JP2020140226A - 汎用人工知能装置及び汎用人工知能プログラム - Google Patents

Abstract

【課題】 本発明は、ＡＩの経験が乏しいユーザであっても、ＡＩモデルを自ら調整することができる、人工知能装置及び人工知能プログラムの提供を目的とする。【解決手段】 人工知能装置１００は、学習データが入力されるデータ入力部１０と、データ入力部１０から提供された学習データを用いて、複数のＡＩモデルが学習及び予測を実行する学習予測部２０と、データ入力部１０から得られた学習データ、及び学習予測部２０から得られた予測データを解析して、データ構造を生成するデータ解析部３０と、データ解析部３０から得られたデータ構造を表示する表示部４０とを備える。【選択図】 図１

Description

本発明は、汎用人工知能装置及び汎用人工知能プログラムに関し、より詳細には、複数の人工知能モデルについて、学習データ構造のチェック機能を備えた汎用人工知能装置及び汎用人工知能プログラムに関する。

人工知能（ＡＩ）モデルの開発にあたって、従来は特定の予測対象について、専用のＡＩモデルがＰｙｔｈｏｎ等のプログラム言語を用いて個別に開発され、ＡIモデルのパラメータが調整（チューニング）されていた。このようなＡＩモデル開発及び調整は、専門的知識を有するエンジニアや一部の実務者に限定されていた。

一般的なＡＩモデルを開発する際は、予測対象データに対する実務的な知識に加え、ＡＩ技術に関する知識、プログラミング知識が必要である。仮に開発できたとしても、ＡＩモデルを調整（チューニング）することは一定の経験が必要であった。さらに、ＡＩの経験が乏しいユーザは、ＡＩモデルの機械学習において発生する過学習を見分けることが困難であった。なお、過学習とは、学習済みＡＩモデルが、学習データに必要以上のフィッテングをしてしまい、逆に未知のデータにはフィッティングしにくくなることで、未来の予測精度が落ちてしまう現象をいう。

さらに、ＡＩの経験が乏しいユーザは、学習済みＡＩモデルの予測結果を見ただけでは、ＡＩの学習に用いた学習データが予測に影響ある情報を持っているか否かを判別することは困難であった。

そこで、本発明は、ＡＩやプログラミングなど専門的な知識をもたないユーザであっても、簡単な操作で、ＡＩ予測ができ、ＡＩモデルを自ら調整することができる、人工知能装置及び人工知能プログラムの提供を目的とする。または、本発明は、ＡＩの経験が乏しいユーザであっても、学習済みＡＩモデルの予測結果に基づき、過学習が生じているかを判別可能な、人工知能装置及び人工知能プログラムの提供を目的とする。または、本発明は、ＡＩの経験が乏しいユーザであっても、ＡＩの学習に用いた学習データが予測に影響ある情報を持っているか否かを判別することができる、人工知能装置及び人工知能プログラムの提供を目的とする。

本発明の各態様は次の通りである。
（態様１）
人工知能モデルを用いて予測を実行する人工知能装置であって、
少なくとも学習データが入力されるデータ入力部と、
前記学習データを用いて、１つまたは複数の人工知能モデルによる学習及び予測を実行する学習予測部と、
前記学習データ、及び前記学習予測部が予測した予測データを用いて、データ構造を解析するデータ解析部とを備える、人工知能装置。

（態様２）
態様１に記載の人工知能装置において、
前記データ解析部は、前記データ構造に基づくイメージを生成する、人工知能装置。
（態様３）
態様１または２に記載の人工知能装置において、
前記学習データは、高次元データであり、
前記データ解析部は、前記高次元データの次元圧縮を実行する、人工知能装置。
（態様４）
態様３に記載の人工知能装置において、
前記データ解析部は、前記高次元データから２次元データ及び／または３次元データを生成する、人工知能装置。

（態様５）
態様４に記載の人工知能装置において、
前記データ解析部は、前記２次元データ及び／または３次元データに基づき、２次元グラフ及び／または３次元グラフを生成する、人工知能装置。
（態様６）
態様５に記載の人工知能装置において、
前記データ解析部は、前記２次元グラフ及び／または３次元グラフに含まれる前記データ構造を表す複数のクラスターを生成する、人工知能装置。
（態様７）
態様３乃至６のいずれか一項に記載の人工知能装置において、
前記次元圧縮は、ｔ−ＳＮＥにより実行される、人工知能装置。

（態様８）
態様１乃至７のいずれか一項に記載の人工知能装置において、
前記データ解析部は、前記学習データから複数の散布図を生成し、前記複数の散布図から構成されたマトリックスを生成する、人工知能装置。
（態様９）
態様１乃至８のいずれか一項に記載の人工知能装置において、
前記１つまたは複数の人工知能モデルは、ディープラーニングモデル、サポートベクターマシンモデル、ランダムフォレストモデルの少なくとも１つを含む、人工知能装置。
（態様１０）
態様１乃至９のいずれか一項に記載の人工知能装置において、
前記データ解析部が解析した前記データ構造を表示する表示部を含む、人工知能装置。

（態様１１）
態様１０に記載の人工知能装置において、
前記データ解析部は、前記１つまたは複数の人工知能モデルについて、調整可能パラメータ、予測精度、及び予測結果の少なくとも１つを前記表示部に表示する、人工知能装置。
（態様１２）
態様１１に記載の人工知能装置において、
前記予測精度は、学習精度、汎化精度の少なくとも１つを含む、人工知能装置。
（態様１３）
態様１乃至１２のいずれか一項に記載の人工知能装置において、
前記データ解析部による解析に用いた情報を記録する記録部を備える、人工知能装置。

（態様１４）
人工知能モデルを用いて予測を実行する人工知能装置を作動するための人工知能プログラムであって、
前記人工知能装置が、学習データを用いて、１つまたは複数の人工知能モデルの学習及び予測を実行する学習予測ステップと、
前記人工知能装置が、前記学習データ、及び前記学習予測ステップで予測された予測データを用いて、データ構造を解析するデータ解析ステップとを実行する、人工知能プログラム。

（態様１５）
態様１４に記載の人工知能プログラムにおいて、
前記人工知能装置が、前記データ構造に基づくイメージを生成するイメージ生成ステップを実行する、人工知能プログラム。
（態様１６）
態様１４または１５に記載の人工知能プログラムにおいて、
前記人工知能装置が、高次元データの前記学習データを２次元データまたは３次元データに次元圧縮を行う次元圧縮ステップを実行する、人工知能プログラム。
（態様１７）
態様１６に記載の人工知能プログラムにおいて、
前記人工知能装置が、前記２次元データ及び／または３次元データに基づき、２次元グラフ及び／または３次元グラフを生成するグラフ生成ステップを実行する、人工知能プログラム。
（態様１８）
態様１７に記載の人工知能プログラムにおいて、
前記前記人工知能装置が、前記２次元グラフ及び／または３次元グラフに含まれる前記データ構造を表す複数のクラスターを生成するクラスター生成ステップを実行する、人工知能プログラム。

本発明の人工知能装置及び人工知能プログラムは、ＡＩの経験が乏しいユーザであっても、データ解析部によって生成されたデータ構造を確認することにより、ＡＩ予測に有効な学習データの選別が可能となる。

本発明の実施形態に係る人工知能装置のブロック図である。 本発明の実施形態に用いる学習例及び予測結果を示す概念図である。 図１の表示部に表示されるデータ表示画面を示す画面構成図である。 図１の表示部に表示されるＡＩモデル調整画面を示す画面構成図である。 図１のパラメータ調整部が生成する３次元圧縮図を含む画面構成図である。 学習データを含む散布図のマトリックスを示す模式図である。 ３次元グラフ及び学習データが予測に影響ある情報を持っているか否かを判別する画面構成図である。 ２次元グラフ及び学習データが予測に影響ある情報を持っているか否かを判別する画面構成図である。

本発明の人工知能装置及び人工知能プログラムに関する実施形態を、図面を参照して説明する。

本発明の実施形態に係る人工知能装置１００は、図１のブロック図に示すように構成される。人工知能装置１００は、少なくとも学習データが入力されるデータ入力部１０と、データ入力部１０から得られた学習データを用いて、１つまたは複数のＡＩモデルが学習及び予測を実行する学習予測部２０と、データ入力部１０から得られた学習データ、及び学習予測部２０から得られた予測データを解析して、データ構造を生成するデータ解析部３０とから構成される。

さらに、人工知能装置１００は、ＡＩモデルの予測結果及びデータ解析部３０によって生成されたデータ構造等を表示する表示部（ディスプレイ）４０と、各種のパラメータ等を記憶する記憶部５０とを備えてもよい。人工知能装置１００は、一般的なパーソナルコンピュータに本実施形態の人工知能プログラムをインストールすることにより構成される。本実施形態の人工知能プログラムは、図１の各部の処理を実行するように構成されている。限定するものではないが、例えば、人工知能プログラムをＲ言語で構築することができる。

学習予測部２０は、１つまたは複数のＡＩモデルを有する。１つまたは複数のＡＩモデルは、例えば、ディープラーニング（深層学習）を用いて学習・予測を実行するディープラーニングモデル２２と、ランダムフォレストを用いて学習・予測を実行するランダムフォレストモデル２４と、サポートベクターマシンを用いて学習・予測を実行するサポートベクターマシンモデル２６と、の少なくとも１つまたは複数とすることができる。なお、各ＡＩモデルは、自らの予測結果の精度を評価するための精度評価データを有している。

ディープラーニングモデルとは、人間の脳神経（視神経）を模したモデルである。そのため、データ数の多い画像処理や音声処理にブレイクスルーをもたらす。一般的にニューロンが４層以上のものをディープラーニングと呼び、インプットデータの性質を各ニューロンで重み付けすることで、過去の局面を記憶する。しかし、ディープラーニングモデルの構造として多次元の多項式を最適化させているため、局所最適になり易く、ディープラーニングモデルのアウトプットが安定しない傾向が生じるという問題がある。一般的な解手段としては、複数の似たディープラーニングの予測を多数決で判定する方式（ソフトボート）などがある。本実施形態においては、ディープラーニングモデル２２の予測結果を、後述するように、データ構造の解析を実行するか、他のＡＩモデル（機械学習モデル）２４、２６との比較することで対処している。ディープラーニングモデルは、大量の学習データが必要なモデルである。

ランダムフォレストモデルとは、数百〜数千回ランダムサンプリングしたデータを決定木に当てはめ、それら算出結果を多数決または平均するものである、これによって、ランダムフォレストモデルは、ノイズに強く、パフォーマンスのよいモデルである。しかし、ランダムフォレストモデルは、少ないデータ数に対応可能である一方、複雑で数量が多いデータだと推定精度が落ちる傾向がある。

サポートベクターマシンモデルは、学習データを元々のデータ空間から高次元空間に写像し、その高次元空間上で線形データ解析を行うモデルである。上述したディープラーニングモデルでは局所最適問題があるため、推定が安定しない傾向にあるが、サポートベクターマシンモデルは大局的最適解となる傾向があるため、サポートベクターマシンモデルとディープラーニングモデルとを組み合わせて使うと効果的である。サポートベクターマシンモデルは、比較的広範囲のデータに使用可能である。

データ解析部３０は、学習データ、ディープラーニングモデル２２の予測結果、ランダムフォレストモデル２４の予測結果、及びサポートベクターマシンモデル２６の予測結果に基づき、データ構造の解析を実行する。データ解析部３０は、各モデル内部で計算される精度評価データに加え、予測結果が偶然にでてきたものか否かを、次に述べるデータ構造の観点からも分析する。

データ解析部３０は、学習データの構造チェック・スクリーニングを実行する。構造チェック・スクリーニングは、データ解析部３０が、各学習データの相関分布図を生成し表示部４０に表示すること（図６）、学習データの種別毎に、機械学習（ランダムフォレストモデル）の特徴量を算出し表示部４０に表示すること（図４）、高次元データを次元圧縮して表示部４０に表示すること（図７、図８）、の１または複数を実行することである。これによって、ユーザはデータ構造を視覚的に認識し、構造チェック及び学習データのスクリーニングが可能となる。

本実施形態において、高次元データの次元圧縮に、ｔ−ＳＮＥ（t-distributed Stochastic Neighbor Embedding)を用いた場合を説明する。データ解析部３０が、高次元データを次元圧縮し、機械学習の結果が判別できるデータ構造（低次元データ、好ましくは、２次元データまたは３次元データのグラフ）を生成することができる。次元圧縮されたデータ構造を参照すれば、ユーザは、適切なデータ構造となっているかを、視覚的または感覚的に確認することができる。なお、本実施形態において、高次元データとは、４以上の学習データ項目から構成される学習データをいい、低次元データとは、３以下のデータに次元圧縮されたデータをいうものとする。

ｔ−ＳＮＥとは、各データの類似度を確率分布で表現し、高次元データを低次元データに圧縮する手法である。本実施形態においては、各モデルの予測結果を、２次元または３次元に次元圧縮した状態で、表示部４０上にグラフに表示することにより、ユーザに観察可能としている。

データ解析部３０は、入力された学習データ、及び予測データから各ＡＩモデルが予測可能な学習データか否かを判定するための情報（図７、図８）を、表示部４０を介してユーザに表示することができる。

次に、本実施形態の人工知能装置１００及び人工知能プログラムが実行する、具体的な学習データ（関連データ）を用いた予測処理の概要を説明する。人工知能装置１００及び人工知能プログラムは、例えば、ある時点（ｔ＝Ｔ）の対象データの状態を予測するにあたって、過去（ｔ＝１〜Ｔ−１）の関連する学習データの値を学習する。

図２においては、予測対象データを北米ＣＤＳとし、２０１８年８月２４日の北米ＣＤＳの状態（上昇、下落、不変等）を過去の複数の関連データ（１〜１４）から予測する場合を示している。なお、ＣＤＳ（クレジット・デリバティブ・スワップ）とは、クレジット・デリバティブの一種で、社債や国債、貸付債権などの信用リスクに対して、保険の役割を果たすデリバティブ契約である。学習データは、２０１３年１月１日から２０１８年８月１７日までの週次において、北米ＣＤＳに関連する関連データ１〜１４が選択されている。

学習予測部２０は、ある時点の関連データと、その翌時点の北米ＣＤＳの状態（上昇、下落、不変等）との間のパターンに、一定の再現性がある場合、そのパターンを学習し、未来を予測する。図３は、表示部４０に表示されるデータ表示画面４２の一例である。データ表示画面４２には、関連データ（学習データ）及び予測データが表示される。データ解析部３０は、データ表示画面４２を表示部４０に表示するように制御する。データ表示画面４２において、横軸は関連データの項目または種別（ＥＵＲ ＣＤＳ、ＪＰＹ ＣＤＳ等）であり、縦軸は関連データが得られた時間ｔ（ｔ＝１〜Ｔ−１）、及び予想する時間Ｔを表す。関連データ領域１２Ａには、ＡＩモデル２２、２４、２６が予測に使用する各関連データ項目の過去の値（学習データ）が入力されている。関連データ領域１２Ｂには、ＡＩモデルが各関連データから予測した予測値（予測データ）が表示されている。本実施形態の人工知能装置１００は、図３に示すようなデータセットを用意するだけで、マーケットデータを用意せずに、予測を実行することができる。

データ表示画面４２において、過去の各時間（ｔ＝１〜Ｔ−１）における予測対象データ（北米ＣＤＳ）の実際の状態が、予測対象データの過去状態表示領域３４Ａに、上昇（Ｕ）または下降（Ｄ）として表示されている。予測対象データの予測状態表示領域３４Ｂは、図３では空欄であるが実際には上昇（Ｕ）または下降（Ｄ）等が表示されることになる。学習予測部２０は、各ＡＩモデルごとに、関連データ領域１２Ｂに表示された予測値を用いて、予測状態表示領域３４Ｂに表示するための予測状態が算出する。

図４は、人工知能装置１００及び人工知能ソフトウエアが備えるＡＩモデル調整画面４４の画面構成図である。ＡＩモデル調整画面４４は、各ＡＩモデルごとに、パラメータ調整領域３５と、予測精度表示領域３６と、予測結果表示領域３７とを有している。さらに、ＡＩモデル調整画面４４は、パラメータを保存するセーブボタン４６と、ディープラーニングモデルによる学習及び／または予測を実行するディープラーニング実行ボタン４８Ａと、サポートベクターマシンモデルによる学習及び／または予測を実行するサポートベクターマシン実行ボタン４８Ｂと、ランダムフォレストモデルによる学習及び／または予測を実行するランダムフォレスト実行ボタン４８Ｃとを備えている。セーブボタン３７で予測に使用したパラメータなどを記憶部５０に記憶することにより、その後の分析の際に読み出して活用することができる。

パラメータ調整領域３５は、各ＡＩモデルごとに調整可能なパラメータ名及びその選択状態が表示されている。選択状態の欄をクリックすると、選択可能な選択肢が表示される。パラメータ調整領域３５において、ブランクの部分は、自動で設定される項目である。

一般的にはサポートベクターマシンモデル２６は、パラメータの調整（チューニング）項目が少なく汎用性が高い。そこで、一定の精度がでるまで、ユーザは、サポートベクターマシンモデル２６のパラメータを調整することが好ましい。その後、ユーザは、ディープラーニングモデル２２の調整を行うと同モデルの過学習に気づきやすい。

予測精度表示領域３６には、各ＡＩモデルごとに、学習基準、学習精度、汎化精度、全データ数、汎化精度用データ数が表示される。学習精度は、学習データ内での精度を表す。汎化精度は、未学習データに対する精度を表す。

マーケットデータ（学習データ）に関しては、好ましくは学習精度及び汎化精度が６０％程度になることが理想的である。したがって、ユーザは、学習精度及び汎化精度が６０％程度になるようにパラメータを調整することができる。なお、学習精度が高く汎化精度が低い場合は、過学習の可能性があり、学習精度が低く汎化精度が高い場合は、今後の予測精度が低下する可能性がある。

図４の予測結果表示領域３７には、パラメータ調整領域６２で設定されたパラメータ、及び予測精度表示領域３６に表示された予測精度に基づく、予測の結果とその確度（信頼度）が表示されている。具体的には、ディープラーニングモデルとランダムフォレストモデルの確度は６０％を超えているため、ディープラーニングモデルとランダムフォレストモデルに関しては、「ｄ（下降）」の可能性が高いと表示される。

データ解析部３０は、パラメータ調整領域３５でパラメータが変更されると、変更後のパラメータを各ＡＩモデルに適用する。データ解析部３０は、各ＡＩモデルから得られた予測精度データを予測精度表示領域３６に表示する。データ解析部３０は、各ＡＩモデルから得られた予測結果及び確度を予測結果表示領域３７に表示する。

図５は、データ解析部３０が生成したデータ構造（３次元グラフ）を含む３次元表示画面４００である。図５の３次元グラフを参照すれば、ユーザはデータ構造を立体的に把握できるとともに、３次元グラフに付与された複数のクラスター４０３により学習データのまとまり（関連性大）を視覚的に把握することができる。なお、ＡＩモデルを用いて適切な予測結果を得るためには、予測対象と関連性のある学習データを選ぶ必要があるため、グラフ表示及びクラスター表示は極めて有効である。ただし、本実施形態における学習データは時系列データを同一時点で比較していることに留意する必要がある。予測対象との関連性に疑義が生じた学習データについて、ユーザはデータ表示画面４２のサンプル期間ｔを変えるなどして、より適切なデータを選択することができる。

また、図５の３次元表示画面４００において、ペア表示ボタン４０２Ｃをユーザがクリックすると、図６（Ｍ）に示すような多数の散布図から構成されるマトリックスＭが表示される。図６（Ｍ）のマトリックスは、各学習データの項目または種類ごとに、相関関係を表示している。具体的には、縦軸及び横軸に沿って、図２の学習データの項目１〜１４及び予測データが対応する順序で配置されている。

図６（Ｍ）のマトリックスに含まれる散布図Ａは、図６（Ａ）に拡大表示される。図６（Ｍ）のマトリックスに含まれる散布図Ｂは、図６（Ｂ）に拡大表示される。図６（Ａ）の散布図によれば、米国社債スプレッドと米国ＣＤＳとは相関関係が強い（予測しやすい）ことから、従来型の線形回帰モデルなど平易なモデルでも予想可能なデータであることがユーザは視覚的に理解できる。図６（Ｂ）の散布図によれば、米国社債スプレッドとドル円ヘッジコストとは相関関係が弱い（予測しにくい）ものの、ドル円のヘッジコストの水準で構造変化していることが読み取れ、このようなデータは従来型の線形回帰モデルでは予測が難しいものの、ＡＩモデルならば予測できる可能性が高い。ユーザーはこのようなデータを視覚的に探して、モデルに学習させ、学習データの有効性を判別することができる。

図７及び図８を用いて、学習データ及び予測データの次元圧縮を用いたクラスター解析モードを説明する。図７には、３次元のクラスター解析画面４１０が示されている。データ解析部３０は、クラスター解析画面４１０を表示部４０に表示する。クラスター解析画面４１０は、ｔ−ＳＮＥパラメータ（３Ｄ）を調整する調整領域４１２を有している。調整領域４１２には、パラメータ調整表４１２Ａと、ｔ−ＳＮＥ（３Ｄ）調整ボタン４１２Ｂとが表示されている。パラメータ調整表４１２Ａには、クラスター用パラメータの値が変更可能に表示され、設定されたクラスター用パラメータに基づくエラー率も表示されている。データ解析部３０は、調整領域４１２に入力されたパラメータにしたがって、例えば、図２の学習例（学習データ）の複数の項目から構成される高次元データを３次元データに次元圧縮を行って、クラスター解析を実行する。クラスター解析の手順は、次の通りである。

ユーザは、第１ステップで調整領域４１２に表示されるクラスター用パラメータの値を変更する。次に、ユーザは、第２ステップでｔ−ＳＮＥ（３Ｄ）調整ボタン４１２Ｂをクリックすると、データ解析部３０は、調整領域４１２のエラー率を更新する。

さらに、ユーザが、第３ステップで、クラスター計算ボタン４１４をクリックすると、データ解析部３０が複数のクラスター４１３の計算を実行する。ユーザが、第４ステップで３次元グラフに変更したパラメータ及び計算した複数のクラスターを反映するための反映ボタン４１６をクリックすると、データ解析部３０は、変更したパラメータに基づき３次元グラフを生成するとともに、各クラスターに所定範囲のデータが入る範囲を計算し、その範囲をクラスター４１３として、クラスター解析画面４１０の３次元グラフ上に表示する。前記所定範囲は、好ましくは５５〜６５％、より好ましくは約６０％とすることができる。そして、ユーザは、パラメータ変更部４１２Ａのエラー率が１以下かつ以３次元グラフに示される複数のクラスター４１３がある程度分離できている状況になるまで、第１ステップから第４ステップを繰り返す。

データ解析部３０は、各クラスターに属する予測データについて状態（ｄ（下降）かｕ（上昇）等）の割合と、予想対象がどのクラスターに属しているかを判別して表示することもできる。ユーザは、図７の比較表４１８に基づき、クラスターによる判別結果をＡＩモデルの予測と比較して、ＡＩの正当性の参考にすることができる。データ解析部３０は、クラスターの情報及びＡＩモデルの予想結果に基づき、比較表４１８を生成する。

図８には、２次元のクラスター解析画面４２０が示されている。データ解析部３０は、クラスター解析画面４２０を表示部４０に表示する。クラスター解析画面４２０は、ｔ−ＳＮＥパラメータ（２Ｄ）を調整する調整領域４２２を有している。調整領域４２２には、パラメータ調整表４２２Ａと、ｔ−ＳＮＥ（２Ｄ）調整ボタン４２２Ｂとが表示されている。パラメータ調整表４２２Ａには、クラスター用パラメータの値が変更可能に表示され、設定されたクラスター用パラメータに基づくエラー率も表示されている。データ解析部３０は、クラスター用パラメータにしたがって、例えば、図２の学習例（学習データ）の複数の項目から構成される高次元データを２次元データに次元圧縮を行って、クラスター解析を実行する。クラスター解析の手順は、図７の場合と同じである。

本発明の実施形態に係る人工知能プログラムは、好ましくはＲ言語で記載することができる。マイクロソフトエクセル（登録商標）において、Ｒ言語の動作、及び学習データの入力、予測データの出力を規定し、エクセルシートから図３〜図８の画面を構成することもできる。これによって、コンピュータにＲ言語及びマイクロソフトエクセルをインストールして、エクセルを起動すれば、全てエクセルシート上の操作で様々な予測対象のＡＩを用いた予測が可能となる。

本発明の実施形態の人工知能装置及び人工知能プログラムは、３種の性質の異なった機械学習メソッドを予測し、予測結果（数値）を比較することにより、ＡＩの経験が乏しいユーザでも比較的容易に過学習を見分けることができることに加え、データ数の少ないものやマーケットデータ以外のものなど様々なデータに適用可能となる。

本発明の実施形態の人工知能装置及び人工知能プログラムは、ＡＩモデルが有する学習データが予測に影響のある情報を持っているか否かを、ＡＩモデルが予測した予測データから判定するデータ解析部を備えている。これによって、本発明の実施形態の人工知能装置及び人工知能プログラムによれば、ＡＩ経験が乏しいユーザであっても、問題とされているＡＩのブラックボックス化を避けるとともに、予測に適切な学習データの選別が可能となる。

１００ 人工知能装置
１０ 入力部
２０ 学習予測部
２２ ディープラーニングモデル
２４ ランダムフォレストモデル
２６ サポートベクターマシンモデル
３０ データ解析部
４０ 表示部
５０ 記憶部

Claims (18)

1. 人工知能モデルを用いて予測を実行する人工知能装置であって、
   少なくとも学習データが入力されるデータ入力部と、
   前記学習データを用いて、１つまたは複数の人工知能モデルによる学習及び予測を実行する学習予測部と、
   前記学習データ、及び前記学習予測部が予測した予測データを用いて、データ構造を解析するデータ解析部とを備える、人工知能装置。
2. 請求項１に記載の人工知能装置において、
   前記データ解析部は、前記データ構造に基づくイメージを生成する、人工知能装置。
3. 請求項１または２に記載の人工知能装置において、
   前記学習データは、高次元データであり、
   前記データ解析部は、前記高次元データの次元圧縮を実行する、人工知能装置。
4. 請求項３に記載の人工知能装置において、
   前記データ解析部は、前記高次元データから２次元データ及び／または３次元データを生成する、人工知能装置。
5. 請求項４に記載の人工知能装置において、
   前記データ解析部は、前記２次元データ及び／または３次元データに基づき、２次元グラフ及び／または３次元グラフを生成する、人工知能装置。
6. 請求項５に記載の人工知能装置において、
   前記データ解析部は、前記２次元グラフ及び／または３次元グラフに含まれる前記データ構造を表す複数のクラスターを生成する、人工知能装置。
7. 請求項３乃至６のいずれか一項に記載の人工知能装置において、
   前記次元圧縮は、ｔ−ＳＮＥまたは主成分分析により実行される、人工知能装置。
8. 請求項１乃至７のいずれか一項に記載の人工知能装置において、
   前記データ解析部は、前記学習データから複数の散布図を生成し、前記複数の散布図から構成されたマトリックスを生成する、人工知能装置。
9. 請求項１乃至８のいずれか一項に記載の人工知能装置において、
   前記１つまたは複数の人工知能モデルは、ディープラーニングモデル、サポートベクターマシンモデル、ランダムフォレストモデルの少なくとも１つを含む、人工知能装置。
10. 請求項１乃至９のいずれか一項に記載の人工知能装置において、
    前記データ解析部が解析した前記データ構造を表示する表示部を含む、人工知能装置。
11. 請求項１０に記載の人工知能装置において、
    前記データ解析部は、前記１つまたは複数の人工知能モデルについて、調整可能パラメータ、予測精度、及び予測結果の少なくとも１つを前記表示部に表示する、人工知能装置。
12. 請求項１１に記載の人工知能装置において、
    前記予測精度は、学習精度、汎化精度の少なくとも１つを含む、人工知能装置。
13. 請求項１乃至１２のいずれか一項に記載の人工知能装置において、
    前記データ解析部による解析に用いた情報を記録する記録部を備える、人工知能装置。
14. 人工知能モデルを用いて予測を実行する人工知能装置を作動するための人工知能プログラムであって、
    前記人工知能装置が、学習データを用いて、１つまたは複数の人工知能モデルの学習及び予測を実行する学習予測ステップと、
    前記人工知能装置が、前記学習データ、及び前記学習予測ステップで予測された予測データを用いて、データ構造を解析するデータ解析ステップとを実行する、人工知能プログラム。
15. 請求項１４に記載の人工知能プログラムにおいて、
    前記人工知能装置が、前記データ構造に基づくイメージを生成するイメージ生成ステップを実行する、人工知能プログラム。
16. 請求項１４または１５に記載の人工知能プログラムにおいて、
    前記人工知能装置が、高次元データの前記学習データを２次元データまたは３次元データに次元圧縮を行う次元圧縮ステップを実行する、人工知能プログラム。
17. 請求項１６に記載の人工知能プログラムにおいて、
    前記人工知能装置が、前記２次元データ及び／または３次元データに基づき、２次元グラフ及び／または３次元グラフを生成するグラフ生成ステップを実行する、人工知能プログラム。
18. 請求項１７に記載の人工知能プログラムにおいて、
    前記前記人工知能装置が、前記２次元グラフ及び／または３次元グラフに含まれる前記データ構造を表す複数のクラスターを生成するクラスター生成ステップを実行する、人工知能プログラム。