JP6599065B1 - 機械学習モデル共創システム、機械学習モデル共創方法、及びプログラム - Google Patents

Abstract

【課題】 複数のユーザによって、機械学習のモデルを共に創る（共創する）ことを目的とする。【解決手段】 機械学習のモデルを共に創る機械学習モデル共創システムに、ユーザの登録を行うユーザ登録手段１１１と、登録された複数のユーザからなるグループを作成するグループ作成手段１１２と、グループに所属するユーザから、モデルの登録を受け付けるモデル登録手段１１３と、登録されたモデルを、分散台帳で管理する管理手段１１４と、グループに所属するユーザから、分散台帳で管理されたモデルの共創を受け付ける共創手段１１５と、グループに所属するユーザか前記共創されたモデルに対する学習の依頼を受け付けて学習を行う学習手段１１６と、所定の条件を満たした時に、学習されたモデルを取得する取得手段１１７と、取得されたモデルを、グループに所属しない他ユーザ、又は他のグループ、に公開する公開手段１１８と、を備える。【選択図】 図１

Description

本発明は、複数のユーザによって機械学習のモデルを共に創り（共創し）、それを公開することによって更なる共創を生みだす機械学習モデル共創システム、機械学習モデル共創方法、及びプログラムに関するものである。

近年、機械学習が注目されている。例えば、それぞれの操作者に最適な操作メニューを表示することができる機械学習の技術が提供されている（特許文献１）。

特開２０１７−１３８８８１号公報

しかしながら、特許文献１の技術では、それぞれの操作者に最適な操作メニューを表示することはできるが、複数のユーザによって、機械学習のモデルを共に創ることはできない。

この課題に対し、本発明の発明者は、機械学習のモデルをより良いものにするためには、多様な立場のユーザが、新しい価値を「共」に「創」り上げていくこと、すなわち「共創」が必要であると考えた。そこで、複数のユーザからなるグループを作成し、登録された機械学習モデルを分散台帳で管理して、機械学習モデルの共創を行い、共創したモデルを学習し、学習が終了したモデルを公開することにより、複数のユーザによって、機械学習のモデルを共に創ることができる点に注目した。

本発明は、複数のユーザによって機械学習のモデルを共創し、それを公開することによって更なる共創を生みだす機械学習モデル共創システム、機械学習モデル共創方法、及びプログラムを提供することを目的とする。

本発明では、以下のような解決手段を提供する。

第１の特徴に係る発明は、
複数のユーザによって、機械学習のモデルを共に創る機械学習モデル共創システムであって、
前記ユーザの登録を行うユーザ登録手段と、
前記登録された複数のユーザからなるグループを作成するグループ作成手段と、
前記グループに所属するユーザから、前記モデルの登録を受け付けるモデル登録手段と、
前記登録されたモデルを、分散台帳で管理する管理手段と、
前記グループに所属するユーザから、前記分散台帳で管理されたモデルの共創を受け付ける共創手段と、
前記グループに所属するユーザから、前記共創されたモデルに対する学習の依頼を受け付けて学習を行う際に、前記機械学習モデル共創システム全体の規模と、前記学習の依頼を行ったユーザが支払う対価に応じて、複数の学習依頼を順序立ててキューイングする学習手段と、
所定の条件を満たした時に、前記学習されたモデルを取得する取得手段と、
前記取得されたモデルを、前記グループに所属しない他ユーザ、又は他のグループ、に公開する公開手段と、
を備える機械学習モデル共創システムを提供する。

第１の特徴に係る発明によれば、複数のユーザによって、機械学習のモデルを共に創る機械学習モデル共創システムであって、前記ユーザの登録を行うユーザ登録手段と、前記登録された複数のユーザからなるグループを作成するグループ作成手段と、前記グループに所属するユーザから、前記モデルの登録を受け付けるモデル登録手段と、前記登録されたモデルを、分散台帳で管理する管理手段と、前記グループに所属するユーザから、前記分散台帳で管理されたモデルの共創を受け付ける共創手段と、前記グループに所属するユーザから、前記共創されたモデルに対する学習の依頼を受け付けて学習を行う際に、前記機械学習モデル共創システム全体の規模と、前記学習の依頼を行ったユーザが支払う対価に応じて、複数の学習依頼を順序立ててキューイングする学習手段と、所定の条件を満たした時に、前記学習されたモデルを取得する取得手段と、前記取得されたモデルを、前記グループに所属しない他ユーザ、又は他のグループ、に公開する公開手段と、を備える。

第１の特徴に係る発明は、機械学習モデル共創システムのカテゴリであるが、機械学習モデル共創方法、及びプログラムであっても同様の作用、効果を奏する。

第２の特徴に係る発明は、第１の特徴に係る発明である機械学習モデル共創システムであって、
前記グループ作成手段は、前記グループを作成したユーザが、他ユーザ又は他のグループを招待し、招待したユーザ又は招待したグループに対するアクセス権を設定する機械学習モデル共創システムを提供する。

第２の特徴に係る発明によれば、第１の特徴に係る発明である機械学習モデル共創システムにおいて、前記グループ作成手段は、前記グループを作成したユーザが、他ユーザ又は他のグループを招待し、招待したユーザ又は招待したグループに対するアクセス権を設定する。

第３の特徴に係る発明は、第１又は第２の特徴に係る発明である機械学習モデル共創システムであって、
前記機械学習のモデルは、ディープニューラルネットワーク、前処理、後処理、他の機械学習のモデルへの入力、他の機械学習のモデルからの出力受け取り等を組み合わせた処理フローと機械学習用のデータからなる機械学習モデル共創システムを提供する。

第３の特徴に係る発明によれば、第１又は第２の特徴に係る発明である機械学習モデル共創システムにおいて、前記機械学習のモデルは、ディープニューラルネットワーク、前処理、後処理、他の機械学習のモデルへの入力、他の機械学習のモデルからの出力受け取り等を組み合わせた処理フローと機械学習用のデータからなる。

第４の特徴に係る発明は、第１から第３のいずれかの特徴に係る発明である機械学習モデル共創システムであって、
前記所定の条件は、前記モデルがあらかじめ決められた性能に達した場合、前記モデルが指定された時間学習を行った場合、前記学習を依頼したユーザが指定した場合、の何れかである機械学習モデル共創システムを提供する。

第４の特徴に係る発明によれば、第１から第３のいずれかの特徴に係る発明である機械学習モデル共創システムにおいて、前記所定の条件は、前記モデルがあらかじめ決められた性能に達した場合、前記モデルが指定された時間学習を行った場合、前記学習を依頼したユーザが指定した場合、の何れかである。

第５の特徴に係る発明は、第１から第４のいずれかの特徴に係る発明である機械学習モデル共創システムであって、
前記公開手段は、前記取得されたモデルに対する編集の可否、利用料、ライセンス料、等を設定可能とする機械学習モデル共創システムを提供する。

第５の特徴に係る発明によれば、第１から第４のいずれかの特徴に係る発明である機械学習モデル共創システムにおいて、前記公開手段は、前記取得されたモデルに対する編集の可否、利用料、ライセンス料、等を設定可能とする。

第６の特徴に係る発明は、第２の特徴に係る発明である機械学習モデル共創システムであって、
前記機械学習のモデルは、前記アクセス権の設定と前記公開手段による公開の設定に応じて利用が可能なユーザ又はグループは、当該機械学習モデル共創システムが提供するＡＰＩを介して使用することが可能である機械学習モデル共創システムを提供する。

第６の特徴に係る発明によれば、第２の特徴に係る発明である機械学習モデル共創システムにおいて、前記機械学習のモデルは、前記アクセス権の設定と前記公開手段による公開の設定に応じて利用が可能なユーザ又はグループは、当該機械学習モデル共創システムが提供するＡＰＩを介して使用することが可能である。

第７の特徴に係る発明は、
コンピュータが実行する機械学習モデル共創方法であって、
複数のユーザによる機械学習のモデルの共創を受け付けるために、前記ユーザの登録を行うステップと、
前記登録された複数のユーザからなるグループを作成するステップと、
前記グループに所属するユーザから、前記モデルの登録を受け付けるステップと、
前記登録されたモデルを、分散台帳で管理するステップと、
前記グループに所属するユーザから、前記分散台帳で管理されたモデルの共創を受け付けるステップと、
前記グループに所属するユーザから、前記共創されたモデルに対する学習の依頼を受け付けて学習を行う際に、前記機械学習モデル共創システム全体の規模と、前記学習の依頼を行ったユーザが支払う対価に応じて、複数の学習依頼を順序立ててキューイングするステップと、
所定の条件を満たした時に、前記学習されたモデルを取得するステップと、
前記取得されたモデルを、前記グループに所属しない他ユーザ、又は他のグループ、に公開するステップと、
を備える機械学習モデル共創方法を提供する。

第９の特徴に係る発明は、
複数のユーザによる機械学習のモデルの共創を受け付けるために、前記ユーザの登録を行うステップ、
前記登録された複数のユーザからなるグループを作成するステップ、
前記グループに所属するユーザから、前記モデルの登録を受け付けるステップ、
前記登録されたモデルを、分散台帳で管理するステップ、
前記グループに所属するユーザから、前記分散台帳で管理されたモデルの共創を受け付けるステップ、
前記グループに所属するユーザから、前記共創されたモデルに対する学習の依頼を受け付けて学習を行う際に、前記機械学習モデル共創システム全体の規模と、前記学習の依頼を行ったユーザが支払う対価に応じて、複数の学習依頼を順序立ててキューイングするステップ、
所定の条件を満たした時に、前記学習されたモデルを取得するステップ、
前記取得されたモデルを、前記グループに所属しない他ユーザ、又は他のグループ、に公開するステップ、
をコンピュータに実行させるためのプログラムを提供する。

本発明によれば、複数のユーザによって機械学習のモデルを共創し、それを公開することによって更なる共創を生みだす機械学習モデル共創システム、機械学習モデル共創方法、及びプログラムを提供することが可能となる。

本発明の好適な実施の形態の概要図である。 機械学習モデル共創システムの概要と、計算装置１０の機能ブロック図である。 機械学習モデル共創処理のフローチャート図である。

以下、好適な実施の形態を用いて本発明をさらに具体的に説明する。但し、下記の実施の形態は本発明を具現化した例に過ぎず、本発明はこれに限定されるものではない。

［機械学習モデル共創システムの概要］
図１は、本発明の好適な実施形態の概要図である。この図１に基づいて、本発明の概要を説明する。機械学習モデル共創システムは、図２に示すように、計算装置１０、通信網２０、ユーザ３０から構成される。計算装置１０は、機械学習モデル共創システムを運用可能な計算装置であるとする。例として、コンピュータ、スマートフォン、タブレット端末、ウェアラブル端末等であってよい。数は一つに限らず複数であってよく、また、実在する装置に限らず仮想的な装置であってもよい。計算装置１０は、制御部１１０、通信部１２０、記憶部１３０、入力部１４０、出力部１５０、から構成される。制御部１１０には、ユーザ登録手段１１１、グループ作成手段１１２、モデル登録手段１１３、管理手段１１４、共創手段１１５、学習手段１１６、取得手段１１７、公開手段１１８を備える。制御部１１０は、各手段の実現のために、必要に応じて通信部１２０、記憶部１３０、入力部１４０、出力部１５０と協働する。通信網２０は、計算装置１０とユーザ３０間の通信を可能とする通信網である。

図１の機械学習モデル共創システムにおいて、まず、計算装置１０のユーザ登録手段１１１は、ユーザ３０の登録を行う（ステップＳ１）。図１のステップＳ１では、Ａというユーザ３０を、機械学習モデル共創システムに登録している。ユーザ登録の方法としては、ユーザ３０に計算装置１０の入力部１４０を介して入力させてもよいし、ユーザ３０の所有する端末から、通信部１２０を介して入力させてもよいし、計算装置１０の記憶部１３０に保存した名簿データ等を基に行ってもよい。

次に、グループ作成手段１１２は、登録された複数のユーザ３０からなるグループを作成する（ステップＳ２）。図１のステップＳ２では、Ａ、Ｂ、Ｃという３人のユーザ３０のグループＸを作成している。グループ作成の方法としては、例えば、Ａが自分を含むグループを作成し、ＢとＣを招待することが考えられる。この場合、グループＸの作成者はＡとなる。招待の方法としては、ＢとＣに対してメッセージを送り、グループＸへの参加を承認するか、拒否するか、を選択させることが例として挙げられる。また、グループ作成の際には、個人のユーザ３０を個別に招待するのみでなく、既存のグループ全体を招待してもよい。この場合、参加の承認や拒否は、既存のグループの作成者が行うこととしてもよいし、ユーザ３０が個別に行うこととしてもよい。また、グループ作成の際には、グループを作成したユーザ３０が、招待したユーザ３０又は招待したグループに対するアクセス権を設定することとする。アクセス権の設定例としては、「１．リードオンリー（モデル利用、データ利用）」、「２．書き込み（モデル編集、モデル新規作成、モデル削除、前処理、後処理、既存モデルとの組合せ、既存前処理、既存後処理）」、「３．管理権限（ユーザの招待、グループの招待、モデルの学習依頼・中断・取り出し、モデルの登録・公開）」等が考えられる。

次に、モデル登録手段１１３は、グループＸに所属するユーザ３０からの、モデルの登録を受け付ける（ステップＳ３）。ここで、どのユーザ３０がモデル登録を行えるかは、ユーザ３０の管理権限に応じて決定する。図１では、例として１つのモデルのみを登録した例を図示しているが、複数のモデルを登録してもよい。ここで、機械学習のモデルとは、ディープニューラルネットワーク（Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）等の機械学習の手法、前処理、後処理、他の機械学習のモデルへの入力、他の機械学習のモデルからの出力受け取り等を組み合わせた処理フローと機械学習用のデータを含むものとする。

次に、管理手段１１４は、ステップＳ３で登録されたモデルを、分散台帳で管理する（ステップＳ４）。ここでの分散台帳とは、分散台帳技術を使った管理方法のことで、ブロックチェーンに限定されるものではない。

次に、共創手段１１５は、分散台帳で管理されたモデルに対して、グループＸに所属するユーザ３０から、共創を受け付ける（ステップＳ５）。本発明において、「共創」とは、多様な立場のユーザが、新しい価値を「共」に「創」り上げていくことである。ステップＳ５における機械学習モデルの共創とは、具体的には、機械学習の手法の指定、機械学習のための前処理や後処理の指定、他の機械学習モデルを利用する場合の指定、処理フローの指定、機械学習に使用する学習データの登録や削除、学習回数や学習時間の指定、等が挙げられる。機械学習の手法として、主なものには深層学習であるディープニューラルネットワーク等があるが、この手法に限らず、ユーザの課題に適した機械学習の手法を機械学習モデル共創システムが提供して、利用可能としてよい。

次に、学習手段１１６は、グループＸに所属するユーザ３０から、ステップＳ５で共創されたモデルに対する学習の依頼を受け付けて、学習を行う（ステップＳ６）。学習の依頼を受け付けた学習手段１１６は、機械学習モデル共創システム全体の規模と、前記学習の依頼を行ったユーザ３０が支払う対価に応じて、複数の学習依頼を順序立ててキューイングするものとする。ここでのキューイングとは、モデルの学習を開始するコマンドを、待ち行列に入れることである。キューに入ったモデルは、順番が来ると学習が開始される。学習依頼時だけでなく学習の依頼後にも対価を支払うことで、その対価に応じて学習の順番を前倒しすることが可能であるものとする。

次に、取得手段１１７は、ステップＳ６で学習を行ったモデルを取得する（ステップＳ７）。取得手段１１７による取得のタイミングは、所定の条件を満たしていればよく、学習が完了しているかどうかは問わない。所定の条件としては、例えば、学習を行ったモデルがあらかじめ決められた性能に達した場合、モデルが指定された時間又は回数の学習を行った場合、グループＸに所属するユーザ３０が取得を指定した場合、等が考えられる。

最後に、公開手段１１８は、ステップＳ７で取得したモデルを、グループＸに所属しないユーザ３０や他のグループに対して、公開する（ステップＳ８）。公開する際には、当該モデルに対する編集の可否や、機械学習モデル共創システム内で利用する場合の利用料、外部のプラットフォームで使用する場合のライセンス料、等を設定可能とする。また、前記のアクセス権の設定に応じて機械学習モデルの利用が可能なユーザ３０は、モデルの利用の際に、機械学習モデル共創システムが提供するＡＰＩを介して使用することも可能であるとする。

本発明によれば、複数のユーザによって機械学習のモデルを共創し、それを公開することによって更なる共創を生みだすこととなり、個々の課題に対応してより性能がよい機械学習モデル共創システム、機械学習モデル共創方法、及びプログラムを提供することが可能となる。

［各機能の説明］
機械学習モデル共創システムの概要と、計算装置１０の機能ブロック図である。機械学習モデル共創システムは、計算装置１０、通信網２０から構成され、ユーザ３０により利用される。

計算装置１０は、機械学習モデル共創システムを運用可能な計算装置であるとする。例として、コンピュータ、スマートフォン、タブレット端末、ウェアラブル端末等であってよい。数は一つに限らず複数であってよく、また、実在する装置に限らず仮想的な装置であってもよい。計算装置１０は、制御部１１０、通信部１２０、記憶部１３０、入力部１４０、出力部１５０、から構成される。

計算装置１０は、制御部１１０として、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）等を備える。制御部１１０には、ユーザ登録手段１１１、グループ作成手段１１２、モデル登録手段１１３、管理手段１１４、共創手段１１５、学習手段１１６、取得手段１１７、公開手段１１８を備える。制御部１１０は、各手段の実現のために、必要に応じて通信部１２０、記憶部１３０、入力部１４０、出力部１５０と協働する。

計算装置１０は、通信部１２０として、他の機器と通信可能にするためのデバイス等を備える。通信方式は、無線であっても有線であってもよい。

計算装置１０は、記憶部１３０として、データのストレージ部を備え、ユーザ３０のデータや機械学習モデルデータ等の必要なデータを記憶する。

計算装置１０は、入力部１４０として、入力を実現するためのデバイスを備える。例として、タッチパネル、キーボード、マウス、ペンタブレット、マイク等である。

計算装置１０は、出力部１５０として、出力を実現するためのデバイスを備える。例としては、ディスプレイ、プロジェクター、スピーカー等である。出力部１５０に直接出力するのではなく、通信部１２０を介して、ユーザ３０の所有するデバイスに出力することも可能とする。

通信網２０は、計算装置１０とユーザ３０間の通信を可能とする通信網である。一般の通信網であっても、専用の通信網であってもよい。

［機械学習モデル共創処理］
図３は、機械学習モデル共創処理のフローチャート図である。上述した各手段が実行する処理について、本フローチャートで説明する。

機械学習モデル共創システムにおいて、まず、計算装置１０のユーザ登録手段１１１は、ユーザ３０の登録を行う（ステップＳ３０１）。ユーザ登録の方法としては、ユーザ３０に計算装置１０の入力部１４０を介して入力させてもよいし、ユーザ３０の所有する端末から、通信部１２０を介して入力させてもよいし、計算装置１０の記憶部１３０に保存した名簿データ等を基に行ってもよい。

次に、グループ作成手段１１２は、登録された複数のユーザ３０からなるグループを作成する（ステップＳ３０２）。例えば図１に示したように、Ａが自分を含むグループＸを作成し、ＢとＣを招待することが考えられる。この場合、グループＸの作成者はＡとなる。招待の方法としては、ＢとＣに対してメッセージを送り、グループＸへの参加を承認するか、拒否するか、を選択させることが例として挙げられる。また、グループ作成の際には、個人のユーザ３０を個別に招待するのみでなく、既存のグループ全体を招待してもよい。この場合、参加の承認や拒否は、既存のグループの作成者が行うこととしてもよいし、ユーザ３０が個別に行うこととしてもよい。また、グループ作成の際には、グループを作成したユーザ３０が、招待したユーザ３０又は招待したグループに対するアクセス権を設定することとする。アクセス権の設定例としては、「１．リードオンリー（モデル利用、データ利用）」、「２．書き込み（モデル編集、モデル新規作成、モデル削除、前処理、後処理、既存モデルとの組合せ、既存前処理、既存後処理）」、「３．管理権限（ユーザの招待、グループの招待、モデルの学習依頼・中断・取り出し、モデルの登録・公開）」等が考えられる。

次に、モデル登録手段１１３は、グループＸに所属するユーザ３０からの、モデルの登録を受け付ける（ステップＳ３０３）。ここで、どのユーザ３０がモデル登録を行えるかは、ユーザ３０の管理権限に応じて決定する。モデルの登録は１つのみではなく、複数のモデルを登録してもよい。ここで、機械学習のモデルとは、ディープニューラルネットワーク等の機械学習の手法、前処理、後処理、他の機械学習のモデルへの入力、他の機械学習のモデルからの出力受け取り等を組み合わせた処理フローと機械学習用のデータを含むものとする。

次に、管理手段１１４は、ステップＳ３０３で登録されたモデルを、分散台帳で管理する（ステップＳ３０４）。ここでの分散台帳とは、分散台帳技術を使った管理方法のことで、ブロックチェーンに限定されるものではない。

次に、共創手段１１５は、分散台帳で管理されたモデルに対して、グループＸに所属するユーザ３０から、共創を受け付ける（ステップＳ３０５）。ステップＳ３０５における機械学習モデルの共創とは、具体的には、機械学習の手法の指定、機械学習のための前処理や後処理の指定、他の機械学習モデルを利用する場合の指定、処理フローの指定、機械学習に使用する学習データの登録や削除、学習回数や学習時間の指定、等が挙げられる。機械学習の手法として、主なものには深層学習であるディープニューラルネットワーク等があるが、この手法に限らず、ユーザの課題に適した機械学習の手法を機械学習モデル共創システムが提供して、利用可能としてよい。

次に、学習手段１１６は、グループＸに所属するユーザ３０から、ステップＳ３０５で共創されたモデルに対する学習の依頼を受け付けて、学習を行う（ステップＳ３０６）。学習の依頼を受け付けた学習手段１１６は、機械学習モデル共創システム全体の規模と、前記学習の依頼を行ったユーザ３０が支払う対価に応じて、複数の学習依頼を順序立ててキューイングするものとする。ここでのキューイングとは、モデルの学習を開始するコマンドを、待ち行列に入れることである。キューに入ったモデルは、順番が来ると学習が開始される。学習依頼時だけでなく学習の依頼後にも対価を支払うことで、その対価に応じて学習の順番を前倒しすることが可能であるものとする。学習手段１１６は、学習経過を一定の間隔で機械学習モデル共創システムに通知し、学習依頼を実施したユーザ３０と同じグループＸに所属するユーザ３０は、学習の進捗や性能等の状態を確認することが出来る。また、学習手段１１６は、ユーザ種別によって、モデルが学習に利用する資源の量(メモリ量、ＧＰＵ数、ＣＰＵ占有割合等)を決定する。ユーザ種別は、ユーザ３０の属性やユーザ３０が支払う対価に応じて、機械学習モデル共創システムが設定可能であるものとする。

次に、取得手段１１７は、ステップＳ３０６で学習を行ったモデルを取得する（ステップＳ３０７）。取得手段１１７による取得のタイミングは、所定の条件を満たしていればよく、学習が完了しているかどうかは問わない。所定の条件としては、例えば、学習を行ったモデルがあらかじめ決められた性能に達した場合、モデルが指定された時間又は回数の学習を行った場合、グループＸに所属するユーザ３０が取得を指定した場合、等が考えられる。また、モデルを取得した後、学習を継続するかどうかは、ユーザ３０に選択させてもよい。学習を中断してモデルを取得した後、学習を終了する場合には、それまでの学習時間に応じて、ユーザ３０が支払う対価を減らしてもよい。また、学習を中断してモデルを取得した後、学習を一時中断する場合には、一時中断の期間中、ユーザ３０が支払う対価（利用料金）を軽減してもよい。

最後に、公開手段１１８は、ステップＳ３０７で取得したモデルを、グループＸに所属しないユーザ３０や他のグループに対して、公開する（ステップＳ３０８）。公開する場合の開示先の例として、「１．特定個人」、「２．グループ」、「３．非開示」が挙げられる、また、開示方法として、「１．内容開示」、「２．一部指定して開示」、「３．内容説明のみ開示」が挙げられる。公開する際には、当該モデルに対する編集の可否や、機械学習モデル共創システム内で利用する場合の利用料、外部のプラットフォームで使用する場合のライセンス料、等を設定可能とする。また、前記のアクセス権の設定に応じて機械学習モデルの利用が可能なユーザ３０は、モデルの利用の際に、機械学習モデル共創システムが提供するＡＰＩを介して使用することも可能であるとする。

ここでは、ステップＳ３０５からステップＳ３０８の処理が一度であるフローを記載しているが、ステップＳ３０５からステップＳ３０８までの処理は何度行ってもよく、また、処理の途中で一旦停止して、再度ステップＳ３０５から処理を行ってもよいものとする。

図３のフローチャートには図示していないが、機械学習モデル共創システムは、常にフル稼働することを前提としたシステムであってよい。ユーザ３０からの学習依頼が無い場合には、機械学習モデル共創システムのリソースを無駄にしないために、運営者が設定した複数のモデルの学習を行う。この場合に学習を行うモデルは、一般物体認識や、動画内のオブジェクト認識、音声認識等の一般的に利用価値のある課題とすることで、その後ユーザ３０による利用を可能とすることで、より、機械学習モデル共創システムの利用価値を高めることが可能となる。

また、機械学習モデル共創システムは、ユーザ３０が共創した各モデルのランキングを行って開示してもよい。ランキングの例として、機械学習モデル共創システムの運営側による、一般物体認識、動画内のオブジェクト認識、音声認識等の精度ランキングや、学習時間ランキングや、学習データ数ランキングが挙げられる。また、機械学習モデル共創システムユーザによる、実際にモデルを利用してみた場合の評価点のランキングも考えられる。

本発明によれば、複数のユーザによって機械学習のモデルを共創し、それを公開することによって更なる共創を生みだすこととなり、個々の課題に対応してより性能がよい機械学習モデル共創システム、機械学習モデル共創方法、及びプログラムを提供することが可能となる。

以上、本発明の実施形態について説明したが、本発明は上述したこれらの実施形態に限るものではない。また、本発明の実施形態に記載された効果は、本発明から生じる最も好適な効果を列挙したに過ぎず、本発明による効果は、本発明の実施形態に記載されたものに限定されるものではない。

１０ 計算装置、２０ 通信網、３０ ユーザ

Claims (8)

1. 複数のユーザによって、機械学習のモデルを共に創る機械学習モデル共創システムであって、
   前記ユーザの登録を行うユーザ登録手段と、
   前記登録された複数のユーザからなるグループを作成するグループ作成手段と、
   前記グループに所属するユーザから、前記モデルの登録を受け付けるモデル登録手段と、
   前記登録されたモデルを、分散台帳で管理する管理手段と、
   前記グループに所属するユーザから、前記分散台帳で管理されたモデルの共創を受け付ける共創手段と、
   前記グループに所属するユーザから、前記共創されたモデルに対する学習の依頼を受け付けて学習を行う際に、前記機械学習モデル共創システム全体の規模と、前記学習の依頼を行ったユーザが支払う対価に応じて、複数の学習依頼を順序立ててキューイングする学習手段と、
   所定の条件を満たした時に、前記学習されたモデルを取得する取得手段と、
   前記取得されたモデルを、前記グループに所属しない他ユーザ、又は他のグループ、に公開する公開手段と、
   を備える機械学習モデル共創システム。
2. 前記グループ作成手段は、前記グループを作成したユーザが、他ユーザ又は他のグループを招待し、招待したユーザ又は招待したグループに対するアクセス権を設定する請求項１に記載の機械学習モデル共創システム。
3. 前記機械学習のモデルは、ディープニューラルネットワーク、前処理、後処理、他の機械学習のモデルへの入力、他の機械学習のモデルからの出力受け取り等を組み合わせた処理フローと機械学習用のデータからなる請求項１または請求項２に記載の機械学習モデル共創システム。
4. 前記所定の条件は、前記モデルがあらかじめ決められた性能に達した場合、前記モデルが指定された時間学習を行った場合、前記学習を依頼したユーザが指定した場合、の何れかである請求項１から請求項３のいずれか一項に記載の機械学習モデル共創システム。
5. 前記公開手段は、前記取得されたモデルに対する編集の可否、利用料、ライセンス料、等を設定可能とする請求項１から請求項４のいずれか一項に記載の機械学習モデル共創システム。
6. 前記機械学習のモデルは、前記アクセス権の設定と前記公開手段による公開の設定に応じて利用が可能なユーザ又はグループは、当該機械学習モデル共創システムが提供するＡＰＩを介して使用することが可能である請求項２に記載の機械学習モデル共創システム。
7. コンピュータが実行する機械学習モデル共創方法であって、
   複数のユーザによる機械学習のモデルの共創を受け付けるために、前記ユーザの登録を行うステップと、
   前記登録された複数のユーザからなるグループを作成するステップと、
   前記グループに所属するユーザから、前記モデルの登録を受け付けるステップと、
   前記登録されたモデルを、分散台帳で管理するステップと、
   前記グループに所属するユーザから、前記分散台帳で管理されたモデルの共創を受け付けるステップと、
   前記グループに所属するユーザから、前記共創されたモデルに対する学習の依頼を受け付けて学習を行う際に、前記機械学習モデル共創システム全体の規模と、前記学習の依頼を行ったユーザが支払う対価に応じて、複数の学習依頼を順序立ててキューイングするステップと、
   所定の条件を満たした時に、前記学習されたモデルを取得するステップと、
   前記取得されたモデルを、前記グループに所属しない他ユーザ、又は他のグループ、に公開するステップと、
   を備える機械学習モデル共創方法。
8. 複数のユーザによる機械学習のモデルの共創を受け付けるために、前記ユーザの登録を行うステップ、
   前記登録された複数のユーザからなるグループを作成するステップ、
   前記グループに所属するユーザから、前記モデルの登録を受け付けるステップ、
   前記登録されたモデルを、分散台帳で管理するステップ、
   前記グループに所属するユーザから、前記分散台帳で管理されたモデルの共創を受け付けるステップ、
   前記グループに所属するユーザから、前記共創されたモデルに対する学習の依頼を受け付けて学習を行う際に、前記機械学習モデル共創システム全体の規模と、前記学習の依頼を行ったユーザが支払う対価に応じて、複数の学習依頼を順序立ててキューイングするステップ、
   所定の条件を満たした時に、前記学習されたモデルを取得するステップ、
   前記取得されたモデルを、前記グループに所属しない他ユーザ、又は他のグループ、に公開するステップ、
   をコンピュータに実行させるためのプログラム。

Images