JP2018195133A - 情報処理装置及び情報処理プログラム - Google Patents

Abstract

【課題】事象項目とその事象項目の値とから結果を予測するモデルを、単に適用する場合に比べて、予測する結果の精度を高めることができる汎用的なルールを生成することができる情報処理装置を提供する。
【解決手段】情報処理装置の受付手段は、複数の事象項目と該事象項目の値と結果を有する事象データを受け付け、モデル生成手段は、前記事象項目と該事象項目の値を組み合わせたツリー構造を持つモデルを生成し、抽出手段は、前記モデルに対し事象項目と該事象項目の値を適用して得られる結果と、該事象項目と該事象項目の値における結果との一致率が予め定められた割合より大又は以上である場合、前記ツリー中の事象項目と該事象項目の値との組み合わせをルール候補として抽出し、汎用ルール生成手段は、複数のルール候補から汎用的なルールを生成する。
【選択図】図１

Description

本発明は、情報処理装置及び情報処理プログラムに関する。

特許文献１には、多数のプラント構成機器の各々の点検、補修前歴に基づいて各機器の余寿命診断を行いプラントの次回の定期点検計画を作成する予防保全方法において、多数のプラント構成機器を同種類の機器毎にグループ分けし、各グループ毎に割り当てられたサブシステムを用い当該グループに属する各機器の点検、補修前歴及び知識ベースに基づいて各機器の余寿命診断を行い、各サブシステムから通信により取得した余寿命診断結果を用いホストシステムが次回の定期点検計画を作成することが開示されている。

特許２５４１６３３号公報

事象項目とその事象項目の値とから結果を予測するモデルがある。
しかし、単にそのモデルを適用しただけでは、その予測の精度を高めることは困難である。
本発明は、事象項目とその事象項目の値とから結果を予測するモデルを、単に適用する場合に比べて、予測する結果の精度を高めることができる汎用的なルールを生成することができる情報処理装置及び情報処理プログラムを提供することを目的としている。

かかる目的を達成するための本発明の要旨とするところは、次の各項の発明に存する。
請求項１の発明は、複数の事象項目と該事象項目の値と結果を有する事象データを受け付ける受付手段と、前記事象項目と該事象項目の値を組み合わせたツリー構造を持つモデルを生成するモデル生成手段と、前記モデルに対し事象項目と該事象項目の値を適用して得られる結果と、該事象項目と該事象項目の値における結果との一致率が予め定められた割合より大又は以上である場合、前記ツリー中の事象項目と該事象項目の値との組み合わせをルール候補として抽出する抽出手段と、複数のルール候補から汎用的なルールを生成する汎用ルール生成手段を有する情報処理装置である。

請求項２の発明は、前記モデル生成手段は、複数のモデルを生成し、前記抽出手段は、複数のモデル内のツリーを辿ることによって、結果を得るためのルール候補を抽出する請求項１に記載の情報処理装置である。

請求項３の発明は、前記汎用ルール生成手段は、複数のルール候補のうち、共通する事象項目をもつルール候補から、汎用的なルールを生成する請求項１に記載の情報処理装置である。

請求項４の発明は、前記汎用ルール生成手段は、共通する事象項目の値について、複数のルール候補の値で共通する範囲を汎用的なルールの値とする請求項３に記載の情報処理装置である。

請求項５の発明は、前記汎用ルール生成手段は、共通する事象項目の値について、複数のルール候補の値の少なくとも１つ以上を含む範囲を汎用的なルールの値とする請求項３に記載の情報処理装置である。

請求項６の発明は、前記ルール候補を抽出する過程又は前記汎用的なルールを生成する過程を提示する提示手段をさらに有する請求項１に記載の情報処理装置である。

請求項７の発明は、前記提示手段は、前記ルール候補を抽出する過程として、前記モデルに対し事象項目と該事象項目の値を適用した数、前記一致率、又はこれらの組み合わせを提示する請求項６に記載の情報処理装置である。

請求項８の発明は、前記提示手段は、前記汎用的なルールを生成する過程として、前記事象項目の値の範囲を図示して提示する請求項６に記載の情報処理装置である。

請求項９の発明は、前記提示手段は、前記ルール候補又は前記汎用的なルールを編集可能に提示する請求項６に記載の情報処理装置である。

請求項１０の発明は、前記モデル生成手段は、機械学習によってツリー構造を持つモデルを生成する請求項１から９のいずれか一項に記載の情報処理装置である。

請求項１１の発明は、コンピュータを、複数の事象項目と該事象項目の値と結果を有する事象データを受け付ける受付手段と、前記事象項目と該事象項目の値を組み合わせたツリー構造を持つモデルを生成するモデル生成手段と、前記モデルに対し事象項目と該事象項目の値を適用して得られる結果と、該事象項目と該事象項目の値における結果との一致率が予め定められた割合より大又は以上である場合、前記ツリー中の事象項目と該事象項目の値との組み合わせをルール候補として抽出する抽出手段と、複数のルール候補から汎用的なルールを生成する汎用ルール生成手段として機能させるための情報処理プログラムである。

請求項１の情報処理装置によれば、事象項目とその事象項目の値とから結果を予測するモデルを、単に適用する場合に比べて、予測する結果の精度を高めることができる汎用的なルールを生成することができる。

請求項２の情報処理装置によれば、複数のモデルからルール候補を抽出することができる。

請求項３の情報処理装置によれば、複数のルール候補から、汎用的なルールを生成することができる。

請求項４の情報処理装置によれば、共通する事象項目の値について、複数のルール候補の値で共通する範囲を汎用的なルールの値とすることができる。

請求項５の情報処理装置によれば、共通する事象項目の値について、複数のルール候補の値の少なくとも１つ以上を含む範囲を汎用的なルールの値とすることができる。

請求項６の情報処理装置によれば、ルール候補を抽出する過程又は汎用的なルールを生成する過程を提示することができる。

請求項７の情報処理装置によれば、ルール候補を抽出する過程として、モデルに対し事象項目とその事象項目の値を適用した数、一致率、又はこれらの組み合わせを提示することができる。

請求項８の情報処理装置によれば、汎用的なルールを生成する過程として、事象項目の値の範囲を図示して提示することができる。

請求項９の情報処理装置によれば、ルール候補又は汎用的なルールを編集可能に提示することができる。

請求項１０の情報処理装置によれば、機械学習によってモデルを生成することができる。

請求項１１の情報処理プログラムによれば、事象項目とその事象項目の値とから結果を予測するモデルを、単に適用する場合に比べて、予測する結果の精度を高めることができる汎用的なルールを生成することができる。

本実施の形態の構成例についての概念的なモジュール構成図である。 本実施の形態を利用したシステム構成例を示す説明図である。 本実施の形態による処理例を示すフローチャートである。 本実施の形態による処理例を示すフローチャートである。 事象データテーブルのデータ構造例を示す説明図である。 ツリー構造モデルのデータ構造例を示す説明図である。 本実施の形態による処理例を示す説明図である。 本実施の形態による処理例を示す説明図である。 本実施の形態による処理例を示す説明図である。 本実施の形態による処理例を示す説明図である。 本実施の形態による処理例を示す説明図である。 汎用ルールテーブルのデータ構造例を示す説明図である。 本実施の形態による処理例を示すフローチャートである。 本実施の形態による画面表示例を示す説明図である。 本実施の形態による画面表示例を示す説明図である。 本実施の形態を実現するコンピュータのハードウェア構成例を示すブロック図である。

以下、図面に基づき本発明を実現するにあたっての好適な一実施の形態の例を説明する。
図１は、本実施の形態の構成例についての概念的なモジュール構成図を示している。
なお、モジュールとは、一般的に論理的に分離可能なソフトウェア（コンピュータ・プログラム）、ハードウェア等の部品を指す。したがって、本実施の形態におけるモジュールはコンピュータ・プログラムにおけるモジュールのことだけでなく、ハードウェア構成におけるモジュールも指す。それゆえ、本実施の形態は、それらのモジュールとして機能させるためのコンピュータ・プログラム（コンピュータにそれぞれの手順を実行させるためのプログラム、コンピュータをそれぞれの手段として機能させるためのプログラム、コンピュータにそれぞれの機能を実現させるためのプログラム）、システム及び方法の説明をも兼ねている。ただし、説明の都合上、「記憶する」、「記憶させる」、これらと同等の文言を用いるが、これらの文言は、実施の形態がコンピュータ・プログラムの場合は、記憶装置に記憶させる、又は記憶装置に記憶させるように制御するという意味である。また、モジュールは機能に一対一に対応していてもよいが、実装においては、１モジュールを１プログラムで構成してもよいし、複数モジュールを１プログラムで構成してもよく、逆に１モジュールを複数プログラムで構成してもよい。また、複数モジュールは１コンピュータによって実行されてもよいし、分散又は並列環境におけるコンピュータによって１モジュールが複数コンピュータで実行されてもよい。なお、１つのモジュールに他のモジュールが含まれていてもよい。また、以下、「接続」とは物理的な接続の他、論理的な接続（データの授受、指示、データ間の参照関係等）の場合にも用いる。「予め定められた」とは、対象としている処理の前に定まっていることをいい、本実施の形態による処理が始まる前はもちろんのこと、本実施の形態による処理が始まった後であっても、対象としている処理の前であれば、そのときの状況・状態にしたがって、又はそれまでの状況・状態にしたがって定まることの意を含めて用いる。「予め定められた値」が複数ある場合は、それぞれ異なった値であってもよいし、２以上の値（もちろんのことながら、全ての値も含む）が同じであってもよい。また、「Ａである場合、Ｂをする」という記載は、「Ａであるか否かを判断し、Ａであると判断した場合はＢをする」の意味で用いる。ただし、Ａであるか否かの判断が不要である場合を除く。また、「Ａ、Ｂ、Ｃ」等のように事物を列挙した場合は、断りがない限り例示列挙であり、その１つのみを選んでいる場合（例えば、Ａのみ）を含む。
また、システム又は装置とは、複数のコンピュータ、ハードウェア、装置等がネットワーク（一対一対応の通信接続を含む）等の通信手段で接続されて構成されるほか、１つのコンピュータ、ハードウェア、装置等によって実現される場合も含まれる。「装置」と「システム」とは、互いに同義の用語として用いる。もちろんのことながら、「システム」には、人為的な取り決めである社会的な「仕組み」（社会システム）にすぎないものは含まない。
また、各モジュールによる処理毎に又はモジュール内で複数の処理を行う場合はその処理毎に、対象となる情報を記憶装置から読み込み、その処理を行った後に、処理結果を記憶装置に書き出すものである。したがって、処理前の記憶装置からの読み込み、処理後の記憶装置への書き出しについては、説明を省略する場合がある。なお、ここでの記憶装置としては、ハードディスク、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、外部記憶媒体、通信回線を介した記憶装置、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）内のレジスタ等を含んでいてもよい。

本実施の形態である情報処理装置１００は、事象項目とその事象項目の値とから結果を予測するためのルールを生成するものであって、図１の例に示すように、受付モジュール１０５、モデル生成モジュール１１０、ルール候補抽出モジュール１１５、汎用ルール生成モジュール１２０、ユーザーインタフェースモジュール１２５を有している。

情報処理装置１００が利用される場面として、機器又は設備の保全を具体例として説明する。
機器又は設備の保全は、定期的な点検や部品の交換が行われている。この定期的な保全は、一般的に部品の寿命推定値をもとに行われているが、機器又は設備の使用方法によってその部品の消耗度も異なってくるため、機器又は設備固有の判断は、保全担当者の知識や経験に依存している。
これらの知識や経験に基づく保全では、例えば、誰でも同レベルの保全ができるとは言えないこと、人の判断が必ずしも最適なものとは言えないこと、人為的なミスが無いとは限らないこと等の課題がある。
これらの課題に対して、前述した特許文献では、知識ベースを用いて機器の寿命予測を行うことにより、誰でも同レベルの保全を行い、人為的なミスを無くす方法を記載している。
また、知識ベースは、担当者によって、追加、更新を可能とし、データの蓄積によって質のよい保全に成長できるようになっている。
しかしながら、従来の技術は、故障原因となる要因をもとに人が作成したルールを用いるため、想定外の故障を防ぐことは難しい。
一方、機械学習を用いることで、人が認識しきれていないルールを抽出することも可能である。機械学習で精度のよいルールを生成するためには、膨大な教師データを必要とする。しかし、機器又は設備の保全において、故障が発生した場合のデータはそもそも少なく、単なる機械学習で精度のよいルールを生成することは困難である。
また、前述の担当者によって生成された知識ベースであっても、長年の運営によって、対象としている機器又は設備の改変、担当者の変更等が行われ、精度を向上させることは困難である。特に、知識ベース内の全てのルールを検証することは困難である。
機器又は設備の保全に適用した場合、情報処理装置１００は、人が認識しきれていないルールをも抽出し、想定外の故障を防ぐための保全ルールを作成できるようにする。

情報処理装置１００では、事象を構成する事象項目とその事象項目の値を組み合わせたツリー構造のモデルを対象とする。このモデルは、機械学習を用いて生成したものであってもよいし、前述したように、担当者が生成した知識ベースから生成したものであってもよい。
特に、機械学習を利用して生成したモデルを対象とすることの理由は、機械学習はデータをブラックボックス的に扱うため、人が認識していないデータ同士の関連性をモデルとして導くことができる。この関連性をルールとして抽出することで、人が認識していないルールを抽出することができる。
これまでは、人の経験や知見により「この事象とこの事象がどうなったら、いつ頃故障する」ということを経験的に予測していたが、人が事象項目と値の組み合わせを生成せず、機械学習によって、機械的にツリーのモデルを生成することにより、人の経験や知見に現れない事象の組み合わせを発見することができる。

また、複数のモデルを対象とする理由は、以下の通りである。
機械学習が学習時の初期パラメータで構造が都度変わってしまうため、１つのモデルでは汎用的なルールが抽出されたと言えないからである。複数のモデルを作成し、その複数のモデルの中から類似したルールを抽出することで、汎用的なルールが生成できる。
また、モデルをそのまま利用せず、ルールとして抽出することにも理由がある。通常、機械学習によって機器の正常又は異常を正しく予測することは難易度が高い。情報処理装置１００では、ルール抽出の際、全体のツリー構造の中から予測精度の高い部分を選択することで、正解率の高いルールを選定している。なお、「予測精度の高い部分」とは、後述するように、共通する事象項目の値について、複数のルール候補の値で共通する範囲である。

以下に、本実施の形態の説明における用語の定義を行う。
事象データとは、（１）事象項目と、（２）その事象項目の値と、（３）結果の組み合わせからなるデータである。具体例として、図５を用いて後述する事象データテーブル５００等がある。
モデルとは、事象項目とその事象項目の値の組み合わせからなるツリー構造のモデルである。機械学習によって生成されるモデルであってもよいし、前述したように、担当者によって作成された知識ベースをもとにして生成されたモデルであってもよい。
ルールとは、事象項目と値を組み合わせたものである。具体例として、図１２を用いて後述する汎用ルールテーブル１２００等がある。

情報処理装置１００内の各モジュールについて説明する。
受付モジュール１０５は、モデル生成モジュール１１０と接続されている。受付モジュール１０５は、複数の事象項目とその事象項目の値と結果を有する事象データを受け付ける。例えば、図５を用いて後述する事象データテーブル５００を受け付ける。機器又は設備から直接受け取るようにしてもよいし、事象データを記憶しているデータベース装置から受け取るようにしてもよい。

モデル生成モジュール１１０は、受付モジュール１０５、ルール候補抽出モジュール１１５、ユーザーインタフェースモジュール１２５と接続されている。モデル生成モジュール１１０は、受付モジュール１０５が受け付けた事象項目とその事象項目の値を組み合わせたツリー構造を持つモデルを生成する。モデル生成モジュール１１０は、機械学習によってツリー構造を持つモデルを生成するようにしてもよい。
ここで「ツリー構造を持つモデル」を生成するのに、例えば、決定木、ランダムフォレスト等を用いた機械学習を用いてもよい。また、従来の知識ベースをもとにしてモデルを生成してもよい。
ここで結果とは、「事象項目とその事象項目の値」を機器又は設備に適用した場合に、得られた結果である。具体的には、「異常が発生した」、「異常なし」等である。なお、「事象項目とその事象項目の値」は、結果を得るまでの状況として捉えてもよい。
また、モデル生成モジュール１１０は、複数のモデルを生成してもよい。

ルール候補抽出モジュール１１５は、モデル生成モジュール１１０、汎用ルール生成モジュール１２０、ユーザーインタフェースモジュール１２５と接続されている。ルール候補抽出モジュール１１５は、モデル生成モジュール１１０が生成したモデルに対し事象項目とその事象項目の値を適用して得られる結果と、その事象項目とその事象項目の値における結果との一致率が予め定められた割合より大又は以上である場合、ツリー中の事象項目とその事象項目の値との組み合わせをルール候補として抽出する。
ルール候補抽出モジュール１１５において、モデルに対して適用する「事象項目とその事象項目の値」は、事象項目とその事象項目の値と結果が揃っているものであればよい。つまり、「事象項目とその事象項目の値」を適用した場合に結果が判明しているものであればよい。例えば、モデルを生成する際に用いた「事象項目とその事象項目の値」であってもよいし、モデルを生成する際に用いた「事象項目と該事象項目の値」以外の「事象項目と該事象項目の値」であってもよい。
また、ルール候補抽出モジュール１１５は、複数のモデル内のツリーを辿ることによって、結果を得るためのルール候補を抽出するようにしてもよい。

汎用ルール生成モジュール１２０は、ルール候補抽出モジュール１１５、ユーザーインタフェースモジュール１２５と接続されている。汎用ルール生成モジュール１２０は、ルール候補抽出モジュール１１５によって抽出された複数のルール候補から汎用的なルールを生成する。
また、汎用ルール生成モジュール１２０は、複数のルール候補のうち、共通する事象項目をもつルール候補から、汎用的なルールを生成するようにしてもよい。
また、汎用ルール生成モジュール１２０は、共通する事象項目の値について、複数のルール候補の値で共通する範囲を汎用的なルールの値とするようにしてもよい。ここで「共通する範囲」を抽出するのに、例えば、論理演算における論理積（ＡＮＤ）処理を行ってもよい。
また、汎用ルール生成モジュール１２０は、共通する事象項目の値について、複数のルール候補の値の少なくとも１つ以上を含む範囲を汎用的なルールの値とするようにしてもよい。ここで「少なくとも１つ以上を含む範囲」を抽出するのに、例えば、論理演算における論理和（ＯＲ）処理を行ってもよい。

ユーザーインタフェースモジュール１２５は、受付・提示モジュール１３０、編集モジュール１３５を有しており、モデル生成モジュール１１０、ルール候補抽出モジュール１１５、汎用ルール生成モジュール１２０と接続されている。
受付・提示モジュール１３０は、ルール候補を抽出する過程又は汎用的なルールを生成する過程を提示する。また、受付・提示モジュール１３０は、モデル生成モジュール１１０が生成したモデルを提示するようにしてもよい。例えば、受付・提示モジュール１３０は、タッチパネルを兼ねる液晶ディスプレイを制御して、ユーザーの操作を受け付け、ユーザーに対してメッセージ等を提示する。この他、マウス、キーボード、カメラ、マイク等を用いたユーザーの操作（視線、ジェスチャ、音声等も含む）を受け付けるようにしてもよいし、３Ｄ（Ｄｉｍｅｎｓｉｏｎｓ）映像としての出力、スピーカーによる音声出力、触覚デバイスを用いた触感によって、ユーザーへのメッセージを提示するようにしてもよい。

また、受付・提示モジュール１３０は、ルール候補を抽出する過程として、モデルに対し事象項目とその事象項目の値を適用した数、一致率、又はこれらの組み合わせを提示するようにしてもよい。
また、受付・提示モジュール１３０は、汎用的なルールを生成する過程として、事象項目の値の範囲を図示して提示するようにしてもよい。
また、受付・提示モジュール１３０は、ルール候補又は汎用的なルールを編集可能に提示するようにしてもよい。ここで「編集可能」として、例えば、ルール候補又は汎用的なルールを削除すること、ルールにおける値の範囲を変更すること等がある。
編集モジュール１３５は、受付・提示モジュール１３０によって提示されたルール候補又は汎用的なルールに対しての編集指示にしたがって、そのルール候補又はその汎用的なルールを編集する。

図２は、本実施の形態を利用したシステム構成例を示す説明図である。
情報処理装置１００、機器２１０Ａ等、設備２２０Ａ等、ログ収集装置２３０、ユーザー端末２４０は、通信回線２９０を介してそれぞれ接続されている。通信回線２９０は、無線、有線、これらの組み合わせであってもよく、例えば、通信インフラとしてのインターネット、イントラネット等であってもよい。また、情報処理装置１００、ログ収集装置２３０による機能は、クラウドサービスとして実現してもよい。機器２１０、設備２２０は、ルールを適用する対象である。機器２１０として、例えば、複写機、ファックス、スキャナ、プリンタ、複合機（スキャナ、プリンタ、複写機、ファックス等のいずれか２つ以上の機能を有している画像処理装置）等の事務機器、情報家電、ロボット等がある。設備２２０として、例えば、鉄道における改札機や券売機、銀行のＡＴＭ（Ａｕｔｏｍａｔｅｄ Ｔｅｌｌｅｒ Ｍａｃｈｉｎｅ）、建物内のエレベータやエスカレータ等がある。ユーザー端末２４０として、例えば、通信機能を有しているパーソナルコンピュータの他、携帯情報通信機器（携帯電話、スマートフォン、モバイル機器、ウェアラブルコンピュータ等を含む）等がある。
ログ収集装置２３０は、機器２１０、設備２２０から事象データを収集し、記憶する。そして、情報処理装置１００に事象データを提供する。また、情報処理装置１００は、ログ収集装置２３０を介さずに、機器２１０、設備２２０から直接事象データを収集してもよい。
そして、情報処理装置１００は、汎用ルールを生成して、ルール候補を抽出する過程又は汎用ルールを生成する過程を、ユーザー端末２４０に提示する。また、情報処理装置１００は、ユーザーの操作を直接受け付け、結果を提示するスタンドアローン型として構成してもよい。

図３、図４は、本実施の形態による処理例を示すフローチャートである。
ステップＳ３０２では、受付モジュール１０５は、事象データを受け付ける。例えば、事象データテーブル５００を受け付ける。図５は、事象データテーブル５００のデータ構造例を示す説明図である。事象データテーブル５００は、機器名欄５０５、平均湿度欄５１０、カラー印刷枚数欄５１５、白黒印刷枚数欄５２０、部品Ａ最終交換経過日数欄５２５、故障欄５９５等を有している。事象データテーブル５００は、複合機における事象データの例を示している。つまり、事象データテーブル５００は、複数の事象項目とその事象項目の値と結果によって構成されている。機器名欄５０５は、機器名（又は機種、機器を一意に識別できる情報等）を記憶している。平均湿度欄５１０は、その機器が設置されている箇所（又は、機器の内部）の平均湿度を記憶している。カラー印刷枚数欄５１５は、その機器でカラー印刷した枚数を記憶している。白黒印刷枚数欄５２０は、その機器で白黒印刷した枚数を記憶している。部品Ａ最終交換経過日数欄５２５は、その機器における部品Ａの最終交換経過日数を記憶している。故障欄５９５は、その機器における故障の有無を記憶している。ここで、平均湿度欄５１０、カラー印刷枚数欄５１５、白黒印刷枚数欄５２０、部品Ａ最終交換経過日数欄５２５等が、事象項目に該当する。各セル内の値が、その事象項目の値に該当する。そして、故障欄５９５内の値が、結果に該当する。

ステップＳ３０４では、モデル生成モジュール１１０は、事象データによる機械学習によってツリー構造のモデルを生成する。例えば、１２０日分の事象データテーブル５００（学習データ）からモデルを生成する。つまり、機器毎に取得される過去の学習用データを入力することよって機械学習を行い、故障予測モデルを作成する。ツリー構造のモデルを生成する機械学習であれば、どのような機械学習であってもよいが、前述したように、決定木、ランダムフォレスト等がある。ツリー構造のモデルとしたのは、ツリーをルートからリーフ（結果）まで辿ることによって、ルールの生成ができるからである。
ステップＳ３０４で、例えば、ツリー構造モデル６００を生成する。図６は、ツリー構造モデル６００のデータ構造例を示す説明図である。これは、１２０日で異常が発生するか否かを予測するモデルであり、４階層（深さ）のツリーの例である。ルート６０５の下位に事象項目・値６１０、事象項目・値６５０があり、事象項目・値６１０の下位に事象項目・値６１５、事象項目・値６４０があり、事象項目・値６１５の下位に事象項目・値６２０、事象項目・値６３０があり、事象項目・値６５０の下位に事象項目・値６６０、事象項目・値６７０がある。
図６の例では、事象項目・値６１０は「湿度４３．５％以上」であり、事象項目・値６１５は「経過日数３６１以上」であり、事象項目・値６２０は「ヒートサイクル２２．９５以上」であり、事象項目・値６３０は「ヒートサイクル２２．９５未満」であり、事象項目・値６４０は「経過日数３６１未満」であり、事象項目・値６５０は「湿度４３．５％未満」であり、事象項目・値６６０は「定着器使用率１７．９５以上」であり、事象項目・値６７０は「定着器使用率１７．９５未満」である。そして、結果６２５は「１２０日で異常ありと予測」であり、結果６３５は「１２０日で異常なしと予測」であり、結果６４５は「１２０日で異常なしと予測」であり、結果６６５は「１２０日で異常ありと予測」であり、結果６７５は「１２０日で異常なしと予測」である。例えば、事象項目・値６１０（湿度４３．５％以上）であって、事象項目・値６１５（経過日数３６１以上）であって、事象項目・値６２０（ヒートサイクル２２．９５以上）であれば、結果６２５（「１２０日で異常あり」）と予測することを示している。

また、このモデルを複数生成する。例えば、図７（１ａ）、（１ｂ）に示すように、複数のモデル（ツリー構造モデル１：７００ａ、ツリー構造モデル２：７００ｂ）を生成する。なお、説明を容易にするために、図６の例に示すツリー構造モデル６００よりも少ない階層（２階層）で説明する。
この後（ステップＳ３０６以降の処理）の概要として、以下の処理を行う。
これらの複数のモデルから複数のルール候補を抽出する。例えば、図７（２ａ）、（２ｂ）に示すように、ツリー構造モデル１：７００ａからルール候補群７１０ａ（ルール候補Ａ：７１２、ルール候補Ｂ：７１４、ルール候補Ｃ：７１６）を抽出し、ツリー構造モデル２：７００ｂからルール候補群７１０ｂ（ルール候補Ｄ：７１８、ルール候補Ｅ：７２０）を抽出する。
そして、これらのルール候補群から汎用性のあるルール（汎用ルール）を生成する。例えば、図７（３）に示すように、汎用ルール７３０、汎用ルール７３２を生成する。

ステップＳ３０６では、ルール候補抽出モジュール１１５は、事象データを用意する。つまり、ステップＳ３０４で生成したモデルに適用する事象データを用意する。もちろんのことながら、事象データであるので、結果が判明しているデータである。学習データ（ステップＳ３０２で受け付けた事象データ）であってもよいし、学習データ以外の事象データであってもよい。

ステップＳ３０８では、ルール候補抽出モジュール１１５は、モデルに事象データを適用し、モデルによる予測結果と事象データ内の結果とが一致するか否かを検証する。
例えば、図８に示すように、各経路（ルートからリーフまでのノード）の検証結果として、適用結果８２０、適用結果８３０、適用結果８４０を生成する。ツリー構造モデル１：７００ａは、１２０日で異常が発生するかを予測するモデルである。
ルート８０５の下位に事象項目・値８１０、事象項目・値８３５があり、事象項目・値８１０の下位に事象項目・値８１５、事象項目・値８２５がある。図８の例では、事象項目・値８１０は「湿度４３．５％以上」であり、事象項目・値８１５は「ヒートサイクル２２．９５以上」であり、事象項目・値８２５は「ヒートサイクル２２．９５未満」であり、事象項目・値８３５は「湿度４３．５％未満」である。そして、適用結果８２０は「１２０日で異常ありと予測、８データ中 正解（異常あり）：７、不正解（異常なし）：１、正解率：７／８」であり、適用結果８３０は「１２０日で異常なしと予測、１２データ中 正解（異常なし）：６、不正解（異常あり）：６、正解率：６／１２」であり、適用結果８４０は「１２０日で異常なしと予測、８０データ中 正解（異常なし）：７６、不正解（異常あり）：４、正解率：７６／８０」である。

ステップＳ３１０では、ルール候補抽出モジュール１１５は、全てのモデルに対して適用したか否かを判断し、全てのモデルに対して適用した場合はステップＳ３１２へ進み、それ以外の場合はステップＳ３０８へ戻る。
ステップＳ３１２では、ルール候補抽出モジュール１１５は、各経路での一致率（正解率）を算出する。図８の例では、以下の通りである。
〔１〕「湿度が４３．５％以上」（事象項目・値８１０）かつ「ヒートサイクルが２２．９５以上」（事象項目・値８１５）ならば「１２０日で異常発生あり」と予測するが、検証結果として、事象データの８データ中の正解（異常あり）は７件であり、不正解（異常なし）は１件であり、正解率は７／８（８７．５％）であることを示している。
〔２〕「湿度が４３．５％以上」（事象項目・値８１０）かつ「ヒートサイクルが２２．９５未満」（事象項目・値８２５）ならば「１２０日で異常発生なし」と予測するが、検証結果として、事象データの１２データ中の正解（異常なし）は６件であり、不正解（異常あり）は６件であり、正解率は６／１２（５０％）であることを示している。
〔３〕「湿度が４３．５％未満」（事象項目・値８３５）ならば「１２０日で異常なし」と予測するが、検証結果として、事象データの８０データ中の正解（異常なし）は７６件であり、不正解（異常あり）は４件であり、正解率は７６／８０（９５％）であることを示している。

ステップＳ３１４では、ルール候補抽出モジュール１１５は、「一致率＞閾値」であるか否かを判断し、「一致率＞閾値」の場合はステップＳ３１６へ進み、それ以外の場合はステップＳ３１８へ進む。例えば、閾値を８０％とした場合、図８の例では、〔１〕（事象項目・値８１０かつ事象項目・値８１５）と〔３〕（事象項目・値８３５）がルール候補となる（ステップＳ３１６）。なお、異常なしの閾値と異常ありの閾値を変更することで、より有用なルール候補が生成できるようにしてもよい。
ステップＳ３１６では、ルール候補抽出モジュール１１５は、モデルにおけるその経路からルール候補を抽出する。
ステップＳ３１８では、ルール候補抽出モジュール１１５は、一致率を算出した経路の全てに対して処理を行ったか否かを判断し、全てに対して処理を行った場合はステップＳ３２０へ進み、それ以外の場合はステップＳ３１４へ戻る。

ステップＳ３２０では、汎用ルール生成モジュール１２０は、ルール候補からルールグループを生成する。
複数のルール候補を対象として、以下のルール（予め定められたルール）を適用して、そのルールに該当するものを同じルールグループとしてルールグループを作成する。
（ルール１）ルール候補を構成する事象項目と予測結果が同じ場合
（ルール２）ルール候補を構成する事象項目に包含関係があり、予測結果が同じ場合

図９の例を用いて、（ルール１）を説明する。
ルール候補Ａ：９１０は、事象項目・値９１２（湿度４３．５％以上）、かつ、事象項目・値９１４（ヒートサイクル２２．９５以上）である場合は、予測結果９１６（異常あり）と判断することを示している。
ルール候補Ｂ：９２０は、事象項目・値９２２（湿度５０．２％以上）、かつ、事象項目・値９２４（ヒートサイクル２０．０以上）である場合は、予測結果９２６（異常あり）と判断することを示している。
ルール候補Ａ：９１０の事象項目は湿度とヒートサイクルであって、ルール候補Ｂ：９２０の事象項目は湿度とヒートサイクルであるので、両者の事象項目は同じである。なお、事象項目が同じであることを要するが、その事象項目の値（４３．５％以上等）までも同じである必要はない。そして、ルール候補Ａ：９１０の予測結果９１６は「異常あり」であって、ルール候補Ｂ：９２０の予測結果９２６は「異常あり」であるので、両者の予測結果は同じである。そこで、ルールグループ１：９３０を作成する。ルールグループ１：９３０の内容は、事象項目９３２、予測結果９３４、ルール候補９３６によって構成されている。
既に作成されたルールグループと同じ事象項目と予測結果のルール候補がある場合は、そのルールグループのルールに追加すればよい。例えば、事象項目が湿度とヒートサイクルであって予測結果が「異常あり」であるルール候補Ｘがある場合は、ルールグループ１：９３０と同じ事象項目９３２、予測結果９３４であるので、ルール候補９３６内にルール候補Ｘを追加すればよい。

図１０の例を用いて、（ルール２）を説明する。
ルール候補Ｃ：１０１０は、事象項目・値１０１２（湿度４７．３％以上）、かつ、事象項目・値１０１４（ヒートサイクル２２．９５以上）である場合は、予測結果１０１６（異常あり）と判断することを示している。
ルール候補Ｄ：１０２０は、事象項目・値１０２２（湿度５０．２％以上）、かつ、事象項目・値１０２４（ヒートサイクル２４．０未満）、かつ、事象項目・値１０２６（定着器使用率１７．９５以上）である場合は、予測結果１０２８（異常あり）と判断することを示している。
ルール候補Ｃ：１０１０の事象項目は湿度とヒートサイクルであって、ルール候補Ｄ：１０２０の事象項目は湿度とヒートサイクルと定着器使用率であるので、ルール候補Ｄ：１０２０の事象項目はルール候補Ｃ：１０１０の事象項目を包含している関係にある。なお、包含関係にある事象項目が同じであることを要するが、その事象項目の値（４７．３％以上等）までも同じである必要はない。そして、ルール候補Ｃ：１０１０の予測結果１０１６は「異常あり」であって、ルール候補Ｄ：１０２０の予測結果１０２８は「異常あり」であるので、両者の予測結果は同じである。したがって、ルール候補Ｃ：１０１０とルール候補Ｄ：１０２０を同じルールグループとする。なお、ルール候補Ｃ：１０１０の事象項目と予測結果は、ルールグループ１：９３０の事象項目と予測結果と同じであるので、ルールグループ１：９３０のルール候補９３６にルール候補Ｃ：１０１０とルール候補Ｄ：１０２０を追加する。ただし、ルールグループ１：９３０の事象項目９３２には、異なる事象項目（具体的には、事象項目・値１０２６の事象項目である定着器使用率）は追加しない。
また、包含関係がある場合として、異なる事象項目の数に制限を設けてもよい。例えば、予め定められた数未満又は以下であること、同じ事象項目の数未満又は以下であること等がある。

ステップＳ３２２では、汎用ルール生成モジュール１２０は、ルールグループ内の各事象項目の値に対して論理演算を行う。
図１１の例を用いて、ステップＳ３２２の処理を説明する。図１１（１）の例に示すように、図１０の例に示したルールグループ１：９３０を対象とする。なお、事象項目９３２には、湿度とヒートサイクルの２つがある。ルール候補９３６には、ルール候補Ａ：９１０、ルール候補Ｂ：９２０、ルール候補Ｃ：１０１０、ルール候補Ｄ：１０２０の４つがある。
まず、事象項目９３２内の湿度について、各ルール候補の事象項目の値の共通する範囲を抽出する。図１１（２ａ）の例に示すように、ルール候補Ａ：９１０では４３．５％以上であり、ルール候補Ｃ：１０１０では４７．３％以上であり、ルール候補Ｂ：９２０とルール候補Ｄ：１０２０では５０．２％以上であるので、共通する範囲（論理積）として、湿度５０．２％以上である共通範囲１１１８を抽出する。
次に、事象項目９３２内のヒートサイクルについて、各ルール候補の事象項目の値の共通する範囲を抽出する。図１１（２ｂ）の例に示すように、ルール候補Ｂ：９２０では２０．０以上であり、ルール候補Ａ：９１０とルール候補Ｃ：１０１０では２２．９５以上であり、ルール候補Ｄ：１０２０では２４．０未満であるので、共通する範囲（論理積）として、ヒートサイクル２２．９５以上２４．０未満である共通範囲１１２８を抽出する。
なお、複数のルール候補の値で共通する範囲を汎用的なルールの値とする例を示したが、複数のルール候補の値の少なくとも１つ以上を含む範囲（論理和）を汎用的なルールの値としてもよい。

ステップＳ３２４では、汎用ルール生成モジュール１２０は、汎用ルールを生成する。
図１１の例では、ルールグループ１：９３０から汎用ルール１１５０を生成する。ルールグループ１：９３０の事象項目と予測結果を、そのまま汎用ルール１１５０の事象項目と予測結果として採用する。そして、その事象項目の値として、ステップＳ３２２の処理結果を用いる。つまり、汎用ルール１１５０として、『「湿度５０．２％以上」かつ「ヒートサイクルが２２．９５以上２４．０未満」ならば「１２０日で異常発生あり」』を生成する。

ステップＳ３２６では、汎用ルール生成モジュール１２０は、汎用ルールを、予測処理におけるルールとして記憶する。例えば、汎用ルールテーブル１２００を生成する。図１２は、汎用ルールテーブル１２００のデータ構造例を示す説明図である。汎用ルールテーブル１２００は、汎用ルールＮｏ欄１２０５、湿度欄１２１０、経過日数欄１２１５、ヒートサイクル欄１２２０、定着器使用率欄１２２５、結果欄１２３０を有している。汎用ルールＮｏ欄１２０５は、汎用ルールを一意に識別するための情報（汎用ルールＮｏ）を記憶している。湿度欄１２１０は、事象項目である湿度の値を記憶している。経過日数欄１２１５は、事象項目である経過日数の値を記憶している。ヒートサイクル欄１２２０は、事象項目であるヒートサイクルの値を記憶している。定着器使用率欄１２２５は、事象項目である定着器使用率の値を記憶している。結果欄１２３０は、それらの事象項目の条件を満たしている場合の予測結果を記憶している。
ルール１は、『「湿度５０．２％以上」かつ「ヒートサイクルが２２．９５以上２４．０未満」ならば「１２０日で異常発生あり」』、ルール２は『「湿度が４３．５％未満」かつ「定着器使用率が１７．９５未満」ならば「１２０日で異常発生なし」』、ルール３は『「湿度が４３．５％以上」かつ「経過日数が３６１日以上」かつ「ヒートサイクルが２２．９５以上」ならば「１２０日で異常発生あり」』であることを示している。機械学習を用いているので、機器又は設備から収集できる事象項目とその値の中から、人が関係性を理解している事象項目とその値の組み合わせだけでなく、人が関係性を理解していない組み合わせを自動的に抽出し、そして、単なる機械学習の結果からルールを抽出しているだけでなく、汎用ルールとして抽出したものである。

図１３は、本実施の形態（主にユーザーインタフェースモジュール１２５）による処理例を示すフローチャートである。
ステップＳ１３０２では、受付・提示モジュール１３０は、ユーザーの提示指示を受け付ける。提示対象は、機械学習の結果であるモデル（ツリー構造）、ルール候補、汎用ルールのいずれか１つ、又は、これらの組み合わせである。以下では、モデル、ルール候補、汎用ルールを提示する例を示している。
ステップＳ１３０４では、編集モジュール１３５は、モデルを抽出する。
ステップＳ１３０６では、編集モジュール１３５は、モデルを提示する。
ステップＳ１３０８では、編集モジュール１３５は、ルール候補を抽出する。
ステップＳ１３１０では、編集モジュール１３５は、ルール候補を提示する。
ステップＳ１３１２では、編集モジュール１３５は、汎用ルールを抽出する。
ステップＳ１３１４では、編集モジュール１３５は、汎用ルールを提示する。

ステップＳ１３１６では、編集モジュール１３５は、ルール候補、汎用ルールに対して、ユーザーの操作による編集等を受け付ける。
ステップＳ１３１８では、編集モジュール１３５は、その編集にしたがって、ルール候補、汎用ルールを編集等する。
ステップＳ１３２０では、編集モジュール１３５は、終了したか否かを判断し、終了した場合は処理を終了し（ステップＳ１３９９）、それ以外の場合はステップＳ１３１６へ戻る。

図１４は、本実施の形態（主にユーザーインタフェースモジュール１２５）による画面表示例を示す説明図である。
画面１４００には、モデル表示領域１４１０、ルール候補表示領域１４５０を表示する。
モデル表示領域１４１０には、機械学習で生成されたモデル（知識ベースをもとにして生成されたモデルであってもよい）を表示する。つまり、モデルの構造がツリー表示される。モデルを可視化することで、知見者に事象項目の関係に対する気づきを与えることとなる。
そして、ステップＳ３０８の結果をモデル表示に組み込んでいる。具体的には、ルートノードで、１００個の事象データをこのモデルに入力したことを表しており、各リーフノードで、検証結果を表示している。例えば、左下端のリーフノードでは、異常と予測された８データのうち、実際の結果は、１データが正常、７データが異常であったことを表している。

ルール候補表示領域１４５０には、ルール候補テーブル１４６０、閾値表示領域１４９０を表示する。閾値表示領域１４９０には、モデル表示領域１４１０に表示したモデルからルール候補を抽出するための閾値を表示している。
ルール候補テーブル１４６０は、チェック欄１４６２、ルール候補Ｎｏ欄１４６４、正解率欄１４６６、全体比率欄１４６８、正常欄１４７０、異常欄１４７２、ルール欄１４７４を有している。ルール候補テーブル１４６０によって、ルール候補を一覧できるようになる。チェック欄１４６２には、その行のルール候補を選択するためのチェック欄を表示する。ルール候補Ｎｏ欄１４６４は、ルール候補を一意に識別するための情報（ルール候補Ｎｏ）を記憶している。正解率欄１４６６は、正解率を記憶している。全体比率欄１４６８は、全体比率を記憶している。ここで全体比率とは、全事象データに対し、末端ノードであるリーフノードに辿り着いた事象データ数の割合である。左下端のリーフノードでは、８％（８／１００）である。正常欄１４７０は、結果が正常である事象データ数を記憶している。異常欄１４７２は、結果が異常である事象データ数を記憶している。ルール欄１４７４は、ルール候補を記憶している。ルートノードからリーフノードまでを辿ることによって、ルールを生成すればよい。例えば、左下端のリーフノードでは、「（湿度＞＝４３．５％）かつ（ヒートサイクル＞＝２２．９５）ならば異常であると予測する」というルールが生成される。
ルール候補テーブル１４６０内の行が選択されると、モデル表示領域１４１０内のモデルの該当する経路が強調表示される。例えば、ルール候補テーブル１４６０内の２行目が選択された場合、ルートノードである「総数１００」、ノード「湿度４３．５％以上」、ノード「ヒートサイクル２２．９５以上」、ノード「異常 正常：１ 異常：７」が強調表示される。強調表示として、他のノードとは異なる色で表示すること、ハイライト表示、点滅表示等がある。
ルール候補テーブル１４６０を表示することによって、知見者が関係性を確認し、ルールとして適切ではないもの（ルールとして絶対にいらないもの等）をチェック欄１４６２で選択し、削除指示によって削除できる。また、ルール候補を編集してもよい。これらの編集をした場合は、編集後のルール候補に基づいて、再度汎用ルールの生成処理を行う。

図１５は、本実施の形態（主にユーザーインタフェースモジュール１２５）による画面表示例を示す説明図である。
画面１５００には、ルール候補表示領域１５１０、事項項目表示領域１５５０を表示する。事項項目表示領域１５５０は、汎用ルールを生成する過程として、事象項目の値の範囲を図示する領域である。
ルール候補表示領域１５１０には、ルール候補テーブル１５２０を表示する。ルール候補テーブル１５２０は、抽出された汎用ルール、その汎用ルールのもとになったルール候補をリスト表示したものである。ルール候補テーブル１５２０は、チェック欄１５２２、汎用ルールＮｏ欄１５２４、抽出ルール欄１５２６、ルール候補欄１５２８を有している。チェック欄１５２２には、その行の汎用ルールを選択するためのチェック欄を表示する。汎用ルールＮｏ欄１５２４は、汎用ルールを一意に識別するための情報（汎用ルールＮｏ）を記憶している。抽出ルール欄１５２６は、その汎用ルールの内容を記憶している。ルール候補欄１５２８は、その汎用ルールを生成するためのもとのルール候補を記憶している。
ルール候補テーブル１５２０内の行が選択されると、事象項目毎にルール候補の関係を表示する。可視化することで、知見者に事象項目の関係に対する気づきを与えることとなる。例えば、ルール候補テーブル１５２０内の２行目が選択された場合、事項項目表示領域１５５０に、湿度ルール表示領域１５６０、ヒートサイクルルール表示領域１５７０を表示する。
ルール候補表示領域１５１０、事項項目表示領域１５５０を表示することによって、知見者がルール候補間の関係性を確認し、汎用ルールとして適切ではないもの（汎用ルールとして絶対にいらないもの等）をチェック欄１５２２で選択し、削除指示によって削除できる。汎用ルールを編集してもよい。
また、事項項目表示領域１５５０内に、ルール候補毎に、全体比率欄１４６８の値、正解率欄１４６６の値等を付加して表示してもよい。知見者によって、編集の判断ができるようになるからである。例えば、全体比率の低いルール候補は削除すること、正解率の高いルール候補の値を優先して汎用ルールの範囲として選択すること等の判断できるようになる。

なお、本実施の形態としてのプログラムが実行されるコンピュータのハードウェア構成は、図１６に例示するように、一般的なコンピュータであり、具体的にはパーソナルコンピュータ、サーバーとなり得るコンピュータ等である。つまり、具体例として、処理部（演算部）としてＣＰＵ１６０１を用い、記憶装置としてＲＡＭ１６０２、ＲＯＭ１６０３、ＨＤ１６０４を用いている。ＨＤ１６０４として、例えばハードディスク、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）を用いてもよい。受付モジュール１０５、モデル生成モジュール１１０、ルール候補抽出モジュール１１５、汎用ルール生成モジュール１２０、ユーザーインタフェースモジュール１２５、受付・提示モジュール１３０、編集モジュール１３５等のプログラムを実行するＣＰＵ１６０１と、そのプログラムやデータを記憶するＲＡＭ１６０２と、本コンピュータを起動するためのプログラム等が格納されているＲＯＭ１６０３と、事象データテーブル５００、汎用ルールテーブル１２００、モデル、ルール候補等を記憶する補助記憶装置（フラッシュ・メモリ等であってもよい）であるＨＤ１６０４と、キーボード、マウス、タッチスクリーン、マイク、カメラ（視線検知カメラ等を含む）等に対する利用者の操作（動作、音声、視線等を含む）に基づいてデータを受け付ける受付装置１６０６と、ＣＲＴ、液晶ディスプレイ、スピーカー等の出力装置１６０５と、ネットワークインタフェースカード等の通信ネットワークと接続するための通信回線インタフェース１６０７、そして、それらをつないでデータのやりとりをするためのバス１６０８により構成されている。これらのコンピュータが複数台互いにネットワークによって接続されていてもよい。

前述の実施の形態のうち、コンピュータ・プログラムによるものについては、本ハードウェア構成のシステムにソフトウェアであるコンピュータ・プログラムを読み込ませ、ソフトウェアとハードウェア資源とが協働して、前述の実施の形態が実現される。
なお、図１６に示すハードウェア構成は、１つの構成例を示すものであり、本実施の形態は、図１６に示す構成に限らず、本実施の形態において説明したモジュールを実行可能な構成であればよい。例えば、一部のモジュールを専用のハードウェア（例えば特定用途向け集積回路（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ：ＡＳＩＣ）等）で構成してもよく、一部のモジュールは外部のシステム内にあり通信回線で接続している形態でもよく、さらに図１６に示すシステムが複数互いに通信回線によって接続されていて互いに協調動作するようにしてもよい。また、特に、パーソナルコンピュータの他、携帯情報通信機器、情報家電、ロボット、複写機、ファックス、スキャナ、プリンタ、複合機等に組み込まれていてもよい。

また、前述の実施の形態の説明内での比較処理において、「以上」、「以下」、「より大きい」、「より小さい（未満）」としたものは、その組み合わせに矛盾が生じない限り、それぞれ「より大きい」、「より小さい（未満）」、「以上」、「以下」としてもよい。

なお、説明したプログラムについては、記録媒体に格納して提供してもよく、また、そのプログラムを通信手段によって提供してもよい。その場合、例えば、前記説明したプログラムについて、「プログラムを記録したコンピュータ読み取り可能な記録媒体」の発明として捉えてもよい。
「プログラムを記録したコンピュータ読み取り可能な記録媒体」とは、プログラムのインストール、実行、プログラムの流通等のために用いられる、プログラムが記録されたコンピュータで読み取り可能な記録媒体をいう。
なお、記録媒体としては、例えば、デジタル・バーサタイル・ディスク（ＤＶＤ）であって、ＤＶＤフォーラムで策定された規格である「ＤＶＤ−Ｒ、ＤＶＤ−ＲＷ、ＤＶＤ−ＲＡＭ等」、ＤＶＤ＋ＲＷで策定された規格である「ＤＶＤ＋Ｒ、ＤＶＤ＋ＲＷ等」、コンパクトディスク（ＣＤ）であって、読出し専用メモリ（ＣＤ−ＲＯＭ）、ＣＤレコーダブル（ＣＤ−Ｒ）、ＣＤリライタブル（ＣＤ−ＲＷ）等、ブルーレイ・ディスク（Ｂｌｕ−ｒａｙ（登録商標） Ｄｉｓｃ）、光磁気ディスク（ＭＯ）、フレキシブルディスク（ＦＤ）、磁気テープ、ハードディスク、読出し専用メモリ（ＲＯＭ）、電気的消去及び書換可能な読出し専用メモリ（ＥＥＰＲＯＭ（登録商標））、フラッシュ・メモリ、ランダム・アクセス・メモリ（ＲＡＭ）、ＳＤ（Ｓｅｃｕｒｅ Ｄｉｇｉｔａｌ）メモリーカード等が含まれる。
そして、前記のプログラムの全体又はその一部は、前記記録媒体に記録して保存や流通等させてもよい。また、通信によって、例えば、ローカル・エリア・ネットワーク（ＬＡＮ）、メトロポリタン・エリア・ネットワーク（ＭＡＮ）、ワイド・エリア・ネットワーク（ＷＡＮ）、インターネット、イントラネット、エクストラネット等に用いられる有線ネットワーク、又は無線通信ネットワーク、さらにこれらの組み合わせ等の伝送媒体を用いて伝送させてもよく、また、搬送波に乗せて搬送させてもよい。
さらに、前記のプログラムは、他のプログラムの一部分若しくは全部であってもよく、又は別個のプログラムと共に記録媒体に記録されていてもよい。また、複数の記録媒体に分割して記録されていてもよい。また、圧縮や暗号化等、復元可能であればどのような態様で記録されていてもよい。

１００…情報処理装置
１０５…受付モジュール
１１０…モデル生成モジュール
１１５…ルール候補抽出モジュール
１２０…汎用ルール生成モジュール
１２５…ユーザーインタフェースモジュール
１３０…受付・提示モジュール
１３５…編集モジュール
２１０…機器
２２０…設備
２３０…ログ収集装置
２４０…ユーザー端末
２９０…通信回線

Claims (11)

1. 複数の事象項目と該事象項目の値と結果を有する事象データを受け付ける受付手段と、
   前記事象項目と該事象項目の値を組み合わせたツリー構造を持つモデルを生成するモデル生成手段と、
   前記モデルに対し事象項目と該事象項目の値を適用して得られる結果と、該事象項目と該事象項目の値における結果との一致率が予め定められた割合より大又は以上である場合、前記ツリー中の事象項目と該事象項目の値との組み合わせをルール候補として抽出する抽出手段と、
   複数のルール候補から汎用的なルールを生成する汎用ルール生成手段
   を有する情報処理装置。
2. 前記モデル生成手段は、複数のモデルを生成し、
   前記抽出手段は、複数のモデル内のツリーを辿ることによって、結果を得るためのルール候補を抽出する
   請求項１に記載の情報処理装置。
3. 前記汎用ルール生成手段は、複数のルール候補のうち、共通する事象項目をもつルール候補から、汎用的なルールを生成する
   請求項１に記載の情報処理装置。
4. 前記汎用ルール生成手段は、共通する事象項目の値について、複数のルール候補の値で共通する範囲を汎用的なルールの値とする
   請求項３に記載の情報処理装置。
5. 前記汎用ルール生成手段は、共通する事象項目の値について、複数のルール候補の値の少なくとも１つ以上を含む範囲を汎用的なルールの値とする
   請求項３に記載の情報処理装置。
6. 前記ルール候補を抽出する過程又は前記汎用的なルールを生成する過程を提示する提示手段
   をさらに有する請求項１に記載の情報処理装置。
7. 前記提示手段は、前記ルール候補を抽出する過程として、前記モデルに対し事象項目と該事象項目の値を適用した数、前記一致率、又はこれらの組み合わせを提示する
   請求項６に記載の情報処理装置。
8. 前記提示手段は、前記汎用的なルールを生成する過程として、前記事象項目の値の範囲を図示して提示する
   請求項６に記載の情報処理装置。
9. 前記提示手段は、前記ルール候補又は前記汎用的なルールを編集可能に提示する
   請求項６に記載の情報処理装置。
10. 前記モデル生成手段は、機械学習によってツリー構造を持つモデルを生成する
    請求項１から９のいずれか一項に記載の情報処理装置。
11. コンピュータを、
    複数の事象項目と該事象項目の値と結果を有する事象データを受け付ける受付手段と、
    前記事象項目と該事象項目の値を組み合わせたツリー構造を持つモデルを生成するモデル生成手段と、
    前記モデルに対し事象項目と該事象項目の値を適用して得られる結果と、該事象項目と該事象項目の値における結果との一致率が予め定められた割合より大又は以上である場合、前記ツリー中の事象項目と該事象項目の値との組み合わせをルール候補として抽出する抽出手段と、
    複数のルール候補から汎用的なルールを生成する汎用ルール生成手段
    として機能させるための情報処理プログラム。

Images