JP6943240B2 - 情報処理装置、方法及びプログラム - Google Patents

Description

本技術は、情報処理装置、方法及びプログラムに関し、特に、長期間の成育ないし生産期間を要する生産物（一例を挙げると、例えば畜牛）の現在価値を把握するための技術に関する。

生産物の現在価値の把握は、例えば、当該生産物への投資を考慮する場合などに、きわめて重要である。動産への投資の支援を目的として情報技術（Information Technology）を利用する技術としては、本願出願以前にも、種々のものが提案されている。

特許文献１には、マイルストンの進捗具合から個別案件のリスク管理を行う方法が開示されている。しかしながら、畜産物のような生体に対しては、その複雑さゆえにマイルストンの設定と評価が難しい。したがって、特許文献１の方法を、畜産物にそのまま適用することは難しい。

特許文献２には、畜産物の動産評価を支援するシステムが開示されている。しかしながら、畜産物の存在確認にＩＣタグやバーコードを利用する方法では、偽装を見破ることが難しいという問題点がある。また、特許文献２における畜産物の評価額の算出は、予め決められた評価額と畜産物の管理計画の達成度合いから算出するものであるため、精度を高めることが難しい。さらに、刻々と変化する市場変化への対応も難しい。

なお、非特許文献１には、自然言語処理の技術分野において、単語をベクトル化して表現する定量化手法が記載されている。

特開２００９−２４５３８８号公報 特開２００９−１２２８８４号公報

Tomas Mikolov, Kai Chen, Greg Corrado, and Jeffrey Dean. "Efficient estimation of word representations in vector space." ICLR 2013

肉牛や畜産農家への投資は、生産物である肉牛の出荷までの時間が長く、影響を及ぼす要因も複雑なため、投資リスクを見積もることは難しい。また、外部の投資家が畜産農家の経営状態を客観的に把握することは、従来は容易でなかった。また、投資に限らず、営農者自身が生産物の現在価値を知りたいような場合でも、生産物の現在価値の把握が容易でなかった。

以上のような事情に鑑み、本技術の目的は、生産物の現在価値を、その成育過程において適宜提示可能な情報処理装置、方法及びプログラムを提供することにある。

上記目的を達成するため、本技術の一態様に係る情報処理装置は、制御部を具備する。
上記制御部は、生産物の属性に係る属性パラメータ群に基づいて、前記生産物の価値を指標化した第１の変数の初期値を生成する。
また、上記制御部は、前記生産物の成育状況に係る成育状況データ群に基づいて、上記第１の変数を変動させる制御を行う。

本技術の他の態様に係る情報処理方法は、第１の工程と第２の工程を具備する。
上記第１の工程においては、生産物の属性に係る属性パラメータ群に基づいて、前記生産物の価値を指標化した第１の変数の初期値を生成する。
上記第２の工程においては、前記生産物の成育状況に係る成育状況データ群に基づいて、前記第１の変数を変動させる制御を行う。

本技術のさらに他の態様に係るプログラムは、コンピュータに、次の第１の工程と第２の工程を実行させるためのものである。
上記第１の工程においては、生産物の属性に係る属性パラメータ群に基づいて、前記生産物の価値を指標化した第１の変数の初期値を生成する。
上記第２の工程においては、前記生産物の成育状況に係る成育状況データ群に基づいて、前記第１の変数を変動させる制御を行う。

以上のように、本技術によれば、生産物の現在価値を、その成育過程において適宜提示することが可能になる。
なお、ここに記載された効果は必ずしも限定されるものではなく、本開示中に記載されたいずれかの効果であってもよい。

本技術の実施形態を含む情報システムの概略構成を示す模式的な図である。 上記情報システムの機能ブロック図である。 図２の記憶部の記憶する情報を示すブロック図である。 第１の実施形態における牛データサーバの基本動作を示すフローチャートである。 第１の実施形態における予測出荷価格の初期値を推定する、機械学習の結果得られる認識器の一例として示される、隠れ層を含む２層のＭＬＰの構成図である。 第１の実施形態における成育状況を反映する予測出荷価格を推定する、機械学習の結果得られる認識器の一例として示される、ＲＮＮの構成図である。 第２の実施形態における牛データサーバの基本動作を示すフローチャートである。 第２の実施形態における家畜Ａの存在確認用の撮影画像の一例を示す図である。 第３の実施形態における牛データサーバの基本動作を示すフローチャートである。 第３の実施形態において利用されるテキスト群を例示する図である。 第３の実施形態において生成される投資参考情報の提示例を示す図である。

以下、本技術に係る実施形態を、図面を参照しながら説明する。

＜実施形態を含む全体構成＞
［情報システム１の構成］
図１は、本技術の実施形態を含む情報システム１の概略構成を示す模式的な図である。
同図に示すように、情報システム１は、実施形態に係る情報処理装置の一例としての牛データサーバ１０と、生産者端末２０と、投資者端末３０と、消費者端末４０とを備える。これらのサーバ装置や端末装置は、ネットワークＮを介して、相互に通信可能に接続される。ネットワークＮは、例えばインターネットや移動体通信網やローカルエリアネットワーク等とすることができ、これら複数種類のネットワークが組み合わされたネットワークとすることもできる。

情報システム１は、例えば畜産農家とクラウドファウンディングのような投資サービスとの間の仲立ちとして導入されるシステムであり、畜産農家から家畜Ａの基本スペックや、家畜Ａの成育状況などの情報を牛データサーバ１０に集め、投資者端末３０に投資の参考に資する情報を供給することが可能に構成される。家畜は、例えば産業動物である肉牛、乳牛、闘犬、馬匹、マグロなどを挙げることができるが、以下では肉牛の例を示す。

１頭ないし複数頭の家畜Ａには、各々、ウェアラブルセンサ２１が生産者により装着される。ウェアラブルセンサ２１は、家畜Ａの体温、心拍数、歩数、位置情報、発情状態、咀嚼回数から選ばれる少なくとも１つ以上のデータを含む出力値を出力データとして出力することができる。本実施形態においては、家畜Ａの体温、心拍数、歩数、位置情報、発情状態、咀嚼回数のすべてを出力することとする。

生産者端末２０に接続されるセンサデータ収集装置２２は、ウェアラブルセンサ２１の出力データを収集する機能を備える。センサデータ収集装置２２は、限定するものではないが、牛舎などに設置され、ウェアラブルセンサ２１の出力データを受信して、受信時刻などの時刻情報を付加した上で、生産者端末２０に送信する機能も備える。

ウェアラブルセンサ２１がセンサデータ収集装置２２に出力する位置情報は、緯度と経度と標高を組み合わせた情報でもよい。位置情報は、ウェアラブルセンサ２１が装着された家畜Ａの位置を特定できればそれで足りるため、例えば、農場等に固着されたセンサデータ収集装置２２を識別する装置ＩＤなどでもよい。牛データサーバ１０で、装置ＩＤからウェアラブルセンサ２１が（又はそれが装着された家畜Ａが）存在する場所の位置情報を特定する。

牛データサーバ１０と、生産者端末２０と、投資者端末３０と、消費者端末４０のハードウェア構成は、汎用のコンピュータのハードウェア構成と同じものとすることができる。生産者端末２０と、投資者端末３０と、消費者端末４０は、いわゆるスマートデバイスを利用してもよい。牛データサーバ１０は、汎用のコンピュータの計算機資源を利用して、本開示で述べるような情報処理を実行するように構成されたソフトウェアプログラムにより実現される。

図２に、情報システム１の機能ブロック図を示す。同図に示すように、牛データサーバ１０は、制御部１１と記憶部１２を具備する。制御部１１は、中央演算装置などによって実現される演算や制御を行う機能ブロックである。

記憶部１２は、例えば中央演算装置により実行されるプログラムが格納されたＲＯＭと、中央演算装置が処理を実行する際のワークメモリ等として使用されるＲＡＭとを有する。さらに記憶部１２は、ＨＤＤ（Hard Disk Drive）及びフラッシュメモリ（ＳＳＤ；Solid State Drive）等の不揮発性メモリを有していてもよい。これにより、記憶部１２は、属性パラメータ群、成育状況データ群、消費者端末４０から取得するテキスト群を記憶することができる。図３に、記憶部１２の記憶する情報を示す。

［情報システム１における情報の流れ］
図２において、生産者端末２０から牛データサーバ１０へは、生産者による家畜Ａの育成が始まる前のタイミングで、家畜Ａが有する属性に係る属性パラメータ群を含むデータが送信される。また、家畜Ａの育成中のタイミングでは、家畜Ａの成育状況に係る成育状況データ群を含むデータも送信される。

家畜Ａが有する属性とは、家畜Ａに固有のスペック情報であり、例えば、遺伝子情報、代理母牛のスペック、受精卵、精子の情報、ＤＮＡと画像と胚培養士の評価、血統から見積もれる病気耐性、肉質の評価値（Ａ３，Ａ４，Ａ５など）を含む情報であってもよい。

属性パラメータ群とは、上記家畜Ａが有する属性の各々をパラメータにしたものの束である。上記家畜Ａが有する属性の内、離散的な情報を持つものは、多次元ベクトルのデータ構造を持つパラメータとすることができる。他方で、一次元連続的な情報を持つものは、リニアな連続値のデータ構造を持つパラメータとすることができる。このように、属性パラメータ群は、多次元ベクトルのデータ構造を持つパラメータと、リニアな連続値のデータ構造を持つパラメータの両方を含んでもよく、さらに、その他のデータ構造を持つパラメータを含んでもよい。

家畜Ａの育成が始まる前のタイミングとは、生産者が家畜Ａの育成や肥育を始める時点より前をいい、家畜Ａの最終的な出荷価格に影響を及ぼすファクター（例えば、血統など）が決定した時点であればよい。家畜Ａの育成が始まる前のタイミングには、生産者が種牡と母牛を選定した時点、受精卵を得た時点、家畜Ａの肥育を始めた時点などを含む。

家畜Ａの成育状況とは、生産者により家畜Ａが育成されている状況や肥育の状況を指す。家畜Ａの成育状況は、生産者が家畜Ａに取り付けたウェアラブルセンサ２１のセンサ出力や、家畜Ａを定点固定カメラや、空中に浮遊するドローンに取り付けたカメラにより撮影した画像などにより把握可能となる。

成育状況データ群とは、上述の成育状況をデータ化したものを意味する。成育状況データ群には、ウェアラブルセンサ２１の出力データを含んでもよい。また、成育状況データ群には、センサデータ収集装置２２が、ウェアラブルセンサ２１の出力データに時間情報を付加して出力する出力データを含んでもよい。また、成育状況データ群には、家畜Ａを被写体に含む撮影画像を含んでもよい。

図２において、牛データサーバ１０から生産者端末２０へは、任意のタイミングで経営参考情報が提供される。経営参考情報とは、出荷した家畜Ａの市場における評価、市場の情報（投資情報や、牛肉消費のトレンドなど）が含む情報であってもよい。また、経営参考情報は、生産者端末２０が牛データサーバ１０に成育状況データ群をアップロードした時点における、家畜Ａの市場における評価を予測した情報、例えば「予測出荷価格」を含んでもよい。

牛データサーバ１０が生産者端末２０に経営参考情報を提供するため、生産者は、取り扱う牛の種類と頭数、肉牛の掛け合わせや餌の選択など、農家経営の参考に活用することができる。

図２において、消費者端末４０から牛データサーバ１０へは、家畜Ａの生産者が過去に生産した生産物に対して言及したテキスト群を含むデータが送信される。ここで言う、家畜Ａの生産者が過去に生産した生産物に対して言及したテキスト群としては、生産者が過去に出荷した牛から加工した牛肉の味や価格について評価した文章などが例として挙げられる。いわゆる口コミ情報である。

テキスト群は、消費者端末４０と牛データサーバ１０の間に介在する不図示の情報提供サーバを経由して収集されたものを含んでもよい。そのような情報提供サーバの一例としては、グルメ情報に関するポータルサイトや、Ｅコマースを行う物販サイトのサーバが挙げられる。テキスト群は、これらのサイトに寄せられた、商品に対して消費者から寄せられた評価コメントから生成してもよいし、公開された掲示板の文字情報をクローラーにより収集して生成してもよい。

図２において、牛データサーバ１０から消費者端末４０へは、任意のタイミングで購入参考情報が提供される。購入参考情報とは、消費者が牛肉の購入に際して参考となる情報である。そのような購入参考情報の一例としては、生産者から得られる、牛の産地や肉牛の種類、掛け合わせ情報が挙げられる。その他には、他の消費者が書き込んだ、牛肉の口コミ情報が挙げられる。なお、購入参考情報の提供に際しては、前述のポータルサイトや物販サイトなどを経由してもよい。

牛データサーバ１０が消費者端末４０に購入参考情報を提供するため、消費者は、これを生産物購入の参考情報として活用できる。また、前述のポータルサイトや物販サイトなどを介在させる場合には、消費者の趣向にマッチする生産物の推薦サービスの提供に活用することができる。消費者のメリットとしては、口コミ情報のやり取りによって、例えば牛肉ファンのコミュニティが形成され、消費者がそのコミュニティを通じたコミュニケーションを楽しむことができるようになるというメリットがある。

図２において、牛データサーバ１０から投資者端末３０へは、投資参考情報を含むデータが送信される。ここで、投資参考情報とは、投資者が投資の参考に資するような情報を指すものとする。投資参考情報には、家畜Ａの未来のある時点における価値を予測した、予測価値を含んでもよい。このような予測価値の一例としては、家畜Ａの出荷時における出荷価格（予測出荷価格）が挙げられる。

図２において、投資者端末３０から牛データサーバ１０へは、投資指示情報を含むデータが送信される。ここで、投資指示情報とは、投資者端末３０に係る投資者から、どのような生産者や家畜に、どれくらいの金額が投資されているかの情報である。牛データサーバ１０の記憶部１２が投資指示情報を蓄積する。

牛データサーバ１０は、投資指示情報が他の投資者の投資参考情報に利用されるように構成されてもよい。また、牛データサーバ１０は、投資指示情報が、生産者端末２０へ送信される経営参考情報を生成するために利用されるように構成されてもよい。

なお、投資者端末３０から牛データサーバ１０への投資指示情報の提供、牛データサーバ１０から投資者端末３０への投資参考情報の提供に際しては、投資指示情報又は投資参考情報が、有価証券を取り扱う企業のサーバを経由するように、情報システム１が構成されてもよい。

以下、実施形態に係る牛データサーバ１０（情報処理装置の一例）の構成及び作用効果について、より詳細に説明する。

＜第１の実施形態＞
本実施形態においては、制御部１１が、生産物の一例に係る家畜Ａの属性に係る属性パラメータ群に基づいて、家畜Ａの価値を指標化した第１の変数の初期値を生成する。次に、制御部１１は、家畜Ａの成育状況に係る成育状況データ群に基づいて、第１の変数を変動させる。本実施形態は、このような構成であるため、成育状況に応じた第１の変数を、いつでも提示可能になる。したがって、生産者が任意のタイミングで第１の変数の変化を知ることができるようになるという効果がある。

以下では、第１の変数の一例として「予測出荷価格」を採用した場合の実施形態を開示する。予測出荷価格とは、例えば、３０月齢の仔牛を出荷する予定の畜産農家であれば、３０月齢時点でその仔牛が売却される可能性の高い価格を指す。このような本実施形態によれば、例えば、生産者が新しい飼育方法を試している最中に、予測出荷価格の低下や上昇を生産者が知ることが可能になる。生産者にとっては、本実施形態により提供される情報が、その新しい飼育方法が好ましい飼育方法であるのか否か、といったことを把握するためのひとつの参考になる。

図４のフローチャートに、牛データサーバ１０の基本動作を示す。同図に示されている各処理の主体は、制御部１１である。同図に示すように、制御部１１は、属性パラメータ群を生産者端末２０から取得する（ＳＴ１０１）。制御部１１は、取得した属性パラメータ群を記憶部１２に記憶させる。牛データサーバ１０が属性パラメータ群を生産者端末２０からどのように取得するのかという点については、限定しない。実装の一例としては、例えば、牛データサーバ１０から提供される牛スペックの記入フォームに、生産者が生産者端末２０で入力を行うと、入力事項が牛データサーバ１０へ送信されるように構成するといった実装が挙げられる。

次に、制御部１１は、ＳＴ１０１で取得した属性パラメータ群に基づいて、予測出荷価格の初期値を算出する処理を実行する（ＳＴ１０２）。予測出荷価格とは、出荷時点において売却価格としての可能性が高い金額を指す。本実施形態において、予測出荷価格は、家畜Ａの有する属性と成育状況に応じて推定される。予測出荷価格は、家畜Ａの出荷時点における経済的価値を推定時点で予測した値であって、一次元の連続値として表すことができる。予測の具体的方法として、本実施形態では機械学習を用いられる。

［予測出荷価格の初期値の算出］
以下では、ＳＴ１０２の牛（家畜Ａ）の予測出荷価格の計算方法を説明する。牛は一般的に約３０ヶ月齢で出荷されるが、本処理は、その出荷時の価格を予測することが目的である。本処理では、予測出荷価格を推定するための情報として、牛の属性を用いる。牛の属性に該当するものとしては、牛を成育する畜産農家に関するもの（以下、「農家スペック」と呼ぶ場合がある）と、牛そのものに関するもの（以下、「牛スペック」と呼ぶ場合がある）とが挙げられる。農家スペックと牛スペックの具体的な内容の例を以下に挙げる。

農家スペックは、農家の規模、従業員数、肉牛数、取り扱っている牛の品種、餌の種類、過去に発生した病気情報、牧場の緯度及び経度、州や県などの地域名、国名、牛舎や施設の築年数を含む情報であってもよい。なお、築年数は牛を飼育する施設の老朽化度合いを示す情報であってもよい。

牛スペックは、遺伝子情報、代理母牛のスペック、受精卵、精子の情報、ＤＮＡと画像と胚培養士の評価、血統から見積もれる病気耐性、肉質の評価値（Ａ３，Ａ４，Ａ５など）を含む情報であってもよい。

上述の属性を機械学習に用いるに当たって、各属性の正規化が必要となる。農家スペックにおける従業員数や肉牛数は機械学習の入力データとしてそのままの数値が利用可能である。一方で、牧場が所在する県名や牛の品種情報などは離散的な情報を持つため、同じ扱いが不可能である。これらの離散的な情報はｏｎｅ−ｈｏｔ特徴量として用いると都合がよい。ｏｎｅ−ｈｏｔ特徴量とは、次元数が対象とする情報の持つ最大値数で、該当する次元は１、そうでない場合は０を代入して作成した特徴量である。

例えば、牧場の県名（本説明例においては日本国内であることを前提にする）をｏｎｅ−ｈｏｔ特徴量に変換する場合は、４７次元のベクトルで、県名に対応する次元が１で、他が０の値を持つベクトルとなる。例えば、牧場が所在する県名が長野県の場合のｏｎｅ−ｈｏｔ特徴量は以下のようになる。なお、長野県が２０番目の順序とする。
[0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0]

属性を正規化して得られる特徴量を「属性パラメータ」と呼ぶ。上述の説明から明らかなように、属性パラメータのデータ形式やデータ型は、数値や多次元ベクトルであってもよい。

制御部１１がこれらの特徴量から目的とする予測出荷価格の推定を行うには、深層学習などの機械学習の手法を用いることができる。この場合、特徴量と、その特徴量における予測出荷価格を表すデータのセットを大量に用意し、そのデータを教師あり学習の方法によって学習することで、予測出荷価格が未知の特徴量に対して予測出荷価格を推定できる認識器を作ることができる。

認識器に入力されるデータは多次元の連続値もしくは前述のｏｎｅ−ｈｏｔ特徴量で、推定したい値は予測出荷価格を表す１次元の連続値と定義することができる。この認識器を実現する方法の例としてMultilayer Perceptron (MLP) による方法を説明する。

ＭＬＰはニューラルネットワークの１種である。図５に隠れ層を含む２層のＭＬＰの構成図を示す。この場合、入力特徴量をxとすると出力層の値を表す関数f(x)は下記式１のように表現できる。

ここで、b_xhとb_hyはバイアス、W_xhとW_hyは重み行列を表し、添字のxhは入力と隠れ層の接続、hyは隠れ層と出力層の接続を表す。sは活性関数を表し、活性関数には例えばlogisticシグモイド関数（式２）などを利用できる。

学習データの特徴量xと予測出荷価格yのN個のデータのセットを(x_n, y_n)と表現する。ＭＬＰのバイアスと重み行列のパラメータをまとめてwと表現すると、予測出荷価格を推定するネットワークの学習は学習データにおいて（式１）の出力値がなるべく予測出荷価格に近い数値を出力するように、下記（式３）のような式の値を最小化するパラメータwを求める問題として定式化できる。

（式３）は一般的にEuclidean (L2) lossと呼ばれる。このwは例えば学習データセットに対して確率的勾配降下法などの手法によって求めることができる。この手法によって得られたＭＬＰのネットワークにより、農家スペックや牛スペックの特徴量xから、牛の予測出荷価格f(x)を推定することができる。

またこの予測値を用いると、農家が持っている前頭の牛の予測出荷価格と出荷スケジュールから、どのタイミングでいくらの収入があるかを予測することができる。さらに、年度期間でこの予測収入を総計すると、予測売上を算出することができる。この農家の収入の見込みを農家の予測収入・予測売上と呼んで、投資参考情報として投資家に提示する。しかしながら、予測出荷価格は、牛の成育状況に応じて時々刻々と変化するものとモデル化される。そのため、本実施形態では以下のように予測出荷価格を変動させる処理を実行する。

［予測出荷価格の変動］
図４に示すように、牛データサーバ１０の制御部１１は、次に、生産者端末２０から成育状況データ群の入力を待って（ＳＴ１０３）、成育状況データ群に基づいて予測出荷価格を変動させる処理を行う（ＳＴ１０４）。成育状況データ群は、以下の説明のように生成される。

図１と図２に示したような、家畜Ａ（牛）に装着させたウェアラブルセンサ２１が、牛の体温や心拍数、歩数、緯度経度を含む位置情報、食事のタイミング、咀嚼回数、発情状態、死亡状態などの情報を取得する。ウェアラブルセンサ２１が取得する体温や単位時間あたりの心拍数、歩数、発情状態推定値などは、多次元の連続値データとして表現することができる。この多次元の連続値データには、ウェアラブルセンサ２１やセンサデータ収集装置２２により時間情報の付加が行われる。これにより、牛データサーバ１０もしくは制御部１１は、当該多次元の連続値データを時系列的に取得することができる。本実施形態において、成育状況データ群は、時系列的に連続する多次元の連続値データである。

他方で、推定したい値は予測出荷価格を表す１次元の連続値と定義することができる。そこで、予測出荷価格の初期値の推定と同様に、その後の成育状況を反映させた予測出荷価格を推定する本処理においても、ニューラルネットワークに機械学習をさせて得られる認識器が用いられる。この認識器を実現する方法はいくつか考えられるが、ここでは１例として Recurrent Neural Network（ＲＮＮ）による方法を説明する。

図６にＲＮＮのネットワーク構成を示す。図５に示したＭＬＰと比較すると、隠れ層にフィードバックが追加された構成となっている。このフィードバックは一つ前の時刻の隠れ層の値を次の時刻に入力するような機能を果たし、時系列的に関連のあるデータが順次入力された際に、時系列的に関連のある情報を抽出して認識結果を出力するように機能する。この機能により、時系列情報を用いた認識を行うことができる。

時刻tの時の入力特徴量をx_t、一つ前の時刻の隠れ層の状態をh_tとすると、出力層の値を表す関数f_t(x)は下記式４のように表現できる。

この（式４）をＳＴ１０２における（式１）の代わりに用いて、それ以降を同じ手法を適用することで、時系列特徴量を入力とした時の予測出荷価格の推定器を実現することができる。

以上の手法により、牛のウェアラブルセンサ２１が取得するデータに基づいて、予測出荷価格の推定を行う認識器を実現することができる。

＜第２の実施形態＞
図７は、本技術の第２の実施形態に係る牛データサーバ１０の基本動作を示すフローチャートである。以下、第１の実施形態と異なる構成について主に説明し、第１の実施形態と同様の構成については同様の符号を付しその説明を省略または簡略化する。

図７に示すように、本実施形態は、牛データサーバ１０ないし制御部１１がＳＴ２０４の「家畜Ａの存在確認」を行う点で、第１の実施形態と異なる。上記以外の構成は、第１の実施形態と同様であるためここでは説明を省略する。

ウェアラブルセンサ２１は、原則的に、家畜Ａ、１頭につき１つ装着される。しかしながら、１頭の家畜Ａに複数のウェアラブルセンサ２１を取り付けて、各々のウェアラブルセンサ２１に成育状況データ群を送出させることで、頭数の水増しが行われる可能性も０ではない。ところが、そのような事象が原理的に可能であれば、信用リスクの増大につながり、投資が成立せず、投資者と生産者の双方に不都合である。そこで本実施形態では、図７に示すように、家畜Ａの存在確認を行う（Ｓ２０４）。

［存在確認］
制御部１１が存在確認の処理を実行するタイミングに限定はないが、牛データサーバ１０が成育状況データ群を取得したタイミングとしてもよい。この場合、図７のＳＴ２０３で成育状況データ群の入力があると判断されるときに（ＳＴ２０３，Ｙｅｓ）、予測出荷価格を変動させる処理（ＳＴ２０５）の直前に行う（ＳＴ２０４）。なお、ＳＴ２０４で存在が確認されない判断がなされた場合は、制御部１１が例外処理として、図７のフローチャートを終了する。

存在確認処理においても、ＳＴ２０２（第１の実施形態におけるＳＴ１０２）の処理の際に用いたＲＮＮ（Recurrent Neural Network）を用いて判断を行う。本処理では、入力する特徴量ｘとして、ＳＴ２０３で入力された成育状況データ群を用い、推定したい値としては１ビットのデータ型の値としてもよい。この場合、（式３）のEuclidean (L2) lossを用いる工程で、下記のCross Entropy Lossと呼ばれる損失関数（式５）を用いる。

ここでNは学習データの総数を表す。p_nは牛が存在するかしないかを表す学習データ中の教師データであり、１もしくは０値をとる。ここでは、牛が正常に存在しているデータでは１、存在していないのにデータを偽装して存在しているかのように見せかけているデータでは０を設定する。p＾はネットワークによる推定値で、活性関数に（式２）のシグモイド関数を用いる場合は（式４）のf_t(x)を用いて下記（式６）のように表現できる。

牛の存在確認の認識器の学習は、特徴量と牛の存在を表すラベルデータによる学習データセットに対して、（式５）を最小にするパラメータwを求める問題として定式化できる。本実施形態において、（式３）のEuclidean (L2) lossを用いる代わりに、（式５）のCross Entropy Lossを用いる理由は、牛の存在確認のように、存在するかしないか、といったような２値の判別問題においては、Cross Entropy Lossの方が収束性に優れているからである。

以上に述べた手法によってウェアラブルセンサ２１の出力データから牛の存在確認の推定を行うことができる。例えば、牛の存在を偽装するために１頭の牛に複数のウェアラブルセンサ２１を装着するなどをすると、それぞれのウェアラブルセンサ２１のデータとしては偽造のないデータであるため、牛が複数存在していると誤認識されてしまう。ところが、そのような事象が原理的に可能であれば、信用リスクの増大につながり、投資が成立せず、投資者と生産者の双方に不都合である。

この偽装を見破るためには、前述の認識器の入力として全頭のウェアラブルセンサ２１のデータを入力して学習器を作成する。複数のウェアラブルセンサ２１を１頭の牛に装着すると、それらのセンサデータの相関が不自然に高くなるため、この学習器の学習方法によってこの種の偽装を検出することができる。本実施形態の構成によれば、家畜Ａの存在確認を精度よく行うことができ、例えば、情報システム１を投資参考情報を提供する目的に使うような場合などには、信用リスクの低減につながるメリットがある。

［撮影画像による存在確認］
さらに本実施形態においては、制御部１１が、牛舎に取り付けたカメラから得られる画像や、放牧管理に用いるドローンに搭載したカメラから得られる撮影画像Ｐを用いて、牛の存在確認を行う。牛舎やドローンから得られる撮影画像Ｐの例を図８に示す。

制御部１１が、牛の個体識別には顔画像認識などで用いられているBoostingやSVM、CNNなどを用いて、各個体の存在確認を行う。この画像による認識と、上述したウェアラブルセンサ２１が出力するデータに含まれる生体情報や緯度経度情報を特徴量として併用することで、より精度の高い牛の存在確認の実行が可能になる。

制御部１１は、上述の画像認識技術により牛の顔や体表の模様を認識することにより個体を識別する。次に、制御部１１は、識別した個体に図８に示すようなマーク（同図中では破線で示されている）を付して、撮影画像Ｐを記憶部１２に記憶させる。

上述の構成によれば、各個体が確かに存在していることを撮影画像で確認することが可能になり、情報システム１を利用する投資に信頼感が生まれるという効果がある。

＜第３の実施形態＞
図９は、本技術の第３の実施形態に係る牛データサーバ１０の基本動作を示すフローチャートである。以下、上述の実施形態と異なる構成について主に説明し、上述の実施形態と同様の構成については同様の符号を付しその説明を省略または簡略化する。

図９に示すように、本実施形態は、牛データサーバ１０ないし制御部１１がＳＴ３０６以後の処理を行う点で、上述の実施形態と異なる。上記以外の構成は、上述の実施形態と同様であるためここでは説明を省略する。

本実施形態は、牛データサーバ１０ないし制御部１１が、第１に、消費者端末２０から取得される口コミ情報に係るテキスト群に基づいて「期待出荷価格の推定」を行う構成（ＳＴ３０７）と、第２に、予測出荷価格と期待出荷価格の統合を行う構成（ＳＴ３０８）と、第３に、投資参考情報の提示を行う構成（ＳＴ３０９）を具備する。

期待出荷価格の推定処理（ＳＴ３０７）を行うタイミングは、いつでもよいが、本実施形態では、投資者端末３０から投資参考情報の提示要求が牛データサーバ１０に入力された時点に設定した（Ｓ３０６）。オンデマンドで処理を行うため、計算機資源を効率よく使えるという効果がある。以下、期待出荷価格の推定処理（ＳＴ３０７）の詳細な処理の内容を説明する。

［期待出荷価格の推定］
ＳＴ３０７においては、いわゆる消費者の口コミ情報や牛肉の評判から期待出荷価格を推定する。情報システム１の構成により牛データーサーバ１０に収集される消費者からの口コミ情報に基づいて、牛データサーバ１０は、農家や肉牛の評判情報を抽出して、期待出荷価格の推定を行う。

図１、図２に示される情報システム１により、消費者は牛データーサーバ１０を介して牛肉を生産した畜産農家の情報を得ることができ、牛データーサーバ１０に食した牛肉の口コミを書き込むことができる。消費者はこの口コミを消費者間で共有することで、自分の趣向にマッチした牛肉を選択する参考にしつつ、その結果をまた口コミとして書き込む、というサイクルの消費行動をとる。

本実施形態は、ここで蓄積される肉牛とそれに対する口コミの情報を活用して、投資家に提示する期待出荷価格を推定する。牛データーサーバ１０に書き込まれる口コミ情報の例を図１０に示す。図１０に示すようなテキスト群が、牛データサーバ１０の記憶部１２に蓄積される。テキストのまとまりごとに生産者ＩＤと結び付けられ、どの生産者の生産した生産物に対するテキストであるのかが、制御部１１に把握可能に構成されてもよい。

また、図１０に示すように、文章の長さは一定ではなく、点数などが付与されているわけでもないため、このままでは活用が難しい。そこで本実施形態では、この口コミ情報の利用方法として、非特許文献１に記載のword2vecによる方法を説明する。word2vecとはTomas Mikolovらによって提案された自然言語処理の手法で、単語をベクトル化して表現する定量化手法である。非特許文献１に記載の方法を採用すると、各単語を、意味情報を持つ２００次元程度のベクトルとして表現することができ、単語同士の類似度や単語間の加算・減算を行うことができるようになる。

口コミ文章を形態素解析処理して単語に分離し、word2vecによって各単語をベクトル表現する。単語ベクトルから文章のベクトルを求める方法はいくつか考えられるが、シンプルな方法として単語の平均ベクトルを算出する方法が考えられる。口コミ中の単語数をN、先頭からn番目の単語をw、word2vec処理をv()とすると、口コミ文章のベクトルは、下記（式７）のdとして表現できる。

期待出荷価格の推定に際しても、式１ないし式３を用いるＭＬＰの方法を利用して、まず、ニューラルネットワークに機械学習させることにより認識器を生成し、式７のようなベクトルｄを入力に用いる。

すなわち、過去のある肉牛の出荷価格を教示値として、その肉牛の口コミ文章とセットにして学習データセットを作成する。この学習データセットを用いて、口コミ文章のベクトルdから予測出荷価格を推定する認識器をＭＬＰの手法で作成する。制御部１１は、実際にベクトルｄを作成した認識器に入力して、認識器から出力される値を、推定された期待出荷価格とする。

また、制御部１１は、単位時間当たりの期待出荷価格の変化を「投資注目度」として生成する。例えば、短期間で期待出荷価格が急上昇した場合、投資注目度はプラスの方向に、緩慢に上昇した場合と比較して、その絶対値は大きいものとして算出される。

次に、制御部１１は、ＳＴ３０６までに変動させてきた予測出荷価格と、ＳＴ３０７で推定した期待出荷価格とを統合する処理を実行する（ＳＴ３０８）。

［投資参考情報の統合］
上述した消費者からの口コミ情報に基づく期待出荷価格は、畜産農家からの情報と消費者からの情報など、もしくは畜産農家内からの情報でも農家スペックとウエアラブル情報など、情報ソースが異なるものによる予測出荷価格と矛盾した結果が出力される可能性がある。したがって、予測出荷価格と期待出荷価格とを、このまま投資家に提示しても一貫性が無いために投資参考にしにくい問題が生じる。

この問題を解決するため、ＳＴ３０８の「投資参考情報の統合」処理を行う。この処理は、各情報ソースで得られた投資参考情報を改めてＭＬＰで認識する処理としてもよい。この場合、矛盾のない結果を出力するように認識器に学習をさせることができる。
次に、制御部１１は、ＳＴ３０８で統合した情報を、投資参考情報として提示する（ＳＴ３０９）。

［投資参考情報の提示］
上述の投資参考情報を投資家に提示する方法を説明する。提示方法は例えばＷＥＢサービスで提供して、投資家が投資を検討するときはいつでも投資参考情報が得られるようにすることができる。

図１１に投資家への投資参考情報の提示方法の例を示す。牛データサーバ１０から出力される投資参考情報を用いて、投資者端末３０の上で実行されるＷＥＢブラウザもしくはプロプライエタリなスマートデバイス向けアプリケーションなどが、図１１に示すような画面を生成する。

図１１の画面は、第１ないし第３ペインに分割されており、第１ペインには畜産農家の一覧リストが表示される。畜産農家の一覧リストに表示される情報としては、経営信頼度、予測売り上げ、投資注目度などを含む投資参考情報が挙げられる。第２ペインには、第１ペインで選択されている畜産農家が成育している牛の一覧リストが表示される。第２ペインには、当該畜産農家の農家スペックをレーダーチャートの形式で表示するものを含んでもよい。

牛の一覧リストに表示される情報としては、存在確率と投資参考情報、牛の予測出荷価格、畜産農家の予測売上、畜産農家の予測収入の時系列グラフデータ、他の投資家の投資情報（＝被投資総額推移）が挙げられる。第３ペインには、ＳＴ３０４の牛の存在確認処理で取得した撮影画像Ｐに識別した個体を示すマークを重畳させた画像が表示される。

これらの情報を参考にすることで、投資家は投資先と投資金額を効率的に選択・決定することができ、適切な投資判断を行うことができるようになる。また、制御部１１は、撮影画像Ｐに、存在を確認した牛にマークを重畳させた画像を生成して、図１１に示すように、投資者に提示する。この本実施形態の提示態様によれば、家畜Ａの存在を視覚的に示すことが可能になり、情報システム１の利用者に信頼感を与えることができる。

＜その他の実施形態＞
なお、上記実施形態の説明においては、投資対象の生体の一例として肉牛を設定した。しかしながら、本技術が肉牛を投資対象とする場合に限定して実施されるものではないことは、言うまでもない。投資対象の生体としては、肉牛のほかに、乳牛、豚、闘犬、馬匹などがある。育成期間が比較的長期であるため価値に変動がある家畜であることが好ましいが、これに限定されるものではない。本技術は、養殖マグロを投資対象とする場合にも実施が可能である。

本開示においては、上述の実施形態で説明した技術的事項を利用して、どのような投資商品ないし金融商品を組成するかという点についてまでは、限定していない。例えば、家畜Ａ一頭の育成費用の一部を投資者が負担することの見返りとして、負担額に応じて、出荷時に利益の一部を受け取るという金融商品にすることができる。

なお、上記実施形態においては、牛データサーバが１台のサーバコンピュータで実現されるように記載されているが、言うまでもなく、インフラストラクチャやプラットフォームは当業者にとって自明な範囲で種々の構成が採用可能である。ＩａａＳやＰａａＳの形式で、インフラストラクチャやプラットフォームが外部から提供されるものであってもよい。

なお、本技術は以下のような構成もとることができる。
（１）生産物の属性に係る属性パラメータ群に基づいて、前記生産物の価値を指標化した第１の変数の初期値を生成し、前記生産物の成育状況に係る成育状況データ群に基づいて、前記第１の変数を変動させる制御を行う制御部
を具備する情報処理装置。
（２）前記（１）に記載の情報処理装置であって、
前記制御部は、前記生産物の生産者が過去に生産した生産物に対して言及したテキスト群に基づいて、前記生産物の期待価値に係る第２の変数を推定する制御を行う
情報処理装置。
（３）前記（２）に記載の情報処理装置であって、
前記制御部は、前記テキスト群のベクトル表現をサンプル入力とし、過去に生産された生産物の第１の変数をサンプル出力としたデータセットをニューラルネットワークに学習させて得られる期待価値予測器を有し、前記属性パラメータ群を前記期待価値予測器に入力して前記期待価値予測器から出力される値を、前記生産物の前記第２の変数とする
情報処理装置。
（４）前記（２）又は（３）に記載の情報処理装置であって、
前記制御部は、変動させた前記第１の変数と、推定した前記第２の変数とを統合する
情報処理装置。
（５）前記（１）から（４）のいずれかに記載の情報処理装置であって、
前記制御部は、前記成育状況データ群に基づいて、前記生産物の存在確認情報を生成する
情報処理装置。
（６）前記（５）に記載の情報処理装置であって、
前記制御部は、前記生産物を被写体に含む撮影画像に、前記生産物を指し示すマークを重畳させる画像処理を行い、前記存在確認情報に画像処理後の前記撮影画像を含める
情報処理装置。
（７）前記（１）から（６）のいずれかに記載の情報処理装置であって、
前記制御部は、前記生産物の生産者の属性に係る生産者属性パラメータ群及び前記属性パラメータ群に基づいて、前記第１の変数の初期値を生成する
情報処理装置。
（８）前記（１）から（７）のいずれかに記載の情報処理装置であって、
前記制御部は、前記属性パラメータ群のサンプル入力とサンプル出力のデータセットをニューラルネットワークに学習させて得られる認識器を有し、前記属性パラメータ群を前記認識器に入力して前記認識器から出力される情報を、前記第１の変数の初期値とする
情報処理装置。
（９）前記（１）から（８）のいずれかに記載の情報処理装置であって、
前記制御部は、前記成育状況データ群のサンプル入力とサンプル出力のデータセットをニューラルネットワークに学習させて得られる推定器を有し、前記成育状況データ群を前記推定器に入力して前記推定器から出力される情報に基づいて、前記第１の変数を変動させる
情報処理装置。
（１０）前記（１）から（９）のいずれかに記載の情報処理装置であって、
前記第１の変数は、一次元の連続値である
情報処理装置。
（１１）前記（１）から（１０）のいずれかに記載の情報処理装置であって、
前記成育状況データ群に含まれるデータの各々が、時刻情報をプロパティとして有するデータである
情報処理装置。
（１２）前記（１）から（１１）のいずれかに記載の情報処理装置であって、
前記成育状況データ群が、前記生産物に装着されるウェアラブルセンサの出力値であり、
前記ウェアラブルセンサの出力値が、体温、心拍数、歩数、位置情報、発情状態、咀嚼回数から選ばれる少なくとも１つ以上のデータを含む
情報処理装置。
（１３）前記（１）から（１２）のいずれかに記載の情報処理装置であって、
前記制御部は、前記生産物の生産者の財務状況に係る財務データ群、及び、変動させた後の前記第１の変数に基づいて、前記生産者への投資の参考に資する情報である投資参考情報を生成する
情報処理装置。
（１４）前記（１３）に記載の情報処理装置であって、
前記制御部は、前記財務データ群に基づいて前記生産者の前記生産者への投資注目度を含む前記投資参考情報を生成する
情報処理装置。
（１５）生産物の属性に係る属性パラメータ群に基づいて、前記生産物の価値を指標化した第１の変数の初期値を生成する第１の工程と、
前記生産物の成育状況に係る成育状況データ群に基づいて、前記第１の変数を変動させる制御を行う第２の工程
を具備する情報処理方法。
（１６）コンピュータに、
生産物の属性に係る属性パラメータ群に基づいて、前記生産物の価値を指標化した第１の変数の初期値を生成する第１の工程と、
前記生産物の成育状況に係る成育状況データ群に基づいて、前記第１の変数を変動させる制御を行う第２の工程
を実行させるためのプログラム。

１ 情報システム
１０ 牛データサーバ（情報処理装置）
１１ 制御部
１２ 記憶部
２０ 生産者端末
２１ ウェアラブルセンサ
２２ センサデータ収集装置
３０ 投資者端末
４０ 消費者端末

Claims (16)

1. 生産物の属性に係る属性パラメータ群に基づいて、前記生産物の価値を指標化した第１の変数の初期値を生成し、前記生産物の成育状況に係る成育状況データ群に基づいて、前記第１の変数を変動させ、
   前記生産物の生産者が過去に生産した生産物に対する情報に基づいて、前記生産物の期待価値に係る第２の変数を生成する
   制御部と
   を具備する情報処理装置。
2. 請求項１に記載の情報処理装置であって、
   前記制御部は、前記生産物の生産者が過去に生産した生産物に対して言及したテキスト群に基づいて、前記第２の変数を推定する制御を行う
   情報処理装置。
3. 請求項２に記載の情報処理装置であって、
   前記制御部は、前記テキスト群のベクトル表現をサンプル入力とし、過去に生産された生産物の第１の変数をサンプル出力としたデータセットをニューラルネットワークに学習させて得られる期待価値予測器を有し、前記属性パラメータ群を前記期待価値予測器に入力して前記期待価値予測器から出力される値を、前記生産物の前記第２の変数とする
   情報処理装置。
4. 請求項１〜３のいずれか１つに記載の情報処理装置であって、
   前記制御部は、変動させた前記第１の変数と、推定した前記第２の変数とを統合する
   情報処理装置。
5. 請求項１〜４のいずれか１つに記載の情報処理装置であって、
   前記制御部は、前記成育状況データ群に基づいて、前記生産物の存在確認情報を生成する
   情報処理装置。
6. 請求項５に記載の情報処理装置であって、
   前記制御部は、前記生産物を被写体に含む撮影画像に、前記生産物を指し示すマークを重畳させる画像処理を行い、前記存在確認情報に画像処理後の前記撮影画像を含める
   情報処理装置。
7. 請求項１〜６のいずれか１つに記載の情報処理装置であって、
   前記制御部は、前記生産物の生産者の属性に係る生産者属性パラメータ群及び前記属性パラメータ群に基づいて、前記第１の変数の初期値を生成する
   情報処理装置。
8. 請求項１〜７のいずれか１つに記載の情報処理装置であって、
   前記制御部は、前記属性パラメータ群のサンプル入力とサンプル出力のデータセットをニューラルネットワークに学習させて得られる認識器を有し、前記属性パラメータ群を前記認識器に入力して前記認識器から出力される情報を、前記第１の変数の初期値とする
   情報処理装置。
9. 請求項１〜８のいずれか１つに記載の情報処理装置であって、
   前記制御部は、前記成育状況データ群のサンプル入力とサンプル出力のデータセットをニューラルネットワークに学習させて得られる推定器を有し、前記成育状況データ群を前記推定器に入力して前記推定器から出力される情報に基づいて、前記第１の変数を変動させる
   情報処理装置。
10. 請求項１〜９のいずれか１つに記載の情報処理装置であって、
    前記第１の変数は、一次元の連続値である
    情報処理装置。
11. 請求項１〜１０のいずれか１つに記載の情報処理装置であって、
    前記成育状況データ群に含まれるデータの各々が、時刻情報をプロパティとして有するデータである
    情報処理装置。
12. 請求項１〜１１のいずれか１つに記載の情報処理装置であって、
    前記成育状況データ群が、前記生産物に装着されるウェアラブルセンサの出力値であり、
    前記ウェアラブルセンサの出力値が、体温、心拍数、歩数、位置情報、発情状態、咀嚼回数から選ばれる少なくとも１つ以上のデータを含む
    情報処理装置。
13. 請求項１〜１２のいずれか１つに記載の情報処理装置であって、
    前記制御部は、前記生産物の生産者の財務状況に係る財務データ群、及び、変動させた後の前記第１の変数に基づいて、前記生産者への投資の参考に資する情報である投資参考情報を生成する
    情報処理装置。
14. 請求項１３に記載の情報処理装置であって、
    前記制御部は、前記財務データ群に基づいて前記生産者の前記生産者への投資注目度を含む前記投資参考情報を生成する
    情報処理装置。
15. 情報処理装置が実行する情報処理方法であって、
    生産物の属性に係る属性パラメータ群に基づいて、前記生産物の価値を指標化した第１の変数の初期値を生成する第１の工程と、
    前記生産物の成育状況に係る成育状況データ群に基づいて、前記第１の変数を変動させる制御を行う第２の工程と、
    前記生産物の生産者が過去に生産した生産物に対する情報に基づいて、前記生産物の期待価値に係る第２の変数を生成する第３の工程と
    を具備する情報処理方法。
16. コンピュータに、
    生産物の属性に係る属性パラメータ群に基づいて、前記生産物の価値を指標化した第１
    の変数の初期値を生成する第１の工程と、
    前記生産物の成育状況に係る成育状況データ群に基づいて、前記第１の変数を変動させ
    る制御を行う第２の工程と、
    前記生産物の生産者が過去に生産した生産物に対する情報に基づいて、前記生産物の期待価値に係る第２の変数を生成する第３の工程と
    を実行させるためのプログラム。

Images