JP2021096773A - 提案システム、方法およびプログラム - Google Patents

Abstract

【課題】使用状況の変化に応じて適切に情報を提案するシステムを提供することを目的とする。【解決手段】提案システムでは、デバイスに関する販売実績情報を取得し、顧客からデバイスの使用状況に関する情報を受け付ける。デバイスの使用状況に関する情報と、販売実績情報とに基づいて、学習済みモデルにより、購入対象となるデバイスを推論し、その推論の結果を提案情報として出力する。【選択図】図７

Description

本発明は、購入対象となるデバイスを推定して提案する提案システム、方法およびプログラムに関する。

新たにプリンタを購入しようとしたときに、家庭用のプリンタに限っても多数の製品が販売されており、購入者はどのプリンタを購入することが自分の使用状況と照らし合わせて最も適切なのかを判断することが困難である。特許文献１には、電気製品を使用している顧客の使用情報に基づいて、顧客が現在使用している製品に代えて購入すべき新規製品を提示する方法が記載されている。

特開２００３―２７１８０１号公報

しかしながら、特許文献１のように、顧客の使用情報だけをもとに新規製品を提示する方法では、従来の使用通りに今後も使用することを前提として、新規製品を提案することとなる。従って、使用状況が従来と変わるタイミングで新規製品を購入しようとしている場合には、新規製品の情報を提案することができない場合がある。

本発明は、使用状況の変化に応じて適切に情報を提案する提案システム、方法およびプログラムを提供することを目的とする。

上記課題を解決するため、本発明に係る提案システムは、デバイスに関する販売実績情報を取得する第１取得手段と、顧客からデバイスの使用状況に関する情報を受け付ける受付手段と、前記受付手段により受け付けた前記デバイスの使用状況に関する情報と、前記第１取得手段により取得された前記販売実績情報とに基づいて、学習済みモデルにより、購入対象となるデバイスを推論する推論手段と、前記推論手段による推論の結果を提案情報として出力する出力手段とを備えることを特徴とする。

本発明によれば、使用状況の変化に応じて適切に情報を提案することができる。

処理システムの構成を示す図である。 サーバの構成を示すブロック図である。 プリンタの外観図である。 プリンタの構成を示すブロック図である。 処理システムのソフトウェア構成を示す図である。 学習モデルと学習済みモデルを概念的に示す図である。 処理システムの処理を示す図である。

以下、添付図面を参照して実施形態を詳しく説明する。尚、以下の実施形態は特許請求の範囲に係る発明を限定するものではない。実施形態には複数の特徴が記載されているが、これらの複数の特徴の全てが発明に必須のものとは限らず、また、複数の特徴は任意に組み合わせられてもよい。さらに、添付図面においては、同一若しくは同様の構成に同一の参照番号を付し、重複した説明は省略する。

［処理システムの構成］
図１は、本実施形態における処理システム１００の構成を示す図である。処理システム１００は、顧客の現在までのプリンタの使用状況と、そのプリンタの使用状況において新規のプリンタを購入した他のユーザに関する購入情報とに基づいて、購入対象となるであろう新規のプリンタを推定し、顧客に提案する提案システムである。システム１００は、クラウドサーバ２００、エッジサーバ３００、デバイス群４００を含むシステムであり、各装置間がネットワークを介して接続されている。図１では、ネットワークとして、ローカルエリアネットワーク１０２、インターネット１０４が例示されている。ローカルエリアネットワーク１０２、インターネット１０４は、無線通信ネットワーク、有線通信ネットワーク、若しくは両者を含むネットワークである。また、図１では、エッジサーバ３００は、ローカルエリアネットワーク１０２に接続されているが、インターネット１０４に接続されていても良い。

デバイス群４００は、ネットワーク接続が可能な各種装置を含む。例えば、デバイス群４００は、スマートフォン等の携帯型端末５００、プリンタ６００、パーソナルコンピュータやワークステーションなどのクライアント端末４０１、デジタルカメラ４０２を含む。但し、デバイス群４００に含まれる装置は、これらの種類に限られるものではなく、例えば冷蔵庫やテレビ、エアコンなどの家電製品であっても良い。デバイス群４００は、ローカルエリアネットワーク１０２で相互に通信可能に接続され、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と接続可能である。

図１では、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を接続する機器として示されている。ルータ１０３は、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有しても良い。その場合、デバイス群４００の各装置は、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することでローカルエリアネットワーク１０２に接続可能である。例えばプリンタ６００やクライアント端末４０１は有線ＬＡＮで接続し、携帯型端末５００やデジタルカメラ４０２は無線ＬＡＮで接続するように構成しても良い。デバイス群４００およびエッジサーバ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２００と相互に通信可能である。

エッジサーバ３００とデバイス群４００は、ローカルエリアネットワーク１０２を介して相互に通信可能である。また、デバイス群４００の各装置間もローカルエリアネットワーク１０２を介して相互に通信可能である。また、携帯型端末５００とプリンタ６００は、近距離無線通信１０１により通信可能である。近距離無線通信１０１として、例えば、Ｂｌｕｅｔｏｏｔｈ（登録商標）規格やＮＦＣ規格に則った無線通信が用いられる。また、携帯型端末５００は、携帯電話回線網１０５とも接続されており、携帯電話回線網１０５を介してクラウドサーバ２００と通信可能である。

処理システム１００の構成は一例を示すものであって、他の構成が用いられても良い。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上述したが、アクセスポイントは、ルータ１０３と異なる装置として構成しても良い。また、エッジサーバ３００とデバイス群４００の間の接続は、ローカルエリアネットワーク１０２以外の接続構成を用いるものであっても良い。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や、ＵＳＢなどの有線接続や赤外線通信などを用いるものであっても良い。

［サーバの構成］
図２は、クラウドサーバ２００、エッジサーバ３００の構成を示すブロック図である。図２は、クラウドサーバ２００、エッジサーバ３００で共通のハードウェア構成を示している。クラウドサーバ２００、エッジサーバ３００は、各装置全体の統括的な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、ハードディスクユニット２０２を含む。

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に記憶されている制御プログラムと、データメモリ２１４に記憶されているデータとに基づいて動作する。本実施形態におけるクラウドサーバ２００、エッジサーバ３００の各装置の動作は、例えば、ＣＰＵ２１１がプログラムメモリ２１３に記憶されているプログラム、データメモリ２１４に記憶されているデータを実行することにより実現される。

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や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、他の装置との間での通信を行う。ＣＰＵ２１１は、ハードディスク制御回路２１６を介して接続されたハードディスクユニット２０２との間でデータのリード／ライト動作を実行する。ハードディスクユニット２０２には、プログラムメモリ２１３にロードされて実行されるオペレーティングシステム（ＯＳ）、クラウドサーバ２００やエッジサーバ３００の制御ソフトウェア、各種データが記憶される。また、エッジサーバ３００のハードディスクユニット２０２には、後述する学習済みモデル３５２が記憶される。クラウドサーバ２００のハードディスクユニット２０２には、後述する学習モデル２５２が記憶される。ＣＰＵ２１１は、操作部制御回路２１８を制御することで操作部２２０に装置の状態表示や各種ユーザインタフェースの表示を行ったり、ユーザからの操作を受付ける。

ＧＰＵ２１７は、各種演算処理をＣＰＵ２１１の代わりに実行可能である。ＧＰＵ２１７はデータの並列処理の演算を効率的に実行可能であるので、例えば、ニューラルネットワークのような数理モデルを用いて深層学習（ディープラーニング）を行う場合には、ＧＰＵ２１７により処理が実行される。本実施形態では、後述の学習部２５１による学習処理では、ＣＰＵ２１１とＧＰＵ２１７が用いられる。例えば、学習モデルを含む学習プログラムを実行する場合に、ＣＰＵ２１１とＧＰＵ２１７が協同して演算を行うことで学習を行う。しかしながら、学習部２５１の処理は、ＣＰＵ２１１またはＧＰＵ２１７のみにより処理が行われても良い。また、後述する推論（推定）部３５１についても、学習部２５１と同様、ＣＰＵ２１１とＧＰＵ２１７が用いられても良い。

また、図２の構成は、クラウドサーバ２００とエッジサーバ３００で共通であるとして説明したが、共通構成に限られるものではない。例えばクラウドサーバ２００にはＧＰＵ２１７を搭載する一方、エッジサーバ３００ではＧＰＵ２１７を搭載しないように構成しても良いし、異なる性能のＧＰＵ２１７を搭載するように構成しても良い。

［プリンタの外観］
図３（ａ）、（ｂ）は、プリンタ６００の外観図である。プリンタ６００として、例えば、スキャナその他の機能を一体的に実現するマルチファンクションプリンタ（ＭＦＰ）が用いられる。図３（ａ）は、プリンタ６００の全体外観図を示している。原稿台６０１は、ガラス状の透明な台であり、スキャナで読取りを行う際に原稿が設置される。原稿台圧板６０２は、スキャナで読取りを行う際に原稿が浮かないように原稿台に押しつけるとともに、外光がスキャナユニットに入らないようにするためのカバーである。印刷用紙挿入口６０３は、様々なサイズの用紙をセットするための挿入口である。印刷用紙挿入口６０３にセットされた用紙は一枚ずつ不図示の印刷部に搬送され、所望の印刷が行われて印刷用紙排出口６０４から排出される。

図３（ｂ）は、プリンタ６００上面の外観図を示している。原稿台圧板６０２の上部には、操作パネル６０５および近距離無線通信ユニット６０６が配置されている。近距離無線通信ユニット６０６は、近距離無線通信を行うためのユニットであり、所定距離内にいる通信相手の近距離無線通信ユニットとの間で近距離無線通信が可能である。無線ＬＡＮアンテナ６０７は、無線ＬＡＮを用いてローカルエリアネットワーク１０２と接続して通信を行うためのアンテナである。

［プリンタの構成］
図４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、装置全体の統括的な制御を行うメインボード６１０、無線ＬＡＮユニット６０８、近距離無線通信ユニット６０６、操作パネル６０５を含む。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プログラムメモリ６１３に記憶されている制御プログラムと、データメモリ６１４に記憶されているデータとに基づいて動作する。プログラムメモリ６１３、データメモリ６１４は、例えば、ＲＯＭやＲＡＭ等で構成される。本実施形態におけるプリンタ６００の動作は、例えば、ＣＰＵ６１１がプログラムメモリ６１３に記憶されている制御プログラム、データメモリ６１４に記憶されているデータを実行することにより実現される。

ＣＰＵ６１１はスキャナ部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の画像データを用紙等の記録媒体に印刷する。ＣＰＵ６１１は、無線ＬＡＮ通信制御部６１８を介して無線ＬＡＮユニット６０８を制御することで、他の通信端末装置との間で無線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を制御することで、他の近距離無線通信端末との間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う。

ＣＰＵ６１１は、操作部制御回路６２０を制御することで操作パネル６０５にプリンタ６００の状態表示や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る。操作パネル６０５にはバックライトが設けられており、ＣＰＵ６１１は、操作部制御回路６２０を介してバックライトの点灯、消灯を制御する。例えば、ＣＰＵ６１１は、プリンタ６００の消費電力を抑えるために、バックライトを消灯するよう制御する。記憶部６２１は、プリンタ６００に投入されたジョブのジョブ情報を格納する。記憶部６２１に格納されるジョブ情報については後述する。

［ソフトウェア構成］
図５は、処理システム１００の各装置のソフトウェア構成を示す図である。図５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について示している。

クラウドサーバ２００は、例えばＣＰＵ２１１のプログラムの実行により実現される、学習用データ生成部２５０、学習部２５１、学習モデル２５２の各モジュールを含む。学習データ生成部２５０は、外部から受信した情報から、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、学習モデル２５２の入力データＸと、学習の結果の正解を示す教師データＴとのデータセットである。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と学習モデル２５２とを用いて学習を行う。本実施形態では、ニューラルネットワークとして構成される学習モデル２５２を用いて分類型の深層学習を行う。学習部２５１は、ニューラルネットワークの各ノード間の結合重み付け係数を最適化することにより、入力データを分類する。学習が行われた学習モデル２５２は、エッジサーバ３００に学習済みモデルとして配信され、エッジサーバ３００における推論に用いられる。

エッジサーバ３００は、例えばＣＰＵ２１１のプログラムの実行により実現される、データ収集・提供部３５０、推論部３５１、学習済みモデル３５２の各モジュールを含む。データ収集・提供部３５０は、デバイス群４００から受信した情報とエッジサーバ３００が生成した情報とを、クラウドサーバ２００での学習に用いるための情報としてクラウドサーバ２００に送信する。推論部３５１は、操作部２１８を介して入力される情報に基づいて、学習済みモデル３５２を用いて推論を実行する。また、推論部３５１は、デバイス群４００から送信される情報に基づいて、学習済みモデル３５２を用いて推論を実行可能である。その場合、その推論の結果をデバイス群４００に送信することが可能である。

デバイス群４００から送信されるデバイス情報、もしくは操作部２１８を介して入力された情報から、学習済みモデル３５２の入力データＸが生成される。学習済みモデル３５２は、エッジサーバ３００で行われる推論で用いられる。学習済みモデル３５２は、学習モデル２５２と同様にニューラルネットワークとして構成される。但し、学習済みモデル３５２は、クラウドサーバ２００から配信された学習モデル２５２に基づいて生成される。その際、学習済みモデル３５２は、学習モデル２５２の全ての層やユニット構成に基づいて生成されても良いし、学習モデル２５２のうち、エッジサーバ３００での推論に必要な一部分の構成に基づいて生成されるものでも良い。

デバイス群４００は、例えばＣＰＵ５１１、ＣＰＵ６１１のプログラムの実行により実現されるアプリケーション部４５０、データ送受信部４５１の各モジュールを含む。アプリケーション部４５０は、デバイス群４００で実行される各種の機能を実現するモジュールであり、深層学習による学習・推論の仕組みを利用可能なモジュールである。データ送受信部４５１は、エッジサーバ３００とのデータ送受信を行うモジュールである。エッジサーバ３００との間で行われるデータには、エッジサーバ３００に対する学習または推論の依頼、後述するプリンタの使用状況に関する情報が含まれる。

例えば、データ送受信部４５１は、学習時には、アプリケーション部４５０からの依頼に応じて、学習に用いる情報をエッジサーバ３００のデータ収集・提供部３５０に送信する。上記のプリンタの使用状況に関する情報は、学習に用いる情報として送信される。また、推論時には、アプリケーション部４５０からの依頼に応じて、推論に用いる情報をエッジサーバ３００に送信し、その推論の結果を受信すると、その推論の結果をアプリケーション部４５０に渡す。例えば、プリンタ６００のアプリケーション部４５０は、推論の結果に基づいて、操作パネル６０５上での画面の表示を行う。また、推論の結果は、エッジサーバ３００の操作部２１８上に表示される場合もある。

なお、本実施形態では、クラウドサーバ２００で学習を行った学習モデル２５２をエッジサーバ３００に学習済みモデル３５２として配信し、推論に用いる形態を示したが、そのような構成に限定されるものではない。学習、推論をそれぞれ、クラウドサーバ２００、エッジサーバ３００、デバイス４００のいずれで実行するかを、ハードウェア資源の配分や計算量、データ通信量に応じて決定するようにしても良い。あるいは、学習、推論をそれぞれ、クラウドサーバ２００、エッジサーバ３００、デバイス４００のいずれで実行するかを、資源の配分や計算量、データ通信量に応じて、動的に変更するようにしても良い。学習と推論を行う主体が異なるように構成することで、推論を行う装置側で用いる学習済みモデルの容量を低減化し、処理を高速化することができる。

［学習モデル］
図６は、学習モデル２５２、学習済みモデル３５２を生成する際の入出力データを説明するための図である。図６（ａ）は、学習時における、学習モデル２５２と、入出力データとの関係を示している。入力データＸは、学習モデル２５２の入力層に入力されるデータである。入力データＸが学習モデル２５２により認識された結果、出力データＹが出力される。学習時には、入力データＸの出力結果の正解データとして教師データＴが与えられ、出力データＹと教師データＴとのずれ量Ｌが損失関数から取得される。誤差逆伝播法により、ずれ量Ｌが小さくなるように、学習モデル２５２として構成されるニューラルネットワークのノード間の結合重み付け係数等が更新される。誤差逆伝播法は、ずれ量Ｌが小さくなるように、ニューラルネットワークのノード間の結合重み付け係数等を調整する手法の一つである。本実施形態では、ニューラルネットワークを用いた深層学習の構成を説明するが、本実施形態の動作を実現するために、他のアルゴリズムが用いられても良い。例えば、機械学習のアルゴリズムである、最近傍法、ナイーブベイズ法、決定木、サポートベクターマシンが用いられても良い。

図６（ｂ）は、推論時における、学習済みモデル３５２と、入出力データとの関係を示している。入力データＸは、学習済みモデル３５２の入力層に入力されるデータである。入力データＸが学習済みモデル３５２により認識された結果、出力データＹが出力される。推論時の学習済みモデル３５２は、学習モデル２５２と同様にニューラルネットワークとして構成されるが、学習モデル２５２から推論で必要な部分を抽出したモデルとして構成されても良い。そのような構成により、学習済みモデル３５２のサイズを低減化したり、推論時の処理時間を短縮することができる。

以下、本実施形態のユースケースの一例について説明する。ユースケースとして、例えば、図１のクラウドサーバ２００やエッジサーバ３００は、例えば、家電量販店に構成されており、デバイス群４００やルータ１０３は、企業や個人宅に構成されている。なお、本ユースケースの場合、エッジサーバ３００は、ローカルエリアネットワーク１０２ではなく、インターネット１０４に接続されている。本実施形態では、家電量販店において、プリンタの買い替えを所望する顧客の現在までのプリンタの使用状況に加え、そのようなプリンタの使用状況において新規のプリンタを購入した他のユーザに関する購入情報（購入したデバイス情報）を考慮する。

その顧客の現在までのプリンタの使用状況のみに基づく新規のプリンタの提案であれば、その顧客は今後もその使用状況の傾向を継続することを前提とすることになる。しかしながら、例えば、画期的な機能を有するプリンタが市場に登場した場合には、現在までのプリンタの使用状況とは異なることになるとしても、そのプリンタの購買意欲に駆られるユーザが多数生じることが想定される。その場合、顧客の現在までのプリンタの使用状況のみに基づいて提案してしまうと、その提案したプリンタは上記の画期的な機能を有するプリンタであるとは限らず、顧客に対する適切な提案とはならない可能性がある。

そこで、本実施形態では、顧客の現在までのプリンタの使用状況と、そのようなプリンタの使用状況において新規のプリンタを購入した他のユーザに関する購入情報とに基づいて、新規のプリンタを顧客に提案する。そのような構成により、顧客に対してプリンタを提案する際にも、現在の製品のトレンドを反映したより適切な提案を実現することができる。

図７は、本実施形態の処理システムにおいて実行される処理を示すフローチャートである。以降、図７を参照しながら、本実施形態の処理システムの動作について説明する。図７のプリンタ６００の処理は、例えば、ＣＰＵ６１１がプログラムメモリ６１３に記憶されたプログラムを実行することにより実現される。また、クラウドサーバ２００、エッジサーバ３００の各処理は、各装置のＣＰＵ２１１もしくはＧＰＵ２１７（以下の説明では、ＧＰＵ２１７とする）が、プログラムメモリ２１３に記憶されたプログラムを実行することにより実現される。なお、プリンタ６００のユーザは、クラウドサーバ２００から提供されるアプリケーション等により、本処理システムに利用登録がされている状態である。

Ｓ１０１において、プリンタ６００のＣＰＵ６１１は、印刷の実行が指示されると、印刷ジョブからジョブ情報を取得する。ここで、印刷が指示された場合とは、プリンタ６００の操作パネル６０５上で指示された場合、近距離無線通信ユニット６０６を介して印刷ジョブを受信した場合、無線ＬＡＮユニット６０８を介して印刷ジョブを受信した場合を含む。即ち、印刷ジョブは、プリンタ６００の内部で生成された印刷ジョブ、プリンタ６００の外部から受信した印刷ジョブを含む。ジョブ情報は、印刷ジョブで設定されている内容であり、例えば、モノクロ／カラー印刷、印刷部数、印刷用紙の情報、印刷ジョブの送信元情報、日時情報、ユーザ情報、プリンタ識別情報を含む。Ｓ１０２において、ＣＰＵ６１１は、Ｓ１０１で取得したジョブ情報を記憶部６２１に格納する。その際、ジョブ情報は、ユーザ毎にまとめられて記憶するようにしても良い。Ｓ１０１及びＳ１０２の処理により、プリンタ６００の記憶部６２１には、プリンタ６００で実行された印刷ジョブから取得されたジョブ情報が蓄積されていくことになる。

Ｓ１０３において、ＣＰＵ６１１は、所定のタイミング、例えば、１ヵ月間が経過したタイミング等で、記憶部６２１に蓄積されたジョブ情報に基づいて、プリンタの使用状況に関する情報を取得する。そして、ＣＰＵ６１１は、その取得したプリンタの使用状況に関する情報をクラウドサーバ２００に送信する。その際、プリンタの使用状況に関する情報は、プリンタ６００の機種名等のプリンタ識別情報、およびユーザ情報とともに送信される。プリンタの使用状況に関する情報は、ジョブ情報から集計される情報であり、例えば、以下の情報を含む。

（１）モノクロ印刷とカラー印刷の印刷割合
（２）予め定めた期間内の印刷枚数
（３）印刷指示された位置に関する情報
（４）印刷用紙の情報
情報（１）は、過去の所定期間におけるモノクロ印刷とカラー印刷の割合である。情報（２）は、過去の所定期間における印刷枚数の合計である。情報（３）は、印刷ジョブの送信元情報から取得され、例えば、プリンタ６００において指示された印刷ジョブと、プリンタ６００の外部、例えば携帯型端末から指示された印刷ジョブとの割合である。情報（４）は、印刷用紙の情報であり、例えば、写真紙が使用された割合である。なお、プリンタの使用状況に関する情報は、エッジサーバ３００を介してクラウドサーバ２００に送信されるようにしても良い。

このように、本実施形態では、クラウドサーバ２００は、学習モデル２５２の作成のための入力データＸとして、プリンタの使用状況に関する情報を定期的にプリンタ６００から収集する。

Ｓ１０１〜Ｓ１０３の一方、Ｓ１０４において、エッジサーバ３００のＧＰＵ２１７は、エッジサーバ３００が設けられている家電量販店で実際に購入された購入プリンタ情報とその購入者情報とを取得する。購入プリンタ情報は、例えば機種名であり、店舗側が販売した販売実績情報である。また、購入者情報は、購入者が既に本処理システムに利用登録されている場合には、その識別情報である。一方、購入者が本処理システムに利用登録されていない場合もあり得る。その場合には、購入者は、現在まで使用中のプリンタについて上記の情報（１）〜（４）に関する情報をアンケート等の手法により、エッジサーバ３００の操作部に入力してもらうようにしても良い。また、その際、顧客が所望するプリンタの機能に関する情報など、入力データＸの情報と異なる情報が入力されるようにしても良い。

Ｓ１０５において、エッジサーバ３００のＧＰＵ２１７は、Ｓ１０４で取得された購入プリンタ情報および購入者情報を含む購入情報をクラウドサーバ２００に送信する。その際、購入者情報として、ＩＤ番号等、本処理システム内で使用される識別情報が送信される。購入者が本処理システムに利用登録されていない場合には、上記の入力された情報と、購入プリンタ情報とを購入情報としてクラウドサーバ２００に送信する。

このように、本実施形態では、クラウドサーバ２００は、学習モデル２５２の作成のための教師データＴとして、購入情報をエッジサーバ３００から収集する。なお、図７では、Ｓ１０３は、Ｓ１０５の後のタイミングのように示されているが、逆であっても良い。

Ｓ１０６において、クラウドサーバ２００のＧＰＵ２１７は、Ｓ１０３で送信されたプリンタの使用状況に関する情報を受信し、ハードディスクユニット２０２等の記憶領域にユーザ情報およびプリンタ識別情報と関連づけて格納する。また、クラウドサーバ２００のＧＰＵ２１７は、Ｓ１０５で送信された購入情報を受信し、ハードディスクユニット２０２等の記憶領域に記憶する。

Ｓ１０７において、クラウドサーバ２００のＧＰＵ２１７は、入力データＸと教師データＴから成る学習用データセットを作成する。学習用データセットの作成では、例えば、ユーザ情報に基づいて、プリンタの使用状況に関する情報と、購入プリンタ情報とを学習用データセットとする。例えば、プリンタＡを使用しているユーザＡが、エッジサーバ３００が設けられている家電量販店でプリンタＢに買い替えるケースを想定する。そのような場合には、Ｓ１０３で送信されるユーザ情報に対応するプリンタの使用状況に関する情報（プリンタＡ）と、Ｓ１０４で送信される購入プリンタ情報（プリンタＢ）とが学習用データセットとして作成される。また、購入者が本処理システムに利用登録されていない場合には、Ｓ１０５で送信された入力情報（Ｓ１０４で入力されたプリンタの使用状況に関する情報）と、購入プリンタ情報とが学習データセットとして作成される。

Ｓ１０７ではさらに、クラウドサーバ２００のＧＰＵ２１７は、作成された学習用データセットを用いて、学習モデル２５２を作成する。Ｓ１０８において、クラウドサーバ２００のＧＰＵ２１７は、作成した学習モデル２５２をエッジサーバ３００に送信する。その際、上述したように、作成した学習モデル２５２の一部がエッジサーバ３００に送信されるようにしても良い。Ｓ１０９において、エッジサーバ３００のＧＰＵ２１７は、送信された学習モデル２５２を用いて、学習済みモデル３５２を作成する。

このように、本実施形態における学習モデル２５２及び学習済みモデル３５２の作成においては、プリンタの使用状況に基づいて実際に購入した購入プリンタ情報が教師データＴとして用いられる。従って、学習済みモデル３５２を用いた推論では、例えば現在の製品のトレンドとして画期的な新機能を搭載したプリンタの購入者が多くなるほど、そのプリンタの情報が出力される傾向が高まる。

Ｓ１１０において、エッジサーバ３００のＧＰＵ２１７は、顧客から情報を取得する。顧客から取得する情報とは、顧客の現在のプリンタの使用状況に関する情報であり、例えば、上記の情報（１）〜（４）といった情報である。例えば、エッジサーバ３００の操作部を介して、顧客から情報を受け付けるようにしても良い。また、顧客が本処理システムに既に利用登録されている場合には、顧客の識別情報を受け付けるようにしても良い。また、顧客が現在使用中のプリンタの識別情報を受け付けるようにしても良い。いずれの場合でも、顧客の識別情報もしくはプリンタの識別情報に基づいて、クラウドサーバ２００に対してプリンタの使用状況に関する情報を要求する。クラウドサーバ２００のＧＰＵ２１７は、要求された顧客の識別情報もしくはプリンタの識別情報に対応づけられたプリンタの使用状況に関する情報をエッジサーバ３００に送信する。そして、エッジサーバ３００のＧＰＵ２１７は、クラウドサーバ２００から送信されたプリンタの使用状況に関する情報を取得する。

Ｓ１１１において、エッジサーバ３００のＧＰＵ２１７は、Ｓ１１０で取得された情報を学習済みモデル３５２に入力し推論を行う。そして、エッジサーバ３００のＧＰＵ２１７は、推論の結果、最も高い確率に分類されるプリンタ情報を提案情報として出力する。例えば、提案情報は、エッジサーバ３００の操作部２１８に表示されるようにしても良い。

以上のように、本実施形態では、情報（１）を用いて学習モデル２５２及び学習済みモデル３５２の作成が行われている。従って、例えば、顧客の現在までのモノクロ印刷とカラー印刷の割合に基づいて、カラー機もしくはモノクロ機の購入を適切に提案することができる。

また、情報（２）を用いて学習モデル２５２及び学習済みモデル３５２の作成が行われている。従って、例えば、顧客の現在までの印刷を行った印刷枚数に基づいて、通常のインクタンクを搭載したプリンタ、もしくは大容量のインクタンクを搭載したプリンタの購入を適切に提案することができる。なお、大容量のインクタンクを搭載したプリンタとは、例えば、連続インク供給システム（ＣＩＳＳ：Ｃｏｎｔｉｎｕｏｕｓ Ｉｎｋ Ｓｕｐｐｌｙ Ｓｙｓｔｅｍ）型のプリンタである。

また、情報（３）を用いて学習モデル２５２及び学習済みモデル３５２の作成が行われている。従って、例えば、顧客の現在までの印刷指示を行った位置に基づいて、携帯型端末から印刷指示をすることが多いと判断される場合には、携帯型端末との連携が優れたプリンタの購入を適切に提案することができる。

また、情報（４）を用いて学習モデル２５２及び学習済みモデル３５２の作成が行われている。従って、例えば、顧客の現在までの印刷を行った印刷用紙の情報に基づいて、写真印刷の割合が高いと判断される場合には画像品位の高いプリンタの購入を適切に提案することができる。また、例えば、文書印刷、写真印刷それぞれの割合に応じて、染料インクを搭載するプリンタ、もしくは顔料インクを搭載するプリンタを適切に提案することができる。

さらには、本実施形態では、教師データＴとして、プリンタの使用状況に基づいて実際に購入した購入プリンタ情報が用いられるので、上記の効果に加えて、現在の製品のトレンドを反映させることができる。また、顧客に対して、顧客自身の使用状況によく似た人が購入した機種に近い新規製品を提案することができる。その結果、顧客が顧客自身の使用状況にそぐわない機種を誤って購入してしまうことを抑制することができる。

本実施形態では、入力データＸとして用いられる情報とＳ１１０で取得される情報として情報（１）〜（４）を説明したが、それらに限られず、他の情報が用いられても良い。例えば、現在使用中のプリンタの価格情報を入力データＸとして用いるようにしても良い。そのような構成により、顧客の現在の使用中のプリンタの価格帯を反映した製品の購入を適切に提案することができる。

また、Ｓ１１０で取得される情報として、入力データＸに対応する情報（１）〜（４）を説明したが、Ｓ１１０で取得される情報と、入力データＸに対応する情報とが異なっていても良い。例えば、Ｓ１１０で取得される情報として、顧客が今後欲しい機能、または予想され得る今後のプリンタの使用状況の情報を取得するようにしても良い。そのような構成により、顧客自身の使用状況に今後変化が生じたとしても、その変化を考慮した新規製品を提案することができる。その場合、例えば、顧客が今後欲しい機能を有したプリンタを使用している他のユーザーの情報に基づいて新規製品を提案することができる。

また、プリンタの使用状況に関する情報をＳ１０３でユーザ操作を介さずにクラウドサーバ２００に送信すると説明した。しかしながら、他の方法により、プリンタの使用状況に関する情報がクラウドサーバ２００に送信されても良い。例えば、プリンタ６００の操作パネル６０５を介して、若しくは、携帯型端末のアプリケーション上で、クラウドサーバ２００にユーザ操作により送信するようにしても良い。

また、本実施形態では、Ｓ１１１において、推論の結果、最も高い確率に分類されるプリンタ情報を提案情報として出力するとして説明した。しかしながら、分類結果について、現在まで使用している顧客のプリンタと、例えば同一のメーカーがある場合には、そのプリンタ情報を優先的に提案情報として出力するようにしても良い。そのような構成により、メーカーは自社製のプリンタを再度購入してもらう可能性が高まり、また、顧客にとっても、現在まで使用しており安心感のある同一のメーカーのプリンタが優先的に提示されるため、不安が少なく、購買意欲が増すことが想定される。

また、顧客にとっては、本処理システムにより、お奨めの機種が提案されるので、どの製品を買えばいいのか迷うことが少なくなり、顧客の負担を軽減させることができる。また、家電量販店の販売店員としては、明確な根拠（データ）に基づいて、販売を勧めることができるため、感情に偏った販売行動を抑えることができる。

また、本実施形態では、エッジサーバ３００が家電量販店に設けられており、そこに訪れた顧客がプリンタを購入するケースを一例として説明した。しかしながら、顧客がエッジサーバ３００が提供するウェブサイト等で、プリンタを購入するケースでも本実施形態の動作を適用可能である。例えば、学習済みモデル３５２と連動する予め作成されたウェブサイト等に、顧客が現在使用中のプリンタの識別番号等を入力することで、本実施形態と同様に、新規製品を提案することができる。

また、本実施形態では、プリンタを提案する構成について説明したが、プリンタに限られず、他のデバイスであっても良い。例えば、カメラやスマートフォン等のデバイスや、テレビ等の家電製品であっても良い。その場合、情報（１）〜（４）は、各デバイスの使用状況に関する情報であれば良く、例えば、撮影頻度や、テレビの視聴時間等であっても良い。また、Ｓ１０３での送信は、デバイスからの送信でなくても良く、例えば、スマートハウスであれば、センサ等により、デバイスや居住者の挙動や傾向等を検出し、ＩｏＴ（Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ）データとして送信する構成であっても良い。

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、ネットワーク又は記憶媒体を介してシステム又は装置に供給し、そのシステム又は装置のコンピュータにおける１つ以上のプロセッサー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。

発明は上記実施形態に制限されるものではなく、発明の精神及び範囲から離脱することなく、様々な変更及び変形が可能である。従って、発明の範囲を公にするために請求項を添付する。

１００ 処理システム： ２００ クラウドサーバ： ３００ エッジサーバ： ４００ デバイス群： ５００ 携帯型端末： ６００ プリンタ： ２１１、５１１、６１１ ＣＰＵ： ２１７ ＧＰＵ： ２５１ 学習部： ２５２ 学習モデル： ３５１ 推論部： ３５２ 学習済みモデル

Claims (13)

1. デバイスに関する販売実績情報を取得する第１取得手段と、
   顧客からデバイスの使用状況に関する情報を受け付ける受付手段と、
   前記受付手段により受け付けた前記デバイスの使用状況に関する情報と、前記第１取得手段により取得された前記販売実績情報とに基づいて、学習済みモデルにより、購入対象となるデバイスを推論する推論手段と、
   前記推論手段による推論の結果を提案情報として出力する出力手段と、
   を備えることを特徴とする提案システム。
2. 前記提案システムは、第１サーバと第２サーバを含み、
   前記第１サーバは、前記第１取得手段と、前記受付手段と、前記推論手段と、前記出力手段とを備え、
   前記第２サーバは、前記学習済みモデルを更新する更新手段、を備える、
   ことを特徴とする請求項１に記載の提案システム。
3. 前記第２サーバは、
   デバイスの使用状況に関する情報を取得する第２取得手段と、
   前記販売実績情報を取得する第３取得手段と、
   前記第２取得手段により取得された前記デバイスの使用状況に関する情報と、前記第３取得手段により取得された前記販売実績情報とに基づいて、学習モデルを作成する作成手段と、をさらに備え、
   前記更新手段は、前記作成手段により作成された前記学習モデルにより、前記学習済みモデルを更新する、
   ことを特徴とする請求項２に記載の提案システム。
4. 前記第２取得手段により取得されるデバイスの使用状況に関する情報と、前記受付手段により受け付けるデバイスの使用状況に関する情報とは異なることを特徴とする請求項３に記載の提案システム。
5. 前記第２取得手段は、デバイスから前記デバイスの使用状況に関する情報を受信することにより取得することを特徴とする請求項４に記載の提案システム。
6. 前記第１サーバは、
   前記第１取得手段により取得された前記販売実績情報を前記第２サーバに送信する送信手段と、をさらに備え、
   前記第２サーバの前記第３取得手段は、前記送信手段により送信された前記販売実績情報を取得する、
   ことを特徴とする請求項３乃至５のいずれか１項に記載の提案システム。
7. 前記学習済みモデルと前記学習モデルは、ニューラルネットワークであることを特徴とする請求項３乃至６のいずれか１項に記載の提案システム。
8. 前記デバイスは、プリンタであることを特徴とする請求項１乃至７のいずれか１項に記載の提案システム。
9. 前記デバイスの使用状況に関する情報は、モノクロ印刷とカラー印刷の割合、印刷枚数、印刷指示された位置に関する情報、印刷用紙の情報、の少なくともいずれかを含むことを特徴とする請求項８に記載の提案システム。
10. 前記デバイスの使用状況に関する情報は、価格情報を含むことを特徴とする請求項９に記載の提案システム。
11. 前記デバイスの使用状況に関する情報は、前記顧客が所望する機能の情報を含むことを特徴とする請求項９又は１０に記載の提案システム。
12. 提案システムにおいて実行される方法であって、
    デバイスに関する販売実績情報を取得する第１取得工程と、
    顧客からデバイスの使用状況に関する情報を受け付ける受付工程と、
    前記受付工程において受け付けた前記デバイスの使用状況に関する情報と、前記第１取得工程において取得された前記販売実績情報とに基づいて、学習済みモデルにより、購入対象となるデバイスを推論する推論工程と、
    前記推論工程における推論の結果を提案情報として出力する出力工程と、
    を有することを特徴とする方法。
13. デバイスに関する販売実績情報を取得する第１取得手段、
    顧客からデバイスの使用状況に関する情報を受け付ける受付手段、
    前記受付手段により受け付けた前記デバイスの使用状況に関する情報と、前記第１取得手段により取得された前記販売実績情報とに基づいて、学習済みモデルにより、購入対象となるデバイスを推論する推論手段、
    前記推論手段による推論の結果を提案情報として出力する出力手段、
    としてコンピュータを機能させるためのプログラム。

Images