JP6695534B1 - 情報処理システム、情報処理方法及び情報処理プログラム - Google Patents

Abstract

【課題】データ解析の対象となる対象データを取得して機械学習を行い、解析処理を行うために利用可能な情報処理システム、方法及びプログラムを提供する。【解決手段】情報処理システム１は、データ解析の対象となる対象データを取得し、機械学習を行って学習済モデルを生成し、解析装置へ提供する学習サーバ１００と、学習済モデルを取得し、対象データを取得して学習済モデルに基づきデータ解析を行い、学習済モデルの目的に応じた出力を行う解析装置２００とを備える。【選択図】図１

Description

本開示は、機械学習を行って特定の学習済モデルを生成し、学習済モデルを用いてデータ解析を行う情報処理システム、情報処理方法及び情報処理プログラムに関する。

近年、人工知能（Artificial Intelligence：ＡＩ）の機能を有するＡＩエンジンが組み込まれ、機械学習が行われて動作制御される各種装置が開発されている。例えば、産業廃棄物の処理場では、各種の廃棄物が混在した状態から分別を行い、分別された廃棄物をそれぞれ適切に処理する工程において、ＡＩエンジンが搭載されたロボットにより廃棄物について機械学習が行われ、ＡＩエンジンにより機械的に分別が行われている。

例えば、特許文献１には、多種多様な素材が混在する瓦礫や、建築物を解体処理した廃棄物であっても効率よく選別することが可能な選別システムが開示されている。この選別システムでは、廃棄物を撮像した画像データから画像処理を行い、廃棄物の素材、例えば木材、プラスチック、ガラス、石膏ボード等の素材の種類を選別している。

このようなＡＩエンジンを利用するためには、適切な機械学習が行われることが必要である。例えば、機械学習の一類型である教師あり機械学習では、大量の教師データによる機械学習を行い、モデル情報を生成する必要があり、このモデル情報によって出力結果が左右される。そのため、ＡＩエンジンでは、適切なモデル情報を使用する必要がある。例えば、特許文献２には、トレーニング用データセットを用いて機械学習モデルを評価するシステムが開示されている。

特開２０１７−１０９１９７号公報 特開２０１７−００４５０９号公報

ところで、このようなＡＩエンジンを利用するために必要な機械学習は、例えば大量の教師データによる機械学習が必要であり、大変な手間が必要である。また、このような機械学習によるモデル情報は、他のＡＩエンジンでも利用することが可能である。しかしながら、あるＡＩエンジンで利用されているモデル情報を学習済モデルとして、他のＡＩエンジンに提供するようなシステムは、提供されていなかった。

また、このようなＡＩエンジンをクラウドサーバからインターネット経由で提供する、いわゆるＳａａＳ（Software as a Service）が知られている。このようなサービスを利用することにより、機械学習によるモデル情報を他のＡＩエンジンでも利用することが可能であるが、企業等では、自社の各種データをクラウドサーバ上に提供するのは、セキュリティ上問題となる。そのため、このようなＡＩエンジンをローカル環境で利用可能なシステムが望まれていた。

そこで、本開示では、データ解析の対象となる対象データを取得して機械学習を行うラーニングセンターをサーバにより提供し、ラーニングセンターからＡＩエンジンで利用される学習済モデルを取得し、自己のＡＩエンジンで解析処理を行うために利用可能である情報処理システム、情報処理方法及び情報処理プログラムについて説明する。

本開示の一態様における情報処理システムは、機械学習を行って特定の学習済モデルを生成する学習サーバと、学習済モデルを用いてデータ解析を行う解析装置と、を備える情報処理システムであって、学習サーバは、データ解析の対象となる対象データを取得する対象データ取得部と、対象データに基づいて機械学習を行い、データ解析を行うためのモデル情報である学習済モデルを生成し、または学習済モデルを更新する学習部と、学習済モデルを解析装置へ提供する提供部と、を備え、解析装置は、学習サーバから学習済モデルを取得するモデル取得部と、学習済モデルに基づき、対象データのデータ解析を行う解析部と、データ解析の結果により、学習済モデルの目的に応じた出力を行う結果出力部と、を備える。

本開示の一態様における情報処理方法は、機械学習を行って特定の学習済モデルを生成し、学習済モデルを用いてデータ解析を行う解析装置に対して学習済モデルを提供する情報処理方法であって、対象データ取得部が行う、データ解析の対象となる対象データを取得する対象データ取得ステップと、学習部が行う、対象データに基づいて機械学習を行い、データ解析を行うためのモデル情報である学習済モデルを生成し、または学習済モデルを更新する学習ステップと、提供部が行う、学習済モデルを解析装置へ提供する提供ステップと、モデル取得部が行う、解析装置で学習済モデルを取得するモデル取得ステップと、解析部が行う、学習済モデルに基づき、対象データのデータ解析を行う解析ステップと、結果出力部が行う、データ解析の結果により、学習済モデルの目的に応じた出力を行う結果出力ステップと、を備える。

また、本開示の一態様における情報処理プログラムは、機械学習を行って特定の学習済モデルを生成し、学習済モデルを用いてデータ解析を行う解析装置に対して学習済モデルを提供する情報処理プログラムであって、データ解析の対象となる対象データを取得する対象データ取得ステップと、対象データに基づいて機械学習を行い、データ解析を行うためのモデル情報である学習済モデルを生成し、または学習済モデルを更新する学習ステップと、学習済モデルを解析装置へ提供する提供ステップと、解析装置で学習済モデルを取得するモデル取得ステップと、学習済モデルに基づき、対象データのデータ解析を行う解析ステップと、データ解析の結果により、学習済モデルの目的に応じた出力を行う結果出力ステップと、を電子計算機に実行させる。

本開示によれば、機械学習を行って特定の学習済モデルを生成する学習サーバ（ラーニングセンター）では、データ解析の対象となる対象データを取得し、機械学習を行って学習済モデルを生成し、解析装置（ＡＩエンジン）へ提供する。解析装置では、学習済モデルに基づきデータ解析を行い、学習済モデルの目的に応じた出力を行う。そのため、学習サーバで行った機械学習の結果を複数の解析装置で利用可能になる。これにより、機械学習の手間を削減し、他者の機械学習の成果である学習済モデルを利用することができる。また、解析装置は学習サーバから切り離されたローカル環境でも利用可能になる。

本開示の一実施形態に係る情報処理システムを示すブロック構成図である。 図１の情報処理システム１の変形例である情報処理システム１Ａを示すブロック構成図である。 図１の学習サーバ１００を示す機能ブロック構成図である。 図１の解析装置２００を示す機能ブロック構成図である。 図１の解析装置２００により制御される分別装置４００の外観を示す斜視図である。 図１の情報処理システム１における機械学習処理の動作を示すフローチャートである。 図１の情報処理システム１におけるデータ解析処理の動作を示すフローチャートである。 図１の情報処理システム１における課金額決定処理の動作を示すフローチャートである。 本開示の一実施形態に係る情報処理システムの解析装置２００Ｂを示す機能ブロック構成図である。 本開示の一実施形態に係る情報処理システムの解析装置２００Ｃを示す機能ブロック構成図である。 本開示の一実施形態に係るコンピュータ７００を示す機能ブロック構成図である。

以下、本開示の実施形態について図面を参照して説明する。なお、以下に説明する実施形態は、特許請求の範囲に記載された本開示の内容を不当に限定するものではない。また、実施形態に示される構成要素のすべてが、本開示の必須の構成要素であるとは限らない。

（実施形態１）
＜構成＞
図１は、本開示の実施形態１に係る情報処理システム１を示すブロック構成図である。この情報処理システム１は、限定ではなく例として、機械学習を行って特定の学習済モデルを生成し、生成された学習済モデルを用いてデータ解析を行うシステムである。この学習済モデルは、例えばあるデータ解析の対象となる対象データから機械学習が行われたモデル情報であり、当該対象データを提供した解析装置だけではなく、他の解析装置でも利用可能なモデル情報である。すなわち、情報処理システム１は、機械学習を行って生成された学習済モデルの横展開を可能にするシステムである。

情報処理システム１は、学習サーバ１００と、解析装置２０１，２０２，・・・と、ネットワークＮＷとを有している。学習サーバ１００と、解析装置２０１，２０２，・・・とは、ネットワークＮＷを介して相互に接続される。ネットワークＮＷは、通信を行うための通信網であり、限定ではなく例として、インターネット、イントラネット、ＬＡＮ（Local Area Network）、ＷＡＮ（Wide Area Network）、ワイヤレスＬＡＮ（Wireless LAN：ＷＬＡＮ）、ワイヤレスＷＡＮ（Wireless WAN：ＷＷＡＮ）、仮想プライベートネットワーク（Virtual Private Network：ＶＰＮ）等を含む通信網を介して接続されるように構成されている。

なお、解析装置２０１，２０２，・・・は、それぞれ同様の構成を備えるものであり、解析装置２０１，２０２，・・・の構成を説明する際、代表して解析装置２００と表記する。

学習サーバ１００は、データ解析の対象となる対象データから機械学習を行って特定の学習済モデルを生成し、生成した学習済モデルを１または複数の解析装置２００（解析装置２０１，２０２，・・・）へ提供することにより、ラーニングセンターとしての機能を提供する装置であり、限定ではなく例として、手書き文字に対してＯＣＲにより文字情報を読み取るためのモデル情報や、産業廃棄物の分別を行う装置を制御するためのモデル情報を機械学習により生成する装置として構成されている。この学習サーバ１００は、限定ではなく例として、各種Ｗｅｂサービスを提供するコンピュータ（デスクトップ、ラップトップ、タブレット等）や、サーバ装置等により構成されている。なお、学習サーバ１００は、単体で動作する装置に限られず、複数の装置が通信網を介して相互に接続され、通信を行うことで協調動作する分散型サーバシステムや、クラウドサーバでもよい。

解析装置２００は、学習サーバ１００から学習済モデルを取得し、ＡＩエンジンとしてデータ解析の対象となる対象データを学習済モデルに基づいてデータ解析を行い、学習済モデルの目的に応じた出力を行う装置であり、限定ではなく例として、手書き文字に対してＯＣＲにより文字情報を読み取るための装置や、産業廃棄物の分別を行う装置を制御する装置として構成されている。この解析装置２００は、限定ではなく例として、前述のような各種装置を制御するコンピュータ（デスクトップ、ラップトップ、タブレット等）や、サーバ装置等により構成されている。また、解析装置２００は１または複数の同様の構成を備える解析装置２０１，２０２，・・・から構成されており、それぞれ異なる企業等により使用され、学習サーバ１００が備える同一の学習済モデルを利用可能になっている。なお、外部装置２００は、単体で動作する装置に限られず、複数の装置が通信網を介して相互に接続され、通信を行うことで協調動作する分散型サーバシステムや、クラウドサーバでもよい。本実施形態では、解析装置２００によって制御される各種装置の例として、後述する分別装置４００が接続され、または分別装置４００に解析装置２００が内蔵されている。

図２は、図１の情報処理システム１の変形例である情報処理システム１Ａを示すブロック構成図である。この情報処理システム１Ａは、データ解析の対象となる対象データから機械学習を行って特定の学習済モデルを生成し、生成した学習済モデルを解析装置２００へ提供することにより、ラーニングセンターを提供する点において、情報処理システム１と同様であるが、ネットワークＮＷに代えて通信手段Ｔを備えている点において、実施形態１に係る情報処理システム１と異なる。この変形例は、解析装置２００が学習サーバ１００と常時接続されている必要はなく、学習済モデルを取得するとき、例えば設定された所定のタイミングや、解析装置２００のユーザが操作して学習サーバ１００にアクセスしたときに接続される場合の例を示している。すなわち、解析装置２００は、学習サーバ１００から学習済モデルを取得するタイミング以外は、スタンドアローンで稼働することが可能であり、これにより、機械学習の手間を削減し、他者（他社）の機械学習の成果である学習済モデルを利用することができる。その他の構成については実施形態１と同様である。

通信手段Ｔは、直接または通信網を介して通信を行う回線設備であり、限定ではなく例として、ＵＳＢ（Universal Serial Bus）ケーブルやＬＡＮ（Local Area Network）ケーブル等により直接接続されるように構成され、または、インターネット、イントラネット、ＬＡＮ（Local Area Network）、ＷＡＮ（Wide Area Network）、ワイヤレスＬＡＮ（Wireless LAN：ＷＬＡＮ）、ワイヤレスＷＡＮ（Wireless WAN：ＷＷＡＮ）、仮想プライベートネットワーク（Virtual Private Network：ＶＰＮ）等を含む通信網を介して接続されるように構成されている。

図３は、図１の学習サーバ１００を示す機能ブロック構成図である。学習サーバ１００は、通信部１１０と、記憶部１２０と、制御部１３０とを備える。

通信部１１０は、ネットワークＮＷまたは通信手段Ｔを介して解析装置２００と有線または無線で通信を行うための通信インタフェースであり、互いの通信が実行出来るのであればどのような通信プロトコルを用いてもよい。この通信部１１０は、限定ではなく例として、ＴＣＰ／ＩＰ（Transmission Control Protocol/Internet Protocol）等の通信プロトコルにより通信が行われる。

記憶部１２０は、各種制御処理や制御部１３０内の各機能を実行するためのプログラムや入力データ等を記憶するものであり、限定ではなく例として、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）等を含むメモリや、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、フラッシュメモリ等を含むストレージから構成される。また、記憶部１２０は、対象データＤＢ１２１Ａと、対象データＤＢ１２１Ｂと、学習済モデルＤＢ１２２とを記憶する。さらに、記憶部１２０は、解析装置２００との間で通信を行った際のデータや、後述する各処理にて生成されたデータを一時的に記憶する。

対象データＤＢ１２１Ａ，１２１Ｂには、学習サーバ１００が機械学習を行う対象データが格納されている。この対象データは、後述する解析装置２００のユーザの選択により解析装置２００から提供を受けたデータであり、限定ではなく例として、解析装置２００が実装されている装置に応じたデータであり、ＯＣＲにより文字情報を読み取るための画像データや、産業廃棄物の分別を行うための画像データである。

また、対象データＤＢ１２１Ａと、対象データＤＢ１２１Ｂとでは、異なる解析装置２００から提供を受けた対象データが格納されており、例えば、対象データＤＢ１２１Ａには解析装置２０１から提供を受けた対象データが、対象データＤＢ１２１Ｂには解析装置２０２から提供を受けた対象データが、それぞれ格納されている。そして、解析装置２０１，２０２，・・・のユーザは、自己が提供した対象データ以外のデータは参照できないように構成されている。このように構成しているのは、自己の保有するデータを他社に参照されるおそれがある場合、データの提供をためらうことが考えられるためであり、このようなデータにはユーザの顧客の個人情報が含まれるおそれもあるからである。そのため、対象データＤＢ１２１Ａ，１２１Ｂに格納されている対象データは、機械学習のためにだけ利用され、それ以外の目的で利用されることはない。

学習済モデルＤＢ１２２には、学習サーバ１００が機械学習を行って生成したモデル情報が格納されている。このモデル情報は、学習サーバ１００がＡＩエンジンとしてデータ解析を行うためのモデル情報、限定ではなく例として、ＯＣＲにより文字情報を読み取るためのモデル情報や、産業廃棄物の分別を行うためのモデル情報が格納されている。

制御部１３０は、記憶部１２０に記憶されているプログラムを実行することにより、学習サーバ１００の全体の動作を制御するものであり、限定ではなく例として、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）、ＧＰＵ（Graphics Processing Unit）、マイクロプロセッサ（Microprocessor）、プロセッサコア（Processor core）、マルチプロセッサ（Multiprocessor）、ＡＳＩＣ（Application-Specific Integrated Circuit）、ＦＰＧＡ（Field Programmable Gate Array）を含む装置等から構成される。制御部１３０の機能として、対象データ取得部１３１と、学習部１３２と、提供部１３３と、課金額決定部１３４とを備えている。この対象データ取得部１３１、学習部１３２、提供部１３３、及び課金額決定部１３４は、記憶部１２０に記憶されているプログラムにより起動されて学習サーバ１００にて実行される。

対象データ取得部１３１は、解析装置２００のユーザの選択により解析装置２００から提供された、所定のデータ解析の対象となる解析対象データを、学習サーバ１００が機械学習を行うための対象データとして、通信部１１０を介して取得する。前述の例では、解析装置２００の実装例に応じて、手書き文字に対してＯＣＲにより文字情報を読み取る場合の手書き文字の画像データや、産業廃棄物の分別を行うための産業廃棄物の画像データを取得する。また、対象データ取得部１３１は、取得した対象データを、前述のように、解析装置２０１から提供を受けた対象データを対象データＤＢ１２１Ａへ、解析装置２０２から提供を受けた対象データを対象データＤＢ１２１Ｂへ、それぞれ格納する。

学習部１３２は、対象データ取得部１３１により取得された対象データに基づいて機械学習を行い、学習済モデルを生成し学習済モデルＤＢ１２２へ格納し、または学習済モデルＤＢ１２２に格納されている学習済モデルの更新を行う。この対象データは、解析装置２００で解析対象となるデータと、そのデータ解析の結果が含まれるデータである。学習済モデルの更新は、例えば、機械学習の結果による更新情報と、学習済モデルＤＢ１２２に格納されている学習済モデルとをマージするアグリゲーションの処理により行われる。また、学習部１３２は、対象データＤＢ１２１Ａに格納されている対象データに基づく機械学習の結果である学習済モデルと、対象データＤＢ１２１Ｂに格納されている対象データに基づく機械学習の結果である学習済モデルとをマージするアグリゲーションの処理を行ってもよい。

学習部１３２による機械学習は、限定ではなく例として、教師あり機械学習により行われてもよく、教師なし機械学習により行われてもよく、ディープラーニングにより行われてもよい。

提供部１３３は、解析装置２００のユーザの操作により、学習部１３２により生成された学習済モデルを、解析装置２００へ通信部１１０を介して送信することで提供する。なお、本実施形態では、解析装置２００は学習済モデルを学習サーバ１００からダウンロードすることで提供を受ける構成としているが、学習サーバ１００に記憶された状態でＡＩエンジンのソフトウェアサービスとして提供を受ける形式、いわゆるＳａａＳとして提供されてもよい。

課金額決定部１３４は、学習済モデルの提供に対する対価である課金額を決定する。この課金額は、例えば学習済モデルのデータ量や、学習済モデルを使用する単位時間当たりの金額で設定してもよい。また、例えば、後述する対象データ取得部２５２により取得された対象データを学習サーバ１００へ提供する場合、課金額を安価に設定し、対象データを学習サーバ１００へ提供しない場合、課金額を高価に設定してもよい。このように設定することで、ユーザが対象データを提供するモチベーションになり、学習済モデルがより多くの学習を行うことで、学習済モデルをより精度の高いものにすることができる。

図４は、図１の解析装置２００を示す機能ブロック構成図である。解析装置２００は、通信部２１０と、表示部２２０と、操作部２３０と、記憶部２４０と、制御部２５０とを備える。

通信部２１０は、ネットワークＮＷまたは通信手段Ｔを介して学習サーバ１００と有線または無線で通信を行うための通信インタフェースであり、互いの通信が実行出来るのであればどのような通信プロトコルを用いてもよい。この通信部２１０は、限定ではなく例として、ＴＣＰ／ＩＰ等の通信プロトコルにより通信が行われる。また、図２に示す情報処理システム１Ａの場合、この通信部２１０は、通信手段Ｔが学習サーバ１００と解析装置２００との間で接続されているときに稼働する。

表示部２２０は、ユーザから入力された操作内容や、学習サーバ１００からの送信内容を表示するために用いられるユーザインタフェースであり、液晶ディスプレイ等から構成される。表示部２２０では、例えば解析部２５３による解析結果等を表示する。

操作部２３０は、ユーザが操作指示を入力するために用いられるユーザインタフェースであり、キーボードやマウス、タッチパネル等から構成される。操作部２３０は、例えば学習サーバ１００から提供を受ける学習済モデルを取得するための指示の入力や、学習サーバ１００からの指示の応答に使用される。

記憶部２４０は、各種制御処理や制御部２５０内の各機能を実行するためのプログラム、入力データ等を記憶するものであり、限定ではなく例として、ＲＡＭ、ＲＯＭ等を含むメモリや、ＨＤＤ、ＳＳＤ、フラッシュメモリ等を含むストレージから構成される。また、記憶部２４０は、学習済モデルＤＢ２４１と、対象データＤＢ２４２とを記憶する。さらに、記憶部２４０は、学習サーバ１００との間で通信を行ったデータや、後述する各処理にて生成されたデータを一時的に記憶する。

学習済モデルＤＢ２４１には、学習サーバ１００が機械学習を行って生成し、学習サーバ１００から提供を受けたモデル情報が格納されている。このモデル情報は、学習サーバ１００の学習済モデルＤＢ１２２と同様のモデル情報であり、ＡＩエンジンとしてデータ解析を行うためのモデル情報、限定ではなく例として、ＯＣＲにより文字情報を読み取るためのモデル情報や、産業廃棄物の分別を行うためのモデル情報が格納されている。なお、前述のように、解析装置２００がＡＩエンジンのソフトウェアサービスとして提供を受ける場合、学習済モデルＤＢ２４１は備えなくてもよい。

対象データＤＢ２４２には、解析装置２００がＡＩエンジンとしてデータ解析の対象とする対象データが格納されている。この対象データは、前述の例における、手書き文字に対してＯＣＲにより文字情報を読み取るための装置や、産業廃棄物の分別を行う装置を制御する装置から取得されたデータである。本実施形態では、解析装置２００によって制御される分別装置４００から取得されたデータである。

制御部２５０は、記憶部２４０に記憶されているプログラムを実行することにより、解析装置２００の全体の動作を制御するものであり、限定ではなく例として、ＣＰＵ、ＭＰＵ、ＧＰＵ、マイクロプロセッサ、プロセッサコア、マルチプロセッサ、ＡＳＩＣ、ＦＰＧＡを含む装置等から構成される。制御部２５０の機能として、モデル取得部２５１と、対象データ取得部２５２と、解析部２５３と、結果出力部２５４と、対象データ提供部２５５とを備えている。このモデル取得部２５１、対象データ取得部２５２、解析部２５３、結果出力部２５４、及び対象データ提供部２５５は、記憶部２４０に記憶されているプログラムにより起動されて解析装置２００にて実行される。

モデル取得部２５１は、学習サーバ１００がラーニングセンターとして提供する学習済モデルを取得する。例えば、ユーザの解析装置２００の操作により、学習サーバ１００に対して学習済モデルを送信すると、学習サーバ１００が学習済モデルを送信するので、その学習済モデルを、通信部１１０を介して受け付ける。この学習済モデルは、解析装置２００がＡＩエンジンとしてデータ解析を行うためのモデル情報であり、単独の学習済モデルでもよく、既に取得済の学習済モデルに対して最新の学習結果を反映させるための更新情報でもよい。また、モデル取得部２５１は、取得した学習済モデルを学習済モデルＤＢ２４１へ格納する。

対象データ取得部２５２は、解析装置２００がＡＩエンジンとしてデータ解析の対象とする対象データを取得する。前述の例では、解析装置２００の実装例に応じて、手書き文字に対してＯＣＲにより文字情報を読み取る場合の手書き文字の画像データや、産業廃棄物の分別を行うための産業廃棄物の画像データを取得する。本実施形態では、解析装置２００によって制御される分別装置４００から取得されたデータを取得する。また、対象データ取得部２５２は、取得した対象データを対象データＤＢ２４２１Ａへ格納する。

解析部２５３は、モデル取得部２５１により取得され、学習済モデルＤＢ２４１へ格納された学習済モデルに基づき、対象データ取得部２５２により取得され、対象データＤＢ２４２へ格納された対象データに対して、ＡＩエンジンとしての所定のデータ解析を行う。具体的には、前述の例では、手書き文字に対してＯＣＲにより文字情報を読み取る場合における、手書き文字の画像データの解析や、産業廃棄物の分別を行う場合における、産業廃棄物の画像データの解析であり、本実施形態では、分別装置４００から取得された画像データの解析を行う。

結果出力部２５４は、解析部２５３による解析対象データに対するデータ解析の結果により、学習済モデルの目的、すなわちＡＩエンジンの目的に応じて、結果データや各種制御信号の出力を行う。前述の例では、手書き文字に対してＯＣＲにより文字情報を読み取る場合における、文字情報の判定結果の出力や、産業廃棄物の分別を行う場合における、対象の産業廃棄物に対して移動させるための制御信号の出力であり、本実施形態では、分別装置４００の操作制御を行う。

対象データ提供部２５５は、ユーザの選択により対象データ取得部２５２により取得された対象データを学習サーバ１００へ提供する場合、当該対象データを学習サーバ１００へ、通信部２１０を介して送信する。ＡＩエンジンとしてのデータ解析の対象データを用いて機械学習を行うことにより、学習サーバ１００の学習済モデルはより多くの学習を行うことができるので、対象データは学習サーバ１００へ提供されることが望ましい。しかし、ユーザによっては対象データを他社が提供するサービスであるラーニングセンターである学習サーバ１００へ提供することを希望しない場合もある。そのため、ユーザが希望する場合にのみ対象データが低虚位される。

図５は、図１の解析装置２００により制御される分別装置４００の外観を示す斜視図である。分別装置４００は、解析装置２００によって制御される各種装置の一例である産業廃棄物の分別を行う装置であり、固定部４１０と、載置可動部４２０と、上腕部４３０と、継手部４４０と、前腕部４５０と、手首部４６０と、支持部４７０と、持上部４８０とから構成されている。この分別装置４００は、図５に示すベルトコンベアのレーンＬ上に載置される産業廃棄物Ｘをカメラ（図示は省略）で撮像し、画像データのデータ解析を行ってその素材を分析し、素材ごとに分別するためのロボットアームである。カメラは、例えばレーンＬ上や手首部４６０に配置されている。

固定部４１０は、分別装置４００が載置台Ｄに固定されている箇所である。載置台Ｄは例えば、レーンＬの近傍の所定の箇所に固定されて配置されている。載置可動部４２０は、上腕部４３０の一端が接続され、載置台Ｄの上面との角度が変更自在な可動箇所である。載置可動部４２０には、サーボモータが内蔵されており、制御信号によりサーボモータが駆動して、上腕部４３０を回動させるように構成されている。上腕部４３０は、分別装置４００における載置台Ｄ側の棒状部材である。

継手部４４０は、上腕部４３０の他端と前腕部４５０の一端とを回動自在に接続する箇所である。継手部４４０には、サーボモータが内蔵されており、載置可動部４２０と同様に制御信号によりサーボモータが駆動して、上腕部４３０を回動させるように構成されている。前腕部４５０は、分別装置４００における先端側の棒状部材である。

手首部４６０は、前腕部４５０の他端と支持部４７０の一端とを回動自在に接続する箇所である。手首部４６０には、サーボモータが内蔵されており、載置可動部４２０と同様に制御信号によりサーボモータが駆動して、支持部４７０を回動させるように構成されている。支持部４７０は、分別装置４００の先端部において持上部４８０を支持する箇所である。持上部４８０は、産業廃棄物Ｘを挟みこんで持ち上げる箇所である。この持上部４８０には、サーボモータが内蔵されており、載置可動部４２０と同様に制御信号によりサーボモータが駆動して、持上部４８０が駆動させるように構成されている。

分別装置４００では、産業廃棄物Ｘをカメラで撮像した画像データにより機械学習が行われ、画像データのデータ解析による特徴量と産業廃棄物Ｘの素材との関係が学習済モデルとして生成されている。この画像データが学習サーバ１００に提供されることで、学習部１３２では、実際にレーンＬ上に載置される産業廃棄物Ｘの機械学習を行うことで、より精度の高い学習済モデルを生成し、ＡＩエンジンを構築することを可能にしている。

＜処理の流れ＞
情報処理システム１の学習サーバ１００及び解析装置２００が実行する、情報処理方法の一例の処理の流れについて説明する。まず、図６を参照しながら、学習サーバ１００が実行する、情報処理方法の一部である機械学習処理の流れについて説明する。図６は、図１の情報処理システム１における機械学習処理の動作を示すフローチャートである。

なお、図２に示す情報処理システム１Ａの場合、この機械学習処理が行われる間は、学習サーバ１００と解析装置２００との間は通信手段Ｔにより接続されなくてもよい。

ステップＳ１０１の処理として、解析装置２００の対象データ提供部２５５では、ユーザの選択により所定のデータ解析の対象となる解析対象データが送信されるので、学習サーバ１００の対象データ取得部１３１では、通信部１１０を介して取得される。図５に示す分別装置４００の例では、レーンＬ上に載置される産業廃棄物Ｘがカメラで撮像され、画像データが取得される。取得された対象データは、例えば解析装置２０１から提供を受けた対象データは対象データＤＢ１２１Ａへ、解析装置２０２から提供を受けた対象データは対象データＤＢ１２１Ｂへ、それぞれ格納される。

ステップＳ１０２の処理として、学習部１３２では、ステップＳ１０１で取得され、対象データＤＢ１２１Ａ，１２１Ｂへ格納された対象データに基づいて、機械学習が行われる。

ステップＳ１０３の処理として、学習部１３２では、ステップＳ１０２で行われた機械学習の結果により、学習済モデルが生成されて学習済モデルＤＢ１２２へ格納され、または学習済モデルＤＢ１２２に格納されている学習済モデルが更新される。学習済モデルの更新は、例えば、機械学習の結果による更新情報と、学習済モデルＤＢ１２２に格納されている学習済モデルとをマージするアグリゲーションの処理により行われる。

次に、図７を参照しながら、解析装置２００が実行する、情報処理方法の一部であるデータ解析処理の流れについて説明する。図７は、図１の情報処理システム１におけるデータ解析処理の動作を示すフローチャートである。

なお、図２に示す情報処理システム１Ａの場合、このデータ解析処理が行われる間は、学習サーバ１００と解析装置２００との間は通信手段Ｔにより接続され、通信可能になっている。

ステップＳ２０１の処理として、学習サーバ１００の提供部１３３では、ユーザの操作によりステップＳ１０３で生成された学習済モデルが、解析装置２００へ送信されるので、解析装置２００のモデル取得部２５１では、学習サーバ１００がラーニングセンターとして提供する学習済モデルが通信部２１０を介して取得される。取得された学習済モデルは、学習済モデルＤＢ２４１へ格納される。

ステップＳ２０２の処理として、対象データ取得部２５２では、解析装置２００がＡＩエンジンとしてデータ解析の対象とする対象データが取得される。図４に示す分別装置４００の例では、レーンＬ上に載置される産業廃棄物Ｘがカメラで撮像され、画像データが取得される。取得された解析対象データは、解析対象データＤＢ１４２へ格納される。

ステップＳ２０３の処理として、解析部２５３では、ステップＳ２０１で取得されて学習済モデルＤＢ２４１へ格納された学習済モデルに基づき、ステップＳ２０１で取得されて対象データＤＢ２４２へ格納された対象データに対して、ＡＩエンジンとしての所定のデータ解析が行われる。図４に示す分別装置４００の例では、産業廃棄物Ｘの画像データが解析され、産業廃棄物Ｘの素材の種類が判定される。

ステップＳ２０４の処理として、結果出力部２５４では、ステップＳ２０３で行われた対象データに対するデータ解析の結果により、結果データや各種制御信号の出力が行われる。図４に示す分別装置４００の例では、分別装置４００を動作させる制御信号が出力されて載置可動部４２０、継手部４４０、手首部４６０及び持上部４８０が動作され、産業廃棄物Ｘが持上部４８０により持ち上げられ、産業廃棄物Ｘの素材の種類に応じて適切な箇所に移動させられる。

次に、図８を参照しながら、学習サーバ１００が実行する、情報処理方法の一部である課金額決定処理の流れについて説明する。図８は、図１の情報処理システム１における課金額決定処理の動作を示すフローチャートである。

ステップＳ３０１の処理として、解析装置２００の操作部２３０では、対象データ提供部２５５による対象データの提供を行うか否かを、ユーザの操作により受け付ける。対象データの提供を行うと指示された場合、対象データの提供を行い、対象データの提供を行わないと指示された場合、対象データの提供は行われない。

ステップＳ３０２の処理として、学習サーバ１００の課金額決定部１３４では、学習済モデルの提供に対する対価である課金額が決定される。例えば、ステップＳ３０１において、取得された対象データを学習サーバ１００へ提供することとした場合、課金額が安価に設定され、対象データを学習サーバ１００へ提供しないこととした場合、課金額が高価に設定される。

＜効果＞
以上のように、本実施形態に係る情報処理システム、及び情報処理方法は、データ解析の対象となる対象データを取得し、機械学習を行って学習済モデルを生成し、解析装置へ提供する学習サーバ（ラーニングセンター）と、学習済モデルに基づきデータ解析を行い、学習済モデルの目的に応じた出力を行う解析装置（ＡＩエンジン）とを備えている。そのため、学習サーバで行った機械学習の結果を複数の解析装置で利用可能になる。これにより、大量の教師データによる機械学習の手間を削減し、他者が行った機械学習の成果である学習済モデルを利用することができる。

また、学習サーバと解析装置とに切り分けを行ったことにより、解析装置が学習サーバから切り離され、ローカル環境でも利用可能である。これにより、自社の各種データをクラウドサーバ上に提供することに抵抗がある場合であっても、ＡＩエンジンをローカル環境で利用することが可能になる。

さらに、自己が提供した対象データは、他者（他社）から参照できないように構成されている。そのため、自己の保有するデータを他社に参照されるおそれがなくなるので、データの提供を受け入れる者が増えると考えられ、学習済モデルに対してより多くの学習を行わせることが可能になる。これにより、より精度の高いＡＩエンジンを構築することが可能である。

（実施形態２）
図９は、本開示の実施形態２に係る情報処理システム１の解析装置２００Ｂを示す機能ブロック構成図である。この解析装置２００Ｂは、学習サーバ１００から学習済モデルを取得し、ＡＩエンジンとしてデータ解析の対象となる対象データを学習済モデルに基づいてデータ解析を行い、学習済モデルの目的に応じた出力を行う装置である点において、実施形態１に係る解析装置２００と同様であるが、制御部２５０の機能として、入力受付部２５６を備えている点において、実施形態１に係る情報処理システム１と異なる。

本実施形態では、学習サーバ１００が機械学習を行う際に、機械学習の対象である解析対象データに関連するタグ情報の入力を可能にするものである。

入力受付部２５６は、学習サーバ１００の学習部１３２による機械学習に際して、機械学習の対象である解析対象データに関連するタグ情報の入力を、ユーザの操作部２３０の操作により受け付ける。タグ情報は、例えば解析対象データを取得したときの日時や条件の情報である。

また、学習サーバ１００の学習部１３２は、入力受付部２５６によって受け付けられた解析対象データに関連するタグ情報を、その解析対象データに関連付けるアノテーションの処理を行い、学習済モデルの更新を行ってもよい。その他の構成及び処理の流れについては、実施形態１と同様である。

本実施形態によれば、上記実施形態１の効果に加え、解析対象データに関連するタグ情報の入力が受け付けられる入力受付部を備え、入力されたタグ情報が、その解析対象データに関連付けられるアノテーション処理が行われる。そのため、学習部による機械学習がより適切に行われるので、より精度の高いモデル情報を生成することができる。

（実施形態３）
図１０は、本開示の実施形態３に係る情報処理システム１の解析装置２００Ｃを示す機能ブロック構成図である。この解析装置２００Ｃは、学習サーバ１００から学習済モデルを取得し、ＡＩエンジンとしてデータ解析の対象となる対象データを学習済モデルに基づいてデータ解析を行い、学習済モデルの目的に応じた出力を行う装置である点において、実施形態１に係る解析装置２００と同様であるが、制御部２５０の機能として、評価部２５７を備えている点において、実施形態１に係る情報処理システム１と異なる。

本実施形態では、データ解析の結果について評価を行い、その評価結果に基づいて機械学習を行うものである。

評価部２５７は、データ解析の結果について評価を行い、その評価結果についての評価結果データを生成する。また、この評価結果データを、学習サーバ１００へ送信する。評価結果データは、例えば対象データと、学習済モデルによる解析結果のデータとの関係を示したデータでもよく、学習済モデルを評価したデータでもよい。

また、学習サーバ１００の学習部１３２は、評価結果データに基づいて機械学習の対象データを選択してもよい。例えば、データ解析の結果として異常値が検出された場合、その対象データを学習サーバ１００へ提供すると、機械学習の対象となって異常値に基づく機械学習が行われることになる。そのため、ノイズであることを示すことで、機械学習に影響を及ぼさないようにすることが可能になる。その他の構成及び処理の流れについては、実施形態１と同様である。

本実施形態によれば、上記実施形態１の効果に加え、評価部を備えたことにより、評価結果データに基づいて機械学習の対象データを選択することが可能になる。そのため、例えば、データ解析の結果として異常値が検出された場合、その対象データを学習サーバへ提供すると、機械学習の対象となって異常値に基づく機械学習が行われることになるが、評価結果により機械学習に影響を及ぼさないようにすることも可能になる。これにより、より精度の高い機械学習が可能になる。

（実施形態４（プログラム））
図１０は、コンピュータ（電子計算機）７００の構成の例を示す機能ブロック構成図である。コンピュータ７００は、ＣＰＵ７０１、主記憶装置７０２、補助記憶装置７０３、インタフェース７０４を備える。

ここで、実施形態１ないし３に係る対象データ取得部１３１と、学習部１３２と、提供部１３３と、課金額決定部１３４と、モデル取得部２５１と、対象データ取得部２５２と、解析部２５３と、結果出力部２５４と、対象データ提供部２５５と、入力受付部２５６と、評価部２５７とを構成する各機能を実現するための制御プログラム（情報処理プログラム）の詳細について説明する。これらの機能ブロックは、コンピュータ７００に実装される。そして、これらの各構成要素の動作は、プログラムの形式で補助記憶装置７０３に記憶されている。ＣＰＵ７０１は、プログラムを補助記憶装置７０３から読み出して主記憶装置７０２に展開し、当該プログラムに従って上記処理を実行する。また、ＣＰＵ７０１は、プログラムに従って、上述した記憶部に対応する記憶領域を主記憶装置７０２に確保する。

当該プログラムは、具体的には、コンピュータ７００において、データ解析の対象となる対象データを取得する対象データ取得ステップと、対象データに基づいて機械学習を行い、データ解析を行うためのモデル情報である学習済モデルを生成し、または学習済モデルを更新する学習ステップと、学習済モデルを解析装置へ提供する提供ステップと、解析装置で学習済モデルを取得するモデル取得ステップと、学習済モデルに基づき、対象データのデータ解析を行う解析ステップと、データ解析の結果により、学習済モデルの目的に応じた出力を行う結果出力ステップと、をコンピュータによって実現する制御プログラムである。

なお、補助記憶装置７０３は、一時的でない有形の媒体の一例である。一時的でない有形の媒体の他の例としては、インタフェース７０４を介して接続される磁気ディスク、光磁気ディスク、ＣＤ−ＲＯＭ、ＤＶＤ−ＲＯＭ、半導体メモリ等が挙げられる。また、このプログラムがネットワークを介してコンピュータ７００に配信される場合、配信を受けたコンピュータ７００が当該プログラムを主記憶装置７０２に展開し、上記処理を実行してもよい。

また、当該プログラムは、前述した機能の一部を実現するためのものであってもよい。さらに、当該プログラムは、前述した機能を補助記憶装置７０３に既に記憶されている他のプログラムとの組み合わせで実現するもの、いわゆる差分ファイル（差分プログラム）であってもよい。

以上、開示に係る実施形態について説明したが、これらはその他の様々な形態で実施することが可能であり、種々の省略、置換および変更を行なって実施することが出来る。これらの実施形態および変形例ならびに省略、置換および変更を行なったものは、特許請求の範囲の技術的範囲とその均等の範囲に含まれる。

１，１Ａ 情報処理システム、１００ 学習サーバ、１１０ 通信部、１２０ 記憶部、１２１Ａ，１２１Ｂ 対象データＤＢ、１２２ 学習済モデルＤＢ、１３０ 制御部、１３１ 対象データ取得部、１３２ 学習部、１３３ 提供部、１３４ 課金額決定部、２００，２００Ｂ，２００Ｃ 解析装置、２１０ 通信部、２２０ 表示部、２３０ 操作部、２４０ 記憶部、２４１ 学習済モデルＤＢ、２４２ 対象データＤＢ、２５０ 制御部、２５１ モデル取得部、２５２ 対象データ取得部、２５３ 解析部、２５４ 結果出力部、２５５ 対象データ提供部、２５６ 入力受付部、２５７ 評価部、ＮＷ ネットワーク、Ｔ 通信手段

Claims (7)

1. 機械学習を行って特定の学習済モデルを生成する学習サーバと、前記学習済モデルを用いてデータ解析を行う解析装置と、を備える情報処理システムであって、
   前記学習サーバは、
   前記データ解析の対象となる対象データを取得する対象データ取得部と、
   前記対象データに基づいて機械学習を行い、前記データ解析を行うためのモデル情報である前記学習済モデルを生成し、または前記学習済モデルを更新する学習部と、
   前記学習済モデルを前記解析装置へ提供する提供部と、
   前記学習済モデルを前記解析装置へ提供する際の課金額を決定する課金額決定部と、を備え、
   前記解析装置は、
   前記学習サーバから前記学習済モデルを取得するモデル取得部と、
   前記学習済モデルに基づき、前記対象データのデータ解析を行う解析部と、
   前記データ解析の結果により、前記学習済モデルの目的に応じた出力を行う結果出力部と、
   前記学習サーバに対して前記対象データを提供する対象データ提供部と、を備え、
   前記学習サーバは、前記対象データ提供部により、前記解析装置から提供された前記対象データを取得し、
   前記対象データ取得部は、前記解析装置から提供された前記対象データを、他の前記解析装置から参照できないように取得して記憶し、
   前記学習部は、前記解析装置から提供された前記対象データを、他の前記解析装置から参照できないように前記学習済モデルを生成し、または前記学習済モデルを更新し、
   前記課金額決定部は、前記学習済モデルの提供状況または前記対象データの取得状況に基づき、前記学習済モデルを前記解析装置へ提供する際の課金額を決定する、情報処理システム。
2. 前記課金額決定部は、前記解析装置から前記対象データの提供を受ける場合と、前記対象データの提供を受けない場合とで異なる前記課金額を決定する、請求項１に記載の情報処理システム。
3. 前記課金額決定部は、前記学習済モデルのデータ量、または前記学習済モデルを使用する単位時間当たりの金額に基づき、前記課金額を決定する、請求項１に記載の情報処理システム。
4. 前記解析装置は、前記対象データに関連するタグデータの入力を受け付ける入力受付部を備え、
   前記対象データ提供部は、前記対象データと共に前記タグデータを前記学習サーバに対して提供し、
   前記対象データ取得部は、前記解析装置から前記タグデータを取得し、前記タグデータを前記対象データに関連付けるアノテーションを行い、
   前記学習部は、前記対象データと、前記タグデータとに基づく機械学習を行う、請求項１または請求項３に記載の情報処理システム。
5. 前記解析装置は、前記学習済モデルに基づく前記データ解析の結果について評価を行い、評価結果データを生成する評価部を備え、
   前記対象データ提供部は、前記対象データと共に前記評価結果データを前記学習サーバに対して提供し、
   前記対象データ取得部は、前記解析装置から前記評価結果データを取得し、
   前記学習部は、前記評価結果データに基づいて前記対象データを選択し、選択した前記対象データに基づく機械学習を行う、請求項１から請求項４のいずれか１項に記載の情報処理システム。
6. 機械学習を行って特定の学習済モデルを生成する学習サーバと、前記学習済モデルを用いてデータ解析を行う解析装置と、を備える情報処理システムにおいて、機械学習を行って特定の学習済モデルを生成し、前記学習済モデルを用いてデータ解析を行う解析装置に対して前記学習済モデルを提供する情報処理方法であって、
   前記学習サーバは、
   対象データ取得部が行う、前記データ解析の対象となる対象データを取得する対象データ取得ステップと、
   学習部が行う、前記対象データに基づいて機械学習を行い、前記データ解析を行うためのモデル情報である前記学習済モデルを生成し、または前記学習済モデルを更新する学習ステップと、
   提供部が行う、前記学習済モデルを前記解析装置へ提供する提供ステップと、
   課金額決定部が行う、前記学習済モデルを前記解析装置へ提供する際の課金額を決定する課金額決定ステップと、を実行し、
   前記解析装置は、
   モデル取得部が行う、前記解析装置で前記学習済モデルを取得するモデル取得ステップと、
   解析部が行う、前記学習済モデルに基づき、前記対象データのデータ解析を行う解析ステップと、
   結果出力部が行う、前記データ解析の結果により、前記学習済モデルの目的に応じた出 力を行う結果出力ステップと、
   対象データ提供部が行う、前記学習サーバに対して前記対象データを提供する対象データ提供ステップと、を実行し、
   前記学習サーバは、前記対象データ提供ステップにより、前記解析装置から提供された前記対象データを取得し、
   前記対象データ取得ステップは、前記解析装置から提供された前記対象データを、他の前記解析装置から参照できないように取得して記憶し、
   前記学習ステップは、前記解析装置から提供された前記対象データを、他の前記解析装置から参照できないように前記学習済モデルを生成し、または前記学習済モデルを更新し、
   前記課金額決定ステップは、前記学習済モデルの提供状況または前記対象データの取得状況に基づき、前記学習済モデルを前記解析装置へ提供する際の課金額を決定する、情報処理方法。
7. 機械学習を行って特定の学習済モデルを生成する学習サーバと、前記学習済モデルを用いてデータ解析を行う解析装置と、を備える情報処理システムにおいて実行される、機械学習を行って特定の学習済モデルを生成し、前記学習済モデルを用いてデータ解析を行う解析装置に対して前記学習済モデルを提供する情報処理プログラムであって、
   前記学習サーバでは、
   前記データ解析の対象となる対象データを取得する対象データ取得ステップと、
   前記対象データに基づいて機械学習を行い、前記データ解析を行うためのモデル情報である前記学習済モデルを生成し、または前記学習済モデルを更新する学習ステップと、
   前記学習済モデルを前記解析装置へ提供する提供ステップと、
   前記学習済モデルを前記解析装置へ提供する際の課金額を決定する課金額決定ステップと、が実行され、
   前記解析装置では、
   前記解析装置で前記学習済モデルを取得するモデル取得ステップと、
   前記学習済モデルに基づき、前記対象データのデータ解析を行う解析ステップと、
   前記データ解析の結果により、前記学習済モデルの目的に応じた出力を行う結果出力ステップと、を電子計算機に実行させるための、情報処理プログラム。
   前記学習サーバに対して前記対象データを提供する対象データ提供ステップと、実行されるための、情報処理プログラムであり、
   前記学習サーバは、前記対象データ提供ステップにより、前記解析装置から提供された前記対象データを取得し、
   前記対象データ取得ステップは、前記解析装置から提供された前記対象データを、他の前記解析装置から参照できないように取得して記憶し、
   前記学習ステップは、前記解析装置から提供された前記対象データを、他の前記解析装置から参照できないように前記学習済モデルを生成し、または前記学習済モデルを更新し、
   前記課金額決定ステップは、前記学習済モデルの提供状況または前記対象データの取得状況に基づき、前記学習済モデルを前記解析装置へ提供する際の課金額を決定する、情報処理プログラム。

Images