JP6759488B1 - エッジデバイス機械学習モデル切替システム、エッジデバイス機械学習モデル切替方法、プログラム、及びエッジデバイス - Google Patents
エッジデバイス機械学習モデル切替システム、エッジデバイス機械学習モデル切替方法、プログラム、及びエッジデバイス Download PDFInfo
- Publication number
- JP6759488B1 JP6759488B1 JP2020522886A JP2020522886A JP6759488B1 JP 6759488 B1 JP6759488 B1 JP 6759488B1 JP 2020522886 A JP2020522886 A JP 2020522886A JP 2020522886 A JP2020522886 A JP 2020522886A JP 6759488 B1 JP6759488 B1 JP 6759488B1
- Authority
- JP
- Japan
- Prior art keywords
- machine learning
- learning model
- edge device
- environment
- switching
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Manipulator (AREA)
Abstract
Description
本発明は、エッジデバイスに、置かれた環境を判断させて、既に適用されている他の機械学習モデルから、当該置かれた環境に適した機械学習モデルに切り替えさせるエッジデバイス機械学習モデル切替システムであって、エッジデバイスに、置かれた環境を示すセンサデータを取得させる第1取得手段と、エッジデバイスに、取得させたセンサデータを解析させて、置かれた環境を判断させる判断手段と、エッジデバイスに、判断させた環境に適した機械学習モデルを決定させる決定手段と、エッジデバイスに、決定させた環境に適した機械学習モデルを、クラウドから取得させる第2取得手段と、エッジデバイスに、既に適用されている他の機械学習モデルから、取得させた機械学習モデルに切り替えさせる切替手段と、切り替えた結果を学習する学習手段と、を備え、学習の結果を利用して、決定手段の決定の精度を上げるエッジデバイス機械学習モデル切替システムを提供する。
本発明はエッジデバイスに、置かれた環境を判断させて、既に適用されている他の機械学習モデルから、当該置かれた環境に適した機械学習モデルに切り替えさせるエッジデバイス機械学習モデル切替方法において、エッジデバイスに、置かれた環境を示すセンサデータを取得させるステップと、エッジデバイスに、取得させたセンサデータを解析させて、置かれた環境を判断させるステップと、エッジデバイスに、判断させた環境に適した機械学習モデルを決定させるステップと、エッジデバイスに、決定させた環境に適した機械学習モデルを、クラウドから取得させるステップと、エッジデバイスに、既に適用されている他の機械学習モデルから、取得させた機械学習モデルに切り替えさせるステップと、切り替えた結果を学習するステップと、を備え、学習の結果を利用して、機械学習モデルの決定の精度を上げるエッジデバイス機械学習モデル切替方法を提供する。
本発明は、エッジデバイスに、置かれた環境を判断させて、既に適用されている他の機械学習モデルから、当該置かれた環境に適した機械学習モデルに切り替えさせるエッジデバイス機械学習モデル切替システムに、エッジデバイスに、置かれた環境を示すセンサデータを取得させるステップ、エッジデバイスに、取得させたセンサデータを解析させて、置かれた環境を判断させるステップ、エッジデバイスに、判断させた環境に適した機械学習モデルを決定させるステップと、エッジデバイスに、決定させた環境に適した機械学習モデルを、クラウドから取得させるステップ、エッジデバイスに、既に適用されている他の機械学習モデルから、取得させた機械学習モデルに切り替えさせるステップ、切り替えた結果を学習するステップを実行させ、学習の結果を利用して、機械学習モデルの決定の精度を上げプログラムを提供する。
本発明は、置かれた環境を示すセンサデータを取得する第1取得手段と、取得させたセンサデータを解析して、置かれた環境を判断する判断手段と、判断させた環境に適した機械学習モデルを決定させる決定手段と、決定させた環境に適した機械学習モデルを、クラウドから取得する第2取得手段と、既に適用されている他の機械学習モデルから、取得させた機械学習モデルに切り替える切替手段と、を備え、切り替えた結果を学習した結果を利用して決定手段の決定の精度が上げられるエッジデバイスを提供する。
エッジデバイスに、置かれた環境を判断させて、既に適用されている他の機械学習モデルから、当該置かれた環境に適した機械学習モデルに切り替えさせるエッジデバイス機械学習モデル切替システムであって、
前記エッジデバイスに、置かれた環境を示すセンサデータを取得させる第1取得手段と、
前記エッジデバイスに、前記取得させたセンサデータを解析させて、置かれた環境を判断させる判断手段と、
前記エッジデバイスに、前記判断させた環境に適した機械学習モデルを決定させる決定手段と、
前記エッジデバイスに、前記決定させた環境に適した機械学習モデルを、クラウドから取得させる第2取得手段と、
前記エッジデバイスに、既に適用されている他の機械学習モデルから、前記取得させた機械学習モデルに切り替えさせる切替手段と、
を備えるエッジデバイス機械学習モデル切替システムを提供する。
前記切り替えた結果を学習する学習手段を備え、
前記学習の結果を利用して、前記決定手段の決定の精度を上げるエッジデバイス機械学習モデル切替システムを提供する。
前記センサデータに画像データ、温度データ、湿度データ、水量データ、音データ、照度データ、位置データ、時刻データ、の何れかを含むエッジデバイス機械学習モデル切替システムを提供する。
前記第2取得手段は、前記クラウドからの機械学習モデルの取得が不可能な場合、外部のプラットフォームから機械学習モデルの取得を行うエッジデバイス機械学習モデル切替システムを提供する。
エッジデバイスに、置かれた環境を判断させて、既に適用されている他の機械学習モデルから、当該置かれた環境に適した機械学習モデルに切り替えさせるエッジデバイス機械学習モデル切替方法において、
前記エッジデバイスに、置かれた環境を示すセンサデータを取得させるステップと、
前記エッジデバイスに、前記取得させたセンサデータを解析させて、置かれた環境を判断させるステップと、
前記エッジデバイスに、前記判断させた環境に適した機械学習モデルを決定させるステップと、
前記エッジデバイスに、前記決定させた環境に適した機械学習モデルを、クラウドから取得させるステップと、
前記エッジデバイスに、既に適用されている他の機械学習モデルから、前記取得させた機械学習モデルに切り替えさせるステップと、
を備えるエッジデバイス機械学習モデル切替方法を提供する。
エッジデバイスに、置かれた環境を判断させて、既に適用されている他の機械学習モデルから、当該置かれた環境に適した機械学習モデルに切り替えさせるエッジデバイス機械学習モデル切替システムに、
前記エッジデバイスに、置かれた環境を示すセンサデータを取得させるステップ、
前記エッジデバイスに、前記取得させたセンサデータを解析させて、置かれた環境を判断させるステップ、
前記エッジデバイスに、前記判断させた環境に適した機械学習モデルを決定させるステップ、
前記エッジデバイスに、前記決定させた環境に適した機械学習モデルを、クラウドから取得させるステップ、
前記エッジデバイスに、既に適用されている他の機械学習モデルから、前記取得させた機械学習モデルに切り替えさせるステップ、
を実行させるためのプログラムを提供する。
置かれた環境を示すセンサデータを取得する第1取得手段と、
前記取得させたセンサデータを解析して、置かれた環境を判断する判断手段と、
前記判断させた環境に適した機械学習モデルを決定させる決定手段と、
前記決定させた環境に適した機械学習モデルを、クラウドから取得する第2取得手段と、
既に適用されている他の機械学習モデルから、前記取得させた機械学習モデルに切り替える切替手段と、
を備えるエッジデバイスを提供する。
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。エッジデバイス機械学習モデル切替システムは、図2に示すように、エッジデバイス10、クラウド20、通信網40から構成される。エッジデバイス10は、IoTの分野で利用される。本発明において、エッジデバイス10は、通信網40に接続可能であり、かつ、画像データ、温度データ、湿度データ、水量データ、音データ、照度データ、位置データ、時刻データ等を各種センサから取得可能なデバイスである。位置データ、時刻データについては、センサからではなく、通信網40経由で取得してもよい。また、CPU(Central Processing Unit)、GPU(Graphics Processing Unit)、RAM(Random Access Memory)、ROM(Read Only Memory)等を備え、機械学習モデルを利用するAIをエッジデバイス10上で動かすことが可能であるものとする。エッジデバイス10は、第1取得モジュール11、判断モジュール12、決定モジュール13、第2取得モジュール14、切替モジュール15、を備える。これらのモジュールは、エッジデバイス10上で動作可能なソフトウェアにより実現するものとしてよい。また、図1及び図2ではエッジデバイス10を一つのみ図示しているが、複数であって良く、それぞれのエッジデバイス10が連携して動作してよい。クラウド20は、エッジデバイス10のAIが利用する機械学習モデル置き場となるクラウドである。機械学習のモデルは、エッジデバイス10がどのような環境に置かれても、対応可能な多種多様なモデルを備えるものとする。通信網40は、エッジデバイス10、クラウド20間の通信を可能とする通信網である。
図2は、エッジデバイス機械学習モデル切替システムの概要と、エッジデバイス10、クラウド20、通信網40のブロック図である。エッジデバイス機械学習モデル切替システムは、エッジデバイス10、クラウド20、通信網40から構成される。
図3は、エッジデバイス機械学習モデル切替処理のフローチャート図である。上述した各モジュールが実行する処理について、本フローチャートで説明する。
図4は、学習を行う場合の、エッジデバイス機械学習モデル切替システムの概要と、エッジデバイス10、クラウド20、通信網40のブロック図である。図2の構成に加えて、エッジデバイス10に学習モジュール16を備える。学習モジュール16も、他のモジュールと同じく、エッジデバイス10上で動作可能なソフトウェアにより実現するものとしてよい。
図6は、クラウド20又は外部プラットフォーム30から機械学習モデルを取得する場合の、エッジデバイス機械学習モデル切替システムの概要と、エッジデバイス10、クラウド20、外部プラットフォーム30、通信網40のブロック図である。図2又は図4の構成に加えて外部プラットフォーム30を含む。外部プラットフォーム30は、エッジデバイス機械学習モデル切替システムと連携する外部のプラットフォームで、エッジデバイス10のAIが利用する機械学習モデル置き場となる。通信網40は、エッジデバイス10、クラウド20、外部プラットフォーム30間の通信を可能とする通信網である。クラウド20と同じく、外部プラットフォーム30にどのような種類の機械学習モデルがあるかのリストを、エッジデバイス10に保持してよいものとする。また、外部プラットフォーム30に保持する機械学習モデルの種類や内容が更新された場合には、エッジデバイス10上の機械学習モデルリストも、通信網40を介して更新可能であるものとする。以降では、エッジデバイス10がクラウド20を介さず直接外部プラットフォーム30にアクセスする場合の例を説明するが、図1、図3、図5のフローにおいて、クラウド20に取得しようとする機械学習モデルが無い場合に、クラウド20が外部プラットフォーム30にアクセスして、外部プラットフォームにある機械学習モデルを取得する構成としてもよい。その場合には、エッジデバイス10側の処理には、特に影響ない。
Claims (6)
- エッジデバイスに、置かれた環境を判断させて、既に適用されている他の機械学習モデルから、当該置かれた環境に適した機械学習モデルに切り替えさせるエッジデバイス機械学習モデル切替システムであって、
前記エッジデバイスに、置かれた環境を示すセンサデータを取得させる第1取得手段と、
前記エッジデバイスに、前記取得させたセンサデータを解析させて、置かれた環境を判断させる判断手段と、
前記エッジデバイスに、前記判断させた環境に適した機械学習モデルを決定させる決定手段と、
前記エッジデバイスに、前記決定させた環境に適した機械学習モデルを、クラウドから取得させる第2取得手段と、
前記エッジデバイスに、既に適用されている他の機械学習モデルから、前記取得させた機械学習モデルに切り替えさせる切替手段と、
前記切り替えた結果を学習する学習手段と、
を備え、
前記学習の結果を利用して、前記決定手段の決定の精度を上げるエッジデバイス機械学習モデル切替システム。 - 前記センサデータに画像データ、温度データ、湿度データ、水量データ、音データ、照度データ、位置データ、時刻データ、の何れかを含む請求項1に記載のエッジデバイス機械学習モデル切替システム。
- 前記第2取得手段は、前記クラウドからの機械学習モデルの取得が不可能な場合、外部のプラットフォームから機械学習モデルの取得を行う請求項1または請求項2に記載のエッジデバイス機械学習モデル切替システム。
- エッジデバイスに、置かれた環境を判断させて、既に適用されている他の機械学習モデルから、当該置かれた環境に適した機械学習モデルに切り替えさせるエッジデバイス機械学習モデル切替方法において、
前記エッジデバイスに、置かれた環境を示すセンサデータを取得させるステップと、
前記エッジデバイスに、前記取得させたセンサデータを解析させて、置かれた環境を判断させるステップと、
前記エッジデバイスに、前記判断させた環境に適した機械学習モデルを決定させるステップと、
前記エッジデバイスに、前記決定させた環境に適した機械学習モデルを、クラウドから取得させるステップと、
前記エッジデバイスに、既に適用されている他の機械学習モデルから、前記取得させた機械学習モデルに切り替えさせるステップと、
前記切り替えた結果を学習するステップと、
を備え、
前記学習の結果を利用して、前記機械学習モデルの決定の精度を上げるエッジデバイス機械学習モデル切替方法。 - エッジデバイスに、置かれた環境を判断させて、既に適用されている他の機械学習モデルから、当該置かれた環境に適した機械学習モデルに切り替えさせるエッジデバイス機械学習モデル切替システムに、
前記エッジデバイスに、置かれた環境を示すセンサデータを取得させるステップ、
前記エッジデバイスに、前記取得させたセンサデータを解析させて、置かれた環境を判断させるステップ、
前記エッジデバイスに、前記判断させた環境に適した機械学習モデルを決定させるステップと、
前記エッジデバイスに、前記決定させた環境に適した機械学習モデルを、クラウドから取得させるステップ、
前記エッジデバイスに、既に適用されている他の機械学習モデルから、前記取得させた機械学習モデルに切り替えさせるステップ、
前記切り替えた結果を学習するステップ
を実行させ、
前記学習の結果を利用して、前記機械学習モデルの決定の精度を上げプログラム。 - 置かれた環境を示すセンサデータを取得する第1取得手段と、
前記取得させたセンサデータを解析して、置かれた環境を判断する判断手段と、
前記判断させた環境に適した機械学習モデルを決定させる決定手段と、
前記決定させた環境に適した機械学習モデルを、クラウドから取得する第2取得手段と、
既に適用されている他の機械学習モデルから、前記取得させた機械学習モデルに切り替える切替手段と、
を備え、
前記切り替えた結果を学習した結果を利用して前記決定手段の決定の精度が上げられるエッジデバイス。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2018/043132 WO2020105161A1 (ja) | 2018-11-22 | 2018-11-22 | エッジデバイス機械学習モデル切替システム、エッジデバイス機械学習モデル切替方法、プログラム、及びエッジデバイス |
Publications (2)
Publication Number | Publication Date |
---|---|
JP6759488B1 true JP6759488B1 (ja) | 2020-09-23 |
JPWO2020105161A1 JPWO2020105161A1 (ja) | 2021-02-15 |
Family
ID=70773299
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020522886A Active JP6759488B1 (ja) | 2018-11-22 | 2018-11-22 | エッジデバイス機械学習モデル切替システム、エッジデバイス機械学習モデル切替方法、プログラム、及びエッジデバイス |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP6759488B1 (ja) |
WO (1) | WO2020105161A1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022211383A1 (ko) * | 2021-03-30 | 2022-10-06 | 삼성전자주식회사 | 전자 장치 및 이의 제어 방법 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016067483A1 (ja) * | 2014-10-28 | 2016-05-06 | 日本電気株式会社 | 推定結果表示システム、推定結果表示方法および推定結果表示プログラム |
WO2018173121A1 (ja) * | 2017-03-21 | 2018-09-27 | 株式会社Preferred Networks | サーバ装置、学習済モデル提供プログラム、学習済モデル提供方法及び学習済モデル提供システム |
-
2018
- 2018-11-22 WO PCT/JP2018/043132 patent/WO2020105161A1/ja active Application Filing
- 2018-11-22 JP JP2020522886A patent/JP6759488B1/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016067483A1 (ja) * | 2014-10-28 | 2016-05-06 | 日本電気株式会社 | 推定結果表示システム、推定結果表示方法および推定結果表示プログラム |
WO2018173121A1 (ja) * | 2017-03-21 | 2018-09-27 | 株式会社Preferred Networks | サーバ装置、学習済モデル提供プログラム、学習済モデル提供方法及び学習済モデル提供システム |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022211383A1 (ko) * | 2021-03-30 | 2022-10-06 | 삼성전자주식회사 | 전자 장치 및 이의 제어 방법 |
Also Published As
Publication number | Publication date |
---|---|
WO2020105161A1 (ja) | 2020-05-28 |
JPWO2020105161A1 (ja) | 2021-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220363259A1 (en) | Method for generating lane changing decision-making model, method for lane changing decision-making of unmanned vehicle and electronic device | |
US10970854B2 (en) | Visual target tracking method and apparatus based on deep adversarial training | |
JP6648352B2 (ja) | 汎用学習済モデルの生成方法 | |
CN108093030B (zh) | 一种基于云服务器的人工智能模型部署方法 | |
CN109483573A (zh) | 机器学习装置、机器人系统以及机器学习方法 | |
WO2021143231A1 (zh) | 一种目标检测模型的训练方法、数据的标注方法和装置 | |
CN108564376A (zh) | 风险控制方法、装置、服务器及可读存储介质 | |
CN109782600A (zh) | 一种通过虚拟环境建立自主移动机器人导航系统的方法 | |
JP2017215898A (ja) | 機械学習システム | |
CN112748941B (zh) | 基于反馈信息的目标应用程序的更新方法和装置 | |
CN110347134A (zh) | 一种ai智能水产养殖样本识别方法及养殖系统 | |
CN111026409A (zh) | 一种自动监控方法、装置、终端设备及计算机存储介质 | |
KR20200072592A (ko) | 로봇용 학습 프레임워크 설정방법 및 이를 수행하는 디지털 제어 장치 | |
CN112532530A (zh) | 一种拥塞通知信息调整的方法及设备 | |
JP6759488B1 (ja) | エッジデバイス機械学習モデル切替システム、エッジデバイス機械学習モデル切替方法、プログラム、及びエッジデバイス | |
CN109726257A (zh) | 索引地图的构建方法、自主导航的方法、装置和电子设备 | |
CN111753846A (zh) | 一种基于rpa和ai的网站验证方法、装置、设备及存储介质 | |
Milford et al. | Brain-inspired sensor fusion for navigating robots | |
CN113342029B (zh) | 基于无人机群的最大传感器数据采集路径规划方法及系统 | |
CN105528615B (zh) | 行为数据的路径寻优方法 | |
CN111368060B (zh) | 对话机器人的自学习方法、装置、系统、电子设备及介质 | |
CN112686406A (zh) | 数据处理方法和装置、服务器及存储介质 | |
CN111368998A (zh) | 基于Spark集群的模型训练方法、装置、设备及存储介质 | |
US20190050684A1 (en) | Machine learning device and method | |
US20210042621A1 (en) | Method for operation of network model and related product |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200422 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200422 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20200422 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20200525 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200528 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200529 |
|
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: 20200827 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200902 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6759488 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |