JP7315738B2 - 携帯通信システム向けサービス性能としてのマシーンラーニング最適化法 - Google Patents

Description

本発明は、概して、携帯通信ネットワークシステムに向けられ、より詳しくは、該システム内のマシーンラーニングモデルのアプリケーションに向けられる。

４Ｇを超える長期進化（ＬＴＥ）システム（例えば、５Ｇ並びにこれを越えるシステム）等の携帯通信システムは、そのユビキタスな接続性と電話会社ネットワークの末端においてスケーラブルなアプリケーションをサポートする能力により、数多くの産業上のモノのインターネット（ＩｏＴ）について急展開されている。これらのアプリケーションは、マシーンラーニング（ＭＬ）モデルにより賄われる必要がある。該システム内のワイヤレス携帯ネットワークの時間に応じて変化する性質により、これらのモデルに入力される被受信データの段階的な表現形式が予期せぬ形で変化する場合がある。

従来技術においては、被受信データの段階的表現形式における現象を活発に議論することなくＭＬモデルが展開されている。このような従来技術では、全ての段階的表現形式にロブストな単一モデルを訓練しようと試みているが、データの段階的な表現形式が異なるケースを考察するのが関の山である。

このモデル性能は、データの段階的表現形式の異なるグループについて異なったＭＬモデルを訓練し、次に、データの段階的表現形式に基づき、かつまた、アプリケーションのサービス品質（ＱｏＳ）に基づき、該モデルを実行するためのサービスプラットフォームリソース（仮想マシーン（ＶＭ）あるいはコンテナの演算及び記憶リソース等）を選択する。

以上により、課題を改善することが可能とされる。本明細書に記載の実施例は、上記の側面に焦点を当てている。

本実施例は、アプリケーション層内の信号レベル及び干渉情報を入手する機能の利用を介して、携帯通信システム内の被受信データの段階的表現形式に対処している。このような実施例は、携帯通信システム内に形成された機能を利用することで、４Ｇを超えるＬＴＥシステム等の該システム内で利用可能となる。

ＭＬモデルの訓練並びに操作についての実施例において、その各々について、携帯端末により有効化されるアプリケーションが割り当てられたランタイム環境（ＶＭあるいはコンテナ等）がある。該アプリケーションは、各々、幾つかのＭＬモデルオプションを含むことができ、このＭＬモデルオプションは、それぞれ、適当なデータの段階的表現形式レベル（例えば、第一モデルＡは、良好な品質の第一データセットＢに向いており、また、第二モデルＡ’は、品質の劣る第二データセットＢ’に向いている）と連関されている。実施例において、アプリケーションに割り当てられたサービス品質ＱｏＳレベル並びに該アプリケーションに含まれるＭＬモデルに連関づけられた段階的表現形式に基づき該アプリケーションを実行する各ランタイム環境についての演算・記憶リソースについては、各アプリケーション・モデルに割り当てられたリソースを利用して、別個に、該ＭＬモデル（Ａ及びＡ’）各々を訓練する構成とする。

該ＭＬモデル並びにアプリケーションの操作についての実施例において、現行データの段階的表現形式に基づき、該アプリケーションの各々について、該ＭＬモデルの一つが選択され、アプリケーションのＱｏＳ（同時に操作される必要のある全てのアプリケーションを考慮して）並びにデータの段階的表現形式に基づき、該アプリケーション実行のためのリソースを被選択ＭＬモデルに割り当て、かつ、該割り当てられたリソースを使用して、適宜、該アプリケーションを実行する。

本願開示の側面には方法を含み、該方法は、携帯ネットワークを介してデータが入手される一つ以上のランタイム環境に割り当てられたアプリケーションについて、複数から成るマシーンラーニングモデルの各々を訓練するステップであって、該アプリケーションについての該複数から成るマシーンラーニングモデルそれぞれの訓練が別個に実行され、該訓練ステップは、複数から成る被訓練マシーンラーニングモデルを形成するため、複数のデータセットにより選択された該複数から成るマシーンラーニングモデルそれぞれを訓練するステップを含み、該複数のデータセットは各々異なった段階的表現形式レベルと関連付けられるステップと；該複数から成る被訓練マシーンラーニングモデルの各々について、モデル遅延時間情報を出力するステップと；該アプリケーションに割り当てられたサービス品質（ＱｏＳ）並びに該複数から成るマシーンラーニングモデルそれぞれと関連付けられた該モデル遅延時間情報に基づき、該一つ以上のランタイム環境にリソースを割り当てるステップと；該複数から成る被訓練マシーンラーニングモデル各々並びに該関連づけられた段階的表現形式レベルをモデルカタログ内に記憶するステップとから成り、該データの段階的表現形式レベルは、該アプリケーション層内で入手された信号レベルと干渉情報に基づき算定されることを特徴とする。

本願開示の側面にはコンピュータプログラムを含み、該プログラムは、携帯ネットワークを介してデータが入手される一つ以上のランタイム環境に割り当てられたアプリケーションについて、複数から成るマシーンラーニングモデルの各々を訓練する指令であって、該アプリケーションについての該複数から成るマシーンラーニングモデルそれぞれの訓練が別個に実行され、該訓練指令は、複数から成る被訓練マシーンラーニングモデルを形成するため、複数のデータセットにより選択された該複数から成るマシーンラーニングモデルそれぞれを訓練する指令を含み、該複数のデータセットは各々異なった段階的表現形式レベルと関連付けられる指令と；該複数から成る被訓練マシーンラーニングモデルの各々について、モデル遅延時間情報を出力する指令と；該アプリケーションに割り当てられたサービス品質（ＱｏＳ）並びに該複数から成るマシーンラーニングモデルそれぞれと関連付けられた該モデル遅延時間情報に基づき、該一つ以上のランタイム環境にリソースを割り当てる指令と；該複数から成る被訓練マシーンラーニングモデル各々並びに該関連づけられた段階的表現形式レベルをモデルカタログ内に記憶する指令とから成り、該データの段階的表現形式レベルは、該アプリケーション層内で入手された信号レベルと干渉情報に基づき算定されることを特徴とする。該コンピュータプログラムは、非一過性コンピュータ読み出し可能な媒体内に記憶でき、また、一つ以上のプロセッサーにより実行可能である。

本願開示の側面にはシステムを含み、該システムは、携帯ネットワークを介してデータが入手される一つ以上のランタイム環境に割り当てられたアプリケーションについて、複数から成るマシーンラーニングモデルの各々を訓練する手段であって、該アプリケーションについての該複数から成るマシーンラーニングモデルそれぞれの訓練が別個に実行され、該訓練手段は、複数から成る被訓練マシーンラーニングモデルを形成するため、複数のデータセットにより選択された該複数から成るマシーンラーニングモデルそれぞれを訓練する手段を含み、該複数のデータセットは各々異なった段階的表現形式レベルと関連付けられる手段と；該複数から成る被訓練マシーンラーニングモデルの各々について、モデル遅延時間情報を出力する手段と；該アプリケーションに割り当てられたサービス品質（ＱｏＳ）並びに該複数から成るマシーンラーニングモデルそれぞれと関連付けられた該モデル遅延時間情報に基づき、該一つ以上のランタイム環境にリソースを割り当てる手段と；該複数から成る被訓練マシーンラーニングモデル各々並びに該関連づけられた段階的表現形式レベルをモデルカタログ内に記憶する手段とから成り、該データの段階的表現形式レベルは、該アプリケーション層内で入手された信号レベルと干渉情報に基づき算定されることを特徴とする。

本願開示の側面には装置を含み、該装置は、複数から成る被訓練マシーンラーニングモデルを形成するため、複数のデータセットにより選択された複数から成るマシーンラーニングモデルそれぞれを訓練するに当たって、該複数のデータセットは各々異なった段階的表現形式レベルと関連付けられることによって；該複数から成る被訓練マシーンラーニングモデルの各々について、モデル遅延時間情報を出力することによって；該アプリケーションに割り当てられたサービス品質（ＱｏＳ）並びに該複数から成るマシーンラーニングモデルそれぞれと関連付けられた該モデル遅延時間情報に基づき、該一つ以上のランタイム環境にリソースを割り当てることによって；該複数から成る被訓練マシーンラーニングモデル各々並びに該関連づけられた段階的表現形式レベルをモデルカタログ内に記憶することにより、携帯ネットワークを介してデータが入手される一つ以上のランタイム環境に割り当てられたアプリケーションについて、該複数から成るマシーンラーニングモデルの各々を訓練するに当たって、該アプリケーションについての該複数から成るマシーンラーニングモデルそれぞれの訓練が別個に実行される構成のプロセッサーを有し、該データの段階的表現形式レベルは、該アプリケーション層内で入手された信号レベルと干渉情報に基づき算定されることを特徴とする。

図１は、実施例に基づくスマートファクトリー等の携帯端末により有効化される産業上のＩｏＴアプリケーションシステムの一例を示す。

図２は、実施例に基づく携帯サービス層についてのアーキテクチャー例を示す。

図３は、実施例に基づく携帯サービス層向けサービス性能としてのＭＬモデルアーキテクチャー例を示す。

図４は、実施例に基づくアプリケーションのＱｏＳ情報の一例を示す。

図５は、実施例に基づく訓練サブシステムの一例を示す。

図６は、実施例に基づくデータの段階的表現形式仕切りモジュールの一例を示す。

図７は、実施例に基づくデータの段階的表現形式仕切りモジュールの第一ステップ例を示す。

図８は、実施例に基づくデータの段階的表現形式仕切りモジュールの第二ステップ例を示す

図９は、実施例に基づくデータの段階的表現形式仕切りモジュールの第三ステップ例を示す。

図１０は、実施例に基づく異なった「精度、遅延時間」特性を持った各種モデルアルゴリズムの一例を示す。

図１１は、実施例に基づく最終ＭＬモデルセクションモジュールの出力例を示す。

図１２は、実施例に基づくＭＬモデルランタイムリソース決定モジュールの動作を示す。

図１３は、実施例に基づくＭＬカタログデータベースの一例を示す。

図１４は、実施例に基づく操作・テストタイムの間、実行される操作・テストサブシステムの詳細を示す。

図１５は、実施例に基づくＭＬモデル及びランタイムリソース選択モジュールのフローチャート例を示す。

図１６は、幾つかの実施例のための利用に適した演算装置例による演算環境例を示す。

以下の詳細な説明は、本願の図面並びに実施形態の詳細を提供するものである。添付図面間の冗長な構成要素となる符号及び説明は省略される。以下の説明に亘って使用される用語は、例示としてのみ提示され、限定的な意味にとられてはならない。例えば、用語「自動」の使用は、本願の実施例を実施する当業者の所望の実施態様により、完全自動あるいは実施態様の一定側面に亘ってユーザー若しくは管理者を含めた半自動の意味合いを含んでよい。選択は、ユーザーインターフェースあるいはその他の入力手段を介してユーザーにより実行可能であり、若しくは、所望のアルゴリズムを介して実行可能である。本明細書に記載の実施形態は、それぞれ単独であるいは組合わせて利用可能であり、また、実施形態の機能面は、所望の実施態様に応じた任意の手段を介して実行可能である。

図１は、実施例に基づくスマートファクトリー等の携帯端末により有効化される産業上のＩｏＴアプリケーションシステムの一例を示す。ファクトリーショップフロア１０１は、マシーンであってよい複数の資産１０１ａ～１０１ｅ、労働者を含む作業セルとしてのアセンブリーラインを含んでよい。これら資産及びアセンブリーラインは、携帯端末により有効化されカメラ１０１ｆ～１０１ｈにより絶えず監視されている。これらのカメラにより撮像されたデータは、ワイヤレス携帯ネットワーク１０２を介して、フィールド（例えば、ファクトリー内のデータセンター）内に局在する携帯モバイルエッジコンピューティング（ＭＥＣ）サーバー１０３にストリーミングされる。該ＭＥＣサーバー１０３は、該カメラ１０１ｆ～１０１ｈと該ＭＥＣ１０３との間のワイヤレスＩＰレベルデータ接続性を取り扱う接続性層１０３１並びに該データに基づきＭＬアプリケーションを構築するサービス層１０３２を含んでよい。接続性層１０３１からサービス層１０３２に取り交わされる情報１を符号１０５で示し、また、該情報は、該ＩＰレベルデータ並びに接続性層状態に関する情報等のメタデータも含む。終端アプリケーション１０４は、ネットワーク接続１０６を介して、該ＭＥＣ１０３に通信可能に接続されている。

ワイヤレス携帯ネットワーク１０２の動的接続性状態により、幾つかの問題が発生し得る。該サービス層内の被受信データの段階的表現形式が、時間がたつにつれてランダムに変動する。例えば、被受信イメージがぼやけたり、セグメントが欠如したりあるいはノイズが入ったりする場合があり、これらは全て、段階的表現形式を低下せしめる。被受信データの段階的表現形式が、被送信データよりもはるかに見劣りする場合がある。このため、アプリケーションの遅延時間全体がランダムに増加する場合がある。このような問題に対処するため、以下の解決手段を提案する。

図２は、実施例に基づく携帯サービス層についてのアーキテクチャー例を示す。図１に該サービス層１０３２の詳細を示す。該サービス層１０３２は、幾つかのＭＬマイクロサービス２０３が、ＭＬモデルオーケストレーター２０２の介助により実行されるハードウェアリソース（演算・記憶）オーケストレーター２０１を含んでよい。これらのマイクロサービスは、各ＭＬモデルについての専用ランタイム環境（ＶＭ／コンテナ）であり、また、そのＭＬモデルアルゴリズム２０６が実行される割り当てられた演算リソース２０５を含んでよく、また、その関連データは、割り当てられた記憶リソース２０４内に記憶される。

図３は、実施例に基づく携帯サービス層向けサービス性能としてのＭＬモデルアーキテクチャー例を示す。該アーキテクチャーは、次の構成要素を含んでよい。データ取込モジュール３０１は、該接続成層１０５からデータを取り込み、かつ、ＭＬモデルが訓練可能となるように、適当な態様において、該データを事前処理する構成とする。該事前処理操作の一例としては、データフィルタリング、データ正規化、データ変換並びに該ＭＬモデル内に確立されるその他の標準的手法であってよい。

携帯無線情報モジュール３０２は、該携帯接続性層により提供される複数のＡＰＩと相互作用し、該ワイヤレス携帯ネットワークのリアルタイムな無線レベル状態を入手する構成としてよい。無線レベル状態情報のタイプは、二つあってよい。第一タイプは、該被受信信号が、該MEC１０３に到達した時、サンプルカメラ（例えば、１０１ｆ）からの該被受信信号の強さがどれくらいかに関する。これを、信号強度「Ｓ」と呼ぶ。第二タイプは、１０１ｆの該被受信信号に対して、他の全てのカメラ（本例では、１０１ｇ、１０１ｈ）により、どの程度の無線レベル干渉が生じたかである。これを、干渉Ｉと呼ぶ。これらの測定基準は双方ともに、該被受信データの段階的表現形式を確定し、延いては、利用される選択を確定するために利用されてよい。

訓練サブシステム３０３は、データ取込モジュール３０１からデータ３０６を取り込む構成とし、また、携帯無線情報モジュール３０２からの携帯無線情報３０７に基づき、複数のＭＬモデルを訓練する。該訓練サブシステム３０３は、また、該携帯無線情報モジュール３０２からの該携帯無線情報３０７及び信号１０６を介した該アプリケーションの該ＱｏＳ要件に基づき、該モデルを実行する該ランタイム環境（ＶＭあるいはコンテナ等）に演算・記憶リソースを割り当てる。

モデルカタログ３０５は、訓練サブシステム３０３からの該ＭＬモデル及び該モデルのランタイム環境の関連リソースを記憶する構成とする。

操作サブシステム３０４は、データ取込モジュール３０１から該データ３０６を取り込み、携帯無線情報モジュール３０２からの携帯無線情報３０７及び信号１０６を介した該アプリケーションの該ＱｏＳ要件に基づき、該モデルカタログ３０５から単一の被訓練モデル及びその関連するランタイム環境を選択し、操作・テストを実行する構成とする。

図４は、実施例に基づくアプリケーションのＱｏＳ情報１０６の一例を示す。該アプリケーションのＱｏＳ情報１０６は、幾つかの被定義ＱｏＳクラスを含んでよい。各クラスは、所望の実施態様に応じた最低限の精度と最大限の遅延時間と関連付けられる。

精度に関しては、精度を捕捉するための幾つかの測定基準があってよく、また、その正確な手法は、所望のアプリケーションに依拠する必要がある。例えば、該アプリケーションが、入力イメージ（労働者、マシーン、アセンブリーライン）に基づき、複数の物体を分類している場合、該アルゴリズムが、全てのラベルを平均して分類する際に、精度はどの程度かを測定するｍＡＰ（平均精度の平均）を考慮に入れることができる。例えば、任意の所望の実施態様による該アルゴリズムの評価が、該アルゴリズムによる１００万回の演算後、９５％の精度で火災を検知可能であることが確定した場合、該アルゴリズムが検知するように訓練されたその他の物体の検知のため、そのような値を該ｍＡＰにおいて使用する。精度のためのその他の測定基準を、所望の実施態様（例えば、各種物体に適用される精度スコアの異なった重みづけ、精度百分率のパーセンテージによる標準偏差等）に応じて利用可能であり、また、本願開示はこれに限定されない。

どのような測定基準が選択されても、精度（該語彙の広義の意味において）は、被受信データの品質と段階的表現形式及び該ＭＬモデルの精度性能に依拠する。該被受信データの品質と段階的表現形式に関しては、データの量が多いほど、また、データの質が良好なほど、精度がより高まる結果となる。この点が、携帯チャンネルの無線状態が問題を引き起こし得るところである。該ＭＬモデル（所与のデータ品質について）の精度性能に関して、精度は、データの所与の段階的表現形式について測定される（例えば、データの所与の段階的表現形式について、モデルが９５％の精度で火災を検知する）。従って、データの各段階的表現形式レベルは、精度の各種レベルを生ぜしめ、また、必要とされる精度は、所望の実施態様に応じた現在のデータの段階的表現形式レベルに依拠して調整することもできる。

遅延時間は、事象発生後に、該アルゴリズムが検知を行うために掛かった時間を表している。遅延時間は、該ＭＬモデルの遅延時間性能に依拠し（例えば、モデルは、１００回の反復処理後、９５％の精度で火災を検出する）、ＭＬ事象（操作・テスト等）毎に、ＦＬＯＰ（浮動小数点演算）に関して測定可能である。例えば、モデルAは、１００万回のＦＬＯＰ後、９５％の精度で火災を検出するが、モデルBは、２００万回のＦＬＯＰ後、９９％の精度で火災を検出する。

演算・記憶リソースを利用して、浮動小数点演算をどの程度素早く実行可能かを確定する該ＭＬマイクロサービスを実行することができる。例えば、モデルBが選択される場合、ランタイムの間、各ＦＬＯＰがより高速に実行されるように、より多くのリソースが、該モデルに割り当て可能となり、また、モデル双方の遅延時間全体が、時間単位で比較可能となる。このことは、該終端アプリケーション要件が、ＦＬＯＰではなく、時間単位で記述されることから、重要な点となり得る。

実施例において、上述した遅延時間測定基準は、主として、操作・テスト遅延時間であるが、本願開示はこれに限定されず、所望の実施態様に応じて、その他の遅延時間測定基準を使用してもよい。

図５は、実施例に基づく訓練サブシステム３０３の一例を示す。該実施例は、以下のモジュールを含む。

データの段階的表現形式仕切りモジュール４０１は、被受信イメージの被受信段階的表現形式の推定に基づきデータをグループ化する。この推定は、該携帯無線状態に依拠し、このため、該ＭＥＣでは必ずしも正確には存知されない推定である。実施例は、図６に基づき説明される技法を介してこのような課題に対処しており、該仕切りモジュールのステップ例を図７～９に例示する。

初期ＭＬモデルアルゴリズム選択モジュール４０２は、該アプリケーション要件を充足する「精度、遅延時間」特性を有すると信ずる幾つかのＭＬモデルアルゴリズムを選択する。この信念は、先行知得（図１１において詳しく説明）に基づき、また、実際のデータセットのモジュール４０１に由来した異なるデータグループについて、その性能が演算される時点で、モジュール４０４においてアップデートされる。

ＭＬモデル訓練及び有効化モジュール４０３は、モジュール４０２において選択された初期のモデルセットを取り込み、モジュール４０１から入手されたデータ上で実行させる。ここで、ノード４０２において選択されたＭＬモデルアルゴリズムの実際の「精度、遅延時間」値が入手可能となり、本明細書に詳述した通りである。

最終ＭＬモデル選択モジュール４０４は、信号１０６を介して、該アプリケーションの該ＱｏＳ要件を取り込み、どのＭＬアルゴリズムが、該アプリケーションの精度仕様を充足していないかを確定し、かつ、このようなアプリケーションをモジュール４０２において選択された初期のアルゴリズムセットから排除する。ＭＬモデル訓練及び有効化モジュール４０３の出力例を図１１に例示し、アルゴリズムのモデル精度情報とモデル遅延時間情報を提供するものである。該信号１０６に基づき、該アプリケーションの必要とされるモデル精度及び必要とされるモデル遅延時間が入手可能となる。該アルゴリズムのモデル精度が、該必要とされるモデル精度よりも劣る場合、該アルゴリズムはモジュール４０４により排除され得る。

ＭＬモデルランタイムリソース決定モジュール４０５は、該アプリケーションレベル遅延時間要件を充足すべく、モジュール４０４からのモデルを実行するランタイム環境への演算・記憶リソースの割り当て方を決定する。なお、これらのリソースは、該操作・テストプロセスについて割り当てられ、訓練について割り当てられるものではない（該モジュールは、現時点において、該訓練サブシステムにあったとしても）ことに留意されたい。これは、アプリケーションのＱｏＳ遅延時間が、該操作・テストフェーズについてのみ向けられるためであり、リソースは、これに応じて割り当てられる必要がある。

図６は、実施例に基づくデータの段階的表現形式仕切りモジュール４０１の一例を示す。第一ステップ４０１ａとして、実施例は、カメラからの該無線信号の被受信信号レベル「Ｓ」及びその他の全てのカメラからの干渉「Ｉ」を確認する。なお、この情報は、ＭＥＣのアプリケーションレベルで入手可能であることに留意されたい（例えば、５Ｇ等の規格により提供されるキーフィーチャーとして）。信号並びに干渉情報は、任意の携帯システムデザインにとって重要であるが、従前において、このような情報は、該接続性モジュール内に閉じ込められ、該サービス層に利用可能となることはなかった。この情報を利用して、本実施例は、所定の時間間隔に亘ってデータを収集し、該時間間隔の間、観察されたＳ及びＩの組み合わせに基づき、初期グループ化を実行する。一例を図７に例示する。

第二ステップ４０１ｂとして、実施例は、以下の等式に示されるように、「Ｓ」及び「Ｉ」から被受信データの下式で示す段階的表現形式を推定可能となる。

ここで、Ｎは、本実施例が、本明細書に記載の手法に基づき、該ＭＬモデルがどの程度良好に実行されたかの過去の履歴に基づいて学習可能な定数である。実施例は、入力時に、上記の等式により生成された値を取り、また、出力として離散レベル（本明細書においては、データの段階的表現形式レベルと呼ぶ）を生成する関数を適用する。該演算の結果例を図８に例示する。図８に例示される通り、幾つかの異なる「Ｓ」と「Ｉ」の組み合わせは、同じデータの段階的表現形式レベルを導出可能で、要は、肝心なのがその比率であるから、直感的に見て健全といえる。

第三ステップ４０１ｃとして、実施例は、同じデータの段階的表現形式に属するデータをグループ化するように、データの第二グループ化を実行する。図７及び８の例示に基づき、該グループ化は、図９に例示されるように作出可能である。

該初期ＭＬモデルアルゴリズム選択モジュール４０２は、従来技術の任意の実施態様に基づき、アルゴリズムを選択する。各データの段階的表現形式について、該モジュールは、別個のモデルグループを考慮に入れ、また、各モデルグループは、複数のモデルアルゴリズムを含む。各種段階的表現形式について異なるモデルグループを持たせる（即ち、所与の段階的表現形式について一つ以上のモデル）主たる理由は、モデルについての精度性能は、データの段階的表現形式に依拠するため、各種段階的表現形式について異なったＭＬアルゴリズムを訓練するオプションの方が、被固定モデルを訓練するよりも良好であるからである。これほど多くのオプションを考慮に入れる理由は、該操作サブシステム３０４に関して、本明細書において説明するが、基本的な考え方は、該操作・テスト演算フェーズの間、一のモデルに割り当てられるリソースは、それ自体のアプリケーションのみならず、同時に予定に入れられる必要のあるその他のアプロケーション全てに依拠する必要がある点にある。このようなシナリオでは、（所与の段階的表現形式について）選択可能なモデルの大き目の蓄えを持つことで、操作サブシステム３０４の演算を最適化する際に有益となる。

一のグループ内に複数のモデルを入手するため、実施例は、異なったＭＬモデルアルゴリズムを選択するかあるいはハイパーパラメータの選択の異なった同じＭＬモデルアルゴリズムを有してもよい。これは、モデルのハイパーパラメータの選択を異ならせることで（例えば、隠れ層の数、隠れ層毎のノード数等）、特定のＭＬモデルアルゴリズムの精度・段階的表現形式の相殺が可能となるからである。図１０は、実施例に基づく、異なる「精度、遅延時間」特性を持った各種モデルアルゴリズムの一例を示す。例えば、該アプリケーションが、イメージ認識と分類である場合、モデルアルゴリズムＡは、ＹＯＬＯを含み、アルゴリズムＢはＲ－ＦＣＮ、また、アルゴリズムＣはＲｅｔｉｎａｎｅｔであってよい。これにより、各アルゴリズム内で、遅延時間と精度との間の相殺が行われてよい。なお、同図は一例であり、前述したアルゴリズムの何れかについて実際の性能を表出するものではないことに留意されたい。

該ＭＬモデル訓練及び有効化モジュール４０３内では、モジュール４０２において選択されたＭＬモデルの初期セットが訓練され、かつ、モジュール４０１からの実際のデータグループについて有効化される。

該最終ＭＬモデル選択モジュール４０４は、モジュール４０３から入力されたモデル評価、該アプリケーション精度要件を取り込み、また、該要件を充足するＭＬアルゴリズムのみを選択する。該モジュールの出力を図１１に例示し、該最終ＭＬモデル選択モジュールの出力例を表形式で例示している。該表内の情報は、該データソース（カメラＩＤ）、アプリケーションのＱｏＳ情報、各種ＭＬアルゴリズム５０１、５０２、５０３及び５０４等を含んでよい。各ＭＬアルゴリズム情報について、以下の情報が更に記憶される。

アルゴリズムＩＤ及びアルゴリズムタイプ：アルゴリズムタイプの例としては、ＹＯＬＯ、Ｒ－ＦＣＮ、Ｒｅｔｉｎａｎｅｔ等であってよい。

隠れ層、隠れ層毎のノード等を含むアルゴリズムハイパーパラメータ。

ハイパーパラメータ並びにデータの段階的表現形式の所与の選択についてのアルゴリズム精度。

ハイパーパラメータ並びにデータの段階的表現形式の所与の選択についてのアルゴリズム遅延時間（即ち、ＭＬモデル遅延時間情報）。

図１２は、実施例に基づくＭＬモデルランタイムリソース決定モジュール４０５の動作を示す。第一ステップ４０５ａとして、実施例は、信号１０６から、（時間単位につていの）該アプリケーションレベルＱｏＳ遅延時間情報（以降「Ｌ１」と称呼）を入手する。第二ステップ４０５ｂとして、実施例は、モジュール４０４から、（ＦＬＯＰ単位についての）該ＭＬモデル遅延時間情報（以降「Ｆ」と称呼）を入手する。第三ステップ４０５ｃとして、実施例は、ステップ４０５ａにおいて入手された値と等しいかあるいはこれよりも短く、以降、「Ｌ２」と称呼される所望のサービス遅延時間（即ち、操作・テストの間、ＭＬアルゴリズムにランタイム環境が割り当てられる時点での遅延時間）を確定する。第四ステップ４０５ｄとして、実施例は、該サービス遅延時間が充足されるように、該ランタイム環境の演算・記憶リソース「Ｒ」を選択する。これは、以下の式２、式３の通り実行される。

Ｒは、一つのＦＬＯＰを実行するのにかかった時間であり、ステップ４０５ｄは、この値を充足するリソースを選択する必要がある。所望の実施態様に依拠して、所望の実施態様に応じた所望の任意関数に従い、Ｒを利用可能なメモリー及び演算リソースと連関させてもよい。

モジュール４０５の結果は、ＭＬカタログデータベース３０５内に記憶される。該データベースの一例を図１３に例示する。該モジュールは、６０１、６０２、６０３及び６０４で例示される各ＭＬモデルアルゴリズムについてランタイムの間割り当てられる必要のあるリソースについての追加情報を含んだ該最終ＭＬモデルアルゴリズム決定モジュール４０４に類似している。さらに、ここで、該情報のため、該遅延時間は、ＦＬＯＰではなく、実際の時間単位で表示される。

図１４は、実施例に基づく操作・テストタイムの間、実行される操作・テストサブシステム３０４の詳細を示す。該システムは、以下のモジュールを有する。

ＭＬモデル及びランタイム選択モジュール７０１は、入力時に、該モデルカタログ３０５内に記憶された全てのモデルを取り込み、かつ、操作・テストの間、何れのモデルを利用するかを決定する。該操作・テスト決定については、該データ、無線状態及びアプリケーションのＱｏＳを考慮に入れることができる。該ステップの重要な革新的な点は、全てのアプリケーションに亘る合同最適化が、所定の時間間隔内で同時に実行されることにある。各アプリケーションのランタイム環境に演算・記憶リソースを割り当てる必要があるが、該ＭＥＣ内の全リソースは有限であるため、ここで、難問が立ちはだかる。したがって、該リソースが不十分である場合、各アプリケーションについて「最良の」ＭＬモデル（例えば、最小の遅延時間と最高の精度）を割り当てることはあり得ないことになる。

訓練フェーズ３０３の間は、訓練がオフラインで、したがって、同時に訓練される必要のあるＭＬモデルの概念がないため、このような状況は発生しない。訓練については、既存のリソース割り当て並びにＭＥＣのオーケストレーション手法で十分である。

図１５は、実施例に基づく該ＭＬモデル及びランタイムリソース選択モジュール７０１のフローチャート例を示す。該合同最適化の詳細を図１５に例示する。

第一ステップ７０１ａとして、本実施例は、現在の時間間隔内で、操作される必要のある全てのアプリケーションのリストを確定する。該アプリケーションはＮ個あるとし、このアプリケーションにｉ＝１，…，Ｎと番号を振る。また、ここでは、操作・テストについて議論しているため、該時間間隔は、数秒若しくは数分程度の短い間隔である。

第二ステップ７０１ｂとして、各アプリケーションｉについて、実施例は、該所定の時間間隔の間に、該アプリケーションｉにより受信されたデータの該ＱｏＳレベルｑｉ、該データの段階的表現形式レベルｆｉを入手する。現行ランタイム環境の該段階的表現形式レベルｆｉは被受信情報の該信号レベル及び干渉情報を利用することで算定可能である。該データの段階的表現形式レベルｆｉについては、本実施例は、カタログ３０５から対応するＭＬモデルを選択する。アプリケーションｉについて、ＭＬモデルのセットをＭｉとしよう。モデルＭｉセット内への記入項目としては、ｍｉで表し、モデルｍｉの精度値及び遅延時間値については、ａｃｃ（ｍｉ）及びｌａｔ（ｍｉ）で表そう。

第三ステップ７０１ｃとして、実施例は、各アプリケーションｉについて、ＭＬモデルの最適な割当を入手すべく、最適化問題を定式化する。この式は、次の式４～式６のように表される。

ここで、ｆ（ｑｉ）は、ｑｉの任意の連続増加関数である。

第四ステップ７０１ｄとして、実施例は、最適モデルｍｉを入手すべく、該最適化問題を解く。

ＭＬモデル操作モジュール７０２は、ステップ７０１dから選択されたＭＬモデルが、ステップ７０１ｄでも選択された該リソースを利用して、実行されるモジュールである。

該データが、ワイヤレス携帯チャンネルを介して送信されるとＭＬモデルの性能が劣化する。本実施例は、該規格により提供された各種機能を利用して、この課題を克服する解決手段を上梓し、かつ、該性能を向上せしめる。

図１６は、幾つかの実施例のための利用に適した図１に例示されるＭＥＣサーバーあるいは装置１０３等の演算装置例による演算環境例を示す。

演算環境１６００内の演算装置１６０５は、一つ以上の処理ユニット、コア若しくはプロセッサー１６１０、メモリー１６１５（例えば、ＲＡＭ、ＲＯＭ及び／又は類似のメモリー）、内部記憶装置１６２０（例えば、磁気的記憶装置、光学的記憶装置、固体記憶装置及び／又は有機メモリー）及び／又はＩ／Ｏインターフェース１６２５を含んでよく、その何れも情報通信のための通信機構あるいはバス１６３０に接続若しくは該演算装置１６０５内に埋め込み可能である。Ｉ／Ｏインターフェース１６２５は、また、所望の実施態様に応じて、カメラからのイメージを受信しあるいはイメージをプロジェクター若しくはディスプレーに提供する構成とする。

演算装置１６０５は、入力・ユーザーインターフェース１６３５及び出力装置・インターフェース１６４０に通信可能に接続されてよい。入力・ユーザーインターフェース１６３５及び出力装置・インターフェース１６４０の何れか一方あるいは双方ともに、有線あるいは無線インターフェースであってよく、また、取り外し可能であってよい。入力・ユーザーインターフェース１６３５は、入力を提供するために利用可能な物理的あるいは仮想的を問わず任意の装置、構成部品、センサーあるいはインターフェースを含んでよい（例えば、ボタン、タッチスクリーンインターフェース、キーボード、ポインター・カーソル制御、マイクロフォン、カメラ、点字、モーションセンサー、光学リーダー及び／又は類似の装置、構成部品、センサー、インターフェース）。出力装置・インターフェース１６４０は、ディスプレー、テレビ、モニター、プリンター、スピーカー、点字あるいは類似の機器を含んでよい。幾つかの実施例において、入力・ユーザーインターフェース１６３５及び出力装置・インターフェース１６４０は、該演算装置１６０５と共に埋め込まれるかあるいは該装置に物理的に接続されてもよい。その他の実施例においては、その他の演算装置が、演算装置１６０５向けの入力・ユーザーインターフェース１６３５及び出力装置・インターフェース１６４０として機能しあるいは、それらの機能を提供してもよい。

演算装置１６０５の例としては、高度移動装置（例えば、スマートフォン、車両並びにその他の機械内装置、人及び動物が携行する装置及び類似の装置）、移動装置（例えば、タブレット、ノートブック、ラップトップ、パソコン、携帯テレビ、ラジオ及び類似の装置）並びに移動を意図しない装置（例えば、デスクトップコンピュータ、その他のコンピュータ、情報キオスク、埋め込まれたあるいは接続された一つ以上のプロセッサーを有するテレビ、ラジオ及び類似の装置）を含むが、これに限定される訳ではない。

演算装置１６０５は、（例えば、Ｉ／Ｏインターフェース１６２５を介して）同じ型あるいは違う型の一つ以上の演算装置を含む任意数のネットワーク下の構成部品、装置及びシステムと通信するため、外部記憶装置１６４５及びネットワーク１６５０に通信可能に接続されてよい。演算装置１６０５あるいは任意の被接続演算装置は、サーバー、クライアントサーバー、シンサーバー、汎用機械、特殊用途機械として機能してよく、それらの役務を提供し、サーバー、クライアントサーバー、シンサーバー、汎用機械、特殊用途機械あるいは別の名称で呼ばれてよい。

Ｉ／Ｏインターフェース１６２５は、演算環境１６００内の少なくとも全ての被接続構成部品、装置及びネットワークとの情報をやり取りするため、任意の通信規格あるいはＩ／Ｏプロトコール若しくは規格（例えば、エサーネット、８０２．１１ｘ、ユニバーサル・システム・バス、ＷｉＭａｘ、モデム、携帯ネットワークプロトコール及び類似のプロトコール、規格）を利用した有線及び／又は無線インターフェースを含むが、これに限定されるわけではない。ネットワーク１６５０は、任意のネットワークあるいはネットワークのコンビネーションであってよい（例えば、インターネット、ローカル・エリア・ネットワーク、ワイド・エリア・ネットワーク、電話網、携帯ネットワーク、サテライトネットワーク及び類似のネットワーク）。

演算装置１６０５は、一過性媒体及び非一過性媒体を含むコンピュータにより利用可能な若しくはコンピュータにより読み出し可能な媒体を利用でき及び／又はこれらを利用して通信可能である。一過性媒体は、送信媒体（例えば、金属ケーブル、光ファイバー）、信号、搬送波及び類似の媒体を含む。一過性媒体は、磁気媒体（例えば、ディスク及びテープ）、光学媒体（例えば、ＣＤＲＯＭ、デジタルビデオディスク、ブルーレイディスク）、固体媒体（例えば、ＲＡＭ、ＲＯＭ、フラッシュメモリー、固体メモリー）及びその他の不揮発性記憶装置あるいはメモリーを含む。

演算装置１６０５は、これを利用して、幾つかの演算環境例において、手法、方法、アプリケーション、プロセスあるいはコンピュータにより実行可能な指令を実行可能である。コンピュータにより実行可能な指令は、一過性媒体から読み出することができ、また、非一過性媒体に記憶され、かつ、非一過性媒体から読み出される。該実行可能な指令は、一つ以上の任意のプログラミング、スクリプト及びマシーン言語（例えば、Ｃ、Ｃ＋＋、Ｃ＃、Ｊａｖａ、ＶｉｓｕａｌＢａｓｉｃ、Ｐｅｒｌ、ＪａｖａＳｃｒｉｐｔ及びその他のマシーン言語）に由来してよい。

プロセッサー１６１０は、ネイティブ環境あるいは仮想環境において、任意のオペレーティングシステム（ＯＳ）（図示なし）下で実行可能である。一つ以上のアプリケーションを展開可能で、論理ユニット１６６０，アプリケーションプログラミングインタフェース（ＡＰＩ）ユニット１６６５、入力ユニット１６７０、出力ユニット１６７５及び各種ユニットが互いに通信し合い、該ＯＳと通信し及びその他のアプリケーション（図示なし）と通信するためのユニット間通信機構１６９５を含む。上述したユニット及び要素は、デザイン、機能、構成あるいは実装面において可変で、ここに提供される明細に限定されない。

幾つかの実施例において、ＡＰＩユニット１６６５により、情報あるいは実行指令が受信されると、該情報は、一つ以上のユニット（例えば、論理ユニット１６６０、入力ユニット１６７０、出力ユニット１６７５）に通信されてよい。上述した幾つかの実施例において、論理ユニット１６６０は、該ユニット間の情報フローを制御し、ＡＰＩユニット１６６５、入力ユニット１６７０、出力ユニット１６７５により提供されるサービスを指揮する構成としてもよい。例えば、一つ以上のプロセスあるいは実装フローは、論理ユニット１６６０単独であるいはＡＰＩユニット１６６５と連携して制御されてよい。該入力ユニット１６７０は、本実施例において説明した算定のための入力を入手する構成とし、また、該出力ユニット１６７５は、実施例において説明した算定に基づき、出力を提供する構成としてよい。

プロセッサー１６１０は、以下の側面を実行する構成としてよい。

第一の側面において、プロセッサー１６１０は、コンピュータにより読み出し可能な媒体から方法あるいは指令を実行でき、該方法あるいは指令は、携帯ネットワークを介してデータが入手される一つ以上のランタイム環境に割り当てられたアプリケーションについて、複数から成るマシーンラーニングモデルの各々を訓練するステップあるいは指令であって、該アプリケーションについての該複数から成るマシーンラーニングモデルそれぞれの訓練が別個に実行され、該訓練ステップあるいは指令は、複数から成る被訓練マシーンラーニングモデルを形成するため、複数のデータセットにより選択された該複数から成るマシーンラーニングモデルそれぞれを訓練するステップあるいは指令であって、該複数のデータセットは各々異なった段階的表現形式レベルと関連付けられるステップあるいは指令と；該複数から成る被訓練マシーンラーニングモデルの各々について、モデル遅延時間情報を出力するステップあるいは指令と；該アプリケーションに割り当てられたサービス品質（ＱｏＳ）並びに該複数から成るマシーンラーニングモデルそれぞれと関連付けられた該モデル遅延時間情報に基づき、該一つ以上のランタイム環境にリソースを割り当てるステップあるいは指令と；該複数から成る被訓練マシーンラーニングモデル各々並びに該関連づけられた段階的表現形式レベルをモデルカタログ内に記憶するステップあるいは指令とから成り、該データの段階的表現形式レベルは、図５及び図１１に例示されるアプリケーション層内で入手された信号レベルと干渉情報に基づき算定されることを特徴とする。この側面を利用して、該マシーンラーニングモデルを訓練できる。

第二の側面において、プロセッサー１６１０は、上述した側面の何れかによるコンピュータにより読み出し可能な媒体から方法あるいは指令を実行でき、さらに、該アプリケーションを該一つ以上のランタイム環境上で実行するステップあるいは指令であって、該アプリケーションを該一つ以上のランタイム環境上で実行する該実行ステップあるいは指令は、該アプリケーションに向けた該被受信データについての該データの段階的表現形式レベルに基づき、該アプリケーションに向けた該複数から成る被訓練マシーンラーニングモデルから、被訓練マシーンラーニングモデルを選択するステップあるいは指令と；該アプリケーションに割り当てられたＱｏＳレベル及び該アプリケーションに向けた該被受信データについての該データの段階的表現形式レベルに基づき、該アプリケーションを実行するための該リソースを該被選択被訓練マシーンラーニングモデルに割り当てるステップあるいは指令と；該被割当リソースにより、該被選択被訓練マシーンラーニングモデルを実行するステップあるいは指令とから成る。この側面を利用して、図３に例示される該アプリケーションを操作できる。

第三の側面において、プロセッサー１６１０は、上述した側面の何れかによるコンピュータにより読み出し可能な媒体から方法あるいは指令を実行でき、さらに、該アプリケーションに向けた該被受信データについての該データの段階的表現形式レベルに基づき、該アプリケーションに向けた該複数から成る被訓練マシーンラーニングモデルからの該被訓練マシーンラーニングモデルの選択について、該複数から成る被訓練マシーンラーニングモデルの複数モデルの選択を招く結果となるステップあるいは指令と；所定の時間間隔内において操作されるべき全てのアプリケーションに向けた該複数から成る被訓練マシーンラーニングモデルの該複数モデルへの該リソースの被最適化割り当てを確定する構成の最適化問題を生成するステップあるいは指令と；該複数から成る被訓練マシーンラーニングモデルの該複数モデルへの該リソースの該被最適化割り当てを確定するため、該最適化問題を解くステップあるいは指令とから成り、該一つ以上のランタイム環境への該リソース割り当ては、図１５に例示される該被最適化割り当てに従って実行されることを特徴とする。この側面において、該最適化問題が、図１５のフローチャートを介して解かれると、その解により、図１１に例示される表からどのモデルを利用すべきかが確定する。利用すべきモデルが存知されると、これらのモデルの該遅延時間要件を充足すべく、リソース割り当てが行われる。

第四の側面において、プロセッサー１６１０は、上述した側面の何れかによるコンピュータにより読み出し可能な媒体から方法あるいは指令を実行でき、該アプリケーションに向けた該被受信データについての該データの段階的表現形式レベルに基づき、該アプリケーションに向けた該複数から成る被訓練マシーンラーニングモデルから該被訓練マシーンラーニングモデルを選択するステップあるいは指令は、所定の時間間隔内において操作されるべき全てのアプリケーションのリストを確定するステップと；該所定の時間間隔内において操作されるべき全てのアプリケーションの該リスト内の各アプリケーションについて、該各アプリケーション割り当てられた該ＱｏＳレベル及び該一つ以上のランタイム環境の該アプリケーションに向けた該被受信データについての該現行データの段階的表現形式レベルを入手するステップあるいは指令と；該入手されたデータの段階的表現形式レベルに基づき、該各アプリケーションと関連付けられた該複数から成るマシーンラーニングモデルの対応モデルを確定することで、該複数から成る被訓練マシーンラーニングモデルの該複数モデルの該選択を招く結果となるステップあるいは指令とから成り、該リソースの被最適化割り当てを確定する構成の該最適化問題を生成するステップあるいは指令は、図１５に例示されるように、該各アプリケーションに割り当てられた該ＱｏＳレベルを利用することを特徴とする。この側面において、該アプリケーションに割り当てられるＱｏＳレベルは、また、図１５に対応する該等式に記載のとおり、該最適化問題を確定するためにも利用される。

第五の側面において、プロセッサー１６１０は、上述した側面の何れかによるコンピュータにより読み出し可能な媒体から方法あるいは指令を実行でき、該アプリケーションに向けた該被受信データについての該データの段階的表現形式レベルに基づき、該アプリケーションについての該複数から成る被訓練マシーンラーニングモデルから該被訓練マシーンラーニングモデルを選択する該ステップあるいは指令は、該複数から成る被訓練マシーンラーニングモデルを記憶する該モデルカタログを参照し、該モデルカタログ内の該複数から成る被訓練マシーンラーニングモデルと関連付けられた該モデル遅延時間情報及び精度に基づき、該被訓練マシーンラーニングモデルを選択するステップあるいは指令を含み、該アプリケーションに向けた該被受信データについての該データの段階的表現形式レベルに基づく該アプリケーションの必要とされる精度を充足しない該精度を持つ該複数から成る被訓練マシーンラーニングモデルの幾つかが、図５、図１１、図１３及び図１４に例示されるように、排除されることを特徴とする。この側面において、図５の４０３に例示される該プロセスの出力として、アルゴリズムの該精度及び遅延時間（ＦＬＯＰ表記）を提供する図１１の該情報が入手される。信号１０６から、該アプリケーションの該必要とされる精度及び必要とされる遅延時間が入手され、また、該精度が、該必要とされる精度よりも劣る場合には、該アルゴリズムは排除される。

第六の側面において、プロセッサー１６１０は、上述した側面の何れかによるコンピュータにより読み出し可能な媒体から方法あるいは指令を実行でき、該一つ以上のランタイム環境は、本明細書に記載の一つ以上の仮想マシーンあるいはコンテナであることを特徴とする。

第七の側面において、プロセッサー１６１０は、上述した側面の何れかによるコンピュータにより読み出し可能な媒体から方法あるいは指令を実行でき、該リソースは、本明細書に記載の該一つ以上のランタイム環境と関連付けられた演算リソース及び記憶リソースを含むことを特徴とする。

第八の側面において、プロセッサー１６１０は、上述した側面の何れかによるコンピュータにより読み出し可能な媒体から方法あるいは指令を実行でき、該アプリケーションに割り当てられたサービス品質（ＱｏＳ）レベル及び該複数から成るマシーンラーニングモデルの各々と関連付けられた該データの段階的表現形式レベルに基づき、該一つ以上のランタイム環境に該リソースを割り当てるステップあるいは指令は、該アプリケーションに割り当てられたアプリケーションレベルＱｏＳ遅延時間情報を入手するステップあるいは指令と；該複数から成るマシーンラーニングモデル各々のマシーンラーニングモデル事象毎に、毎秒当たりの浮動小数点演算の回数を入手するステップあるいは指令と；該アプリケーションレベルＱｏＳ遅延時間情報に基づき、該アプリケーションに割り当てられた該ＱｏＳレベルを充足するサービス遅延時間を確定するステップあるいは指令と；マシーンラーニングモデル事象毎の該浮動小数点演算の回数及び図１２に例示される該アプリケーションレベルＱｏＳ遅延時間情報に基づき、該被割り当てリソースを算定するステップあるいは指令から成る。この側面において、所望の実施態様に依拠して、図１２に記載の等式に従い、該モデル遅延時間情報（Ｆ）、サービス遅延時間（Ｌ２）及びアプリケーションレベルＱｏＳ遅延時間情報（Ｌ１）を利用可能である。

第九側面において、プロセッサー１６１０は、上述した側面の何れかによるコンピュータにより読み出し可能な媒体から方法あるいは指令を実行でき、さらに、複数から成るマシーンラーニングモデルを訓練するため、複数から成るデータの段階的表現形式レベルに亘りデータを仕切るステップあるいは指令を含み、該複数から成るマシーンラーニングモデル各々を訓練するステップあるいは指令は、図５及び７に例示される通り、該複数から成るマシーンラーニングモデル各々と関連付けられた該データの段階的表現形式レベルと同じデータの段階的表現形式レベルを持つ該被仕切りデータにより、該複数から成るマシーンラーニングモデル各々を訓練するステップあるいは指令を含む。

詳細な説明には、アルゴリズム及びコンピュータ内の演算記号により表現されている箇所がある。これらのアルゴリズム的な描写及び記号は、その他の当業者に対して革新部分のエッセンスを届けるために、データ処理の当業者により利用される手段である。アルゴリズムは、一続きの所定ステップで、所望の最終状態あるいは結果を導くものである。実施例において、目に見える成果を達成するためには、実行されるステップには、有形量の物理的操作が必要となる。

特に断らない限りにおいて、本開示から明らかなとおり、詳細な説明全体に亘って、「処理」、「演算」、「算定」、「確定」、「表示」その他類似の用語を利用する開示内容は、コンピュータシステムのレジスター及びメモリー内の物理（電子）量として表現されるデータを操作し、かつ、該データをコンピュータシステムのメモリーあるいはレジスター若しくはその他の情報記憶装置、送信装置あるいは表示装置内の物理量と同様に表現されるその他のデータに変換するコンピュータシステム若しくはその他の情報処理装置のアクション並びにプロセスが含まれるものと了解されたい。

実施例は、また、本明細書の演算を実行するための装置に関してもよい。該装置は、所要の目的のため特別に構築されあるいは一つ以上のコンピュータプログラムにより選択的に起動されあるいは再構成される一つ以上の汎用コンピュータを含んでよい。このようなコンピュータプログラムは、コンピュータにより読み出し可能な記憶媒体あるいはコンピュータにより読み出し可能な信号媒体等のコンピュータにより読み出し可能な媒体内に記憶されてよい。コンピュータにより読み出し可能な記憶媒体は、光学ディスク、磁気ディスク、リードオンリーメモリー、ランダムアクセスメモリー、固体装置及びドライブあるいはその他任意タイプの電子情報を記憶するために適当な有形あるいは非一過性媒体を含むが、これに限定されるわけではない。コンピュータにより読み出し可能な信号媒体は、搬送波等の媒体を含んでよい。本明細書において開示されるアルゴリズム及びディスプレーは、内在的に、特定のコンピュータあるいはその他の装置に関連するものではない。コンピュータプログラムは、所望の実施態様の演算を実行する指令を含む純粋なソフトウェア実装を含むことができる。

各種汎用システムを、本明細書の実施例によるプログラムあるいはモジュールと共に利用してもよく、あるいは、所望の方法ステップを実行するためのより特化した装置を構築することが使い勝手が良くなる場合もあろう。さらに、本実施例は、特定のプログラミング言語に関して記載されるものではない。本明細書に記載の実施例の教示内容を実行するためには、多種多様なプログラミング言語が利用されるものと了解されたい。該プログラミング言語の指令は、一つ以上の処理装置、例えば、中央処理ユニット（ＣＰＵ）、プロセッサー若しくはコントローラーにより実行されてよい。

従来既知の通り、上述した演算は、ハードウェア、ソフトウェア、あるいは、ソフトウェアとハードウェアの何らかのコンビネーションで実行可能である。本実施例の様々な側面は、回路及びロジック装置（ハードウェア）を利用して実行されてよいが、他方、その他の側面は、プロセッサーにより実行される場合に、該プロセッサーをして本願の実施例を実行する方法を実行せしめるマシーンにより読み出し可能な媒体（ソフトウェア）に記憶された指令を利用して実行されてよい。さらに、本願の幾つかの実施例は、ハードウェアのみで実行されてもよく、他方、その他の実施例は、ソフトウェアのみで実行されてもよい。さらにまた、本明細書に開示の各種機能は、単一ユニットで実行でき、あるいは、任意数の態様において、多数の構成部品に亘って分散されてもよい。ソフトウェアにより実行される場合、本方法は、汎用コンピュータ等のプロセッサーにより、コンピュータにより読み出し可能な媒体に記憶された指令に基づき実行されてよい。所望の場合、本指令は、被圧縮及び又は被暗号化フォーマットで該媒体に記憶されてもよい。

さらに、本願のその他の実施例は、本明細書の考察と本願の教示内容の実施から当業者には自明となろう。本明細書に記載の実施例の各種側面及び／又は構成部品は単独で若しくはコンビネーションで利用されてよい。本明細書並びに実施例は、例示としてのみ考察されることを意図しており、本願の真の技術的範囲とその神髄は、以下の特許請求の範囲により明らかとなる。

Claims (19)

1. 携帯ネットワークを介してデータが入手される一つ以上のランタイム環境に割り当てられたアプリケーションについて、複数から成るマシーンラーニングモデルの各々を訓練するステップであって、該アプリケーションについての前記複数から成るマシーンラーニングモデルそれぞれの訓練が別個に実行され、前記訓練ステップは、
   複数から成る被訓練マシーンラーニングモデルを形成するため、複数のデータセットにより選択された前記複数から成るマシーンラーニングモデルそれぞれを訓練するステップであって、前記複数のデータセットは各々異なった段階的表現形式レベルと関連付けられるステップと；
   前記複数から成る被訓練マシーンラーニングモデルの各々について、モデル遅延時間情報を出力するステップと；
   前記アプリケーションに割り当てられたサービス品質（ＱｏＳ）並びに前記複数から成るマシーンラーニングモデルそれぞれと関連付けられた前記モデル遅延時間情報に基づき、前記一つ以上のランタイム環境にリソースを割り当てるステップと；
   前記複数から成る被訓練マシーンラーニングモデル各々並びに前記関連づけられたデータの段階的表現形式レベルをモデルカタログ内に記憶するステップとから成り、
   前記データの段階的表現形式レベルは、アプリケーション層内で入手された信号レベルと干渉情報に基づき算定されることを特徴とする方法。
2. さらに、前記アプリケーションを前記一つ以上のランタイム環境上で実行するステップを含み、前記アプリケーションを前記一つ以上のランタイム環境上で実行する前記実行ステップは、
   前記アプリケーションに向けた被受信データについての前記データの段階的表現形式レベルに基づき、前記アプリケーションに向けた前記複数から成る被訓練マシーンラーニングモデルから、被訓練マシーンラーニングモデルを選択するステップと；
   前記アプリケーションに割り当てられたＱｏＳレベル及び前記アプリケーションに向けた前記被受信データについての前記データの段階的表現形式レベルに基づき、前記アプリケーションを実行するための前記リソースを前記被選択被訓練マシーンラーニングモデルに割り当てるステップと；
   前記被割当リソースにより、前記被選択被訓練マシーンラーニングモデルを実行するステップ
   とから成ることを特徴とする、請求項１記載の方法。
   
3. さらに、前記アプリケーションに向けた前記被受信データについての前記データの段階的表現形式レベルに基づき、前記アプリケーションに向けた前記複数から成る被訓練マシーンラーニングモデルからの前記被訓練マシーンラーニングモデルの前記選択について、前記複数から成る被訓練マシーンラーニングモデルの複数モデルの選択を招く結果となり、
   所定の時間間隔内において操作されるべき全てのアプリケーションに向けた前記複数から成る被訓練マシーンラーニングモデルの前記複数モデルへの前記リソースの被最適化割り当てを確定する構成の最適化問題を生成するステップと；
   前記複数から成る被訓練マシーンラーニングモデルの前記複数モデルへの前記リソースの前記被最適化割り当てを確定するため、前記最適化問題を解くステップとから成り、
   前記一つ以上のランタイム環境への前記リソース割り当ては、前記被最適化割り当てに従って実行されることを特徴とする、請求項２記載の方法。
4. 前記アプリケーションに向けた前記被受信データについての前記データの段階的表現形式レベルに基づき、前記アプリケーションに向けた前記複数から成る被訓練マシーンラーニングモデルから前記被訓練マシーンラーニングモデルを選択するステップは、
   所定の時間間隔内において操作されるべき全てのアプリケーションのリストを確定するステップと；
   前記所定の時間間隔内において操作されるべき全てのアプリケーションの前記リスト内の各アプリケーションについて、
   前記各アプリケーションに割り当てられた該ＱｏＳレベル及び前記一つ以上のランタイム環境の前記アプリケーションに向けた前記被受信データについての現行データの段階的表現形式レベルを入手するステップと；
   前記入手されたデータの段階的表現形式レベルに基づき、前記各アプリケーションと関連付けられた前記複数から成るマシーンラーニングモデルの対応モデルを確定することで、前記複数から成る被訓練マシーンラーニングモデルの前記複数モデルの前記選択を招く結果となるステップとから成り、
   前記リソースの被最適化割り当てを確定する構成の前記最適化問題を生成するステップは、前記各アプリケーションに割り当てられた前記ＱｏＳレベルを利用することを特徴とする、請求項３記載の方法。
   
5. 前記アプリケーションに向けた前記被受信データについての前記データの段階的表現形式レベルに基づき、前記アプリケーションについての前記複数から成る被訓練マシーンラーニングモデルから前記被訓練マシーンラーニングモデルを選択する前記ステップは、前記複数から成る被訓練マシーンラーニングモデルを記憶する前記モデルカタログを参照し、前記モデルカタログ内の前記複数から成る被訓練マシーンラーニングモデルと関連付けられた前記モデル遅延時間情報及び精度に基づき、前記被訓練マシーンラーニングモデルを選択するステップを含み、前記アプリケーションに向けた前記被受信データについての前記データの段階的表現形式レベルに基づく前記アプリケーションの必要とされる精度を充足しない前記精度を持つ前記複数から成る被訓練マシーンラーニングモデルの幾つかが排除されることを特徴とする、請求項２記載の方法。
6. 前記一つ以上のランタイム環境は、一つ以上の仮想マシーンあるいはコンテナであることを特徴とする、請求項１記載の方法。
7. 前記リソースは、前記一つ以上のランタイム環境と関連付けられた演算リソース及び記憶リソースとから成ることを特徴とする、請求項１記載の方法。
8. 前記アプリケーションに割り当てられた前記サービス品質（ＱｏＳ）レベル及び前記複数から成るマシーンラーニングモデルの各々と関連付けられた前記データの段階的表現形式レベルに基づき、前記一つ以上のランタイム環境に前記リソースを割り当てるステップは、
   前記アプリケーションに割り当てられたアプリケーションレベルＱｏＳ遅延時間情報を入手するステップと；
   前記複数から成るマシーンラーニングモデル各々のマシーンラーニングモデル事象毎に、毎秒当たりの浮動小数点演算の回数を入手するステップと；
   前記アプリケーションレベルＱｏＳ遅延時間情報に基づき、前記アプリケーションに割り当てられた前記ＱｏＳレベルを充足するサービス遅延時間を確定するステップと；前記マシーンラーニングモデルを各々実行中のマシーンラーニングモデル事象毎の該浮動小数点演算の回数及び前記アプリケーションレベルＱｏＳ遅延時間情報に基づき、前記被割り当てリソースを算定するステップ
   とから成る、請求項１記載の方法。
9. さらに、前記複数から成るマシーンラーニングモデルを訓練するため、複数から成るデータの段階的表現形式レベルに亘りデータを仕切るステップを含み、
   前記複数から成るマシーンラーニングモデル各々を訓練するステップは、前記複数から成るマシーンラーニングモデル各々と関連付けられた前記データの段階的表現形式レベルと同じデータの段階的表現形式レベルを持つ前記被仕切りデータにより、前記複数から成るマシーンラーニングモデル各々を訓練するステップを含むことを特徴とする、請求項１記載の方法。
10. 一つ以上のプロセッサーによりプロセスを実行するための指令を記憶する非一過性コンピュータ読み出し可能な媒体であって、
    携帯ネットワークを介してデータが入手される一つ以上のランタイム環境に割り当てられたアプリケーションについて、複数から成るマシーンラーニングモデルの各々を訓練する指令であって、該アプリケーションについての前記複数から成るマシーンラーニングモデルそれぞれの訓練が別個に実行され、前記訓練指令は、
    複数から成る被訓練マシーンラーニングモデルを形成するため、複数のデータセットにより選択された前記複数から成るマシーンラーニングモデルそれぞれを訓練する指令であって、前記複数のデータセットは各々異なった段階的表現形式レベルと関連付けられる指令と；
    前記複数から成る被訓練マシーンラーニングモデルの各々について、モデル遅延時間情報を出力する指令と；
    前記アプリケーションに割り当てられたサービス品質（ＱｏＳ）並びに前記複数から成るマシーンラーニングモデルそれぞれと関連付けられた前記モデル遅延時間情報に基づき、前記一つ以上のランタイム環境にリソースを割り当てる指令と；
    前記複数から成る被訓練マシーンラーニングモデル各々並びに前記関連づけられたデータの段階的表現形式レベルをモデルカタログ内に記憶する指令とから成り、
    前記データの段階的表現形式レベルは、アプリケーション層内で入手された信号レベルと干渉情報に基づき算定されることを特徴とする媒体。
11. さらに、前記アプリケーションを前記一つ以上のランタイム環境上で実行する指令を含み、前記アプリケーションを前記一つ以上のランタイム環境上で実行する前記実行指令は、
    前記アプリケーションに向けた被受信データについての前記データの段階的表現形式レベルに基づき、前記アプリケーションに向けた前記複数から成る被訓練マシーンラーニングモデルから、被訓練マシーンラーニングモデルを選択する指令と；
    前記アプリケーションに割り当てられたＱｏＳレベル及び前記アプリケーションに向けた前記被受信データについての前記データの段階的表現形式レベルに基づき、前記アプリケーションを実行するための前記リソースを前記被選択被訓練マシーンラーニングモデルに割り当てる指令と；
    前記被割当リソースにより、前記被選択被訓練マシーンラーニングモデルを実行する指令とから成ることを特徴とする、請求項１０記載の非一過性コンピュータ読み出し可能な媒体。
    
12. さらに、前記アプリケーションに向けた前記被受信データについての前記データの段階的表現形式レベルに基づき、前記アプリケーションに向けた前記複数から成る被訓練マシーンラーニングモデルからの前記被訓練マシーンラーニングモデルの前記選択について、前記複数から成る被訓練マシーンラーニングモデルの複数モデルの選択を招く結果となり、
    所定の時間間隔内において操作されるべき全てのアプリケーションに向けた前記複数から成る被訓練マシーンラーニングモデルの前記複数モデルへの前記リソースの被最適化割り当てを確定する構成の最適化問題を生成する指令と；
    前記複数から成る被訓練マシーンラーニングモデルの前記複数モデルへの前記リソースの前記被最適化割り当てを確定するため、前記最適化問題を解く指令とから成り、
    前記一つ以上のランタイム環境への前記リソース割り当ては、前記被最適化割り当てに従って実行されることを特徴とする、請求項１１記載の非一過性コンピュータ読み出し可能な媒体。
13. 前記アプリケーションに向けた前記被受信データについての前記データの段階的表現形式レベルに基づき、前記アプリケーションに向けた前記複数から成る被訓練マシーンラーニングモデルから前記被訓練マシーンラーニングモデルを選択する指令は、
    所定の時間間隔内において操作されるべき全てのアプリケーションのリストを確定する指令と；
    前記所定の時間間隔内において操作されるべき全てのアプリケーションの前記リスト内の各アプリケーションについて、
    前記各アプリケーションに割り当てられた該ＱｏＳレベル及び前記一つ以上のランタイム環境の前記アプリケーションに向けた前記被受信データについての現行データの段階的表現形式レベルを入手する指令と；
    前記入手されたデータの段階的表現形式レベルに基づき、前記各アプリケーションと関連付けられた前記複数から成るマシーンラーニングモデルの対応モデルを確定することで、前記複数から成る被訓練マシーンラーニングモデルの前記複数モデルの前記選択を招く結果となる指令とから成り、
    前記リソースの被最適化割り当てを確定する構成の前記最適化問題を生成する指令は、前記各アプリケーションに割り当てられた前記ＱｏＳレベルを利用することを特徴とする、
    請求項１２記載の非一過性コンピュータ読み出し可能な媒体。
    
14. 前記アプリケーションに向けた前記被受信データについての前記データの段階的表現形式レベルに基づき、前記アプリケーションについての前記複数から成る被訓練マシーンラーニングモデルから前記被訓練マシーンラーニングモデルを選択する前記指令は、前記複数から成る被訓練マシーンラーニングモデルを記憶する前記モデルカタログを参照し、前記モデルカタログ内の前記複数から成る被訓練マシーンラーニングモデルと関連付けられた前記モデル遅延時間情報及び精度に基づき、前記被訓練マシーンラーニングモデルを選択する指令を含み、前記アプリケーションに向けた前記被受信データについての前記データの段階的表現形式レベルに基づく前記アプリケーションの必要とされる精度を充足しない前記精度を持つ前記複数から成る被訓練マシーンラーニングモデルの幾つかが排除されることを特徴とする、請求項１１記載の非一過性コンピュータ読み出し可能な媒体。
15. 前記一つ以上のランタイム環境は、一つ以上の仮想マシーンあるいはコンテナであることを特徴とする、請求項１０記載の非一過性コンピュータ読み出し可能な媒体。
16. 前記リソースは、前記一つ以上のランタイム環境と関連付けられた演算リソース及び記憶リソースとから成ることを特徴とする、請求項１０記載の非一過性コンピュータ読み出し可能な媒体。
17. 前記アプリケーションに割り当てられた前記サービス品質（ＱｏＳ）レベル及び前記複数から成るマシーンラーニングモデルの各々と関連付けられた前記データの段階的表現形式レベルに基づき、前記一つ以上のランタイム環境に前記リソースを割り当てる指令は、
    前記アプリケーションに割り当てられたアプリケーションレベルＱｏＳ遅延時間情報を入手する指令と；
    前記複数から成るマシーンラーニングモデル各々のマシーンラーニングモデル事象毎に、毎秒当たりの浮動小数点演算の回数を入手する指令と；
    前記アプリケーションレベルＱｏＳ遅延時間情報に基づき、前記アプリケーションに割り当てられた前記ＱｏＳレベルを充足するサービス遅延時間を確定する指令と；
    前記マシーンラーニングモデルを各々実行中のマシーンラーニングモデル事象毎の該浮動小数点演算の回数及び前記アプリケーションレベルＱｏＳ遅延時間情報に基づき、前記被割り当てリソースを算定する指令
    とから成る、請求項１０記載の非一過性コンピュータ読み出し可能な媒体。
18. さらに、前記複数から成るマシーンラーニングモデルを訓練するため、複数から成るデータの段階的表現形式レベルに亘りデータを仕切る指令を含み、
    前記複数から成るマシーンラーニングモデル各々を訓練する指令は、前記複数から成るマシーンラーニングモデル各々と関連付けられた前記データの段階的表現形式レベルと同じデータの段階的表現形式レベルを持つ前記被仕切りデータにより、前記複数から成るマシーンラーニングモデル各々を訓練する指令を含むことを特徴とする、請求項１０記載の非一過性コンピュータ読み出し可能な媒体。
19. 複数から成る被訓練マシーンラーニングモデルを形成するため、複数のデータセットにより選択された複数から成るマシーンラーニングモデルそれぞれを訓練するに当たって、前記複数のデータセットは各々異なった段階的表現形式レベルと関連付けられることによって；
    前記複数から成る被訓練マシーンラーニングモデルの各々について、モデル遅延時間情報を出力することによって；
    アプリケーションに割り当てられたサービス品質（ＱｏＳ）並びに前記複数から成るマシーンラーニングモデルそれぞれと関連付けられた前記モデル遅延時間情報に基づき、一つ以上のランタイム環境にリソースを割り当てることによって；
    前記複数から成る被訓練マシーンラーニングモデル各々並びに前記関連づけられたデータの段階的表現形式レベルをモデルカタログ内に記憶することにより、
    携帯ネットワークを介してデータが入手される前記一つ以上のランタイム環境に割り当てられた前記アプリケーションについて、前記複数から成るマシーンラーニングモデルの各々を訓練するに当たって、前記アプリケーションについての前記複数から成るマシーンラーニングモデルそれぞれの訓練が別個に実行されるプロセッサーから成り、
    前記データの段階的表現形式レベルは、アプリケーション層内で入手された信号レベルと干渉情報に基づき算定されることを特徴とする装置。

Images