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

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

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。

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。

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。

機械学習モデルを決定するための装置を概略的に示す図である。 機械学習モデルを決定するための方法におけるステップを概略的に示す図である。 ユーザインタラクションの態様を概略的に示す図である。

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)

1. 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。
2. 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。
3. 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。
4. 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。
5. 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。
6. 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。
7. 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。
8. 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。
9. 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。
10. 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。
11. 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。
12. 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。
13. 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。
14. 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）。
15. 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。

Images