JP6551715B2 - 拡張性保有装置 - Google Patents
拡張性保有装置Info
- Publication number
- JP6551715B2 JP6551715B2 JP2018505917A JP2018505917A JP6551715B2 JP 6551715 B2 JP6551715 B2 JP 6551715B2 JP 2018505917 A JP2018505917 A JP 2018505917A JP 2018505917 A JP2018505917 A JP 2018505917A JP 6551715 B2 JP6551715 B2 JP 6551715B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- unit
- capability
- learning
- input
- 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
- 230000006870 function Effects 0.000 claims description 86
- 238000010801 machine learning Methods 0.000 claims description 54
- 238000007689 inspection Methods 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 35
- 238000012790 confirmation Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 5
- 238000000034 method Methods 0.000 description 49
- 238000012549 training Methods 0.000 description 43
- 238000013528 artificial neural network Methods 0.000 description 32
- 238000013135 deep learning Methods 0.000 description 23
- 238000005516 engineering process Methods 0.000 description 19
- 238000011161 development Methods 0.000 description 15
- 230000018109 developmental process Effects 0.000 description 15
- 238000004088 simulation Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 238000006243 chemical reaction Methods 0.000 description 9
- 230000007246 mechanism Effects 0.000 description 8
- 230000006399 behavior Effects 0.000 description 4
- 238000005094 computer simulation Methods 0.000 description 4
- 230000002950 deficient Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 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 3
- 230000008901 benefit Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000010348 incorporation Methods 0.000 description 3
- 230000010365 information processing Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 241000700605 Viruses Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011143 downstream manufacturing Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000012946 outsourcing Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 229910000679 solder Inorganic materials 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/445—Program loading or initiating
- G06F9/44505—Configuring for program initiating, e.g. using registry, configuration files
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/258—Data format conversion from or to a database
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification
Description
以前から、人工知能やニューラルネットワークに関する研究は幅広く行われてきた。例えば、画像による対象物の認識技術は、改良が進められて、徐々に認識率が向上してきている。Deep Learningと呼ばれる新たな学習の方式によって、ここ数年で認識率が急速に向上して、画像の分類については人の認識率を超えるレベルになってきている。Deep Learningの技術は、画像の認識のみではなく、音声認識や、個人認証、行動予測、文章の要約、自動翻訳、監視、自動運転、故障予測、センサデータの分析、楽曲のジャンル判定、コンテンツ生成、セキュリティシステムなど幅広い分野に応用することができる。Deep Learningのような機械学習を利用することで、人が関与することなく、機械が新たな能力を獲得することができる。
また、家庭用機器から産業用機器やインフラ設備に至るまで、数多くの装置や設備でシーケンス制御が利用されている。しかし、ニューラルネットワークに代表される人工知能はシーケンス制御が得意ではなく、複雑なシーケンス制御による動作を機械学習で獲得することは現時点の技術では難しい。したがって、シーケンス制御を利用する装置に対し機械学習を適用するには、人(技術者)が作成したプログラムで動作するシーケンス制御の部分に、機械学習により得られた機能を、どのように組み込むか(どのように協働させるか)が重要となる。
実施形態の説明に入る前に、本明細書で使用する用語について説明する。
図1に本実施形態の学習サービス提供システムが提供する学習サービスの概念図を示す。依頼者101は、インターネットなどのネットワークを介して学習サービス提供システム100にアクセスし、対象装置104に追加する能力の機械学習を依頼する。機械学習を行うために必要な情報は、学習依頼情報102として、依頼者101から学習サービス提供システム100に提供される。学習サービス提供システム100は、依頼者101から提供された学習依頼情報102をもとに、依頼者101側の対象装置104および対象105をシミュレートしながら必要な機械学習を行う。学習サービス提供システム100は、依頼者101から依頼された学習が完了したら、学習結果として獲得した新たな能力を、対象装置104に組み込み可能なデータ形式の能力付与データ103として、依頼者101に対し提供する。なお、依頼者101は、パーソナルコンピュータを利用して学習サービス提供システム100にアクセスしてもよいし、対象装置104がインターネットアクセス可能であれば対象装置104から学習サービス提供システム100に直接アクセスしてもよい。
図2に学習サービス提供システムのシステム構成図を示す。学習サービス提供システム100は、依頼受付部200、学習指令部202、学習シミュレータ203、能力付与データ生成部204、サービス提供部205を有する。
さまざまな種類の対象装置104に対し本学習サービスを提供するにあたり、対象装置104に新たな能力を組み込むためのアーキテクチャを共通化しておく必要がある。そこで本実施形態では、対象装置104に新たな能力を組み込むためのアーキテクチャをモデル化し、これを「能力獲得モデル」と呼ぶ。対象装置104が能力獲得モデルに従った組み込みインタフェースを用意し、本システム100の学習シミュレータ203が能力獲得モデルに整合する能力を獲得するように機械学習を行うことで、本システム100で生成した能力付与データ103の対象装置104への組み込みが可能となる。
図4にDeep Learningによる能力獲得モデルの一例を示す。データ入力部501は、対象装置104に入力される信号形式をニューラルネットワークに適合するように変換してデータ化した信号を入力する機能ブロックである。データ入力部501には、対象装置104から受け取るデータの仕様として「動画像、RGB、解像度1024×768、30fps」、能力部502に入力するデータの仕様として「静止画像、グレースケール、解像度640×480」などが定義されている。色情報が不要な場合は、グレースケールに変換することで、学習時間が短縮され、能力部502の回路構成が簡単になる。これはデータ形式の変換を行う場合の例であり、色情報が必要な場合はRGBのカラー信号をそのまま入力するようにもできる。能力部502は、Deep Learning技術を用いたトレーニングによって学習済みのニューラルネットワークにより、入力データから目的とする結果を出力する機能ブロックである。能力部502は、任意の数で任意サイズの各層の入出力が全て接続されたニューラルネットワークのサブセットとしてモデル化できる。能力部502のモデルには、必要に応じて、フィードバック回路や演算回路、論理回路、記憶回路、同期回路、遅延回路、リセット回路などの付加回路を追加できる。能力部502は、例えば、AIの種類、層数、各層の構造、活性化関数、重みフィルタなどの定義を含む。学習を行うときは、学習モデルで定義された構成で、順次ニューラルネットワークを構成して、パラメータを最適化する。データ出力部503は、ニューラルネットワークの出力を、対象装置104や他の機器で利用できる情報へ変換し出力する機能ブロックである。データ出力部503には、能力部502から出力されるデータの仕様、とそれを対象装置104が必要とするデータ形式に変換して最終的に出力するデータの仕様などが定義されている。
図5にトレーニング情報のデータ構造の一例を示す。トレーニング情報304は、機械学習の実施に必要な情報を定義するものであり、学習モデル情報700、対象装置モデル情報701、対象モデル情報702、学習シミュレータモデル情報703、能力付与データ生成モデル情報704を含む。以下、それぞれの情報700〜704について説明する。
学習モデル情報700は学習モデルに関する情報である。学習モデルは、対象装置104に追加する新たな能力を機械学習によって獲得する方法を定式化したモデルである。学習モデルは、扱う対象装置104や対象105ごとに、それぞれ作成される。ただし、振る舞いが類似する装置104や対象105については、同じ学習モデルを適用することもできる。
対象装置モデル情報701は対象装置104のモデルに関する情報である。対象装置モデルを用いることで、依頼者101の対象装置104(実機)を用いなくても、コンピュータシミュレーションにより対象装置104の動作や入出力をシステム100側で模擬することができる。
対象モデル情報702は、対象装置104が関係を有する対象105のモデルに関する情報である。対象モデルを用いることで、対象装置104に影響を与える可能性のある対象105(例えば、対象装置104の外側にある他の装置や環境や利用者)を考慮したシミュレーションすることが可能になる。
Webサービスの場合、対象モデルは例えばHTML5をサポートするブラウザとしてモデル化できる。さらに、利用者をシミュレートするモデルを加えてもよい。
カーレースゲームの場合、ゲームのルール、レースに用いる車両の仕様、性能やコース仕様、物理現象がモデル化される。何らかの装置やシステム、プラントを制御する場合は、制御対象となる装置についてモデル化したものを、対象モデル情報702とする。さらに、対象装置104または制御対象となる装置が対応する外界を物理モデルなどでモデル化すれば、外界を含めてシミュレートできる。
学習シミュレータモデルは、本システム100での学習に用いるシミュレータの構成を定義するモデルである。本実施形態では、学習モデル、対象装置モデル、対象モデルを組み合わせて学習シミュレータが構成される(詳しくは後述する)。
能力付与データ生成モデルは、本システム100における学習結果を基に、対象装置104の回路に組み込むための「能力付与データ」103を生成する方法などを定義するモデルである。具体的には、学習結果を能力付与データ103に変換する変換プログラムを、能力付与データ生成モデルとして準備しておけばよい。
図6を用いて依頼受付部200の構成について説明する。依頼受付部200は、依頼者101の依頼端末805からインターネットを介して学習依頼情報102を受け付ける機能を有する。依頼受付部200は、例えば、依頼受付アプリケーション801が動作するWebサーバ800、依頼情報DB802、対象装置情報DB803、対象情報DB804などから構成される。
依頼者101は、能力を付与する対象となる対象装置104を指定して、学習を依頼する。能力獲得モデル500に従った新たな能力の追加が可能な装置であれば、どのような装置も対象装置104になり得る。一例を挙げると、静止画像を分類する画像分類装置、センサデータにより監視を行う監視装置、動画像を用いて対象の動きを予測する予測システム、Webサービスシステム、運転装置などを例示できる。
・能力をCPUのプログラムとして実装する。この場合、例えば、ニューラルネットワーク回路の動作を演算する実行形式のCPUプログラムを能力付与データとする。
・能力をGPUのプログラムとして実装する。この場合、例えば、ニューラルネットワーク回路の動作を演算する実行形式のGPUプログラムを能力付与データとする。
・能力を部品として追加する。この場合、例えば、書き換え可能なFPGAにニューラルネットワークを書き込んだものを、能力付与データを含む部品とする。
・能力をクラウドサービスとして利用する。この場合、例えば、上記のいずれかを組み込んだネットワークサービスの利用プログラムを能力付与データとする。
・対象装置以外の装置が外部で提供する能力を利用する。この場合、上記のいずれかを組み込んだ装置を利用するためのプログラムを能力付与データとする。
・能力を装置として追加する。この場合、例えば、上記のいずれかを組み込んだ装置を利用するプログラムを能力付与データとする。
対象装置104がいかなる種類の装置であっても、図7に示すように、能力獲得モデル500に対応する構成901と、対象装置104にもともと備わっている基本構成902との組み合わせでモデル化することができる。基本構成902に対応する基本構成モデルと能力獲得モデル500を組み合わせると、新たな能力を獲得した後の対象装置104のモデルとなる。この対象装置モデルと、対象装置104の外部にある対象105をモデル化した対象モデルとを用いれば、コンピュータ上で、対象装置104の動作をシミュレーションすることができる。基本構成モデルは、必ずしも対象装置104が備える全ての構成をモデル化する必要はない。少なくとも、能力獲得モデル500と相互に影響する部分の構成が基本構成モデルにより定義されていればよい。
図8に、対象装置104の一実施例として、画像により検査対象の検査を行う画像検査装置の構成図を示す。この対象装置104における基本構成902は、画像入力部910、シーケンス制御部911、検査結果出力部912を有する。また対象装置104には、外部装置として、検査対象を撮影するカメラ913と検査対象を検出するセンサ914とが接続されている。カメラ913から取り込まれる画像データは画像入力部910に、センサ914の検出信号はシーケンス制御部911に、それぞれ入力される。
図9に、対象装置104の一実施例として、音声により話者の識別を行う話者識別装置の構成図を示す。この対象装置104はクラウドサーバにより構成され、インターネットを通じてユーザに話者識別サービスを提供するシステムである。ユーザは、スマートフォンやタブレットPCなどのユーザ端末に、話者識別サービスのフロントエンドアプリをインストールすることで、対象装置104が提供する話者識別サービスを利用可能となる。
図11に学習指令部202と学習シミュレータ203の詳細構成を示す。
学習指令部202は、トレーニングの設定および制御を担う処理部であり、図11に示すように、トレーニング設定部1000とトレーニング制御部1001を有する。トレーニング設定部1000は、依頼者101から受け付けた学習依頼情報102および対応するトレーニング情報304に基づいて、学習シミュレータ203に対しトレーニングに必要な設定を行う。トレーニング制御部1001は、学習シミュレータ203を制御してトレーニングを実施し、対象装置104に追加する能力を開発(学習により生成)する。
能力付与データ生成部204は、学習シミュレータ203の学習結果(トレーニングによって獲得した能力)を、対象装置104の能力受容部904に組み込むためのデータ(能力付与データ103)に変換する。学習結果から能力付与データ103を生成する変換プログラムは、あらかじめ能力付与データ生成モデル情報704により与えられる。この変換プログラムにより、対象装置104が有するハードウェア構成(例えば、FPGA、CPU、GPUなどの回路構成)に適合する能力付与データ103(例えば、プログラム、プログラムで使用するパラメータ)が生成される。能力付与データ103は前述のように能力設定データ、入力設定データ、出力設定データを含むとよい。
サービス提供部205は、能力付与データ生成部204によって生成された能力付与データ103を依頼者101に提供する。提供方法はいかなる方法でもよい。例えば、サービス提供部205は、電子的手段(例えば、電子メール、FTP、ファイルサーバからのダウンロードなど)を利用して能力付与データ103を依頼者101に送信してもよい。また、サービス提供部205は、能力付与データ103をDVD−ROMのような記録媒体に記録し、依頼者101に送付してもよい。また、サービス提供部205は、ネットワークを介して、能力付与データ103を依頼者101の対象装置104に直接送信してもよい。能力付与データ103は、対象装置104で実行可能なプログラムとして提供されてもよいし、クラウド上で実行されるプログラムやクラウドから提供されるサービスとして提供されてもよい。また、能力付与データ103を複数の装置を組み合わせたIoTサービスの形態で提供してもよい。また、能力付与データ103を半導体部品に組み込んだり、対象装置104に組み込み可能な部品に実装してもよい。あるいは、サービスマンが依頼者101のところに出向き、対象装置104に能力付与データ103を実装してもよい。また、対象装置104を依頼者101から預かり、能力付与データ103を組み込んだ後、対象装置104を返却してもよい。
図12に学習サービス提供システム100における学習依頼の受け付けから能力付与データの提供までの処理フローを示す。
依頼者101にとっては次のような利点がある。まず、このシステム100を利用すれば、依頼者101自身は機械学習を実施する必要がないので、対象装置104に新たな能力を追加するための開発業務を効率化することができる。また、依頼者101は機械学習に必要な情報を与えるだけでよいので、機械学習に関する知識やシステムをもたない者でも本システム100の利用が容易である。また、学習結果が能力付与データ103(新たな能力を対象装置104に追加するデータ)で提供されるので、依頼者101は、機械学習により獲得された新たな能力を自身の装置104に簡単に追加することができる。
少なくとも1つのメモリと、前記メモリと接続された少なくとも1つのハードウェアプロセッサとを備え、
前記ハードウェアプロセッサが、自装置の基本構成に追加的に新たな能力を組み込むためのアーキテクチャとして、能力を実行する能力部、前記能力部の入力のインタフェースであるデータ入力部、および、前記能力部の出力のインタフェースであるデータ出力部を含む能力獲得モデルによりモデル化されるアーキテクチャを構成し、
前記ハードウェアプロセッサが、能力設定データ、入力設定データ、および出力設定データを含む能力付与データに基づいて、前記能力部、前記データ入力部、および前記データ出力部のそれぞれに機能を設定することにより、自装置に新たな能力を追加する、
拡張性保有装置。
Claims (14)
- 自装置の基本構成に追加的に新たな能力を組み込むためのアーキテクチャとして、能力を実行する能力部、前記能力部の入力のインタフェースであるデータ入力部、および、前記能力部の出力のインタフェースであるデータ出力部を含む能力獲得モデルによりモデル化されるアーキテクチャと、
能力設定データ、入力設定データ、および出力設定データを含む能力付与データに基づいて、前記能力部、前記データ入力部、および前記データ出力部のそれぞれに機能を設定することにより、自装置に新たな能力を追加する能力設定部と、
を有することを特徴とする拡張性保有装置。 - 前記基本構成は、シーケンス制御により動作するシーケンス制御部を含む
ことを特徴とする請求項1に記載の拡張性保有装置。 - 前記データ入力部は、前記シーケンス制御部からの制御信号にしたがって前記基本構成からデータを取り込む機能を有し、
前記データ出力部は、前記シーケンス制御部に対しデータを出力する機能を有する
ことを特徴とする請求項2に記載の拡張性保有装置。 - 前記基本構成は、検査対象を撮影するカメラから画像データが入力される画像入力部及び前記検査対象の検査結果を外部装置に出力する検査結果出力部を含み、
前記データ入力部は、前記シーケンス制御部からの制御信号にしたがって前記画像入力部からデータを取り込む機能を有する
ことを特徴とする請求項3に記載の拡張性保有装置。 - 前記シーケンス制御部は、前記検査対象を検出するセンサから出力される検出信号を受信した場合に、前記画像入力部が所定時間後の前記画像データを保持するように、前記画像入力部に対し制御信号を出力する
ことを特徴とする請求項4に記載の拡張性保有装置。 - 前記基本構成は、ユーザ端末から音声データが入力される音声入力部及び前記音声データの話者識別の結果を前記ユーザ端末に出力する結果出力部を含み、
前記データ入力部は、前記シーケンス制御部からの制御信号にしたがって前記音声入力部からデータを取り込む機能を有する
ことを特徴とする請求項3に記載の拡張性保有装置。 - 前記能力付与データは、動作確認用データを含み、
前記能力設定部は、前記能力付与データに基づいて前記能力部、前記データ入力部、および前記データ出力部それぞれに機能を設定した後、前記動作確認用データを用いて、追加された前記新たな能力が正常に動作するかを確認する
ことを特徴とする請求項1〜6のうちいずれか1項に記載の拡張性保有装置。 - 前記動作確認用データは、1つ以上の入力データと、前記入力データを前記データ入力部に入力したときに前記能力部での処理を経て前記データ出力部から出力されるべきデータであるかを判定するための判定情報と、を含み、
前記能力設定部は、前記入力データを前記データ入力部に入力し、前記データ出力部から出力されるデータを前記判定情報を用いて判定することにより、追加された前記新たな能力が正常に動作するかを確認する
ことを特徴とする請求項7に記載の拡張性保有装置。 - 前記能力設定データは、前記新たな能力を実行する機能を前記能力部に設定するためのデータであり、
前記入力設定データは、前記能力部への入力のインタフェースに関する機能を前記データ入力部に設定するためのデータであり、
前記出力設定データは、前記能力部からの出力のインタフェースに関する機能を前記データ出力部に設定するためのデータである
ことを特徴とする請求項1〜8のうちいずれか1項に記載の拡張性保有装置。 - 前記能力部への入力のインタフェースに関する機能は、前記基本構成から前記データ入力部にデータを取り込む機能、自装置以外のデバイスから前記データ入力部にデータを取り込む機能、取り込んだデータに対し加工を施す機能、および、前記能力部に適合するようにデータ形式を変換する機能、のうち少なくとも1つを含む
ことを特徴とする請求項9に記載の拡張性保有装置。 - 前記能力部からの出力のインタフェースに関する機能は、前記能力部から出力されるデータに対し加工を施す機能、前記基本構成に適合するようにデータ形式を変換する機能、および、自装置以外のデバイスに適合するようにデータ形式を変換する機能、のうち少なくとも1つを含む
ことを特徴とする請求項9または10に記載の拡張性保有装置。 - 前記アーキテクチャは、書き換え可能な電子回路により構成され、
前記能力付与データは、前記書き換え可能な電子回路に書き込むデータを含む
ことを特徴とする請求項1〜11のうちいずれか1項に記載の拡張性保有装置。 - 前記アーキテクチャは、プログラムを実行するプロセッサにより構成され、
前記能力付与データは、前記プロセッサで実行されるプログラムを含む
ことを特徴とする請求項1〜11のうちいずれか1項に記載の拡張性保有装置。 - 前記新たな能力は、機械学習によって獲得された能力である
ことを特徴とする請求項1〜13のうちいずれか1項に記載の拡張性保有装置。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016049438 | 2016-03-14 | ||
JP2016049438 | 2016-03-14 | ||
PCT/JP2017/009997 WO2017159620A1 (ja) | 2016-03-14 | 2017-03-13 | 拡張性保有装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2017159620A1 JPWO2017159620A1 (ja) | 2018-12-27 |
JP6551715B2 true JP6551715B2 (ja) | 2019-07-31 |
Family
ID=59850710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018505917A Active JP6551715B2 (ja) | 2016-03-14 | 2017-03-13 | 拡張性保有装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US10810018B2 (ja) |
EP (1) | EP3432228A4 (ja) |
JP (1) | JP6551715B2 (ja) |
CN (1) | CN108604317A (ja) |
WO (1) | WO2017159620A1 (ja) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10587482B2 (en) * | 2017-09-18 | 2020-03-10 | International Business Machines Corporation | Discovery of IoT devices |
US10692467B2 (en) * | 2018-05-04 | 2020-06-23 | Microsoft Technology Licensing, Llc | Automatic application of mapping functions to video signals based on inferred parameters |
WO2020036082A1 (ja) * | 2018-08-15 | 2020-02-20 | 味の素株式会社 | 検査装置、検査方法および検査プログラム |
JP6852141B2 (ja) | 2018-11-29 | 2021-03-31 | キヤノン株式会社 | 情報処理装置、撮像装置、情報処理装置の制御方法、および、プログラム |
CN111193916B (zh) * | 2018-12-29 | 2022-03-29 | 中科寒武纪科技股份有限公司 | 运算方法 |
WO2020240727A1 (ja) * | 2019-05-29 | 2020-12-03 | 日本電気株式会社 | 学習装置、推論装置、制御方法及び記憶媒体 |
CN112328236A (zh) * | 2020-11-25 | 2021-02-05 | 用友网络科技股份有限公司 | 模型构建方法、系统、电子设备和可读存储介质 |
JP7056794B1 (ja) | 2021-11-10 | 2022-04-19 | トヨタ自動車株式会社 | モデル学習システム及びモデル学習装置 |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05113882A (ja) * | 1991-10-23 | 1993-05-07 | Nec Corp | 中間フアイルによる外付けマン・マシン・インターフエース実現方式 |
JP2001202236A (ja) * | 2000-01-20 | 2001-07-27 | Fuji Xerox Co Ltd | プログラマブル論理回路装置によるデータ処理方法、プログラマブル論理回路装置、情報処理システム、プログラマブル論理回路装置への回路再構成方法 |
JP2006018640A (ja) * | 2004-07-02 | 2006-01-19 | Fuji Xerox Co Ltd | 情報入力装置及び情報入力制御プログラム |
US7738683B2 (en) * | 2005-07-22 | 2010-06-15 | Carestream Health, Inc. | Abnormality detection in medical images |
JP2007140952A (ja) | 2005-11-18 | 2007-06-07 | Canon Inc | 分散処理システム及びその処理方法 |
JP2009134474A (ja) | 2007-11-29 | 2009-06-18 | Brother Ind Ltd | ファームウェア書き換え方法、ファームウェア書き換えプログラム、およびファームウェア管理装置 |
JP2011107925A (ja) * | 2009-11-17 | 2011-06-02 | Ubiquitous Corp | プログラム、制御方法、並びに制御装置 |
JP5990893B2 (ja) * | 2011-11-11 | 2016-09-14 | 株式会社リコー | 拡張機能処理装置、拡張機能処理システム及び拡張機能処理プログラム |
JP5915192B2 (ja) * | 2012-01-12 | 2016-05-11 | ミツミ電機株式会社 | センサ出力補正回路及びセンサ出力補正装置 |
WO2014172671A1 (en) * | 2013-04-18 | 2014-10-23 | Digimarc Corporation | Physiologic data acquisition and analysis |
JP6214922B2 (ja) | 2013-05-20 | 2017-10-18 | 日本電信電話株式会社 | 情報処理装置、情報処理システム、情報処理方法、および学習プログラム |
US9117175B2 (en) * | 2013-06-17 | 2015-08-25 | Jeremy M. Kaplan | Neurite systems |
JP5885719B2 (ja) | 2013-09-09 | 2016-03-15 | 株式会社東芝 | 識別装置および演算装置 |
CN104809498B (zh) * | 2014-01-24 | 2018-02-13 | 清华大学 | 一种基于神经形态电路的类脑协处理器 |
JP5816771B1 (ja) | 2015-06-08 | 2015-11-18 | 株式会社Preferred Networks | 学習装置ユニット |
US10410113B2 (en) * | 2016-01-14 | 2019-09-10 | Preferred Networks, Inc. | Time series data adaptation and sensor fusion systems, methods, and apparatus |
CN108701264A (zh) | 2016-03-14 | 2018-10-23 | 欧姆龙株式会社 | 能力赋予数据生成装置 |
JPWO2017159614A1 (ja) | 2016-03-14 | 2019-01-10 | オムロン株式会社 | 学習サービス提供装置 |
-
2017
- 2017-03-13 EP EP17766620.3A patent/EP3432228A4/en not_active Withdrawn
- 2017-03-13 CN CN201780010906.3A patent/CN108604317A/zh active Pending
- 2017-03-13 JP JP2018505917A patent/JP6551715B2/ja active Active
- 2017-03-13 WO PCT/JP2017/009997 patent/WO2017159620A1/ja active Application Filing
-
2018
- 2018-08-21 US US16/106,137 patent/US10810018B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
JPWO2017159620A1 (ja) | 2018-12-27 |
EP3432228A4 (en) | 2019-04-10 |
CN108604317A (zh) | 2018-09-28 |
WO2017159620A1 (ja) | 2017-09-21 |
US20180357078A1 (en) | 2018-12-13 |
EP3432228A1 (en) | 2019-01-23 |
US10810018B2 (en) | 2020-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6551715B2 (ja) | 拡張性保有装置 | |
WO2017159614A1 (ja) | 学習サービス提供装置 | |
JP6614466B2 (ja) | 能力付与データ生成装置 | |
Andrews et al. | The CoSMoS process, version 0.1: A process for the modelling and simulation of complex systems | |
AU2017327823B2 (en) | Test case generator built into data-integration workflow editor | |
JPWO2018235252A1 (ja) | 分析装置、ログの分析方法及び分析プログラム | |
US11086754B2 (en) | Automated feedback-based application optimization | |
CN111652453A (zh) | 用于零件设计、仿真和制造的智能工作流程顾问 | |
EP3021266A1 (en) | Lean product modeling systems and methods | |
Lerchner et al. | An open S-BPM runtime environment based on abstract state machines | |
US20220206773A1 (en) | Systems and methods for building and deploying machine learning applications | |
WO2022134001A1 (zh) | 基于容器化技术的机器学习模型框架的开发方法与系统 | |
US20220147437A1 (en) | Automated testing of mobile devices using visual analysis | |
Mao | Multi-objective search-based mobile testing | |
CN115349129A (zh) | 生成具有不确定性区间的性能预测 | |
Venugopal et al. | Use of genetic algorithms in software testing models | |
Poirier et al. | Interactive multimodal system characterization in the internet of things context | |
US20210365354A1 (en) | Accelerating application interrogation and interaction mapping | |
US20230409956A1 (en) | Machine learning prediction of additional steps of a computerized workflow | |
EP4131011A1 (en) | Methods and apparatus to generate a surrogate model based on traces from a computing unit | |
EP4231154A1 (en) | Method for providing a training dataset for training and/or testing a machine learning model, method for training a machine learning model, and method for predicting timing and/or resource requirements of an unknown application running on an electronic device | |
US20230115723A1 (en) | Complexity based artificial intelligence model training | |
EP4270121A1 (en) | Method and system for seamless transition of runtime system from controller device to digitalization platform | |
Mateus et al. | Intelligent virtual environment using artificial neural networks | |
CN115904929A (zh) | 基于来自计算单元的踪迹生成代用模型的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180903 |
|
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: 20190605 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20190618 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6551715 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |