JP2001117777A - エキスパート・システム - Google Patents

エキスパート・システム

Info

Publication number
JP2001117777A
JP2001117777A JP2000264325A JP2000264325A JP2001117777A JP 2001117777 A JP2001117777 A JP 2001117777A JP 2000264325 A JP2000264325 A JP 2000264325A JP 2000264325 A JP2000264325 A JP 2000264325A JP 2001117777 A JP2001117777 A JP 2001117777A
Authority
JP
Japan
Prior art keywords
consumer
attribute
rule
recommendations
knowledge base
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
Application number
JP2000264325A
Other languages
English (en)
Inventor
Ramin Charles Nakisa
チャールズ ナキサ ラミン
Robin Mackay
マッケイ ロビン
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NCR International Inc
Original Assignee
NCR International Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by NCR International Inc filed Critical NCR International Inc
Publication of JP2001117777A publication Critical patent/JP2001117777A/ja
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G06N5/025—Extracting rules from data

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

(57)【要約】 【課題】 エキスパート・システム及び自動化アドバイ
スを為す方法を提供する。 【解決手段】 規則事実及び論理的帰結としての（人に
よる）アドバイスの組合せが用いられて、次いで自動化
アドバイスを提供すべく使用される規則集合を更新す
る。消費者に対して仕立てられた推奨を提供するに適合
された知識に基づくシステムであって、履歴データを含
有する知識ベースと、前記知識ベースからファジィ規則
集合を抽出する規則抽出手段と、前記ファジィ規則集合
を保持する規則データベースと、消費者の要件を成文化
する成文化手段と、前記ファジィ規則集合を前記成文化
された消費者要件に適用して、それに応じた推奨を生成
する推奨手段と、を具備し、前記規則抽出手段がＬｏｚ
ｏｗｓｋｉアルゴリズムを具現化することを特徴とす
る。

Description

【発明の詳細な説明】
【０００１】
【発明の属する技術分野】本発明はエキスパート・シス
テムに関する共に、自動アドバイスを提供する方法に関
する。
【０００２】本発明は、排他的ではないが、特に金融サ
ービスの分野の用途がある。
【０００３】
【従来の技術】昨今、消費者に利用可能な金融サービス
・プロダクトの範囲は分裂を表し始めてきた。消費者の
金融事情の分野における増大する知識及び信任に結合し
た新しい技術、システム、並びに、慣習の導入は「技法
（手法）のみ」の販売の発展につながってきている。そ
うした販売において、年金及び投資のプロダクト等の複
雑な金融プロダクでさえ−かつては、差し向かいでの相
談が必要であると考えられていた−有用な商品と販売さ
れている。
【０００４】そうしたプロダクトの公共的な要求は成長
しつつある状態に見える。多くの発展国における増大す
る富と先細りとなる福祉の事情は、人々が所望に応じて
或は必要に応じて、私的な個人投資を考えていることを
意味する。加えて、日常生活のテンポは、彼等がこうし
た投資を計画することやアドバイザーに相談することに
費やす時間がより少ないことを意味している。
【０００５】金融サービスの分野への新規参入者は、従
来の申請書フォームの使用、電話によるコンタクト、並
びに、典型的には顧客自身のパーソナルコンピュータ
（ＰＣ）からのインターネットを介して等々の多数のチ
ャンネルによって遂行のみの金融プロダクトを提供して
いる。こうしたチャンネルの全てはプロバイダーに対す
る費用が著しくより安価であり、従来の人間によるアド
バイザーのネットワークの準備及び訓練の費用を回避し
ている。結果として、そうしたプロバイダーは、より安
価なサービスを提供すること、そして、それらのより多
くの従来の競合品よりもより有益であることの両方また
は何れか一方が可能である。この分野において設立され
た会社は、彼等の立派な名前が損なわれることを憂慮す
る遂行のみの市場に参入することに不承不承であるかも
しれない。それ故にそうした市場は先細り傾向にある。
【０００６】
【発明が解決しようとする課題】一部の顧客は、関連分
野におけるその取引先の能力に関しての信任の欠如の故
に、「遂行のみ」の取引を実行することに気乗りしない
可能性がある。同等に彼等は人間エキスパート（人間で
ある専門家）との詳細で且つおそらくは相当に啓示的で
ある面談に関する予想によって怯んでしまうかもしれな
い。また、与えられた推奨（又は忠告）に対する支払い
や、どのようなプロダクト或は複数プロダクトが推奨さ
れようが実質的に隠された料金の恐怖がある。こうし
て、顧客は異なるソースから関連する保証を獲得する必
要がある。
【０００７】本発明の目的は上述した短所を改善するこ
とである。
【０００８】
【課題を解決するために手段】広義において、本発明の
第１局面は、知識ベースと、その知識ベースからアドバ
イスを引き出す手段と、前記知識ベースを人間エキスパ
ートによって付与されるアドバイスで周期的に更新する
手段とを含むエキスパート・システムに関する。また本
発明は、知識ベースを維持し、その知識ベースからアド
バイスを引き出し、人間エキスパートによって与えられ
るアドバイスで前記知識ベースを周期的に更新すること
を含む方法に存在する。
【０００９】用語「アドバイス」とは、エキスパート
（専門家）相談から生じ得たもの、例えば、医療診断、
或は、工学的な機械の一片における欠陥認定手続きの結
果等を含むと理解して頂きたい。
【００１０】エキスパート・システムを会社の人間金融
アドバイザーによって為された顧客プロファイル及び決
定にリンクすることによって、金融アドバイス・シナリ
オを考慮すると、システムは当該システムのオペレータ
側に対する特定の且つ時間のかかる行為の必要性なしに
連続的に更新させられる。他の利益は人間エキスパート
によって提供されるアドバイスの平均や与えられたアド
バイスの透明度を含む。この分野で動作する多数のエキ
スパートから絶え間なく現実のデータを提供することに
よって、小数のエキスパートによって与えられる貧弱な
品質のアドバイスは本システムによって与えられるアド
バイスの品質に不当に影響しない。結果として、設立さ
れた会社は人の仲介無しに且つそれらの評判に妥協する
こと無しにサービスを提供でき、それらは両世界の最善
のものを現実に獲得できる。
【００１１】与えられるアドバイスは、エンドユーザ／
消費者に対するその体裁的な外観を介して、特定のアド
バイザーによりも会社のブランド（名）に好ましくは関
連させられる。結果として、会社はアドバイザーが顧客
を携えて会社が辞めることをおそれる必要性がない。
【００１２】本システムの透明性は、与えられたアドバ
イスの品質が問題となったならば極端に重要である。任
意の特定ケースに適用される規則（又はルール）はシス
テムから容易に引き出される。これは、システムを稼働
又は実行する会社或は施設が任意の特定ケースにおける
アドバイスが無効となったとする任意の申立に対処すべ
く、必要な情報を有することを保証する。
【００１３】本システムは前記知識ベースに応じて複数
の規則を引き出す手段を更に含むことが好ましく、その
知識ベースからアドバイスを引き出す手段は該知識ベー
スから引き出された多数の規則を適用する手段を含む。
これは知識ベースに応じて複数の規則を引き出して、該
知識ベースから引き出された複数の規則を適用すること
によって前記知識ベースからアドバイスを引き出すよう
な方法と言うことで表現され得る。これら規則はファジ
ィ規則を適切に含み、それによって前記アドバイスを引
き出す前記手段が適合性の各示唆と共に複数のアドバイ
スを提供するように構成される。
【００１４】機械コードに精通していない人に説明する
ために、そうした規則は自然言語で表現することが好ま
しい。本システムはアドバイスを引き出すべく使用され
る規則を発行する手段を更に含むことができる。
【００１５】アドバイスを引き出す手段は、好ましく
は、エージェントを含み、とにかく、システムが好まし
くは分散システムとして構築される傾向があるが、独立
システムとしても具現化され得る。
【００１６】人面を維持するために、本システムは好ま
しくはユーザに人間エキスパートとの相談を提供する手
段を更に含む。そうした相談は、好ましくは、遠隔的に
提供される。
【００１７】より明確には、本発明の一局面は顧客に対
して仕立てられた推奨を提供するに適合する知識に基づ
くシステムに存在し、履歴データを含有する知識ベース
と、前記知識ベースから規則集合を抽出する規則抽出手
段と、前記規則集合を保持する規則データベースと、消
費者の要件を成文化（要約）する成文化手段と、前記規
則集合を前記成文化された消費者に適用して、それに応
じた推奨を生成する推奨手段と、を具備し、複数の人間
エキスパートが、実際或は架空の消費者にアドバイスし
実生活の推奨を作り出すように、それら多数の人間エキ
スパートから前記知識ベースへ学習入力を提供する規則
誘導手段であり、それら学習入力が前記エキスパートに
よって為された推奨と前記エキスパートがアドバイスし
た消費者の要件とを反映していることから成る規則誘導
手段と、前記規則抽出手段を前記知識ベース上で実行し
て、将来の消費者の要件への前記推奨手段による適用の
ため、前記知識ベースから更新された規則集合を抽出す
ることで前記規則データベースをリフレッシュする更新
手段と、を含むことを特徴としている。
【００１８】この局面は、顧客に対して仕立てられた推
奨を提供するに適合する知識に基づくシステムを構築す
る方法にも存在しており、知識ベースから規則を抽出
し、その抽出された規則を成文化された消費者要件に適
用して、それに従って推奨を生成することによって動作
するシステムであって、この方法は、複数の人間エキス
パートが、実際或は架空の消費者に実生活の推奨をアド
バイスし作り出すように、それら多数の人間エキスパー
トから前記知識ベースへ学習入力を提供し、それら学習
入力が前記エキスパートによって為された推奨と前記エ
キスパートがアドバイスした消費者の要件とを反映して
おり、前記学習入力が前記知識ベースへ提供された後、
将来の消費者の要件に対して仕立てられた推奨を生成す
る点で使用されるために、前記知識ベースから更新され
た規則を抽出することを特徴としている。
【００１９】前記更新手段は周期的に適切に動作し、前
記規則誘導手段は前記更新手段が前記知識ベースから更
新された規則集合を抽出するように動作する頻度と少な
くとも同じ頻度で、前記知識ベースへ学習入力を提供す
る。前記規則誘導手段は、それらが前記複数の人間エキ
スパートによって利用可能と為されると、学習入力を提
供するように連続的に動作することが好ましい。
【００２０】一部のプロダクトが導入されると共に他の
者が段階的に廃止されるように、推奨の可能な範囲は時
々変化し、前記更新手段は、好ましくは、為され得る推
奨の細目を変化しながら前記知識ベースを更新するに適
合している。
【００２１】消費者の要件を完全に理解するために、前
記成文化手段は、有益にも、消費者の知覚された要望を
成文化する手段と、消費者の状況を成文化する手段とを
含む。
【００２２】前記規則誘導手段はファジィ集合を適切に
生成し、前記推奨手段はファジィ集合を適切に適用す
る。それ故に規則抽出手段は、好ましくは、Ｌｏｚｏｗ
ｓｋｉのアルゴリズムを具現化するが、そのアルゴリズ
ムは好ましくはメモリ及び処理要件を低減すべく変更さ
れている。例えば、属性ベクトルが増分的に生成され得
て、属性ベクトルの蓄積無しに最後の属性ベクトルだけ
を保持している。これは属性ベクトルの発生をＴ−ノル
ム集合の評価で効果的に融合する。
【００２３】洗練された構成において、属性ベクトルは
各属性に対する第１ファジィ集合を含有する第１属性ベ
クトルを生成し、前記第１属性ベクトル内における前記
第１属性の次のファジィ集合を選択することで次の属性
ベクトルを生成することで増分され得る。もし第１属性
が選択すべきより多くのファジィ集合を何等含有しなけ
れば、この技法は選択すべき更なるファジィ集合を含有
する次の属性を選択し、その選択された属性の次のファ
ジィ集合を選択し、そして前記選択された属性よりも各
々が少ない属性の第１ファジィ集合を選択することを含
む。
【００２４】別の変形例において、複数のＴ−ノルムが
生成されている間に、最大Ｔ−ノルム値が生成される。
ＬｏｚｏｗｓｋｉのアルゴリズムにおけるＴ−ノルム及
びＳ−ノルム生成ステップはこうして効果的に一体的に
融合される。
【００２５】更なる変形は、規則の構築の点で役割を何
等演じない属性を削減することで属性木を剪定すること
を含む。剪定は、現行のデータ集合例に対してゼロに戻
るファジィ集合をマークし、そうしたマークされたファ
ジィ集合を含む任意の属性ベクトルの評価を省略するこ
とで達成可能である。例えば、分類（又はクラス）ｉで
の属性ベクトルを剪定することは、そのベクトルの任意
のより小さな桁を０にリセットする一方で、第ｉ番目の
桁に対する次のファジィ集合値まで増分することを含
む。もし第ｉ番目の桁がもはやファジィ集合を含有しな
ければ、剪定は第ｉ＋１番目の桁に増分することを含
む。
【００２６】こうして変形されたＬｏｚｏｗｓｋｉのア
ルゴリズムは本発明の異なる局面に全般的に適用可能と
である。
【００２７】本発明の別の局面は、消費者に対して仕立
てられた推奨を提供するに適合した知識に基づくシステ
ムに存在し、履歴データを含有する知識ベースと、前記
知識ベースから規則集合を抽出する規則抽出手段と、前
記規則集合を保持する規則データベースと、消費者の要
件を成文化する成文化手段と、前記成文化された消費者
の要件に前記規則集合を適用して、それに従った推奨を
生成する手段とを具備し、前記消費者に前記推奨に対す
る理由（又は複数理由）を説明する説明手段を特徴とし
ている。
【００２８】この局面は、消費者に対して仕立てられた
推奨を提供する知識に基づくシステムを動作する方法と
しても表現され得て、前記システムは知識ベースから規
則を抽出し、その抽出された規則を前記成文化された消
費者要件に適用して、それに従った推奨を生成すること
によって動作し、前記消費者に前記推奨に対する理由
（又は複数の理由）を説明することを特徴とする。
【００２９】前記説明手段は前記規則抽出手段と適切に
関連されて、前記推奨を為す点で、前記推奨手段によっ
て達成される決定を支配する前記規則を捜し出し、前記
推奨が基づく規則を前記消費者に説明するように構成さ
れている。素人による理解の利益のために、説明手段は
実質的に自然言語での説明を表現するように好ましくは
構成されている。
【００３０】先の如くに、規則抽出手段は好ましくはＬ
ｏｚｏｗｓｋｉアルゴリズムを実行し、それは上述した
ように変形され得る。
【００３１】本発明のシステム及び方法は、好ましく
は、ＸＭＬ（ＥｘｔｅｎｓｉｂｌｅＭａｒｋｕｐ Ｌａ
ｎｇｕａｇｅ）を使用して、消費者及び潜在的／現実の
推奨を画成している。その場合、推奨手段はＸＭＬ Ｄ
ＴＤ（ｄｏｃｕｍｅｎｔ ｔｙｐｅ ｄｅｆｉｎｉｔｉ
ｏｎ： 文書型定義）に基づくドキュメント又は文書と
して推奨を提供するように適切に構成される。
【００３２】推奨手段は複数の代替的な推奨を提案する
ように構成されて、その場合、推奨はそれらの適合性に
よってランク付けされることが好ましい。
【００３３】本発明のシステム及び方法は、好ましく
は、後の呼び戻しのために消費者の詳細を記憶すること
を含む。これら詳細は将来の推奨を提供すること、或
は、消費者要件の入力が一時的に保留されている場合に
推奨を完成することで追って呼び戻されることが可能で
ある。
【００３４】例えば消費者及びアドバイザー間のビデオ
協議リンクにわたる準備が、遠隔の人間アドバイザーか
らのアドバイスを獲得するために為され得る。
【００３５】本発明のシステムは好ましくは分散され
る。ここで説明される好適実施例において、サーバは消
費者及び潜在的な推奨に対する規則集合及びデータを保
持し、消費者端末はそのサーバとオンラインのインター
フェースを為し、複数のエキスパート端末は複数の人間
エキスパートによって動作可能である。各エキスパート
端末は、エキスパートによって為された推奨とエキスパ
ートがアドバイスした消費者の要件とを記憶する手段
と、その記憶されたデータを規則集合の更新の使用のた
めにサーバへ提供する手段とを含む。消費者及び潜在的
推奨に対する規則集合及びデータは、好ましくは、ＸＭ
Ｌ（Ｅｘｔｅｎｓｉｂｌｅ ＭａｒｋｕｐＬａｎｇｕａ
ｇｅ）ドキュメントとしてサーバで記憶される。
【００３６】消費者端末は任意の適切な形態を採用可能
であり、好ましくは家庭用ＰＣ或はキオスク、ブース、
ＡＴＭ、或は、金融アドバイス施設における他の端末で
ある。
【００３７】本発明のシステムは、好ましくは、消費者
端末及びエキスパート端末がサーバとオンラインで対話
（相互作用）できるように為すアプリケーション・サー
バを含み、そのアプリケーション・サーバが消費者端末
及びエキスパート端末のために、サーバとのオンライン
のインターフェースを提供する。アプリケーション・サ
ーバはサーバ側のウェブ・アプリケーションを実行で
き、第１ウェブ・アプリケーションは消費者ウェブサイ
トからの呼び出しに応答し、第２ウェブ・アプリケーシ
ョンは認証されたエキスパート端末によってサーバへの
アクセスを可能とする。これらサーバ側ウェブ・アプリ
ケーションは適切にはＪａｖａ Ｓｅｒｖｌｅｔｓであ
る。
【００３８】本発明の推奨手段は、成文化された消費者
要件に規則を適用して、推奨を生成するエージェントを
含む。消費者を即座に落胆させ得るフォームに基づくイ
ンターフェースから逸脱すべく、このエージェントは複
数の質問から成るシーケンスを適切に尋ね、そのシーケ
ンスのより早期又は前期の質問に付与された答えに従っ
てそのシーケンスのより後期の質問に適合する手段を含
む。そのように入力の最小は消費者から要求され、でき
る限り多数は消費者に関連している。
【００３９】本発明の他の好適な特徴は添付の特許請求
の範囲及び以下の説明から明らかとなるであろう。
【００４０】以下、本発明は添付図面を参照して例示的
に説明され記載される。
【００４１】
【実施例】図１は、データベース１６と、多数の金融ア
ドバイザー１８，２０，２２とに結合されたプロセッサ
１４にリンクされたユーザ端末１２を含むシステム１０
を示しており、それらの金融アドバイザーはプロセッサ
１４に（少なくとも周期的に）リンクされた携帯用のパ
ーソナルコンピュータ（ＰＣ）を有する。各金融アドバ
イザーは顧客に対する（属性リストを生成する）実状調
査を実行して、その顧客にアドバイスを発して、関連情
報がデータベース１６に含ませるためにプロセッサ１４
へ送信される。周期的に、プロセッサは端末１２でのユ
ーザによって提供される情報からアドバイスを引き出す
ために使用される複数規則から成る集合を更新する。規
則更新の頻度は提供される新情報の量と、アドバイスが
提供される下側に横たわる発表の揮発性とに依存する。
毎日の更新は金融アドバイスをオファーする（申し出
る）会社の場合に適切であろう。ある程度の頻繁な更新
も提供される。
【００４２】ユーザは本システムとワールド・ワイド・
ウェブ（ｗｗｗ）ブラウザを介して対話できる。これ
は、（コンピュータに通じた）ユーザが公知で快適な環
境で操作するという長所がある。顧客及びプロダクト／
サービスに関する規則集合及び情報はウェブ・サーバで
記憶され、Ｊａｖａ（ＴＭ） Ｓｅｒｖｌｅｔを実行し
ているアプリケーション・サーバは顧客がオンラインで
対話することを可能としている。
【００４３】本システムは包括的な意味で動作し、当該
システムの入力及び出力が特定の施設やブランド等々の
ために外部でカスタマイズ可能である。言語ＸＭＬを用
いることでこれを提供できる。ＸＭＬはワールド・ワイ
ド・ウェブ（ＷＷＷ）で益々共通して使用されてきお
り、ＸＭＬとは文書型を定義して、それが含む情報を意
味論的に明示する言語である。
【００４４】ＸＭＬはプログラマが消費者のプロファイ
ル、金融プロダクト、並びに、推奨をデータ構造として
抽象的に記述することを可能とする。これらデータの表
示は個別のプロセッサ／アプリケーションへ代表として
任命され得る。それ故に、以上説明したようなシステム
は数多くの会社によって利用可能であり、その各々がそ
れら自体のフォーマット化命令をスタイルシート内に提
供して、エンド−ユーザの視覚経験がその会社の一般画
像及び印象付け要件に調和して管理されることになる。
更には、これらフォーマット化命令は、ＸＭＬ推奨文書
内において、特定タイプの金融プロダクトにリンクする
か、或は、該金融プロダクトを関係する会社によって提
供されるそのプロダクトの特定例と置き換えるポインタ
或はユニバーサル・リソース・インディケータ（Ｕｎｉ
ｖｅｒｓａｌ ＲｅｓｏｕｒｃｅＩｎｄｉｃａｔｏｒ
ｓ： ＵＲＩｓ）を含むことができる。
【００４５】ユーザ端末は、銀行におけるキオスク、行
員によって使用される銀行内の端末（よって、訓練を受
けていない者はアドバイスを与えることができ、そのア
ドバイスは所与の会社に関する支店ネットワークの到る
所に対して一貫している）、或は、自動現金入出機（Ａ
ＴＭ）によって置き換えることができる。他の技法がア
ドバイザーからの情報を入力するために使用され得る。
【００４６】図２は、図１に示される本システムにおけ
る２つの部門のブロック線図である。これらは入力部門
及び出力部門として大まかに考えることができる。左側
には出力部門があり、ブラウザ、アプリケーション・サ
ーバ、並びに、データベース・サーバを含む。アプリケ
ーション・サーバでのアドバイス管理アプリケーション
・サーブレット又は他のサーバ側ウェブ・アプリケーシ
ョン（例えば、アクティブ・サーバ・ページ：Ａｃｔｉ
ｖｅ Ｓｅｒｖｅｒ Ｐａｇｅｓ（ＡＳＰ））は消費者
に擬人化又は人格化を付与するが、知識ベースへの容易
なアクセスを付与する。表示エンジン（ＸＭＬ／スタイ
ルシートの合併が生ずる所）を介して、これは関連する
質問に対する回答を入力するユーザにアプレット或はフ
ォームを提供する。提供された情報はパース（構文解
析）されて、ファジィ推論システムへ提供される。この
推論システムはデータベース・サーバで記憶された規則
データベースから規則を獲得する。推論システムはそれ
ら規則を使用して、ユーザが入力した属性の集合を分類
する。次いで、表示エンジンを通じて、推奨がユーザへ
提供される。
【００４７】システムの入力部門では、アプレット或は
フォームが「その分野における」エキスパートによって
完成され、情報がパースされる。分野知性（Ｆｉｅｌｄ
Ｉｎｔｅｌｌｉｇｅｎｃｅ）アプリケーション・サー
ブレット或は他のサーバ側アプリケーションは専門家が
知識ベースへ追加することを可能としている。これは、
各場合に対して、消費者の属性と、人間エキスパートに
よって該消費者に付与された推奨とを含む。推奨はこの
レベルにおいて多数の分類の各々に対する値として定義
される（即ち、推奨の個々の預金口座（ＩＳＡ）の真或
は偽）。最後に、規則構築アプリケーション（ｒｕｌｅ
ｂｕｉｌｄｅｒ ａｐｐｌｉｃａｔｉｏｎ）、例え
ば、Ｌｏｚｏｗｓｋｉのアルゴリズム（以下を参照のこ
と）に基づく規則推論システムは周期的に起動して、知
識ベースへの入力の事態のベースで規則データベースを
更新する。
【００４８】図３において、ステップＳ１０でのスター
ト後、本方法は問題とされている分野におけるアドバイ
スに必要とされる属性のリストを引き出すべく進行す
る。これはエキスパート或は、好ましくは多数のエキス
パートとの会話を伴って、どれが主要なインディケータ
かを決定する。ここで思い起こすべき重要なことは、ユ
ーザが制限された時間を有して、全ての労力が任意の余
分な質問を低減すべく且つ好ましくは削除されるように
しなければならないことである。金融アドバイスのシナ
リオにおいて、数多くの金融アドバイザーが、所得、年
齢、夫婦状況、現行金融委託、リスクを犯す心構え等々
の重要な属性は何かが問われる。これら属性は線形的或
は二値的なスケールでの可能な値としてシステムの目的
のために定義され得るが、エキスパートとの相談におい
て、それはファジィ集合内の可能な値として定義され
る。ファジィ集合に対する更なる情報は、Ｅａｒｌ Ｃ
ｏｘ著のＡｃａｄｅｍｉｃ Ｐｒｅｓｓ， Ｉｎｃ．に
よって１９９４年に出版された（ＩＳＢＮ ０−１２１
−９４２７０−８）「Ｔｈｅ Ｆｕｚｚｙ Ｓｙｓｔｅ
ｍｓ Ｈａｎｄｂｏｏｋ： Ａ Ｐｒａｃｔｉｔｉｏｎ
ｅｒ’ｓ Ｇｕｉｄｅｔｏ Ｂｕｉｌｄｉｎｇ， Ｕｓ
ｉｎｇ ａｎｄ Ｍａｉｎｔａｉｎｉｎｇ Ｆｕｚｚｙ
Ｓｙｓｔｅｍｓ」に見出すことが可能である。属性が
含むべきものに対して合意が為されると、このプロセス
はステップＳ１４へ進む。
【００４９】この段階では、基本的データベースがセッ
トアップされる。これは実際或は仮想のデータ集合（デ
ータ・セット）で専有され得る。金融アドバイスの場
合、これは金融サービスをオファーする銀行或は他の施
設の現行の顧客から引き出され得る。代替的には、属性
の仮想集合は属性組合せから成る最善の仮想可能な拡散
を提供する意図を伴って引き出され得る。このデータベ
ースのサイズは、データ集合（データ・セット）及び結
果的なオプションの数のばらつきに依存する。一般的に
云えば、より大きなデータベースは、より良好なアドバ
イスである。金融アドバイスの場合、何万と云う事例が
商業使用に対して充分頑強なシステムを提供することに
なると予想される。
【００５０】ステップＳ１６でエキスパート又は複数エ
キスパートは再度助言が求められ、各消費者のプロファ
イル及び対応する分類が記憶される。二人以上のアドバ
イザーが各ケース（複数の属性から成る集合）に対して
アドバイスを付与することが可能である。以下に議論さ
れるＬｏｚｏｗｓｋｉ規則誘導システムはこれを容易に
対処することができる。もし一人或はそれ以上のアドバ
イザーが同一推奨を付与すれば、これは関連（ファジ
ィ）規則を補強することになる。
【００５１】ステップＳ１８で規則の集合が消費者プロ
ファイル及びそれらの分類の組合せから引き出される。
これは、好ましくは、多数のファジィ規則を公式化する
ことで実行され、好適な技法はＳｈｉｅｎ， Ｑ及びＣ
ｈｏｕｃｈｏｕｌａｓ， Ａ（１９９６年）の「Ｇｅｎ
ｅｒａｔｉｎｇ Ｆｕｚｚｙ Ｃｌａｓｓｉｆｉｃａｔ
ｉｏｎ Ｒｕｌｅｓ ｆｒｏｍ Ｃｒｉｓｐ Ｅｘａｍ
ｐｌｅｓ」ＮＣＲ知性研究所がスポンサーとなったエジ
ンバラ大学の人口知能の博士部門、に開示されている。
１９９８年１月。これは、Ｌｏｚｏｗｓｋｉ， Ｃｈｏ
ｌｅｗｏ，Ｚｕｒａｄａによる「Ｃｒｉｓｐ Ｒｕｌｅ
Ｅｘｔｒａｃｔｉｏｎ ＦｒｏｍＰｅｒｃｅｐｔｒｏ
ｎ Ｎｅｔｗｏｒｋ Ｃｌａｓｓｉｆｉｅｒｓ」， Ｐ
ｒｏｃｅｄｄｉｎｇｓ ｏｆ Ｉｎｔｅｒｎａｔｉｏｎ
ａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｎｅｕｒａｌ Ｎ
ｅｔｗｏｒｋｓ、ｖｏｌｕｍｅ ｏｆ ｐｌｅｎａｒ
ｙ， ｐａｎｅｌ ａｎｄ Ｓｐｅｃｉａｌ Ｓｅｓｓ
ｉｏｎ， ｐｐ．９４−９９， Ｗａｓｈｉｎｇｔｏｎ
Ｄ．Ｃ． １９９６に記載された著作の上に構築され
ている。
【００５２】手短に言えば、そうした規則抽出技法は、
属性のベクトル形態での予備分類されたトレーニング例
とそれらが属する分類との集合を採用し、ファジィ規則
の集合を抽出してそれら分類に適合すべく入力スペース
を正確に仕切っている。金融アドバイスの場合、こうし
たベクトルはトレーニング相の間に各顧客に対する属性
のリストを含み（彼等は実際或は仮想の顧客である）、
分類はアドバイスの共通集合を有する人々を含む。例え
ば、エキスパートに特定プロダクト或はプロダクトの組
合せを推奨させるに至らしめる属性集合を所有する誰も
が一緒に分類される。明らかに、データベースにおける
人の数がより多ければ、規則の精度がより大きい。この
技法によって生成される規則はファジィであり、確実性
の度合いに関連されている（オリジナルのデータ集合に
よって提供された彼等に対する支援の強度に依存す
る）。「許容誤差」パラメータ（それは調節可能であ
る）は特定の規則に必要とされる強度を決定する。もし
このパラメータが０．７と同等であれば（ｅ＝０．
７）、システムは７０％程度或はそれ以上の規則を使用
するのみである。
【００５３】先に議論された規則抽出技法の１つの主要
な長所は、それが純粋に数学的であることであり、よっ
てユーザに分かり易いことである。対照的に、ニューラ
ル・ネットワーク（これもまた継続して学ばれる）は分
かり易くない。これは顧客懇願、金融サービス会社への
容認性、並びに、本システムが様々な国における関連団
体から規則正しく承認を受け取るか否かに対して重要な
インパクトを有し得る。
【００５４】ステップＳ２０でエンド−ユーザは関連属
性に入るように招待され、多数の入力技法が適切とな
る。これは、プロセスのステップＳ２０及びＳ２２を実
行すべく続行されるエージェントの形態でエンド−ユー
ザに販売可能である。しかしながら関連ソフトウェア
は、そのソフトウェアによって推奨されるプロダクトを
所有する会社によって自由に提供され得る。従来の人間
アドバイザーを凌いでこの発明を使用する１つの利点
は、プロセスがユーザの所望に応じて中断され得ること
である。好適実施例において、入力が来るべきいつかに
記憶されると、ユーザはシステムが引き続いて使用され
るときに彼の属性集合を引き続いて更新だけしなければ
ならない。
【００５５】ひとたび属性集合が完了すると（願望や、
危険を犯すユーザの属性等の所謂「ソフト」要因を含
む）、プロセスはステップＳ２２に進んで、そこでファ
ジィ規則が新しい属性集合に適用される。この時点で利
用可能な多数のオプションがある。その属性に最も符合
するアドバイスは単純に顧客へ表示されるか、印刷され
て、購買のオプションがユーザへ付与される。しかしな
がら、ファジィ規則は一連の等級分けされた出力を付与
するので、適切性（推奨の強度）の順でランク付けされ
たアドバイスの可能な片々の全てを提供することが可能
である。ひとたびアドバイスが付与されたならば、ユー
ザには購買のオプションが付与され得るか、或は、アド
バイスされた任意のプロダクトについての更なる情報が
提供され得る。
【００５６】アドバイスを提供すべく使用された規則は
ユーザの要求で印刷も可能である。
【００５７】常に、もしユーザが不快さを感じたり、或
は彼の深い知識から外れた感じを受けたりすれば、彼は
人間の金融アドバイザーとの相談を獲得することを要求
し得る。自動化されたシステムの使用は時間の浪費とは
ならず、その理由は、人間アドバイザーによって必要と
される大量の情報が既に彼に利用可能であるからであ
る。インタービューは従来通りに実行され得るか、或
は、専有のウェブ・ブラウザ・ビデオ会議リンクを介し
て実行され得る。勿論、プロバイダーはこのサービスに
対する代金を例えば時間ベースで請求し得る。
【００５８】アドバイザーは任意の１つの会社プロダク
トを販売促進するようには構成されていないが、包括的
な意味でのアドバイス、例えば、「あなたは株売買に基
づく年金を購買すべきである」を付与し得る。代替的に
は、アドバイザーは、本システムを操作する施設／プロ
バイダーから、関連プロダクト或は複数プロダクトの詳
細をユーザに提供する更なるソフトウェアへの包括的な
意味での推奨を提示するように構成され得る。
【００５９】本システムによって生成されたアドバイス
を最新に保持するために、規則ビルダー・アプリケーシ
ョンに対するパラメータとしての衰微を構築することが
可能である。結果として、随分以前に付与されたアドバ
イスは規則を生成すべく使用されない。
【００６０】ステップＳ２８で多数の関連人間エキスパ
ートからのデータはデータベース内に入れられて、周期
的に規則集合がステップＳ１８までのプロセス処理戻り
によって更新される。明らかにステップＳ２０，Ｓ２
２，Ｓ２４，Ｓ２６はステップＳ１８及びＳ２８とは異
なるシステムによって実行され得る。
【００６１】システムは関連分野をユーザの時間を節約
するために分割し得る。例えば、金融分野は次の３つの
カテゴリーに分割され得る。 １． 貯蓄及び投資 ２． 生命保護 ３． 退職プランニング （一部重複は可能であるが）異なる情報がこれら状況の
各々におけるユーザから要求されるので、ユーザは時間
を節約すべく興味ある分野或は複数分野を選択できる。
【００６２】図４は、Ｌｏｚｏｗｓｋｉの規則ビルダー
（ｂｕｉｌｄｅｒ）・アルゴリズムを用いて、規則の引
き出しに使用される各種ステップの公知の集合を示して
いる。更なる詳細はより早期に識別された参照事項に見
出され得る。随伴されるものは、先に説明された実施例
に対する前記システムに適用された特定の変形の記載で
ある。Ｌｏｚｏｗｓｋｉの技法は現実に評価された例か
ら言語学的に表現された規則を引き出す。この技法は、
本来、ニュートラル・ネットワークに基づく分類器（ｃ
ｌａｓｓｉｆｉｅｒ）と組み合わせて使用されるように
提案されたが、他の分類器と共に使用され得る。事実
上、上述された金融アドバイスのシナリオにおいて、適
用された規則が分かり易くなるように非ニュートラル・
ネットワーク技法が使用されることが好ましい。この技
法は一般的に高速である一方、属性の数は動作速度を不
必要に損なうことがないように最小に保持されるべきで
ある。しかしながらあまりにも属性が少なければ、獲得
される結果を劣化することになる。数多くのアプリケー
ションにとっての特定の利益の内、特に金融アプリケー
ションはこの技法が紛失したデータを処理する適切な方
法である。
【００６３】この技法にとっての第１変形は属性ベクト
ルの生成に関する。これは特に時間消費的ではない一方
で、メモリを極端に要求している。属性ベクトルの全て
の作成を要求したステップは（それ自体の右側におい
て）省略され、Ｔ−ノルム集合の評価と融合された。大
量の属性ベクトルを生成する代わりに（即ち、各属性に
対するファジィ集合のメンバーシップ関数の組合せ）、
属性ベクトルは生成された最後の１つだけを保持するこ
とによって増分的に生成される。その結果はステップが
Ｔ−ノルム生成ステップと組合せられ、その理由は、属
性ベクトルの全ての記憶がないからであり、それらは消
費の時点で生成されなければならない。
【００６４】変形技法は各属性に対する第１ファジィ集
合を含む属性ベクトルで始まる。次の組合せを作り出す
ために、第１属性のファジィ集合を「増大」する（即
ち、第１属性に対する次のものを選択する）。もしもは
やファジィ集合が無ければ、第１のものが再度選択され
るが（それが「巻き付く」）、その次のものを増大す
る。もし次のものが次の属性に対する最後のものであれ
ば、それをゼロに巻き付けて、次のものを増大する。こ
のプロセスは機械的なテープデッキ・カウンタの動作と
類似しているが、桁の代わりにファジィ・メンバーシッ
プ関数があり、各桁がその他のものとは異なる数のメン
バーシップ関数を有し得る。
【００６５】数学的に云えば、アルゴリズムのこの部分
が為していることはカウンティングの単純なプロセスで
ある。しかしながら、カウント数はその桁の各々に対す
る潜在的に異なるベースを有する（各属性桁が随意数の
ファジィ集合を有し得るので）。
【００６６】同様の原則はＴ−ノルム集合にも適合され
る。処理能力及びメモリはＴ−ノルム集合を一時的に記
憶しないことで保全される。Ｔ−ノルム集合を記憶し、
最大値を位置決めして、それをＳ−ノルムとして記憶す
る代わりに、Ｔ−ノルムが生成されている最大Ｔ−ノル
ム値を計算する。Ｔ−ノルム集合が結果として全く生成
されない。こうして、Ｔ−ノルム及びＳ−ノルムの生成
ステップも一緒に融合される。
【００６７】発行された技法からの最後の重要な逸脱は
属性木の剪定である。これは、ファジィ集合のメンバー
シップがゼロの場合に各Ｔ−ノルムがゼロまで評価する
（最小メンバーシップが保持されるので）との観測に基
づいている。他の任意のＴ−ノルムがこれよりも大きい
か或はそれ以上となるので、ゼロＴ−ノルムが規則誘導
に関しての役割が何等ない。
【００６８】上述されたように、属性ベクトルはそれぞ
れが異なるベースである桁を有するカウンタとして見る
ことができる。例えば、属性が５個、４個、３個に分裂
する４個の属性のデータベースと２個のファジィ集合を
それぞれ有すれば、第１属性ベクトルは００００とな
り、最後の者は３２３４となる（第１属性が最も右の桁
に対応する）。属性ベクトル組合せを通過することはカ
ウンティングと同等である（各桁がファジィ集合０で始
まる１つのファジィ集合を指示している）。結果とし
て、００００，０００１，０００２，０００３，０００
４，００１０，００１１等々の３２３４までを獲得す
る。
【００６９】全ての属性に対する全てのファジィ集合の
組合せは、データ集合における属性数と同等の深さを具
備する決定木として見ることができる。この木は規則構
築に関しての役割に何等演ずることがないものを削減す
べく剪定され得る。剪定は不用として現行データ集合例
に対してゼロに戻ったファジィ集合をマークすることか
ら成る。このファジィ集合を含む任意の属性ベクトルは
アルゴリズムに使用されなくなって、その評価は省略可
能となる。この時点で副次木の評価をも停止する。分類
ｉでの剪定は任意のより小さな桁を０にリセットする一
方で、第ｉ番目の桁に対する次の値にまでジャンプする
ことを含む。そこで、（右から）第３番目の桁で１０２
１とコード化された属性ベクトルの剪定は新しい属性ベ
クトル１１００となる。第２及び第１番目の桁は０にリ
セットされ、第３番目の桁は増大する。もし第ｉ番目の
桁が巻き付いたら、次の桁は増大して加算繰り上がりと
る。それで、１２２２は２０００となる。剪定は各デー
タ集合ラインに対して必要とされる処理量を大いに低減
する。
【００７０】本発明は個人金融アドバイスと接点で説明
されたが、心に留めて頂きたいことは、本発明は、医療
アドバイス、自動車故障捜し等々の他の分野のエキスパ
ート・システムにも同等に適合できることである。
【図面の簡単な説明】
【図１】本発明の一実施例に従った分散させられたシス
テムの概略線図である。
【図２】図１に示されたシステムのより詳細なブロック
図である。
【図３】本発明の一実施例に従ったステップのフローチ
ャートを示している。
【図４】本発明の一実施例に用いられる規則構築アルゴ
リズムのフローチャートを示している。
【符号の説明】
１０ システム １２ ユーザ端末 １４ プロセッサ １６ データベース １８，２０，２２ 形態パーソナルコンピュータ
───────────────────────────────────────────────────── フロントページの続き (72)発明者 ラミン チャールズ ナキサ イギリス国 ＨＰ６ ６ＱＨ バッキンガ ムシャー リトル チャルフォント チャ ールスレー クローズ 29 (72)発明者 ロビン マッケイ イギリス国 Ｅ１ ９ＷＢ ロンドン ジ ャーディン ロード ４ アトランティッ ク ワーフ モーレタニア ビルディング 21

Claims (67)

    【特許請求の範囲】
  1. 【請求項１】 消費者に対して仕立てられた推奨を提供
    するに適合された知識に基づくシステムであって、 履歴データを含有する知識ベースと、 前記知識ベースから規則集合を抽出する規則抽出手段
    と、 前記規則集合を保持する規則データベースと、 消費者の要件を成文化する成文化手段と、 前記規則集合を前記成文化された消費者要件に適用し
    て、それに応じた推奨を生成する推奨手段と、を具備
    し、 複数の人間エキスパートが実際の或は架空の消費者にア
    ドバイスし実生活の推奨を作り出すようにそれら多数の
    人間エキスパートから前記知識ベースへ学習入力を提供
    する規則誘導手段であり、それら学習入力が前記エキス
    パートによって為された推奨と前記エキスパートがアド
    バイスした消費者の要件とを反映していることから成る
    規則誘導手段と、 前記規則抽出手段を前記知識ベース上で実行して、将来
    の消費者の要件への前記推奨手段による適用のため、前
    記知識ベースから更新された規則集合を抽出することで
    前記規則データベースをリフレッシュする更新手段と、
    を含むことを特徴とするシステム。
  2. 【請求項２】 前記更新手段が周期的に動作し、前記規
    則誘導手段が前記更新手段が前記知識ベースから更新さ
    れた規則集合を抽出するように動作する頻度と少なくと
    も同じ頻度で、前記知識ベースへ学習入力を提供する、
    請求項１に記載のシステム。
  3. 【請求項３】 前記規則誘導手段は、それらが前記複数
    の人間エキスパートによって利用可能と為されるよう
    に、学習入力を提供するように連続的に動作する、請求
    項２に記載のシステム。
  4. 【請求項４】 前記更新手段が、作成され得る推奨の詳
    細を変化することで前記知識ベースを更新するに適合し
    ている、請求項１乃至３の内の何れか一項に記載のシス
    テム。
  5. 【請求項５】 前記成文化手段が、消費者の知覚された
    要望を成文化する手段と、消費者の状況を成文化する手
    段とを含む、請求項１乃至４の内の何れか一項に記載の
    システム。
  6. 【請求項６】 前記規則誘導手段がファジィ集合を生成
    し、前記推奨手段がファジィ規則を適用する、請求項１
    乃至５の内の何れか一項に記載のシステム。
  7. 【請求項７】 前記規則抽出手段がＬｏｚｏｗｓｋｉの
    アルゴリズムを具現化する、請求項６に記載のシステ
    ム。
  8. 【請求項８】 Ｌｏｚｏｗｓｋｉアルゴリズムが変形さ
    れている、請求項７に記載のシステム。
  9. 【請求項９】 属性ベクトルを増分的に生成する属性ベ
    クトル生成手段を含む、請求項８に記載のシステム。
  10. 【請求項１０】 前記属性ベクトル生成手段が生成され
    た最後の属性ベクトルのみが保持されるように構成され
    ている、請求項９に記載のシステム。
  11. 【請求項１１】 属性ベクトルの蓄えがない、請求項１
    ０に記載のシステム。
  12. 【請求項１２】 属性ベクトルの作成をＴ−ノルム集合
    の評価と融合するように構成されている、請求項９乃至
    １１の内の何れか一項に記載のシステム。
  13. 【請求項１３】 各属性に対する第１ファジィ集合を含
    む第１属性ベクトルを生成し、そして、前記第１属性ベ
    クトルにおける前記第１属性の次のファジィ集合を選択
    することによって次の属性ベクトルを生成することによ
    って、前記属性ベクトルを増分する増分手段を含む、請
    求項９乃至１２の内の何れか一項に記載のシステム。
  14. 【請求項１４】 前記増分手段が、もし前記第１属性が
    選択すべきファジィ集合をもはや含まなければ、選択す
    べき更なるファジィ集合を含む次の属性が選択され、選
    択された属性の次のファジィ集合が選択され、そして、
    前記選択された属性よりも小さい各属性から成る第１フ
    ァジィ集合が選択されるように構成されている、請求項
    １３に記載のシステム。
  15. 【請求項１５】 Ｔ−ノルムが生成されている間に最大
    Ｔ−ノルム値を計算する手段を含む、請求項８乃至１４
    の内の何れか一項に記載のシステム。
  16. 【請求項１６】 Ｔ−ノルム及びＳ−ノルムの生成を融
    合するに構成されている請求項１５に記載のシステム。
  17. 【請求項１７】 規則構築に関して役割を何等演ずるこ
    とがない属性を削減することによって属性木を剪定する
    剪定手段を含む、請求項８乃至１６の内の何れか一項に
    記載のシステム。
  18. 【請求項１８】 前記剪定手段が、現行データ集合例に
    対してゼロに戻すファジィ集合をマークし、そして、そ
    のマークされたファジィ集合を含む任意の属性ベクトル
    の評価を省略するように構成されている、請求項１７に
    記載のシステム。
  19. 【請求項１９】 前記剪定手段が、任意のより小さい桁
    を０にリセットする一方でベクトルの第ｉ番目の桁に対
    する次のファジィ集合値まで増分することで、分類ｉで
    の属性ベクトルを剪定するように構成されている、請求
    項１８に記載のシステム。
  20. 【請求項２０】 前記剪定手段が、もし前記属性ベクト
    ルの前記第ｉ番目の桁がもはやファジィ集合を含まなけ
    れば、第ｉ＋１番目の桁が増分される、請求項１９に記
    載のシステム。
  21. 【請求項２１】 追って呼び戻されるために、顧客の詳
    細を記憶する記憶手段を含む、請求項１乃至２０の内の
    何れか一項に記載のシステム。
  22. 【請求項２２】 前記記憶手段が、将来の推奨を提供す
    ることに関して追って呼び戻されるために、前記顧客の
    詳細を記憶する、請求項２１に記載のシステム。
  23. 【請求項２３】 前記記憶手段が、推奨を完了すること
    に関して追って呼び戻されるために、前記顧客の詳細を
    記憶すると共に、顧客要件の入力を保留する手段と関連
    されている、請求項２１或は２２の内の何れか一項に記
    載のシステム。
  24. 【請求項２４】 遠隔の人間アドバイザーからアドバイ
    スを獲得する通信手段を含む、請求項１乃至２３の内の
    何れか一項に記載のシステム。
  25. 【請求項２５】 前記通信手段が、消費者及びアドバイ
    ザー間のビデオ協議リンクを含む、請求項２４に記載の
    システム。
  26. 【請求項２６】 分散型システムである請求項１乃至２
    ５の内の何れか一項に記載のシステム。
  27. 【請求項２７】 消費者及び可能性ある推奨に対する規
    則集合及びデータを保持するサーバと、前記サーバとの
    オンライン・インターフェースを提供する消費者端末
    と、複数の人間エキスパートによって動作可能な複数の
    エキスパート端末とを含み、各エキスパート端末が、エ
    キスパートによって為された推奨とエキスパートがアド
    バイスする顧客の要件とを記憶する手段と、前記規則集
    合の更新に使用するために前記サーバへ前記記憶された
    データを提供する手段とを含む、請求項２６に記載のシ
    ステム。
  28. 【請求項２８】 前記消費者端末が、家庭用ＰＣ、キオ
    スク、ブース、ＡＴＭ、或は、金融アドバイス施設にお
    ける他の端末である、請求項２７に記載のシステム。
  29. 【請求項２９】 消費者端末及びエキスパート端末が前
    記サーバとオンラインで対話できるように為すアプリケ
    ーション・サーバを更に含み、該アプリケーション・サ
    ーバが前記消費者端末及び前記エキスパート端末のため
    に前記サーバへのオンライン・インターフェースを提供
    する、請求項２７或は２８の内の何れか一項に記載のシ
    ステム。
  30. 【請求項３０】 前記アプリケーション・サーバが、サ
    ーバ側ウェブ・アプリケーション、消費者ウェブサイト
    からの呼び出しに応ずる第１ウェブ・アプリケーショ
    ン、並びに、認証されたエキスパート端末によって前記
    サーバへのアクセスを可能とする第２ウェブ・アプリケ
    ーションを実行する、請求項２９に記載のシステム。
  31. 【請求項３１】 前記サーバ側ウェブ・アプリケーショ
    ンがＪａｖａ Ｓｅｒｖｌｅｔｓである、請求項３０に
    記載のシステム。
  32. 【請求項３２】 消費者及び可能性ある推奨に対する前
    記規則集合及びデータがＸＭＬ（Ｅｘｔｅｎｓｉｂｌｅ
    Ｍａｒｋｕｐ Ｌａｎｇｕａｇｅ）文書としてサーバ
    に記憶される、請求項１乃至３１の内の何れか一項に記
    載のシステム。
  33. 【請求項３３】 推奨手段が、前記規則を前記成文化さ
    れた顧客要件に適用して、前記推奨を生成するエージェ
    ントを含む、請求項１乃至３２の内の何れか一項に記載
    のシステム。
  34. 【請求項３４】 前記エージェントが前記顧客要件を獲
    得する質問手段を含み、該質問手段がの質問のシーケン
    スを問い合わせると共に、そのシーケンスにおける前期
    の質問に付与された回答に従ってそのシーケンスにおけ
    る後期の質問に適合する手段を含む、請求項３３に記載
    のシステム。
  35. 【請求項３５】 顧客に対して仕立てられた推奨を提供
    するに適合する知識に基づくシステムを構築する方法で
    あって、前記システムが、知識ベースから規則を抽出
    し、その抽出された規則を成文化された消費者要件に適
    用して、それに従って推奨を生成することによって動作
    しており、当該方法が、複数の人間エキスパートが実際
    の或は架空の消費者にアドバイスし実生活の推奨を作り
    出すようにそれら多数の人間エキスパートから前記知識
    ベースへ学習入力を提供し、それら学習入力が前記エキ
    スパートによって為された推奨と前記エキスパートがア
    ドバイスした消費者の要件とを反映しており、前記学習
    入力が前記知識ベースへ提供された後、将来の消費者の
    要件に対して仕立てられた推奨を生成する点で使用され
    るために、前記知識ベースから更新された規則を抽出す
    ることを特徴とする方法。
  36. 【請求項３６】 前記更新手段が周期的に動作し、前記
    規則誘導手段が、前記更新手段が前記知識ベースから更
    新された規則集合を抽出するように動作する頻度と少な
    くとも同じ頻度で、前記知識ベースへ学習入力を提供す
    る、請求項３５に記載の方法。
  37. 【請求項３７】 前記規則誘導手段は、それらが前記複
    数の人間エキスパートによって利用可能と為されるよう
    に、学習入力を提供するように連続的に動作する、請求
    項３６に記載の方法。
  38. 【請求項３８】 作成され得る推奨の詳細を変化するこ
    とで前記知識ベースを更新することを含む、請求項３５
    乃至３７の内の何れか一項に記載の方法。
  39. 【請求項３９】 前記成文化された消費者要件が、消費
    者の知覚された要望と、消費者の状況とを含む、請求項
    ３５乃至３８の内の何れか一項に記載の方法。
  40. 【請求項４０】 前記知識ベースから更新された規則を
    抽出するために、Ｌｏｚｏｗｓｋｉのアルゴリズムを利
    用する、請求項３５乃至３９の内の何れか一項に記載の
    方法。
  41. 【請求項４１】 Ｌｏｚｏｗｓｋｉのアルゴリズムが変
    形されている、請求項４０に記載の方法。
  42. 【請求項４２】 属性ベクトルが増分的に生成される、
    請求項４１に記載の方法。
  43. 【請求項４３】 生成された最後の属性ベクトルのみが
    保持される、請求項４２に記載の方法。
  44. 【請求項４４】 属性ベクトルの蓄えがない、請求項４
    ３に記載の方法。
  45. 【請求項４５】 属性ベクトルの作成がＴ−ノルム集合
    の評価と融合される、請求項４２乃至４４の内の何れか
    一項に記載の方法。
  46. 【請求項４６】 各属性に対する第１ファジィ集合を含
    む第１属性ベクトルを生成し、そして、前記第１属性ベ
    クトルにおける前記第１属性の次のファジィ集合を選択
    することによって次の属性ベクトルを生成することによ
    って、前記属性ベクトルが増分される、請求項４２乃至
    ４５の内の何れか一項に記載の方法。
  47. 【請求項４７】 もし前記第１属性が選択すべきファジ
    ィ集合をもはや含まなければ、前記方法が、選択すべき
    更なるファジィ集合を含む次の属性が選択され、前記選
    択された属性の次のファジィ集合が選択され、そして、
    前記選択された属性よりも小さい各属性から成る第１フ
    ァジィ集合が選択されることを含む、請求項４６に記載
    の方法。
  48. 【請求項４８】 Ｔ−ノルムが生成されている間に最大
    Ｔ−ノルム値を計算することを含む、請求項４１乃至４
    ７の内の何れか一項に記載の方法。
  49. 【請求項４９】 Ｔ−ノルム及びＳ−ノルムの生成する
    ステップが一緒に融合される、請求項４８に記載の方
    法。
  50. 【請求項５０】 規則構築に関して役割を何等演ずるこ
    とがない属性を削減することによって属性木を剪定する
    ことを含む、請求項４１乃至４９の内の何れか一項に記
    載の方法。
  51. 【請求項５１】 前記剪定が、現行データ集合例に対し
    てゼロに戻すファジィ集合をマークし、そして、そのマ
    ークされたファジィ集合を含む任意の属性ベクトルの評
    価を省略することによって実行される、請求項５０に記
    載の方法。
  52. 【請求項５２】 任意のより小さい桁を０にリセットす
    る一方でベクトルの第ｉ番目の桁に対する次のファジィ
    集合値まで増分することで、分類ｉでの属性ベクトルが
    剪定される、請求項５１に記載の方法。
  53. 【請求項５３】 もし前記第ｉ番目の桁がもはやファジ
    ィ集合を含まなければ、第ｉ＋１番目の桁が増分され
    る、請求項５２に記載の方法。
  54. 【請求項５４】 消費者プロファイルの主要パラメータ
    を決定し、 それらパラメータの可能な値を成文化し、 複数の事例研究を生成して実行し、 前記パラメータを前記事例研究に適用することで規則の
    初期集合を生成するために、前記知識ベースがエキスパ
    ートと連絡することによって設定される、請求項３５乃
    至５３の内の何れか一項に記載の方法。
  55. 【請求項５５】 考慮されるべき各パラメータが複数の
    ファジィ集合に分解されて、加重される、請求項５４に
    記載の方法。
  56. 【請求項５６】 パラメータの集合がＸＭＬ（Ｅｘｔｅ
    ｎｓｉｂｌｅ Ｍａｒｋｕｐ Ｌａｎｇｕａｇｅ）ＤＴ
    Ｄ（ｄｏｃｕｍｅｎｔ ｔｙｐｅ ｄｅｆｉｎｉｔｉｏ
    ｎ）に含まれる、請求項５４或は５５の内の何れか一項
    に記載の方法。
  57. 【請求項５７】 前記パラメータを前記初期規則集合を
    生成すべく前記事例研究の結果としての推奨へマッピン
    グすることを含む、請求項５４乃至５６の内の何れか一
    項に記載の方法。
  58. 【請求項５８】 前記初期規則集合がＬｏｚｏｗｓｋｉ
    のアルゴリズムを実行することで生成される、請求項５
    ４乃至５７の内の何れか一項に記載の方法。
  59. 【請求項５９】 消費者及び可能性ある推奨に対する規
    則集合及びデータをサーバ上に保持し、エキスパートに
    よって為された推奨と該エキスパートがアドバイスした
    消費者の要件とを遠隔端末上に記憶し、その記憶された
    データを前記規則を更新する点で前記サーバへ提供する
    ことを含む、請求項３５乃至５８に記載の方法。
  60. 【請求項６０】 消費者に対して仕立てられた推奨を提
    供するに適合された知識に基づくシステムを動作する方
    法であって、前記システムは知識ベースから規則を抽出
    し、その抽出された規則を成文化された消費者要件に適
    用して、それに従った推奨を生成することによって動作
    し、当該方法が、複数の人間エキスパートが実際の或は
    架空の消費者にアドバイスし実生活の推奨を作り出すよ
    うにそれら多数の人間エキスパートから前記知識ベース
    へ学習入力を提供し、それら学習入力が前記エキスパー
    トによって為された推奨と前記エキスパートがアドバイ
    スした消費者の要件とを反映しており、前記学習入力が
    前記知識ベースへ提供された後、将来の消費者の要件に
    対して仕立てられた推奨を生成する点で使用されるため
    に、前記知識ベースから更新された規則を抽出すること
    を特徴とする方法。
  61. 【請求項６１】 追って呼び戻されるために、顧客の詳
    細を記憶することを含む、請求項６０に記載の方法。
  62. 【請求項６２】 前記顧客の詳細が記憶され、将来の推
    奨を提供する場合に追って呼び戻される、請求項６１に
    記載の方法。
  63. 【請求項６３】 前記顧客の詳細が記憶され、顧客要件
    の入力が保留されている一方で、推奨を完了する場合に
    追って呼び戻される、請求項６１或は６２の内の何れか
    一項に記載の方法。
  64. 【請求項６４】 遠隔の人間アドバイザーからアドバイ
    スを獲得する消費者を含む、請求項６０乃至６３の内の
    何れか一項に記載の方法。
  65. 【請求項６５】 前記アドバイスがビデオ協議リンクを
    介して獲得されることを含む、請求項６４に記載の方
    法。
  66. 【請求項６６】 前記消費者が、家庭用ＰＣ、キオス
    ク、ブース、ＡＴＭ、或は、金融アドバイス施設におけ
    る他の端末である消費者端末を介して消費者要件を入力
    する、請求項６０乃至６５の内の何れか一項に記載の方
    法。
  67. 【請求項６７】 前記消費者が質問のシーケンスに応じ
    て消費者要件を入力し、そのシーケンスの後期の質問が
    そのシーケンスの前期の質問に付与された回答に従って
    適合されている、請求項６０乃至６６の内の何れか一項
    に記載の方法。
JP2000264325A 1999-09-01 2000-08-31 エキスパート・システム Pending JP2001117777A (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
GB9920662.5 1999-09-01
GBGB9920662.5A GB9920662D0 (en) 1999-09-01 1999-09-01 Expert system

Publications (1)

Publication Number Publication Date
JP2001117777A true JP2001117777A (ja) 2001-04-27

Family

ID=10860161

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2000264325A Pending JP2001117777A (ja) 1999-09-01 2000-08-31 エキスパート・システム

Country Status (5)

Country Link
US (1) US6850923B1 (ja)
EP (1) EP1081642A3 (ja)
JP (1) JP2001117777A (ja)
CA (1) CA2317245A1 (ja)
GB (1) GB9920662D0 (ja)

Families Citing this family (37)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7650303B2 (en) * 1998-11-05 2010-01-19 Financeware, Inc. Method and system for financial advising
US7765138B2 (en) * 1998-11-05 2010-07-27 Financeware, Inc. Method and system for financial advising
US7562040B2 (en) * 1998-11-05 2009-07-14 Loeper David B Method, system and computer program for auditing financial plans
US7542921B1 (en) 1999-09-30 2009-06-02 Jpmorgan Chase Bank, N.A. Network-based financial planning system and method
US7409356B1 (en) 2000-06-21 2008-08-05 Applied Systems Intelligence, Inc. Method and system for intelligent supply chain collaboration
US6892192B1 (en) * 2000-06-22 2005-05-10 Applied Systems Intelligence, Inc. Method and system for dynamic business process management using a partial order planner
US7031935B1 (en) * 2000-07-31 2006-04-18 J.P. Morgan Advisory Services Inc. Method and system for computing path dependent probabilities of attaining financial goals
US7295999B1 (en) * 2000-12-20 2007-11-13 Jpmorgan Chase Bank, N.A. System and method for determining eligibility and enrolling members in various programs
US20020143680A1 (en) * 2001-02-27 2002-10-03 Walters Edmond J. Financial planning method and computer system
US7895098B2 (en) 2001-03-01 2011-02-22 Jpmorgan Chase Bank, N.A. System and method for measuring and utilizing pooling analytics
US7693988B2 (en) * 2001-03-07 2010-04-06 International Business Machines Corporation Subject/observer update control method and apparatus
US7565377B2 (en) * 2001-12-05 2009-07-21 Robert Michael Watson Artificially intelligent fulfillment system
US7756896B1 (en) 2002-03-11 2010-07-13 Jp Morgan Chase Bank System and method for multi-dimensional risk analysis
AU2003230751A1 (en) 2002-03-29 2003-10-13 Bank One, Delaware, N.A. System and process for performing purchase transaction using tokens
US7606756B2 (en) * 2002-08-02 2009-10-20 Jpmorgan Chase Bank, N.A. Synthetic funds having structured notes
US20040148566A1 (en) * 2003-01-24 2004-07-29 Jp Morgan Chase Bank Method to evaluate project viability
US7624068B1 (en) * 2003-08-18 2009-11-24 Jpmorgan Chase Bank, N.A. Method and system for dynamically adjusting discount rates for a card transaction
US20050060252A1 (en) * 2003-09-11 2005-03-17 Andrew Doddington Graphical software tool for modeling financial products
US7974895B1 (en) 2004-07-16 2011-07-05 Jp Morgan Chase Bank System and method for developing finance rate information
US20110161958A1 (en) * 2005-01-03 2011-06-30 Jp Morgan Chase Bank Method and system for managing business calculations using multi-dimensional data
US7890343B1 (en) 2005-01-11 2011-02-15 Jp Morgan Chase Bank System and method for generating risk management curves
US20060254861A1 (en) * 2005-04-29 2006-11-16 Sprn Licensing Srl Electronic shopping cart handle
EP1875392A4 (en) 2005-04-29 2010-11-24 Springboard Retail Networks Licensing Srl SYSTEMS AND METHODS FOR MANAGING A HIERARCHICAL STRUCTURE
US20070038486A1 (en) * 2005-08-09 2007-02-15 Greg Mohn Methods and systems for candidate information processing
WO2007032003A2 (en) * 2005-09-13 2007-03-22 Yedda, Inc. Device, system and method of handling user requests
US7962396B1 (en) 2006-02-03 2011-06-14 Jpmorgan Chase Bank, N.A. System and method for managing risk
US7599861B2 (en) 2006-03-02 2009-10-06 Convergys Customer Management Group, Inc. System and method for closed loop decisionmaking in an automated care system
US8379830B1 (en) 2006-05-22 2013-02-19 Convergys Customer Management Delaware Llc System and method for automated customer service with contingent live interaction
US7809663B1 (en) 2006-05-22 2010-10-05 Convergys Cmg Utah, Inc. System and method for supporting the utilization of machine language
US7707192B1 (en) 2006-05-23 2010-04-27 Jp Morgan Chase Bank, N.A. Confidence index for assets
US7953688B2 (en) * 2007-05-08 2011-05-31 Sharon Sadeh Method and system for facilitating a compliance audit using a rule set
US8271401B2 (en) * 2007-07-24 2012-09-18 Uop Llc Expert systems as a method of delivering diagnostic, problem solving, and training technical services to customers
US8478637B1 (en) 2008-04-08 2013-07-02 Jpmorgan Chase Bank, N.A. Index for assessing discount potential
US8918355B2 (en) 2008-11-10 2014-12-23 Mercatus Technologies Inc. Determining a meal and/or meal plan
WO2010096859A1 (en) * 2009-02-26 2010-09-02 Smart Wealth Tips Pty Ltd Method and system for providing financial advice
WO2011050967A1 (en) * 2009-10-29 2011-05-05 Nec Europe Ltd. Method for supporting a reputation mechanism in a network and network
GB2586740A (en) * 2018-03-07 2021-03-03 Wealth Wizards Ltd Method, system and computer program product for providing automated advice

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2160684A (en) * 1984-04-03 1985-12-24 Trw Inc Expert system
US4967368A (en) * 1985-08-16 1990-10-30 Wang Laboratories, Inc. Expert system with knowledge base having term definition hierarchy
US5481647A (en) * 1991-03-22 1996-01-02 Raff Enterprises, Inc. User adaptable expert system
EP0529130A1 (en) * 1991-08-28 1993-03-03 International Business Machines Corporation Expert system with explanation system
US5806049A (en) * 1993-04-21 1998-09-08 Petruzzi; Christopher R. Data processing system for global assessment of investment opportunity and cost
US5546507A (en) * 1993-08-20 1996-08-13 Unisys Corporation Apparatus and method for generating a knowledge base
US5701400A (en) * 1995-03-08 1997-12-23 Amado; Carlos Armando Method and apparatus for applying if-then-else rules to data sets in a relational data base and generating from the results of application of said rules a database of diagnostics linked to said data sets to aid executive analysis of financial data
CA2217523A1 (en) * 1997-10-06 1999-04-06 Comdale Technologies (Canada) Inc. Expert system and methodology
US6324650B1 (en) * 1998-03-16 2001-11-27 John W.L. Ogilvie Message content protection and conditional disclosure
CA2364468A1 (en) * 1999-03-06 2000-09-14 Coppercom, Inc. System and method for administrating call and call feature set-up in a telecommunications network
US6405191B1 (en) * 1999-07-21 2002-06-11 Oracle Corporation Content based publish-and-subscribe system integrated in a relational database system
GB9920661D0 (en) * 1999-09-01 1999-11-03 Ncr Int Inc Expert system

Also Published As

Publication number Publication date
CA2317245A1 (en) 2001-03-01
GB9920662D0 (en) 1999-11-03
EP1081642A2 (en) 2001-03-07
US6850923B1 (en) 2005-02-01
EP1081642A3 (en) 2006-12-13

Similar Documents

Publication Publication Date Title
JP2001117777A (ja) エキスパート・システム
US6741975B1 (en) Rule based expert system for consumer preference
Ward Arguments for constructively simple models
CN110738545A (zh) 基于用户意向识别的产品推荐方法、装置、计算机设备和存储介质
Tiwari et al. A bijective soft set theoretic approach for concept selection in design process
CN111309887A (zh) 一种训练文本关键内容提取模型的方法和系统
Hong et al. CBCRS: An open case-based color recommendation system
Galitsky et al. Learning communicative actions of conflicting human agents
Kar et al. A decision framework with nonlinear preferences and unknown weight information for cloud vendor selection
CN114004677A (zh) 用于向多个用户提供推荐的方法和系统
Krishankumar et al. Selection of a viable blockchain service provider for data management within the internet of medical things: An MCDM approach to Indian healthcare
CN107220721B (zh) 一种多智能代理支持的订房议价方法及系统
Gaspars-Wieloch Scenario planning combined with probabilities as a risk management tool-analysis of pros and cons
CN116523598A (zh) 一种医疗器械推荐方法、系统、存储介质
Panula-Ontto AXIOM method for cross-impact modeling and analysis
CN116596593A (zh) 基于交互的内容生成方法、装置、电子设备及存储介质
Asemi et al. Adaptive neuro-fuzzy inference system for customizing investment type based on the potential investors’ demographics and feedback
JP2001117775A (ja) エキスパート・システム
CN115601179A (zh) 一种理财产品推荐方法及装置
Nishimoto et al. Dialogue management with deep reinforcement learning: Balancing exploration and exploitation
CN112925723A (zh) 测试服务推荐方法、装置、计算机设备及存储介质
Pal An approach to legal reasoning based on a hybrid decision-support system
CN116662814B (zh) 对象意向预测方法、装置、计算机设备及存储介质
Rawashdeh et al. A hybrid AHP-VIKOR methodology to evaluate for adoption COTS database components based on usability
Murtazova Intelligent systems and technologies in organization management