JP2009539189A - 人工知能分析装置と生成装置 - Google Patents

Abstract

この発明は人工知能を用いて、オペレーションシステムから収集された実生活のデータを分析し、イベントの特徴を指し示すために収集したデータをモデル化し、オペレーションシステムのパフォーマンスを最大にする最適なソリューションを結論づけるモデルを分析することに関連している。
【選択図】１

Description

本発明は、種々のモデルを生成するために、様々なモデル化アルゴリズムを用いて実生活で収集されたデータを分析するものである。これらのモデルは、実生活データが集められたところの行動の異なる特徴を表している。さらに、これらのモデルは、最適な期待値を得るため、様々な分析ツールによって分析される。その最適な期待値は、実生活の行動に合う最適解を得るために、制約条件に合わせて動的に洗練される。

情報処理は、私たちの日々の生活の中で重要な技術である。何かのために、我々の生活の中で、何を、どのように、いつ、どこで、誰が行うかを決定する。技術開発により、情報処理の速度は増々速くなっている。情報処理の結果、様々なデータが得られる。人の知能は、最適解を決定する為に多くの処理データを効率的に扱い、そして分析していることが証明されてきた。しかしながら、最近、最新の技術やシステムによって生成されるデータ量は、分析し最適解を決定するための人間の能力を遙かに越えている。それ故、我々は、基本的な知能を統合するための人工知能技術と、要求されるパフォーマンスを達成するための最適解を得るためのシステムの高速処理技術に頼らなければならない。

この発明は、我々の日常生活の中で時々生成される大量のデータを収集し、分配し、モデル化し、そして分析する為の人工知能分析装置と生成装置である。

一つのデータが他のデータに影響を与えるように、すべてのデータは関連付けられている。さらに、それぞれの表わされたデータは、他のデータに影響を与えるという点で、異なる重み付けをしているかもしれない。したがって、これらのデータ間に複雑な関係が成立している。例えば、同時に５０人の買い物客が食料品の支払をする場合、１０本のレジ支払い通路がある店と５本のレジ支払い通路がある店では、その支払のために買い物客が待つ時間が異なる。そのため、５本のレジ支払い通路がある店のマネージャーは、レジを追加する決断をする必要がある場合、彼は所定の時間における利用可能なレジの数、それぞれのレジの労働コスト、レジ支払い通路を導入するためのスペース、その他の多くの要因を考慮する必要がある。最適な解決を得るため、どの要因もそのマネージャーの解決に影響を与えるだろう。この例は、人間によって、容易に分析され、そして結論を出せる単純なケースである。しかし、影響する要因が膨大になった場合、我々は集められたデータを分析するために、統合された人工知能に頼らなければならない。そして、私たちが変化に適応できるように、合理的で許容できる時間内で、最適な解決を得られるための高速処理システムに頼らなければならない。この発明は、様々に影響する要因を知ることによって、実生活からデータを収集し、効率的に検索することができるようにデータを分配し、そしてそのデータをグループ化するものである。この発明は、実生活の異なる特徴を表すように、収集されたデータに基づいて異なるモデルを準備する。それは、実生活の操作振る舞い（operation behaver）を表す最適モデルと、関係した制約条件を得るためにモデル群（特徴群）を分析する。最適モデルを得ることによって、既知で望ましい操作要件（operation requirements）に基づいた最適解が得られる。

なお、次の図面と詳細な説明を参考にすることで、本発明や、さらに本発明の特徴と優位点をより完全に理解することができる。

専門用語と索引

複数タイプのデータ：

異なる特徴をもつデータという意味。例えば、これに限られるものではないが、ある期間内の呼数や、無線周波数の使用率、データアクセスのルール、ネットワークトポロジーなどである。

モデル化：

システムの振る舞いを記述する為の数学的な言語を使った抽象モデル生成のプロセスである。

複製木インデックス：

複製木構造にインデックスを付ける方法である。

ハッシュコードインデックス：

コンピュータサイエンスにおいて、ハッシュテーブル又はハッシュマップは、キーと値を結び付けるデータ構造である。それを効率的に補助する主な操作はルックアップである。キー（例えば、人の名前など）が与えられると、関係する値（例えば、人の電話番号など）を見つける。これは、ハッシュ関数を用いたキーをハッシュ（ハッシュテーブルが要求値を見つける為に使用する値）に変換することによって機能する。

リバースインデックス：

値自身よりも、むしろキー値の反転値を使用するデータベースインデックスである。

サフィックスインデックス：

Ｓのｎ個すべての接尾辞を含む、ｎ文字からなる文字列Ｓの接尾辞木にインデックスを付ける方法。副文字列インデックスである。

平均値：

算術平均である。

正規分布：

正規分布は、ガウス分布とも呼ばれる確率分布である。一般的な分布の一種で、それぞれ平均（average）と標準偏差（ばらつき）に対応する：ロケーションとスケールのパラメータによって形が変化する。標準的な正規分布は平均値が０で標準偏差が１の分布である。これは、その確率密度のグラフがベルに似ていることから、しばしばベルカーブと呼ばれる。

一般事象：

標準化データの個々の値の分布に沿って標準化規格を動的に調整する統計標準化アルゴリズムである。

異常事象：

もともとの入力と、標準化された結果の個々の値の分布とを比較するような統計標準化アルゴリズムである。

有限インパルス応答（ＦＩＲ)アルゴリズム：

システムが特定の特性を持つように係数を選択することにより、モデル化する為のアルゴリズムである。

無限インパルス応答（ＩＩＲ）アルゴリズム：

無限長の時間軸上でゼロとならないインパルス応答機能でモデル化するためのアルゴリズムである。

ベクトル化アルゴリズム：

ベクトル化とはスカラー（ある時間で１ペアのオペランドを操作するもの）からベクトル（ベクトルを参照することのできる単命令であるプロセス）へアルゴリズムを変換するプロセスである。

高速フーリエ変換（ＦＦＴ）アルゴリズム：

高速フーリエ変換アルゴリズムは、離散フーリエ変換（ＤＦＴ）とその逆変換を計算するアルゴリズムである。

Ｚ変換アルゴリズム：

Ｚ変換は、実数の列である離散時間領域の信号を複素周波数領域に変換するものである。
差分（ディファレンシャル）ランレングス・ハフマンアルゴリズム：

データ羅列の差分や一続きを計算することによりデータ圧縮と特徴分析を行うアルゴリズムである。

ダウンサンプリングアルゴリズム：

サンプリングレートを減らす過程。これは通常、データレートやデータのサイズを減らすことで実行されるものである。

幾何学的推論アルゴリズム：

予測とオリジナルデータの比較をすることによって、多次元データ集合の関係性を発見するアルゴリズムである。

境界アルゴリズム：

幾何学的空間の境界を識別することで、輻輳、接続性や連続性といった概念を図式化し易くしたモデル化プロセスである。

階層的線形モデリング（ＨＬＭ）アルゴリズム：

マルチレベル分析としても知られている。単線形回帰や重線形回帰をより進化させた形態である。ＨＬＭは、多数の階層レベルで出力変数の分散が分析されることが可能である。

素因数分解アルゴリズム：

素因数分解（ＳＤＶ）は、直行する実数又は複素数行列の因数分解で、信号処理や統計学でいくつかのアプリケーションと共に使われる。

垂直ベクトル化アルゴリズム：

垂直軸に沿うベクトル化である。

水平グループ化アルゴリズム：

水平軸に沿うグループ化プロセスである。

重力速度分析アルゴリズム：

予測可能性と連続性を計算することにより、多次元データをグループやサブドメインへ分配するアルゴリズムである。

ベイズ分析アルゴリズム：

ベイズ主義とは確率の数学理論がどの程度まで許容できるかについて言及した主義である。ベイズ主義者はまた新しい情報を考える際にその信頼性を更新することに対してベイズの定理が基礎として使用可能であると確信している。そのような更新はベイズ推定として知られる。ベイズ主義は確率微積分学や'おそらく'という言葉の説明、あるいは確率の説明として通常引用される。

誤差拡散反復アルゴリズム：

予測と誤差のフィードバックによって、異なるデータ集合間の関係性を解決する為のアルゴリズムである。

制約条件：

数学的表現の形式における、イベント、条件、ルールであり、タスクから期待する結果を制限するものである。

パターン関係：

パターンとしてそれぞれ重み付けられたＮという要素と、それらの関連性として重み付けられたＭという要素のデータのグループの間の関係を表している。

ベンダー独立モデル：

入力、出力と入出力間のシミュレーション応答結果であるパターンを定義することによって多ノードシステムをもつ独立モデルを表現している。

現在の情報とは、データ収集、データ分配、モデル化、そしてさまざまな知能により生成されたモデルを分析することを提供したシステムである。つまり５つの主なモジュールがある。その５つとは、データ収集器、データ分配器、データモデル器、モデル分析器と最大効果器である。

データ収集器は、分析のために必要とされる実生活の行動からユーザデータを収集する。例えば、ワイヤレスネットワーク環境では、これに限るわけではないが、ユーザデータは、無線周波数データ、パフォーマンスカウンタ、環境定義、そしてハードウェアのルールを含んでいるかもしれない。国家安全保障コマンド制御チャネルでは、これに限らないが、ユーザデータは、コマンドチャネルの区切り、コマンド発行の遅れ、コマンドコミュニケーションのルール、コミュニケーションハードウェアの制約条件、そしてリソース有効性を含んでいるかもしれない。実生活の時系列データを表現できるようにユーザデータはあらかじめ定義した間隔で収集される。こういったデータが収集される際に、通常そして異常なイベントが起こったときのタイミングや状況が含まれる。例えば、あるネットワーク環境でのパフォーマンスカウンタはある期間で収集されたさまざまなサーキットカードのパフォーマンスデータを含んでいる。コマンド制御チャネルでの"コマンド発行の遅延"はある期間収集される遅延データを含んでいる。それゆえに、実際の環境の実生活で何が起こってきたかについて、収集したデータは表すことになる。

データ分配器は、データタイプと予め定義された分配ルールによって、収集されたユーザデータを分配する。モデル化の過程で関連のあるデータはまとめられるといったような方法でユーザデータは分配される。データ分配器は、さらにグループ化されたデータやグループの中から特出したデータに見出しを付け、見出し群を生成する。例えば、グループ化されたデータは複数のデータファイルにグループ化される。その見出し群はデータファイルの場所や名前を指し示す。またその見出し群はデータファイルの中の特出したデータ要素の場所を指し示す。分配、グループ化、そして見出し付けのプロセスは、システムによってデータを検索し易くし、さまざまなモデルを作り出す。当分野の技術として知られている見出し付けする手法が数多くある。すべての見出し付け手法はそれ自身の目的や利点を持っている。本発明は複製木検索やハッシュコード検索、リバース検索、接尾辞検索を含んだ検索手法を実行する。他の探索手法もまた、オペレーティングシステムやさまざまなタイプのデータが収集される環境の性質や特徴により実行される。

データモデル器は、分配されたデータとあらかじめ定義されたモデル化ルールを使うことによってさまざまなモデルを生成する。あらかじめ定義するモデル化ルールは特にモデル化環境に対しては追加ルールである。例えばネットワークトポロジーや装置構成、そしてネットワークデザインルールはネットワーク環境に対する特有のモデル化ルールである。コマンド制御チャネルの環境に対しては、コマンドレベル、コマンド権限、コマンドトポロジーが、データモデル器にとって特有のモデル化ルールである。データモデル器は、分類されたデータを入力として得て、さまざまなモデル化アルゴリズムを用いて異なるモデルを生成する。生成されたモデルはユーザデータが収集された実生活の環境とは違った特徴を表す。これらのモデルは収集されたデータから通常時と異常時の両方のイベントを表すことになる。そのモデルは他のすべての要素からみてどのようなイベントが異常状態を引き起こしたのかを表す。例えば、あるネットワーク環境下では、そのモデルはある特定の時間におけるコミュニケーショントラフィックの急増を表すかもしれない。またそのモデルは異常が発生する頻度を表すかもしれない。そのモデル化プロセスは収集したデータを数学的に徹底的に計算し処理する。モデル化プロセスの出力は数字の羅列によって表現されるモデル群である。本発明は有限インパルス応答アルゴリズム（FIR）、無限インパルス応答アルゴリズム（IIR）、セグメンテーションアルゴリズム、ベクトル化アルゴリズム、高速フーリエ変換（FFT）アルゴリズム、Z変換アルゴリズム、差分ランレングス・ハフマンアルゴリズム、ダウンサンプリングアルゴリズム、幾何学的推論アルゴリズム、境界アルゴリズム、そして階層化線形計画法アルゴリズム他を含むモデル化アルゴリズムを実施する。当分野の技術として知られる他のモデル化アルゴリズムも発明概念から逸脱することなく、本発明にて使用できる。

データ分析器は、あらかじめ定義されたルールでデータモデル器によって生成されたモデルを分析する。あるネットワーク環境ではあらかじめ定義されたルールというのはデザインルールや装置構成などであるかもしれない。複数のモデルを分析するデータ分析器のためのアルゴリズムは、ベンダ独立モデルやパターン関係を生成する、素因数分解アルゴリズム、垂直ベクトル化アルゴリズム、垂直グループ化アルゴリズム、水平グループ化アルゴリズム、重力速度分析アルゴリズム、ベイズ分析アルゴリズム、誤差拡散反復アルゴリズム、から構成されている。データ分析器によって行われた分析結果はデータが収集されるオペレーティングシステムを最もよく表現する最適モデルを含んでいる。

最大効果器は、最適モデルやさまざまに要求された操作要求を元に最適解を得るツールを生成する。最適解は変化するシステム要求に対してオペレーションシステムが要求したパフォーマンスを指し示す。こういったシステム要求はシステムがどのように機能するかを決定する要素にさまざまに影響を与える。あるワイヤレスネットワーク環境では、システム要求はベンダ仕様による装置限界やネットワークトポロジーの限界、無線周波数のリソース限界、トラフィック負荷要求などであるかもしれない。あるコマンド制御システムでは、システム要求はコマンドチャネルパス本数の限界やコマンド権限の限界や要求、コマンド実行・応答などであるかもしれない。

あるワイヤレスネットワークでは、ネットワークのパフォーマンスに関係する、加入者の要求や特別なイベントによるトラフィックの増加が、サービスを提供する通信事業者において大きな関心事であった。パフォーマンスの要求を満たすには、ネットワークをアップグレードしたり、再構成したりする際に考えられる数多くの要因やネットワーク要素がある。その要因や要素は無線周波数（RF）のリソース、ネットワークトポロジー、ハードウェア要素、デザインルール、機器ベンダ仕様の制約条件などを含んでいる。ネットワークから生成されるすべてのパフォーマンスデータは分析のために時間をかけて収集される。しかしながら、これらの生データは大量というだけでなく、お互いに相関性がないので、人の手でこれを分析し、正確な方法で最適解を導き出すことはできない。

本発明ではまず、生のトラフィックからある期間を通して集められたり、あるいはあらかじめ定義されたルールであったりといった、環境の定義、ハードウェアルール、パフォーマンスカウンタ、そして無線周波数データを収集する。データ分配器は、これらのデータを、関連するデータは一緒にグループ化するという方法で分類する。データ分配器はファイルとインデックスを生成する。データファイルは、分類されたデータからなり、インデックスはデータファイルやデータファイルの中にある特定のデータを指し示す。この分類やグループ化のプロセスは、モデル化のために収集した生データへ効率的にアクセスするための基礎準備となる。

データ分配器によって分類され、そしてグループ化された後、その分類されたデータファイルはデータモデル器への入力となる。データモデル器はデータファイルを受け取った応答として、予め定義されたさまざまなルールに一致する複数のモデルを生成する。これらの予め定義されたルールは、デザインルール、ネットワークトポロジー、そして装置構成ルールが含まれる。さまざまな異なるモデル化アルゴリズムに基づくモデル化プロセスは、一連の数学的計算結果である。数学的表現の形式となるその結果は、収集した実生活データの実際の異なる操作特性を表すモデルである。例えば、その特性は、トラフィック発生のピーク、ある特定の時間内のトラフィックのピークの周期、あるいは特定のネットワーク要素の負荷、などを含んでいる。こういったモデルを持つことによって、サービスを提供する通信事業者は計画されたパフォーマンスゴールの観点で、どのようにネットワークが振舞うのかをより分かり易く認識できる。

モデル分析器は、モデルを受け取った応答として、あらかじめ定義されたデザインルールや装置構成ルールによってこれらのモデルを分析し、中間最適モデルを生成する。その分析は、あらかじめ定義された制約条件をふまえて開始され、そしてその制約条件に基づいて中間最適モデルが生成される。制約条件に合わせていくことによって、データ分析器は分析を繰り返し、結果として最適モデルを作り出す。最大効果器は、その最適モデルやシステム要求を使って、パフォーマンスのソリューションを生成する。データ分析器による分析や、最大効果器による最適化は、パフォーマンスのソリューションが最初に定義した範囲に近づくまで繰り返される。最後の中間最適モデルは、オペレーションシステムを代表する最適モデルとなり、最後のパフォーマンスソリューションは、パフォーマンス要求やシステムの制約条件を満足したシステムの最適解となる。

あるコマンド制御環境下では、コマンドトラフィックは日常的に測定され、記録される。そのトラフィックデータは、これらに限定されないが、コマンド指示の量、コマンドタイプ、コマンド発行の遅延時間、コマンドチャネルの途中にあるハブそれぞれでのコマンドプロセスの遅延時間、コマンドハブの権限レベル、コマンドハブトポロジー、コマンドチャネルのハードウェア制限などを含んでいる。

収集された実生活のデータはデータ分配器への入力となり、それから、分配され、グループ化される。関連付けされたインデックスは、特別なデータグループの中にある特別なデータを指し示すためだけではなく、分類された後のグループ化されたデータを指し示すためにも生成される。データ分配器によって実行される分配とグループ化のプロセスは、データモデル器がデータにアクセスしやすいように、効率的に関連データを組成することになる。そして、分類され、グループ化されたデータは、実生活のデータ収集によって得られる異なるシステムの特徴を表すために、さまざまなモデルを生成できるようデータモデル器へ入力される。数学的モデル化アルゴリズムを用いることによって、そのモデルは異なる数学的表現で表される。そのモデルはある特定の期間で大きなコマンド遅延、権限レベルがないことによる遅延、ハードウェアやトポロジーの制限による遅延を表現しているかもしれない。それ故、表に出てきた特徴は、正常なものであれ異常なものであれ、これらのモデルによって指し示される。

そのモデルは、特別な制約条件の下で、コマンド制御システムのパフォーマンスを改善できる最適なソリューションを生成するために、モデル分析器によってさらに分析される。その制約条件は、最適なソリューションがあらかじめ定義された値の範囲で得られるまで、繰り返し分析のプロセスに対して動的に生成され得る。

この文書で示され、記述された実施例とそのバリエーションは、単に本発明の原理を図解しているだけであり、この発明の範囲と思想からかけ離れない範囲における様々な変更は、当分野の技術によって実行され得るものである。

この発明のシステムの概略図である。 データモデル器とデータ分析器の詳細な行程フローである。

Claims (20)

1. 複数タイプの第１のデータ集合を受け取るデータ分配器を備え、
   前記データ分配器は、第１のデータ集合を分類し、該分類されたデータを複数のデータファイルにグループ化し、そして更に、前記データ分配器は、前記第１のデータ集合からインデックスを生成し、
   複数タイプの第２のデータ集合を受け取るデータモデル器を備え、
   前記データモデル器は、前記第１のデータ集合と前記第２のデータ集合から複数のモデルを生成すること、
   を特徴とする人工知能システム。
2. 複数タイプの第３のデータ集合を受け取るモデル分析器を備え、
   前記モデル分析器は、複数タイプの前記第３のデータ集合から、前記複数のモデルを分析すること、
   を特徴とする請求項１の人工知能システム。
3. 前記インデックスが、前記データファイルや、前記データファイルにおいて前記分類されたデータを指し示すこと、
   を特徴とする請求項２の人工知能システム。
4. Ｒ木インデックス、ハッシュコードインデックス、逆インデックス、及び接尾辞インデックスを含む探索アルゴリズムを用いることによって、前記インデックスが生成されること、
   を特徴とする請求項３の人工知能システム。
5. 前記データ分配器は、前記第１のデータ集合の平均値の選択、前記第１のデータ集合の正規分布の８０％の中からのデータの選択、前記第１のデータ集合の正規分布の８０％の選択によって選択されなかった残りの前記第１のデータ集合の２０％であるところの前記第１のデータ集合の２０％の中からのデータの選択、前記第１のデータ集合の中からの最大値と最小値のデータの選択、前記第１のデータ集合の出現頻度の高いデータの中からのデータの選択、前記第１のデータ集合の出現頻度の低いデータの中からのデータの選択によって、前記第１のデータ集合を分類すること、
   を特徴とする請求項２の人工知能システム。
6. 有限インパルス応答（FIR）アルゴリズム、無限インパルス応答（IIR）アルゴリズム、セグメンテーションアルゴリズム、ベクトル化アルゴリズム、高速フーリエ変換（FFT）アルゴリズム、Z変換アルゴリズム、差分ランレングス・ハフマンアルゴリズム、ダウンサンプリングアルゴリズム、幾何学的推論アルゴリズム、境界アルゴリズム、階層線形モデリングアルゴリズムによって前記複数のモデルが生成されること、
   を特徴とする請求項５の人工知能システム。
7. 前記モデル分析器は、最適モデルを生成するために、素因数分解（SVD）アルゴリズム、垂直ベクトル化アルゴリズム、垂直グループ化アルゴリズム、水平グループ化アルゴリズム、重力速度分析アルゴリズム、ベイズ分析アルゴリズム、誤差拡散反復アルゴリズム、を用いることによって、前記複数のモデルを分析すること、
   を特徴とする請求項６の人工知能システム。
8. 前記モデル分析器は、動的制約条件を生成するとともに、
   前記モデル分析器は、新しい動的制約条件によって修正した最適モデルを生成すること、
   を特徴とする請求項７の人工知能システム。
9. 前記修正した最適モデルによって、最適なシステムパフォーマンスソリューションを生成する最大効果器を備えること、
   を特徴とする請求項８の人工知能システム。
10. 複数タイプの第１のデータ集合を受け取るデータ分配器を備え、
    前記データ分配器は、第１のデータ集合を分類し、該分類されたデータを複数のデータファイルにグループ化し、そして更に、前記データ分配器は、前記第１のデータ集合からインデックスを生成し、
    第２のデータ集合を受け取り、最適モデルと動的制約条件を生成するモデル分析器を備えること、
    を特徴とする人工知能システム。
11. 複数タイプの第３のデータ集合を受け取るデータモデル器を備え、
    前記データモデル器は、前記第１のデータ集合と前記第３のデータ集合から、複数のモデルを生成すること、
    を特徴とする請求項１０の人工知能システム。
12. 前記インデックスは、前記データファイルや、前記データファイルにおいて前記分類されたデータを指し示すと共に、
    前記インデックスは、複製木インデックス、ハッシュコードインデックス、逆インデックス、接尾辞インデックスを用いることによって生成されること、
    を特徴とする請求項１１の人工知能システム。
13. 前記データ分配器は、前記第１のデータ集合の平均値の選択、前記第１のデータ集合の正規分布の８０％の中からのデータの選択、前記第１のデータ集合の正規分布の８０％の選択によって選択されなかった残りの前記第１のデータ集合の２０％であるところの前記第１のデータ集合の２０％の中からのデータの選択、前記第１のデータ集合の中からの最大値と最小値のデータの選択、前記第１のデータ集合の出現頻度の高いデータの中からのデータの選択、前記第１のデータ集合の出現頻度の低いデータの中からのデータの選択によって、前記第１のデータ集合を分類すること、
    を特徴とする請求項１１の人工知能システム。
14. 有限インパルス応答（FIR）アルゴリズム、無限インパルス応答（IIR）アルゴリズム、セグメンテーションアルゴリズム、ベクトル化アルゴリズム、高速フーリエ変換（FFT）アルゴリズム、Z変換アルゴリズム、差分ランレングス・ハフマンアルゴリズム、ダウンサンプリングアルゴリズム、幾何学的推論アルゴリズム、境界アルゴリズム、階層線形モデリングアルゴリズムによって前記複数のモデルが生成されること、
    を特徴とする請求項１３の人工知能システム
15. 前記モデル分析器は、最適モデルを生成するために、素因数分解（SVD）アルゴリズム、垂直ベクトル化アルゴリズム、垂直グループ化アルゴリズム、水平グループ化アルゴリズム、重力速度分析アルゴリズム、ベイズ分析アルゴリズム、誤差拡散反復アルゴリズム、を用いることによって、前記複数のモデルを分析すること、
    を特徴とする請求項１４の人工知能システム。
16. 前記モデル分析器は、動的制約条件によって最適モデルを生成し、更に、
    前記最適モデルの１つをもとに最適なパフォーマンスソリューションを生成する最大効果器を備えること、
    を特徴とする請求項１５の人工知能システム。
17. 複数タイプの第１のデータ集合を受け取るデータ分配器を備え、
    前記データ分配器は、第１のデータ集合を分類し、該分類されたデータを複数のデータファイルにグループ化し、そして更に、前記データ分配器は、前記第１のデータ集合からインデックスを生成し、
    複数タイプの第２のデータ集合を受け取るデータモデル器を備え、
    前記データモデル器は、前記第１のデータ集合と前記第２のデータ集合から複数のモデルを生成し、
    第３のデータ集合を受け取るモデル分析器を備え、
    前記モデル分析器は、前記第３のデータ集合から、前記複数のモデルを分析すること、
    を特徴とする人工知能システム。
18. 前記インデックスは、前記データファイルや、前記データファイルにおいて前記分類されたデータを指し示すと共に、
    前記インデックスは、R木インデックス、ハッシュコードインデックス、逆インデックス、及び接尾辞インデックスを用いることによって生成されること、
    を特徴とする請求項１７の人工知能システム。
19. 前記データ分配器は、前記第１のデータ集合の平均値の選択、前記第１のデータ集合の正規分布の８０％の中からのデータの選択、前記第１のデータ集合の正規分布の８０％の選択によって選択されなかった残りの前記第１のデータ集合の２０％であるところの前記第１のデータ集合の２０％の中からのデータの選択、前記第１のデータ集合の中からの最大値と最小値のデータの選択、前記第１のデータ集合の出現頻度の高いデータの中からのデータの選択、前記第１のデータ集合の出現頻度の低いデータの中からのデータの選択によって、前記第１のデータ集合を分類し、
    有限インパルス応答（FIR）アルゴリズム、無限インパルス応答（IIR）アルゴリズム、セグメンテーションアルゴリズム、ベクトル化アルゴリズム、高速フーリエ変換（FFT）アルゴリズム、Z変換アルゴリズム、差分ランレングス・ハフマンアルゴリズム、ダウンサンプリングアルゴリズム、幾何学的推論アルゴリズム、境界アルゴリズム、階層線形モデリングアルゴリズムによって前記複数のモデルが生成されること、
    を特徴とする請求項１８の人工知能システム。
20. 前記モデル分析器は、ベンダ独立モデルやパターンリレーションシップを生成するために、素因数分解（SVD）アルゴリズム、垂直ベクトル化アルゴリズム、垂直グループ化アルゴリズム、水平グループ化アルゴリズム、重力速度分析アルゴリズム、ベイズ分析アルゴリズム、誤差拡散反復アルゴリズム、を用いることによって、前記複数のモデルを分析するとともに、
    前記モデル分析器は、最適モデルや動的制約条件を生成し、更に、
    最大効果器を備え、
    前記最大効果器は、前記最適モデルの１つをもとにした最適なソリューションを生成すること、
    を特徴とする請求項１９の人工知能システム。

Images