在几秒钟内而不是几个小时内解决问题。
