GitHub更新新手友善问题（Good First Issues）功能，引导贡献者找出自己感兴趣的项目，从入门问题开始做出贡献，贡献者不仅能先小试身手，还可以创建自己在该项目的声誉。新手友善问题是GitHub上，第一个使用深度学习技术的功能。
贡献者有几种方法开始处理新手友善问题，为项目做出贡献。开发者可浏览GitHub的主题页面，或是直接进入像是机器学习等特定主题页面，该页面会直接列出主题相关的项目以及新手问题。或当贡献者已经知道要贡献的项目名称，也可以直接连到新手友善问题贡献专页，直接挑选可以处理的问题。
另外，GitHub用户过去的贡献、星等以及各种活动，系统也会提供个性化的项目建议，用户可以在探索页面看到推荐列表。贡献者可以从以上三种方式找到新手友善问题，也能点击寻找更多新手友善问题，浏览完整的列表。
其实新手友善问题并非一个全新的功能，在2019年5月GitHub就已经推出这个功能，只是之前由项目维护者手动标记新手友善标签，但现在更新版本加入人工智能，能够自动推荐约70％项目存储库中的简单问题。
GitHub提到，以标签的方式标记新手友善问题，存储库中只会有40％的简单问题被推荐，而且也增加了项目维护者分类问题的负担，因此GitHub在上个月发布了更新版本，新的问题推荐功能会同时推荐基于标签与机器学习的问题，因而提升存储库中简单问题的可见度。
与几乎所有的监督式机器学习项目一样，GitHub面临的第一个挑战，便是收集训练数据集，GitHub表示，在他们的案例，手动标记问题是一件很困难的事，因为这包含了领域主题、项目和程序语言等范围的专业知识，因此GitHub转而选用弱监督式的方法，先为上千万个候选样本自动预测标签。
要标记出正候选样本，仍然需要一些样本，官方准备了手上可用的清单，只有约300个标签问题，数量仍然太少，因此又整理了一些可能是新手处理的问题，官方找出那些已由之前未曾做出贡献的新手所解决的问题，以及拉取请求只变动单一文件中，几行程序代码或文本的已关闭问题。
而负样本则是未明确标记为正候选样本的其他样本，但官方提到，这样的方法收集了不平衡的数据集，正样本太少，因此他们除了加权之外，又对负样本进行二次采样，也侦测并移除了重复的问题。
为了快速地让分类器立即判断新手友善问题，因此仅使用标题和内文进行训练，而不使用对话或是其他信息，GitHub以深度学习函数库TensorFlow来构建系统，对公开存储库中未存档的问题进行分类，还对问题上的标签，根据相关性进行评分，这些评分会影响问题在列表中的先后顺序，官方表示，通常标签的可信度，比机器学习侦测出来的结果更高。GitHub每天执行数据截取、训练和预测工作管线，确保结果的新鲜度与相关性。