JP2017215898A - Machine learning system - Google Patents

Machine learning system Download PDF

Info

Publication number
JP2017215898A
JP2017215898A JP2016110758A JP2016110758A JP2017215898A JP 2017215898 A JP2017215898 A JP 2017215898A JP 2016110758 A JP2016110758 A JP 2016110758A JP 2016110758 A JP2016110758 A JP 2016110758A JP 2017215898 A JP2017215898 A JP 2017215898A
Authority
JP
Japan
Prior art keywords
prediction
function unit
learning
machine learning
data
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.)
Granted
Application number
JP2016110758A
Other languages
Japanese (ja)
Other versions
JP6752457B2 (en
Inventor
正世 土屋
Masayo Tsuchiya
正世 土屋
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.)
Mars Spirit Inc
Original Assignee
Mars Spirit 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 Mars Spirit Inc filed Critical Mars Spirit Inc
Priority to JP2016110758A priority Critical patent/JP6752457B2/en
Publication of JP2017215898A publication Critical patent/JP2017215898A/en
Application granted granted Critical
Publication of JP6752457B2 publication Critical patent/JP6752457B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Abstract

PROBLEM TO BE SOLVED: To enable artificial intelligence to be mounted on a terminal for personal use.SOLUTION: A machine learning system comprises a server 92 functioning as a learning function unit and a user terminal 91 functioning as a prediction function unit. The user terminal 91 includes a prediction unit 11 for prediction with respect to input data by using a parameter acquired by the server 92 through a communication network 93, and a prediction error determination unit 13 which compares the prediction result with teacher data, for transmitting the input data and the teacher data to the server 92 according to the comparison result. The server 92 has a learning unit 21 which performs machine learning using a predetermined algorithm by using the input data and the teacher data transmitted from the user terminal 91, and updates the parameter according to the machine learning.SELECTED DRAWING: Figure 1

Description

本開示は、学習機能及び予測機能を備える機械学習システムに関する。   The present disclosure relates to a machine learning system including a learning function and a prediction function.

人工知能を用いて予測を行う機械学習システムが提案されている（例えば、特許文献１参照。）。ニューラルネットワーク等の人工知能は、学習するための学習器と、学習に基づいて認識及び予測等を行う予測器と、で構成されている。これは、人間の脳における認知機能を模擬したことによるもので、これまで脳と同様に学習器と予測器とが一体として構成されてきた。   A machine learning system that performs prediction using artificial intelligence has been proposed (see, for example, Patent Document 1). Artificial intelligence such as a neural network includes a learning device for learning and a prediction device that performs recognition and prediction based on learning. This is due to the simulation of the cognitive function in the human brain, and so far, the learner and the predictor have been configured as a single body, just like the brain.

近年、人工知能は、研究目的だけでなく、ＰＣやスマートフォンなどの個人の使用する端末への活用が求められている。通常、学習においては膨大な演算が必要になる。しかし、個人の使用する端末に搭載可能な演算能力は端末に依存し、端末によっては学習器として機能できないものもある。   In recent years, artificial intelligence has been demanded not only for research purposes but also for terminals used by individuals such as PCs and smartphones. Usually, learning requires enormous operations. However, computing power that can be installed in a terminal used by an individual depends on the terminal, and some terminals cannot function as a learning device.

特開２０１５−１７２７９０号公報JP2015-172790A

本開示は、個人の使用する端末においても人工知能を搭載可能にすることを目的とする。   An object of the present disclosure is to enable artificial intelligence to be installed even in a terminal used by an individual.

本願開示は、予測器を個人の使用する端末に搭載し、当該端末と通信ネットワークで接続された当該端末の外部に学習器を配置することとした。   According to the present disclosure, the predictor is mounted on a terminal used by an individual, and the learning device is arranged outside the terminal connected to the terminal via a communication network.

具体的には、本開示に係る機械学習システムは、
学習機能部及び予測機能部を備える機械学習システムであって、
前記予測機能部は、
通信ネットワークを介して前記学習機能部から所定のアルゴリズムのパラメータを取得し、前記パラメータを適用した前記所定のアルゴリズムを用いて、入力データに対する予測を行う予測部と、
前記予測に対する教師データを取得し、前記予測の結果である出力データと前記教師データを比較し、比較の結果が予め定められた条件を満たす場合、通信ネットワークを介して前記入力データ及び前記教師データを前記学習機能部に送信する予測誤差判定部と、を備え、
前記学習機能部は、
前記予測機能部から送信された前記入力データ及び前記教師データを用いて前記所定のアルゴリズムを用いた機械学習を行い、機械学習によってパラメータを更新する学習部を備える。 Specifically, the machine learning system according to the present disclosure is:
A machine learning system including a learning function unit and a prediction function unit,
The prediction function unit
Obtaining a parameter of a predetermined algorithm from the learning function unit via a communication network, and using the predetermined algorithm to which the parameter is applied, a prediction unit that performs prediction on input data;
The teacher data for the prediction is acquired, the output data as the result of the prediction is compared with the teacher data, and when the comparison result satisfies a predetermined condition, the input data and the teacher data are transmitted via a communication network. A prediction error determination unit that transmits the learning function unit to the learning function unit,
The learning function unit
A learning unit that performs machine learning using the predetermined algorithm using the input data and the teacher data transmitted from the prediction function unit and updates parameters by machine learning is provided.

具体的には、本開示に係るユーザ端末として機能する装置は、
学習機能部及び予測機能部を備える機械学習システムに備わる前記予測機能部として機能する装置であって、
通信ネットワークを介して前記学習機能部から所定のアルゴリズムのパラメータを取得し、前記パラメータを適用した前記所定のアルゴリズムを用いて、入力データに対する予測を行う予測部と、
前記予測に対する教師データを取得し、前記予測の結果である出力データと前記教師データを比較し、比較の結果が予め定められた条件を満たす場合、通信ネットワークを介して前記入力データ及び前記教師データを前記学習機能部に送信する予測誤差判定部と、を備え、
前記学習機能部は、前記予測機能部から送信された前記入力データ及び前記教師データを用いて前記所定のアルゴリズムを用いた機械学習を行い、機械学習によってパラメータを更新する。 Specifically, an apparatus that functions as a user terminal according to the present disclosure is:
An apparatus that functions as the prediction function unit provided in a machine learning system including a learning function unit and a prediction function unit,
Obtaining a parameter of a predetermined algorithm from the learning function unit via a communication network, and using the predetermined algorithm to which the parameter is applied, a prediction unit that performs prediction on input data;
The teacher data for the prediction is acquired, the output data as the result of the prediction is compared with the teacher data, and when the comparison result satisfies a predetermined condition, the input data and the teacher data are transmitted via a communication network. A prediction error determination unit that transmits the learning function unit to the learning function unit,
The learning function unit performs machine learning using the predetermined algorithm using the input data and the teacher data transmitted from the prediction function unit, and updates parameters by machine learning.

具体的には、本開示に係るサーバとして機能する装置は、
学習機能部及び予測機能部を備える機械学習システムに備わる前記学習機能部として機能する装置であって、
前記予測機能部から送信された入力データ及び教師データを用いて所定のアルゴリズムを用いた機械学習を行い、機械学習によってパラメータを更新する学習部を備え、
前記予測機能部は、通信ネットワークを介して前記学習機能部から所定のアルゴリズムのパラメータを取得し、前記パラメータを適用した前記所定のアルゴリズムを用いて、入力データに対する予測を行い、前記予測に対する教師データを取得し、前記予測の結果である出力データと前記教師データを比較し、比較の結果が予め定められた条件を満たす場合、通信ネットワークを介して前記入力データ及び前記教師データを前記学習機能部に送信する。 Specifically, an apparatus that functions as a server according to the present disclosure is:
A device that functions as the learning function unit provided in a machine learning system including a learning function unit and a prediction function unit,
Performing machine learning using a predetermined algorithm using the input data and teacher data transmitted from the prediction function unit, comprising a learning unit that updates parameters by machine learning,
The prediction function unit acquires a parameter of a predetermined algorithm from the learning function unit via a communication network, performs prediction for input data using the predetermined algorithm to which the parameter is applied, and teach data for the prediction When the output data as the result of the prediction is compared with the teacher data, and the comparison result satisfies a predetermined condition, the learning function unit receives the input data and the teacher data via a communication network. Send to.

具体的には、本開示に係るユーザ端末の情報処理方法は、
学習機能部及び予測機能部を備える機械学習システムに備わる前記予測機能部が実行する情報処理方法であって、
通信ネットワークを介して前記学習機能部から所定のアルゴリズムのパラメータを取得し、前記パラメータを適用した前記所定のアルゴリズムを用いて、入力データに対する予測を行う予測手順と、
前記予測に対する教師データを取得し、前記予測の結果である出力データと前記教師データを比較し、比較の結果が予め定められた条件を満たす場合、通信ネットワークを介して前記入力データ及び前記教師データを前記学習機能部に送信する予測誤差判定手順と、を備え、
前記予測誤差判定手順の後に、前記学習機能部は、前記予測機能部から送信された前記入力データ及び前記教師データを用いて前記所定のアルゴリズムを用いた機械学習を行い、機械学習によってパラメータを更新する。 Specifically, the information processing method of the user terminal according to the present disclosure is:
An information processing method executed by the prediction function unit provided in a machine learning system including a learning function unit and a prediction function unit,
A prediction procedure for obtaining a parameter of a predetermined algorithm from the learning function unit via a communication network, and performing prediction for input data using the predetermined algorithm to which the parameter is applied,
The teacher data for the prediction is acquired, the output data as the result of the prediction is compared with the teacher data, and when the comparison result satisfies a predetermined condition, the input data and the teacher data are transmitted via a communication network. And a prediction error determination procedure for transmitting to the learning function unit,
After the prediction error determination procedure, the learning function unit performs machine learning using the predetermined algorithm using the input data and the teacher data transmitted from the prediction function unit, and updates parameters by machine learning. To do.

具体的には、本開示に係るサーバの情報処理方法は、
学習機能部及び予測機能部を備える機械学習システムに備わる前記学習機能部が実行する情報処理方法であって、
前記予測機能部から送信された入力データ及び教師データを用いて所定のアルゴリズムを用いた機械学習を行い、機械学習によってパラメータを更新する学習手順を備え、
前記学習手順の前に、前記予測機能部は、通信ネットワークを介して前記学習機能部から所定のアルゴリズムのパラメータを取得し、前記パラメータを適用した前記所定のアルゴリズムを用いて、入力データに対する予測を行い、前記予測に対する教師データを取得し、前記予測の結果である出力データと前記教師データを比較し、比較の結果が予め定められた条件を満たす場合、通信ネットワークを介して前記入力データ及び前記教師データを前記学習機能部に送信する。 Specifically, the server information processing method according to the present disclosure is:
An information processing method executed by the learning function unit provided in a machine learning system including a learning function unit and a prediction function unit,
Performing machine learning using a predetermined algorithm using the input data and teacher data transmitted from the prediction function unit, comprising a learning procedure for updating parameters by machine learning;
Prior to the learning procedure, the prediction function unit acquires a parameter of a predetermined algorithm from the learning function unit via a communication network, and performs prediction for input data using the predetermined algorithm to which the parameter is applied. Performing, obtaining teacher data for the prediction, comparing the output data that is the result of the prediction and the teacher data, and if the result of the comparison satisfies a predetermined condition, the input data and the Teacher data is transmitted to the learning function unit.

具体的には、本開示に係るユーザ端末の情報処理プログラムは、本開示に係るユーザ端末に備わる各機能をコンピュータに実現させるためのプログラムであり、本開示に係るユーザ端末の情報処理方法に備わる各手順をコンピュータに実行させるためのプログラムであり、コンピュータ読み取り可能な記憶媒体に記録されていてもよい。   Specifically, the information processing program for the user terminal according to the present disclosure is a program for causing a computer to implement each function provided in the user terminal according to the present disclosure, and is provided in the information processing method for the user terminal according to the present disclosure. It is a program for causing a computer to execute each procedure, and may be recorded on a computer-readable storage medium.

具体的には、本開示に係るサーバの情報処理プログラムは、本開示に係るサーバに備わる各機能をコンピュータに実現させるためのプログラムであり、本開示に係るサーバの情報処理方法に備わる各手順をコンピュータに実行させるためのプログラムであり、コンピュータ読み取り可能な記憶媒体に記録されていてもよい。   Specifically, the information processing program of the server according to the present disclosure is a program for causing a computer to realize the functions provided in the server according to the present disclosure, and includes each procedure provided in the information processing method of the server according to the present disclosure. A program for causing a computer to execute, and may be recorded on a computer-readable storage medium.

本開示によれば、個人の使用する端末においても人工知能を搭載可能にすることができる。   According to the present disclosure, it is possible to mount artificial intelligence even in a terminal used by an individual.

実施形態に係る機械学習システムの構成の一例を示す。1 shows an example of a configuration of a machine learning system according to an embodiment. ＤＮＮの模式図を示す。The schematic diagram of DNN is shown. 機械学習システムのシーケンスの一例を示す。An example of the sequence of a machine learning system is shown. ユーザ情報管理部に格納されるデータの一例を示す。An example of the data stored in a user information management part is shown. パラメータ記憶部に格納されるデータの一例を示す。An example of the data stored in the parameter storage unit is shown.

以下、本開示の実施形態について、図面を参照しながら詳細に説明する。なお、本開示は、以下に示す実施形態に限定されるものではない。これらの実施の例は例示に過ぎず、本開示は当業者の知識に基づいて種々の変更、改良を施した形態で実施することができる。なお、本明細書及び図面において符号が同じ構成要素は、相互に同一のものを示すものとする。   Hereinafter, embodiments of the present disclosure will be described in detail with reference to the drawings. In addition, this indication is not limited to embodiment shown below. These embodiments are merely examples, and the present disclosure can be implemented in various modifications and improvements based on the knowledge of those skilled in the art. In the present specification and drawings, the same reference numerals denote the same components.

（実施形態１）
図１に、実施形態に係る機械学習システムの構成の一例を示す。実施形態に係る機械学習システムは、ユーザ端末９１が通信ネットワーク９３を介してサーバ９２と接続されている。ユーザ端末９１は、機械学習における予測機能部として機能しうる任意の演算装置であり、例えば、ＰＣやスマートフォンなどの個人が使用可能な任意の端末である。通信ネットワーク９３は、インターネットなどの任意の接続網である。サーバ９２は、機械学習における学習機能部として機能しうる任意の演算装置である。 (Embodiment 1)
FIG. 1 shows an example of the configuration of a machine learning system according to the embodiment. In the machine learning system according to the embodiment, a user terminal 91 is connected to a server 92 via a communication network 93. The user terminal 91 is an arbitrary arithmetic device that can function as a prediction function unit in machine learning. For example, the user terminal 91 is an arbitrary terminal that can be used by an individual such as a PC or a smartphone. The communication network 93 is an arbitrary connection network such as the Internet. The server 92 is an arbitrary arithmetic device that can function as a learning function unit in machine learning.

実施形態に係る機械学習システムは、機械学習を行う任意のアルゴリズムを用いることができる。そのようなアルゴリズムとしては、例えば、ニューラルネットワーク、決定木学習、相関ルール学習、帰納論理プログラム、サポートベクターマシン、クラスタ分析、ベイジアンネットワークが例示できる。本実施形態では、一例として、ＤＮＮ（Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）を用いる。   The machine learning system according to the embodiment can use any algorithm that performs machine learning. Examples of such algorithms include neural networks, decision tree learning, association rule learning, inductive logic programs, support vector machines, cluster analysis, and Bayesian networks. In this embodiment, DNN (Deep Neural Network) is used as an example.

ユーザ端末９１は、予測部１１、モデル制御部１２、予測誤差判定部１３、ＵＩ（Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）１４、教師データ取得部１５を備える。サーバ９２は、学習部２１、パラメータ記憶部２２、教師データ記憶部２３、ユーザ情報管理部２４を備える。ユーザ端末９１に備わる各構成としてコンピュータを機能させることで、ユーザ端末９１を実現してもよい。この場合、ユーザ端末９１内のＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）が、ユーザ端末９１内の記憶部（不図示）に記憶されたコンピュータプログラムを実行することで、各構成を実現する。   The user terminal 91 includes a prediction unit 11, a model control unit 12, a prediction error determination unit 13, a UI (User Interface) 14, and a teacher data acquisition unit 15. The server 92 includes a learning unit 21, a parameter storage unit 22, a teacher data storage unit 23, and a user information management unit 24. The user terminal 91 may be realized by causing a computer to function as each component included in the user terminal 91. In this case, each configuration is realized by a CPU (Central Processing Unit) in the user terminal 91 executing a computer program stored in a storage unit (not shown) in the user terminal 91.

本実施形態では、学習機能部に備わる各構成が１台のサーバ９２に配置される例を示すが、学習機能部に備わる各構成が複数台のサーバ９２に分離して配置されていてもよい。さらに、１つの構成が複数台のサーバ９２に分離して配置されていてもよい。   In the present embodiment, an example in which each configuration provided in the learning function unit is arranged in one server 92 is shown, but each configuration provided in the learning function unit may be arranged separately in a plurality of servers 92. . Furthermore, one configuration may be arranged separately in a plurality of servers 92.

予測部１１は、所定のアルゴリズムを用いて予測を行う。本実施形態では、所定のアルゴリズムの一例として、ＤＮＮ（を用いる場合について説明する。図２に、ＤＮＮの模式図を示す。ＤＮＮは、入力層から入力された入力ベクトルＸ＝（ｘ１，ｘ２，…，ｘＫｉ）を、Ｎ層の中間層Ｌｍ１〜ＬｍＮで演算し、演算の結果である出力ベクトルＹ＝（ｙ１，ｙ２，…ｙＫｏ）を出力層から出力する。 The prediction unit 11 performs prediction using a predetermined algorithm. In this embodiment, a case where DNNN is used will be described as an example of a predetermined algorithm. FIG. 2 shows a schematic diagram of DNN. DNN is an input vector X = (x 1 , x input from the input layer. 2 ,..., X Ki ) are calculated by N intermediate layers Lm 1 to Lm N , and an output vector Y = (y 1 , y 2 ,... Y Ko ) as a result of the operation is output from the output layer.

図２では、一例として、入力ベクトルＸに含まれる入力データ数Ｋｉが６であり、出力ベクトルＹに含まれる出力データ数Ｋｏが４であり、各中間層Ｌｍ１〜ＬｍＮに備わる素子数Ｋｍ１〜ＫｍＮが６である場合を示す。入力層の各素子Ｖｉ１〜Ｖｉ６は中間層Ｌｍ１の各素子Ｖｍ１１〜Ｖｍ１６の全てに結合されており、素子Ｖｍ１１〜Ｖｍ１６は各入力データｘ１〜ｘ６を用いて活性化関数ｆの演算を行う。素子Ｖｍ１１〜Ｖｍ１６にて発火した場合、次の中間層Ｌｍ２にて演算を行う。このように、中間層Ｌｍ１〜ＬｍＮの各素子Ｖｍ１１〜ＶｍＮ６は活性化関数ｆの演算を行う。 In FIG. 2, as an example, the number of input data Ki included in the input vector X is 6, the number of output data Ko included in the output vector Y is 4, and the number of elements K included in each of the intermediate layers Lm 1 to Lm N It shows the case m1 ~K mN is 6. The elements Vi 1 to Vi 6 in the input layer are coupled to all the elements Vm 11 to Vm 16 in the intermediate layer Lm 1 , and the elements Vm 11 to Vm 16 are activated using the input data x 1 to x 6. The calculation function f is calculated. When ignition occurs in the elements Vm 11 to Vm 16, the calculation is performed in the next intermediate layer Lm 2 . Thus, the intermediate layer Lm 1 to L m each element of N Vm 11 ~Vm N6 performs calculation of activation function f.

Ｎ層の中間層のうちのｎ層のある素子で行う非線形の活性化関数ｆは、例えば、次式で表される。
（数１）
Ｙｎ＝ｆｎ（ＷｎＹｎ−１＋Ｂ） （１）
ここで、Ｗは重みベクトルであり、Ｂは閾値ベクトルである。Ｙｎの値が設定された閾値に達した場合、各素子Ｖｍ１１〜ＶｍＮ６は発火する。 A non-linear activation function f performed by an element having n layers among the N intermediate layers is represented by the following equation, for example.
(Equation 1)
Y n = f n (W n Y n-1 + B) (1)
Here, W is a weight vector and B is a threshold vector. When the value of Y n reaches the set threshold value, each of the elements Vm 11 to Vm N6 fires.

中間層Ｌｍ１での演算（Ｗ１Ｙｎ−１）は演算（Ｗ１Ｘ）で求められ、演算（Ｗ１Ｘ）は以下で求められる。

Figure 2017215898
Calculation of the intermediate layer Lm 1 (W 1 Y n- 1) is obtained by the calculation (W 1 X), operation (W 1 X) is obtained by below.
Figure 2017215898

本実施形態では、中間層数Ｎ、入力データ数Ｋｉ、出力データ数Ｋｏ、各中間層Ｌｍ１〜ＬｍＮの各素子数Ｋｍ１〜ＫｍＮ、重みベクトルＷ１〜ＷＮ＋１、又は各素子Ｖｍ１１〜ＶｍＮ６において発火する閾値、或いはこれらの組み合わせを、パラメータとして扱う。 In the present embodiment, the number of intermediate layers N, the number of input data Ki, the number of output data Ko, the number of elements K m1 to K mN of each of the intermediate layers Lm 1 to Lm N , the weight vectors W 1 to W N + 1 , or the elements Vm 11 to Vm A threshold value that ignites in N6 , or a combination thereof, is treated as a parameter.

図３に、機械学習システムのシーケンスの一例を示す。以下、図１及び図２を参照しながら、各構成の動作について説明する。   FIG. 3 shows an exemplary sequence of the machine learning system. Hereinafter, the operation of each component will be described with reference to FIGS. 1 and 2.

モデル制御部１２は、ユーザ情報及びサービス情報をサーバ９２に送信する（Ｓ１０１）。サーバ９２は、ユーザ情報及びサービス情報を受信し、受信したユーザ情報及びサービス情報に対応する学習レベルをユーザ情報管理部２４から読み出し、ユーザ端末９１に送信する（Ｓ１０２）。これにより、モデル制御部１２は、サーバ９２から学習レベルを取得する。   The model control unit 12 transmits user information and service information to the server 92 (S101). The server 92 receives user information and service information, reads a learning level corresponding to the received user information and service information from the user information management unit 24, and transmits the learning level to the user terminal 91 (S102). Thereby, the model control unit 12 acquires the learning level from the server 92.

ユーザ情報は、ユーザの識別情報を含み、サーバ９２におけるユーザの認証に用いられる認証情報を含んでいてもよい。サービス情報は、予測部１１において予測を行う対象を識別する情報である。予測を行う対象としては、例えば、天気予報、自動運転、ロボット制御、購買レコメンドが例示できる。   The user information includes user identification information, and may include authentication information used for user authentication in the server 92. The service information is information for identifying a target to be predicted by the prediction unit 11. Examples of the target to be predicted include weather forecast, automatic driving, robot control, and purchase recommendation.

図４に、ユーザ情報管理部２４に格納されるデータの一例を示す。学習レベルは、ユーザごと、サービスごとに定められる。例えば、ユーザの識別情報がＩＤＡである場合、天気予報サービスの学習レベルはＬｖ０であり、自動運転サービスの学習レベルはＬｖ１である。ユーザの識別情報がＩＤＢである場合、ロボット制御サービスの学習レベルはＬｖ２であり、購買レコメンドサービスの学習レベルはＬｖ０である。サーバ９２は、ユーザの識別情報及びサービス情報がユーザＩＤＡの天気予報サービスを受信した場合、学習レベルＬｖ０をユーザ端末９１に送信する。   FIG. 4 shows an example of data stored in the user information management unit 24. The learning level is determined for each user and for each service. For example, when the user identification information is IDA, the learning level of the weather forecast service is Lv0, and the learning level of the automatic driving service is Lv1. When the user identification information is IDB, the learning level of the robot control service is Lv2, and the learning level of the purchase recommendation service is Lv0. The server 92 transmits the learning level Lv0 to the user terminal 91 when receiving the weather forecast service whose user identification information and service information are the user IDA.

モデル制御部１２は、サーバ９２から受信した学習レベルのパラメータをサーバ９２から取得する（Ｓ１０３）。例えば、ユーザＩＤＡのユーザ端末９１の場合、モデル制御部１２は、天気予報サービスの学習レベルＬｖ０に応じたパラメータをサーバ９２に問い合わせる。サーバ９２は、天気予報サービスの学習レベルＬｖ０に応じたパラメータをパラメータ記憶部２２から読み出し、ユーザ端末９１に送信する。ユーザ端末９１のモデル制御部１２は、サーバ９２から受信したパラメータを予測部１１に入力する。これにより、予測部１１は、ユーザ情報に対応する学習レベルで予測が可能になる。   The model control unit 12 acquires the learning level parameter received from the server 92 from the server 92 (S103). For example, in the case of the user terminal 91 of the user IDA, the model control unit 12 inquires the server 92 for a parameter corresponding to the learning level Lv0 of the weather forecast service. The server 92 reads out a parameter corresponding to the learning level Lv0 of the weather forecast service from the parameter storage unit 22, and transmits it to the user terminal 91. The model control unit 12 of the user terminal 91 inputs the parameter received from the server 92 to the prediction unit 11. Thereby, the prediction unit 11 can perform prediction at the learning level corresponding to the user information.

図５に、パラメータ記憶部２２に格納されるデータの一例を示す。パラメータ記憶部２２は、予測を行う対象のパラメータを、サービスごとかつ学習レベルごとに格納する。予測を行う対象が天気予報、自動運転、ロボット制御及び購買レコメンドである場合、パラメータ記憶部２２はそれらのパラメータを格納する。パラメータは、さらに、入力データ及び出力データの種別を含んでいてもよい。   FIG. 5 shows an example of data stored in the parameter storage unit 22. The parameter storage unit 22 stores parameters to be predicted for each service and each learning level. When the target to be predicted is weather forecast, automatic driving, robot control, and purchase recommendation, the parameter storage unit 22 stores these parameters. The parameter may further include the type of input data and output data.

天気予報サービスの入力データの種別は、例えば、天気図、温度分布、雨量分布、湿度分布、気圧配置である。天気予報サービスの出力データの種別は、例えば、天気予報、降水確率である。天気は、晴雨、気温、湿度及び風などの状態及び状況を含む。ここで、天気予報に用いる地域の範囲は、レベルに応じて定められていることが好ましい。例えば、レベルＬｖ２の天気図はレベルＬｖ０及びＬｖ１よりも範囲の広い広範囲天気図である。レベルＬｖ０及びＬｖ１の天気予報は特定の時刻における特定の地域の天気であるのに対し、レベルＬｖ２の天気予報は週間天気予報である。   The types of input data of the weather forecast service are, for example, a weather map, a temperature distribution, a rainfall distribution, a humidity distribution, and an atmospheric pressure arrangement. The types of output data of the weather forecast service are, for example, weather forecast and precipitation probability. The weather includes conditions and conditions such as fine rain, temperature, humidity and wind. Here, it is preferable that the range of the region used for the weather forecast is determined according to the level. For example, the weather map of level Lv2 is a wide area weather map having a wider range than levels Lv0 and Lv1. The weather forecasts at levels Lv0 and Lv1 are the weather in a specific area at a specific time, whereas the weather forecast at level Lv2 is a weekly weather forecast.

ロボット制御サービスの入力データの種別は、例えば、画像、音声、触感である。ロボット制御サービスの出力データの種別は、例えば、音声応答及び行動制御信号である。画像は、ユーザ端末９１に備わるカメラの撮像した画像データである。音声は、ユーザ端末９１に備わるマイクの録音した音声データである。音声応答は、ユーザ端末９１をロボットとして動作させる制御信号である。ここで、画像及び音声の分解能並びに音声応答のデータ量は、レベルに応じて定められていることが好ましい。例えば、画像の画素及び色度の分解能は、レベルが高くなるほど高くなる。レベルＬｖ０及びＬｖ１の音声応答は回答のみであるのに対し、レベルＬｖ２の音声応答は会話が成立するよう更なる質問も含まれている。   The types of input data of the robot control service are, for example, image, sound, and touch. The type of output data of the robot control service is, for example, a voice response and a behavior control signal. The image is image data captured by a camera provided in the user terminal 91. The voice is voice data recorded by a microphone provided in the user terminal 91. The voice response is a control signal that causes the user terminal 91 to operate as a robot. Here, it is preferable that the resolution of the image and sound and the data amount of the sound response are determined according to the level. For example, the resolution of image pixels and chromaticity increases as the level increases. While the voice responses at levels Lv0 and Lv1 are only answers, the voice response at level Lv2 also includes additional questions to establish a conversation.

自動運転サービスの入力データの種別は、例えば、自車情報、目的地、周辺情報、渋滞情報、自車制御情報、目標の優先度割合である。自動運転サービスの出力データの種別は、例えば、制御入力、計画経路、最適経路、制御入力である。自車情報は、自車の位置を含む。周辺情報は、地図情報を含む。自車制御情報は、自車の燃費を含む。計画経路は、現在位置から目的地に到達することの可能な任意の経路を含む。最適経路は、計画経路のうちの渋滞や優先度を考慮した最適な経路である。制御入力は、自車を走行させるための制御信号の入力であり、例えば、舵角、ブレーキ、エンジンスロットルを含む。   The type of input data of the automatic driving service is, for example, own vehicle information, destination, surrounding information, traffic jam information, own vehicle control information, and target priority ratio. The types of output data of the automatic driving service are, for example, control input, planned route, optimum route, and control input. The own vehicle information includes the position of the own vehicle. The peripheral information includes map information. The own vehicle control information includes the fuel consumption of the own vehicle. The planned route includes any route that can reach the destination from the current position. The optimum route is an optimum route in consideration of traffic jam and priority among the planned routes. The control input is an input of a control signal for running the host vehicle, and includes, for example, a steering angle, a brake, and an engine throttle.

購買レコメンドサービスの入力データの種別は、例えば、購買カテゴリ、購買キーワード、プロファイル、環境である。購買レコメンドサービスの出力データの種別は、例えば、レコメンド商品である。購買カテゴリは、ユーザ端末９１のユーザが過去に購買した商品の種別又は属性を含む。購買キーワードは、ユーザ端末９１が注文した商品に予め関連付けられたキーワードである。プロファイルは、ユーザ端末９１に予め関連付けられている属性であり、例えば、ユーザ端末９１の所有者の性別や年齢を含む。環境は、ユーザ端末９１の周辺環境であり、ユーザ端末９１の現在位置における天気を含む。ここで、レコメンド商品の絞り込みは、レベルに応じて定められていることが好ましい。例えば、学習レベルＬｖ０のレコメンド商品は購買履歴ベースの他のユーザとの類似によるレコメンド商品であり、学習レベルＬｖ１のレコメンド商品は購買履歴とプロファイルによるレコメンド商品であり、学習レベルＬｖ２のレコメンド商品は購買履歴から個人的嗜好分析によるレコメンド商品である。   The types of input data of the purchase recommendation service are, for example, purchase category, purchase keyword, profile, and environment. The type of output data of the purchase recommendation service is, for example, a recommended product. The purchase category includes the type or attribute of the product purchased by the user of the user terminal 91 in the past. The purchase keyword is a keyword associated in advance with the product ordered by the user terminal 91. The profile is an attribute associated with the user terminal 91 in advance, and includes, for example, the gender and age of the owner of the user terminal 91. The environment is a surrounding environment of the user terminal 91 and includes the weather at the current position of the user terminal 91. Here, it is preferable that the narrowing down of recommended products is determined according to the level. For example, a recommended product at the learning level Lv0 is a recommended product based on similarity with other users based on the purchase history, a recommended product at the learning level Lv1 is a recommended product based on a purchase history and a profile, and a recommended product at the learning level Lv2 is purchased. It is a recommended product by personal preference analysis from the history.

なお、パラメータ記憶部２２に格納されるデータは、図５に示す限りではない。例えば、パラメータ記憶部２２は、さらに、各中間層Ｌｍ１〜ＬｍＮの素子数Ｋｍ１〜ＫｍＮ、重みベクトルＷ１〜ＷＮ＋１、各素子Ｖｍ１１〜ＶｍＮ６において発火する閾値、或いはこれらの組み合わせを、パラメータとして格納してもよい。これらをパラメータとして設定することで、より繊細かつ正確な予測を行うことができる。 The data stored in the parameter storage unit 22 is not limited to that shown in FIG. For example, the parameter storage unit 22 further includes the number of elements K m1 to K mN of each of the intermediate layers Lm 1 to Lm N , the weight vectors W 1 to W N + 1 , the threshold value that fires in each of the elements Vm 11 to Vm N6 , or these The combination may be stored as a parameter. By setting these as parameters, more delicate and accurate prediction can be performed.

予測部１１は、ＵＩ１４から入力データを取得すると、モデル制御部１２から入力されたパラメータを用いて予測を行う（Ｓ１０４）。例えば、ユーザＩＤＡのユーザ端末９１が天気予報サービスを利用する場合、予測部１１は、Ｘ＝（ｘ１，ｘ２，ｘ３，ｘ４）、Ｙ＝（ｙ１）、Ｎ＝３、各中間層Ｌｍ１〜Ｌｍ３の各素子数Ｋｍ１〜Ｋｍ３、重みベクトルＷ１〜Ｗ４、各素子Ｖｍ１１〜Ｖｍ３４において発火する閾値を用いて、予測を行い、入力データに応じた出力データを生成する。これにより、予測部１１は、特定の時刻における特定の地域の天気予報を出力データとして出力する。 When obtaining the input data from the UI 14, the prediction unit 11 performs prediction using the parameters input from the model control unit 12 (S104). For example, when the user terminal 91 of the user IDA uses the weather forecast service, the prediction unit 11 determines that X = (x 1 , x 2 , x 3 , x 4 ), Y = (y 1 ), N = 3, intermediate layer Lm 1 numbers of elements of ~Lm 3 K m1 ~K m3, weight vector W 1 to W-4, using a threshold of ignition in each element Vm 11 ~Vm 34, making predictions, in accordance with the input data output Generate data. Thereby, the prediction unit 11 outputs the weather forecast of a specific area at a specific time as output data.

教師データ取得部１５は、予測部１１の出力した出力データについて、教師データを取得する。教師データは予測部１１の予測する内容に応じて異なる。予測誤差判定部１３は、予測部１１の出力データを、教師データ取得部１５の取得した教師データと比較し、予測誤差を判定する。予測誤差が予め定められた条件を満たす場合、予測誤差判定部１３は、入力データ及び教師データをサーバ９２に送信する（Ｓ１０５）。予め定められた条件は、パラメータを更新するか否かに応じて定められる。パラメータを更新する場合、入力データ及び教師データをサーバ９２に送信する。   The teacher data acquisition unit 15 acquires teacher data for the output data output from the prediction unit 11. The teacher data differs depending on the content predicted by the prediction unit 11. The prediction error determination unit 13 compares the output data of the prediction unit 11 with the teacher data acquired by the teacher data acquisition unit 15 and determines a prediction error. When the prediction error satisfies a predetermined condition, the prediction error determination unit 13 transmits the input data and the teacher data to the server 92 (S105). The predetermined condition is determined depending on whether or not the parameter is updated. When updating the parameters, input data and teacher data are transmitted to the server 92.

天気予報サービスの場合、教師データ取得部１５は、実際の天気の情報を教師データとして取得する。ロボット制御サービスの場合、教師データ取得部１５は、画像データ及び音声データを教師データとして取得する。自動運転サービスの場合、教師データ取得部１５は、実際の経路及び制御入力を教師データとして取得する。購買レコメンドサービスの場合、教師データ取得部１５は、実際にユーザの購買した商品の記録を教師データとして取得する。   In the case of a weather forecast service, the teacher data acquisition unit 15 acquires actual weather information as teacher data. In the case of a robot control service, the teacher data acquisition unit 15 acquires image data and audio data as teacher data. In the case of an automatic driving service, the teacher data acquisition unit 15 acquires an actual route and a control input as teacher data. In the case of a purchase recommendation service, the teacher data acquisition unit 15 acquires a record of a product actually purchased by the user as teacher data.

天気予報サービス、自動運転サービス及び購買レコメンドサービスの場合、予測誤差判定部１３における予め定められた条件は、予測結果と教師データが一致するか否かである。予測結果と教師データが相違する場合、予測誤差判定部１３は、入力データ及び教師データをサーバ９２に送信する。   In the case of the weather forecast service, automatic driving service, and purchase recommendation service, a predetermined condition in the prediction error determination unit 13 is whether or not the prediction result matches the teacher data. When the prediction result and the teacher data are different, the prediction error determination unit 13 transmits the input data and the teacher data to the server 92.

ロボット制御サービスの場合、教師データ取得部１５は、画像データ及び音声データを教師データとして取得する。この場合、予測誤差判定部１３は、予測部１１から出力された音声応答に対応付けられた複数の画像データ及び音声データを格納したテーブルを参照し、教師データ取得部１５から得られた画像データ及び音声データがテーブルに格納されているどの画像データ及び音声データに該当するかを判定する。該当する画像データ及び音声データの組み合わせがサーバ９２に送信するように予め定められているものの場合、予測誤差判定部１３は、入力データ及び教師データをサーバ９２に送信する。   In the case of a robot control service, the teacher data acquisition unit 15 acquires image data and audio data as teacher data. In this case, the prediction error determination unit 13 refers to a table storing a plurality of image data and audio data associated with the audio response output from the prediction unit 11, and the image data obtained from the teacher data acquisition unit 15 And which image data and audio data stored in the table correspond to the audio data. When the combination of the corresponding image data and audio data is predetermined to be transmitted to the server 92, the prediction error determination unit 13 transmits the input data and the teacher data to the server 92.

ユーザ端末９１は、センサを備えていてもよい。この場合、センサは、入力データを取得するとともに、教師データを取得する。例えば、ユーザ端末９１は、天気予報サービスを利用する場合、温度、気圧及び湿度の少なくともいずれかを検出するセンサを備える。例えば、ユーザ端末９１は、ロボット制御サービスを利用する場合、カメラ、マイク及び触感センサを備える。例えば、ユーザ端末９１は、自動運転サービスを利用する場合、カメラ、衛星測位システム及び加速度センサの少なくともいずれかを備える。   The user terminal 91 may include a sensor. In this case, the sensor acquires input data and teacher data. For example, when using the weather forecast service, the user terminal 91 includes a sensor that detects at least one of temperature, atmospheric pressure, and humidity. For example, when using a robot control service, the user terminal 91 includes a camera, a microphone, and a tactile sensor. For example, when using an automatic driving service, the user terminal 91 includes at least one of a camera, a satellite positioning system, and an acceleration sensor.

予測誤差判定部１３は、予測誤差を蓄積し、蓄積されている複数の予測誤差を用いてパラメータを更新するか否かを判定してもよい。例えば、予測部１１からの出力データと教師データとの不一致の頻度が一定割合を超えた場合に、予測誤差判定部１３は、入力データ及び教師データをサーバ９２に送信する。これにより、ユーザ端末９１とサーバ９２との通信頻度を減らすことができるため、ユーザ端末９１の負荷を減らすことができる。   The prediction error determination unit 13 may store the prediction error and determine whether to update the parameter using the plurality of stored prediction errors. For example, when the frequency of mismatch between the output data from the prediction unit 11 and the teacher data exceeds a certain ratio, the prediction error determination unit 13 transmits the input data and the teacher data to the server 92. Thereby, since the communication frequency of the user terminal 91 and the server 92 can be reduced, the load of the user terminal 91 can be reduced.

予測誤差判定部１３は、教師データに代えて、出力層及び重みを特定可能なサーバ９２に送信してもよい。これにより、ユーザ端末９１の個人情報の漏えいを防ぐことができる。   The prediction error determination unit 13 may transmit to the server 92 that can specify the output layer and the weight instead of the teacher data. Thereby, leakage of the personal information of the user terminal 91 can be prevented.

教師データ記憶部２３は、ユーザ端末９１から受信した入力データ及び予測誤差を記憶する。学習部２１は、教師データ記憶部２３に記憶されている教師データを用いて、パラメータを更新し、パラメータ記憶部２２に格納する（Ｓ１０６）。   The teacher data storage unit 23 stores input data and prediction errors received from the user terminal 91. The learning unit 21 updates the parameters using the teacher data stored in the teacher data storage unit 23 and stores them in the parameter storage unit 22 (S106).

モデル制御部１２は、設定されたタイミングで、予測部１１の用いるパラメータをサーバ９２から取得して更新する（Ｓ１０７）。モデル制御部１２がパラメータを取得するタイミングは任意である。例えば、ユーザ端末９１の起動時であってもよいし、１日や１週間などの一定期間ごとであってもよいし、前述のステップＳ１０３のタイミングであってもよい。モデル制御部１２は、ＵＩ１４を介して承諾が得られた場合にパラメータをサーバ９２から取得することが好ましい。   The model control unit 12 acquires and updates the parameters used by the prediction unit 11 from the server 92 at the set timing (S107). The timing at which the model control unit 12 acquires the parameters is arbitrary. For example, it may be when the user terminal 91 is activated, may be at regular intervals such as one day or one week, or may be the timing of step S103 described above. The model control unit 12 preferably acquires the parameter from the server 92 when the consent is obtained via the UI 14.

モデル制御部１２は、センサ類の起動状況に応じてパラメータを取得することが好ましい。例えば、カメラが起動されたとき、モデル制御部１２は、画像を用いた予測を行うためのパラメータを取得する。反対に、センサ類の起動状況に変化がなければ、パラメータを更新しない設定も採用しうる。   It is preferable that the model control unit 12 acquires parameters according to the activation status of the sensors. For example, when the camera is activated, the model control unit 12 acquires parameters for performing prediction using an image. On the contrary, if the activation status of the sensors does not change, a setting that does not update the parameter may be adopted.

モデル制御部１２は、ユーザ端末９１の属性に応じたパラメータを取得することが好ましい。属性は、例えば、言語、性別、年齢、地域である。特に、ユーザ端末９１の地域の属性が災害の発生した地域である場合、ユーザ情報管理部２４は、災害に応じたパラメータをプッシュ型で送信することが好ましい。これにより、モデル制御部１２は、災害の状況に応じたパラメータを取得することができる。例えば、自動運転サービスの場合、災害によって経路が使用できなくなった経路を経路から除外する。このように、ユーザ端末９１は、ユーザ端末９１の置かれている状況に適した経路を出力データとして出力することができる。   The model control unit 12 preferably acquires parameters according to the attributes of the user terminal 91. The attributes are, for example, language, gender, age, and region. In particular, when the region attribute of the user terminal 91 is a region where a disaster has occurred, the user information management unit 24 preferably transmits parameters according to the disaster in a push manner. Thereby, the model control part 12 can acquire the parameter according to the disaster situation. For example, in the case of an automatic driving service, a route that cannot be used due to a disaster is excluded from the route. Thus, the user terminal 91 can output a route suitable for the situation where the user terminal 91 is placed as output data.

以上説明したように、実施形態に係る機械学習システムは、サーバ９２が機械学習を行い、サーバ９２における機械学習の結果であるパラメータをユーザ端末９１に反映させる。このように、実施形態に係る機械学習システムは、ユーザ端末９１の外部に学習器を配置するため、個人の使用するユーザ端末９１においても人工知能を搭載可能にすることができる。ここで、実施形態に係るサーバ９２は、通信ネットワーク９３で接続された全てのユーザ端末９１から教師データを収集することができる。このため、実施形態に係る機械学習システムは、学習部２１における機械学習を効率的に行うことができる。   As described above, in the machine learning system according to the embodiment, the server 92 performs machine learning, and the parameter that is the result of the machine learning in the server 92 is reflected on the user terminal 91. As described above, since the machine learning system according to the embodiment arranges the learning device outside the user terminal 91, the user terminal 91 used by an individual can be equipped with artificial intelligence. Here, the server 92 according to the embodiment can collect teacher data from all user terminals 91 connected by the communication network 93. For this reason, the machine learning system which concerns on embodiment can perform the machine learning in the learning part 21 efficiently.

なお、実施形態に係る各パラメータは一例であり、これに限定されない。入力データ数Ｋｉは、図５に示すように、図２に示す６に限らず、１以上の任意の数を用いることができる。出力データ数Ｋｏは、図５に示すように、図２に示す４に限らず、１以上の任意の数を用いることができる。中間層数Ｎは、図５に示す３、５、８に限らず、１０、１００等の１以上の任意の数を用いることができる。各中間層Ｌｍ１〜ＬｍＮに備わる素子数Ｋｍ１〜ＫｍＮは、図２に示す６に限らず、１０、１００等の１以上の任意の数を用いることができる。 In addition, each parameter which concerns on embodiment is an example, and is not limited to this. As shown in FIG. 5, the number of input data Ki is not limited to 6 shown in FIG. 2, and any number of 1 or more can be used. As shown in FIG. 5, the output data number Ko is not limited to 4 shown in FIG. 2, and any number of 1 or more can be used. The number N of intermediate layers is not limited to 3, 5, and 8 shown in FIG. 5, and any number of one or more such as 10, 100 can be used. The number of elements K m1 to K mN provided in each of the intermediate layers Lm 1 to Lm N is not limited to 6 shown in FIG. 2, and any number of 1 or more such as 10, 100 can be used.

（実施形態２）
本実施形態に係る予測部１１は、決定木学習を用いて予測を行う。この場合のパラメータは、分岐事象及び分岐条件である。入力ベクトルＸ＝（ｘ１，ｘ２，…，ｘＫｉ）に含まれる各入力データが分岐事象に割り当てられる。各分岐事象における分岐条件の数は、レベルに応じて異なることが好ましい。例えば、レベルＬｖ２の分岐条件の数はレベルＬｖ０及びＬｖ１よりも多い。 (Embodiment 2)
The prediction unit 11 according to the present embodiment performs prediction using decision tree learning. The parameters in this case are a branch event and a branch condition. Each input data included in the input vector X = (x 1 , x 2 ,..., X Ki ) is assigned to a branch event. The number of branch conditions in each branch event is preferably different depending on the level. For example, the number of branch conditions at level Lv2 is greater than that at levels Lv0 and Lv1.

例えば、天気予報サービスの場合、分岐事象の１つに天気図が割り当てられ、その分岐事象の枝に晴雨、気温、湿度及び風などの状態及び状況が割り当てられる。   For example, in the case of a weather forecast service, a weather map is assigned to one of the branch events, and states and situations such as rain, temperature, humidity, and wind are assigned to the branch of the branch event.

例えば、ロボット制御サービスの場合、分岐事象の１つに画像が割り当てられ、その分岐事象の枝に画像から抽出されたパターンが割り当てられる。   For example, in the case of a robot control service, an image is assigned to one of the branch events, and a pattern extracted from the image is assigned to a branch of the branch event.

例えば、自動運転サービスの場合、分岐事象の１つに目的地が割り当てられ、その分岐事象の枝に目的地を表す座標の数値範囲が割り当てられる。   For example, in the case of an automatic driving service, a destination is assigned to one of the branch events, and a numerical range of coordinates representing the destination is assigned to a branch of the branch event.

例えば、購買レコメンドサービスの場合、分岐事象の１つに購買カテゴリが割り当てられ、その分岐事象の枝に商品の種別又は属性が割り当てられる。   For example, in the case of a purchase recommendation service, a purchase category is assigned to one branch event, and a product type or attribute is assigned to the branch event branch.

ユーザ端末９１におけるその他の構成の動作・機能は、実施形態１と同様である。またサーバ９２における動作・機能は、実施形態１と同様である。   The other operations and functions of the user terminal 91 are the same as those in the first embodiment. The operations and functions in the server 92 are the same as those in the first embodiment.

このように、予測部１１の用いるアルゴリズムが決定木学習であっても、実施形態１で説明した機械学習システムを構成することができる。なお、実施形態に係る各パラメータは一例であり、これに限定されない。例えば、ユーザ端末９１がサーバ９２から取得するパラメータは、分岐事象及び分岐条件のいずれかであってもよい。   Thus, even if the algorithm used by the prediction unit 11 is decision tree learning, the machine learning system described in the first embodiment can be configured. In addition, each parameter which concerns on embodiment is an example, and is not limited to this. For example, the parameter acquired by the user terminal 91 from the server 92 may be either a branch event or a branch condition.

（実施形態３）
本実施形態に係る予測部１１は、ベイジアンネットワークモデルを用いて予測を行う。この場合のパラメータは、算出式並びに算出式に用いる事前確率及び条件付き確率である。算出式は、出力ベクトルＹ＝（ｙ１，ｙ２，…ｙＫｏ）に含まれる各出力データの可能性を算出する。 (Embodiment 3)
The prediction unit 11 according to the present embodiment performs prediction using a Bayesian network model. The parameters in this case are the calculation formula and the prior probability and conditional probability used in the calculation formula. The calculation formula calculates the possibility of each output data included in the output vector Y = (y 1 , y 2 ,... Y Ko ).

例えば、天気予報サービスの場合、天気予報に含まれる晴雨、気温、湿度及び風などの各状態及び状況となる事前確率及び条件付き確率と算出式である。   For example, in the case of a weather forecast service, calculation formulas and prior probabilities and conditional probabilities for each state and situation such as clear rain, temperature, humidity, and wind included in the weather forecast.

例えば、ロボット制御サービスの場合、音声応答のバリエーションごとの事前確率及び条件付き確率と算出式である。   For example, in the case of a robot control service, the prior probabilities and conditional probabilities and calculation formulas for each variation of voice response.

例えば、自動運転サービスの場合、計画経路ごとの事前確率及び条件付き確率と算出式である。   For example, in the case of an automatic driving service, the prior probability and conditional probability for each planned route and the calculation formula are used.

例えば、購買レコメンドサービスの場合、レコメンド商品ごとの事前確率及び条件付き確率と算出式である。   For example, in the case of a purchase recommendation service, the prior probability and conditional probability for each recommended product and the calculation formula are used.

ユーザ端末９１におけるその他の構成の動作・機能は、実施形態１と同様である。またサーバ９２における動作・機能は、実施形態１と同様である。   The other operations and functions of the user terminal 91 are the same as those in the first embodiment. The operations and functions in the server 92 are the same as those in the first embodiment.

このように、予測部１１の用いるアルゴリズムがベイジアンネットワークモデルであっても、実施形態１で説明した機械学習システムを構成することができる。なお、実施形態に係る各パラメータは一例であり、これに限定されない。例えば、ユーザ端末９１がサーバ９２から取得するパラメータは、算出式並びに算出式に用いる事前確率及び条件付き確率のいずれかであってもよい。   Thus, even if the algorithm used by the prediction unit 11 is a Bayesian network model, the machine learning system described in the first embodiment can be configured. In addition, each parameter which concerns on embodiment is an example, and is not limited to this. For example, the parameter acquired by the user terminal 91 from the server 92 may be either a calculation formula, a prior probability used in the calculation formula, or a conditional probability.

（実施形態４）
本実施形態に係る予測部１１は、ロジスティック回帰分析を用いて予測を行う。この場合のパラメータは、クラス及び線形関数である。例えば、クラスは、出力ベクトルＹ＝（ｙ１，ｙ２，…ｙＫｏ）に含まれる各出力データを構成する。線形関数は、各出力データをクラスごとに分離する。 (Embodiment 4)
The prediction unit 11 according to the present embodiment performs prediction using logistic regression analysis. The parameters in this case are class and linear function. For example, the class constitutes each output data included in the output vector Y = (y 1 , y 2 ,... Y Ko ). A linear function separates each output data into classes.

例えば、天気予報サービスの場合、天気予報に含まれる晴雨、気温、湿度及び風などの各状態及び状況がクラスとなり、天気図等の各入力データが線形関数の変数となる。   For example, in the case of a weather forecast service, each state and situation such as clear rain, temperature, humidity, and wind included in the weather forecast is a class, and each input data such as a weather map is a variable of a linear function.

例えば、ロボット制御サービスの場合、音声応答のバリエーションがクラスとなり、画像及び音声といった各入力データが線形関数の変数となる。   For example, in the case of a robot control service, voice response variations are classes, and input data such as images and voices are variables of linear functions.

例えば、自動運転サービスの場合、計画経路のバリエーションがクラスとなり、目的地といった各入力データが線形関数の変数となる。   For example, in the case of an automatic driving service, the variation of the planned route is a class, and each input data such as a destination is a variable of a linear function.

例えば、購買レコメンドサービスの場合、レコメンド商品のバリエーションがクラスとなり、購買カテゴリといった各入力データが線形関数の変数となる。   For example, in the case of a purchase recommendation service, a variation of recommended products is a class, and each input data such as a purchase category is a variable of a linear function.

ユーザ端末９１におけるその他の構成の動作・機能は、実施形態１と同様である。またサーバ９２における動作・機能は、実施形態１と同様である。   The other operations and functions of the user terminal 91 are the same as those in the first embodiment. The operations and functions in the server 92 are the same as those in the first embodiment.

このように、予測部１１の用いるアルゴリズムがロジスティック回帰分析であっても、実施形態１で説明した機械学習システムを構成することができる。なお、実施形態に係る各パラメータは一例であり、これに限定されない。例えば、ユーザ端末９１がサーバ９２から取得するパラメータは、クラス及び線形関数のいずれかであってもよい。   Thus, even if the algorithm used by the prediction unit 11 is logistic regression analysis, the machine learning system described in the first embodiment can be configured. In addition, each parameter which concerns on embodiment is an example, and is not limited to this. For example, the parameter acquired by the user terminal 91 from the server 92 may be either a class or a linear function.

（実施形態５）
本実施形態に係る予測部１１は、相関ルール学習を用いて予測を行う。この場合のパラメータは、ｉｆ文及びｔｈｅｎの条件である。入力ベクトルＸ＝（ｘ１，ｘ２，…，ｘＫｉ）に含まれる各入力データがｉｆ文に割り当てられ、各出力データに導くｔｈｅｎの条件が設定される。 (Embodiment 5)
The prediction unit 11 according to the present embodiment performs prediction using association rule learning. The parameters in this case are the conditions of “if” statement and “then”. Each input data included in the input vector X = (x 1 , x 2 ,..., X Ki ) is assigned to the “if” statement, and then conditions for leading to each output data are set.

例えば、天気予報サービスの場合、天気図がｉｆ文に割り当てられ、天気予報に含まれる晴雨、気温、湿度及び風などの状態及び状況に導くｔｈｅｎの条件が設定される。   For example, in the case of a weather forecast service, a weather map is assigned to an “if” sentence, and then conditions are set that lead to states and situations such as clear rain, temperature, humidity, and wind included in the weather forecast.

例えば、ロボット制御サービスの場合、画像から抽出されたパターンがｉｆ文に割り当てられ、音声応答に導くｔｈｅｎの条件が設定される。   For example, in the case of a robot control service, a pattern extracted from an image is assigned to an if sentence, and then conditions for leading to a voice response are set.

例えば、自動運転サービスの場合、目的地がｉｆ文に割り当てられ、計画経路に導くｔｈｅｎの条件が設定される。   For example, in the case of the automatic driving service, the destination is assigned to the “if” sentence, and then the conditions for leading to the planned route are set.

例えば、購買レコメンドサービスの場合、購買カテゴリがｉｆ文に割り当てられ、レコメンド商品に導くｔｈｅｎの条件が設定される。   For example, in the case of a purchase recommendation service, a purchase category is assigned to an “if” sentence, and then conditions for leading to a recommended product are set.

ユーザ端末９１におけるその他の構成の動作・機能は、実施形態１と同様である。またサーバ９２における動作・機能は、実施形態１と同様である。   The other operations and functions of the user terminal 91 are the same as those in the first embodiment. The operations and functions in the server 92 are the same as those in the first embodiment.

このように、予測部１１の用いるアルゴリズムが相関ルール学習であっても、実施形態１で説明した機械学習システムを構成することができる。なお、実施形態に係る各パラメータは一例であり、これに限定されない。例えば、ユーザ端末９１がサーバ９２から取得するパラメータは、ｉｆ文及びｔｈｅｎの条件のいずれかであってもよい。   Thus, even if the algorithm used by the prediction unit 11 is correlation rule learning, the machine learning system described in the first embodiment can be configured. In addition, each parameter which concerns on embodiment is an example, and is not limited to this. For example, the parameter acquired by the user terminal 91 from the server 92 may be either of the “if” statement and the “then” condition.

本開示は情報通信産業に適用することができる。   The present disclosure can be applied to the information communication industry.

１１：予測部
１２：モデル制御部
１３：予測誤差判定部
１４：ＵＩ
１５：教師データ取得部
２１：学習部
２２：パラメータ記憶部
２３：教師データ記憶部
２４：ユーザ情報管理部
９１：ユーザ端末
９２：サーバ
９３：通信ネットワーク 11: Prediction unit 12: Model control unit 13: Prediction error determination unit 14: UI
15: Teacher data acquisition unit 21: Learning unit 22: Parameter storage unit 23: Teacher data storage unit 24: User information management unit 91: User terminal 92: Server 93: Communication network

Claims (8)

学習機能部及び予測機能部を備える機械学習システムであって、
前記予測機能部は、
通信ネットワークを介して前記学習機能部から所定のアルゴリズムのパラメータを取得し、前記パラメータを適用した前記所定のアルゴリズムを用いて、入力データに対する予測を行う予測部と、
前記予測に対する教師データを取得し、前記予測の結果である出力データと前記教師データを比較し、比較の結果が予め定められた条件を満たす場合、通信ネットワークを介して前記入力データ及び前記教師データを前記学習機能部に送信する予測誤差判定部と、を備え、
前記学習機能部は、
前記予測機能部から送信された前記入力データ及び前記教師データを用いて前記所定のアルゴリズムを用いた機械学習を行い、機械学習によってパラメータを更新する学習部を備える、
機械学習システム。 A machine learning system including a learning function unit and a prediction function unit,
The prediction function unit
Obtaining a parameter of a predetermined algorithm from the learning function unit via a communication network, and using the predetermined algorithm to which the parameter is applied, a prediction unit that performs prediction on input data;
The teacher data for the prediction is acquired, the output data as the result of the prediction is compared with the teacher data, and when the comparison result satisfies a predetermined condition, the input data and the teacher data are transmitted via a communication network. A prediction error determination unit that transmits the learning function unit to the learning function unit,
The learning function unit
A learning unit that performs machine learning using the predetermined algorithm using the input data and the teacher data transmitted from the prediction function unit, and updates parameters by machine learning;
Machine learning system. 前記予測誤差判定部は、前記比較の結果を蓄積し、蓄積されている比較の結果を用いて前記条件をみたすか否かを判定する、
請求項１に記載の機械学習システム。 The prediction error determination unit accumulates the result of the comparison and determines whether or not the condition is satisfied using the accumulated comparison result.
The machine learning system according to claim 1. 前記学習機能部は、前記予測機能部の属性に応じた前記パラメータを、プッシュ型で前記予測機能部に提供する、
請求項１又は２に記載の機械学習システム。 The learning function unit provides the parameter according to the attribute of the prediction function unit to the prediction function unit in a push type.
The machine learning system according to claim 1 or 2. 前記学習機能部は、前記予測機能部において利用する学習レベルに応じた前記パラメータを、前記予測機能部に提供する、
請求項１から３のいずれかに記載の機械学習システム。 The learning function unit provides the parameter according to a learning level used in the prediction function unit to the prediction function unit.
The machine learning system according to claim 1. 学習機能部及び予測機能部を備える機械学習システムに備わる前記予測機能部として機能する装置であって、
通信ネットワークを介して前記学習機能部から所定のアルゴリズムのパラメータを取得し、前記パラメータを適用した前記所定のアルゴリズムを用いて、入力データに対する予測を行う予測部と、
前記予測に対する教師データを取得し、前記予測の結果である出力データと前記教師データを比較し、比較の結果が予め定められた条件を満たす場合、通信ネットワークを介して前記入力データ及び前記教師データを前記学習機能部に送信する予測誤差判定部と、を備え、
前記学習機能部は、前記予測機能部から送信された前記入力データ及び前記教師データを用いて前記所定のアルゴリズムを用いた機械学習を行い、機械学習によってパラメータを更新する、
装置。 An apparatus that functions as the prediction function unit provided in a machine learning system including a learning function unit and a prediction function unit,
Obtaining a parameter of a predetermined algorithm from the learning function unit via a communication network, and using the predetermined algorithm to which the parameter is applied, a prediction unit that performs prediction on input data;
The teacher data for the prediction is acquired, the output data as the result of the prediction is compared with the teacher data, and when the comparison result satisfies a predetermined condition, the input data and the teacher data are transmitted via a communication network. A prediction error determination unit that transmits the learning function unit to the learning function unit,
The learning function unit performs machine learning using the predetermined algorithm using the input data and the teacher data transmitted from the prediction function unit, and updates parameters by machine learning.
apparatus. 学習機能部及び予測機能部を備える機械学習システムに備わる前記学習機能部として機能する装置であって、
前記予測機能部から送信された入力データ及び教師データを用いて所定のアルゴリズムを用いた機械学習を行い、機械学習によってパラメータを更新する学習部を備え、
前記予測機能部は、通信ネットワークを介して前記学習機能部から所定のアルゴリズムのパラメータを取得し、前記パラメータを適用した前記所定のアルゴリズムを用いて、入力データに対する予測を行い、前記予測に対する教師データを取得し、前記予測の結果である出力データと前記教師データを比較し、比較の結果が予め定められた条件を満たす場合、通信ネットワークを介して前記入力データ及び前記教師データを前記学習機能部に送信する、
装置。 A device that functions as the learning function unit provided in a machine learning system including a learning function unit and a prediction function unit,
Performing machine learning using a predetermined algorithm using the input data and teacher data transmitted from the prediction function unit, comprising a learning unit that updates parameters by machine learning,
The prediction function unit acquires a parameter of a predetermined algorithm from the learning function unit via a communication network, performs prediction for input data using the predetermined algorithm to which the parameter is applied, and teach data for the prediction When the output data as the result of the prediction is compared with the teacher data, and the comparison result satisfies a predetermined condition, the learning function unit receives the input data and the teacher data via a communication network. Send to
apparatus. 学習機能部及び予測機能部を備える機械学習システムに備わる前記予測機能部が実行する情報処理方法であって、
通信ネットワークを介して前記学習機能部から所定のアルゴリズムのパラメータを取得し、前記パラメータを適用した前記所定のアルゴリズムを用いて、入力データに対する予測を行う予測手順と、
前記予測に対する教師データを取得し、前記予測の結果である出力データと前記教師データを比較し、比較の結果が予め定められた条件を満たす場合、通信ネットワークを介して前記入力データ及び前記教師データを前記学習機能部に送信する予測誤差判定手順と、を備え、
前記予測誤差判定手順の後に、前記学習機能部は、前記予測機能部から送信された前記入力データ及び前記教師データを用いて前記所定のアルゴリズムを用いた機械学習を行い、機械学習によってパラメータを更新する、
情報処理方法。 An information processing method executed by the prediction function unit provided in a machine learning system including a learning function unit and a prediction function unit,
A prediction procedure for obtaining a parameter of a predetermined algorithm from the learning function unit via a communication network, and performing prediction for input data using the predetermined algorithm to which the parameter is applied,
The teacher data for the prediction is acquired, the output data as the result of the prediction is compared with the teacher data, and when the comparison result satisfies a predetermined condition, the input data and the teacher data are transmitted via a communication network. And a prediction error determination procedure for transmitting to the learning function unit,
After the prediction error determination procedure, the learning function unit performs machine learning using the predetermined algorithm using the input data and the teacher data transmitted from the prediction function unit, and updates parameters by machine learning. To
Information processing method. 学習機能部及び予測機能部を備える機械学習システムに備わる前記学習機能部が実行する情報処理方法であって、
前記予測機能部から送信された入力データ及び教師データを用いて所定のアルゴリズムを用いた機械学習を行い、機械学習によってパラメータを更新する学習手順を備え、
前記学習手順の前に、前記予測機能部は、通信ネットワークを介して前記学習機能部から所定のアルゴリズムのパラメータを取得し、前記パラメータを適用した前記所定のアルゴリズムを用いて、入力データに対する予測を行い、前記予測に対する教師データを取得し、前記予測の結果である出力データと前記教師データを比較し、比較の結果が予め定められた条件を満たす場合、通信ネットワークを介して前記入力データ及び前記教師データを前記学習機能部に送信する、
情報処理方法。 An information processing method executed by the learning function unit provided in a machine learning system including a learning function unit and a prediction function unit,
Performing machine learning using a predetermined algorithm using the input data and teacher data transmitted from the prediction function unit, comprising a learning procedure for updating parameters by machine learning;
Prior to the learning procedure, the prediction function unit acquires a parameter of a predetermined algorithm from the learning function unit via a communication network, and performs prediction for input data using the predetermined algorithm to which the parameter is applied. Performing, obtaining teacher data for the prediction, comparing the output data that is the result of the prediction and the teacher data, and if the result of the comparison satisfies a predetermined condition, the input data and the Transmitting teacher data to the learning function unit;
Information processing method.
JP2016110758A 2016-06-02 2016-06-02 Machine learning system, equipment and information processing method Active JP6752457B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2016110758A JP6752457B2 (en) 2016-06-02 2016-06-02 Machine learning system, equipment and information processing method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2016110758A JP6752457B2 (en) 2016-06-02 2016-06-02 Machine learning system, equipment and information processing method

Publications (2)

Publication Number Publication Date
JP2017215898A true JP2017215898A (en) 2017-12-07
JP6752457B2 JP6752457B2 (en) 2020-09-09

Family

ID=60577073

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2016110758A Active JP6752457B2 (en) 2016-06-02 2016-06-02 Machine learning system, equipment and information processing method

Country Status (1)

Country Link
JP (1) JP6752457B2 (en)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102026479B1 (en) * 2019-03-06 2019-09-30 주식회사 다이얼로그디자인에이전시 System for providing parallel processing platform based artificial intelligence speech recognition service
JP2019176329A (en) * 2018-03-28 2019-10-10 本田技研工業株式会社 Vehicle communication control method and vehicle communication device
JP2019211942A (en) * 2018-06-04 2019-12-12 日本電信電話株式会社 Data analysis system and data analysis method
JP2019212248A (en) * 2018-06-09 2019-12-12 株式会社Ａ．Ｌ．Ｉ．Ｔｅｃｈｎｏｌｏｇｉｅｓ Dispersion type machine learning system
JP2019218937A (en) * 2018-06-22 2019-12-26 株式会社日立製作所 Wind power generation system and method
WO2020017686A1 (en) * 2018-07-18 2020-01-23 엘지전자 주식회사 Artificial intelligence server and artificial intelligence device
JP2020067911A (en) * 2018-10-25 2020-04-30 トヨタ自動車株式会社 Control assistance device, vehicle, and control assistance system
CN111401563A (en) * 2018-12-28 2020-07-10 杭州海康威视数字技术股份有限公司 Machine learning model updating method and device
JP2020138296A (en) * 2019-02-28 2020-09-03 川崎重工業株式会社 Machine learning model operation management system and machine learning model operation management method
CN111684474A (en) * 2018-03-13 2020-09-18 欧姆龙株式会社 Arithmetic device, arithmetic method, and program thereof
JP2020165924A (en) * 2019-03-29 2020-10-08 太陽誘電株式会社 Determination system, information processor, server, program, and method for determination
WO2021006404A1 (en) * 2019-07-11 2021-01-14 엘지전자 주식회사 Artificial intelligence server
JP2021026505A (en) * 2019-08-05 2021-02-22 ギリア株式会社 Information processor and information processing program
KR20210067042A (en) * 2019-11-29 2021-06-08 김하미 System for sound revenue settlement forecasting using artificail intelligence and method thereof
WO2023283953A1 (en) * 2021-07-16 2023-01-19 北京小米移动软件有限公司 Communication processing method and apparatus, communication device, and storage medium

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004086896A (en) * 2002-08-06 2004-03-18 Fuji Electric Holdings Co Ltd Method and system for constructing adaptive prediction model
US20090125880A1 (en) * 2007-11-12 2009-05-14 Microsoft Corporation Polymorphic software architecture
US20110153553A1 (en) * 2009-12-18 2011-06-23 Klotz Christopher S Coordinated Location Aware Brokering of Social Networks
JP2013512461A (en) * 2009-12-16 2013-04-11 浦項工科大學校 産學協力團 Foreign language learning apparatus and dialogue system
JP2013211616A (en) * 2012-03-30 2013-10-10 Sony Corp Terminal device, terminal control method, program, and information processing system
JP2015184823A (en) * 2014-03-20 2015-10-22 株式会社東芝 Model parameter calculation device, model parameter calculation method, and computer program

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004086896A (en) * 2002-08-06 2004-03-18 Fuji Electric Holdings Co Ltd Method and system for constructing adaptive prediction model
US20090125880A1 (en) * 2007-11-12 2009-05-14 Microsoft Corporation Polymorphic software architecture
JP2013512461A (en) * 2009-12-16 2013-04-11 浦項工科大學校 産學協力團 Foreign language learning apparatus and dialogue system
US20110153553A1 (en) * 2009-12-18 2011-06-23 Klotz Christopher S Coordinated Location Aware Brokering of Social Networks
JP2013211616A (en) * 2012-03-30 2013-10-10 Sony Corp Terminal device, terminal control method, program, and information processing system
JP2015184823A (en) * 2014-03-20 2015-10-22 株式会社東芝 Model parameter calculation device, model parameter calculation method, and computer program

Cited By (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111684474A (en) * 2018-03-13 2020-09-18 欧姆龙株式会社 Arithmetic device, arithmetic method, and program thereof
CN111684474B (en) * 2018-03-13 2024-04-16 欧姆龙株式会社 Arithmetic device, arithmetic method, and recording medium
JP2019176329A (en) * 2018-03-28 2019-10-10 本田技研工業株式会社 Vehicle communication control method and vehicle communication device
JP2019211942A (en) * 2018-06-04 2019-12-12 日本電信電話株式会社 Data analysis system and data analysis method
WO2019235161A1 (en) * 2018-06-04 2019-12-12 日本電信電話株式会社 Data analysis system and data analysis method
JP7106997B2 (en) 2018-06-04 2022-07-27 日本電信電話株式会社 Data analysis system and data analysis method
JP2019212248A (en) * 2018-06-09 2019-12-12 株式会社Ａ．Ｌ．Ｉ．Ｔｅｃｈｎｏｌｏｇｉｅｓ Dispersion type machine learning system
JP2019218937A (en) * 2018-06-22 2019-12-26 株式会社日立製作所 Wind power generation system and method
WO2020017686A1 (en) * 2018-07-18 2020-01-23 엘지전자 주식회사 Artificial intelligence server and artificial intelligence device
CN111102043B (en) * 2018-10-25 2022-03-11 丰田自动车株式会社 Control assistance device and method, vehicle, recording medium, learned model for causing computer to function, and generation method
JP2020067911A (en) * 2018-10-25 2020-04-30 トヨタ自動車株式会社 Control assistance device, vehicle, and control assistance system
CN111102043A (en) * 2018-10-25 2020-05-05 丰田自动车株式会社 Control assistance device and method, vehicle, recording medium, learned model for causing computer to function, and generation method
US10968855B2 (en) 2018-10-25 2021-04-06 Toyota Jidosha Kabushiki Kaisha Control support device, vehicle, control support method, recording medium, learned model for causing computer to function, and method of generating learned model
CN111401563A (en) * 2018-12-28 2020-07-10 杭州海康威视数字技术股份有限公司 Machine learning model updating method and device
CN111401563B (en) * 2018-12-28 2023-11-03 杭州海康威视数字技术股份有限公司 Machine learning model updating method and device
CN113573856A (en) * 2019-02-28 2021-10-29 川崎重工业株式会社 Machine learning model operation management system and machine learning model operation management method
JP2020138296A (en) * 2019-02-28 2020-09-03 川崎重工業株式会社 Machine learning model operation management system and machine learning model operation management method
JP7252787B2 (en) 2019-02-28 2023-04-05 川崎重工業株式会社 Machine learning model operation management system and machine learning model operation management method
WO2020175643A1 (en) * 2019-02-28 2020-09-03 川崎重工業株式会社 Machine-learning model operation management system and machine-learning model operation management method
EP3932626A4 (en) * 2019-02-28 2022-12-21 Kawasaki Jukogyo Kabushiki Kaisha Machine-learning model operation management system and machine-learning model operation management method
KR102026479B1 (en) * 2019-03-06 2019-09-30 주식회사 다이얼로그디자인에이전시 System for providing parallel processing platform based artificial intelligence speech recognition service
WO2020203709A1 (en) * 2019-03-29 2020-10-08 太陽誘電株式会社 Determination system, information processing device, server, program, and determination method
JP2020165924A (en) * 2019-03-29 2020-10-08 太陽誘電株式会社 Determination system, information processor, server, program, and method for determination
JP7343290B2 (en) 2019-03-29 2023-09-12 太陽誘電株式会社 Judgment system, information processing device, server, program and judgment method
US11605379B2 (en) 2019-07-11 2023-03-14 Lg Electronics Inc. Artificial intelligence server
WO2021006404A1 (en) * 2019-07-11 2021-01-14 엘지전자 주식회사 Artificial intelligence server
JP2021026505A (en) * 2019-08-05 2021-02-22 ギリア株式会社 Information processor and information processing program
KR102320482B1 (en) * 2019-11-29 2021-11-02 김하미 System for sound revenue settlement forecasting using artificail intelligence and method thereof
KR20210067042A (en) * 2019-11-29 2021-06-08 김하미 System for sound revenue settlement forecasting using artificail intelligence and method thereof
WO2023283953A1 (en) * 2021-07-16 2023-01-19 北京小米移动软件有限公司 Communication processing method and apparatus, communication device, and storage medium

Also Published As

Publication number Publication date
JP6752457B2 (en) 2020-09-09

Similar Documents

Publication Publication Date Title
JP6752457B2 (en) Machine learning system, equipment and information processing method
CN110276446B (en) Method and device for training model and selecting recommendation information
KR102281590B1 (en) System nad method of unsupervised training with weight sharing for the improvement in speech recognition and recording medium for performing the method
KR20180055708A (en) Device and method for image processing
US11475218B2 (en) Apparatus and method for providing sentence based on user input
EP3757729B1 (en) Apparatus and method for providing sentence based on user input
KR102474246B1 (en) Method and system for processing Neural network model using a plurality of electronic devices
KR20200036084A (en) Device and method for providing translation information of application
US20150294223A1 (en) Systems and Methods for Providing Information for Predicting Desired Information and Taking Actions Related to User Needs in a Mobile Device
KR20190117837A (en) Device and method for providing response message to user input
KR20180096483A (en) Electronic apparatus, method for controlling thereof, and non-transitory computer readable recording medium
CN113689006A (en) Method and system for model joint training
KR102206181B1 (en) Terminla and operating method thereof
US20200202068A1 (en) Computing apparatus and information input method of the computing apparatus
CN117079299B (en) Data processing method, device, electronic equipment and storage medium
US20210327418A1 (en) Artificial intelligence apparatus for performing voice control using voice extraction filter and method for the same
EP3816917A1 (en) Electronic device for updating artificial intelligence model, server, and operation method therefor
KR20220064833A (en) Apparatus and method for embedding item
KR20200120557A (en) Electronic device, Server and operating method for updating a artificial intelligence model
KR102464906B1 (en) Electronic device, server and method thereof for recommending fashion item
CN111079175B (en) Data processing method, data processing device, computer readable storage medium and computer equipment
JP7005463B2 (en) Learning equipment, learning methods and programs
EP3686812A1 (en) System and method for context-based training of a machine learning model
KR102534888B1 (en) Missing value prediction method using feature embedding neural processes
KR20210064765A (en) Electronic device for providing response about user query and operating method thereof

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20181219

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20191118

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20191203

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20200129

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200324

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20200414

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200608

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20200714

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20200807

R150 Certificate of patent or registration of utility model

Ref document number: 6752457

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250