JP7352600B2 - 情報処理装置、情報処理方法及び情報処理プログラム - Google Patents

Description

本発明は、情報処理装置、情報処理方法及び情報処理プログラムに関する。

従来、学習ジョブを分割して処理することで、処理サーバ等の計算リソースを効率的に利用し、効率的に学習済みモデルを生成する技術が提供されている。

特開２０１９－０８２９００号公報

しかしながら、上記の従来技術では、学習ジョブを分割して処理するに過ぎないため、学習モデルに基づく情報処理をより効率的に実行する点で改善の余地がある。

本願は、上記に鑑みてなされたものであって、学習モデルに基づく情報処理をより効率的に実行することができる情報処理装置、情報処理方法及び情報処理プログラムを目的とする。

本願に係る情報処理装置は、一の学習モデルを利用者によって利用される端末装置用に分割した第１学習モデルと、当該端末装置と通信可能な情報処理装置によって利用される第２学習モデルであって、当該一の学習モデルを情報処理装置用に分割した第２学習モデルとを生成する生成部と、前記第１学習モデルを前記端末装置に提供する提供部とを備えることを特徴とする。

実施形態の一態様によれば、学習モデルに基づく情報処理をより効率的に実行することができるという効果を奏する。

図１は、実施形態に係る情報処理装置が実行する情報処理の一例を示す図である。 図２は、実施形態に係る情報処理システムの構成例を示す図である。 図３は、実施形態に係る評価情報記憶部の一例を示す図である。 図４は、実施形態に係る情報処理装置が実行する提供処理の流れの一例を示すフローチャートである。 図５は、実施形態に係る情報処理装置が実行する更新処理の流れの一例を示すフローチャートである。 図６は、情報処理装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。

以下に、本願に係る情報処理装置、情報処理方法及び情報処理プログラムを実施するための形態（以下、「実施形態」と呼ぶ）について図面を参照しつつ詳細に説明する。なお、この実施形態により本願に係る情報処理装置、情報処理方法及び情報処理プログラムが限定されるものではない。また、各実施形態は、処理内容を矛盾させない範囲で適宜組合せることが可能である。また、以下の各実施形態において同一の部位には同一の符号を付し、重複する説明は省略される。

〔１．情報処理装置が示す情報処理の一例〕
まず、図１を用いて、情報処理装置１００が学習モデルを分割することで、第１学習モデルと第２学習モデルとを生成する生成処理について説明する。次に、図１を用いて、情報処理装置１００が評価結果に基づいて第２学習モデルのパラメータを更新する更新処理について説明する。ここで、図１は、実施形態に係る情報処理装置１００が実行する情報処理の一例を示す図である。なお、学習モデルに基づく情報処理は、電子商取引サービスに適用されるものとする。

まず、図１を用いて、情報処理装置１００が学習モデルを分割することで、第１学習モデルと第２学習モデルとを生成する生成処理について説明する。図１に示すように、情報処理装置１００は、学習モデルＭＯ１を外部サーバ１０から受付ける（ステップＳ１）。ここで、外部サーバ１０は、例えば、各種学習モデルを所定の記憶部に記憶しているデータベースサーバである。

続いて、情報処理装置１００は、学習モデルＭＯ１を分割することで、第１学習モデルＭＯ２と、第２学習モデルＭＯ３とを生成する（ステップＳ２）。

まず、学習モデルＭＯ１を分割する方法について説明する。例えば、学習モデルＭＯ１が各階層によって構成されるものとする。この場合、情報処理装置１００は、学習モデルＭＯ１に含まれる各階層のうち、パラメータが変動しない階層、又は、パラメータが所定の範囲内の変動量で変動する階層に基づいて、第１学習モデルを生成する。

そして、情報処理装置１００は、第１学習モデルＭＯ２に割り当てた階層以外の階層に基づいて、第２学習モデルＭＯ３を生成する。例えば、情報処理装置１００は、学習モデルＭＯ１に含まれる各階層のうち、パラメータが変動する階層、又は、パラメータが、第１学習モデルを生成した場合の所定の範囲内の変動量よりも大きい変動量で変動する階層に基づいて第２学習モデルを生成する。

より具体的な例を挙げると、情報処理装置１００は、学習モデルＭＯ１に含まれる各階層のうち、パラメータの変動の頻度が多い階層、パラメータの変動が大きい階層、又は、出力情報の精度に影響する階層に基づいて第２学習モデルを生成する。

次に、学習モデルＭＯ１を分割した後の第１学習モデルＭＯ２と、第２学習モデルＭＯ３とのデータ容量の関係性について説明する。例えば、情報処理装置１００は、第１学習モデルＭＯ２が示すデータ容量が、第２学習モデルＭＯ３が示すデータ容量よりも小さくなるように、第１学習モデルＭＯ２と、第２学習モデルＭＯ３とを生成する。

次に、学習モデルＭＯ１に対する入出力処理と、学習モデルＭＯ１を分割した後の第１学習モデルＭＯ２及び第２学習モデルＭＯ３の入出力処理との関係性について説明する。例えば、学習モデルＭＯ１が所定の入力情報ＩＮ１が入力された場合に、出力情報ＯＵ１を出力するものとする。この場合、情報処理装置１００は、所定の入力情報ＩＮ１が第１学習モデルＭＯ２に入力され、第１学習モデルＭＯ２によって出力された出力情報が、第２学習モデルＭＯ３の入力情報として、入力されるように、第１学習モデルＭＯ２と、第２学習モデルＭＯ３とを生成する。

より具体的な例を挙げると、端末装置２０は、第１学習モデルＭＯ２によって出力された出力情報が特徴量を示すベクトルデータであり、かかるベクトルデータを情報処理装置１００に送信する。そして、情報処理装置１００は、受付けたベクトルデータを第２学習モデルＭＯ３に入力する。

このように、情報処理装置１００は、所定の入力情報ＩＮ１が第１学習モデルＭＯ２に入力され、第２学習モデルＭＯ３が出力情報ＯＵ１を出力するように、第１学習モデルＭＯ２と、第２学習モデルＭＯ３とを生成する。

そして、情報処理装置１００は、第１学習モデルＭＯ２を端末装置２０に提供する（ステップＳ３）。

次に、図１を用いて、情報処理装置１００が評価結果に基づいて第２学習モデルＭＯ３のパラメータを更新する更新処理について説明する。図１に示すように、端末装置２０は、情報処理装置１００に通知情報を通知する（ステップＳ４）。例えば、端末装置２０は、第１学習モデルＭＯ２が示すデータ容量を計測する。そして、端末装置２０は、所定の期間毎に、データ容量に関する情報を通知情報として、情報処理装置１００に通知する。

続いて、情報処理装置１００は、通知情報に基づいて、第１学習モデルＭＯ２が示すデータ容量が所定の閾値以上であるか否かを評価する（ステップＳ５）。そして、情報処理装置１００は、評価結果に基づいて、第２学習モデルＭＯ３のパラメータを更新する（ステップＳ６）。例えば、情報処理装置１００は、第１学習モデルＭＯ２が示すデータ容量が所定の閾値以上である場合に、第２学習モデルＭＯ３のパラメータを更新する。この場合、情報処理装置１００は、第１学習モデルＭＯ２が示すデータ容量が所定の閾値未満になるように、第２学習モデルＭＯ３のデータ容量を大きくするように第２学習モデルＭＯ３を更新する。そして、情報処理装置１００は、データ容量が所定の閾値未満になった第１学習モデルＭＯ２を端末装置２０にさらに提供してもよい。

従来、学習ジョブを分割して処理するに過ぎないため、学習モデルに基づく情報処理をより効率的に実行する点で改善の余地があった。そこで、実施形態に係る情報処理装置１００は、一の学習モデルを利用者によって利用される端末装置２０用に分割した第１学習モデルと、端末装置２０と通信可能な情報処理装置１００によって利用される第２学習モデルであって、一の学習モデルを情報処理装置１００用に分割した第２学習モデルとを生成する。そして、情報処理装置１００は、第１学習モデルを端末装置２０に提供する。このように、情報処理装置１００は、学習モデルに基づく情報処理をより効率的に実行することができる。

このように、情報処理装置１００は、学習モデルを端末装置２０にも利用させる際に、学習モデルを構成する各階層のうち、変動の少ない又は変動が起こらない階層と、変動の頻度が多い階層、変動が大きい階層、又は、出力情報の精度に影響する階層に分割することができる。これにより、情報処理装置１００は、端末装置２０側には変動の少ない又は変動が起こらない階層を適用し、情報処理装置１００側には変動の頻度が多い階層、変動が大きい階層、又は、出力情報の精度に影響する階層を適用することができる。

このように、情報処理装置１００は、端末装置２０に提供する第１学習モデルのデータ容量を小さくすることができる。また、情報処理装置１００は、端末装置２０によって利用される第１学習モデルの更新頻度を低減することができる。これにより、端末装置２０は、情報処理の負荷を軽減することができる。また、情報処理装置１００は、端末装置２０が第１学習モデルを利用することで出力された出力情報を情報処理装置１００に送信するため、情報処理装置１００と、端末装置２０との通信のセキュリティを向上させることができる。また、情報処理装置１００は、学習モデルに基づく情報処理の一部を端末装置２０側で実行することができるため、情報処理のためのリソースの削減を行うことができる。

〔２．情報処理システムの構成〕
図２に示すように、情報処理システム１は、外部サーバ１０と、端末装置２０と、情報処理装置１００とを含む。外部サーバ１０、端末装置２０及び情報処理装置１００は、ネットワークＮを介して、有線又は無線により通信可能に接続される。なお、図２に示す情報処理システム１には、複数台の外部サーバ１０や、複数台の端末装置２０や、複数台の情報処理装置１００が含まれてもよい。

実施形態に係る外部サーバ１０は、各種学習モデルや、各種電子商取引サービスに関する情報が記憶され、学習モデルや、電子商取引サービスに関する情報を提供する情報処理装置であり、例えば、サーバ装置又はクラウドシステム等により実現される。例えば、外部サーバ１０は、学習モデルに関する情報を情報処理装置１００に提供する。

また、外部サーバ１０は、電子商取引サービスに関する情報として、電子商取引サービスにて取扱われている商品に関する各種情報や、電子商取引サービスを利用する利用者に関するログを情報処理装置１００に提供する。

実施形態に係る端末装置２０は、ブラウザに表示されるウェブページやアプリケーション用のコンテンツ等のコンテンツにアクセスする利用者によって利用される情報処理装置である。例えば、端末装置２０は、デスクトップ型ＰＣ（Personal Computer）や、ノート型ＰＣや、タブレット端末や、携帯電話機や、ＰＤＡ（Personal Digital Assistant）等である。

実施形態に係る情報処理装置１００は、ネットワークＮを介して、各種の装置と通信可能な情報処理装置であり、例えば、サーバ装置又はクラウドシステム等により実現される。例えば、情報処理装置１００は、ネットワークＮを介して、他の各種装置と通信可能に接続される。

〔３．情報処理装置の構成〕
以下、上記した情報処理装置１００が有する機能構成の一例について説明する。図２は、実施形態に係る情報処理装置１００の構成例を示す図である。図２に示すように、情報処理装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。

（通信部１１０について）
通信部１１０は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。そして、通信部１１０は、ネットワークＮと有線又は無線で接続され、他の各種装置との間で情報の送受信を行う。

（記憶部１２０について）
記憶部１２０は、例えば、ＲＡＭ（Random Access Memory)、フラッシュメモリ（Flash Memory）等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。また、記憶部１２０は、学習モデル１２１と、第２学習モデル１２２と、評価情報記憶部１２３とを有する。

（評価情報記憶部１２３について）
評価情報記憶部１２３は、評価した評価結果に関する各種情報を記憶する。ここで、図３に、実施形態に係る評価情報記憶部１２３の一例を示す。図３に示した例では、評価情報記憶部１２３は、「評価結果ＩＤ（Identifier）」、「学習モデルＩＤ」、「評価項目」、「評価結果」を含む。

「評価結果ＩＤ」は、一の学習モデルに対応する評価結果を識別する識別子である。「学習モデルＩＤ」は、「評価結果ＩＤ」に対応付けられた学習モデルを識別する識別子である。「評価項目」は、「評価結果ＩＤ」に対応付けられた評価項目に関する情報である。例えば、評価項目は、第１学習モデルが示すデータ容量や、第２学習モデルによって出力された出力情報が示す値や、端末装置２０と情報処理装置１００との通信速度等である。「評価結果」は、「評価結果ＩＤ」に対応付けられた評価項目の評価結果である。

例えば、図３では、評価結果ＩＤによって識別された「Ｅ１」は、学習モデルが「ＭＯ１」であり、評価項目が「ＥＩ１」であり、評価結果が「ＥＲ１」である。なお、図３に示した例では、評価項目等を、「ＥＩ１」等の抽象的な符号で表現したが、評価項目等は、数値や、文字列や、評価項目等を示す各種情報を含むファイルのファイル形式等であってもよい。

（制御部１３０について）
制御部１３０は、コントローラ（Controller）であり、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、情報処理装置１００内部の記憶装置に記憶されている各種プログラム（情報処理プログラムの一例）がＲＡＭを作業領域として実行されることにより実現される。また、制御部１３０は、コントローラであり、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現される。

図２に示すように、制御部１３０は、受付部１３１と、生成部１３２と、提供部１３３と、評価部１３４と、更新部１３５とを有し、以下に説明する情報処理の機能や作用を実現または実行する。なお、制御部１３０の内部構成は、図２に示した構成に限られず、後述する情報処理を行う構成であれば他の構成であってもよい。また、制御部１３０が有する各処理部の接続関係は、図２に示した接続関係に限られず、他の接続関係であってもよい。

（受付部１３１について）
受付部１３１は、各種情報を受付ける。例えば、受付部１３１は、学習モデル１２１を外部サーバ１０から受付ける。そして、受付部１３１は、学習モデル１２１を記憶部１２０に記憶する。

また、受付部１３１は、所定の期間毎に、データ容量に関する情報を端末装置２０から受付ける。例えば、端末装置２０が、第１学習モデルが示すデータ容量を計測するものとする。また、端末装置２０が所定の期間毎に、データ容量に関する情報を通知情報として通知するものとする。この場合、受付部１３１は、データ容量に関する情報を端末装置２０から受付ける。

（生成部１３２について）
生成部１３２は、各種学習モデルを生成する。具体的には、生成部１３２は、学習モデル１２１を利用者によって利用される端末装置２０用に分割した第１学習モデルと、端末装置２０と通信可能な情報処理装置１００によって利用される第２学習モデル１２２であって、学習モデル１２１を情報処理装置１００用に分割した第２学習モデル１２２とを生成する。そして、生成部１３２は、かかる第２学習モデル１２２を記憶部１２０に記憶する。

まず、学習モデル１２１を分割する方法について説明する。例えば、学習モデル１２１が各階層によって構成されるものとする。この場合、生成部１３２は、学習モデル１２１に含まれる各階層のうち、パラメータが変動しない階層、又は、パラメータが所定の範囲内の変動量で変動する階層に基づいて、第１学習モデルを生成する。

そして、生成部１３２は、第１学習モデルに割り当てた階層以外の階層に基づいて、第２学習モデル１２２を生成する。例えば、生成部１３２は、学習モデル１２１に含まれる各階層のうち、パラメータが変動する階層、又は、パラメータが、第１学習モデルを生成した場合の所定の範囲内の変動量よりも大きい変動量で変動する階層に基づいて第２学習モデル１２２を生成する。

より具体的な例を挙げると、生成部１３２は、学習モデル１２１に含まれる各階層のうち、パラメータの変動の頻度が多い階層、パラメータの変動が大きい階層、又は、出力情報の精度に影響する階層に基づいて第２学習モデルを生成する。

次に、学習モデル１２１を分割した後の第１学習モデルと、第２学習モデル１２２とのデータ容量の関係性について説明する。例えば、生成部１３２は、第１学習モデルが示すデータ容量が、第２学習モデル１２２が示すデータ容量よりも小さくなるように、第１学習モデルと、第２学習モデル１２２とを生成する。

次に、学習モデル１２１に対する入出力処理と、学習モデル１２１を分割した後の第１学習モデル及び第２学習モデル１２２の入出力処理との関係性について説明する。例えば、学習モデル１２１が所定の入力情報ＩＮ１が入力された場合に、出力情報ＯＵ１を出力するものとする。この場合、生成部１３２は、所定の入力情報ＩＮ１が第１学習モデルに入力され、第１学習モデルによって出力された出力情報が、第２学習モデル１２２の入力情報として、入力されるように、第１学習モデルと、第２学習モデル１２２とを生成する。なお、端末装置２０は、第１学習モデルによって出力された出力情報が特徴量を示すベクトルデータであり、生成部１３２は、端末装置２０によって送信されたベクトルデータが第２学習モデル１２２に入力されるように、第２学習モデル１２２を生成する。

このように、生成部１３２は、所定の入力情報ＩＮ１が第１学習モデルに入力され、第２学習モデル１２２が出力情報ＯＵ１を出力するように、第１学習モデルと、第２学習モデル１２２とを生成する。

（提供部１３３について）
提供部１３３は、各種情報を提供する。例えば、提供部１３３は、生成部１３２によって生成された第１学習モデルを端末装置２０に提供する。

また、提供部１３３は、データ容量が所定の閾値未満になった第１学習モデルを端末装置２０にさらに提供してもよい。

（評価部１３４について）
評価部１３４は、第１学習モデル又は第２学習モデルを所定の条件に基づいて評価する。例えば、評価部１３４は、端末装置２０によって通知された通知情報に基づいて、第１学習モデルが示すデータ容量が所定の閾値以上であるか否かを評価する。

（更新部１３５について）
更新部１３５は、評価部１３４によって評価された評価結果に基づいて、第２学習モデル１２２を更新する。具体的には、更新部１３５は、評価結果に基づいて、第２学習モデル１２２のパラメータを変更する。

例えば、更新部１３５は、第１学習モデルが示すデータ容量が所定の閾値以上である場合に、第２学習モデル１２２のパラメータを更新する。この場合、更新部１３５は、第１学習モデルが示すデータ容量が所定の閾値未満になるように、第２学習モデル１２２のデータ容量を大きくするように第２学習モデル１２２を更新する。

〔４．処理手順（１）〕
次に、図４を用いて、実施形態に係る情報処理装置１００が実行する提供処理の手順について説明する。図４は、実施形態に係る情報処理装置１００が実行する提供処理の流れの一例を示すフローチャートである。

図４に示すように、受付部１３１は、学習モデルを外部サーバ１０から受付ける（ステップＳ１０１）。具体的には、受付部１３１は、学習モデルを外部サーバ１０から受付けていない場合（ステップＳ１０１；Ｎｏ）、学習モデルを受付けるまで待機する。

一方、生成部１３２は、受付部１３１が学習モデルを外部サーバ１０から受付けた場合（ステップＳ１０１；Ｙｅｓ）、受付部１３１によって受付けられた学習モデルを分割することで、第１学習モデルと、第２学習モデルとを生成する（ステップＳ１０２）。そして、提供部１３３は、生成部１３２によって生成された第１学習モデルを端末装置２０に提供する（ステップＳ１０３）。

〔５．処理手順（２）〕
次に、図５を用いて、実施形態に係る情報処理装置１００が実行する更新処理の手順について説明する。図５は、実施形態に係る情報処理装置１００が実行する更新処理の流れの一例を示すフローチャートである。

図５に示すように、評価部１３４は、所定のタイミングか否かを判定する（ステップＳ２０１）。具体的には、評価部１３４は、所定のタイミングではないと判定した場合（ステップＳ２０１；Ｎｏ）、待機する。

一方、評価部１３４は、所定のタイミングであると判定した場合（ステップＳ２０１；Ｙｅｓ）、評価項目に対応する評価結果が所定の条件を満たすか否かを評価する（ステップＳ２０２）。

具体的には、評価部１３４は、評価項目に対応する評価結果が所定の条件を満たすと評価した場合（ステップＳ２０２；Ｙｅｓ）、処理を終了する。一方、更新部１３５は、評価部１３４が評価項目に対応する評価結果が所定の条件を満たさないと評価した場合（ステップＳ２０２；Ｎｏ）、第２学習モデルを更新する（ステップＳ２０３）。

〔６．変形例〕
上述した情報処理装置１００は、上記実施形態以外にも種々の異なる形態にて実施されてよい。そこで、以下では、情報処理装置１００の他の実施形態について説明する。

〔６－１．適用例〕
上記実施形態では、情報処理装置１００が実行する情報処理が電子商取引サービスに適用される例を示したが、これに限定されない。例えば、情報処理装置１００が実行する情報処理は、学習モデルに基づく情報処理を新規に導入するサービスや、オークションサービスや、フリーマーケットサービス等に適用されてもよい。

より具体的な例を挙げると、情報処理装置１００が実行する情報処理は、オークションサービスにおいて、取引対象が属するカテゴリを推定する際に利用される学習モデルに対して実行されてもよい。また、情報処理装置１００が実行する情報処理は、フリーマーケットサービスにおいて、取引対象と類似する取引対象を検索する際に利用される学習モデルに対して実行されてもよい。

〔６－２．学習モデルを分割する数〕
上記実施形態では、生成部１３２は、学習モデルＭＯ１を利用者によって利用される端末装置２０用に分割した第１学習モデルＭＯ２と、端末装置２０と通信可能な情報処理装置１００によって利用される第２学習モデルＭＯ３であって、学習モデルＭＯ１を情報処理装置１００用に分割した第２学習モデルＭＯ３とを生成する例を示したが、これに限定されない。例えば、生成部１３２は、学習モデルＭＯ１を任意の数の学習モデルに分割して生成してもよい。例えば、生成部１３２は、第１学習モデルと、第２学習モデルをさらに分割した第２学習モデル（１）と、第２学習モデル（２）とを生成してもよい。

〔６－３．精度の評価〕
上記実施形態では、更新部１３５は、端末装置２０によって通知された通知情報に基づいて、第１学習モデルが示すデータ容量が所定の閾値以上である場合に、第２学習モデル１２２のパラメータを更新する例を示したが、これに限定されない。例えば、評価部１３４は、第２学習モデルによって出力された出力情報が示す値が所定の範囲内に含まれるか否かを評価し、更新部１３５は、かかる値が所定の範囲内に含まれない場合に、第２学習モデルのパラメータを変更してもよい。

より具体的な例を挙げると、更新部１３５は、第２学習モデルによって出力された出力情報が示す値が所定の範囲内に含まれない場合に、第２学習モデル１２２のパラメータを更新する。すなわち、更新部１３５は、第２学習モデルによって出力された出力情報の精度が所定の閾値未満である場合に、第２学習モデル１２２のパラメータを更新してもよい。

このように、更新部１３５は、値が所定の範囲内に含まれない場合に、第２学習モデルのパラメータを変更するため、学習モデルに基づく情報処理をより効率的に実行することができる。

〔６－４．ネットワーク速度の評価〕
上記実施形態では、更新部１３５は、端末装置２０によって通知された通知情報に基づいて、第１学習モデルが示すデータ容量が所定の閾値以上である場合に、第２学習モデル１２２のパラメータを更新する例を示したが、これに限定されない。例えば、評価部１３４は、端末装置２０と情報処理装置１００との通信速度が所定の閾値未満であるか否かを評価し、更新部１３５は、かかる通信速度が所定の閾値未満である場合に、第２学習モデルのパラメータを変更してもよい。

より具体的な例を挙げると、端末装置２０及び情報処理装置１００が所定の期間毎に通信速度を計測するものとする。この場合、更新部１３５は、端末装置２０と情報処理装置１００との通信速度が所定の閾値未満である場合に、第２学習モデルのパラメータを変更してもよい。

このように、更新部１３５は、通信速度が所定の閾値未満である場合に、第２学習モデルのパラメータを変更するため、学習モデルに基づく情報処理をより効率的に実行することができる。

〔６－５．パラメータ〕
上記実施形態では、更新部１３５が評価結果に基づいて、第２学習モデルのパラメータを更新する例を挙げて説明したが、これに限定されない。例えば、更新部１３５は、第２学習モデルのパラメータ以外にも、第１学習モデルと、第２学習モデルとが分割された位置を変更してもよい。

より具体的な例を挙げると、学習モデルＭＯ１に含まれる各階層のうち、第１学習モデルＭＯ２と、第２学習モデルＭＯ３とが分割された位置が第１階層であるものとする。この場合、更新部１３５は、評価結果に基づいて、第１学習モデルと、第２学習モデルとが分割された位置である第１階層を、第１階層とは異なる他の階層である第２階層に変更してもよい。このとき、更新部１３５は、かかる第２階層に基づいて、第２学習モデルＭＯ３を更新してもよい。

このように、更新部１３５は、第１学習モデルと、第２学習モデルとが分割された位置を変更するため、学習モデルに基づく情報処理をより効率的に実行することができる。

〔６－６．プログラム〕
また、上述した実施形態に係る情報処理装置１００は、例えば、図６に示すような構成のコンピュータ１０００によって実現される。図６は、ハードウェア構成の一例を示す図である。コンピュータ１０００は、出力装置１０１０、入力装置１０２０と接続され、演算装置１０３０、一次記憶装置１０４０、二次記憶装置１０５０、出力ＩＦ（Interface）１０６０、入力ＩＦ１０７０、ネットワークＩＦ１０８０がバス１０９０により接続された形態を有する。

演算装置１０３０は、一次記憶装置１０４０や二次記憶装置１０５０に格納されたプログラムや入力装置１０２０から読み出したプログラム等に基づいて動作し、各種の処理を実行する。一次記憶装置１０４０は、ＲＡＭ等、演算装置１０３０が各種の演算に用いるデータを一次的に記憶するメモリ装置である。また、二次記憶装置１０５０は、演算装置１０３０が各種の演算に用いるデータや、各種のデータベースが登録される記憶装置であり、ＲＯＭ(Read Only Memory)、ＨＤＤ（Hard Disk Drive）、フラッシュメモリ等により実現される。

出力ＩＦ１０６０は、モニタやプリンタといった各種の情報を出力する出力装置１０１０に対し、出力対象となる情報を送信するためのインタフェースであり、例えば、ＵＳＢ（Universal Serial Bus）やＤＶＩ（Digital Visual Interface）、ＨＤＭＩ（登録商標）（High Definition Multimedia Interface）といった規格のコネクタにより実現される。また、入力ＩＦ１０７０は、マウス、キーボード、およびスキャナ等といった各種の入力装置１０２０から情報を受信するためのインタフェースであり、例えば、ＵＳＢ等により実現される。

なお、入力装置１０２０は、例えば、ＣＤ（Compact Disc）、ＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等から情報を読み出す装置であってもよい。また、入力装置１０２０は、ＵＳＢメモリ等の外付け記憶媒体であってもよい。

ネットワークＩＦ１０８０は、ネットワークＮを介して他の機器からデータを受信して演算装置１０３０へ送り、また、ネットワークＮを介して演算装置１０３０が生成したデータを他の機器へ送信する。

演算装置１０３０は、出力ＩＦ１０６０や入力ＩＦ１０７０を介して、出力装置１０１０や入力装置１０２０の制御を行う。例えば、演算装置１０３０は、入力装置１０２０や二次記憶装置１０５０からプログラムを一次記憶装置１０４０上にロードし、ロードしたプログラムを実行する。

例えば、コンピュータ１０００が情報処理装置１００として機能する場合、コンピュータ１０００の演算装置１０３０は、一次記憶装置１０４０上にロードされたプログラムを実行することにより、制御部１３０の機能を実現する。

〔６－７．その他〕
また、上記実施形態及び変形例において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。

また、上述してきた実施形態及び変形例は、処理内容を矛盾させない範囲で適宜組合せることが可能である。

また、上述してきた「部（section、module、unit）」は、「手段」や「回路」などに読み替えることができる。例えば、生成部は、生成手段や生成回路に読み替えることができる。

〔７．効果〕
上述してきたように、実施形態に係る情報処理装置１００は、生成部１３２と、提供部１３３とを有する。生成部１３２は、一の学習モデルを利用者によって利用される端末装置２０用に分割した第１学習モデルと、端末装置２０と通信可能な情報処理装置１００によって利用される第２学習モデルであって、一の学習モデルを情報処理装置１００用に分割した第２学習モデルとを生成する。提供部１３３は、第１学習モデルを端末装置２０に提供する。

実施形態に係る情報処理装置１００は、一の学習モデルを利用者によって利用される端末装置２０用に分割した第１学習モデルと、端末装置２０と通信可能な情報処理装置１００によって利用される第２学習モデルであって、一の学習モデルを情報処理装置１００用に分割した第２学習モデルとを生成する。そして、情報処理装置１００は、第１学習モデルを端末装置２０に提供する。これにより、情報処理装置１００は、端末装置２０によって第１学習モデルが利用され、情報処理装置１００によって第２学習モデルが利用されることで、学習モデルに基づく情報処理を協同的に実行する。このように、情報処理装置１００は、学習モデルに基づく情報処理をより効率的に実行することができる。

また、実施形態に係る情報処理装置１００において、生成部１３２は、一の学習モデルに含まれる各階層のうち、パラメータが所定の範囲内の変動量で変動する階層に基づいて第１学習モデルを生成し、パラメータが当該変動量よりも大きい変動量で変動する階層に基づいて第２学習モデルを生成する。

これにより、実施形態に係る情報処理装置１００は、一の学習モデルに含まれる各階層のうち、パラメータが所定の範囲内の変動量で変動する階層に基づいて第１学習モデルを生成し、パラメータが当該変動量よりも大きい変動量で変動する階層に基づいて第２学習モデルを生成するため、学習モデルに基づく情報処理をより効率的に実行することができる。

また、実施形態に係る情報処理装置１００において、生成部１３２は、第２学習モデルが示すデータ容量よりも小さいデータ容量を有する学習モデルを第１学習モデルとして生成する。

これにより、実施形態に係る情報処理装置１００は、第２学習モデルが示すデータ容量よりも小さいデータ容量を有する学習モデルを第１学習モデルとして生成するため、学習モデルに基づく情報処理をより効率的に実行することができる。

また、実施形態に係る情報処理装置１００において、生成部１３２は、所定の入力情報が第１学習モデルに入力され、第１学習モデルによって出力された出力情報が、第２学習モデルの入力情報として、第２学習モデルに入力されるように、第１学習モデルと、第２学習モデルとを生成する。

これにより、実施形態に係る情報処理装置１００は、所定の入力情報が第１学習モデルに入力され、第１学習モデルによって出力された出力情報が、第２学習モデルの入力情報として、第２学習モデルに入力されるように、第１学習モデルと、第２学習モデルとを生成するため、学習モデルに基づく情報処理をより効率的に実行することができる。

また、実施形態に係る情報処理装置１００において、生成部１３２は、第１学習モデルと、第２学習モデルをさらに分割した第２学習モデル（１）と、第２学習モデル（２）とを生成する。

これにより、実施形態に係る情報処理装置１００は、第１学習モデルと、第２学習モデルをさらに分割した第２学習モデル（１）と、第２学習モデル（２）とを生成するため、学習モデルに基づく情報処理をより効率的に実行することができる。

また、実施形態に係る情報処理装置１００において、第１学習モデル又は第２学習モデルを所定の条件に基づいて評価する評価部１３４と、評価部１３４によって評価された評価結果に基づいて、第２学習モデルを更新する更新部１３５とをさらに備える。

これにより、実施形態に係る情報処理装置１００は、第１学習モデル又は第２学習モデルが所定の条件に基づいて評価された評価結果に基づいて、第２学習モデルを更新するため、学習モデルに基づく情報処理をより効率的に実行することができる。

また、実施形態に係る情報処理装置１００において、更新部１３５は、評価結果に基づいて、第２学習モデルのパラメータを変更する。

これにより、実施形態に係る情報処理装置１００は、評価結果に基づいて、第２学習モデルのパラメータを変更するため、学習モデルに基づく情報処理をより効率的に実行することができる。

また、実施形態に係る情報処理装置１００において、評価部１３４は、端末装置２０によって通知された通知情報に基づいて、第１学習モデルが示すデータ容量が所定の閾値以上であるか否かを評価し、更新部１３５は、データ容量が所定の閾値以上である場合に、第２学習モデルのパラメータを変更する。

これにより、実施形態に係る情報処理装置１００は、データ容量が所定の閾値以上である場合に、第２学習モデルのパラメータを変更するため、学習モデルに基づく情報処理をより効率的に実行することができる。

また、実施形態に係る情報処理装置１００において、評価部１３４は、第２学習モデルによって出力された出力情報が示す値が所定の範囲内に含まれるか否かを評価し、更新部１３５は、値が所定の範囲内に含まれない場合に、第２学習モデルのパラメータを変更する。

これにより、実施形態に係る情報処理装置１００は、値が所定の範囲内に含まれない場合に、第２学習モデルのパラメータを変更するため、学習モデルに基づく情報処理をより効率的に実行することができる。例えば、情報処理装置１００は、実際に利用者に対して提供されるサービスにおいて使用するデータセットを利用して出力情報が示す値の精度を評価することで、第２学習モデルを最適な状態に保つことができる。

また、実施形態に係る情報処理装置１００において、評価部１３４は、端末装置２０と情報処理装置１００との通信速度が所定の閾値未満であるか否かを評価し、更新部１３５は、通信速度が所定の閾値未満である場合に、第２学習モデルのパラメータを変更する。

これにより、実施形態に係る情報処理装置１００は、通信速度が所定の閾値未満である場合に、第２学習モデルのパラメータを変更するため、学習モデルに基づく情報処理をより効率的に実行することができる。

以上、本願の実施形態のいくつかを図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の欄に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。

Ｎ ネットワーク
１ 情報処理システム
１０ 外部サーバ
２０ 端末装置
１００ 情報処理装置
１１０ 通信部
１２０ 記憶部
１２１ 学習モデル
１２２ 第２学習モデル
１２３ 評価情報記憶部
１３０ 制御部
１３１ 受付部
１３２ 生成部
１３３ 提供部
１３４ 評価部
１３５ 更新部

Claims (12)

1. 一の学習モデルに含まれる各階層のうち、パラメータの変動量が所定の条件を満たす階層を利用者によって利用される端末装置用に分割した第１学習モデルと、当該端末装置と通信可能な情報処理装置によって利用される第２学習モデルであって、当該一の学習モデルに含まれる各階層のうち、当該第１学習モデルに割り当てた当該所定の条件を満たす階層が示すパラメータの変動量よりも大きい変動量を示す階層を情報処理装置用に分割した第２学習モデルとを生成する生成部と、
   前記第１学習モデルを前記端末装置に提供する提供部と
   を備えることを特徴とする情報処理装置。
2. 前記生成部は、
   前記一の学習モデルに含まれる各階層のうち、パラメータが所定の範囲内の変動量で変動する階層に基づいて前記第１学習モデルを生成し、パラメータが当該変動量よりも大きい変動量で変動する階層に基づいて前記第２学習モデルを生成する
   ことを特徴とする請求項１に記載の情報処理装置。
3. 前記生成部は、
   前記第２学習モデルが示すデータ容量よりも小さいデータ容量を有する学習モデルを前記第１学習モデルとして生成する
   ことを特徴とする請求項１又は２に記載の情報処理装置。
4. 前記生成部は、
   所定の入力情報が前記第１学習モデルに入力され、前記第１学習モデルによって出力された出力情報が、前記第２学習モデルの入力情報として、前記第２学習モデルに入力されるように、前記第１学習モデルと、前記第２学習モデルとを生成する
   ことを特徴とする請求項１～３のいずれか１つに記載の情報処理装置。
5. 前記生成部は、
   前記第１学習モデルと、前記第２学習モデルをさらに分割した第２学習モデル（１）と、第２学習モデル（２）とを生成する
   ことを特徴とする請求項１～４のいずれか１つに記載の情報処理装置。
6. 前記第１学習モデル又は前記第２学習モデルを所定の条件に基づいて評価する評価部と、
   前記評価部によって評価された評価結果に基づいて、前記第２学習モデルを更新する更新部とをさらに備える
   ことを特徴とする請求項１～５のいずれか１つに記載の情報処理装置。
7. 前記更新部は、
   前記評価結果に基づいて、前記第２学習モデルのパラメータを変更する
   ことを特徴とする請求項６に記載の情報処理装置。
8. 前記評価部は、
   前記端末装置によって通知された通知情報に基づいて、前記第１学習モデルが示すデータ容量が所定の閾値以上であるか否かを評価し、
   前記更新部は、
   前記データ容量が所定の閾値以上である場合に、前記第２学習モデルのパラメータを変更する
   ことを特徴とする請求項６又は７に記載の情報処理装置。
9. 前記評価部は、
   前記第２学習モデルによって出力された出力情報が示す値が所定の範囲内に含まれるか否かを評価し、
   前記更新部は、
   前記値が所定の範囲内に含まれない場合に、前記第２学習モデルのパラメータを変更する
   ことを特徴とする請求項６～８のいずれか１つに記載の情報処理装置。
10. 前記評価部は、
    前記端末装置と前記情報処理装置との通信速度が所定の閾値未満であるか否かを評価し、
    前記更新部は、
    前記通信速度が所定の閾値未満である場合に、前記第２学習モデルのパラメータを変更する
    ことを特徴とする請求項６～９のいずれか１つに記載の情報処理装置。
11. コンピュータが実行する情報処理方法であって、
    一の学習モデルに含まれる各階層のうち、パラメータの変動量が所定の条件を満たす階層を利用者によって利用される端末装置用に分割した第１学習モデルと、当該端末装置と通信可能な情報処理装置によって利用される第２学習モデルであって、当該一の学習モデルに含まれる各階層のうち、当該第１学習モデルに割り当てた当該所定の条件を満たす階層が示すパラメータの変動量よりも大きい変動量を示す階層を情報処理装置用に分割した第２学習モデルとを生成する生成工程と、
    前記第１学習モデルを前記端末装置に提供する提供工程と
    を含むことを特徴とする情報処理方法。
12. 一の学習モデルに含まれる各階層のうち、パラメータの変動量が所定の条件を満たす階層を利用者によって利用される端末装置用に分割した第１学習モデルと、当該端末装置と通信可能な情報処理装置によって利用される第２学習モデルであって、当該一の学習モデルに含まれる各階層のうち、当該第１学習モデルに割り当てた当該所定の条件を満たす階層が示すパラメータの変動量よりも大きい変動量を示す階層を情報処理装置用に分割した第２学習モデルとを生成する生成手順と、
    前記第１学習モデルを前記端末装置に提供する提供手順と
    をコンピュータに実行させるための情報処理プログラム。

Images