JP7308466B2 - 情報処理システム、情報処理方法、及び、プログラム - Google Patents

Description

本開示は、一般に、情報処理システム、情報処理方法、及び、プログラムに関する。本開示は、特に、機械学習に関連する処理を実行する情報処理システム、情報処理方法、及びプログラムに関する。

特許文献１は、データ分析サービスを提供する方法を開示する。特許文献１では、企業（データ保有者）が収集したデータを、トレーニングデータとして、データ分析サービス提供者に送信する。サービス提供者は、データを分析してモデル（学習済みモデル）を生成し、データ保有者に返す。これによって、データ保有者は、モデルを利用して、予測等が可能となる。更に、特許文献１は、トレーニングデータの生成時に、データ保有者の収集したデータの変数を匿名化して、企業秘密情報を保護することを開示している。

このように特許文献１では、収集したデータから生成した、企業秘密情報（特定情報）を含まないトレーニングデータを利用して機械学習を実行する。しかし、特定情報が欠落していることから、学習効果が低下する可能性がある。

米国特許出願公開第２０１７／００６１３１１号明細書

課題は、情報の保護を図りながらも機械学習の学習効果を高めることができる、情報処理システム、情報処理方法、及び、プログラムを提供することである。

本開示の一態様に係る情報処理システムは、特定情報を含む第１データから第１学習成果物を生成するための情報処理システムであって、相互に通信可能な第１システム及び第２システムを備える。前記第１システムは、前記第１データを、前記特定情報を含まない第２データに変換して前記第２システムに出力する変換部を有する。前記第２システムは、前記第１システムから受け取った前記第２データを用いて機械学習を実行して第２学習成果物を生成して前記第１システムに出力する学習部を有する。前記第１システムは、前記第１データの少なくとも一部と、前記第２システムから受け取った前記第２学習成果物とに基づいて、前記第１学習成果物を得る生成部を有する。

本開示の一態様に係る情報処理方法は、特定情報を含む第１データから第１学習成果物を生成するための情報処理方法である。前記態様に係る情報処理方法は、１以上のプロセッサにおいて、前記第１データを、前記特定情報を含まない第２データに変換し、前記１以上のプロセッサにおいて、前記第２データを用いて機械学習を実行して第２学習成果物を生成し、前記１以上のプロセッサにおいて、前記第１データの少なくとも一部と前記第２学習成果物とに基づいて、前記第１学習成果物を得る。

本開示の一態様に係るプログラムは、前記１以上のプロセッサに、前記情報処理方法を実行させるための、プログラムである。

図１は、一実施形態の情報処理システムのブロック図である。 図２は、生産システムの説明図である。 図３は、上記情報処理システムで実施される変換処理の説明図である。 図４は、上記情報処理システムのシーケンス図である。

１．実施形態
１．１ 概要
図１は、本実施形態の情報処理システム１００を示す。情報処理システム１００は、図４に示すように、特定情報を含む第１データＤ１から第１学習成果物Ｒ１を生成するための情報処理システムである。情報処理システム１００は、相互に通信可能な第１システム１０及び第２システム２０を備える。第１システム１０は、図１に示すように、第１データＤ１を、特定情報を含まない第２データＤ２に変換して第２システム２０に出力する変換部１３１を有する。第２システム２０は、第１システム１０から受け取った第２データＤ２を用いて機械学習を実行して第２学習成果物Ｒ２を生成して第１システム１０に出力する学習部２２１を有する。第１システム１０は、第１データＤ１の少なくとも一部と、第２システム２０から受け取った第２学習成果物Ｒ２とに基づいて、第１学習成果物Ｒ１を得る生成部１３２を有する。

以上述べた情報処理システム１００では、第１システム１０と通信可能な第２システム２０で機械学習を実施する際に、特定情報を含む第１データＤ１ではなく、特定情報を含まない第２データＤ２を用いる。つまり、特定情報を第１システム１０で保持したまま、第２システム２０で機械学習が実行可能である。そのため、第２システム２０では、情報の保護を気にする必要がなく、第１システム１０が設置された施設とは別の施設に設置された、第１システム１０よりも演算能力が高い計算資源を利用することができる。更に、第１システム１０では、第２システム２０からの第２学習成果物Ｒ２と第１データＤ１の少なくとも一部とに基づいて、第１学習成果物Ｒ１を得る。そのため、第２システム２０での機械学習に用いられた第２データＤ２が含んでいない特定情報を第１学習成果物Ｒ１に反映できる。よって、情報処理システム１００によれば、情報の保護を図りながらも機械学習の学習効果を高めることができる。

１．２ 詳細
以下、情報処理システム１００について図１～図４を参照して更に詳細に説明する。

情報処理システム１００は、第１データＤ１から第１学習成果物Ｒ１を生成するための情報処理システムである（図４参照）。

第１データＤ１は、基板（回路基板）３１０に複数の電子部品３２０が実装された実装基板３００（図２及び図３参照）を表すデータである。第１データＤ１は、基板３１０及び複数の電子部品３２０の形状及びサイズ、基板３１０及び複数の電子部品３２０の種類、複数の電子部品３２０の配置（基板３１０上の配置）、並びに基板３１０の電路の配置（回路パターン）に関する情報を含み得る。基板３１０の例としては、銅張積層板が挙げられる。電子部品３２０の例としては、抵抗器、コンデンサ、コイル、ダイオード、トランス、ＩＣチップ、コネクタ、スイッチが挙げられる。一例として、第１データＤ１は、実装基板３００のＣＡＤデータである。

第１学習成果物Ｒ１は、学習済みモデルと学習済みモデルからの出力との少なくとも一方を含み得る。本実施形態では、第１学習成果物Ｒ１は、第１データＤ１の入力に対して特定の結果を得るための学習済みモデルである。特定の結果は、生産システム２００（図２参照）の制御データであって、実装基板３００の生産のタクトタイムが基準を満たすデータである。生産システム２００は、図２に示すように、複数（ここでは４台）の実装機２１１～２１４を備える。実装機２１１～２１４は、電子部品３２０を基板３１０の所定位置に配置する。ここで、制御データは、電子部品３２０の実装機２１１～２１４への振り分けに関する情報（振り分け情報）を含む。つまり、振り分け情報は、実装基板３００の複数の電子部品３２０の各々を、どの実装機２１１～２１４で実装するかを表す。一例として、制御データは、複数の電子部品３２０のグループ分けの結果を示す。つまり、複数の電子部品３２０が、実装機２１１～２１４にそれぞれ対応する第１～第４グループに分類される。複数の電子部品３２０のグループ分けは、生産システム２００による実装基板３００の生産にかかる時間（タクトタイム）に影響し得る。タクトタイムは、電子部品と実装機との組み合わせによって決定される。一例として、タクトタイムは、電子部品をすべて実装するのに必要な実装機のノズルヘッドの総移動距離によって決まる。複数の電子部品３２０のグループ分けが適切に行われることで、実装基板３００の生産にかかる時間が短縮され、生産効率の向上が期待できる。この観点から、第１学習成果物Ｒ１は、複数の電子部品３２０の最適なグループ分けの結果を示す制御データであることが望まれる。よって、情報処理システム１００の第１学習成果物Ｒ１である学習済みモデルは、第１データＤ１の入力に対して、生産システム２００による実装基板３００の生産に最適な制御データを出力するように、第１データＤ１と制御データとの関係を学習したものである。

情報処理システム１００は、図１に示すように、第１システム１０と、第２システム２０とを備える。第１システム１０と第２システム２０とは、相互に通信可能である。より詳細には、第１システム１０と第２システム２０とは通信ネットワーク３０を介して相互に通信可能である。通信ネットワーク３０は、インターネットを含み得る。通信ネットワーク３０は、単一の通信プロトコルに準拠したネットワークだけではなく、異なる通信プロトコルに準拠した複数のネットワークで構成され得る。通信プロトコルは、周知の様々な有線及び無線通信規格から選択され得る。図１では簡略化されているが、通信ネットワーク３０は、リピータハブ、スイッチングハブ、ブリッジ、ゲートウェイ、ルータ等のデータ通信機器を含み得る。

第１システム１０は、図１に示すように、入出力部１１と、通信部１２と、処理部１３とを備える。

入出力部１１は、データの入出力のためのインタフェースである。入出力部１１は、第１データＤ１の入力、及び、第１学習成果物Ｒ１の出力を可能とする。通信部１２は、通信インタフェースである。通信部１２は、通信ネットワーク３０に接続可能であり、通信ネットワーク３０を通じた通信を行う機能を有する。通信部１２は、所定の通信プロトコルに準拠している。所定の通信プロトコルは、周知の様々な有線及び無線通信規格から選択され得る。処理部１３は、第１システム１０の全体的な制御、すなわち、入出力部１１及び通信部１２を制御するように構成される。処理部１３は、例えば、１以上のプロセッサ（マイクロプロセッサ）と１以上のメモリとを含むコンピュータシステムにより実現され得る。つまり、１以上のプロセッサが１以上のメモリに記憶された１以上のプログラム（アプリケーション）を実行することで、処理部１３として機能する。プログラムは、ここでは処理部１３のメモリに予め記録されているが、インターネット等の電気通信回線を通じて、又はメモリカード等の非一時的な記録媒体に記録されて提供されてもよい。このような第１システム１０は、コンピュータシステムにより実現され得る。

第２システム２０は、図１に示すように、通信部２１と、処理部２２とを備える。通信部２１は、通信部１２と同様に、通信ネットワーク３０に接続可能であり、通信ネットワーク３０を通じた通信を行う機能を有する。通信部２１は、所定の通信プロトコルに準拠している。所定の通信プロトコルは、周知の様々な有線及び無線通信規格から選択され得る。処理部２２は、第２システム２０の全体的な制御、すなわち、通信部２１を制御するように構成される。処理部２２は、例えば、１以上のプロセッサ（マイクロプロセッサ）と１以上のメモリとを含むコンピュータシステムにより実現され得る。つまり、１以上のプロセッサが１以上のメモリに記憶された１以上のプログラム（アプリケーション）を実行することで、処理部２２として機能する。プログラムは、ここでは処理部２２のメモリに予め記録されているが、インターネット等の電気通信回線を通じて、又はメモリカード等の非一時的な記録媒体に記録されて提供されてもよい。このような第２システム２０は、コンピュータシステムにより実現され得る。

第１システム１０の処理部１３は、図１に示すように、変換部１３１と、生成部１３２とを備える。図１において、変換部１３１及び生成部１３２は実体のある構成を示しているわけではなく、処理部１３によって実現される機能を示している。また、第２システム２０の処理部２２は、図１に示すように、学習部２２１を備える。学習部２２１は、実体のある構成を示しているわけではなく、処理部２２によって実現される機能を示している。

変換部１３１は、第１データＤ１を、第２データＤ２に変換して第２システム２０に出力するように構成される。より詳細には、変換部１３１は、入出力部１１を通じて第１データＤ１を受け取ると、第２データＤ２を生成して、通信部１２を通じて第２システム２０へ送信する。ここで、第２データＤ２は、第１データＤ１が有する特定情報を、含んでいないデータである。第１データＤ１は、実装基板３００（図２及び図３参照）を表すデータである。第１データＤ１は、上述したように、基板３１０及び複数の電子部品３２０の形状及びサイズ、基板３１０及び複数の電子部品３２０の種類、基板３１０上の複数の電子部品３２０の配置、並びに基板３１０の電路の配置（回路パターン）に関する情報を含み得る。特定情報は、第１システム１０内でのみ使用を許容し、第２システム２０では使用を許容しない情報である。本実施形態では、第１データＤ１において、複数の電子部品３２０の種類、複数の電子部品３２０の配置、及び基板３１０の電路の配置に関する情報のそれぞれが、特定情報として扱われる。つまり、第２データＤ２は、複数の電子部品３２０の種類、複数の電子部品３２０の配置、及び基板３１０の電路の配置に関する情報を除けば、第１データＤ１と同じデータであってよい。

変換部１３１は、第１データＤ１の特定情報を、特定情報の代替となる代替情報に置き換えることで、第２データＤ２を生成する。つまり、第２データＤ２は、特定情報の代替となる代替情報を含む。ここで、代替情報は、特定情報と関連性がない情報であってもよいし、特定情報に所定の処理を実行して得られた情報であってもよい。一例として、特定情報が複数の電子部品３２０の種類に関する情報である場合には、代替情報は、複数の電子部品３２０の種類が変更された情報であってよい。この場合、変換部１３１は、所定の処理として、複数の電子部品３２０の種類を一定の規則又はランダムに変更する処理を実行する。また、特定情報が複数の電子部品３２０の配置に関する情報である場合には、代替情報は、複数の電子部品３２０の配置が変更された情報であってよい。この場合、変換部１３１は、所定の処理として、複数の電子部品３２０の配置を一定の規則又はランダムに変更する処理を実行する。また、特定情報が基板３１０の電路の配置に関する情報である場合には、代替情報は、特定情報と関連性がない情報（つまり、第１データＤ１の内容に関係がない情報）として、基板３１０に電路がない状態を示す情報であってよい。

図３は、変換部１３１による第１データＤ１から第２データＤ２への変換処理の説明図である。図３において、実装基板３００は、第１データＤ１が示す内容に対応し、実装基板３００Ａは、第２データＤ２が示す内容に対応する。図３から明らかなように、第２データＤ２が示す実装基板３００Ａは、第１データＤ１が示す実装基板３００とは相違している。そのため、特定情報（複数の電子部品３２０の種類、複数の電子部品３２０の配置、及び基板３１０の電路の配置に関する情報）を、第２データＤ２から取得することができないようになっている。

学習部２２１は、第１システム１０から受け取った第２データＤ２を用いて機械学習を実行して第２学習成果物Ｒ２を生成して第１システム１０に出力するように構成される。より詳細には、学習部２２１は、通信部２１を通じて第１システム１０から第２データＤ２を受け取ると、第２学習成果物Ｒ２を生成して、通信部２１を通じて第１システム１０へ送信する。第２学習成果物Ｒ２は、学習済みモデルと学習済みモデルからの出力との少なくとも一方を含み得る。本実施形態では、第２学習成果物Ｒ２は、第２データＤ２の入力に対して特定の結果を得るための学習済みモデルを含む。特定の結果は、生産システム２００の制御データであって、実装基板３００の生産のタクトタイムが基準を満たすデータである。機械学習としては、強化学習、特に、深層強化学習が利用される。学習部２２１は、機械学習により、第２データＤ２の入力に対して制御データを出力する学習済みモデルを生成し、出力する制御データによるタクトタイムが最も短い学習済みモデルを、第２学習成果物Ｒ２として第１システム１０へ出力する。なお、機械学習の手法自体は、従来周知の手法を採用できるから、詳細な学習の仕方については説明を省略する。

生成部１３２は、第１データＤ１の少なくとも一部と、第２システム２０から受け取った第２学習成果物Ｒ２とに基づいて、第１学習成果物Ｒ１を得るように構成される。より詳細には、生成部１３２は、通信部１２を通じて第２システム２０から第２学習成果物Ｒ２を受け取ると、第１データＤ１の少なくとも一部と第２学習成果物Ｒ２とから第１学習成果物Ｒ１を得て、第１学習成果物Ｒ１を入出力部１１を通じて出力する。ここで、第１データＤ１の全てを用いるか一部を用いるかは、どのような第１学習成果物Ｒ１を得るかによる。本実施形態では、第２学習成果物Ｒ２は、第２データＤ２を用いた機械学習により得られた学習済みモデルである。生成部１３２は、第１データＤ１と第２学習成果物Ｒ２に含まれる学習済みモデルとを用いた機械学習を実行して、第１学習成果物Ｒ１を得る。機械学習としては、強化学習、特に、深層強化学習が利用される。つまり、生成部１３２は、機械学習のモデルとして、学習が行われてないモデル（未学習のモデル）ではなく、第２システム２０で生成された学習済みモデルを利用する。そのため、第１システム１０は、最初から機械学習を行うための処理能力を有していなくてもよい。機械学習としては、第２システム２０の学習部２２１と同様に、強化学習、特に、深層強化学習が利用される。生成部１３２は、第２データＤ２に関するタクトタイムが基準を満たす学習済みモデルに対して、第１データＤ１を適用して、機械学習によって、第１データＤ１に関するタクトタイムが基準を満たす学習済みモデルを第１学習成果物Ｒ１として得る。なお、第１学習成果物Ｒ１は、学習済みモデルではなく、第１データＤ１に関連する処理の最適解であってもよい。一例として、第１学習成果物Ｒ１は、第１データＤ１用の制御データであって、タクトタイムが基準を満たすデータ（タクトタイムが最短になるデータ）であってよい。生成部１３２は、第１データＤ１と第２学習成果物Ｒ２に含まれる学習済みモデルとを用いた機械学習を実行して学習済みモデルを得、この学習済みモデルに第１データＤ１を入力して得られた制御データを、第１学習成果物Ｒ１として出力してよい。

１．３ 動作
次に、情報処理システム１００の動作について図４のシーケンス図を参照して簡単に説明する。以下の例は、ユーザ４０が第１データＤ１を第１システム１０に入力し、第１システム１０から第１学習成果物Ｒ１を取得する場合の情報処理システム１００の動作を示している。

ユーザ４０が第１データＤ１を第１システム１０に入力すると、第１システム１０は、第１データＤ１を第２データＤ２に変換して、第２システム２０へ出力する。ここで、第２データＤ２は、第１データＤ１とは異なり、特定情報が含まれていない。第２システム２０は、第１システム１０から第２データＤ２を受け取ると、第２データＤ２を利用して機械学習を実行し、第２学習成果物Ｒ２を得る。第２システム２０は、第２学習成果物Ｒ２を第１システム１０へ出力する。第１システム１０は、第２システム２０から第２学習成果物Ｒ２を得ると、第１データＤ１及び第２学習成果物Ｒ２を利用して、第１学習成果物Ｒ１を得る。そして、第１システム１０は、第１学習成果物Ｒ１をユーザ４０に出力する。

情報処理システム１００から第１学習成果物Ｒ１を得たユーザ４０は、第１学習成果物Ｒ１を利用して、第１データＤ１から、特定の結果を取得することが可能である。特定の結果は、生産システム２００の制御データであって、実装基板３００の生産のタクトタイムが基準を満たすデータである。これによって、生産システム２００による実装基板３００の生産効率の改善が図れる。

１．４ まとめ
以上述べたように、情報処理システム１００は、特定情報を含む第１データＤ１から第１学習成果物Ｒ１を生成するための情報処理システムである。情報処理システム１００は、相互に通信可能な第１システム１０及び第２システム２０を備える。第１システム１０は、図１に示すように、第１データＤ１を、特定情報を含まない第２データＤ２に変換して第２システム２０に出力する変換部１３１を有する。第２システム２０は、第１システム１０から受け取った第２データＤ２を用いて機械学習を実行して第２学習成果物Ｒ２を生成して第１システム１０に出力する学習部２２１を有する。第１システム１０は、第１データＤ１の少なくとも一部と、第２システム２０から受け取った第２学習成果物Ｒ２とに基づいて、第１学習成果物Ｒ１を得る生成部１３２を有する。このように、情報処理システム１００によれば、情報の保護を図りながらも機械学習の学習効果を高めることができる。

換言すれば、情報処理システム１００は、下記の方法（情報処理方法）を実行しているといえる。情報処理方法は、特定情報を含む第１データＤ１から第１学習成果物Ｒ１を生成するための情報処理方法である。情報処理方法は、第１データＤ１を、特定情報を含まない第２データＤ２に変換し、第２データＤ２を用いて機械学習を実行して第２学習成果物Ｒ２を生成し、第１データＤ１の少なくとも一部と第２学習成果物Ｒ２とに基づいて第１学習成果物Ｒ１を生成する。このように、情報処理方法によれば、情報処理システム１００と同様に、情報の保護を図りながらも機械学習の学習効果を高めることができる。

情報処理システム１００は、コンピュータシステム（１以上のプロセッサ）により実現されている。つまり、情報処理システム１００は、１以上のプロセッサがプログラム（コンピュータプログラム）を実行することにより実現される。このプログラムは、１以上のプロセッサに情報処理方法を実行させるためのプログラムである。このようなプログラムによれば、情報処理方法と同様に、情報の保護を図りながらも機械学習の学習効果を高めることができる。

２．変形例
本開示の実施形態は、上記実施形態に限定されない。上記実施形態は、本開示の目的を達成できれば、設計等に応じて種々の変更が可能である。以下に、上記実施形態の変形例を列挙する。

一変形例では、第２学習成果物Ｒ２は、第２データＤ２を用いた機械学習により得られた、複数の学習成果物を含んでよい。例えば、学習部２２１は、機械学習により、第２データＤ２の入力に対して制御データを出力する学習済みモデルを生成する。学習部２２１は、タクトタイムが所定の基準を満たす制御データを出力する複数の学習済みモデルを、学習成果物とする。学習部２２１は、複数の学習済みモデル（学習成果物）を、第２学習成果物Ｒ２として第１システム１０へ出力する。この場合、生成部１３２は、第２学習成果物Ｒ２に含まれる複数の学習済みモデルの一つを、第１学習成果物Ｒ１として採用してよい。一例として、生成部１３２は、第１データを利用して得られた複数の学習成果物の評価の結果に基づいて、複数の学習済みモデルから第１学習成果物Ｒ１として用いるものを選択する。生成部１３２は、第１データＤ１を複数の学習成果物に入力して制御データを得、制御データによるタクトタイムが最も短い学習成果物を、第１学習成果物Ｒ１として採用する。この場合には、生成部１３２は、上記実施形態とは異なり機械学習を実行する必要がないから、第１システム１０での処理負荷を軽減することが可能である。

なお、複数の学習成果物は、学習済みモデルではなく、学習済みモデルから得られる制御データであってもよい。例えば、学習部２２１は、機械学習により、第２データＤ２の入力に対して制御データを出力する学習済みモデルを生成する。学習部２２１は、学習済みモデルにより、タクトタイムが所定の基準を満たす複数の制御データを、学習成果物として生成する。学習部２２１は、複数の制御データ（学習成果物）を、第２学習成果物Ｒ２として第１システム１０へ出力する。この場合、生成部１３２は、第２学習成果物Ｒ２に含まれる複数の制御データの一つを、第１学習成果物Ｒ１として採用する。一例として、生成部１３２は、第１データを利用して得られた複数の学習成果物の評価の結果に基づいて、複数の制御データから第１学習成果物Ｒ１として用いるものを選択する。生成部１３２は、第１データＤ１及び制御データからタクトタイムを評価し、タクトタイムが最も短い学習成果物（制御データ）を、第１学習成果物Ｒ１として採用する。この場合、第１学習成果物Ｒ１は、学習済みモデルではなく、第１データＤ１に関連する処理の最適解となる。

一変形例では、変換部１３１は、単純に第１データＤ１から特定情報を除去して第２データＤ２を生成してよい。ただし、第１データＤ１及び第２データＤ２を同じ形式で使用できるように、特定情報を代替情報で置き換えるほうがよい。

一変形例では、制御データは、電子部品３２０の実装機２１１～２１４への振り分けに関する情報に代えて、あるいは加えて、電子部品３２０を並べる順番に関する情報と電子部品３２０を基板３１０に実装する順番に関する情報との少なくとも一方を含み得る。

一変形例では、生産システム２００は、実装機以外の設備を含み得るし、実装機を有していない場合もある。要するに、生産システム２００は、実装機、挿入機（高速アキシャル部品挿入機、高速ジャンパー線挿入機、高密度ラジアル部品挿入機等）、チップマウンタ、スクリーン印刷機、及び、レーザマーカの少なくとも一種類を含んでいてよい。

一変形例では、情報処理システム１００は、生産システム２００以外の種々のシステムのためのデータの生成にも適用可能である。例えば、情報処理システム１００は、認証システムのための学習済みモデルを、第１学習成果物Ｒ１として提供可能である。一変形例では、第１学習成果物Ｒ１は、第１データＤ１に対して認証又は識別の結果を出力する学習済みモデルであってよい。例としては、人物の認証、人物の識別、生物（犬、猫等の動物）の識別、物体（自動車等）の識別等種々あるが、以下では、人物の識別の場合について説明する。この場合、第１データＤ１は、人物の画像である。特定情報は、人物のプライバシーに関する情報であってよい。特定情報の一例としては、人物の顔の一部（目元、鼻、口元）が挙げられる。第１システム１０では、変換部１３１が第１データＤ１から、特定情報を含まない第２データＤ２を生成する。例えば、変換部１３１は、人物の顔の一部の画像を別の画像である代替情報に置き換えて第２データＤ２を生成してよい。そして、第１システム１０は、第２データＤ２を第２システム２０へ出力する。ここでは、第１システム１０は、複数の第１データＤ１を複数の第２データＤ２に変換して第２システム２０に出力する。そして、第２システム２０では、学習部２２１が第２データＤ２を用いて機械学習を実行して学習済みモデルを生成し、第２学習成果物Ｒ２として第１システム１０に出力する。ここでの機械学習としては、教師あり又は教師なしの深層学習が適宜利用され得る。第１システム１０は、第１データＤ１及び第２学習成果物Ｒ２から第１学習成果物Ｒ１を得る。第１システム１０は、第２学習成果物Ｒ２である学習済みモデルに対して第１データＤ１による機械学習を実行し、学習済みモデルを生成し、第１学習成果物Ｒ１として出力する。ここでの機械学習としては、第２システム２０と同様に、教師あり又は教師なしの深層学習が適宜利用され得る。このように、情報処理システム１００では、人物の識別のための学習済みモデルを、第１データＤ１の特定情報を第１システム１０から第２システム２０に渡すことなく、第１システム１０で生成することが可能である。なお、第２システム２０が第１システム１０に複数の学習済みモデルを学習成果物として含む第２学習成果物Ｒ２を提供する場合、生成部１３２は、複数の学習済みモデルから、第１学習成果物Ｒ１として用いる学習済みモデルを選択してよい。一例として、生成部１３２は、複数の学習済みモデルで第１データＤ１を用いた人物識別を実行し、評価が最も良い学習済みモデルを、第１学習成果物Ｒ１として採用する。

より具体的には、第１データＤ１は、人物識別用の複数の顔画像と、複数の顔画像の各々が誰の顔であるかを示す識別情報とを含む。顔画像の数は特に限定されないが、大量の顔画像を用いることが好ましい。第１システム１０は、第１データＤ１に含まれる顔画像のうち目の部分を黒く塗りつぶした画像と、各顔画像の識別情報とを含む第２データＤ２を生成し、第２システム２０に出力する。この場合、特定情報は、顔画像の目の部分の情報である。第２システム２０では、学習部２２１が第２データＤ２用いて機械学習を実行して人物識別用の学習モデルを生成し、第２学習成果物Ｒ２として第１システム１０に出力する。また、第１システム１０は、得られた第２学習成果物Ｒ２を学習済みモデルの初期値として、第１データＤ１を学習データとして機械学習を行い、機械学習によって更新された学習済みモデルを第１学習成果物Ｒ１として出力する。または、第１システム１０は、ユーザが特定の画像について、人物識別を要求した際には更新された学習済みモデルによって得られる識別結果を第１学習成果物Ｒ１として出力してよい。なお、第１システム１０は、第１データＤ１を第２データＤ２に変換するにあたって、顔画像のうち目の部分を黒く塗りつぶした画像の替わりに目の部分を共通の目の画像に置き換えた画像を用いても構わない。なお、第２学習成果物Ｒ２は、学習済みモデルではなく、ユーザが特定の画像について、人物識別を要求した際に、学習済みモデルから得られる人物識別の上位Ｎ個の候補を示す識別結果で合ってもよい。具体的には、Ｎ＝３の時、第２学習成果物Ｒ２は、Ｘさん、Ｙさん、Ｚさんを示す識別結果であってよい。生成部１３２は、上位Ｎ個の候補の中から、目の特徴量（つまり、特定情報から得られる特徴量）が人物識別を要求された画像と最も近い人物の識別情報を第１学習成果物Ｒ１として出力する。ここで目の特徴量とは、顔の幅に対する目の幅の割合や、目が鼻に近い位置にあるか遠い位置にあるかを示す情報などである。上記の例では、特定情報は、顔画像の目の部分であるが、これに限定されない。特定情報は、顔画像の特定部分であってよく、特定部分の例としては、目、鼻、口、耳、眉等、及び、これらの組み合わせが挙げられる。

一変形例では、情報処理システム１００は、複数の第１システム１０を備えていてよい。この場合、各第１システム１０において特定情報が保持され、第２システム２０に送信されることがない。したがって、複数の第１システム１０を異なるユーザが利用する場合でも、適切に情報の保護が図れ、第２システム２０には機械学習のために演算能力が高いコンピュータシステムを利用できる。また、個々の第１システム１０が異なる組織又は運営者によって運営されていて、かつ、個々の第１システム１０が保持する教師データが少ない場合にも、第２システム２０では複数の第１システムの第１データＤ１を集めて学習を行う事ができる。そのため、学習の性能を高める事ができる。

一変形例では、情報処理システム１００としては、患者の診断用画像（例えば、レントゲン画像、ＣＴ画像、ＭＲＩ画像、及び病理画像）と、その患者の識別情報（例えば、患者の年齢、及び人種等）とを含むカルテ情報から、患者の病名を識別するシステムが考えられる。罹患者数が極めて少ない疾患については、大量のカルテ情報の収集が困難である。また、カルテ情報に含まれる患者の年齢や人種の情報と、その患者の病名が分かると、該当者が少ない事より、そのカルテがどの患者のものかを特定されてしまう恐れがある。

より具体的には、情報処理システム１００は、カルテ情報から患者の病名を推定するシステムである。第１データＤ１はカルテ情報と、そのカルテ情報の患者の病名を示す識別情報からなる学習データである。第１システム１０は、第１データＤ１から患者のプライバシーの特定に関わる年齢、人種に関する情報を特定情報として除去した情報である第２データＤ２を生成し、第２システム２０に出力する。第２システム２０では、学習部２２１が第２データＤ２用いた病名識別用の学習モデルを生成し、第２学習成果物Ｒ２として第１システム１０に出力する。第１システム１０は、ユーザが指定したカルテ情報について、第２学習成果物Ｒ２として得た学習済みモデルから得られる病名の上位Ｎ個の候補を取得する。第１システム１０は、上記Ｎ個の候補を、ユーザが指定したカルテ情報の年齢の患者がかかりやすい順番に並び替えて第１学習成果物Ｒ１として出力する。これに代えて、又は加えて、第１システム１０は、上位Ｎ個の候補を、ユーザが指定したカルテ情報の人種の患者がかかりやすい順番に並び替えて第１学習成果物Ｒ１として出力してよい。なお、各年齢又は人種でかかりやすい病名の順番は予めデータベースとして保持される。

なお、第１システム１０は、第２学習成果物Ｒ２である学習済みモデルの入力層に患者の年齢及び患者の人種を含む識別情報を加えたネットワークを、第１データＤ１で学習させるシステムであっても構わない。一般に画像を入力として識別を行うディープラーニングには畳み込みニューラルネットワーク（ＣＮＮ）が用いられる。ＣＮＮは、畳み込み層及びプーリング層により入力画像から特徴マップを作成する第１パートと、全結合層により特徴マップから最終的な出力を得る第２パートとで構成されるネットワークである。本変形例では、第２システム２０は、第２学習成果物Ｒ２として、レントゲン画像を入力画像に用いてＣＮＮを利用した学習済みモデルを構成する。第１システム１０においては、第１データＤ１を用いて機械学習を行う際は、第２学習成果物Ｒ２を元に、第２学習成果物Ｒ２とは構造が異なるネットワークを構築し、機械学習を行う。生成部１３２は、第１学習成果物Ｒ１として、レントゲン画像に加えて、患者の年齢及び人種を示す識別情報も入力とするネットワークを構築する。生成部１３２で構築するネットワークも、第２学習成果物Ｒ２と同様にＣＮＮであり、第１パートと第２パートとで構成される。第１学習成果物Ｒ１の第１パートは、第２学習成果物Ｒ２の第１パートと同じである。一方、第１学習成果物Ｒ１の第２パートは、第１パートで得られる特徴マップに加えて、患者の年齢と患者の人種とを示す識別情報を入力として用いる。生成部１３２は、第１データＤ１を用いて機械学習を行い、第１学習成果物Ｒ１を生成する。

一変形例では、情報処理システム１００（第１システム１０及び第２システム２０）は、複数のコンピュータにより構成されていてもよい。例えば、情報処理システム１００の機能（特に、変換部１３１及び生成部１３２、並びに学習部２２１）は、複数の装置に分散されていてもよい。更に、第２システム２０の機能の少なくとも一部が、例えば、クラウド（クラウドコンピューティング）によって実現されていてもよい。ただし、第１システム１０については、情報の保護の観点から、クラウド（クラウドコンピューティング）を利用しないことが望ましい。

以上述べた情報処理システム１００（第１システム１０及び第２システム２０）の実行主体は、コンピュータシステムを含んでいる。コンピュータシステムは、ハードウェアとしてのプロセッサ及びメモリを有する。コンピュータシステムのメモリに記録されたプログラムをプロセッサが実行することによって、本開示における情報処理システム１００の実行主体としての機能が実現される。プログラムは、コンピュータシステムのメモリに予め記録されていてもよいが、電気通信回線を通じて提供されてもよい。また、プログラムは、コンピュータシステムで読み取り可能なメモリカード、光学ディスク、ハードディスクドライブ等の非一時的な記録媒体に記録されて提供されてもよい。コンピュータシステムのプロセッサは、半導体集積回路（ＩＣ）又は大規模集積回路（ＬＳＩ）を含む１乃至複数の電子回路で構成される。ＬＳＩの製造後にプログラムされる、フィールド・プログラマブル・ゲート・アレイ（ＦＧＰＡ）、ＡＳＩＣ（application specific integrated circuit）、又はＬＳＩ内部の接合関係の再構成又はＬＳＩ内部の回路区画のセットアップができる再構成可能な論理デバイスも同じ目的で使うことができる。複数の電子回路は、１つのチップに集約されていてもよいし、複数のチップに分散して設けられていてもよい。複数のチップは、１つの装置に集約されていてもよいし、複数の装置に分散して設けられていてもよい。

３．態様
上記実施形態及び変形例から明らかなように、本開示は、下記の態様を含む。以下では、実施形態との対応関係を明示するためだけに、符号を括弧付きで付している。

第１の態様は、特定情報を含む第１データ（Ｄ１）から第１学習成果物（Ｒ１）を生成するための情報処理システム（１００）であって、相互に通信可能な第１システム（１０）及び第２システム（２０）を備える。前記第１システム（１０）は、前記第１データ（Ｄ１）を、前記特定情報を含まない第２データ（Ｄ２）に変換して前記第２システム（２０）に出力する変換部（１３１）を有する。前記第２システムは、前記第１システム（１０）から受け取った前記第２データ（Ｄ２）を用いて機械学習を実行して第２学習成果物（Ｒ２）を生成して前記第１システム（１０）に出力する学習部（２２１）を有する。前記第１システム（１０）は、前記第１データ（Ｄ１）の少なくとも一部と、前記第２システム（２０）から受け取った前記第２学習成果物（Ｒ２）とに基づいて、前記第１学習成果物（Ｒ１）を得る生成部（１３２）を有する。この態様によれば、情報の保護を図りながら、情報の保護を図りながらも機械学習の学習効果を高めることができる。

第２の態様は、第１の態様の情報処理システム（１００）に基づく。第２の態様では、前記第２学習成果物（Ｒ２）は、前記第２データ（Ｄ２）を用いた機械学習により得られた学習済みモデルを含む。情報の保護を図りながらも機械学習の学習効果を高めることができる。

第３の態様は、第２の態様の情報処理システム（１００）に基づく。第３の態様では、前記生成部（１３２）は、前記第１データ（Ｄ１）と前記第２学習成果物（Ｒ２）に含まれる学習済みモデルとを用いた機械学習を実行する。この態様によれば、第２システム（２０）で生成された学習済みモデルを元に第１データ（Ｄ１）により適した学習済みモデルを生成できる。

第４の態様は、第１の態様の情報処理システム（１００）に基づく。第４の態様では、前記第２学習成果物（Ｒ２）は、前記第２データ（Ｄ２）を用いた機械学習により得られた、複数の学習成果物を含む。この態様によれば、情報の保護を図りながらも機械学習の学習効果を高めることができる。

第５の態様は、第４の態様の情報処理システム（１００）に基づく。第５の態様では、前記第１学習成果物（Ｒ１）は、前記第１データ（Ｄ１）を利用して得られた前記複数の学習成果物の評価の結果に基づいて、前記複数の学習成果物から選択される。この態様によれば、第１システム（１０）での処理負荷を軽減できる。

第６の態様は、第１～第５の態様のいずれか一つの情報処理システム（１００）に基づく。第６の態様では、前記第２データ（Ｄ２）は、前記特定情報の代替となる代替情報を含む。この態様によれば、第１データ（Ｄ１）の、第２学習成果物（Ｒ２）への適用が容易になる。

第７の態様は、第６の態様の情報処理システム（１００）に基づく。第７の態様では、前記代替情報は、前記特定情報と関連性がない情報である。この態様によれば、情報の更なる保護が図れる。

第８の態様は、第６の態様の情報処理システム（１００）に基づく。第８の態様では、前記代替情報は、前記特定情報に所定の処理を実行して得られた情報である。この態様によれば、情報の更なる保護が図れる。

第９の態様は、第１～第８の態様のいずれか一つの情報処理システム（１００）に基づく。第９の態様では、前記第１学習成果物（Ｒ１）は、前記第１データ（Ｄ１）の入力に対して特定の結果を得るための学習済みモデル、又は、前記第１データ（Ｄ１）に関連する処理の最適解である。この態様によれば、情報の保護を図りながらも機械学習の学習効果を高めることができる。

第１０の態様は、第１～第９の態様のいずれか一つの情報処理システム（１００）に基づく。第１０の態様では、前記第１データ（Ｄ１）は、基板（３１０）に複数の電子部品（３２０）が実装された実装基板（３００）の表すデータである。前記特定情報は、前記複数の電子部品（３２０）の種類に関する情報、前記複数の電子部品（３２０）の配置に関する情報、及び前記基板（３１０）の電路の配置に関する情報の少なくとも１つを含む。この態様によれば、実装基板（３００）の生産を最適化するためのデータを取得できる。

第１１の態様は、第１～第１０の態様のいずれか一つの情報処理システム（１００）に基づく。第１１の態様では、前記情報処理システム（１００）は、複数の前記第１システム（１０）を備える。情報の保護を図りながらも機械学習の学習効果を高めることができる。

第１２の態様は、コンピュータシステムであって、第１～第１１の態様のいずれか一つの情報処理システム（１００）の第１システム（１０）として機能する。この態様によれば、情報の保護を図りながらも機械学習の学習効果を高めることができる。

第１３の態様は、コンピュータシステムであって、第１～第１１の態様のいずれか一つの情報処理システム（１００）の第２システム（２０）として機能する。この態様によれば、情報の保護を図りながらも機械学習の学習効果を高めることができる。

第１４の態様は、特定情報を含む第１データ（Ｄ１）から第１学習成果物（Ｒ１）を生成するための情報処理方法である。前記情報処理方法は、前記第１データ（Ｄ１）を、前記特定情報を含まない第２データ（Ｄ２）に変換する。前記情報処理方法は、前記第２データ（Ｄ２）を用いて機械学習を実行して第２学習成果物（Ｒ２）を生成する。前記情報処理方法は、前記第１データ（Ｄ１）と前記第２学習成果物（Ｒ２）とに基づいて、前記第１学習成果物（Ｒ１）を得る。この態様によれば、情報の保護を図りながらも機械学習の学習効果を高めることができる。特に、第１４の態様では、前記情報処理方法は、前記第１データ（Ｄ１）を、第１システム（１０）によって、前記特定情報を含まない第２データ（Ｄ２）に変換する。前記情報処理方法は、前記第１システム（１０）とは別の第２システム（２０）によって、前記第２データ（Ｄ２）を用いて機械学習を実行して第２学習成果物（Ｒ２）を生成する。更に、前記情報処理方法は、前記第１システム（１０）によって、前記第１データ（Ｄ１）の少なくとも一部と前記第２学習成果物（Ｒ２）とに基づいて、前記第１学習成果物（Ｒ１）を得てよい。この態様によれば、情報の保護を図りながらも機械学習の学習効果を高めることができる。

第１５の態様は、１以上のプロセッサに、第１４の態様の情報処理方法を実行させるための、プログラムである。この態様によれば、情報の保護を図りながらも機械学習の学習効果を高めることができる。

１００ 情報処理システム
１０ 第１システム
１３１ 変換部
１３２ 生成部
２０ 第２システム
２２１ 学習部
３００ 実装基板
３１０ 基板
３２０ 電子部品
Ｄ１ 第１データ
Ｒ１ 第１学習成果物
Ｄ２ 第２データ
Ｒ２ 第２学習成果物

Claims (13)

1. 特定情報を含む第１データから第１学習成果物を生成するための情報処理システムであって、
   相互に通信可能な第１システム及び第２システムを備え、
   前記第１システムは、前記第１データを、前記特定情報を含まない第２データに変換して前記第２システムに出力する変換部を有し、
   前記第２システムは、前記第１システムから受け取った前記第２データを用いて機械学習を実行して第２学習成果物を生成して前記第１システムに出力する学習部を有し、
   前記第１システムは、前記第１データの少なくとも一部と、前記第２システムから受け取った前記第２学習成果物とに基づいて、前記第１学習成果物を得る生成部を有する、
   情報処理システム。
2. 前記第２学習成果物は、前記第２データを用いた機械学習により得られた学習済みモデルを含む、
   請求項１の情報処理システム。
3. 前記生成部は、前記第１データと前記第２学習成果物に含まれる学習済みモデルとを用いた機械学習を実行する、
   請求項２の情報処理システム。
4. 前記第２学習成果物は、前記第２データを用いた機械学習により得られた、複数の学習成果物を含む、
   請求項１の情報処理システム。
5. 前記第１学習成果物は、前記第１データを利用して得られた前記複数の学習成果物の評価の結果に基づいて、前記複数の学習成果物から選択される、
   請求項４の情報処理システム。
6. 前記第２データは、前記特定情報の代替となる代替情報を含む、
   請求項１～５のいずれか一つの情報処理システム。
7. 前記代替情報は、前記特定情報と関連性がない情報である、
   請求項６の情報処理システム。
8. 前記代替情報は、前記特定情報に所定の処理を実行して得られた情報である、
   請求項６の情報処理システム。
9. 前記第１学習成果物は、前記第１データの入力に対して特定の結果を得るための学習済みモデル、又は、前記第１データに関連する処理の最適解である、
   請求項１～８のいずれか一つの情報処理システム。
10. 前記第１データは、基板に複数の電子部品が実装された実装基板を表すデータであり、
    前記特定情報は、前記複数の電子部品の種類に関する情報、前記複数の電子部品の配置に関する情報、及び前記基板の電路の配置に関する情報の少なくとも１つを含む、
    請求項１～９のいずれか一つの情報処理システム。
11. 複数の前記第１システムを備える、
    請求項１～１０のいずれか一つの情報処理システム。
12. 特定情報を含む第１データから第１学習成果物を生成するための情報処理方法であって、
    １以上のプロセッサにおいて、前記第１データを、前記特定情報を含まない第２データに変換し、
    前記１以上のプロセッサにおいて、前記第２データを用いて機械学習を実行して第２学習成果物を生成し、
    前記１以上のプロセッサにおいて、前記第１データの少なくとも一部と前記第２学習成果物とに基づいて、前記第１学習成果物を得る、
    情報処理方法。
13. 前記１以上のプロセッサに、請求項１２の情報処理方法を実行させるための、
    プログラム。

Images