JP2022097492A - ユーザの訓練およびタスク管理のための適応型人工知能 - Google Patents

Abstract

【課題】 ユーザの訓練およびタスク管理のための適応型人工知能のための方法およびデバイスを提供する。【解決手段】 ユーザを訓練する人工知能モジュールを特定し、人工知能モジュールを使用して、複数のタスクからユーザに提供するタスクのセットを選択し、タスクのセットをユーザに提供し、ユーザによるタスクの実行に関連するパフォーマンスパラメータを監視し、ユーザの技能のレベルを判断する機械学習モデルを特定する。パフォーマンスパラメータを機械学習モデルに対する入力として使用して、ユーザの技能のレベルが技能閾値を満たすかどうかを判断し、人工知能モジュールに対する設定更新をユーザから取得することと、ユーザの技能のレベルが技能閾値を満たすと判断することと、ユーザの技能のレベルが技能閾値を満たすと判断することに基づき、ユーザの訓練または複数のタスクからの後続のタスクのセットの選択に関連して人工知能モジュールを更新する。【選択図】図１０

Description

本開示は、全般的に、ユーザの訓練およびタスク管理のための適応型人工知能のための方法およびデバイスに関する。

人工知能とは、機械により実行され得る知能をいう。例として、人工知能は、機械が情報を受信し、情報から学習し、情報に基づき適切なアクションを講じて、１つ以上の目標を達成することを伴い得る。人工知能は、分類モデル、データ分析モデル、機械学習モデル、深層学習モデルおよび／または同様のものなどの１つ以上のモデルを含むことも、さらに／またはそれに関連することもある。

一部の実装によれば、方法は、ユーザを訓練する人工知能モジュールを特定するステップと、人工知能モジュールを使用して、複数のタスクからユーザに提供する第１セットのタスクを選択するステップと、第１セットのタスクをユーザに提供するステップと、ユーザによる第１セットのタスクの実行に関連する複数のパフォーマンスパラメータを監視するステップと、ユーザの技能のレベルを判断する機械学習モデルを特定するステップと、複数のパフォーマンスパラメータを機械学習モデルに対する入力として使用して、ユーザの技能のレベルが技能閾値を満たさないと判断するステップと、人工知能モジュールを使用して、且つユーザの技能のレベルが技能閾値を満たさないと判断するステップに基づいて、複数のタスクからユーザに提供する第２セットのタスクを選択するステップと、第２セットのタスクをユーザに提供するステップと、ユーザによる第２セットのタスクの実行に関連する複数のパフォーマンスパラメータを監視するステップと、複数のパフォーマンスパラメータを機械学習モデルに対する入力として使用して、ユーザの技能のレベルが技能閾値を満たすと判断するステップと、人工知能モジュールに対する設定更新をユーザから取得するステップと、１人以上のユーザの訓練に関連して設定更新を使用するために人工知能モジュールを更新するステップであって、人工知能モジュールは、ユーザの技能のレベルが技能閾値を満たすことに基づき更新される、更新するステップと、を含んでもよい。

一部の実装によれば、方法は、ユーザを訓練する第１の人工知能モジュールをデバイスによって特定するステップと、第１の人工知能モジュールを使用して、複数のタスクからユーザに提供する第１セットのタスクをデバイスによって選択するステップと、デバイスによって、ユーザに第１セットのタスクを提供するステップと、デバイスによって、ユーザによる第１セットのタスクの実行に関連する複数のパフォーマンスパラメータを監視するステップと、デバイスによって、ユーザの技能のレベルを判断する機械学習モデルを特定するステップと、デバイスによって、且つ複数のパフォーマンスパラメータを機械学習モデルに対する入力として使用して、ユーザの技能のレベルが技能閾値を満たさないと判断するステップと、第１の人工知能モジュールを使用して、且つユーザの技能のレベルが技能閾値を満たさないと判断するステップに基づいて、複数のタスクからユーザに提供する第２セットのタスクをデバイスによって選択するステップと、デバイスによって、第２セットのタスクをユーザに提供するステップと、デバイスによって、ユーザによる第２セットのタスクの実行に関連する複数のパフォーマンスパラメータを監視するステップと、デバイスによって、且つ複数のパフォーマンスパラメータを機械学習モデルに対する入力として使用して、ユーザの技能のレベルが技能閾値を満たすと判断するステップと、デバイスによって、且つユーザの技能のレベルが技能閾値を満たすと判断するステップに基づいて、ユーザを訓練する第２の人工知能モジュールを特定するステップと、デバイスによって、且つ第２の人工知能モジュールを使用して、複数のタスクからユーザに提供する第３セットのタスクを選択するステップと、デバイスによって、第３セットのタスクをユーザに提供するステップと、を含んでもよい。

上記の方法の一部の可能な実装によれば、方法は、第１の人工知能モジュールに対する設定更新をユーザから取得するステップと、１人以上のユーザの訓練に関連して設定更新を使用するために第１の人工知能モジュールを更新するステップであって、第１の人工知能モジュールは、ユーザの技能のレベルが技能閾値を満たすことに基づき更新される、更新するステップと、をさらに含んでもよい。

上記の方法の一部の可能な実装によれば、方法は、ユーザが第３セットのタスクを実行するときの複数のパフォーマンスパラメータを監視するステップと、ユーザが第３セットのタスクを実行するときの複数のパフォーマンスパラメータを機械学習モデルに対する入力として使用して、ユーザの技能のレベルが技能閾値を満たすと判断するステップと、ユーザの技能のレベルが技能閾値を満たすと判断するステップに基づいて、ユーザを訓練する第３の人工知能モジュールを特定するステップと、第３の人工知能モジュールを使用して、複数のタスクからユーザに提供する第４セットのタスクを選択するステップと、第４セットのタスクをユーザに提供するステップと、をさらに含んでもよい。

上記の方法の一部の可能な実装によれば、機械学習モデルは、知識グラフモデルを含んでもよい。

上記の方法の一部の可能な実装によれば、第１セットのタスクまたは第２セットのタスクの実行に関連する複数のパフォーマンスパラメータは、ユーザのバイオメトリクスと、第１セットのタスクもしくは第２セットのタスクのうちの一方を遂行する適時性、第１セットのタスクもしくは第２セットのタスクを実行する間の速度、第１セットのタスクもしくは第２セットのタスクの実行に関連する精度のレベル、第１セットのタスクもしくは第２セットのタスクの実行に関連する効率または第１セットのタスクもしくは第２セットのタスクに関連する難易度のレベルのうちの少なくとも１つとを含んでもよい。

上記の方法の一部の可能な実装によれば、第３セットのタスクをユーザに提供するステップは、タスクのセットに関連する視覚情報をユーザインターフェースのディスプレイ上に表示するステップを含んでもよい。

上記の方法の一部の可能な実装によれば、機械学習モデルは、第１の機械学習モデルであってもよく、方法は、ユーザを訓練するためにユーザに提供する訓練素材を、人工知能モジュールを使用して選択するステップと、訓練素材をユーザに提供するステップと、訓練素材を用いたユーザの訓練に関連する複数の訓練パラメータを監視するステップと、ユーザが或るレベルの訓練を受けているかどうかを判断する第２の機械学習モデルを特定するステップと、複数の訓練パラメータを第２の機械学習モデルに対する入力として使用して、ユーザの訓練のレベルが訓練閾値を満たすかどうかを判断するステップと、ユーザの訓練のレベルが訓練閾値を満たすと判断するステップに基づき、複数のタスクから第１セットのタスクを選択するステップであって、第１セットのタスクおよび第２セットのタスクは、訓練素材と同じトピックに関連し得る、第１セットのタスクを選択するステップと、をさらに含んでもよい。

一部の実装によれば、デバイスは、１つ以上のメモリと、１つ以上のメモリに通信可能に結合された１つ以上のプロセッサであって、ユーザを訓練する人工知能モジュールを特定すること、人工知能モジュールを使用して、複数のタスクからユーザに提供するタスクのセットを選択すること、タスクのセットをユーザに提供すること、ユーザがタスクのセットを実行している間、ユーザのバイオメトリクスを監視すること、ユーザによるタスクのセットの実行に関連するパフォーマンスメトリクスを監視すること、ユーザの技能のレベルを判断する機械学習モデルを特定すること、バイオメトリクスおよびパフォーマンスメトリクスを機械学習モデルに対する入力として使用して、ユーザの技能のレベルが技能閾値を満たすかどうかを判断すること、人工知能モジュールに対する設定更新をユーザから取得すること、ならびにユーザの技能のレベルが技能閾値を満たすと判断されると、１人以上のユーザの訓練または複数のタスクからの後続のタスクのセットの選択に関連して設定更新を使用するために人工知能モジュールを更新すること、をする１つ以上のプロセッサと、を含んでもよい。

上記のデバイスの一部の可能な実装によれば、ユーザのバイオメトリクスは、ユーザの注意力レベル、ユーザのストレスレベルまたはユーザの集中力レベルのうちの少なくとも１つを含んでもよい。

上記のデバイスの一部の可能な実装によれば、パフォーマンスメトリクスは、タスクの実行に関連する適時性、ユーザがタスクのセットを実行する速度、ユーザがタスクのセットを実行する精度のレベル、ユーザがタスクを実行する効率またはタスクのセットの実行に関連する難易度のレベル、のうちの少なくとも１つを含んでもよい。

上記のデバイスの一部の可能な実装によれば、１つ以上のプロセッサは、ユーザがタスクのセットを閾値速度で、閾値レベルの精度で、または閾値効率で実行したこと、およびタスクのセットが閾値レベルの難易度に関連したことをパフォーマンスメトリクスが機械学習モデルに示すのに基づき、ユーザの技能のレベルが技能閾値を満たすと判断してもよい。

上記のデバイスの一部の可能な実装によれば、ユーザの技能のレベルが技能閾値を満たさない場合、人工知能モジュールは、１人以上のユーザの訓練または複数のタスクからの後続のタスクのセットの選択に関連して設定更新を使用するために更新されなくてもよい。

上記のデバイスの一部の可能な実装によれば、人工知能モジュールは、特にユーザ向けに設定されてもよい。

上記のデバイスの一部の可能な実装によれば、タスクのセットは、雇用または教育の期間に関連するアクティビティまたは動作を含んでもよい。

一部の実装によれば、非一時的コンピュータ可読媒体は命令を格納してもよく、命令は、１つ以上のプロセッサにより実行されると１つ以上のプロセッサに、ユーザを訓練する人工知能モジュールを特定することと、人工知能モジュールを使用して、複数のタスクからユーザに提供するタスクのセットを選択することと、タスクのセットをユーザに提供することと、ユーザによるタスクの実行に関連するパフォーマンスパラメータを監視することと、ユーザの技能のレベルを判断する機械学習モデルを特定することと、パフォーマンスパラメータを機械学習モデルに対する入力として使用して、ユーザの技能のレベルが技能閾値を満たすかどうかを判断することであって、技能閾値は、複数のタスクに関連するパフォーマンスに基づき機械学習モデルにより動的に更新される、判断することと、人工知能モジュールに対する設定更新をユーザから取得することと、ユーザの技能のレベルが技能閾値を満たすと判断することと、ユーザの技能のレベルが技能閾値を満たすと判断することに基づき、１人以上のユーザの訓練または複数のタスクからの後続のタスクのセットの選択に関連して設定更新を使用するために人工知能モジュールを更新することと、をさせる。

上記の非一時的コンピュータ可読媒体の一部の可能な実装によれば、命令は、１つ以上のプロセッサにより実行されると１つ以上のプロセッサにさらに、ユーザを訓練するためにユーザに提供する訓練素材を、人工知能モジュールを使用して選択することと、訓練素材をユーザに提供することと、訓練素材を用いたユーザの訓練に関連する訓練パラメータを監視することと、ユーザが或るレベルの訓練を受けているかどうかを判断する第２の機械学習モデルを特定することと、訓練パラメータを第２の機械学習モデルに対する入力として使用して、ユーザの訓練のレベルが訓練閾値を満たすかどうかを判断することと、ユーザの訓練のレベルが訓練閾値を満たすと判断することに基づき、複数のタスクからタスクのセットを選択することであって、タスクのセットは、訓練素材と同じトピックに関連し得る、タスクのセットを選択することと、をさせてもよい。

上記の非一時的コンピュータ可読媒体の一部の可能な実装によれば、タスクのセットの実行に関連するパフォーマンスパラメータは、ユーザのバイオメトリクス、タスクのセットを遂行する適時性、タスクのセットを実行する間の速度、タスクのセットの実行に関連する精度のレベル、タスクのセットの実行に関連する効率またはタスクのセットに関連する難易度のレベル、のうちの少なくとも１つを含んでもよい。

上記の非一時的コンピュータ可読媒体の一部の可能な実装によれば、パフォーマンスパラメータは、ユーザを監視するカメラ、タスクのセットの実行に関連するユーザ入力を受信するユーザインターフェースまたはユーザを監視するセンサデバイスのうちの少なくとも１つから受信される情報から判断されてもよい。

上記の非一時的コンピュータ可読媒体の一部の可能な実装によれば、人工知能モジュールは、機械学習モデルを含んでもよい。

上記の非一時的コンピュータ可読媒体の一部の可能な実装によれば、人工知能モジュールは、機械学習モデルを使用して判断されたユーザの技能のレベルに基づき、複数のタスクからタスクのセットを選択するように構成されてもよい。

本願明細書に記載される例示の実装の図である。 図１の例示の実装において使用され得る訓練システムの例示の実装の図である。 図１の例示の実装において使用され得るタスク管理システムの例示の実装の図である。 図１の例示の実装において使用され得る人工知能管理システムの例示の実装の図である。 本願明細書に記載される例示の実装に従って使用され得る例示の知識グラフの図である。 本願明細書に記載されるシステムおよび／または方法が実装され得る例示の環境の図である。 図６の１つ以上のデバイスの例示のコンポーネントの図である。 ユーザの訓練およびタスク管理のための適応型人工知能に関連する例示のプロセスのフローチャートである。 ユーザの訓練およびタスク管理のための適応型人工知能に関連する例示のプロセスのフローチャートである。 ユーザの訓練およびタスク管理のための適応型人工知能に関連する例示のプロセスのフローチャートである。

以下の例示の実装の詳細な説明は、添付の図面を参照する。異なる図面にある同じ参照番号は、同じまたは類似の構成要素を特定し得る。

一部の事例において、組織（または個人）は、動作の実行に関連するプロセスに人工知能を埋め込むことがある。例として、人工知能は、動作に関連する特定のタスク（例えば雇用関係のタスク、教育関係のタスクおよび／または同様のもの）の実行に関連して使用され得る。しかしながら、事例によっては、人工知能への過度の依存が、組織が柔軟であることの妨げになることも、さらに／または組織の環境および／もしくは競争状況に組織が十分迅速に順応できなくすることもある。

本願明細書に記載される一部の例は、ユーザが特定のレベルの技能に到達すると人工知能タスク管理システムがそのユーザからの情報に従って適応することを可能にするよう、ユーザと協調的なものとすることができる、人工知能タスク管理システムを提供する。一部の実装において、人工知能タスク管理システムは、ユーザが特定のレベルの技能を有すると人工知能タスク管理システムが判断するまで、ユーザを訓練するためおよび／またはユーザによるタスクのパフォーマンスを監視するために使用されてもよい。人工知能タスク管理システムが、ユーザが特定のレベルの技能を有すると判断すると、ユーザは（例えばユーザ入力および／またはフィードバックを介して）、人工知能タスク管理システムの設定１つ以上を再設定、更新および／または調整できてもよい。一部の実装において、人工知能タスク管理システムは、閾値レベルの技能を有すると特定されたユーザからのフィードバックを自動的に学習および／または特定してもよく、さらに、当該ユーザの情報およびパフォーマンスに基づきタスクの設定および特性を調整してもよい。一部の実装によれば、ユーザの技能のレベルおよび／もしくは人工知能タスク管理システムを代表する１つ以上の知識グラフが、ユーザに関連する経過（例えば訓練の経過、タスクパフォーマンスの経過および／または同様のもの）ならびに／または人工知能タスク管理システムに関連する経過（例えば知識、設定、アクションおよび／または同様のもの）を追跡するために使用されてもよい。一部の実装において、１つ以上の監視デバイス（例えばモノのインターネット（ＩｏＴ：Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ）デバイス、センサ、カメラ、マイクロフォンおよび／または同様のもの）が、ユーザの訓練および／またはタスクのパフォーマンスを監視するために使用されてもよい。そのようなケースで、人工知能タスク管理システムは、ユーザが（例えば特定のパフォーマンスメトリクスに従って訓練素材を遂行することにより）訓練素材の十分な理解を有するかどうか、および／または特定のレベルの技能を有するかどうかを、監視デバイスから受信された情報に基づき判断してもよい。

したがって、本願明細書に記載されるように、人工知能タスク管理システム（例えば１つ以上の機械学習モデルを使用する）は、特定の主題を学習し且つ／または特定の主題に関連するタスクを実行しているユーザを監視して、ユーザの技能のレベルを判断してもよい。人工知能タスク管理システムが、ユーザの技能のレベルが閾値（例えば人工知能タスク管理システムが知識グラフおよび／または多基準最適化分析から決定した閾値）を満たすと判断すると、人工知能タスク管理システムは、ユーザからの設定更新を使用して人工知能タスク管理システムの設定を更新してもよい。このように、本願明細書に記載される一部の実装は、他の場合であれば閾値レベルの技能を有すると判断されたユーザからのサポートおよび／または情報なしに再設定および／または調整をしようと試行して（例えば、技能の閾値レベルを満たさないユーザの入力から調整が行われることもあり、またはいずれのユーザフィードバックに従った調整も行われないこともある）、人工知能タスク管理システムにより費やされることになる、プロセッサリソースおよび／またはメモリリソースを節約し得る。さらに、本願明細書に記載される一部の実装は、本願明細書に記載されるように、再設定されなかったかまたは再設定できなかった以前の人工知能タスク管理システムにより実行される１つ以上のアクションを修正することに関連する、プロセッサリソースおよび／またはメモリリソースを節約することができる。

このように、人工知能タスク管理システムに関連するユーザの技能の判断されたレベルに従い人工知能タスク管理システムを適応させるプロセスの、異なるいくつかの段階が自動化され、これにより、プロセスから人間の主観性および無駄が除去されるかもしれず、さらにこれにより、プロセスの速度および効率が改善されてコンピューティングリソース（例えばプロセッサリソース、メモリリソースおよび／または同様のもの）が節約されるかもしれない。さらに、本願明細書に記載される実装は、以前は実行されなかったか、または以前は人間の主観的な直感もしくは入力を使用して実行されていたタスクまたは役割を実行するために、コンピュータによる的確なプロセスを使用する。例として、現在、人工知能タスク管理システムに関連するユーザの技能のレベルに従って人工知能タスク管理システムを適応させる手法は存在しない。最後に、本願明細書に記載されるように、人工知能タスク管理システムを適応させるプロセスを自動化することは、他の場合であれば人工知能タスク管理システムを適応させない別のやり方では不可能であろう１つ以上のアクションを実行しようと試行して浪費されることになるコンピューティングリソース（例えばプロセッサリソース、メモリリソースおよび／もしくは同様のもの）、ならびに／または人工知能タスク管理システムに関連するユーザの技能のレベルに従って人工知能タスク管理システムを更新できるかどうかもしくは更新すべきかどうかを判断できないことにより浪費されることになるコンピューティングリソースを節約する。

図１は、本願明細書に記載される例示の実装１００の図である。図１の例示の実装１００は、本願明細書に記載される人工知能タスク管理システムを含む訓練および／またはタスク管理システムを含む。図１の例において、ユーザは、１つ以上の訓練素材を使用して特定の主題を学習するため、主題に関連するタスクを実行するため、および／または人工知能タスク管理システムの人工知能モジュールを更新するために、人工知能タスク管理システムに関連してもよく、且つ／またはそれを使用してもよい。人工知能タスク管理システムは、訓練素材および／またはタスクをユーザに提供して、１つ以上の監視デバイス（ＩｏＴ１～ＩｏＴＮとして示され、Ｎは１より大きい整数である）を使用してユーザを監視してもよい。人工知能タスク管理システムは、主題に関連する、且つ／またはタスクの実行に関連する閾値レベルの技能（本願明細書で技能閾値と呼ばれることもある）をユーザが有する場合、ユーザから受信される情報に従って人工知能モジュールを再設定してもよい。技能の閾値レベルは、訓練および／またはユーザパフォーマンスのタスク管理分析の間に、且つ／またはそれに基づいて更新される、動的な閾値であってもよい。例として、機械学習モデルは、タスクのうちの１つ以上の実行に関連するパフォーマンス（例えば他のユーザのパフォーマンス、そのユーザのパフォーマンスおよび／または同様のもの）に基づき、技能の閾値レベルを動的に更新および／または調整してもよい。

本願明細書に記載されるように、一部の実装において、人工知能タスク管理システムは、１人のユーザ、特定グループのユーザ（例えば特定の部門もしくは組織内のユーザ）および／または任意数のユーザ（例えば人工知能タスク管理システムを使用したこともしくはそれと相互作用したことがある任意数のユーザ）に特有であってもよい。
したがって、人工知能タスク管理システムは、ユーザの１つ以上の特性（例えば、ユーザの１つ以上の人口統計、ユーザの経験レベル、ユーザの経歴、ユーザの訓練レベル、ユーザの技能のレベル、ユーザに関連する組織および／または同様のもの）に従って選択可能な複数の人工知能タスク管理システムのうちの１つであってもよい。一部の実装において、ユーザの特性を入力として使用して、特定のユーザのために人工知能タスク管理システムを選択するように機械学習モデルを訓練できる。ユーザおよび／または他の１人以上のユーザのための人工知能タスク管理システムの選択に関連する履歴データが、人工知能タスク管理システムを選択するために使用されてもよい。その結果、人工知能タスク管理システムが、ユーザの特性、および／または他のユーザのための人工知能タスク管理システムの選択に関連する履歴データに基づき選択されてもよい。

図１に参照番号１１０により示されているように、人工知能タスク管理システムは、動作に関連する訓練素材および／またはタスクを取得する。例として、人工知能タスク管理システムは、訓練素材および／またはタスクを格納するデータ構造から訓練素材および／またはタスクを取得してもよい。訓練素材は、特定の課題（例えば技能の分野、組織でのユーザの雇用に対応するアクティビティ、１つ以上のタスクの実行に関連するツールおよび／または同様のもの）についてユーザを訓練するように設計された練習、シミュレーションおよび／またはシナリオに関連する情報であってもよい。タスクは、（例えば組織でのユーザの雇用の一環として、ユーザの教育の一環として、且つ／または同様のものとして）ユーザにより実行される１つ以上の動作および／またはアクティビティに対応してもよい。一部の実装において、データ構造は、別のシステムおよび／またはユーザにより訓練素材および／またはタスクを用いて更新されてもよく、さらに／またはそれを提供されてもよい。さらに、または代わりに、人工知能タスク管理システムによりデータ構造に訓練素材および／またはタスクが提供されてもよい。例として、人工知能タスク管理システムは、機械学習を使用して、データ構造に対して訓練素材および／またはタスクの更新および／または挿入を行うモデル（例えば機械学習モデル）を訓練してもよい。そのようなケースで、訓練素材、タスクおよび／または１人以上のユーザからのパフォーマンスメトリクスが、モデルに対する入力として使用されてもよい。モデルは、データ構造を更新して入力に基づく新たな訓練素材を含めてもよい。

一部の実装において、訓練に関連するタイミング（例えば時刻、週、月、年および／または同様のもの）、ユーザのスケジュール、ユーザが受けた訓練の量、ユーザがアクセスした訓練素材、ユーザが遂行した訓練素材、訓練素材に関連するユーザからのユーザ入力、訓練素材の遂行に関連するパフォーマンス特性（例えば速度、適時性、精度および／または同様のもの）、監視デバイスから受信された情報および／または同様のものなどの１つ以上のパラメータに基づきデータ構造から訓練素材を選択または取得するために、機械学習モデル（例えば訓練モデル）が使用されてもよい。人工知能タスク管理システムは、ユーザおよび／または他のユーザのための訓練素材の選択および／または取得に関連する履歴データを使用して（例えばユーザまたは他のユーザに対する訓練素材の過去の選択および／または割り当てを使用して）、機械学習モデルを訓練してもよい。訓練素材を選択および／または取得するために履歴データおよび１つ以上のパラメータを使用して（例えば機械学習モデルに対する入力として１つ以上のパラメータを使用して）、人工知能タスク管理システムは、ユーザにより遂行される訓練素材を選択および／または取得してもよい。

一部の実装において、訓練に関連するタイミング（例えば時刻、週、月、年および／もしくは同様のもの）、ユーザのスケジュール、ユーザが受けた訓練の量、ユーザがアクセスした訓練素材、ユーザが遂行した訓練素材、訓練素材の遂行に関連するパフォーマンス特性（例えば速度、適時性、精度および／もしくは同様のもの）、訓練素材に関連するユーザからのユーザ入力、ユーザにより実行されたタスク、ユーザにより遂行されたタスク、ユーザにより実行もしくは遂行されたタスクのタイプ、タスクの実行に関連するパフォーマンス特性（例えば速度、適時性、精度および／もしくは同様のもの）、タスクの実行に関連するユーザからのユーザ入力、監視デバイスから受信される情報ならびに／または同様のものなどの１つ以上のパラメータに基づき、データ構造から、ユーザにより実行されるタスクを選択または取得するために、機械学習モデル（例えばタスク管理モデル）が使用されてもよい。人工知能タスク管理システムは、ユーザおよび／または他のユーザのためのタスクの選択および／または取得に関連する履歴データを使用して（例えばユーザまたは他のユーザに対するタスクの過去の選択および／または割り当てを使用して）、機械学習モデルを訓練してもよい。タスクを選択および／もしくは取得するための履歴データおよび１つ以上のパラメータを使用し（例えば機械学習モデルに対する入力として１つ以上のパラメータを使用し）、さらに／または（例えばタスクの様々な特性に基づき）反復的に更新される動的に計算もしくは推定されるタスクのパフォーマンスを使用して、人工知能タスク管理システムは、ユーザにより遂行される訓練素材を選択および／または取得してもよい。

一部の実装によれば、訓練素材および／またはタスクは、ユーザが訓練素材および／またはタスクを遂行する経過に基づき、人工知能タスク管理システムにより反復的に選択されてもよい。例として、以前に選択された第１セットの訓練素材がユーザにより遂行されたと人工知能タスク管理システムが判断した後、人工知能タスク管理システムは、ユーザにより遂行される第２セットの訓練素材を取得してもよい。同様に、以前に選択された第１セットのタスクがユーザにより遂行されたと人工知能タスク管理システムが判断した後、人工知能タスク管理システムは、ユーザにより遂行される第２セットのタスクを取得してもよい。一部の実装において、人工知能タスク管理システムは、閾値レベルの訓練素材（例えば８０％、９０％、１００％および／または同様）が閾値レベルのパフォーマンスメトリクスの範囲内で（例えば閾値速度で、閾値期間内に、閾値レベルの精度で、および／または同様）遂行されるまで、データ構造からタスクを選択および／または取得しなくてもよい。

このように、人工知能タスク管理システムは、人工知能タスク管理システムが訓練素材および／またはタスクをユーザに提供できるように、ユーザにより実行される訓練素材および／またはタスクを選択してもよい。

図１に参照番号１２０によりさらに示されているように、人工知能タスク管理システムは、訓練素材および／またはタスクをユーザインターフェースを介してユーザに提供する。例として、人工知能タスク管理システムは、訓練素材をユーザインターフェース（ＵＩ：ｕｓｅｒ ｉｎｔｅｒｆａｃｅ）のディスプレイに表示して、ユーザが訓練素材にアクセスし、且つ／または実行されるタスクについての情報を閲覧することを可能にしてもよい。一部の実装によれば、人工知能タスク管理システムは、ネットワークを介して、またはユーザインターフェースおよび／もしくは人工知能タスク管理システムに関連する他のデバイスを介して、訓練素材を提供してもよい。

図１に参照番号１３０によりさらに示されているように、人工知能タスク管理システムは、訓練素材および／またはタスクのパフォーマンスおよび／または遂行を、監視デバイスおよびユーザインターフェースを使用して監視する。したがって、人工知能タスク管理システムは、監視デバイスに対応する複数のパラメータおよび／またはユーザインターフェースから受信されるユーザ入力を監視してもよい。そのようなパラメータは、第１セットのタスクまたは第２セットのタスクのうちの１つを遂行する適時性、訓練素材に関連する訓練を実行する間もしくはタスクを実行する間の速度、訓練もしくはタスクの実行に関連する精度のレベル、訓練および／もしくはタスクの実行に関連する効率、第１セットのタスクまたは第２セットのタスクに関連する難易度のレベル、ユーザの１つ以上のバイオメトリクスならびに／または同様のものを含んでもよい。

一部の実装によれば、訓練および／またはタスクの実行中に監視されるユーザのバイオメトリクスは、監視デバイスから測定および／または判断され得るユーザの注意力レベル、ユーザのストレスレベル、ユーザの集中力レベルおよび／または同様のもののうちの１つ以上を含んでもよい。例として、注意力レベルは、（例えばカメラを使用して）ユーザの視線を分析すること、タスクを実行している間のユーザのアクティビティを検出すること、タスクを実行している間のユーザの姿勢を検出すること、（例えば心拍数モニタを使用して）タスクを実行している間の心拍数レベルを判断すること、タスクを実行している間の呼吸レベルを判断することおよび／または同様のことにより、ユーザがアクティブである（例えばユーザインターフェースに集中している、動いているおよび／もしくは同様）かまたは非アクティブである（例えば眠っている、ゆっくりと動いている、前屈みになっているおよび／もしくは同様）かに基づき判断されてもよい。ストレスレベルは、タスクを実行している間、ユーザが不安および／または冷静であるかどうかを特定するために心拍数（例えば心拍数モニタを使用）および／またはユーザの動き／アクション（例えばカメラを使用）を使用して判断されてもよい。ユーザの視線、ユーザの姿勢、ユーザインターフェース以外の物体とユーザが相互作用しているかどうか、タスクを遂行する間にユーザが退屈しているように見え且つ／もしくは集中力を失っているように見えるかどうか、および／または同様のことを用いて、ユーザがタスクに集中しているかまたは注意散漫になっているかを特定するために、ユーザの集中力レベルが判断されてもよい。ユーザのバイオメトリクスは、訓練素材および／またはタスクに関するユーザの快適さレベル、ユーザが訓練素材の主題の知識を有するかどうか、ならびに／またはユーザが主題および／もしくはタスクの実行に関連する或るレベルの技能を有するかどうかを判断するために使用されてもよい。例として、ユーザが高いレベルの集中力を要せず、且つストレスを受けずに比較的難しいタスクを遂行できれば、かかるパラメータは、ユーザが当該タスクの実行に関連する或るレベルの技能に到達したことを示し得る。

このように、人工知能タスク管理システムは、ユーザにより実行される訓練および／またはタスクのパフォーマンスおよび／または遂行を監視して、ユーザが追加の訓練および／または追加のタスク（例えばより高い難易度の、次のレベルの訓練またはタスク）を実行すべきレベルの訓練を受けているかどうか、且つ／または該レベルの技能を有するかどうかを判断してもよい。

図１に参照番号１４０によりさらに示されているように、人工知能タスク管理システムは、監視デバイスからの情報および／またはユーザインターフェースからのユーザ入力に基づきユーザの技能のレベルを判断する。したがって、パフォーマンスメトリクスを使用して、人工知能タスク管理システムは、ユーザの訓練のレベルが、訓練素材の主題の十分な知識をユーザが有する（且つ１つ以上のタスクを実行できる）ことを示すかどうか、ならびに／または、技能のレベルが、タスクの実行に関連する、ならびに／もしくは人工知能タスク管理システムの人工知能モジュールを更新および／もしくは再設定する能力を有することに関連する、技能の閾値レベルを満たすかどうか、を判断してもよい。

一部の実装において、訓練に関連するタイミング（例えば時刻、週、月、年および／もしくは同様のもの）、ユーザのスケジュール、ユーザが行った訓練の量、ユーザがアクセスした訓練素材、ユーザが遂行した訓練素材、訓練素材に関連するユーザからのユーザ入力、訓練素材の遂行に関連するパフォーマンス特性（例えば速度、適時性、精度および／もしくは同様のもの）、監視デバイスから受信された情報ならびに／または同様のものなど、訓練を実行する間のパフォーマンスメトリクスのうちの１つ以上に基づきユーザの訓練のレベルを決定するために、機械学習モデル（例えば訓練モデル）が使用されてもよい。人工知能タスク管理システムは、ユーザの訓練のレベルおよび／または他のユーザの訓練のレベルの判断に関連する履歴データを使用して（例えばユーザまたは他のユーザの訓練のレベルを判断するための過去の分析を使用して）機械学習モデルを訓練してもよい。ユーザの訓練のレベルおよび／または他のユーザの訓練のレベルを判断するために履歴データおよび１つ以上のパフォーマンスメトリクスを使用して（例えば機械学習モデルに対する入力として１つ以上のパラメータを使用して）、人工知能タスク管理システムは、ユーザの訓練のレベルを判断してもよい。

一部の実装において、訓練に関連するタイミング（例えば時刻、週、月、年および／もしくは同様のもの）、ユーザのスケジュール、ユーザが行った訓練の量、ユーザがアクセスした訓練素材、ユーザが遂行した訓練素材、訓練素材の遂行に関連するパフォーマンス特性（例えば速度、適時性、精度および／もしくは同様のもの）、訓練素材に関連するユーザからのユーザ入力、ユーザにより実行されたタスク、ユーザにより遂行されたタスク、ユーザにより実行もしくは遂行されたタスクのタイプ、タスクの実行に関連するパフォーマンス特性（例えば速度、適時性、精度および／もしくは同様のもの）、タスクの実行に関連するユーザからのユーザ入力、監視デバイスから受信される情報ならびに／または同様のものなどのパフォーマンスメトリクスのうちの１つ以上に基づきユーザの技能のレベルを判断するために、機械学習モデル（例えばタスク管理モデル）が使用されてもよい。人工知能タスク管理システムは、ユーザおよび／または他のユーザの技能のレベルの判断に関連する履歴データを使用して（例えばユーザまたは他のユーザの技能のレベルを判断するための過去の分析を使用して）機械学習モデルを訓練してもよい。ユーザまたは他のユーザの技能のレベルを判断するために履歴データおよび１つ以上のパフォーマンスメトリクスを使用して（例えば１つ以上のパラメータを機械学習モデルに対する入力として使用して）、人工知能タスク管理システムは、ユーザにより遂行および／または実行される訓練素材を選択および／または取得してもよい。

図１に参照番号１５０によりさらに示されているように、人工知能タスク管理システムは、ユーザの訓練のレベルおよび／または技能のレベルに基づき、ユーザからの情報を使用して人工知能モジュールを更新してもよい。

人工知能タスク管理システムは、判断された訓練のレベルを使用して、（例えばユーザが特定の課題についてさらに学習するのを支援するために）ユーザが訓練を継続するべきかどうか、またはユーザが主題に関連するタスクを実行するべきかどうかを判断してもよい。例として、訓練のレベルが、ユーザが主題の知識を有することおよび／または１つ以上のタスクを実行できることを示せば、人工知能モジュールは、ユーザによって実行されるタスクを選択するために再設定されてもよい。さらに、または代わりに、訓練のレベルが、ユーザが主題を十分に学習していないことを示せば、人工知能モジュールは、人工知能タスク管理システムに、さらなる訓練素材（例えば前のセットの訓練素材を使用した訓練中のユーザのパフォーマンスに応じて同じセットの訓練素材または別のセットの訓練素材）を選択させてもよい。

人工知能タスク管理システムは、判断された技能のレベルを使用して、ユーザが人工知能タスク管理システムの人工知能モジュールの設定を調整できるかどうかを判断してもよい。例として、人工知能タスク管理システムが、ユーザが閾値レベルの技能を有すると（例えばパフォーマンスメトリクスおよび／またはパフォーマンスメトリクスを使用するスコアリングシステムに基づき）判断すると、人工知能タスク管理システムは、ユーザが人工知能モジュールを更新することを許可してもよく、且つ／またはユーザからの情報を使用して人工知能モジュールを更新してもよい。そのようなケースで、ユーザは、タスクを実行するためのタスクの複雑性を調整してもよく、訓練素材のコースワークおよび／もしく複雑性を調整してもよく、タスクの実行および／もしくは訓練に関連するパフォーマンスメトリクス（例えば速度閾値、精度閾値、適時性閾値および／または同様のもの）を調整してもよく、さらに／または同様のことをしてもよい。一部の実装において、ユーザがタスクのセットを実行し、人工知能タスク管理システムがユーザによるタスクの実行のパフォーマンスメトリクスからユーザは閾値レベルの技能を有しないと判断すれば、人工知能タスク管理システムは、（例えばタスクの実行に関連するパフォーマンスメトリクスに基づき）ユーザが実行する次のセットのタスクを選択してもよい。

一部の実装において、人工知能タスク管理システムは、１つ以上の知識グラフを使用して、ユーザが１つ以上のタスクを実行するのに十分なレベルの訓練を受けているかどうか、ユーザが１つ以上のタスクを実行するのに十分なレベルの技能を有すること、および／またはユーザが学習を人工知能タスク管理システムに伝達して人工知能タスク管理システムに人工知能タスク管理システムの人工知能モジュールを調整および／または再設定させるのに十分なレベルの技能を有することを判断してもよい。例として、１つ以上の知識グラフは、ユーザによる特定のタスクの実行に対応するパフォーマンスメトリクス、タスクの実行に関連する難易度レベルおよび／または同様のものを特定するために更新および／または編集されてもよい。知識グラフが閾値レベルの技能に対応する知識グラフを表す（例えば、ユーザの知識グラフの閾値数のパフォーマンスメトリクスおよび／またはタスク難易度レベルが、閾値レベルの技能のパフォーマンスメトリクスおよび／またはタスク難易度レベルに一致する）場合、人工知能タスク管理システムは、ユーザが閾値レベルの技能を有すると判断してもよい。同じく、知識グラフは、ユーザが閾値レベルの訓練に到達した場合および／またはタスクを実行できる場合を判断するために使用されてもよい。

したがって、本願明細書に記載されるように、人工知能タスク管理システムは、ユーザを訓練し、ユーザが実行するタスクを選択し、ユーザのタスクのパフォーマンスを監視し、ユーザがユーザの技能のレベルに基づき人工知能タスク管理システムの人工知能モジュールを調整できるようにしてもよい。人工知能モジュールは、訓練素材を選択するため、タスクを選択するため、訓練のレベルを決定するため、および／またはユーザの技能のレベルを判断するために使用可能な、１つ以上の機械学習モジュールを含んでもよい。よって、人工知能タスク管理システムは、ユーザが閾値レベルの技能を有すると人工知能タスク管理システムが判断すると、人工知能モジュールの再設定を自動的に可能にしてもよい。したがって、ユーザにより特定された任意の問題に対処するために人工知能モジュールを更新でき、それに伴い、人工知能タスク管理システムに関連するユーザ、動作および／または組織１つ以上に正確且つ／または迅速に適応するための人工知能モジュールの能力が向上する。

上記で指摘されたように、図１は単に例として提供されている。他の例が可能であり、図１に関して記載されたものとは異なってもよい。

図２は、図１の例示の実装において使用され得る訓練システムの例示の実装２００の図である。図２の例に示されているように、訓練システムは、監視デバイスからのデータ（ＩＯＴデータ）およびユーザインターフェースからのデータ（ＵＩデータ）ならびに訓練素材を入力として受信する。本願明細書に記載されるように、訓練システムは、ユーザ特有訓練情報を人工知能タスク管理システムの別のシステム（例えばタスク管理システムまたは人工知能管理システム）に提供してもよい。

図２の例示の実装２００に示されているように、ユーザが訓練タスクを学習／実行するとき、人工知能モジュールは、ユーザの学習挙動および／または知識を検出してもよい。学習挙動は、どのタイプの訓練タスクおよび／もしくは訓練素材でユーザが卓越できたか、ならびに／またはどのタイプの訓練タスクおよび／もしくは訓練素材がユーザを苦労させたかを示してもよい。例として、ユーザは、アプリケーションベースのタスクが提供されたときはうまく実行したが、理論ベースのタスクが提供されたときはうまく実行しなかったかもしれない。人工知能モジュールが、（例えば検出された知識に基づき）ユーザが十分なレベルの訓練を受けていると判断すると、ユーザは、ユーザがタスクを実行し始めるのを許可するようタスク管理システムにユーザ特有訓練情報を提供してもよい。ユーザ特有訓練情報は、訓練のレベル（訓練素材のユーザの知識を反映してもよい）および／またはユーザの１つ以上の学習挙動を含んでもよい。

本願明細書に記載されるように、一部の実装において、訓練システムは、訓練モデルと呼ばれる機械学習モデルにより実装されてもよい。したがって、監視デバイスからのデータ、ユーザインターフェースからのデータおよび訓練素材が、訓練モデルに対する入力として使用されてもよい。ユーザの訓練に関連する履歴データも、訓練モデルに対する入力として格納および／または保持されてもよい。したがって、履歴データ、監視デバイスからのデータ、ユーザインターフェースからのデータおよび訓練素材を使用して、訓練モデルは、ユーザの学習挙動および／または知識を判断し、それに対応して、かかる情報を人工知能タスク管理システムの別のシステム（例えばタスク管理システムまたは人工知能管理システム）に出力してもよい。

したがって、訓練に関連する１つもしくは複数タスクまたは動作に関連するタスクをユーザが実行できると考えられるかどうかを判断するために、例示の実装２００の訓練システムが使用されて学習挙動および／または訓練素材のユーザの知識が判断されてもよい。

上記で指摘されたように、図２は単に例として提供されている。他の例が可能であり、図２に関して記載されたものとは異なってもよい。

図３は、図１の例示の実装において使用され得るタスク管理システムの例示の実装３００の図である。図３の例に示されているように、タスク管理システムは、訓練システムからの出力（例えばユーザ特有学習挙動、知識および／もしくは同様のもの）、監視デバイスからのデータ（ＩＯＴデータ）ならびに／またはユーザインターフェースからのデータ（ＵＩデータ）を入力として受信する。タスク管理システムは、本願明細書に記載されるように、人工知能の設定のための情報および／またはユーザ特有タスク管理モデルのための情報（例えば学習挙動、ユーザの強みおよび／または同様のもの）を提供してもよい。

図３の例示の実装３００に示されているように、ユーザがタスクを実行し且つ／またはフィードバックを提供するとき、人工知能モジュールは、（例えばタスクの実行に基づき）ユーザの学習挙動の判断を継続し、ユーザ向けに訓練モデルおよび／またはタスク管理システムを適応させる。学習挙動は、ユーザがどのように１つ以上のタスクを実行するか、どのタスクの実行でユーザが卓越するか、どのタスクの実行でユーザが苦労するか、および／または同様のことに対応してもよい。例として、ユーザは、第１のタイプのタスクを実行するときは卓越しているかもしれないが、他のタイプのタスクについては苦労するかもしれない。したがって、タスク管理モデルは、第２のタイプのタスクに関連する訓練タスクを選択してもよく、さらに／または（訓練タスクを実行している間のパフォーマンスメトリクスから判断された）ユーザの強みに応じたタスクを選択してもよい。

本願明細書に記載されるように、一部の実装において、タスク管理システムは、本願明細書においてタスク管理モデルと呼ばれる機械学習モデルにより実装されてもよい。したがって、訓練システムからの出力、監視デバイスからのデータおよびユーザインターフェースからのデータが、タスク管理モデルに対する入力として使用されてもよい。ユーザによるタスクの実行に関連する履歴データも、タスク訓練モデルに対する入力として格納および／または保持されてもよい。したがって、履歴データ、訓練システムからの出力、監視デバイスからのデータおよびユーザインターフェースからのデータを使用して、タスク管理モデルは、タスクの実行に関連するユーザの学習挙動を判断して、タスク管理モデルを適宜ユーザに適応させてもよい。さらに、タスク管理モデルは、人工知能モジュールを更新および／または設定する情報が人工知能管理システムに提供されるべきかどうかを判断してもよい。例として、タスク管理システムは、タスク管理モデルを使用して、ユーザが人工知能タスク管理システムの人工知能モジュールを更新および／または再設定するための閾値レベルの技能を有するかどうかを判断してもよい。

上記で指摘されたように、図３は単に例として提供されている。他の例が可能であり、図３に関して記載されたものとは異なってもよい。

図４は、図１の例示の実装において使用され得る人工知能管理システムの例示の実装の図である。図４の例に示されているように、人工知能管理システムは、タスク管理システムからの出力（例えば人工知能の設定のための情報および／または適応済みのユーザ特有タスク管理モデル）ならびにユーザフィードバックを入力として受信する。人工知能管理システムは、本願明細書に記載されるように、入力を処理し、タスク管理システムから受信されたフィードバックおよび／または情報（例えばユーザの技能のレベル）に基づき人工知能モジュールの設定を更新する。

図４の例示の実装４００に示されているように、ユーザが（例えば閾値レベルの技能を有するユーザのためのタスクに対応する）次のレベルのタスクを実行するとき、ユーザは、タスクの中で検出されるパターンおよび／またはタスクの動作に関連するパターンを診断してもよい。ユーザは、（例えば、種々のタスクを提供するため、タスクおよび／もしくは訓練素材の順序を並べ換えるため、種々のパフォーマンスメトリクスもしくはパフォーマンスメトリクスの種々の重みに従って技能のレベルを判断するため、ならびに／または同様のことのため）人工知能モジュールが再設定および／または調整されるべきであることを示すパターンに関連するフィードバックを提供してもよい。さらに人工知能モジュールは、パターンをマイニングし、パターンおよび／またはユーザフィードバックに基づき人工知能モジュールの設定を更新し、ユーザの挙動の学習をさらに継続してもよい。

本願明細書に記載されるように、一部の実装において、人工知能管理システムは人工知能モジュールを含んでもよく、且つ／またはそれによって実装されてもよい。したがって、訓練システム、タスク管理システムからの出力および／またはユーザフィードバックが、人工知能モジュールに対する入力として使用されてもよい。ユーザによるパターンの診断および／またはフィードバックの提供に関連する履歴データが、人工知能モジュールに対する入力として格納および／または保持されてもよい。したがって、履歴データ、訓練システムおよび／またはタスク管理システムからの出力ならびにユーザフィードバックを使用して、人工知能モジュールは、人工知能の設定が更新されることを可能にしてもよく、さらに／またはユーザフィードバックおよびユーザが閾値レベルの技能を有するとの（例えばタスク管理モデルに従った）判断に従って人工知能の設定を自動的に更新してもよい。

上記で指摘されたように、図４は単に例として提供されている。他の例が可能であり、図４に関して記載されたものとは異なってもよい。

図５は、本願明細書に記載されている例示の実装に従って使用され得る例示の知識グラフ５００の図である。図５の例では、知識グラフ５００が、従業員として示されている個人の専門的なパフォーマンスを特定するために使用されてもよい。そのような特定をされることは、従業員が人工知能タスク管理システムを介して学習することから訓練および／またはフィードバックを人工知能タスク管理システムに提供することに遷移できる、転換点であってもよい。

図５に示されているように、（訓練素材を含んでもよい）人工知能モジュールが、アクティビティおよび／またはタスクのリストを提供する。それぞれのタスクは、重要タスクまたは通常タスクとして示される２つのカテゴリのうちの１つに属してもよい。図のように、タスクまたはアクティビティは、推定される処理時間、複雑性レベルおよび／または（タスク実行の精度のレベルを示してもよい）タスク達成の正確確率などの特性のセットを有してもよい。タスクは、多数の様々な形で正しく行われる可能性があるので、タスクに対する正しい解および／またはどの程度うまくタスクが行われたかの正確確率を得る形は多数あり得る。したがって、人工知能モジュールは、達成されたアクティビティおよび／またはタスクが閾値レベルの正確さで遂行されたか否かを判断してもよい。

図５にさらに示されているように、知識グラフ５００において、従業員エンティティは、タスクの達成時間、速度ならびにアクティビティおよび／またはタスクを実行するときの集中力レベルにより定義されるパフォーマンスレベルを有する。人工知能モジュールは、従業員の学習された挙動に従ってアクションを講じてもよい。例として、人工知能モジュールは、（例えば監視デバイスからの入力により明らかにされる）集中力レベルが相対的に低い従業員に注意を促してもよく、またはタスクに時間がかかりすぎている当該従業員に通知を行ってもよく、さらに／または同様のことをしてもよい。さらに、人工知能モジュールは、１つ以上のタスクに関する従業員のパフォーマンスレベルに関して、（例えばその後により簡単な、またはより複雑な訓練素材を提供することにより）訓練素材を適応させることができる。

一部の実装において、技能レベル閾値のレベルを推定および／または決定するために、人工知能モジュールは、ｉ）他の従業員のより良好なパフォーマンスからのより良好に推定されたタスクプロパティのインスタンスを得ることにより、反復毎に動的に更新され従業員に与えられる一連のタスクのリスト（およびタスクの特性）、およびタスクの実行に関連するプロパティ（例えば正確さ、処理時間、複雑性および／または同様のもの）に基づき、従業員のパフォーマンスを反復的に推定すること、ならびにｉｉ）他の従業員パフォーマンス（例えば人工知能モジュールに関連する履歴データに含まれる履歴パフォーマンス）と対照して従業員パフォーマンスを評価しながら、多基準最適化問題が満たされるまで高パフォーマンスの従業員の能力を試すこと、を行ってもよい。

上記で指摘されたように、図５は単に例として提供されている。他の例が可能であり、図５に関して記載されたものとは異なってもよい。

図６は、本願明細書に記載されるシステムおよび／または方法が実装され得る例示の環境６００の図である。図６に示されているように、環境６００は、ユーザデバイス６０５、監視デバイス６１０、人工知能タスク管理システム６２０、コンピューティングリソース６２５、クラウドコンピューティング環境６３０およびネットワーク６３５を含んでもよい。環境６００のデバイスは、有線接続、無線接続または有線接続と無線接続との組み合わせを介して相互接続してもよい。

ユーザデバイス６０５は、本願明細書に記載されるように、訓練および／または１つ以上のタスクの実行に関連する情報を受信、生成、格納、処理および／または提供できる１つ以上のデバイスを含む。例としてユーザデバイス６０５は、携帯電話（例えばスマートフォン、無線電話など）、ラップトップコンピュータ、タブレットコンピュータ、ハンドヘルドコンピュータ、ゲーム用デバイス、ウェアラブル通信デバイス（例えばスマート腕時計、スマート眼鏡など）または類似のタイプのデバイスなどの通信および／またはコンピューティングデバイスを含んでもよい。一部の実装において、ユーザデバイス６０５は、本願明細書に記載されるように、フィードバックを提供し且つ／または人工知能モジュールを再設定するためにユーザにより使用され得るユーザインターフェースを提供する。

監視デバイス６１０は、ユーザの監視に関連する情報を取得、生成、格納および／または提供できる１つ以上のデバイスを含む。例として、監視デバイス６１０は、ユーザデバイス６０５、ウェアラブルデバイス（例えばスマートウォッチ、ヘルスモニタウォッチおよび／または同様のもの）、カメラ、マイクロフォン、センサデバイス、ＩｏＴデバイス、心臓モニタおよび／または同様のものの１つ以上のコンポーネントを含んでもよい。

人工知能タスク管理システム６２０は、本願明細書に記載されるように、人工知能モジュール、訓練モデルおよび／またはタスク管理モデルを管理できる１つ以上のデバイス（例えばコンピューティングリソース）を含む。人工知能タスク管理システム６２０は、図１～図４、および図５に関連して記載された人工知能タスク管理システムに対応してもよい。例として、人工知能タスク管理システム６２０は、ユーザの訓練および／またはタスクの実行に関連するパフォーマンスメトリクスを監視して、ユーザが閾値レベルの技能を有する場合に人工知能モジュールを更新し得る、クラウドコンピューティング環境６３０により実装されたプラットフォームであってもよい。一部の実装において、人工知能タスク管理システム６２０は、クラウドコンピューティング環境６３０のコンピューティングリソース６２５により実装される。

一部の実装において、人工知能タスク管理システム６２０は、サーバデバイスまたはサーバデバイスのグループを含んでもよい。一部の実装において、人工知能タスク管理システム６２０は、クラウドコンピューティング環境６３０においてホストされてもよい。特に、本願明細書に記載される実装は、人工知能タスク管理システム６２０がクラウドコンピューティング環境６３０においてホストされるものとして記載するが、一部の実装では、人工知能タスク管理システム６２０はクラウドベースでなくてもよく、または部分的にクラウドベースであってもよい。

クラウドコンピューティング環境６３０は、サービスとしてコンピュータ処理を提供する環境を含み、それによって共有リソース、サービスなどがユーザデバイス６０５に提供されてもよい。クラウドコンピューティング環境６３０は、サービスを配信するシステムおよび／またはデバイスの物理的な位置および構成についてエンドユーザの知識を要求しない演算、ソフトウェア、データアクセス、ストレージおよび／またはその他サービスを提供してもよい。図のように、クラウドコンピューティング環境６３０は、人工知能タスク管理システム６２０およびコンピューティングリソース６２５を含んでもよい。

コンピューティングリソース６２５は、１つ以上のパーソナルコンピュータ、ワークステーションコンピュータ、サーバデバイスまたは別のタイプの演算および／もしくは通信デバイスを含む。一部の実装において、コンピューティングリソース６２５は人工知能タスク管理システム６２０をホストしてもよい。クラウドリソースは、コンピューティングリソース６２５において実行する演算インスタンス、コンピューティングリソース６２５内に設けられるストレージデバイス、コンピューティングリソース６２５により提供されるデータ転送デバイスなどを含んでもよい。一部の実装において、コンピューティングリソース６２５は、有線接続、無線接続または有線接続と無線接続との組み合わせを介して他のコンピューティングリソース６２５と通信してもよい。

図６にさらに示されているように、コンピューティングリソース６２５は、１つ以上のアプリケーション（「ＡＰＰ（ａｐｐｌｉｃａｔｉｏｎ）」）６２５－１、１つ以上の仮想マシン（「ＶＭ（ｖｉｒｔｕａｌ ｍａｃｈｉｎｅ）」）６２５－２、仮想化ストレージ（「ＶＳ（ｖｉｒｔｕａｌｉｚｅｄ ｓｔｏｒａｇｅ）」）６２５－３、１つ以上のハイパーバイザ（「ＨＹＰ（ｈｙｐｅｒｖｉｓｏｒ）」）６２５－４または同様のものなどのクラウドリソースのグループを含んでもよい。

アプリケーション６２５－１は、ユーザデバイス６０５に提供されても、またはユーザデバイス６０５によりアクセスされてもよい１つ以上のソフトウェアアプリケーションを含む。アプリケーション６２５－１は、ユーザデバイス６０５上でソフトウェアアプリケーションをインストールして実行する必要性をなくしてもよい。例としてアプリケーション６２５－１は、人工知能タスク管理システム６２０に関連したソフトウェア、および／またはクラウドコンピューティング環境６３０を介して提供できる他の任意のソフトウェアを含んでもよい。一部の実装において、１つのアプリケーション６２５－１は、仮想マシン６２５－２を介して他の１つ以上のアプリケーション６２５－１との間で情報を送受信してもよい。

仮想マシン６２５－２は、物理マシンのようにプログラムを実行するマシン（例えばコンピュータ）のソフトウェア実装を含む。仮想マシン６２５－２は、用途、および仮想マシン６２５－２の任意の実マシンとの類似の程度に応じて、システム仮想マシンまたはプロセス仮想マシンのいずれかであってもよい。システム仮想マシンは、完全なオペレーティングシステム（「ＯＳ（ｏｐｅｒａｔｉｎｇ ｓｙｓｔｅｍ）」）の実行をサポートする完全なシステムプラットフォームを提供してもよい。プロセス仮想マシンは、単一のプログラムを実行してもよく、単一のプロセスをサポートしてもよい。一部の実装において、仮想マシン６２５－２は、ユーザ（例えばユーザデバイス６０５）の代わりに実行してもよく、さらにデータ管理、同期化または長期データ転送など、クラウドコンピューティング環境６３０のインフラストラクチャの管理をしてもよい。

仮想化ストレージ６２５－３は、コンピューティングリソース６２５のストレージシステムまたはデバイスの中で仮想化手法を使用する１つ以上のストレージシステムおよび／または１つ以上のデバイスを含む。一部の実装において、ストレージシステムの文脈の中で、仮想化のタイプはブロック仮想化およびファイル仮想化を含んでもよい。ブロック仮想化は、物理ストレージからの論理ストレージの抽象化（または分離）を指してもよく、その結果、物理ストレージまたは異種構造と無関係にストレージシステムがアクセスされ得る。この分離は、ストレージシステムの管理者がエンドユーザに対しどのようにストレージを管理するかの点で、柔軟性を管理者に認めてもよい。ファイル仮想化は、ファイルレベルでアクセスされるデータと、ファイルが物理的に格納される場所との間の依存関係をなくしてもよい。これは、ストレージ使用の最適化、サーバコンソリデーションおよび／または無停止ファイルマイグレーションの実行を可能にしてもよい。

ハイパーバイザ６２５－４は、複数のオペレーティングシステム（例えば「ゲストオペレーティングシステム」）がコンピューティングリソース６２５などのホストコンピュータ上で同時に実行できるようにするハードウェア仮想化手法を提供する。ハイパーバイザ６２５－４は、ゲストオペレーティングシステムに仮想オペレーティングプラットフォームを提示してもよく、ゲストオペレーティングシステムの実行を管理してもよい。様々なオペレーティングシステムの複数のインスタンスが、仮想化ハードウェアリソースを共有してもよい。

ネットワーク６３５は、１つ以上の有線ネットワークおよび／または無線ネットワークを含む。例として、ネットワーク６３５は、セルラネットワーク（例えばロングタームエボリューション（ＬＴＥ：ｌｏｎｇ－ｔｅｒｍ ｅｖｏｌｕｔｉｏｎ）ネットワーク、符号分割多元接続（ＣＤＭＡ：ｃｏｄｅ ｄｉｖｉｓｉｏｎ ｍｕｌｔｉｐｌｅ ａｃｃｅｓｓ）ネットワーク、３Ｇネットワーク、４Ｇネットワーク、５Ｇネットワーク、別のタイプの次世代ネットワークなど）、公衆陸上モバイルネットワーク（ＰＬＭＮ：ｐｕｂｌｉｃ ｌａｎｄ ｍｏｂｉｌｅ ｎｅｔｗｏｒｋ）、ローカルエリアネットワーク（ＬＡＮ：ｌｏｃａｌ ａｒｅａ ｎｅｔｗｏｒｋ）、ワイドエリアネットワーク（ＷＡＮ：ｗｉｄｅ ａｒｅａ ｎｅｔｗｏｒｋ）、メトロポリタンエリアネットワーク（ＭＡＮ：ｍｅｔｒｏｐｏｌｉｔａｎ ａｒｅａ ｎｅｔｗｏｒｋ）、電話網（例えば公衆交換電話網（ＰＳＴＮ：Ｐｕｂｌｉｃ Ｓｗｉｔｃｈｅｄ Ｔｅｌｅｐｈｏｎｅ Ｎｅｔｗｏｒｋ））、プライベートネットワーク、アドホックネットワーク、イントラネット、インターネット、光ファイバベースのネットワーク、クラウドコンピューティングネットワークもしくは同様のものおよび／またはこれらもしくはその他のタイプのネットワークの組み合わせを含んでもよい。

図６に示されたデバイスおよびネットワークの数および配置は、例として示されている。実際には、図６に示されたものと比べて、追加のデバイスおよび／もしくはネットワーク、より少数のデバイスおよび／もしくはネットワーク、異なるデバイスおよび／もしくはネットワークまたは別様に配置されたデバイスおよび／もしくはネットワークがあってもよい。さらに、図６に示されている２つ以上のデバイスが単一のデバイス内に実装されてもよく、または、図６に示されている単一のデバイスが複数の分散型デバイスとして実装されてもよい。さらに、または代わりに、環境６００のデバイスのセット（例えば１つ以上のデバイス）が、環境６００のデバイスの別のセットにより実行されるものとして記載されている１つ以上の機能を実行してもよい。

図７は、デバイス７００の例示のコンポーネントの図である。デバイス７００は、ユーザデバイス６０５、監視デバイス６１０、人工知能タスク管理システム６２０および／またはコンピューティングリソース６２５に対応してもよい。一部の実装において、ユーザデバイス６０５、監視デバイス６１０、人工知能タスク管理システム６２０および／またはコンピューティングリソース６２５は、１つ以上のデバイス７００および／またはデバイス７００の１つ以上のコンポーネントを含んでもよい。図７に示されているように、デバイス７００は、バス７１０、プロセッサ７２０、メモリ７３０、ストレージコンポーネント７４０、入力コンポーネント７５０、出力コンポーネント７６０および通信インターフェース７７０を含んでもよい。

バス７１０は、デバイス７００のコンポーネント間の通信を可能にするコンポーネントを含む。プロセッサ７２０は、ハードウェア、ファームウェアまたはハードウェアとソフトウェアとの組み合わせにおいて実装される。プロセッサ７２０は、中央処理ユニット（ＣＰＵ：ｃｅｎｔｒａｌ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）、グラフィックス処理ユニット（ＧＰＵ：ｇｒａｐｈｉｃｓ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）、アクセラレーテッド処理ユニット（ＡＰＵ：ａｃｃｅｌｅｒａｔｅｄ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）、マイクロプロセッサ、マイクロコントローラ、デジタル信号プロセッサ（ＤＳＰ：ｄｉｇｉｔａｌ ｓｉｇｎａｌ ｐｒｏｃｅｓｓｏｒ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ：ｆｉｅｌｄ－ｐｒｏｇｒａｍｍａｂｌｅ ｇａｔｅ ａｒｒａｙ）、特定用途向け集積回路（ＡＳＩＣ：ａｐｐｌｉｃａｔｉｏｎ－ｓｐｅｃｉｆｉｃ ｉｎｔｅｇｒａｔｅｄ ｃｉｒｃｕｉｔ）または別のタイプの処理コンポーネントである。一部の実装において、プロセッサ７２０は、機能を実行するようにプログラムできる１つ以上のプロセッサを含む。メモリ７３０は、プロセッサ７２０により使用される情報および／または命令を格納するランダムアクセスメモリ（ＲＡＭ：ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｙ）、読み取り専用メモリ（ＲＯＭ：ｒｅａｄ ｏｎｌｙ ｍｅｍｏｒｙ）ならびに／または別のタイプの動的もしくは静的ストレージデバイス（例えばフラッシュメモリ、磁気メモリおよび／もしくは光学メモリ）を含む。

ストレージコンポーネント７４０は、デバイス７００の動作および使用に関係する情報および／またはソフトウェアを格納する。例としてストレージコンポーネント７４０は、ハードディスク（例えば磁気ディスク、光学ディスク、光磁気ディスクおよび／またはソリッドステートディスク）、コンパクトディスク（ＣＤ：ｃｏｍｐａｃｔ ｄｉｓｃ）、デジタル多用途ディスク（ＤＶＤ：ｄｉｇｉｔａｌ ｖｅｒｓａｔｉｌｅ ｄｉｓｃ）、フロッピーディスク、カートリッジ、磁気テープおよび／または別のタイプの非一時的コンピュータ可読媒体を、対応するドライブとともに含んでもよい。

入力コンポーネント７５０は、デバイス７００が、ユーザ入力（例えばタッチスクリーンディスプレイ、キーボード、キーパッド、マウス、ボタン、スイッチおよび／またはマイクロフォン）などを介して情報を受信することを可能にするコンポーネントを含む。さらに、または代わりに、入力コンポーネント７５０は、情報を感知するセンサ（例えばグローバルポジショニングシステム（ＧＰＳ：ｇｌｏｂａｌ ｐｏｓｉｔｉｏｎｉｎｇ ｓｙｓｔｅｍ）コンポーネント、加速度計、ジャイロスコープおよび／またはアクチュエータ）を含んでもよい。出力コンポーネント７６０は、デバイス７００からの出力情報を提供するコンポーネントを含む（例えばディスプレイ、スピーカおよび／または１つ以上の発光ダイオード（ＬＥＤ：ｌｉｇｈｔ－ｅｍｉｔｔｉｎｇ ｄｉｏｄｅ））。

通信インターフェース７７０は、デバイス７００が有線接続、無線接続または有線接続と無線接続との組み合わせなどを介して他のデバイスと通信することを可能にする、トランシーバのようなコンポーネント（例えばトランシーバならびに／または別々の受信機および送信機）を含む。通信インターフェース７７０は、デバイス７００が、別のデバイスから情報を受信し、且つ／または別のデバイスに情報を提供することを可能にしてもよい。例として通信インターフェース７７０は、イーサネットインターフェース、光インターフェース、同軸インターフェース、赤外線インターフェース、無線周波数（ＲＦ：ｒａｄｉｏ ｆｒｅｑｕｅｎｃｙ）インターフェース、ユニバーサルシリアルバス（ＵＳＢ：ｕｎｉｖｅｒｓａｌ ｓｅｒｉａｌ ｂｕｓ）インターフェース、Ｗｉ－Ｆｉインターフェース、セルラネットワークインターフェースまたは同様のものを含んでもよい。

デバイス７００は、本願明細書に記載された１つ以上のプロセスを実行してもよい。デバイス７００は、メモリ７３０および／またはストレージコンポーネント７４０などの非一時的コンピュータ可読媒体により格納されたソフトウェア命令をプロセッサ７２０が実行するのに基づいてこれらのプロセスを実行してもよい。本願明細書において、コンピュータ可読媒体は非一時的メモリデバイスと定義される。メモリデバイスは、単一の物理ストレージデバイス内のメモリ空間または複数の物理ストレージデバイスにまたがったメモリ空間を含む。

ソフトウェア命令は、メモリ７３０および／またはストレージコンポーネント７４０に別のコンピュータ可読媒体から、または通信インターフェース７７０を介して別のデバイスから読み込まれてもよい。メモリ７３０および／またはストレージコンポーネント７４０に格納されたソフトウェア命令は、実行されると本願明細書に記載された１つ以上のプロセスをプロセッサ７２０に実行させてもよい。さらに、または代わりに、本願明細書に記載の１つ以上のプロセスを実行するために、配線による回路構成がソフトウェア命令の代わりに、またはソフトウェア命令と組み合わせて使用されてもよい。したがって、本願明細書に記載された実装は、ハードウェア回路構成とソフトウェアとのいかなる特定の組み合わせにも限定されない。

図７に示されたコンポーネントの数および配置は、例として示されている。実際には、デバイス７００は、図７に示されたものと比べて、追加のコンポーネント、より少数のコンポーネント、異なるコンポーネントまたは別様に配置されたコンポーネントを含んでもよい。
さらに、または代わりに、デバイス７００のコンポーネントのセット（例えば１つ以上のコンポーネント）が、デバイス７００のコンポーネントの別のセットにより実行されるものとして記載されている１つ以上の機能を実行してもよい。

図８は、ユーザの訓練およびタスク管理のための適応型人工知能に関連する例示のプロセス８００のフローチャートである。一部の実装において、図８の１つ以上のプロセスブロックは、人工知能タスク管理システム（例えば人工知能タスク管理システム６２０）により実行されてもよい。一部の実装において、図８の１つ以上のプロセスブロックは、別のデバイスにより実行されてもよく、またはユーザデバイス（例えばユーザデバイス６０５）、監視デバイス（例えば監視デバイス６１０）およびコンピューティングリソース（例えばコンピューティングリソース６２５）など、人工知能タスク管理システム（例えば人工知能タスク管理システム６２０）とは別個の、もしくはそれを含むデバイスのグループにより実行されてもよい。

図８に示されているように、プロセス８００は、ユーザを訓練する第１の人工知能モジュールを特定することを含んでもよい（ブロック８０５）。例として、上述のように、人工知能タスク管理システム（例えばコンピューティングリソース６２５、プロセッサ７２０および／または同様のものを使用する）は、ユーザを訓練する人工知能モジュールを特定してもよい。

図８にさらに示されているように、プロセス８００は、第１の人工知能モジュールを使用して、複数のタスクからユーザに提供する第１セットのタスクを選択することを含んでもよい（ブロック８１０）。例として、上述のように、人工知能タスク管理システム（例えばコンピューティングリソース６２５、プロセッサ７２０および／または同様のものを使用する）は、人工知能モジュールを使用して、複数のタスクからユーザに提供する第１セットのタスクを選択してもよい。

図８にさらに示されているように、プロセス８００は、第１セットのタスクをユーザに提供することを含んでもよい（ブロック８１５）。例として、上述のように、人工知能タスク管理システム（例えばコンピューティングリソース６２５、プロセッサ７２０、出力コンポーネント７６０、通信インターフェース７７０および／または同様のものを使用する）は、第１セットのタスクをユーザに提供してもよい。

図８にさらに示されているように、プロセス８００は、ユーザによる第１セットのタスクの実行に関連する複数のパフォーマンスパラメータを監視することを含んでもよい（ブロック８２０）。
例として、上述のように、人工知能タスク管理システム（例えばコンピューティングリソース６２５、プロセッサ７２０、入力コンポーネント７５０、通信インターフェース７７０および／または同様のものを使用する）は、ユーザによる第１セットのタスクの実行に関連する複数のパフォーマンスパラメータを監視してもよい。

図８にさらに示されているように、プロセス８００は、ユーザの技能のレベルを判断する機械学習モデルを特定することを含んでもよい（ブロック８２５）。例として、上述のように、人工知能タスク管理システム（例えばコンピューティングリソース６２５、プロセッサ７２０および／または同様のものを使用する）は、ユーザの技能のレベルを判断する機械学習モデルを特定してもよい。

図８にさらに示されているように、プロセス８００は、複数のパフォーマンスパラメータを機械学習モデルに対する入力として使用して、ユーザの技能のレベルが技能閾値を満たさないと判断することを含んでもよい（ブロック８３０）。例として、上述のように、人工知能タスク管理システム（例えばコンピューティングリソース６２５、プロセッサ７２０および／または同様のものを使用する）は、複数のパフォーマンスパラメータを機械学習モデルに対する入力として使用して、ユーザの技能のレベルが技能閾値を満たさないと判断してもよい。

図８にさらに示されているように、プロセス８００は、第１の人工知能モジュールを使用して、且つユーザの技能のレベルが技能閾値を満たさないと判断することに基づいて、複数のタスクからユーザに提供する第２セットのタスクを選択することを含んでもよい（ブロック８３５）。例として、上述のように、人工知能タスク管理システム（例えばコンピューティングリソース６２５、プロセッサ７２０および／または同様のものを使用する）は、人工知能モジュールを使用して、且つユーザの技能のレベルが技能閾値を満たさないと判断することに基づいて、複数のタスクからユーザに提供する第２セットのタスクを選択してもよい。

図８にさらに示されているように、プロセス８００は、第２セットのタスクをユーザに提供することを含んでもよい（ブロック８４０）。例として、上述のように、人工知能タスク管理システム（例えばコンピューティングリソース６２５、プロセッサ７２０、出力コンポーネント７６０、通信インターフェース７７０および／または同様のものを使用する）は、第２セットのタスクをユーザに提供してもよい。

図８にさらに示されているように、プロセス８００は、ユーザによる第２セットのタスクの実行に関連する複数のパフォーマンスパラメータを監視することを含んでもよい（ブロック８４５）。例として、上述のように、人工知能タスク管理システム（例えばコンピューティングリソース６２５、プロセッサ７２０、入力コンポーネント７５０、通信インターフェース７７０および／または同様のものを使用する）は、ユーザによる第２セットのタスクの実行に関連する複数のパフォーマンスパラメータを監視してもよい。

図８にさらに示されているように、プロセス８００は、複数のパフォーマンスパラメータを機械学習モデルに対する入力として使用して、ユーザの技能のレベルが技能閾値を満たすと判断することを含んでもよい（ブロック８５０）。例として、上述のように、人工知能タスク管理システム（例えばコンピューティングリソース６２５、プロセッサ７２０および／または同様のものを使用する）は、複数のパフォーマンスパラメータを機械学習モデルに対する入力として使用して、ユーザの技能のレベルが技能閾値を満たすと判断してもよい。

図８にさらに示されているように、プロセス８００は、ユーザを訓練する第２の人工知能モジュールを、ユーザの技能のレベルが技能閾値を満たすと判断することに基づき特定することを含んでもよい（ブロック８５５）。例として、上述のように、人工知能タスク管理システム（例えばコンピューティングリソース６２５、プロセッサ７２０および／または同様のものを使用する）は、ユーザを訓練する第２の人工知能モジュールを、ユーザの技能のレベルが技能閾値を満たすと判断することに基づき特定してもよい。

図８にさらに示されているように、プロセス８００は、第２の人工知能モジュールを使用して、複数のタスクからユーザに提供する第３セットのタスクを選択することを含んでもよい（ブロック８６０）。例として、人工知能タスク管理システム（例えばコンピューティングリソース６２５、プロセッサ７２０および／または同様のものを使用する）は、第２の人工知能モジュールを使用して、複数のタスクからユーザに提供する第３セットのタスクを選択してもよい。

図８にさらに示されているように、プロセス８００は、第３セットのタスクをユーザに提供することを含んでもよい（ブロック８６５）。例として、人工知能タスク管理システム（例えばコンピューティングリソース６２５、プロセッサ７２０、出力コンポーネント７６０、通信インターフェース７７０および／または同様のものを使用する）は、第３セットのタスクをユーザに提供してもよい。

プロセス８００は、後述される、および／または本願明細書の他の箇所に記載された他の１つ以上のプロセスに関連して記載される、任意の単一の実装または任意の実装の組み合わせなど、追加の実装を含んでもよい。

一部の実装において、人工知能タスク管理システムは、第１の人工知能モジュールに対する設定更新をユーザから取得して、１人以上のユーザの訓練に関連して設定更新を使用するために第１の人工知能モジュールを更新してもよい。一部の実装において、第１の人工知能モジュールは、ユーザの技能のレベルが技能閾値を満たすことに基づき更新される。

一部の実装において、人工知能タスク管理システムは、ユーザが第３セットのタスクを実行するときの複数のパフォーマンスパラメータを監視することと、ユーザが第３セットのタスクを実行するときの複数のパフォーマンスパラメータを機械学習モデルに対する入力として使用して、ユーザの技能のレベルが技能閾値を満たすと判断することと、ユーザの技能のレベルが技能閾値を満たすと判断することに基づいて、ユーザを訓練する第３の人工知能モジュールを特定することと、第３の人工知能モジュールを使用して、複数のタスクからユーザに提供する第４セットのタスクを選択することと、第４セットのタスクをユーザに提供することと、をしてもよい。

一部の実装において、機械学習モデルは、知識グラフモデルを含む。一部の実装において、人工知能タスク管理システムは、第３セットのタスクをユーザに提供するとき、第３セットのタスクに関連する視覚情報をユーザインターフェースのディスプレイ上に表示してもよい。

一部の実装において、人工知能モジュールは、機械学習モデルを含む。一部の実装において、人工知能モジュールは、機械学習モデルを使用して判断されたユーザの技能のレベルに基づき、複数のタスクから第１セットのタスクおよび第２セットのタスクを選択するように構成される。一部の実装において、人工知能タスク管理システムは、複数のタスクからのタスクの選択に関連して、設定更新を使用するように、人工知能モジュールを更新してもよい。

一部の実装において、第１セットのタスクまたは第２セットのタスクの実行に関連する複数のパフォーマンスパラメータは、ユーザのバイオメトリクスと、第１セットのタスクもしくは第２セットのタスクのうちの一方を遂行する適時性、第１セットのタスクもしくは第２セットのタスクを実行する間の速度、第１セットのタスクもしくは第２セットのタスクの実行に関連する精度のレベル、第１セットのタスクもしくは第２セットのタスクの実行に関連する効率または第１セットのタスクもしくは第２セットのタスクに関連する難易度のレベルのうちの少なくとも１つと、を含む。一部の実装において、ユーザが第１セットのタスクおよび／または第２セットのタスクを実行している間、ユーザを監視する１つ以上のセンサからの情報を使用して、複数のパフォーマンスパラメータのうちの少なくとも１つが判断される。

一部の実装において、機械学習モデルは、第１の機械学習モデルであり、人工知能タスク管理システムは、ユーザを訓練するためにユーザに提供する訓練素材を、人工知能モジュールを使用して選択することと、訓練素材をユーザに提供することと、訓練素材を用いたユーザの訓練に関連する複数の訓練パラメータを監視することと、ユーザが或るレベルの訓練を受けているかどうかを判断する第２の機械学習モデルを特定することと、複数の訓練パラメータを第２の機械学習モデルに対する入力として使用して、ユーザの訓練のレベルが訓練閾値を満たすかどうかを判断することと、ユーザの訓練のレベルが訓練閾値を満たすと判断することに基づき、複数のタスクから第１セットのタスクを選択することと、をしてもよい。一部の実装において、第１セットのタスクおよび第２セットのタスクは、訓練素材と同じトピックに関連する。

図８はプロセス８００の例示のブロックを示すが、一部の実装ではプロセス８００は、図８に示されたものと比べて追加のブロック、より少数のブロック、異なるブロックまたは別様に配置されたブロックを含んでもよい。さらに、または代わりに、プロセス８００のブロックの２つ以上が並列実行されてもよい。

図９は、ユーザの訓練およびタスク管理のための適応型人工知能に関連する例示のプロセス９００のフローチャートである。一部の実装において、図９の１つ以上のプロセスブロックは、人工知能タスク管理システム（例えば人工知能タスク管理システム６２０）により実行されてもよい。一部の実装において、図９の１つ以上のプロセスブロックは、別のデバイスにより実行されてもよく、またはユーザデバイス（例えばユーザデバイス６０５）、監視デバイス（例えば監視デバイス６１０）およびコンピューティングリソース（例えばコンピューティングリソース６２５）など、人工知能タスク管理システム（例えば人工知能タスク管理システム６２０）とは別個の、もしくはそれを含むデバイスのグループにより実行されてもよい。

図９に示されているように、プロセス９００は、ユーザを訓練する人工知能モジュールを特定することを含んでもよい（ブロック９０５）。例として、上述のように、人工知能タスク管理システム（例えばコンピューティングリソース６２５、プロセッサ７２０および／または同様のものを使用する）は、ユーザを訓練する人工知能モジュールを特定してもよい。

図９にさらに示されているように、プロセス９００は、人工知能モジュールを使用して、複数のタスクからユーザに提供するタスクのセットを選択することを含んでもよい（ブロック９１０）。例として、上述のように、人工知能タスク管理システム（例えばコンピューティングリソース６２５、プロセッサ７２０および／または同様のものを使用する）は、人工知能モジュールを使用して、複数のタスクからユーザに提供するタスクのセットを選択してもよい。

図９にさらに示されているように、プロセス９００は、タスクのセットをユーザに提供することを含んでもよい（ブロック９１５）。例として、上述のように、人工知能タスク管理システム（例えばコンピューティングリソース６２５、プロセッサ７２０、出力コンポーネント７６０、通信インターフェース７７０および／または同様のものを使用する）は、タスクのセットをユーザに提供してもよい。

図９にさらに示されているように、プロセス９００は、ユーザがタスクのセットを実行している間、ユーザのバイオメトリクスを監視することを含んでもよい（ブロック９２０）。例として、上述のように、人工知能タスク管理システム（例えばコンピューティングリソース６２５、プロセッサ７２０、入力コンポーネント７５０、通信インターフェース７７０および／または同様のものを使用する）は、ユーザがタスクのセットを実行している間、ユーザのバイオメトリクスを監視してもよい。

図９にさらに示されているように、プロセス９００は、ユーザによるタスクのセットの実行に関連するパフォーマンスメトリクスを監視することを含んでもよい（ブロック９２５）。例として、上述のように、人工知能タスク管理システム（例えばコンピューティングリソース６２５、プロセッサ７２０、入力コンポーネント７５０、通信インターフェース７７０および／または同様のものを使用する）は、ユーザによるタスクのセットの実行に関連するパフォーマンスメトリクスを監視してもよい。

図９にさらに示されているように、プロセス９００は、ユーザの技能のレベルを判断する機械学習モデルを特定することを含んでもよい（ブロック９３０）。例として、上述のように、人工知能タスク管理システム（例えばコンピューティングリソース６２５、プロセッサ７２０および／または同様のものを使用する）は、ユーザの技能のレベルを判断する機械学習モデルを特定してもよい。

図９にさらに示されているように、プロセス９００は、バイオメトリクスおよびパフォーマンスメトリクスを機械学習モデルに対する入力として使用して、ユーザの技能のレベルが技能閾値を満たすかどうかを判断することを含んでもよい（ブロック９３５）。例として、上述のように、人工知能タスク管理システム（例えばコンピューティングリソース６２５、プロセッサ７２０および／または同様のものを使用する）は、バイオメトリクスおよびパフォーマンスメトリクスを機械学習モデルに対する入力として使用して、ユーザの技能のレベルが技能閾値を満たすかどうかを判断してもよい。

図９にさらに示されているように、プロセス９００は、人工知能モジュールに対する設定更新をユーザから取得することを含んでもよい（ブロック９４０）。例として、上述のように、人工知能タスク管理システム（例えばコンピューティングリソース６２５、プロセッサ７２０、入力コンポーネント７５０、通信インターフェース７７０および／または同様のものを使用する）は、人工知能モジュールに対する設定更新をユーザから取得してもよい。

図９にさらに示されているように、プロセス９００は、１人以上のユーザの訓練または複数のタスクからの後続のタスクのセットの選択に関連して設定更新を使用するために人工知能モジュールを更新することを含んでもよい（ブロック９４５）。例として、上述のように、人工知能タスク管理システム（例えばコンピューティングリソース６２５、プロセッサ７２０、出力コンポーネント７６０、通信インターフェース７７０および／または同様のものを使用する）は、１人以上のユーザの訓練または複数のタスクからの後続のタスクのセットの選択に関連して設定更新を使用するために人工知能モジュールを更新してもよい。

プロセス９００は、後述される、および／または本願明細書の他の箇所に記載された他の１つ以上のプロセスに関連して記載される、任意の単一の実装または任意の実装の組み合わせなど、追加の実装を含んでもよい。

一部の実装において、ユーザのバイオメトリクスは、ユーザの注意力レベル、ユーザのストレスレベルまたはユーザの集中力レベルのうちの少なくとも１つを含む。一部の実装において、パフォーマンスメトリクスは、タスクの実行に関連する適時性、ユーザがタスクのセットを実行する速度、ユーザがタスクのセットを実行する精度のレベル、ユーザがタスクを実行する効率またはタスクのセットの実行に関連する難易度のレベル、のうちの少なくとも１つを含む。

一部の実装において、人工知能タスク管理システムは、ユーザがタスクのセットを閾値速度で、閾値レベルの精度で、または閾値効率で実行したこと、およびタスクのセットが閾値レベルの難易度に関連したことをパフォーマンスメトリクスが機械学習モデルに示すのに基づき、ユーザの技能のレベルが技能閾値を満たすと判断してもよい。

一部の実装において、ユーザの技能のレベルが技能閾値を満たさない場合、人工知能モジュールは、１人以上のユーザの訓練または複数のタスクからの後続のタスクのセットの選択に関連して設定更新を使用するために更新されない。一部の実装において、人工知能モジュールは、特にユーザ向けに設定される。一部の実装において、タスクのセットは、雇用または教育の期間に関連するアクティビティまたは動作を含む。

図９はプロセス９００の例示のブロックを示すが、一部の実装ではプロセス９００は、図９に示されたものと比べて追加のブロック、より少数のブロック、異なるブロックまたは別様に配置されたブロックを含んでもよい。さらに、または代わりに、プロセス９００のブロックの２つ以上が並列実行されてもよい。

図１０は、ユーザの訓練およびタスク管理のための適応型人工知能に関連する例示のプロセス１０００のフローチャートである。一部の実装において、図１０の１つ以上のプロセスブロックは、人工知能タスク管理システム（例えば人工知能タスク管理システム６２０）により実行されてもよい。一部の実装において、図１０の１つ以上のプロセスブロックは、別のデバイスにより実行されてもよく、またはユーザデバイス（例えばユーザデバイス６０５）、監視デバイス（例えば監視デバイス６１０）およびコンピューティングリソース（例えばコンピューティングリソース６２５）など、人工知能タスク管理システム（例えば人工知能タスク管理システム６２０）とは別個の、もしくはそれを含むデバイスのグループにより実行されてもよい。

図１０に示されているように、プロセス１０００は、ユーザを訓練する人工知能モジュールを特定することを含んでもよい（ブロック１００５）。例として、上述のように、人工知能タスク管理システム（例えばコンピューティングリソース６２５、プロセッサ７２０および／または同様のものを使用する）は、ユーザを訓練する人工知能モジュールを特定してもよい。

図１０にさらに示されているように、プロセス１０００は、人工知能モジュールを使用して、複数のタスクからユーザに提供するタスクのセットを選択することを含んでもよい（ブロック１０１０）。例として、上述のように、人工知能タスク管理システム（例えばコンピューティングリソース６２５、プロセッサ７２０および／または同様のものを使用する）は、人工知能モジュールを使用して、複数のタスクからユーザに提供するタスクのセットを選択することを含んでもよい。

図１０にさらに示されているように、プロセス１０００は、タスクのセットをユーザに提供することを含んでもよい（ブロック１０１５）。例として、上述のように、人工知能タスク管理システム（例えばコンピューティングリソース６２５、プロセッサ７２０、出力コンポーネント７６０、通信インターフェース７７０および／または同様のものを使用する）は、タスクのセットをユーザに提供してもよい。

図１０にさらに示されているように、プロセス１０００は、ユーザによるタスクの実行に関連するパフォーマンスパラメータを監視することを含んでもよい（ブロック１０２０）。例として、上述のように、人工知能タスク管理システム（例えばコンピューティングリソース６２５、プロセッサ７２０、入力コンポーネント７５０、通信インターフェース７７０および／または同様のものを使用する）は、ユーザによるタスクの実行に関連するパフォーマンスパラメータを監視してもよい。

図１０にさらに示されているように、プロセス１０００は、ユーザの技能のレベルを判断する機械学習モデルを特定することを含んでもよい（ブロック１０２５）。例として、上述のように、人工知能タスク管理システム（例えばコンピューティングリソース６２５、プロセッサ７２０および／または同様のものを使用する）は、ユーザの技能のレベルを判断する機械学習モデルを特定してもよい。

図１０にさらに示されているように、プロセス１０００は、パフォーマンスパラメータを機械学習モデルに対する入力として使用して、ユーザの技能のレベルが技能閾値を満たすかどうかを判断することを含んでもよく、技能閾値は、複数のタスクに関連するパフォーマンスに基づき機械学習モデルにより動的に更新される（ブロック１０３０）。例として、上述のように、人工知能タスク管理システム（例えばコンピューティングリソース６２５、プロセッサ７２０および／または同様のものを使用する）は、パフォーマンスパラメータを機械学習モデルに対する入力として使用して、ユーザの技能のレベルが技能閾値を満たすかどうかを判断してもよい。一部の実装において、技能閾値は、複数のタスクに関連するパフォーマンスに基づき機械学習モデルにより動的に更新される。

図１０にさらに示されているように、プロセス１０００は、人工知能モジュールに対する設定更新をユーザから取得することを含んでもよい（ブロック１０３５）。例として、上述のように、人工知能タスク管理システム（例えばコンピューティングリソース６２５、プロセッサ７２０、入力コンポーネント７５０、通信インターフェース７７０および／または同様のものを使用する）は、人工知能モジュールに対する設定更新をユーザから取得してもよい。

図１０にさらに示されているように、プロセス１０００は、ユーザの技能のレベルが技能閾値を満たすと判断することを含んでもよい（ブロック１０４０）。例として、上述のように、人工知能タスク管理システム（例えばコンピューティングリソース６２５、プロセッサ７２０および／または同様のものを使用する）は、ユーザの技能のレベルが技能閾値を満たすと判断してもよい。

図１０にさらに示されているように、プロセス１０００は、ユーザの技能のレベルが技能閾値を満たすと判断することに基づき、１人以上のユーザの訓練または複数のタスクからの後続のタスクのセットの選択に関連して設定更新を使用するために人工知能モジュールを更新することを含んでもよい（ブロック１０４５）。例として、上述のように、人工知能タスク管理システム（例えばコンピューティングリソース６２５、プロセッサ７２０、出力コンポーネント７６０、通信インターフェース７７０および／または同様のものを使用する）は、ユーザの技能のレベルが技能閾値を満たすと判断することに基づき、１人以上のユーザの訓練または複数のタスクからの後続のタスクのセットの選択に関連して設定更新を使用するために人工知能モジュールを更新してもよい。

プロセス１０００は、後述される、および／または本願明細書の他の箇所に記載された他の１つ以上のプロセスに関連して記載される、任意の単一の実装または任意の実装の組み合わせなど、追加の実装を含んでもよい。

一部の実装において、人工知能タスク管理システムは、ユーザを訓練するためにユーザに提供する訓練素材を、人工知能モジュールを使用して選択することと、訓練素材をユーザに提供することと、訓練素材を用いたユーザの訓練に関連する訓練パラメータを監視することと、ユーザが或るレベルの訓練を受けているかどうかを判断する第２の機械学習モデルを特定することと、訓練パラメータを第２の機械学習モデルに対する入力として使用して、ユーザの訓練のレベルが訓練閾値を満たすかどうかを判断することと、ユーザの訓練のレベルが訓練閾値を満たすと判断することに基づき、複数のタスクからタスクのセットを選択することと、をしてもよい。一部の実装において、タスクのセットは、訓練素材と同じトピックに関連する。

一部の実装において、タスクのセットの実行に関連するパフォーマンスパラメータは、ユーザのバイオメトリクス、タスクのセットを遂行する適時性、タスクのセットを実行する間の速度、タスクのセットの実行に関連する精度のレベル、タスクのセットの実行に関連する効率またはタスクのセットに関連する難易度のレベル、のうちの少なくとも１つを含む。一部の実装において、パフォーマンスパラメータは、ユーザを監視するカメラ、タスクのセットの実行に関連するユーザ入力を受信するユーザインターフェースまたはユーザを監視するセンサデバイスのうちの少なくとも１つから受信される情報から判断される。

一部の実装において、人工知能モジュールは、機械学習モデルを含む。一部の実装において、人工知能モジュールは、機械学習モデルを使用して判断されたユーザの技能のレベルに基づき、複数のタスクからタスクのセットを選択するように構成される。

図１０はプロセス１０００の例示のブロックを示すが、一部の実装ではプロセス１０００は、図１０に示されたものと比べて追加のブロック、より少数のブロック、異なるブロックまたは別様に配置されたブロックを含んでもよい。さらに、または代わりに、プロセス１０００のブロックの２つ以上が並列実行されてもよい。

したがって、本願明細書に記載されるように、ユーザが特定のレベルの技能を有することに基づきユーザフィードバックに従って人工知能モジュールが自動的に更新されることおよび／またはユーザにより手動で更新されることを可能にする人工知能タスク管理システムが提供される。したがって、人工知能タスク管理システムは、適応性を促進し、特定の閾値を満足する命令（例えば閾値レベルの技能を有するユーザから受信される命令）に従ってのみ再設定されてもよい。よって、本願明細書に記載される一部の実装は、信頼できる情報および／またはユーザからの適切なフィードバックを使用して、人工知能モジュールを適応させることに関連する処理リソースおよび／またはメモリリソースを節約し、人工知能モジュールが古い設定または適応できない設定により処理リソースおよび／またはメモリリソースを浪費するのを防止してもよい。

前述の開示は、例示および説明を提供するが、網羅的であることも、実装を開示された厳密な形態に限定することも意図していない。上記の開示を考慮して変更および変形を考え得るし、または実装の実践から変更および変形が習得されるかもしれない。

本願明細書で使用されるとき、コンポーネントという用語は、ハードウェア、ファームウェアおよび／またはハードウェアとソフトウェアとの組み合わせとして広く解釈されるよう意図される。

一部の実装は、閾値に関連して本願明細書に記載されている。本願明細書で使用されるとき、閾値を満たすとは、値が閾値より大きいこと、閾値を超えること、閾値より高いこと、閾値以上であること、閾値未満であること、閾値より少ないこと、閾値より低いこと、閾値以下であること、閾値と等しいことまたは同様のことを指すことができる。

特定のユーザインターフェースが本願明細書に記載され、且つ／または図面に示された。ユーザインターフェースは、グラフィカルユーザインターフェース、非グラフィカルユーザインターフェース、テキストベースのユーザインターフェースまたは同様のものを含んでもよい。ユーザインターフェースは、情報を表示のために提供してもよい。一部の実装においてユーザは、表示用のユーザインターフェースを提供するデバイスの入力コンポーネントを介して入力を提供することなどにより、情報と相互作用してもよい。一部の実装において、ユーザインターフェースは、デバイスおよび／またはユーザにより構成可能であってもよい（例えばユーザがユーザインターフェースのサイズ、ユーザインターフェースを介して提供される情報、ユーザインターフェースを介して提供される情報のポジションなどを変更してもよい）。さらに、または代わりに、ユーザインターフェースは、標準設定、ユーザインターフェースが表示されるデバイスのタイプに基づく特定の設定ならびに／またはユーザインターフェースが表示されるデバイスに関連する能力および／もしくは仕様に基づく設定のセットに予め設定されてもよい。

当然のことながら、本願明細書に記載されたシステムおよび／または方法は、異なる形態のハードウェア、ファームウェアまたはハードウェアとソフトウェアとの組み合わせに実装されてもよい。これらのシステムおよび／または方法を実装するために使用される実際の専用制御ハードウェアまたはソフトウェアコードは、実装を限定するものではない。したがって、システムおよび／または方法の動作および挙動は、特定のソフトウェアコードを参照することなく本願明細書に記載されたが、当然のことながら、ソフトウェアおよびハードウェアを、本願明細書の記載に基づきシステムおよび／または方法を実装するよう設計できる。

特徴の特定の組み合わせが特許請求の範囲に記載され且つ／または明細書で開示されるが、これらの組み合わせは可能な実装の開示を限定することを意図されたものではない。実際には、これらの特徴の多くが、具体的に特許請求の範囲に記載および／または明細書に開示されなかった形で組み合わされてもよい。下記に列挙される各従属クレームは、１つのみのクレームに直接従属するかもしれないが、可能な実装の開示は、クレームセットの中の他のすべてのクレームと組み合わせた各従属クレームを含む。

本願明細書で使用されるいずれの構成要素、動作または命令も、重要または必須とは、そのように明示的に記載されない限りは、解釈されてはならない。さらに、本願明細書で使用されるとき、冠詞「或る（ａおよびａｎ）」は、１つ以上の項目を含むよう意図され、「１つ以上の（ｏｎｅ ｏｒ ｍｏｒｅ）」と交換可能なように使用され得る。さらに、本願明細書で使用されるとき、「セット（ｓｅｔ）」という用語は、１つ以上の項目（例えば関係する項目、無関係の項目、関係する項目と無関係の項目との組み合わせなど）を含むよう意図され、「１つ以上の（ｏｎｅ ｏｒ ｍｏｒｅ）」と交換可能なように使用され得る。１つのみの項目が意図される場合、「１つの（ｏｎｅ）」という用語または同様の文言が使用される。さらに、本願明細書で使用されるとき、「有する（ｈａｓ、ｈａｖｅ、ｈａｖｉｎｇ）」という用語または同様のものは、非限定的な用語であるものと意図される。さらに、「基づく（ｂａｓｅｄ ｏｎ）」という語句は、別段の記載が明示的にされない限り「少なくとも部分的に基づく（ｂａｓｅｄ，ａｔ ｌｅａｓｔ ｉｎ ｐａｒｔ，ｏｎ）」を意味するよう意図される。

Claims (20)

1. ユーザを訓練する第１の人工知能モジュールをデバイスによって特定するステップと、
   前記第１の人工知能モジュールを使用して、複数のタスクから前記ユーザに提供する第１セットのタスクを前記デバイスによって選択するステップと、
   前記デバイスによって、前記ユーザに前記第１セットのタスクを提供するステップと、
   前記デバイスによって、１つ以上の監視デバイスから受信される第１のデータに基づいて、且つ前記第１セットのタスクに関連する、ユーザインターフェースから受信される第２のデータに基づいて、前記ユーザによる前記第１セットのタスクの実行に関連する複数のパフォーマンスパラメータを監視するステップであって、前記１つ以上の監視デバイスは、
   センサデバイス、
   モノのインターネット（ＩｏＴ：Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ）デバイス、
   カメラデバイス、
   マイクロフォンデバイス、または
   バイオメトリクス監視デバイス
   のうちの少なくとも１つを含む、複数のパフォーマンスパラメータを監視するステップと、
   前記デバイスによって、且つ前記第１の人工知能モジュールを使用して、ユーザの挙動に従った１つ以上のアクションを実行するステップであって、前記１つ以上のアクションは、前記ユーザが前記第１セットのタスクに時間がかかりすぎているとき前記ユーザに通知を行うことを含む、ユーザの挙動に従った１つ以上のアクションを実行するステップと、
   前記デバイスによって、ユーザの技能のレベルを判断する機械学習モデルを特定するステップと、
   前記デバイスによって、且つ前記複数のパフォーマンスパラメータを前記機械学習モデルに対する入力として使用して、前記ユーザの技能の前記レベルが技能閾値を満たさないと判断するステップと、
   前記第１の人工知能モジュールを使用して、且つ前記ユーザの技能の前記レベルが前記技能閾値を満たさないと判断するステップに基づいて、前記複数のタスクの中から、前記第１セットのタスクとは異なる前記ユーザに提供する第２セットのタスクを、前記デバイスによって選択するステップと、
   前記デバイスによって、前記第２セットのタスクを前記ユーザに提供するステップと、
   前記デバイスによって、前記ユーザによる前記第２セットのタスクの実行に関連する前記複数のパフォーマンスパラメータを監視するステップと、
   前記デバイスによって、且つ前記複数のパフォーマンスパラメータを前記機械学習モデルに対する入力として使用して、前記ユーザの技能の前記レベルが前記技能閾値を満たすと判断するステップと、
   前記デバイスによって、且つ前記ユーザの技能の前記レベルが前記技能閾値を満たすと判断するステップに基づいて、前記ユーザの役割を、前記デバイスを介して学習することからフィードバックを前記デバイスに提供することに遷移させるステップと、
   前記デバイスによって、且つ前記フィードバックに基づいて、前記第１の人工知能モジュールを更新するために、前記ユーザから設定更新を取得するステップと、
   前記デバイスによって、前記ユーザの技能の前記レベルが前記技能閾値を満たすことに基づいて、且つ前記設定更新を使用して、前記第１の人工知能モジュールを更新するステップであって、該更新された第１の人工知能モジュールは、１人以上の他のユーザを訓練することまたは前記複数のタスクから後続のタスクのセットを選択することに関連することを特徴とする、前記第１の人工知能モジュールを更新するステップと
   前記デバイスによって、且つ前記ユーザの技能の前記レベルが前記技能閾値を満たすと判断するステップに基づいて、前記ユーザを訓練する第２の人工知能モジュールを特定するステップと、
   前記デバイスによって、且つ前記第２の人工知能モジュールを使用して、前記複数のタスクから前記ユーザに提供する第３セットのタスクを選択するステップと、
   前記デバイスによって、前記第３セットのタスクを前記ユーザに提供するステップと、
   を含む方法。
2. 前記ユーザが前記第３セットのタスクを実行するときの前記複数のパフォーマンスパラメータを監視するステップと、
   前記ユーザが前記第３セットのタスクを実行するときの前記複数のパフォーマンスパラメータを前記機械学習モデルに対する入力として使用して、前記ユーザの技能の前記レベルが前記技能閾値を満たすと判断するステップと、
   前記ユーザの技能の前記レベルが前記技能閾値を満たすと判断するステップに基づいて、前記ユーザを訓練する第３の人工知能モジュールを特定するステップと、
   前記第３の人工知能モジュールを使用して、前記複数のタスクから前記ユーザに提供する第４セットのタスクを選択するステップと、
   前記第４セットのタスクを前記ユーザに提供するステップと、
   をさらに含む、請求項１に記載の方法。
3. 前記機械学習モデルは、知識グラフモデルを含む、請求項１に記載の方法。
4. 前記第１セットのタスクまたは前記第２セットのタスクの実行に関連する前記複数のパフォーマンスパラメータは、前記ユーザのバイオメトリクスと、
   前記第１セットのタスクもしくは前記第２セットのタスクを実行することに関連する適時性指標、
   前記第１セットのタスクもしくは前記第２セットのタスクを実行することに関連する速度指標、
   前記第１セットのタスクもしくは前記第２セットのタスクを実行することに関連する精度のレベル、
   前記第１セットのタスクもしくは前記第２セットのタスクを実行することに関連する効率性指標または
   前記第１セットのタスクもしくは前記第２セットのタスクに関連する難易度のレベル
   のうちの少なくとも１つとを含む、請求項１に記載の方法。
5. 前記ユーザの前記バイオメトリクスは、
   前記ユーザの注意力レベル、
   前記ユーザのストレスレベルまたは
   前記ユーザの集中力レベル
   のうちの少なくとも１つを含む、請求項４に記載の方法。
6. 前記第３セットのタスクを前記ユーザに提供するステップは、前記第３のタスクのセットに関連する視覚情報をユーザインターフェースのディスプレイ上に表示するステップを含む、請求項１に記載の方法。
7. 前記機械学習モデルは、第１の機械学習モデルであり、前記方法は、
   前記ユーザを訓練するために前記ユーザに提供する訓練素材を、前記人工知能モジュールを使用して選択するステップと、
   前記訓練素材を前記ユーザに提供するステップと、
   前記訓練素材を用いた前記ユーザの訓練に関連する複数の訓練パラメータを監視するステップと、
   前記ユーザが或るレベルの訓練を受けているかどうかを判断する第２の機械学習モデルを特定するステップと、
   前記複数の訓練パラメータを前記第２の機械学習モデルに対する入力として使用して、前記ユーザの訓練の前記レベルが訓練閾値を満たすかどうかを判断するステップと、
   前記ユーザの訓練の前記レベルが前記訓練閾値を満たすと判断するステップに基づき、前記複数のタスクから前記第１セットのタスクを選択するステップであって、
   前記第１セットのタスクおよび第２セットのタスクは、前記訓練素材と同じトピックに関連する、
   前記第１セットのタスクを選択するステップと、
   をさらに含む、請求項１に記載の方法。
8. １つ以上のメモリと、
   前記１つ以上のメモリに通信可能に結合された１つ以上のプロセッサであって、
   ユーザを訓練する人工知能モジュールを特定すること、
   前記人工知能モジュールを使用して、複数のタスクから前記ユーザに提供するタスクのセットを選択すること、
   前記タスクのセットを前記ユーザに提供すること、
   １つ以上の監視デバイスから受信される第１のデータに基づいて、且つ前記タスクのセットに関連する、ユーザインターフェースから受信される第２のデータに基づいて、前記ユーザによる前記タスクのセットの実行に関連するパフォーマンスメトリクスを監視することであって、前記１つ以上の監視デバイスは、
   センサデバイス、
   モノのインターネット（ＩｏＴ：Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ）デバイス、
   カメラデバイス、
   マイクロフォンデバイス、または
   バイオメトリクス監視デバイス
   のうちの少なくとも１つを含む、パフォーマンスメトリクスを監視すること、
   前記人工知能モジュールを使用して、ユーザの挙動に従った１つ以上のアクションを実行するステップであって、前記１つ以上のアクションは、前記ユーザが前記タスクのセットに時間がかかりすぎているとき前記ユーザに通知を行うことを含む、ユーザの挙動に従った１つ以上のアクションを実行すること、
   ユーザの技能のレベルを判断する機械学習モデルを特定すること、
   バイオメトリクスおよび前記パフォーマンスメトリクスを前記機械学習モデルに対する入力として使用して、前記ユーザの技能の前記レベルが技能閾値を満たすかどうかを判断すること、
   前記ユーザの技能の前記レベルが前記技能閾値を満たすと判断することに基づいて、前記ユーザの役割を、デバイスを介して学習することからフィードバックをデバイスに提供することに遷移させること、
   前記フィードバックに基づいて、前記人工知能モジュールを更新するために、前記ユーザから設定更新を取得すること、ならびに
   前記ユーザの技能の前記レベルが前記技能閾値を満たすことに基づいて、且つ前記設定更新を使用して、前記人工知能モジュールを更新することであって、該更新された人工知能モジュールは、１人以上の他のユーザを訓練することまたは前記複数のタスクから後続のタスクのセットを選択することに関連することを特徴とする、人工知能モジュールを更新すること、
   をするよう構成された前記１つ以上のプロセッサと、
   を含むデバイス。
9. 前記ユーザの前記バイオメトリクスは、
   前記ユーザの注意力レベル、
   前記ユーザのストレスレベルまたは
   前記ユーザの集中力レベル
   のうちの少なくとも１つを含む、請求項８に記載のデバイス。
10. 前記パフォーマンスメトリクスは、
    前記タスクのセットを実行することに関連する適時性指標、
    前記ユーザが前記タスクのセットを実行することに関連する速度指標、
    前記ユーザが前記タスクのセットを実行することに関連する精度のレベル、
    前記タスクのセットを実行することに関連する効率性指標または
    前記タスクのセットを実行することに関連する難易度のレベル、
    のうちの少なくとも１つを含む、請求項８に記載のデバイス。
11. 前記１つ以上のプロセッサは、
    前記ユーザが前記タスクのセットを閾値速度で、閾値レベルの精度で、または閾値効率で実行したこと、および前記タスクのセットが閾値レベルの難易度に関連したことを前記パフォーマンスメトリクスが前記機械学習モデルに示すのに基づき、前記ユーザの技能の前記レベルが前記技能閾値を満たすと判断する、請求項８に記載のデバイス。
12. 前記ユーザの技能の前記レベルが前記技能閾値を満たさない場合、前記人工知能モジュールは、前記１人以上のユーザの訓練または前記複数のタスクからの前記後続のタスクのセットの選択に関連して前記設定更新を使用するために更新されない、請求項８に記載のデバイス。
13. 前記人工知能モジュールは、特に前記ユーザ向けに設定される、請求項８に記載のデバイス。
14. 前記タスクのセットは、雇用または教育の期間に関連するアクティビティまたは動作を含む、請求項８に記載のデバイス。
15. 命令を格納する非一時的コンピュータ可読媒体であって、前記命令は、
    １つ以上の命令
    を含み、前記１つ以上の命令は、１つ以上のプロセッサにより実行されると前記１つ以上のプロセッサに、
    ユーザを訓練する人工知能モジュールを特定することと、
    前記人工知能モジュールを使用して、複数のタスクから前記ユーザに提供するタスクのセットを選択することと、
    前記タスクのセットを前記ユーザに提供することと、
    １つ以上の監視デバイスから受信される第１のデータに基づいて、且つ前記タスクのセットに関連する、ユーザインターフェースから受信される第２のデータに基づいて、前記ユーザによる前記タスクの実行に関連するパフォーマンスパラメータを監視することであって、前記１つ以上の監視デバイスは、
    センサデバイス、
    モノのインターネット（ＩｏＴ：Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ）デバイス、
    カメラデバイス、
    マイクロフォンデバイス、または
    バイオメトリクス監視デバイス
    のうちの少なくとも１つを含む、パフォーマンスパラメータを監視することと、
    前記人工知能モジュールを使用して、ユーザの挙動に従った１つ以上のアクションを実行するステップであって、前記１つ以上のアクションは、前記ユーザが前記タスクのセットに時間がかかりすぎているとき前記ユーザに通知を行うことを含む、ユーザの挙動に従った１つ以上のアクションを実行することと、
    ユーザの技能のレベルを判断する機械学習モデルを特定することと、
    前記パフォーマンスパラメータを前記機械学習モデルに対する入力として使用して、前記ユーザの技能の前記レベルが技能閾値を満たすかどうかを判断することであって、前記技能閾値は、前記複数のタスクに関連するパフォーマンスに基づき前記機械学習モデルにより動的に更新される、判断することと、
    前記ユーザの技能の前記レベルが前記技能閾値を満たすと判断することに基づいて、前記ユーザの役割を、デバイスを介して学習することからフィードバックをデバイスに提供することに遷移させることと、
    前記フィードバックに基づいて、前記人工知能モジュールを更新するために、前記ユーザから設定更新を取得すること、ならびに
    前記ユーザの技能の前記レベルが前記技能閾値を満たすことに基づいて、且つ前記設定更新を使用して、前記人工知能モジュールを更新することであって、該更新された人工知能モジュールは、１人以上の他のユーザを訓練することまたは前記複数のタスクから後続のタスクのセットを選択することに関連することを特徴とする、人工知能モジュールを更新することと
    をさせる、非一時的コンピュータ可読媒体。
16. 前記１つ以上の命令は、前記１つ以上のプロセッサにより実行されると前記１つ以上のプロセッサにさらに、
    前記ユーザを訓練するために前記ユーザに提供する訓練素材を、前記人工知能モジュールを使用して選択することと、
    前記訓練素材を前記ユーザに提供することと、
    前記訓練素材を用いた前記ユーザの訓練に関連する訓練パラメータを監視することと、
    前記ユーザが或るレベルの訓練を受けているかどうかを判断する第２の機械学習モデルを特定することと、
    前記訓練パラメータを前記第２の機械学習モデルに対する入力として使用して、前記ユーザの訓練の前記レベルが訓練閾値を満たすかどうかを判断することと、
    前記ユーザの訓練の前記レベルが前記訓練閾値を満たすと判断することに基づき、前記複数のタスクから前記タスクのセットを選択することであって、
    前記タスクのセットは、前記訓練素材と同じトピックに関連する、
    前記タスクのセットを選択することと、
    をさせる、請求項１５に記載の非一時的コンピュータ可読媒体。
17. 前記タスクのセットの実行に関連する前記パフォーマンスパラメータは、
    前記ユーザのバイオメトリクス、
    前記タスクのセットを実行することに関連する適時性指標、
    前記タスクのセットを実行することに関連する速度指標、
    前記タスクのセットを実行することに関連する精度のレベル、
    前記タスクのセットを実行することに関連する効率性指標または
    前記タスクのセットに関連する難易度のレベル、
    のうちの少なくとも１つを含む、請求項１５に記載の非一時的コンピュータ可読媒体。
18. 前記パフォーマンスパラメータは、
    前記ユーザを監視するカメラ、
    前記タスクのセットの実行に関連するユーザ入力を受信するユーザインターフェースまたは
    前記ユーザを監視するセンサデバイス
    のうちの少なくとも１つから受信される情報から判断される、請求項１５に記載の非一時的コンピュータ可読媒体。
19. 前記人工知能モジュールは、前記機械学習モデルを含む、請求項１５に記載の非一時的コンピュータ可読媒体。
20. 前記人工知能モジュールは、前記機械学習モデルを使用して判断された前記ユーザの技能の前記レベルに基づき、前記複数のタスクから前記タスクのセットを選択するように構成される、請求項１５に記載の非一時的コンピュータ可読媒体。

Images