JP7231511B2 - 管理装置、管理方法、および管理プログラム - Google Patents

管理装置、管理方法、および管理プログラム Download PDF

Info

Publication number
JP7231511B2
JP7231511B2 JP2019139086A JP2019139086A JP7231511B2 JP 7231511 B2 JP7231511 B2 JP 7231511B2 JP 2019139086 A JP2019139086 A JP 2019139086A JP 2019139086 A JP2019139086 A JP 2019139086A JP 7231511 B2 JP7231511 B2 JP 7231511B2
Authority
JP
Japan
Prior art keywords
environment
information
management
environment information
data processing
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
Application number
JP2019139086A
Other languages
English (en)
Other versions
JP2021022231A (ja
Inventor
理宇 平井
豪一 小野
大介 石井
祐次 緒方
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hitachi Ltd
Original Assignee
Hitachi Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hitachi Ltd filed Critical Hitachi Ltd
Priority to JP2019139086A priority Critical patent/JP7231511B2/ja
Priority to EP20186830.4A priority patent/EP3772024A1/en
Priority to US16/937,262 priority patent/US11388223B2/en
Priority to SG10202007042XA priority patent/SG10202007042XA/en
Publication of JP2021022231A publication Critical patent/JP2021022231A/ja
Application granted granted Critical
Publication of JP7231511B2 publication Critical patent/JP7231511B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/94—Hardware or software architectures specially adapted for image or video understanding
    • G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/96—Management of image or video recognition tasks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Analysis (AREA)
  • General Factory Administration (AREA)

Description

本発明は、管理対象を管理する管理装置、管理方法、および管理プログラムに関する。
従来、ＤＮＮ（ディープニューラルネットワーク）を用いた学習推論システムは、学習用のデータセットを大量に必要とする。通常の学習フローでは、エッジ端末で取得したデータセットはクラウドサーバに転送される。クラウドサーバは、データセットを用いて、精度向上のためエッジ環境に合わせた学習済みモデルを生成する。
背景技術の一例として、たとえば、特許文献１は、コンテキスト化ＡＩ推論を開始し実行する様々なシステムおよび方法を開示する。このシステムおよび方法の一例では、推論モデルを呼び出すためにゲートウェイコンピューティングデバイスを用いて実行される動作は、推論動作の要求を受信して処理すること、モデル仕様およびエッジデバイスからのコンテキストデータに基づいてリモートサービス上の推論モデルの実装を選択すること、および、推論モデルからの結果がエッジデバイスに返されるように、推論モデルの選択された実装を実行すること、を含む。また、推論モデルを要求するためにエッジコンピューティングデバイスを用いて実行される動作は、コンテキストデータを収集すること、推論要求を生成すること、推論要求をゲートウェイデバイスに送信すること、および実行結果を受信し処理することを含む。
米国特許公開２０１９／４２９５５号公報
しかしながら、一部のエッジ端末では、データセットの転送に掛かる通信コストや権利の観点で、データセットの転送は困難である。また、特許文献１の従来技術は、エッジ環境である車両のＡＩ推論モデルの種類やセンサ種別、エッジデバイスのスペックなどの情報に基づいて、クラウド環境であるデータセンタで管理される学習済みモデルをリクエストする。しかしながら、新規のエッジ環境に対応する学習済みモデルの生成については言及されていない。
本発明は、エッジ端末からクラウドサーバへのデータセットの転送を回避しつつ、学習の高精度化を図ることを目的とする。
本願において開示される発明の一側面となる管理装置は、プログラムを実行するプロセッサと、前記プログラムを記憶する記憶デバイスと、前記管理対象と通信可能な通信インタフェースと、を有し、前記プロセッサは、前記管理対象の１つである第１データ処理装置の第１環境を示す第１環境情報を受信する受信処理と、前記受信処理によって受信された第１環境情報と、前記管理対象の１つである第２データ処理装置の第２環境を示す第２環境情報と、の関連度を示す関連情報を生成する第１生成処理と、前記第１生成処理によって生成された関連情報と、前記第２環境で前記第２データ処理装置が推論に用いる第２学習済みモデルと、に基づいて、前記第１環境で前記第１データ処理装置が推論に用いる第１学習済みモデルを生成する第２生成処理と、前記第２生成処理によって生成された第１学習済みモデルを前記第１データ処理装置に送信する送信処理と、を実行し、前記第１環境情報および前記第２環境情報は、前記第１環境情報および前記第２環境情報に共通の環境を規定する複数の環境項目の値を有し、前記複数の環境項目の各々には、前記環境項目の重要度が設定されており、前記第１生成処理では、前記プロセッサは、前記第１環境情報および前記第２環境情報の間において同一の環境項目の値の一致数および前記環境項目の重要度に基づいて、前記関連情報を生成することを特徴とする。
本発明の代表的な実施の形態によれば、エッジ端末からクラウドサーバへのデータセットの転送を回避しつつ、学習の高精度化を図ることができる。前述した以外の課題、構成及び効果は、以下の実施例の説明により明らかにされる。
図１は、実施例１にかかる管理システムのシステム構成例を示す説明図である。 図２は、図１に示した環境情報ＤＢの一例を示す説明図である。 図３は、実施例１にかかる一致数計数テーブルの一例を示す説明図である。 図４は、実施例１にかかるモデル配合条件と学習済みモデルとを示す説明図である。 図５は、ＣＮＮのある１層に存在するニューラルネットワーク処理例を示す説明図である。 図６は、ＣＮＮの全層（層数Ｌ）の重みフィルタの一例を示す説明図である。 図７は、ＣＮＮの全層（層数Ｌ）の重みフィルタの値である学習済みモデルの一例を示す説明図である。 図８は、コンピュータのハードウェア構成例を示すブロック図である。 図９は、実施例１にかかる管理システムのシーケンス例を示すシーケンス図である。 図１０は、更新後の環境情報ＤＢの一例を示す説明図である。 図１１は、更新後の一致数計数テーブルの一例を示す説明図である。 図１２は、実施例２にかかる一致数計数テーブルの一例を示す説明図である。 図１３は、実施例２にかかるモデル配合条件と学習済みモデルとを示す説明図である。 図１４は、実施例３にかかる管理システムのシステム構成例を示す説明図である。 図１５は、実施例３にかかる管理システムのシーケンス例を示すシーケンス図である。 図１６は、ＣＮＮの認識精度の推移を示すグラフである。 図１７は、モデルＤＢに記憶されている学習済みモデルの一例を示す説明図である。 図１８は、実施例４にかかる環境情報ＤＢの一例を示す説明図である。 図１９は、エッジ端末に関する一致数計数テーブルの一例を示す説明図である。 図２０は、実施例４にかかるモデル配合条件と学習済みモデルとを示す説明図である。
＜管理システムのシステム構成例＞
図１は、実施例１にかかる管理システムのシステム構成例を示す説明図である。管理システム１００は、管理装置１０１と、エッジ環境１０２とを有する。管理装置１０１およびエッジ環境１０２は、インターネット、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）などのネットワーク１０３（有線、無線問わない）を介して通信可能に接続される。なお、管理システム１００では、エッジ環境１０２は１つであるが、エッジ環境１０２は管理システム１００内に複数存在してもよい。
管理装置１０１は、クラウド環境である。エッジ環境１０２は、管理装置１０１の管理対象であり、エッジサーバと、１以上のエッジ端末Ｔｉ（ｉは１≦ｉ≦ｎを満たす整数）と、により構成される。図１では、エッジ環境１０２には、ｎ－１台のエッジ端末Ｔ１～Ｔｎ－１が配置されており、エッジ端末Ｔｎがエッジ環境１０２に新規に追加される。エッジサーバは、エッジ環境１０２のゲートウェイであり、管理装置１０１と各エッジ端末Ｔｉとの通信可能に接続する。
図１では、エッジ環境１０２は、たとえば、工場であり、エッジ端末Ｔｉは作業機械やロボット、車両である。エッジ端末Ｔｉは移動体である必要はない。なお、エッジ環境１０２は、工場に限られない。たとえば、エッジ環境１０２は、商品を入出庫する倉庫でもよい。エッジサーバの機能は、各エッジ端末Ｔｉが有していてもよい。
管理装置１０１は、エッジ端末Ｔ１～Ｔｎ－１の各環境情報からブレンドレシピを生成し、生成したブレンドレシピを学習済みモデルＬＭ１～ＬＭｎ－１にブレンドすることで、新規に追加されたエッジ端末Ｔｎの学習済みモデルＬＭｎを、データセットの学習を実行することなく生成する。
具体的には、たとえば、管理装置１０１は、モデルＤＢ１１０と、環境情報ＤＢ１１１と、第１通信部１１２と、算出部１１３と、配合部１１４と、を有する。モデルＤＢ１１０は、エッジ端末Ｔｉごとに学習済みモデルＬＭｉを記憶する。学習済みモデルＬＭｉは、学習用のデータセットを学習することによって得られるＤＮＮの重みパラメータであるが、管理装置１０１は、データセットを有していないため、データセットを学習しない。このため、学習済みモデルＬＭｉは、外部から用意されたデータである。
環境情報ＤＢ１１１は、エッジ端末Ｔｉごとに環境情報を記憶する。環境情報とは、エッジ端末Ｔｉの環境を示す情報である。エッジ端末Ｔｉの環境とは、エッジ端末Ｔｉ自身またはその周囲の状況である。たとえば、エッジ端末Ｔｉに実装されたＤＮＮの用途、エッジ端末Ｔｉの配置位置、エッジ端末Ｔｉの種類、エッジ端末Ｔｉを操作するユーザ、エッジ端末Ｔｉ内部または外部の温度、エッジ端末Ｔｉの挙動、エッジ端末Ｔｉによる作業時間帯が挙げられる。環境情報の一部は、各エッジ端末Ｔｉに接続されたカメラなどのセンサ１２３により検出される。環境情報ＤＢ１１１の詳細は、図２で後述する。
第１通信部１１２は、新規に追加されたエッジ端末Ｔｎから環境情報Ｅｎを受信し、生成したエッジ端末Ｔｎの学習済みモデルＬＭｎをエッジ端末Ｔｎに送信する。
算出部１１３は、新規なエッジ端末Ｔｎに関するモデル配合条件Ｃｎを算出する。モデル配合条件Ｃｎが上述したブレンドレシピである。モデル配合条件Ｃｎは、たとえば、エッジ端末Ｔ１～Ｔｎ－１の既存の環境情報Ｅ１～Ｅｎ－１（図２を参照）と、エッジ端末Ｔｎの環境情報Ｅｎとの関連度、具体的には一致数により決定される関連情報である。
配合部１１４は、既存の学習済みモデルＬＭ１～ＬＭｎ－１にモデル配合条件Ｃｎを配合して、エッジ端末Ｔｎの学習済みモデルＬＭｎを生成する。上述した一致数が高いほど、エッジ端末Ｔｎの学習済みモデルＬＭｎは、既存の学習済みモデルＬＭ１～ＬＭｎ－１に近い重みパラメータとなる。
図１にモデルブレンド例となる式１を示す。左辺はエッジ端末Ｔｎの学習済みモデルＬＭｎである。右辺の分母のｎ－１は、エッジ端末Ｔ１～Ｔｎ－１の台数である。右辺の分子の項Ｒｉは、既存のエッジ端末Ｔｉの環境情報Ｅｉとエッジ端末Ｔｎとの一致数に基づく重みであり、モデル配合条件Ｃｎの一要素となる。一致数が高いほど重みが大きくなり、その学習済みモデルＬＭｉが学習済みモデルＬＭｎに占める影響度が高くなる。
エッジサーバ１２０は、第２通信部１２１を有する。第２通信部１２１は、エッジ端末Ｔｎからの環境情報Ｅｎを管理装置１０１に転送したり、管理装置１０１からの学習済みモデルＬＭｎをエッジ端末Ｔｎに転送したりする。
エッジ端末Ｔｉは、学習済みモデルＬＭｉと推論部１２２とセンサ１２３とを有する。推論部１２２は、たとえば、ＤＮＮの一例である畳み込みニューラルネットワーク（ＣＮＮ）である。推論部１２２は、ＣＮＮに学習済みモデルＬＭｉを適用し、センサ１２３の１つであるカメラからの画像データをＣＮＮに入力することにより、推論結果を出力する。エッジ端末Ｔｉは推論結果を用いてエッジ端末Ｔｉ自身の挙動または接続された他の装置を制御する。
このように、管理装置１０１は、エッジ端末Ｔ１～Ｔｎ－１の各環境情報からブレンドレシピであるモデル配合条件Ｃｎを生成し、生成したモデル配合条件Ｃｎを学習済みモデルＬＭ１～ＬＭｎ－１にブレンドすることで、新規に追加されたエッジ端末Ｔｎの学習済みモデルＬＭｎを、データセットの学習を実行することなく生成する。
また、エッジ端末Ｔｎは、学習済みモデルＬＭｎを用いて推論を実行する。これにより、エッジ端末Ｔｎは、データセットを管理装置１０１にアップロードする必要がない。したがって、データセットの転送に掛かる通信コストが発生しない。また、データセットの管理装置１０１へのアップロードが不要となるため、データセットの漏洩が防止される。また、管理装置１０１は、データセットを用いた学習機能を実装する必要がないため、計算負荷の低減化を図ることができる。
＜環境情報ＤＢ１１１＞
図２は、図１に示した環境情報ＤＢ１１１の一例を示す説明図である。環境情報ＤＢ１１１は、エッジ番号２００ごとに、ｐ個（ｐは１以上の整数）のエッジ情報ｅ１～ｅｐを有する。たとえば、エッジ情報ｅは、環境項目として、たとえば、ＤＮＮ用途ｅ１、エッジ環境ｅ２、３Ｍ情報ｅ３、Ｍａｎ情報ｅ４、…、時間情報ｅｐを含む。１つの行のエッジ情報の組み合わせがそのエッジ番号２００で特定されるエッジ端末Ｔｉの環境情報Ｅｉである。
なお、３Ｍ情報ｅ３とは、マシン、メソッド、およびマテリアルの３つのうち少なくとも１つを含む情報である。Ｍａｎ情報ｅ４は、エッジ端末Ｔｉのユーザに関する情報（たとえば、ユーザの人数や容姿、性別など）である。本例では、環境情報Ｅ１～Ｅｎ－１が環境情報ＤＢ１１１に記憶されており、エッジ環境１０２にエッジ端末Ｔｎが追加され、管理装置１０１がエッジ端末Ｔｎから環境情報Ｅｎを受信したことにより、環境情報Ｅｎを追加登録した状態を示す。
＜一致数計数テーブル＞
図３は、実施例１にかかる一致数計数テーブルの一例を示す説明図である。一致数計数テーブル３００は、既存の環境情報Ｅｉと新規のエッジ端末Ｔｉの環境情報Ｅｎとのエッジ情報の一致数３０１を計数するテーブルである。既存の環境情報Ｅｉと新規のエッジ端末Ｔｉの環境情報Ｅｎとのエッジ情報が一致した場合の値を「１」、不一致の場合の値を「０」とする。行方向の合計値が環境情報Ｅｉとの一致数ｈｉとなる。
＜モデル配合条件と学習済みモデル＞
図４は、実施例１にかかるモデル配合条件と学習済みモデルとを示す説明図である。（Ａ）は、エッジ端末Ｔｎのモデル配合条件Ｃｎを示し、（Ｂ）は、学習済みモデルＬＭｎの計算式の一例を示す。モデル配合条件Ｃｎは、重みＲ１～Ｒｎ－１の組み合わせである。重みＲｉの分母Σ（ｈ）は、一致数ｈ１～ｈｎ－１の総和である。（Ｂ）の式は、図１の式１のＲｉにモデル配合条件Ｃｎを代入した式となる。
＜学習済みモデルＬＭｉ＞
図５は、ＣＮＮのある１層に存在するニューラルネットワーク処理例を示す説明図である。（Ａ）は入力特徴マップ５０１、（Ｂ）は重みフィルタ５０２、（Ｃ）は出力特徴マップ５０３を示す。入力特徴マップ５０１と重みフィルタ５０２との乗算結果が出力特徴マップ５０３となり、次の層の入力特徴マップ５０１となる。
入力特徴マップ５０１は、入力チャネル数であるＮ個のＨ×Ｗ行列により構成される。たとえば、入力特徴マップ５０１が画像データ由来の行列である場合、入力チャネル数Ｎは、Ｒ（赤）、Ｇ（緑）、Ｂ（青）の３つである。Ｈは入力特徴マップ５０１の高さ（列方向の要素数）であり、Ｗは入力特徴マップ５０１の幅（行方向の要素数）である。
重みフィルタ５０２は、ｋ×ｋ行列である。重みフィルタ５０２も入力チャネル数であるＮ個の行列により構成される。入力チェネルごとに入力特徴マップ５０１を重みフィルタ５０２でラスタスキャンすることで、入力チャネルごとに出力特徴マップ５０３が得られる。Ｈ´は出力特徴マップ５０３の高さ（列方向の要素数）であり、Ｗ´は出力特徴マップ５０３の幅（行方向の要素数）である。
図６は、ＣＮＮの全層（層数Ｌ）の重みフィルタ５０２の一例を示す説明図である。１層目の重みフィルタ５０２－１は入力チャネル数Ｎ１分のｋ１×ｋ１行列で構成される。Ｍ１は出力チャネル番号である。２層目の重みフィルタ５０２－２は入力チャネル数Ｎ２分のｋ２×ｋ２行列で構成される。Ｍ２は出力チャネル番号である。Ｌ層目の重みフィルタ５０２－Ｌは入力チャネル数ＮＬ分のｋＬ×ｋＬ行列で構成される。ＭＬは出力チャネル番号である。
図７は、ＣＮＮの全層（層数Ｌ）の重みフィルタ５０２の値である学習済みモデルＬＭｉの一例を示す説明図である。値７０６は、層番号７０１、入力チェネル番号７０２、出力チャネル番号７０３、重み（縦）７０４、および重み（横）７０５の１次元ベクトルＶである。全１次元ベクトルを列方向に配列した行列（重みフィルタ５０２）が学習済みモデルＬＭｉである。
＜コンピュータのハードウェア構成例＞
つぎに、コンピュータのハードウェア構成例について説明する。コンピュータとは、図１に示した管理装置１０１、エッジサーバ１２０およびエッジ端末Ｔｉである。
図８は、コンピュータのハードウェア構成例を示すブロック図である。コンピュータ８００は、プロセッサ８０１と、記憶デバイス８０２と、入力デバイス８０３と、出力デバイス８０４と、通信インタフェース（通信ＩＦ）８０５と、を有する。プロセッサ８０１、記憶デバイス８０２、入力デバイス８０３、出力デバイス８０４、および通信ＩＦ８０５は、バス８０６により接続される。
プロセッサ８０１は、コンピュータ８００を制御する。プロセッサは、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）およびＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）を含む。記憶デバイス８０２は、プロセッサ８０１の作業エリアとなる。また、記憶デバイス８０２は、各種プログラムやデータを記憶する非一時的なまたは一時的な記録媒体である。記憶デバイス８０２としては、たとえば、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、フラッシュメモリがある。
入力デバイス８０３は、データを入力する。入力デバイス８０３としては、たとえば、キーボード、マウス、タッチパネル、テンキー、スキャナがある。出力デバイス８０４は、データを出力する。出力デバイス８０４としては、たとえば、ディスプレイ、プリンタがある。通信ＩＦ８０５は、ネットワーク１０３と接続し、データを送受信する。
管理装置１０１では、第１通信部１１２、算出部１１３、および配合部１１４は、具体的には、たとえば、記憶デバイス８０２に記憶されたプログラムをプロセッサ８０１に実行させることにより実現される。モデルＤＢ１１０および環境情報ＤＢ１１１は、具体的には、たとえば、図８に示した記憶デバイス８０２により実現される。エッジサーバ１２０では、第２通信部１２１は、具体的には、たとえば、記憶デバイス８０２に記憶されたプログラムをプロセッサ８０１に実行させることにより実現される。エッジ端末Ｔｎでは、推論部１２２は、具体的には、たとえば、記憶デバイス８０２に記憶されたプログラムをプロセッサ８０１に実行させることにより実現される。
＜管理システム１００のシーケンス例＞
図９は、実施例１にかかる管理システム１００のシーケンス例を示すシーケンス図である。エッジ端末Ｔｎは、温度センサなどの環境センサ１２３Ａやカメラ１２３Ｂなどのセンサ１２３から環境情報Ｅｎを検出し、エッジサーバ１２０の第２通信部１２１を経由して管理装置１０１の第１通信部１１２に環境情報Ｅｎを送信する（ステップＳ９０１）。なお、管理装置１０１のユーザが管理端末９００から環境情報Ｅｎを入力（ステップＳ９００）することにより、管理装置１０１の第１通信部１１２に送信してもよい（ステップＳ９０１）。第１通信部１１２は、受信した環境情報Ｅｎを算出部１１３に出力する。
算出部１１３は、モデル配合条件Ｃｎを算出して配合部１１４に出力する（ステップＳ９０２）。配合部１１４は、モデル配合条件Ｃｎを既存の学習済みモデルＬＭ１～ＬＭｎ－１に混合して、エッジ端末Ｔｎの学習済みモデルＬＭｎを生成する（ステップＳ９０３）。そして、配合部１１４は、生成した学習済みモデルＬＭｎをモデルＤＢ１１０に登録する（ステップＳ９０４）。これにより、たとえば、新たな学習済みモデルＬＭｎ＋１を生成する場合には、学習済みモデルＬＭｎは既知の学習済みモデルＬＭｉの１つとして扱われる。
配合部１１４は、学習済みモデルＬＭｎを含むデプロイ指示を第１通信部１１２に出力する（ステップＳ９０５）。第１通信部１１２は、エッジサーバ１２０の第２通信部１２１を経由してデプロイ指示をエッジ端末Ｔｎに送信する（ステップＳ９０６）。エッジ端末Ｔｎは、デプロイ指示を受信すると、学習済みモデルＬＭｎを推論部１２２のＣＮＮに適用する。そして、カメラ１２３Ｂから画像データがＣＮＮに入力されると、推論部１２２は推論結果を出力する（ステップＳ９０７）。これにより、エッジ端末Ｔｎは、エッジ端末Ｔｉは推論結果を用いてエッジ端末Ｔｉ自身の挙動または接続された他の装置を制御する。
このように、管理装置１０１は、エッジ端末Ｔ１～Ｔｎ－１の各環境情報からブレンドレシピであるモデル配合条件Ｃｎを生成し、生成したモデル配合条件Ｃｎを学習済みモデルＬＭ１～ＬＭｎ－１にブレンドすることで、新規に追加されたエッジ端末Ｔｎの学習済みモデルＬＭｎを、データセットの学習を実行することなく生成する。
また、エッジ端末Ｔｎは、学習済みモデルＬＭｎを用いて推論を実行する。これにより、エッジ端末Ｔｎは、データセットを管理装置１０１にアップロードする必要がない。したがって、データセットの転送に掛かる通信コストが発生しない。また、データセットの管理装置１０１へのアップロードが不要となるため、データセットの漏洩が防止される。また、管理装置１０１は、データセットを用いた学習機能を実装する必要がないため、計算負荷の低減化を図ることができる。
なお、実施例１では、エッジ端末Ｔｎがエッジ環境１０２に新規に追加された場合について説明したが、既存のエッジ端末Ｔｉの環境情報Ｅｉが更新される場合も、エッジ端末Ｔｎの新規追加と同様にブレンドすればよい。
図１０は、更新後の環境情報ＤＢ１１１の一例を示す説明図である。図１０では、環境情報Ｅｎのエッジ環境ｅ２、３Ｍ情報ｅ３、および時間情報ｅｐが更新された状態を示す。
図１１は、更新後の一致数計数テーブル３００の一例を示す説明図である。図１１では、図１０に示した更新後の環境情報Ｅｎにより、エッジ番号＃１におけるエッジ環境ｅ２、３Ｍ情報ｅ３、および時間情報ｅｐの値が「１」に更新され、エッジ番号＃ｎ－１の時間情報ｅｐの値が「１」に更新された状態を示す。
このように、たとえば、エッジ端末Ｔｎの環境情報Ｅｎが更新された場合でも、管理装置１０１は、環境情報Ｅｎの新規追加と同様にあらたな学習済みモデルＬＭｎを生成し、モデルＤＢ１１０に更新することができる。他の環境情報Ｅ１～Ｅｎ－１が更新された場合も同様である。
また、エッジ環境１０２からエッジ端末Ｔ３が撤去された場合を想定する。この場合、管理装置１０１は、学習済みモデルＬＭ３をモデルＤＢ１１０から削除する。管理装置１０１は、学習済みモデルＬＭ１、ＬＭ２、ＬＭ４～ＬＭｎをそのまま利用してもよい。また、管理装置１０１は、エッジ番号＃がｉ＝３よりも大きい学習済みモデルＬＭ４～ＬＭｎを、エッジ端末Ｔ３の影響を排除するために更新してもよい。
たとえば、管理装置１０１は、環境情報Ｅ４について、算出部１１３により、他の環境情報Ｅ１，Ｅ２，Ｅ５～Ｅｎとの一致度を算出して、配合部１１４により、あらたな学習済みモデルＬＭ４を生成してもよい。他の環境情報Ｅ５～Ｅｎについても同様である。
これにより、学習済みモデルＬＭｉの更新についても新規追加と同様、管理装置１０１は、データセットの学習を実行することなく生成することができる。また、エッジ端末Ｔｉは、更新後の学習済みモデルＬＭｉを用いて推論を実行する。これにより、エッジ端末Ｔｉは、データセットを管理装置１０１にアップロードする必要がない。したがって、データセットの転送に掛かる通信コストが発生しない。また、データセットの管理装置１０１へのアップロードが不要となるため、データセットの漏洩が防止される。また、管理装置１０１は、データセットを用いた学習機能を実装する必要がないため、計算負荷の低減化を図ることができる。
実施例２について説明する。実施例２では、実施例１において、一致度をエッジ情報に応じて重み付けする例である。ここでは、実施例２の説明を中心に説明するため、実施例１と共通部分については同一符号を付し、その説明を省略する。
＜一致数計数テーブル＞
図１２は、実施例２にかかる一致数計数テーブルの一例を示す説明図である。実施例１の一致数計数テーブル３００との違いは、実施例２の一致数計数テーブル１２００では、各エッジ情報ｅｊ（１≦ｊ≦ｐ）に固有の重み係数ｗｊが付与されており、かつ、一致数３０１が重み付き一致数１００１に変更されている点である。重み係数ｗｊはあらかじめ設定された値である。重み係数ｗｊは、たとえば、０以上の整数とする。重み係数ｗ１～ｗｐがすべて１の場合、一致数計数テーブル１２００は、実施例１の一致数計数テーブル３００と同じテーブルになる。
エッジ番号ｉのエッジ端末Ｔｉにおけるエッジ情報ｅｊの一致または不一致を示す値（１または０）をｘｉｊとする。重み付き一致数Ｓｉは、Ｓｉ＝Σ（ｗｊ×ｘｉｊ）となる。すなわち、ｘｉｊが１の場合に限り、重み係数ｗｊが重み付き一致数Ｓｉに反映される。
＜モデル配合条件と学習済みモデル＞
図１３は、実施例２にかかるモデル配合条件と学習済みモデルとを示す説明図である。（Ａ）はモデル配合条件Ｃｎを示し、（Ｂ）は、学習済みモデルＬＭｎの計算式の一例を示す。モデル配合条件Ｃｎは、重みＲ１～Ｒｎ－１の組み合わせである。重みＲｉの分母Σ（Ｓ）は、一致数Ｓ１～Ｓｎ－１の総和である。（Ｂ）の式は、図１の式１のＲｉにモデル配合条件Ｃｎを代入した式となる。
このように、実施例２によれば、エッジ情報ｅｊに重み係数ｗｊで重み付けすることにより、様々なエッジ環境１０２にカスタマイズされたエッジ端末Ｔｎの学習済みモデルＬＭｎを生成することができる。
つぎに、実施例３について説明する。実施例１および実施例２のエッジサーバ１２０は、エッジ環境１０２のゲートウェイとして機能する通信装置としたが、実施例３では、エッジ端末Ｔｉからのデータセットを用いて学習を実行して、学習結果として学習済みモデルＬＭｉを生成する例である。ここでは、実施例３の説明を中心に説明するため、実施例１および実施例２と共通部分については同一符号を付し、その説明を省略する。
＜管理システム１００のシステム構成例＞
図１４は、実施例３にかかる管理システム１００のシステム構成例を示す説明図である。エッジサーバ１２０は、学習部１４０１を有する。学習部１４０１は、具体的には、たとえば、記憶デバイス８０２に記憶されたプログラムをプロセッサ８０１に実行させることにより実現される。学習部１４０１は、推論部１２２と同一構成のＣＮＮにより構成される。
＜管理システム１００のシーケンス例＞
図１５は、実施例３にかかる管理システム１００のシーケンス例を示すシーケンス図である。あるエッジ端末（ここでは、エッジ端末Ｔｎとする）は、学習済みモデルＬＭｎを管理装置１０１から受信すると（ステップＳ９０６）、推論部１２２に適用し、センサ１２３からの画像データを入力することにより、推論結果を出力する（ステップＳ９０７）。推論結果が誤りである場合、エッジ端末Ｔｎのユーザは、推論結果に正解データを割り付けてデータセットを設定する。学習部１４０１は、エッジ端末Ｔｎのユーザに設定されたデータセットをＣＮＮに与えて学習済みモデルＬＭｎ´を生成する（ステップＳ１５０８）。
学習部１４０１は、学習済みモデルＬＭｎ´を推論部１２２に出力するとともに、第２通信部１２１から管理装置１０１の第１通信部１１２に送信する（ステップＳ１５０９）。推論部１２２に出力することにより、エッジ端末Ｔｎは、管理装置１０１からの学習済みモデルＬＭｎ´を待つことなく推論を実行することができる。
管理装置１０１は、学習済みモデルＬＭｎ´を配合部１１４に出力する。配合部１１４は、モデルＤＢ１１０において学習済みモデルＬＭｎを学習済みモデルＬＭｎ´に更新する（ステップＳ１５１０）。これにより、管理装置１０１は、学習済みモデルＬＭｎ´を配合部１１４による混合に適用することができる。
図１６は、ＣＮＮの認識精度の推移を示すグラフである。実施例１および実施例２における新規の学習済みモデルＬＭｎを適用したＣＮＮの認識精度は、特許文献１のような従来技術よりも高い。また、実施例３を適用することにより、データセットの作成時間経過後においては、実施例３における新規の学習済みモデルＬＭｎ´を適用したＣＮＮの認識精度は、実施例１および実施例２よりも高くなる。
このように、実施例３によれば、学習済みモデルＬＭｎ´の高精度化を図ることができる。また、管理装置１０１ではなくエッジサーバ１２０で学習を実行することにより、管理装置１０１へのデータセットのアップロードを防止することができる。したがって、データセットの転送に掛かる通信コストが発生しない。また、データセットの管理装置１０１へのアップロードが不要となるため、データセットの漏洩が防止される。また、管理装置１０１は、データセットを用いた学習機能を実装する必要がないため、計算負荷の低減化を図ることができる。
つぎに、実施例４について説明する。実施例１～実施例３では、エッジ端末Ｔｉの増減により、管理装置１０１がデータセットを用いることなく学習済みモデルＬＭｉを生成する例について説明した。これに対し、実施例４は、エッジ端末Ｔｉの環境情報Ｅｉが時間方向に存在する場合に最新の学習済みモデルＬＭｉを生成する例について説明する。ここでは、実施例４の説明を中心に説明するため、実施例１～実施例３と共通部分については同一符号を付し、その説明を省略する。
＜学習済みモデルＬＭｉ＞
図１７は、モデルＤＢ１１０に記憶されている学習済みモデルＬＭｉの一例を示す説明図である。学習済みモデルＬＭｉは、学習済みモデルＬＭｉ（ｔ１）、ＬＭｉ（ｔ２）、…、ＬＭｉ（ｔｊ）、…、ＬＭｉ（ｔ（ｍ－１））を含む。ｔ１～ｔ（ｍ－１）は、時刻を示すタイムステップであり、ｊが小さいほど過去の時刻を示す。学習済みモデルＬＭｉ（ｔｍ）は、時刻ｔｍの環境情報Ｅｍによりあらたに追加される学習済みモデルである。
＜環境情報ＤＢ１１１＞
図１８は、実施例４にかかる環境情報ＤＢ１１１の一例を示す説明図である。環境情報ＤＢ１１１は、エッジ端末Ｔｉごとに環境情報テーブル１１１（Ｔｉ）を記憶する。環境情報テーブル１１１（Ｔｉ）は、時刻１８００ごとに環境情報Ｅ１（Ｔｉ）を記憶する。
＜一致数計数テーブル＞
図１９は、エッジ端末Ｔｉに関する一致数計数テーブルの一例を示す説明図である。図１では、例としてエッジ番号＃がｉ＝１のエッジ端末Ｔ１に関する一致数計数テーブル３００（Ｔ１）を示す。図３では、エッジ番号２００ごとにエッジ情報ｅ１～ｅｐの値が配列されているが、図１９では、時刻１８００ごとにエッジ情報ｅ１～ｅｐの値が配列されている。なお、実施例２のように、重み係数ｗ１～ｗｐを適用してもよい。
既存の環境情報Ｅ１（ｔｊ）と新規のエッジ端末Ｔ１の環境情報Ｅ１（ｔｍ）とのエッジ情報が一致した場合の値を「１」、不一致の場合の値を「０」とする。行方向の合計値が環境情報Ｅ１（ｔｊ）との一致数ｇｊとなる。
＜モデル配合条件と学習済みモデル＞
図２０は、実施例４にかかるモデル配合条件と学習済みモデルとを示す説明図である。（Ａ）は例としてエッジ番号＃がｉ＝１のエッジ端末Ｔ１に関するモデル配合条件を示し、（Ｂ）は、学習済みモデルＬＭ１の計算式の一例を示す。モデル配合条件Ｃ１は、重みＲ１～Ｒｎ－１の組み合わせである。重みＲｉの分母Σ（ｇ）は、一致数ｇ１～ｇｍ－１の総和である。（Ｂ）の式は、図１の式１のＲｉにモデル配合条件Ｃ１を代入した式となる。
このように、管理装置１０１は、エッジ端末Ｔｉの時間方向の環境情報Ｅｉ（Ｔ１）～Ｅｉ（ｔ（ｍ－１））からブレンドレシピであるモデル配合条件Ｃｉを生成し、生成したモデル配合条件Ｃｉを学習済みモデルＬＭｉ（Ｔ１）～ＬＭｉ（ｔ（ｍ－１））にブレンドすることで、新規に環境情報Ｅｉ（Ｔｍ）が追加されたエッジ端末Ｔｉの学習済みモデルＬＭｉ（ｔｍ）を、データセットの学習を実行することなく生成する。
また、エッジ端末Ｔｉは、学習済みモデルＬＭｉ（ｔｍ）を用いて推論を実行する。これにより、エッジ端末Ｔｉは、データセットを管理装置１０１にアップロードする必要がない。したがって、データセットの転送に掛かる通信コストが発生しない。また、データセットの管理装置１０１へのアップロードが不要となるため、データセットの漏洩が防止される。また、管理装置１０１は、データセットを用いた学習機能を実装する必要がないため、計算負荷の低減化を図ることができる。
なお、本発明は前述した実施例に限定されるものではなく、添付した特許請求の範囲の趣旨内における様々な変形例及び同等の構成が含まれる。例えば、前述した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに本発明は限定されない。また、ある実施例の構成の一部を他の実施例の構成に置き換えてもよい。また、ある実施例の構成に他の実施例の構成を加えてもよい。また、各実施例の構成の一部について、他の構成の追加、削除、または置換をしてもよい。
また、前述した各構成、機能、処理部、処理手段等は、それらの一部又は全部を、例えば集積回路で設計する等により、ハードウェアで実現してもよく、プロセッサがそれぞれの機能を実現するプログラムを解釈し実行することにより、ソフトウェアで実現してもよい。
各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリ、ハードディスク、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の記憶装置、又は、ＩＣ（Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）カード、ＳＤカード、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ）の記録媒体に格納することができる。
また、制御線や情報線は説明上必要と考えられるものを示しており、実装上必要な全ての制御線や情報線を示しているとは限らない。実際には、ほとんど全ての構成が相互に接続されていると考えてよい。
Ｃｉ モデル配合条件
Ｅｉ 環境情報
ＬＭｉ 学習済みモデル
Ｔｉ エッジ端末
１００ 管理システム
１０１ 管理装置
１０２ エッジ環境
１１０ モデルＤＢ
１１１ 環境情報ＤＢ
１１２ 第１通信部
１１３ 算出部
１１４ 配合部
１２０ エッジサーバ
１２１ 第２通信部
１２２ 推論部
１２３ センサ
３００、１２００ 一致数計数テーブル
３０１、１００１ 一致数
１４０１ 学習部

Claims (9)

  1. 管理対象にアクセス可能な管理装置であって、
    プログラムを実行するプロセッサと、前記プログラムを記憶する記憶デバイスと、前記管理対象と通信可能な通信インタフェースと、を有し、
    前記プロセッサは、
    前記管理対象の１つである第１データ処理装置の第１環境を示す第１環境情報を受信する受信処理と、
    前記受信処理によって受信された第１環境情報と、前記管理対象の１つである第２データ処理装置の第２環境を示す第２環境情報と、の関連度を示す関連情報を生成する第１生成処理と、
    前記第１生成処理によって生成された関連情報と、前記第２環境で前記第２データ処理装置が推論に用いる第２学習済みモデルと、に基づいて、前記第１環境で前記第１データ処理装置が推論に用いる第１学習済みモデルを生成する第２生成処理と、
    前記第２生成処理によって生成された第１学習済みモデルを前記第１データ処理装置に送信する送信処理と、を実行し、
    前記第１環境情報および前記第２環境情報は、前記第１環境情報および前記第２環境情報に共通の環境を規定する複数の環境項目の値を有し、
    前記複数の環境項目の各々には、前記環境項目の重要度が設定されており、
    前記第１生成処理では、前記プロセッサは、前記第１環境情報および前記第２環境情報の間において同一の環境項目の値の一致数および前記環境項目の重要度に基づいて、前記関連情報を生成する、
    ことを特徴とする管理装置。
  2. 請求項１に記載の管理装置であって、
    前記受信処理では、前記プロセッサは、前記第１データ処理装置が前記管理対象として新たに追加された場合に、前記第１環境情報を受信する、
    ことを特徴とする管理装置。
  3. 請求項１に記載の管理装置であって、
    前記受信処理では、前記プロセッサは、前記第１データ処理装置において前記第１環境情報が新たに追加された場合に、新たに追加された前記第１環境情報を受信する、
    ことを特徴とする管理装置。
  4. 請求項２に記載の管理装置であって、
    前記第２生成処理では、前記プロセッサは、前記第１環境情報を前記第２環境情報として保存する、
    ことを特徴とする管理装置。
  5. 請求項１に記載の管理装置であって、
    前記第１生成処理では、前記プロセッサは、前記第１環境情報と、前記第１環境情報よりも過去の時点における前記第２データ処理装置の前記第２環境を示す前記第２環境情報と、の関連度を示す前記関連情報を生成する、
    ことを特徴とする管理装置。
  6. 請求項５に記載の管理装置であって、
    前記第１生成処理では、前記プロセッサは、前記受信処理によって新たに受信された第１環境情報と、前記第２環境情報と、の関連度を示す関連情報を生成する、
    ことを特徴とする管理装置。
  7. 請求項６に記載の管理装置であって、
    前記第２生成処理では、前記プロセッサは、前記第１環境情報を前記第２環境情報として保存する、
    ことを特徴とする管理装置。
  8. 管理対象にアクセス可能な管理装置が実行する管理方法であって、
    前記管理装置は、プログラムを実行するプロセッサと、前記プログラムを記憶する記憶デバイスと、前記管理対象と通信可能な通信インタフェースと、を有し、
    前記管理方法は、
    前記プロセッサが、
    前記管理対象の１つである第１データ処理装置の第１環境を示す第１環境情報を受信する受信処理と、
    前記受信処理によって受信された第１環境情報と、前記管理対象の１つである第２データ処理装置の第２環境を示す第２環境情報と、の関連度を示す関連情報を生成する第１生成処理と、
    前記第１生成処理によって生成された関連情報と、前記第２環境で前記第２データ処理装置が推論に用いる第２学習済みモデルと、に基づいて、前記第１環境で前記第１データ処理装置が推論に用いる第１学習済みモデルを生成する第２生成処理と、
    前記第２生成処理によって生成された第１学習済みモデルを前記第１データ処理装置に送信する送信処理と、を実行し、
    前記第１環境情報および前記第２環境情報は、前記第１環境情報および前記第２環境情報に共通の環境を規定する複数の環境項目の値を有し、
    前記複数の環境項目の各々には、前記環境項目の重要度が設定されており、
    前記第１生成処理では、前記プロセッサは、前記第１環境情報および前記第２環境情報の間において同一の環境項目の値の一致数および前記環境項目の重要度に基づいて、前記関連情報を生成する、
    ことを特徴とする管理方法。
  9. 管理対象を管理する処理をプロセッサに実行させるための管理プログラムであって、
    前記プロセッサに、
    前記管理対象の１つである第１データ処理装置の第１環境を示す第１環境情報を受信する受信処理と、
    前記受信処理によって受信された第１環境情報と、前記管理対象の１つである第２データ処理装置の第２環境を示す第２環境情報と、の関連度を示す関連情報を生成する第１生成処理と、
    前記第１生成処理によって生成された関連情報と、前記第２環境で前記第２データ処理装置が推論に用いる第２学習済みモデルと、に基づいて、前記第１環境で前記第１データ処理装置が推論に用いる第１学習済みモデルを生成する第２生成処理と、
    前記第２生成処理によって生成された第１学習済みモデルを前記第１データ処理装置に送信する送信処理と、を実行させ、
    前記第１環境情報および前記第２環境情報は、前記第１環境情報および前記第２環境情報に共通の環境を規定する複数の環境項目の値を有し、
    前記複数の環境項目の各々には、前記環境項目の重要度が設定されており、
    前記第１生成処理では、前記プロセッサに、前記第１環境情報および前記第２環境情報の間において同一の環境項目の値の一致数および前記環境項目の重要度に基づいて、前記関連情報を生成させる、
    ことを特徴とする管理プログラム。
JP2019139086A 2019-07-29 2019-07-29 管理装置、管理方法、および管理プログラム Active JP7231511B2 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2019139086A JP7231511B2 (ja) 2019-07-29 2019-07-29 管理装置、管理方法、および管理プログラム
EP20186830.4A EP3772024A1 (en) 2019-07-29 2020-07-21 Management device, management method, and management program
US16/937,262 US11388223B2 (en) 2019-07-29 2020-07-23 Management device, management method, and management program
SG10202007042XA SG10202007042XA (en) 2019-07-29 2020-07-23 Management device, management method, and management program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019139086A JP7231511B2 (ja) 2019-07-29 2019-07-29 管理装置、管理方法、および管理プログラム

Publications (2)

Publication Number Publication Date
JP2021022231A JP2021022231A (ja) 2021-02-18
JP7231511B2 true JP7231511B2 (ja) 2023-03-01

Family

ID=71738010

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019139086A Active JP7231511B2 (ja) 2019-07-29 2019-07-29 管理装置、管理方法、および管理プログラム

Country Status (4)

Country Link
US (1) US11388223B2 (ja)
EP (1) EP3772024A1 (ja)
JP (1) JP7231511B2 (ja)
SG (1) SG10202007042XA (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7022173B2 (ja) * 2020-06-09 2022-02-17 株式会社日立製作所 コンピューティングサービス管理装置、方法、およびプログラム
WO2023013131A1 (ja) * 2021-08-04 2023-02-09 コニカミノルタ株式会社 情報処理システムおよび情報処理プログラム

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015207105A (ja) 2014-04-18 2015-11-19 Ｎｅｃフィールディング株式会社 情報処理装置、情報処理システム、情報処理方法、及びプログラム
US20160217387A1 (en) 2015-01-22 2016-07-28 Preferred Networks, Inc. Machine learning with model filtering and model mixing for edge devices in a heterogeneous environment
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

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8421859B2 (en) * 2008-04-24 2013-04-16 GM Global Technology Operations LLC Clear path detection using a hierachical approach
US8509982B2 (en) * 2010-10-05 2013-08-13 Google Inc. Zone driving
US8706416B2 (en) * 2012-04-03 2014-04-22 Ford Global Technologies, Llc System and method for determining a vehicle route
CN107067015B (zh) 2016-10-27 2020-09-11 武汉烽火众智数字技术有限责任公司 一种基于多特征深度学习的车辆检测方法及装置
US10013773B1 (en) * 2016-12-16 2018-07-03 Waymo Llc Neural networks for object detection
US10032111B1 (en) * 2017-02-16 2018-07-24 Rockwell Collins, Inc. Systems and methods for machine learning of pilot behavior
US11308391B2 (en) * 2017-03-06 2022-04-19 Baidu Usa Llc Offline combination of convolutional/deconvolutional and batch-norm layers of convolutional neural network models for autonomous driving vehicles
US11501139B2 (en) * 2017-05-03 2022-11-15 Intel Corporation Scaling half-precision floating point tensors for training deep neural networks
US10572773B2 (en) * 2017-05-05 2020-02-25 Intel Corporation On the fly deep learning in machine learning for autonomous machines
US10060751B1 (en) * 2017-05-17 2018-08-28 Here Global B.V. Method and apparatus for providing a machine learning approach for a point-based map matcher
US10346724B2 (en) * 2017-06-22 2019-07-09 Waymo Llc Rare instance classifiers
US10031526B1 (en) * 2017-07-03 2018-07-24 Baidu Usa Llc Vision-based driving scenario generator for autonomous driving simulation
US10474161B2 (en) * 2017-07-03 2019-11-12 Baidu Usa Llc High resolution 3D point clouds generation from upsampled low resolution lidar 3D point clouds and camera images
US10957201B2 (en) * 2017-09-15 2021-03-23 Qualcomm Incorporated System and method for relative positioning based safe autonomous driving
US11250336B2 (en) 2017-12-28 2022-02-15 Intel Corporation Distributed and contextualized artificial intelligence inference service
US10785297B2 (en) * 2018-10-23 2020-09-22 International Business Machines Corporation Intelligent dataset migration and delivery to mobile internet of things devices using fifth-generation networks
US10928826B2 (en) * 2018-10-26 2021-02-23 Lyft, Inc. Sensor fusion by operations-control vehicle for commanding and controlling autonomous vehicles
US11373099B2 (en) 2018-12-28 2022-06-28 Intel Corporation Artificial intelligence inference architecture with hardware acceleration
KR20190094128A (ko) * 2019-07-23 2019-08-12 엘지전자 주식회사 IoT 기기 정보 제공 방법, IoT 기기 정보 제공 장치 및 지능형 컴퓨팅 디바이스
US11409697B2 (en) * 2019-08-18 2022-08-09 Capitis Solutions Inc. Efficient configuration compliance verification of resources in a target environment of a computing system

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015207105A (ja) 2014-04-18 2015-11-19 Ｎｅｃフィールディング株式会社 情報処理装置、情報処理システム、情報処理方法、及びプログラム
US20160217387A1 (en) 2015-01-22 2016-07-28 Preferred Networks, Inc. Machine learning with model filtering and model mixing for edge devices in a heterogeneous environment
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

Also Published As

Publication number Publication date
US11388223B2 (en) 2022-07-12
US20210037084A1 (en) 2021-02-04
EP3772024A1 (en) 2021-02-03
SG10202007042XA (en) 2021-02-25
JP2021022231A (ja) 2021-02-18

Similar Documents

Publication Publication Date Title
US20210248651A1 (en) Recommendation model training method, recommendation method, apparatus, and computer-readable medium
Dong et al. Integrating experts' weights generated dynamically into the consensus reaching process and its applications in managing non-cooperative behaviors
US11029961B2 (en) Calculating wait time for batch scheduler jobs
US8818922B2 (en) Method and apparatus for predicting application performance across machines with different hardware configurations
KR102342678B1 (ko) 개인화 컨텐츠 추천을 위한 실시간 그래프기반 임베딩 구축 방법 및 시스템
CN109726813A (zh) 任务的强化和模仿学习
CN109690576A (zh) 在多个机器学习任务上训练机器学习模型
JP6723233B2 (ja) データ許可を制御する方法及び装置
JP7231511B2 (ja) 管理装置、管理方法、および管理プログラム
AU2020333769A1 (en) Automated path-based recommendation for risk mitigation
JP2021532457A (ja) 知能客体強化学習方法、装置、デバイス、及び媒体
JP6892424B2 (ja) ハイパーパラメータチューニング方法、装置及びプログラム
CN110114784A (zh) 递归神经网络
CN110447041A (zh) 噪声神经网络层
Yan et al. Adaptive primal-dual stochastic gradient method for expectation-constrained convex stochastic programs
Iutzeler et al. Asynchronous level bundle methods
JP5896862B2 (ja) テスト装置及びテスト方法及びプログラム
Wang et al. A double extrapolation primal-dual algorithm for saddle point problems
JP2021144461A (ja) 学習装置及び推論装置
CN117056595A (zh) 一种交互式的项目推荐方法、装置及计算机可读存储介质
Wang et al. Learning elastic constitutive material and damping models
US8531734B2 (en) Cluster model for controlling color in a color marking device
AU2021467490A1 (en) Power graph convolutional network for explainable machine learning
Pessin et al. Investigation on the evolution of an indoor robotic localization system based on wireless networks
KR102261055B1 (ko) 클릭율 최대화를 위한 이미지 디자인 파라미터 최적화 방법 및 시스템

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220210

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20221115

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20221116

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20221128

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: 20230124

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230216

R150 Certificate of patent or registration of utility model

Ref document number: 7231511

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150