JP6432859B2 - Service providing system and program - Google Patents
Service providing system and program Download PDFInfo
- Publication number
- JP6432859B2 JP6432859B2 JP2014172512A JP2014172512A JP6432859B2 JP 6432859 B2 JP6432859 B2 JP 6432859B2 JP 2014172512 A JP2014172512 A JP 2014172512A JP 2014172512 A JP2014172512 A JP 2014172512A JP 6432859 B2 JP6432859 B2 JP 6432859B2
- Authority
- JP
- Japan
- Prior art keywords
- user
- data
- learning
- server
- model
- 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.)
- Active
Links
- 238000013473 artificial intelligence Methods 0.000 claims description 125
- 238000010801 machine learning Methods 0.000 claims description 50
- 230000005540 biological transmission Effects 0.000 claims description 24
- 238000009795 derivation Methods 0.000 claims description 2
- 238000006467 substitution reaction Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 description 107
- 230000008569 process Effects 0.000 description 96
- 238000010295 mobile communication Methods 0.000 description 89
- 210000003205 muscle Anatomy 0.000 description 85
- 238000012549 training Methods 0.000 description 84
- 238000012545 processing Methods 0.000 description 57
- 230000006870 function Effects 0.000 description 45
- 238000001514 detection method Methods 0.000 description 42
- 230000008451 emotion Effects 0.000 description 40
- 238000012552 review Methods 0.000 description 29
- 238000004891 communication Methods 0.000 description 26
- 230000008859 change Effects 0.000 description 23
- 238000012423 maintenance Methods 0.000 description 14
- 230000002787 reinforcement Effects 0.000 description 14
- 241000282412 Homo Species 0.000 description 12
- 230000009471 action Effects 0.000 description 11
- 230000004044 response Effects 0.000 description 11
- 238000003860 storage Methods 0.000 description 11
- 230000002996 emotional effect Effects 0.000 description 10
- 238000007689 inspection Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000014759 maintenance of location Effects 0.000 description 9
- 101100133569 Homo sapiens GNL2 gene Proteins 0.000 description 7
- 102100034507 Nucleolar GTP-binding protein 2 Human genes 0.000 description 7
- 125000002066 L-histidyl group Chemical group [H]N1C([H])=NC(C([H])([H])[C@](C(=O)[*])([H])N([H])[H])=C1[H] 0.000 description 6
- 238000011084 recovery Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000000737 periodic effect Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 239000004984 smart glass Substances 0.000 description 4
- 238000000137 annealing Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000001404 mediated effect Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000007087 memory ability Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Description
本発明は、たとえば、人工知能による機械学習を利用したサービス提供システムおよびプログラムに関する。詳しくは、人工知能による機械学習を利用したサービスを提供するサービス提供システム、および、人工知能による機械学習を利用したサービスをユーザが受けるためにコンピュータにより実行されるプログラムに関する。 The present invention relates to a service providing system and program using machine learning by artificial intelligence, for example. More particularly, the present invention relates to a service providing system that provides a service using machine learning using artificial intelligence, and a program executed by a computer so that a user can receive a service using machine learning using artificial intelligence.
人工知能による機械学習を行なうために複数の情報源のそれぞれから学習データを作成するものがあった（例えば、特許文献１）。 In order to perform machine learning using artificial intelligence, there is one that creates learning data from each of a plurality of information sources (for example, Patent Document 1).
しかし、機械学習のための学習データは膨大な量必要であり、この膨大な学習データを作成するためには、情報源から必要な情報を大量に収集しなければならず、機械学習を実用化するためには、この情報収集に要する労力とコストを抑えることが必要不可欠である。 However, an enormous amount of learning data is required for machine learning, and in order to create such an enormous amount of learning data, a large amount of necessary information must be collected from information sources, and machine learning is put to practical use. In order to do this, it is essential to reduce the labor and cost required to collect this information.
また、例えば、不特定多数の大衆から大量の情報を収集して膨大な学習データにより機械学習を行なってモデル化された一般的なモデルは、不特定多数の大衆全体についての平均的なモデルとなってしまう傾向があり、その一般的モデルを用いて各々個人差のある各ユーザにサービスを提供した場合には、その平均から外れているユーザにはマッチしないサービスとなってしまう虞が生じる。 In addition, for example, a general model modeled by collecting a large amount of information from an unspecified large number of people and performing machine learning with a large amount of learning data is an average model for the entire unspecified large number of people. If the general model is used to provide a service to each user having individual differences, there is a possibility that the service does not match a user who is out of the average.
本発明は、かかる実情に鑑み考え出されたものであり、その目的は、学習データを作成するために必要な膨大な量の情報収集に要する労力とコストを抑えることである。さらなる目的は、機械学習の結果の一般的なモデルを用いたサービスがユーザにマッチしない場合が生じる不都合を解決することである。 The present invention has been conceived in view of such circumstances, and an object of the present invention is to reduce the labor and cost required for collecting an enormous amount of information necessary for creating learning data. A further object is to solve the disadvantage that a service using a general model of machine learning results may not match the user.
次に、課題を解決するための各種手段と実施の形態との対応関係の一例を以下に括弧書で示す。 Next, an example of the correspondence between various means for solving the problem and the embodiment is shown in parentheses below.
本発明は、人工知能による機械学習を利用したサービスを提供するサービス提供システム（例えば、図９と図１０等）であって、
ユーザから送られてくる複数ユーザ分の情報（例えば、ユーザ７０が見ている映像や視線の位置、音声、ＧＰＳ位置データなどのアラウンドデータ等）を基にした学習データを入力して機械学習によりモデル化した一般的なモデル（例えば、暗記学習モデルTi=T0・I、筋トレモデルFi=F0+(i-1)/a等）を生成するための機械学習手段（例えば、Ｓ１８９、Ｓ２１４、図１５等）と、
ユーザから送られてくる当該ユーザ１人分の情報に基づいて前記一般的なモデルを当該ユーザに適したモデルにパーソナライズ化するためのパーソナライズ化手段（例えば、Ｓ１９１とＳ２０４、Ｓ２２３とＳ２２８等）と、
前記パーソナライズ化されたモデルを用いて当該ユーザにパーソナライズ化されたサービス（例えば、最も効率的な復習計画に基づいた学習事項の提供、最も効率的な筋トレ計画に基づいた筋トレメニューの提供等）を提供するサービス提供手段（例えば、Ｓ２０６、Ｓ２２９等）と、を備え、
前記ユーザから送られてくる情報を前記機械学習と前記パーソナライズ化との両方に利用し、
前記パーソナライズ化されたモデルは、当該パーソナライズ化に用いられた前記ユーザ１人分の情報の送信元を特定可能であり（例えば、図１０のユーザＩＤ：１、ユーザＩＤ：２、ユーザＩＤ：３）、
前記パーソナライズ化されたモデルを用いて提供される前記サービスを、当該パーソナライズ化されたモデルにより特定可能な前記送信元のユーザが享受する（例えば、Ｓ２０６、Ｓ２０７）。
The present invention is a service providing system (for example, FIG. 9 and FIG. 10) that provides a service using machine learning by artificial intelligence,
Machine learning is performed by inputting learning data based on information for a plurality of users sent from a user (for example, video data viewed by the
Personalization means (for example, S191 and S204, S223 and S228, etc.) for personalizing the general model into a model suitable for the user based on information for one user sent from the user; ,
Services personalized to the user using the personalized model (for example, provision of learning items based on the most efficient review plan, provision of muscle training menu based on the most efficient muscle training plan, etc.) Service providing means (for example, S206, S229, etc.) for providing
Using information sent from the user for both the machine learning and the personalization ,
The personalized model can specify the transmission source of the information for one user used for the personalization (for example, user ID: 1, user ID: 2, user ID: 3 in FIG. 10). ),
Wherein the service to be provided using a personalized model, user identifiable the sender by the personalized model to enjoy (e.g., S206, S207).
このような構成によれば、機械学習の結果を利用したサービスをユーザに提供することにより、多数のユーザが自ら率先して学習データのための情報提供を行なうようになる。しかも、ユーザから提供された情報が、一般的なモデルを当該ユーザに適したモデルにパーソナライズ化するためのも用いられるために、各ユーザが学習データのための情報提供を他人任せにしてサービスだけ享受するという不都合を極力防止できる。 According to such a configuration, by providing a user with a service using the result of machine learning, a large number of users take the initiative to provide information for learning data. Moreover, since the information provided by the user is also used to personalize a general model into a model suitable for the user, each user can only provide information for learning data and provide services. The inconvenience of enjoying can be prevented as much as possible.
好ましくは、前記機械学習手段は、ユーザ毎に差異のある要素（例えば、暗記力や筋トレ用の初期負荷や負荷増加係数などの個人の能力差、嗜好等）を定数（例えばT0,F0,a等）として前記一般的なモデルを生成し（例えば、Ｓ１８９、Ｓ２１４、図１５等）、
前記パーソナライズ化手段は、
ユーザから送られてくる情報に基づいて、前記一般的なモデル中の定数部分に当てはまる当該ユーザの実際の値（例えばTK,FK,az,CT等）を導出するための値導出手段（例えば、Ｓ１９１、Ｓ２２３等）と、
該値導出手段により導出された実際の値を前記一般的なモデル中の定数部分に代入して当該ユーザに適したモデルにパーソナライズ化するための代入手段（例えば、Ｓ２０４、２２８等）と、を含む。
より好ましくは、前記機械学習手段は、専門業者（例えば、筋トレ専門業者等）から送られてくる情報を基にした学習データも入力して機械学習によりモデル化した一般的なモデルを生成する（例えば、Ｓ２１４等）。
Preferably, the machine learning means uses constants (for example, T0, F0, etc.) that have different elements for each user (for example, personal ability differences such as memorization ability, initial load for muscle training, load increase coefficient, etc.). a) and the like as a general model (for example, S189, S214, FIG. 15, etc.)
The personalization means is:
Based on the information sent from the user, a value deriving means (for example, TK, FK, az, CT, etc.) for deriving the actual value of the user that applies to the constant part in the general model (for example, S191, S223, etc.)
Substitution means (for example, S204, 228, etc.) for substituting the actual value derived by the value derivation means into a constant part in the general model and personalizing it into a model suitable for the user, Including.
More preferably, the machine learning means also inputs learning data based on information sent from a specialist (for example, a muscle training specialist) and generates a general model modeled by machine learning. (For example, S214) .
[IoT用デバイス仲介システム]
先ず、図１〜図８に基づいてIoT用デバイス仲介システムを説明する。IoTとは、Internet of Thingsの略で、モノがインターネットプロトコルでネットワークされており、モノが自ら信号をインターネット上に発信するものである。IoT用デバイス仲介システムとは、インターネットに接続して通信するための機能を備えていないIoT用デバイス（IoT用の各種センサやアクチュエータ等）群２に対しユーザのモバイル通信装置３が通信を仲介し、IoT用デバイス群２をモバイル通信装置３経由でインターネット１に接続して通信可能にするためのシステムである。
[Device brokerage system for IoT]
First, an IoT device mediation system will be described with reference to FIGS. IoT is an abbreviation of Internet of Things, where things are networked using the Internet protocol, and things send their own signals over the Internet. The IoT device mediation system means that the user's
図１の全体システムを参照し、インターネット１に、ユーザのウェアラブルコンピュータ等で代表されるモバイル通信装置３と、ユーザ宅のロボット６と、ユーザ宅のパーソナルコンピュータ（以下「ＰＣ」と言う）７と、IoTサーバ８と、人工知能サーバ９と、各種専門業者のＰＣ１０と、ＳＮＳサーバ１１とが接続されて、互いに通信可能に構成されている。モバイル通信装置３は、IoT用デバイス群２とワイヤレスセンサネットワーク４とデジタルメニューボード等のディスプレー群５と通信するための機能を備えている。通信方式としては、例えば、Wi-FiやBluetooth、Wi-Fi Direct、Zigbee（登録商標）、Zwave、Ant+などを想定している。また、OSとしてはiOSやAndroid、Linux（登録商標）、Tizen、およびその他のリアルタイムOSへ対応する。送受信用の無線規格としてIEEE802.15.４を採用する。また、Internet ProtocolとしてIPv6（Internet Protocol Version 6）を採用する。
Referring to the entire system shown in FIG. 1, a
ワイヤレスセンサネットワーク４とは、複数のセンサ付無線端末を空間に散在させ、それらが協調して環境や物理的状況を採取することを可能とする無線ネットワークのことである。例えばエネルギーハーベスティングかM2Mあるいは電池などでセンサ装置を作り、例えば金属疲労の劣化等を圧力センサやゲージセンサで常時モニターしておき、その変化があると知らせる。主に橋梁やトンネル等の建造物に設置される。一般的に、複数のセンサノードとゲートウェイセンサノードとを含む。それらノードは、通常1個以上のセンサ、無線チップ、マイクロプロセッサ、電源（電池など）により構成される。ノードの制御回路のハードウェア構成は、図２（ａ）に示すものと同じである。ワイヤレスセンサネットワークは、通常、アドホック(ad hoc)機能と、各ノードから中枢ノードへデータを送るためのルーティング機能(routing algorithm)を持つ。つまり、ノード間の通信に障害がでると別の通信経路を自律的に再構築する機能がある。ノードがグループとして連携するため分散処理の要素もある。加えて、外部から電力供給を受けずに長期間動作する機能もあり、そのために省電力機能または自己発電機能を持つ。本実施の形態では、ワイヤレスセンサネットワーク４は、IoT用デバイス群２の一種である。
The
IoTサーバ８は、IoT用デバイスのデータベース（以下「ＤＢ」と言う）であるIoT用デバイスＤＢ１５に対してデータの書込みおよび読出しが可能である。人工知能サーバ９は、人工知能ＤＢ１７とユーザＤＢ１２と学習ＤＢ６０とに対してデータの書込みおよび読出しが可能である。ＳＮＳサーバはＳＮＳＤＢ１３に対してデータの書込みおよび読出しが可能である。
The
次に、図２（ａ）を参照して、IoT用デバイス２の制御回路のハードウェア構成を説明する。IoT用デバイス群２は、地球上に隈なく設置されたセンサやアクチュエータであり、全体をコントロールするためのＣＰＵ（Central Processing Unit）１８と、各種機能を実行するためのプログラムを保存したＲＯＭ（Read Only Member）２０と、ＣＰＵ１８のワークエリアであるＲＡＭ（Random Access Memory）１９と、例えばWi-FiやBluetooth（登録商標）、Wi-Fi Direct、Zigbee、Zwave、Ant+などを用いた無線通信インタフェース部２２とを含む。IoT用デバイス２がセンサの場合にはセンサ部１４を含む。一方、IoT用デバイス２がアクチュエータの場合には、上記センサブ１４の代わりにまたはそれに加えて、アクチュエータ部２１が設けられる。ＣＰＵ１８とＲＡＭ１９、ＲＯＭ２０、無線通信インタフェース部２２、センサ部１４、アクチュエータ部２１は、信号のやり取りが可能に接続されている。
Next, the hardware configuration of the control circuit of the
次に、図２（ｂ）を参照して、モバイル通信装置３の一例のウェアラブルコンピュータの制御回路のハードウェア構成を説明する。このウェアラブルコンピュータ３はスマートグラス等で代表されるものであり、ＣＰＵ２３、ＲＡＭ２４およびＲＯＭ２５、ＥＥＰＲＯＭ（Electronically Erasable and Programmable Read Only Memory）２６がバス２７により接続されている。ＣＰＵ２３、ＲＡＭ２４およびＲＯＭ２５の働きは、IoT用デバイス２における上述した説明と基本的に同じである。ＥＥＰＲＯＭ２６には、インターネット１を通じてダウンロードしたアプリケーションプログラム等が記憶されている。
Next, a hardware configuration of a control circuit of a wearable computer as an example of the
バス２７は、インタフェース部２８を介して種々のデバイスが接続されている。例えば、ユーザの周辺の映像（ユーザの視線方向の映像等）を撮影するデジタルビデオカメラ入力部２９、スマートグラスのレンズ部に情報等をオーバーレイ表示する表示部３０、基地局と無線通信してインターネット１を介してサーバ等とデータ通信する無線通信処理部３１、ユーザがウェアラブルコンピュータ３のＣＰＵ２３に希望する機能を実行させるための入力操作部３２、ユーザが音声により通話をするための音声出力部３３と音声入力部３４、衛星からのＧＰＳ情報と基地局からの電波と無線ＬＡＮアクセスポイントからの無線電波とに基づいて、現在位置を取得するための位置情報取得部３５、Wi-FiやBluetooth、Wi-Fi Direct、Zigbee、Zwave、Ant+などを用いてIoT用デバイス群２と通信する無線通信インタフェース部３６、ユーザの視線位置を検出して、デジタルビデオカメラ入力部２９で撮影した映像でのユーザ視線の位置を特定するための視線位置検出部３７、各種センサ３８などが、インタフェース部２８に接続されている。
Various devices are connected to the
入力操作部３２は、ユーザによる手動操作を受付けるものばかりでなく、ユーザのジェスチャや特定のウインク等による指示も受付ける。なお、ユーザの音声による指示は音声入力部３４により受付ける。各種センサ３８は、ウェアラブルコンピュータ３に取り付けられた気温や湿度や照度や紫外線等のセンサである。なお、この図２（ａ）に示したハードウェア構成に対し、各種センサ３８を削除してムーブメント用駆動回路を追加したものが、ロボットの制御回路のハードウェア構成となる。
The
次に、図３に基づいて、ＰＣや各種サーバ７〜１１の制御回路のハードウェア構成を説明する。前述と同様に、ＣＰＵ４０、ＲＡＭ４１およびＲＯＭ４２がバス４３により接続されている。そのバス４３が接続されているインタフェース部４４には、インターネット１等との通信部４５、オペレータに映像や情報を表示する表示部４６、オペレータからの操作を受付ける入力操作部４７が接続されている。
Next, the hardware configuration of the control circuits of the PC and the
次に、図４に基づいて、モバイル通信装置３のＣＰＵ２３と人工知能サーバ９のＣＰＵ４０とが実行する制御処理のメインプログラムのフローチャートを説明する。モバイル通信装置３はＳ１によりIoT用処理を行なう。これは、IoT用デバイス群２とインターネット１とをモバイル通信装置３が仲介して接続し、IoT用デバイス（センサ）２の検出データをIoTサーバ８へ送信し、IoTサーバ８からの指令信号（アクチュエータ制御信号）をIoT用デバイス（アクチュエータ）２へ送信するための処理である。
Next, a flowchart of a main program of control processing executed by the
次に、モバイル通信装置３はＳ２により外部ディスプレー処理を行なうと共に人工知能サーバ９はＳ３によりディスプレー処理を行なう。これは、ユーザがインターネット上にアップロードしている動画や静止画等をデジタルメニューボード等のディスプレー５に表示させるための処理である。次に、モバイル通信装置３はＳ４によりアラウンドデータ端末処理を行なうと共に人工知能サーバ９はＳ５によりアラウンドデータサーバ処理を行なう。これは、ウェアラブルコンピュータ等のモバイル通信装置３によりユーザ周りの映像や音声を人工知能サーバ９で収集して機械学習用の情報として利用するための処理である。
Next, the
次に、モバイル通信装置３はＳ７によりパーソナルサービス端末処理を行なうと共に人工知能サーバ９はＳ８によりパーソナルサービスサーバ処理を行なう。これは、人工知能による機械学習の結果を利用してパーソナライズされたサービスをユーザに提供するための処理である。次に、モバイル通信装置３はＳ９により対話端末処理を行なうと共に人工知能サーバ９はＳ１０により対話サーバ処理を行なう。これは、ユーザと人工知能とが各種の対話を行なうための処理である。次に、モバイル通信装置３はＳ１１によりタスク端末処理を行なうと共に人工知能サーバ９はＳ１２によりタスクサーバ処理を行なう。これは、ユーザの仕事上の質問や相談に機械学習を終えた人工知能が応答するための処理である。
Next, the
次に、図５〜図８に基づいて、上記Ｓ１に示したIoT用処理のサブルーチンプログラムのフローチャートを説明する。先ず図５を参照して、IoT用デバイス（センサ）２とモバイル通信装置３とIoTサーバ８とで行われる処理を説明する。
Next, a flowchart of the subroutine program for the IoT process shown in S1 will be described with reference to FIGS. First, processing performed by the IoT device (sensor) 2, the
IoT用デバイス（センサ）２のＣＰＵ１８は、Ｓ２０によりセンサ部１４による検出データをＲＡＭ１９に記憶する処理を行ない、Ｓ２１により送信指令信号を受信したか否かの判定を行ない、受信していない場合にはＳ２０に戻り、Ｓ２０→２１→Ｓ２０のループを繰り返し巡回する。
When the
一方、モバイル通信装置３のＣＰＵ２３は、Ｓ２２で、ＧＰＳ情報と基地局からの電波と無線ＬＡＮアクセスポイントからの無線電波等に基づいた位置情報をIoTサーバ８へ送信する。それをＳ２４により受信したIoTサーバ８は、Ｓ２５によりIoT用デバイスＤＢ１５を検索し、位置情報を送信してきたモバイル通信装置３の近辺に受信したいIoT用デバイス２が存在するか否かを、Ｓ２６により判定する。IoTサーバ８は、IoT用デバイス(センサ)２の検出データを定期的に収集するのが理想であり、IoT用デバイスＤＢ１５を検索して定期受信時期が来たIoT用デバイス(センサ)２を割出す。受信したいIoT用デバイス２が存在する場合には、Ｓ２６によりＹＥＳの判定がなされて制御がＳ２７へ進み、受信用の指令信号をモバイル通信装置３へ送信する。
On the other hand, the
一方、受信したいIoT用デバイス２が存在しない場合には、Ｓ２６によりＮＯの判定がなされて制御がＳ３８へ進み、近辺に指令信号（アクチュエータ制御信号）を送信したいIoT用デバイス（アクチュエータ）２が存在するか否か判定する。存在する場合には制御がＳ３９に進み、送信用の指令信号と送信情報（アクチュエータ部２１を制御するための情報）とをモバイル通信装置３へ送信する。Ｓ２７またはＳ３９による指令信号を受信したモバイル通信装置３は、Ｓ２３によりＹＥＳの判定を行なって制御がＳ２８へ進み、その受信した指令信号が受信用であるか否か判定する。Ｓ３８により送信されてきた送信用の指令信号の場合には制御がＳ４７に移行するが、Ｓ２７により送信されてきた受信用の指令信号の場合には制御がＳ２９に進み、送信指令信号を近辺のIoT用デバイス（センサ）２へ送信する。
On the other hand, if there is no
それをＳ２１で受信したモバイル通信装置３は、Ｓ３０により、ＲＡＭに記憶されている検出データとデバイスＩＤとをモバイル通信装置３へ送信して、Ｓ２０に戻る。それをＳ３１で受信したモバイル通信装置３は、その受信データをＳ３２によりIoTサーバ８へ送信する。それをＳ３３で受信したモバイル通信装置３は、Ｓ３４により、IoT用デバイスＤＢ１５の記憶データの内、受信したデバイスＩＤに対応するIoT用デバイスの記憶データを受信したデータに更新する。
The
次にIoTサーバ８は、Ｓ３５により特典の一例のポイントをモバイル通信装置３へ送信した後制御がＳ６１へ移行する。それをＳ３６で受信したモバイル通信装置３は、ＥＥＰＲＯＭ２６に記憶されているポイントを加算更新した後（Ｓ３７）、制御がＳ６０へ移行する。このＥＥＰＲＯＭ２６に記憶されているポイントは、IoTサーバ８を運営している業者から種々のサービスを受けるために使用可能である。例えば、ポイントを使って、高速道路の料金を支払ったり、ＪＲや私鉄の乗車券や定期券を購入したりできる。また、ポイントを換金できるようにしてもよい。これにより、ユーザにIoT用デバイスの仲介に対するインセンティブを与えることができる。
Next, the
一方、Ｓ３８によりＮＯと判定された場合には制御がＳ４０へ進み、受信したいモバイル通信装置３の各種センサ３８があるか否か判断する。つまり、Ｓ２４で受信した位置情報に位置するモバイル通信装置３に設けられている各種センサ３８の内、当該地理的位置での検出データを送信してもらいたいものがあるか否か判定する。ない場合には制御がＳ２４へ移行するが、ある場合には制御がＳ６２へ移行する。
On the other hand, if it is determined NO in S38, the control proceeds to S40, and it is determined whether there are
次に、図６を参照して、IoT用デバイス（アクチュエータ）２に対する処理を説明する。IoT用デバイス（アクチュエータ）２は、IoTサーバ８から送信されてきてＲＡＭ１９に記憶している送信情報に基づいた動作制御処理を行なう（Ｓ４５）。次に、Ｓ４６により、モバイル通信装置３からの受信指令信号を受信したか否かの判定を行なう。受信していない場合には制御がＳ４５の戻り、Ｓ４５→Ｓ４６→Ｓ４５のループを繰り返し巡回する。この状態で、送信用の指令信号と送信情報とを受信したモバイル通信装置３は、Ｓ４７により、受信指令信と送信情報とをIoT用デバイス（アクチュエータ）２へ送信する。それを受信したIoT用デバイス（アクチュエータ）２は、Ｓ４６によりＹＥＳの判定を行ない、制御がＳ４８に進み、その受信した送信情報（アクチュエータ部２１を制御するための情報）をＲＡＭ１９に記憶し、Ｓ４９により、受信完了信号とデバイスＩＤとをモバイル通信装置３へ送信する。
Next, processing for the IoT device (actuator) 2 will be described with reference to FIG. The IoT device (actuator) 2 performs an operation control process based on transmission information transmitted from the
それをＳ５０により受信したモバイル通信装置３は、Ｓ５１により、完了信号をIoTサーバ８に送信する。それをＳ５２で受信したIoTサーバ８は、Ｓ５３により、デバイスＩＤに基づいてIoT用デバイスＤＢを検索し、デバイスＩＤに対応するデータを更新する。例えば、「○時○分△×送信情報を送信済み」等のように更新する。そして、Ｓ５４によりポイントをモバイル通信装置３へ送信した後、制御がＳ６１へ移行する。それをＳ５５で受信したモバイル通信装置３は、ＥＥＰＲＯＭ２６に記憶されているポイントを加算更新する（Ｓ５６）。その後、制御がＳ６０へ移行する。
The
Ｓ６０では、IoTサーバ８から、モバイル受信用の指令信号とデータ特定信号とを受信したか否か判定され、受信していない場合には、制御がＳ８４へ移行する。一方、IoTサーバ８は、Ｓ２４により受信した位置において受信したいモバイル通信装置３の各種センサ３８があると判断した場合には、Ｓ４０によりＹＥＳと判断し、Ｓ６２により、モバイル受信用の指令信号とデータ特定信号とを送信する。それを受信したモバイル通信装置３は、Ｓ６０によりＹＥＳと判定して制御がＳ６３へ進み、データ特定信号で特定されたデータ（温度や湿度や照度や紫外線等）は検出所要時間を要するか否かの判断を行なう。照度や紫外線の場合には、一瞬で検出でき検出所要時間を要しないため、Ｓ６３によりＮＯと判断されて制御がＳ６４に進み、特定されたデータを対応するセンサ３８で検出する処理を行ない、その検出データをIoTサーバ８へ送信する（Ｓ６５）。
In S60, it is determined whether or not the mobile reception command signal and the data specifying signal are received from the
それをＳ６６で受信したIoTサーバ８は、Ｓ６７により、IoT用デバイスＤＢ１５を検索して受信した新たな検出データに更新する。そして、Ｓ６８によりポイントをモバイル通信装置３へ送信する。それをＳ６９で受信したモバイル通信装置３は、ＥＥＰＲＯＭ２６に記憶されているポイントを加算更新する（Ｓ７０）。その後、制御がＳ８４へ移行する。
The
一方、温度や湿度のように、データ特定信号で特定されたデータが検出所要時間を要する場合には、Ｓ６３でＹＥＳの判定がなされ、制御がＳ７１へ進み、表示部３０により検出所要時間（例えば３０秒等）をユーザに報知する。それを見たユーザは、センサ検出データの送信に協力する場合には、現在位置で３０秒間とどまり検出が完了するのを待つが、協力する気がない場合には、とどまることなく移動する。Ｓ７１による報知後Ｓ７２により、特定されたデータを対応するセンサ３８で検出処理を行ない、Ｓ７３で検出が完了したか否か判定し、未だ完了していない場合には、Ｓ７４により検出エリア内にとどまっているか否か判定し、とどまっている場合にはＳ７２へ戻るループを繰り返し実行する。検出が完了する前にユーザのモバイル通信装置３が検出エリア外に移動した場合には、制御がＳ８４へ移行するが、検出が完了するまでユーザのモバイル通信装置３が検出エリア内にとどまっていた場合には、制御がＳ７５に進み、検出データをIoTサーバ８へ送信した後、制御がＳ６９へ移行する。
On the other hand, if the data specified by the data specifying signal such as temperature and humidity requires the required detection time, YES is determined in S63, the control advances to S71, and the
それをＳ６６で受信したIoTサーバ８は、Ｓ６７により、IoT用デバイスＤＢ１５を検索して受信した新たな検出データに更新する。そしてＳ６８によりポイントをモバイル通信装置３へ送信する。それをＳ６９で受信したモバイル通信装置３は、ＥＥＰＲＯＭ２６に記憶されているポイントを加算更新する（Ｓ７０）。その後、制御がＳ８４へ移行する。
The
なお、図５〜図７に示した制御では、IoT用デバイス群２とIoTサーバ８との間で情報のやり取りの必要があるIoT用デバイスが存在するか否かを判定するための判定手段（例えばＳ２６、Ｓ３８、Ｓ４９等）をIoTサーバ８側に設けたものを示したが、この判定手段をIoT用デバイス群２側に設けてもよい。これにより、IoTサーバ８側の制御負担を軽減できる。
In the control shown in FIG. 5 to FIG. 7, determination means for determining whether or not there is an IoT device that needs to exchange information between the
次に、図８を参照してワイヤレスセンサネットワーク４に対する処理を説明する。ワイヤレスセンサネットワーク４は、Ｓ８０により、各センサの検出データを収集しセンサＩＤ毎に対応付けて記憶する。次に、Ｓ８１により、その各検出データ中に緊急送信すべきものがあるか否か判定する。緊急送信すべきものがないときには、制御がＳ８２に進み、定期送信時（例えば２４時間毎）になったか否か判定する。定期送信時になっていない場合には制御がＳ８０に戻り、Ｓ８０→Ｓ８１→Ｓ８２のループを繰り返し巡回する。
Next, processing for the
このループの巡回途中で、ワイヤレスセンサネットワーク４側で判断することのできる明らかな異常が各検出データ中から見つかり、緊急送信すべきものがあるとＳ８１により判断された場合には、制御がＳ８３に進む。またＳ８２により定期送信時期になったと判定された場合にも制御がＳ８３に進む。
If a clear abnormality that can be determined on the
Ｓ８３では、送信信号を発信する処理がなされる。次にＳ８６により、モバイル通信装置３からの応答信号を受信したか否かの判定を行ない、受信していない場合はＳ８０に戻り、Ｓ８０〜Ｓ８３→Ｓ８６→Ｓ８０のループを繰り返し巡回する。
In S83, processing for transmitting a transmission signal is performed. Next, in S86, it is determined whether or not a response signal from the
この状態で、モバイル通信装置３を持ったユーザがワイヤレスセンサネットワーク４の近くを通りかかった時に、Ｓ８３による送信信号を受信し、Ｓ８４によりＹＥＳの判定を行ない、制御がＳ８５に進む。モバイル通信装置３は、Ｓ８５により応答信号をワイヤレスセンサネットワーク４へ送信し、それを受信したワイヤレスセンサネットワーク４はＳ８６によりＹＥＳの判定を行ない、制御がＳ８７へ進む。ワイヤレスセンサネットワーク４は、Ｓ８０により収集した検出データをセンサＩＤ毎にモバイル通信装置３へ送信する（Ｓ８７）。それをＳ８９により受信したモバイル通信装置３は、Ｓ９０により、その受信した検出データとセンサＩＤとを送信信号と共にIoTサーバ８へ送信する。
In this state, when the user with the
すると、IoTサーバ８は、Ｓ６１によりＹＥＳの判定を行ない、制御がＳ９１に進み、受信した検出データ中に緊急検出データがあればそれをセンサＩＤと共に異常報知した後、Ｓ９２により、検出データのセンサＩＤに基づいてワイヤレスセンサＤＢ１６を検索して検出データを受信した新たなものに更新する。次にＳ９３により、ポイントをモバイル通信装置３へ送信した後制御がＳ２４へ戻る。それをＳ９４で受信したモバイル通信装置３は、ＥＥＰＲＯＭ２６に記憶されているポイントを加算更新した後（Ｓ９５）、リターンして制御がＳ２へ移行する。
Then, the
なお、図８に示した制御では、ワイヤレスセンサネットワーク４とIoTサーバ８との間で情報のやり取りの必要があるIoT用デバイスが存在するか否かを判定するための判定手段（例えばS８２）をワイヤレスセンサネットワーク４側に設けたものを示したが、この判定手段をIoTサーバ８側に設けてもよい。
In the control shown in FIG. 8, a determination means (for example, S82) for determining whether or not there is an IoT device that needs to exchange information between the
以上説明したIoTデバイス仲介システムでは、ユーザのモバイル通信装置（例えば、スマートグラス等のウェアラブルコンピュータ、スマートフォン、通信機能を備えた自動車等の車両等）が、IoT用デバイス群２とインターネット１とを仲介して接続するために、IoT用デバイス群２側にインターネット接続機能が必ずしも必要ではなく、その分コストを安価に抑えることが可能となる。しかも、ユーザがモバイル通信装置による上記仲介を行なうことにより、当該ユーザに特典（例えばポイント等）が付与されるため、ユーザの上記仲介に対するインセンティブを持たせることができ、ユーザの仲介行為を促進させることが可能となる。
In the IoT device mediation system described above, a user's mobile communication device (for example, a wearable computer such as smart glasses, a smartphone, or a vehicle such as a car equipped with a communication function) mediates between the
さらに、IoT用デバイス群２に対してウェアラブルコンピュータ３が仲介する仲介先コンピュータ（例えば、IoTサーバ８やネットワーククラウド等）側に、情報のやり取りの必要があるIoT用デバイス（モバイル通信装置３の各種センサ３８を含む）が存在するか否かを判定するための判定手段（例えば、Ｓ２６、Ｓ３８、Ｓ４９等）を設けたために、IoT用デバイス群２側で上記の判定をする必要がなく、IoT用デバイス群２側の処理負担を軽減でき、より一層コストを抑えることができる。しかも、判定手段を有するIoTサーバ８により、情報のやり取りの必要があるIoT用デバイス群２を割出して（例えば、Ｓ２６、Ｓ３８、Ｓ４９等）、割出されたIoT用デバイス２の位置情報をウェアラブルコンピュータ３に通知してユーザに報知すれば、ユーザに上記仲介行為を促すことができる利点がある。
Furthermore, IoT devices (various types of mobile communication devices 3) that need to exchange information on the side of a mediating destination computer (for example,
また、ウェアラブルコンピュータ３に設けられた各種センサ３８を利用して、所望の位置での各種センサ３８による検出データをインターネット上に収集する際に、検出するのに或る程度の所要時間を要する場合にその検出所要時間をウェアラブルコンピュータ３によりユーザに報知（例えばＳ７１）しているため、所用時間を要する検出データの収集に対する協力をユーザに促すことができる。
In addition, when various types of
[機械学習を利用したサービス提供システム]
次に、図９〜図２３に基づいて機械学習を利用したサービス提供システムを説明する。
機械学習を実用化するにおいて現在大きな課題となっていることは、いかにして大量の学習データを安価に収集するかである。本システムは、機械学習の結果を利用したサービスをユーザに提供することにより、多数のユーザが自ら率先して学習データをシステム側に提供する仕組みを構築するものである。特に、図９に示すように、各ユーザがシステム側に提供する学習データ（身の回りのデータ等）をパーソナライズ化にも利用し、機械学習の結果得た一般的なモデルを各ユーザに最適化（パーソナライズ化）したものにした上で、各ユーザにパーソナライズ化されたサービスを提供する。これにより、各ユーザが学習データの提供を他人任せにしてサービスだけ享受するという不都合を防止する。
[Service provision system using machine learning]
Next, a service providing system using machine learning will be described with reference to FIGS.
A major challenge in putting machine learning into practical use is how to collect a large amount of learning data at low cost. This system builds a mechanism in which a large number of users take the initiative to provide learning data to the system side by providing users with a service using the results of machine learning. In particular, as shown in FIG. 9, learning data (personal data, etc.) provided by each user to the system side is also used for personalization, and a general model obtained as a result of machine learning is optimized for each user ( Personalized services are provided to each user after being personalized. This prevents the inconvenience that each user enjoys only the service while leaving the provision of learning data to others.
先ず、図９を参照してシステムの概略を説明する。
各ユーザ７０は、例えばウェアラブルコンピュータ等のモバイル通信装置３により収集したアラウンドデータ（ユーザ７０が見ている映像や視線の位置、音声、ＧＰＳなどの位置データ等）を機械学習７２に送信して機械学習７２の学習データとして用いられるとともに、それらデータがパーソナライズ化７４にも用いられる。
First, an outline of the system will be described with reference to FIG.
Each
例えば、各ユーザ７０が学校や自宅等で学習している状態をシステム側に送信して、機械学習（強化学習や回帰）７２によりモデル化し、人間が反復して行なう復習のトータル時間が最少になる一般的なモデルを作成する。その際、ユーザ毎に差異のある要素（暗記力等）を定数として一般的なモデルを生成する。また、各ユーザ７０からシステム側に送信されたデータはパーソナライズ化７４にも用いられ、ユーザ毎に差異のある要素（暗記力等）をユーザ毎に算出し、一般的なモデルの定数部分に代入することにより、ユーザ毎にパーソナライズ化されたモデルを生成する。そのパーソナライズ化モデルを用いて各ユーザにパーソナライズ化されたサービス、例えば、次回の復習時期を提示して復習のトータル時間が最少になる復習計画に従った指導を行なう。
For example, the state in which each
なお、学習データは、ユーザ以外にも各種専門業者７１からも提供される。例えば、スポーツジムの専門業者７１から、多数の会員の筋肉トレーニング(以下「筋トレ」と記載する)の集計結果をシステム側に送信する。この集計結果の学習データに基づいて機械学習（強化学習や回帰）７２によりモデル化し、人間が反復して行なう筋トレによる効果が最大になる一般的なモデルを作成する。その際、ユーザ毎に差異のある要素（バーベルなどの初期負荷や負荷増加係数等）を定数として一般的なモデルを生成する。また、各ユーザ７０から筋トレの集計結果がシステム側に送信されてパーソナライズ化７４にも用いられ、ユーザ毎に差異のある要素（初期負荷や負荷増加係数等）をユーザ毎に算出し、一般的なモデルの定数部分に代入することにより、ユーザ毎にパーソナライズ化されたモデルを生成する。
Note that the learning data is provided from
そのパーソナライズ化モデルを用いて各ユーザにパーソナライズ化されたサービス、例えば、次回の筋トレ時期と負荷を提示して筋トレによる効果が最大になる筋トレ計画に従った指導を行なう。その際、筋トレの集計結果からなる学習データを提供した専門業者（スポーツジム等）７１の広告を筋トレスケジュールとともに提示する。これにより、学習データの提供に対するモチベションを各種専門業者に持たせることができる。 The personalized model is used to provide personalized services to each user, for example, guidance according to a muscle training plan that presents the next muscle training time and load and maximizes the effect of muscle training. At that time, an advertisement of a specialist (such as a gym) 71 who has provided learning data consisting of the total results of muscle training is presented together with the muscle training schedule. Thereby, it is possible to give various specialists motivation for providing learning data.
以上説明した図９の全体システムをもう少し詳しく表したものが図１０である。
図１０を参照して、各種専門業者のＰＣ１０から専門データが人工知能サーバ９へ提供される。また、多数のユーザのウェアラブルコンピュータ等のモバイル通信装置３により収集したデータ（ユーザ７０が見ている映像や視線の位置、音声、ＧＰＳなどの位置データ等のアラウンドデータ）が人工知能サーバ９へ提供される。人工知能サーバ９では、それら提供されたデータを数値・ラベル集合へのデータ化５１を行ない、学習データを生成する。この学習データの生成は、生データを数値・ラベル集合にするため、深層学習（ディープラーニング）を用いる。また、複数の規則性が混在した生データを扱うため、「異種混合学習」を用いる。これは収集したデータの中に複数の規則性が存在する場合に、それぞれのパターンごとに適したモデルを生成する手法である。
FIG. 10 shows the whole system of FIG. 9 described above in more detail.
Referring to FIG. 10, specialized data is provided to
例えば、ビルの電力消費に関する時系列のデータを収集して、電力消費を予測するモデルを作る場合、ビルの電力消費は、曜日や時間帯ごとにパターンが変化する。従来においては、どのようなタイミングでパターンが切り替わるか、人間が専門知識を動員して場合分けを行ない、それぞれの場合に適したモデルを作っていた。この「異種混合学習」では、パターンの切り替わり自体を機械学習によって見つけ出し、パターンごとにモデルを生成する。新たにデータが発生した際には、生成したモデルとの適合を確認し、うまくモデルが適合しなかった場合はパターンの切り替わりの判定からやり直す。つまり「パターンの場合分け」と「モデルの作成」を機械が繰り返すことで、パターンごとの最適モデルを作る。 For example, when collecting time-series data relating to the power consumption of a building and creating a model for predicting the power consumption, the pattern of the power consumption of the building changes for each day of the week or time zone. In the past, humans mobilized expertise to classify when patterns change, and models suitable for each case were created. In this “heterogeneous mixed learning”, pattern switching itself is found by machine learning, and a model is generated for each pattern. When new data is generated, the matching with the generated model is confirmed. If the model does not fit well, the determination is made again from the pattern switching. In other words, the machine repeats “pattern classification” and “model creation” to create an optimal model for each pattern.
なお、深層学習を用いても数値・ラベル集合へのデータ化を行なうことができないデータの場合には、人工知能業者が人為的に数値・ラベル集合へのデータ化を行なう。 In the case of data that cannot be converted into a numerical value / label set even by using deep learning, an artificial intelligence agent artificially converts the data into a numerical value / label set.
この人工知能サーバ９は、ノイマン型の一般的なコンピュータを用いているが、ニューラル・ネット・プロセッサー（ＮＮＰ）を用いてもよい。ＮＮＰのチップ上には本物のニューロンをモデルにした「人工ニューロン」が多数搭載されており、各ニューロンはネットワークでそれぞれ連携し合う。
The
また、「量子アニーリング方式」を採用した量子コンピュータを用いてもよい。これにより、機械学習における最適化計算の所要時間を大幅に短縮できる。なお、「人工知能」とは、ソフトウェアエージェントを含む広い概念である。 Further, a quantum computer employing a “quantum annealing method” may be used. Thereby, the time required for the optimization calculation in machine learning can be greatly shortened. “Artificial intelligence” is a broad concept that includes software agents.
数値・ラベル集合にデータ化された学習データは学習アルゴリズム５２に送られてモデル化５３される。学習アルゴリズム５２としては、例えば、教師あり学習としての回帰や識別、教師なし学習としてのモデル推定やデータマイニング、中間的手法としての強化学習や深層学習等、種々のものが用意されている。学習アルゴリズム５２を用いたモデル化は、例えば、ユーザ毎に差異のある要素（個人の能力差や嗜好等）を定数として一般的なモデルを生成する。その生成された一般的モデルが人工知能ＤＢ１７に記憶される。図１０では、記憶されている一般的モデルの具体例として、例えば、建造物の保守点検モデル、暗記学習モデル、筋トレモデル、対話モデル、タスク処理モデル等が示されている。前述の学習データは学習ＤＢ６０にも記憶される。
The learning data converted into numerical value / label sets is sent to the
暗記学習モデルとしてのTi=T0・iは、人間が反復して行なう復習のトータル時間が最少になる一般的モデルであり、iは何回目の反復かを示す反復回数、T0は初学習から忘れる直前までの期間（具体的には初学習から記憶保持率が７０％になるまでの時間）、Tiは反復回数が（i−１）からiまでの時間を表している。この一般的モデル中のT0が、ユーザ毎に差異のある要素（記憶力等の個人の能力差）であり、定数として表されている。この暗記学習モデルとしてのTi=T0・iの生成方法は、後に詳しく説明する。 Ti = T 0 · i as a memorization learning model is a general model that minimizes the total review time that humans repeat, i is the number of iterations indicating the number of iterations, and T 0 is the first learning From the first learning to the time immediately before forgetting (specifically, the time from the initial learning until the memory retention rate becomes 70%), Ti represents the time from the number of iterations (i-1) to i. T 0 in this general model is an element (difference between individual abilities such as memory ability) that is different for each user, and is expressed as a constant. A method of generating Ti = T 0 · i as the memorization learning model will be described in detail later.
筋トレモデルとしてのFi=F0+(i-1)/aは、人間が反復して行なう筋トレによる効果が最大になる一般的モデルであり、iは何回目の反復かを示す反復回数、F0は初回の筋トレでの負荷（バーベルの重量等）、aは筋トレの反復に伴って増加する負荷増加係数である。 Fi = F 0 + (i-1) / a as a muscle training model is a general model that maximizes the effects of muscle training performed repeatedly by humans, and i is the number of iterations indicating the number of iterations. , F 0 is the initial load on the muscle training (barbell weight, etc.), and a is the load increase factor that increases with repeated muscle training.
対話モデルは、ユーザが人工知能と対話するときに用いられる一般的モデルであり、男性知的系や女性萌え系や有名タレントなどの初期対象の対話テンプレート等、喜怒哀楽の変化関数等からなる。これについては図１９に基づいて詳細に説明する。 The dialogue model is a general model used when a user interacts with artificial intelligence, and consists of change functions of emotions and emotions, such as dialogue templates for initial targets such as male intellectuals, female moe and famous talents. . This will be described in detail with reference to FIG.
タスク処理モデルは、ユーザが仕事等のタスクを処理するときに用いる一般的モデルであり、弁理士や弁護士や有名科学者などの初期対象の知識活用関数等からなる。これについては図２１に基づいて詳細に説明する。 The task processing model is a general model used when a user processes a task such as a job, and includes a knowledge utilization function of an initial target such as a patent attorney, a lawyer, or a famous scientist. This will be described in detail with reference to FIG.
ユーザのモバイル通信装置３から送られてくるアラウンドデータは人工知能サーバ９において各種モデル用に分類され５４、各種モデル用のパーソナライズデータが作成される５５。そのパーソナライズデータがユーザＤＢ１２に記憶される。図１０では、各種モデル用の具体例として、暗記学習用、筋トレ用、対話用、タスク処理用等が示されている。
Around data sent from the user's
ユーザＤＢ１２には、ユーザＩＤ毎にパーソナライズデータとアラウンドデータとが対応付けられて記憶される。暗記学習用のパーソナライズデータとしては、初学習から忘れる直前までの期間（具体的には初学習から記憶保持率が７０％になるまでの時間）TKである。人間の記憶情報は、心理学者ヘルマン・エビングハウスの忘却曲線に従って減少する。この忘却曲線に従って記憶保持率が７０％になるまでの時間をTKとしている。このTKは、ユーザＩＤが「１」の実際のユーザが記憶保持率が７０％になるまでの時間であり、実際の数値で表される。
In the
筋トレ用のパーソナライズデータとしては、初回の筋トレでのバーベルの重量等の初期負荷FK、筋トレの反復に伴って増加する負荷増加係数ａz、超回復時間CT等である。これらは、ユーザＩＤが「１」の実際のユーザについて実際の数値で表されたものである。なお、「超回復」とは、トレーニング後、４８時間〜７２時間の休息を取ることで筋力水準がトレーニング前よりも上昇する現象のことを言う。その超回復に要する時間が「超回復時間」である。 The personalized data for muscle training includes an initial load FK such as the weight of a barbell in the first muscle training, a load increase coefficient az that increases with repeated muscle training, and a super recovery time CT. These are actual numerical values for an actual user whose user ID is “1”. Note that “super recovery” refers to a phenomenon in which the muscle strength level increases more than before training by taking a rest for 48 to 72 hours after training. The time required for the super recovery is “super recovery time”.
対話用のパーソナライズデータとしては、男性知的系や女性萌え系や有名タレントなどの初期対象の中からユーザが選択した初期対象と、喜怒哀楽のパーソナル重み等からなる。一般的モデルでは、各初期対象の喜怒哀楽の初期重みが決まっており、ユーザが選択した初期対象と対話している最中にユーザからの要求等に応じて喜怒哀楽の初期重みを徐々に改変し、最終的に当該ユーザに最適なパーソナル重みにしてユーザの好みにマッチする喜怒哀楽を表す対話を可能にする。これについては後に詳しく説明する。 Personalized data for dialogue includes an initial object selected by the user from initial objects such as male intellectual, female moe and famous talents, personal weight of emotion, etc. In the general model, the initial weights of emotions and emotions of each initial object are determined, and the initial weights of emotions and emotions are gradually increased according to the user's request while interacting with the initial object selected by the user. It is possible to make an interaction that expresses emotions that match the user's preference with the personal weight most suitable for the user. This will be described in detail later.
タスク処理用のパーソナライズデータとしては、弁理士や弁護士や有名科学者などの初期対象の中からユーザが選択した初期対象と、各知識のパーソナライズ重み等からなる。一般的モデルでは、各初期対象の知識の初期重みが決まっており、ユーザが選択した初期対象と仕事の対話をしている最中にユーザからの質問や要求等に応じて活用する知識の初期重みを徐々に改変し、最終的に当該ユーザに最適なパーソナル重みにして、ユーザが仕事上要求する知識にマッチする回答やアドバイスを可能にする。これについては後に詳しく説明する。 The personalized data for task processing includes an initial object selected by the user from among initial objects such as a patent attorney, a lawyer, and a famous scientist, and personalized weights of each knowledge. In the general model, the initial weight of knowledge of each initial object is determined, and the initial knowledge to be used in response to questions and requests from the user during the work dialogue with the initial object selected by the user. The weight is gradually changed, and finally the personal weight that is optimal for the user is used, so that answers and advice matching the knowledge required by the user can be provided. This will be described in detail later.
人工知能サーバ９は、以上のようなパーソナライズデータを用いて各ユーザにパーソナライズされた指導（サービス）を行なう。具体的には、暗記学習用パーソナライズデータを用いてユーザの復習のトータル時間が最少になる復習計画（復習スケジュール）に従った指導を行ない、筋トレ用パーソナライズデータを用いて反復して行なう筋トレによる効果が最大になる筋トレスケジュールに従った指導を行ない、対話用パーソナライズデータを用いてユーザの好みにマッチする喜怒哀楽を表す対話を行ない、タスク処理用パーソナライズデータを用いてユーザが仕事上要求する知識にマッチする回答やアドバイスを行なう。
The
次に、図１１を参照し、図４の外部ディスプレー処理（Ｓ２）とディスプレー処理（Ｓ３）とＳＮＳサーバ１１によるイイネ処理とのサブルーチンプログラムのフローチャートを説明する。 Next, a flowchart of a subroutine program of the external display process (S2), the display process (S3) of FIG.
図１１では、ディスプレー５の一例のデジタルメニューボードについての処理を示している。デジタルメニューボードとは、飲食店等に設置されるメニュー表示用のディスプレーであり、メニューをデジタル表示にすることで、売り切れの即時表示、メニュー変更など、店側の時間とコストが大幅に削減できる。本実施の形態では、図１に示したようにデジタルメニューボード５がインターネット１に接続されて人工知能サーバ９やＳＮＳサーバ１１と通信可能に構成されている。この図１１のフローチャートでは、ユーザがウェアラブルコンピュータ３等で撮影してＳＮＳＤＢ１３やユーザＤＢ１２等にアップされている画像や動画をデジタルメニューボード５に表示させて一緒に来店した仲間同士で閲覧い合って楽しみながら飲食できるようにしたものである。
FIG. 11 shows processing for a digital menu board as an example of the
先ず、Ｓ１００によりメニューの更新があったか否か判断する。店側が本日のメニューを更新する操作をすれば制御がＳ１０１へ進みメニューの更新処理がなされる。次に制御がＳ１０２へ進み、メニューの表示がなされる。 First, it is determined whether or not the menu has been updated in S100. If the store side performs an operation to update the menu of today, the control proceeds to S101 and the menu is updated. Next, the control advances to S102 and a menu is displayed.
次に、ユーザがウェアラブルコンピュータ３等で撮影してＳＮＳＤＢ１３やユーザＤＢ１２等にアップされている画像や動画をデジタルメニューボード５に表示させたい場合には、先ず人工知能サーバ９にアクセスする操作を行なう。すると、Ｓ１０４によりＹＥＳの判断がなされて制御がＳ１０５へ進み、ユーザＩＤとアクセス要求等を人工知能サーバ９へ送信してアクセス処理がなされる。アクセス要求を受けた人工知能サーバ９は、Ｓ１０６でＹＥＳの判断を行なう。モバイル通信装置３では、Ｓ１０７とＳ１０８とにより人工知能サーバ９と交信してユーザがデジタルメニューボード５に表示させたい画像や動画を選択指定する。人工知能サーバ９は、Ｓ１０８によりユーザＤＢ１２を検索してその選択指定された画像や動画を特定する。
Next, when the user wants to display on the
表示させたい画像が特定できた段階でユーザ（来店客）はデジタルメニューボード５のタッチ画面をタップして交信操作を行なう。すると、Ｓ１０３によりＹＥＳの判断が行われ、Ｓ１０９によりウェアラブルコンピュータ３との交信開始処理がなされる。また、ユーザ（来店客）は自分のウェアラブルコンピュータ３の交信操作を行なう。すると、Ｓ１０８でＹＥＳと判断され制御がＳ１１０へ進み、交信開始処理がなされ、ウェアラブルコンピュータ３とデジタルメニューボード５との間で通信のための接続が確立される。
When the image to be displayed can be specified, the user (store visitor) taps the touch screen of the
次にデジタルメニューボード５は、当該デジタルメニューボード５に割り振られているディスプレーＩＤをウェアラブルコンピュータ３へ送信する（Ｓ１１１）。それをＳ１１２により受信したウェアラブルコンピュータ３は、そのディスプレーＩＤを人工知能サーバ９へ送信する（Ｓ１１３）。それをＳ１１４で受信した人工知能サーバ９は、前述のＳ１０８で特定したデータを受信したＩＤのディスプレー５へ送信する（Ｓ１０５）。それを受信したデジタルメニューボード５は、Ｓ１１６でＹＥＳの判断を行なって受信したデータを表示する（Ｓ１１７）。これにより、ユーザ（来店客）が指定した画像や動画がデジタルメニューボード５に表示される。その結果、デジタルメニューボード５という比較的大きな表示画面により画像や動画を閲覧することができる。
Next, the
以上説明した制御で注目すべき点は、ユーザがネット上にアップロードしているデータを選択指定する際に、ディスプレー５を経由することなく自己のモバイル通信端末３で直接人工知能サーバ９にアクセスして特定している点である。ディスプレー５自体がネットに接続されており且つそのディスプレー５に表示させるデータを特定するのであれば、その表示先のディスプレー５経由でネット上のデータにアクセスしてそのデータをディスプレー５で表示させた方が手っ取り早い。しかし、ユーザがネット上にアップロードしているデータはユーザのプライバシーに関わる個人情報であり、その個人情報にアクセスするためにユーザのＩＤ等をディスプレー５経由で送信した場合には、ユーザのＩＤや個人情報が漏洩する虞が生じる。故に、本実施の形態では、ユーザがネット上にアップロードしているデータを選択指定する際に、ディスプレー５を経由することなく自己のモバイル通信端末３で直接人工知能サーバ９にアクセスして指定しているのである
The point to be noted in the control described above is that when the user selects and designates data uploaded on the network, the user directly accesses the
次に、デジタルメニューボード５ではＳ１１８によりデータ表示が終了したか否かの判断がなされ、終了すれば制御がＳ１１９に進み、ユーザ（来店客）を店のホームページにアクセスさせる処理がなされる。具体的には、店のホームページのＵＲＬをモバイル通信端末３に送信する。それを受けたモバイル通信端末３は、Ｓ１２０によりそのＵＲＬのページへのアクセス要求をＳＮＳサーバ１１へ送信する。Ｓ１２１によりそれを受けたＳＮＳサーバ１１は、Ｓ１２２により店のホームページをモバイル通信装置３へ送信する。
Next, in the
それを受けたモバイル通信装置３は、Ｓ１２３により店のホームページを表示する。一方、デジタルメニューボード５ではＳ１２４により「当店ホームページのイイネにタップしてください」のメッセージ表示がなされる。それを見たユーザ（来店客）がイイネをタップすれば、Ｓ１２５でＹＥＳの判断がなされて制御がＳ１２６へ進み、イイネ信号がＳＮＳサーバ１１へ送信される。それをＳ１２７により受付けたＳＮＳサーバ１１は、Ｓ１２８によりイイネの登録処理を行なう。その結果、店からユーザ（来店客）への情報提供がＳＮＳを通じて可能となる。例えば、季節限定の新メニューの紹介やクーポンの配信やイベント開催の通知等を行なうことが可能となり、再来店につなげることができる。
Receiving it, the
なお、外部ディスプレー処理においてリターンすればＳ４へ進み、ディスプレー処理においてリターンすればＳ５へ進む。 If the process returns in the external display process, the process proceeds to S4. If the process returns in the display process, the process proceeds to S5.
次に図１２（ａ）を参照して、図４のＳ６に示した専門家データ処理のサブルーチンプログラムのフローチャートを説明する。Ｓ１３５によりメンテナンスデータ処理が行われ、Ｓ１３６により筋トレデータ処理が行われ、Ｓ１３７によりその他の処理が行われ、リターンしてＳ８へ進む。メンテナンスデータ処理は、各種専門業者の一例のメンテナンス専門業者から送られてくる建造物の保守点検結果のデータを受付けて処理するものである。筋トレデータ処理は、各種専門業者の一例のスポーツジムから送られてくる多数の会員の筋トレ結果の集計データを受付けて処理するものである。 Next, a flowchart of the expert data processing subroutine program shown in S6 of FIG. 4 will be described with reference to FIG. Maintenance data processing is performed in S135, muscle training data processing is performed in S136, other processing is performed in S137, and the process returns to S8. The maintenance data processing accepts and processes data on the results of maintenance inspections of buildings sent from a maintenance specialist as an example of various specialists. The muscle training data processing is to accept and process aggregate data of muscle training results of a large number of members sent from a sports gym as an example of various specialists.
次に図１２（ｂ）を参照して、前述のメンテナンスデータ処理のサブルーチンプログラムのフローチャートを説明する。メンテナンス専門業者は、図８に示したワイヤレスセンサネットワーク４から送信されてワイヤレスセンサＤＢ１６に記憶されている検出データに基づいて建造物の保守点を行ない、その結果（ＫＯ，ＮＧ等）をセンサＩＤ毎にＰＣ１０に入力する（Ｓ１４０）。
Next, with reference to FIG. 12B, a flowchart of the above-mentioned maintenance data processing subroutine program will be described. The maintenance specialist performs a maintenance point of the building based on the detection data transmitted from the
すると、メンテナンス専門業者のＰＣ１０は、Ｓ１４１によりその入力された点検結果をセンサＩＤ毎に人工知能サーバ９へ送信する。人工知能サーバ９は、Ｓ１４５により点検結果を受信したか否か判断し、受信していない場合には制御がＳ１５１へ移行する。一方、点検結果を受信した場合には制御がＳ１４６へ進み、学習ＤＢ６０に点検結果データをセンサＩＤ毎に追加記憶する。次にＳ１４７により、ワイヤレスセンサＤＢ１６からワイヤレスセンサデータを読出して点検結果データを付した上でデータマイニングを行ない、ＮＧ時のパターンＮＧＰ１を見つけ出す処理が行われる。例えば、歪と振動周期とが所定の関係になれば異常（ＮＧ）の点検結果となる確率が高い等のパターンＮＧＰ１を見つけ出す。
Then, the
次にＳ１４８により、ＮＧＰ１は今まで見つけ出したものと異なる新たなものか否か判定される。今まで見つけ出したＮＧ時のパターンは全て人工知能ＤＢ１７の「建造物の保守点検モデル」の記憶エリアに記憶されており、今回見つけ出されたＮＧＰ１が既に人工知能ＤＢ１７に記憶されているか否か判定する。同じものが既に記憶されていると判定された場合には制御がＳ１５１へ移行するが、未だ記憶されていないと判定された場合には制御がＳ１４９へ進み、ＮＧ時のパターンとしてＮＧＰ１を人工知能ＤＢ１７の「建造物の保守点検モデル」の記憶エリアに追加記憶する。
Next, in S148, it is determined whether or not NGP1 is a new one different from the one found so far. All the NG patterns found so far are stored in the storage area of the “building maintenance inspection model” in the
次にＳ１５０により、ワイヤレスセンサＤＢ１６を検索してワイヤレスセンサで定期チェック済の中からＮＧＰ１のパターンを有するセンサＩＤを抽出して報知する。ワイヤレスセンサは一定時間毎（例えば２４時間毎）に定期チェックが行われており（Ｓ１５１、Ｓ１５２）、既に定期チェックを行なった過去のセンサデータについて新たに見つかったＮＧＰ１を適用して再チェックを行なうのである。
Next, in S150, the
次に、Ｓ１５１により定期チェックの時期が来たか否か判定され、定期チェックの時期が来ればＳ１５２により、ワイヤレスセンサＤＢ１６を検索することにより、前回の定期チェック後に追加記憶されたワイヤレスセンサデータの中からＮＧ時パターンを有するセンサＩＤを抽出してＮＧ報知する処理がなされる。前述してように、ワイヤレスセンサＤＢ１６には随時新たなセンサデータが追加記憶されており、未だ定期チェックされていない新たなセンサデータについて、人工知能ＤＢに記憶されている全てのＮＧ時パターンを適用してチェックするのである。Ｓ１５２の処理の後リターンし、制御がＳ１３６へ移行する。
Next, it is determined whether or not the time for the periodic check has come in S151. If the time for the periodic check has come, the
次に、図１３（ａ）を参照して、図４のＳ４に示されたアラウンドデータ端末処理とＳ５に示されたアラウンドデータサーバ処理とのサブルーチンプログラムのフローチャートを説明する。 Next, a flowchart of a subroutine program of the around data terminal process shown in S4 of FIG. 4 and the around data server process shown in S5 will be described with reference to FIG.
Ｓ１６０によりユーザ用学習端末処理が実行され、Ｓ１６１によりユーザ用学習サーバ処理が実行され、Ｓ１６２により筋トレ端末処理が実行され、Ｓ１６３により筋トレサーバ処理が実行され、Ｓ１６４とＳ１６５によりその他の処理が実行される。 User learning terminal processing is executed in S160, user learning server processing is executed in S161, muscle training terminal processing is executed in S162, muscle training server processing is executed in S163, and other processing is executed in S164 and S165. Is done.
ユーザ用学習端末処理およびユーザ用学習サーバ処理は、学習中の各ユーザからアラウンドデータを収集してユーザ用の一般的暗記学習モデルを作成するとともに、ユーザ毎の学習用のパーソナライズデータを生成するための処理である。筋トレ端末処理および筋トレサーバ処理は、筋トレ中の各ユーザからアラウンドデータを収集して、ユーザ毎の筋トレ用のパーソナライズデータを生成するための処理である。 The user learning terminal process and the user learning server process collect around data from each learning user to create a general memorization learning model for the user and generate personalized data for learning for each user. It is processing of. The muscle training terminal process and the muscle training server process are processes for collecting around data from each user in the muscle training and generating personalized data for muscle training for each user.
次に、図１３（ｂ）を参照して、図４のＳ７に示されたパーソナルサービス端末処理とＳ８に示されたパーソナルサービスサーバ処理とのサブルーチンプログラムのフローチャートを説明する。 Next, a flowchart of a subroutine program of the personal service terminal process shown in S7 of FIG. 4 and the personal service server process shown in S8 will be described with reference to FIG.
Ｓ１７０により学習サービス端末処理が実行され、Ｓ１７１により学習サービスサーバ処理が実行され、Ｓ１７２により筋トレサービス端末処理が実行され、Ｓ１７３により筋トレサービスサーバ処理が実行される。 A learning service terminal process is executed in S170, a learning service server process is executed in S171, a muscle training service terminal process is executed in S172, and a muscle training service server process is executed in S173.
学習サービス端末処理は、ユーザ用の一般的暗記学習モデルと学習用のパーソナライズデータとに基づいてユーザに最も効率的な復習計画に従った指導を行なうものである。筋トレサービス端末処理と筋トレサービスサーバ処理とは、ユーザ用の一般的筋トレモデルと筋トレ用のパーソナライズデータとに基づいてユーザに最も効率的な筋トレ計画に従った指導を行なうものである。 The learning service terminal process is to provide guidance to the user according to the most efficient review plan based on the general memorization learning model for the user and the personalized data for learning. The muscle training service terminal processing and the muscle training service server processing are instructions for the user according to the most efficient muscle training plan based on the general muscle training model for users and the personalized data for muscle training. is there.
次に、図１４を参照して、ユーザ用学習端末処理とユーザ用学習サーバ処理とのサブルーチンプログラムのフローチャートを説明する。 Next, a flowchart of a subroutine program of the user learning terminal process and the user learning server process will be described with reference to FIG.
Ｓ１８０によりユーザが学習中であるか否か判断される。この判断は、ユーザの明示的な意思表示を受付けて判断してもよいが、ユーザの音声を自然言語処理により処理したりユーザの視線方向の映像を解析したりして人工知能サーバ９が自律的に判断してもよい。ユーザが学習中でないと判断した場合にはリターンして制御がＳ１６２移行するが、学習中であると判断すれば制御がＳ１８１へ進み、ユーザの視線方向の映像と視線位置と音声等のアラウンドデータを人工知能サーバ９へ送信する。それをＳ１８２により受信した人工知能サーバ９は、Ｓ１８３により、受信したアラウンドデータから現在学習している事項に関する過去の入試出題頻度および出題校等の有用情報を所定のＤＢから検索してユーザ(ウェアラブルコンピュータ等のモバイル通信装置３)へ送信する。
In S180, it is determined whether the user is learning. This determination may be made by accepting the user's explicit intention display, but the
それをＳ１８４により受信したユーザのモバイル通信装置３は、Ｓ１８５により、受信した有用データをＡＲ（Augmented Reality）を用いてオーバーレイ表示する。ユーザは、学習中のアラウンドデータを人工知能サーバ９へ送信することにより最も効率的な復習計画に従った指導を受けることができるため、自ら率先してアラウンドデータを人工知能サーバ９へ送信することになるが、上記入試出題頻度等の有用情報の表示により益々インセンティブが向上してアラウンドデータを人工知能サーバ９へ送信することになる。
The
次に、人工知能サーバ９は、Ｓ１８６により、受信データを各種モデル用に分類してユーザＤＢ１２と学習ＤＢ６０とに記憶する処理を行なう。次にＳ１８７により、暗記学習モデルが完成済であるか否か判定する。未だ完成していない場合には、制御がＳ１８８へ進み、受信データを数値やラベルにして機械学習用のデータを作成し、Ｓ１８９により、学習アルゴリズム（強化学習や回帰等）を用いてモデル化する。このモデル化の一例を説明する。
Next, the
ユーザ毎に収集された過去の膨大な学習中アラウンドデータを学習データとして利用し、ユーザ毎に入試試験日等の所定の終点における記憶保持率が一定値（例えば９０％）を維持できるという条件の下で、初学習から上記終点までに反復する復習のトータル時間が最少となる復習計画を、強化学習で見つけ出す。例えば、ｉ回目の復習から次に復習するまでの期間をTi、ｉ回目の復習に要した時間をTHiとした場合に、復習のトータル時間T＝ΣTHi となる。終点記憶保持率≧９０％ を満たす条件下で上記Tが最小となるTiを強化学習する。 Using a large amount of past learning around data collected for each user as learning data, the storage retention rate at a predetermined end point such as an entrance examination date can be maintained at a constant value (for example, 90%) for each user. Below, a review plan is found by reinforcement learning that minimizes the total review time from the first study to the end point. For example, when the period from the i-th review to the next review is Ti and the time required for the i-th review is THi, the total review time T = ΣTHi. Reinforcement learning is performed for Ti that minimizes the above T under the condition that the end-point memory retention ratio ≧ 90%.
強化学習において、状態stで行為atを行なうときの価値をＱ(st,at)とした場合のＱ値を推定する方法として、環境をモデル化する知識、すなわち、状態遷移確率と報酬の確率分布が与えられている場合はモデルベースの手法を用いればよいが、環境モデルが未知の場合、ＴＤ（Temporal Difference）学習を用いる。先ず、環境の探索が必要なため、ε-greedy法を用いる。探索の初期はいろいろな行為を試し、落ち着いてくると最適な行為を多く選ぶように、温度の概念を導入する。温度をTとして、次の式で表される確率に従って行為を選ぶ。 In the reinforcement learning, as a method of estimating the Q value when the value when performing the action at in the state st is Q (st, at), knowledge for modeling the environment, that is, the probability distribution of the state transition probability and the reward However, if the environmental model is unknown, TD (Temporal Difference) learning is used. First, since it is necessary to search the environment, the ε-greedy method is used. At the beginning of the search, we will try various actions, and introduce the concept of temperature so that the best action will be selected when it settles down. The action is selected according to the probability expressed by the following equation, where T is the temperature.
P(a｜s）＝{exp（Q(s,a)/T）}／{Σexp(Q(s,b)/T} （なおΣの下にb∈Aが記載されており、上記式ではその記載を省略している）
ここに、aは行為、Q(s,a)は状態sで行為aを行なうときの価値、
P (a | s) = {exp (Q (s, a) / T)} / {Σexp (Q (s, b) / T} (note that b∈A is written under Σ, and the above formula (The description is omitted.)
Where a is an action, Q (s, a) is the value of performing action a in state s,
Tをアニーリング（焼き鈍し）における温度とよび、高ければ行為を等確率に近い確率で選択し、低ければ最適なものに偏らせる。学習が進むにつれて、Tの値を小さくすることで、学習結果が安定する。このようにして選んだ行為をユーザに指示して実際に実行してもらい、積極的に学習データを収集するようにしてもよい。 T is called the temperature in annealing (annealing). If it is high, the action is selected with a probability close to equal probability, and if it is low, it is biased to the optimum one. As the learning progresses, the learning result is stabilized by decreasing the value of T. The action selected in this manner may be instructed to the user to be actually executed, and learning data may be actively collected.
その強化学習の結果の一例を図１５に示す。図１５を参照して、グラフの縦軸がTi（復習インターバル）、横軸がｉ（何回目の復習かを示す復習回数）である。○で示したものがユーザＩＤ：１のユーザにおける強化学習の結果をプロットしたものである。×で示したものがユーザＩＤ：２のユーザにおける強化学習の結果をプロットしたものである。△で示したものがユーザＩＤ：３のユーザにおける強化学習の結果をプロットしたものである。
An example of the result of the reinforcement learning is shown in FIG. Referring to FIG. 15, the vertical axis of the graph is Ti (review interval), and the horizontal axis is i (review number indicating the number of reviews). The circles indicate the results of reinforcement learning for the user with the user ID: 1. What is indicated by x is a plot of the result of reinforcement learning for the user with the user ID: 2. What is indicated by Δ is a plot of the results of reinforcement learning for the user with
次に、「回帰」のアルゴリズムを用いて、これらの複数のユーザの機械学習結果のデータを入力データとし、これらの入力データが或る関数に基づいてターゲットを出力していると考え、その関数を求める。その求められた関数が、
Ti＝T0・ｉ
の直線の一次関数である。係数T0がユーザ毎に差異のある要素（暗記力等）である。具体的には、各ユーザにおける初学習から忘れる直前までの期間（具体的には初学習から記憶保持率が７０％になるまでの時間）である。このように、ユーザ毎に差異のある要素（暗記力等）を定数T0として一般的なモデルで表したものが、
Ti＝T0・ｉ
である。
Next, using the algorithm of “regression”, the data of the machine learning results of the plurality of users is set as input data, and these input data are output as targets based on a certain function. Ask for. The calculated function is
Ti = T 0 · i
Is a linear function of. The coefficient T 0 is an element (memorizing power, etc.) having a difference for each user. Specifically, it is a period from the first learning to just before forgetting for each user (specifically, the time from the first learning until the memory retention rate becomes 70%). In this way, an element that is different for each user (such as memorization ability) is expressed as a constant T 0 by a general model,
Ti = T 0 · i
It is.
図１４に戻り、Ｓ１９０により、人工知能ＤＢ１７に暗記学習モデル（Ti＝T0・ｉ）を記憶させる。既に古くて不完全な暗記学習モデルが記憶されている場合には、より新しい完全な暗記学習モデル（Ti＝T0・ｉ）に更新する。
Returning to FIG. 14, the memorization learning model (Ti = T 0 · i) is stored in the
一方、Ｓ１８７により暗記学習モデルが未だ完成されていないと判断された場合は、制御がＳ１９１に進み、分類された受信データに基づいてパーソナライズデータを作成してユーザＤＢ１２に記憶する処理がなされる。この場合の「パーソナライズデータ」は、上記ユーザ毎に差異のある要素（暗記力等）T0、つまり、初学習から記憶保持率が７０％になるまでの時間である。これは、ユーザＤＢ１２に記憶されているユーザの学習中のアラウンドデータから容易に導き出せる。
On the other hand, if it is determined in S187 that the memorization learning model has not yet been completed, the control proceeds to S191, where personalized data is created based on the classified received data and stored in the
次に、図１６を参照して、図１３（ｂ）のＳ１７０で示した学習サービス端末処理およびＳ１７１で示した学習サービスサーバ処理のサブルーチンプログラムのフローチャートを説明する。 Next, with reference to FIG. 16, the flowchart of the subroutine program of the learning service terminal process shown by S170 and the learning service server process shown by S171 of FIG.13 (b) is demonstrated.
ウェアラブルコンピュータ等のモバイル通信装置３は、Ｓ２００により、ユーザからの復習要求があったか否かの判断を行なう。復習要求がなかった場合にはリターンして制御がＳ１７２へ移行するが、復習要求があった場合にはＳ２０１により復習要求を人工知能サーバ９へ送信する。それをＳ２０２で受信した人工知能サーバ９は、Ｓ２０３により、暗記学習モデルが完成しているか否か判定する。完成していない場合には制御がＳ２０５へ移行するが、既に完成している場合には制御がＳ２０４に進み、一般的な暗記学習モデルTi＝T0・ｉ に、T0＝TK を代入して、反復復習の時期が近い学習事項をユーザＤＢ１２のアラウンドデータから抽出する。なお、上記TKとは、当該ユーザの初学習から忘れる直前までの期間（具体的には初学習から記憶保持率が７０％になるまでの時間）のことである。
The
次に、Ｓ２０５により、ユーザが授業中等においてよそ見中の学習事項をユーザＤＢ１２のアラウンドデータから抽出する。これは、学習中のユーザの視線位置がアラウンドデータとして人工知能サーバ９へ送信されて（Ｓ１８１）ユーザＤＢ１２に記憶されるため、ユーザがよそ見中であるか否かの判断が可能となる。次にＳ２０６により、Ｓ２０４とＳ２０５とで抽出された学習事項をモバイル通信装置３へ送信する。それをＳ２０７で受信したモバイル通信装置３は、Ｓ２０８により、受信した学習事項をユーザに復習させる処理を行なう。
Next, in S205, a learning item that the user is looking away during a class or the like is extracted from the around data of the
また、よそ見中であることに代えてまたはそれに加えて、ユーザが授業中等において無駄話をしている最中の学習事項をユーザに復習させる制御を行なってもよい。つまり、学習中のユーザの態度を特定できる情報を収集するための収集手段と、当該ユーザが受けている学習内容を記録するための記録手段と、前記収集手段で収集された情報から学習に不適切なユーザの態度部分を判別するための判別手段と、該判別手段で判別された部分に相当する学習内容を前記記録手段から抽出するための抽出手段と、該抽出手段により抽出された学習内容をユーザ端末へ送信するための送信手段とを備えている。尚、上記Ｓ２０５は必ずしも行わなくてもよい。Ｓ２０６の処理の後はリターンして制御がＳ１７３へ移行する。 Further, instead of or in addition to being looking away, control may be performed to allow the user to review the learning items that the user is talking about in vain during a class or the like. That is, the collection means for collecting information that can identify the attitude of the user who is learning, the recording means for recording the learning contents received by the user, and the information collected by the collection means are not effective for learning. Discrimination means for discriminating an appropriate user's attitude part, extraction means for extracting learning content corresponding to the part discriminated by the discrimination means from the recording means, and learning content extracted by the extraction means For transmitting to the user terminal. Note that S205 is not necessarily performed. After the process of S206, the process returns and the control proceeds to S173.
なお、上記の制御では、一般的モデルに当該ユーザのパーソナライズデータを代入して当該ユーザ専用のパーソナライズモデルにした上で、そのパーソナライズモデルを利用してパーソナライズサービスを当該ユーザに提供しているが、当該ユーザのための手作りのパーソナライズモデルを生成し、それを利用してパーソナライズサービスを当該ユーザに提供してもよい。例えば、図１４のＳ１８７でＹＥＳの判断がなされた時点で、その一般的学習モデルの作成に寄与した複数のユーザ（被験者）各々の機械学習の結果が出ている（図１５参照）。故に、それら被験者のユーザ各々は、自分の学習について行われたその機械学習の結果が手作りのパーソナライズモデルになり得るのであり、そのパーソナライズモデルを利用してパーソナライズサービスを当該ユーザに提供するように制御してもよい。さらに、上記被験者以外のユーザであっても、あえて自分のための手作りのパーソナライズモデルの生成を希望する場合には、自己の学習データ（復習データ）を大量に人工知能サーバ９に提供して手作りのパーソナライズモデルを作成してもらうように制御してもよい。
In the above control, the personalized data of the user is substituted into the general model to make a personalized model dedicated to the user, and then the personalized service is provided to the user using the personalized model. A handmade personalized model for the user may be generated and used to provide a personalization service to the user. For example, when YES is determined in S187 of FIG. 14, the results of machine learning for each of a plurality of users (subjects) who contributed to the creation of the general learning model are obtained (see FIG. 15). Therefore, each of the users of these subjects can control the result of the machine learning performed on their own learning to be a handmade personalized model, and provide a personalized service to the user using the personalized model. May be. Furthermore, even if a user other than the above-mentioned subjects, if he / she wants to generate a personalized personalized model for himself / herself, he / she provides a large amount of his / her learning data (review data) to the
次に、図１７を参照して、図１２（ａ）のＳ１３６で示した筋トレデータ処理のサブルーチンプログラムのフローチャートを説明する。 Next, a flowchart of a subroutine program for muscle training data processing shown in S136 of FIG. 12A will be described with reference to FIG.
専門業者の一例のスポーツジムのＰＣ１０は、Ｓ２１０により、多数の会員（被験者）の筋トレデータを集計して人工知能サーバ９へ送信する。筋トレデータは、例えば、被験者の初期負荷、筋トレ時間や回数、前回の筋トレから今回の筋トレまでの筋トレインターバル、負荷増加係数、筋肉の太さの計測値データ等である。その筋トレデータをＳ２１１で受信して人工知能サーバ９は、Ｓ２１２により、受信データを各種モデル用に分類して学習ＤＢ６０に記憶する。次に、Ｓ２１３により、受信データを数値やラベル集合のデータにして学習データを作成する。
The
次に、Ｓ２１４により、その学習データに基づいて、強化学習や回帰等の学習アルゴリズムを用いてモデル化する。このモデル化の手法は、図１５に基づいて説明したものと同様のやり方である。筋トレの一般的なモデルは、
Fi＝F0＋（i−１）/a
である。ここに、iは何回目の反復筋トレかを示す反復回数、Fiはi回目の筋トレでの負荷（バーベルの重量等）、F0は初回の筋トレでの負荷（バーベルの重量等）、aは筋トレの反復に伴って増加する負荷増加係数である。これらF0とａは、ユーザ毎に差異のある要素（筋力の個人差等）である。
Next, in S214, modeling is performed using a learning algorithm such as reinforcement learning or regression based on the learning data. This modeling method is the same as that described with reference to FIG. The general model of muscle training is
Fi = F 0 + (i−1) / a
It is. Here, i is the number of repetitions indicating the number of repeated muscle training, Fi is the load at the i-th muscle training (barbell weight, etc.), and F 0 is the load at the first muscle training (barbell weight, etc.) , A is a load increase coefficient that increases with repeated muscle training. These F 0 and a is a but differentiated for each user elements (individual differences of muscle strength, etc.).
次に、Ｓ２１５により、上記一般的モデル（Fi＝F0＋（i−１）/a）を人工知能ＤＢ１７の筋トレ学習モデルの記憶エリアに記憶する。既に古くて不完全な筋トレ学習モデルが記憶されている場合には、より新しい完全な暗記学習モデル（Fi＝F0＋（i−１）/a）に更新する。
Next, the general model (Fi = F 0 + (i−1) / a) is stored in the storage area of the muscle training learning model in the
次に、図１８（ａ）を参照して、図１３（ａ）のＳ１６２で示した筋トレ端末処理およびＳ１６３で示した筋トレサーバ処理のサブルーチンプログラムのフローチャートを説明する。 Next, with reference to FIG. 18A, a flowchart of a subroutine program of the muscle training terminal process shown in S162 and the muscle training server process shown in S163 in FIG. 13A will be described.
ユーザのモバイル通信装置３は、Ｓ２２０により、ユーザが筋トレ中か否か判断する。筋トレ中でなければリターンして制御がＳ１６４へ移行する。筋トレ中の場合には、制御がＳ２２１に進み、ユーザの筋トレデータを集計して人工知能サーバ９へ送信する。それをＳ２２２により受信いた人工知能サーバ９は、Ｓ１１３により、受信データを学習ＤＢ６０に記憶するとともに、ユーザの初期負荷FK、負荷増加係数az、超回復時間CTを算出してユーザＤＢ１２に記憶する。Ｓ１１３の後リターンして制御がＳ１６５へ移行する。
In step S220, the user's
次に、図１８（ｂ）を参照して、図１３（ｂ）のＳ１７２で示した筋トレサービス端末処理およびＳ１７３で示した筋トレサービスサーバ処理のサブルーチンプログラムのフローチャートを説明する。 Next, a flowchart of a subroutine program of the muscle training service terminal process shown in S172 and the muscle training service server process shown in S173 in FIG. 13B will be described with reference to FIG.
ユーザのモバイル通信装置３は、Ｓ２２６により、ユーザの筋トレメニューの要求に応じて筋トレメニュー要求信号を人工知能サーバ９へ送信する。それをＳ２２７で受信した人工知能サーバ９は、Ｓ２２８により、ユーザの初期負荷FK、負荷増加係数az、超回復時間CTをユーザＤＢ１２から読出し、一般的筋トレモデル（Fi＝F0＋（i−１）／a）に代入し、今回の筋トレメニューを作成する。そして、S２２９により、その筋トレメニューと、筋トレデータを提供してくれた筋トレ専門業者（Ｓ２１０参照）の広告とを、ユーザのモバイル通信装置３へ送信する。それをＳ２３０で受信したモバイル通信装置３は、Ｓ２３１により、受信した筋トレメニューと筋トレ専門業者の広告とをユーザに報知する。Ｓ２３１の後リターンして制御がＳ９へ移行し、Ｓ２２９の後リターンして制御がＳ１０へ移行する。
In step S226, the user's
図１９（ａ）は、図１０の人工知能ＤＢ１７中の対話モデルの記憶エリアに記憶されているデータの詳細（具体例）を示したものである。対話モデルの記憶エリアには、初期対象、対話テンプレート、喜怒哀楽初期重み、喜怒哀楽変化関数の各データが記憶されている。初期対象には、男性知的系、女性知的系、男性ワイルド系、女性萌え系、タレントＡ、タレントＢ、タレントＣ等の各種選択対象が記憶されている。対話テンプレート、喜怒哀楽初期重み、喜怒哀楽変化関数の各データは、各初期対象の種類毎に異なり、それぞれのデータが各初期対象の種類毎に対応付けられて記憶されている。対話テンプレートは、ユーザの対話に対する応答をテンプレートマッチングで見つけ出すために大量に集められた対話テンプレートである。例えば男性知的系の場合、知的な対話テンプレートの割合が多くなっている。
FIG. 19A shows the details (specific example) of data stored in the storage area of the dialogue model in the
喜怒哀楽初期重みと喜怒哀楽変化関数とは、対話に応じて喜怒哀楽の感情の変化を制御するためのものである。ユーザが褒めれば「喜」の感情に変化するように制御し、ユーザが貶せば「怒」の感情に変化するように制御し、ユーザが悲しめば「哀」の感情に変化するように制御し、ユーザが楽しめば「楽」の感情に変化するように制御する。 The initial emotional weight and the emotional change function are used to control the emotional change of emotion depending on the dialogue. If the user gives up, it is controlled to change to the emotion of “joy”. If the user gives up, the control is changed to change to the emotion of “anger”. If the user is sad, the emotion changes to “feeling of sadness”. If it is enjoyed by the user, it is controlled so as to change to “Easy” emotion.
但し、初期対象の種類によって喜怒哀楽の重みが異なり変化の態様もことなるため、それぞれの初期対象の種類によって異なる喜怒哀楽初期重みと喜怒哀楽変化関数とにしている。喜怒哀楽初期重みと喜怒哀楽変化関数とは、多数のユーザとの対話で収集された多数の対話内容を学習データにして機械学習により見つけ出す。多数のユーザを男性知的系、女性知的系、男性ワイルド系、女性萌え系に分類し、それぞれの系毎の平均を算出して各初期対象に見合った喜怒哀楽初期重みと喜怒哀楽変化関数とを作成する。なお、タレントＡ、タレントＢ、タレントＣ等については、実際の或るタレント（例えばタレントＡ）の対話で収集された多数の対話データを学習データにして機械学習により喜怒哀楽初期重みと喜怒哀楽変化関数とを見つけ出す。なお、喜怒哀楽変化関数は全ての人間で共通の統一的な関数にして、各人の差異（ばらつき）を喜怒哀楽初期重みで調整するように制御してもよい。 However, since the weight of the emotion is different depending on the type of the initial object and the mode of the change is different, the initial weight of the emotion and the emotion change function are different depending on the type of the initial object. The initial emotion weight and emotion change function are found by machine learning using a large number of dialogue contents collected by dialogue with a large number of users as learning data. A large number of users are classified into male intellectuals, female intellectuals, male wilds, and female moe, and the average of each system is calculated and the initial emotions and emotions are appropriate for each initial target. Create a change function. For talent A, talent B, talent C, etc., initial weights and emotions are expressed by machine learning using a lot of conversation data collected in an actual conversation of a certain talent (for example, talent A) as learning data. Find the sorrow change function. It should be noted that the emotion change function may be a unified function common to all humans, and the difference (variation) of each person may be controlled by adjusting the initial weight of emotion.
喜怒哀楽変化関数F(x)の一例としては、例えば次のようなものが考えられる。喜怒哀楽をそれぞれＫ、Ｄ、Ｉ、Ｒと表し、無感情な状態をＭと表し、ユーザによる、褒めた回数をx１、貶した回数をx２、悲しんだ回数をx３、楽しんだ回数をx４とし、喜怒哀楽初期重みをそれぞれK、D、I、Rとする。また、シグモイド関数１／（１＋e-x）を便宜上S(x）と表現すと、
F(x)＝ＫS(x１−K）＋ＤS(x２−D）＋ＩS(x３−I）＋ＲS(x４−R）＋Ｍ（１−S(x１−K）−S(２x−D）−S(x３−I）−S(x４−R））
となる。つまり、x１、x２、x３、x４のいずれかが各々の閾値(初期重み)K、D、I、Rを越えればその越えた感情（喜Ｋ怒Ｄ哀Ｉ楽Ｒのいずれか）に変化するが、いずれも上記閾値を越えなければ無感情Ｍとなる。
An example of the emotion change function F (x) is as follows. The emotions are expressed as K, D, I, and R, respectively, the emotional state is expressed as M, the number of times of praise by the user is x1, the number of times of disappointment is x2, the number of sad times is x3, and the number of times of enjoyment is x4 And the initial emotional weights are K, D, I, and R, respectively. In addition, when the
F (x) = KS (x1-K) + DS (x2-D) + IS (x3-I) + RS (x4-R) + M (1-S (x1-K) -S (2x-D) -S (x3 -I) -S (x4-R))
It becomes. That is, if any of x1, x2, x3, and x4 exceeds the respective threshold values (initial weights) K, D, I, and R, the emotions that exceed the thresholds (any of K, K, D, and I) are changed. However, if neither of the above thresholds is exceeded, no emotion M is obtained.
図１９（ｂ）は、図１０のユーザＤＢ１２中の対話用のパーソナライズデータの記憶エリアに記憶されているデータの詳細を示したものである。図１９（ｂ）では、ユーザＩＤ：１のユーザが対話モデルの初期対象として「タレントＡ」を選択指定した場合が示されている。そして、喜怒哀楽のパーソナル重みとして「0.7AK,1.5AD,1.3AI,0.5AR」が記憶されている。
FIG. 19B shows details of the data stored in the personalized data storage area for dialogue in the
「タレントＡ」の喜怒哀楽初期重みは、図１９（ａ）に記載されているように「AK,AD,AI,AR」であるが、ユーザがこの喜怒哀楽初期重みに基づいた対話を行なっている最中に当該ユーザの要請に従って喜怒哀楽初期重み「AK,AD,AI,AR」が徐々に改変され、現時点で「0.7AK,1.5AD,1.3AI,0.5AR」となっている。その結果、このユーザの喜怒哀楽のパーソナル重み「0.7AK,1.5AD,1.3AI,0.5AR」での喜怒哀楽変化関数は次のようになる。
F(x)＝ＫS(x１−0.7AK）＋ＤS(x２−1.5AD）＋ＩS(x３−1.3AI）＋ＲS(x４−0.5AR）＋Ｍ（１−S(x１−0.7AK）−S(２x−1.5AD）−S(x３−1.3AI）−S(x４−0.5AR））
As shown in FIG. 19A, the initial weight of “talent A” is “AK, AD, AI, AR”, but the user performs dialogue based on this initial emotion weight. During the process, the initial emotional weight “AK, AD, AI, AR” was gradually modified according to the user's request, and it is now “0.7AK, 1.5AD, 1.3AI, 0.5AR”. . As a result, the emotion change function with personal weight “0.7AK, 1.5AD, 1.3AI, 0.5AR” of the user's emotion is as follows.
F (x) = KS (x1-0.7AK) + DS (x2-1.5AD) + IS (x3-1.3AI) + RS (x4-0.5AR) + M (1-S (x1-0.7AK) -S (2x-1.5 AD) -S (x3-1.3AI) -S (x4-0.5AR))
その結果、実際のタレントＡに比べて、喜Ｋと楽Ｒとが現れやすく、怒Ｄと哀Ｉとが現れにくくなっている。 As a result, in comparison with the actual talent A, joy K and comfort R are more likely to appear, and anger D and sorrow I are less likely to appear.
このように、ユーザの好みに合った初期対象を選択指定できる上に、さらに対話を重ねるうちに当該ユーザの好みがより反映された喜怒哀楽のパーソナル重みに改変することができる。つまり、人間相手の場合には、相手を自分の理想の人間に変えることなどほとんど不可能であるが、人工知能の場合には相手（人工知能）を自分の理想の相方に作り上げる（育て上げる）ことができる。今までは、理想の恋人、理想の親友、理想の相棒を探し求めて巡り合う時代であったが、今後の未来世界では、ネットワーク上（クラウド上）に自分の理想の恋人、理想の親友、理想の相棒を作り上げる時代となる。 In this way, an initial target that suits the user's preference can be selected and specified, and the user's preference can be changed to a personal weight that reflects the user's preference as the user's preference is further reflected. In other words, in the case of a human partner, it is almost impossible to change the partner to your ideal human being, but in the case of artificial intelligence, creating (bringing up) your partner (artificial intelligence) to your ideal partner. Can do. Up until now, it was an era when we searched for the ideal lover, ideal best friend and ideal partner, but in the future world, our ideal lover, ideal best friend, ideal It will be an era to build a partner.
次に、図２０を参照して、図４のＳ９に示された対話端末処理とＳ１０に示された対話サーバ処理とのサブルーチンプログラムのフローチャートを説明する。 Next, with reference to FIG. 20, the flowchart of the subroutine program of the dialog terminal process shown in S9 of FIG. 4 and the dialog server process shown in S10 will be described.
ウェアラブルコンピュータ等のモバイル通信装置３は、Ｓ２３５により、ユーザ側が対話を開始したか否か判断し、開始していない場合にはリターンして制御がＳ１１へ移行する。ユーザ側が対話を開始した場合には制御がＳ２３６へ進み、ユーザＩＤと対話開始信号とを人工知能サーバ９へ送信する。それを受信した人工知能サーバ９はＳ２４１によりＹＥＳの判断を行ない、Ｓ２４２により初期対象を受信したか否かの判定を行ない、受信していない場合には制御がＳ２４４へ移行する。
The
一方、モバイル通信装置３では、Ｓ２３７により、初期対象の選択指定があったか否かの判断を行なう。選択指定がされていない場合には制御がＳ２３９へ移行するが、選択指定された場合には、Ｓ２３８により、その指定された初期対象を人工知能サーバ９へ送信する。それを受信した人工知能サーバ９は、Ｓ２４２によりＹＥＳの判断を行なってＳ２４３により、ユーザＤＢ１２中のユーザＩＤに対応する対話用初期対象を指定されたものに更新する処理を行なう。
On the other hand, the
次に、モバイル通信装置３はＳ２３９により、人工知能サーバ９はＳ２４４により、互いに対話を行なう。その際、人工知能サーバ９では、ユーザＤＢ１２中のユーザＩＤに対応する対話用初期対象と喜怒哀楽のパーソナル重みと人工知能ＤＢ１７中の対応する喜怒哀楽変化関数とに従って対話する。人工知能サーバ９は自然言語処理エンジンを備えており、「形態素解析」および「構文解析（文節と文節の係り受け関係を判定する処理）」というテキストマイニング時の処理に加え、文章の構造を把握するのに必要な「文脈解析」と文章の意図を理解するのに必要な「意味解析」の２つの技術が組み込まれている。これにより、ユーザの声を「より速く」「より精緻」に解析することが可能となる。
Next, the
人工知能サーバ９では、上記対話中に、喜怒哀楽のパーソナル重みを変更する必要が生じたか否か判断する（Ｓ２４５）し、必要が生じればＳ２４６により、喜怒哀楽のパーソナル重みを更新する。例えば、「怒の重みをもう少し軽減してくれ」等の予め定められた決まり文句をユーザが発したことを人工知能サーバ９が認識して、喜怒哀楽のパーソナル重みを更新する制御を行なう。なお、上記決まり文句に代えてまたは決まり文句に加えて、「君起こりすぎだよ」等のユーザの発言に応じて、怒哀楽のパーソナル重みを更新する制御を行なってもよい。
The
次に人工知能サーバ９では、Ｓ２４７により、対話内容が仕事に関するものか否か判断する。仕事に関するものでない場合には、Ｓ２４９へ進み、対話が終了したか否か判断するが、仕事に関するものの場合には、Ｓ２４８に進み、タスクサーバ処理が行われる。
Next, in step S247, the
人工知能サーバ９では、Ｓ２４９により対話が終了していないと判断された場合には制御がＳ２４４へ移行し、Ｓ２４４〜Ｓ２４９のステップを繰り返し実行し、対話が終了した時点でリターンして制御がＳ１２へ移行する。一方、モバイル通信装置３では、Ｓ２４０により対話が終了していないと判断された場合には制御がＳ２３７へ移行し、Ｓ２３７〜Ｓ２４０のステップを繰り返し実行し、対話が終了した時点でリターンして制御がＳ１１へ移行する。
In the
図２１（ａ）は、図１０の人工知能ＤＢ１７中のタスク処理モデルの記憶エリアに記憶されているデータの詳細（具体例）を示したものである。タスク処理モデルの記憶エリアには、初期対象、各知識の初期重み、知識活用関数の各データが記憶されている。初期対象には、弁理士、弁護士、物理学者、化学者、科学者Ａ、科学者Ｂ、科学者Ｃ等の各種選択対象が記憶されている。各知識の初期重み、知識活用関数の各データは、各初期対象の種類毎に異なり、それぞれのデータが各初期対象の種類毎に対応付けられて記憶されている。
FIG. 21A shows details (specific example) of data stored in the storage area of the task processing model in the
各知識の初期重みと知識活用関数とは、仕事等のタスク処理を行なう際にそれぞれの初期対象がその専門分野にマッチした知識を利用しやすくするためのものである。各知識の初期重みと知識活用関数とは、多数のユーザとの仕事上の対話で収集された多数の対話内容を学習データにして機械学習により見つけ出す。多数のユーザを弁理士、弁護士、物理学者、化学者等の専門職毎に分類し、それぞれの専門職の平均を算出して各初期対象に見合った各知識の初期重みと知識活用関数とを作成する。 The initial weight of each knowledge and the knowledge utilization function are intended to make it easier for each initial object to use knowledge that matches the specialized field when performing task processing such as work. The initial weight of each knowledge and the knowledge utilization function are found by machine learning by using a large number of dialogue contents collected in a dialogue with a large number of users as learning data. A large number of users are classified according to professionals such as patent attorneys, lawyers, physicists, chemists, etc., the average of each professional is calculated, and the initial weight of each knowledge and the knowledge utilization function that match each initial target create.
例えば、弁理士のユーザが人工知能サーバ９に対し仕事上で多数の質問や相談を行ない、人工知能サーバ９からの応答に対し「満足した」とか「満足しない」等の反応等からなる大量のデータを学習データとして、強化学習や回帰等のアルゴリズムにより、モデル化する。なお、科学者Ａ、科学者Ｂ、科学者Ｃ等については、実際の或る科学者の対話で収集された多数の対話データを学習データにして機械学習により知識の初期重みと知識活用関数とを見つけ出す。なお、知識活用関数は全ての人間で共通の統一的な関数にして、各人の差異（ばらつき）を知識の初期重みで調整するように制御してもよい。
For example, a patent attorney user asks the artificial intelligence server 9 a number of questions and consultations on the job, and responds to the response from the
知識活用関数G(x)の一例としては、例えば次のようなものが考えられる。各知識をそれぞれn１、n２、n３、・・・と表し、各知識に対してのユーザによる、「満足した」等の肯定的反応の回数をx１k、x２k、x３k、・・・「満足しない」等の否定的反応の回数をx１h、x２h、x３h、・・・とし、各知識の初期重みをそれぞれw１、w２、w３、・・・とする。また、シグモイド関数１／（１＋e-x）を便宜上S(x）と表現すと、
G(x)＝w１n１S(x１k−x１h）＋w２n２S(x２k−x２h）＋w３n３S(x３k−x３h）＋・・・
となる。つまり、否定的反応の回数よりも肯定的反応の回数が上回った知識が利用するのに有効な知識とされ、かつ、各知識n１、n２、n３、・・・の係数（重みw１、w２、w３、・・・）が大きな値の知識から優先的に利用されるように制御可能となる。
An example of the knowledge utilization function G (x) is as follows. Each knowledge is represented as n1, n2, n3,... And the number of positive responses such as “satisfied” by the user for each knowledge is x1k, x2k, x3k,. x1h the number of negative reactions etc., and x2h, x3h, and ..., w 1 the initial weight of each knowledge, respectively, w 2, w 3, and .... In addition, when the
G (x) = w 1 n1S (x1k−x1h) + w 2 n2S (x2k−x2h) + w 3 n3S (x3k−x3h) +.
It becomes. That is, the knowledge that the number of positive reactions exceeds the number of negative reactions is regarded as effective knowledge to be used, and the coefficients (weights w 1 , w, etc.) of the respective knowledge n1, n2, n3,. 2 , w 3 ,...) Can be controlled so as to be used preferentially from knowledge of a large value.
図２１（ｂ）は、図１０のユーザＤＢ１２中のタスク処理用のパーソナライズデータの記憶エリアに記憶されているデータの詳細を示したものである。図２１（ｂ）では、ユーザＩＤ：１のユーザが対話モデルの初期対象として「弁理士」を選択指定した場合が示されている。そして、各知識nのパーソナル重みwとして「1.2・1w11n1,0.8・1w21n2,0.7・1w31n3,1.3・1w41n4」が記憶されている。
FIG. 21B shows details of data stored in the storage area of personalized data for task processing in the
「弁理士」の各知識の初期重みは、図２１（ａ）に記載されているように「1w11n1,1w21n2,1w31n3,1w41n4」であるが、ユーザがこの各知識の初期重みに基づいた仕事上の対話を行なっている最中に当該ユーザの要請に従って各知識の初期重み「1w11n1,1w21n2,1w31n3,1w41n4」が徐々に改変され、現時点で「1.2・1w11n1,0.8・1w21n2,0.7・1w31n3,1.3・1w41n4」となっている。このように、ユーザの専門職に合った初期対象を選択指定できる上に、さらに仕事上の対話を重ねるうちに当該ユーザの質問や相談内容がより反映された各知識のパーソナル重みに改変することができる。つまり、今後の未来世界では、ネットワーク上（クラウド上）に自分の理想の仕事上のパートナ（相棒）を作り上げる時代となる。 The initial weight of each knowledge of “patent attorney” is “1w 1 1n 1 , 1w 2 1n 2 , 1w 3 1n 3 , 1w 4 1n 4 ” as shown in FIG. During the work dialogue based on the initial weight of each knowledge, the initial weight of each knowledge “1w 1 1n 1 , 1w 2 1n 2 , 1w 3 1n 3 , 1w 4 1n according to the request of the user” “ 4 ” is gradually changed to “1.2 · 1w 1 1n 1 , 0.8 · 1w 2 1n 2 , 0.7 · 1w 3 1n 3 , 1.3 · 1w 4 1n 4 ” at the present time. In this way, it is possible to select and specify an initial target suitable for the user's profession, and to further change the personal weight of each knowledge that reflects the user's questions and consultation content while further work dialogues are repeated Can do. In other words, in the future future world, it will be an era when you will create your ideal work partner on the network (on the cloud).
次に、図２２を参照して、図４のＳ１１に示すタスク端末処理およびＳ１２と図２０のＳ２４８に示すタスクサーバ処理のサブルーチンプログラムのフローチャートを説明する。 Next, a flowchart of the subroutine program of the task terminal process shown in S11 of FIG. 4 and the task server process shown in S248 of FIG. 20 will be described with reference to FIG.
ユーザのモバイル通信装置３は、Ｓ２５５により、自分（ユーザ）のパーソナル重みを初期対象として人工知能ＤＢ１７に登録する旨の要請がユーザからあったか否か判定する。なければ制御がＳ２５９に移行し、初期対象の更新要求があったか否か判定され、なければ制御がＳ２６５に移行する。
In S255, the user's
一方、Ｓ２５５により自分（ユーザ）のパーソナル重みを初期対象として人工知能ＤＢ１７に登録する旨の要請があった場合にはＳ２５５によりＹＥＳと判定され、制御がＳ２５６に進み、ユーザＩＤと初期対象登録要求を人工知能サーバ９へ送信する処理がなされる。
On the other hand, if there is a request to register the personal weight of the user (user) as an initial target in the
人工知能サーバ９では、Ｓ２５７により、初期対象登録要求を受信したか否か判断され、受信していない場合には制御がＳ２６１へ移行し、要求初期対象を受信したか否か判断され、受信していない場合には制御がＳ２６７へ移行する。
In the
Ｓ２５６の処理に従ってモバイル通信装置３からユーザＩＤと初期対象登録要求とが送信されてくれば、Ｓ２５７によりＹＥＳの判断がなされ、制御がＳ２５８へ進み、ユーザＩＤに対応する各知識のパーソナライズ重みをユーザＤＢ１２から読み出してユーザ名とともに人工知能ＤＢ１７に登録する処理がなされる。このように、本実施の形態では、ユーザが自己の各知識のパーソナライズ重みを人工知能ＤＢ１７に登録して広く一般に流通させることができる。例えば、自分の仕事上の部下を効率的に教育して一人前の専門家に仕立て上げる際に、上司である自分の今までに培ってきた仕事上の各知識のパーソナライズ重みをその部下に譲渡すれば、自分に代って人工知能サーバ９が部下の質問や相談に応答してくれ、部下の教育を人工知能サーバ９が肩代わりしてくれる。ユーザが自己の各知識のパーソナライズ重みを他人に譲渡する際に、譲受人との間で決済する決済手段を設けて有償で譲渡するようにしてもよい。
If the user ID and the initial target registration request are transmitted from the
ユーザがモバイル通信装置３に対して初期対象を更新する要求を行なって新たな初期対象（要求初期対象）を指定すれば、Ｓ２５９によりＹＥＳの判断がなされて制御がＳ２６０へ進み、ユーザＩＤと要求初期対象とが人工知能サーバ９へ送信される。それを受信した人工知能サーバ９は、Ｓ２６１によりＹＥＳの判断を行なって制御がＳ２６２へ進み、受信した要求初期対象が当該ユーザによって以前使用されたものであるか否か判定する。未だ使用されたことのないものの場合には、Ｓ２６４により、要求された初期対象を人工知能ＤＢ１７から読み出してユーザＤＢ１２のユーザＩＤに対応して記憶する処理を行ない、制御がＳ２６７へ進む。
If the user makes a request for updating the initial target to the
受信した要求初期対象が当該ユーザによって以前使用されたものである場合には、当該初期対象が既にユーザＤＢ１２に記憶されており、その初期対象の使用に伴ってパーソナル重みが更新されている場合がある（Ｓ２７１参照）。よって、受信した要求初期対象が当該ユーザによって以前使用されたものである場合には、制御がＳ２６３へ進み、ユーザＤＢ１２に記憶されている以前使用した知識のパーソナル重みを使用することとなる。
If the received request initial target is one that has been used before by the user, the initial target may already be stored in the
次に図２３を参照して、人工知能サーバ９は、Ｓ２６７により、ユーザＤＢ１２のユーザＩＤに対応する初期対象と各知識のパーソナル重みとを読み出し、Ｓ２６８により、その読み出した初期対象に対応する知識活用関数を人工知能ＤＢ１７より読み出す。そして、ユーザがモバイル通信装置３を用いて仕事上の対話を行なえば、モバイル通信装置３側のＳ２６５と人工知能サーバ９側のＳ２６９とで対話を行なう。Ｓ２６９では、読み出した知識活用関数とパーソナル重みとを用いて仕事上の対話を行なうように処理する。モバイル通信装置３側では、Ｓ２６６により仕事上の対話が終了したと判断されるまでＳ２６５による仕事上の対話制御が継続される。人工知能サーバ９側では、Ｓ２７４により仕事上の対話が終了したと判断されるまでＳ２６７〜Ｓ２７４の制御が繰り返し行われてＳ２６９による仕事上の対話制御が継続される。
Next, referring to FIG. 23, the
Ｓ２６７〜Ｓ２７４の制御が繰り返し行われている最中にＳ２７０によりパーソナル重みの変更の必要が生じたと判断された場合には制御がＳ２７１へ進み、ユーザＤＢ１２のパーソナル重みを更新する。そのパーソナル重みが当該ユーザによって人工知能ＤＢ１７にも登録されている場合には（Ｓ２５５〜Ｓ２５８参照）、Ｓ２７２によりＹＥＳの判断がなされ、Ｓ２７３により人工知能ＤＢ１７の重みも更新する。このＳ２７０による判断は、例えば、人工知能サーバ９からの応答に対し「満足した」とか「満足しない」等の予め定められた決まり文句をユーザが言うことにより、人工知能サーバ９側において使用している知識の重みの変更の必要性を判断する。なお、上記決まり文句に代えてまたはそれに加えて、「素晴らしい回答ありがとう」等のユーザの通常の会話に基づいて判断してもよい。
If it is determined in S270 that it is necessary to change the personal weight while the control in S267 to S274 is being repeated, the control proceeds to S271 and the personal weight in the
そして、モバイル通信装置３側のＳ２６６により仕事上の対話が終了したと判断された場合には、Ｓ２７３により、仕事上の対話終了指示が人工知能サーバ９へ送信されて、リターンし制御がＳ１へ移行する。それを受信した人工知能サーバ９は、Ｓ２７４でＹＥＳの判断を行ない、リターンし制御がＳ３へ移行する。
If it is determined in S266 on the
以上説明した実施の形態の変形例や特徴点を以下に記載する。
（１） IoTサーバ９およびIoT用デバイスＤＢ１５、人工知能サーバ９、人工知能ＤＢ１７、ユーザＤＢ１２および学習ＤＢ６０、ならびに、ＳＮＳサーバ１１およびＳＮＳＤＢ１３の、少なくとも１つまたは全てを、ネットワーククラウドで構成してもよい。また、以上説明して実施の形態では、ユーザ側の端末として主にモバイル通信装置３を例に挙げて説明したが、ユーザ側の端末としては、ユーザＰＣ７やロボット６でもよい。また、モバイル通信装置３の具体例として、スマートグラス等で代表されるウェアラブルコンピュータを示したが、それに限定されるものではなく、例えば、携帯電話、スマートフォン、通信機能を有する自動車等の車両など、種々のものが考えられる。
Modifications and feature points of the embodiment described above will be described below.
(1) Even if at least one or all of the
（２） IoTサーバ８に、情報のやり取りの必要があるIoT用デバイスを割出すための割出し手段（Ｓ２４〜Ｓ２６、Ｓ３８、Ｓ４０）が設けられている。そして、その割出し手段により割出されたIoT用デバイスの地理的位置をウェアラブルコンピュータに送信してユーザに報知するように制御し、ユーザに仲介行為を促すようにしてもよい。その際、特に仲介の必要性の高いIoT用デバイスについて高い得点（ポイント等）を付与する旨をユーザに報知するように制御してもよい。
(2) The
（３） 限られた数のIoT用デバイスのみに対して高額の特典（ポイント等）を付与するように制御し、宝くじと同様の心理を利用して仲介行為を促進させるようにしてもよい。また、地理的位置に敷設されたIoT用デバイスの仲介行為を位置ゲーを利用して行わせるように制御してもよい。 (3) Control may be performed so as to give a high-priced privilege (points, etc.) only to a limited number of IoT devices, and mediation may be promoted using the same psychology as a lottery ticket. Further, it may be controlled so that the mediating action of the IoT device laid at the geographical position is performed using the position game.
（４） 以上説明した実施の形態には以下の発明が開示されている。
この発明は、例えば、地球上に隈なく敷設されるIoT用デバイス（センサやアクチュエータ等）のコストを抑え、IoTを安価に実現するシステムに関する。
(4) The following invention is disclosed in the embodiment described above.
The present invention relates to a system that realizes IoT at a low cost, for example, by suppressing the cost of IoT devices (sensors, actuators, etc.) that are laid on the earth.
IoTを安価に実現するシステムに関する背景技術として、例えば次のものがあった。IoT用のセンサとインターネット上のサーバとの間にボーダルータ（ゲートウェイ装置）を導入し、センサにはサーバのアドレスを設定せず、自身のアドレスが確定した後にセンサデータ情報をボーダルータに対して送信する。ボーダルータはセンサ情報をセンサデータ管理サーバまで中継してデータ収集を実施する。これによりサーバ側はセンサのアドレスを検出し、センサアドレス宛のPull型データ収集も実施できる（特開２０１４−７８７７３号公報）。 For example, there are the following as background technologies related to a system for realizing IoT at a low cost. A border router (gateway device) is introduced between the IoT sensor and the server on the Internet, and the server address is not set in the sensor. Send. The border router relays the sensor information to the sensor data management server and performs data collection. As a result, the server side can detect the sensor address and collect the pull-type data addressed to the sensor address (Japanese Patent Laid-Open No. 2014-78773).
しかし、この背景技術の場合、サーバ側からセンサアドレス宛のPull型データ収集が可能であるが、各センサにネットワークI/F等のインターネット接続機能を設けるか、あるいはネットワークに接続するための独自規格のアダプタを用意する必要があり、これがIoTを実現する上でのコストアップの原因となるという欠点があった。 However, in the case of this background technology, it is possible to collect pull-type data addressed to the sensor address from the server side, but each sensor is provided with an Internet connection function such as a network I / F or is a proprietary standard for connecting to a network It was necessary to prepare the adapter of this, and there was a fault that this caused the cost increase in realizing IoT.
一方、地球上に隈なく敷設されるIoT用デバイスの中には必ずしもサーバ側からセンサアドレス宛のPull型データ収集を行なう必要のないものもある。例えば、年間を通じての照度を集計するために設置された照度センサの場合は、定期的な照度検出結果をメモリに記憶しておき、サーバ側において年に一回行われる年間を通じての照度の集計時期までにその記憶した照度検出結果をサーバへ送信すれば事足りる。また、人間の往来が多い場所に設置されたIoT用デバイスの場合には、その人間を利用した人為的な手法により、IoT用デバイスのデータをサーバへ送信する方法も考えられる。 On the other hand, some IoT devices laid on the earth are not necessarily required to collect pull-type data addressed to the sensor address from the server side. For example, in the case of an illuminance sensor installed to aggregate the illuminance throughout the year, the periodic illuminance detection results are stored in memory, and the illuminance aggregation period throughout the year that is performed once a year on the server side It is sufficient to send the stored illuminance detection result to the server. In addition, in the case of an IoT device installed in a place where there is a lot of human traffic, there can be a method of transmitting data of the IoT device to the server by an artificial method using the human.
この発明は、かかる実情に鑑み考え出されたものであり、その目的は、IoTを実現する上でのコストを抑えることのできるシステムを提供することである。 The present invention has been conceived in view of such circumstances, and an object of the present invention is to provide a system capable of suppressing the cost for realizing IoT.
この発明は、ユーザが所持するウェアラブルコンピュータと、
該ウェアラブルコンピュータとインターネットを介して通信するサーバと、
IoT用デバイス群とを備え、
前記IoT用デバイス群は、前記ウェアラブルコンピュータと通信するための通信手段を含み、
前記ウェアラブルコンピュータは、
前記IoT用デバイス群と通信するための対デバイス通信手段と、
前記サーバとインターネットを介して通信するための対サーバ通信手段と、
前記対デバイス通信手段による通信相手のIoT用デバイスと前記対サーバ通信手段による通信相手のサーバとを仲介して両者間で情報のやり取りを可能にする仲介手段と、を含む、IoTシステム。
The present invention provides a wearable computer possessed by a user,
A server that communicates with the wearable computer via the Internet;
IoT device group,
The IoT device group includes a communication means for communicating with the wearable computer,
The wearable computer is:
Device communication means for communicating with the IoT device group,
Server-to-server communication means for communicating with the server via the Internet;
An IoT system comprising: an intermediary unit that mediates between a communication partner IoT device by the device-to-device communication unit and a communication partner server by the server-to-server communication unit, and enables exchange of information between the two.
このような構成によれば、IoT用デバイス群側に必ずしもインターネット接続機能が必要ではなく、その分コストを抑えることができ、安価にIoTを実現できる。 According to such a configuration, the Internet connection function is not necessarily required on the IoT device group side, and the cost can be reduced correspondingly, and IoT can be realized at a low cost.
好ましくは、前記サーバは、前記仲介手段による仲介を行なった前記ウェアラブルコンピュータに対して所定の特典を付与するための特典付与手段をさらに含む。 Preferably, the server further includes a privilege grant unit for granting a predetermined privilege to the wearable computer that has been mediated by the mediation unit.
このような構成によれば、ユーザに仲介に対するインセンティブを与えることができ、ユーザの仲介行為を促進させることが可能となる。 According to such a configuration, an incentive for mediation can be given to the user, and the user's mediation action can be promoted.
より好ましくは、前記サーバは、情報のやり取りの必要があるIoT用デバイスが存在するか否かを判定するための判定手段をさらに含む。 More preferably, the server further includes determination means for determining whether or not there is an IoT device that needs to exchange information.
このような構成によれば、IoT用デバイス群側で情報のやり取りの必要が生じたか否かの判断機能を有する必要がなく、IoT用デバイス群側の処理負担を軽減でき、より一層コストを抑えることができる。 According to such a configuration, there is no need to have a function for determining whether or not information needs to be exchanged on the IoT device group side, the processing load on the IoT device group side can be reduced, and the cost can be further reduced. be able to.
より好ましくは、前記ウェアラブルコンピュータは、現在位置を特定可能な情報を前記サーバに送信する位置情報送信手段をさらに含み、
前記サーバは、
前記位置情報送信手段により送信されてきた情報により位置が特定された前記ウェアラブルコンピュータの近辺に、前記割出し手段により割出された前記IoT用デバイスが存在するか否か判定する位置判定手段と、
該位置判定手段により存在すると判定された場合に、当該IoT用デバイスに対し前記仲介手段による仲介を行なうための指令信号を前記ウェアラブルコンピュータへ送信する仲介指令送信手段と、をさらに含み、
前記仲介手段は、前記介指令送信手段よる前記指令信号に従って仲介を行なう。
More preferably, the wearable computer further includes position information transmitting means for transmitting information capable of specifying a current position to the server,
The server
Position determining means for determining whether or not the IoT device indexed by the indexing means exists in the vicinity of the wearable computer whose position is specified by the information transmitted by the position information transmitting means;
An intermediary command transmitting means for transmitting an instruction signal for mediating by the mediating means to the IoT device when it is determined by the position determining means to be transmitted to the wearable computer;
The mediation means mediates according to the command signal from the intervention command transmission means.
このような構成によれば、ウェアラブルコンピュータ側から仲介が必要なIoT用デバイスに対し仲介を働きかけるため、IoT用デバイス群側から仲介の要求信号を発信する必要がない。 According to such a configuration, since the mediation is acted on the IoT device that requires mediation from the wearable computer side, it is not necessary to send a mediation request signal from the IoT device group side.
より好ましくは、前記ウェアラブルコンピュータは、
検出するのに所定の時間を要するセンサと、
所望の地理的位置で前記センサを利用しての検出を行なう際に、当該センサによる検出所要時間をユーザに報知する報知手段（例えばＳ７１）と、さらに含み、
前記所望の地理的位置の検出エリア内で前記センサが前記検出所要時間検出を行なうことができた場合に、該検出データを前記仲介手段により仲介して前記サーバへ送信する。
More preferably, the wearable computer is
A sensor that takes a predetermined time to detect;
A notification means (for example, S71) for notifying the user of the time required for detection by the sensor when performing detection using the sensor at a desired geographical position;
When the sensor can detect the required detection time within the detection area of the desired geographical position, the detection data is mediated by the mediating means and transmitted to the server.
このような構成によれば、検出するのに或る程度の所要時間を要する場合にその検出所要時間をウェアラブルコンピュータによりユーザに報知しているため、所用時間を要する検出データの収集に対する協力をユーザに促すことができる。 According to such a configuration, when a certain amount of time is required for detection, the wearable computer notifies the user of the time required for detection. Can be encouraged.
（５） 以上説明した実施の形態では、機械学習の具体例として、建造物の保守点検モデル、暗記学習モデル、筋トレモデル、対話モデル、およびタスク処理モデルの作成を示したが、これらに限定されるものではなく、例えば、幼児用学習モデル、人工秘書用モデル、人工家庭教師用モデル等、種々のものが考えられる。また、パーソナライズデータも、暗記学習用、筋トレ用、対話用、タスク処理用に限定されず、例えば、幼児用学習用、人工秘書用、人工家庭教師用等、種々のものが考えられる。これらの一般的モデルおよびパーソナライズデータを、ユーザの状況に応じて切換えて使い分けるように制御する。その結果、人間は、生まれて間もなく、自分専用のパーソナライズデータを使用しての人工知能に基づいたパーソナライズサービスを受けながら成長し、人工知能と共に生涯を全うするようになる。つまり、今後の未来世界では、人間と人工知能とがワンペア化された世界になる。それは、人間と人工知能とがワンペア化されて１つの人格が構成された世界である。
また、一般的モデルおよびパーソナライズデータの使い分けに際して、本実施の形態では、対話用のパーソナライズデータはユーザの切換え意思表示がない限り従前のものを使用したが、一般的モデルおよびパーソナライズデータの切換え時に対話用のパーソナライズデータも他の相応しいものに自動的に切換えるように制御してもよい。例えば、一般的な日常会話のときには対話用の初期対象としてタレントＡを用い、仕事上の対話時には女性知的系（図１９参照）に自動的に切換えるように制御する。
(5) In the embodiment described above, as a specific example of machine learning, building maintenance inspection model, memorization learning model, muscle training model, dialogue model, and task processing model are shown. However, the present invention is not limited to these. For example, various models such as an infant learning model, an artificial secretary model, and an artificial tutor model can be considered. Also, personalized data is not limited to memorization learning, muscle training, dialogue, and task processing. For example, various types of data such as for infant learning, for an artificial secretary, and for an artificial tutor can be considered. These general models and personalized data are controlled so as to be switched and used according to the user's situation. As a result, humans will soon grow while receiving personalized services based on artificial intelligence using their own personalized data, and will complete their lives with artificial intelligence. In other words, in the future future world, it will become a world where humans and artificial intelligence are paired. It is a world where humans and artificial intelligence are paired into one personality.
In the present embodiment, the personalized data for dialogue is used as long as there is no indication of switching intention by the user when using the general model and personalized data separately. The personalized data may be controlled to automatically switch to another suitable data. For example, the talent A is used as an initial target for dialogue during general daily conversation, and control is performed so as to automatically switch to the female intelligent system (see FIG. 19) during dialogue at work.
（６） モバイル通信装置３等によりユーザから収集されたアラウンドデータ等に基づいて、当該ユーザにマッチすると思われる人工知能や一般的モデルを推薦するレコメンド制御を行なってもよい。また、ユーザが人工知能や一般的モデルを検索した際にリスト表示される検索結果を、上記ユーザから収集されたアラウンドデータ等に基づいて、当該ユーザにマッチすると思われるものから優先的に表示するように制御してもよい。さらに、人工知能や一般的モデルに対するユーザからの口コミを収取して表示するように制御してもよい。その際、前述したように、人間と人工知能とがワンペア化されて１つの人格が構成されるため、そのワンペア化された人間と人工知能とを一組としてそれに対しての口コミを収取して表示するように制御してもよい。
(6) Based on around data collected from a user by the
（７） 上記幼児用学習用の般的モデルおよびパーソナライズデータを用いて学習された幼児について、その提供された学習材料（学習情報）と学習結果とからなる膨大なデータを収集し、それを機械学習のための学習データにして人間の知的成長を機械学習（教師あり学習等）するようにしてもよい。上記幼児に提供された学習材料（学習情報）と同じものを人工知能にも提供し、その結果知的成長を遂げた人工知能と実際の幼児との学習結果とを比較し、相違点が最少になるような強化学習や回帰を行なってもよく、人間に近い学習を可能にするための人工知能用学習モデルを作成する。特に、人工知能が苦手としている分野（例えば、常識、感情、創造性等）において、両者の学習結果の比較により、人工知能にとって有益な機械学習（教師あり学習等）になると考えられる。 (7) For the infants learned using the above-mentioned general model for infant learning and personalized data, collect enormous data consisting of the provided learning materials (learning information) and learning results and You may make it machine learning (supervised learning etc.) of human intellectual growth as learning data for learning. The same learning materials (learning information) provided to the above infants are also provided to artificial intelligence. As a result, the artificial intelligence that has achieved intellectual growth and the learning results of actual infants are compared, and the differences are minimal. Reinforcement learning or regression may be performed, and a learning model for artificial intelligence is created to enable learning close to humans. In particular, in a field where artificial intelligence is not good (for example, common sense, emotion, creativity, etc.), it is considered that machine learning (supervised learning, etc.) useful for artificial intelligence is made by comparing the learning results of both.
（８） 本実施の形態では、ユーザから送られてくる情報に基づいて前記一般的なモデルを当該ユーザに適したモデルにパーソナライズ化するためのパーソナライズ化手段（例えば、Ｓ１９１、Ｓ２２３、Ｓ２４６、Ｓ２７１）を、人工知能サーバ９に設けたが、それに代えてまたはそれに加えて、ユーザ側の端末（例えば、ウェアラブルコンピュータ等のモバイル通信装置３、ユーザＰＣ、ロボット等）に設けてもよい。
(8) In the present embodiment, personalization means (for example, S191, S223, S246, and S271) for personalizing the general model into a model suitable for the user based on information sent from the user. ) Is provided in the
以上のように本発明の実施の形態について説明を行なったが、今回開示された実施の形態はすべての点で例示であって、制限的なものではないと考えられるべきである。この発明の範囲は上記した説明ではなくて特許請求の範囲によって示され、特許請求の範囲と均等の意味、および範囲内でのすべての変更が含まれることが意図される。 Although the embodiment of the present invention has been described as above, the embodiment disclosed this time should be considered as illustrative in all points and not restrictive. The scope of the present invention is defined by the terms of the claims, rather than the description above, and is intended to include any modifications within the scope and meaning equivalent to the terms of the claims.
１ インターネット、２ IoT用デバイス、３ モバイル通信装置、４ ワイヤレスセンサネットワーク、８ IoTサーバ、９ 人工知能サーバ、１０ 各種専門業者のＰＣ、１２ ユーザＤＢ、１５ IoT用デバイスＤＢ、１７ 人工知能ＤＢ、６０ 学習ＤＢ、３８ 各種センサ。 1 Internet, 2 IoT devices, 3 Mobile communication devices, 4 Wireless sensor networks, 8 IoT servers, 9 Artificial intelligence servers, 10 PCs of various specialists, 12 User DBs, 15 IoT device DBs, 17 Artificial intelligence DBs, 60 Learning DB, 38 Various sensors.
Claims (3)
ユーザから送られてくる複数ユーザ分の情報を基にした学習データを入力して機械学習によりモデル化した一般的なモデルを生成するための機械学習手段と、
ユーザから送られてくる当該ユーザ１人分の情報に基づいて前記一般的なモデルを当該ユーザに適したモデルにパーソナライズ化するためのパーソナライズ化手段と、
前記パーソナライズ化されたモデルを用いて当該ユーザにパーソナライズ化されたサービスを提供するサービス提供手段と、を備え、
前記ユーザから送られてくる情報を前記機械学習と前記パーソナライズ化との両方に利用し、
前記パーソナライズ化されたモデルは、当該パーソナライズ化に用いられた前記ユーザ１人分の情報の送信元を特定可能であり、
前記パーソナライズ化されたモデルを用いて提供される前記サービスを、当該パーソナライズ化されたモデルにより特定可能な前記送信元のユーザが享受する、サービス提供システム。 A service providing system for providing a service using machine learning by artificial intelligence,
Machine learning means for generating general models modeled by machine learning by inputting learning data based on information for a plurality of users sent from a user;
Personalization means for personalizing the general model into a model suitable for the user based on information for the user sent from the user;
Service providing means for providing a personalized service to the user using the personalized model,
Using information sent from the user for both the machine learning and the personalization,
The personalized model can identify the source of the information for the one user used for the personalization,
A service providing system in which the service provided by using the personalized model is enjoyed by a user of the transmission source that can be specified by the personalized model.
前記パーソナライズ化手段は、
ユーザから送られてくる情報に基づいて、前記一般的なモデル中の定数部分に当てはまる当該ユーザの実際の値を導出するための値導出手段と、
該値導出手段により導出された実際の値を前記一般的なモデル中の定数部分に代入して当該ユーザに適したモデルにパーソナライズ化するための代入手段と、を含む、請求項１に記載のサービス提供システム。 The machine learning means generates the general model with constant elements that are different for each user,
The personalization means is:
A value deriving means for deriving an actual value of the user that applies to a constant part in the general model based on information sent from the user;
2. Substitution means for substituting an actual value derived by the value derivation means into a constant part in the general model to personalize the model suitable for the user. Service provision system.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2014172512A JP6432859B2 (en) | 2014-08-27 | 2014-08-27 | Service providing system and program |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2014172512A JP6432859B2 (en) | 2014-08-27 | 2014-08-27 | Service providing system and program |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2018175586A Division JP6562328B2 (en) | 2018-09-20 | 2018-09-20 | Support system |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2016048417A JP2016048417A (en) | 2016-04-07 |
| JP6432859B2 true JP6432859B2 (en) | 2018-12-05 |
Family
ID=55649301
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2014172512A Active JP6432859B2 (en) | 2014-08-27 | 2014-08-27 | Service providing system and program |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6432859B2 (en) |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107644279A (en) * | 2016-07-21 | 2018-01-30 | 阿里巴巴集团控股有限公司 | The modeling method and device of evaluation model |
| CN109074607B (en) * | 2017-02-03 | 2022-04-29 | 松下知识产权经营株式会社 | Learned model providing method and learned model providing device |
| JP6984863B2 (en) * | 2017-05-09 | 2021-12-22 | 広島県公立大学法人 | Deep learning automatic learning system and client equipment |
| EP3639149A4 (en) * | 2017-06-16 | 2021-04-07 | Woodenshark LLC | Systems including a server storing sensor data, and related methods |
| JP6950362B2 (en) * | 2017-08-29 | 2021-10-13 | 京セラドキュメントソリューションズ株式会社 | Information processing systems and programs |
| JP7106827B2 (en) * | 2017-09-11 | 2022-07-27 | 富士フイルムビジネスイノベーション株式会社 | Information processing device, program and control method |
| KR20190060021A (en) * | 2017-11-23 | 2019-06-03 | 주식회사 모다 | Customized intelligent system and operation method thereof |
| KR20190088128A (en) * | 2018-01-05 | 2019-07-26 | 삼성전자주식회사 | Electronic device and control method thereof |
| EP3518156A1 (en) * | 2018-01-29 | 2019-07-31 | Siemens Aktiengesellschaft | A method for collaborative machine learning of analytical models |
| JP7445240B2 (en) * | 2018-06-14 | 2024-03-07 | 株式会社アスコン | Service provision system and user equipment |
| JP7026032B2 (en) * | 2018-10-19 | 2022-02-25 | Kddi株式会社 | Recommendation system and recommendation method |
| KR102115486B1 (en) * | 2019-06-07 | 2020-05-26 | (주)이루미에듀테크 | System, method, and apparatus of diagnosing reading ability |
| KR102345410B1 (en) * | 2019-11-19 | 2021-12-30 | 주식회사 피씨엔 | Big data intelligent collecting method and device |
| WO2023085165A1 (en) * | 2021-11-12 | 2023-05-19 | 株式会社アラヤ | Item recommendation device and item recommendation method |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002162989A (en) * | 2000-11-28 | 2002-06-07 | Ricoh Co Ltd | System and method for sound model distribution |
| JP2003049703A (en) * | 2001-08-07 | 2003-02-21 | Mazda Motor Corp | Vehicle development data acquiring server, vehicle development data acquiring method and vehicle development data acquiring program |
| JP4092710B2 (en) * | 2006-02-14 | 2008-05-28 | ソニー株式会社 | Program search method and apparatus |
| KR100979516B1 (en) * | 2007-09-19 | 2010-09-01 | 한국전자통신연구원 | Service recommendation method for network-based robot, and service recommendation apparatus |
-
2014
- 2014-08-27 JP JP2014172512A patent/JP6432859B2/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| JP2016048417A (en) | 2016-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6432859B2 (en) | Service providing system and program | |
| JP6617263B2 (en) | Learning support system | |
| JP6562328B2 (en) | Support system | |
| Poniszewska-Maranda et al. | Studying usability of AI in the IoT systems/paradigm through embedding NN techniques into mobile smart service system | |
| JP7067755B2 (en) | Service provision system and terminal | |
| Al-Hmouz et al. | Modeling and simulation of an adaptive neuro-fuzzy inference system (ANFIS) for mobile learning | |
| Wang et al. | Human Digital Twin in the context of Industry 5.0 | |
| KR102404511B1 (en) | Method, device and system for recommending customized product information based on artificial intelligence | |
| Sánchez-Pi et al. | A knowledge-based system approach for a context-aware system | |
| KR102546871B1 (en) | Method, device and system for recommending order information through pattern analysis of order history regarding distribustion of food materials and subsidiary materials for business to business based on artificial intelligence model | |
| JP7208603B2 (en) | Service provision system and terminal | |
| Connier et al. | Perception assistance for the visually impaired through smart objects: concept, implementation, and experiment scenario | |
| JP6899103B2 (en) | Service provision system and program | |
| WO2021176795A1 (en) | Matching system, matching method, and matching program | |
| KR102601446B1 (en) | Method, device and system for providing sales product matching platform service based on influencer using artificial intelligence model | |
| KR102552856B1 (en) | Method, device and system for automating creation of content template and extracting keyword for platform service that provide content related to commerce | |
| JP7444489B2 (en) | Learning support system and service provision method | |
| KR102615445B1 (en) | Method, apparatus and system for providing nutritional information based on fecal image analysis | |
| Zhou | Deep learning‐driven distributed communication systems for cluster online educational platform considering human–computer interaction | |
| KR102530527B1 (en) | Method, device and system for providing restaurant recommendation service based on health information | |
| KR102619389B1 (en) | Method, device and system for providing interface of metaverse memorial hall service based on constellation | |
| KR102561832B1 (en) | Method, device and system for providing online education content based on artificial intelligence | |
| KR102475813B1 (en) | Method for driving simulation of smart factory based on artificial intelligence | |
| CN115309258B (en) | Intelligent learning guiding method and device and electronic equipment | |
| KR102568001B1 (en) | O2o-based user-customized online repair platform service provision method, device and system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A711 Effective date: 20170715 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20170720 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20170816 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20170920 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20180724 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20180807 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180915 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20181016 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20181016 |
|
| 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: 20181026 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20181026 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6432859 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R157 | Certificate of patent or utility model (correction) |
Free format text: JAPANESE INTERMEDIATE CODE: R157 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |