JP2019012555A - 人工知能モジュール開発システム及び人工知能モジュール開発統合システム - Google Patents

Abstract

【課題】 解析目的に最も適応した人工知能モジュール（ニューラルネットワークなど）を自ら選択し、自動学習によって、信頼性の高い人工知能モジュールを、簡単な操作で、速やかに生成できる人工知能モジュール開発方法、人工知能モジュール開発システム及び人工知能モジュール開発統合システムを提供すること。【解決手段】 人工知能モジュール開発方法であって、解析目的を選択させるステップと、前記解析目的に必要なデータを登録させるステップと、前記解析目的を達成する目標を設定させるステップと、前記登録されたデータを用いて前記解析目的及び前記目標に適合する学習の実行を指示させるステップと、前記学習の結果として求められた人工知能モジュールを確認させるステップと、前記確認された人工知能モジュールを含む学習結果を他の装置に組み込むことを指示させるステップとを有する。【選択図】図３

Description

本発明は、例えばデータを分析するデータ分析システム等に関する人工知能モジュール開発システム及び人工知能モジュール開発統合システムに係り、特に例えば、大量データの分析による機械学習のための高度解析インフラストラクチャとして用いることも可能な人工知能モジュール開発システム及び人工知能モジュール開発統合システムに関する。

コンピュータの発展により社会の情報化が進んだ結果、企業もしくは個人による商品製造の活動には、膨大なデータが、広範にかつ密接に関係するようになってきている。そのため、最近では、膨大なデータの中から、所望の情報を的確に分別し、有効なデータのみを的確に利用する必要性が叫ばれている。

膨大なあらゆるデータから、所望の情報を取り出すためのアプローチとして、コンピュータによるデータの解析、選択、変換、グループ化、範囲化などが様々なアルゴリズムを用いて実施されているが、その利用範囲はまだ狭い。膨大なデータの有効活用を向上させるためには、コンピュータ内のプログラムに基づいた自動学習、機械学習を目指し、システムの中で独自に情報を選択し活用し判定・判断精度を向上させる人工知能を開発し活用することが望ましい。

また機械学習を繰り返すシステムが進展する昨今においても、データの独自の解析、選択、変換を行い、外部事象に対する判断、判定を人間によるもの以上の精度で速く安定して的確に行うことのできる人工知能の開発にはいまだ至っていないといわざるを得ない。

例えば、特許文献１においては、機械学習アルゴリズム候補を比較する手段を提供するための機械学習システムの技術思想が開示されている。

これによると、機械学習システムは、
・機械学習アルゴリズムライブラリと、
・データセットを受信するとともに、機械学習アルゴリズムライブラリから得られる機械学習モデルのセレクションを受信するためのデータ入力モジュールと、
・各機械学習モデルに対してトレーニング及び評価を行って、機械学習モデル毎に性能結果を生成するように構成される実験モジュールと、
・機械学習モデルの全ての性能結果を集計して、性能比較統計を作成するように構成される集計モジュールと
を含んでおり、データセットを受信し、機械学習モデルのセレクションを受信し、各機械学習モデルをトレーニング及び評価して、機械学習モデル毎に性能結果を生成し、性能結果を集計して、性能比較統計を作成し、性能比較統計を表示するようになっている。

特開２０１７−４５０９号公報

しかしながら、この開示された技術によると、機械学習モデルの作成に際し、解析目的を指定することがないため、解析目的に適合する機械学習モデルを得ることは困難で、また、結果として機械学習モデルの性能評価がなされるだけで、最適な機械学習モデルの選択がなされるものでもなく、解析目的に適合した機械学習モデル（人工知能モジュール）を自動的に、かつ、簡便に、高速で求めることが困難であるという問題点は解決されていない。

本発明はこうした従来技術上の問題点を解決することを企図したものであり、解析目的に最も適応した人工知能モジュール（ニューラルネットワークなど）を自ら選択し、自動学習によって信頼性の高い人工知能モジュールを簡単な操作で、速やかに生成できる人工知能モジュール開発システム及び人工知能モジュール開発統合システムを提供することを目的とする。

本発明に係る人工知能モジュール開発システムは、
Ａ）データが入力されるためのデータ入力インターフェースブロックと、
Ｂ）前記データ入力インターフェースブロックによって入力されるデータを解析に必要な形態に変換する前処理を行うための、データ前処理モジュールライブラリーとデータ前処理モジュールとを具備するデータ前処理ブロックと、
Ｃ）前記データ前処理ブロックで前処理されたデータを解析演算するための、
学習前ニューラルネットワークライブラリーと、
学習前ニューラルネットワーク設定モジュールと、
ニューラルネットワーク学習設定ライブラリーと、
ニューラルネットワーク学習実行モジュールと、
学習後ニューラルネットワーク設定モジュールと
を具備するニューラルネットワーク学習ブロックと、
Ｄ）前記ニューラルネットワーク学習ブロックによって出力される出力データを後処理するための、データ後処理モジュールライブラリーとデータ後処理モジュールとを具備するデータ後処理ブロックと、
Ｅ）人工知能モジュールを出力するための人工知能モジュール出力インターフェースブロックと
を具備する。

このような構成によって、所望の人工知能モジュールが取得できる。

なお、本発明に係る人工知能モジュール開発システムは、更に、
前記データ前処理モジュールは、解析目的別メニューから解析目的を選択させ、選択された解析目的を前記学習前ニューラルネットワーク設定モジュールへ転送してもよい。

このようにすると、解析目的に適合するニューラルネットワークの選択が可能となる。

また、本発明に係る人工知能モジュール開発システムは、更に、
前記データ前処理モジュールは、前記データ入力インターフェースブロックを介して入力された学習用データを前処理し、前処理を施された該データを前記学習前ニューラルネットワーク設定モジュールに転送してもよい。

このようにすると、適切に前処理されたデータを用いることで、学習前ニューラルネットワーク選択の精度が向上する。

また、本発明に係る人工知能モジュール開発システムは、更に、
前記学習前ニューラルネットワーク設定モジュールは、前記選択された解析目的によって、前記学習前ニューラルネットワークライブラリーから目的に適合する学習前ニューラルネットワーク及び学習方法を選択し、前記ニューラルネットワーク学習設定モジュールへ転送してもよい。

このようにすると、解析目的に適合した、適切な学習前ニューラルネットワーク及び学習方法が選択されることになる。

また、本発明に係る人工知能モジュール開発システムは、更に、
前記ニューラルネットワーク学習設定モジュールは、前記選択された学習前ニューラルネットワークと、前記選択された学習方法と、前記データ前処理モジュールによって前処理された学習データとを用いて、学習を実行し、完了後、学習結果を、前記データ後処理モジュールに転送してもよい。

また、本発明に係る人工知能モジュール開発システムは、更に、
前記データ後処理モジュールは、前記データ後処理モジュールライブラリーから、判定式を含むデータ後処理アルゴリズムを選択し、前記学習結果を判定してもよい。

このようにすると、学習結果の判定が適切に行われる。

また、本発明に係る人工知能モジュール開発システムは、更に、
前記人工知能モジュールは、前記データ前処理モジュールが前処理で用いるために選択するデータ前処理アルゴリズム、前記ニューラルネットワーク学習設定モジュールが出力する学習済みのニューラルネットワーク、及び前記データ後処理モジュールが用いるために選択するデータ後処理アルゴリズムを含んでもよい。

このようにすると、求められた人工知能モジュールを適切に利用することができる。

また、これまでに述べられた本発明に係る人工知能モジュール開発システムが直列及び／または並列に複数連結された多重型人工知能モジュール開発システムという態様であってもよい。

このように、人工知能モジュール開発システムを直列及び／または並列に複数接続した多重型の人工知能モジュール開発システムとすることによって、単独の人工知能モジュール開発システムに比べて更に優れた人工知能モジュールを作り上げることが可能となる。

また、これまでに述べられた本発明に係る人工知能モジュール開発システムと、前記人工知能モジュール開発システムによって得られた人工知能モジュールを他のプログラム言語に対応させるための翻訳ミドルウェアとを有する人工知能モジュール開発統合システムという態様であってもよい。

このようにすると、他の装置で人工知能モジュールを容易に活用することができる。

本発明によれば、解析目的に最も適応した人工知能モジュール（ニューラルネットワークなど）を自ら選択し、自動学習によって信頼性の高い人工知能モジュールを簡単な操作で、速やかに生成できる人工知能モジュール開発システム及び人工知能モジュール開発統合システムを提供することができる。

本発明の一実施形態に係る人工知能モジュール開発システムのハードウエア構成図である。 本発明の一実施形態に係る人工知能モジュール開発システムの機能構成図である。 本発明の一実施形態に係る人工知能モジュール開発システムの操作者側から見たフローチャートである。 本発明の一実施形態に係る人工知能モジュール開発システムの操作者側から見た画面遷移図である。 本発明の一実施形態に係る人工知能モジュール開発システムの操作者側から見た画面遷移図である。 本発明の一実施形態に係る人工知能モジュール開発システムの操作者側から見た画面遷移図である。 本発明の一実施形態に係る人工知能モジュール開発システムの操作者側から見た画面遷移図である。 本発明の一実施形態に係る人工知能モジュール開発システムの操作者側から見た画面遷移図である。 本発明の一実施形態に係る人工知能モジュール開発システムの操作者側から見た画面遷移図である。 本発明の一実施形態に係る人工知能モジュール開発システムの工程を示したタイミング・フローチャートである。 本発明の一実施形態に係る人工知能モジュール開発統合システムの翻訳環境のイメージを示した概念図である。 本発明の別の態様の一実施例に係る、人工知能モジュール開発システムを直列に連結した多重型人工知能モジュール開発システムを示す概念図である。 本発明の別の態様の一実施例に係る、人工知能モジュール開発システムを直列に複数連結した多重型人工知能モジュール開発システムを示す概念図である。 本発明の別の態様の一実施例に係る、人工知能モジュール開発システムを並列に連結した多重型人工知能モジュール開発システムを示す概念図である。 本発明の別の態様の一実施例に係る、人工知能モジュール開発システムを並列に複数連結した多重型人工知能モジュール開発システムを示す概念図である。 本発明の別の態様の一実施例に係る、人工知能モジュール開発システムを直列及び並列に複数連結した多重型人工知能モジュール開発システムを示す概念図である。

以下、図面を参照して本発明を実施するための形態について説明する。なお、以下では本発明の目的を達成するための説明に必要な範囲を模式的に示し、本発明の該当部分の説明に必要な範囲を主に説明することとし、説明を省略する箇所については公知技術によるものとする。

図１は、本発明の一実施形態に係る人工知能モジュール開発システム１のハードウエア構成図である。人工知能モジュール開発システムのハードウエア構成は、人工知能モジュール開発システムに関する制御及び演算を行う中央演算装置１００１、人工知能モジュール開発システムに関わるデータやプログラムなどを記憶する記憶装置１００２、人工知能モジュール開発システムへの情報や信号の入力を行う、キーボード、タッチパネル、マイク、スイッチ、センサーなどの入力装置１００３、人工知能モジュール開発システムからの情報や信号の出力を行う、ディスプレイ、スクリーン、スピーカ、イヤホン、プリンタなどの出力装置１００４、人工知能モジュール開発システムを外部機器やネットワークに接続するためのインターフェース装置１００５などからなる。

このような人工知能モジュール開発システムとしては、各種サーバのほか、ＰＣ、タブレットなど、上記の構成を含むものであればよいし、また、全ての機能を一体化したシステムでなくても、一部を外付けの機器としたシステムであってもよい。更に、それらの機能を、クラウドコンピューティングにより構成してもよい。

図２は、本発明の一実施形態に係る人工知能モジュール開発システムの機能構成図であり、図１に示すようなハードウエア構成を用いて、このような機能が構成される。

同図に示されるように、本発明の一実施形態に係る人工知能モジュール開発システム１は、機能的には、データ入力インターフェースブロック１０と、データ前処理ブロック２０と、ニューラルネットワーク学習ブロック３０と、データ後処理ブロック４０と、人工知能モジュール出力インターフェースブロック５０とを具備する。

データ入力インターフェースブロック１０は、外部からシステムに学習用データＤを入力するためのインターフェースであり、ハードウエア構成上は、インターフェース装置１００５を中央演算装置１００１が制御することによりデータの入力のインターフェースを実現する。

データ前処理ブロック２０は、データ入力インターフェースブロック１０によって入力されるデータを解析に必要な形態に変換する前処理を行うための、データ前処理モジュールライブラリー２１とデータ前処理モジュール２２とを具備している。

データ前処理ブロック２０については、ハードウエア構成上は、記憶装置１００２に記憶されたデータ前処理モジュールライブラリー２１と中央演算装置１００１が実行するデータ前処理モジュール２２によってこれらの機能が実現される。なお、以下の機能ブロックについても、同様にハードウエア構成によってその機能が実現されるので、説明を省略する。

データ前処理モジュールライブラリー２１は、解析目的、例えば、時系列データによる異常検知、振動による異常検知、などのリストを保有し、更に、例えば、平均化、ＦＦＴ（フーリエ変換）、正規化、二値化、ラベル付けなどの前処理手段を備えている。なお、これらの手段の詳細については公知技術であるため、ここでは詳細な説明を省略する。

データ前処理モジュール２２は、解析目的を選択し、更に、入力されたデータに適合する前処理手段をデータ前処理モジュールライブラリー２１から選択し、入力されたデータに前処理を行う。

ニューラルネットワーク学習ブロック３０は、データ前処理ブロック２０で前処理されたデータを解析演算するための、学習前ニューラルネットワークライブラリー３１と、学習前ニューラルネットワーク設定モジュール３２と、ニューラルネットワーク学習方法設定ライブラリー３３と、ニューラルネットワーク学習実行モジュール３４と、学習後ニューラルネットワーク設定モジュール３５とを具備している。

学習前ニューラルネットワークライブラリー３１は、例えば、ＡＥ（自己符号化器）、ＣＮＮ（畳み込みニューラルネットワーク）、ＬＳＴＭ（ディープラーニングの原理処理）、Ｆ−ＣＮＮ（順伝番型ニューラルネットワーク）などの手段を備えている。なお、これらの手段の詳細については公知技術であるため、ここでは詳細な説明を省略する。

学習前ニューラルネットワーク設定モジュール３２は、解析目的と前処理されたデータとに適合する手段を、学習前ニューラルネットワークライブラリー３１から選択する。

ニューラルネットワーク学習方法設定ライブラリー３３は、例えば、学習回数、学習時間などの手段を備えている。

ニューラルネットワーク学習実行モジュール３４は、前処理された入力データを、ニューラルネットワーク学習方法設定ライブラリー３３から選択された手段に従って、学習を実行する。

学習後ニューラルネットワーク設定モジュール３５は、学習の結果として得られたニューラルネットワークを設定し、データ後処理モジュール４０に伝達する。

データ後処理ブロック４０は、ニューラルネットワーク学習ブロック３０によって出力される出力データを後処理するための、データ後処理モジュールライブラリー４１とデータ後処理モジュール４２とを具備している。

データ後処理モジュールライブラリー４１は、例えば、Ｋ−ｍｅａｎｓ、フィルタリング、閾値設定、ラベル付け、クラス分け、Ｉ−ＦＦＴ（高速フーリエ変換）などの手段を備えている。

データ後処理モジュール４２は、学習後ニューラルネットワーク設定モジュール３５で設定され、データ後処理ブロック４０に伝達された学習後のニューラルネットワークを、データ後処理モジュールライブラリー４１から選択された手段によって後処理を行う。

人工知能モジュール出力インターフェースブロック５０は、人工知能モジュール５１を外部に出力するためのインターフェースである。

なお、本発明に係る人工知能モジュール開発システムの各ライブラリーに貯蔵されるべき機能は上述したものに限定されるものではなく、従来の技術において理論化又は実施されている論理機能であれば全て対応できることは言うまでもなく、これらは全て本願の技術思想に含まれるものである。

次に、以上のように構成される本発明に係る人工知能モジュール開発システムの動作・作用について説明する。

図３は、本発明の一実施形態に係る人工知能モジュール開発システムの操作者側から見たフローチャートであり、図４−図９は、本発明の一実施形態に係る人工知能モジュール開発システムの操作者側から見た画面遷移図である。なお、図４−図８における細分化された図面については、同一画面であるものをスクロールなどの方法で表示していることを示すが、別画面に分けてもよい。

ここでは、人工知能モジュールにより解析する目的が時系列の異常検知である場合について説明する。まず、解析目的を選択させる（ステップＳ０１及び図４（ａ））。具体的には、プロジェクトが新規なものであるか、既存のものであるかを選択させ、新規なものである場合は、新規作成か、外部からのインポートであるかを選択させる。ここでは、新規プロジェクトの新規作成が選択されたとする。

このステップをハードウエア構成をもって説明すると、利用者に対して解析目的を規定するデータである解析目的情報の入力を促す第１の画面が出力装置１００４のスクリーンに表示され該入力された解析目的情報を記憶装置１００２に格納するように中央演算装置１００１を動作させる第１画面生成部を有している。

更に、解析目的が、異常検知のうち、時系列データか、振動か、トルクか、スペクトルかを選択する（図４（ｂ）−（ｃ））。ここでは、時系列データ、すなわち、電流・電圧・温度など時系列に変化するデータの異常検知が選択されたとする。

なお、解析目的としては、「時系列データの異常検知・予知保全」「モーターの振動の異常検知・予知保全」などのほか、「画像認識」、「異音に対応した異常検知・予知保全機能」などにも拡張可能である。

次に、解析目的に必要な学習用データを登録させる（ステップＳ０２及び図５）。具体的には、ＣＳＶ形式、ＡＩ ＵＮＩＴ、既存データの選択肢があり、ＣＳＶ形式は一般的に外部からの学習用データであり、ＡＩ ＵＮＩＴは外部の別ユニットが保有する学習用データ、既存データはこれまでに蓄積された既存のデータである。ここではＣＳＶ形式が選択されたとする（図５（ａ）−（ｂ））。

このステップをハードウエア構成に関連付けて説明すると、本発明の人工知能モジュール開発システムは、利用者に前記解析目的に必要な解析目的必要データの入力を促す第２の画面が出力装置１００４のスクリーンに表示され該入力された解析目的必要データを記憶装置１００２に格納するように中央演算装置１００１を動作させる第２画面生成部を有している。

すると、選択結果に応じて、必要なデータがアップロードされ、ディスプレイに表示される（図５（ｃ））。

次に、解析目的を達成する目標を設定させる（ステップＳ０３及び図６）。具体的には、異常検知に関して、正常異常振り分けを行うのか、異常種別の判別を行うのかを選択させる。ここでは正常異常振り分けが選択されたとする（図６（ａ））。

更に、異常データの判定について、異常データをオペレータに指定させるのか、異常データを自動判定するのかを選択させる。ここでは、自動判定が選択されたとする（図６（ｂ））。

このステップをハードウエア構成に関連付けて説明すると、本発明の人工知能モジュール開発システムは、利用者に解析目的を達成するにあたっての具体的な目標である解析目的達成目標を規定する解析目的達成目標データを設定させるための第３の画面が出力装置１００４のスクリーンに表示され該入力された解析目的達成目標データを記憶装置１００２に格納するように中央演算装置１００１を動作させる第３画面生成部を有している。

次に、登録されたデータを用いて解析目的及び目標に適合する学習の実行を指示させる（ステップＳ０４及び図７）。なお、異常検知のパターン数については、初期値では１００パターンが指定されており、変更がなければ１００パターンについて学習が実行される（図７（ａ））。なお、オペレータによってパターン数を変更させることも可能である。

学習中の進行状態は、図７（ａ）のように示され、終了すると図７（ｂ）のように表示される。

このステップをハードウエア構成に関連付けて説明すると、本発明の人工知能モジュール開発システムは、記憶装置１００２に格納された解析目的必要データを用いて解析目的及び解析目的達成目標に適合する学習を中央演算装置１００１に実行するように利用者が指示するのを受け付ける第４の画面が出力装置１００４のスクリーンに表示されるように中央演算装置１００１を動作させる第４画面生成部を有している。

次に、学習が完了したら、学習の結果として求められた人工知能モジュールを確認させる（ステップＳ０５及び図８）。具体的には、検知パターンごとに示される異常検知率などの結果を表示して確認させ、最適なものを選択させる（図８（ａ））。

なお、詳細データを表示させ、異常値によって区切られたヒストグラムを表示させることもできる（図８（ｂ）−（ｃ））。ここで、自動で定められている閾値（図中では異常値が０．０４）をドラッグ＆ドロップして変更することもできる。

このステップをハードウエア構成に関連付けて説明すると、本発明の人工知能モジュール開発システムは、中央演算装置１００１が学習を実行した結果である人工知能モジュールを出力装置１００２のスクリーンに表示し利用者が人工知能モジュールに対して確認を行った結果である確認情報を入力するのを受け付ける第５の画面が出力装置１００２のスクリーンに表示されるように中央演算装置１００１を動作させる第５画面生成部を有している。

最後に、選択された人工知能モジュールを含む学習結果を他の装置に組み込むことを指示させる（ステップ０６及び図９）。具体的には、装置を指定し、その装置に最適な学習結果などをインストールする。

このステップをハードウエア構成に関連付けて説明すると、本発明の人工知能モジュール開発システムは、確認情報が入力された人工知能モジュールを含む学習の結果を他の装置に組み込むようにするための指示を利用者から受け付けるための第６の画面が出力装置１００４のスクリーンに表示されるように中央演算装置１００１を動作させる第６画面生成部を有している。

次に、このような操作者側からのフローチャートに対応する人工知能モジュール開発システム側の動作を説明する。図１０は、本発明の一実施形態に係る人工知能モジュール開発システム１の工程を示したタイミング・フローチャートである。

まず、図４に示すように新規プロジェクトで時系列データの異常検知であることを指示する信号（Ｔ１）の入力を受ける。

すると、データ前処理モジュール２２が、データ前処理モジュールライブラリー２１から「時系列データの異常検知」であることを選択する。

更に、その選択の結果は、ニューラルネットワーク学習ブロック３０にも伝達され、学習前ニューラルネットワークライブラリー３１からの適切な手段を選択するために用いられる。

次に、図５に示すように学習用の入力データＤの登録をさせる信号（Ｔ２）、例えば、解析目的に必要なデータを、ＣＳＶ形式を選択して登録させることを指示する信号を受けて、データ前処理モジュール２２が、人工知能モジュール開発システム内の記憶部１００２（ＤＳ１）又は外部装置の記憶部６４（ＤＳ２）にデータのエクスポートを要求する信号（Ｔ３）を発し、学習用の入力データＤが人工知能モジュール開発システム１にインポートされる。

次に、図６に示すように、解析目的を達成する目標として、異常検知に関して、正常異常振り分けを行う、更に、異常データの判定について自動判定することを指示する信号（Ｔ４）を受けて、データ前処理モジュール２２が、その目標及びデータ前処理モジュールライブラリー２１から選択した適切な前処理手段により、インポートされたデータの前処理を行う。

引き続き、学習前ニューラルネットワーク設定モジュール３２が、前処理されたデータと選択された解析目的及び目標に応じて、学習前ニューラルネットワークライブラリー３１の中の、適切な学習前ニューラルネットワークを選択する。

次に、図７に示すように、パターン数などを指定しての学習を指示する信号（Ｔ５）を受けて、ニューラルネットワーク学習実行モジュール３４が、選択された学習前ニューラルネットワークに関して、ニューラルネットワーク学習方法設定ライブラリー３３から適切な学習方法を選択し、学習を実行し、各パターンでの学習結果をディスプレイに表示する。

次に、図８に示すように、表示された学習結果から、最適な学習済みニューラルネットワークの選択を指示する信号（Ｔ６）を受けて、学習後ニューラルネットワーク設定モジュール３５が最適な学習後ニューラルネットワークを決定する。

なお、必要があれば、データ後処理モジュール４２が、学習結果を確認する信号（Ｔ７）を受けて、学習済みニューラルネットワークに関して、データ後処理モジュールライブラリー４１から判定式（例：学習結果の良否、閾値）を選択することもできる。

例えば、学習結果のヒストグラムのしきい値を画面上でドラッグ＆ドロップして変更することで、正常・異常の判定基準を変更することができる（図８（ｃ））。

次に、図９に示すように、選択された人工知能モジュールを含む学習結果を外部の装置に組み込むことを指示する信号（Ｔ８）を受けて、外部装置６０を指定し、その外部装置６０に前処理方法、学習済みニューラルネットワーク、判定式を人工知能モジュール５１として構成して組み込む。

なお、一般的に、あらゆる製品に使用されている汎用マイコン（ＭＣＵ）は、言語の違いから、そのままでは今回選択された人工知能モジュール５１を読みこんで利用することができないので、当該人工知能モジュール５１が使用している言語から汎用マイコンが読むことができる言語に変換（翻訳）するミドルウェアが必要である。

図１０に示すように、解析の対象となる外部機器には、この翻訳ミドルウェア６１（翻訳器ともいう）を内包し提供することができ、このようにして、解析対象機器を含む人工知能モジュール開発統合システム２を実現することができる。

後処理が完了し構成された人工知能モジュール５１は解析目的対象の外部装置６０に予め準備した翻訳ミドルウェア６１へ輸送され解析目的対象内の制御器６２（ＣＰＵ等）で動作可能な形式に自動で変換され、翻訳済み人工知能モジュール６５として制御器６２に輸送される。制御器６２に輸送された翻訳済み人工知能モジュール６５は、解析目的対象に入力されるセンサーデータ６３に対して前記の該前処理を行い、該学習済みニューラルネットワークにより識別・判別を行い、その結果に対して該判定式で判定を行うことが可能となる。

図１１は、本発明の一実施形態に係る人工知能モジュール開発統合システム２の翻訳環境のイメージを示した概念図である。アプリケーション７１と人工知能モジュールを翻訳する翻訳ミドルウェア６１とオペレーションシステム７２はコンパイラ７３によりコンパイルされる。そしてソフトウェアとして翻訳ミドルウェア６１と共にアウトプットされ、汎用マイコン７４等にポーティングされる。

すなわち、人工知能モジュール５１は、専用のプログラム言語で作成されているため、翻訳ミドルウェア６１を評価対象のアプリケーションプログラム７１と一緒にコンパイルし事前にマイコン７４（ＭＰＵ）にポーティングすることで、汎用通信等で送信されてきた人工知能モジュール５１をＭＰＵ７４に実装した際に、自動で言語変換され人工知能モジュール５１を新たなアプリケーションとして使用する事が可能になる。

次に、本発明の人工知能モジュール開発システム１の別の態様について説明する。

図１２は、本発明の別の態様の一実施例に係る、人工知能モジュール開発システムを直列に連結した多重型人工知能モジュール開発システムを示す概念図である。同図に示されるように、本発明に係る人工知能モジュール開発システムは、人工知能モジュール開発システムを直列に複数連結した構成、すなわち、人工知能モジュール開発システムＸ２３１及び人工知能モジュール開発システムＹ２３２が直列に連接された構成をとることもでき、人工知能モジュール２９０が生成される。

このような直列連接の例としては、前列で開発される人工知能モジュールが画像認識に関する人工知能モジュールであり、後列で開発される人工知能モジュールがマニピュレータ（ロボットアーム）の動作に関する人工知能開発モジュールであるような場合が想定される。

この場合に、画像認識によって、対象の物体が何であり、どのような性状を有しているかを判断した後に、その結果を用いて、マニピュレータの動作に関する人工知能モジュールを開発することで、対象物体により適合した人工知能モジュールを実現することができる。

図１３は、本発明の別の態様の一実施例に係る、人工知能モジュール開発システムを直列に複数連結した多重型人工知能モジュール開発システムを示す概念図である。同図に示されるように、本発明に係る人工知能モジュール開発システムは、人工知能モジュール開発システムを直列に複数連結した構成、すなわち、人工知能モジュール開発システムＸ２３１１及び人工知能モジュール開発システムＹ２３２１が直列に連接された列１と、人工知能モジュール開発システムＸ２３１２及び人工知能モジュール開発システムＹ２３２２が直列に連接された列２とが並列に連接された構成をとることもできる。列１においては、人工知能モジュール開発システムＸ２３１１は、学習用データ入力工程１０１から、学習用データ前処理工程１０２、学習用データを学習前ニューラルネットワークに入力する工程１０３、学習する工程１０４、学習済みニューラルネットワークが生成され出力する工程１０５、学習済みニューラルネットワークが出力する値に対し後処理を施す工程１０６までを含み、人工知能モジュール開発システムＹ２３２１は学習用データ入力工程１０１〜工程１０６に加えて人工知能モジュール開発システム２３の出力工程１０７までを含んで構成される。直列前列の学習済みニューラルネットワークが出力する値に対し後処理を施す工程１０６のデータが直列後列の上記学習用データ入力工程１０１に入力されることが列１における特徴となっている。一方、列２においては、人工知能モジュール開発システムＸ２３１２は、学習用データ入力工程１０１〜工程１０５までを含み、人工知能モジュール開発システムＹ２３２１は学習用データ入力工程１０１〜出力工程１０７までを含んで構成される。直列前列の学習済みニューラルネットワークが生成され出力する工程１０５のデータが直列後列の上記学習用データ入力工程１０１に入力されることが列２における特徴となっている。

ここで、列１と列２とは、列１では、人工知能モジュール開発システムＸ２３１１において学習済みニューラルネットワーク出力工程１０５後の後処理工程１０６までを含み、列２では、人工知能モジュール開発システムＸ２３１２は、学習済みニューラルネットワーク出力工程１０５までである点で相違している。これは、先に述べた例で示すと、前列の画像認識結果を後処理まで行ってから、後列のマニピュレータ動作の人工知能モジュール開発の入力として用いる場合と、後処理をしないで後列のマニピュレータ動作の人工知能モジュール開発の入力として用いる場合とに相当する。

後処理まで行った方が後列の人工知能モジュール開発が容易になることもあるが、一方、後処理なしの方が後列の人工知能モジュール開発の自由度が増すことも考えられ、用途や必要な性能に応じて、いずれかを選択すればよい。

図１４は、本発明の別の態様の一実施例に係る、人工知能モジュール開発システムを並列に連結した多重型人工知能モジュール開発システムを示す概念図である。同図に示されるように、本発明に係る人工知能モジュール開発システムは、人工知能モジュール開発システムを並列に連結した構成、すなわち、人工知能モジュール開発システムＸ２３１及び人工知能モジュール開発システムＹ２３２が並列に連接された構成をとることもでき、人工知能モジュール２９０が生成される。

このような並列連接の例としては、人工知能モジュール開発システムＸ２３１で開発される人工知能モジュールが音声認識に関するものであり、知能モジュールであり、人工知能モジュール開発システムＹ２３２で開発される人工知能モジュールが画像認識に関するものであるような場合が想定される。

この場合に、音声認識により機械操作などの指示を判別する際に、画像認識によりその発声源が指示元として適切であるかどうかを、並行して判断するような人工知能モジュールを開発することができ、信頼度の高い人工知能モジュールを実現することができる。

図１５は、本発明の別の態様の一実施例に係る、人工知能モジュール開発システムを並列に複数連結した多重型人工知能モジュール開発システムを示す概念図である。同図に示されるように、本発明に係る人工知能モジュール開発システムは、人工知能モジュール開発システムを列１、列２、列３が並列に連結した構成をとる。列１においては、人工知能モジュール開発システムＸ２３１３は、学習用データ入力工程１０１〜出力工程１０７までを含み、列２においては、人工知能モジュール開発システムＹ２３２３は学習用データ入力工程１０１〜工程１０５までを含み、列３においては、人工知能モジュール開発システムＺ２３３３は学習用データ入力工程１０１〜工程１０６までを含んで構成され、人工知能モジュール２９３が生成される。

この図に示されるように、列２に係る人工知能モジュール開発システム２３２３の学習済みニューラルネットワークが生成され出力する工程１０５のデータが列１の人工知能モジュール開発システム２３１３の学習済みニューラルネットワークが出力する値に対し後処理を施す工程１０６に入力されること、及び列３に係る人工知能モジュール開発システム２３３３の学習済みニューラルネットワークが出力する値に対し後処理を施す工程１０６のデータが列１の人工知能モジュール開発システム２３１３の出力工程１０７に入力されることが特徴である。

図１６は、本発明の別の態様の一実施例に係る、人工知能モジュール開発システムを直列及び並列に複数連結した多重型人工知能モジュール開発システムを示す概念図である。同図に示されるように、本発明に係る人工知能モジュール開発システムは、人工知能モジュール開発システムＸ２３１４及び人工知能モジュール開発システムＹ２３２４が直列に連結して構成される列１と、単独の人工知能モジュール開発システムＺ２３３４にて構成される列２とが並列に連結した構成をとり、人工知能モジュール２９４が生成される。

上述したように、図１２〜図１６に示した人工知能モジュール開発システムの別の態様のように、多重型人工知能モジュール開発システムでは、上記各ステップを経て得られた人工知能モジュールを直列／並列に単数／複数連結して全体として１の人工知能モジュールを形成することで、より精密な成果を得ることが可能となる。

なお、これまでに述べた多重型人工知能モジュール開発システムにおいても、解析の対象となる外部機器６０に翻訳ミドルウェア６１を内包した、解析対象機器を含む人工知能モジュール開発統合システム２とすることも可能である。

これまで例として述べてきた製造業向けの異常検知用の人工知能モジュール開発システム及び人工知能モジュール開発統合システムによって開発される人工知能モジュールは、豊富な学習前ニューラルネットワークを有していること、オンプレミスで人工知能モジュールが開発できること、学習と外部機器での識別・判断がシームレスに接続されていることが、大きな特徴である。

また例えば、本発明の人工知能モジュール開発システムによって生成される人工知能モジュールは、製造業向け異常検知・予知保全用人工知能モジュール開発ツールとしてだけでなく、熟練者の技術を後継者に承継することを支援することもできる。

更に、このような人工知能モジュール開発システムは、具体的課題に適合させて、製造業における工場自動化・異常検知・予知保全・自動運転・自動設計等、人事総務部門における最適チーム予測・人事評価・退職予測・退学予測・スキル予測等、製薬業界における創薬・医療画像診断・疾病予測等、教育業界における学習支援・自動翻訳等、法曹界における判例検索・分類等、地図案内業務における経路最適化・地形任意式・燃料最適化・地図作成等、セキュリティ分野における侵入検知・不正サイト診断・不正アクセス検査・監視カメラ等、エネルギー分野における電力最適消費・太陽光発電予測・リモートセンシング等、土木建築分野における自動設計・防災・減災（耐震・制震）等、金融証券関係における株価予測・与信・各種金融指標予測等、農業関係における生産工場・最適環境予測等、防衛関係、マーケティング関係における販売予測・ユーザー行動予測・商圏分析等、サービス業界におけるエンターテイメント応用・Ｗｅｂ ＡＰＩ等にも応用が可能である。

以上のように本発明の一実施形態に係る人工知能モジュール開発システムの人工知能モジュール開発統合システムは、上記全行程を実現することができる人工知能の開発・運用を統合的にシームレスで行うことができる。つまり、ユーザー、解析目的対象、機能モジュールから生成される統合開発・運用システムである。

これまで述べたように、本発明に係る人工知能モジュール開発システムは、特定のデータ解析のためのニューラルネットワークを比較・選択して構成することができる。複数のニューラルネットワークを選択することもできるため、目的とするデータ解析に最も必要な形態のニューラルネットワークをライブラリーの中から選択することができ、それによる機械学習を繰り返すことにより出力する人工知能モジュールの解析精度は飛躍的に向上する。

また、本発明に係る人工知能モジュール開発システムは、学習前ニューラルネットワークと、学習データを学習するための学習システムと、学習後ニューラルネットワークと、ニューラルネットワークによる出力データを順位・選択・設定等のアルゴリズムによって処理し且つ判定する人工知能モジュールとをシステム内に内包するものである。

本発明に係る人工知能モジュール開発システムの人工知能モジュールは、各機械学習効果である出力結果を更に必要な後処理を実施し、且つ判定評価をし、結果を有効なものとして生成するように構成されている。また人工知能モジュールは、必要な前処理をデータに施すことも加味されている。本発明に係る人工知能モジュール開発システムの人工知能モジュールは、機械学習の全ての性能結果を集計して、性能比較統計を作成するように構成されている。人工知能モジュールによる判断・判定・結論の精度も飛躍的に向上させることができる。

本発明に係る人工知能モジュール開発システムは、機械学習の究極形態であるディープラーニング（深層学習）を含む機械学習技術を活用することで、今までの技術では解決が困難であった様々な業種の課題を解決することができる。画像データ解析だけでなく、多種多様な時系列数値データ解析、振動センサー解析、音響データ解析、動画解析、各種データに関する解析ができる。これらの豊富な解析実績を元に、未知の課題に対しても、迅速に、優れた解決方法の提案が可能になる。

以上に示すように、本発明の一実施形態に係る人工知能モジュール開発システムは、上記全工程を実現することができる人工知能の開発、統合をシームレスで行うことができる統合開発・運用システムとして実現されるものである。

なお、本発明は上述した実施形態に限定されるものではなく、本発明の主旨を逸脱しない範囲内で種々変更して実施することが可能である。これらはすべて、本技術思想の一部である。

本発明によれば、膨大なデータを任意に抽出し、そのデータがどのような判断を行うために必要なデータであるかをアルゴリズムのなかで認識判断し、必要な解析アルゴリズムを選択して自動解析、自動学習及びそれらに対する様々な補正処理を自動的に繰り返す人工知能を活用し、様々な具体的な社会事象に対して認識し、閾値までも設定し判断・判定するインフラストラクチャと呼べる人工知能の全体システムを提供することができる。

したがって、本発明は、ＩＴ産業に限定されることなく、あらゆる素材産業、用途産業に対しても、利用・適用可能である。よって、本願は、特に大がかりなデータ処理を伴う各種産業に対して大きな有益性をもたらすものである。

１ 人工知能モジュール開発システム
２ 人工知能モジュール開発統合システム
１０ データ入力インターフェースブロック
２０ データ前処理ブロック
２１ データ前処理モジュールライブラリー
２２ データ前処理モジュール
３０ ニューラルネットワーク学習ブロック
３１ 学習前ニューラルネットワークライブラリー
３２ 学習前ニューラルネットワーク設定モジュール
３３ ニューラルネットワーク学習方法設定ライブラリー
３４ ニューラルネットワーク学習実行モジュール
３５ 学習後ニューラルネットワーク設定モジュール
４０ データ後処理ブロック
４１ データ後処理モジュールライブラリー
４２ データ後処理モジュール
５０ 人工知能モジュール出力インターフェースブロック
５１ 人工知能モジュール
６０ 外部装置
６１ 翻訳ミドルウェア
６２ 制御器
６３ センサーデータ
６４ 記憶部
６５ 翻訳済み人工知能モジュール
１００１ 制御部
１００２ 記憶部
１００３ 入力部
１００４ 出力部
１００５ インターフェース部

Claims (9)

1. Ａ）データが入力されるためのデータ入力インターフェースブロックと、
   Ｂ）前記データ入力インターフェースブロックによって入力されるデータを解析に必要な形態に変換する前処理を行うための、データ前処理モジュールライブラリーとデータ前処理モジュールとを具備するデータ前処理ブロックと、
   Ｃ）前記データ前処理ブロックで前処理されたデータを解析演算するための、
   学習前ニューラルネットワークライブラリーと、
   学習前ニューラルネットワーク設定モジュールと、
   ニューラルネットワーク学習設定ライブラリーと、
   ニューラルネットワーク学習実行モジュールと、
   学習後ニューラルネットワーク設定モジュールと
   を具備するニューラルネットワーク学習ブロックと、
   Ｄ）前記ニューラルネットワーク学習ブロックによって出力される出力データを後処理するための、データ後処理モジュールライブラリーとデータ後処理モジュールとを具備するデータ後処理ブロックと、
   Ｅ）人工知能モジュールを出力するための人工知能モジュール出力インターフェースブロックと、
   を具備することを特徴とする人工知能モジュール開発システム。
2. 前記データ前処理モジュールは、解析目的別メニューから解析目的を選択させ、選択された解析目的を前記学習前ニューラルネットワーク設定モジュールへ転送することを特徴とする請求項１記載の人工知能モジュール開発システム。
3. 前記データ前処理モジュールは、前記データ入力インターフェースブロックを介して入力された学習用データを前処理し、前処理を施された該データを前記学習前ニューラルネットワーク設定モジュールに転送することを特徴とする請求項１記載の人工知能モジュール開発システム。
4. 前記学習前ニューラルネットワーク設定モジュールは、前記選択された解析目的によって、前記学習前ニューラルネットワークライブラリーから目的に適合する学習前ニューラルネットワーク及び学習方法を選択し、前記ニューラルネットワーク学習設定モジュールへ転送することを特徴とする請求項２記載の人工知能モジュール開発システム。
5. 前記ニューラルネットワーク学習設定モジュールは、前記選択された学習前ニューラルネットワークと、前記選択された学習方法と、前記データ前処理モジュールによって前処理された学習データとを用いて、学習を実行し、完了後、学習結果を、前記データ後処理モジュールに転送することを特徴とする請求項４記載の人工知能モジュール開発システム。
6. 前記データ後処理モジュールは、前記データ後処理モジュールライブラリーから、判定式を含むデータ後処理アルゴリズムを選択し、前記学習結果を判定することを特徴とする請求項５記載の人工知能モジュール開発システム。
7. 前記人工知能モジュールは、前記データ前処理モジュールが前処理で用いるために選択するデータ前処理アルゴリズム、前記ニューラルネットワーク学習設定モジュールが出力する学習済みのニューラルネットワーク、及び前記データ後処理モジュールが用いるために選択するデータ後処理アルゴリズムを含むことを特徴とする請求項１から請求項６のいずれか１項記載の人工知能モジュール開発システム。
8. 請求項１から請求項７のいずれか１項記載の人工知能モジュール開発システムが直列及び／または並列に複数連結されたことを特徴とする多重型人工知能モジュール開発システム。
9. 請求項１から請求項８のいずれか１項記載の人工知能モジュール開発システムと、
   前記人工知能モジュール開発システムによって得られた人工知能モジュールを他のプログラム言語に対応させるための翻訳ミドルウェアと、
   を有する人工知能モジュール開発統合システム。

Images