计算设备应用更新的估计的智能生成和管理

背景技术

确定何时对计算设备应用更新提出了许多挑战。传统上，操作系统(OS)、应用/服务等可以通知用户要应用什么更新，但是不告诉用户应用更新需要多长时间。不知道更新和关联的重启需要多长时间会降低用户对其设备可用性的确定性并导致沮丧。

此外，对软件下载或更新安装的等待时间(例如，进度条)的传统估计常常是人为的(仅仅为了提供进度感)或基于启发法(例如，“每个下载文件增加3分钟”)。

当自动应用传统更新时，与计算设备的状态有关的上下文数据可能被忽略或被低效地管理。如果用户不断地推迟更新，操作系统可能会自动应用更新，而不考虑用户正在工作的上下文。如果用户在打开重要文件的情况下让其设备过夜，则必须执行大量操作来自动保存各个文件，并且常常需要额外的存储资源来实现文件的自动保存。另外，在更新重启之后，可能不容易为用户重新创建来自先前上下文的内容的顺序和布置。虽然文档可以被自动保存并在自动重启时被重新打开，但是显示器上这些文档的集体化布置并不容易被重新创建。用户可能必须重启动某些应用并将文件重新布置到先前使用的状态。

发明内容

为了解决上述限制和其他原因，本公开涉及对计算设备应用一个或多个更新的估计的自动生成和管理。标识要被应用于计算设备的一个或多个更新。适于生成更新估计的经训练的人工智能模型被应用。更新估计是预测将一个或多个更新应用到计算设备(包括计算设备的一次或多次重新启动(例如，以应用该更新))所需的时间量的时间表示。基于上下文分析来生成示例性更新估计，该上下文分析评估以下中的一个或多个：与更新相关联的参数；要被更新的计算设备的设备特性；计算设备上的当前用户活动的状态；与一个或多个计算设备(例如，包括该计算设备)的先前更新估计相关的历史预测；或其组合。自动生成通知(例如，图形用户界面(GUI)通知)，其中通知包括：更新估计和/或与更新估计有关的上下文相关的数据洞察，其可以基于从经训练的AI模型导出的确定来生成。然后使该示例性通知被绘制。在一些示例中，示例性通知可以被传输到客户端计算设备以用于绘制。在其他示例中，示例性通知经由生成该通知的计算设备而被绘制。

提供本发明内容是为了以简化的形式介绍概念的选择，这些概念将在下面的具体实施方式中进一步描述。本发明内容并不旨在标识所要求保护的主题的关键特征或基本特征，也不旨在被用来限制所要求保护的主题的范围。示例的附加方面、特征和/或优点将部分地在下面的描述中被阐述，并且部分地将从描述中变得显而易见，或者可以通过本公开的实践而被获知。

附图说明

参考以下附图来描述非限制性和非穷举性示例。

图1图示了用于实现与要被应用于计算设备的一个或多个更新相关的更新估计的自动生成和管理的示例性系统，利用该示例性系统可以实践本公开的各方面。

图2图示了与相对于要被应用于计算设备的一个或多个更新的更新估计的自动生成和管理相关的示例性方法，利用该示例性方法可以实践本公开的各方面。

图3A-图3D图示了适于管理与要被应用于计算设备的一个或多个更新相关的更新估计的示例性用户界面视图，利用其可以实践本公开的各方面。

图4图示了适于实现本文描述的涉及相对于将一个或多个更新应用于计算设备的更新估计的生成和管理的处理操作的计算系统，利用该计算系统可以实践本公开的各方面。

具体实施方式

存在对自动生成和管理与对计算设备应用更新相关的更新估计的技术需求。标识要被应用于计算设备的一个或多个更新。更新的非限制性示例包括但不限于：操作系统(OS)特征更新(例如，OS的新版本和/或将新特征集成到OS中)；以及对应用/服务的更新等等。应用经训练的AI模型(例如，机器学习模型)，该模型适于生成预测在计算设备上应用更新所需的时间量的更新估计。基于以下数据类型中的一种或多种来训练AI模型：来自与软件数据平台(例如，执行特定OS或OS迭代群组)相关联的计算设备(例如，零售计算设备)的用户群体的设备数据(例如，零售设备数据)；在完整产品发布之前运行的计算设备的测试设备数据；以及训练数据语料库，其包括对来自经训练的AI模型的先前迭代的更新估计的反馈。在一些示例中，针对特定用户定制经训练的AI模型，使得基于特定用户和/或相关用户的用户参与、行为、偏好等来定制经训练的AI模型。在另一个示例中，经训练的AI模型是针对用户群组而定制的，例如，针对特定地理位置和/或设备配置的用户来定制。在其他示例中，经训练的AI模型不考虑用户特定的数据，而是基于设备配置数据而被应用。

更新估计是预测对计算设备应用一个或多个更新(包括计算设备的一次或多次重新启动(例如，以应用更新))所需的时间量的时间表示。示例性更新估计是基于上下文分析而生成的，该上下文分析评估以下中的一个或多个：更新参数(与更新相关联)；要被更新的计算设备的设备特性；计算设备上的当前用户活动的状态；与一个或多个计算设备(例如，包括该计算设备)的先前更新估计相关的历史预测；或其组合。本公开中描述了多个参数/特征，其使得能够生成并经由GUI通知来提供准确的更新估计和关联的上下文信息。在一个示例中，这样的参数包括更新参数，该更新参数包括：更新的类型；更新的大小；和/或其他更新参数。备选地或附加地，参数可以包括设备参数，其指示：被安装在计算设备中的硬盘驱动器的类型；被安装在计算设备中的硬盘驱动器的年龄；与被安装在计算设备中的随机存取存储器(RAM)相关联的规格；与被安装在计算设备中的处理器相关联的规格；和/或其他设备参数。备选地或附加地，参数可以包括用户活动参数，其指示：当前在计算设备上执行的应用和/或服务；计算设备位置的地理标识；和/或其他用户活动参数。

此外，自动生成通知(例如，GUI通知)，其中该通知包括更新估计。示例性通知通过与计算设备相关联的GUI可呈现，其中GUI可以特定于OS和/或主机应用/服务端点。在另外的示例中，示例性通知包括提供针对更新估计的上下文的一个或多个数据洞察(例如，对来自经训练的AI模型的应用的确定的分析)。在备选示例中，一个或多个数据洞察与更新估计的通知分离地生成，但与其同时显露。在任何示例中，数据洞察都提供针对更新估计的上下文，包括对通过应用经训练的AI模型而生成的确定的洞察。在一个示例中，数据洞察指示针对更新估计的基本原理，包括由经训练的AI模型标识的来自适用参数的确定，其被用来预测在计算设备上应用更新所需的时间量。示例性时间长度是对计算设备应用更新(包括一次或多次重新启动)的时间表示(例如，以分钟和/或秒为单位的预测)。在其他示例中，数据洞察指示与特定用户/设备有关的用户特定上下文和/或设备特定上下文。在一些示例中，用户特定上下文和/或设备特定上下文可以相对于其他用户(例如，在该用户的地理位置中的用户群组)来呈现。示例性数据洞察还提供到可能与更新估计相关的内容/资源的链接。例如，可以向用户提供到计算设备升级的链接，其中升级将提高更新的应用的效率。在更进一步的示例中，生成从设备使用模式(例如，计算设备或计算设备群组)的分析中导出的数据洞察，其中可以向用户提供关于相对于更新估计而何时应用更新的建议。例如，如果更新估计预测更新的应用将花费十分钟，则可以基于对设备使用模式(例如，对于用户或用户群组)的分析向用户建议十分钟的窗口。经训练的AI处理还可用于基于上下文分析(其包括对设备使用(例如，历史使用模式和/或当前使用)的分析)以生成用于应用更新的建议时间窗口。

在一些示例中，使用与要被更新的计算设备分离的资源以分布式方式执行经训练的AI处理。在这样的技术实例中，示例性通知然后被传输到计算设备以用于绘制。在数据洞察与更新估计的通知分离执行的示例中，数据洞察也被传输到计算设备以用于绘制。

在备选示例中，经训练的AI模型被存储在要应用更新的计算设备上并被执行。在此类技术实例中，通知和/或上下文数据洞察在经由计算设备(或外围显示设备)而呈现的(例如，应用/服务的)GUI中被绘制。示例性通知可以与OS内容内联地被呈现和/或通过主机应用/服务端点的GUI被呈现。如本公开中所引用的，“内联”(inline)旨在指代除了其他内容部分之外数据作为内容部分(例如，数据对象)而被嵌入的技术实例，其可在主机应用/服务端点的GUI或OS内容(OS GUI)的绘制内显示。内联呈现的通知和/或数据洞察的非限制性示例在图3B-图3D中被图示。在另外的示例中，通知和/或数据洞察被传播到其他计算设备。例如，包括更新估计的通知被传播到注册到与计算设备的用户相关联的用户账户的另一个计算设备。经训练的AI处理还可用于生成向用户计算设备传播通知(例如，推送通知)的确定，其中用户可以远程控制与更新估计相关联的内容以及到另一个计算设备的更新的状态。

另外，经训练的AI模型被配置为提供实时(或接近实时)分析以连续或定期对更新估计进行更新。例如，用户与计算设备的互动可能影响更新发生所花费的时间，从而影响更新估计。在一个示例中，检测计算设备的当前用户活动的状态的改变。作为响应，使用经训练的AI模型来生成经更新的估计(例如，第二更新估计)。然后使经更新的估计被绘制，例如通过经由计算设备来呈现或被传输到计算设备以用于绘制。

由本公开中描述的处理所提供的示例性技术优点包括但不限于：高效且准确地改进对应用更新时的计算设备停机时间的预测；提高生成更新估计的准确性；在生成更新估计和相关联的通知时提高计算设备的处理效率(例如，减少处理周期、节省资源/带宽)；在应用经训练的AI模型来生成更新估计时通过提高参数的相关性的有效处理操作来减少延迟；跨不同设备和/或不同主机应用/服务端点的更新估计的可见性以及控制来自此类不同设备和/或主机应用或服务的更新的能力；以及提高计算设备和相关联的OS的可用性，从而提高用户体验以及其他技术优势。

图1图示了用于实现与要被应用于计算设备的一个或多个更新相关的更新估计的自动生成和管理的示例性系统100，利用该示例性系统100可以实践本公开的各方面。作为示例，系统100中所图示的组件可以由参考图4描述的示例性计算系统401(或多个计算系统)来执行。系统100包括可以被利用以执行方法200(图2)中描述的处理操作以及由图3A-图3D的用户界面视图和随附描述所示的处理的组件。此外，在不脱离本公开的精神的情况下，可以改变系统100的组件之间的交互。系统100中所图示的示例性组件可以包括硬件和/或软件组件，其被编程为执行本文描述的处理操作。在一些示例中，系统100的组件可以各自是与特定服务的执行相关联的一个或多个计算设备。示例性服务可以由软件数据平台(例如，分布式软件平台)管理，该软件数据平台还向组件提供对与应用/服务相关联的其他组件的访问和知识。在一种实例中，与系统100相关联的处理操作可以由通过分布式网络连接的一个或多个组件来实现，其中用户账户可以与通过分布式软件平台所建立的特定简档相关联。系统100包括(多个)用户计算设备102；应用/服务组件104；更新估计组件106；用于实施经训练的AI处理108的组件；以及知识库110。在系统100的视觉表示中，每个组件被图示为与个体云相对应。提供该可视化以表示系统100的每个组件可以相对于系统100的其他组件以分布式方式来执行。

系统100包括(多个)用户计算设备102(例如，客户端计算设备)。用户计算设备102的示例是如图4的描述中所描述的计算系统(或多个计算系统)。在一些示例中，可以例如通过OS的执行将一个或多个更新应用于用户计算设备102。可以被应用于计算设备的更新类型对于本领域技术人员来说是已知的。更新的非限制性示例包括但不限于：OS特征更新(例如，OS的新版本和/或将新特征集成到OS中)；以及对应用/服务的更新等等。在备选示例中，用户计算设备102可以是软件数据平台的一个或多个计算设备，其被开发者用来执行处理以用于训练示例性AI处理和/或应用经训练的AI处理来生成针对其他用户计算机设备的更新估计。例如，一个或多个用户计算设备102可以适于执行更新估计组件106和/或用于实施经训练的AI处理108的组件的处理操作。

另外，用户计算设备102的示例包括与(例如，分布式软件数据平台的)用户账户相关联的任何计算设备。在一些技术实例中，多个用户计算设备102与用户账户相关联，其中示例性更新估计通知可以同时被传播到多个用户计算设备。在其他示例中，用户账户可以指的是与计算设备的OS相关联的用户登录数据。例如，多个用户简档可以与用户计算设备相关联，其中可以为每个个体用户简档配置OS的不同表示。

应用/服务组件104包括一个或多个计算机组件(硬件、软件或其组合)，其被配置为管理OS以及主机应用/服务和在其上执行的关联端点的操作。如先前所参考的，应用/服务组件104与系统100的其他计算机组件进行接口连接，以使得能够以上下文相关的方式管理示例性通知的呈现，例如，与OS和/或特定主机应用/服务端点的内容内联。如本公开中所参考的，内联旨在指代除了其他内容部分之外数据作为内容部分(例如，数据对象)而被嵌入的技术实例，其可在主机应用/服务端点的GUI或OS内容(OS GUI)的绘制内显示。内联呈现的通知和/或数据洞察的非限制性示例在图3B-图3D中被图示。

应用/服务组件104还管理可用于呈现示例性通知并促进用户与其交互的GUI的呈现。主机应用/服务被配置为使得一个或多个用户账户能够执行任务。适用于本公开的主机应用/服务的非限制性示例包括但不限于：开源协作框架应用/服务；视频会议应用/服务；文字处理应用/服务；电子表格应用/服务；笔记/笔记记录应用/服务；编写应用/服务；数字演示应用/服务；演示广播应用/服务；搜索引擎应用/服务；电子邮件申请/服务；消息传递应用/服务；网页浏览应用/服务；协作通信应用/服务；数字助理应用/服务；网页构建应用/服务；目录应用/服务；地图应用/服务；日历应用/服务；电子支付应用/服务；数字数据存储或分布式数据存储应用/服务；网络会议应用/服务；呼叫通信应用/服务；语言理解应用/服务；机器人框架应用/服务；网络应用/服务；社交网络应用/服务；教育应用/服务；以及可以共同包括先前提及的应用/服务中的一个或多个的组合的应用/服务套件等等。应用/服务组件104还管理与各个主机应用/服务相关联的相应端点，这在前面的描述中已被参考。在一些示例中，示例性主机应用/服务可以是提供主机应用/服务套件和关联端点的分布式软件数据平台的组件。(分布式)软件数据平台被配置为提供对多个应用/服务的访问，从而实现跨应用/服务使用以增强特定应用/服务在运行时的功能性。例如，软件平台实现(多个)用户计算设备102的OS和通过其访问的主机应用/服务之间的接口连接。分布式软件数据平台可以进一步管理租户配置/用户账户，从而管理对特征、应用/服务等的访问，以及对分布式数据存储(包括用户特定的分布式数据存储)的访问。此外，特定的主机应用/服务(包括分布式软件平台的那些)可以被配置为与其他非专有应用/服务(例如，第三方应用/服务)进行接口连接，以扩展包括数据变换和相关联的实现的功能性。

应用/服务组件104还被配置为通过与系统100的其他计算机组件进行接口连接来呈现适配的GUI，其提供与更新估计和/或相关联的数据洞察的供应相关的用户通知、GUI菜单、GUI特征等。这可以包括通过所呈现的GUI特征/元素来自动更新组件，而无需用户采取手动动作来请求更新。在其他实例中，应用命令控件(例如，用户界面功能区和/或GUI菜单)可以适于包括与通知的管理相关的可选择的用户界面特征。例如，GUI特征可以被自动生成并被呈现以引起对消息通知和相关联的内容以及所采取的动作的关注，诸如自动将更新应用到计算设备。改进的GUI以及其中提供的GUI元素的非限制性视觉示例在图3A-图3D中被提供。

更新估计组件106包括一个或多个计算机组件(硬件、软件或其组合)，其被配置为执行和管理与示例性更新估计(以及相关联的数据洞察)的通知的生成和供应相关的处理操作。在一些示例中，更新估计组件106可以是与接收通知和/或正被更新的用户计算设备102异步地执行处理的分布式计算设备(例如，分布式服务器设备)。在其他示例中，更新估计组件106可以被配置为在正在接收通知和/或正在被更新的用户计算设备102上执行的计算组件(硬件、软件或其组合)。在备选示例中，更新估计组件106是跨一个或多个服务器设备执行的组件和在计算系统上执行的一个或多个组件的系统，其中网络连接可用于连接系统配置中的组件。更新估计组件106可以被配置为执行本文描述的任何处理操作，包括相对于方法200(图2)描述的那些以及与图3A-图3D的用户界面图相关联的那些和随附的描述。

如前述所指示的，用于实施经训练的AI处理108的组件可以被应用以生成被用于创建更新估计或相关联的数据洞察的任何确定。用于实施经训练的AI处理108的示例性组件可以管理AI建模，包括AI建模的创建、训练、应用和更新。在应用经训练的AI处理的情况下，经训练的AI处理的一般应用(包括其创建、训练和更新)是本领域技术人员已知的。经训练的AI处理可以适于执行本文中参考系统100的任何组件和由此执行的处理操作所描述的特定确定。例如，AI建模可以被专门训练并适于执行处理操作，包括但不限于：数据收集，包括收集：来自与软件数据平台相关联(例如，执行特定OS或OS迭代群组)的计算设备(例如，零售计算设备)的用户群体的设备数据(例如，零售设备数据)；在完整产品发布之前运行的计算设备的测试设备数据；训练数据语料库，其包括对经训练的AI模型的先前迭代的更新估计的反馈；标识由经训练的AI模型生成的更新估计的参数以及可用于生成更新估计的参数的相关性；用于生成更新估计的参数的标记；执行数据清理和裁剪以定制代表整个用户群体的设备的数据分布；与生成更新估计相关的所标识的参数的超参数调整；从多个可适用的经训练的AI模型中选择可适用的经训练的AI模型以用于上下文相关分析；生成与更新估计相关的数据洞察；生成包括更新估计和/或相关数据洞察的通知(例如，GUI通知)；执行相关性评分/排名分析以生成数据洞察，包括建议替代时间范围以应用相对于更新估计的更新的洞察；以及关于如何跨不同用户计算设备传播通知的确定等等。

示例性AI处理可适用于经由以下任何方式来帮助系统100的任何组件进行任何类型的确定性或预测性处理：监督学习；无监督学习；半监督学习；或强化学习等等。可以应用的监督学习的非限制性示例包括但不限于：最近邻处理；朴素贝叶斯分类处理；确定树；线性回归；支持向量机(SVM)；神经网络(例如，卷积神经网络(CNN)或循环神经网络(RNN))；和变换器等等。可以应用的无监督学习的非限制性示例包括但不限于：聚类处理的应用，包括用于聚类问题的k均值、层次聚类、混合建模等；关联规则学习的应用；潜变量建模的应用；异常检测；和神经网络处理等等。可以应用的半监督学习的非限制性示例包括但不限于：假设确定处理；生成建模；低密度分离处理和基于图形的方法处理等等。可以应用的强化学习的非限制性示例包括但不限于：基于值的处理；基于策略的处理；和基于模型的处理等等。此外，用于实施经训练的AI处理的组件108可以被配置为应用排名器来生成相关性评分，以协助关于本文描述的任何相关性分析的任何处理确定。

示例性的经训练的AI处理进一步扩展到可以在不同的上下文场景中生成和实现不同的经训练的AI模型的示例。例如，经训练的机器学习模型适于执行用于生成更新估计的处理。AI处理的训练(例如，经训练的机器学习模型)可以产生用于最准确地生成更新估计的参数(或参数群组)，其中经训练的机器学习模型可以执行分析以评估上下文场景并确定实际的更新估计。机器学习模型比传统已知的模型更适合生成更新估计。除其他因素外，设备/用户的设备配置(例如，硬盘驱动器类型、RAM、处理器中的一个或多个)和/或地理位置数据可以被评估和相互关联，以选择要应用的特定版本的经训练的AI模型。在一些示例中，经训练的AI模型是针对特定用户定制的，使得机器学习模型被定制用于评估特定用户的特定用户设备配置和/或相关的用户参与、行为、偏好等。在另一个示例中，经训练的AI模型是针对用户群组而定制的，例如，针对特定地理位置和/或设备配置的用户来定制。在其他示例中，示例性的经训练的AI模型不考虑用户特定的数据，而是基于设备配置数据而被应用。如此，可以基于对本文中标识的一个或多个参数和/或随后描述的信号数据类型的分析来生成并选择性地应用多个经训练的AI模型。

更新估计是预测对计算设备应用一个或多个更新(包括计算设备的一次或多次重新启动(例如，以应用更新))所需的时间量的时间表示。示例性更新估计是基于对以下中的一个或多个进行评估的上下文分析而生成的：与更新相关联的参数；要被更新的计算设备的设备特性；计算设备上的当前用户活动的状态；与一个或多个计算设备(例如，包括该计算设备)的先前更新估计相关的历史预测；或其组合。与传统估计方法相比，通过评估先前描述的各种参数，所述上下文分析有助于提供更新估计的更真实的时间表示。此外，更真实的更新估计可以帮助用户了解计算设备停机时间并相应地规划他们的日程安排。停机时间是指从计算设备关闭的时间到计算机完成重新启动并提供允许用户登录的登录屏幕的时间。

为了适应AI处理以生成更新估计以及其他确定，执行数个处理操作，包括用于以下的处理操作：数据收集；数据标记；训练；超参数调整；和评估/再训练。此类处理被用于生成经训练的AI建模，其满足开发者所设置的精确度和准确度阈值。经训练的建模的准确性可能会基于不同的设备特性而变化。例如，关注于设备特定特性的本公开的建模可以实现更新估计的高度准确的时间预测。在实施例中，当计算设备具有应用更新的固态驱动器(SSD)驱动器时，经训练的建模在预测更新估计中实现了百分之九十五(95)以上的高准确度，并且当计算设备具有应用更新的硬盘驱动器(HDD)时，经训练的建模实现了百分之七十八(78)以上的高准确度。本文描述的附加参数和/或信号数据也被考虑在上下文分析中，以帮助提高经训练的建模的准确度，其中上面提供的与经训练的AI模型的准确度有关的度量可以通过更全面的信号数据分析来进一步提高。此外，由于经训练的AI模型是一种学习模型，因此随着时间的推移，通过迭代训练、接收反馈(例如，关于更新估计的准确度的用户反馈)等，准确性可以提高。

关于数据收集，应用遥测分析来摄取数据以充分训练AI模型。用于构建经训练的AI处理的数据摄取处理对于本领域技术人员来说是已知的。超出传统所知的是，为经训练的AI模型收集特定的数据类型，以构建用于生成更新估计的丰富模型。如前所指出，AI模型基于以下一种或多种数据类型来进行训练：来自与软件数据平台(例如，执行特定的OS或OS迭代群组)相关联的计算设备(例如，零售计算设备)的用户群体的设备数据(例如，零售设备数据)；来自在完整产品发布之前运行的计算设备的测试设备数据；训练数据语料库，其包括对经训练的AI模型的先前迭代的更新估计的反馈。零售设备数据旨在涵盖从已被商业分发(例如，向软件数据平台的用户)的注册用户设备获得分析数据以生成更新估计的技术实例。使用零售设备数据确保AI模型基于实际停机时间进行训练，以便将应用的一个或多个更新应用于用户计算设备，从而反映真实世界的分布，从而生成最准确的更新估计。然而，应当认识到，参数可以针对任何类型的设备而被分析，并且不限于商业分发以与软件数据平台一起使用的那些设备。

应当认识到，用户特定数据(例如，零售设备数据和/或来自设备和/或应用/服务的使用的用户活动数据)是根据隐私法律和法规来存储(和访问)的。也就是说，收集(并由经训练的AI模型进一步分析)的用户数据是按照隐私法律和法规进行的。数据仅在必要时被保留，可供用户检查和纠正。在一些技术实例中，用户可以同意用户特定数据被访问以提高他们的用户体验和/或OS和相关联的应用/服务的操作。在此类技术实例中，经训练的AI建模可以在其上下文分析中合并用户特定的参数和/或信号数据。此外，以符合隐私的方式来训练和执行示例性建模，其中由于合规性要求/限制，开发者可能永远不会看到/访问用户特定的数据。此外，数据的保留符合数据保留政策和法规。

在一些示例中，为经训练的AI模型准备标记的数据。在一个示例中，监督学习是通过开发者平台执行的。数据标记的处理和监督学习的执行是本领域技术人员已知的。超出传统所知的是，限定了参数列表，该列表使AI模型适于与更新估计的生成相关的特定目的。可以由经训练的AI建模来标记并用于上下文分析以生成本文描述的确定的参数的非限制性示例包括但不限于：安装一个或多个更新的驱动器更新的数目(包括一次或多次重新启动)；一个或多个更新的下载大小(例如，包括累积更新)；待更新的总大小(以字节为单位)(例如，重新启动驱动)；其他更新的数目；需要重新启动的数目；要应用的更新的总大小(以字节为单位)；磁盘驱动器的原始设备制造商；处理器的原始设备制造商；总物理RAM(例如，以GB为单位)；处理器时钟速度；主和/或辅磁盘设备的可用磁盘空间(例如，以字节为单位)；地理和/或位置信息；设备的使用历史(例如每天、每周、每月使用)；设备是否连接到电源；设备连接电源的频率；自购买和/或设置设备以来的天数；一天中的某个小时；星期几；活动/焦点的独特应用/服务的数目(例如，在预定时间阈值(例如，60秒)内)；在预定时间范围内(例如，最后60秒)处理的用户输入数目；用户输入的比率评估(即，在预定时间段内更多或更少的用户输入)；重新启动之前执行的应用/服务的大小和布局；和/或计算设备的基本输入/输出系统(BIOS)上下文数据等等。在一些示例中，可以调整不同的AI模型来评估不同类型/类别的参数。在另外的示例中，训练处理可以标识有优先次序的参数的列表，例如，被标识为与生成准确的更新估计或其他类型的确定高度相关的参数。例如，经训练的AI模型(例如，机器学习模型)的轻量级版本可能仅关注于特定的目标参数，以提高经训练的AI的处理中的执行效率。示例性目标参数的非限制性示例包括但不限于主磁盘类型；磁盘/设备的年龄；计算设备的处理能力；和/或重新启动时设备上活动的应用/服务、进程等的数目等等。在另外的示例中，更全面的经训练的AI模型可以关注于更大数目的参数，直至应用前面所标识的所有列出的参数。延迟要求和运行时场景可能决定应用哪种类型的经训练的AI模型。

此外，由经训练的AI处理所执行的上下文分析可以进一步考虑从一个或多个资源收集的信号数据。信号数据可以被共同分析以生成本文描述的确定，包括其中更新估计管理组件106和/或被配置用于实施经训练的AI处理108的组件正在执行重要性/相关性评分/排名以自动生成本文描述的确定的那些。例如，经训练的AI模型(或多个模型)的应用可以被训练以评估与一个或多个计算设备和/或用户账户相关联的过去和/或当前用户动作、用户偏好、应用/服务日志数据等。可以收集和分析的信号数据的非限制性示例包括但不限于：从一个或多个用户计算设备的操作中收集的设备特定信号数据；从特定租户/用户账户中收集的与访问以下任何内容相关的用户特定信号数据：登录到分布式软件数据平台、应用/服务等；从应用/服务和相关联的端点的使用中收集的应用特定数据；和/或其组合。以聚合的方式分析此类类型的信号数据可用于生成上下文相关的确定、数据洞察等。示例性信号数据的分析可以包括：标识不同类型的信号数据之间的相关性和关系，其中可以应用遥测分析以生成关于一个或多个计算设备的用户活动的上下文状态的确定。例如，与其他GUI菜单和/或主机应用/服务端点相比，用户可能更喜欢通过特定OS GUI菜单或主机应用/服务端点接收通知。在另一技术实例中，可以确定设备使用模式指示用户在特定时间段期间不定期使用他们的计算设备。这种类型的分析可用于生成关于相对于更新估计何时将更新应用到计算设备的建议。

在另外的示例中，可以基于信号数据的分析来执行相关性评估，以选择用于生成更新估计和/或其他确定的特定经训练的AI模型。例如，可以分析设备特定的、用户特定的和/或应用特定的数据以选择多个经训练的AI模型中的一个，其目的是生成最准确的更新估计。除了其他因素之外，可以评估设备/用户的设备配置(例如，硬盘驱动器类型、RAM、处理器中的一个或多个)和/或地理位置数据以选择要应用的特定经训练的AI模型。

在一些示例中，应用相关性评分分析以标识用于建议何时发起应用到计算设备的更新的自动应用(包括自动发起一次或多次重新启动)的目标时间段。相关性评分分析可以基于对先前描述的任何类型的信号数据的分析来生成，包括与计算设备的设备使用模式相关联的数据。与设备使用模式相关联的数据可以涉及用户计算设备的历史设备使用模式和/或当前设备使用(例如，相对于历史设备使用模式)以生成相关性确定。可以比较地评估相关性评分，以对在时间范围进行排名/区分优先次序，以建议何时应用更新。在一些示例中，与被训练以生成更新估计的AI模型分离地生成并应用经训练的AI相关性模型，其中可以在两个AI模型之间共享确定和关联数据以提高处理效率。在其他示例中，经训练的AI更新估计模型适于生成用于执行对计算设备的更新的自动应用(包括一次或多次重新启动)的替代时间范围的建议。

在一些示例中，训练AI模型包括应用训练算法。作为示例，决策树(例如，梯度提升决策树)被用来训练一个或多个示例性AI模型。超出传统所知的是，示例性训练算法关注于用于生成更新估计的已限定参数列表。在此过程中，可以应用一种或多种类型的决策树算法来生成任意数目的决策树，以微调经训练的AI模型。用于生成更新估计的一些参数是分类的，而其他参数可以是连续的数字。因此，可以应用附加的处理操作来将分类参数转换为数字表示，包括但不限于：基尼系数、信息增益和/或编码，以及其他技术示例。经训练的AI模型的输出结果可以包括从上述更新估计参数的任意组合而生成的原始数据值。示例性原始数据值是与更新估计的时间预测相关的数值表示。例如，原始数据值可以是3.175，其中该原始数据值可以向上舍入(或在备选实例中向下舍入)以提供三(3)分钟十八(18)秒的时间预测。

如前面的描述中所参考的，知识库110可以被访问以管理帮助系统100的任何其他计算机组件的操作的数据。知识资源包括附属于(例如，由

图2图示了涉及与要被应用于计算设备的一个或多个更新相关的更新估计的自动生成和管理的示例性方法200，利用该示例性方法200可以实践本公开的各方面。作为示例，方法200可以在如图4的描述中所描述的示例性计算系统401(或多个计算系统)上执行。方法200中描述的示例性组件可以包括被编程为执行本文描述的处理操作的硬件和/或软件组件。在系统100中描述了用于方法200中的处理操作的各操作的组件的非限制性示例。方法200中执行的处理操作可以对应于由系统和/或服务执行的操作，其执行计算机模块/程序、软件代理、应用编程接口(API)、插件、AI处理(包括经训练的数据模型的应用)、智能机器人、神经网络、变换器和/或其他类型的机器学习处理等。在分布式示例中，方法200中描述的处理操作可以由通过分布式网络连接的一个或多个计算机组件来实现。例如，计算机组件可以在通过分布式网络连接的使得能够访问用户通信的一个或多个支持网络的计算设备上被执行。还应当认识到，在不脱离本公开的精神的情况下，方法200中的处理操作的执行顺序可以变化。此外，方法200的变体可以包括执行方法200中所标识的一个或多个处理操作，同时省略其他处理操作，例如取决于正在执行处理的设备和/或系统。

方法200开始于处理操作202，其中生成经训练的AI建模(例如，一个或多个经训练的AI模型)，其适于生成对要被应用更新的一个或多个计算设备的确定。训练AI模型的生成和管理包括训练一个或多个分类器，其对于本领域技术人员来说是已知的。超出传统所知的是，执行处理操作以适应经训练的AI模型以生成更新估计。用于这样做的示例性处理操作已经在包括系统100(图1)的描述的前述描述中进行了描述。

对AI处理的训练还可以包括生成AI模型，该AI模型被调整以反映针对准确度、精确度和/或召回率的特定度量，然后将经训练的AI模型暴露用于实时(或接近实时)使用。开发者可以为特定度量设置阈值，以确保经训练的AI模型按预期进行操作。针对特定经训练的AI模型的度量评估的阈值可以例如取决于开发者规范而变化，而不脱离本公开的精神。作为示例，可以相对于更新估计的准确度来设置阈值。如前面描述中所指示的，多个经训练的AI模型可以被生成并且适于在有关于与更新相关联的参数(例如，包括设备特性)的标识的特定上下文场景中执行。

一旦满足用于暴露经训练的AI模型的阈值(或多个阈值)，方法200的流程进行到处理操作204。在处理操作204处，暴露经训练的AI建模以用于计算设备的实时(或接近实时)评估。

方法200的流程然后进行到处理操作206。在处理操作206处，标识要被应用于计算设备(或多个计算设备)的一个或多个更新。在一个示例中，更新服务被用来标识要被应用于特定计算设备的一个或多个更新。例如，更新服务可以与特定OS和/或分布式软件平台相关联。在另一示例中，要应用的一个或多个更新的标识发生在(例如，从更新服务)接收要应用的一个或多个更新的一个或多个计算设备处。如前所述，更新的非限制性示例包括但不限于：OS特征更新(例如，OS的新版本和/或将新特征集成到OS中)；以及应用/服务的更新等等。

方法200的流程然后进行到处理操作208。在处理操作208处，应用经训练的AI模型以生成要被应用更新的一个或多个计算设备的示例性更新估计。更新估计是预测将一个或多个更新应用到计算设备(包括计算设备的一次或多次重新启动(例如，以应用更新))所需的时间量的时间表示。示例性更新估计是基于对以下中的一个或多个进行评估的上下文分析而生成的：更新参数(与更新相关联)；要被更新的计算设备的设备特性；计算设备上的当前用户活动的状态；与一个或多个计算设备(例如，包括该计算设备)的先前更新估计相关的历史预测；或其组合。

经训练的AI模型被应用并且适于生成预测在计算设备上应用更新所需的时间量的更新估计。在一些示例中，针对特定用户定制经训练的AI模型，使得针对特定用户和/或相关用户参与、行为、偏好等的用户设备配置而定制经训练的AI模型。在另一个示例中，经训练的AI模型是针对用户群组而定制的，例如，针对特定地理位置和/或设备配置的用户来定制。在其他示例中，经训练的AI模型不会考虑用户特定的数据，而是基于设备配置数据而被应用。如此，方法200的一些示例可以包括从多个可用的经训练的AI模型中选择特定的经训练的AI模型的处理操作(例如，处理操作208)。选择特定的经训练的AI模型的处理可以由编程软件模块或经训练的AI模型来执行，其适于分析特定用户设备配置和相关的用户参与、行为、偏好等，以选择要应用的定制AI模型。在任何技术实例中，基于对本文所标识的一个或多个参数和/或随后描述的信号数据类型的分析来进行选择特定版本的经训练的AI模型的处理。

在应用经训练的AI模型(例如，经训练的机器学习模型)期间，本公开中描述了多个参数/特征，其使得能够生成并经由GUI通知提供准确的更新估计和相关联的上下文信息。在一个示例中，这样的参数包括更新参数，该更新参数包括：更新的类型；更新的大小；和/或其他更新参数。备选地或附加地，参数可以包括设备参数，其指示：被安装在计算设备中的硬盘驱动器的类型；被安装在计算设备中的硬盘驱动器的年龄；与被安装在计算设备中的随机存取存储器(RAM)相关的规格；与被安装在计算设备中的处理器相关的规格；和/或其他设备参数。备选地或附加地，参数可以包括用户活动参数，其指示：当前在计算设备上执行的应用和/或服务；计算设备位置的地理标识；和/或其他用户活动参数。

方法200然后进行到处理操作210。在处理操作210处，自动生成通知(例如，GUI通知)，其中该通知包括更新估计。示例性通知可通过与计算设备相关联的GUI来呈现，其中GUI可以特定于OS和/或主机应用/服务端点。

在处理操作212处，生成与所生成的更新估计相关的一个或多个数据洞察。在一些技术实例中，生成示例性数据洞察并将其包括在示例性更新估计通知中。在其他技术实例中，例如，在可以与更新估计通知同时或分离呈现的分离的GUI通知中，可以与更新估计通知分离地生成和呈现数据洞察。数据洞察的非限制性视觉示例在图3B-图3D中被图示。在任何示例中，数据洞察都为更新估计提供上下文，包括对通过应用经训练的AI模型生成的确定的洞察。在一个示例中，数据洞察指示针对更新估计的基本原理，包括由经训练的AI模型标识的来自适用参数的确定，其被用来预测将更新应用到计算设备所需的时间量。示例性时间长度是时间表示(例如，以分钟和/或秒为单位的预测)，其指示关于对计算设备应用一个或多个更新(包括计算设备的一次或多次重新启动(例如，以应用更新))所需的时间量的估计。在其他示例中，数据洞察指示与特定用户/设备有关的用户特定上下文和/或设备特定上下文。在一些示例中，用户特定上下文和/或设备特定上下文可以相对于其他用户(例如，在该用户的地理位置中的用户群组)来呈现。示例性数据洞察还提供到可能与更新估计相关的内容/资源的链接。例如，可以向用户提供到计算设备升级的链接，其中升级将提高更新的应用的效率。在又一示例中，生成从设备使用模式(例如，计算设备或计算设备群组)的分析中导出的数据洞察，其中可以向用户提供何时应用关于更新估计的更新的建议。例如，如果更新估计预测更新的应用将花费十分钟，则可以基于对设备使用模式(例如，对于用户或用户群组)的分析向用户建议十分钟的窗口。经训练的AI处理还可用于基于上下文分析(包括对设备使用(例如，历史使用模式和/或当前使用)的分析)以生成用于应用更新的建议时间窗口。

然后使示例性通知(处理操作214)被绘制在计算设备上。在一些示例中，使用与要被更新的计算设备分离的资源以分布式方式执行经训练的AI处理。在这样的技术实例中，示例性通知然后被传输到计算设备以用于绘制。在数据洞察与更新估计的通知分离的示例中，数据洞察也被传输到计算设备以用于绘制。在备选示例中，经训练的AI模型被存储在要应用更新的计算设备上并被执行。在此类技术实例中，通知和/或上下文数据洞察在经由计算设备(或外围显示设备)而呈现的(例如，OS的)GUI中被绘制。示例性通知与OS内容和/或通过主机应用/服务端点的GUI呈现的内容内联地被呈现。如本公开中所引用的，内联旨在指代除了其他内容部分之外，数据作为内容部分(数据对象)而被嵌入的技术实例，其可在主机应用/服务端点的GUI或OS内容(OS GUI)的绘制内显示。内联呈现的内容的非限制性示例在图3B-图3D中被图示。在另外的示例中，示例性通知和/或数据洞察被传播到其他计算设备。例如，包括更新估计的通知被传播到注册到与计算设备的用户相关联的用户账户的另一个计算设备。

方法200的流程然后进行到判定操作216。在判定操作216处，确定是否已经检测到对计算设备的用户活动的状态的改变。该处理可以包括评估与计算设备的使用有关的信号数据。经训练的AI模型被配置为提供实时(或接近实时)分析以连续或定期对更新估计进行更新。用户与计算设备的互动可能影响更新估计的时间预测。例如，用户可能已经关闭(或退出)应用/服务，这可能影响计算设备关闭以完成更新的应用(包括一次或多次重新启动)所需的时间。备选地或附加地，可以修改通过OS的设备配置和/或相关设置，这可能影响更新估计。在没有检测到对计算设备上的当前用户活动的状态的改变的示例中，判定操作流程216分支为“否”并且方法200保持空闲直到检测到改变并且要执行后续处理。当检测到对计算设备的当前用户活动的状态的改变时，判定操作216的流程分支为“是”并且方法200的处理进行到处理操作218。

在处理操作218处，使用经训练的AI模型来生成经更新的估计(例如，第二更新估计)。然后，经更新的估计或者经由计算设备被呈现或者被传输到计算设备以用于绘制。可以重复该过程，直到用户手动应用更新或系统/计算设备自动应用更新。当检测到/标识出要被应用的新更新时，方法200然后可以返回到处理操作206。

图3A-图3D图示了适于管理与要被应用于计算设备的一个或多个更新相关的更新估计的示例性用户界面视图，可以利用其来实践本公开的各方面。图3A-图3D提供了前述处理的非限制性前端示例，包括系统100和方法200(图2)。

图3A呈现了用户界面视图300，其图示了OS(例如，

在用户界面视图300所示的非限制性示例中，呈现了GUI 302，其示出了与OS的启动菜单的用户交互。接收选择启动菜单图标306的用户动作304，从而自动呈现GUI菜单308。GUI菜单308呈现与启动菜单相关联的GUI特征的非限制性示例，提供了与OS表示相关联的各种应用/服务和/或特征。在用户界面视图300中，接收第二用户动作310，其选择被配置为经由OS来控制计算设备的功率状态的GUI图标312。例如，用户可以选择GUI图标312来关闭计算设备、将计算设备置于睡眠/休眠模式、控制计算设备的锁定状态和/或控制计算设备的重启，等等。由于当用户希望发起关闭或重启时，用户通常可以选择被配置为控制计算设备的电源状态的GUI图标312，因此这可以包括自动呈现与更新估计相关联的GUI通知314。虽然一些示例可以在用户执行关于被配置为控制电源状态的GUI图标的动作(例如，选择或悬停动作)时自动呈现GUI通知314，但是在其他示例中，当用户进一步与在与计算设备的电源状态的控制相关联的GUI子菜单(未图示)内的GUI特征/元素进行交互时，呈现GUI通知314。

在任何示例中，GUI通知314通过OS的GUI而被呈现给用户。GUI通知314提供标识时间表示(在所图示的示例中为十八分钟)的更新估计316，该时间表示指示关于在计算设备上应用更新所需的时间量的估计。GUI通知314还提供附加的GUI特征以帮助用户控制对计算设备应用更新。例如，用户界面视图300图示了被配置为提供关于更新估计316的附加信息的GUI图标318。如果用户选择GUI图标318，如图3A中所示，则关于更新估计316的附加信息通过OS的GUI而被呈现。其他GUI特征也被呈现在GUI通知314中以使得用户能够控制更新的发起，包括：GUI特征315A，其被配置为使得用户能够选择应用更新的优选时间；GUI特征315B，其被配置为使得用户能够自动发起用于将更新应用到计算设备的未来通知(“稍后提醒我”)；GUI特征315C，其被配置为使得用户能够立即应用更新(例如，自动发起应用更新的重启/重新启动)。

图3B呈现了用户界面视图320，图示了用户界面视图300(图3A)中所示的处理的继续示例。用户界面视图320图示了用户动作322的接收，通过GUI 302选择被配置为提供关于更新估计316的附加信息的GUI图标318。响应于用户动作322的接收，数据洞察通知324的非限制性示例通过GUI 302被自动呈现。数据洞察通知324提供更新估计316(图3A)的上下文，包括与被用来生成更新估计316的经训练的AI处理(例如，经训练的机器学习模型)的应用相关的数据洞察。例如，在数据洞察通知324中呈现第一数据洞察326，其标识由经训练的AI模型标识的因素(参数)，该因素影响作为更新估计316的一部分被呈现的时间估计。作为非限制性示例，在所图示的示例中导致更新估计316为十八(18)分钟的因素包括：更新的类型；安装在计算设备上的硬盘驱动器类型；安装在计算设备上的RAM；安装在计算设备上的处理器；以及计算设备上的当前活动的应用/服务的数目。

另外，数据洞察通知324呈现提供与更新估计316相关的设备特定分析的第二数据洞察328。在第二数据洞察328中提供的设备特定分析标识关于计算设备的设备配置的细节，与其他类似设备配置相比，该设备配置有助于更长的更新估计。作为示例，描述了用户的计算设备和其他用户的计算设备之间的比较评估。例如，所图示的计算设备上的硬盘驱动器比(例如，软件数据平台的)其他用户的类似设备配置(平均)老两年，并且可能更加碎片化。与具有类似设备配置的其他用户相比，这导致更长的更新估计316，具有三(3)分钟的增量。这种类型的基本原理可以帮助用户确定是否可以升级设备配置以提高性能。示例性数据洞察通知324还可以包括到硬盘驱动器升级的链接330，用户可以考虑该硬盘驱动器升级以用于改进其计算设备的性能。

图3C呈现了用户界面视图340，图示了处理设备视图300(图3A)中所示的处理的继续示例。在用户界面视图340中所示的示例中，相对于更新估计的数据洞察被提供给用户以帮助用户安排用于发起对计算设备的更新的替代时间。作为适于生成与更新估计相关的确定的经训练的AI处理的应用的结果，提供了示例性数据洞察。在用户界面视图340中所示的示例中，呈现了GUI通知314(图3A)的GUI图标315A(图3A)，其使得用户能够选择用于将更新应用到计算设备的替代时间。示出了选择GUI图标315A的用户动作342，其在一些示例中自动触发数据洞察通知344的呈现。数据洞察通知344包括第一数据洞察346，其包括从对计算设备的设备使用模式的分析中导出的洞察，其中洞察标识可能优选用于应用更新的时间段(例如，如果用户不希望在当前时间重新启动他们的设备)。

数据洞察通知344还包括第二数据洞察348，其建议在第一数据洞察346中标识的时间段内应用更新的特定时间范围。数据洞察通知344还包括GUI特征350，GUI特征350使得用户能够确认他们是愿意自动应用关于何时发起更新应用的建议还是愿意选择新的(替代)时间来发起更新应用。再次，可以分析历史设备使用模式以标识优选的时间段和/或所述时间段内的特定时间范围。在一些示例中，应用相关性评分分析来标识先前参考的优选时间段(以及所述时间段内的时间范围)。相关性评分分析可以基于先前描述的信号数据的分析来生成，信号数据包括与计算设备的设备使用模式相关联的数据。与设备使用模式相关联的数据可以涉及用户计算设备的历史设备使用模式和/或当前设备使用(例如，相对于历史设备使用模式)以生成相关性确定。可以比较地评估相关性评分，以对潜在时间范围进行排名/区分优先次序，以建议何时应用更新。

图3D呈现了用户界面视图360，其图示了示例通知362(推送通知)，标识在要被应用更新的不同计算设备上绘制的更新估计364。例如，通知362被绘制在集成在(或连接到)与用户账户相关联的用户计算设备中的显示器上，其中用户账户可以与多个用户计算设备相关联。也就是说，用户界面视图360旨在解决其中多个用户计算设备与(例如，软件数据平台的)用户账户相关联的技术实例。当用户正在不同的用户计算设备上工作时，更新可以准备好被应用于一个用户计算设备。在处理设备视图360中，通知362在与用户账户相关联的平板计算设备的OS的GUI中被绘制，其中更新将被应用到也与该用户账户相关联的不同计算设备。通知362还包括第一GUI特征366，其被配置为将更新自动应用到其他用户计算设备。通过选择GUI特征366，用户可以远程控制对不同计算设备应用更新的发起。此外，通知362还包括一组GUI特征368，其使得用户能够设置用于应用更新的提醒和/或重新安排更新的应用。以这种方式，用户可以进一步远程控制关于更新估计的通知的动作。

可以执行上下文分析以确定如何/何时向不同的用户计算设备发送通知(推送通知)。所述上下文分析可以包括分析先前参考的信号数据，以生成关于何时/如何将通知传播到用户计算设备的确定(例如，除了向要被更新的用户计算设备提供通知之外)。在一个示例中，上下文分析可以包括对用于跨用户账户的设备接收通知的用户偏好的分析。在另外的技术实例中，生成相关性评分以标识将接收示例性通知的目标用户计算设备，其中相关性评分是基于对先前描述的任何类型的信号数据的分析来生成的，包括与计算设备的设备使用模式相关联的数据。与设备使用模式相关联的数据可以涉及用户计算设备的历史设备使用模式和/或当前设备使用(例如，相对于历史设备使用模式)以生成相关性确定。可以比较地评估相关性评分以确定如何/在哪里传播通知。在一些示例中，与适于生成更新估计的经训练的AI模型分离地生成和应用经训练的AI模型，其中可以在两个AI模型之间共享确定和相关联的数据以提高处理效率。

图4图示了适于实现本文描述的涉及相对于将一个或多个更新应用于计算设备的更新估计的生成和管理的处理操作的计算系统401，利用该计算系统401可以实践本公开的各方面。如上面所参考的，计算系统401可以被配置为实现本文描述的任何组件(包括之前在系统100(图1)中描述的示例性组件)的处理操作。如此，计算系统401可以被配置为执行特定处理操作以解决本文描述的技术问题，其包括用于智能且及时地通知与要被应用于计算设备的一个或多个更新相关的更新估计的处理操作。这种处理进一步扩展到数据洞察的生成(例如，伴随更新估计的通知)，其中数据洞察提供对更新估计的上下文理解，经训练的AI处理，并进一步与其他资源(例如应用/服务、内容、链接到设备升级以提高更新安装/重新启动期间的效率)进一步协作。计算系统401可以被实现为单个装置、系统或设备，或者可以以分布式方式被实现为多个装置、系统或设备。例如，计算系统401可以包括一个或多个计算设备，其通过分布式网络来执行应用和/或服务的处理以使得能够通过一个或多个应用或服务执行本文描述的处理操作。计算系统401可以包括执行前端应用/服务、后端应用/服务或其组合的处理的设备集合。计算系统401包括但不限于处理系统402、存储系统403、软件405、通信接口系统407和用户界面系统409。处理系统402与存储系统403、通信接口系统407和用户界面系统409可操作地耦合。计算机系统401的非限制性示例包括但不限于：智能电话、笔记本电脑、平板电脑、PDA、台式计算机、服务器、智能计算设备(包括电视设备和可穿戴计算设备，可穿戴计算设备包括VR设备和AR设备)、电子阅读器设备、游戏控制台和会议系统以及其他非限制性示例。

处理系统402从存储系统403加载并执行软件405。软件405包括被配置为实现本文描述的功能性的一个或多个软件组件(例如，406A-D)。在一些示例中，计算系统401可以连接到其他计算设备(例如，显示设备、音频设备、服务器、移动/远程设备、游戏设备、VR设备、AR设备等)以进一步使得处理操作能够被执行。当由处理系统402执行时，软件405指导处理系统402如本文中所描述的那样至少针对前述实现中讨论的各种过程、操作场景和序列进行操作。计算系统401可以可选地包括出于简洁目的而未讨论的附加设备、特征或功能性。计算系统401还可以被利用来执行系统100(图1)、方法200(图2)中描述的处理操作和/或图3A-图3D的伴随描述。

仍然参见图4，处理系统402可以包括处理器、微处理器和从存储系统403检索并执行软件405的其他电路。处理系统402可以在单个处理设备内被实现，但是也可以分布在协作执行程序指令的多个处理设备或子系统上。处理系统402的示例包括通用中央处理单元、微处理器、图形处理单元、专用处理器、声卡、扬声器和逻辑器件、游戏设备、VR设备、AR设备以及任何其他类型的处理设备、组合或其变体。

存储系统403可以包括可由处理系统402读取并且能够存储软件405的任何计算机可读存储介质。存储系统403可以包括以用于存储信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质，诸如计算机可读指令、数据结构、程序模块、高速缓存存储器或其他数据。存储介质的示例包括随机存取存储器、只读存储器、磁盘、光盘、闪存、虚拟存储器和非虚拟存储器、盒带、磁带、磁盘存储器或其他磁存储设备、或其他合适的存储介质，传播信号除外。在任何情况下，计算机可读存储介质都不是传播信号。

除了计算机可读存储介质之外，在一些实现中，存储系统403还可以包括计算机可读通信介质，软件405中的至少一些可以通过计算机可读通信介质进行内部或外部通信。存储系统403可以被实现为单个存储设备，但是也可以跨多个存储设备或相对于彼此共置或分布的子系统来实现。存储系统403可以包括能够与处理系统402或可能的其他系统进行通信的附加元件，诸如控制器。

软件405可以以程序指令来实现，并且除其他功能之外，当由处理系统402执行时，软件405还可以指导处理系统402如关于本文所图示的各种操作场景、序列和过程所描述的那样进行操作。例如，软件405可以包括用于执行更新估计组件406a的程序指令；以及应用/服务组件406b，如本文所述。在另外的示例中，软件可以包括用于执行分离的组件以实现编程软件模块和/或经训练的AI处理的程序指令，但是在其他实例中，编程软件模块和/或经训练的AI处理可以由系统100的其他组件结合一个或多个计算系统401来执行。

具体地，程序指令可以包括协作或以其他方式交互以执行本文描述的各种过程和操作场景的各种组件或模块。各种组件或模块可以被体现在编译或解释的指令中，或者被体现在指令的一些其他变体或组合中。各种组件或模块可以以同步或异步方式、串行或并行、在单线程环境或多线程环境中、或根据任何其他合适的执行范例、变体或其组合来执行。软件405可以包括附加的过程、程序或组件，诸如操作系统软件、虚拟机软件或其他应用软件。软件405还可以包括可由处理系统402执行的固件或某种其他形式的机器可读处理指令。

一般来说，当软件405被加载到处理系统402中并被执行时，软件405可以将适当的装置、系统或设备(计算系统401是其代表)总体上从通用计算系统变换成被定制为执行本文描述的特定专用处理组件并且处理数据并响应查询。实际上，存储系统403上的编码软件405可以变换存储系统403的物理结构。物理结构的具体变换可以取决于本描述的不同实现中的各种因素。此类因素的示例可以包括但不限于被用来实现存储系统403的存储介质的技术以及计算机存储介质是被表征为主存储还是辅存储以及其他因素。

例如，如果计算机可读存储介质被实现为基于半导体的存储器，则当程序指令被编码在其中时，诸如通过变换晶体管、电容器、或者构成半导体存储器的其他分立电路元件的状态，软件405可以变换半导体存储器的物理状态。类似的变换可以关于磁性或光学介质而发生。在不脱离本描述的范围的情况下，物理介质的其他变换是可能的，提供前述示例只是为了便于本讨论。

通信接口系统407可以包括允许通过通信网络(未示出)来与其他计算系统(未示出)通信的通信连接和设备。通信接口系统407还可以被利用来覆盖本文描述的处理组件之间的接口连接。一起允许系统间通信的连接和设备的示例可以包括网络接口卡或设备、天线、卫星、功率放大器、RF电路、收发器和其他通信电路。连接和设备可以通过通信介质诸如金属、玻璃、空气或任何其他合适的通信介质进行通信，以与其他计算系统或系统网络交换通信。前述的介质、连接和设备是众所周知的并且不需要在这里详细讨论。

用户界面系统409是可选的，并且可以包括键盘、鼠标、语音输入设备、用于从用户接收触摸手势的触摸输入设备、用于检测通过用户的非触摸手势和其他运动的运动输入设备、游戏配件(例如，控制器和/或耳机)和能够从用户接收用户输入的其他类似输入设备及相关处理元件。诸如显示器、扬声器、触觉设备和其他类型的输出设备之类的输出设备也可以被包括在用户界面系统409中。在一些情况下，输入和输出设备可以被组合在单个设备中，诸如能够显示图像和接收触摸手势的显示器。前述的用户输入和输出设备在本领域中是众所周知的并且不需要在这里详细讨论。

用户界面系统409还可以包括可由处理系统402执行的相关联的用户界面软件，以支持上面讨论的各种用户输入和输出设备。单独地或彼此结合以及与其他硬件和软件元件相结合，用户界面软件和用户界面设备可以支持图形用户界面、自然用户界面或任何其他类型的用户界面，例如，使得能够支持本文描述的示例性应用/服务的前端处理，包括如下内容的绘制：提供更新估计的通知的自动生成的改进GUI；与更新估计相关的上下文数据洞察的生成和管理，包括支持经训练的AI处理的应用的结果的基本原理；以及通过不同的主机应用/服务端点(例如，经由GUI元素、OS通知和/或内联内容)提供通知等等。用户界面系统409包括图形用户界面，其呈现代表前面描述中所描述的处理中的任何点的图形用户界面元素，包括系统100(图1)、方法200(图2)和与图3A-图3D的描述相关的前端表示的处理操作。用户界面系统409的图形用户界面还可以被配置为显示图形用户界面元素(例如，数据字段、菜单、链接、图表、图、数据相关表示和标识符等)，这些图形用户界面元素是从前述描述中描述的处理中所生成的表示。示例性应用/服务还可以被配置为与计算设备401的处理组件进行接口连接，使得能够结合本文描述的示例性应用/服务的操作来输出其他类型的信号(例如，音频输出)。

计算系统401和其他计算系统(未示出)之间的通信可以通过一个或多个通信网络并且根据各种通信协议、协议的组合或其变体而发生。示例包括内联网、互联网、因特网、局域网、广域网、无线网络、有线网络、虚拟网络、软件限定网络、数据中心总线、计算背板或任何其他类型的网络、网络的组合或其变体。上述通信网络和协议是众所周知的并且不需要在这里详细讨论。然而，可以使用的一些通信协议包括但不限于互联网协议(IP、IPv4、IPv6等)、传送控制协议(TCP)和用户数据报协议(UDP)、以及任何其他合适的通信协议、变体或其组合。

在交换数据、内容或任何其他类型的信息的前述示例中的任一个中，信息的交换可以根据多种协议中的任一种而发生，包括FTP(文件传送协议)、HTTP(超文本传送协议)、REST(表述性状态传送)、WebSocket、DOM(文档对象模型)、HTML(超文本标记语言)、CSS(级联样式表)、HTML5、XML(可扩展标记语言)、JavaScript、JSON(JavaScript对象符号)、以及AJAX(异步JavaScript和XML)、蓝牙、红外、RF、蜂窝网络、卫星网络、全球定位系统、以及任何其他合适的通信协议、变体或其组合。

附图中提供的功能框图、操作场景和序列以及流程图代表用于执行本公开的新颖方面的示例性系统、环境和方法。虽然为了解释简单的目的，本文中所包括的方法可以是功能图、操作场景或序列、或流程图的形式，并且可以被描述为一系列动作，但是应当理解和了解，方法不受动作顺序的限制，因为一些动作可以据此以不同的顺序发生和/或与本文所示和描述的其他动作同时发生。例如，本领域技术人员将理解和了解，方法可以备选地被表示为一系列相互关联的状态或事件，诸如在状态图中。此外，新颖的实现可能不需要在方法中说明的所有行为。

本文中所包括的描述和附图描绘了具体实现以教导本领域技术人员如何做出和使用最佳选择。为了教导发明原理的目的，已经简化或省略了一些常规方面。本领域技术人员将了解落入本发明范围内的这些实现的变化。本领域技术人员还将了解，上述特征可以以各种方式进行组合以形成多种实现。因此，本发明不限于上述具体实现，而是仅受权利要求及其等同物的限制。

本公开的一些非限制性示例描述了用于管理与要被应用于计算设备的更新相关的更新估计的自动通知的系统和/或方法。例如，计算机实现的方法可以跨至少一个计算设备(包括系统)而被执行，以完成本文描述的处理。

在一个非限制性示例中，标识要被应用于计算设备的一个或多个更新。更新的非限制性示例包括但不限于：OS特征更新(例如，OS的新版本和/或将新特征集成到OS中)；OS更新；以及对应用/服务的更新等等。适于生成更新估计的经训练的AI模型被应用。更新估计是预测将一个或多个更新应用到计算设备(包括计算设备的一次或多次重新启动(例如，以应用更新))所需的时间量的时间表示。基于上下文分析来生成示例性更新估计，该上下文分析评估以下中的一个或多个：与更新相关联的参数；要被更新的计算设备的设备特性；计算设备上的当前用户活动的状态；与一个或多个计算设备(例如，包括该计算设备)的先前更新估计相关的历史预测；或其组合。自动生成通知(例如，图形用户界面(GUI)通知)，其中通知包括：更新估计和/或与更新估计有关的上下文相关数据洞察，其可以基于从经训练的AI模型导出的确定来生成。然后导致示例性通知被绘制。在一些示例中，示例性通知可以被传输到客户端计算设备以用于绘制。在其他示例中，示例性通知经由生成通知的计算设备而被绘制。

在一些示例中，基于以下数据类型中的一种或多种来训练AI模型(例如，机器学习模型)：来自与软件数据平台(例如，执行特定OS或OS迭代群组)相关联的零售计算设备的用户群体的零售设备数据；在软件测试程序中来自计算设备的测试设备数据；训练数据语料库，其包括对经训练的AI模型的先前迭代的更新估计的反馈。在一些示例中，针对特定用户定制所应用的经训练的AI模型，其中针对用户设备配置和相关用户参与、行为、偏好等定制经训练的模型。在另一个示例中，所应用的经训练的AI模型是针对用户群组而定制的，例如，针对地理位置和/或设备配置的用户来定制。在其他示例中，示例性经训练的AI模型不考虑用户特定的数据并且严格根据设备配置数据进行定制。

更深入地研究由经训练的AI模型执行的上下文分析，在本公开中描述了多个参数/特征，其使得能够执行全面的上下文分析，从而可以生成并经由GUI通知提供准确的更新估计(和上下文)。在一个示例中，在上下文分析中分析的与更新相关联的参数包括：更新的类型和更新的大小。在另一示例中，在上下文分析中分析的设备特性包括设备参数，该设备参数指示：安装在计算设备中的硬盘驱动器的类型；安装在计算设备中的硬盘驱动器的年龄；与安装在计算设备中的RAM相关联的规格，以及与安装在计算设备中的处理器相关联的规格。在又一示例中，在上下文分析中分析的计算设备上的当前用户活动的状态包括用户活动参数，其指示：当前在计算设备上执行的应用和/或服务；以及计算设备的位置的地理标识。

此外，自动生成通知(例如，GUI通知)，其中该通知包括更新估计。示例性通知可通过与计算设备相关联的GUI来呈现，其中GUI可以特定于OS和/或主机应用/服务端点。在另外的示例中，示例性通知包括为更新估计提供上下文的一个或多个数据洞察。在备选示例中，一个或多个数据洞察与更新估计的通知分离生成，但与其同时显露。在任何示例中，数据洞察都为更新估计提供上下文，包括对通过应用经训练的AI模型而生成的确定的洞察。在一个示例中，数据洞察提供指示支持更新估计的基本原理的内容，包括被用来预测在计算设备上应用更新所需的时间量的关键参数(由经训练的AI模型标识)。在其他示例中，数据洞察提供指示与特定用户/设备有关并且甚至相对于其他用户(例如，在该用户的地理位置中的用户群组)的用户特定上下文和/或设备特定上下文的内容。示例性数据洞察还提供到与更新估计相关的内容/资源的链接。例如，可以向用户提供到计算设备升级的链接，这可能影响更新的应用的效率。在更进一步的示例中，生成从设备使用模式(例如，计算设备或计算设备群组)的分析中导出的数据洞察，其中可以向用户提供关于相对于更新估计而何时应用更新的建议。

在一些示例中，使用与要被更新的计算设备分离的资源以分布式方式执行经训练的AI处理。在这样的技术实例中，示例性通知然后被传输到计算设备以用于绘制。在数据洞察与更新估计的通知分离的示例中，数据洞察也被传输到计算设备以用于绘制。

在备选示例中，经训练的AI模型被存储并在要应用更新的计算设备上被执行。在此类技术实例中，通知和/或上下文数据洞察在经由计算设备(或外围显示设备)而呈现的(例如，应用/服务的)GUI中被绘制。示例性通知与OS内容和/或通过主机应用/服务端点的GUI呈现的内容内联地呈现。如本公开中所参考的，内联旨在指代除了其他内容部分之外数据作为内容部分(数据对象)而被嵌入的技术实例，其可在主机应用/服务端点的GUI或OS内容(OS GUI)的绘制内显示。内嵌呈现的内容的非限制性示例在图3B-图3D中被图示。在另外的示例中，示例性通知和/或数据洞察被传播到其他计算设备。例如，包括更新估计的通知被传播到注册到与计算设备的用户相关联的用户账户的另一个计算设备。

另外，经训练的AI模型被配置为提供实时(或接近实时)分析以连续更新更新估计。例如，用户与计算设备的互动可能影响更新估计的时间。在一个示例中，检测计算设备的当前用户活动的状态的改变。作为响应，使用经训练的AI模型来生成经更新的估计(例如，第二更新估计)。然后，经更新的估计或者经由计算设备被呈现或者被传输到计算设备以用于绘制。

在整个说明书中提到了“一个示例”或“示例”，这意味着特定描述的特征、结构或特性被包括在至少一个示例中。因此，此类短语的使用可能不仅仅指的是一个示例。此外，所描述的特征、结构或特性可以在一个或多个示例中以任何合适的方式来组合。

然而，相关领域的技术人员可以认识到，可以在没有一个或多个具体细节的情况下，或者利用其他方法、资源、材料等来实践这些示例。在其他实例中，众所周知的结构、资源、或操作未被示出或详细描述，只是为了避免模糊示例的各方面。

虽然已经图示和描述了示例和应用，但是应当理解，示例不限于上述的精确配置和资源。在不脱离所要求保护的示例的范围的情况下，可以对本文公开的方法和系统的布置、操作和细节进行对本领域技术人员显而易见的各种修改、改变和变化。