JP2022063864A - 機械学習を自動化するための装置及び機械学習自動化方法 - Google Patents
機械学習を自動化するための装置及び機械学習自動化方法 Download PDFInfo
- Publication number
- JP2022063864A JP2022063864A JP2021166890A JP2021166890A JP2022063864A JP 2022063864 A JP2022063864 A JP 2022063864A JP 2021166890 A JP2021166890 A JP 2021166890A JP 2021166890 A JP2021166890 A JP 2021166890A JP 2022063864 A JP2022063864 A JP 2022063864A
- Authority
- JP
- Japan
- Prior art keywords
- machine learning
- characteristic
- determining
- input
- element representing
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/046—Forward inferencing; Production systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Machine Translation (AREA)
- Image Analysis (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
【課題】機械学習を自動化するための装置及び機械学習自動化方法を提供する。
【解決手段】装置及びコンピュータ実装された方法は、要素間の関係の表現(O)において、機械学習パイプライン(M)の第1の特性を表す要素を決定することと、表現(O)において、機械学習パイプライン(M)の第2の特性を表す要素を、第1の特性を表す要素に依存して決定することと、第2の特性を表す要素のための出力を出力することと、入力、特にユーザの入力を検出することと、入力が所定の要求を満たしている場合には、第2の特性を表す要素に依存して機械学習パイプライン(M)のパラメータを決定し、又は、入力が所定の要求を満たしていない場合には、第2の特性を表す要素に依存しては機械学習パイプライン(M)のパラメータを決定しないことと、を含む。
【選択図】図1
【解決手段】装置及びコンピュータ実装された方法は、要素間の関係の表現(O)において、機械学習パイプライン(M)の第1の特性を表す要素を決定することと、表現(O)において、機械学習パイプライン(M)の第2の特性を表す要素を、第1の特性を表す要素に依存して決定することと、第2の特性を表す要素のための出力を出力することと、入力、特にユーザの入力を検出することと、入力が所定の要求を満たしている場合には、第2の特性を表す要素に依存して機械学習パイプライン(M)のパラメータを決定し、又は、入力が所定の要求を満たしていない場合には、第2の特性を表す要素に依存しては機械学習パイプライン(M)のパラメータを決定しないことと、を含む。
【選択図】図1
Description
背景
本発明は、機械学習の自動化に関し、特に、パイプライン構築及びパイプラインコンフィギュレーションの自動化に関する。
本発明は、機械学習の自動化に関し、特に、パイプライン構築及びパイプラインコンフィギュレーションの自動化に関する。
機械学習パイプラインは、未処理データを、結論、及び、機能する機械学習モデルに変換する。
機械学習パイプラインの開発は、複雑なプロセスであり、そのためには、データを深く理解しなければならず、かつ、ドメイン及び取り組むべき問題点について理解することが不可欠である。このためには、情報処理及びデータ解析において、特に機械学習において、専門的なトレーニングが必要とされる。
発明の開示
機械学習を自動化するための装置及びコンピュータ実装された機械学習自動化方法によれば、セマンティックテクノロジによりサポートされた半自動化された機械学習開発のホワイトボックス手法が提供され、これによって、非機械学習エキスパートであったとしても、機械学習パイプラインを好都合に状況に合わせて適応させ得るように構築及びコンフィギュレーションすることができる。
機械学習を自動化するための装置及びコンピュータ実装された機械学習自動化方法によれば、セマンティックテクノロジによりサポートされた半自動化された機械学習開発のホワイトボックス手法が提供され、これによって、非機械学習エキスパートであったとしても、機械学習パイプラインを好都合に状況に合わせて適応させ得るように構築及びコンフィギュレーションすることができる。
この装置及び方法によれば、説明可能であり、拡張可能かつコンフィギュレーション可能である機械学習パイプライン開発を行うことができるようになり、これを非機械学習エキスパートによっても最小限の機械学習トレーニングにおいて用いることができる。このことは、機械学習パイプラインにおけるセマンティックテクノロジを用いて、ドメイン知識及び機械学習知識の形式表現をコーディングすることによって達成される。
類似性のある複数のタスクを解決するために、複数の異なるデータセットについて機械学習パイプラインを開発することができる。これらの機械学習パイプラインを、効率的にメンテナンスすることができ、将来の状況に合わせて拡張することができる。
コンピュータ実装された方法は、要素間の関係の表現において、機械学習パイプラインの第1の特性を表す要素を決定するステップと、表現において、機械学習パイプラインの第2の特性を表す要素を、第1の特性を表す要素に依存して決定するステップと、第2の特性を表す要素のための出力を出力するステップと、入力、特にユーザの入力を検出するステップと、この入力が所定の要求を満たしている場合には、第2の特性を表す要素に依存して機械学習パイプラインのパラメータを決定し、又は、この入力が所定の要求を満たしていない場合には、第2の特性を表す要素に依存しては機械学習パイプラインのパラメータを決定しないステップと、を含む。
パラメータによって機械学習パイプラインがコンフィギュレーションされる。第2の特性を表す要素によって、機械学習パイプラインが非機械学習エキスパートのユーザにとって説明可能なものとされる。非機械学習エキスパートのユーザは、入力を介して機械学習パイプラインをコンフィギュレーションすることができる。機械学習パイプラインの第1の特性を表す要素に関する知識は、必要とされない。
1つの態様によれば、この方法は、第1の特性を表す要素及び第2の特性を表す要素が、所定の条件を満たす関係を有するか否かを、特に、表現においてコーディングされたセマンティックに従って、表現において第1の特性を表す要素から第2の特性を表す要素にセマンティック的に到達可能である、という条件を満たす関係を有するか否かを、判定するステップを含む。
出力を出力するステップは、特に、第2の特性を表す要素の好き嫌いを表すように、又は、第2の特性を表す要素を選択するように、ユーザに応答を促すステップを含み得る。
この方法は、好ましくは、セマンティックリーチャビリティを評価するための機能によって関係を判定するステップと、応答を検出するステップと、この応答に依存して機能の少なくとも1つのパラメータを変更するステップと、を含む。このようにして、入力に基づきリーチャビリティ機能が更新される。
この方法は、応答に依存して2つの要素間のリンクを決定するステップと、関係を表すセマンティックリーチャビリティグラフを、2つの要素に対応する機械学習テンプレートとそれらの要素間のリンクとをセマンティックリーチャビリティグラフ内に格納することによって構築するステップと、を含み得る。
この方法は、第1の特性を表す要素から表現においてセマンティック的に到達可能な複数の要素を決定するステップと、これら複数の要素から第2の特性を表す要素を入力に依存して決定するステップと、を含み得る。ユーザは、パラメータを決定するために使用される第2の特性を表す要素を、例えば、リストから選択することができる。
この方法は、入力が要求を満たせなかった場合に、第1の特性を表す要素から表現においてセマンティック的に到達可能な第2の特性を表す他の要素を決定するステップを含み得る。例えば、ユーザが第2の要素を好まない場合には、パラメータのために使用される要素の計算を繰り返すことができる。
1つの態様によれば、この方法は、入力に依存して条件を決定するステップを含む。かくしてユーザの好みに従って、セマンティックリーチャビリティの概念が更新される。
1つの態様によれば、この方法は、機械学習パイプラインの1つの構成部分のためのパラメータを決定するステップと、機械学習パイプライン内のこの構成部分の機能に依存して条件を決定するステップと、を含む。
この方法は、入力に依存して要素グループを決定するステップと、この要素グループに依存して機械学習パイプラインの表現のために複数のパラメータを決定するステップと、を含み得る。このようにして、機械学習パイプラインの特性を表す第1の要素に関係する複数のパラメータが決定される。
この方法は、機械学習パイプラインの表現に依存して機械学習モデルを決定するステップを含み得る。
この方法は、画像を有する未処理データを用意するステップと、画像分類器モデルのために機械学習パイプラインのパラメータを決定するステップと、このパラメータに依存して機械学習モデルを決定するステップと、未処理データの少なくとも1つの画像を用いて画像分類器モデルをトレーニングするステップと、を含み得る。このようにしてトレーニングされた機械学習モデルは、画像分類器モデルであり、又は、画像分類器モデルを含む。
この方法は、画像を用意するステップと、機械学習モデルを用いてこの画像を分類するステップと、を含み得る。
機械学習モデルを決定するための装置は、この方法を実施するように構成されている。
以下の説明及び図面から、さらなる有利な実施形態を導き出すことができる。
図1には、機械学習モデル102を決定するための装置100が示されている。
装置100は、ユーザインタフェース層104、セマンティック層106、データ及びマッピング層108並びに機械学習層110を有する。装置100は、以下に説明するコンピュータ実装された方法を実施するように構成されている。
ユーザインタフェース層104は、セマンティック層106のセマンティックコンポーネント、即ち、完成したシステムを使用するためのインタフェースをユーザに提供する。
ユーザインタフェース層104は、データアノテーション114及び機械学習モデル116に関する情報を動的に可視化するように構成された第1の機能112を有する。
ユーザインタフェース層104は、目下のデータアノテーション114及び機械学習モデル116に関する情報を表示するためのグラフィカルユーザインタフェース機能を有し得る。
第1の機能112は、データアノテーション114及び/又は機械学習モデル116及び/又は機械学習のオントロジテンプレートTの間のリンクLに関して、ユーザから情報を取り出すように構成されている。
この実施例の場合、機械学習パイプラインの表現をユーザにより選択することができ、これは、グラフィカルユーザインタフェース上に表示された複数の機械学習パイプライン118から上記表現を選択することによって行われる。
この実施例の場合、機械学習オントロジテンプレートTの間のリンクLは、グラフィカルユーザインタフェース上に表示された複数の機械学習テンプレートから、リンクすべき機械学習オントロジテンプレートTを選択することによって、ユーザにより選択可能である。
機械学習モデル116に関する情報は、可視化部120を有する。
可視化部120は、特徴量グループ122を有する。この実施例の場合、特徴量グループ122は、第1の特徴量グループ122-1、第2の特徴量グループ122-2及び第3の特徴量グループ122-3のためのアイコンを有する。この実施例における第1の特徴量グループ122-1は、単一特徴量のためのグループである。この実施例における第2の特徴量グループ122-2は、時系列のためのグループである。この実施例における第3の特徴量グループ122-3は、品質インジケータのためのグループである。
可視化部120は、処理アルゴリズム124のグラフィカル表現を有する。処理アルゴリズム124のグラフィカル表現は、第1のアルゴリズム124-1のためのアイコン、第2のアルゴリズム124-2のためのアイコン及びグラフ124ー3を有する。この実施例における第1のアルゴリズム124-1は、第1の特徴量グループ122-1、例えば単一特徴量のためのグループのためのアルゴリズムである。この実施例における第2のアルゴリズム124-2は、第2のグループ122-2、例えば時系列の特徴量のためのグループのためのアルゴリズムである。グラフ124-3は、この実施例においては、デカルト座標系の原点からスタートする経時的な抵抗の推移を表示し、これは、長さ、ピーク(最大値)及びピークから最終値までの降下を有する。
可視化部120は、機械学習アルゴリズム126のグラフィカル表現を有する。この実施例における機械学習アルゴリズム126のグラフィカル表現は、機械学習アルゴリズム126の1つの態様を描写するアイコン126-1を有する。
目下のデータアノテーション114に関する情報は、特徴量グループ128を有する。この実施例の場合、特徴量グループ128は、第1の特徴量グループ128-1、第2の特徴量グループ128-2及び第3の特徴量グループ128-3のためのアイコンを有する。
目下のデータアノテーション114に関する情報は、ドメイン特徴量名130を有する。この実施例の場合、ドメイン特徴量名130は、第1のドメイン特徴量名130-1、第2のドメイン特徴量名130-2、第3のドメイン特徴量名130-3、第4のドメイン特徴量名130-4及び第5のドメイン特徴量名130-5のためのアイコンを有する。
この実施例の場合、第1のドメイン特徴量名130-1は、データのステータスを表す。この実施例の場合、第2のドメイン特徴量名130-2は、データの特性を表す。この実施例の場合、第3のドメイン特徴量名130-3は、データのある1つのタイプを表す。この実施例の場合、第4のドメイン特徴量名130-4は、データの他のタイプを表す。この実施例の場合、第5のドメイン特徴量名130-5は、データの品質を表す。
この実施例の場合、第1のドメイン特徴量名130-1及び第2のドメイン特徴量名130-2は、第1の特徴量グループ128-1にマッピングされる。この実施例の場合、第3のドメイン特徴量名130-3及び第4のドメイン特徴量名130-4は、第2の特徴量グループ128-2にマッピングされる。この実施例の場合、第5のドメイン特徴量名130-5は、第3の特徴量グループ128-3にマッピングされる。
目下のデータアノテーション114に関する情報は、未処理特徴量名132を有する。この実施例の場合、未処理特徴量名132は、第1の未処理特徴量名132-1、第2の未処理特徴量名132-2、第3の未処理特徴量名132-3、第4の未処理特徴量名132-4及び第5の未処理特徴量名132-5のためのアイコンを有する。
この実施例の場合、第1の未処理特徴量名132-1は、データのステータスコードを表す。この実施例の場合、第2の未処理特徴量名132-2は、データの特性を表す。この実施例の場合、第3の未処理特徴量名132-3は、データのある1つのタイプを表す。この実施例の場合、第4の未処理特徴量名132-4は、データの他のタイプを表す。この実施例の場合、第5の未処理特徴量名132-5は、データの品質を表す。
この実施例の場合、第1の未処理特徴量名132-1は、第1のドメイン特徴量名130-1にマッピングされる。この実施例の場合、第2の未処理特徴量名132-2は、第2のドメイン特徴量名130-2にマッピングされる。この実施例の場合、第3の未処理特徴量名132-3は、第3のドメイン特徴量名130-3にマッピングされる。この実施例の場合、第4の未処理特徴量名132-4は、第4のドメイン特徴量名130-4にマッピングされる。この実施例の場合、第5の未処理特徴量名132-5は、第5のドメイン特徴量名130-5にマッピングされる。
可視化部120は、リンク可能な複数の機械学習オントロジテンプレートTの表示T’を有する。機械学習オントロジテンプレートTは、特徴量グループのうちの1つ、機械学習アルゴリズムのうちの1つ、ドメイン特徴量名のうちの1つ、又は、未処理特徴量名のうちの1つを参照することができ、複数のアイコンのうちの1つによって表される。
図1においてそれらの項目を結ぶ矢印は、ユーザにより提供されたそれらの要素間のリンクLを表す。
セマンティック層106は、複数の要素についての関係の表現Oを有する。より具体的には、表現Oは、第1のオントロジ134、第2のオントロジ136及び第3のオントロジ138を有する。
この実施例における第1のオントロジ134は、ドメインオントロジであって、これは、ドメインのクラス及び属性並びにそれらの関係を含む形式表現を用いて、ドメイン知識をコーディングする。
この実施例における第2のオントロジ136は、特徴量グループオントロジであって、これは、ドメインオントロジの用語と特徴量グループとの間のリンクを、事前に設計された機械学習パイプラインのカタログに格納する。
この実施例における第3のオントロジ138は、機械学習パイプラインオントロジであって、これは、機械学習知識を形式表現によってコーディングし、これには、許可された及びデフォルトの特徴量グループ、それらの特徴量グループのための適当な特徴量処理アルゴリズム、特徴量処理された対応するグループ、特徴量処理された各グループ及びそれらの関係のための適当な機械学習モデリングアルゴリズムが含まれる。第3のオントロジ138は、この実施例の場合には、カタログをコーディングする。このカタログは、機械学習エキスパートによって形式表現により事前に設計された、いくつかの成功した、実際に一般的な機械学習パイプラインを格納している。機械学習パイプラインは、特徴量グループから、特徴量グループのためのそれらの特徴量処理アルゴリズムへの、それらの対応する特徴量処理されたグループへの、さらに特徴量処理されたグループのためのそれらの指定された機械学習モデリングアルゴリズムへの、事前に設計されたマッピングである。
セマンティック層106は、機械学習オントロジMLO及び機械学習オントロジテンプレートTを有する。
機械学習オントロジMLOは、機械学習知識を形式表現によってコーディングする。機械学習オントロジMLOは、例えば、どのような特徴量グループ又はそれらの組合せが、入力データを処理するために許可されているのか又は許可されていないのかを、及び/又は、入力データを処理するためのデフォルト特徴量グループを、コーディングする。機械学習オントロジMLOは、例えば、どのような特徴量処理アルゴリズムがいずれの特徴量グループに適しているのかをコーディングする。機械学習オントロジMLOは、例えば、特徴量処理アルゴリズムに対応する特徴量処理されたグループ、特徴量処理されたグループ及び/又はそれらの関係のための適当な機械学習モデリングアルゴリズムをコーディングする。
1つの態様における機械学習オントロジMLOは、セマンティックリーチャビリティグラフの許可された探索空間を定義する。
機械学習オントロジテンプレートTは、1つの態様の場合、第3のオントロジ138即ち機械学習パイプラインオントロジのインスタンスを生成するために使用される変数を含むオントロジのフラグメントである。
セマンティック層106は、ダイナミックエクステンダを有し、例えば、ダイナミックスマート推論器DSRを有し、これは、機械学習オントロジMLOと機械学習テンプレートTとユーザにより提供されたリンクLとを入力として受け取り、第3のオントロジ138即ち機械学習パイプラインオントロジを、動的に拡張しコンフィギュレーションし構築する。
第3のオントロジ138即ち機械学習オントロジMLOとテンプレートTとを用いて構築された機械学習パイプラインオントロジは、特徴量グループ、特徴量処理アルゴリズム、特徴量処理されたグループ、及び、特徴量処理された各グループのための指定されたそれらの機械学習モデリングアルゴリズムといった要素のセットのために、セマンティックリーチャビリティグラフGをコーディングする。
1つの実施例によれば、セマンティックリーチャビリティグラフGは、リンクLを用いて機械学習テンプレートTをリンクすることによって構築される。
この実施例におけるダイナミックスマート推論器DSRは、2つの機能層を有する。
第一に、ダイナミックスタート推論器DSRは、入力としてリンクLを受け取り、機械学習テンプレートTをリンクして、セマンティックリーチャビリティグラフGを動的にコンフィギュレーションし拡張し構築するように構成されている。
この実施例の場合には、セマンティックリーチャビリティグラフGの許可された探索空間が、機械学習パイプラインオントロジMLOに基づき定義される。
第二に、ダイナミックスマート推論器DSRは、入力として例えば入力データセットDのアノテーションAを受け取り、リンクLからセマンティック的に到達可能であり、かつ、場合によっては相互間においてセマンティックリーチャビリティ関係を有する、表現Oにおける要素S1,…,Snの複数のセットを計算するように構成されている。他の要素Sjに対しセマンティックリーチャビリティ関係を有する要素Siには、上記の他の要素Sjからセマンティック的に到達可能である。
ダイナミックスマート推論器DSRは、セマンティックリーチャビリティグラフGにおいてセマンティックリーチャビリティ関係を動的に更新するように構成されている。
セマンティック層106は、第2の機能SRを有する。第2の機能SRは、この実施例の場合、第1の推論器140、第2の推論器142及び第3の推論器144を有する。第2の機能SRは、同様にアノテータ146を含み得る。
アノテータ146によってユーザは、第1のオントロジ134、この実施例においては、ドメインオントロジからの用語によって、未処理データにアノテーションを付すことができる。
第1の機能112を、ユーザ入力からデータのためのアノテーションAを決定するように構成することができる。第2の機能SRを、アノテーションAを受け取るように構成することができる。第1の機能112を、ユーザ入力から機械学習パイプラインの表現Mを決定するように構成することができる。第2の機能SRを、機械学習パイプラインの表現Mを受け取るように構成することができる。
第1の機能112は、ユーザインタラクションのために構成されている。より具体的には、第1の機能112は、ユーザに応答を促す出力を決定して出力するように構成されている。第1の機能112は1つの態様によれば、ユーザインタラクションを開始した対象である表現Oの要素を表示するプロンプトを出力するように構成されている。第1の機能112を、この要素の好き嫌いをユーザに要求するように構成することができる。第1の機能112を、要素リストからの要素のうちの1つ又は複数の選択をユーザに要求するように構成することができる。第1の機能112を、出力に応答してユーザによる入力を検出するように構成することができる。第1の機能112を、入力に依存してユーザインタラクションの結果を決定するように構成することができる。第1の機能112を、ユーザインタラクションを開始した対象である要素を、機械学習パイプラインを決定するために使用すべきか否かを示す結果を決定するように構成することができる。第1の機能112を、入力に従ってリストのうちユーザにより選択された1つ又は複数の要素を示す結果を決定するように構成することができる。第1の機能112を、ユーザインタラクションを開始した対象である要素を有する要素グループを結果として決定するように構成することができる。
1つの態様によれば、第1の機能112は、表現Oにおける要素のセマンティックリーチャビリティを評価するために、少なくとも1つの条件を決定するように構成されている。
この実施例によれば、アノテータ146は、第1のオントロジ134からのアノテーションA及び要素を処理して、第1のデータセット148を決定するように構成されており、この第1のデータセット148は、未処理データレイク152からの未処理データ150と、第1のオントロジ134に従ったドメイン特徴量名への、未処理データ150からの未処理特徴量名の第1のマッピング154と、を有する。
この実施例によれば、第1の推論器140は、第1のマッピング154を処理し、第2のオントロジ136に従った特徴量グループへの、ドメイン特徴量名の第2のマッピング156を決定するように構成されている。第1の推論器140を、第2のオントロジ136及びユーザコンフィギュレーション、並びに、ユーザインタラクションの結果、例えばユーザからの入力に基づいて、第2のマッピング156を自動生成しユーザコンフィギュレーションするように構成することができる。
この実施例によれば、第2の推論器142は、第2のマッピング156を処理して、第2のオントロジ136及び第3のオントロジ138に従って特徴量処理されたグループのための処理アルゴリズムへの、特徴量グループの第3のマッピング158を決定するように構成されている。第2の推論器142を、第2のオントロジ136であるカタログに基づき、例えば、第3のオントロジ138、第2のマッピング156、ユーザが選択した機械学習パイプラインの表現M、及び、ユーザインタラクションの結果、例えばユーザからの入力に基づき第3のマッピング158を自動生成するように構成することができる。
この実施例によれば、第2の推論器142は、第2のマッピング156及び第3のマッピング158、並びに、ユーザインタラクションの結果、例えばユーザからの入力に依存して、処理アルゴリズムのための特徴量グループへの、ドメイン名の第4のマッピング160を決定するように構成されている。
この実施例によれば、第2の推論器142は、第3のマッピング158及びユーザインタラクションの結果、例えばユーザからの入力に依存して、特徴量処理されたグループへの、特徴量グループの第5のマッピング162を決定するように構成されている。
この実施例によれば、第3の推論器144は、第3のマッピング158に依存して、機械学習アルゴリズムへの、特徴量処理されたグループの第6のマッピング164を決定するように構成されている。第3の推論器144を、カタログに基づき、例えば、第3のオントロジ138、ユーザが選択した機械学習パイプラインの表現M、及び、ユーザインタラクションの結果、例えばユーザからの入力に基づき、第6のマッピングを自動生成するように構成することができる。
機械学習層110は、未処理データレイク152からの未処理データ150を決定するように構成された第1のデータインテグレータ166を有する。機械学習層110は、第1のデータセット148に依存して、統合データ170を決定するように構成された第2のデータインテグレータ168を有する。未処理データレイク152内に格納されている未処理データは、第2のデータインテグレーション168によって、機械学習に適した統合データ170に変換される。統合データ170は、統合データ170と第4のマッピング160とを有する第2のデータセット172のために用意される。
機械学習層110は、第1のプロセッサ174を有し、この第1のプロセッサ174は、第2のデータセット172に依存して第3のデータセット178のための特徴量176を決定するように構成されている。第3のデータセット178は、特徴量176と第5のマッピング162とを有する。
機械学習層110は、第2のプロセッサ180を有し、この第2のプロセッサ180は、第3のデータセット178に依存して第4のデータセット184のために選択された特徴量182を決定するように構成されている。第4のデータセット184は、選択された特徴量182と第6のマッピング164とを有する。
機械学習層110は、第3のプロセッサ186を有し、この第3のプロセッサ186は、第4のデータセット184に依存して機械学習モデル102を決定するように構成されている。
データ及びマッピング層108は、未処理データレイク152、第1のデータセット148、第2のデータセット172、第3のデータセット178、第4のデータセット184及び機械学習モデル102を有する。
図1の場合、二重線の矢印は、データの情報の流れを示し、実線の矢印は、セマンティクスの情報の流れを示し、破線は、表現Oにおける要素のクラスによる接続を示す。
以下においては、自動的な機械学習パイプライン構築及び機械学習パイプラインコンフィギュレーションの例示的な方法について説明する。この自動化された方法は、機械学習パイプラインの自動化された構築中にユーザインタラクションを可能にするセマンティクスを使用する。
この方法によれば、ユーザは、ドメインオントロジ用語によってデータにアノテーションを付し、事前に設計された機械学習パイプラインをカタログから選択する必要がある。ユーザは、機械学習パイプラインMの表現を構築するために、一連のステップの中間にあるステップにおいてインタラクションを行うことができる。それ以外の総ては、自動化されている。このことは、事前に設計された機械学習パイプラインのカタログにおいてセマンティックテクノロジを用いて、ドメイン知識及び機械学習知識の形式表現をコーディングすることによって達成される。
1つの態様によれば、機械学習パイプラインMの表現は、複数のパラメータを有する。表現Oは、ドメイン知識及び機械学習知識をコーディングするセマンティックを含み得る。このセマンティックは、ドメイン知識又は機械学習知識及びそれらの関係を表す複数の要素を有する。
1つの態様によれば、アノテーションAが用意されると、このアノテーションAに依存して、表現Oにおける第1の要素が決定される。次いで、この第1の要素に依存して、表現Oにおける第2の要素を決定することができる。この実施例によれば、第1の要素及び第2の要素が第1の条件を満たす関係を有するように、第2の要素が決定される。第1の条件を、表現Oにおいてコーディングされたセマンティックに従って、表現Oにおいて第1の要素から第2の要素にセマンティック的に到達可能である、とすることができる。第1の要素及び第2の要素が第1の条件を満たしている場合には、第2の要素に依存してパラメータが決定される。第1の要素及び第2の要素が第1の条件を満たしていない場合には、パラメータは、第2の要素に依存しては決定されない。
他の態様によれば、第2の要素に依存して、表現Oにおける第3の要素を決定することができる。この実施例によれば、第2の要素及び第3の要素は第2の条件を満たす関係を有する。第2の条件を、表現Oにおける第2の要素から第3の要素にセマンティック的に到達可能である、とすることができる。この態様によれば、第2の条件が満たされている場合には、第2の要素と第3の要素とに依存してパラメータを決定することができる。第2の条件が満たされていない場合には、パラメータは、第2の要素及び第3の要素に依存しては決定されない。
例えば要素S1は、表現Oにおいて現れる1つの特徴量グループによって、第1のパラメータP1のインスタンスを生成することができる。
例えば要素S2は、要素S1の特徴量グループからセマンティック的に到達可能である、表現Oにおいて現れる1つ又は複数の処理アルゴリズムによって、第2のパラメータP2のインスタンスを生成することができる。
例えば要素S3は、要素S2の1つ又は複数の処理アルゴリズムからセマンティック的に到達可能である、表現Oにおいて現れる1つ又は複数の処理された特徴量グループによって、第3のパラメータP3のインスタンスを生成することができる。
例えば要素S4は、要素S3の1つ又は複数の処理された特徴量グループからセマンティック的に到達可能である、表現Oにおいて現れる処理された特徴量によって、第4のパラメータP4のインスタンスを生成することができる。
例えば要素S5は、要素S4の1つ又は複数の処理された特徴量からセマンティック的に到達可能である、表現Oにおいて現れる1つ又は複数の機械学習アルゴリズムによって、第5のパラメータP5のインスタンスを生成することができる。
オントロジはグラフではないので、セマンティックリーチャビリティの概念は、それぞれ異なり、使用事例及び用途に左右される可能性がある。
1つの態様によれば、セマンティック的に到達可能ということを、1つ又は複数の上述のオントロジをグラフ構造に投影してグラフリーチャビリティを計算することに基づき、決定することができる。このグラフ構造によって、オントロジ要素間のパスの密接性も考慮することができる。これによれば、表現Oの要素間の明示的及び暗黙的な関係を考慮することができる。
以下においては、図2を参照しながらこの方法について説明する。この方法は、一例としてパラメータP1,…,Pkを有する機械学習パイプラインのためのものである。機械学習パイプラインは、表現Oにおける1つの要素によって表されるパラメータの複数のセットを有し得る。
この方法は、パラメータP1,…,Pkを有する機械学習パイプラインの表現Mを用意するステップ200を有する。
表現Mを用意するステップは、機械学習パイプラインの複数の表現118のうちの1つを識別するユーザ入力を検出するステップと、ユーザ入力において識別された機械学習パイプラインの表現Mを選択するステップと、を含む。
この方法は、表現Oを用意するステップ202を有する。表現Oは、複数の要素及びそれらの関係を有する。
この実施例における表現Oは、第1のオントロジ134、第2のオントロジ136及び第3のオントロジ138を有する。これらを表すグラフを同様に使用することができる。
この方法は、入力データを用意するステップ204を有する。
この方法は、入力データの特徴量のアノテーションA、特に、入力データにおける変数の名称を用意するステップ206を有する。
この方法は、表現Oの第1の要素及び第2の要素を用意するステップ208を有する。第1の要素を用意するステップは、この実施例の場合、アノテーションAに関して、表現Oにおける入力データの特徴量を表す表現Oの1つの要素を決定するステップを含む。1つの実施例によれば、第1のオントロジによる入力データの変数の名称が決定される。
第2の要素を用意するステップは、この実施例の場合、第1の要素に関して、表現Oにおける特徴量名を表す表現Oの1つの要素を決定するステップを含む。1つの実施例によれば、第1のオントロジによるドメインにおける変数の名称が決定される。
第1の要素及び第2の要素が第1の条件を満たす関係を有するように、第1の要素に依存して表現Oにおいて第2の要素を決定することができる。これは、この実施例によれば、表現Oにおいてコーディングされたセマンティックに従って、表現Oにおける第1の要素から第2の要素にセマンティック的に到達可能である、ということを意味する。第1の条件を満たす複数の第2の要素を決定することができる。この方法は、これら第2の要素のうち1つの要素に関して説明されており、同様に任意の個数のこれら第2の要素に適用される。
この方法は、さらに、入力データ150と第1の要素と第2の要素とを有する第1のデータセット148を決定するステップ210を有する。
この方法は、さらに、1つの特徴量グループを表す表現Oにおける第3の要素を決定するステップ212を有する。第1のパラメータP1を、第3の要素に依存して決定することができる。
この実施例におけるステップ212は、第2の要素に関して、特に第2のオントロジ36による、第2の条件を満たす表現Oにおける特徴量グループを表す表現Oの1つの要素を決定するステップを含む。この方法は、これら第3の要素のうち1つの要素に関して説明されており、同様に任意の個数のこれら第3の要素に適用される。
表現Oにおける第2の要素から第3の要素にセマンティック的に到達可能であるように、第2の要素に依存して表現Oにおいて第3の要素を決定することができる。
第3の要素を、第2のオントロジ136に従って決定することができる。
この方法は、要素間の関係の表現Oにおいて第2の要素からセマンティック的に到達可能な複数の第3の要素を決定するステップを含み得る。
この方法は、任意選択的に、1つ又は複数の第3の要素のためにユーザインタラクションを行うステップ213を有する。
このユーザインタラクションについては、後に図3を参照しながら説明する。第1のパラメータP1を、第3の要素に依存して、又は、第3の要素のためのユーザインタラクションの結果には依存せずに、決定することができる。
第3の要素が第1の要求を満たしていることをユーザインタラクションの結果が示している場合には、ステップ214が実行される。そのことを示していない場合には、ステップ212が実行される。ユーザが第3の要素を好み又は選択した場合には、第1の要求を満たすことができる。そうでない場合には、第1の要求を満たすことはできない。
セマンティックリーチャビリティの更新された概念によってステップ212を実行するために、ユーザインタラクションの結果に依存して第2の条件を更新、変更又は決定することができる。
第1のパラメータP1の使用対象である機械学習パイプライン内の構成部分の機能に依存して、第2の条件を更新、変更又は決定することができる。
ユーザインタラクションの結果によって、後に説明するユーザインタラクションにおいて受け取った入力に依存して決定される第3の要素を有する要素グループを示すことができる。この方法は、この要素グループに依存して第3の要素のためのパラメータを含む機械学習パイプラインMの表現のために、複数のパラメータを決定するステップを含み得る。
この方法は、さらに、表現Oにおける第4の要素を決定するステップ214を有する。この実施例における第4の要素を決定するステップは、第3の要素に関して、第3の条件を満たす処理アルゴリズムを表す表現Oの1つの要素を決定するステップを含む。第3の要素から第4の要素にセマンティック的に到達可能であるように、第3の要素に依存して表現Oにおいて第4の要素を決定することができる。第4の要素は、第3の要素により表された特徴量グループのための処理アルゴリズムを表す。第2のパラメータP2を、第4の要素に依存して決定することができる。この方法はこれら第4の要素のうち1つの要素に関して説明されており、同様に任意の個数のこれら第4の要素に適用される。
第4の要素を、第3のオントロジ138に従って決定することができる。
この方法は、要素間の関係の表現Oにおいて第3の要素からセマンティック的に到達可能な複数の第4の要素を決定するステップを含み得る。
この方法は、任意選択的に、1つ又は複数の第4の要素のためにユーザインタラクションを行うステップ215を有する。
このユーザインタラクションについては、後に図3を参照しながら説明する。
第2のパラメータP2を、第4の要素に依存して、又は、第4の要素のためのユーザインタラクションの結果には依存せずに、決定することができる。
第4の要素が第2の要求を満たしていることをユーザインタラクションの結果が示している場合には、ステップ216が実行される。そのことを示していない場合には、ステップ214が実行される。
ユーザが第4の要素を好み又は選択した場合には、第2の要求を満たすことができる。そうでない場合には、第2の要求を満たすことはできない。
セマンティックリーチャビリティの更新された概念によってステップ214を実行するために、ユーザインタラクションの結果に依存して第3の条件を更新、変更又は決定することができる。
第2のパラメータP2の使用対象である機械学習パイプライン内の構成部分の機能に依存して、第3の条件を更新、変更又は決定することができる。
ユーザインタラクションの結果によって、後に説明するユーザインタラクションにおいて受け取った入力に依存して決定される第4の要素を有する要素グループを示すことができる。この方法は、この要素グループに依存して第4の要素のためのパラメータを含む機械学習パイプラインMの表現のために、複数のパラメータを決定するステップを含み得る。
この方法は、さらに、統合データ170のセットと第2の要素と第3の要素と第4の要素とを有する第2のデータセット172を決定するステップ216を有する。
この方法は、さらに、第4の要素により表される処理アルゴリズムを用いて第2のデータセット172を処理することにより、特徴量176のセットを決定するステップ218を有する。
この方法は、さらに、第5の要素を決定するステップ220を有する。この実施例における第5の要素を決定するステップは、第3の要素に関して、第4の条件を満たす特徴量セット172を表す表現Oの1つの要素を決定するステップを含む。この実施例の場合、表現Oにおける第3の要素から第5の要素にセマンティック的に到達可能であるように、かつ、表現Oにおける第4の要素から第5の要素にセマンティック的に到達可能であるように、第5の要素が決定される。第5の要素は、この実施例の場合、1つ又は複数の処理された特徴量グループを表す。
この方法は、要素間の関係の表現Oにおいて第3の要素及び第4の要素からセマンティック的に到達可能な複数の第5の要素を決定するステップを含み得る。
この方法は、任意選択的に、1つ又は複数の第5の要素のためにユーザインタラクションを行うステップ221を有する。
このユーザインタラクションについては、後に図3を参照しながら説明する。
第3のパラメータP3を、第5の要素に依存して、又は、第5の要素のためのユーザインタラクションの結果には依存せずに、決定することができる。第4のパラメータP4のインスタンスを、処理された特徴量によって、即ち、特徴量176のセットによって、又は、第5の要素のためのユーザインタラクションの結果には依存せずに、生成することができる。
第5の要素が第3の要求を満たしていることをユーザインタラクションの結果が示している場合には、ステップ222が実行される。そのことを示していない場合には、ステップ220が実行される。
ユーザが第5の要素を好み又は選択した場合には、第3の要求を満たすことができる。そうでない場合には、第3の要求を満たすことはできない。
セマンティックリーチャビリティの更新された概念によってステップ220を実行するために、ユーザインタラクションの結果に依存して第4の条件を更新、変更又は決定することができる。
第3のパラメータP3の使用対象である機械学習パイプライン内の構成部分の機能に依存して、第4の条件を更新、変更又は決定することができる。
第4のパラメータP4の使用対象である機械学習パイプライン内の構成部分の機能に依存して、第4の条件を更新、変更又は決定することができる。
ユーザインタラクションの結果によって、後に説明するユーザインタラクションにおいて受け取った入力に依存して決定される第5の要素を有する要素グループを示すことができる。この方法は、この要素グループに依存して第5の要素のためのパラメータを含む機械学習パイプラインMの表現のために、複数のパラメータを決定するステップを含み得る。
この方法は、さらに、特徴量176のセットと第3の要素と第5の要素とを有する第3のデータセット178を決定するステップ222を有する。
この方法は、さらに、第6の要素を決定するステップ224を有する。第6の要素を決定するステップは、第5の要素に関して、第5の条件を満たす機械学習モデリングアルゴリズムを表す表現Oの1つの要素を決定するステップを含む。この実施例の場合、表現Oにおける第5の要素から第6の要素にセマンティック的に到達可能であるように、第6の要素が決定される。
この方法は、要素間の関係の表現Oにおいて第5の要素からセマンティック的に到達可能な複数の第6の要素を決定するステップを含み得る。
この方法は、任意選択的に、1つ又は複数の第6の要素のためにユーザインタラクションを行うステップ225を有する。
このユーザインタラクションについては、後に図3を参照しながら説明する。
第5のパラメータP5を、第6の要素によって表される1つ又は複数の機械学習アルゴリズムに依存して、又は、第6の要素のユーザインタラクションの結果には依存せずに、決定することができる。
ユーザインタラクションの結果が、使用される第6の要素を示している場合には、ステップ226が実行される。そのことを示していない場合には、ステップ224が実行される。
セマンティックリーチャビリティの更新された概念によってステップ224を実行するために、ユーザインタラクションの結果に依存して第5の条件を更新、変更又は決定することができる。
第5のパラメータP5の使用対象である機械学習パイプライン内の構成部分の機能に依存して、第5の条件を更新、変更又は決定することができる。
ユーザインタラクションの結果によって、後に説明するユーザインタラクションにおいて受け取った入力に依存して決定される第6の要素を有する要素グループを示すことができる。この方法は、この要素グループに依存して第6の要素のためのパラメータを含む機械学習パイプラインMの表現のために、複数のパラメータを決定するステップを含み得る。
この方法は、さらに、特徴量176のセットから選択された特徴量と第5の要素と第6の要素とを有する第4のデータセット184を決定するステップ226を有する。
この方法は、さらに、データを処理するための命令、及び/又は、第6の要素に従って第4のデータセット184のために定義されたデータを調べるステップ228を含み得る。
このようにして、機械学習パイプラインは、未処理入力データを、結論、及び、機能する機械学習モデルに変換する。
機械学習パイプラインを、例えば、画像分類器モデルを提供するために適用することができる。画像分類器モデルを、あるプロセス中に取得される画像に基づく監視及びプロセス制御のために、使用することができる。このプロセスを抵抗溶接とすることができる。画像は、溶接される箇所及び/又は溶接線を描写することができる。
画像分類器モデルをトレーニングする目的のために、ユーザは、プロセス又はそのシミュレーションからのトレーニング画像にアノテーションを付すことができる。ユーザインタラクションにおいてユーザは、画像分類のために使用すべき特徴量を、ドメイン特徴量名から選択することができる。ユーザインタラクションにおいてユーザは、画像を処理又は分類するために特定の処理アルゴリズムを選択することができる。機械学習モデリングアルゴリズムを、ユーザ選択から自動的に決定することができる。トレーニングされた機械学習モデルをトレーニング画像から自動的に形成するために、機械学習パイプラインMの表現に従ってパラメータを用いて、機械学習モデリングアルゴリズムを実行することができる。
トレーニングのために、未処理データ150は複数の画像を有する。トレーニング中に、画像分類器モデルのためのパラメータである機械学習パイプラインMの少なくとも1つのパラメータが決定される。画像分類器モデルのためのパラメータを、人工ニューラルネットワークのハイパーパラメータ又は重みとすることができる。機械学習モデルがこのパラメータに依存して決定され、未処理データ150の少なくとも1つの画像を用いてトレーニングされる。
トレーニング後、このようにしてトレーニングされた機械学習モデルを用いて、画像を分類することができる。
上述の方法においてユーザは、機械学習パイプラインMの表現を構築するために、中間にあるステップにおいてインタラクションを行う。ある1つのステップのための1つ又は複数のパラメータは、機械学習パイプラインの構成部分に対応し、半自動的に決定される。この文脈において、半自動的とは、機械学習パイプラインの対応する構成部分の1つ又は複数の要素をユーザが選択した又はユーザが好んだということを、ユーザインタラクションの結果が示すまで、一連のステップがインタラクション中に繰り返されるということを意味する。
ユーザインタラクションにおいて、機械学習パイプラインMの第1の特性を表す1つの要素が、要素間の関係の表現Oにおいて決定される。一連のいずれのステップが処理されるのかに依存して、この要素は、第2の要素、第3の要素、第4の要素又は第5の要素となる可能性がある。
ユーザインタラクションにおいて、機械学習パイプラインMの第2の特性を表す要素が、第1の特性を表す要素に依存して表現Oにおいて決定される。いずれの要素が決定されるのかは、処理される一連のステップに依存する。対応するユーザインタラクションにおいて、第3の要素が第2の要素に依存して決定され、第4の要素が第2の要素と第3の要素とに依存して決定され、第5の要素が第4の要素に依存して決定され、又は、第6の要素が第5の要素に依存して決定される。
第1の特性を表す要素及び第2の特性を表す要素は、一連のステップに適用可能なセマンティックリーチャビリティを評価するための条件を満たす関係を有する。
セマンティックリーチャビリティを評価するためにグラフが用いられる場合、そのグラフのノードは、それらの要素を表すことができる。この条件を、第1の特性を表す要素についてグラフ内の第1のノードの属性から決定することができる。この条件が満たされているか否かを、第2の特性を表す要素についてグラフ内の第2のノードの属性に依存して決定することができる。1つの実施例によれば、この条件は、第1のノードの属性により定義され、第2のノードの属性がこの条件を満たしている場合には、第1のノードから第2のノードにセマンティック的に到達可能である、というものである。条件の変更は、例えば、第1のノード又は第2のノードの更新された又は新たな属性として、グラフ内に格納される。
図3には、反復のためのユーザインタラクションにおけるステップが示されている。
ステップ300においてユーザインタラクションは、応答をユーザに促す出力を決定するステップを含む。
この出力は、例えば、ユーザインタラクションを開始した対象である要素を表示するプロンプトである。このプロンプトによって、要素の好き嫌いをユーザに要求することができる。このプロンプトによって、要素の選択をユーザに要求することができる。
ある1つの要素グループについてユーザインタラクションが開始されるとき、プロンプトは、そのグループ内の要素のリストと、それらの要素のうちの1つ又は複数を選択させる要求と、を含み得る。
ユーザインタラクションは、出力を出力するステップ302を含む。この実施例の場合、プロンプトがユーザに表示される。
ユーザインタラクションは、入力を検出するステップ304を含む。この入力を、ユーザに表示されたある1つの要素に対する好き嫌いの属性、又は、複数の要素、例えばユーザに表示された要素リストからの1つの要素の選択とすることができる。
この入力を、要素が選択された場合には、要素に依存して機械学習パイプラインMのパラメータを決定するために、使用することができ、又は、要素が選択されない場合には、要素に依存しては機械学習パイプラインMのパラメータを決定しないために、使用することができる。
ユーザインタラクションは、セマンティックリーチャビリティを評価するための機能との関係を判定するステップを含み得る。この実施例の場合、この機能は、ユーザインタラクションを実行する対象のパラメータの使用対象である機械学習パイプライン内の構成部分の機能である。このケースにおいては、ユーザインタラクションは、応答を検出するステップと、この応答に依存して機能の少なくとも1つのパラメータを変更するステップと、を含み得る。
この実施例の場合、以下のようにして機能が実装される。
ダイナミックスタート推論器DSRは、入力としてリンクLを受け取り、機械学習テンプレートTをリンクして、セマンティックリーチャビリティグラフGを動的にコンフィギュレーションし、拡張し及び/又は構築する。
この実施例の場合には、セマンティックリーチャビリティグラフGの許可された探索空間が、機械学習パイプラインオントロジMLOに基づき定義される。
ダイナミックスマート推論器DSRは、入力としてアノテーションAを受け取り、リンクLのためにセマンティック的に到達可能であり、かつ、場合によっては相互間においてセマンティックリーチャビリティ関係を有する、表現Oにおける要素S1,…,Snの複数のセットを計算する。
この実施例の場合、ダイナミックスマート推論器DSRは、第3のオントロジ138即ち機械学習パイプラインオントロジを動的に更新する。
この機能によって、条件が満たされているか否かを判定することができる。例えば、この機能は、条件が満たされている場合には、表現においてコーディングされたセマンティックに従って、表現において第1の特性を表す要素から、第2の特性を表す要素にセマンティック的に到達可能である、ということを示すことができ、条件が満たされていない場合には、このことを示すことはできない。
ユーザインタラクションは、入力に依存してユーザインタラクションの結果を決定するステップ306を含む。
この結果によって、ユーザインタラクションを開始した対象である要素を、機械学習パイプラインを決定するために使用すべきか否かを示すことができる。
この結果によって、複数の要素、特に、入力に従ってユーザにより選択された要素のうち1つ又は複数の要素を示すことができる。
この結果により、ユーザインタラクションを開始した対象である要素を有する他の要素グループを示すことができる。
Claims (15)
- コンピュータ実装された方法であって、
要素間の関係の表現(O)において、機械学習パイプライン(M)の第1の特性を表す要素を決定するステップ(212,214,220)と、
前記表現(O)において、前記機械学習パイプライン(M)の第2の特性を表す要素を、前記第1の特性を表す前記要素に依存して決定するステップ(214,220,224)と、
前記第2の特性を表す前記要素のための出力を出力するステップ(302)と、
入力、特にユーザの入力を検出するステップ(304)と、
前記入力が所定の要求を満たしている場合には、前記第2の特性を表す前記要素に依存して前記機械学習パイプライン(M)のパラメータを決定し、又は、前記入力が所定の要求を満たしていない場合には、前記第2の特性を表す前記要素に依存しては前記機械学習パイプライン(M)のパラメータを決定しないステップ(214,220,224)と、
を含むことを特徴とする方法。 - 前記第1の特性を表す前記要素及び前記第2の特性を表す前記要素が、所定の条件を満たす関係を有するか否かを、特に、前記表現(O)においてコーディングされたセマンティックに従って、前記表現(O)において第1の特性を表す前記要素から前記第2の特性を表す前記要素にセマンティック的に到達可能であるという条件を満たす関係を有するか否かを、判定するステップ(214,220,224)を含む、
請求項1に記載の方法。 - 前記出力を出力するステップ(302)は、特に、前記第2の特性を表す前記要素の好き嫌いを表すように、又は、前記第2の特性を表す前記要素を選択するように、ユーザに応答を促すステップを含む、
請求項1又は2に記載の方法。 - セマンティックリーチャビリティを評価するための機能によって前記関係を判定するステップと、前記応答を検出するステップと、前記応答に依存して前記機能の少なくとも1つのパラメータを変更するステップと、を含む、
請求項2又は3に記載の方法。 - 前記応答に依存して2つの要素間のリンク(L)を決定するステップと、前記関係を表すセマンティックリーチャビリティグラフを、前記2つの要素に対応する機械学習テンプレート(T)と前記2つの要素間のリンク(L)とを前記セマンティックリーチャビリティグラフ内に格納することによって構築するステップと、を含む、
請求項4に記載の方法。 - 前記第1の特性を表す前記要素から前記表現(O)においてセマンティック的に到達可能な複数の要素を決定するステップ(214,220,224)と、前記複数の要素から前記第2の特性を表す前記要素を前記入力に依存して決定するステップ(306)と、を含む、
請求項1乃至5のいずれか一項に記載の方法。 - 前記入力が前記要求を満たせなかった場合に、前記第1の特性を表す前記要素から前記表現(O)においてセマンティック的に到達可能な、前記第2の特性を表す他の要素を決定するステップ(214,220,224)を含む、
請求項1乃至6のいずれか一項に記載の方法。 - 前記条件を前記入力に依存して決定するステップ(215,221,225)を含む、
請求項1乃至7のいずれか一項に記載の方法。 - 前記機械学習パイプラインの1つの構成部分のためのパラメータを決定するステップと、前記機械学習パイプライン内の前記構成部分の機能に依存して前記条件を決定するステップ(215,221,225)と、を含む、
請求項1乃至8のいずれか一項に記載の方法。 - 前記入力に依存して要素グループを決定するステップ(306)と、前記要素グループに依存して前記機械学習パイプライン(M)の前記表現のために複数のパラメータを決定するステップ(216,222,226)と、を含む、
請求項1乃至9のいずれか一項に記載の方法。 - 前記機械学習パイプライン(M)の前記表現に依存して機械学習モデルを決定するステップ(228)を含む、
請求項1乃至10のいずれか一項に記載の方法。 - 画像を有する未処理データ(150)を用意するステップと、画像分類器モデルのために前記機械学習パイプライン(M)の前記パラメータを決定するステップと、前記パラメータに依存して前記機械学習モデルを決定するステップと、前記未処理データ(150)の少なくとも1つの画像を用いて前記画像分類器モデルをトレーニングするステップと、を含む、
請求項11に記載の方法。 - 画像を用意するステップと、前記機械学習モデルを用いて前記画像を分類するステップと、を含む、
請求項12に記載の方法。 - 機械学習モデル(102)を決定するための装置(100)であって、
当該装置(100)は、請求項1乃至13のいずれか一項に記載の方法を実施するように構成されていることを特徴とする装置(100)。 - コンピュータプログラムであって、
当該コンピュータプログラムは、コンピュータ上において実行されるときに、請求項1乃至13のいずれか一項に記載の方法におけるステップを前記コンピュータに実行させるためのコンピュータ可読命令を含むことを特徴とするコンピュータプログラム。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP20201313 | 2020-10-12 | ||
EP20201313.2A EP3982302A1 (en) | 2020-10-12 | 2020-10-12 | Device for and method of automating machine learning |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2022063864A true JP2022063864A (ja) | 2022-04-22 |
Family
ID=72840368
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021166890A Pending JP2022063864A (ja) | 2020-10-12 | 2021-10-11 | 機械学習を自動化するための装置及び機械学習自動化方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220114486A1 (ja) |
EP (1) | EP3982302A1 (ja) |
JP (1) | JP2022063864A (ja) |
CN (1) | CN114330738A (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11587007B2 (en) * | 2020-12-15 | 2023-02-21 | Atlantic Technical Organization | System and method for automatic learning and selecting of a candidate workflow representative of machine learning flow set |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10417577B2 (en) * | 2015-06-05 | 2019-09-17 | Facebook, Inc. | Machine learning system interface |
US11687795B2 (en) * | 2019-02-19 | 2023-06-27 | International Business Machines Corporation | Machine learning engineering through hybrid knowledge representation |
-
2020
- 2020-10-12 EP EP20201313.2A patent/EP3982302A1/en not_active Withdrawn
-
2021
- 2021-09-22 US US17/448,487 patent/US20220114486A1/en active Pending
- 2021-10-11 CN CN202111183034.5A patent/CN114330738A/zh active Pending
- 2021-10-11 JP JP2021166890A patent/JP2022063864A/ja active Pending
Also Published As
Publication number | Publication date |
---|---|
EP3982302A1 (en) | 2022-04-13 |
US20220114486A1 (en) | 2022-04-14 |
CN114330738A (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US4916633A (en) | Expert system apparatus and methods | |
WO2018125337A2 (en) | Automated generation of workflows | |
CN111723176B (zh) | 一种用于生成合成交互的语义描述的方法 | |
JP7287397B2 (ja) | 情報処理方法、情報処理装置及び情報処理プログラム | |
US20180285769A1 (en) | Artificial immune system for fuzzy cognitive map learning | |
JP7069029B2 (ja) | 自動予測システム、自動予測方法および自動予測プログラム | |
JP2022530868A (ja) | 機械学習に基づくターゲットオブジェクト属性予測方法、関連機器及びコンピュータプログラム | |
US20220101093A1 (en) | Platform for selection of items used for the configuration of an industrial system | |
US20230268035A1 (en) | Method and apparatus for generating chemical structure using neural network | |
JP2022063864A (ja) | 機械学習を自動化するための装置及び機械学習自動化方法 | |
JP2020177565A (ja) | 生産計画作成装置および生産計画作成方法 | |
CN113761388A (zh) | 一种推荐方法、装置、电子设备及存储介质 | |
CN113128689A (zh) | 一种调控知识图谱的实体关系路径推理方法及系统 | |
CN109684466B (zh) | 一种智能教育顾问系统 | |
Houze et al. | A hybrid artificial intelligence approach in well test interpretation | |
JP2022015502A (ja) | 機械学習装置および機械学習方法 | |
JP7398944B2 (ja) | 電子アルバム生成装置、電子アルバム生成方法及びプログラム | |
EP4312152A1 (en) | Material selection for designing a manufacturing product | |
CN114254598A (zh) | 用于使机器学习自动化的设备和使机器学习自动化的方法 | |
JP6721036B2 (ja) | 推論システム、推論方法、及び、プログラム | |
JP6690713B2 (ja) | 推論システム、情報処理システム、推論方法、及び、プログラム | |
JP3819313B2 (ja) | システム構築装置 | |
JP7376450B2 (ja) | 学習済モデルの構築方法、及び、その学習済モデルを用いた設計支援装置 | |
Urribarri et al. | Automatic suggestions to improve the quality of scatterplots during its creation: a case study of ontology and semantic reasoning applied to visualization | |
JP2023079140A (ja) | 情報処理システム、情報処理方法及び情報処理プログラム |