JP2022132078A - 機械学習モデル更新方法、コンピュータプログラムおよび管理装置 - Google Patents

Abstract

【課題】機械学習モデルの更新においては、更新が必要となる変化が発生した後の最初の呼び出しの遅れが影響する可能性がある。【解決手段】本明細書に記載されている例示の実装形態には、資源に制約のある複数の制御エッジデバイス上で機械学習モデルを実質的に同時に機械学習モデルオーケストレーションするシステムおよび方法を含み、これにより、モデルが導入された場所でのイベントや環境条件の変化に対して、システム全体がより俊敏に対応できるようになる。本明細書で説明する例示の実装形態には、実行されると、相関関係に基づいて、対応するモデルとともに更新されるエッジデバイスのリストを決定する複数のプロセスを含む。【選択図】 図３

Description

本開示はエッジ／クラウドシステム、より具体的には、エッジコンピュータで機械学習モデルを更新するシステムおよび方法に関するものである。

エッジコンピュータは、対応するデータソースや操作端末の近くに設置され、軽量なコンピューティング資源（処理能力、ファイルシステムストレージ、メモリなど）を持ち、他の多くの類似したエッジコンピュータと連携して配備することを特徴とする。機械学習の介入など、集中的なコンピューティングプロセスにエッジコンピュータを使用する場合、このような特徴を考慮することでメリットが得られる。

ある事象に関し、１つもしくは多数の仮説を推論するために機械学習を使用する際は、推論プロセスを実行するコンピュータ、ファイルシステムまたはメモリに記憶されたモデル、および対象に関するデータソースを使用する。しかし、対象や環境は静止したままではないため、現実の世界で運用される、任意の機械学習による推論プロセスを行うと、異なる対象や状況に遭遇することになる。例えば、生産ラインのパターンの変化、不良の発生、ベルトコンベア上の部品の配向のずれ、ライン上での異なる部品の混在生産など、時間の経過とともに対象が異なってくる場合がある。また、例えば、太陽の動きによる光の状態の影響や、天候による視界への影響などにより、光、温度、塵埃、作業者の存在や行動などの環境条件に基づく場合には、機械学習による推論プロセスの状況が時間の経過とともに変化することもある。

このような推論プロセスでは、使用する資源の量がモデルの適合性の範囲に相当する。例えば、推論プロセスがサポートする対象のタイプや状況の数を増やそうとするならば、プロセスの処理能力、メモリ、ファイルシステムの使用量を増やしてもよい。エッジコンピュータのようにコンピュータ上の資源量が制限されている場合、対象や状況の適合性が限られたモデルを使用しなければならず、これらのモデルでは、対象や状況がその範囲を超えて変化した場合に、精度の低下や適合性の欠如が生じる可能性がある。

このような状況では、コンピュータ上のモデルを置き換えることで、推論プロセスの限られた対象と状況の適合性を緩和することができる。例えば、対象や状況が変化したときは、モデルの入れ替えが有益になる。図１は、エッジコンピュータによるモデル入れ替え手順の使用について示したものである。エッジコンピュータ上のモデルの入れ替え手順の間、推論プロセスを一時的に停止する必要がある場合があり、ダウンタイムが発生することがある。また、変化が発生してから入れ替え手続きが呼び出されるまでに時間がかかると、旧モデルで問題が発生する時間が長くなる。実際には、行為者であるエッジコントローラの人間のオペレータが、状況や対象物の変化を識別して入れ替え手続きを呼び出すことが一般的であり、その結果、長い遅延が発生することになる。

ダウンタイムの回数やモデル入れ替えの遅れを減らすために、複数のエッジコンピュータが共通の変化によって影響を受ける場合、図２に示すように、機械学習モデルオーケストレーションシステムを使用すれば、多数のエッジコンピュータのモデルを同時に入れ替えすることができる。このようなシステムでは、対象や状況の変化によってエッジコントローラのモデルが悪影響を受ける前に、先手を打ってモデルを入れ替えすることで、遅延やダウンタイムを削減または解消することができる。

以上のような機械学習におけるモデルの更新に関する技術として、特許文献１が存在する。特許文献１では、機械設備の故障予知精度を向上させるために、相関モデルの更新が実行されている。

特開２０１９－２８５６５号公報

しかし、このような関連技術のシステムでは、変化が発生した後の最初の呼び出しの遅れが影響する可能性がある。関連技術では、この呼び出しは手動で行われるか、手動で入力されたスケジュールに従って行われる。さらに、最適なパフォーマンスを得るためには、どのコンピュータのモデルを一緒に入れ替えするべきか、また、所与の状況にはどのモデルを使用すべきかを機械学習モデルオーケストレーションシステムに知らせる必要がある。実際には、この情報はシステムに予めプログラムされているか、基本的な数学的論理やクエリによって行われる。

本開示の態様は、複数のエッジデバイスのうちの１つのエッジデバイスによって起動されたモデルリフレッシュ事象の場合、エッジデバイスとの第１の相関関係に基づいて、モデルリフレッシュを適用するために、複数のエッジデバイスのうちの１つ以上を選択し、複数のエッジデバイスのうちの１つ以上の間の第２の相関関係に基づいて、複数のエッジデバイスのうちの１つ以上を複数のグループにグループ化し、複数のグループの各々に適用されるモデルを選択する機械学習モデル更新方法に関する。

本開示の態様は、コンピュータプログラムに関し、このコンピュータプログラムによりコンピュータが、複数のエッジデバイスのうちの１つのエッジデバイスによって起動されたモデルリフレッシュ事象について、エッジデバイスとの第１の相関関係に基づいて、モデルリフレッシュを適用するために、複数のエッジデバイスのうちの１つ以上を選択し、複数のエッジデバイスのうちの１つ以上の間の第２の相関関係に基づいて、複数のエッジデバイスのうちの１つ以上を複数のグループにグループ化し、複数のグループの各々に適用されるモデルを選択するコンピュータプログラムに関する。コンピュータプログラムの命令は、非一時的コンピュータ可読媒体上に記憶でき、１つ以上のプロセスによって実行されるように構成されている。

本開示の態様は、複数のエッジデバイスのうちの１つのエッジデバイスによって起動されたモデルリフレッシュ事象の場合、エッジデバイスとの第１の相関関係に基づいて、モデルリフレッシュを適用するために、複数のエッジデバイスのうちの１つ以上を選択する手段と、複数のエッジデバイスのうちの１つ以上の間の第２の相関関係に基づいて、複数のエッジデバイスのうちの１つ以上を複数のグループにグループ化する手段と、複数のグループの各々に適用されるモデルを選択する手段と、を含み得るシステムに関する。

本開示の態様は、管理装置であって、複数のエッジデバイスのうちの１つのエッジデバイスによって起動されたモデルリフレッシュ事象の場合、エッジデバイスとの第１の相関関係に基づいて、モデルリフレッシュを適用するために、複数のエッジデバイスのうちの１つ以上を選択し、複数のエッジデバイスのうちの１つ以上の間の第２の相関関係に基づいて、複数のエッジデバイスのうちの１つ以上を複数のグループにグループ化し、複数のグループの各々に適用されるモデルを選択するプロセッサを含むことができる管理装置に関する。本管理装置をコンピュータとして機能させるコンピュータプログラムの命令は、非一時的コンピュータ可読媒体上に記憶でき、１つ以上のプロセスによって実行されるように構成されている。

エッジコンピュータによるモデル入れ替え手順の使用について示したものである。 機械学習モデルオーケストレーションシステムの使用例を示す。 例示の実装形態による、エッジコンピュータでモデルリフレッシュを呼び出すソフトウェアシステムの例を示す。 例示の実装形態による、４つの独立したプロセスを含むモデルリフレッシュシステムの例を示す。 例示の実装形態による、第１のプロセスの例示のフロー図を示す。 例示の実装形態による、第２のプロセスの例示のフロー図を示す。 例示の実装形態による、第３のプロセスの例示のフロー図を示す。 例示の実装形態による、デバイス相関サブプロセスを示す図である。 例示の実装形態による、図８のサブプロセスに入力できるデバイス情報の例を示す。 例示の実装形態による、サブセットとメンバーのリストが、デバイスとそのサブセットのメンバーシップのテーブルにコンパイルされる例を示す。 例示の実装形態による、デバイスの各可能な組み合わせを評価して、グループ／サブセットが交わらないようにするための選択プロセスの例を示す。 例示の実装形態による、図１０に示す、いくつかの可能なデバイスの配列から計算したスコア値のリストの例を示す。 例示の実装形態による、エッジコンピュータのサブセットごとに最適なモデルを選択する第４のプロセス手順の例を示す。 グループに対して最高性能のモデルの決定がどのようにして行われ得るかを示す例を示す。 例示の実装形態による、センサが接続された複数のエッジデバイスと、管理装置とを含むシステムを示す。 いくつかの例示の実装形態で使用するのに好適な、例示的なコンピュータデバイスを備えた例示的なコンピューティング環境を示す。

以下の詳細な説明は、本出願の図面および例示の実装形態の詳細を提供するものである。図面間の冗長要素の参照番号および説明は、明確のため、省略する。本明細書全体を通して使用される用語は、例として提供されるものであり、限定することを意図するものではない。例えば、「自動」という用語の使用は、本出願の実装形態を実施する当業者の所望の実装形態に応じて、実装形態のいくつかの態様では、ユーザまたは管理者の制御を含む完全自動または半自動の実装を含んでいてもよい。選択は、ユーザインターフェースまたは他の入力手段を介してユーザによって、または所望のアルゴリズムを通して実装することができる。本明細書で説明する例示の実装形態は、単独で、または組み合わせて利用することができ、例示の実装形態の機能性は、所望の実装形態に従った任意の手段を介して実装することができる。

図３は、例示の実装形態による、エッジコンピュータでモデルリフレッシュを呼び出すソフトウェアシステムの例を示す。本明細書で説明する例示の実装形態は、ソフトウェアベースのシステムが、機械学習モデルオーケストレーションシステム４０４を呼び出して、複数のエッジコンピュータ上の機械学習モデルを更新することを含む。本明細書で説明する例示の実装形態は、４０１でエッジコンピュータデバイス４２０上の推論対象または状況４００の変化（本明細書ではリフレッシュ事象と呼ぶ）を自動的に検出し、次に機械学習モデルオーケストレーションシステム４０４を呼び出して、４０２でサーバ４３０が決定したように、どのエッジコンピュータがモデルを入れ替えすべきか、各エッジコンピュータでどのような新しいモデルを使用すべきか（本明細書ではモデルリフレッシュと呼ぶ）のアルゴリズム的に生成されたリスト４０３を提供する。エッジコンピュータでの変化（「リフレッシュ事象」）を自動的に検出することで、関連技術の実装形態の能力を超えて、リフレッシュ事象からモデルリフレッシュの完了までの遅延を短縮することができる。モデルリフレッシュをどのように実行するかをアルゴリズムで決定することにより、手動で構成する必要性を排除して、機械学習モデルオーケストレーションシステム４０４のパフォーマンスを、精度と適応性の面で向上させることができる。提案されたモデルリフレッシュ呼び出しシステムの成果は、リフレッシュ事象に関連するエッジコンピュータからのデータ、資源管理システムからのエッジコンピュータのデバイス情報、およびエッジコンピュータの推論プロセスの時系列情報を検討することにより実現する。

図４は、例示の実装形態による、４つの独立したプロセスを含むモデルリフレッシュシステムの例を示す。本明細書に記載するように、第１のプロセスで説明したサブシステムの複数のインスタンスが存在し、別々のエッジコンピュータ上で動作することが可能である。第２のプロセスで記述されたサブシステムは、第１のプロセスで記述したサブシステムの複数のインスタンスからコールと入力を受け取ることが可能である。そうすることで、第１のプロセスで使用したサブシステムを、配備されている多くの、またはすべてのエッジコンピュータで実行することが可能になり、必要に応じてモデルの入れ替えを呼び出すことができるようになる。

例示の実装形態では、図４に示すように、４つの別々のプロセスが使用される。エッジコンピュータデバイス４２０上で連続的に実行される第１のプロセス５０１は、エッジデータ５００を解析することにより、リフレッシュ事象を識別し、システムを起動する。サーバ４３０上で実行される第２のプロセス５０２は、他のエッジコンピュータと、起動しているエッジコンピュータデバイス４２０とを比較することにより、どのエッジコンピュータでモデルリフレッシュを行うかを選択する。サーバ４３０上で実行される第３のプロセス５０３は、デバイス情報技術（ＩＴ）および操作技術（ＯＴ）データベース５１０に基づいて選択されたエッジコンピュータを、互いに類似性に基づいてグループ化し、どのエッジコンピュータが同じモデルを使用すべきかを識別する。サーバ４３０上で実行される第４のプロセス５０４は、リフレッシュ事象からのデータと履歴データベース５２０内の履歴事象との比較に基づいて、エッジコンピュータの各グループがリフレッシュ事象に応答して使用するのに最適なモデルを選択する。

図５は、例示の実装形態による、第１のプロセスの例示のフロー図を示す。第１のプロセス５０１は、システムの起動に使用され、エッジコンピュータデバイス４２０上で行われ、継続的に実行されて、エッジデータデバイスからのデータ、推論プロセス出力、作業状況情報の変化を解析することで、推論対象や状況の変化を識別する。このプロセスは、継続的に行われて、機械学習による推論の対象のタイプや状況のタイプが変化したことを示す基準に関するデータを監視する。

このプロセスのデータは、エッジコントローラ上のエッジデータ収集機能６１３によって収集される。同じコンピュータ上で実行されている機械学習による推論プロセスからの統計値を示す推論プロセスの統計情報６１２と、エッジコンピュータデバイス４２０の一種であるエッジコントローラが観察できる外部エッジデータ６１０の２種類のデータが収集される。推論プロセスの統計情報６１２は、コンピュータ上で実行されているローカル推論プロセスからの利用可能なログファイル、アプリケーションプログラミングインターフェース（ＡＰＩ）または標準出力から収集され、このプロセスが対象の推論に成功したか失敗したかの記録、信頼率、エラーまたは警告メッセージ、推論にかかった時間、識別された特徴の数、対象の分類またはタイプ、一般的なログメッセージ、または元のデータソース（カメラなど）から渡された非構造化データなどを含む。観測可能な外部エッジデータ６１０は、エッジコンピュータデバイス４２０が受信するネットワークデータ６００を監視したり、プロトコルを介してネットワーク上の他のデバイスのデバイス情報６１１にアクセスしたり、他のデータソースから作業環境の外部条件６０２を観察したりすることで収集される。

ネットワークデータ６００には、他のネットワークデバイスの動作状況やアクティビティ（例えば、コントローラが動作を開始したことを示すパケットを送信する）、実行中のソフトウェアサービスやオペレーションシステムのバージョンを識別するための他のデバイスのネットワークポートの問い合わせ、ハードウェアの仕様を識別するための媒体アクセス制御（ＭＡＣ）アドレス、異なるデバイス間の一般的な通信データパターンなどが含まれる。エッジコンピュータは、リアルタイムで収集されたデータに加えて、そのモデルを使用する際に存在するべき予想／正常データ値を示す機械学習モデルごとに、上記のタイプのデータのリポジトリまたはデータベースを有している。

第１のプロセス５０１は、収集したエッジデータと、現在実行中のモデルの予想正常データ６１４との比較解析６１５を継続的に行う。この解析では、利用可能なデータタイプごとに、現在のデータと予想されるデータの間のずれのレベルを計算し、すべてのデータタイプをまとめて６１７で合計ずれのレベルを計算する。データがリフレッシュ事象を示しているという判定は、データの特定の値に対する基準によって、または合計もしくは特定のデータタイプのいずれかに対するずれのレベルが、６１６で決定したような一定のしきい値を超えていることによって行われる。しきい値や基準値は、システムオペレータによる入力によって設定することができる。

リフレッシュ事象が指示された場合、第１のプロセス５０１は、６１９において、モデルリフレッシュが行われるようにサーバ４３０を呼び出し、解析に使用された収集エッジデータセットもサーバに送信する。それ以外の場合は、６１８ではアクションを起こさない。

図６は、例示の実装形態による、第２のプロセスのフロー図を示す。第２のプロセス５０２は、第１のプロセス５０１が変化を識別した後にサーバ上で行われ、（第１のプロセス５０１において）起動しているエッジコンピュータデバイス４２０からのデータを他のエッジコンピュータと比較することにより、どのエッジコンピュータをモデルリフレッシュのために選択すべきかを識別する。モデルリフレッシュ６１９の要求を受信した後、デバイス情報データプロセッサ機能７１１は、７１０でデバイス管理システムに問い合わせてエッジコンピュータの情報を取得する。これらのシステムには、７００および７０１で示したように、資産、ソフトウェア、ハードウェア、または在庫管理システム、電子資源プランニングシステム、または製造実行システムが含まれる。これらのシステムから収集されるデータは、静的なデバイス情報および／またはその他のハードウェア情報である。エッジコンピュータのタイプ、付属ハードウェア、配備場所、ある生産ラインやその他の機械との関連、配備の階層、ネットワークトポロジーなどが含まれる。さらに、操作のスケジュール、どのような対象が存在するかのスケジュール、状況変化のスケジュール、操作プロセスと個々のコンピュータとの関係など、デバイスの使用に関するプロセス情報を含むことができる。

各エッジコンピュータのデータが照会された後、起動しているエッジコンピュータデバイスのデバイスデータをトリガ７１２し、このデータが、全エッジコンピュータのデータ７１３のセットから分離される。次いで、これらの２つのデータセットは、デバイス相関サブプロセス７１４を介して解析され、このデバイス相関サブプロセス７１４は、７１５において、他のすべてのエッジコンピュータと、起動しているエッジコンピュータデバイス４２０との間の相関値を決定する。そして、相関値に基づいて、各コンピュータが、起動しているエッジコンピュータが検出したのと同じリフレッシュ事象の影響を受ける可能性が高いかどうかを判定する。

この判定は、２つのコンピュータ間の相関値が、７１６に示すように、一定のしきい値を超えた場合や、基準に合致した場合に行われるように、システムオペレータが設定できる。起動しているコンピュータと類似していると判定されたエッジコンピュータは、７１７でテーブルにコンパイルされ、それらのエッジコンピュータに関する、コンパイルされたデータとともに、７１８で次のプロセスに出力される。

図７は、例示の実装形態による、第３のプロセスの例示のフロー図を示す。第３のプロセス５０３は、モデルリフレッシュのためにエッジコンピュータのセットが選択された後にサーバ４３０で行われ、各エッジコンピュータに関するデータ比較により、セットを類似したエッジコンピュータの複数のサブセットに配列する。プロセスは、８１２でモデルリフレッシュを実行するエッジコンピュータデバイスのセットと、８１１でそれらのデバイスのデータのコンパイルが受信された後に先へ進む。

まず、データプロセッサ機能８１４が、時系列データベースなどの他の履歴データソースから、各デバイスとそれに使用されるモデルに関連する追加のデータを取得する。このデータには、アクティブな期間、対象が観察された時間、対象の推論に成功したプロセスまたは失敗したプロセスの記録、信頼率、エラーまたは警告メッセージ、推論にかかった時間、または履歴主要パフォーマンス評価指標８０１および８０２で例示したように識別された特徴の数など、過去の推論プロセスの主要パフォーマンス評価指標８１０に関する時系列情報を含んでいてもよい。同じ対象が各エッジコンピュータ（例えば、コンベヤベルトに沿って移動する対象を推論するシーケンス内の複数のエッジコンピュータ）に到達する時間の差を考慮するために、このデータに対して時間シフト整列機能８１３を実行することができる。例示の実装形態では、時系列情報を利用することで、異なるデバイスからの事象が時間的にずれている場合、それらを揃えることができる。コンベアベルトに沿って移動する同一の対象物を複数のエッジコンピュータが順に処理する例では、順に検出された複数のエッジコンピュータの各事象を時系列データによって識別することができ、その結果、順に検出された各エッジコンピュータが順に検出された後続のエッジコンピュータからあるデルタ時間（例えば、数秒）だけオフセットされていると判定することができる。次にデータプロセッサは、８１５において、収集した時系列データのパフォーマンスとアクティビティを解析することで、デバイスの機械学習パフォーマンスパターン（パフォーマンス対時間）を判定する。この追加のデバイスとモデルのデータは、８１６で受信したデバイス情報と一緒にコンパイルされる。

データがコンパイルされた後、デバイス相関サブプロセス８１７を介して解析され、デバイス情報／ハードウェア構成に基づいて、各デバイスと他のデバイスとの間のデバイス類似性の相関値を決定し、デバイス相関値のマトリクスが得られる。そして、相関値に基づいて、相関値を持つデバイスが同じ機械学習モデルを使用した場合には、８１８で、最適な推論プロセスパフォーマンスを発揮する可能性が高いかどうかの判定を行う。この判定は、２つ以上のデバイス間の平均または最小の相関値がしきい値を超えたり、システムオペレータが設定できるある値の基準に合致したりした場合に行われる。この判定が複数のコンピュータ間で行われた場合、これらのコンピュータはグループとしてのデバイスのサブセットに入れられる。この判定後、デバイスが他のデバイスや複数のデバイスとグループ化されている場合は、単独のメンバーとしてサブセットに入れられる。プロセスの結果、各デバイスは、１つ以上のメンバーを持つサブセットに属し、サブセットとメンバーのリストは、８１９でデバイスとそのサブセットのメンバーシップのテーブルにコンパイルされ、図１１に示されるようにプロセスによって出力される。

図８は、例示の実装形態による、デバイス相関サブプロセスを示す図である。第２のプロセス５０２および第３のプロセス５０３が使用するデバイス相関サブプロセスは、サーバ４３０上で行われ、９００で、のデバイス情報のセットに基づいて、あるデバイスと他のデバイスとの間の相関値を生成する。このサブプロセスに入力されるデバイス情報の例を図１０に示す。まず９０１では、デバイス情報の非構造化データを処理して構造化データに変換し、可能であれば他のデバイスに存在するデータタイプに分類する。続いて９０２では、すべてのデバイスの値について、データタイプごとに標準的なフォーマットにデータを正規化し、９０３では定性的な値を定量的な値に変換する関数を行う。その後、９０４で第２のプロセス５０２または第３のプロセス５０３で規定されているように相関値を算出する。これらの値は、あるデバイスと別のデバイスの間でデータタイプの各値を比較することによって決定され、この比較は、等しいかどうか９０５、どちらの値が高いか９０７などの基本的な比較機能を介して行うことができ、あるいは、９０６に示すように、所望の実装形態に応じて、各値間のずれのレベルなど、より高度な比較機能を用いて行うこともできる。さらに、各データタイプには、９０８での計算における重要性を増加または減少させるために送られる重みを持たせることができ、これはシステムオペレータによって設定することができる。その後、９０９で相関値がコンパイルされる。第２のプロセス５０２の場合、出力はテーブル内の１行の相関値であり、第３のプロセス５０３の場合、出力は図１１に例示されているようなマトリックステーブルになる。

図９は、例示の実装形態による、図８のサブプロセスに入力できるデバイス情報の実施例を示す。所望の実装形態によると、情報には、デバイスの識別子（ＩＤ）、オペレーティングシステム（ＯＳ）のバージョン、ＣＯＤＥＳＹＳのバージョン、データプロセッサ、ドライバ情報、マシンビジョンアプリケーション情報、利用している基礎的なプログラマブル論理コントローラ（ＰＬＣ）、およびさまざまな重みが含まれるが、これらに限定されない。

図１０は、例示の実装形態による、サブセットとメンバーのリストが、デバイスとそのサブセットのメンバーシップのテーブルにコンパイルされる例を示す。図１０に示すように、デバイスＩＤはマトリクス状に配列されており、そこからデバイスのペア間の相関関係が得られる。

第２のプロセス５０２の判定時のデバイスは、起動しているデバイスとの相関値がデバイスのオペレータが設定したしきい値を超えた場合、あるいは、所望の実装形態に応じて、簡単な評価で選択できる。

デバイスの可能な組み合わせをそれぞれ評価して、グループ／サブセットが交わらないようにすることで、第３のプロセス５０３の判定時にグループ化するデバイスを選択できる。図１１に、例示の実装形態による、デバイスの各可能な組み合わせを評価して、グループ／サブセットが交わらないようにするための選択プロセスの例を示す。この評価は、デバイスグループの最小量、グループの各メンバー間の平均相関値の最小値、および各デバイスの他のグループメンバー間の平均相関値に基づくスコアを使用して行うことができる。ここで例示したように、デバイス相関値の他に、グループの平均相関値も算出することができ、これは、あるグループのデバイス相関値を他のグループメンバーと比較した場合の平均値である。

これらのスコアのそれぞれについて、システムオペレータは、１２０１での評価中に満たされることが求められる目標スコア値を設定してもよい。デバイスグループの数が最小である場合のスコアは、実際にグループ化されるデバイスの数を表しており、１２０１および１２０２に示すように、このスコアの値を目標とすれば、１つのメンバーしか含まないグループの数が少ない配列を選択することができる。グループの平均相関値が最小である場合のスコアは、配列中、「最も相関の低い」グループを表しており、その値を目標とすれば、第３のプロセス５０３に向けて最小の相関メトリックの設定をすることができるようになる。このように、オペレータは、グループの数や最小平均グループの相関に関するしきい値のスコアを設定することができる。グループ数の例では、グループｇにｎ個のデバイスを配列した場合、スコアは（ｇ／ｎ）＊１００％で計算できるので、スコアが高いほどグループ数が少ないことを意味し、スコア０％はすべてのデバイスがそれぞれのグループに属していることを意味し、スコア１００％はすべてのデバイスが１つのグループに属している可能性があることを意味する。オペレータは、デバイスが、あるしきい値を大きく超えている場合は低いスコアを、デバイスが非常に似ている場合は高いスコアを選択することができる。したがって、図１１のプロセスは、所望の実装形態に応じて調整することができる。

最小平均グループの相関スコアの例では、配列中のすべてのグループの中で最も低いグループの平均相関値であり、配列中の最も相関の低いグループに対して何が許容されるかを示している。オペレータは、異種のデバイスが一緒にグループ化されることに対する許容度が高い場合は低いスコアを、異種のデバイスが一緒にグループ化されることに対する許容度が低い場合は高いスコアを選択することができるため、所望の許容度に応じて調整することができる。このように、１２００、１２０１、１２０２のフローでは、「グループの数」のしきい値を満たさない配列を検討対象から外している。しきい値を満たさない場合は、最高のスコアを持つものだけを残す。

１２０３において、各デバイスの平均相関値のスコアは、各デバイスがそのグループにどれだけ密接に「適合」しているかを表しており、１２０４および１２０５に示すように、他のしきい値が満たされた後に、異なるグループ配列を比較して最適な配列を決定するために使用することができる。このように、１２０３、１２０４、１２０５のプロセスで、フローは、最小平均グループの相関しきい値を満たさない配列を検討対象から外す。しきい値を満たさない場合、フローは最高のスコアを持つものだけを残すことができる。単一のデバイスからなるグループは、（当該デバイスは、自分自身と完全に一致するため）完全なグループ相関スコアになるが、単一デバイスのグループは、第４のプロセス５０４におけるグループベースのモデル選択においては利点がないため、単一のデバイスグループを持つ配列は選択から外すべきであり、グループの数が少ない配列は選択されるべきである。したがって、１２０６において、結果として得られる選択は、グループに対する最も高い平均デバイス相関を有する配列であり、勝者は、グループに対する平均デバイス相関が最も高いものが勝者として選択される。同点は、第１にグループに対する平均デバイス相関、第２に最小平均グループ相関、第３にグループ数で決めるなど、所望の実装形態に応じて解決することができるが、これに限定されるものではない。

図１２は、例示の実装形態による、図１０のいくつかのデバイスの可能な配列から計算された例示のスコア値のリストを示す。各デバイスセットの第１の配列は、デバイスがグループ化されていない第３のプロセス５０３からのプロセスを使用しない、従来のモデル選択プロセスとなり得るものを実証している。図１２に示すように、デバイスセットは、グループ検討のためのデバイスの組み合わせと、デバイスセット内でグループとして検討できる配列やサブセットを示している。各配列は、図１１のプロセスを通じて、最小平均グループの相関、グループに対する平均デバイス相関、およびグループの数に基づいて評価される。図１２の例では、プロセスは、グループのすべての可能な配列から始まり、それに対して、各配列の各グループに対して、図１１のデバイス相関サブプロセスでグループ相関を計算する。そして、各配列の各グループについて、デバイス相関サブプロセスと同様にしてグループ相関を算出する。それぞれの配列に対して、２つのスコアが計算され、さらにグループに対する平均デバイス相関などのスコアが追加される。これは、配列内のすべてのグループのすべてのグループ相関値を、グループの大きさで加重した平均値である。よって、結果は、デバイスが残りのグループとどれだけ相関しているかの平均値を示し、ある特定のグループがどれだけ最適かを示す。

一度決定され、評価されたデバイスのサブセットグループは、次に説明する第４のプロセスに利用することができる。

図１３は、例示の実装形態による、第４のプロセスの例示のフロー図を示す。モデルをリフレッシュするために、類似デバイスのサブセットが決定された後に、第４のプロセス５０４がサーバ上で行われ、第１のプロセス５０１からのリフレッシュ事象に関連するデータを、各サブセットのエッジコントローラからの過去のデータの履歴時系列データベースと比較することにより、各サブセットに対して最適に動作する可能性が最も高いモデルを選択する。まず、１４０５では、データを比較して、９００での現在のリフレッシュ事象とデータの履歴の中で類似した事象を識別する。第１のプロセス５０１で説明したように、リフレッシュ事象が起動されたときに、エッジコンピュータの機械学習による推論プロセスで得た統計を含む現在の「ライブ」データ１４００が、エッジデバイスによって送信される。このデータは、次に、同じ展開１４０４における機械学習による推論プロセスで得た履歴統計と比較されるが、これらの統計は、これらの推論プロセスへの変化が呼び出されたときにキャプチャされた「ライブ」データ１４０３とともに、推論プロセスの主要パフォーマンス指標１４０２を含んでいてもよい。

これらの事象のキャプチャされたライブデータを、過去のキャプチャされたデータと比較することで、基本的な比較またはデバイス比較サブプロセスで使用したものと同様の、より高度な論理を使用して、類似した事象を識別することができる。類似した事象を判定した後、１４０６でエッジコンピュータの推論プロセスの主要パフォーマンス評価指標（ＫＰＩ）が解析され、これらの類似した事象でどのモデルが最高のパフォーマンスを発揮したかが判定される。この解析は、サブセットに含まれる各エッジコンピュータで同様の事象が発生した際に使用された各モデルについて、各主要パフォーマンス評価指標に基づく定量化可能な調整値を算出し、すべての調整値を組み合わせて、どのモデルが今回と同様の事象の下で歴史的に最も優れたパフォーマンスを発揮したかを判定する。この解析と、サブセット全体の類似した事象における過去のすべてのモデルパフォーマンスの解析に基づき、１４０７で、サブセットのエッジコンピュータの平均性能が最も高くなる単一モデルを選択する。

このプロセスが各サブセットについて完了した後、その結果は、デバイスグループ１４０１の元のリストから導き出された、エッジコンピュータと各コンピュータがどのモデルを受け取るべきか機械学習モデルオーケストレーションシステム４０４の最終的なテーブルにコンパイルすることができる。その後、機械学習モデルオーケストレーションシステム４０４は、１４０９において、エッジコンピュータへの新しいモデルの送信を要求するためのインターフェースを使用して呼び出され、このようにしてテーブルの情報が提供される。そして、この呼び出しの結果、機械学習モデルオーケストレーションシステム４０４は、テーブル中のリストアップされたエッジコンピュータと対話して、それぞれのエッジコンピュータの機械学習による推論モデルを本システムが指定するモデルに置き換えて、配信システム５３０を更新する。最終的には、この機械学習による置換呼び出しシステムの結果、各エッジコンピュータはこのシステムで最適と判定されたモデルを使用することになるはずである。

図１４は、グループに対して最高性能のモデルの判定がどのようにして行われ得るかを示す一例を示したものである。各モデルのＫＰＩスコアがモデルのＫＰＩに基づいて計算されているとすると、デバイスグループに最適なモデルは、例えば、各デバイスのモデルのスコアを平均し、グループ内の残りのデバイスとの平均的な相関値で重み付けして決定することができる。デバイスのグループ化を考慮していない従来のモデル選択システムでは、個々のデバイスの過去のモデルのＫＰＩだけを見ることになり、ＫＰＩの異常値や、過去の事象中のエラーによってＫＰＩを通常とは異なったものに変化させた場合に、マイナスの影響を受けやすくなる。グループベースの評価でモデルを選択することで、相関する他のデバイスのＫＰＩ値も検討することを加えて、不規則な過去のモデルのＫＰＩの影響を軽減することができる。

本明細書に記載されている例示の実装形態すべてにおいて、このシステムを利用すれば、機械学習のエッジプロセスに対し、対象または状況の変化に動的に対応することができる。本システムの応用例としては、製造ラインで生産されている製品モデルの予期せぬ変化、製造設備の稀な故障による製品への影響、マシンビジョンプロセスでのアイテムの配向の違い、工場の照明条件の予期せぬ変化などが挙げられる。機械学習モデルの切り替えを起動する類似のシステムと比較して、本開示は、新しい事象をより速く識別して反応し、その後のモデルの切り替えにおいて最適でないモデル選択を修正することで精度を向上させ、データ解析を利用してデバイス間の関係や事象とモデル間の関係を手動で分類するのに必要な労力を削減することができる。

図１５は、例示の実装形態による、センサが接続された複数のエッジデバイスと、管理装置とを含むシステムを示す。接続されたセンサを有する１つ以上のエッジデバイス１６０１－１、１６０１－２、１６０１－３、および１６０１－４は、モノのインターネット（ＩｏＴ）ゲートウェイまたは他の製造管理システムのための機能性を促進する、管理装置１６０２に接続されたネットワーク１６００に通信可能に連結される。管理装置１６０２は、エッジデバイス１６０１－１、１６０１－２、１６０１－３、および１６０１－４のセンサから収集された履歴データを含むデータベース１６０３を管理するが、この履歴データは、エッジデバイス１６０１－１、１６０１－２、１６０１－３、および１６０１－４から受信したラベル付きデータおよびラベルなしデータを含んでいてもよい。代替的な例示の実装形態では、エッジデバイス１６０１－１、１６０１－２、１６０１－３、１６０１－４のセンサからのデータは、エンタープライズ資源プランニングシステムなどのデータを取り込む私有のデータベースなどの中央リポジトリまたは中央データベースに記憶することができ、管理装置１６０２は、中央リポジトリまたは中央データベースからデータにアクセスまたは取得することができる。このようなエッジデバイスには、所望の実装形態によって、センサ付きのロボットアーム、センサ付きのタービン、センサ付きの旋盤などが含まれる。モデルリフレッシュ事象は、エッジデバイスのモデルから現在のデータへの予測データのずれ、または本明細書に記載されるようなモデル変更を必要とするエッジデバイスへの状態変化を示す現在のデータ内の基準の検出のうちの１つ以上に基づいて、エッジデバイス１６０１－１、１６０１－２、１６０１－３、１６０１－４のいずれかによって起動され得る。

図１６は、サーバ４３０の機能を促進するものとして、図１５に示されているような管理装置１６０２、またはエッジコンピュータデバイス４２０の一種であるエッジコントローラなど、いくつかの例示の実装形態で使用するのに好適な、例示的なコンピュータデバイスを備えた例示的なコンピューティング環境を示している。

コンピューティング環境１７００のコンピュータデバイス１７０５は、１つ以上の処理ユニット、コア、またはプロセッサ１７１０、メモリ１７１５（例えば、ＲＡＭ、ＲＯＭ、および／または同様のもの）、内部ストレージ１７２０（例えば、磁気、光学、ソリッドステートストレージ、および／または有機）、および／またはＩ／Ｏインターフェース１７２５を含むことができ、これらはすべて、情報を通信するための通信機構またはバス１７３０上に連結するか、またはコンピュータデバイス１７０５に組み込むことができる。また、Ｉ／Ｏインターフェース１７２５は、所望の実装形態に応じて、カメラから画像を受信したり、プロジェクタやディスプレイに画像を提供したりするように構成されている。

コンピュータデバイス１７０５は、入力／ユーザインターフェース１７３５および出力デバイス／インターフェース１７４０に通信可能に連結することができる。入力／ユーザインターフェース１７３５および出力デバイス／インターフェース１７４０のいずれか一方または両方は、有線または無線のインターフェースとすることができ、着脱可能とすることができる。入力／ユーザインターフェース１７３５は、入力を提供するために使用することができる、物理的または仮想的な任意のデバイス、コンポーネント、センサ、またはインターフェース（例えば、ボタン、タッチスクリーンインターフェース、キーボード、ポインティング／カーソルコントロール、マイク、カメラ、点字、モーションセンサ、光学リーダなど）を含むことができる。出力装置／インターフェース１７４０は、ディスプレイ、テレビ、モニタ、プリンタ、スピーカ、点字などを含んでもよい。いくつかの例示の実装形態では、入力／ユーザインターフェース１７３５および出力デバイス／インターフェース１７４０は、コンピュータデバイス１７０５とともに埋め込まれてもよく、またはコンピュータデバイス１７０５に物理的に連結されてもよい。他の例示の実装形態では、他のコンピュータデバイスは、コンピュータデバイス１７０５のための入力／ユーザインターフェース１７３５および出力デバイス／インターフェース１７４０の機能として機能してもよく、またはその機能を提供してもよい。

コンピュータデバイス１７０５の例には、移動性の高いデバイス（例えば、スマートフォン、車両やその他の機械に搭載されたデバイス、人間や動物が持ち運ぶデバイスなど）、モバイルデバイス（例えば、タブレット、ノートブック、ラップトップ、パーソナルコンピュータ、ポータブルテレビ、ラジオなど）、および移動用として設計されていないデバイス（例えば、デスクトップコンピュータ、その他のコンピュータ、情報キオスク、１つ以上のプロセッサがその中に組み込まれたおよび／またはそれに連結されたテレビ、ラジオなど）が含まれ得るが、これらに限定されない。

コンピュータデバイス１７０５は、同じ構成または異なる構成の１つ以上のコンピュータデバイスを含む、任意の数のネットワーク化されたコンポーネント、デバイス、およびシステムと通信するために、外部ストレージ１７４５およびネットワーク１７５０に（例えば、Ｉ／Ｏインターフェース１７２５を介して）通信可能に連結してもよい。コンピュータデバイス１７０５または接続されたコンピュータデバイスは、サーバ、クライアント、シンサーバ、一般機械、特別目的機械、または別のラベルとして機能し、サービスを提供し、または参照することができる。

Ｉ／Ｏインターフェース１７２５は、コンピューティング環境１７００の少なくともすべての接続されたコンポーネント、デバイス、およびネットワークとの間で情報を通信するための、任意の通信またはＩ／Ｏプロトコルまたは標準（例えば、イーサネット、８０２．１１ｘ、ユニバーサルシステムバス、ＷｉＭａｘ、モデム、セルラーネットワークプロトコルなど）を使用する有線および／または無線インターフェースを含むことができるが、これらに限定されない。ネットワーク１７５０は、任意のネットワークまたはネットワークの組み合わせ（例えば、インターネット、ローカルエリアネットワーク、ワイドエリアネットワーク、電話回線網、セルラーネットワーク、衛星ネットワークなど）でよい。

コンピュータデバイス１７０５は、一時的な媒体および非一時的な媒体を含む、コンピュータで使用可能な媒体またはコンピュータで読み取り可能な媒体を使用および／または通信することができる。一時的な媒体としては、伝送媒体（金属ケーブル、光ファイバーなど）、信号、搬送波などがある。非一時的な媒体には、磁気媒体（ディスク、テープなど）、光媒体（ＣＤ ＲＯＭ、デジタルビデオディスク、ブルーレイディスクなど）、ソリッドステート媒体（ＲＡＭ、ＲＯＭ、フラッシュメモリ、ソリッドステートストレージなど）、その他の不揮発性のストレージやメモリなどがある。

コンピュータデバイス１７０５を使用して、いくつかの例示的なコンピューティング環境において、技術、方法、アプリケーション、プロセス、またはコンピュータ実行可能な命令を実装することができる。コンピュータ実行可能な命令は、一時的な媒体から取得することも、非一時的な媒体に記憶して取得することもできる。実行可能な命令は、任意のプログラミング言語、スクリプト言語、および機械言語（Ｃ、Ｃ＋＋、Ｃ＃、Ｊａｖａ、Ｖｉｓｕａｌ Ｂａｓｉｃ、Ｐｙｔｈｏｎ、Ｐｅｒｌ、ＪａｖａＳｃｒｉｐｔ他など）のうちの１つ以上で作成されてもよい。

プロセッサ（単数または複数）１７１０は、任意のオペレーティングシステム（ＯＳ）（図示せず）の下で、ネイティブ環境または仮想環境で実行することができる。論理ユニット１７６０、アプリケーションプログラミングインターフェースユニット１７６５（以下、ＡＰＩユニット１７６５と称する）、入力ユニット１７７０、出力ユニット１７７５、および異なるユニットが相互に、ＯＳと、および他のアプリケーション（図示せず）と通信するためのユニット間通信機構１７９５を含む、１つ以上のアプリケーションを展開することができる。記載されているユニットや要素は、デザイン、機能、構成、または実装において様々であり、記載されている内容に限定されるものではない。

いくつかの例示の実装形態では、情報または実行命令がＡＰＩユニット１７６５によって受信されると、それは１つ以上の他のユニット（例えば、論理ユニット１７６０、入力ユニット１７７０、出力ユニット１７７５）に伝達されてもよい。いくつかの例では、論理ユニット１７６０は、上述のいくつかの例示の実装形態において、ユニット間の情報フローを制御し、ＡＰＩユニット１７６５、入力ユニット１７７０、出力ユニット１７７５によって提供されるサービスを指示すように構成されてもよい。例えば、１つ以上のプロセスまたは実装の流れは、論理ユニット１７６０単独で、またはＡＰＩユニット１７６５と組み合わせて制御されてもよい。入力ユニット１７７０は、例示の実装形態で説明した計算のための入力を得るように構成されてもよく、出力ユニット１７７５は、例示の実装形態で説明した計算に基づいて出力を提供するように構成されてもよい。

プロセッサ（単数または複数）１７１０は、複数のエッジデバイスからエッジデバイスによって起動されるモデルリフレッシュ事象について、図４に示されるように、エッジデバイスに対する第１の相関関係に基づいてモデルリフレッシュを適用するために、複数のエッジデバイスのうちの１つ以上を選択し、複数のエッジデバイスのうちの１つ以上の間の第２の相関関係に基づいて、複数のグループにグループ化し、複数のグループのそれぞれに適用するモデルを選択するように構成することができる。

プロセッサ（単数または複数）１７１０は、複数のエッジデバイスの１つ以上から第１のデータを取り込み、複数のエッジデバイスの残りの１つ以上から第２のデータを取り込み、第１のデータは、複数のエッジデバイスの１つ以上に関連付けられた第１の静的デバイス情報および／または第１のプロセス情報を含み、第２のデータは、複数のエッジデバイスの残りの１つ以上に関連付けられた第２の静的デバイス情報および／または第２のプロセス情報を含み、図６に示すように、第１のデータおよび第２のデータから、複数のエッジデバイスのうちの１つ以上と複数のエッジデバイスのうちの残りの１つ以上との間の第１の相関関係を計算することにより第１の相関関係を決定するように構成されてもよい。

プロセッサ（単数または複数）１７１０は、図７に示されるように、静的デバイス情報からのエッジデバイスのうちの１つ以上の間の第２の相関関係、プロセス情報、および過去の主要パフォーマンス評価指標（ＫＰＩ）から導出される複数のエッジデバイスの１つ以上の機械学習パフォーマンスパターンを計算することによって、第２の相関関係を決定するように構成されてもよい。

プロセッサ（単数または複数）１７１０は、しきい値を満たすデバイスの数を有する複数のグループのうちの第１のグループを選択し、複数のグループのうちの第１のグループから、しきい値を超える最高のグループ相関スコアを有する複数のグループのうちの第２のグループを選択し、第２のグループのそれぞれについて、図１３に示されるように、第２のグループのそれぞれのエッジデバイスのそれぞれにわたって最高の平均主要パフォーマンス評価指標を有するモデルを選択することによって、複数のグループのそれぞれに適用されるモデルを選択するように構成されてもよい。

詳細な説明のうちの一部は、コンピュータ内の操作のアルゴリズムおよび記号表現に関して提示される。これらのアルゴリズム記述および記号表現は、データプロセス技術の当業者が使用することにより、当業者にそれらの技術革新の本質を伝える手段である。アルゴリズムは、所望の終了状態または結果をもたらす、定義された一連のステップである。例示の実装形態では、実行されるステップは、有形の結果を達成するための有形量の物理的操作を必要とする。

特に記載がない限り、議論から明らかなように、明細書の議論全体を通して「プロセスする」、「演算する」、「算出する」、「判定する」、「表示する」などの用語を使用する場合は、物理電子工学として表されるコンピュータシステムのレジスタおよびメモリ内のデータを演算システムのメモリ、レジスタ、または他の情報ストレージ、伝送または表示デバイス内の物理量として同様に表される他のデータに操作および変換するコンピュータシステム、または他の情報処理デバイスの動作およびプロセスを含むことができることは理解できよう。

例示の実装形態は、本明細書での操作を実行するための装置にも関連する場合もある。この装置は、必要な目的のために特別に構成することができ、あるいは１つ以上のコンピュータプログラムを選択的に起動または再構成する１つ以上の汎用コンピュータを含んでいてもよい。このようなコンピュータプログラムは、コンピュータ可読ストレージ媒体またはコンピュータ可読信号媒体などのコンピュータ可読媒体に記憶されてもよい。コンピュータ可読ストレージ媒体は、限定されるものではないが、光ディスク、磁気ディスク、読み取り専用メモリ、ランダムアクセスメモリ、ソリッドステートデバイスおよびドライブなどの有形媒体、または電子情報を記憶するのに好適な任意の他のタイプの有形または非一時的媒体を含んでいてもよい。コンピュータ可読信号媒体は、搬送波のような媒体を含んでいてもよい。本明細書で提示されるアルゴリズムおよび表示は、いかなる識別のコンピュータまたは他の装置にも本質的に関連するものではない。コンピュータプログラムは、所望の実装形態の操作を実行する命令を含む純粋なソフトウェア実装を含むことができる。

様々な汎用システムを、本明細書の実施例に従ってプログラムおよびモジュールと共に使用することができ、または所望の方法ステップを実行するためのより特化された装置を構築することが便利であると証明することができる。さらに、例示の実装形態の説明には、任意の識別のプログラミング言語を参照していない。本明細書に記載された例示の実装形態の技術を実装するために、様々なプログラミング言語を使用することができることは理解できよう。プログラミング言語の命令は、１つ以上の処理デバイス、例えば中央処理装置（ＣＰＵ）、プロセッサ、またはコントローラによって実行してもよい。

当該技術分野で知られているように、上述した操作は、ハードウェア、ソフトウェア、またはソフトウェアとハードウェアのいくつかの組み合わせによって実行することができる。例示の実装形態の様々な態様は、回路および論理デバイス（ハードウェア）を使用して実装してもよく、他の態様は、プロセッサによって実行される場合、プロセッサに本出願の実装を実行する方法を実行させる、機械可読媒体（ソフトウェア）上に記憶された命令を用いて実装してもよい。さらに、本出願のいくつかの例示の実装形態は、ハードウェアのみで実行してもよく、他の例示の実装形態は、ソフトウェアでのみ実行してもよい。さらに、記載された様々な機能は、単一のユニット内で実行することができ、またはいくつかの方法でいくつかの構成要素にわたって拡散することができる。ソフトウェアによって実行される場合、方法は、コンピュータ可読媒体上に記憶された命令に基づいて、汎用コンピュータなどのプロセッサによって実行してもよい。所望であれば、命令は、圧縮されたフォーマットおよび／または暗号化されたフォーマットで媒体上に記憶することができる。

さらに、本出願のその他の実装形態は、本出願の教示内容および技術内容を考慮することによって、当業者には明らかであろう。記載された例示の実装形態の様々な態様および／または構成要素は、単独で、または任意の組み合わせで使用してもよい。本明細書および例示の実装形態は、例示に過ぎず、本出願の真の範囲と精神は、下記の特許請求の範囲によって示されるものである。

４０４ 機械学習モデルオーケストレーションシステム
４３０ サーバ
４２０ エッジコンピュータデバイス
５００ エッジデータ
５１０ データベース
６００ ネットワークデータ
６１０ 外部エッジデータ
６１１ デバイス情報
６１２ 推論プロセスの統計情報
６１３ エッジデータ収集機能
７１１ デバイス情報データプロセッサ機能
７１４ デバイス相関サブプロセス
８０１、８０２ 履歴主要パフォーマンス評価指標
８１０ 過去のプロセスの主要パフォーマンス評価指標
８１３ 時間シフト整列機能
８１７ デバイス相関サブプロセス
１６００ ネットワーク
１６０１－１、１６０１－２、１６０１－３、１６０１－４ エッジデバイス
１６０２ 管理装置
１７００ コンピューティング環境
１７０５ コンピュータデバイス
１７１０ プロセッサ
１７２０ 内部ストレージ
１７２５ Ｉ／Ｏインターフェース
１７３０ バス

Claims (17)

1. 複数のエッジデバイスのうちの１つのエッジデバイスによって起動されたモデルリフレッシュ事象の場合、
   前記エッジデバイスとの第１の相関関係に基づいて、モデルリフレッシュを適用するために、前記複数のエッジデバイスのうちの１つ以上を選択し、
   前記複数のエッジデバイスのうちの１つ以上の間の第２の相関関係に基づいて、前記複数のエッジデバイスのうちの前記１つ以上を前記複数のグループにグループ化し、
   前記複数のグループの各々に適用されるモデルを選択する、機械学習モデル更新方法。
2. さらに、前記第１の相関関係を判定し、
   前記第１の相関関係の判定では、
   前記複数のエッジデバイスの前記１つ以上から第１のデータと前記複数のエッジデバイスの残りの１つ以上から第２のデータとを取り込むことであって、前記第１のデータは、前記複数のエッジデバイスの前記１つ以上に関連付けられた第１の静的デバイス情報を備え、前記第２のデータは、前記複数のエッジデバイスの前記残りの１つ以上に関連付けられた第２の静的デバイス情報を含む、取り込み、
   前記第１のデータおよび前記第２のデータから、前記複数のエッジデバイスの前記１つ以上と、前記複数のエッジデバイスの前記残りの１つ以上の間の前記第１の相関関係を計算する、機械学習モデル更新請求項１に記載の方法。
3. さらに、前記第２の相関関係を判定し、
   前記第２の相関関係を判定では、
   静的デバイス情報からの前記エッジデバイスのうちの前記１つ以上の間の前記第２の相関関係、プロセス情報、および過去の主要パフォーマンス評価指標であるＫＰＩから導出される前記複数のエッジデバイスの前記１つ以上の機械学習パフォーマンスパターンを計算する、請求項１に記載の機械学習モデル更新方法。
4. 前記複数のグループの各々に適用する前記モデルの選択では、
   しきい値を満たす多数のデバイスを有する前記複数のグループの１つ以上の第１のグループを選択し、
   前記複数のグループの１つ以上の前記第１のグループを、しきい値を超える最高のグループ相関スコアを有する、前記複数のグループの１つ以上の第２のグループを選択し、
   前記第２のグループの各々に対して、前記第２のグループの前記各々の中の前記エッジデバイスの各々の間で最大平均主要パフォーマンス評価指標を有するモデルを選択する、請求項１に記載の機械学習モデル更新方法。
5. 前記モデルリフレッシュ事象は、前記エッジデバイスのモデルから現在のデータへの予測データのずれ、またはモデル変更を必要とする前記エッジデバイスへの状態変化を示す前記現在のデータ内の基準の検出とのうちの１つ以上により、複数のエッジデバイスのうちの前記エッジデバイスによって起動される、請求項１に記載の機械学習モデル更新方法。
6. さらに、前記第１の相関関係を判定し、
   前記第１の相関関係の判定では、
   前記複数のエッジデバイスの前記１つ以上から第１のデータと前記複数のエッジデバイスの残りの１つ以上から第２のデータとを取り込み、
   前記第１のデータは、前記複数のエッジデバイスの前記１つ以上に関連付けられた第１のプロセス情報を備え、前記第２のデータは、前記複数のエッジデバイスの前記残りの１つ以上に関連付けられた第２のプロセス情報を含み、
   前記第１のデータおよび前記第２のデータから、前記複数のエッジデバイスの前記１つ以上と、前記複数のエッジデバイスの前記残りの１つ以上の間の前記第１の相関関係を計算する、請求項１に記載の機械学習モデル更新方法。
7. コンピュータに以下の処理を実行させるコンピュータプログラムであって、
   複数のエッジデバイスのうちの１つのエッジデバイスによって起動されたモデルリフレッシュ事象の場合、
   前記エッジデバイスとの第１の相関関係に基づいて、モデルリフレッシュを適用するために、前記複数のエッジデバイスのうちの１つ以上を選択し、
   前記複数のエッジデバイスのうちの前記１つ以上の間の第２の相関関係に基づいて、前記複数のエッジデバイスのうちの前記１つ以上を複数のグループにグループ化し、
   前記複数のグループの各々に適用されるモデルを選択する、コンピュータプログラム。
8. さらに、前記第１の相関関係を判定し、
   前記第１の相関関係の判定では、
   前記複数のエッジデバイスの前記１つ以上から第１のデータと前記複数のエッジデバイスの残りの１つ以上から第２のデータとを取り込み、
   前記第１のデータは、前記複数のエッジデバイスの前記１つ以上に関連付けられた第１の静的デバイス情報を備え、前記第２のデータは、前記複数のエッジデバイスの前記残りの１つ以上に関連付けられた第２の静的デバイス情報を含み、
   前記第１のデータおよび前記第２のデータから、前記複数のエッジデバイスの前記１つ以上と、前記複数のエッジデバイスの前記残りの１つ以上の間の前記第１の相関関係を計算する、請求項７に記載のコンピュータプログラム。
9. さらに、前記第２の相関関係を判定し、
   前記第２の相関関係の判定では、
   静的デバイス情報からの前記エッジデバイスのうちの前記１つ以上の間の前記第２の相関関係、プロセス情報、および過去の主要パフォーマンス評価指標であるＫＰＩから導出される前記複数のエッジデバイスの前記１つ以上の機械学習パフォーマンスパターンを計算する、請求項７に記載のコンピュータプログラム。
10. 前記複数のグループの各々に適用する前記モデルの選択では、
    しきい値を満たす多数のデバイスを有する前記複数のグループの１つ以上の第１のグループを選択し、
    前記複数のグループの１つ以上の前記第１のグループから、しきい値を超える最高のグループ相関スコアを有する、前記複数のグループの１つ以上の第２のグループを選択し、
    前記第２のグループの各々に対して、前記第２のグループの前記各々の中の前記エッジデバイスの各々の間で最大平均主要パフォーマンス評価指標を有するモデルを選択する、請求項７に記載のコンピュータプログラム。
11. 前記モデルリフレッシュ事象は、前記エッジデバイスのモデルから現在のデータへの予測データのずれ、またはモデル変更を必要とする前記エッジデバイスへの状態変化を示す前記現在のデータ内の基準の検出とのうちの１つ以上により、複数のエッジデバイスのうちの前記エッジデバイスによって起動される、請求項７に記載のコンピュータプログラム。
12. さらに、前記第１の相関関係を判定し、
    前記第１の相関関係の判定では、
    前記複数のエッジデバイスの前記１つ以上から第１のデータと前記複数のエッジデバイスの残りの１つ以上から第２のデータとを取り込み、
    前記第１のデータは、前記複数のエッジデバイスの前記１つ以上に関連付けられた第１のプロセス情報を備え、前記第２のデータは、前記複数のエッジデバイスの前記残りの１つ以上に関連付けられた第２のプロセス情報を含み、
    前記第１のデータおよび前記第２のデータから、前記複数のエッジデバイスの前記１つ以上と、前記複数のエッジデバイスの前記残りの１つ以上の間の前記第１の相関関係を計算する、請求項７に記載のコンピュータプログラム。
13. 複数のエッジデバイスを管理するように構成された管理装置であって、
    複数のエッジデバイスのうちの１つのエッジデバイスによって起動されたモデルリフレッシュ事象の場合、
    前記エッジデバイスとの第１の相関関係に基づいて、モデルリフレッシュを適用するために、前記複数のエッジデバイスのうちの１つ以上を選択し、
    前記複数のエッジデバイスのうちの前記１つ以上の間の第２の相関関係に基づいて、前記複数のエッジデバイスのうちの前記１つ以上を複数のグループにグループ化し、
    前記複数のグループの各々に適用されるモデルを選択するように構成されたプロセッサを含む、管理装置。
14. 前記プロセッサが、前記第１の相関関係を、
    前記複数のエッジデバイスの前記１つ以上から第１のデータと前記複数のエッジデバイスの残りの１つ以上から第２のデータとを取り込み、
    前記第１のデータは、前記複数のエッジデバイスの前記１つ以上に関連付けられた第１の静的デバイス情報を備え、前記第２のデータは、前記複数のエッジデバイスの前記残りの１つ以上に関連付けられた第２の静的デバイス情報を含み、
    前記第１のデータおよび前記第２のデータから、前記複数のエッジデバイスの前記１つ以上と、前記複数のエッジデバイスの前記残りの１つ以上の間の前記第１の相関関係を計算することと、によって、判定する、請求項１３に記載の管理装置。
15. 前記プロセッサが、前記第２の相関関係を、
    静的デバイス情報からの前記エッジデバイスのうちの前記１つ以上の間の前記第２の相関関係、プロセス情報、および過去の主要パフォーマンス指標であるＫＰＩから導出される前記複数のエッジデバイスの前記１つ以上の機械学習パフォーマンスパターンを計算することによって判定する、請求項１３に記載の管理装置。
16. 前記プロセッサは、前記複数のグループの各々に適用される前記モデルを、
    しきい値を満たす多数のデバイスを有する前記複数のグループの１つ以上の第１のグループを選択し、
    前記複数のグループの１つ以上の前記第１のグループから、しきい値を超える最高のグループ相関スコアを有する、前記複数のグループの１つ以上の第２のグループを選択し、
    前記第２のグループの各々に対して、前記第２のグループの前記各々の中の前記エッジデバイスの各々の間で最大平均主要パフォーマンス評価指標を有するモデルを選択することによって、選択する、請求項１３に記載の管理装置。
17. 前記プロセッサが、前記第１の相関関係を、
    前記複数のエッジデバイスの前記１つ以上から第１のデータと前記複数のエッジデバイスの残りの１つ以上から第２のデータとを取り込み、
    前記第１のデータは、前記複数のエッジデバイスの前記１つ以上に関連付けられた第１のプロセス情報を備え、前記第２のデータは、前記複数のエッジデバイスの前記残りの１つ以上に関連付けられた第２のプロセス情報を含み、
    前記第１のデータおよび前記第２のデータから、前記複数のエッジデバイスの前記１つ以上と、前記複数のエッジデバイスの前記残りの１つ以上の間の前記第１の相関関係を計算することによって判定する、請求項１３に記載の管理装置。

Images