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

Abstract

本発明は、ＩｏＴ（Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ）に関連し、技術分野はＩＰＣ分類においてＧ０６Ｑ等に該当する。【課題】 エッジデバイスをただ置くだけで、エッジデバイス自身が、置かれた環境を自動で判断して、既に適用されている他の機械学習モデルから、その置かれた環境に適した機械学習モデルに切り替える。【解決手段】 エッジデバイス１０に、置かれた環境を示すセンサデータを取得させる第１取得モジュール１１と、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モジュール１２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モジュール１３と、決定させた環境に適した機械学習モデルを、クラウドから取得させる第２取得モジュール１４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させる切替モジュール１５と、を備える。【選択図】 図１

Description

本発明は、ＩｏＴ（Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ）に関連し、技術分野はＩＰＣ分類においてＧ０６Ｑ等に該当する。より詳細には、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機械学習モデルから、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、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に関するものである。

近年、エッジコンピューティングを実現するため、サーバ上でＡＩ（Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ）を動かすのではなく、エッジデバイス上でＡＩを動かす技術が注目されている。

例えば、サーバがエッジデバイスからデータを取得して、新学習済モデルを作成してエッジデバイスに返し、エッジデバイスが旧学習済モデルを新学習済モデルに更新する技術が提供されている（特許文献１）。

また、エッジデバイスで動いている機械学習モデルの精度が不十分な場合には、サーバが新機械学習モデルを作成してエッジデバイスに渡し、エッジデバイスが旧学習済モデルを新学習済モデルに更新する技術が提供されている（特許文献２）。

ＵＳ２０１８／００３２９１５ ＷＯ２０１６／１１８８１５

理想のエッジコンピューティングを達成するためには、エッジデバイスをただ置くだけで、エッジデバイス自身が、置かれた環境を自動で判断して、既に適用されている他の機械学習モデルから、その置かれた環境に適した機械学習モデルに切り替えることが必要となる。

しかしながら、特許文献１及び特許文献２の技術では、エッジデバイス自身に、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、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ことはできない。特許文献１の技術では、サーバがエッジデバイスからデータを取得することが必要である。特許文献２には、エッジデバイスに機械学習モデルを５つ程度格納しておき、その中で機械学習モデルを切り替えることが記載されている。しかしながら、たった５つ程度の機械学習モデルでは、置かれた全ての環境に適した機械学習モデルに切り替えることは不可能である。また、エッジデバイス内に格納可能な機械学習モデルの数を増やした場合でも、置かれた全ての環境に対応可能なだけの機械学習モデルを、予め記憶容量の少ないエッジデバイス内に全て格納しておくということは、現実的ではない。

この課題に対し、本発明の発明者は、クラウドを機械学習モデルの置き場にして、エッジデバイス自身が置かれた環境を示すセンサデータを基に環境を判断して、その環境に適した機械学習モデルをクラウドから取得することで、対応が可能な点に注目した。

本発明は、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て、置かれた環境を判断させて、その環境に適した機械学習モデルをクラウドから取得させて、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替させる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。
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。

第１の特徴に係る発明は、
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、
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。

第１の特徴に係る発明によれば、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。

第１の特徴に係る発明は、エッジデバイス機械学習モデル切替システムのカテゴリであるが、エッジデバイス機械学習モデル切替方法、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。

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エッジデバイス機械学習モデル切替システムにおいて、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。

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。

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エッジデバイス機械学習モデル切替システムにおいて、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。

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。

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エッジデバイス機械学習モデル切替システムにおいて、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。

第５の特徴に係る発明は、
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、
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。

第６の特徴に係る発明は、
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、
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。

第７の特徴に係る発明は、
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、
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。

本発明によれば、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て、置かれた環境を判断させて、その環境に適した機械学習モデルをクラウドから取得させて、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替させる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。 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処理のフローチャート図である。 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。 学習を行う場合の、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。 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。 機械学習モデル取得処理のフローチャート図である。 工場にエッジデバイス１０を置いた場合のイメージ図である。 キャベツ畑にエッジデバイス１０を置いた場合のイメージ図である。

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。

［エッジデバイス機械学習モデル切替システムの概要］
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。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。

ここでは、環境Ａに置いてあったエッジデバイス１０を、環境Ｂに移動した後に、図１の処理を開始したものとする。図１のエッジデバイス機械学習モデル切替システムにおいて、まず、エッジデバイス１０の第１取得モジュール１１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Ｓ１０１）。本発明においてセンサデータとは、エッジデバイス１０のセンサから取得可能な画像データ、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、時刻データ等の、データである。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。

次に、エッジデバイス１０の判断モジュール１２に、ステップＳ１０１で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Ｓ１０２）。判断モジュール１２は、例えば、異物検査をしている工場の生産ラインに置かれた、キャベツを育てている畑に置かれた、等、ステップＳ１０１で取得させたセンサデータを基にして、置かれた環境を判断する。

次に、エッジデバイス１０の決定モジュール１３に、ステップＳ１０２で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Ｓ１０３）。例えば、キャベツを育てている畑に置かれた場合でも、その場所が北であるのか南にあるのか、季節がいつであるのかによって、最適な機械学習モデルが異なるため、ステップＳ１０２で判断させた環境とステップＳ１０１で取得させたセンサデータを基に決定する。本決定を行うために、クラウド２０には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、クラウド２０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。

次に、エッジデバイス１０の第２取得モジュール１４に、ステップＳ１０３で決定させた機械学習モデルをクラウド２０から取得させる（ステップＳ１０４）。ここでは、環境Ｂに最も適した機械学習モデルＢを、クラウド２０から取得させる。

最後に、エッジデバイス１０の切替モジュール１５に、これまでの環境Ａに適していた機械学習モデルＡから、ステップＳ１０４で取得した機械学習モデルＢに、適用する機械学習モデルを切り替えさせる（ステップＳ１０５）。クラウド２０上に機械学習モデルを置く利点として、置かれた全ての環境に対応可能なだけの大量の機械学習モデルを保持し、それらの更新やメンテナンス作業の即時対応が可能であるという点が挙げられる。前述のステップＳ１０１からステップＳ１０５の処理の全てを、エッジデバイス１０に行わせることで、ユーザである人間がエッジデバイス１０をただ置くだけで、エッジデバイス１０が置かれた環境を判断して、それまで適用されていた他の機械学習モデルから、置かれた環境に最適な機械学習モデルに切り替えるため、エッジデバイス１０を使用する際の手間が大幅に削減できる。また、一つのエッジデバイス１０を様々な環境で使いまわすことが可能であるため、コスト的にも優れている。

このように本発明によれば、エッジデバイス１０に、置かれた環境を示すセンサデータを取得させて、置かれた環境を判断させて、その環境に適した機械学習モデルをクラウド２０から取得させて、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替させる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を提供することが可能となる。

［各機能の説明］
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。

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、ＧＰＵ、ＲＡＭ、ＲＯＭ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。

［エッジデバイス機械学習モデル切替処理］
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８は、工場にエッジデバイス１０を置いた場合のイメージ図である。工場に置かれたエッジデバイス１０は、最適な機械学習モデルを適用されたＡＩにより、例えば、画像データと音データを用いて、製品の不良となる要因を解析する。図９は、キャベツ畑にエッジデバイス１０を置いた場合のイメージ図である。キャベツ畑に置かれたエッジデバイス１０は、最適な機械学習モデルを適用されたＡＩにより、例えば、画像データ、温度データ、湿度データ、水量データ、照度データを基にキャベツの生育具合を判断し、水や肥料をまくといった必要な農作業を提案する。ここでは、図８の工場から、図９のキャベツ畑に、エッジデバイス１０が移動されたものとする。

図３のエッジデバイス機械学習モデル切替システムにおいて、まず、エッジデバイス１０の第１取得モジュール１１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Ｓ３０１）。本発明においてセンサデータとは、エッジデバイス１０のセンサから取得可能な画像データ、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、時刻データ等の、データである。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。

次に、エッジデバイス１０の判断モジュール１２に、ステップＳ３０１で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Ｓ３０２）。

次に、エッジデバイス１０の判断モジュール１２に、置かれた環境に変化があったかを判断させる（ステップＳ３０３）。例えば、図８の工場から図９のキャベツ畑にエッジデバイス１０が移動された場合には、環境の変化があったとして、次のステップＳ３０４に進む。特に環境の変化が無かった場合には、ステップＳ３０１に戻り処理を継続する。

環境の変化があった場合、エッジデバイス１０の決定モジュール１３に、ステップＳ３０２で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Ｓ３０４）。例えば、図９のキャベツ畑に置かれた場合でも、その場所が北であるのか南にあるのか、季節がいつであるのかによって、最適な機械学習モデルが異なるため、ステップＳ３０２で判断させた環境とステップＳ３０１で取得させたセンサデータを基に決定する。本決定を行うために、クラウド２０には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、クラウド２０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。

次に、エッジデバイス１０の第２取得モジュール１４に、ステップＳ３０４で決定させた機械学習モデルをクラウド２０から取得させる（ステップＳ３０５）。ここでは、図９のキャベツ畑に最も適した機械学習モデルを、クラウド２０から取得させる。

次に、エッジデバイス１０の切替モジュール１５に、これまでの図８の工場に適していた機械学習モデルから、ステップＳ３０５で取得した図９のキャベツ畑に適した機械学習モデルに、適用する機械学習モデルを切り替えさせる（ステップＳ３０６）。

最後に、切替モジュール１５に、エッジデバイス機械学習モデル切替処理を終了するか確認させる（ステップＳ３０７）。終了しない場合には、ステップＳ３０１に戻って処理を継続し、終了する場合にはエッジデバイス機械学習モデル切替処理を終了する。

エッジデバイス機械学習モデル切替システムにおいて、クラウド２０上に機械学習モデルを置く利点として、置かれた全ての環境に対応可能なだけの大量の機械学習モデルを保持し、それらの更新やメンテナンス作業の即時対応が可能であるという点が挙げられる。前述のステップＳ３０１からステップＳ３０７の処理の全てを、エッジデバイス１０に行わせることで、ユーザである人間がエッジデバイス１０をただ置くだけで、エッジデバイス１０が置かれた環境を判断して、それまで適用されていた他の機械学習モデルから、置かれた環境に最適な機械学習モデルに切り替えるため、エッジデバイス１０を使用する際の手間が大幅に削減できる。また、一つのエッジデバイス１０を様々な環境で使いまわすことが可能であるため、コスト的にも優れている。

このように本発明によれば、エッジデバイス１０に、置かれた環境を示すセンサデータを取得させて、置かれた環境を判断させて、その環境に適した機械学習モデルをクラウド２０から取得させて、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替させる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を提供することが可能となる。

［学習処理］
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５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処理のフローチャート図である。ステップＳ５０１からステップＳ５０６は、図３のステップＳ３０１からステップＳ３０６に相当するため、ステップＳ５０７以降について説明する。

ステップＳ５０６の機械学習モデルの切り替え後、エッジデバイス１０の学習モジュール１６に、機械学習モデルを切り替えた結果を学習させる（ステップＳ５０７）。学習の方法として、例えば、ステップＳ５０６で切り替えた機械学習モデルに対して、ユーザからの変更が入らない場合には、決定モジュール１３による決定が正解であるということを学習して、決定モジュール１３による決定の精度を、より向上させることが可能となる。また、他の学習の方法としては、適用した機械学習モデルによるＡＩの性能のフィードバックを受けて、性能が高ければ、決定モジュール１３による決定が正解であるということを学習させてもよい。

最後に、切替モジュール１５に、エッジデバイス機械学習モデル切替処理を終了するか確認させる（ステップＳ５０８）。終了しない場合には、ステップＳ５０１に戻って処理を継続し、終了する場合にはエッジデバイス機械学習モデル切替処理を終了する。

このように本発明によれば、機械学習モデルを切り替えた結果の学習を行うことで、更に高精度に、既に適用されている他の機械学習モデルから、取得させたその環境に最適な機械学習モデルに切替させる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を提供することが可能となる。

［機械学習モデル取得処理］
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。

図７は、機械学習モデル取得処理のフローチャート図である。外部プラットフォーム３０を含む構成の時に、図１のステップＳ１０４、図３のステップＳ３０５、図５のステップＳ５０５に相当する処理となる。

図７の機械学習モデル取得処理のフローチャートにおいて、まず、エッジデバイス１０の第２取得モジュール１４は、クラウド２０に接続可能であるかどうかを確認する（ステップＳ７０１）。

ステップＳ７０１で接続可能であると判断した場合、エッジデバイス１０の第２取得モジュール１４は、クラウド２０に接続する（ステップＳ７０２）。ここで、必要に応じて、クラウド２０に対するエッジデバイス１０の認証処理を行ってもよい。

クラウド２０への接続後、第２取得モジュール１４に、クラウド２０から決定された機械学習モデルを取得させる（ステップＳ７０３）。

第２取得モジュール１４に、決定された機械学習モデルの取得が成功したかどうか確認させ（ステップＳ７０４）、取得が成功した場合には機械学習モデル取得処理を終了し、成功しなかった場合には、ステップＳ７０５に進む。

ステップＳ７０１でクラウド２０に接続不可能であると判断した場合、又は、ステップＳ７０４での取得が失敗した場合、エッジデバイス１０の第２取得モジュール１４は、外部プラットフォーム３０に接続可能であるかどうかを確認する（ステップＳ７０５）。

ステップＳ７０５で接続可能であると判断した場合、エッジデバイス１０の第２取得モジュール１４は、外部プラットフォーム３０に接続する（ステップＳ７０６）。ここで、必要に応じて、外部プラットフォーム３０に対するエッジデバイス１０の認証処理を行ってもよい。

外部プラットフォーム３０への接続後、第２取得モジュール１４に、外部プラットフォーム３０から決定された機械学習モデルを取得させる（ステップＳ７０７）。

第２取得モジュール１４に、決定された機械学習モデルの取得が成功したかどうか確認させ（ステップＳ７０８）、取得が成功した場合には機械学習モデル取得処理を終了し、成功しなかった場合には、ステップＳ７０９に進む。

ステップＳ７０５で外部プラットフォーム３０に接続不可能であると判断した場合、又は、ステップＳ７０８での取得が失敗した場合、エッジデバイス１０の第２取得モジュール１４は、エッジデバイス１０に対して、エラーを返す（ステップＳ７０９）。

この機械学習モデル取得処理を受けて、図１、図３、図５においてエッジデバイス１０は、決定した機械学習モデルの取得が成功した場合には次の切り替え処理に進む。決定した機械学習モデルの取得が失敗してエラーが返ってきた場合には、切り替え処理に進まず、機械学習モデル取得処理のリトライを行ってもよい。

図６及び図７では、外部プラットフォーム３０が一つである場合について記載したが、外部プラットフォーム３０は複数であってもよく、その場合には、優先順位を決めて、外部プラットフォーム３０にアクセスすることとしてよい。図７のステップＳ７０５である外部プラットフォーム３０に接続不可能であった場合やステップＳ７０８である外部プラットフォーム３０からの機械学習モデルの取得に失敗した場合には、別の外部プラットフォーム３０に接続可能であるかを確認する、という処理になる。

このように、外部プラットフォーム３０とも連携をおこなうことで、最適な機械学習モデルの取得の確実性を上げることが可能となる。また、外部プラットフォーム３０上にのみより最適な機械学習モデルが存在する場合に、それを利用することも可能となる。外部プラットフォーム３０にのみ、所望の機械学習モデルが存在する場合には、図７のフローチャートにおいて、ステップＳ７０１からステップＳ７０４はスキップ可能とする。

このように本発明によれば、外部プラットフォーム３０とも連携を行うことで、エッジデバイス１０に、置かれた環境を示すセンサデータを取得させて、置かれた環境を判断させて、その環境に適した機械学習モデルをより確実に、クラウド２０又は外部プラットフォーム３０から取得させて、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替させる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 エッジデバイス、２０ クラウド、３０ 外部プラットフォーム、４０ 通信網

Claims (6)

1. 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。
2. 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。
3. 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。
4. 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。
5. 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。
6. 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。

Images