JP6551715B2 - 拡張性保有装置 - Google Patents

Description

関連出願の相互参照

本出願は、２０１６年３月１４日に出願された日本出願番号２０１６−０４９４３８号に基づくもので、ここにその記載を援用する。

本発明は、装置に対し新たな能力を追加する技術に関する。

（背景技術）
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。

現時点では、Ｄｅｅｐ ＬｅａｒｎｉｎｇなどのＡＩ技術は特殊な技術であり、ＡＩ技術を特定分野に適用するためには、特殊なスキルを持つ要員による研究と開発が必要となる。例えば、ＡＩ技術を持つ要員が、顧客の依頼ごとに顧客の装置と要望を分析して、学習プランを作成し、トレーニングシステムを構築し、学習により新たなニューラルネットワークを生成し、それを客先のシステムに組み込むためのシステム開発を行っている。Ｄｅｅｐ ＬｅａｒｎｉｎｇなどのＡＩ技術を用いた学習では、大規模なデータが必要となることが多く、さらに繰り返し演算回数が多いために、大規模なトレーニングシステムが必要となる。トレーニングシステムにおいては、ＡＩ技術の実装のみでなく、大規模データを扱うしくみや、並列化や演算プログラムのハードウェア化など、従来のＷｅｂアプリとは異なる、より複雑なシステムが用いられる。現状では、ＡＩ技術を保有するＡＩ技術サービス企業が、ＡＩ技術には詳しくない顧客企業に対してコンサルティングとシステム開発の双方を行うケースが多い。

装置に新たな能力を実装する方法に関連する技術として、特許文献１、２では、プリンタのファームウェアを書き換える技術が開示されている。また、特許文献３、４には、機械学習に関連する技術が開示され、特許文献５には、Ｄｅｅｐ Ｌｅａｒｎｉｎｇを利用した文字識別システムが開示されている。

特開２００９−１３４４７４号公報 特開２００７−１４０９５２号公報 特開２０１４−２２８９７２号公報 特許第５８１６７７１号公報 特開２０１５−５３００８号公報

今後は、装置を開発する企業が自身でＡＩ技術を組み込んだ製品を開発したいというニーズが高まることが予想される。特に、組込機器においては、このような要望が多い。しかし、機械学習（トレーニング）には、高度なシステムと多くの演算リソース、並びにそれらをメンテナンスできる要員が必要となる。このため、一般のメーカの技術者が自身で機械学習を実施するのは容易ではない。そこで、機械学習の外部委託が考えられるが、例えば組込機器の開発者のように、ＡＩ技術になじみのない技術者にとっては、外部で実施された機械学習の結果を自身の装置に組み込むことは容易ではない。
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。

本発明は上記実情に鑑みなされたものであり、機械学習に関する知識やシステムを持たない者でも、簡単に自身の装置に新たな能力を追加するための仕組みを提供することを目的とする。

上記のうち少なくともいずれかの目的を達成するため、本発明は以下の構成を採用する。

本発明の第一態様は、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である。

本発明によれば、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、能力付与データに基づいて能力獲得モデルの各構成部に対し機能を設定する能力設定部とを設けたことにより、装置への新たな能力の組み込みが容易に実現できる。これにより、外部から提供される新たな能力を簡単に追加できる仕組みをもつ、拡張性に優れた装置を提供することができる。また、新たな能力の開発を外部委託することが容易になり、開発業務の効率化を図ることができる。

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とよい。これにより、シーケンス制御で動作する装置に対する拡張性を高めることができる。例えば、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とよい。これにより、能力獲得モデルにより追加した新たな能力を、シーケンス制御部の制御下で実行することができる。また、基本構成により提供される機能と追加した新たな機能との間でのデータおよび処理結果の受け渡しが実現でき、基本機能と追加した新たな機能の協働（連携）を容易に実現できる。

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とよい。これにより、新たな能力の組み込みが成功したかどうかの動作確認を容易にかつ自動で行うことができ、利便性に優れる。例えば、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とよい。これにより、データ入力部、能力部、データ出力部の一連の動作の確認を行うことができる。

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とよい。

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つを含むとよい。このような機能により、新たな能力を実行するに際し必要なデータを能力部に与えることが可能となる。

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つを含むとよい。このような機能により、能力部で実行された新たな能力の結果を所望の形式で出力することが可能となる。

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とよい。また、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とよい。このような構成で能力付与の仕組みを提供することで、新たな能力を装置に追加することが容易になる。

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とよい。機械学習には、高度なシステムと多くの演算リソース、並びにそれらをメンテナンスできる要員が必要となるため、装置の開発者自らが機械学習を実施することが難しい場合がある。そのように場合に、本発明に係る拡張性保有装置を利用することで、他者が機械学習を代行し、その学習結果を能力付与データの形式で納品する、という利便性の高いサービスが実現できる。

なお、本発明は、上記構成ないし機能の少なくとも一部を有する拡張性保有装置として捉えることができる。拡張性保有装置は、単体の装置で構成してもよいし、複数の装置の組み合わせで構成してもよい。また、本発明は、上記処理の少なくとも一部を含む方法、または、かかる方法をコンピュータに実行させるためのプログラム、または、そのようなプログラムを非一時的に記録したコンピュータ読取可能な記録媒体として捉えることもできる。上記構成および処理の各々は技術的な矛盾が生じない限り互いに組み合わせて本発明を構成することができる。

本発明によれば、装置に新たな能力を追加するための開発業務を効率化する仕組みを提供することができる。また本発明によれば、外部から提供される新たな能力を簡単に追加できる仕組みをもつ、拡張性に優れた装置を提供することができる。また本発明によれば、シーケンス制御を利用する装置に対し、機械学習により獲得された新たな能力を追加できる仕組みを提供することができる。

図１は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である。 図２は学習サービス提供システムのシステム構成図である。 図３は能力獲得モデルの構成図である。 図４はＤｅｅｐ Ｌｅａｒｎｉｎｇによる能力獲得モデルの一例を示す図である。 図５はトレーニング情報およびトレーニング受け付け情報のデータ構造の一例を示す図。 図６は依頼受付部の構成図である。 図７は対象装置の構成図である。 図８は能力付与データのデータ構造の一例を示す図である。 図９は画像に対し処理を行う対象装置の構成図である。 図１０は音声に対し処理を行う対象装置の構成図である。 図１１は学習指令部と学習シミュレータの詳細構成図である。 図１２は学習サービス提供システムの処理フローである。 図１３は学習依頼情報のデータ構造の一例を示す図である。

本発明は、機械学習により獲得された新たな「能力」を追加することが可能なアーキテクチャをもつ、拡張性（Ｅｘｔｅｎｓｉｂｉｌｉｔｙ）に優れた装置に関する。本明細書では、このような拡張性をもつ装置を「拡張性保有装置」または「拡張性設計（Ｅｘｔｅｎｓｉｂｉｌｉｔｙ Ｄｅｓｉｇｎ）された装置」と呼ぶ。以下に述べる実施形態では、依頼者が外部の学習サービスを利用し、自身の拡張性保有装置（新たな能力を追加する対象の装置という意味で以下「対象装置」と記す）に新たな能力を組み込む例について説明する。

＜用語の説明＞
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。

「学習サービス」とは、機械学習を代行するサービスである。詳しくは、依頼者（対象装置に新たな能力を付与したいと望む者）からの依頼に基づき、依頼者に代わって対象装置に追加するための新たな能力の機械学習を実施し、機械学習の結果として得られた「能力」を依頼者の対象装置に提供するサービスである。「学習サービス提供システム」は、依頼者からの学習依頼の受け付け、機械学習の実施、依頼者への学習結果の提供など、学習サービスに関わる一連の処理を担うシステムである。

「機械学習」は、機械に目標を入力すると、機械が目標を達成するための能力を獲得して、機械自身が新たに獲得した能力を発揮できるようになることである。本明細書では、特に明記がない場合、「学習」は機械学習を意味する。

「能力」は、装置が提供しうる機能ないし装置が実行しうる処理である。装置に新たな能力を追加するとは、装置に新しい機能ないし処理を追加すること、または、装置が既に有する機能ないし処理の性能を向上することである。なお、依頼者の「対象装置」は、新たな能力を組み込み可能な構成をもつ装置であれば、いかなる種類の装置でもよい。例えば、製造装置、ＦＡロボット、検査装置、生産管理システム、プラント制御システム、監視システム、ビル制御システム、店舗管理システム、人型ロボット、防災ロボット、Ｗｅｂサービス、モバイル端末、家電装置、業務システム、組込システム、生体情報システム、画像認識装置、音声認識装置、自動運転システム、故障予測システム、データ分析装置、コンテンツ生成装置、セキュリティシステム、金融システム、ウィルス監視装置などさまざまな分野の装置の開発に利用できる。

「能力付与データ」は、学習結果として得られた「能力」を依頼者の対象装置に追加するためのデータである。能力付与データは依頼者の対象装置にそのまま組み込み可能（実装可能）なデータ形式をもつデータである。学習結果を適切な形式でデータ化することで、学習サービスの学習結果を依頼者の対象装置へ組み込むことが容易になる。

以下に述べる実施形態では、実行形式のプログラムとプログラムの定義とを区別するため、プログラムの定義を「モデル」により記述している。「モデル」は、対象の振る舞いや性質などを一般化・抽象化し、所定の記述言語を用いて表現したものであり、モデルベース開発において用いられるモデルと同じである。任意のプログラムやデータ構造をモデルで定義することができる。また、任意の装置、環境、物理現象などもモデルで定義することができる。モデルベース開発では、モデルによって各構成要素の内部構成と各構成要素間の関係を定義し、複数のモデルを組み合わせた状態をシミュレーションすることができる。また、モデルベース開発ツールを用いることで、モデルから実行形式のプログラムや回路を自動生成できる。

モデルにはプログラムの定義のみでなく、実行形式のプログラムを含めることができる。それによって、依頼された学習を学習シミュレータで実行する時の処理を減らすことができる。

以下に述べる実施形態において、モデルベース開発ツールでプログラムを開発することで、学習のシミュレーションにおける各部分の関係を明確に定義できる。ただし、システムの実装においてモデルベース開発ツールを用いずに、同様のプログラムを開発することができる。従って、本発明はモデルベース技術で開発したシステムには限定されない。

モデルに記述する項目の一部を「パラメータ化」することができる。つまり、項目の値をパラメータ（変数）で定義しておき、学習依頼を受け付ける際に依頼者にパラメータの値を入力または選択させたり、学習実行時にシステム側でパラメータの値を適宜設定することができる。以後、パラメータ化された項目を「パラメトリック項目」または「未定義項目」または単に「パラメータ」と呼び、値や内容が定義されている項目を「定数項目」または「定義済み項目」と呼ぶ。パラメトリック項目はデータ項目に限られない。例えば関数型プログラミング言語を利用することで、処理項目（メソッド項目）もパラメータ化できる。関数型プログラミング言語では、関数の引数として関数を渡すことができる。この機能により、所定のプログラムが別のプログラムの引数として扱われて起動できる。関数の引数に異なる関数（プログラム）のＩＤ情報を指定することで、選択可能な処理がパラメータ化される。コード量は増えるが、同様の処理を、一般的なオブジェクト指向言語やＣ言語で記述することが可能である。

「学習モデル」は、対象装置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、本システムが依頼を受け付け可能な機械学習の種類ごとにそれぞれ作成される。以後の記載では、「学習モデル」の語を単に「機械学習の種類」という意味で用いている文脈もある。

「対象装置モデル」は、依頼者の対象装置（新たな能力を追加される装置）のモデルである。本システムは、この対象装置モデルで実行できるようにするための能力付与データを生成し出力する。

「対象モデル」は、依頼者の対象装置（新たな能力を追加される装置）が関係を有する対象のモデルである。対象装置が関係を有する対象には、例えば、対象装置の周囲の環境、対象装置との間で入出力を行う他の装置、対象装置が作用を及ぼす対象などが該当する。

＜システム全体の動作概念＞
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。

＜システムの構成＞
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。

本システム１００は、例えば、プロセッサ、メモリ、記憶装置（ハードディスク、半導体ディスクなど）、入力装置（キーボード、マウス、タッチパネルなど）、表示装置、通信装置などのハードウェア資源を有する汎用のコンピュータにより構成することができる。図２に示す本システム１００の機能は、記憶装置に格納されたプログラムがメモリにロードされ、プロセッサにより実行されることにより、実現されるものである。なお、本システム１００は、一台のコンピュータにより構成してもよいし、複数台のコンピュータによる分散コンピューティングにより構成してもよい。また、処理の高速化のため、本システム１００の機能の一部または全部を専用のハードウェア（例えばＧＰＵやＦＰＧＡ、ＡＳＩＣなど）を用いて実現することも可能である。

（能力の獲得）
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。

能力獲得モデルを定義することによって、共通させるべきアーキテクチャに関する情報がモデルデータとしてデータ化される。データ化された能力獲得モデルに関する情報は、それぞれの学習モデルにおいて学習シミュレータ２０３と対象装置１０４の間で論理的な整合をとるために用いられる。データ化されることで、各種の開発ツールを用いた、プログラムや回路の自動生成や自動テストを行うことが可能となる。

あらかじめ準備されていた能力獲得モデルが対象装置１０４に適合しない場合に、学習依頼者１０１があらかじめ準備されていた能力獲得モデルの一部または全てを変更して新たな能力獲得モデルを作成してもよい。能力獲得モデルをシステムモデリング言語で記述して、ファイルに格納して学習サービス提供システム１００に提供する学習依頼情報１０２に含めることによって、任意の対象装置１０４について、学習依頼を行うことが可能となる。

それぞれの能力獲得モデルに対して能力獲得モデルを相互に識別する識別情報（例えば、能力獲得モデルＩＤや能力獲得モデル名）を付与することで、識別情報を使って学習シミュレータ２０３と対象装置１０４の間で能力獲得モデルを特定して論理的に整合させることができる。

能力獲得モデルを用いることで、学習を依頼する依頼者１０１と依頼を受ける者との間で、必要以上の技術情報をやりとりすることなく、それぞれの開発を進めることができる。

能力獲得モデルの情報を公開することで、公開された特定の能力獲得モデルに対応する対象装置１０４である製品の普及が促進される。また、公開された特定の能力獲得モデルに対応する学習モデルが複数のベンダーから提供されることが可能となり、競争による学習レベルの向上が期待できる。

図３に能力獲得モデルの構成を示す。本実施形態の能力獲得モデル５００は、能力を実行する構成である能力部５０２と、能力部５０２の入力のインタフェースであるデータ入力部５０１と、能力部５０２の出力のインタフェースであるデータ出力部５０３の３つの定義を含む。データ入力部５０１は、対象装置１０４やその他の機器から所定の仕様でデータを受け取り、必要なデータ処理を施し、能力部５０２に適合するようにデータ形式を変換して入力する。データ入力部５０１は、対象装置１０４などから受け取るデータの仕様、データ処理の仕様、能力部５０２に入力するデータの仕様などの、対象装置１０４やその他の機器から能力部５０２にデータを入力する仕様の定義を含む。能力部５０２は、データ入力部５０１から入力されたデータに基づき情報処理を実施し、その結果をデータ出力部５０３に出力する。この能力部５０２の内部の構成を変えることで、能力獲得モデル５００の能力を変更することができる。データ出力部５０３は、能力部５０２から結果を受け取り、必要なデータ処理を施し、対象装置１０４やその他の機器に適合するようにデータ形式を変換して出力する。データ出力部５０３は、能力部５０２から出力されるデータの仕様、データ処理の仕様、対象装置１０４などへ所定のインタフェース仕様で出力するデータの仕様などの、能力部５０２から対象装置１０４やその他の機器にデータを出力する仕様の定義を含む。

能力獲得モデル５００を用いることで、学習シミュレータ２０３と対象装置１０４において、データ入力部５０１と能力部５０２とデータ出力部５０３は、実装方法が異なっても、論理的に同じ動作を行うことが保証される。また、能力獲得モデルを用いることで、学習依頼者と依頼を受ける者の間で、必要以上の情報をやりとりすることなく、学習を依頼することができる。

なお、本システム１００の学習シミュレータ２０３側では、能力獲得モデル５００を新たな能力獲得のための学習シミュレーションに利用するため、以後の説明では、システム１００側の能力部５０２を「能力獲得部」とも称する（図９の能力獲得部１００４を参照）。一方、対象装置１０４側では、システム１００で獲得された新たな能力を受容し実行するために能力獲得モデル５００を利用するため、対象装置１０４側の能力部５０２を「能力受容部」とも称する（図７の能力受容部９０４を参照）。また、以後の説明において、学習シミュレータ２０３側の能力獲得モデルと対象装置１０４側の能力獲得モデルを区別するために、図７および図９に示される符号を用いる。

学習シミュレータ２０３で獲得した能力を対象装置１０４に付与できるようにするために、能力獲得モデル５００は、少なくともデータ入力部５０１と能力部５０２の間のインタフェース仕様と、能力部５０２とデータ出力部５０３の間のインタフェース仕様と、学習モデルが学習に用いるときに対象装置１０４の能力受容部９０４の構成を特定するための情報とを含むとよい。例えば、獲得する能力が「画像の分類」の場合は、対象装置１０４と能力獲得モデルの関係がシンプルなので、それだけで学習シミュレータ２０３と対象装置１０４を整合させることができる。具体的には、入力が画像データで、出力が分類結果であることが定義されていればよい。

能力獲得モデル５００は、さらに以下のような詳細な情報を含むようにできる。

学習シミュレータ２０３に実装された能力獲得部１００４に入力されるデータと対象装置１０４の能力受容部９０４に入力されるデータは同等である必要がある。能力獲得モデル５００のデータ入力部５０１は、対象装置１０４の基本構成９０２からデータ入力部９０３に対するデータ入力のインタフェース仕様を定義する情報を含むようにできる。データ入力部５０１には任意のロジックを組み込むようにできる。

学習にＤｅｅｐ Ｌｅａｒｎｉｎｇを用いる場合、能力受容部９０４は学習モデルで使用される深層ニューラルネットワークとなるので、能力獲得モデル５００は、受容可能なネットワークの構成を特定する情報を含む必要がある。構成を特定する情報は受容可能なネットワークを一意に定めるものでもよいし、複数の選択可能な範囲を示すようにしてもよい。他の学習方法の場合は、能力を獲得する回路やソフトウェアなど学習ロジックを特定するための情報を含むようにする。それによって、学習シミュレータ２０３の能力獲得部１００４と対象装置１０４の能力受容部９０４の論理的な構成が一致することが担保される。一方で、学習シミュレータ２０３の能力獲得部１００４と対象装置１０４の能力受容部９０４の実装方法が、例えばハードウェア実装とソフトウェア実装のように相違していてもよい。例えば、対象装置１０４の能力受容部９０４がソフトウェア実装であるときに、学習シミュレータ２０３側では、学習時間を短くするためにハードウェアで能力獲得部１００４のニューラルネットワークを構成することができる。

学習シミュレータ２０３に実装された能力獲得部１００４からデータ出力部１００５を介して出力されるデータと対象装置１０４の能力受容部９０４からデータ出力部９０５を介して出力されるデータは同等である必要がある。そのために、能力獲得モデル５００のデータ出力部５０３は、データ出力部９０５から対象装置１０４の基本構成９０２に対するデータ出力のインタフェース仕様を定義する情報を含むようにできる。

能力獲得モデル５００と対象装置１０４の基本構成９０２との間で入出力のインタフェース仕様を定義することで、学習シミュレータ２０３において基本構成９０２のモデル１００６を用いたシミュレーションを行うことが可能になる。例えば、獲得した能力が対象装置１０４の基本構成９０２を制御するような場合に、上記のような詳細な情報が必要になる。

能力獲得モデル５００が学習シミュレータ２０３における実装や、対象装置１０４における実装の内容である回路情報や実行形式のプログラムを含むようにしてもよい。逆に、最小限のインタフェース仕様のみを定義するようにしてもよい。最小限のインタフェース仕様のみを定義することで、能力獲得モデル５００を定義するファイルのサイズを小さくすることができる。インタフェース仕様と実装されるロジックの定義を含むようにして、学習シミュレータ２０３と対象装置１０４のそれぞれに対してモデルから自動生成するようにしてもよい。自動生成することで、学習モデルの開発効率を向上させることが可能となり、モデル情報を用いた厳密な仕様チェックを機械的に行うことが可能となる。

能力獲得モデル５００は、それぞれの学習モデルにおいて学習シミュレータ２０３と対象装置１０４の間で矛盾なく定義されていればよい。学習シミュレータ２０３と対象装置１０４における能力獲得モデル５００に相当する部分の実装は、それぞれ異なるものであってよい。

能力獲得モデル５００は、例えばオブジェクト指向プログラミング言語や関数型プログラミング言語の抽象クラスあるいはインタフェースを定義するクラス相当の言語機能によって定義できる。さらに実装クラスを加えるようできる。あるいは、システムモデリング言語で、インタフェース仕様として定義できる。システムモデリング言語で、実装されるロジックを含むようにも定義できる。あるいは、ハードウェア記述言語のインタフェース仕様として定義できる。ハードウェア記述言語で、実装されるロジックを含むようにも定義できる。

それぞれ、インタフェース仕様のみ定義するようにしてもよいし、データ入力部５０１、能力部５０２、データ出力部５０３に対応して実装されるロジックの定義を含むようにしてもよい。

学習シミュレータ２０３におけるデータ入力部１００３とデータ出力部１００５は、対象装置１０４におけるデータ入力部９０３とデータ出力部９０５から入出力されるデータと同等のデータを、学習用データとして能力獲得部１００４に入出力するような動作を行う。対象装置１０４と同等のデータが能力獲得部１００４に入力されればよいので、学習シミュレータ２０３におけるデータ入力部１００３、データ出力部１００５と、対象装置１０４におけるデータ入力部９０３、データ出力部９０５は必ずしも同じ構成である必要はない。学習に用いるデータの形式や出力データの形式が、対象装置１０４内で扱われるデータ形式と異なるような場合は、学習シミュレータ２０３におけるデータ入力部１００３およびデータ出力部１００５と、能力獲得部１００４との間のインタフェースが一致するように変換すればよい。学習シミュレータ２０３と対象装置１０４の間で能力獲得モデルを整合させることで、学習時の能力獲得部１００４と対象装置１０４の能力受容部９０４が同等の能力を実行できること、および、それぞれに同等のデータが入出力されることが担保される。また、能力付与データ１０３により、対象装置１０４へ新たな能力を組み込むことが容易に実現できる。能力獲得モデルが整合されていれば、学習シミュレータ２０３の能力獲得部１００４と対象装置１０４の能力受容部９０４が異なる実装形態（例えば、ハードウェア実装とソフトウェア実装、あるいは使用するプログラミング言語の相違）となっている場合も、能力付与データ１０３による能力付与が可能となる。

能力部５０２が発揮する能力（情報処理を実現するためのプログラムや各種パラメータなど）は機械学習によって生成される。機械学習は例えばＤｅｅｐ Ｌｅａｒｎｉｎｇの技術を用いて実施できる（以下の実施形態では、主にＤｅｅｐ Ｌｅａｒｎｉｎｇを用いた実施方法を想定している。）。ただし、学習方法はＤｅｅｐ Ｌｅａｒｎｉｎｇに限られない。

例えば、モータ制御の学習において、以下のような方法により新たな能力を獲得できる。あらかじめ複数の制御ロジックの構成要素を用意する。トレーニングでいくつかの構成要素をランダムに選択して、接続する。接続したモデルで遺伝アルゴリズムにより、結果を最適化する。所定の範囲で上記を繰り返して、最もよいものを選択する。

例えば、文字列の分類学習において、以下のような方法により新たな能力を獲得できる。人が分類した多数のサンプルを準備する。さまざまな文字列関数を用意する。文字列関数をランダムに選択して、複数の文字列関数を組み合わせる。文字列関数のパラメータを遺伝アルゴリズムにより最適化する。所定の範囲で上記を繰り返して、最もよいものを選択する。

例えば、プログラムの機械コードを部分ごとにランダムに生成して、入力に対する出力が最良となるものを選択することで、新たな能力を獲得できる。目的ごとにプログラムの分割を適切に選択しておくことで、学習速度を向上させることができる。

ＡＩ技術者は、受け付ける依頼ごとに、効率がよい能力獲得モデルとそのトレーニング方法を選んで、学習依頼を受け付けられるようにする。Ｄｅｅｐ Ｌｅａｒｎｉｎｇにおける学習方法として様々な手法が知られている。ＡＩ技術者は応用する対象ごとに、より少ない処理で学習が終了するような手法を選択する。

（Ｄｅｅｐ Ｌｅａｒｎｉｎｇの例）
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。

（トレーニング情報３０４）
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。

（１）学習モデル情報７００
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。

学習モデルは、以下の情報を含むとよい。

・「学習の目標」：学習の目標を構成する項目の一部あるいは全部をパラメータ化し、学習目標の条件を指定可能な項目として定義することができる。学習目標の項目としては、例えば、能力部５０２の出力結果の精度や誤差、評価式による評価結果、学習の繰り返し計算の回数、出力の安定性など、どのようなものでもよい。

・「能力部の入力に関する定義」：能力部５０２に入力するデータを対象装置１０４またはその他の外部機器からどのように入力するかを定義する。例えば、対象装置１０４から２種類のセンサデータが入力され、能力部５０２にはそれらの平均データを与える場合であれば、２種類のセンサデータの仕様、平均データを求めるための処理方法、能力部に与えるデータの仕様などを定義する。取り扱うデータには、例えば、画像、音声、自然言語、センサデータなどさまざまな種類のデータがあるが、データの種類や仕様が異なれば、それぞれ異なるモデルが定義される。

・「能力部の構成に関する定義」：能力部５０２の内部構成を定義する。例えばＤｅｅｐ Ｌｅａｒｎｉｎｇのニューラルネットワークを用いる場合であれば、層数、各層の構造（畳み込み層、プーリング層、全接続層、ノード）、活性化関数、フィルタなどを定義する。対応可能な構成を複数定義し（例えば、層数の範囲、層構造のバリエーションなど）、それらの範囲内で選択可能にしてもよい。

・「能力部の出力に関する定義」：能力部５０２から出力するデータを対象装置１０４またはその他の外部機器へどのような情報として出力するかを定義する。例えば、能力部５０２が予測確率（実数値）を出力する場合に、確率が閾値より大きいか否かの２値の判定結果を対象装置１０４に出力するのであれば、予測確率のデータの仕様、判定結果のデータの仕様、閾値の仕様などを定義する。

・「能力部をトレーニングする方法」：能力部５０２の機械学習に使用する方法、具体的には機械学習を実施するトレーニングプログラムを定義する。ＡＩ技術者が、あらかじめトレーニングプログラムを作成しておくことで、依頼時には自動的にトレーニングを実行できる。例えば、Ｄｅｅｐ Ｌｅａｒｎｉｎｇのトレーニングプログラムは、ニューラルネットワークの入出力の構成と、ニューラルネットワークの各層の構成と、学習用データなどを指定して作成される。Ｄｅｅｐ Ｌｅａｒｎｉｎｇのトレーニングプログラムは、学習用データを順次入力して、ニューラルネットワークの各層でのパラメータを最適化することにより、新たな能力を獲得させるものである。トレーニングプログラムは、モデルとして定義することもできる。トレーニングにおいて選択可能な項目をパラメータ化することで、少ないモデルで多くのバリエーションに対応することができる。本実施形態では、依頼者１０１に提示する学習モデルごとに、上記トレーニングプログラムをモデルとして定義する。

以上述べた学習モデルは、モデル記述言語を用いて記述できる。モデル記述言語を用いて学習モデルを記述した場合は、モデル記述言語からシミュレータで実行可能なプログラムに自動変換することができる。モデル記述言語を用いずに、学習モデルをシミュレータで実行可能なプログラムで記述してもよい。

学習モデルには、モデルベースで記述できる任意の方法を適用できる。例えば、Ｄｅｅｐ ＬｅａｒｎｉｎｇをはじめとしたＡＩ技術をサポートするプログラムがいくつか提供されるようになっている。学習モデルは、それらを利用して構築することもできる。より高度化、高速化するモデルを作成してもよい。トレーニング情報に学習モデルに関する情報を含めることで、学習シミュレータによって新たな能力が獲得できる。

学習サービス提供システム１００は、それぞれの学習モデルごとに、それぞれ能力獲得モデル５００で定義された共通のアーキテクチャで学習シミュレーションを行うことで、能力付与データ１０３を用いて対象装置１０４に学習によって獲得した能力を組み込むことを可能としている。

（２）対象装置モデル情報７０１
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。

対象装置モデルは、以下の情報を含むとよい。

・「能力部（能力受容部）の構成」：対象装置１０４が有する能力受容部９０４のハードウェア構成を定義する情報である。例えば、ＦＰＧＡ（Ｆｉｅｌｄ−Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）の型式を指定してもよいし、ゲート数を指定してもよい。あるいは、ソフトウェア実装の場合はＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）やＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）の型式と追加利用可能な記憶容量で指定してもよい。クラウドサービスを利用する場合、クラウドの種類、ＣＰＵ種別、ＣＰＵ数やクロック数、使用する記憶容量で指定してもよい。これらの例に限らず、回路構成の定義はどのような方法で指定してもよい。

・「能力獲得モデルのインタフェース仕様」：対象装置１０４が有するデータ入力部９０３、能力受容部９０４、データ出力部９０５の間の接続方法を定義する。例えば、ＦＰＧＡの場合、各入出力端子の信号に関する定義が含まれる。ソフトウェア実装の場合は、能力受容部９０４のソフトウェアインタフェースの定義が含まれる。クラウドサービスを利用する場合、能力を利用するための通信方法の定義が含まれる。能力獲得モデルのインタフェースとしては、モデルとして定義できる任意のインタフェースが利用できる。

対象装置１０４のデータ入力部９０３、能力受容部９０４、データ出力部９０５は、それぞれハードウェアまたはソフトウェアによって実装される。対象装置１０４のデータ入力部９０３、能力受容部９０４、データ出力部９０５は、それぞれ能力獲得モデル５００のデータ入力部５０１、能力部５０２、データ出力部５０３で定義された仕様に合わせて構成される。

それぞれの学習モデルにおいて、対象装置１０４の能力獲得モデル９０１と学習シミュレータ２０３の能力獲得モデル１００２の間で、インタフェース仕様を整合させる必要がある。学習モデルの能力獲得モデル５００で定義されるデータ入力部５０１、能力部５０２、データ出力部５０３のインタフェース仕様は、対象装置１０４のデータ入力部９０３、能力受容部９０４、データ出力部９０５と整合させるように定義する。能力獲得モデルを整合させることによって、学習シミュレータ２０３で獲得した能力を能力付与データ１０３に変換して、対象装置１０４に組み込むことが可能になる。

・「装置の基本構成のモデル」：対象装置１０４がもともと備えている基本構成９０２（能力獲得モデル５００に対応する構成以外の構成部分）を定義する情報である。能力獲得モデル５００に対応する構成９０１は、対象装置１０４の基本構成９０２との間で信号やデータの入出力を行うため、学習シミュレーションを行う際に対象装置１０４の基本構成９０２の仕様が必要となる。基本構成のモデルには、例えば、対象装置１０４の基本構成９０２と能力獲得モデル９０１により実現される新たな能力とのあいだのインタフェースの定義が含まれる。具体的には、基本構成９０２からデータ入力部９０３に入力される入力信号の定義、データ出力部９０５から基本構成９０２に出力される出力信号の定義、それぞれの信号が対象装置１０４の中でどのように扱われるかの定義などである。

対象装置モデルは、対象装置１０４のインタフェースのみを記述するだけでもよい。対象装置モデルは、トレーニングを開始する前に依頼者１０１やＤＢから取得できた情報をもとに生成できる。

（３）対象モデル情報７０２
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。

以下に、対象モデル情報７０２の例を示す。
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。

対象モデルは、対象１０５と対象装置１０４のインタフェースのみを記述するだけでもよい。対象モデルは、トレーニングを開始する前に依頼者１０１やＤＢから取得できた情報をもとに生成できる。

（４）学習シミュレータモデル情報７０３
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）。

（５）能力付与データ生成モデル情報７０４
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。

例えば、ＦＰＧＡで実装する場合は、ニューロ回路と入力インタフェース回路と出力インタフェース回路を構成できるようにする。ソフトウェアで実装する場合は、ニューロ回路をエミュレーションするソフトウェアと、学習結果として得られた各パラメータを設定するプログラムを準備する。能力付与データ１０３を用いて、獲得した能力を実装するための回路を部品化して、対象装置１０４の受け入れスロットに当該部品を物理的に挿入するようにしてもよい。

以上述べたトレーニング情報３０４に含まれるそれぞれの情報は、ＡＩ技術者によってあらかじめ値が定義されている定数項目と、値が未定義の状態であるパラメトリック項目とを含む。パラメトリック項目については、学習依頼を受け付ける際に依頼者１０１に情報の入力を求める。依頼者１０１の入力負担を軽減し、学習依頼を簡単化するために、パラメトリック項目はできるだけ少ないことが好ましい。したがって、例えば、学習シミュレータモデル情報７０３や能力付与データ生成モデル情報７０４はあらかじめ定義しておくとよい。また、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についても、基本的な項目についてはあらかじめ定義しておき、依頼者１０１に入力させる項目は、能力部５０２の構成と入出力、学習目標など、できるだけ少ない項目に限定することが好ましい。

（依頼受付部２００）
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。

依頼受付アプリケーション８０１は、学習依頼に必要な情報を入力するための対話型ユーザインタフェースを依頼端末８０５に表示し、依頼者１０１によって入力された情報を取得する機能を提供するプログラムである。依頼情報ＤＢ８０２は、受け付けた学習依頼情報１０２を格納するデータベースである。対象装置情報ＤＢ８０３は、対象装置モデル情報７０１など、依頼者１０１の対象装置１０４に関する情報を格納するデータベースであり、対象情報ＤＢ８０４は、対象モデル情報７０２など、対象１０５に関する情報を格納するデータベースである。

依頼受付部２００は、トレーニング情報ＤＢ３０２に登録されている複数の学習モデルの中から希望する学習モデルを選択するための学習メニューを依頼者１０１に提示する。依頼者１０１によって希望する学習モデルが指定されると、依頼受付部２００は、指定された学習モデル（機械学習の種類）に対応するトレーニング情報３０４を用いて、機械学習の実施に必要な情報を受け付け、学習依頼情報１０２を生成する。要入力項目には、例えば、入力データの種類や仕様、学習の目標、出力データの種類や仕様、対象装置または対象装置モデルを特定する情報、対象または対象モデルを特定する情報などがある。

依頼受付部２００は、学習依頼情報１０２を依頼情報ＤＢ８０２に登録する。学習依頼情報１０２には、選択された学習モデルに対応するトレーニング情報３０４を特定する情報、依頼者１０１により入力された情報（例えば、パラメトリック項目の値）などが含まれる。依頼受付部２００は、学習依頼情報１０２の登録完了を学習指令部２０２に通知する。

なお、依頼受付部２００は、システム記述言語などを用いて学習に必要な情報を記述した依頼ファイルを依頼端末８０５から受け取ることもできる。例えば依頼者１０１が希望する学習モデルが学習メニューの中に無い場合、依頼者１０１は希望する学習内容を記述した依頼ファイルを作成し、学習依頼を行うことができる。依頼ファイルによる学習依頼を受け付けた場合には、ＡＩ技術者が依頼ファイルに基づき新たな学習モデルを作成して、学習メニューに追加する。

（対象装置１０４）
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。

図７に対象装置の構成を模式的に示す。対象装置１０４は、概略、能力設定部９００と、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とを有する。能力獲得モデル５００に対応する構成９０１は、データ入力部９０３、能力受容部９０４、データ出力部９０５から構成される。対象装置１０４がシーケンス制御で動作する構成部分（以下「シーケンス制御部」と呼ぶ）を有する場合、そのシーケンス制御部は基本構成９０２のなかに含まれる。能力設定部９００は、本システム１００から提供される能力付与データ１０３を用いて、能力受容部９０４が新たな能力を発揮できるように能力獲得モデル５００に対応する構成９０１を設定する機能である。

能力獲得モデル５００に対応する構成９０１は、機能を変更可能なハードウェアにより構成される。例えば、対象装置１０４の組立後に書き換え可能な電子回路（ＦＰＧＡなど）のプログラムを書き換える構成でもよい。また、ＣＰＵやＧＰＵのようなプロセッサで実行するプログラムを変更したり、プログラムで使用するパラメータを変更したりする構成でもよい。例えば、ニューラルネットワークのエミュレーションを行うプログラムに対し、パラメータを変更することで、ニューラルネットワークの機能を変更できる。あるいは、部品の一部や接続する装置を交換することで機能を変更する構成でもよい。

図８に示すように、能力付与データ１０３は、例えば、能力設定データ１０３０と入力設定データ１０３１と出力設定データ１０３２とを含むデータ構造を有する。能力設定データ１０３０は、学習により獲得された新たな能力（例えば、ニューラルネットワークによる画像の分類能力）を実行する機能を、能力受容部９０４に対し設定するためのデータである。入力設定データ１０３１は、能力受容部９０４へのデータ入力のインタフェースに関する機能を、データ入力部９０３に対し設定するためのデータである。データ入力のインタフェースに関する機能には、例えば、対象装置１０４の基本構成９０２から必要なデータをデータ入力部９０３に取り込む機能、対象装置１０４以外のデバイス（例えばセンサなど）から必要なデータをデータ入力部９０３に取り込む機能、取り込んだデータに対し必要な加工（例えば、平均化、統合、サンプリング、ノイズ除去、特徴量抽出、二値化、色変換、解像度変換など）を施す機能、能力受容部９０４に適合するようにデータ形式を変換する機能などがあり、これらのうち少なくとも１つの機能の設定を入力設定データ１０３１として与えるとよい。また、出力設定データ１０３２は、能力受容部９０４からのデータ出力のインタフェースに関する機能を、データ出力部９０５に対し設定するためのデータである。データ出力のインタフェースに関する機能には、例えば、能力受容部９０４から出力されるデータに対し必要な加工（例えば、平均化、統合、サンプリング、ノイズ除去、特徴量抽出、二値化、色変換、解像度変換など）を施す機能、対象装置１０４の基本構成９０２に適合するようにデータ形式を変換する機能などがあり、これらのうち少なくとも１つの機能の設定を出力設定データ１０３２として与えるとよい。能力設定データ１０３０、入力設定データ１０３１、出力設定データ１０３２は、プログラムそのものでもよいし、プログラムで使用するパラメータでもよいし、プログラムとパラメータの両方でもよい。能力設定部９００が、能力付与データ１０３により与えられた各設定データにより能力獲得モデル５００に対応する構成９０１の設定を行うことで、データ入力部９０３、能力受容部９０４、およびデータ出力９０５が新たな能力に対応する情報処理を実行可能となる。

能力付与データ１０３は、必要に応じて、動作確認用データ１０３３を含むことができる。動作確認用データ１０３３は、データ入力部９０３、能力受容部９０４、およびデータ出力９０５に設定した新たな能力が正常に動作するかどうかを確認するために使用するデータである。新たな能力を設定するためのデータ１０３０〜１０３１と動作確認用データ１０３３をセットで提供することで、依頼者自身があるいは対象装置１０４自身が新たな能力の組み込みが成功したかどうかの動作確認を容易に行うことができ、利便性に優れる。

動作確認用データ１０３３は、１つ以上の入力データと、その入力データをデータ入力部９０３に入力したときに能力受容部９０４での処理を経てデータ出力部９０５から出力されるべきデータ（正解の出力データ）であるかを判定するための判定情報と、を含む。例えば、能力受容部９０４に追加される機能が静止画像の分類能力である場合、動作確認用データ１０３３は、入力データとして１つ以上の静止画像データを含み、判定情報として各静止画像データの正しい分類を含むとよい。また、能力受容部９０４に追加される機能が製品の画像検査能力である場合、動作確認用データ１０３３は、入力データとして良品の画像データと不良品の画像データを含み、判定情報として各画像データの正しい検査結果（良品か不良品か）を含むとよい。また、能力受容部９０４に追加される機能が音声の話者識別能力である場合、動作確認用データ１０３３は、入力データとして１つ以上の音声データを含み、判定情報として各音声データの話者の情報を含むとよい。

能力付与データ１０３に動作確認用データ１０３３が含まれている場合、能力設定部９００は、各設定データ１０３０〜１０３２を対象装置１０４の構成９０１に設定した後、動作確認用データ１０３３内の入力データをデータ入力部９０３に入力する。そして、能力設定部９００は、データ出力部９０５から出力されるデータを動作確認用データ１０３３内の判定情報を用いて判定し、正解の出力が得られているか確認する。これにより、データ入力部、能力部、データ出力部の一連の動作の確認を行うことができる。正解の出力が得られている場合、対象装置１０４に対する新たな能力の追加は成功である。一方、データ出力部９０５から出力されるデータが正解の出力と異なっていた場合は、能力付与データ１０３に不具合があったか、対象装置１０４の構成９０１への設定に不具合があるかのいずれかとみなすことができる。この場合、能力設定部９００は、能力付与データ１０３を用いて再設定を試みるか、学習サービス提供システム１００に対して不具合通知を行うとよい。これにより、動作確認や不具合対応を自動で行うことができ、利便性に優れる。

設定済みのデータ入力部９０３は、対象装置１０４の基本構成９０２からデータを取得し、必要な加工を行い、能力受容部９０４に適合するようにデータ形式を変換してデータを入力する。入力データとしては、例えば、カメラデータ、センサデータ、イベントデータが入力される。自然言語処理では、入力データとして、多数のテキストファイルが入力される。

設定済みのデータ出力部９０５は、能力受容部９０４から出力されるデータに必要な加工を行い、対象装置１０４の基本構成９０２に適合するようにデータ形式を変換してデータを出力する。例えば、能力受容部９０４に組み込まれたニューラルネットワークの出力が、データ出力部９０５に入力され、データ出力部９０５から基本構成９０２にデータが出力される。

能力受容部９０４について、具体例を挙げてさらに詳しく説明する。能力受容部９０４は、例えば、外部から入力された能力付与データ１０３にもとづいて、ニューラルネットワークを構成することで、新たな能力を受容する。能力受容部９０４と能力付与データ１０３は例えば以下のように実現できる。

・書き換え可能な電子回路（例えばＦＰＧＡ）。この場合、例えば、書き換え可能な電子回路に書き込むニューラルネットワークの回路とパラメータのデータを能力付与データとする。
・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。

（対象装置モデル）
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。

（対象装置の実施例１）
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。

まず、新たな能力が追加される前の動作（基本構成９０２単体での動作）について説明する。コンベア上を流れる検査対象をセンサ９１４が検出してから１０ｍｓｅｃ後に、その検査対象がカメラ９１３で撮影できる位置に到達すると仮定する。シーケンス制御部９１１は、センサ９１４の検出信号を受信すると、その１０ｍｓｅｃ後の画像データを画像入力部９１０が保持するように、画像入力部９１０に対し制御信号を出力する。次にシーケンス制御部９１１は、画像入力部９１０でラッチされた画像データを取り込み、その画像データを用いて検査対象の検査を行う。例えば、表面実装基板の外観検査の場合、検査項目としては、部品の有無、はんだ接合の良否などがある。シーケンス制御部９１１は検査結果を検査結果出力部９１２に送り、検査結果出力部９１２から外部装置（ディスプレイ、生産管理システム、上流または下流にある製造装置、管理者が携帯する端末など）に検査結果を出力する。

次に、新たな能力を追加した後の動作について説明する。この実施例では、能力獲得モデルに対応する構成９０１はＦＰＧＡにより構成され、新たな能力として、基本構成９０２とは異なる検査項目についての検査処理が追加されるものとする。シーケンス制御部９１１は、センサ９１４の検出信号を受信すると、その１０ｍｓｅｃ後の画像データを画像入力部９１０が保持するように、画像入力部９１０に対し制御信号を出力する。次にシーケンス制御部９１１は、画像入力部９１０でラッチされた画像データを取り込み、その画像データを用いて検査対象の検査を行う。一方、シーケンス制御部９１１は、画像入力部９１０でラッチされた画像データが構成９０１にも取り込まれるよう、データ入力部９０３に対し制御信号を出力する。データ入力部９０３は取り込んだデータに対し、必要な前処理やデータ変換を行い、能力受容部９０４にデータを入力する。能力受容部９０４は、そのデータを用いて検査を行い結果を出力する。データ出力部９０５は能力受容部９０４の出力に対し、必要な後処理やデータ変換を行い、シーケンス制御部９１１へ出力する。例えば、データ入力部９０３にデータが取り込まれてから結果が出力されるまで１ｍｓｅｃかかる場合、シーケンス制御部９１１は、センサ９１４の検出信号を受信してから１１ｍｓｅｃ後にデータ出力部９０５から出力されたデータを、検査結果として受け取る。シーケンス制御部９１１は、基本構成９０２側の検査結果と能力受容部９０４側の検査結果を検査結果出力部９１２に送り、検査結果出力部９１２から外部装置に検査結果を出力する。以上により、基本構成９０２と新たな能力を実装した構成９０１との間でのデータおよび処理結果の受け渡しが実現できるとともに、シーケンス制御と機械学習により獲得された能力との協働（連携）が実現できる。

なお、新たな検査処理の学習依頼は例えば次のように行うことができる。依頼者は良品と不良品の画像サンプル（教師付きデータ）を準備する。そして、依頼者は、画像サンプルを添付して、画像の分類に関する学習を学習サービス提供システム１００に依頼する。学習サービス提供システム１００は、依頼者から提供された画像サンプルを用いてＤｅｅｐ Ｌｅａｒｎｉｎｇによる学習を実施する。これにより、良品と不良品を識別可能なニューラルネットワークが獲得できる。学習サービス提供システム１００は、このニューラルネットワークを対象装置１０４のＦＰＧＡに実装するための能力付与データ１０３を生成し、依頼者に提供する。対象装置１０４では、能力設定部９００が能力付与データ１０３を用いてＦＰＧＡのプログラムを書き換えることで、新たな検査処理を行う構成９０１を追加することができる。

（対象装置の実施例２）
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。

対象装置１０４における基本構成９０２は、音声入力部９２０、シーケンス制御部９２１、結果出力部９２２を有する。ユーザ端末のアプリから受信する音声データ９２３は音声入力部９２０に、ユーザ端末のアプリで入力された操作データ９２４（メニュー選択、ボタン押下など）はシーケンス制御部９２１に、それぞれ入力される。能力受容部９０４には、新たな能力として、話者識別アルゴリズムが追加されるものとする。なお、本実施形態の構成９０１、９０２はいずれもＣＰＵにより実行されるプログラムによって実装される機能である。

ユーザが、ユーザ端末のアプリ上で音声データを指定し、識別ボタンを押下すると、その音声データ９２３と識別要求を含む操作データ９２４が対象装置１０４に送信される。シーケンス制御部９２１は、識別要求を受信すると、音声入力部９２０で取り込んだ音声データ９２３をデータ入力部９０３が取り込むよう、データ入力部９０３に制御信号を出力する。データ入力部９０３は取り込んだ音声データに対し、必要な前処理やデータ変換を行い、能力受容部９０４にデータを入力する。能力受容部９０４は、そのデータを用いて話者識別を行い結果を出力する。データ出力部９０５は能力受容部９０４の出力に対し、必要な後処理やデータ変換を行い、シーケンス制御部９２１へ出力する。シーケンス制御部９２１は識別結果を結果出力部９２２に送り、検査結果出力部９２２からユーザ端末に識別結果を出力する。以上により、基本構成９０２による提供される機能と追加した新たな機能との間でのデータおよび処理結果の受け渡しが実現できるとともに、シーケンス制御と機械学習により獲得された能力との協働（連携）が実現できる。

なお、話者識別アルゴリズムの学習依頼は例えば次のように行うことができる。依頼者は識別対象とすべき人々の音声サンプル（教師付きデータ）を準備する。そして、依頼者は、音声サンプルを添付して、話者の識別に関する学習を学習サービス提供システム１００に依頼する。学習サービス提供システム１００は、依頼者から提供された音声サンプルを用いてＤｅｅｐ Ｌｅａｒｎｉｎｇによる学習を実施する。これにより、話者を識別可能なニューラルネットワークが獲得できる。学習サービス提供システム１００は、このニューラルネットワークを対象装置１０４のＣＰＵで実行するための能力付与データ１０３を生成し、依頼者に提供する。対象装置１０４では、能力設定部９００が能力付与データ１０３で提供されるプログラムおよびデータをインストールすることで、新たな話者識別能力をもつ構成９０１を追加することができる。

図９および図１０では、対象装置１０４が１つの能力獲得モデルを含む構成について示したが、複数の能力獲得モデルを含む構成にしてもよい。複数の能力獲得モデルを備えることで、複数の項目について能力を獲得することが可能になる。以上の実施例では、対象装置１０４と学習サービス提供システム１００が異なる装置として実施された例を示したが、対象装置１０４が学習サービス提供システム１００の一部または全部を含む構成とすることができる。それによって、対象装置１０４は自己学習能力を備えた製品となる。例えば、学習能力を備えた本発明による人型ロボットが、人から学習依頼を受けて学習を行って、自分と同じ構成の自分以外の他のロボットに能力付与データを与えるようにできる。

本システム１００のサービスは、対象装置モデルおよび対象モデルが提供されれば、どのような種類の対象装置１０４にも対応することができる。なお、これらのモデルは依頼者１０１自身が作成し提供してもよいし、依頼者１０１以外の者が作成し提供してもよい。例えば、依頼者１０１に部品や製品を提供する業者がモデルを提供してもよいし、本システム１００のサービス提供者がモデルを提供してもよい。また、対象装置モデルや対象モデルが既に本システム１００の対象装置情報ＤＢ８０３や対象情報ＤＢ８０４に登録されているときは、依頼者１０１はそれらのＤＢに登録されているモデルを利用することもできる。その場合、学習依頼を受け付ける際に、対象装置１０４を特定する情報（装置の型式など）または対象装置モデルを特定する情報（モデルＩＤなど）の入力を依頼者１０１に求めればよい。対象モデルについても同様である。

（学習シミュレータ２０３）
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。

学習シミュレータ２０３は、対象装置１０４の基本構成モデル１００６と能力獲得モデル１００２と対象モデル１００７を用いて、対象装置１０４の動作をシミュレートしながら対象装置１０４に追加する新たな能力の機械学習を実施する。能力獲得モデル１００２は、データ入力部１００３、能力部（能力獲得部）１００４、データ出力部１００５を有する。

能力獲得部１００４は、依頼者１０１の対象装置１０４に組み込まれて能力を遂行する部分をシミュレートする。学習を行うとき、能力獲得部１００４の回路構成は、適宜変更することができる。能力獲得部１００４は、例えばＤｅｅｐ Ｌｅａｒｎｉｎｇのニューラルネットワークで実現できる。ニューラルネットワークの層数や各層の構成については、学習モデル情報７００に基づき設定される。

データ入力部１００３は、能力獲得モデル１００２の外部からデータを受け取り、必要な処理を行った後、能力獲得部１００４にデータを入力する、という動作をシミュレートする。データ入力部１００３は、対象装置１０４の基本構成９０２からデータを受け取ることもできるし、対象装置１０４の外部からデータを受け取ることもできる。対象装置１０４の外部からデータを受け取る形態としては、例えば、対象装置１０４に接続されたセンサからセンサデータを取得する形態、データベースからデータを取得する形態、ネットワークを通じてデータストリームを受信する形態などが想定される。

データ出力部１００５は、能力獲得部１００４からデータを受け取り、必要な処理を行った後、能力獲得モデル１００２の外部にデータを出力する、という動作をシミュレートする。データ出力部１００５は、例えば、能力獲得部１００４のニューラルネットワークの出力を、対象装置１０４の基本構成９０２あるいは対象装置１０４の外部の装置が必要とするデータ形式に変換する。

基本構成モデル１００６は、対象装置１０４の基本構成９０２の動作をシミュレートする。能力獲得部１００４が対象装置１０４の基本構成９０２と相互に影響する場合、データ入力部１００３は基本構成モデル１００６から必要なデータを取得し、データ出力部１００５は能力獲得部１００４の出力を基本構成モデル１００６へ引き渡す。

対象モデル１００７は、対象装置１０４の外部の対象１０５をシミュレートする。例えば、対象モデル１００７は、対象装置１０４が接続される他の装置、対象装置１０４の周囲の環境（物理現象を含む）、対象装置１０４が取り扱う器具、対象装置１０４が生産・加工する物体、対象装置１０４を操作するオペレータなどをシミュレートする。

学習シミュレータ２０３は、例えば、インターネット上に設置されるクラウドサーバ群により構成してもよいし、ローカルエリアネットワーク上に存在するプライベートサーバ群により構成してもよい。シミュレーション処理を高速化するため、組込シミュレータのような専用システムを用いてもよい。ソフトウェア処理の一部をハードウェアに置き換えた構成としてもよい。学習モデルごとに、例えばデータ量が多い依頼や、階層数が多い構成、学習にリアルタイム性が求められる構成など、シミュレーションを実施する装置として最適なものを選択するようにできる。

シミュレーションは、例えば、多数のＣＰＵによる分散処理を利用する方法、ＧＰＵと呼ばれる高速演算装置を利用する方法などで高速化できる。またＦＰＧＡなどでニューロ回路を構成することで、並列動作が行われ、シミュレーションを高速化することができる。このような高速化の方法を学習シミュレータモデルに含めることができる。

シミュレータを実機（依頼者１０１の対象装置１０４）に接続した構成にすることができる。例えば、依頼者１０１の対象装置１０４をシミュレータ（シミュレータを実行するコンピュータ）に接続してもよい。あるいは依頼者１０１の対象装置１０４が有する回路（ＣＰＵ、ＧＰＵ、ＦＰＧＡなど）でシミュレーションを実行するようにできる。ＩｏＴの技術を適用することで、リアルタイムのビッグデータを扱うことが可能になる。この技術を利用し、依頼者１０１の対象装置１０４に関する各種データをインターネットを介してリアルタイムにシミュレータに送り、そのデータを用いてシミュレーションを行うこともできる。あるいは、シミュレータが対象装置１０４のモデルに相当する機能を備えるようにしてもよい。

サービスを提供する装置をシミュレータとして利用してもよい。例えば、自然言語処理によるＷｅｂサービスの場合、クラウド上のサーバ資源を使って、Ｗｅｂサービスと学習サービスの双方を実施することができる。

（学習指令部２０２）
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。

具体的には、トレーニング設定部１０００は、学習モデル情報７００に基づき、学習の目標、データ入力部１００３およびデータ出力部１００５の入出力データの仕様や処理内容、能力獲得部１００４の内部構成、トレーニングプログラムなどを設定する。また、トレーニング設定部１０００は、対象装置モデル情報７０１に基づき、対象装置１０４の基本構成モデル１００６、能力獲得モデル１００２との間の入出力などを設定し、さらに、対象モデル情報７０２に基づき、対象モデル１００７を設定する。

（能力付与データ生成部２０４）
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）
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。

（システムの動作）
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がインターネットを介して本システム１００にアクセスし新規の学習依頼を申し込むと、依頼受付部２００が学習依頼の受け付けを開始する（ステップＳ１２００）。依頼受付部２００は、依頼入力画面を依頼者１０１の端末８０５に提示し、希望する学習モデルおよび学習に必要な情報を依頼者１０１に入力させる（ステップＳ１２０１）。学習依頼情報の入力が完了すると（ステップＳ１２０２のＹＥＳ）、依頼受付部２００が学習依頼情報１０２を依頼情報ＤＢ８０２に登録し、学習指令部２０２に新規の学習依頼を受け付けた旨を通知する（ステップＳ１２０３）。

図１３に学習依頼情報１０２のデータ構造の一例を示す。学習依頼情報１０２は、学習目標情報１３００と学習モデル識別情報１３０１と学習モデルパラメータ１３０２を含む。学習目標情報１３００は、依頼者１０１により指定された学習目標に関する情報を含む。学習モデル識別情報１３０１は、依頼者１０１により指定された学習モデルに対応するトレーニング情報３０４を特定する情報（例えば、トレーニング情報ＤＢ３０２におけるトレーニング情報３０４のＩＤなど）を含む。学習モデルパラメータ１３０２は、学習モデルの各パラメトリック項目について依頼者１０１により入力された情報を含む。

次に、学習指令部２０２は、学習依頼情報１０２に従って学習シミュレータ２０３に対し学習モデル、対象装置モデル、対象モデルなどの設定を行い（ステップＳ１２０４）、学習シミュレータ２０３を制御してトレーニングを実施する（ステップＳ１２０５）。例えば、Ｄｅｅｐ Ｌｅａｒｎｉｎｇなどのニューラルネットワークの場合であれば、複数の層のそれぞれについて段階的にパラメータを変えながら出力を評価し、学習目標との適合度が高くなるようにパラメータの最適化を行う。学習目標に対する適合度があらかじめ設定された完了条件を満足したら（ステップＳ１２０６のＹＥＳ）、学習指令部２０２はトレーニングを終了する。

次に、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）に基づき能力付与データ１０３を生成する（ステップＳ２１０７）。最後に、サービス提供部２０５が、能力付与データ１０３を依頼者１０１に提供する（ステップＳ１２０８）。

＜本システムの利点＞
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。

一方、サービス提供者にとっては次のような利点がある。機械学習を行うために必要な情報は依頼者１０１から提供されるので、依頼どおりの機械学習の実行が担保できる。また、依頼者１０１からの依頼の受け付け、機械学習の実施などの処理を可及的に自動化・省力化できる。さらに学習結果を能力付与データ１０３に変換し依頼者１０１に提供するので、学習結果の提供および対象装置１０４への実装についても可及的に自動化・省力化することができる。

また、機械学習の過程で対象装置モデルや対象モデルを用いたシミュレーションを行うことにより、対象装置１０４の実機がなくても、対象装置１０４や対象１０５の振る舞いや影響などを考慮した機械学習を行うことができる。対象装置１０４の実機が不要となれば、機械学習の代行がきわめて実現容易となる。特に、生産設備のように大型の装置や稼働中の装置の場合、実機を機械学習に利用することは現実的でない。本学習サービスはそのようなケースでも利用可能であり、適用の自由度および利便性に優れる。

また、能力獲得モデル５００によりモデル化されるアーキテクチャと、能力付与データ１０３に基づいて機能を設定する能力設定部９００とを設けたことにより、対象装置１０４への新たな能力の組み込みが容易に実現できる。これにより、外部から提供される新たな能力を簡単に追加できる仕組みをもつ、拡張性に優れた対象装置１０４を提供することができる。また、新たな能力の開発を外部委託することが容易になり、開発業務の効率化を図ることができる。

なお、上述した実施形態の構成は本発明の一具体例を示したものにすぎず、本発明の範囲を限定する趣旨のものではない。本発明はその技術思想を逸脱しない範囲において、種々の具体的構成を採り得るものである。例えば上記実施形態で示したシステム構成、データ構造、ユーザインタフェース、パラメータ等は一例であり、機械学習の種類、学習の目的、獲得したい能力、対象装置の構成等に応じて適宜変更することができる。また、上記実施形態では、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例を示したが、能力の獲得方法は機械学習に限られない。例えば、有限要素法を用いた三次元構造シミュレーション、流体シミュレーション、最適化問題などで獲得される能力でもよいし、人が開発した能力でもよい。

（付記１）
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)

1. 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。
2. 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。
3. 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。
4. 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。
5. 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。
6. 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。
7. 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。
8. 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。
9. 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。
10. 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。
11. 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。
12. 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。
13. 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。
14. 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。

Images