JP2022547668A - 機械学習モデルの視覚的作成及び監視 - Google Patents
機械学習モデルの視覚的作成及び監視 Download PDFInfo
- Publication number
- JP2022547668A JP2022547668A JP2022514186A JP2022514186A JP2022547668A JP 2022547668 A JP2022547668 A JP 2022547668A JP 2022514186 A JP2022514186 A JP 2022514186A JP 2022514186 A JP2022514186 A JP 2022514186A JP 2022547668 A JP2022547668 A JP 2022547668A
- Authority
- JP
- Japan
- Prior art keywords
- machine learning
- learning model
- user interface
- source code
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 273
- 238000012549 training Methods 0.000 claims abstract description 98
- 238000000034 method Methods 0.000 claims abstract description 81
- 230000014509 gene expression Effects 0.000 claims abstract description 45
- 238000002474 experimental method Methods 0.000 claims description 65
- 230000006870 function Effects 0.000 claims description 27
- 230000000007 visual effect Effects 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 19
- 230000004913 activation Effects 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 description 78
- 238000013473 artificial intelligence Methods 0.000 description 49
- 238000013461 design Methods 0.000 description 47
- 239000003795 chemical substances by application Substances 0.000 description 19
- 230000008569 process Effects 0.000 description 13
- 210000004027 cell Anatomy 0.000 description 10
- 230000015572 biosynthetic process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000003786 synthesis reaction Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000012800 visualization Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000003012 network analysis Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000009635 antibiotic susceptibility testing Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks
- G06N3/105—Shells for specifying net layout
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
Abstract
Description
図1は、様々な実施形態の1つ以上の態様を実装するように構成されたシステムを例示する。示されるように、システム100は、ネットワーク150を介して共に結合されたクライアント110及びサーバ130を含む。クライアント110またはサーバ130は、デスクトップコンピュータ、ラップトップコンピュータ、モバイルデバイス、コンピューティングデバイスの仮想化インスタンス、並びに分散コンピュータシステム及び/またはクラウド方式コンピュータシステムなどを含む、いずれかの技術的に実現可能なタイプのコンピュータシステムであってもよい。ネットワーク150は、とりわけ、ローカルエリアネットワーク(LAN)、ワイドエリアネットワーク(WAN)、ワールドワイドウェブ、またはインターネットを含む、いずれかの技術的に実現可能な相互接続された通信リンクのセットであってもよい。クライアント110及びサーバ130は、ネットワーク150を介して通信するように構成される。
上記議論されたように、ニューラルネットワークアーキテクチャを定義及び実行するために、開発者は典型的には、習得するのが困難であり、根本的なネットワークアーキテクチャの詳細の多くを曖昧にすることが多い、厄介なツール及びライブラリを使用する。結果として、様々なツール及びライブラリにおける専門知識を有する小数の組の開発者によってのみニューラルネットワークを作成されることがある。更に、ネットワークアーキテクチャの根本的な詳細がツール及びライブラリのフレームワーク内で深く入れ子にされることを理由に、開発者は、アーキテクチャがどのように機能するか、またはアーキテクチャをどのように変更もしくは改善するかを理解しないことがある。ニューラルネットワーク定義パラダイムにおけるそれらの不備及び他の不備に対処するために、ニューラルネットワークアーキテクチャを定義するための数学的方式プログラミング及び実行フレームワークが以下で議論される。
上記言及されたように、GUI124は、ユーザがAI設計アプリケーション120とインタフェース接続することを可能にするコンポーネントを含む。それらのコンポーネントは、それらに限定されないが、オーバビューGUI206、特徴エンジニアリングGUI204、ネットワーク生成GUI202、ネットワーク解析GUI212、ネットワーク評価GUI222、ネットワーク記述GUI232を含む。以下で更に詳細に説明されるように、それらのコンポーネントは、機械学習モデル(例えば、機械学習モデル122)及び/または機械学習モデルを伴うプロジェクトの操作を作成し、訓練し、評価し、及び/またはそうでなければ監視するための処理及び技術を合理化することができる。
以下、本発明の好ましい実施形態を項分け記載する。
実施形態1
機械学習モデルを作成する方法であって、
機械学習モデルを視覚的に生成するための1つ以上のコンポーネントを含むユーザインタフェースを生成することと、
前記ユーザインタフェースを通じて受信されたユーザ入力に基づいて、前記機械学習モデルを定義した複数の数学的表現を指定したソースコードを修正することと、
実行されるとき、前記機械学習モデルの訓練の間に前記機械学習モデルの1つ以上のパラメータを学習させる、コンパイル済みコードに前記ソースコードをコンパイルすることと、
を備えた、前記方法。
実施形態2
前記ユーザ入力に基づいて、前記ユーザインタフェース内で前記機械学習モデルの視覚的表現を修正することを更に備えた、実施形態1に記載の方法。
実施形態3
前記視覚的表現は、前記機械学習モデルの1つ以上の層、前記1つ以上の層内の1つ以上のニューロン、前記機械学習モデルに入力された1つ以上の特徴、及び前記機械学習モデルの1つ以上の出力を含む、実施形態2に記載の方法。
実施形態4
前記視覚的表現は、前記1つ以上の層と関連付けられた層タイプ、前記1つ以上の層と関連付けられた活性化関数、及び前記機械学習モデルのモデルタイプを更に含む、実施形態3に記載の方法。
実施形態5
前記ユーザインタフェース内で、前記機械学習モデルと関連付けられた1つ以上の目的を管理するための1つ以上の追加のコンポーネントを出力することを更に備えた、実施形態1に記載の方法。
実施形態6
前記1つ以上の目的は、プロジェクトスケジュール、予測されることになるラベル、前記ラベルと関連付けられた性能メトリックについての閾値、及び前記機械学習モデルについての訓練データのソースのうちの少なくとも1つを含む、実施形態5に記載の方法。
実施形態7
前記ユーザインタフェース内で、前記機械学習モデルと関連付けられた1つ以上の実験を管理するための1つ以上の追加のコンポーネントを出力することを更に備えた、実施形態1に記載の方法。
実施形態8
前記1つ以上の追加のコンポーネントは、実験バージョン、データセットバージョン、前記機械学習モデルのモデルバージョン、及び実験ステータスを含む、実施形態7に記載の方法。
実施形態9
前記ユーザインタフェース内で、前記機械学習モデルを訓練した訓練結果と対話するための1つ以上の追加のコンポーネントを出力することを更に備えた、実施形態1に記載の方法。
実施形態10
前記1つ以上の追加のコンポーネントは、精密度-再現度曲線、混同行列、前記機械学習モデルについての訓練データセット、及び前記訓練データセットと関連付けられたフィルタのうちの少なくとも1つを含む、実施形態9に記載の方法。
実施形態11
前記コンパイル済みコードに前記ソースコードをコンパイルすることは、
前記ソースコードの抽象シンタックスツリー(AST)表現を生成することと、
前記AST表現に基づいて、前記コンパイル済みコードを生成することと、
前記ソースコードの構造に基づいて、前記機械学習モデル内の前記1つ以上のパラメータが学習されることになると判定することと、
を含む、実施形態1に記載の方法。
実施形態12
前記1つ以上のコンポーネントは、前記機械学習モデルを定義するための前記ソースコードの少なくとも一部を指定するためのコンポーネントを含む、実施形態1に記載の方法。
実施形態13
前記コンパイル済みコードを生成すると、前記機械学習モデル及び前記機械学習モデルを含む実験と関連付けられた1つ以上のバージョンを増加させることを更に備えた、実施形態1に記載の方法。
実施形態14
命令を記憶した非一時的コンピュータ可読媒体であって、前記命令は、プロセッサによって実行されるとき、前記プロセッサに、
機械学習モデルを視覚的に生成するための1つ以上のコンポーネントを含むユーザインタフェースを生成することと、
前記ユーザインタフェースを通じて受信されたユーザ入力に基づいて、前記機械学習モデルを定義した複数の数学的表現を指定したソースコードを修正することと、
実行されるとき、前記機械学習モデルの訓練の間に前記機械学習モデルの1つ以上のパラメータを学習させる、コンパイル済みコードに前記ソースコードをコンパイルすることと、
を備えたステップを実行させる、前記非一時的コンピュータ可読媒体。
実施形態15
前記ステップは、前記ユーザインタフェース内で、(i)前記機械学習モデルと関連付けられた1つ以上の目的、及び(ii)前記機械学習モデルと関連付けられた1つ以上の実験を管理するための1つ以上の追加のコンポーネントを出力することを更に備えた、実施形態14に記載の非一時的コンピュータ可読媒体。
実施形態16
前記1つ以上の追加のコンポーネントは、実験バージョン、データセットバージョン、前記機械学習モデルのモデルバージョン、及び実験ステータスを含む、実施形態15に記載の非一時的コンピュータ可読媒体。
実施形態17
前記ステップは、前記ユーザインタフェース内で、前記機械学習モデルを訓練した訓練結果と対話するための1つ以上の追加のコンポーネントを出力することを更に備えた、実施形態14に記載の非一時的コンピュータ可読媒体。
実施形態18
前記1つ以上の追加のコンポーネントは、精密度-再現度曲線、混同行列、前記機械学習モデルについての訓練データセット、及び前記訓練データセットと関連付けられたフィルタのうちの少なくとも1つを含む、実施形態17に記載の非一時的コンピュータ可読媒体。
実施形態19
前記視覚的表現は、前記機械学習モデルの1つ以上の層、前記1つ以上の層内の1つ以上のニューロン、前記機械学習モデルに入力された1つ以上の特徴、前記機械学習モデルの1つ以上の出力、前記1つ以上の層と関連付けられた層タイプ、前記1つ以上の層と関連付けられた活性化関数、または前記機械学習モデルのモデルタイプを含む、実施形態14に記載の非一時的コンピュータ可読媒体。
実施形態20
命令を記憶したメモリと、
前記メモリに結合されたプロセッサと、を備え、前記プロセッサは、前記命令を実行するとき、
機械学習モデルを視覚的に生成するための1つ以上のコンポーネントを含むユーザインタフェースを生成し、
前記ユーザインタフェースを通じて受信されたユーザ入力に基づいて、前記機械学習モデルを定義した複数の数学的表現を指定したソースコードを修正し、
実行されるとき、前記機械学習モデルの訓練の間に前記機械学習モデルの1つ以上のパラメータを学習させる、コンパイル済みコードに前記ソースコードをコンパイルし、
前記コンパイル済みコードを生成すると、前記機械学習モデル及び前記機械学習モデルを含む実験と関連付けられた1つ以上のバージョンを増加させる、
ように構成されている、システム。
Claims (20)
- 機械学習モデルを作成する方法であって、
機械学習モデルを視覚的に生成するための1つ以上のコンポーネントを含むユーザインタフェースを生成することと、
前記ユーザインタフェースを通じて受信されたユーザ入力に基づいて、前記機械学習モデルを定義した複数の数学的表現を指定したソースコードを修正することと、
実行されるとき、前記機械学習モデルの訓練の間に前記機械学習モデルの1つ以上のパラメータを学習させる、コンパイル済みコードに前記ソースコードをコンパイルすることと、
を備えた、前記方法。 - 前記ユーザ入力に基づいて、前記ユーザインタフェース内で前記機械学習モデルの視覚的表現を修正することを更に備えた、請求項1に記載の方法。
- 前記視覚的表現は、前記機械学習モデルの1つ以上の層、前記1つ以上の層内の1つ以上のニューロン、前記機械学習モデルに入力された1つ以上の特徴、及び前記機械学習モデルの1つ以上の出力を含む、請求項2に記載の方法。
- 前記視覚的表現は、前記1つ以上の層と関連付けられた層タイプ、前記1つ以上の層と関連付けられた活性化関数、及び前記機械学習モデルのモデルタイプを更に含む、請求項3に記載の方法。
- 前記ユーザインタフェース内で、前記機械学習モデルと関連付けられた1つ以上の目的を管理するための1つ以上の追加のコンポーネントを出力することを更に備えた、請求項1に記載の方法。
- 前記1つ以上の目的は、プロジェクトスケジュール、予測されることになるラベル、前記ラベルと関連付けられた性能メトリックについての閾値、及び前記機械学習モデルについての訓練データのソースのうちの少なくとも1つを含む、請求項5に記載の方法。
- 前記ユーザインタフェース内で、前記機械学習モデルと関連付けられた1つ以上の実験を管理するための1つ以上の追加のコンポーネントを出力することを更に備えた、請求項1に記載の方法。
- 前記1つ以上の追加のコンポーネントは、実験バージョン、データセットバージョン、前記機械学習モデルのモデルバージョン、及び実験ステータスを含む、請求項7に記載の方法。
- 前記ユーザインタフェース内で、前記機械学習モデルを訓練した訓練結果と対話するための1つ以上の追加のコンポーネントを出力することを更に備えた、請求項1に記載の方法。
- 前記1つ以上の追加のコンポーネントは、精密度-再現度曲線、混同行列、前記機械学習モデルについての訓練データセット、及び前記訓練データセットと関連付けられたフィルタのうちの少なくとも1つを含む、請求項9に記載の方法。
- 前記コンパイル済みコードに前記ソースコードをコンパイルすることは、
前記ソースコードの抽象シンタックスツリー(AST)表現を生成することと、
前記AST表現に基づいて、前記コンパイル済みコードを生成することと、
前記ソースコードの構造に基づいて、前記機械学習モデル内の前記1つ以上のパラメータが学習されることになると判定することと、
を含む、請求項1に記載の方法。 - 前記1つ以上のコンポーネントは、前記機械学習モデルを定義するための前記ソースコードの少なくとも一部を指定するためのコンポーネントを含む、請求項1に記載の方法。
- 前記コンパイル済みコードを生成すると、前記機械学習モデル及び前記機械学習モデルを含む実験と関連付けられた1つ以上のバージョンを増加させることを更に備えた、請求項1に記載の方法。
- 命令を記憶した非一時的コンピュータ可読媒体であって、前記命令は、プロセッサによって実行されるとき、前記プロセッサに、
機械学習モデルを視覚的に生成するための1つ以上のコンポーネントを含むユーザインタフェースを生成することと、
前記ユーザインタフェースを通じて受信されたユーザ入力に基づいて、前記機械学習モデルを定義した複数の数学的表現を指定したソースコードを修正することと、
実行されるとき、前記機械学習モデルの訓練の間に前記機械学習モデルの1つ以上のパラメータを学習させる、コンパイル済みコードに前記ソースコードをコンパイルすることと、
を備えたステップを実行させる、前記非一時的コンピュータ可読媒体。 - 前記ステップは、前記ユーザインタフェース内で、(i)前記機械学習モデルと関連付けられた1つ以上の目的、及び(ii)前記機械学習モデルと関連付けられた1つ以上の実験を管理するための1つ以上の追加のコンポーネントを出力することを更に備えた、請求項14に記載の非一時的コンピュータ可読媒体。
- 前記1つ以上の追加のコンポーネントは、実験バージョン、データセットバージョン、前記機械学習モデルのモデルバージョン、及び実験ステータスを含む、請求項15に記載の非一時的コンピュータ可読媒体。
- 前記ステップは、前記ユーザインタフェース内で、前記機械学習モデルを訓練した訓練結果と対話するための1つ以上の追加のコンポーネントを出力することを更に備えた、請求項14に記載の非一時的コンピュータ可読媒体。
- 前記1つ以上の追加のコンポーネントは、精密度-再現度曲線、混同行列、前記機械学習モデルについての訓練データセット、及び前記訓練データセットと関連付けられたフィルタのうちの少なくとも1つを含む、請求項17に記載の非一時的コンピュータ可読媒体。
- 前記視覚的表現は、前記機械学習モデルの1つ以上の層、前記1つ以上の層内の1つ以上のニューロン、前記機械学習モデルに入力された1つ以上の特徴、前記機械学習モデルの1つ以上の出力、前記1つ以上の層と関連付けられた層タイプ、前記1つ以上の層と関連付けられた活性化関数、または前記機械学習モデルのモデルタイプを含む、請求項14に記載の非一時的コンピュータ可読媒体。
- 命令を記憶したメモリと、
前記メモリに結合されたプロセッサと、を備え、前記プロセッサは、前記命令を実行するとき、
機械学習モデルを視覚的に生成するための1つ以上のコンポーネントを含むユーザインタフェースを生成し、
前記ユーザインタフェースを通じて受信されたユーザ入力に基づいて、前記機械学習モデルを定義した複数の数学的表現を指定したソースコードを修正し、
実行されるとき、前記機械学習モデルの訓練の間に前記機械学習モデルの1つ以上のパラメータを学習させる、コンパイル済みコードに前記ソースコードをコンパイルし、
前記コンパイル済みコードを生成すると、前記機械学習モデル及び前記機械学習モデルを含む実験と関連付けられた1つ以上のバージョンを増加させる、
ように構成されている、システム。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962899264P | 2019-09-12 | 2019-09-12 | |
US62/899,264 | 2019-09-12 | ||
US17/017,594 | 2020-09-10 | ||
US17/017,594 US20210081841A1 (en) | 2019-09-12 | 2020-09-10 | Visually creating and monitoring machine learning models |
PCT/US2020/050569 WO2021051006A1 (en) | 2019-09-12 | 2020-09-11 | Visually creating and monitoring machine learning models |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022547668A true JP2022547668A (ja) | 2022-11-15 |
JP7439242B2 JP7439242B2 (ja) | 2024-02-27 |
Family
ID=72645001
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022514186A Active JP7439242B2 (ja) | 2019-09-12 | 2020-09-11 | 機械学習モデルの視覚的作成及び監視 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20210081841A1 (ja) |
EP (1) | EP4028960A1 (ja) |
JP (1) | JP7439242B2 (ja) |
CN (1) | CN114365158A (ja) |
CA (1) | CA3153937A1 (ja) |
WO (1) | WO2021051006A1 (ja) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11481676B2 (en) * | 2019-08-27 | 2022-10-25 | Sap Se | Sensitivity in supervised machine learning with experience data |
US20220019936A1 (en) * | 2020-07-17 | 2022-01-20 | Servicenow, Inc. | Machine learning feature recommendation |
US11861470B2 (en) | 2020-08-13 | 2024-01-02 | State Farm Mutual Automobile Insurance Company | Simplistic machine learning model generation tool for predictive data analytics |
US11693632B2 (en) * | 2021-01-25 | 2023-07-04 | Cisco Technology, Inc. | Collaborative visual programming environment with cumulative learning using a deep fusion reasoning engine |
JP2022162454A (ja) * | 2021-04-12 | 2022-10-24 | 株式会社東芝 | 評価装置、評価方法、およびプログラム |
US11847436B2 (en) * | 2022-01-25 | 2023-12-19 | Hewlett Packard Enterprise Development Lp | Machine learning (ML) model-based compiler |
CN114821178A (zh) * | 2022-05-05 | 2022-07-29 | 中国科学院水生生物研究所 | 一种基于深度学习的模块化图像识别分类系统的处理方法 |
CN115080924B (zh) * | 2022-07-25 | 2022-11-15 | 南开大学 | 一种基于自然语言理解的软件许可证条款抽取方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017138220A1 (ja) * | 2016-02-12 | 2017-08-17 | ソニー株式会社 | 情報処理方法および情報処理装置 |
US20180307978A1 (en) * | 2017-04-19 | 2018-10-25 | International Business Machines Corporation | Multi-Modal Construction of Deep Learning Networks |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6446126B2 (ja) | 2015-04-17 | 2018-12-26 | Cocoro Sb株式会社 | 処理システム及びプログラム |
JP6007430B2 (ja) | 2015-05-20 | 2016-10-12 | 大澤 昇平 | 機械学習モデル設計支援装置、機械学習モデル設計支援方法、機械学習モデル設計支援装置用プログラム |
JP6603182B2 (ja) | 2016-07-22 | 2019-11-06 | ファナック株式会社 | 機械学習モデル構築装置、数値制御装置、機械学習モデル構築方法、機械学習モデル構築プログラム、及び記録媒体 |
US11681943B2 (en) * | 2016-09-27 | 2023-06-20 | Clarifai, Inc. | Artificial intelligence development via user-selectable/connectable model representations |
US9959498B1 (en) * | 2016-10-27 | 2018-05-01 | Google Llc | Neural network instruction set architecture |
US10719301B1 (en) * | 2018-10-26 | 2020-07-21 | Amazon Technologies, Inc. | Development environment for machine learning media models |
US20210012209A1 (en) * | 2019-07-08 | 2021-01-14 | Vian Systems, Inc. | Techniques for modifying neural network definitions |
US11610134B2 (en) * | 2019-07-08 | 2023-03-21 | Vianai Systems, Inc. | Techniques for defining and executing program code specifying neural network architectures |
US20210055915A1 (en) * | 2019-08-23 | 2021-02-25 | Google Llc | No-coding machine learning pipeline |
-
2020
- 2020-09-10 US US17/017,594 patent/US20210081841A1/en active Pending
- 2020-09-11 EP EP20780528.4A patent/EP4028960A1/en active Pending
- 2020-09-11 CN CN202080063420.8A patent/CN114365158A/zh active Pending
- 2020-09-11 WO PCT/US2020/050569 patent/WO2021051006A1/en unknown
- 2020-09-11 JP JP2022514186A patent/JP7439242B2/ja active Active
- 2020-09-11 CA CA3153937A patent/CA3153937A1/en active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017138220A1 (ja) * | 2016-02-12 | 2017-08-17 | ソニー株式会社 | 情報処理方法および情報処理装置 |
US20180307978A1 (en) * | 2017-04-19 | 2018-10-25 | International Business Machines Corporation | Multi-Modal Construction of Deep Learning Networks |
Non-Patent Citations (3)
Title |
---|
CHAO XIE ET AL.: "DeepVisual: A Visual Programming Tool for Deep Learning Systems", 2019 IEEE/ACM 27TH INTERNATIONAL CONFERENCE ON PROGRAM COMPREHENSION (ICPC) [ONLINE], JPN6023011587, 29 August 2019 (2019-08-29), pages 130 - 134, ISSN: 0005024141 * |
SRIKANTH TAMILSELVAM ET AL.: "A Visual Programming Paradigm for Abstract Deep Learning Model Development", ARXIV [ONLINE], JPN6023011588, 19 August 2019 (2019-08-19), ISSN: 0005024143 * |
赤石 雅典, WATSON STUDIOで始める機械学習・深層学習, vol. 第1版, JPN6023011590, 4 December 2018 (2018-12-04), JP, pages 77 - 83, ISSN: 0005024142 * |
Also Published As
Publication number | Publication date |
---|---|
JP7439242B2 (ja) | 2024-02-27 |
EP4028960A1 (en) | 2022-07-20 |
US20210081841A1 (en) | 2021-03-18 |
CN114365158A (zh) | 2022-04-15 |
CA3153937A1 (en) | 2021-03-18 |
WO2021051006A1 (en) | 2021-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7439242B2 (ja) | 機械学習モデルの視覚的作成及び監視 | |
Ciaburro et al. | Neural Networks with R: Smart models using CNN, RNN, deep learning, and artificial intelligence principles | |
US11681925B2 (en) | Techniques for creating, analyzing, and modifying neural networks | |
JP7329127B2 (ja) | ニューラルネットワークの動作を視覚化するための手法 | |
US10719645B1 (en) | Model structure analysis with integration of transformed slice | |
WO2014169158A1 (en) | Incremental compiling of a declarative program | |
Chotisarn et al. | A systematic literature review of modern software visualization | |
US20140310681A1 (en) | Assisted creation of control event | |
JP7233600B2 (ja) | ニューラルネットワークアーキテクチャを指定するプログラムコードを定義及び実行する技術 | |
WO2014169161A2 (en) | Binding of data source to compound control | |
JP7301210B2 (ja) | ニューラルネットワークの動作を変更するための手法 | |
Borodin et al. | COTS software integration for simulation optimization coupling: case of ARENA and CPLEX products | |
Mathew et al. | “SHORT” er Reasoning About Larger Requirements Models | |
Saabith et al. | A review on Python libraries and Ides for Data Science | |
Arlitt et al. | A generative human-in-the-loop approach for conceptual design exploration using flow failure frequency in functional models | |
US10970183B1 (en) | System and method for improving model performance | |
van den Wildenberg et al. | Easy Spark. | |
Voit et al. | Method to interpret algorithms and design workflows in the complex computer-aided design development | |
Yatsko et al. | Insight Into Theoretical and Applied Informatics: Introduction to Information Technologies and Computer Science | |
Boopathi et al. | Test data generation using flocking of fireflies in software testing | |
Al-Hamzi | Neural Network-based Framework for understanding Machine deep learning systems' open issues and future trends: A systematic literature review | |
Dyer | Lightweight Formal Methods in Scientific Computing | |
Bazurto Gómez | Visual regression testing for information visualizations | |
Rauf | Coverage Analysis for GUI Testing | |
Ilame | Machine Learning-Powered Programming: Exploring the Fusion of AI and Coding |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220330 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220330 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230316 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230329 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230621 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230823 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231115 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240117 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240214 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7439242 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |