"Machine learning helpt ons om potentiële issues sneller te vinden en om een beslissing te nemen over wat het beste moment is om elke pc bij te werken als een nieuwe versie van Windows beschikbaar is", schrijven Microsofts data-scientists Archana Ramesh en Michael Stephenson in een blogpost. Het ML-proces probeert potentiële compatibiliteitsissues te voorspellen om updates niet uit te leveren voor specifieke systemen totdat het root-issue is opgelost.

Afwijkende systemen opgemerkt

ML wordt toegepast op de feedbackdata en telemetrie van Windows 10-systemen om patronen sneller op te merken, bijvoorbeeld als er een issue is met bepaalde hardware (neem het SSD-issue van april en mei vorig jaar) of software die roet in het eten gooit (zoals het probleem met antiviruspakketten in januari vorig jaar, nadat Microsoft een patch toepaste om CPU-lekken te voorkomen).

Een voorbeeld van de trainingsdata over doelsystemen waar het model op wordt verfijnd:

Bron: Microsoft

Het proces detecteert afwijkingen als een feature of patroon (twee of meer features) een hogere foutratio oplevert dan je ziet bij de rest van de pc's waar de update op wordt geïnstalleerd, zo legt het duo uit. Ook wordt ML gebruikt om te bepalen of de update in een later stadium wel veilig kan worden uitgerold naar bepaalde systemen die eerder problemen hadden, omdat dezelfde issues nu niet meer optreden. Zo kan Microsoft veel gerichter en gefaseerd updates uitrollen.

Minder issues

Volgens de twee heeft de nieuwe aanpak met machine learning ervoor gezorgd dat er minder driver-issues waren, minder systeemcrashes en minder geforceerde terugrolacties, die Windows 10 automatisch uitvoert als er fatale fouten ontstaan na een update. Het ML-model zorgt ervoor dat Microsoft een veiligere selectie kan doen van welke pc's een update ontvangen. De data-scientists melden een verbetering van 5 tot 40 procent als de doelsystemen worden uitgekozen door het algoritme.

Bron: Microsoft