CN112055848A - 使用人工智能配置电子设备 - Google Patents
使用人工智能配置电子设备 Download PDFInfo
- Publication number
- CN112055848A CN112055848A CN201980029480.5A CN201980029480A CN112055848A CN 112055848 A CN112055848 A CN 112055848A CN 201980029480 A CN201980029480 A CN 201980029480A CN 112055848 A CN112055848 A CN 112055848A
- Authority
- CN
- China
- Prior art keywords
- electronic device
- notification
- telemetry data
- hardware
- machine learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 76
- 238000010801 machine learning Methods 0.000 claims abstract description 102
- 238000000034 method Methods 0.000 claims abstract description 68
- 230000004044 response Effects 0.000 claims description 19
- 230000009471 action Effects 0.000 abstract description 9
- 230000003190 augmentative effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000004913 activation Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000002093 peripheral effect Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000009849 deactivation Effects 0.000 description 3
- 230000000246 remedial effect Effects 0.000 description 3
- 238000005067 remediation Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000001012 protector Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/445—Program loading or initiating
- G06F9/44505—Configuring for program initiating, e.g. using registry, configuration files
- G06F9/4451—User profiles; Roaming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/52—Program synchronisation; Mutual exclusion, e.g. by means of semaphores
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/54—Interprogram communication
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/54—Interprogram communication
- G06F9/542—Event management; Broadcasting; Multicasting; Notifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/54—Indexing scheme relating to G06F9/54
- G06F2209/543—Local
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Multimedia (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Library & Information Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Information Transfer Between Computers (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本文中描述的设备、系统和方法使得能够使用人工智能(AI)自动配置电子设备。该设备、系统和方法使得能够访问表示设备使用数据的遥测数据,将所访问的遥测数据输入到与设备元数据相匹配的机器学习模型中,以及确定要发布给电子设备的组件的通知。通知表示被预测要在电子设备上发生的事件。通知被发布给电子设备的组件,使得电子设备根据所发布的通知被配置。所确定的通知使得能够基于设备的使用模式来标识针对电子设备的最佳设置,并且使得电子设备的组件能够对被预测要在未来发生的事件抢先地采取措施。
Description
背景技术
诸如个人计算机、工作站、膝上型计算机、移动电话、平板计算机等电子设备包括由各种组件组成的操作系统,这些组件被配置为支持各种客户场景、功能和个性化偏好。操作系统的操作设置通常由管理员或制造商使用通用的默认设置来配置,这些默认设置为用户提供“一刀切”的体验。但是,例如,由于用户对设备的独特使用方式或用户的个人偏好,这种通用的默认设置可能会为该用户提供低于标准的体验,或者可能损害设备的操作性能。而且,针对用户来对设备进行个性化是经由各种设置的手动配置来执行的,这可能是乏味且耗时的。
电子设备还包括各种组件,诸如应用软件、内部硬件和外部硬件(例如,外围设备等),这些组件初始可以利用支持该组件的各种功能的通用默认软件进行配置。但是,组件的某些功能可能不会被用户使用,并且因此组件可能包括不必要的软件,这可能会增加对特定组件的有限存储器和/或处理能力的压力。此外,尽管电子设备的组件可能会对各种事件(例如,设备关闭,外围设备拔出,掉电,激活应用软件,等等)的来自操作系统的实时通知做出反应,这样的实时反应可能会减慢设备的运行速度。例如,关闭与被拔出的外围设备相关联的硬件可能会花费更长时间,或者加载所请求的应用、订阅应用的其他组件或与所请求的应用相关联的硬件可能会花费更长时间。
发明内容
提供本“发明内容”以便以简化的形式介绍一些概念,这些概念将在下面的“具体实施方式”中进一步描述。本“发明内容”既不旨在标识所要求保护的主题的关键特征或必要特征,也不旨在用于帮助确定所要求保护的主题的范围。
一种计算机化的方法包括:在电子设备处从云服务接收与设备元数据相匹配的机器学习模型,访问表示设备使用数据的遥测数据,将所访问的遥测数据输入到所接收的机器学习模型中以确定要发布给电子设备的组件的通知,将所确定的通知发布给组件,通知表示被预测要在电子设备上发生的事件,并且基于所发布的通知由组件配置电子设备。
附图说明
根据下面结合附图阅读的详细描述,将能够更好地理解本描述,在附图中:
图1是示出根据实施例的包括人工智能(AI)客户端服务和AI代理的电子设备的示例性框图。
图2是示出根据实施例的使用人工智能(AI)来配置电子设备的方法的示例性流程图。
图3是示出根据实施例的使用AI来配置电子设备的操作系统(OS)的一个或多个设置的方法的示例性流程图。
图4是示出根据实施例的使用AI来配置电子设备的应用和/或硬件的方法的示例性流程图。
图5将根据实施例的电子设备示出为功能框图。
贯穿附图,对应的附图标记指示对应的部分。
具体实施方式
参考附图,本文中描述的设备、系统和方法使得能够使用人工智能(AI)自动配置电子设备。该设备、系统和方法使得能够访问表示设备使用数据的遥测数据、将所访问的遥测数据输入到与设备元数据相匹配的机器学习模型中、以及确定要发布给电子设备的组件的通知。通知表示预测要在电子设备上发生的事件。将通知发布给电子设备的组件,从而根据所发布的通知来配置电子设备。所确定的通知使得能够基于设备的使用模式来标识电子设备的最佳设置,并且使得电子设备的组件能够对预测要在不久的将来发生的事件抢先采取措施。
本文中描述的设备、系统和方法使得电子设备的组件能够利用个性化、配置和预测性通知来自动配置电子设备。所确定的通知增加了电子设备的操作系统的智能,并且改进了电子设备的弹性和整体功能。所确定的通知使能电子设备的自动补救,并且可以导致较少针对用户特定使用而定制的昂贵硬件(例如,物联网(IoT)设备)。
此外,在被配置为执行本文中描述的操作时,电子设备以非常规的方式操作以提高电子设备的速度、节省存储器、减少处理器负载、改善操作系统资源分配、提高用户效率、提高用户交互性能,降低错误率,等等。
参考图1,示例性框图示出了根据实施例的包括人工智能(AI)客户端服务102和AI代理(broker)104的电子设备100。如下面将更详细地描述的,AI客户端服务102将至少表示设备使用数据的遥测数据输入到机器学习模型118中,以确定由AI代理104发布给电子设备100的各个组件106、108、110和110和/或112以用于自动配置电子设备100的通知。
电子设备100表示执行用于实现与电子设备相关联的操作和功能的指令(例如,作为应用程序/软件、操作系统功能或两者)的任何设备。电子设备可以包括移动电子设备或任何其他便携式设备。在一些示例中,移动电子设备包括移动电话、膝上型计算机、平板电脑、计算板、上网本、游戏设备、个人数字助理和/或便携式媒体播放器。电子设备还可以包括便携式性较低的设备,诸如台式个人计算机、服务器、信息亭、台式设备、媒体播放器、工业控制设备、游戏机、无线充电站和电动汽车充电站。另外,电子设备可以表示一组处理单元或其他计算设备。如本文中使用的,电子设备100的“组件”可以包括但不限于电子设备100的操作系统、在电子设备100上运行的应用软件(在本文中也称为“应用”)、电子设备100的内部硬件、和/或通信地耦合到电子设备100的外部硬件(例如,外围设备等)。
电子设备100包括平台软件,包括操作系统(OS)106或任何其他合适的平台软件,以使得应用软件108能够在电子设备上执行。电子设备100包括内部硬件110,诸如但不限于视频(图形)卡、声卡、网卡、电视调谐器、无线电调谐器、处理器、母板、存储器、硬盘驱动器、媒体驱动器、电池、电源等。电子设备100还包括外部硬件112,诸如但不限于输入设备(例如,键盘、触控板、鼠标、麦克风、相机、绘图板、耳机、扫描仪等)、输出设备(例如,监测器、电视、打印机、扬声器、传真机等)、外部硬盘驱动器、无线路由器、电涌保护器、IoT设备、其他外围设备等。
电子设备100包括从电子设备100收集遥测数据以供AI客户端服务104使用的通用遥测客户端(UTC)114。UTC 114通信地耦合到电子设备100的各个组件以接收来自各种组件的遥测数据,各种组件诸如但不限于OS 106、应用软件108、内部硬件110、外部硬件112等。由UTC 114收集的遥测数据表示设备使用数据。具体地,由UTC 114收集的遥测数据包括表示用户已经如何使用电子设备100的数据(例如,随着时间的使用模式),并且在一些示例中,可以包括表示数据如何用户当前正在如何使用电子设备100的实时数据。由UTC 114收集的遥测数据用于指示用户打算将来如何使用电子设备100。例如,如本文所述,由UTC 114收集的遥测数据可以使得AI客户端服务102能够预测可能在电子设备100上发生的事件。
由UTC 114收集的遥测数据的示例包括但不限于来自OS 106的表示用户在电子设备100上的个人设置(例如,用户已经如何对电子设备100进行个性化设置)的数据、来自OS106的表示电子设备100的特定使用如何影响电子设备100和/或其一个或多个组件的性能(例如,电池寿命、处理负载、处理时间、加载时间、故障等)的数据、表示电子设备100和/或其组件的故障的数据、表示应用软件和/或硬件的不良部署的数据、表示用户的偏好的数据、表示用户的期望的数据、表示由用户定义和/或期望的阈值的数据、表示用户何时和/或如何已经使用各种应用软件108的数据、表示应用软件108的意图使用的数据、表示用户何时和/或如何已经使用各种内部硬件110的数据、表示内部硬件110的意图使用的数据、表示用户何时和/或如何已经使用各种外部硬件112的数据、表示外部硬件112的意图使用的数据、表示应用软件108的关闭和/或去激活的数据、表示内部硬件110的掉电(power down)的数据、表示外部硬件112的掉电和/或断开连接的数据、表示电子设备100、电子设备100的定制硬件、电子设备100的专有芯片、其他硬件和/或软件(例如,军事设备、政府设备、开发商设备等)的掉电的数据,表示电子设备100是工作设备还是个人设备的数据等。
UTC 114通信地耦合到AI客户端服务102。如将在下面更详细地描述的,UTC 114向AI客户端服务102发送或以其他方式提供遥测数据,AI客户端服务102将遥测数据输入到机器学习模型118中以确定由AI代理104发布给电子设备100的各个组件106、108、110和/或112的通知。UTC 114还通信地耦合到云服务116以用于将遥测数据上载到云服务116,以使得云服务能够基于遥测数据创建和/或更新机器学习模型118。
在一个示例中,机器学习模型118是在云服务116中生成的,并且按照设备元数据进行分组。设备元数据包括描述电子设备100的任何数据,诸如设备名称、所有权、用户名、硬件配置和功能、设备使用模式、设备执行行为、位置等。在一些示例中,机器学习模型118包括来自电子设备100和/或与电子设备100和/或电子设备100的用户相关联的私有云服务(未示出)的定制机器学习模型118。例如,可以使用云服务116未知但电子设备100和/或用户已知的信息来扩充(例如,更新)在云服务116中生成的机器学习模型118。在一些示例中,由电子设备100用来扩充机器学习模型118的、云服务116未知的信息没有被UTC 114发送到云服务116(例如,未被众包)。以这种方式,电子设备100可以更新机器学习模型118中的至少一些,而无需与云服务116共享专有和/或定制信息。由电子设备100用来扩充机器学习模型118的、云服务116未知的信息包括但不限于电子设备100的定制硬件、专有芯片、电子设备100的其他硬件和/或软件(例如,军事设备、政府设备、开发者设备等)、电子设备100是工作设备还是个人设备等。
机器学习模型118可以是任何类型的机器学习模型,诸如但不限于开放神经网络交换(ONNX)模型等。UTC 114将遥测数据从电子设备100上载到云服务116以在云服务116处创建和/或更新机器学习模型118。例如,云服务116从电子设备100收集遥测数据,并且所收集的遥测数据用于训练机器学习模型118。此外,云服务116可以从其他电子设备(未示出)收集遥测数据以进一步更新机器学习模型118。很多电子设备可以向云服务116提供遥测数据,使得将来的机器学习模型118可以通过以这种方式众包来得到改进。
AI客户端服务102通信地耦合到云服务116以从云服务116接收机器学习模型118。例如,AI客户端服务102可以基于电子设备100的元数据向云服务116请求机器学习模型118,并且接收已经针对诸如电子设备100等设备创建的机器学习模型118。以这种方式,电子设备100接收与其他机器学习模型118相比可能更适合于电子设备100的特定机器学习模型118。
AI客户端服务102从云服务116接收机器学习模型118,并且使用电子设备100的存储器来存储机器学习模型118。AI客户端服务102还通信地耦合到UTC 114以用于从UTC 114接收遥测数据。AI客户端服务102将从UTC 114接收的遥测数据输入到从云服务116接收的机器学习模型118中,以确定要发布给电子设备100的组件106、108、110和112的通知。通知表示基于被输入到机器学习模型118中的遥测数据而被预测要在电子设备100上发生的事件。
在一些示例中,AI客户端服务102包括已训练回归器,诸如但不限于随机决策森林、有向无环图、支持向量机、神经网络、其他已训练回归器等。已训练回归器可以是使用来自电子设备100的遥测数据和/或来自其他电子设备的遥测数据被训练的。已训练回归器的示例包括卷积神经网络和随机决策森林。还应当理解,在一些示例中,AI客户端服务102可以根据本领域已知的机器学习原理和/或技术进行操作,而没有背离本文所述的系统和/或方法。
在某些情况下,AI客户端服务102包括被存储在存储器中并且在处理器上被执行的软件。在一些示例中,AI客户端服务102在现场可编程门阵列(FPGA)或专用芯片上被执行。例如,AI客户端服务102的功能可以全部或部分地由一个或多个硬件逻辑组件来实现。例如而非限制,可以使用的说明性类型的硬件逻辑组件包括FPGA、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)、图形处理单元(GPU)等。
在应用机器学习技术和/或算法时,AI客户端服务102和/或云服务116可以利用训练数据对。数百万个训练数据对(或更多)可以被存储在机器学习数据结构(例如,机器学习模型118)中。在一些示例中,训练数据对包括与标准更新值相配对的输入或反馈数据值。这两个值的配对展示了输入或反馈数据值与标准更新值之间的关系,机器学习模型118可以使用该关系来根据机器学习技术和/或算法来确定将来的标准更新。
AI客户端服务102被布置为执行本文中关于图2-4描述的方法,以确定由AI代理104发布给电子设备100的各个组件106、108、110和/或112以用于自动配置电子设备100或对电子设备100采取其他措施的通知。在一些示例中,由AI客户端服务102确定的通知可以包括向用户告知自动配置的给用户的提示、以及用于确认或拒绝自动配置的选择。
如上所述,由AI客户端服务102确定的通知表示基于被输入到机器学习模型118中的遥测数据而被预测要在电子设备100上发生的事件。由AI客户端服务102预测要发生的事件包括但不限于用户的偏好和/或动作与用户期望的矛盾、用户的偏好和/或动作与由用户定义和/或期望的阈值的矛盾、应用软件和/或硬件的不良部署、电子设备100和/或其组件的故障、应用软件108的即将使用和/或激活、应用软件108的意图使用、内部硬件110的即将使用和/或激活、内部硬件110的意图使用、外部硬件112的即将使用和/或激活、外部硬件112的意图使用、应用软件108的即将关闭和/或去激活、内部硬件110的即将掉电、外部硬件112的即将掉电和/或断开连接、和/或其他预测。
在一些示例中,由AI客户端服务102确定的通知关于或以其他方式与OS 106的一个或多个设置有关,使得通知向OS 102指示根据通知来配置(多个)设置。关于OS 106的(多个)设置的通知还可以指导根据通知或根据响应于通知的OS 106的(多个)设置的配置来配置OS 106的其他订阅组件和/或电子设备100的其他订阅组件108、110和112。
在一些示例中,由AI客户端服务102确定的通知可以关于特定应用软件108,使得特定应用软件108根据通知进行自配置。关于应用软件108的通知还可以指导根据应用软件108的配置来配置OS 106的一个或多个订阅组件和/或电子设备100的其他订阅组件108、110和/或112。备选地,OS 106的组件和/或电子设备100的其他订阅组件108、110和/或112可以根据他们的判断来选择对通知采取措施(例如,自配置)。
在一些示例中,由AI客户端服务102确定的通知可以关于特定内部硬件110,使得通知向特定内部硬件110(以及OS 106的订阅组件和/或其他订阅组件108、110和/或112)指示、传送或表示与通知相对应或基于通知的期望配置。此外,在一些示例中,由AI客户端服务102确定的通知可以关于特定外部硬件112,使得通知指导特定外部硬件112(以及OS 106的订阅组件和/或其他订阅组件108、110和/或112)根据通知来配置。
如上所述,在一些示例中,机器学习模型118包括定制机器学习模型118。例如,AI客户端服务102可以从UTC 114接收遥测数据和/或云服务116未知的与用户和/或电子设备100相关联的其他信息。然后,AI客户端服务102可以使用所接收的遥测数据和/或云服务116未知的其他信息,来扩充机器学习模型118中的一个或多个,以生成针对用户和/或电子设备100而定制的一个或多个定制机器学习模型118。AI客户端服务102可以由此确定针对用户和/或电子设备100而定制的通知。如上所述,UTC 114可能不会将遥测数据和/或其他信息发送到云服务116,使得在无需与云服务共享专有和/或定制信息的情况下定制机器学习模型118被生成。在一些示例中,除了其以外或备选生成定制机器学习模型118,AI客户端服务102被配置为基于遥测数据和/或从UTC 114接收的云服务116未知的其他信息来拒绝所确定的通知。
AI客户端服务102通信地耦合到AI代理104,以将所确定的通知从AI客户端服务102发送到AI代理104。AI代理104将从AI客户端服务102接收的所确定的通知发布给电子设备100的相关组件106、108、110和/或112。例如,AI代理104将与OS 106有关的通知发布给OS106以及任何订阅组件108、110和112。AI代理104将与特定应用软件108有关的通知发布给特定应用软件108和任何订阅组件106、108、110和/或112。类似地,AI代理104将与特定硬件110或112有关的通知发布给特定硬件110或112以及任何订阅组件106、108、110和/或112。然后,电子设备100的已经接收到所发布的通知的组件106、108、110和/或112根据所发布的通知(例如,根据OS 106和/或组件108、110的逻辑)进行配置。由AI客户端服务102拒绝的任何确定的通知(如上所述)将不会被AI代理104发布。
图2示出了根据一个实施例的用于使用人工智能来配置电子设备的方法200的流程图。示例方法200由诸如电子设备100等电子设备执行,并且包括在202处在电子设备处从云服务接收与设备元数据相匹配的机器学习模型。在204处,方法200包括访问表示设备使用数据的遥测数据。在206处,将所访问的遥测数据输入到所接收的机器学习模型中,以确定要发布给电子设备的组件的通知。在208处,该方法包括将所确定的通知发布给组件。通知表示被预测要在电子设备上发生的事件。在210处,方法200包括由组件基于所发布的通知来配置电子设备。
图3示出了根据一个实施例的用于使用人工智能来配置电子设备的操作系统的一个或多个设置的方法300的流程图。示例方法300由诸如电子设备100等电子设备执行,并且包括在302处在电子设备处从云服务接收与设备元数据相匹配的机器学习模型。在示例方法300中,机器学习模型与和电子设备的操作系统有关的设备元数据相匹配。方法300可选地包括在302a处,将遥测数据上载到云服务并且基于电子设备的遥测数据和/或来自另一电子设备的遥测数据来在云服务处更新机器学习模型。
在304处,方法300包括访问表示设备使用数据的遥测数据。在304处访问的遥测数据可以包括表示用户随着时间已经如何使用电子设备的数据(即,可以表示随着时间的使用模式)。另外地或备选地,在一些示例中,在304处访问遥测数据包括:在304处访问来自电子设备的、表示用户当前正在如何使用电子设备的实时遥测数据。
在一些示例中,在304处访问遥测数据包括:在304b处访问遥测数据和/或与用户和/或电子设备相关联的、云服务未知的其他信息。方法300可选地包括在304c处,使用遥测数据和/或云服务未知的其他信息来扩充至少一个机器学习模型。例如,对于云服务而言未知的,电子设备可以包括使用电子设备的电池电力的附加硬件。因此,方法300可以包括在304c处扩充机器学习模型,使得从已扩充的机器学习模型确定的通知(例如,在以下描述的操作312处)包括减少电子设备的功耗。
在306处,将所访问的遥测数据输入到所接收的机器学习模型中。在308处,方法300包括确定事件是否被预测要在电子设备上发生。在308处预测的事件关于电子设备的操作系统,并且可以包括但不限于用户的偏好和/或动作与用户期望(例如,从遥测数据等确定的)的矛盾、用户的偏好和/或动作与由用户定义和/或期望的阈值(例如,从遥测数据等确定的)的矛盾、应用软件和/或硬件的不良部署、电子设备100和/或其组件的故障等。例如,用户可以尝试利用与用户的期望或阈值(例如,操作系统或特定应用的最大启动时间、电子设备的电池寿命、电子设备的处理负荷等)相矛盾的偏好(例如,个性化偏好、特定应用在电子设备启动时自动启动的偏好等)来手动配置电子设备的操作系统。
如果在308处确定事件被预测不会发生,则方法300包括在310处,不采取进一步的措施。如果在308处确定事件被预测要发生,则方法300包括在312处,确定关于与预测事件有关的操作系统的一个或多个设置的一个或多个通知。在一些示例中,在312处确定一个或多个通知包括:使用已经在304c处被扩充的定制机器学习模型来确定(多个)通知。
可选地,方法300包括在318处,基于在304b处访问的遥测数据和/或云服务未知的其他信息来自动拒绝至少一个所确定的通知。例如,在312处所确定的通知可以提供减少电子设备的电池寿命的用于工作设备的功率设置(例如,更高的性能设置等),而在304b处访问的遥测数据和/或其他信息将电子设备标识为用户的个人设备。因此,方法300可以包括在318处,基于电子设备是个人设备并且功率设置将耗尽电子设备的电池的这一知识来自动拒绝在312处被确定的通知的功率设置。在一些示例中,当电子设备是个人设备时,个人设置可能胜过企业设置。
在314处,方法300包括将所确定的通知发布给电子设备的操作系统和任何订阅组件。发布使用电子设备的任何通知架构来进行。在操作314将不会发布在318处已经自动被拒绝的任何通知。
在316处,方法300包括基于所发布的通知来配置电子设备的操作系统(和任何订阅组件)的(多个)设置。
在方法300的示例中,当用户在电子设备上选择个性化偏好时,在308处确定所选择的偏好是否会将电子设备的电池寿命降低到用户的期望以下。用户对电子设备的电池寿命的期望可以从遥测数据获知,并且在一些示例中,可以被内置到对应的(多个)机器学习模型(例如,在操作306中使用的(多个)机器学习模型)中。如果在操作308处预测到偏好会将电子设备的电池寿命降低到用户的期望以下,则分别在操作312和314处确定和发布指示应当拒绝偏好改变的一个或多个通知。在一些示例中,通知可以是向用户告知预期的负面后果的给用户的提示、以及用于确认所选择的偏好的请求。
在方法300的示例中,当用户选择特定应用在电子设备启动时自动开始时,在308处确定所选择的应用是否将使电子设备的启动时间增加超过用户先前设置(并且可以被内置到操作306中使用的对应(多个)机器学习模型中)的阈值。如果在操作308处预测在电子设备启动时开始特定应用将使启动时间增加超过阈值,则分别在操作312和314处确定和发布一个或多个通知,其传达该信息或者拒绝在启动时自动开始特定应用的请求。
在方法300的示例中,将来自一个或多个其他电子设备的、指示特定应用的不良部署的遥测数据内置到在操作306处使用的(多个)机器学习模型中。如果在操作308处预测到特定应用的部署将失败,则分别在操作312和314处确定和发布一个或多个通知,其传达该信息或拒绝部署特定应用。
在方法300的示例中,将来自一个或多个其他电子设备的、指示电子设备的故障的补救措施的遥测数据内置到在操作306处使用的(多个)机器学习模型中。如果在操作308处预测到补救动作将促进补救电子设备的故障,则分别在操作312和314处确定和发布部署或建议部署补救动作的一个或多个通知。因此,方法300可以实现电子设备的自动补救。
图4示出了根据一个实施例的用于使用人工智能来配置电子设备的应用和/或硬件的方法400的流程图。示例方法400包括在402处,在电子设备处从云服务接收与设备元数据相匹配的机器学习模型。在示例方法400中,机器学习模型被匹配到与电子设备的应用软件、内部硬件和/或外部硬件有关的设备元数据。方法400可选地包括在402a处,将遥测数据上载到云服务并且基于电子设备的遥测数据和/或来自另一电子设备的遥测数据来在云服务处更新机器学习模型。
在404处,方法400包括访问表示设备使用数据的遥测数据。在404处所访问的遥测数据可以包括表示随时间的电子设备的使用模式的数据。另外地或备选地,在一些示例中,在404处访问遥测数据包括:在404处访问来自电子设备的、表示用户当前正在如何使用电子设备的实时遥测数据。
在一些示例中,在404处访问遥测数据包括:在404b处访问遥测数据和/或与用户和/或电子设备相关联的、云服务未知的其他信息。方法400可选地包括在404c处,使用遥测数据和/或云服务未知的其他信息来扩充至少一个机器学习模型。
在406处,将所访问的遥测数据输入到所接收的机器学习模型中。在408处,方法400包括确定事件是否被预测要在电子设备上发生。在408处被预测的事件关于电子设备的一个或多个应用和/或一个或多个硬件,并且可以包括但不限于应用的即将使用和/或激活、应用的意图使用、内部硬件的即将使用和/或激活、内部硬件的意图使用、外部硬件的即将使用和/或激活、外部硬件的意图使用、应用软件的即将关闭和/或去激活、内部硬件的即将掉电、外部硬件的即将掉电和/或断开连接等。
例如,方法400可以在408处基于用户对特定应用和/或硬件的先前使用来确定特定应用和/或特定硬件被预测为在即将到来的时间点将被使用。此外,例如,方法400可以在408处基于用户对特定硬件的先前使用和/或基于其他电子设备上的特定硬件的先前使用来确定针对特定硬件的意图使用(例如,监测器将仅用于观看电视)。
如果在408处确定事件被预测不会发生,则方法400包括在410处,不采取进一步的措施。如果在408处确定事件被预测要发生,则方法400包括在412处,确定关于与预测事件有关的应用和/或硬件的一个或多个通知。在一些示例中,在412处确定一个或多个通知可以包括:使用已经在404c处被扩充的定制机器学习模型来确定(多个)通知。可选地,方法400包括在418处,基于在404b处访问的遥测数据和/或云服务未知的其他信息来自动拒绝至少一个所确定的通知。
在414处,方法400包括将所确定的通知发布给电子设备的应用和/或硬件以及任何其他订阅组件。操作414不包括发布在418处已经被拒绝的任何通知,使得这样的被自动拒绝的通知将保持未发布。
在416处,方法400包括基于所发布的通知来配置电子设备的应用和/硬件(以及任何其他订阅组件)。
在方法400的示例中,方法400在操作408处预测到用户将在即将到来的时间点进行视频通话。然后,在操作412处确定准备电子设备用于视频通话的一个或多个通知,并且在414处将其发布给视频通话应用(例如,)和任何订阅组件(例如,视频卡、声卡、网卡、广告服务应用等)。例如,(多个)通知可以指导skype应用打开和配置以用于视频通话。此外,(多个)通知可以指导视频通话应用和/或任何订阅组件下载附加组件以执行以促进视频通话。
在方法400的示例中,方法400在操作408预测IoT设备的意图使用。然后,在操作412确定指导利用与IoT设备的预测使用有关的一个或多个应用来配置IoT设备的一个或多个通知,并且在操作414处将通知发布给IoT设备和任何订阅组件,使得在操作416处,利用与预测使用有关或相联系的(多个)应用来配置IoT设备和任何订阅组件。可选地,(多个)通知指导在操作416处利用根据预测使用来操作IoT设备所要求的最小应用集来配置IoT设备和任何订阅组件。换言之,(多个)通知指导在操作416处利用根据预测使用、为了满足预测使用、为了适应预测使用、或者以其他方式实现预测使用来操作IoT设备所必需的(多个)应用来配置IoT设备和任何订阅组件(例如,可以利用二进制驱动的数据集中的最小二进制集来配置IoT设备)。IoT设备的预测使用可以从用户的遥测数据和/或来自一个或多个其他电子设备的遥测数据获知,并且在某些示例中,可以被内置到对应的(多个)机器学习模型(例如,在操作406处使用的(多个)机器学习模型)中。硬件的预测使用可以导致较少的针对用户特定使用而定制的昂贵硬件(诸如但不限于IoT设备等)。
附加示例
在一个示例场景中,本文中描述的方法、系统和电子设备可以用于基于用户对虚拟个人助理的使用来增加虚拟个人助理(例如,等)的功能。例如,可以基于用户走进房间、下载音乐、设置灯光、点菜等的历史来将新技能添加到虚拟个人助理中。
在另一示例场景中,本文中描述的方法、系统和电子设备可以用于使电子设备适合家庭的使用。例如,可以基于指示用户是成人还是儿童的使用模式来自动改变电子设备的配置。
示例性操作环境
本公开可以与根据实施例的、作为图5中的功能框图500的电子设备(即,计算装置)一起操作。在一个实施例中,根据本说明书中描述的一个或多个实施例,计算装置518的组件可以被实现为电子设备的一部分。计算装置518包括一个或多个处理器519,处理器519可以是微处理器、控制器、或用于处理计算机可执行指令以控制电子设备的操作的任何其他合适类型的处理器。可以在装置518上提供包括操作系统520的平台软件或任何其他合适的平台软件,以使得应用软件521能够在设备上被执行。根据一个实施例,使用系统时钟的视频流的帧的相关可以使用软件来实现。
计算机可执行指令可以使用计算装置518可访问的任何计算机可读介质来提供。计算机可读介质可以包括例如计算机存储介质(诸如存储器522)和通信介质。诸如存储器522等计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块等信息的任何方法或技术实现的易失性和非易失性的可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EPROM、EEPROM、闪存或其他存储技术、CD-ROM、数字多功能磁盘(DVD)或其他光学存储、磁带、磁带、磁盘存储或其他磁性存储设备、或者可以用于存储信息以供计算装置访问的任何其他非发送介质。相反,通信介质可以在诸如载波等调制数据信号或其他发送机制中体现计算机可读指令、数据结构、程序模块等。如本文中定义的,计算机存储介质不包括通信介质。因此,计算机存储介质本身不应当被解释为传播信号。传播信号本身并不是计算机存储介质的示例。尽管计算机存储介质(存储器522)被示出为在计算装置518内,但是本领域技术人员将理解,该存储装置可以被远程地分布或定位,并且可以经由网络或其他通信链路(例如,使用通信接口523)来访问。
计算装置518可以包括输入/输出控制器524,该输入/输出控制器524被配置为将信息输出到一个或多个输出设备525,例如显示器或扬声器,输出设备525可以与电子设备分离或集成到电子设备。输入/输出控制器524还可以被配置为接收和处理来自一个或多个输入设备526的输入,输入设备526例如键盘、麦克风或触摸板。在一个实施例中,输出设备525也可以充当输入设备。这种设备的示例可以是触敏显示器。输入/输出控制器524还可以将数据输出到除输出设备以外的设备,例如,本地连接的打印设备。在一些实施例中,用户527可以向输入设备526提供输入和/或从输出设备525接收输出。
本文中描述的功能可以至少部分由一个或多个硬件逻辑组件执行。根据一个实施例,当程序代码由处理器519执行时,通过程序代码来将计算装置518配置为执行所描述的操作和功能的实施例。备选地或另外地,本文中描述的功能可以至少部分由一个或多个硬件逻辑组件执行。例如而非限制,可以使用的说明性类型的硬件逻辑组件包括现场可编程门阵列(FPGA)、专用集成电路(ASIC)、特定程序标准产品(ASSP)、系统级芯片系统(SOC)、复杂可编程逻辑设备(CPLD)、图形处理单元(GPU)。
尽管可以将本实施例中的一些实施例描述和示出为在智能电话、移动电话或平板计算机中实现,但是这些仅是设备的示例,而不是限制。如本领域技术人员将理解的,本实施例适用于各种不同类型的设备,诸如便携式和移动设备,例如在膝上型计算机、平板计算机、游戏机或游戏控制器、各种可穿戴设备等中。
图中各个元件的功能的至少一部分可以由图中的其他元件执行,或者由图中未示出的实体(例如,处理器、web服务、服务器、应用程序、计算设备等)执行。
尽管结合示例性计算系统环境进行了描述,但是本公开的示例能够利用很多其他通用或专用计算系统环境、配置或设备来实现。
可以适合与本公开的各方面一起使用的众所周知的计算系统、环境和/或配置的示例包括但不限于移动计算设备、个人计算机、服务器计算机、手持式或膝上型计算机、多处理器系统、游戏机、基于微处理器的系统、机顶盒、可编程消费电子产品、移动电话、可穿戴或便携式形式的移动计算和/或通信设备(例如,手表、眼镜、耳机或耳机)、网络PC、小型计算机、大型机、包括以上任何系统或设备的分布式计算环境等。这样的系统或设备可以通过手势输入、接近输入(诸如通过悬停)和/或语音输入以任何方式接受来自用户的输入,包括来自诸如键盘或指示设备等输入设备。
本公开的示例可以在计算机可执行指令(诸如程序模块)的一般上下文中描述,该计算机可执行指令由一个或多个计算机或其他设备以软件、固件、硬件或其组合来执行。可以将计算机可执行指令组织成一个或多个计算机可执行组件或模块。通常,程序模块包括但不限于执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件和数据结构。本公开的各方面可以用任何数目和组织的这样的组件或模块来实现。例如,本公开的各方面不限于图中所示和本文中描述的特定计算机可执行指令或特定组件或模块。本公开的其他示例可以包括具有比本文中示出和描述的功能更多或更少的功能的不同的计算机可执行指令或组件。
在涉及通用计算机的示例中,当被配置为执行本文所述的指令时,本公开的各方面将通用计算机转换为专用计算设备。
本文中示出和描述的示例以及本文中未具体描述但在本公开的各方面的范围内的示例构成用于使用AI来配置电子设备的示例性装置。例如,图1中所示的元件,诸如在被编码时执行图2-4所示的操作,构成用于使用AI来配置电子设备的示例性装置。
作为本文所述的其他示例的备选或补充,示例包括以下各项的任何组合:
-一种电子设备,包括:
至少一个处理器;
至少一个存储器,存储从电子设备收集的遥测数据,遥测数据至少表示设备使用数据,存储器还存储与设备元数据相匹配的一个或多个机器学习模型;
人工智能(AI)客户端服务,其响应于由处理器的执行,从云服务接收一个或多个机器学习模型并且将遥测数据从存储器输入到一个或多个机器学习模型中,以确定要发布给电子设备的组件的通知;
AI客户端代理,其响应于由处理器的执行,将所确定的通知发布给组件,通知表示被预测要在电子设备上发生的事件;以及
由组件至少基于所发布的通知来配置电子设备。
-其中组件包括电子设备的操作系统,并且AI客户端服务响应于由处理器的执行而确定与操作系统的至少一个设置有关的通知,并且其中由组件配置包括:至少基于所发布的通知来配置操作系统的至少一个设置。
-其中组件包括电子设备的应用或设备的硬件中的至少一个,并且AI客户端服务响应于由处理器的执行而确定与应用或硬件中的至少一个有关的通知,并且其中由组件配置包括:至少基于所发布的通知来配置应用或硬件中的至少一个。
-其中AI客户端服务响应于由处理器的执行而使用云服务未知的信息来扩充机器学习模型中的至少一个机器学习模型。
-其中组件包括电子设备的硬件,并且AI客户端服务响应于由处理器的执行而确定与硬件有关的通知,通知表示基于遥测数据的硬件的预测使用,并且其中由组件配置包括:利用与硬件的预测使用有关的至少一个应用来配置硬件。
-其中组件包括电子设备的硬件,并且AI客户端服务响应于由处理器的执行而确定与硬件有关的通知,通知表示基于遥测数据的硬件的预测使用,并且其中由组件配置包括:利用根据预测使用来操作硬件所要求的最小应用集来配置硬件。
-还包括通用遥测客户端,通用遥测客户端响应于由处理器的执行而将遥测数据从存储器上载到云服务,以用于在云服务处基于电子设备的遥测数据或来自另一电子设备的遥测数据中的至少一个来更新机器学习模型。
-其中由AI客户端服务从存储器输入到机器学习模型中的遥测数据是来自电子设备的实时遥测数据。
-其中AI客户端服务响应于由处理器的执行而基于云服务未知的信息来拒绝所确定的通知中的至少一个。
-一种计算机化的方法,包括:
在电子设备处从云服务接收与设备元数据相匹配的机器学习模型;
访问至少表示设备使用数据的遥测数据;
将所访问的遥测数据输入到所接收的机器学习模型中以确定要发布给电子设备的组件的通知;
将所确定的通知发布给组件,通知表示被预测要在电子设备上发生的事件;以及
至少基于所发布的通知,由组件配置电子设备。
-其中将所访问的遥测数据输入到所接收的机器学习模型中包括:确定与电子设备的操作系统的至少一个设置有关的通知,并且其中由组件配置包括:至少基于所发布的通知来配置操作系统的至少一个设置。
-其中将所访问的遥测数据输入到所接收的机器学习模型中包括:确定与电子设备的应用或设备的硬件中的至少一个有关的通知,并且其中由组件配置包括:至少基于所发布的通知来配置应用或硬件中的至少一个。
-还包括使用云服务未知的信息来扩充机器学习模型中的至少一个机器学习模型。
-其中将所访问的遥测数据输入到所接收的机器学习模型中包括:确定与电子设备的硬件有关的通知,通知表示基于遥测数据的硬件的预测使用,并且其中由组件配置包括:利用与硬件的预测使用有关的至少一个应用来配置硬件。
-其中将所访问的遥测数据输入到所接收的机器学习模型中包括:确定与电子设备的硬件有关的通知,通知表示基于遥测数据的硬件的预测使用,并且其中由组件配置包括:利用根据预测使用来操作硬件所要求的最小应用集来配置硬件。
-还包括将遥测数据从存储器上载到云服务,以及在云服务处基于电子设备的遥测数据或来自另一电子设备的遥测数据中的至少一个来更新机器学习模型。
-其中访问表示设备使用数据的遥测数据包括:访问来自电子设备的实时遥测数据。
-一种或多种计算机存储介质,具有计算机可执行指令,计算机可执行指令用于利用人工智能来配置设备,计算机可执行指令响应于由处理器的执行而使处理器至少:
从云服务接收与设备元数据相匹配的机器学习模型;
访问至少表示设备使用数据的遥测数据;
将所访问的遥测数据输入到所接收的机器学习模型中以确定要发布给电子设备的组件的通知;
将所确定的通知发布给组件,通知表示被预测要在电子设备上发生的事件;以及
基于所发布的通知,由组件配置电子设备。
-其中处理器将所访问的遥测数据输入到所接收的机器学习模型中,以确定与电子设备的操作系统的至少一个设置、设备的应用、或设备的硬件中的至少一个有关的通知,并且其中由组件配置包括:至少基于所发布的通知来配置操作系统的至少一个设置、应用、或硬件中的至少一个。
-其中处理器使用云服务未知的信息来扩充机器学习模型中的至少一个机器学习模型。
-其中处理器将所访问的遥测数据输入到所接收的机器学习模型中,以确定与电子设备的应用或电子设备的硬件中的至少一个有关的通知,并且其中由组件配置包括:至少基于所发布的通知来配置应用或硬件中的至少一个。
-其中处理器将所访问的遥测数据输入到所接收的机器学习模型中,以确定与电子设备的硬件有关的通知,通知表示至少基于遥测数据的硬件的预测使用,并且其中由组件配置包括:使用与硬件的预测使用有关的至少一个应用来配置硬件。
-其中处理器将所访问的遥测数据输入到所接收的机器学习模型中,以确定与电子设备的硬件有关的通知,通知表示至少基于遥测数据的硬件的预测使用,并且其中由组件配置包括:利用根据预测使用来操作硬件所要求的最小应用集来配置硬件。
-其中处理器还被使得将遥测数据上载到云服务,以用于在云服务处基于电子设备的遥测数据或来自另一电子设备的遥测数据中的至少一个来更新机器学习模型。
-其中处理器访问来自电子设备的实时遥测数据。
尽管本公开的各方面没有追踪个人可标识信息,但是已经参考从用户监测和/或收集的数据描述了示例。在一些示例中,可以向用户提供数据收集的通知(例如,经由对话框或偏好设置),并且给予用户机会以给予或拒绝同意监测和/或收集。同意可以采取选择加入(opt-in)同意或选择退出(opt-out)同意的形式。
如本领域技术人员将很清楚的,本文中给出的任何范围或设备值可以被扩展或更改而不会失去所寻求的效果。
尽管已经用特定于结构特征和/或方法动作的语言描述了技术方案,但是应当理解,所附权利要求书中定义的主题不必限于上述特定特征或动作。而是,上述特定特征和动作被公开作为实现权利要求的示例形式。
将理解,上述益处和优点可以涉及一个实施例,也可以涉及若干实施例。实施例不限于解决任何或所有上述问题的实施例或具有任何或所有上述益处和优点的实施例。还将理解,对“一个(an)”项目的引用是指这些项目中的一个或多个。
在本说明书中使用的术语“包括(comprising)”是指包括其后跟随的(多个)特征或(多个)行为,而不排除存在一个或多个附加特征或行为。
在一些示例中,图中所示的操作可以被实现为在计算机可读介质上编码的软件指令,在被编程为或被设计为执行操作的硬件中实现,或这两者。例如,本公开的各方面可以被实现为包括多个互连的导电元件的片上系统或其他电路系统。
除非另有说明,否则本文中图示和描述的本公开示例中的操作的执行顺序或执行不是必需的。也就是说,除非另有说明,否则操作可以以任何顺序执行,并且本公开的示例可以包括比本文中公开的操作更多或更少的操作。例如,预期在另一操作之前、同时或之后执行(execute)或执行(perform)特定操作在本公开的各方面的范围内。
当介绍本公开的各方面的要素或其示例时,冠词“一个(a)”、“一个(an)”、“该(the)”和“上述(said)”旨在表示存在一个或多个要素。术语“包括(comprising)”、“包括(including)”和“具有(having)”旨在是包括性的,并且表示除所列要素外可以还有其他要素。术语“示例性”旨在表示“示例”。短语“A、B和C中的一个或多个”是指“A中的至少一个和/或B中的至少一个和/或C中的至少一个”。
已经详细描述了本公开的各方面,将很清楚的是,在不脱离如所附权利要求所限定的本公开的各方面的范围的情况下,可以进行修改和变化。由于可以在不脱离本公开的各方面的范围的情况下对以上构造、产品和方法进行各种改变,因此意图是,将以上描述中包含的以及附图中示出的所有内容解释为说明性的,而非在限制意义上解释。
Claims (15)
1.一种电子设备,包括:
至少一个处理器;
至少一个存储器,存储从所述电子设备收集的遥测数据,所述遥测数据至少表示设备使用数据,所述存储器还存储与设备元数据相匹配的一个或多个机器学习模型;
人工智能(AI)客户端服务,其响应于由所述至少一个处理器的执行,从云服务接收所述一个或多个机器学习模型,并且将所述遥测数据从所述存储器输入到所述一个或多个机器学习模型中,以确定要发布给所述电子设备的组件的通知;
AI客户端代理,其响应于由所述至少一个处理器的执行,将所确定的所述通知发布给所述组件,所述通知表示被预测要在所述电子设备上发生的事件;以及
至少基于所发布的所述通知,由所述组件配置所述电子设备。
2.根据权利要求1所述的电子设备,其中所述组件包括所述电子设备的操作系统,并且所述AI客户端服务响应于由所述处理器的执行而确定与所述操作系统的至少一个设置有关的通知,并且其中由所述组件配置包括:至少基于所发布的所述通知来配置所述操作系统的所述至少一个设置。
3.根据权利要求1所述的电子设备,其中所述组件包括所述电子设备的应用或所述设备的硬件中的至少一个,并且所述AI客户端服务响应于由所述处理器的执行而确定与所述应用或所述硬件中的所述至少一个有关的通知,并且其中由所述组件配置包括:至少基于所发布的所述通知来配置所述应用或所述硬件中的至少一个。
4.根据权利要求1所述的电子设备,其中所述AI客户端服务响应于由所述处理器的执行而使用所述云服务未知的信息来扩充所述机器学习模型中的至少一个机器学习模型。
5.根据权利要求1所述的电子设备,其中所述组件包括所述电子设备的硬件,并且所述AI客户端服务响应于由所述处理器的执行而确定与所述硬件有关的通知,所述通知表示至少基于所述遥测数据的所述硬件的预测使用,并且其中由所述组件配置包括:利用与所述硬件的所述预测使用有关的至少一个应用来配置所述硬件。
6.根据权利要求1所述的电子设备,还包括通用遥测客户端,所述通用遥测客户端响应于由所述处理器的执行而将所述遥测数据从所述存储器上载到所述云服务,以用于在所述云服务处、基于所述电子设备的所述遥测数据或来自另一电子设备的遥测数据中的至少一个来更新所述机器学习模型。
7.一种计算机化的方法,包括:
在电子设备处从云服务接收与设备元数据相匹配的机器学习模型;
访问至少表示设备使用数据的遥测数据;
将所访问的所述遥测数据输入到所接收的所述机器学习模型中,以确定要发布给所述电子设备的组件的通知;
将所确定的所述通知发布给所述组件,所述通知表示被预测要在所述电子设备上发生的事件;以及
至少基于所发布的所述通知,由所述组件配置所述电子设备。
8.根据权利要求7所述的计算机化的方法,其中将所访问的所述遥测数据输入到所接收的所述机器学习模型中包括:确定与所述电子设备的操作系统的至少一个设置有关的通知,并且其中由所述组件配置包括:至少基于所发布的所述通知来配置所述操作系统的所述至少一个设置。
9.根据权利要求7所述的计算机化的方法,其中将所访问的所述遥测数据输入到所接收的所述机器学习模型中包括:确定与所述电子设备的应用或所述设备的硬件中的至少一个有关的通知,并且其中由所述组件配置包括:至少基于所发布的所述通知来配置所述应用或所述硬件中的所述至少一个。
10.根据权利要求7所述的计算机化的方法,其中将所访问的所述遥测数据输入到所接收的所述机器学习模型中包括:确定与所述电子设备的硬件有关的通知,所述通知表示至少基于所述遥测数据的所述硬件的预测使用,并且其中由所述组件配置包括:利用与所述硬件的所述预测使用有关的至少一个应用来配置所述硬件。
11.根据权利要求7所述的计算机化的方法,其中访问表示设备使用的遥测数据包括:访问来自所述电子设备的实时遥测数据。
12.一种或多种计算机存储介质,具有计算机可执行指令,所述计算机可执行指令用于利用人工智能来配置电子设备,所述计算机可执行指令响应于由处理器的执行而使所述处理器至少:
从云服务接收与设备元数据相匹配的机器学习模型;
访问至少表示设备使用数据的遥测数据;
将所访问的所述遥测数据输入到所接收的所述机器学习模型中,以确定要发布给所述电子设备的组件的通知;
将所确定的所述通知发布给所述组件,所述通知表示被预测要在所述电子设备上发生的事件;以及
至少基于所发布的所述通知,由所述组件配置所述电子设备。
13.根据权利要求12所述的一种或多种计算机存储介质,其中所述处理器将所访问的所述遥测数据输入到所接收的所述机器学习模型中,以确定与所述电子设备的操作系统的至少一个设置、所述设备的应用、或所述设备的硬件中的至少一个有关的通知,并且其中由所述组件配置包括:基于所发布的所述通知来配置所述操作系统的所述至少一个设置、所述应用、或所述硬件中的所述至少一个。
14.根据权利要求12所述的一种或多种计算机存储介质,其中所述处理器将所访问的所述遥测数据输入到所接收的所述机器学习模型中,以确定与所述电子设备的硬件有关的通知,所述通知表示基于所述遥测数据的所述硬件的预测使用,并且其中由所述组件配置包括:利用与所述硬件的所述预测使用有关的至少一个应用来配置所述硬件。
15.根据权利要求12所述的一种或多种计算机存储介质,其中所述处理器还被使得将所述遥测数据上载到所述云服务,以用于在所述云服务处、基于所述电子设备的所述遥测数据或来自另一电子设备的遥测数据中的至少一个来更新所述机器学习模型。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862666084P | 2018-05-02 | 2018-05-02 | |
US62/666,084 | 2018-05-02 | ||
US15/994,442 | 2018-05-31 | ||
US15/994,442 US11494200B2 (en) | 2018-05-02 | 2018-05-31 | Configuring an electronic device using artificial intelligence |
PCT/US2019/028265 WO2019212763A1 (en) | 2018-05-02 | 2019-04-19 | Configuring an electronic device using artificial intelligence |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112055848A true CN112055848A (zh) | 2020-12-08 |
Family
ID=68384870
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980029480.5A Pending CN112055848A (zh) | 2018-05-02 | 2019-04-19 | 使用人工智能配置电子设备 |
Country Status (4)
Country | Link |
---|---|
US (2) | US11494200B2 (zh) |
EP (1) | EP3788484A1 (zh) |
CN (1) | CN112055848A (zh) |
WO (1) | WO2019212763A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116938672A (zh) * | 2023-09-18 | 2023-10-24 | 中国电信股份有限公司 | 任务模型分发方法、装置、计算机设备、介质及产品 |
Families Citing this family (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018176000A1 (en) | 2017-03-23 | 2018-09-27 | DeepScale, Inc. | Data synthesis for autonomous control systems |
US11157441B2 (en) | 2017-07-24 | 2021-10-26 | Tesla, Inc. | Computational array microprocessor system using non-consecutive data formatting |
US11893393B2 (en) | 2017-07-24 | 2024-02-06 | Tesla, Inc. | Computational array microprocessor system with hardware arbiter managing memory requests |
US11409692B2 (en) | 2017-07-24 | 2022-08-09 | Tesla, Inc. | Vector computational unit |
US10671349B2 (en) | 2017-07-24 | 2020-06-02 | Tesla, Inc. | Accelerated mathematical engine |
US11561791B2 (en) | 2018-02-01 | 2023-01-24 | Tesla, Inc. | Vector computational unit receiving data elements in parallel from a last row of a computational array |
US11215999B2 (en) | 2018-06-20 | 2022-01-04 | Tesla, Inc. | Data pipeline and deep learning system for autonomous driving |
US11361457B2 (en) | 2018-07-20 | 2022-06-14 | Tesla, Inc. | Annotation cross-labeling for autonomous control systems |
US11636333B2 (en) | 2018-07-26 | 2023-04-25 | Tesla, Inc. | Optimizing neural network structures for embedded systems |
US11562231B2 (en) | 2018-09-03 | 2023-01-24 | Tesla, Inc. | Neural networks for embedded devices |
CN113039556B (zh) | 2018-10-11 | 2022-10-21 | 特斯拉公司 | 用于使用增广数据训练机器模型的系统和方法 |
US11196678B2 (en) | 2018-10-25 | 2021-12-07 | Tesla, Inc. | QOS manager for system on a chip communications |
US11816585B2 (en) | 2018-12-03 | 2023-11-14 | Tesla, Inc. | Machine learning models operating at different frequencies for autonomous vehicles |
US11537811B2 (en) | 2018-12-04 | 2022-12-27 | Tesla, Inc. | Enhanced object detection for autonomous vehicles based on field view |
US11610117B2 (en) | 2018-12-27 | 2023-03-21 | Tesla, Inc. | System and method for adapting a neural network model on a hardware platform |
EP3906508B1 (en) * | 2018-12-31 | 2024-03-13 | Intel Corporation | Securing systems employing artificial intelligence |
US10997461B2 (en) | 2019-02-01 | 2021-05-04 | Tesla, Inc. | Generating ground truth for machine learning from time series elements |
US11567514B2 (en) | 2019-02-11 | 2023-01-31 | Tesla, Inc. | Autonomous and user controlled vehicle summon to a target |
US10956755B2 (en) | 2019-02-19 | 2021-03-23 | Tesla, Inc. | Estimating object properties using visual image data |
US10887759B1 (en) * | 2020-01-30 | 2021-01-05 | International Business Machines Corporation | Device loss prediction, prevention, and recovery |
US11657300B2 (en) * | 2020-02-26 | 2023-05-23 | Samsung Electronics Co., Ltd. | Systems and methods for predicting storage device failure using machine learning |
US11922297B2 (en) * | 2020-04-01 | 2024-03-05 | Vmware, Inc. | Edge AI accelerator service |
US11237813B1 (en) * | 2021-01-29 | 2022-02-01 | Splunk Inc. | Model driven state machine transitions to configure an installation of a software program |
US11592890B2 (en) * | 2021-03-01 | 2023-02-28 | Dell Products, L.P. | System and method for Information Handling System (IHS) optimization using core stall management technology |
US11949696B2 (en) * | 2021-12-17 | 2024-04-02 | Bank Of America Corporation | Data security system with dynamic intervention response |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170140285A1 (en) * | 2015-11-13 | 2017-05-18 | Microsoft Technology Licensing, Llc | Enhanced Computer Experience From Activity Prediction |
CN107209624A (zh) * | 2015-01-14 | 2017-09-26 | 微软技术许可有限责任公司 | 用于设备个性化的用户交互模式提取 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9014640B2 (en) * | 2008-10-31 | 2015-04-21 | Qualcomm Incorporated | Wake-up trigger for implementation of target actions |
US9063818B1 (en) * | 2011-03-16 | 2015-06-23 | Google Inc. | Automated software updating based on prior activity |
US8983849B2 (en) * | 2012-10-17 | 2015-03-17 | Nuance Communications, Inc. | Multiple device intelligent language model synchronization |
US8655307B1 (en) * | 2012-10-26 | 2014-02-18 | Lookout, Inc. | System and method for developing, updating, and using user device behavioral context models to modify user, device, and application state, settings and behavior for enhanced user security |
US20160294614A1 (en) * | 2014-07-07 | 2016-10-06 | Symphony Teleca Corporation | Remote Embedded Device Update Platform Apparatuses, Methods and Systems |
US20160379105A1 (en) | 2015-06-24 | 2016-12-29 | Microsoft Technology Licensing, Llc | Behavior recognition and automation using a mobile device |
US20170039480A1 (en) | 2015-08-06 | 2017-02-09 | Microsoft Technology Licensing, Llc | Workout Pattern Detection |
US10733532B2 (en) * | 2016-01-27 | 2020-08-04 | Bonsai AI, Inc. | Multiple user interfaces of an artificial intelligence system to accommodate different types of users solving different types of problems with artificial intelligence |
US20170357910A1 (en) | 2016-06-10 | 2017-12-14 | Apple Inc. | System for iteratively training an artificial intelligence using cloud-based metrics |
US20180322419A1 (en) * | 2017-05-08 | 2018-11-08 | Centurylink Intellectual Property Llc | Model Driven Modular Artificial Intelligence Learning Framework |
US11687800B2 (en) * | 2017-08-30 | 2023-06-27 | P Tech, Llc | Artificial intelligence and/or virtual reality for activity optimization/personalization |
US10673728B2 (en) * | 2018-01-26 | 2020-06-02 | Cisco Technology, Inc. | Dynamic selection of models for hybrid network assurance architectures |
-
2018
- 2018-05-31 US US15/994,442 patent/US11494200B2/en active Active
-
2019
- 2019-04-19 WO PCT/US2019/028265 patent/WO2019212763A1/en unknown
- 2019-04-19 CN CN201980029480.5A patent/CN112055848A/zh active Pending
- 2019-04-19 EP EP19726216.5A patent/EP3788484A1/en active Pending
-
2022
- 2022-09-26 US US17/935,516 patent/US11960907B2/en active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107209624A (zh) * | 2015-01-14 | 2017-09-26 | 微软技术许可有限责任公司 | 用于设备个性化的用户交互模式提取 |
US20170140285A1 (en) * | 2015-11-13 | 2017-05-18 | Microsoft Technology Licensing, Llc | Enhanced Computer Experience From Activity Prediction |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116938672A (zh) * | 2023-09-18 | 2023-10-24 | 中国电信股份有限公司 | 任务模型分发方法、装置、计算机设备、介质及产品 |
CN116938672B (zh) * | 2023-09-18 | 2024-02-23 | 中国电信股份有限公司 | 任务模型分发方法、装置、计算机设备、介质及产品 |
Also Published As
Publication number | Publication date |
---|---|
US20190339989A1 (en) | 2019-11-07 |
US20230018913A1 (en) | 2023-01-19 |
US11494200B2 (en) | 2022-11-08 |
US11960907B2 (en) | 2024-04-16 |
WO2019212763A1 (en) | 2019-11-07 |
EP3788484A1 (en) | 2021-03-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11960907B2 (en) | Configuring an electronic device using artificial intelligence | |
US11711432B1 (en) | Remote management of application settings | |
RU2689203C2 (ru) | Гибкая схема для настройки языковой модели | |
US10146582B2 (en) | Method for assigning priority to multiprocessor tasks and electronic device supporting the same | |
US20180129492A1 (en) | Peripheral device support with a digital assistant for operating system upgrades | |
US20200279187A1 (en) | Model and infrastructure hyper-parameter tuning system and method | |
US10402222B2 (en) | Task migration method and apparatus | |
EP3008543B1 (en) | Scenario power management | |
CN106502703B (zh) | 一种函数调用方法和装置 | |
CN105940375B (zh) | 针对多操作系统设备的动态再分配 | |
US11189100B2 (en) | Systems and methods for optimizing extended reality experiences | |
US20230221784A1 (en) | System and method for power state enforced subscription management | |
CN107506244A (zh) | 一种cpu调度方法、移动终端及cpu调度系统 | |
US11907153B2 (en) | System and method for distributed subscription management | |
WO2017083157A1 (en) | Creating and modifying applications from a mobile device | |
US20180006881A1 (en) | Fault-Tolerant Configuration of Network Devices | |
US20100318973A1 (en) | Method and apparatus for providing dynamic activation of virtual platform sub-modules | |
WO2018042313A2 (en) | Techniques for implementing universal commands in a welding or cutting system | |
US11606457B2 (en) | Technology and method for selectively providing network function to application of device | |
CN112426722A (zh) | 节点图的热更新方法、装置、存储介质及计算机设备 | |
JP2021140781A (ja) | ソースチャネル決定方法、装置、機器、プログラム及びコンピューター記憶媒体 | |
US20230385164A1 (en) | Systems and Methods for Disaster Recovery for Edge Devices | |
US20240188257A1 (en) | Fan speed control for high tonality avoidance | |
US11630719B1 (en) | System and method for potential system impairment detection | |
US20230393861A1 (en) | Using interchangeable non-compute resources for cloud-based applications |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |