JP2019040543A - 情報処理システムおよびプログラム - Google Patents

Abstract

【課題】人工知能を用いて他者をシミュレートすることが出来るシステムの提供。【解決手段】サーバは、一般的なデータを収集しビッグデータ分析し機械学習した結果である汎用データ学習結果と特定の個人の個人的なデータを収集しビッグデータ分析し機械学習した結果である個人データ学習結果とが記憶された記憶部と、ユーザからの働きかけをトリガとして検知するトリガ処理部と、トリガとして検知された働きかけの内容を、汎用データ学習結果を用いて、推論により行うべきタスクとして認識するタスク認識部と、汎用データ学習結果を生成する汎用データ学習部と、汎用データ学習結果を用いて推論を行い、個々人に依存しない一般的な処理を実行する一般的処理実行部と、個人データ学習結果を用いて推論を行い、特定の個人に依存する個人的な処理を実行する個人的処理実行部と個人データ学習結果を外部から取得する個人データ学習結果取得部とを備える。【選択図】図５

Description

本発明は、人工知能を用いて他者をシミュレートする情報処理システムおよびプログラムに関する。

近年、人工知能に関する様々な問題を解決するための工夫がなされてきた。

例えば、特許文献１において開示されている技術は、人間が蓄積してきた正しい知識を源泉として知識体系を構築し、全ての処理過程における処理状況も人間が理解できる形で表示することが可能なシステムとなっているので「記号接地問題」を解決した「暴走しない人工知能」の実現が可能である、というものである。

特開２０１６−４０７３０号公報

しかし、これまでの人工知能は、ユーザーの情報を収集して個々のユーザーのニーズに合った補助を行うことは出来たが、他者をシミュレートすることは出来なかった。

以上のような事情に鑑み、本発明の目的は、人工知能を用いて他者をシミュレートすることが出来る情報処理システムおよびプログラムを提供することにある。

上記目的を達成するため、本発明の一形態に係る情報処理システムは、ネットワーク接続されたサーバーと端末装置とを含み、前記サーバーは、一般的なデータを広く収集可能なクラウド上にあり、前記端末装置と通信可能な通信部と、一般的なデータを収集しビッグデータ分析し機械学習した結果である汎用データ学習結果と特定の個人の個人的なデータを収集しビッグデータ分析し機械学習した結果である個人データ学習結果とが記憶された記憶部と、ユーザーからの働きかけをトリガーとして検知するトリガー処理部と、トリガーとして検知された前記働きかけの内容を、前記汎用データ学習結果を用いて、推論により行うべきタスクとして認識するタスク認識部と、前記汎用データ学習結果を生成する汎用データ学習部と、前記汎用データ学習結果を用いて推論を行い、個々人に依存しない汎用的、一般的な処理を実行する一般的処理実行部と、前記個人データ学習結果を用いて推論を行い、前記特定の個人に依存する個人的な処理を実行する個人的処理実行部と前記個人データ学習結果を外部から取得する個人データ学習結果取得部とを備える。

そのため、人工知能を用いて他者をシミュレートすることが出来る。

上記目的を達成するため、本発明の一形態に係るプログラムは、ネットワーク接続されたサーバーと端末装置とを含んだ情報処理システムにおいて稼働するプログラムであって、ユーザーからの働きかけをトリガーとして検知するトリガー処理部、トリガーとして検知された前記働きかけの内容を、一般的なデータを収集しビッグデータ分析し機械学習した結果である汎用データ学習結果を用いて、推論により行うべきタスクとして認識するタスク認識部、前記汎用データ学習結果を生成する汎用データ学習部、前記汎用データ学習結果を用いて推論を行い、個々人に依存しない汎用的、一般的な処理を実行する一般的処理実行部、特定の個人の個人的なデータを収集しビッグデータ分析し機械学習した結果である個人データ学習結果を用いて推論を行い、前記特定の個人に依存する個人的な処理を実行する個人的処理実行部、および前記個人データ学習結果を外部から取得する個人データ学習結果取得部として前記サーバーを稼働させる。

以上のように、本発明によれば、人工知能を用いて他者をシミュレートすることが出来る。

本発明の一実施形態に係る情報処理システム１００の全体構成図である。 サーバー１０が一般的なコンピューターにより構成される場合の構成図である。 情報処理システム１００における汎用データ学習処理の流れについて説明するためのフローチャートである。 情報処理システム１００の外部で行われる個人データ学習処理の流れについて説明するためのフローチャートである。 情報処理システム１００においてユーザーから働きかけがあった場合の全般的な処理の流れについて説明するためのフローチャートである。 ユーザーが情報処理システム１００に対して問いかけた質問に対して回答する場合の処理について説明するためのフローチャートである。 ユーザーが行った報告に対して質問する場合の処理について説明するためのフローチャートである。 受け付けたドキュメントに対するレビューを行う場合の処理について説明するためのフローチャートである。

以下、図面を参照しながら、本発明の実施形態を説明する。

［概要］
最初に、概要について説明する。

従来のＡＩ（Artificial Intelligence）アシスタントは、クラウドサービスとして提供されているため、多くの人の行動を学習することができ、ユーザーによるアップデートがなくとも、提供するサービスの精度を高めたり、機能を高めたりすることが出来る。一方で、特定の個人（他者）のそれまでの行動や経験に応じた振る舞いは出来なかった。

また、ｂｏｔの場合も同様に特定の個人のそれまでの行動や経験に応じた振る舞いをするものではない。

すなわち、従来のＡＩアシスタントもｂｏｔも、特定の個人とは別の人格として扱われるため、特定の個人だったらどうするかの判断を行う事は出来ず、特定の個人の代わりとはならなかった。

本発明では、ＡＩシステムが、特定の個人のそれまでの行動や経験などを機械学習し、汎用データを用いた機械学習による学習結果に加えて、個人データをベースとした機械学習の学習結果を他から取得し、取得した個人データ学習結果を用いて推論を行うことにより、あたかも特定の個人（他者）のように振る舞い、特定の個人の代わりとなることが出来る。

以上、概要について説明した。

［全体構成］
次に、本発明の一実施形態に係る情報処理システム１００の全体構成について説明する。図１は本発明の一実施形態に係る情報処理システム１００の全体構成図である。

情報処理システム１００は、ネットワーク接続された、クラウド上のサーバー１０と、各ユーザーがそれぞれ使用するＰＣ（Personal Computer、端末装置）２０などを含んで構成される。

サーバー１０はクラウド上にあり、ユーザーＡからユーザーＥの各ＰＣ２０および他の機器から一般的なデータを汎用データとして広く収集し、収集したデータをビッグデータ分析し機械学習して得られた汎用データ学習結果を保持している。

ユーザーＡからユーザーＥは、自身のＰＣ２０を介してサーバー１０にアクセスする。

サーバー１０は、自身で集めた汎用データ学習結果と外部から取得したユーザーＦの個人データ学習結果の両方を用いて推論を行うことにより、ユーザーＦの代わりとして振る舞うことが出来るようになる。別の言い方をすれば、ユーザーＦシミュレーターと呼ぶことも出来る。

以上のように、情報処理システム１００では、推論時に、汎用データ学習結果を用いて一般的な意味推論を行い、個人データ学習結果を用いて特定の個人に応じた意味推論を行う。

以上、全体構成について説明した。

［サーバーの構成］
次に、サーバー１０の構成について説明する。サーバー１０は、専用のハードウェアやソフトウェアにより構成されていてもよいし、一般的なコンピューターにより構成されてもよい。サーバー１０が一般的なコンピューターにより構成される場合の構成図を図２に示す。

同図に示すように、サーバー１０は、ＣＰＵ（Central Processing Unit）１１、ＲＯＭ（Read Only Memory）１２、ＲＡＭ（Random Access Memory）１３、操作入力部１４、通信部１５、表示部１６、および記憶部１７を有し、これら各ブロックがバス１８を介して接続されている。

ＲＯＭ１２は、各種の処理を実行するためのファームウェア等の複数のプログラムやデータを記憶する。ＲＡＭ１３は、ＣＰＵ１１の作業用領域として用いられ、ＯＳ（Operating System）、実行中の各種アプリケーション、処理中の各種データを一時的に保持する。

記憶部１７は、例えばＨＤＤ（Hard Disk Drive）や、フラッシュメモリー、その他の不揮発性メモリーである。記憶部１７には、ＯＳや各種アプリケーション、各種データ、汎用データ学習結果１７ａ、および個人データ学習結果１７ｂが記憶される。

汎用データ学習結果１７ａには、サーバー１０により収集された汎用データをビッグデータ分析および機械学習させた結果が格納されている。

個人データ学習結果１７ｂは、外部から取得された、ユーザーＦの個人データをビッグデータ分析および機械学習させた結果である。

通信部１５は、ネットワーク上のＰＣ２０等と情報のやりとりを行う為のネットワークと結ばれている。

ＣＰＵ１１は、ＲＯＭ１２や記憶部１７に格納された複数のプログラムのうち、操作入力部１４から与えられる命令に対応するプログラムをＲＡＭ１３に展開し、この展開されたプログラムにしたがって、表示部１６及び記憶部１７を適宜制御する。

操作入力部１４は、例えばマウス等のポインティングデバイス、キーボード、タッチパネル、その他の操作装置である。

表示部１６は、例えば液晶ディスプレイ、ＥＬ（Electro-Luminescence）ディスプレイ、プラズマディスプレイ等である。

次に、ＣＰＵ１１においてプログラムが実行されることにより実現される機能ブロックについて説明する。

サーバー１０のＣＰＵ１１において実現される機能ブロックは、トリガー処理部１１ａ、タスク認識部１１ｂ、汎用データ学習部１１ｃ、一般的処理実行部１１ｄ、個人的処理実行部１１ｅ、および個人データ学習結果取得部１１ｆである。

トリガー処理部１１ａは、ユーザーからの働きかけ、具体的には、会話の開始などをトリガーとして検知する。

タスク認識部１１ｂは、トリガーとして検知されたユーザーからの働きかけの内容を、汎用データ学習結果１７ａを用いて、推論により行うべきタスクとして認識する。

汎用データ学習部１１ｃは、広く収集した一般的なデータをビッグデータ分析し機械学習して汎用データ学習結果１７ａを生成する。

一般的処理実行部１１ｄは、汎用データ学習結果１７ａを用いて推論を行い、個々人に依存しない汎用的、一般的な処理を実行する。

個人的処理実行部１１ｅは、個人データ学習結果１７ｂを用いて推論を行い、個人に依存する個人的な処理を実行する。

個人データ学習結果取得部１１ｆは、情報処理システム１００の外部から、特定の個人に関する個人データ学習結果１７ｂを取得する。

以上、サーバー１０の構成について説明した。

［処理の流れ（汎用データ学習処理）］
次に、情報処理システム１００における汎用データ学習処理の流れについて説明する。図３は、情報処理システム１００における汎用データ学習処理の流れについて説明するためのフローチャートである。

まず、サーバー１０上の汎用データ学習部１１ｃが、汎用的な一般データを広く収集する（ステップＳ１）。

次に、汎用データ学習部１１ｃが、収集した一般データ（生データ）に対しビッグデータ分析を行う（ステップＳ２）。

次に、汎用データ学習部１１ｃが、ビッグデータ分析結果に対し、機械学習を行う（ステップＳ３）。

次に、汎用データ学習部１１ｃが、機械学習の結果を用いて汎用データ学習結果を更新する（ステップＳ４）。

次に、ステップＳ１に戻り処理を継続する。

このように、上述した汎用データ学習処理は、他の処理から独立して継続的に実行される。そのため、情報処理システム１００に対する依頼の内容を理解するための理解力を継続的に向上させることが出来る。

以上、情報処理システム１００における汎用データ学習処理の流れについて説明した。

［処理の流れ（個人データ学習処理）］
次に、情報処理システム１００の外部で行われる個人データ学習処理の流れについて説明する。図４は、情報処理システム１００の外部で行われる個人データ学習処理の流れについて説明するためのフローチャートである。

まず、ユーザーの個人的なデータが収集される（ステップＳ５）。なお、ここでいう個人データとは、例えば、ユーザー自身が作成したドキュメントやメールの文面、ユーザーが行った会話のデータ、ユーザーの行動の傾向など様々なデータを想定する。

次に、収集された個人データ（生データ）に対しビッグデータ分析が行われる（ステップＳ６）。

次に、ビッグデータ分析結果に対し、機械学習が行われる（ステップＳ７）。

次に、機械学習の結果は個人データ学習結果１７ｂとして保存される（ステップＳ８）。

次に、ステップＳ５に戻り処理を継続する。

以上、情報処理システム１００の外部で行われる個人データ学習処理の流れについて説明した。なお、上記で説明した個人データ学習処理の流れは一例であり、別の方法によって個人データ学習結果を得てもよい。

［処理の流れ（全般的な処理）］
次に、情報処理システム１００においてユーザーから働きかけがあった場合の全般的な処理の流れについて説明する。図５は、情報処理システム１００においてユーザーから働きかけがあった場合の全般的な処理の流れについて説明するためのフローチャートである。なお、より具体的な処理については後述する。

まず、トリガー処理部１１ａが、トリガーであるユーザーからの働きかけを検知したか否かを判断する（ステップＳ１０）。

トリガーを検知していない場合（ステップＳ１０のＮ）、ステップＳ１０に戻り待機する。

トリガーを検知した場合（ステップＳ１０のＹ）、次に、タスク認識部１１ｂが、汎用データ学習結果１７ａを用いて、ユーザーからの働きかけの内容を理解し、行うべきタスクを認識する（ステップＳ１１）。

次に、一般的処理実行部１１ｄが、汎用データ学習結果１７ａを用いた推論により、個々人に依存しない一般的な処理を実行する（ステップＳ１２）。

次に、個人的処理実行部１１ｅが、個人データ学習結果１７ｂを用いた推論により、個人に依存する個人的な処理を実行する（ステップＳ１３）。

次に、個人的処理実行部１１ｅが、成果物を出力する（ステップＳ１４）。

以上、情報処理システム１００においてユーザーから働きかけがあった場合の全般的な処理の流れについて説明した。

［処理の流れ（質問に対する回答タスクの場合）］
次に、より具体的な処理の流れについて説明する。ここではユーザーが情報処理システム１００に対して問いかけた質問に対して回答する場合の処理について説明する。図６は、ユーザーが情報処理システム１００に対して問いかけた質問に対して回答する場合の処理について説明するためのフローチャートである。

まず、トリガー処理部１１ａが、ユーザーとの会話等から質問を受け付ける（ステップＳ２０）。

次に、タスク認識部１１ｂが、汎用データ学習結果１７ａを用いて推論し、受け付けた質問内容の理解と、質問に対する回答タスクの認識を行う（ステップＳ２１）。

次に、個人的処理実行部１１ｅが、個人データ学習結果１７ｂを用いて推論し、ユーザーＦが行うであろう回答を作成する（ステップＳ２２）。

次に、個人的処理実行部１１ｅが、作成された回答を出力する（ステップＳ２３）。

次に、トリガー処理部１１ａが、ユーザーとの会話が終了したか否かを判断する（ステップＳ２４）。

ユーザーとの会話がまだ終了していない場合（ステップＳ２４のＮ）、ステップＳ２０に戻り処理を継続する。

ユーザーとの会話が終了している場合（ステップＳ２４のＹ）、処理を終了する。

以上のように、ユーザーは、情報処理システム１００を用いることにより、情報処理システム１００がシミュレートする他者の知見などから回答を得ることが出来る。

以上、ユーザーが情報処理システム１００に対して問いかけた質問に対して回答する場合の処理について説明した。

［処理の流れ（報告に対する質問タスクの場合）］
次に、ユーザーが行った報告に対して質問する場合の処理について説明する。図７は、ユーザーが行った報告に対して質問する場合の処理について説明するためのフローチャートである。

まず、トリガー処理部１１ａが、ユーザーによる報告を受け付ける（ステップＳ３０）。

次に、タスク認識部１１ｂが、汎用データ学習結果１７ａを用いて推論し、報告内容の理解と、報告内容に対する質問タスクの認識を行う（ステップＳ３１）。

次に、個人的処理実行部１１ｅが、個人データ学習結果１７ｂを用いて推論し、報告内容に対してユーザーＦが行うであろう質問を作成する（ステップＳ３２）。

次に、個人的処理実行部１１ｅが、作成された質問を出力する（ステップＳ３３）。

以上のように、情報処理システム１００は、ユーザーＦの特性に則して質問をユーザーに投げかける。そのため、実際にユーザーＦに対し報告を行い質疑応答を行う前に、想定質問を得ることが出来る。

以上、ユーザーが行った報告に対して質問する場合の処理について説明した。

［処理の流れ（ドキュメントレビュータスクの場合）］
次に、受け付けたドキュメントに対するレビューを行う場合の処理について説明する。図８は、受け付けたドキュメントに対するレビューを行う場合の処理について説明するためのフローチャートである。

まず、トリガー処理部１１ａが、レビューするドキュメントを受け付ける（ステップＳ４０）。

次に、タスク認識部１１ｂが、汎用データ学習結果１７ａを用いて推論し、受け付けたドキュメントの内容の理解と、レビュータスクの認識を行う（ステップＳ４１）。

次に、個人的処理実行部１１ｅが、個人データ学習結果１７ｂを用いて推論し、ユーザーＦが行うであろうレビューコメントの作成を行う（ステップＳ４２）。

次に、個人的処理実行部１１ｅが、作成されたレビューコメントを出力する（ステップＳ４３）。

以上のように、情報処理装置１００にレビューさせたいドキュメントを与えると、ユーザーＦの行うレビュー傾向、例えば、誤字脱字を厳しくチェックする傾向や、ドキュメントの本質的な意味を問う傾向などに沿ったレビューが行われる。

以上、受け付けたドキュメントに対してレビューを行う場合の処理について説明した。

［補足事項］
以上のように、本発明に係る情報処理システム１００は、ネットワーク接続されたサーバー１０と端末装置２０とを含み、前記サーバー１０は、一般的なデータを広く収集可能なクラウド上にあり、前記端末装置２０と通信可能な通信部１５と、一般的なデータを収集しビッグデータ分析し機械学習した結果である汎用データ学習結果１７ａと特定の個人の個人的なデータを収集しビッグデータ分析し機械学習した結果である個人データ学習結果１７ｂとが記憶された記憶部１７と、ユーザーからの働きかけをトリガーとして検知するトリガー処理部１１ａと、トリガーとして検知された前記働きかけの内容を、前記汎用データ学習結果１７ａを用いて、推論により行うべきタスクとして認識するタスク認識部１１ｂと、前記汎用データ学習結果１７ａを生成する汎用データ学習部１１ｃと、前記汎用データ学習結果１７ａを用いて推論を行い、個々人に依存しない汎用的、一般的な処理を実行する一般的処理実行部１１ｄと、前記個人データ学習結果１７ｂを用いて推論を行い、前記特定の個人に依存する個人的な処理を実行する個人的処理実行部１１ｅと前記個人データ学習結果１７ｂを外部から取得する個人データ学習結果取得部１１ｆとを備える。

そのため、人工知能を用いて他者をシミュレートすることが出来る。

その他、本発明は、上述の実施形態にのみ限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々変更を加え得ることは勿論である。

１０ … サーバー
１１ … ＣＰＵ
１１ａ… トリガー処理部
１１ｂ… タスク認識部
１１ｃ… 汎用データ学習部
１１ｄ… 一般的処理実行部
１１ｅ… 個人的処理実行部
１１ｆ… 個人データ学習結果取得部
１２ … ＲＯＭ
１３ … ＲＡＭ
１４ … 操作入力部
１５ … 通信部
１６ … 表示部
１７ … 記憶部
１７ａ… 汎用データ学習結果
１７ｂ… 個人データ学習結果
１８ … バス
１００ … 情報処理システム

Claims (2)

1. ネットワーク接続されたサーバーと端末装置とを含み、
   前記サーバーは、
   一般的なデータを広く収集可能なクラウド上にあり、
   前記端末装置と通信可能な通信部と、
   一般的なデータを収集しビッグデータ分析し機械学習した結果である汎用データ学習結果と特定の個人の個人的なデータを収集しビッグデータ分析し機械学習した結果である個人データ学習結果とが記憶された記憶部と、
   ユーザーからの働きかけをトリガーとして検知するトリガー処理部と、
   トリガーとして検知された前記働きかけの内容を、前記汎用データ学習結果を用いて、推論により行うべきタスクとして認識するタスク認識部と、
   前記汎用データ学習結果を生成する汎用データ学習部と、
   前記汎用データ学習結果を用いて推論を行い、個々人に依存しない汎用的、一般的な処理を実行する一般的処理実行部と、
   前記個人データ学習結果を用いて推論を行い、前記特定の個人に依存する個人的な処理を実行する個人的処理実行部と
   前記個人データ学習結果を外部から取得する個人データ学習結果取得部と
   を備えた
   情報処理システム。
2. ネットワーク接続されたサーバーと端末装置とを含んだ情報処理システムにおいて稼働するプログラムであって、
   ユーザーからの働きかけをトリガーとして検知するトリガー処理部、
   トリガーとして検知された前記働きかけの内容を、一般的なデータを収集しビッグデータ分析し機械学習した結果である汎用データ学習結果を用いて、推論により行うべきタスクとして認識するタスク認識部、
   前記汎用データ学習結果を生成する汎用データ学習部、
   前記汎用データ学習結果を用いて推論を行い、個々人に依存しない汎用的、一般的な処理を実行する一般的処理実行部、
   特定の個人の個人的なデータを収集しビッグデータ分析し機械学習した結果である個人データ学習結果を用いて推論を行い、前記特定の個人に依存する個人的な処理を実行する個人的処理実行部、および
   前記個人データ学習結果を外部から取得する個人データ学習結果取得部
   として前記サーバーを稼働させる
   プログラム。

Images