JP2021064099A - 情報処理装置、情報処理システム、学習モデルの生成方法、異常予測方法、およびプログラム - Google Patents

Abstract

【課題】精度の良い学習モデルを得ること。精度の良い学習モデルを行って精度の良い推論を行うこと。【解決手段】プリンタ６００は、センサ５００から得られた時系列のデータである時系列データのうち、プリンタ６００が稼働していることを示す条件を満たす時系列データを入力データとして選定する。クラウドサーバー２００は、第一時刻までの入力データと、第一時刻の後の第二時刻のセンサデータである教師データとに基づいて、第一時刻までの入力データを入力した場合に、第二時刻に対応する予測値を出力データとして出力するように学習された学習モデルを生成する。【選択図】図１２

Description

本発明は、情報処理装置、情報処理システム、学習モデルの生成方法、異常予想方法、およびプログラムに関する。

機械学習を用いて、装置の画像データまたはセンサデータから異常を予測する方法が提案されている。一般的に、機械学習を用いて装置の異常を予測するためには、学習時に、正常時のデータと異常時のデータとの両方が必要になる。しかしながら、装置の故障により発生する異常なデータは、収集される数が少なく、学習に十分なデータ数が集まらないことが多い。このような学習時の異常データ不足を解決するために、装置の正常時データのみを学習させたモデルを生成し、この生成したモデルに入力したデータの推論値と実際に観測された値との誤差を比較することにより、異常を予測する手法がある。

上記の手法を用いた異常予測として、特許文献１がある。特許文献１では、装置のセンサデータに対する予測値を出力する機械学習モデルと、そのモデルの予測誤差を入力とした相関モデルとを組み合わせ、異常予測する方法が記載されている。また、特許文献１では、学習時に使用する正常データは、装置が正常状態にあった全時系列センサデータの中で、基準時刻から一定期間内のデータのみを正常データとして学習させるようにしている。

特開２０１８−１１２８５２号公報

装置の中には、ユーザの操作を受け付けるまでは待機状態になっているような装置がある。このような装置においては、正常データには、待機状態のデータが大量に含まれることになる。このため、装置の稼働時において得られた入力データの推論精度が悪くなる。一方で、装置の待機状態において得られたデータを入力して推論を行っても異常を予測できる可能性は極めて低く、無駄な処理および通信が発生してしまう。また、ユーザ操作に応じて種々の稼働時間が可変となるような装置においては、特許文献１のように、所定時間内のデータを用いて学習をしても、適切な学習が行われない虞がある。

本発明の一態様に係る情報処理装置は、デバイスの状態を示す時系列のデータである時系列データを取得する取得手段と、前記取得手段で取得した時系列データのうち、前記デバイスが稼働していることを示す条件を満たす時系列データを入力データとして選定する選定手段と、前記選定手段によって選定された第一時刻までの前記入力データと、前記第一時刻の後の第二時刻の前記デバイスの状態を示すデータである教師データとに基づいて、前記第一時刻までの入力データを入力した場合に、前記第二時刻に対応する予測値を出力データとして出力するように学習された学習モデルを生成する生成手段と、を有することを特徴とする。

本発明によれば、精度の良い学習モデルを得ることができる。また、精度の良い学習モデルを行って精度の良い推論を行うことができる。

情報処理システムの構成を示す図。 クラウドサーバーおよびエッジサーバーの構成を示すブロック図。 プリンタの構成を示すブロック図。 情報処理システムのソフトウェア構成を示す図。 学習モデルおよび学習済モデルを利用する際の入出力の構造を示す概念図。 入力に用いられるデータを説明する図。 学習時の学習モデルの入出力の構造を示す図。 学習時に使用する学習用データの例を示す図。 異常状態の判定を行う構造を説明する図。 推論時の判定を含む推論処理のフローチャート図。 推論時の判定を含む推論処理のフローチャート図。 学習時の情報処理システム全体の動きを示すシーケンス図。 推論時の情報処理システム全体の動きを示すシーケンス図。 異常判定時の通知例を示す図。 データ選定処理およびデータ加工処理を示すフローチャート図。

以下、実施形態について、図面を参照して説明する。なお、以下の実施形態は本発明を限定するものではなく、また、本実施形態で説明されている特徴の組み合わせの全てが必須のものとは限らない。なお、同一の構成については、同じ符号を付して説明する。

＜＜第１実施形態＞＞
本実施形態では、異常を検出する対象の装置としてプリンタを用いる例を中心に説明する。プリンタは、例えば、ユーザ操作を受け付けるまでは装置が稼働せず、待機状態を維持している装置の一種である。このような装置においては、正常データには、装置が稼働していない待機時のデータが大量に含まれてしまう。プリンタにおいては、一般的に、ユーザ操作に基づいて装置が稼働して、処理（即ち、印刷処理）が行われる。このとき、ページ数、解像度、紙種、または印刷モードのような種々の設定によって稼働時間が可変になる。以下で説明する実施形態では、装置が正常な状態であり、かつ装置が稼働して処理が行われている場合のデータを用いて学習モデルを生成する例を説明する。また、生成された学習モデル（学習済モデルという）を用いて推論を行って得られたデータを用いて、装置の異常を判定する例を説明する。

＜システム構成＞
図１は、本実施形態における情報処理システム１００の構成を示す図である。情報処理システム１００は、ローカルエリアネットワーク１０２またはインターネット１０４で接続されたクラウドサーバー２００、エッジサーバー３００、およびデバイス４００を含む。デバイス４００には、ネットワーク接続が可能な各種装置が含まれる。例えばデバイス４００には、センサ５００、プリンタ６００、クライアント端末４０１、デジタルカメラ４０２、および音声入出力装置４０３などが挙げられる。クライアント端末４０１には、パーソナルコンピュータ、ワークステーション、スマートフォン、またはタブレットなどの各種端末が含まれる。ただし、デバイス４００は、これらの種類に限られるものではなく、例えば冷蔵庫、テレビ、もしくはエアコンなどの家電製品、工業製品、または製造装置などであってもよい。これらデバイス４００は、ローカルエリアネットワーク１０２で相互に接続され、ローカルエリアネットワーク１０２に設置されているルータ１０３を介してインターネット１０４と接続することが可能である。

図１において、ルータ１０３は、ローカルエリアネットワーク１０２とインターネット１０４とを接続する装置として示されている。しかしながら、ルータ１０３に、ローカルエリアネットワーク１０２を構成する無線ＬＡＮアクセスポイント機能を持たせることも可能である。この場合、各デバイス４００は、有線ＬＡＮでルータ１０３と接続する以外に、無線ＬＡＮでアクセスポイントと接続してローカルエリアネットワーク１０２に参加することができる。例えばプリンタ６００とクライアント端末４０１とは、有線ＬＡＮで接続し、プリンタ６００とセンサ５００とは、無線ＬＡＮで接続するように構成することも可能である。

各デバイス４００およびエッジサーバー３００は、ルータ１０３を介して接続されたインターネット１０４を経由してクラウドサーバー２００と相互に通信することが可能である。エッジサーバー３００と各デバイス４００とは、ローカルエリアネットワーク１０２を経由して相互に通信することが可能である。また、各デバイス４００同士もローカルエリアネットワーク１０２を経由して相互に通信することが可能である。また、センサ５００とプリンタ６００とは、近距離無線通信１０１によって通信可能である。近距離無線通信１０１としては、Ｂｌｕｅｔｏｏｔｈ（登録商標）規格またはＮＦＣ規格に則った無線通信を利用するものが考えられる。尚、図１に示す構成は、一例を示すものであって、異なる構成を採用してもよい。例えば、ルータ１０３がアクセスポイント機能を備えている例を示したが、アクセスポイントはルータ１０３と異なる装置で構成されてもよい。また、エッジサーバー３００と各デバイス４００との間の接続は、ローカルエリアネットワーク１０２以外の接続手段を用いるものであってもよい。例えば無線ＬＡＮ以外のＬＰＷＡ、ＺｉｇＢｅｅ、Ｂｌｕｅｔｏｏｔｈ、近距離無線通信などの無線通信、ＵＳＢなどの有線接続、または赤外線通信などを用いるものであってもよい。センサ５００は、センサを内蔵したデバイスであってもよい。たとえばセンサ５００内にデータを保持する構成をもったものであってもよい。また、センサ５００は、プリンタ６００などの装置の内部に配されていてもよい。図１に示す、クラウドサーバー２００、エッジサーバー３００、およびデバイス４００は、いずれも情報処理装置の一種である。

＜サーバーの構成＞
図２は、クラウドサーバー２００およびエッジサーバー３００の構成を示すブロック図である。ここでは、クラウドサーバー２００およびエッジサーバー３００のハードウェア構成としては共通のものを利用するものとして説明する。以下、構成の説明の便宜上、クラウドサーバー２００およびエッジサーバー３００を、単に、サーバー２００、３００と呼ぶ。サーバー２００、３００は、装置全体の制御を行うメインボード２１０と、ネットワーク接続ユニット２０１と、ハードディスクユニット２０２とを有する。メインボード２１０は、ＣＰＵ２１１、内部バス２１２、プログラムメモリ２１３、データメモリ２１４、ネットワーク制御回路２１５、ハードディスク制御回路２１６、およびＧＰＵ２１７を有する。

メインボード２１０に配置されるマイクロプロセッサ形態のＣＰＵ２１１は、内部バス２１２を介して接続されているプログラムメモリ２１３に格納されている制御プログラムと、データメモリ２１４の内容とに従って動作する。ＣＰＵ２１１は、ネットワーク制御回路２１５を介してネットワーク接続ユニット２０１を制御することで、インターネット１０４またはローカルエリアネットワーク１０２などのネットワークと接続し、他の装置との通信を行う。ＣＰＵ２１１は、ハードディスク制御回路２１６を経由して接続されたハードディスクユニット２０２にデータを読み書きすることができる。ハードディスクユニット２０２には、プログラムメモリ２１３にロードして使用されるオペレーティングシステムおよびサーバー２００、３００の制御ソフトウェアが格納されるほか、各種のデータも格納される。メインボード２１０には、ＧＰＵ２１７が搭載されており、各種演算処理をＣＰＵ２１１の代わりにＧＰＵ２１７に実行させることが可能である。

ＧＰＵ２１７は、データを多く並列処理することで効率的な演算を行うことができるので、ディープラーニングのような学習モデルを用いて複数回に渡り学習を行う場合にはＧＰＵ２１７で処理を行うことが有効である。そこで本実施形態では、後述の学習部２５１（図４参照）による処理には、ＣＰＵ２１１に加えてＧＰＵ２１７を用いるものとする。具体的には、学習モデル２５２を含む学習プログラムを実行する場合に、ＣＰＵ２１１とＧＰＵ２１７とが協同して演算を行うことで学習を行う。なお、学習部２５１の処理はＣＰＵ２１１またはＧＰＵ２１７のみにより演算が行われても良い。また、後述の推論部３５１（図４参照）も学習部２５１と同様に、ＧＰＵ２１７を用いても良い。また、本実施形態ではクラウドサーバー２００とエッジサーバー３００とで共通の構成を使用するものとして説明したが、この構成に限られるものではない。例えばクラウドサーバー２００には、ＧＰＵ２１７を搭載するがエッジサーバー３００では搭載しない構成を採用してもよい。あるいは、クラウドサーバー２００とエッジサーバー３００とで、異なる性能のＧＰＵ２１７を用いるものとして構成してもよい。

＜プリンタの構成＞
図３は、プリンタ６００の構成を示すブロック図である。プリンタ６００は、装置全体の制御を行うメインボード６１０と、操作パネル６０５と、近距離無線通信ユニット６０６と、無線ＬＡＮユニット６０８とを含む。メインボード６１０は、ＣＰＵ６１１、プログラムメモリ６１３、データメモリ６１４、スキャナ６１５、印刷部６１７、無線ＬＡＮ制御回路６１８、近距離無線通信制御回路６１９、操作部制御回路６２０、およびＧＰＵ６２１を有する。データメモリ６１４は、画像メモリ６１６を有する。

メインボード６１０に配置されるマイクロプロセッサ形態のＣＰＵ６１１は、内部バス６１２を介して接続されているＲＯＭ形態のプログラムメモリ６１３に格納されている制御プログラムと、ＲＡＭ形態のデータメモリ６１４の内容とに従って動作する。ＣＰＵ６１１は、スキャナ６１５を制御して原稿を読み取り、データメモリ６１４中の画像メモリ６１６に格納する。また、ＣＰＵ６１１は、印刷部６１７を制御してデータメモリ６１４中の画像メモリ６１６の画像を記録媒体に印刷することができる。ＣＰＵ６１１は、無線ＬＡＮ制御回路６１８を通じて無線ＬＡＮユニット６０８を制御することで、他の通信端末装置と無線ＬＡＮ通信を行う。またＣＰＵ６１１は、近距離無線通信制御回路６１９を介して近距離無線通信ユニット６０６を制御することによって、他の近距離無線通信端末との接続を検知したり、他の近距離無線通信端末との間でデータの送受信を行ったりすることができる。ＣＰＵ６１１は、操作部制御回路６２０を制御することによって操作パネル６０５にプリンタ６００の状態の表示または機能選択メニューの表示を行ったり、ユーザからの操作を受け付けたりすることが可能である。また、ＣＰＵ６１１は、定期的にプリンタ６００の状態をプログラムメモリ６１３またはデータメモリ６１４に保持、記録しておく処理を行うことも可能である。操作パネル６０５には、バックライトが備えられており、ＣＰＵ６１１は操作部制御回路６２０を介してバックライトの点灯または消灯を制御することができる。

＜学習および推論の処理＞
図４は、情報処理システム１００のソフトウェア構成を示す図である。図４では、ソフトウェア構成のうち、本実施形態における学習および推論の処理に関わるものを中心に記載しており、その他のソフトウェアモジュールについては不図示としている。例えば各デバイスまたはサーバー上で動作するオペレーティングシステム、各種ミドルウェア、およびメンテナンスのためのアプリケーション等については図示を省略している。

クラウドサーバー２００は、学習用データ生成部２５０、学習部２５１、および学習モデル２５２を備える。学習用データ生成部２５０は、外部から受信したデータから、学習部２５１が処理可能な学習用データを生成するモジュールである。学習用データは、学習部２５１へ入力される時系列データＸである。尚、学習用データ生成部２５０は、外部から受信したデータをそのまま学習用データとして扱ってもよい。学習部２５１は、学習用データ生成部２５０から受け取った学習用データを用いて学習モデル２５２に対する学習を実行するプログラムモジュールである。即ち、学習部２５１による学習によって学習モデル２５２が生成される。尚、学習部２５１は、学習モデル２５２の精度がより良くなるように、学習モデル２５２のハイパーパラメータをチューニングする処理を行ってよい。学習モデル２５２は、学習部２５１で行った学習モデルのパラメータおよび推論誤差などの学習結果を蓄積する。ここでは学習モデル２５２をリカレントニューラルネットワーク（ＲＮＮ）として実現する例を説明する。本例では、ＲＮＮに時系列データを入力することで、入力された時系列データ以降の時刻の予測値を出力する学習モデルが生成される。学習部２５１によって学習が行われた学習モデル２５２は、エッジサーバー３００に学習済モデル３５２として配信され、エッジサーバー３００において管理される。学習済モデル３５２は、エッジサーバー３００において行われる推論処理に用いられる。

エッジサーバー３００は、データ収集・提供部３５０、推論部３５１、および学習済モデル３５２を備える。データ収集・提供部３５０は、デバイス４００から受信したデータ、または、エッジサーバー３００が自ら収集したデータを、学習に用いるためのデータ群としてクラウドサーバー２００に送信するモジュールである。推論部３５１は、デバイス４００から送られるデータを基に、学習済モデル３５２を用いて推論を実行し、その結果をデバイス４００に返送するプログラムモジュールである。デバイス４００から送られるデータは、推論部３５１の入力データＸとなるデータである。

学習済モデル３５２は、エッジサーバー３００で行う推論に用いられる。学習済モデル３５２も学習モデル２５２と同様にニューラルネットワークとして実現されるものとする。ただし、学習済モデル３５２は、学習モデル２５２と同一のものであってもよいし、学習モデル２５２の一部を抽出して利用するものであってもよい。学習済モデル３５２は、クラウドサーバー２００で蓄積して配信された学習モデル２５２を格納する。学習済モデル３５２は、学習モデル２５２の全部が配信されたものであってもよいし、学習モデル２５２のうち、エッジサーバー３００での推論に必要な一部分だけが抜き出されて配信されたものであってもよい。

デバイス４００は、アプリケーション部４５０およびデータ送受信部４５１を備える。アプリケーション部４５０は、デバイス４００で実行する各種の機能を実現するモジュールであり、機械学習による学習・推論の仕組みを利用するモジュールである。データ送受信部４５１は、エッジサーバー３００に学習または推論を依頼するモジュールである。学習時には、データ送受信部４５１は、アプリケーション部４５０からの依頼により学習に用いるデータをエッジサーバー３００のデータ収集・提供部３５０に送信する。また、推論時には、データ送受信部４５１は、アプリケーション部４５０からの依頼により推論に用いるデータをエッジサーバー３００に送信し、その結果を受信してアプリケーション部４５０に返す。

尚、図４では、クラウドサーバー２００で学習して生成した学習モデル２５２をエッジサーバー３００に学習済モデル３５２として配信し、配信された学習済モデル３５２をエッジサーバー３００が推論に利用する例を説明した。しかしながら、学習または推論を、それぞれ、クラウドサーバー２００、エッジサーバー３００、デバイス４００のどこで実行するかは、ハードウェア資源の配分、または、計算量もしくはデータ通信量の大小などに応じて構成を決定すればよい。あるいはこれら資源の配分、または、計算量もしくはデータ通信量の増減に応じて動的に変えるように構成してもよい。学習および推論を行う主体が異なる場合、推論側は、推論のみで使用するロジックを用いたり、学習済モデル３５２の容量を削減したりすることで、より高速で実行できるように構成したりすることが可能である。

図５は、学習モデル２５２および学習済モデル３５２を利用する際の入出力の構造を示す概念図である。図５（ａ）は、学習時における、学習モデル２５２とその入出力データとの関係を示す。学習時において用いられる学習用データは、入力データＸ（５０１）と教師データＴ（５０２）とを含む。入力データＸ（５０１）は、学習モデル２５２の入力層のデータである。本実施形態における入力データＸは、時系列のデータである。入力データＸの詳細は後述する。入力データＸを学習モデル２５２に入力すると、時系列データである入力データＸよりも後の第二時刻のデータを学習モデル２５２が予測した結果が、出力データＹ（５０３）として出力される。学習時には、入力データＸよりも後の第二時刻で実際に計測されたデータとして教師データＴ（５０２）が与えられている。このため、出力データＹと教師データＴとを損失関数５０４に与えることにより、予測結果の正解からのずれ量Ｌ（５０５）（予測誤差ともいう）が得られる。

学習時においては、多数の学習用データに対してずれ量Ｌ（５０５）が小さくなるように、学習モデル２５２中のＲＮＮのパラメータ等を更新する。本実施形態では、使用する機械学習アルゴリズムとしてＲＮＮを用いる例を説明したが、他の再帰型ニューラルネットワークを用いてもよい。例えば、Ｌｏｎｇ ｓｈｏｒｔ−ｔｅｒｍ ｍｅｍｏｒｙ（ＬＳＴＭ）または双方向ＲＮＮなどを用いてもよい。さらにネットワーク構造として、複数のネットワーク構造を組み合わせたものを用いてもよい。例えば、畳み込みニューラルネットワーク（ＣＮＮ）と、ＲＮＮもしくはＬＳＴＭなどの再帰型ニューラルネットワークまたはオートエンコーダなどとを組み合わせてもよい。

図５（ｂ）は、推論時における、学習済モデル３５２とその入出力データとの関係を示す。入力データＸ（５５１）は、学習済モデル３５２の入力層のデータである。推論時における入力データＸ（５５１）もまた、時系列のデータである。入力データＸを学習済モデル３５２に入力すると、時系列データである入力データＸよりも後の時刻（第二時刻に相当）のデータを学習済モデル３５２が予測した結果が、出力データＹ（５５３）として出力される。推論時には、この出力データＹを推論結果として利用する。尚、推論時の学習済モデル３５２は、学習時の学習モデル２５２と同等のネットワーク構造を備えるものとして説明したが、推論で必要な部分のみを抽出したものを学習済モデル３５２として用意することもできる。これによって学習済モデル３５２のデータ量を削減したり、推論処理の時間を短縮したりすることが可能である。

＜異常予測処理＞
次に、本実施形態の異常予測処理を説明する。本実施形態の異常予測処理は、デバイス４００の特定の装置状態のデータを、学習・推論工程の入力データから除外するデータ選定処理を含む。例えば、デバイス４００の静止状態のデータを学習・推論工程の入力から除外するデータ選定処理が行われる。

本実施形態では、装置の正常時データで学習をさせた学習モデルを生成する。前述したように、生成される学習モデルは、時系列データである入力データＸを入力すると、入力データＸよりも後の第二時刻の出力データＹを出力するように構成される。推論段階では、異常予測を行う装置（本例ではエッジサーバー３００）が、この生成された学習モデル（学習済モデル）に入力データＸを入力すると、入力データＸよりも後の第三時刻（第二時刻に対応）の出力データＹが得られる。一方で、エッジサーバー３００は、その後の第三時刻に対応する実測値も取得する。そして、この実際に観測された実測値と、学習モデルから出力された出力データＹ（推論値）と、の誤差を比較することにより、異常を予測する。この学習済モデルは、デバイス４００の正常時データのみで学習がされている。このため、推論時において、デバイス４００が正常状態であるときのデータが学習済モデルに入力されると、推論値と実際に観測された値との予測誤差が小さくなる。つまり、精度よく推論が機能する。一方で、デバイス４００が異常状態であるときのデータが学習済モデルに入力されると、推論値と実際に観測された値との予測誤差は大きくなる。つまり、推論値と実際に観測された値との差（予測誤差）が所定の閾値よりも大きい場合、そのデバイス４００が異常状態または異常になり得る状態であると判定をすることができる。このように、本実施形態では、予測誤差を異常判定閾値と比較し、その大小関係によって装置が正常か異常かを判定する。このようにして、学習済モデルに入力したデータが、装置の異常を示すデータであったかを帰納的に判定することができる。

本実施形態では、学習時において入力する入力データを、詳細に選定する処理が行われる。即ち、単なる正常時データを入力データとして扱うのではなく、正常時データであり、かつ装置が稼働状態において得られたデータを入力データとして選定する。正常時データという観点のみでデータを選定すると、特定の状態のデータが大量に含まれてしまう可能性がある。たとえば、プリンタ６００のように、ユーザ操作があるまでは装置が待機状態にあり、稼働していない状態が続く、という特徴のある装置（デバイス）では、正常データには、装置が稼働していない待機中のデータが大量に含まれてしまう。これにより、稼働時に入力されたデータの推論精度が悪くなる。そこで、本実施形態では、正常時データであり、かつ、装置が稼働している状態（例えば、待機状態または静止状態でない状態）のデータを、学習段階の入力データとして選定する処理を行う。また、推論段階においても、装置が稼働している状態（例えば、待機状態または静止状態でない状態）のデータを入力データとして選定する処理を行う。即ち、本実施形態では、装置が待機状態または静止状態のデータを、学習工程および推論工程の入力データから除外するデータ選定処理が行われる。

図６は、入力に用いられるデータを説明する図である。図６（ａ）は、入力データＸの例である。入力データＸは、図６（ａ）に示すように、各列がパラメータごとのデータで構成され、各行が時刻カウントごとのデータで構成されている時系列データである。ここで、入力データＸは、パラメータごとに異なるセンサデータを格納してもよい。例えばパラメータ１には温度、パラメータ２には圧力といったように対応するデータを格納してもよい。図６（ｂ）は、３カウント前のデータから次の１カウント分のデータを予測する学習モデルを生成する場合に、学習時に使用する入力データＸおよび教師データＴの学習データの例を示す。入力データの時刻長および予測する時刻長は、適用するシステムに応じて適宜変更してもよい。これらは学習モデルのハイパーパラメータとも考えられるため、学習モデル２５２の精度が向上するように学習部２５１にて入力データの時刻長および予測する時刻長を選択させることもできる。尚、時系列データは、複数の種別のパラメータを含む例を示したが、単一の種別のパラメータを含むものであってもよい。また、１カウントは、所定の時間単位であればよく、センサデータに応じて適宜決定されるものとする。

図７は、学習時の学習モデル２５２の入出力の構造を示す図である。以降では、学習モデル２５２は、３カウント前のデータから次の１カウント分のデータを予測するモデルとして説明する。入力データＸとしてはセンサデータ７００を使用する。教師データＴとしてはセンサデータ７５０を使用する。即ち、入力データＸも教師データＴも、どちらも実際に測定して得られた実測値のデータが用いられる。尚、本例においてセンサデータ７００は、センサデータ７５０に含まれるデータの３カウント前までのデータの集合であるものとする。学習モデル２５２では、センサデータ７００を学習モデル２５２に入力した時の出力と、教師データＴ７５０とのずれ量Ｌが最小となるよう学習が行われて、学習モデル２５２が更新（生成）される。即ち、時刻カウントｔ＝ｓ−３、ｓ−２、ｓ−１のセンサデータ７００を学習モデル２５２に入力した時に得られる、時刻カウントｔ＝ｓの予測値である出力データＹ（５０３）と、時刻カウントｔ＝ｓの実測値であるセンサデータ７５０とが得られる。この時刻カウントｔ＝ｓの予測値である出力データＹ（５０３）と、時刻カウントｔ＝ｓの実測値であるセンサデータ７５０とを損失関数５０４に入力する。このとき、損失関数５０４から得られる予測誤差が、ずれ量Ｌ（５０５）となる。

図８は、学習時に使用する学習用データの例を示す図である。図８（ａ）は、一対の学習用データを示しており、入力データＸと教師データＴとのペアを表している。図８（ｂ）は、推論時に異常予測のための指標として使用する異常判定閾値を説明する図である。学習用データセット８２１には、図８（ａ）で示すような学習用データの組が複数含まれている。本例では、学習用データセット８２１には、学習モデルのパラメータ更新に使用するトレーニングデータ８２２と、学習モデルのパラメータ更新に使用せず学習モデル２５２の予測精度を評価するためのバリデーションデータ８２３とが含まれる。トレーニングデータ８２２およびバリデーションデータ８２３は、同じ種類のデータであるものの、その用途（学習モデルのパラメータ更新に使われるか否か）が異なる。

本実施形態では、バリデーションデータ８２３を用いて異常判定閾値８３０が決定される。具体的には、バリデーションデータ８２３の入力データＸを学習モデル２５２に入力して得られた出力データＹと、入力データＸに対応する教師データＴとの予測誤差に対応するずれ量Ｌ（５０５）が、バリデーションデータ８２３ごとに予測精度として得られる。バリデーションデータ８２３を用いて得られるこのずれ量Ｌ５０５は、学習モデルのパラメータ更新には使用されない。本実施形態では、バリデーションデータ８２３を用いて得られるずれ量Ｌ５０５の平均値が、異常判定閾値８３０として決定される。尚、バリデーションデータを用意する際の手法としては、クロスバリデーション法、ホールドアウト法、リーブワンアウト法のいずれかまたはその他の手法を用いてもよい。本実施形態では、異常判定閾値８３０は、バリデーションデータの平均値（即ち、平均誤差）である例を説明したが、その他の指標を用いてもよい。例えば、バリデーションデータのずれ量Ｌの最大値、最小値、その他の統計値を用いてもよい。

図９は、推論時における学習済モデル３５２の入出力と学習済モデル３５２の出力データにより異常状態の判定を行う構造とを説明する図である。入力データＸとして、学習時と同様のセンサデータ９００が使用される。具体的には、時刻カウントｔ＝ｓ−３、ｓ−２、ｓ−１のデータが入力データＸとなる。上述したように学習済モデル３５２は、３カウント前のデータから次の１カウントのデータを予測するように生成されたモデルである。このため、学習済モデル３５２の出力データＹは、時刻カウントｔ＝ｓのデータの推論値（予測値）となる。推論時に求められるずれ量Ｌ（５０５）は、時刻カウントｔ＝ｓの推論値である出力データＹ（５０３）と、時刻カウントｔ＝ｓの実測値であるセンサデータ９５０とを損失関数５０４に入力したときに得られる予測誤差である。損失関数５０４は、学習時と同一の損失関数を用いてもよい。判定処理９６０は、ずれ量Ｌ（５０５）から装置が異常であるかの判定を行う処理である。判定処理９６０を含む推論処理のフローについては後述する。判定値９６１は、判定処理９６０の出力値である。このようにして、推論時の出力データを用いて装置が異常であるかの判定を行うことができる。

図１０および図１１は、推論処理および判定処理９６０の処理を示すフローチャート図である。推論処理および判定処理９６０は、図１０または図１１に示すいずれの処理で行われもよい。この例においては、図１０および図１１に示す処理は、エッジサーバー３００の推論部３５１で行われるものとして説明する。即ち、エッジサーバー３００のＣＰＵ２１１およびＧＰＵ２１７が、プログラムメモリ２１３に格納されたプログラムに従って、データメモリ２１４に格納されている学習済モデル３５２を用いて、推論処理および判定処理を行う。なお、各処理の説明における記号「Ｓ」は、当該フローチャートにおけるステップであることを意味する（以下、本明細書において同様である）。

図１０は、１回の推論結果により、装置が正常か異常かの判定を行う場合のフローチャート図である。Ｓ１００１にて推論部３５１は、入力データＸ（実測値）以降の後時刻の出力データＹ（推論値）を推論する。即ち、推論部３５１は、学習済モデル３５２に入力データＸを入力し、入力データＸに対応する出力データＹ（推論値）を得る。その後、Ｓ１００２にて推論部３５１は、Ｓ１００１で得た推論値と同時刻カウントの実測値を受信したか否かを判定する。本例では、デバイス４００のデータ送受信部４５１から、推論値と同時刻カウントの実測値を受信したか否かを判定する。推論値と同時刻カウントの実測値を受信した場合、Ｓ１００３に進み、そうでない場合、Ｓ１００２の判定を繰り返し、実測値を受信するまで処理を待機する。尚、デバイス４００内で異常予測処理を行う場合、Ｓ１００２の判定は、装置内において実測値を取得したか否かを判定する処理とすればよい。

Ｓ１００３において推論部３５１は、推論値と、その推論値と同時刻カウントの実測値と、を損失関数５０４に入力して、ずれ量Ｌを算出する。Ｓ１００４にて推論部３５１は、Ｓ１００３で算出したずれ量Ｌと、異常判定閾値との大小関係を比較する。異常判定閾値の方が大きければＳ１００５に進み、推論部３５１は、判定値を正常と設定する。そうでなければＳ１００６に進み、推論部３５１は、判定値を異常と設定する。そして、処理を終了する。

図１１は、連続した複数回の推論結果により、装置が正常であるか異常であるかの判定を行う場合のフローチャート図である。Ｓ１１０１〜Ｓ１１０４の処理は、図１０のＳ１００１〜Ｓ１００４の処理と同様の処理であるが、図１１の例では、Ｓ１１０１〜Ｓ１１０４の処理が連続回ループして行われる。このとき、連続して行う回数は任意の回数を決めてよい。図１１では、推論処理を連続実行中に一度もずれ量Ｌが異常判定閾値を下回らなければ、Ｓ１１０６にて判定値を異常と設定し、そうでなければＳ１１０５にて判定値を正常と設定して終了する。図１１の処理は、複数回の推論結果が全て異常判定閾値以上となるような場合に、異常と判定する処理である。

図１２は、学習時における情報処理システム１００全体の動きを表すシーケンス図である。図１２のプリンタ６００の処理は、プログラムメモリ６１３に格納されたプログラムに従ってＣＰＵ６１１およびＧＰＵ６２１の少なくとも一方が実行する処理である。図１２のエッジサーバー３００およびクラウドサーバー２００の処理は、それぞれ、プログラムメモリ２１３に格納されているプログラムに従ってＣＰＵ２１１およびＧＰＵ２１７の少なくとも一方が実行する処理である。後述する図１３の推論時の処理についても同様である。

図１２では、センサ５００からのセンサデータをプリンタ６００が受信し、センサデータを用いてクラウドサーバー２００で学習した結果をエッジサーバー３００が学習済モデルを保持するまでの流れを示している。センサ５００は、プリンタ６００に搭載されているセンサ、または、プリンタ６００の挙動を監視しているセンサであるものとする。まず、センサ５００は、Ｓ１２０１においてデータを計測する。そして、Ｓ１２０２においてセンサ５００は、Ｓ１２０１でセンサデータをプリンタ６００に送信する。このように、センサ５００では、データの逐次計測と送信とが行われる。

プリンタ６００は、Ｓ１２１１においてセンサデータを受信する。尚、プリンタ６００は、Ｓ１２１１で、所定数（または所定期間）受信したセンサデータを蓄積してから次の処理に移行してもよい。Ｓ１２１２においてプリンタ６００は、受信したセンサデータが正常時のデータであるかを判定する。正常時のデータであるかの判定方法は、様々である。例えば、正常時のデータかどうかを判定するための第一の方法として、プリンタ６００内に格納されたログを参照する方法がある。センサデータが計測された日時に、センサ５００またはプリンタ６００にエラーが発生していたかどうか、あるいは印刷結果に異常があったかを確認し、エラーまたは異常が発生していなければ正常時のデータと判定することができる。第二の方法として、複数のセンサ５００による異常計測結果を用いることもできる。たとえば、火災報知器、漏電検知器、または地震感知器といったセンサによって異常を検知した場合にプリンタ６００に異常発生を通知するようにしておく。そして、プリンタ６００内に保持された異常発生時刻とセンサデータが計測された日時とを比較して、センサデータ計測日時に異常が発生したかを判定することもできる。第三の方法として、過去に計測されたセンサデータに正常時のデータまたは異常時のデータを示すラベルを手動で振っておくこともできる。

正常時のデータである場合、Ｓ１２１３に処理が進み、正常時のデータでない場合、Ｓ１２１１に処理が戻る。即ち、正常時のデータでない場合には、本実施形態の学習に適していないデータであるので、以降の処理には用いられない。尚、学習段階の処理では、基本的に過去に得られたデータを用いて学習が行われる。このため、Ｓ１２１２において、センサデータが正常時のデータであるかの判定が行われる。一方で、後述する推論処理においては、基本的に、現在得られているデータを用いて、現在または将来の異常を判定する処理が行われる。このため、後述する推論処理においては、Ｓ１２１２に相当する判定は行われない。

Ｓ１２１３においてプリンタ６００は、センサデータが、データ選定条件を満たすデータであるかを判定する。データ選定条件を満たすデータの場合、Ｓ１２１４に進み、そうでない場合、Ｓ１２１１に処理が戻る。本例では、データ選定条件は、装置が稼働中であることを条件とする。装置が稼働中であるかは、例えば装置が静止中などの待機状態であるかを判定することで決定できる。一例として、Ｓ１２１３では、データ計測時のプリンタ６００の装置状態が静止中であったかを判定する。装置状態が静止中である場合、データ選定条件を満たしていないとして、当該データは、学習には用いられないことになる。前述したように、装置状態が静止中の場合、装置が稼働していない待機時のデータが大量に含まれてしまうので、学習精度が上がらない虞があるからである。尚、本例では、静止中のデータでない場合にのみ、学習処理を行う例を説明したが、データ選定条件として複数の装置状態を設けてもよい。例えば、装置状態が初期化処理中または静止中以外の場合に学習処理を行うようにしてもよい。

Ｓ１２１４においてプリンタ６００は、データ加工処理を行う。ここでは受信したセンサデータを、入力データＸおよび教師データＴの形式になるように変換する処理を行う。また、Ｓ１２１４では必要に応じて、標準化、正規化、主成分分析を始めとする次元削減処理、その他の特徴量算出のための処理を行うこともできる。なお、本例では、Ｓ１２１４はプリンタ６００で行う場合を説明したが、プリンタ６００が、加工処理前のデータをエッジサーバー３００、あるいはクラウドサーバー２００に送信し、受信先でＳ１２１４に相当する処理が行われてもよい。Ｓ１２１５においてプリンタ６００は、エッジサーバー３００にＳ１２１４で加工したデータと共に学習依頼を送信する。

Ｓ１２２１においてエッジサーバー３００は、プリンタ６００から送信された学習依頼を受信する。Ｓ１２２２においてエッジサーバー３００は、クラウドサーバー２００に学習依頼を送信する。

Ｓ１２３１においてクラウドサーバー２００は、エッジサーバー３００から送信された学習依頼を受信する。Ｓ１２３２においてクラウドサーバー２００は、学習処理を開始する。Ｓ１２３３においてクラウドサーバー２００は、Ｓ１２３２において学習した学習結果を蓄積する。なお、学習結果には、生成される学習済モデル３５２のほか、異常判定閾値８３０も含まれる。Ｓ１２２６でクラウドサーバー２００は、エッジサーバー３００に学習済モデル３５２および異常判定閾値８３０を配信する。Ｓ１２４１においてエッジサーバー３００は、クラウドサーバー２００から受信した学習済モデル３５２および異常判定閾値８３０を保持する。

尚、本例では、学習依頼を行う場合には、プリンタ６００からエッジサーバー３００を経由して学習依頼がクラウドサーバー２００に送信される場合を説明した。しかしながら、これに限るものではなく、プリンタ６００からクラウドサーバー２００へ直接学習依頼を送信するように構成されてもよい。また、エッジサーバー３００およびクラウドサーバー２００を用意せず、プリンタ６００が全ての処理を行うように構成されてもよい。

本例では、クラウドサーバー２００で学習が行われる毎にエッジサーバー３００への学習済モデル３５２の配信が行われるように説明したが、大量の学習がクラウドサーバー２００で行われる場合には都度配信しなくてもよい。クラウドサーバー２００からエッジサーバー３００に所定のタイミングで定期的に学習済モデル３５２を配信してもよい。エッジサーバー３００から必要に応じて配信要求を送信し、配信要求に応じてクラウドサーバー２００からエッジサーバー３００に配信させるように構成してもよい。また、ここではプリンタ６００のセンサデータのみを学習した学習済モデル３５２が配信されるように説明したが、プリンタ６００の推論に使用さる学習済モデル３５２は、必ずしもプリンタ６００の学習データを用いて学習されていなくてよい。例えば、プリンタ６００以外の別のプリンタのデータを学習して作成された学習済モデルを配信し、その学習済モデルをプリンタ６００が推論に使用してもよい。また、別のプリンタのデータを用いて学習が行われた学習済モデルに、プリンタ６００のデータを用いて追加で学習させた学習済モデルが生成されてもよい。

また、入力データの選定処理およびデータ加工処理は、学習を行うクラウドサーバー２００および推論を行うエッジサーバー３００で、それぞれ行われてもよい。

図１３は、推論時における情報処理システム１００の動きを表すシーケンス図である。図１３では、センサ５００からのセンサデータをプリンタ６００が受信し、プリンタ６００から送信されたセンサデータによって、エッジサーバー３００が推論を行い、推論結果に基づいてプリンタ６００が装置の異常を予測する流れを示している。Ｓ１３０１、Ｓ１３０２、Ｓ１３１１の処理は、図１２のＳ１２０１、Ｓ１２０２，Ｓ１２１１と同様の処理であるので、説明を省略する。また、Ｓ１３１２のデータ選定条件およびＳ１３１３のデータ加工処理も、図１２のＳ１２１３およびＳ１２１４と同様の処理であるので、説明を省略する。

Ｓ１３１３までの処理によってセンサデータの加工が終了した後、Ｓ１３１４においてプリンタ６００は、エッジサーバー３００への推論処理依頼を行う。推論処理依頼には、Ｓ１３１３で加工されたセンサデータが含まれる。ここで、図１０のＳ１００３または図１１のＳ１１０３のずれ量Ｌを算出に必要な、センサデータの推論値と同時刻カウントのセンサデータの実測値は、推論処理依頼を行うＳ１３１４の時点で送信してもよい。または、Ｓ１３１４以降にエッジサーバー３００に送信してもよい。

Ｓ１３２１においてエッジサーバー３００は、プリンタ６００から受信した推論処理依頼に含まれるセンサデータを用いて、推論を行う。Ｓ１３２１の推論処理は、図１０または図１１で説明した処理に相当する。Ｓ１３２１の推論処理の結果、判定値には、異常であるか正常であるかの値が設定される。Ｓ１３２２においてエッジサーバー３００は、推論結果をプリンタ６００に送信する。尚、判定値には単にずれ量に基づく値が設定されていればよく、異常であるか正常であるかは、判定値の送信先のプリンタ６００で判定されてもよい。

Ｓ１３３１においてプリンタ６００は、エッジサーバー３００から推論結果を受信する。Ｓ１３３２においてエッジサーバー３００は、Ｓ１３３１で受信した推論結果が異常であるかを判定する。異常でなければプリンタ６００は、Ｓ１３１１以降の処理を繰り返し、異常であればＳ１３３３で装置の異常が予測された旨を通知する処理を行う。

図１４は、Ｓ１３３３における通知内容の表示例である。異常の通知時にはプリンタ６００は、操作パネル６０５に各種の情報を表示することができる。図１４の例では、以下の情報が表示されている。即ち、異常が予測されたことを伝えるテキスト１４００、推論実行時の日時１４０１、センサ名称１４０２、推論結果が異常であった累計回数１４０３、分析結果１４０４、および異常を予測するまでのセンサ値の推移１４０５、などの情報を表示している。また、プリンタ６００のみならず、クライアント端末４０１にも同様の内容を通知することができる。尚、通知内容の表示は、この例に限られず、任意の内容を通知してよい。

以上説明したように、本実施形態によれば、異常予測のための機械学習処理において、学習時において、学習に適していない特定の状態のデータが多くなってしまうことを抑制することができる。即ち、本実施形態では、装置の正常データであり、かつ装置が稼働中のデータを用いて学習が行われる。これにより、推論が精度良く機能するようになる。また、推論時においても、装置が稼働中のデータを用いて推論が行われるので、精度の良い推論が行われる。さらに、学習時および推論時において入力データが選定されるので、学習、推論の処理時間、処理回数を短縮することができる。

＜＜第２実施形態＞＞
第１実施形態では、特定の装置状態のデータを学習工程および推論工程の入力から除外するデータ選定処理を行い、異常予測を行う例を説明した。第２実施形態では、センサデータの変位に基づいて、学習工程および推論工程の入力から除外するデータを選定する選定処理を行う例を説明する。

例えば、センサデータが変位した場合とは、装置の温度、湿度、圧力、およびインク濃度等の状態が変化した場合である。センサデータの変位には、環境条件の変化、経時変化、またはユーザ操作による稼働などのように、各種の要因が想定される。換言すれば、センサデータが変位していない場合には、装置が待機状態または静止状態であることが想定される。

そこで、本実施形態では、センサデータが変位したとき場合に、該当するセンサデータを、学習工程および推論工程の入力に選定する。これにより、装置の状態が変化したと考えられるときに、装置が異常であるかの判定を行うことが可能である。また、本実施形態によれば、学習処理および推論処理に関わるプリンタ６００、エッジサーバー３００、およびクラウドサーバー２００への負荷を軽減することができる。尚、情報処理システム１００全体のフローチャート処理、学習、および推論時の基本的な入出力構造は、第１実施形態と同一であるため、説明は省略する。

図１５は、第２実施形態において、プリンタ６００におけるデータ選定条件判定処理（Ｓ１２１３、Ｓ１３１２）とデータ加工処理（Ｓ１２１４、Ｓ１３１３）との内容を具体的に示したフローチャート図である。

Ｓ１５０１において、プリンタ６００は、時刻カウントｓのセンサデータを受信する。Ｓ１５０２においてプリンタ６００は、前時刻カウントｓ−１のセンサデータの値と比較する。このとき、値が一致しなかった場合は、Ｓ１５０３に進み、プリンタ６００は、時刻カウントｓのセンサデータを、学習用または推論用データとして選定する。値が一致した場合、Ｓ１５０１に戻り処理を繰り返す。即ち、プリンタ６００は、比較対象時刻のセンサデータと、比較対象時刻よりも所定時刻前のデータとの値が異なる場合に、比較対象時刻のセンサデータを学習用または推論用データとして選定する。

Ｓ１５０４においてプリンタ６００は、選定したデータ長がｘに達したら、選定したデータを入力としてＳ１２１５またはＳ１３１４以降の処理を行う。このとき、データ長ｘは、任意の値であり、学習モデルの推論精度が良くなるように適宜決定すればよい。また、センサデータには、センサが計測した値だけでなく、計測した日時を含めてもよい。本例では、Ｓ１５０２において、１つ前の時刻カウントのセンサデータと値が一致するかを比較したが、ｎカウント前のセンサデータと値の一致を比較してもよい。また、ｎカウント前のセンサデータと値が一致しなくなってから、ｍカウント分の期間はデータを必ず選定するようにし、Ｓ１５０２の判定回数を削減するような処理を行ってもよい。

＜＜その他の実施形態＞＞
以上説明した実施形態では、異常予測処理の判定対象となる装置は、プリンタ６００である場合を例に挙げて説明したが、これに限られない。異常判定の対象となる装置は、装置が稼働している期間が固定的な期間ではなく、ユーザ操作等に応じて可変となる装置であれば、プリンタ６００以外の任意のデバイス４００とすることができる。

また、学習段階および推論段階における入力データは、センサから得られた時系列データである例を説明したが、センサから得られたデータに所定の処理を行った後の時系列データを、入力データとしてもよい。

また、異常判定閾値は、学習モデル２５２の生成時におけるバリデーションデータの統計的な値を用いる例を説明したが、これに限られない。学習済モデル３５２を用いて判定処理を行った際に用いた予測誤差の統計的な値をさらに加味して、異常判定閾値が決定されてもよい。

上記の実施形態で説明したデータ選定条件判定処理（Ｓ１２１３、Ｓ１３１２）は、種々の態様で行うことができる。例えば、操作パネル６０５で特定の操作を受け付けたとき、という条件をデータ選定条件としてもよい。例えば、操作パネル６０５に学習の実行ボタンおよび推論の実行ボタンを設け、実行ボタンが押下されたときのみ、センサデータを選定し、学習および推論が行われるようにしてもよい。また、操作パネルでプリンタ６００を動作させる操作、例えば印刷実行が行われる操作またはメンテナンス実行が行われる操作がなされたときのみ、センサデータを選定し、学習および推論が行われるようにしてもよい。

また、データ選定条件判定処理（Ｓ１２１３、Ｓ１３１２）に、装置の外部および内部に設置したデジタルカメラ４０２の映像を利用してもよい。たとえば、デジタルカメラ４０２で撮影した映像から、ある判定アルゴリズムで判定を行った判定結果に応じて、データ選定を行ってもよい。

また、データ選定条件判定処理（Ｓ１２１３、Ｓ１３１２）に、装置の外部および内部に設置した音声入出力装置４０３からの音声を利用してもよい。たとえば、音声入出力装置４０３の音声から、ある判定アルゴリズムで判定を行った結果に応じて、データ選定を行ってもよい。

本発明は、上述の実施形態の１以上の機能を実現するプログラムを、ネットワークまたは記憶媒体を介してシステムまたは装置に供給し、そのシステムまたは装置のコンピュータがプログラムを読出し実行する処理でも実現可能である。また、１以上の機能を実現する回路（例えば、ＡＳＩＣ）によっても実現可能である。コンピュータは、１または複数のプロセッサーまたは回路を有し、コンピュータ実行可能命令を読み出し実行するために、分離した複数のコンピュータまたは分離した複数のプロセッサーまたは回路のネットワークを含みうる。

プロセッサーまたは回路は、中央演算処理装置（ＣＰＵ）、マイクロプロセッシングユニット（ＭＰＵ）、グラフィクスプロセッシングユニット（ＧＰＵ）、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートウェイ（ＦＰＧＡ）を含みうる。また、プロセッサーまたは回路は、デジタルシグナルプロセッサ（ＤＳＰ）、データフロープロセッサ（ＤＦＰ）、またはニューラルプロセッシングユニット（ＮＰＵ）を含みうる。

記憶媒体は、非一時的なコンピュータ可読媒体とも称することができる。また、記憶媒体は、１または複数のハードディスク（ＨＤ）、ランダムアクセスメモリ（ＲＡＭ）、読み取り専用メモリ（ＲＯＭ）、分散コンピューティングシステムの記憶装置を含みうる。また、記憶媒体は、光ディスク（例えば、コンパクトディスク（ＣＤ）、デジタル多用途ディスク（ＤＶＤ）、またはブルーレイディスク（ＢＤ、登録商標））、フラッシュメモリデバイス、及びメモリカードを含みうる。

１００ 情報処理システム
２００ クラウドサーバー
３００ エッジサーバー
４００ デバイス
６００ プリンタ

Claims (25)

1. デバイスの状態を示す時系列のデータである時系列データを取得する取得手段と、
   前記取得手段で取得した時系列データのうち、前記デバイスが稼働していることを示す条件を満たす時系列データを入力データとして選定する選定手段と、
   前記選定手段によって選定された第一時刻までの前記入力データと、前記第一時刻の後の第二時刻の前記デバイスの状態を示すデータである教師データとに基づいて、前記第一時刻までの入力データを入力した場合に、前記第二時刻に対応する予測値を出力データとして出力するように学習された学習モデルを生成する生成手段と、
   を有することを特徴とする情報処理装置。
2. デバイスの状態を示す時系列のデータである時系列データを取得する取得手段と、
   前記取得手段で取得した時系列データのうち、前記デバイスが稼働していることを示す条件を満たす時系列データを入力データとして選定する選定手段と、
   前記選定手段によって選定された第一時刻までの前記入力データと、前記第一時刻の後の第二時刻の前記デバイスの状態を示すデータである教師データとに基づいて、前記第一時刻までの入力データを入力した場合に、前記第二時刻に対応する予測値を出力データとして出力する学習モデルを学習部に生成させるための、前記入力データと前記教師データとを含む学習データを送信する送信手段と、
   を有することを特徴とする情報処理装置。
3. 前記選定手段は、取得した時系列データのうち、正常時のデータであり、かつ前記デバイスが稼働していることを示す条件を満たす時系列データを前記入力データとして選定することを特徴とする請求項１または２に記載の情報処理装置。
4. 前記選定手段は、前記デバイスのログに基づいて、エラーが発生していない期間のデータを前記正常時のデータと決定することを特徴とする請求項３に記載の情報処理装置。
5. デバイスの状態を示す時系列のデータである時系列データを取得する取得手段と、
   前記取得手段で取得した時系列データのうち、前記デバイスが稼働していることを示す条件を満たす時系列データを入力データとして選定する選定手段と、
   前記選定手段によって選定された第一時刻の入力データの後の第二時刻の前記デバイスの状態を示すデータである実測値を取得する第二取得手段と、
   前記デバイスが稼働していることを示す条件を満たす第一時刻までの時系列データを入力した場合に、前記第一時刻の後の第二時刻に対応する推論値を出力データとして出力する学習済モデルに対して、前記選定手段によって選定された前記第一時刻までの入力データを入力して得られた推論値と、前記第二取得手段で取得した前記第二時刻の前記実測値と、に基づく情報を出力する出力手段と、
   を有することを特徴とする情報処理装置。
6. 前記出力手段は、前記推論値と前記第二時刻の前記実測値とのずれ量が、所定の閾値を超える場合、第１情報を出力し、前記所定の閾値より小さい場合、前記第１情報と異なる第２情報を出力することを特徴とする請求項５に記載の情報処理装置。
7. デバイスの状態を示す時系列のデータである時系列データを取得する取得手段と、
   前記取得手段で取得した時系列データのうち、前記デバイスが稼働していることを示す条件を満たす時系列データを入力データとして選定する選定手段と、
   前記選定手段が選定した第一時刻の入力データの後の第二時刻の前記デバイスの状態を示すデータである実測値を取得する第二取得手段と、
   前記デバイスが稼働していることを示す条件を満たす第一時刻までの時系列データを入力した場合に、前記第一時刻の後の第二時刻に対応する推論値を出力データとして出力する学習済モデルを管理するサーバーに対して、前記選定手段によって選定された前記第一時刻の入力データと、前記第二取得手段で取得した前記実測値とを含む、処理依頼を送信する送信手段と、
   前記処理依頼に応じて、前記サーバーにおいて前記第一時刻までの入力データを前記学習済モデルに入力して得られた推論値と、前記実測値と、に基づき送信される情報を受信する受信手段と、
   前記受信手段により受信された前記情報に基づいて、表示手段に所定の表示を出力する制御手段と、
   を有することを特徴とする情報処理装置。
8. 前記制御手段は、前記受信手段により受信された前記情報に基づいて、前記表示手段に前記所定の表示として前記デバイスが異常であることを示す表示を出力することを特徴とする請求項７に記載の情報処理装置。
9. 前記受信手段は、前記サーバーにおいて前記推論値と、前記実測値とのずれ量が、所定の閾値を超える場合、第１情報を受信し、前記所定の閾値より小さい場合、前記第１情報と異なる第２情報を受信することを特徴とする請求項７または８に記載の情報処理装置。
10. 前記所定の閾値は、前記学習済モデルの生成に用いられたバリデーションデータに基づいて決定されることを特徴とする請求項６または９に記載の情報処理装置。
11. 前記所定の閾値は、前記学習済モデルの生成の元となる学習モデルに前記バリデーションデータのうちの入力データを入力したときに前記学習モデルから出力された出力データと、前記バリデーションデータのうちの教師データとのずれ量に基づく統計的な値であることを特徴とする請求項１０に記載の情報処理装置。
12. 前記所定の閾値は、前記ずれ量の平均値であることを特徴とする請求項１０または１１に記載の情報処理装置。
13. 前記選定手段は、前記デバイスが、静止中、待機中、または初期化処理中でない場合に、前記デバイスが稼働していると決定することを特徴とする請求項１から１２のいずれか一項に記載の情報処理装置。
14. 前記選定手段は、前記取得手段が取得した時系列データにおいて、比較対象時刻のデータと、前記比較対象時刻よりも所定時刻前のデータとの値が異なる場合に、前記比較対象時刻の時系列データを前記入力データとして選定することを特徴とする請求項１から１２のいずれか一項に記載の情報処理装置。
15. 前記選定手段は、前記デバイスの操作パネルにおいて特定の操作がされた場合に得られる時系列データを前記入力データとして選定することを特徴とする請求項１から１２のいずれか一項に記載の情報処理装置。
16. 前記選定手段は、前記デバイスを撮影した映像または前記デバイスの音声を入力とした判定アルゴリズムで、特定の判定結果が出た場合に、時系列データを前記入力データとして選定することを特徴とする請求項１から１２のいずれか一項に記載の情報処理装置。
17. 前記デバイスの状態を示すデータは、前記デバイスの状態を検知するセンサが検知して得られたデータであることを特徴とする請求項１から１６のいずれか一項に記載の情報処理装置。
18. 前記時系列データは、複数のセンサのデータを集合したデータであることを特徴とする請求項１から１７のいずれか一項に記載の情報処理装置。
19. デバイスの状態を示す時系列のデータである時系列データを取得する取得手段と、
    前記取得手段で取得した時系列データのうち、前記デバイスが稼働していることを示す条件を満たす時系列データを入力データとして選定する選定手段と、
    前記選定手段によって選定された第一時刻までの前記入力データと、前記第一時刻の後の第二時刻の前記デバイスの状態を示すデータである教師データとに基づいて、前記第一時刻までの入力データを入力した場合に、前記第二時刻に対応する予測値を出力データとして出力するように学習された学習モデルを生成する生成手段と、
    を有することを特徴とする情報処理システム。
20. デバイスの状態を示す時系列のデータである時系列データを取得する取得手段と、
    前記取得手段で取得した時系列データのうち、前記デバイスが稼働していることを示す条件を満たす時系列データを入力データとして選定する選定手段と、
    前記選定手段によって選定された第一時刻の入力データの後の第二時刻の前記デバイスの状態を示すデータである実測値を取得する第二取得手段と、
    前記デバイスが稼働していることを示す条件を満たす第一時刻までの時系列データを入力した場合に、前記第一時刻の後の第二時刻に対応する推論値を出力データとして出力する学習済モデルに対して、前記選定手段によって選定された前記第一時刻までの入力データを入力して得られた推論値と、前記第二取得手段で取得した前記第二時刻の前記実測値と、に基づく情報を出力する出力手段と、
    を有することを特徴とする情報処理システム。
21. デバイスの状態を示す時系列のデータである時系列データを取得する取得手段と、
    前記取得手段で取得した時系列データのうち、前記デバイスが稼働していることを示す条件を満たす時系列データを入力データとして選定する選定手段と、
    前記選定手段によって選定された第一時刻までの前記入力データと、前記第一時刻の後の第二時刻の前記デバイスの状態を示すデータである教師データとに基づいて、前記第一時刻までの入力データを入力した場合に、前記第二時刻に対応する予測値を出力データとして出力するように学習された学習済モデルを生成する生成手段と、
    前記選定手段によって選定された第三時刻の入力データの後の第四時刻の前記デバイスの状態を示すデータである実測値を取得する第二取得手段と、
    前記選定手段によって選定された前記第三時刻の入力データを前記学習済モデルに入力した場合に得られた前記第四時刻の推論値と、前記第二取得手段で取得した前記第四時刻の前記実測値と、に基づく情報を出力する出力手段と、
    を有することを特徴とする情報処理システム。
22. デバイスの状態を示す時系列のデータである時系列データを取得する取得工程と、
    前記取得工程で取得した時系列データのうち、前記デバイスが稼働していることを示す条件を満たす時系列データを入力データとして選定する選定工程と、
    前記選定工程によって選定された第一時刻までの前記入力データと、前記第一時刻の後の第二時刻の前記デバイスの状態を示すデータである教師データとに基づいて、前記第一時刻までの入力データを入力した場合に、前記第二時刻に対応する予測値を出力データとして出力するように学習された学習モデルを生成する生成工程と、
    を有することを特徴とする学習モデルの生成方法。
23. デバイスの状態を示す時系列のデータである時系列データを取得する取得工程と、
    前記取得工程で取得した時系列データのうち、前記デバイスが稼働していることを示す条件を満たす時系列データを入力データとして選定する選定工程と、
    前記選定工程が選定した第一時刻の入力データの後の第二時刻の前記デバイスの状態を示すデータである実測値を取得する第二取得工程と、
    前記デバイスが稼働していることを示す条件を満たす第一時刻までの時系列データを入力した場合に、前記第一時刻の後の第二時刻に対応する推論値を出力データとして出力する学習済モデルに対して、前記選定工程によって選定された前記第一時刻までの入力データを入力して得られた推論値と、前記第二取得工程で取得した前記第二時刻の前記実測値と、に基づく情報を出力する出力工程と、
    を有することを特徴とする異常予測方法。
24. デバイスの状態を示す時系列のデータである時系列データを取得する取得工程と、
    前記取得工程で取得した時系列データのうち、前記デバイスが稼働していることを示す条件を満たす時系列データを入力データとして選定する選定工程と、
    前記選定工程によって選定された第一時刻までの前記入力データと、前記第一時刻の後の第二時刻の前記デバイスの状態を示すデータである教師データとに基づいて、前記第一時刻までの入力データを入力した場合に、前記第二時刻に対応する予測値を出力データとして出力するように学習された学習済モデルを生成する生成工程と、
    前記選定工程によって選定された第三時刻の入力データの後の第四時刻の前記デバイスの状態を示すデータである実測値を取得する第二取得工程と、
    前記選定工程によって選定された前記第三時刻の入力データを前記学習済モデルに入力した場合に得られた前記第四時刻の推論値と、前記第二取得工程で取得した前記第四時刻の前記実測値と、に基づく情報を出力する出力工程と、
    を有することを特徴とする異常予測方法。
25. コンピュータを、請求項１から１８のいずれか一項に記載の情報処理装置が有する各手段として機能させるためのプログラム。

Images