JP2022015275A - 設定管理装置、設定管理方法、及び、設定管理プログラム - Google Patents
設定管理装置、設定管理方法、及び、設定管理プログラム Download PDFInfo
- Publication number
- JP2022015275A JP2022015275A JP2020117994A JP2020117994A JP2022015275A JP 2022015275 A JP2022015275 A JP 2022015275A JP 2020117994 A JP2020117994 A JP 2020117994A JP 2020117994 A JP2020117994 A JP 2020117994A JP 2022015275 A JP2022015275 A JP 2022015275A
- Authority
- JP
- Japan
- Prior art keywords
- setting
- data
- learning
- preprocessing
- evaluation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000007726 management method Methods 0.000 title claims description 69
- 238000011156 evaluation Methods 0.000 claims abstract description 127
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000007781 pre-processing Methods 0.000 claims description 163
- 238000012549 training Methods 0.000 claims description 26
- 238000000034 method Methods 0.000 abstract description 30
- 230000006870 function Effects 0.000 description 10
- 238000013473 artificial intelligence Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000010606 normalization Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Landscapes
- Debugging And Monitoring (AREA)
Abstract
【課題】前処理設定と、前処理設定に対応する学習履歴とを対応させて記録したい。【解決手段】設定管理装置10は、入力情報に対応する出力情報を推論するプログラムである学習モデルを学習させるために用意されたデータである学習用生データに対する前処理の設定を示す情報である前処理設定と、前処理設定に基づいて学習用生データを加工したデータである前処理済データを用いて学習モデルを学習させることによって生成された学習済モデルの精度を示す評価指標とを対応させて記録する履歴記録部14を備える。【選択図】図1
Description
本開示は、設定管理装置、設定管理方法、及び、設定管理プログラムに関する。
AI(Artificial Intelligence)により時系列データの予測又は異常検知等を試みる際、前処理を実施することがある。前処理は、生データを加工することによってAIに入力するデータを作成する処理のことである。
前処理の設定によって、学習済モデルの精度が変わることがある。そのため、前処理の設定と、学習履歴とを対応させて蓄積することが望ましい。しかしながら、特許文献1の技術によれば、前処理の設定を蓄積する機能がない。学習履歴は、具体例として、訓練データ又はテストデータと、学習済モデルと、学習済モデルの評価指標とである。
本開示は、前処理設定と、前処理設定に対応する学習履歴とを対応させて記録することを目的とする。
本開示に係る設定管理装置は、
入力情報に対応する出力情報を推論するプログラムである学習モデルを学習させるために用意されたデータである学習用生データに対する前処理の設定を示す情報である前処理設定と、前記前処理設定に基づいて前記学習用生データを加工したデータである前処理済データを用いて前記学習モデルを学習させることによって生成された学習済モデルの精度を示す評価指標とを対応させて記録する履歴記録部を備える。
入力情報に対応する出力情報を推論するプログラムである学習モデルを学習させるために用意されたデータである学習用生データに対する前処理の設定を示す情報である前処理設定と、前記前処理設定に基づいて前記学習用生データを加工したデータである前処理済データを用いて前記学習モデルを学習させることによって生成された学習済モデルの精度を示す評価指標とを対応させて記録する履歴記録部を備える。
本開示に係る設定管理装置は、履歴記録部を備える。履歴記録部は、前処理設定と、前処理設定に対応する学習済モデルの評価指標とを記録する。評価指標は、前処理設定に対応する学習履歴である。
従って、本開示に係る設定管理装置によれば、前処理設定と、前処理設定に対応する学習履歴とを対応させて記録することができる。
従って、本開示に係る設定管理装置によれば、前処理設定と、前処理設定に対応する学習履歴とを対応させて記録することができる。
実施の形態の説明及び図面において、同じ要素及び対応する要素には同じ符号を付している。同じ符号が付された要素の説明は、適宜に省略又は簡略化する。図中の矢印はデータの流れ又は処理の流れを主に示している。
実施の形態1.
以下、本実施の形態について、図面を参照しながら詳細に説明する。
以下、本実施の形態について、図面を参照しながら詳細に説明する。
***構成の説明***
図1は、本実施の形態に係る設定管理装置10の構成例を示している。設定管理装置10は、本図に示すように、設定入力部11と、学習制御部12と、履歴管理部13と、履歴記録部14と、履歴比較部15とを備える。
図1は、本実施の形態に係る設定管理装置10の構成例を示している。設定管理装置10は、本図に示すように、設定入力部11と、学習制御部12と、履歴管理部13と、履歴記録部14と、履歴比較部15とを備える。
設定入力部11は、前処理設定をユーザから受け付け、受け付けた前処理設定を学習制御部12と、履歴管理部13とに出力する。このとき、設定入力部11は、ユーザに対して時系列データの前処理設定を入力する画面を提供してもよい。ユーザは、コンピュータであってもよい。
設定入力部11は、学習制御部12から学習用生データを受け付ける。
設定入力部11は、学習制御部12から学習用生データを受け付ける。
前処理は、データを解析する前に、データを解析する前に解析するデータを加工することである。前処理の具体例を以下に示す。
前処理の一例である移動平均は、10分間の電圧の平均値を計算する際に用いられる。
前処理の一例である欠損データ処理は、データが欠損している時間の値を線形補完する際に用いられる。
前処理の一例である正規化は、全データの中で最大値が1となるように全データを当初の最大値で割る際に用いられる。
前処理の一例である移動平均は、10分間の電圧の平均値を計算する際に用いられる。
前処理の一例である欠損データ処理は、データが欠損している時間の値を線形補完する際に用いられる。
前処理の一例である正規化は、全データの中で最大値が1となるように全データを当初の最大値で割る際に用いられる。
学習制御部12は、学習指示と、学習モデルと、学習用生データと、ハイパーパラメータとをユーザから受け付け、前処理設定を設定入力部11から受け付ける。前処理設定は、学習用生データに対する前処理の設定を示す情報である。前処理の設定は、具体例として、前処理の手法を選択すること、又は、前処理の手法に関するパラメータの値を決めることである。
学習制御部12は、学習指示がある場合において、学習モデルと、学習用生データと、ハイパーパラメータとを用いて学習モデルを学習させることによって学習済モデルを生成し、生成した学習済モデルに対応する評価指標を生成し、かつ、学習済モデルと、学習用生データと、ハイパーパラメータと、評価指標とを履歴管理部13に出力する。学習制御部12は、学習モデルに対応するハイパーパラメータを受け付け、かつ、ハイパーパラメータを用いて学習済モデルを生成する。
学習制御部12は、複数の前処理設定を受け付け、複数の学習済モデルを生成し、複数の評価指標を生成してもよい。このとき、複数の前処理設定と、複数の学習済モデルと、複数の評価指標とのそれぞれの数は同じである。また、複数の前処理設定それぞれは、互いに異なる複数の学習済モデルそれぞれと対応する。複数の学習済モデルそれぞれは、互いに異なる複数の評価指標それぞれと対応する。
また、学習制御部12は、学習用生データを設定入力部11に出力する。
学習指示は、学習制御部12に学習モデルを学習させる指示の有無を示す情報である。
学習モデルは、機械学習又はAI(Artificial Intelligence)のアルゴリズムを実装したプログラムである。学習モデルは、入力情報に対応する出力情報を推論するプログラムである。入力情報は、学習モデル又は学習済モデルに入力するデータである。出力情報は、学習モデル又は学習済モデルが推論した結果である。
ハイパーパラメータは、学習モデルに対応し、かつ、機械学習又はAIのアルゴリズムの挙動を制御するパラメータの情報である。情報は、文字情報であってもよい。
学習用生データは、学習モデルを学習させるために用意されたデータであり、前処理を実行されていないデータである。
学習済モデルは、学習済みパラメータが組み込まれたプログラムである。学習済モデルは、前処理済データを用いて学習モデルを学習させることによって生成される。
学習済みパラメータは、学習モデルのパラメータであって、学習モデルを学習させることによって得られるパラメータである。
評価指標は、学習済モデルによる予測の正解率等、学習済モデルの精度を示す。学習済モデルの精度は、学習済モデルの出力の適切さの度合いであり、典型的には、評価指標によって計測される。評価指標は、予測結果と呼ばれることもある。評価指標は、学習済モデルが前処理済データを用いて推論することによって予測した結果を表現する情報を含んでもよい。前処理済データは、学習用生データに対して前処理設定に基づいて前処理を実行することによって得られるデータである。前処理済データは、前処理設定に基づいて学習用生データを加工したデータである。
学習制御部12は、学習指示がある場合において、学習モデルと、学習用生データと、ハイパーパラメータとを用いて学習モデルを学習させることによって学習済モデルを生成し、生成した学習済モデルに対応する評価指標を生成し、かつ、学習済モデルと、学習用生データと、ハイパーパラメータと、評価指標とを履歴管理部13に出力する。学習制御部12は、学習モデルに対応するハイパーパラメータを受け付け、かつ、ハイパーパラメータを用いて学習済モデルを生成する。
学習制御部12は、複数の前処理設定を受け付け、複数の学習済モデルを生成し、複数の評価指標を生成してもよい。このとき、複数の前処理設定と、複数の学習済モデルと、複数の評価指標とのそれぞれの数は同じである。また、複数の前処理設定それぞれは、互いに異なる複数の学習済モデルそれぞれと対応する。複数の学習済モデルそれぞれは、互いに異なる複数の評価指標それぞれと対応する。
また、学習制御部12は、学習用生データを設定入力部11に出力する。
学習指示は、学習制御部12に学習モデルを学習させる指示の有無を示す情報である。
学習モデルは、機械学習又はAI(Artificial Intelligence)のアルゴリズムを実装したプログラムである。学習モデルは、入力情報に対応する出力情報を推論するプログラムである。入力情報は、学習モデル又は学習済モデルに入力するデータである。出力情報は、学習モデル又は学習済モデルが推論した結果である。
ハイパーパラメータは、学習モデルに対応し、かつ、機械学習又はAIのアルゴリズムの挙動を制御するパラメータの情報である。情報は、文字情報であってもよい。
学習用生データは、学習モデルを学習させるために用意されたデータであり、前処理を実行されていないデータである。
学習済モデルは、学習済みパラメータが組み込まれたプログラムである。学習済モデルは、前処理済データを用いて学習モデルを学習させることによって生成される。
学習済みパラメータは、学習モデルのパラメータであって、学習モデルを学習させることによって得られるパラメータである。
評価指標は、学習済モデルによる予測の正解率等、学習済モデルの精度を示す。学習済モデルの精度は、学習済モデルの出力の適切さの度合いであり、典型的には、評価指標によって計測される。評価指標は、予測結果と呼ばれることもある。評価指標は、学習済モデルが前処理済データを用いて推論することによって予測した結果を表現する情報を含んでもよい。前処理済データは、学習用生データに対して前処理設定に基づいて前処理を実行することによって得られるデータである。前処理済データは、前処理設定に基づいて学習用生データを加工したデータである。
履歴管理部13は、設定入力部11から前処理設定を受け付け、学習用生データと、学習済モデルと、ハイパーパラメータと、評価指標とを学習制御部12から受け付け、受け付けた情報を用いて履歴情報を生成する。履歴管理部13は、生成した履歴情報を履歴記録部14に出力する。
履歴情報は、前処理設定と、前処理設定に基づいて生成された前処理済データを用いて生成された学習済モデルに対応する評価指標とを対応させた情報である。履歴情報は、学習済モデルと、ハイパーパラメータと、学習用生データと、前処理設定と、評価指標等を含んでもよい。また、履歴情報は、データを示す情報として、データのパスを示す情報を含んでもよい。
履歴情報は、前処理設定と、前処理設定に基づいて生成された前処理済データを用いて生成された学習済モデルに対応する評価指標とを対応させた情報である。履歴情報は、学習済モデルと、ハイパーパラメータと、学習用生データと、前処理設定と、評価指標等を含んでもよい。また、履歴情報は、データを示す情報として、データのパスを示す情報を含んでもよい。
履歴記録部14は、1つ以上の履歴情報を履歴管理部13から受け付け、受け付けた1つ以上の履歴情報を記録し、受け付けた1つ以上の履歴情報を履歴比較部15に出力する。記録することは、保持すること又は蓄積することと同義であることもある。履歴記録部14は、前処理設定と、評価指標とを対応させて記録する。履歴記録部14は、ハイパーパラメータと、評価指標とを対応させて記録してもよい。履歴記録部14は、複数の前処理設定それぞれと、複数の前処理設定それぞれに対応する複数の評価指標それぞれとを対応させて記録してもよい。
履歴比較部15は、履歴記録部14から1つ以上の履歴情報を受け付ける。履歴比較部15は、複数の履歴情報を受け付けた場合において、比較情報を生成する。比較情報は、複数の履歴情報と、複数の履歴情報間の差異とを示す。比較情報は、比較情報を画面に表示するための情報を含んでもよい。
図2は、本実施の形態に係る設定管理装置10のハードウェア構成例を示している。設定管理装置10は、コンピュータから成る。設定管理装置10は、複数のコンピュータから成ってもよい。
コンピュータは、本図に示すように、プロセッサ101と、メモリ102と、補助記憶装置103と、入出力IF(Interface)104と、通信装置105と等のハードウェアを備えるコンピュータである。これらのハードウェアは、信号線109を介して互いに接続されている。
プロセッサ101は、演算処理を行うIC(Integrated Circuit)であり、かつ、コンピュータが備えるハードウェアを制御する。プロセッサ101は、具体例として、CPU(Central Processing Unit)、DSP(Digital Signal Processor)、又はGPU(Graphics Processing Unit)である。
設定管理装置10は、プロセッサ101を代替する複数のプロセッサを備えてもよい。複数のプロセッサは、プロセッサ101の役割を分担する。
設定管理装置10は、プロセッサ101を代替する複数のプロセッサを備えてもよい。複数のプロセッサは、プロセッサ101の役割を分担する。
メモリ102は、典型的には、揮発性の記憶装置である。メモリ102は、主記憶装置又はメインメモリとも呼ばれる。メモリ102は、具体例として、RAM(Random
Access Memory)である。メモリ102に記憶されたデータは、必要に応じて補助記憶装置103に保存される。
Access Memory)である。メモリ102に記憶されたデータは、必要に応じて補助記憶装置103に保存される。
補助記憶装置103は、典型的には、不揮発性の記憶装置である。補助記憶装置103は、具体例として、ROM(Read Only Memory)、HDD(Hard Disk Drive)、又はフラッシュメモリである。補助記憶装置103に記憶されたデータは、必要に応じてメモリ102にロードされる。
メモリ102と、補助記憶装置103とは、一体的に構成されていてもよい。
メモリ102と、補助記憶装置103とは、一体的に構成されていてもよい。
入出力IF104は、入力装置及び出力装置が接続されるポートである。入出力IF104は、具体例として、USB(Universal Serial Bus)端子である。入力装置は、具体例として、キーボード及びマウスである。出力装置は、具体例として、ディスプレイである。
通信装置105は、レシーバ及びトランスミッタである。通信装置105は、具体例として、通信チップ又はNIC(Network Interface Card)である。
設定管理装置10の各部は、他の装置等と通信する際に、通信装置105を適宜用いてもよい。
設定管理装置10の各部がデータを受け付ける場合、設定管理装置10の各部は、入出力IF104を介してデータを受け付けても良く、また、通信装置105を介してデータを受け付けてもよい。
設定管理装置10の各部がデータを受け付ける場合、設定管理装置10の各部は、入出力IF104を介してデータを受け付けても良く、また、通信装置105を介してデータを受け付けてもよい。
補助記憶装置103は、設定管理プログラムを記憶している。設定管理プログラムは、設定管理装置10が備える各部の機能をコンピュータに実現させるプログラムである。設定管理プログラムは、複数のファイルから成ってもよい。設定管理プログラムは、メモリ102にロードされて、プロセッサ101によって実行される。設定管理装置10が備える各部の機能は、ソフトウェアにより実現される。
設定管理プログラムを実行する際に用いられるデータと、設定管理プログラムを実行することによって得られるデータと等は、記憶装置に適宜記憶される。設定管理装置10の各部は、適宜記憶装置を利用する。記憶装置は、具体例として、メモリ102と、補助記憶装置103と、プロセッサ101内のレジスタと、プロセッサ101内のキャッシュメモリとの少なくとも1つから成る。なお、データと、情報とは、同等の意味を有することもある。記憶装置は、コンピュータと独立したものであってもよい。
メモリ102の機能と、補助記憶装置103の機能とのそれぞれは、他の記憶装置によって実現されてもよい。
メモリ102の機能と、補助記憶装置103の機能とのそれぞれは、他の記憶装置によって実現されてもよい。
履歴記録部14は、記憶装置から成る。
設定管理プログラムは、コンピュータが読み取り可能な不揮発性の記録媒体に記録されていてもよい。不揮発性の記録媒体は、具体例として、光ディスク又はフラッシュメモリである。設定管理プログラムは、プログラムプロダクトとして提供されてもよい。
***動作の説明***
設定管理装置10の動作手順は、設定管理方法に相当する。また、設定管理装置10の動作を実現するプログラムは、設定管理プログラムに相当する。
設定管理装置10の動作手順は、設定管理方法に相当する。また、設定管理装置10の動作を実現するプログラムは、設定管理プログラムに相当する。
図3は、設定管理装置10の動作の一例を示すフローチャートである。
以下、衛星の電源電圧を示す時系列データである学習用生データを前処理した上で衛星の状態の異常を検知するAIを製作する場合に対応する例を交えながら設定管理装置10の動作手順を説明する。他の実施の形態においても、本例を適宜交えながら説明する。
以下、衛星の電源電圧を示す時系列データである学習用生データを前処理した上で衛星の状態の異常を検知するAIを製作する場合に対応する例を交えながら設定管理装置10の動作手順を説明する。他の実施の形態においても、本例を適宜交えながら説明する。
(ステップS101:前処理情報入力処理)
ユーザは、設定画面80を用いて設定入力部11に前処理設定を入力する。設定画面80は、ユーザが前処理設定を入力する際に用いられる。
図4は、設定画面80の実施例を示している。本例において、設定画面80は、前処理済データ欄81と、前処理設定入力欄85とを有する。前処理済データ欄81は、学習用前処理済データ欄とも呼ばれる。前処理設定入力欄85は、前処理設定入力欄とも呼ばれる。
ユーザは、設定画面80を用いて設定入力部11に前処理設定を入力する。設定画面80は、ユーザが前処理設定を入力する際に用いられる。
図4は、設定画面80の実施例を示している。本例において、設定画面80は、前処理済データ欄81と、前処理設定入力欄85とを有する。前処理済データ欄81は、学習用前処理済データ欄とも呼ばれる。前処理設定入力欄85は、前処理設定入力欄とも呼ばれる。
前処理済データ欄81は、前処理済データを示す。前処理済データ欄81は、グラフ82を有する。
グラフ82は、前処理済データをグラフ形式により描画した折れ線グラフである。グラフ82の横軸は時刻を示し、グラフ82の縦軸は電力を示す。
前処理設定入力欄85は、前処理の各項目の値を入力することと、入力した値を確定することとに用いられるフォームである。前処理設定入力欄85は、項目名86と、項目入力87と、確定ボタン88とを有する。各辺が点線で表示されている四角形は、説明のために便宜的に表示している仮想的な図形である。
項目名86は、「名称」と、「移動平均間隔」と、「正規化有無」等の項目を示す。「名称」は、前処理の設定に付けられた名称を示す。「移動平均間隔」は、移動平均を計算する間隔を示す。「正規化有無」は、学習用生データに対する正規化の有無を示すフラグを示す。
項目入力87は、項目名86のそれぞれに対応する。
確定ボタン88は、ユーザが入力した情報を確定することに用いられる。
図5は、前処理設定の実施例を示している。本例において、前処理設定は、前処理を識別する情報として、「名称」と、「正規化有無」と、「移動平均間隔」との項目を有する。
設定入力部11は、前処理設定を履歴管理部13に出力する。
(ステップS102:学習情報入力処理)
ユーザは、学習指示と、学習モデルと、学習用生データと、ハイパーパラメータとを学習制御部12に入力する。
ユーザは、学習指示と、学習モデルと、学習用生データと、ハイパーパラメータとを学習制御部12に入力する。
図6は、学習指示の実施例を示している。本例において、学習指示は、「学習実施有無」という項目を有する。「学習実施有無」はフラグを示す。学習指示の有無は、「有」又は「無」という値により示される。
図7は、学習モデルの実施例を示している。本例は、参考文献1に示されるリカレントニューラルネットワークである。
[参考文献1]
巣籠悠輔.“詳解 ディープラーニング TensorFlow・Kerasによる時系列データ処理”.株式会社 マイナビ出版,2017年5月
巣籠悠輔.“詳解 ディープラーニング TensorFlow・Kerasによる時系列データ処理”.株式会社 マイナビ出版,2017年5月
図8は、学習用生データの実施例を示している。本例は、日時と各日時における衛星の電源電圧との組を1秒間隔で示している。日時と電源電圧とは、カンマにより区切られている。また、日時と電源電圧との組は、N個存在するものとする。
図9は、ハイパーパラメータの実施例を示している。本例において、ハイパーパラメータは、「ステップ数」と、「バイアスb初期値」と、「バイアスc初期値」との項目を有する。「ステップ数」は、x(t)に、一度に格納するデータの個数を示す。x(t)は、学習用生データからのリカレントニューラルネットワークによる学習モデルへの入力である。なお、「バイアスb初期値」のbは、図7におけるバイアスベクトルを指す。「バイアスc初期値」は、「バイアスb初期値」と同様である。
具体例として、「ステップ数」が2である場合、連続する2秒分のデータ、即ち、連続して取得された電源電圧の値2つを示す[5.0 4.0]をx(t)に格納する。
具体例として、「ステップ数」が2である場合、連続する2秒分のデータ、即ち、連続して取得された電源電圧の値2つを示す[5.0 4.0]をx(t)に格納する。
(ステップS103:前処理実行処理)
学習制御部12は、前処理設定と、学習用生データとに基づいて前処理済データを生成する。具体例として、学習制御部12は、前処理設定と、電源電圧の時系列の学習用生データとに基づいて前処理済データを生成する。
学習制御部12は、前処理設定と、学習用生データとに基づいて前処理済データを生成する。具体例として、学習制御部12は、前処理設定と、電源電圧の時系列の学習用生データとに基づいて前処理済データを生成する。
(ステップS104:学習処理)
学習制御部12は、前処理済データと、学習モデル等を用いてAIの分野における学習を実行することにより学習済モデルを生成する。
学習制御部12は、前処理済データと、学習モデル等を用いてAIの分野における学習を実行することにより学習済モデルを生成する。
図10は、前処理済データの実施例を示している。本例において、前処理済データは、学習用生データの電圧値から10分間隔の移動平均値を計算し、その移動平均値の最大値(5V)により各時刻の移動平均値を除すことにより、電圧の最大値が1となるように正規化することによって生成されたものである。即ち、本例において、前処理済データは、正規化電圧値を持つ時系列のデータ列である。
(ステップS105:評価指標算出処理)
学習制御部12は、学習モデルの学習が終了した後で、生成した学習済モデルに対応する評価指標を算出する。
学習制御部12は、学習済モデルと、ハイパーパラメータと、評価指標とを履歴管理部13に出力する。学習済モデルは、学習済みモデルを構成するパラメータを含む。
学習制御部12は、学習モデルの学習が終了した後で、生成した学習済モデルに対応する評価指標を算出する。
学習制御部12は、学習済モデルと、ハイパーパラメータと、評価指標とを履歴管理部13に出力する。学習済モデルは、学習済みモデルを構成するパラメータを含む。
図11は、学習済モデルの実施例を示している。本例において、学習済モデルは、学習済モデルを識別する情報としてモデル名を有し、かつ、リカレントニューラルネットワーク特有の情報として、重み関数とバイアスとを有する。
図12は、評価指標の実施例を示している。本例において、評価指標は、「正解率」と、「適合率」と、「再現度」と、「特異度」と、「F値」と、「誤差曲線」との項目を有する。
(ステップS106:履歴情報生成処理)
履歴管理部13は、履歴情報を生成し、生成した履歴情報を履歴記録部14に出力する。
履歴管理部13は、履歴情報を生成し、生成した履歴情報を履歴記録部14に出力する。
図13は、履歴情報の実施例を示している。本例において、履歴情報は、「学習済モデル」と、「ハイパーパラメータ」と、「学習用生データ」と、「前処理設定」と、「評価指標」との項目を有する。
(ステップS107:比較情報生成処理)
履歴比較部15は、履歴記録部14から複数の履歴情報を受け付け、受け付けた複数の履歴情報を用いて比較情報を生成する。履歴比較部15は、受け付けた複数の履歴情報と、受け付けた複数の履歴間の差異とを表示する情報を生成する。
履歴比較部15は、履歴記録部14から複数の履歴情報を受け付け、受け付けた複数の履歴情報を用いて比較情報を生成する。履歴比較部15は、受け付けた複数の履歴情報と、受け付けた複数の履歴間の差異とを表示する情報を生成する。
図14は、比較情報の実施例を示している。本例において、比較情報は、図13に示す項目を表示し、「履歴1」と「履歴2」とを2列に並べて表示し、かつ、「差異」を表示する情報を含む。「履歴1」と、「履歴2」とは、複数の履歴情報に当たる。「差異」は、「履歴1」と、「履歴2」との間の差異の有無を示す。
***実施の形態1の効果の説明***
以上のように、本実施の形態に係る設定管理装置10によれば、履歴記録部14が履歴情報を記録する。履歴情報は、前処理設定と、前処理設定に対応する学習履歴とを対応させた情報でもある。ここで、学習履歴は、具体例として、学習用生データと、学習済モデルと、学習済モデルの評価指標とである。
従って、本実施の形態に係る設定管理装置10は、前処理設定と、前処理設定に対応する学習履歴とを対応させて記録することができる。
以上のように、本実施の形態に係る設定管理装置10によれば、履歴記録部14が履歴情報を記録する。履歴情報は、前処理設定と、前処理設定に対応する学習履歴とを対応させた情報でもある。ここで、学習履歴は、具体例として、学習用生データと、学習済モデルと、学習済モデルの評価指標とである。
従って、本実施の形態に係る設定管理装置10は、前処理設定と、前処理設定に対応する学習履歴とを対応させて記録することができる。
ここで、特許文献1の課題等を説明する。
図15は、特許文献1に係る識別情報付与システムの構成を示している。本図を用いて、特許文献1に係る課題を具体的に説明する。特許文献1は、AI学習の精度と学習履歴の組を識別して管理するための技術を開示している。
本技術において、学習依頼者は、学習依頼者システムの学習データ入力装置を介して、学習サービス提供システムの学習装置に学習を依頼する。このとき、学習履歴は、学習データベースに蓄積される。
図15は、特許文献1に係る識別情報付与システムの構成を示している。本図を用いて、特許文献1に係る課題を具体的に説明する。特許文献1は、AI学習の精度と学習履歴の組を識別して管理するための技術を開示している。
本技術において、学習依頼者は、学習依頼者システムの学習データ入力装置を介して、学習サービス提供システムの学習装置に学習を依頼する。このとき、学習履歴は、学習データベースに蓄積される。
図16は、特許文献1に係る学習データベースの構成を示している。ここで、学習データ入力装置には前処理設定の入力機能がない。また、学習データベースには前処理設定を蓄積する機能がない。そのため、前処理の設定と学習履歴との複数の組を比較することができなかった。
しかしながら、本実施の形態に係る設定管理装置10によれば、前処理の設定と学習履歴との複数の組を比較することができる。
しかしながら、本実施の形態に係る設定管理装置10によれば、前処理の設定と学習履歴との複数の組を比較することができる。
***他の構成***
<変形例1>
図17は、本変形例に係る設定管理装置10のハードウェア構成例を示している。
設定管理装置10は、本図に示すように、プロセッサ101とメモリ102と補助記憶装置103との少なくとも1つに代えて、処理回路108を備える。
処理回路108は、設定管理装置10が備える各部の少なくとも一部を実現するハードウェアである。
処理回路108は、専用のハードウェアであっても良く、また、メモリ102に格納されるプログラムを実行するプロセッサであってもよい。
<変形例1>
図17は、本変形例に係る設定管理装置10のハードウェア構成例を示している。
設定管理装置10は、本図に示すように、プロセッサ101とメモリ102と補助記憶装置103との少なくとも1つに代えて、処理回路108を備える。
処理回路108は、設定管理装置10が備える各部の少なくとも一部を実現するハードウェアである。
処理回路108は、専用のハードウェアであっても良く、また、メモリ102に格納されるプログラムを実行するプロセッサであってもよい。
処理回路108が専用のハードウェアである場合、処理回路108は、具体例として、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ASIC(ASICはApplication Specific Integrated Circuit)、FPGA(Field Programmable Gate Array)又はこれらの組み合わせである。
設定管理装置10は、処理回路108を代替する複数の処理回路を備えてもよい。複数の処理回路は、処理回路108の役割を分担する。
設定管理装置10は、処理回路108を代替する複数の処理回路を備えてもよい。複数の処理回路は、処理回路108の役割を分担する。
設定管理装置10において、一部の機能が専用のハードウェアによって実現されて、残りの機能がソフトウェア又はファームウェアによって実現されてもよい。
処理回路108は、具体例として、ハードウェア、ソフトウェア、ファームウェア、又はこれらの組み合わせにより実現される。
プロセッサ101とメモリ102と補助記憶装置103と処理回路108とを、総称して「プロセッシングサーキットリー」という。つまり、設定管理装置10の各機能構成要素の機能は、プロセッシングサーキットリーにより実現される。
他の実施の形態に係る設定管理装置10についても、本変形例と同様の構成であってもよい。
プロセッサ101とメモリ102と補助記憶装置103と処理回路108とを、総称して「プロセッシングサーキットリー」という。つまり、設定管理装置10の各機能構成要素の機能は、プロセッシングサーキットリーにより実現される。
他の実施の形態に係る設定管理装置10についても、本変形例と同様の構成であってもよい。
実施の形態2.
以下、主に前述した実施の形態と異なる点について、図面を参照しながら説明する。
以下、主に前述した実施の形態と異なる点について、図面を参照しながら説明する。
***構成の説明***
図18は、本実施の形態に係る設定管理装置10の構成例を示している。本図に示すように、設定管理装置10は、設定探索部21を備える。
図18は、本実施の形態に係る設定管理装置10の構成例を示している。本図に示すように、設定管理装置10は、設定探索部21を備える。
設定探索部21は、探索情報に基づいて精度が最も高い学習済モデルに対応する前処理設定を探索する。探索情報は、履歴記録部14から履歴情報を探索することに用いられる。設定探索部21は、複数の学習済モデルの中から探索モデルとして学習済モデルを複数の評価指標に基づいて探索し、探索モデルに対応する前処理設定を選択してもよい。設定探索部21は、典型的には、最適な評価指標に対応する学習済モデルを探索する。最適な評価指標は、具体例として、評価指標全ての中で最も値が大きい指標である。
設定探索部21は、最適前処理設定を出力装置に出力してもよい。最適前処理設定は、精度が最も高い学習済モデルに対応する前処理設定である。
具体例として、まず、設定探索部21は、分割数Nと、2つのバージョン番号v1及びv2とをユーザから受け付け、2つのバージョン番号v1及びv2を用いて履歴記録部14から2つの履歴情報に対応する2つの前処理設定を取得する。次に、設定探索部21は、取得した2つの前処理設定値の間を等間隔に分割し、2つの前処理設定値の間を分割する点と2つの前処理設定値とのそれぞれに対応する学習済モデルの精度を算出する。次に、設定探索部21は、算出した精度の中で最も高い精度に対応する学習済モデルに対応する前処理設定値を出力する。ここで、前処理設定値は、前処理設定に示される値である。前処理設定値は、ベクトル値であってもよい。
設定探索部21は、最適前処理設定を出力装置に出力してもよい。最適前処理設定は、精度が最も高い学習済モデルに対応する前処理設定である。
具体例として、まず、設定探索部21は、分割数Nと、2つのバージョン番号v1及びv2とをユーザから受け付け、2つのバージョン番号v1及びv2を用いて履歴記録部14から2つの履歴情報に対応する2つの前処理設定を取得する。次に、設定探索部21は、取得した2つの前処理設定値の間を等間隔に分割し、2つの前処理設定値の間を分割する点と2つの前処理設定値とのそれぞれに対応する学習済モデルの精度を算出する。次に、設定探索部21は、算出した精度の中で最も高い精度に対応する学習済モデルに対応する前処理設定値を出力する。ここで、前処理設定値は、前処理設定に示される値である。前処理設定値は、ベクトル値であってもよい。
***動作の説明***
図19は、設定探索部21の動作の一例を示すフローチャートである。本フローチャートの説明において、設定探索部21は、分割数Nと、2つのバージョン番号とをユーザから受け付け、最適前処理設定を生成し、生成した最適前処理設定を出力する。
図19は、設定探索部21の動作の一例を示すフローチャートである。本フローチャートの説明において、設定探索部21は、分割数Nと、2つのバージョン番号とをユーザから受け付け、最適前処理設定を生成し、生成した最適前処理設定を出力する。
(ステップS201:探索情報入力処理)
ユーザは、入力装置を用いて探索情報を設定探索部21に入力する。探索情報は、具体例として、分割数Nと、2つのバージョン番号v1及びv2とから成る。Nと、v1と、v2とは、変数名である。
ユーザは、入力装置を用いて探索情報を設定探索部21に入力する。探索情報は、具体例として、分割数Nと、2つのバージョン番号v1及びv2とから成る。Nと、v1と、v2とは、変数名である。
図20は、探索情報の実施例を示している。本例において、ユーザは、分割数Nとして10を入力し、2つのバージョン番号としてv1及びv2を入力する。
(ステップS202:履歴情報取得処理)
設定探索部21は、履歴記録部14から前処理設定値d1を取得する。前処理設定値d1は、バージョンv1の前処理設定に含まれる前処理の設定値である。
設定探索部21は、履歴記録部14から前処理設定値d1を取得する。前処理設定値d1は、バージョンv1の前処理設定に含まれる前処理の設定値である。
図21は、前処理設定値d1に対応する履歴情報の実施例を示している。本例において、前処理設定値d1は、移動平均間隔の値であり、かつ、10分である。
(ステップS203:履歴情報取得処理)
設定探索部21は、履歴記録部14から前処理設定値d2を取得する。前処理設定値d2は、バージョンv1の前処理設定に含まれる前処理の設定値である。
設定探索部21は、履歴記録部14から前処理設定値d2を取得する。前処理設定値d2は、バージョンv1の前処理設定に含まれる前処理の設定値である。
図22は、前処理設定値d2に対応する履歴情報の実施例を示している。本例において、前処理設定値d2は、移動平均間隔の値であり、かつ、20分である。
前処理設定値d1と、前処理設定値d2とは、前処理設定以外同じである。
前処理設定値d1と、前処理設定値d2とは、前処理設定以外同じである。
(ステップS204:初期化処理)
設定探索部21は、変数iを0に初期化する。変数iは、反復回数に対応する変数である。
設定探索部21は、変数iを0に初期化する。変数iは、反復回数に対応する変数である。
(ステップS205:d[i]算出処理)
設定探索部21は、[数式1]に従ってd[i]を算出する。なお、d1はd[0]と対応しており、d2はd[N]と対応している。
設定探索部21は、[数式1]に従ってd[i]を算出する。なお、d1はd[0]と対応しており、d2はd[N]と対応している。
[数式1]
d[i]=d1+((d2-d1)*i)/N
d[i]=d1+((d2-d1)*i)/N
なお、ステップS205からステップS208までの処理は、反復処理である。本反復処理において、設定探索部21は、変数iの値を0からNまでの範囲で値を1刻みで変化させ、各iについて、前処理設定値がd[i]であるときにおけるa[i]を算出するよう学習制御部12に指示する。a[i]は、d[i]に対応する学習済モデルの精度を示す。
図23は、d[i]のd1及びd2に具体的な値を代入した例を示している。本例において、分割数Nは10である。
図23は、d[i]のd1及びd2に具体的な値を代入した例を示している。本例において、分割数Nは10である。
(ステップS206:a[i]算出処理)
設定探索部21は、学習制御部12に精度a[i]を算出させるため、学習指示と、履歴情報とを学習制御部12に送る。
設定探索部21は、学習制御部12に精度a[i]を算出させるため、学習指示と、履歴情報とを学習制御部12に送る。
図24は、d[2]に対応する履歴情報の実施例を示している。移動平均間隔の値以外は、他のd[i]に対応する履歴情報と同じである。
図25は、a[2]の実施例を示している。本例において、設定探索部21は、a[i]として正解率を用いている。設定探索部21は、a[i]として適合率等の値を用いてもよく、また、a[i]として複数の値から算出された値を用いてもよい。
(ステップS207:判定処理)
設定探索部21は、iの値がNの値以下であるか否かを判定する。
iの値がNの値以下である場合、設定探索部21は、ステップS208に進む。それ以外の場合、設定探索部21は、ステップS209に進む。
設定探索部21は、iの値がNの値以下であるか否かを判定する。
iの値がNの値以下である場合、設定探索部21は、ステップS208に進む。それ以外の場合、設定探索部21は、ステップS209に進む。
(ステップS208:加算処理)
設定探索部21は、変数iの値を1つ増やす。
設定探索部21は、変数iの値を1つ増やす。
(ステップS209:出力処理)
まず、設定探索部21は、iの値が0からNまでの範囲においてa[i]の値を比較し、imaxを求める。imaxは、iの値が所定の範囲においてa[i]の値が最大となるiの値を示す。次に、設定探索部21は、d[imax]を含む情報を出力装置に出力する。d[imax]は、最大のa[i]に対応する。
まず、設定探索部21は、iの値が0からNまでの範囲においてa[i]の値を比較し、imaxを求める。imaxは、iの値が所定の範囲においてa[i]の値が最大となるiの値を示す。次に、設定探索部21は、d[imax]を含む情報を出力装置に出力する。d[imax]は、最大のa[i]に対応する。
図26は、探索結果情報の実施例を示している。探索結果情報は、具体例として、iと、a[i]と、d[i]とを含む。本例において、imaxは5であり、a[imax]は0.5であり、d[imax]の値は15である。
***実施の形態2の効果の説明***
以上のように、本実施の形態に係る設定管理装置10は、設定探索部21を備える。設定探索部21は、所定の範囲において、精度が最も高い学習済モデルに対応する前処理設定を探索する。
従って、本実施の形態に係る設定管理装置10は、精度が高い学習済モデルを生成することにつながる前処理設定を探索することができる。また、本実施の形態に係る設定管理装置10は、前処理設定と学習履歴との組を複数比較することと、良好な精度を達成する前処理設定を探索することができる。
以上のように、本実施の形態に係る設定管理装置10は、設定探索部21を備える。設定探索部21は、所定の範囲において、精度が最も高い学習済モデルに対応する前処理設定を探索する。
従って、本実施の形態に係る設定管理装置10は、精度が高い学習済モデルを生成することにつながる前処理設定を探索することができる。また、本実施の形態に係る設定管理装置10は、前処理設定と学習履歴との組を複数比較することと、良好な精度を達成する前処理設定を探索することができる。
<変形例2>
ステップS209において、imaxが複数存在する、即ち、複数のiにおいてa[i]が最大となる場合に、設定探索部21は、複数のimaxそれぞれに対応する複数の前処理設定値を出力してもよく、他の評価指標を用いて複数のimaxから1つの値を選択し、選択した値に対応する1つの前処理設定値を出力してもよい。
ステップS209において、imaxが複数存在する、即ち、複数のiにおいてa[i]が最大となる場合に、設定探索部21は、複数のimaxそれぞれに対応する複数の前処理設定値を出力してもよく、他の評価指標を用いて複数のimaxから1つの値を選択し、選択した値に対応する1つの前処理設定値を出力してもよい。
<変形例3>
設定探索部21は、図19に示すフローチャートの実行後にd[imax]の周辺を探索してもよい。設定探索部21がa[imax]よりも高い精度に対応する前処理設定値をd[imax]の周辺において発見した場合に、設定探索部21は、発見された前処理設定値の中で最も高い精度に対応する前処理設定値を出力する。
設定探索部21は、図19に示すフローチャートの実行後にd[imax]の周辺を探索してもよい。設定探索部21がa[imax]よりも高い精度に対応する前処理設定値をd[imax]の周辺において発見した場合に、設定探索部21は、発見された前処理設定値の中で最も高い精度に対応する前処理設定値を出力する。
実施の形態3.
以下、主に前述した実施の形態と異なる点について、図面を参照しながら説明する。
以下、主に前述した実施の形態と異なる点について、図面を参照しながら説明する。
***構成の説明***
図27は、本実施の形態に係る設定管理装置10の構成例を示している。本図に示すように、設定管理装置10は、評価比較部31と、評価制御部32とを備える。
図27は、本実施の形態に係る設定管理装置10の構成例を示している。本図に示すように、設定管理装置10は、評価比較部31と、評価制御部32とを備える。
評価比較部31は、履歴取得条件と、評価用生データと、履歴情報とをユーザから受け付け、評価指示と、学習済モデルと、評価用データと、前処理グラフ情報とを生成し、生成した評価指示と学習済モデルと評価用データとを評価制御部32に出力し、生成した前処理グラフ情報を出力装置に出力する。履歴取得条件は、評価比較部31が履歴情報を履歴記録部14から取得する際の検索条件である。履歴取得条件は、履歴情報取得条件とも呼ばれる。評価用生データは、少なくとも1つの実測値を含むデータであって、学習済モデルの精度を評価することに用いられるデータである。評価用データは、評価用生データに対して前処理を実施したデータである。評価指示は、評価制御部32に評価をさせる指示の有無を示す情報である。評価用データは、評価用前処理済データとも呼ばれる。前処理グラフ情報は、評価指標と、前処理設定値との関係を示すグラフを表示する情報を示す。
また、評価比較部31は、予測値を評価制御部32から受け付け、予測値グラフ情報を生成し、生成した予測値グラフ情報を出力装置に出力する。予測値は、学習済モデルが推論することによって求める値であり、入力に対応する出力として予測される値である。予測値グラフ情報は、予測値と、実測値との関係を示すグラフを表示する情報を示す。なお、図27において、前処理グラフ情報と、予測値グラフ情報とをまとめてグラフ情報と表記してある。
評価比較部31は、複数の前処理設定の中から1つの前処理設定を選択設定として選択し、評価用生データを受け付ける。評価比較部31が前処理設定を選択することには、ユーザがある前処理設定を選択するよう評価比較部31指示することが含まれる。評価比較部31は、選択設定に基づいて評価用生データを加工することにより評価用データを生成し、少なくとも1つの実測値と少なくとも1つの予測値との関係を示すグラフを表示する情報を生成する。少なくとも1つの予測値は、評価用データを用いて選択設定に対応する学習済モデルによって推論した結果であって、少なくとも1つの実測値に対応する結果である。具体例として、予測値に対応する時刻と、実測値に対応する時刻とが同じである場合、当該予測値と、当該実測値とは対応している。また、少なくとも1つの実測値それぞれは、互いに異なる少なくとも1つの予測値それぞれに対応する。
出力装置は、前処理グラフ又は予測値グラフを生成してもよい。前処理グラフは、前処理グラフ情報に対応するグラフである。予測値グラフは、予測値グラフ情報に対応するグラフである。
また、評価比較部31は、予測値を評価制御部32から受け付け、予測値グラフ情報を生成し、生成した予測値グラフ情報を出力装置に出力する。予測値は、学習済モデルが推論することによって求める値であり、入力に対応する出力として予測される値である。予測値グラフ情報は、予測値と、実測値との関係を示すグラフを表示する情報を示す。なお、図27において、前処理グラフ情報と、予測値グラフ情報とをまとめてグラフ情報と表記してある。
評価比較部31は、複数の前処理設定の中から1つの前処理設定を選択設定として選択し、評価用生データを受け付ける。評価比較部31が前処理設定を選択することには、ユーザがある前処理設定を選択するよう評価比較部31指示することが含まれる。評価比較部31は、選択設定に基づいて評価用生データを加工することにより評価用データを生成し、少なくとも1つの実測値と少なくとも1つの予測値との関係を示すグラフを表示する情報を生成する。少なくとも1つの予測値は、評価用データを用いて選択設定に対応する学習済モデルによって推論した結果であって、少なくとも1つの実測値に対応する結果である。具体例として、予測値に対応する時刻と、実測値に対応する時刻とが同じである場合、当該予測値と、当該実測値とは対応している。また、少なくとも1つの実測値それぞれは、互いに異なる少なくとも1つの予測値それぞれに対応する。
出力装置は、前処理グラフ又は予測値グラフを生成してもよい。前処理グラフは、前処理グラフ情報に対応するグラフである。予測値グラフは、予測値グラフ情報に対応するグラフである。
評価制御部32は、評価指示と、学習済モデルと、評価用データとを評価比較部31から受け付け、予測値を求め、求めた予測値を評価比較部31に出力する。評価制御部32は、少なくとも1つの予測値を求める。
評価比較部31は、履歴情報内の前処理設定値及び予測値の関係と、評価用データ内の実測値及び予測値の関係とを表示してもよい。
評価比較部31は、履歴情報内の前処理設定値及び予測値の関係と、評価用データ内の実測値及び予測値の関係とを表示してもよい。
***動作の説明***
図28は、設定管理装置10の動作の一例を示すフローチャートである。
図28は、設定管理装置10の動作の一例を示すフローチャートである。
(ステップS301:条件入力処理)
ユーザは、入力装置を用いて履歴取得条件を評価比較部31に入力する。以下、本フローチャートの説明において、履歴取得条件は、特に断りがない限り、本ステップにおいてユーザが入力したものを指す。
ユーザは、入力装置を用いて履歴取得条件を評価比較部31に入力する。以下、本フローチャートの説明において、履歴取得条件は、特に断りがない限り、本ステップにおいてユーザが入力したものを指す。
図29は、履歴取得条件の実施例を示している。評価比較部31は、ワイルドカードに対応する情報以外の情報が一致する履歴情報を履歴記録部14から取得する。
(ステップS302:履歴情報取得処理)
評価比較部31は、履歴記録部14から履歴取得条件に対応する履歴情報を取得する。以下、本フローチャートの説明において、履歴情報は、特に断りがない限り、本ステップにおいて評価比較部31が取得したものを指す。
評価比較部31は、履歴記録部14から履歴取得条件に対応する履歴情報を取得する。以下、本フローチャートの説明において、履歴情報は、特に断りがない限り、本ステップにおいて評価比較部31が取得したものを指す。
図30は、評価比較部31が取得した履歴情報の実施例を示している。本例において、評価比較部31は、前処理設定値である移動平均間隔が1分ずつ異なる履歴情報を10個取得する。
(ステップS303:前処理グラフ情報生成処理)
評価比較部31は、履歴情報から評価指標と前処理設定値とを取得し、取得した評価指標と前処理設定値とを用いて前処理グラフ情報を生成し、生成した前処理グラフ情報を出力装置に出力する。本例において、評価指標は正解率であり、前処理設定値は移動平均間隔である。前処理グラフ情報は、ユーザが前処理設定又は履歴情報を選択することができるUI(User Interface)に対応する情報を含んでもよい。
評価比較部31は、履歴情報から評価指標と前処理設定値とを取得し、取得した評価指標と前処理設定値とを用いて前処理グラフ情報を生成し、生成した前処理グラフ情報を出力装置に出力する。本例において、評価指標は正解率であり、前処理設定値は移動平均間隔である。前処理グラフ情報は、ユーザが前処理設定又は履歴情報を選択することができるUI(User Interface)に対応する情報を含んでもよい。
図31は、前処理グラフの実施例を示している。本グラフにおいて、横軸は前処理設定値を示し、縦軸は精度を示す。本グラフは、プロットされた点をスムーズな曲線で結ぶことによって生成されている。
また、ユーザは、履歴取得条件に加えて評価用生データを評価比較部31に入力することもできる。ユーザが評価用生データを入力した場合、評価比較部31は、実測値と予測値との時間変化を示すグラフを表示する情報を生成する。評価用生データは、学習済モデルを評価する際に用いられるデータであり、かつ、学習用生データと同様のデータである。
図32は、評価用生データの実施例を示している。本図の見方は、図8の見方と同様である。
(ステップS304:設定選択処理)
ユーザは、前処理グラフが表示された画面等を参照し、履歴情報の前処理設定を適宜選択する。本ステップにおいて選択された前処理設定は、選択設定に当たる。以下、本フローチャートの説明において、前処理設定は、特に断りがない限り、本ステップにおいて選択されたものを指す。
ユーザは、前処理グラフが表示された画面等を参照し、履歴情報の前処理設定を適宜選択する。本ステップにおいて選択された前処理設定は、選択設定に当たる。以下、本フローチャートの説明において、前処理設定は、特に断りがない限り、本ステップにおいて選択されたものを指す。
(ステップS305:評価用データ生成処理)
評価比較部31は、評価用生データをユーザから受け付け、受け付けた評価用生データに対して前処理設定に対応する前処理を実施することによって評価用データを生成し、かつ、生成した評価用データを評価制御部32に出力する。
評価比較部31は、評価指示を生成し、生成した評価指示と、前処理設定に対応する学習済モデルとを評価制御部32に出力する。
評価比較部31は、評価用生データをユーザから受け付け、受け付けた評価用生データに対して前処理設定に対応する前処理を実施することによって評価用データを生成し、かつ、生成した評価用データを評価制御部32に出力する。
評価比較部31は、評価指示を生成し、生成した評価指示と、前処理設定に対応する学習済モデルとを評価制御部32に出力する。
(ステップS306:予測処理)
評価制御部32は、評価用データと学習済モデルとを評価比較部31から受け取り、受け取った評価用データと学習済モデルとを用いて評価用データに対応する予測値を求め、求めた予測値を評価比較部31に出力する。この際、評価制御部32は、少なくとも1つの実測値に対応する少なくとも1つの予測値を求める。具体例として、評価制御部32は、評価用生データに示されている全ての時刻それぞれにおける電力値を予測する。
評価制御部32は、評価用データと学習済モデルとを評価比較部31から受け取り、受け取った評価用データと学習済モデルとを用いて評価用データに対応する予測値を求め、求めた予測値を評価比較部31に出力する。この際、評価制御部32は、少なくとも1つの実測値に対応する少なくとも1つの予測値を求める。具体例として、評価制御部32は、評価用生データに示されている全ての時刻それぞれにおける電力値を予測する。
(ステップS307:予測値グラフ情報生成処理)
評価比較部31は、予測値と、評価用生データの実測値とを用いて予測値グラフ情報を生成し、生成した予測値グラフ情報を出力装置に出力する。
評価比較部31は、予測値と、評価用生データの実測値とを用いて予測値グラフ情報を生成し、生成した予測値グラフ情報を出力装置に出力する。
図33は、予測値グラフの実施例を示している。本グラフは、実測値と予測値との時間変化の実施例でもある。本グラフにおいて、横軸は時刻を示し、縦軸は電力値を示す。本グラフは、実測値と予測値とをそれぞれプロットした上で、プロットされた点をスムーズな曲線によって結ぶことによって生成されている。
***実施の形態3の効果の説明***
以上のように、本実施の形態に係る設定管理装置10は、評価比較部31を備える。評価比較部31は、前処理グラフと、予測値グラフとを表示する情報を生成する。
従って、本実施の形態に係る設定管理装置10よれば、ユーザは、複数の前処理設定の優劣と、実測値及び予測値の差異の様子とを視覚的に認識することができる。
以上のように、本実施の形態に係る設定管理装置10は、評価比較部31を備える。評価比較部31は、前処理グラフと、予測値グラフとを表示する情報を生成する。
従って、本実施の形態に係る設定管理装置10よれば、ユーザは、複数の前処理設定の優劣と、実測値及び予測値の差異の様子とを視覚的に認識することができる。
***他の実施の形態***
前述した各実施の形態の自由な組み合わせ、あるいは各実施の形態の任意の構成要素の変形、もしくは各実施の形態において任意の構成要素の省略が可能である。
前述した各実施の形態の自由な組み合わせ、あるいは各実施の形態の任意の構成要素の変形、もしくは各実施の形態において任意の構成要素の省略が可能である。
また、実施の形態は、実施の形態1から3で示したものに限定されるものではなく、必要に応じて種々の変更が可能である。フローチャート等を用いて説明した手順は、適宜変更されてもよい。
10 設定管理装置、11 設定入力部、12 学習制御部、13 履歴管理部、14 履歴記録部、15 履歴比較部、21 設定探索部、31 評価比較部、32 評価制御部、80 設定画面、81 前処理済データ欄、82 グラフ、85 前処理設定入力欄、86 項目名、87 項目入力、88 確定ボタン、101 プロセッサ、102 メモリ、103 補助記憶装置、104 入出力IF、105 通信装置、108 処理回路、109 信号線。
Claims (7)
- 入力情報に対応する出力情報を推論するプログラムである学習モデルを学習させるために用意されたデータである学習用生データに対する前処理の設定を示す情報である前処理設定と、前記前処理設定に基づいて前記学習用生データを加工したデータである前処理済データを用いて前記学習モデルを学習させることによって生成された学習済モデルの精度を示す評価指標とを対応させて記録する履歴記録部を備える設定管理装置。
- 前記学習モデルと、前記学習用生データと、前記前処理設定とを受け付け、前記学習用生データと、前記前処理設定とを用いて前記前処理済データを生成し、前記学習モデルと、生成した前処理済データとを用いて前記学習済モデルを生成し、前記学習済モデルに対応する評価指標を生成する学習制御部を備える請求項1に記載の設定管理装置。
- 前記学習制御部は、前記学習モデルに対応するハイパーパラメータを受け付け、かつ、前記ハイパーパラメータを用いて前記学習済モデルを生成し、
前記履歴記録部は、前記ハイパーパラメータと、前記評価指標とを対応させて記録する請求項2に記載の設定管理装置。 - 前記学習制御部は、複数の前記前処理設定を複数の前処理設定として受け付け、複数の前記学習済モデルを複数の学習済モデルとして生成し、複数の前記評価指標を複数の評価指標として生成し、
前記複数の前処理設定と、前記複数の学習済モデルと、前記複数の評価指標とのそれぞれの数は同じであり、
前記複数の前処理設定それぞれは、互いに異なる前記複数の学習済モデルそれぞれと対応し、
前記複数の学習済モデルそれぞれは、互いに異なる前記複数の評価指標それぞれと対応し、
前記履歴記録部は、前記複数の前処理設定それぞれと、前記複数の前処理設定それぞれに対応する複数の評価指標それぞれとを対応させて記録し、
前記設定管理装置は、前記複数の学習済モデルの中から探索モデルとして学習済モデルを前記複数の評価指標に基づいて探索し、前記探索モデルに対応する前処理設定を選択する設定探索部を備える請求項2又は3に記載の設定管理装置。 - 前記複数の前処理設定の中から1つの前処理設定を選択設定として選択し、少なくとも1つの実測値を含むデータであって、前記学習済モデルの精度を評価することに用いられるデータである評価用生データを受け付け、前記選択設定に基づいて前記評価用生データを加工することにより評価用データを生成する評価比較部と、
前記評価用データを用いて前記選択設定に対応する学習済モデルによって推論した結果であって、前記少なくとも1つの実測値に対応する結果である少なくとも1つの予測値を求める評価制御部と
を備え、
前記評価比較部は、前記少なくとも1つの実測値と前記少なくとも1つの予測値との関係を示すグラフを表示する情報を生成し、
前記少なくとも1つの実測値それぞれは、互いに異なる前記少なくとも1つの予測値それぞれに対応する請求項4に記載の設定管理装置。 - 履歴記録部が、入力情報に対応する出力情報を推論するプログラムである学習モデルを学習させるために用意されたデータである学習用生データに対する前処理の設定を示す情報である前処理設定と、前記前処理設定に基づいて前記学習用生データを加工したデータである前処理済データを用いて前記学習モデルを学習させることによって生成された学習済モデルの精度を示す評価指標とを対応させて記録する設定管理方法。
- コンピュータに、
入力情報に対応する出力情報を推論するプログラムである学習モデルを学習させるために用意されたデータである学習用生データに対する前処理の設定を示す情報である前処理設定と、前記前処理設定に基づいて前記学習用生データを加工したデータである前処理済データを用いて前記学習モデルを学習させることによって生成された学習済モデルの精度を示す評価指標とを対応させて記録させる設定管理プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020117994A JP2022015275A (ja) | 2020-07-08 | 2020-07-08 | 設定管理装置、設定管理方法、及び、設定管理プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020117994A JP2022015275A (ja) | 2020-07-08 | 2020-07-08 | 設定管理装置、設定管理方法、及び、設定管理プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2022015275A true JP2022015275A (ja) | 2022-01-21 |
Family
ID=80120690
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020117994A Pending JP2022015275A (ja) | 2020-07-08 | 2020-07-08 | 設定管理装置、設定管理方法、及び、設定管理プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2022015275A (ja) |
-
2020
- 2020-07-08 JP JP2020117994A patent/JP2022015275A/ja active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11574011B2 (en) | Merging feature subsets using graphical representation | |
JP6243080B1 (ja) | プリプロセッサおよび異常予兆診断システム | |
US20200320428A1 (en) | Fairness improvement through reinforcement learning | |
US20210042585A1 (en) | Abnormality detection device, abnormality detection method and computer readable medium | |
US20150066435A1 (en) | System and method for cognitive alarm management for the power grid | |
US20200334557A1 (en) | Chained influence scores for improving synthetic data generation | |
JP7145059B2 (ja) | モデルの予測根拠提示システム及びモデルの予測根拠提示方法 | |
US20200090076A1 (en) | Non-transitory computer-readable recording medium, prediction method, and learning device | |
CN111178537A (zh) | 一种特征提取模型训练方法及设备 | |
JP6950504B2 (ja) | 異常候補抽出プログラム、異常候補抽出方法および異常候補抽出装置 | |
US20200050982A1 (en) | Method and System for Predictive Modeling for Dynamically Scheduling Resource Allocation | |
JP2019012473A (ja) | データフィルタリング装置および方法 | |
JP7274434B2 (ja) | 流用設計支援システム及び流用設計支援方法 | |
US20200052635A1 (en) | Method for searching excitation signal of motor, and electronic device | |
JP2022015275A (ja) | 設定管理装置、設定管理方法、及び、設定管理プログラム | |
JP2012181739A (ja) | 工数見積装置、工数見積方法、工数見積プログラム | |
US20210373987A1 (en) | Reinforcement learning approach to root cause analysis | |
JP7292235B2 (ja) | 分析支援装置及び分析支援方法 | |
JP7161379B2 (ja) | 推論装置 | |
US20190180180A1 (en) | Information processing system, information processing method, and recording medium | |
KR20220122484A (ko) | 설명 가능한 프로세스 예측 | |
JP6999207B1 (ja) | データ解析方法、データ解析装置、及び、データ解析プログラム | |
JP7280921B2 (ja) | 計算機システム、推論方法、及びプログラム | |
JP7310827B2 (ja) | 学習装置、学習方法、及びプログラム | |
CN117539948B (zh) | 基于深度神经网络的业务数据检索方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230301 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20240214 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240220 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240418 |