微软发布了一个人工智能系统，可用少量的信息精准分类bug，该系统能够以99%精确度区分安全性和非安全性软件bug，并以97%精确度识别出高优先度安全性错误，且还能够容忍资料存在噪声。这个系统已经发布成论文，微软提到，接下来他们会在GitHub上开源该系统，并提供范例模型以及相关资源。
应用程序总是存在不少bug，因此开发人员需要筛选这些待处理的功能以及错误修正，优先处理紧急的项目，虽然这些过程有一些自动化工具帮助，但是微软提到，工程师还是经常浪耗时间在处理误报的bug回应上，反而遗漏真正重要的安全漏洞。
微软总共有4.7万名开发人员，当在正进行的项目有100多个，每个月会产生将近3万多个错误，为了更精准地解决重要的bug，省下浪费的时间，微软要用机器学习技术，提升识别与分类安全漏洞的能力。从2001年来，微软已经收集了1,300万个工作项目以及bug，这些资料可被用来训练机器学习模型，识别与分类bug。
过去也有类似的研究，利用机器学习来识别安全漏洞，但都是基于所有bug报告信息，即使能用于机器学习模型训练和评分工作的假设上，但是这样的假设无疑与现实情况不符，在部分情况下，并不会有完整的bug报告可以使用，像是错误报告可能包含密码、个人身份信息或是其他敏感资料，微软提到，他们研究的其中一个重点，是希望可以使用较少的信息，就能良好地识别安全性bug。
另外，bug存储库中的条目，通常存在标签错误的情况，安全性问题被归类在非安全性问题中，而非安全性问题也可能被标记为安全性问题，原因很多，可能是开发团队缺乏信息安全专业知识，或是问题有其模糊的地方，可能该非安全性错误没有直接的安全性问题，但在间接操作下，可能存在安全隐忧。
标签错误还衍生出了一个严重的问题，安全专家必需要耗耗时间手动检查错误资料，这个过程花费的成本很大，因此微软提到，在实例自动分类功能上，他们必需要解决用在机器学习模型的资料集，存在噪声的这个问题，除了要了解噪声影响分类器的情况，也要让模型即便在资料集被噪声污染下，仍可以强健地运行。
微软利用了许多安全性与非安全性错误的资料集来训练模型，让模型可对未预先分类的bug回应进行分类，这些资料由安全专家审查，确保训练资料的品质。这个机器学习模型具有两个步骤，第一个步骤，模型会分类出安全性与非安全性错误，第二步则是对安全性漏洞进行关键、重要和低影响排名。
微软在这个研究中，证明了即便只利用bug报告的标题信息，也能够精确地识别安全性错误报告，微软提到，还没有类似的研究存在，过去的研究都需要使用完整的bug报告，这对于具隐私信息的bug回应特别有用。微软这个bug分类模型能以99%的精确度，正确分类安全性漏洞与非安全性漏洞，并且能以97%的精确度，将安全性bug识别为重大与非重大安全性问题。