JP7381585B2 - 情報処理システム - Google Patents

Description

関連出願の相互参照

本出願は、日本国出願２０１９－１３９９８９号（２０１９年７月３０日出願）及び日本国出願２０１９－１４０００６号（２０１９年７月３０日出願）の優先権を主張するものであり、当該出願の開示全体を、ここに参照のために取り込む。

本開示は、情報処理システムに関する。

特許文献１には、情報処理システムに関する技術が開示されている。

特開２０１９－３３３６９号公報

情報処理システムが開示される。一の実施の形態では、情報処理システムは、特定の組織のイントラネット内の第１システムと、イントラネット外に配された、特定の組織の第２システムと、第２システムとイントラネット外のインターネットで接続されたサーバとを備える。第２システムは、イントラネット外に存在するサーバを通じて、第１システムと通信する。

また、一の実施の形態では、情報処理システムは、イントラネット内に存在し、機械学習モデル及び統計解析モデルの一方のモデルである第１モデルを備える。イントラネット内の第１情報が第１モデルに入力され、第１情報が入力されたときに第１モデルから出力される第２情報が、イントラネット外に存在する、インターネットに接続されたクラウドサーバが備える一方のモデルである第２モデルに入力されるという第１処理と、イントラネット内の第３情報と第２モデルから出力される第４情報とが第１モデルに入力されるという第２処理の少なくとも一方の処理が実行される。

情報処理システムの構成例を示す図である。 工場システムの構成例を示す図である。 工場システムの構成例を示す図である。 サーバの構成例を示す図である。 デバイスゲートウェイの構成例を示す図である。 クラウドサーバの構成例を示す図である。 事業部サーバの構成例を示す図である。 工場システムの動作例を示す図である。 情報処理システムの動作例を示す図である。 情報処理システムの動作例を示す図である。 情報処理システムの動作例を示す図である。 工場システムの構成例を示す図である。 工場システムの構成例を示す図である。 工場システムの構成例を示す図である。 工場システムの構成例を示す図である。 情報処理システムの動作例を説明するための図である。 情報処理システムの動作例を説明するための図である。

図１は情報処理システム１の構成例を示すブロック図である。情報処理システム１は、例えば、ある特定組織のイントラネットを含む情報処理システムである。特定組織とは、例えば企業を指す。情報処理システム１は、例えば、複数の工場を備える企業のイントラネットを含む情報処理システムである。情報処理システム１は、ＩｏＴ（Internet of Things）システムの一種である。情報処理システム１は、工場ＩｏＴシステムであると言える。

図１に示されるように、情報処理システム１は、ある企業（特定組織）が有するイントラネット２を備える。以後、当該ある企業を特定企業と呼ぶことがある。特定企業は、例えば、互いに異なる場所に設けられた複数の工場Ａ～Ｄを備える。なお、特定企業が備える工場の数はこの限りではない。

イントラネット２内には、情報処理システム３が設けられている。情報処理システム３は、工場Ａシステム４ａと、工場Ｂシステム４ｂと、工場Ｃシステム４ｃと、オンプレミスシステム５とを備える。工場Ａシステム４ａは工場Ａが備える情報処理システムである。工場Ｂシステム４ｂは工場Ｂが備える情報処理システムである。工場Ｃシステム４ｃは工場Ｃが備える情報処理システムである。オンプレミスシステム５は、特定企業が有する基幹システムであって、情報処理システムの一種である。

工場Ａシステム４ａ、工場Ｂシステム４ｂ及び工場Ｃシステム４ｃは互いに接続されている。工場Ａシステム４ａ、工場Ｂシステム４ｂ、工場Ｃシステム４ｃ及びオンプレミスシステム５はシステムＩ／Ｆ２０に接続されている。Ｉ／Ｆはインターフェースを意味する。システムＩ／Ｆ２０は、イントラネット２内の複数のシステム間を接続する機能と、イントラネット２内のシステムとイントラネット２外の装置とを接続するための機能とを有している。工場Ａシステム４ａ、工場Ｂシステム４ｂ及び工場Ｃシステム４ｃのそれぞれは、システムＩ／Ｆ２０を通じてオンプレミスシステム５と通信可能である。

情報処理システム１は、イントラネット２以外にも、工場Ｄシステム４ｄと、サーバ１０，１１，１２（本実施の形態では、クラウドサーバ１０，１１，１２）と、ファイヤーウォール１３，１４，１５とを備える。工場Ｄシステム４ｄ、クラウドサーバ１０，１１，１２及びファイヤーウォール１３，１４，１５は、イントラネット２外に存在し、インターネットに接続されている。

工場Ｄシステム４ｄは、特定企業の工場Ｄが備える情報処理システムである。工場Ｄシステム４ｄは、特定企業が備えるシステムであるものの、イントラネット２外に設けられている。ファイヤーウォール１３，１４，１５のそれぞれは、一種のコンピュータ装置である。クラウドサーバ１０，１１，１２のそれぞれは、一種のコンピュータ装置である。

ファイヤーウォール１３はイントラネット２とクラウドサーバ１０に接続されている。ファイヤーウォール１４は工場Ｄシステム４ｄとクラウドサーバ１０に接続されている。ファイヤーウォール１５はクラウドサーバ１０とシステムＩ／Ｆ２０に接続されている。クラウドサーバ１１及び１２はシステムＩ／Ｆ２０に接続されている。

工場Ｄシステム４ｄは、ファイヤーウォール１４、クラウドサーバ１０及びファイヤーウォール１３を通じて、イントラネット２内の工場Ａシステム４ａ、工場Ｂシステム４ｂ及び工場Ｃシステム４ｃのそれぞれと通信することが可能である。

以後、工場Ａシステム４ａ、工場Ｂシステム４ｂ、工場Ｃシステム４ｃ及び工場Ｄシステム４ｄを特に区別する必要が無い場合には、それぞれを工場システム４と呼ぶことがある。また、イントラネット２内の工場システム４をイントラ内工場システム４と呼び、イントラネット２外の工場システム４をイントラ外工場システム４と呼ぶことがある。また、工場Ｄシステム４ｄを、イントラ外工場システム４ｄと呼ぶことがある。

クラウドサーバ１０は、例えば、特定企業以外の企業によって管理及び運営される。クラウドサーバ１０は、ファイヤーウォール１４を通じて工場Ｄシステム４ｄと通信することが可能である。また、クラウドサーバ１０は、ファイヤーウォール１３を通じてイントラネット２内の工場Ａシステム４ａ、工場Ｂシステム４ｂ及び工場Ｃシステム４ｃのそれぞれと通信することが可能である。また、クラウドサーバ１０は、ファイヤーウォール１５及びシステムＩ／Ｆ２０を通じて、イントラネット２内のオンプレミスシステム５と通信することが可能である。

クラウドサーバ１０には、クラウドサーバ１０が備えるハードウェア及びソフトウェアが協働することによって、少なくとも１種類のサービスを提供するクラウドＰ／Ｆ１００が構築される。Ｐ／Ｆはプラットフォームを意味する。クラウドＰ／Ｆ１００は、例えば機械学習エンジン１０１を含む。機械学習エンジン１０１は、機械学習装置であるとも言える。機械学習エンジン１０１は、推論結果を出力する機械学習モデルを生成する。つまり、機械学習エンジン１０１は、入力される情報に基づいて機械学習モデルを学習させて、学習済み機械学習モデルを生成する。そして、機械学習エンジン１０１は、学習済み機械学習モデルに情報を入力し、学習済み機械学習モデルから出力される情報を推論結果として使用する。以後、機械学習モデルを学習モデルと呼ぶことがある。また、学習済み機械学習モデルを学習済みモデルと呼ぶことがある。学習済みモデルは推論モデルと呼ばれることがある。

機械学習エンジン１０１は、例えば深層学習を用いる。この場合、学習モデルには、ニューラルネットワークが含まれる。機械学習エンジン１０１は、ニューラルネットワークのパラメータを学習して、学習済みモデルを生成する。ニューラルネットワークのパラメータには、人工ニューロン間の結合の重みを示す重み付け係数が含まれる。機械学習エンジン１０１は、教師なし学習を行ってもよいし、教師あり学習を行ってもよい。また、機械学習エンジン１０１は強化学習を行ってもよい。深層学習と強化学習の組み合わせは深層強化学習と呼ばれる。ニューラルネットワークを含む学習モデルは、ＡＩ（Artificial Intelligence）モデルと呼ばれることがある。なお、機械学習エンジン１０１は、機械学習の手法として、深層学習以外の手法を使用してもよい。

クラウドサーバ１１は、例えば、特定企業以外の企業によって管理及び運営される。クラウドサーバ１１は、システムＩ／Ｆ２０を通じて、イントラネット２内の各工場システム４及びオンプレミスシステム５と通信することが可能である。クラウドサーバ１１には、クラウドサーバ１１が備えるハードウェア及びソフトウェアが協働することによって、少なくとも１種類のサービスを提供するクラウドＰ／Ｆ１１０が構築される。クラウドＰ／Ｆ１１０は、例えば機械学習エンジン１１１を含む。機械学習エンジン１１１の性能は、例えば、機械学習エンジン１０１の性能と異なっている。

機械学習エンジン１１１は、例えば深層学習を用いる。この場合、機械学習エンジン１１１は、学習モデルに含まれるニューラルネットワークのパラメータを学習して、学習済みモデルを生成する。機械学習エンジン１１１は、教師なし学習を行ってもよいし、教師あり学習を行ってもよい。また、機械学習エンジン１１１は強化学習を行ってもよい。なお、機械学習エンジン１１１は、深層学習以外の手法を使用してもよい。

クラウドサーバ１２は、例えば、特定企業以外の企業によって管理及び運営される。クラウドサーバ１２は、システムＩ／Ｆ２０を通じて、イントラネット２内の各工場システム４及びオンプレミスシステム５と通信することが可能である。クラウドサーバ１２には、クラウドサーバ１２が備えるハードウェア及びソフトウェアが協働することによって、少なくとも１種類のサービスを提供するクラウドＰ／Ｆ１２０が構築される。クラウドＰ／Ｆ１２０は、例えば統計解析エンジン１２１を含む。統計解析エンジン１２１は、統計解析装置であるとも言える。統計解析エンジン１２１は、例えば回帰分析を行うことができる。統計解析エンジン１２１は、入力される情報に対して統計解析を行って、所定の情報を出力する統計解析モデルを生成する。統計解析モデルは、入力される情報に応じて所定の情報を出力する。

なお、クラウドサーバ１０，１１，１２の少なくとも一つは、特定企業によって管理及び運営されてもよい。

＜工場システムの構成例＞
次に工場システム４の構成例について説明する。各工場システム４は、センサ等のデバイスから得られる情報をクラウドサーバ１０に送信することが可能である。また、各工場システム４は、クラウドサーバ１０からの情報に基づいてデバイスを制御することが可能である。

図２は工場システム４の構成例を示すブロック図である。情報処理システム１が備える複数の工場システム４は互いに同様の構成を備えている。図２では、図面の煩雑化を避けるために、工場Ａシステム４ａが備える構成を詳細に示している。

図２に示されるように、各工場システム４は、サーバ４０と、複数のデバイスゲートウェイ４１と、複数のデバイス４２とを備える。サーバ４０及び各デバイスゲートウェイ４１は、一種のコンピュータ装置である。サーバ４０のコンピュータ性能は、例えば、デバイスゲートウェイ４１のコンピュータ性能よりも高くなっている。複数のデバイス４２のそれぞれは、複数のデバイスゲートウェイ４１のいずれか一つに接続される。以後、デバイスゲートウェイ４１をデバイスＧＷ４１と呼ぶことがある。

本例の情報処理システム１では、フォグコンピューティングが採用されている。フォグコンピューティングとは、例えばネットワーク環境において、端末に近い場所での処理環境を意味する。サーバ４０には、サーバ４０が備えるハードウェア及びソフトウェアが協働することによって、各デバイスＧＷ４１を制御するフォグＰ／Ｆ４００が構築される。フォグＰ／Ｆ４００は、自身が属する工場システム４を管理する。各イントラ内工場システム４のフォグＰ／Ｆ４００は、ファイヤーウォール１３を通じて、クラウドＰ／Ｆ１００と通信することが可能である。複数のイントラ内工場システム４のサーバ４０は互いに接続されている。複数のイントラ内工場システム４のフォグＰ／Ｆ４００は互いに通信することが可能である。各イントラ内工場システム４のサーバ４０はシステムＩ／Ｆ２０に接続されている。各イントラ内工場システム４のフォグＰ／Ｆ４００は、システムＩ／Ｆ２０を通じて、オンプレミスシステム５、クラウドＰ／Ｆ１１０及びクラウドＰ／Ｆ１２０と通信可能である。

イントラ外工場システム４ｄのフォグＰ／Ｆ４００は、ファイヤーウォール１４を通じてクラウドＰ／Ｆ１００と通信可能である。イントラ外工場システム４ｄのフォグＰ／Ｆ４００は、ファイヤーウォール１４、クラウドサーバ１０及びファイヤーウォール１３を通じて、各イントラ内工場システム４のフォグＰ／Ｆ４００と通信可能である。イントラ外工場システム４ｄのフォグＰ／Ｆ４００は、ファイヤーウォール１４、クラウドサーバ１０、ファイヤーウォール１３、イントラ内工場システムのフォグＰ／Ｆ４００及びシステムＩ／Ｆ２０を通じて、オンプレミスシステム５、クラウドＰ／Ｆ１１０及びクラウドＰ／Ｆ１２０と通信可能である。なお、イントラ外工場システム４ｄのフォグＰ／Ｆ４００は、ファイヤーウォール１４、クラウドサーバ１０、ファイヤーウォール１５及びシステムＩ／Ｆ２０を通じて、オンプレミスシステム５、クラウドＰ／Ｆ１１０及びクラウドＰ／Ｆ１２０と通信可能であってもよい。

このように、情報処理システム１では、複数の工場システム４のフォグＰ／Ｆ４００及びクラウドＰ／Ｆ１００は、互いに情報のやり取りを行うことができる。また、各工場システム４のフォグＰ／Ｆ４００は、オンプレミスシステム５、クラウドＰ／Ｆ１１０及びクラウドＰ／Ｆ１２０のそれぞれと情報のやり取りを行うことができる。フォグＰ／Ｆ４００は、例えばルールベースに基づいて動作させてもよい。この場合、フォグＰ／Ｆ４００は、予め設定されたルールに従って動作を行う。

各デバイスＧＷ４１には、少なくとも一つのデバイス４２が接続される。デバイスＧＷ４１は、それに接続された少なくとも一つのデバイス４２から得られる情報４２０をフォグＰ／Ｆ４００に送信する。また、デバイスＧＷ４１は、フォグＰ／Ｆ４００からの指示に基づいて、それに接続されたデバイス４２を制御することがある。

一つのデバイスＧＷ４１に接続される少なくとも一つのデバイス４２には、例えば、センサ及びＰＬＣ（Programmable Logic Controller）の少なくとも一方が含まれる。ＰＬＣはシーケンサと呼ばれることがある。以後、デバイス４２としてのセンサをセンサ４２ａと呼び、デバイス４２としてのＰＬＣをＰＬＣ４２ｂと呼ぶことがある（図２参照）。

センサ４２ａは、例えば数秒に１回、検出動作を行って検出情報を出力する。工場システム４が備える複数のデバイス４２には、温度センサ、湿度センサ、加速度センサ、振動センサ、ｐＨセンサ、照度センサ、位置センサ、気圧センサ、水位センサ、流量センサ、電圧センサ、電流センサ、電気抵抗センサ、マイク及びカメラの少なくとも一つのセンサが含まれてもよい。なお、工場システム４が備えるセンサ４２ａの種類はこの限りではない。

ＰＬＣ４２ｂは、工場内の少なくとも一つの制御対象装置を制御することが可能である。ＰＬＣ４２ｂは、スイッチ及びセンサ等の出力に基づいて、少なくとも一つの制御対象装置を制御する。ＰＬＣ４２ｂが制御する少なくとも一つの制御対象装置には、ランプ、ブザー、モータ、バルブ、ポンプ、センサ及びロボットの少なくとも一つが含まれてもよい。デバイスＧＷ４１は、ＰＬＣ４２ｂから、それに接続されている装置に関する情報を取得することができる。例えば、デバイスＧＷ４１は、スイッチのオン／オフ状態、ランプの点灯状態、ブザーが鳴っているか否か、モータの回転数、バルブの開度、ポンプの動作状況、センサの検出情報、センサが出力するアラーム情報、センサのオン／オフ状態あるいはロボットの動作状況などを、ＰＬＣ４２ｂから取得することができる。なお、ＰＬＣ４２ｂが制御する装置の種類はこの限りではない。

工場システム４が備える複数のデバイスＧＷ４１の数は、工場ごとに設定される。したがって、工場システム４が備える複数のデバイスＧＷ４１の数は、少なくとも２つの工場システム４の間において異なることがある。また、工場システム４が備える複数のデバイス４２の数及び種類は、工場ごとに設定される。したがって、工場システム４が備える複数のデバイス４２の数及び種類は、少なくとも２つの工場システム４の間において異なることがある。

フォグＰ／Ｆ４００は、自身が管理する工場システム４の状態を把握している。フォグＰ／Ｆ４００が把握している工場システム４の状態には、例えば、フォグＰ／Ｆ４００に対してどのようなデバイスＧＷ４１が接続されているか、当該デバイスＧＷ４１がどのような動作を行うのかが含まれる。また、フォグＰ／Ｆ４００が把握している工場システム４の状態には、フォグＰ／Ｆ４００に接続されたデバイスＧＷ４１に対してどのようなデバイス４２が接続されているか、当該デバイス４２がどのような動作を行うのかが含まれる。

なお、複数の工場システム４のうち、少なくとも一つの工場システム４では、サーバ４０によって制御されないデバイスＧＷ４１が設けられてもよい。図３は、サーバ４０によって制御されないデバイスＧＷ４１を備える工場システム４の構成例を示す図である。図３の例では、サーバ４０のフォグＰ／Ｆ４００は、複数のデバイスＧＷ４１に含まれる一つのデバイスＧＷ４１ａを制御できないようになっている。デバイスＧＷ４１ａが、イントラ内工場システム４に設けられる場合には、デバイスＧＷ４１ａは、ファイヤーウォール１３を通じてクラウドサーバ１０と通信する。一方で、デバイスＧＷ４１ａが、イントラ外工場システム４ｄに設けられる場合には、デバイスＧＷ４１ａは、ファイヤーウォール１４を通じてクラウドサーバ１０と通信する。デバイスＧＷ４１ａは、デバイス４２から得られる情報４２０をクラウドＰ／Ｆ１００に送信することが可能である。以後の説明では、例えばイントラネット２外の工場Ｄシステム４ｄの構成が、図３に示される構成であるとする。

工場システム４が備える複数のデバイス４２に複数のＰＬＣ４２ｂが含まれる場合には、当該複数のＰＬＣ４２ｂが接続されたマスタＰＬＣとデバイスＧＷ４１とが接続されてもよい。この場合、デバイスＧＷ４１は、マスタＰＬＣを通じて、ＰＬＣ４２ｂから得られる情報４２０を取得することができる。

図４はサーバ４０の構成例を示すブロック図である。図５はデバイスＧＷ４１の構成例を示すブロック図である。図４に示されるように、サーバ４０は、制御部４０１と通信部４０５及び４０６とを備える。制御部４０１は、サーバ４０の他の構成要素を制御することによって、サーバ４０の動作を統括的に管理することが可能である。制御部４０１は制御装置あるいは制御回路とも言える。制御部４０１は、以下にさらに詳細に述べられるように、種々の機能を実行するための制御及び処理能力を提供するために、少なくとも１つのプロセッサを含む。

種々の実施形態によれば、少なくとも１つのプロセッサは、単一の集積回路（ＩＣ）として、又は複数の通信可能に接続された集積回路ＩＣ及び／又はディスクリート回路（discrete circuits）として実行されてもよい。少なくとも１つのプロセッサは、種々の既知の技術に従って実行されることが可能である。

１つの実施形態において、プロセッサは、例えば、関連するメモリに記憶された指示を実行することによって１以上のデータ計算手続又は処理を実行するように構成された１以上の回路又はユニットを含む。他の実施形態において、プロセッサは、１以上のデータ計算手続き又は処理を実行するように構成されたファームウェア（例えば、ディスクリートロジックコンポーネント）であってもよい。

種々の実施形態によれば、プロセッサは、１以上のプロセッサ、コントローラ、マイクロプロセッサ、マイクロコントローラ、特定用途向け集積回路（ＡＳＩＣ）、デジタル信号処理装置、プログラマブルロジックデバイス、フィールドプログラマブルゲートアレイ、又はこれらのデバイス若しくは構成の任意の組み合わせ、又は他の既知のデバイス及び構成の組み合わせを含み、以下に説明される機能を実行してもよい。

本例では、制御部４０１は、ＣＰＵ（Central Processing Unit）４０２及び記憶部４０３を備える。記憶部４０３は、ＲＯＭ（Read Only Memory）及びＲＡＭ（Random Access Memory）などの、ＣＰＵ４０２が読み取り可能な非一時的な記録媒体を含む。記憶部４０３には、サーバ４０を制御するための制御プログラム４０３ａ等が記憶されている。サーバ４０の各種機能は、ＣＰＵ４０２が記憶部４０３内の制御プログラム４０３ａを実行することによって実現される。サーバ４０では、ＣＰＵ４０２が制御プログラム４０３ａを実行することによって、機能ブロックとしてのフォグＰ／Ｆ４００が構築される。

なお、制御部４０１の構成は上記の例に限られない。例えば、制御部４０１は、複数のＣＰＵ４０２を備えてもよい。また制御部４０１は、少なくとも一つのＤＳＰ（Digital Signal Processor）を備えてもよい。また、制御部４０１の全ての機能あるいは制御部４０１の一部の機能は、その機能の実現にソフトウェアが不要な、ハードウェア回路によって実現されてもよい。また、記憶部４０３は、ＲＯＭ及びＲＡＭ以外の、コンピュータが読み取り可能な非一時的な記録媒体を備えていてもよい。記憶部４０３は、例えば、小型のハードディスクドライブ及びＳＳＤ（Solid State Drive）などを備えていてもよい。

通信部４０５は、ファイヤーウォールを通じてクラウドサーバ１０と通信することが可能である。通信部４０５は、ファイヤーウォールと、有線接続及び無線接続の少なくとも一方が使用されて接続されてもよい。また、通信部４０５は、システムＩ／Ｆ２０を通じて、オンプレミスシステム５とクラウドサーバ１１及び１２と通信することが可能である。通信部４０６は、複数のデバイスＧＷ４１と通信することが可能である。通信部４０６は、複数のデバイスＧＷ４１と、有線接続及び無線接続の少なくとも一方が使用されて接続されてもよい。通信部４０５及び４０６は通信回路とも言える。

サーバ４０の構成は上記の例に限られない。例えば、サーバ４０は、制御部４０１によって制御されるディスプレイを備えてもよい。また、サーバ４０は、ユーザの操作を受け付ける操作部を備えてもよい。操作部には、マウスが含まれてよいし、キーボードが含まれてもよし、タッチパネルが含まれてもよい。

デバイスＧＷ４１は、図５に示されるように、制御部４１１と、通信部４１５と、デバイスＩ／Ｆ４１６とを備える。制御部４１１は、デバイスＧＷ４１の他の構成要素を制御することによって、デバイスＧＷ４１の動作を統括的に管理することが可能である。制御部４１１は、以下にさらに詳細に述べられるように、種々の機能を実行するための制御及び処理能力を提供するために、少なくとも１つのプロセッサを含む。サーバ４０の制御部４０１が備えるプロセッサについての上記の説明は、制御部４１１が備えるプロセッサについても適用することができる。

本例では、制御部４１１は、ＣＰＵ４１２及び記憶部４１３を備える。記憶部４１３は、ＲＯＭ及びＲＡＭなどの、ＣＰＵ４１２が読み取り可能な非一時的な記録媒体を含む。記憶部４１３には、デバイスＧＷ４１を制御するための制御プログラム４１３ａ等が記憶されている。デバイスＧＷ４１の各種機能は、ＣＰＵ４１２が記憶部４１３内の制御プログラム４１３ａを実行することによって実現される。

なお、制御部４１１の構成は上記の例に限られない。例えば、制御部４１１は、複数のＣＰＵ４１２を備えてもよい。また制御部４１１は、少なくとも一つのＤＳＰを備えてもよい。また、制御部４１１の全ての機能あるいは制御部４１１の一部の機能は、その機能の実現にソフトウェアが不要な、ハードウェア回路によって実現されてもよい。また、記憶部４１３は、ＲＯＭ及びＲＡＭ以外の、コンピュータが読み取り可能な非一時的な記録媒体を備えていてもよい。

通信部４１５は、サーバ４０の通信部４０６と通信することが可能である。デバイスＩ／Ｆ４１６には、少なくとも一つのデバイス４２が接続される。制御部４１１は、デバイスＩ／Ｆ４１６を通じて、デバイス４２で得られる情報４２０を取得することができる。また、制御部４１１は、デバイスＩ／Ｆ４１６を通じて、デバイス４２を制御することもある。デバイスＩ／Ｆ４１６は、デバイスＩ／Ｆ回路とも言える。

デバイスＧＷ４１の構成は上記の例に限られない。例えば、デバイスＧＷ４１は、制御部４１１によって制御されるディスプレイを備えてもよい。また、デバイスＧＷ４１は、ユーザの操作を受け付ける操作部を備えてもよい。

＜クラウドサーバの構成例＞
次にクラウドサーバ１０，１１，１２の構成例について説明する。クラウドサーバ１０，１１，１２は、例えば、同様のハードウェア構成を備えている。図６はクラウドサーバ１０，１１，１２の構成例を示すブロック図である。

図６に示されるように、クラウドサーバ１０，１１，１２のそれぞれは、制御部１５１及び通信部１５５を備える。制御部１５１は、クラウドサーバの他の構成要素を制御することによって、クラウドサーバの動作を統括的に管理することが可能である。制御部１５１は、以下にさらに詳細に述べられるように、種々の機能を実行するための制御及び処理能力を提供するために、少なくとも１つのプロセッサを含む。サーバ４０の制御部４０１が備えるプロセッサについての上記の説明は、制御部１５１が備えるプロセッサについても適用することができる。

本例では、制御部１５１は、ＣＰＵ１５２及び記憶部１５３を備える。記憶部１５３の記憶容量は、例えば、工場システム４のサーバ４０の記憶部４０３の記憶容量よりも大きくなっている。記憶部１５３は、ＲＯＭ及びＲＡＭなどの、ＣＰＵ１５２が読み取り可能な非一時的な記録媒体を含む。記憶部１５３には、クラウドサーバを制御するための制御プログラム１５３ａ等が記憶されている。クラウドサーバの各種機能は、ＣＰＵ１５２が記憶部１５３内の制御プログラム１５３ａを実行することによって実現される。クラウドサーバ１０では、ＣＰＵ１５２が制御プログラム１５３ａを実行することによって、機能ブロックとしてのクラウドＰ／Ｆ１００が構築される。クラウドサーバ１１では、ＣＰＵ１５２が制御プログラム１５３ａを実行することによってクラウドＰ／Ｆ１１０が構築される。クラウドサーバ１２では、ＣＰＵ１５２が制御プログラム１５３ａを実行することによって、クラウドＰ／Ｆ１２０が構築される。

なお、制御部１５１の構成は上記の例に限られない。例えば、制御部１５１は、複数のＣＰＵ１５２を備えてもよい。また制御部１５１は、少なくとも一つのＤＳＰを備えてもよい。また、制御部１５１の全ての機能あるいは制御部１５１の一部の機能は、その機能の実現にソフトウェアが不要な、ハードウェア回路によって実現されてもよい。また、記憶部１５３は、ＲＯＭ及びＲＡＭ以外の、コンピュータが読み取り可能な非一時的な記録媒体を備えていてもよい。

通信部１５５はインターネットに接続されている。通信部１５５は、インターネットを通じて、各種情報を取得することが可能である。クラウドサーバ１０の通信部１５５は、ファイヤーウォールを通じて、各工場システム４のサーバ４０の通信部４０５及びデバイスＧＷ４１の通信部４１５の少なくとも一方と通信することが可能である。また、クラウドサーバ１０の通信部１５５は、ファイヤーウォール１５及びシステムＩ／Ｆ２０を通じて、オンプレミスシステム５と通信することが可能である。

クラウドサーバ１１及び１２の通信部１５５はシステムＩ／Ｆ２０に接続されている。クラウドサーバ１１及び１２の通信部１５５は、システムＩ／Ｆ２０を通じて、各イントラ内工場システム４のサーバ４０の通信部４０５及びオンプレミスシステム５と通信することが可能である。また、クラウドサーバ１１及び１２の通信部１５５は、システムＩ／Ｆ２０、イントラ内工場システム４のサーバ４０、ファイヤーウォール１３、クラウドサーバ１０及びファイヤーウォール１４を通じて、イントラ外工場システム４ｄのサーバ４０の通信部４０５と通信可能である。なお、クラウドサーバ１１及び１２の通信部１５５は、システムＩ／Ｆ２０、ファイヤーウォール１５、クラウドサーバ１０及びファイヤーウォール１４を通じて、イントラ外工場システム４ｄのサーバ４０の通信部４０５と通信可能であってもよい。

通信部１５５は、情報処理システム１に含まれない装置と通信してもよい。例えば、通信部１５５は、インターネットに接続されている、気象情報を提供するサーバと通信してもよい。この場合、制御部１５１は通信部１５５で受信される気象情報を記憶部１５３に記憶してもよい。通信部１５５は、インターネットに接続されている、経済情報を提供するサーバと通信してもよい。この場合、制御部１５１は通信部１５５で受信される経済情報を記憶部１５３に記憶してもよい。

クラウドサーバ１０，１１，１２の構成は上記の例に限られない。例えば、クラウドサーバ１０，１１，１２の少なくとも一つは、制御部１５１によって制御されるディスプレイを備えてもよい。また、クラウドサーバ１０，１１，１２の少なくとも一つは、ユーザの操作を受け付ける操作部を備えてもよい。また、クラウドサーバ１０，１１，１２の少なくとも２つは、互いに異なるハードウェア構成を備えてもよい。

＜オンプレミスシステムの構成例＞
次にオンプレミスシステム５の構成例について説明する。図１に示されるように、オンプレミスシステム５は、例えば、特定企業の事業部ごとに設けられた事業部サーバ５０を備える。事業部サーバ５０は一種のコンピュータ装置である。事業部サーバ５０は、それに対応する事業部での生産管理情報、会計情報及び技術情報を管理している。

図７は事業部サーバ５０の構成例を示すブロック図である。図７に示されるように、事業部サーバ５０は、例えば制御部５０１及び通信部５０５を備える。制御部５０１は、事業部サーバ５０の他の構成要素を制御することによって、事業部サーバ５０の動作を統括的に管理することが可能である。制御部５０１は、以下にさらに詳細に述べられるように、種々の機能を実行するための制御及び処理能力を提供するために、少なくとも１つのプロセッサを含む。サーバ４０の制御部４０１が備えるプロセッサについての上記の説明は、制御部５０１が備えるプロセッサについても適用することができる。

本例では、制御部５０１は、ＣＰＵ５０２及び記憶部５０３を備える。記憶部５０３は、ＲＯＭ及びＲＡＭなどの、ＣＰＵ５０２が読み取り可能な非一時的な記録媒体を含む。記憶部５０３には、事業部サーバ５０を制御するための制御プログラム５０３ａが記憶されている。また、記憶部５０３は、生産管理情報を記憶する生産管理情報ＤＢ５０３ｂと、会計情報を記憶する会計情報ＤＢ５０３ｃと、技術情報を記憶する技術情報ＤＢ５０３ｄとを備える。ＤＢはデータベースを意味する。事業部サーバ５０の各種機能は、ＣＰＵ５０２が記憶部５０３内の制御プログラム５０３ａを実行することによって実現される。

なお、制御部５０１の構成は上記の例に限られない。例えば、制御部５０１は、複数のＣＰＵ５０２を備えてもよい。また制御部５０１は、少なくとも一つのＤＳＰを備えてもよい。また、制御部５０１の全ての機能あるいは制御部５０１の一部の機能は、その機能の実現にソフトウェアが不要な、ハードウェア回路によって実現されてもよい。また、記憶部５０３は、ＲＯＭ及びＲＡＭ以外の、コンピュータが読み取り可能な非一時的な記録媒体を備えていてもよい。

通信部５０５は、システムＩ／Ｆ２０に接続されている。通信部５０５は、システムＩ／Ｆ２０を通じて、クラウドＰ／Ｆ１００，１１０，１２０と各工場システム４のフォグＰ／Ｆ４００と通信することができる。

事業部サーバ５０の構成は上記の例に限られない。例えば、事業部サーバ５０は、制御部５０１によって制御されるディスプレイを備えてもよい。また、事業部サーバ５０は、ユーザの操作を受け付ける操作部を備えてもよい。

オンプレミスシステム５は、複数の事業部サーバ５０以外にも、機械学習エンジン５１０を備えるコンピュータ装置５１と、統計解析エンジン５２０を備えるコンピュータ装置５２とを備える。コンピュータ装置５１及び５２は、例えば、事業部サーバ５０と同様のハードウェア構成を備えている。コンピュータ装置５１では、ＣＰＵが記憶部内の制御プログラムを実行することによって、機能ブロックとしての機械学習エンジン５１０が構築される。機械学習エンジン５１０の性能は、イントラネット２外の機械学習エンジン１０１及び１１１の性能と異なっている。コンピュータ装置５２では、ＣＰＵが記憶部内の制御プログラムを実行することによって、機能ブロックとしての統計解析エンジン５２０が構築される。統計解析エンジン５２０は、例えば回帰分析を行うことができる。統計解析エンジン５２０の性能は、イントラネット２外の統計解析エンジン１２１の性能と異なっている。

なお、コンピュータ装置５１及び５２の少なくとも一方は、事業部サーバ５０とは異なるハードウェア構成を備えてもよい。また、機械学習エンジン５１０及び統計解析エンジン５２０は一つのコンピュータ装置に設けられてもよい。また、図１の例のように、事業部ごとにサーバが存在するのではなく、複数の事業部の情報を管理する一つのサーバが存在してもよい。また、オンプレミスシステム５では、特定企業が備える全事業部の情報を一括管理する一つのサーバが存在してもよい。

以後、機械学習エンジン１０１，１１１，５１０を特に区別する必要がない場合には、それぞれを機械学習エンジンと呼ぶことがある。また、統計解析エンジン１２１，５２０を特に区別する必要がない場合には、それぞれを統計解析エンジンと呼ぶことがある。

以上のように、本例では、イントラネット２内の情報処理システム３と、イントラネット２外の工場Ｄシステム４ｄとが、クラウドサーバ１０を通じて互いに通信することが可能である。これにより、工場Ｄシステム４ｄをイントラネット２内に取り込む必要がなくなる。よって、情報処理システム３と工場Ｄシステム４ｄが通信可能な情報処理システム１をクラウドサーバ１０を利用して簡単に構築することができる。

＜情報処理システムの動作例＞
以下に情報処理システム１の様々な動作例について説明する。

＜工場システムの動作例＞
工場システム４では、フォグＰ／Ｆ４００は、デバイスＧＷ４１がデバイス４２から得た情報４２０を、どのサーバに送るのかを制御することができる。フォグＰ／Ｆ４００は、デバイスＧＷ４１がデバイス４２から得た情報４２０をデバイスＧＷ４１から受信すると、受信した情報４２０を例えばクラウドサーバ１０のクラウドＰ／Ｆ１００に送信することができる。また、フォグＰ／Ｆ４００は、受信した情報４２０をクラウドＰ／Ｆ１１０に送信することができる。また、フォグＰ／Ｆ４００は、受信した情報４２０をクラウドＰ／Ｆ１２０に送信することができる。クラウドＰ／Ｆ１００，１１０，１２０のそれぞれは、受信した情報４２０を記憶部１５３に記憶する。また、フォグＰ／Ｆ４００は、デバイスＧＷ４１からの情報４２０をオンプレミスシステム５に送信することができる。オンプレミスシステム５では、フォグＰ／Ｆ４００からの情報４２０が事業部サーバ５０の記憶部５０３に記憶される。具体的には、ある工場システム４のフォグＰ／Ｆ４００からの情報４２０は、当該ある工場システム４を備える事業部に応じた事業部サーバ５０の記憶部５０３内の技術情報ＤＢ５０３ｄに記憶される。

また、フォグＰ／Ｆ４００は、デバイスＧＷ４１からの情報４２０を用いた処理を行うことができる。フォグＰ／Ｆ４００は、例えば簡単な計算処理を行うことが可能である。例えば、フォグＰ／Ｆ４００は、情報４２０を用いた四則演算を行うことが可能である。図８は工場システム４の動作例を示す図である。

図８に示されるように、ステップｓ１において、デバイス４２が情報４２０をデバイスＧＷ４１に送信する。次にステップｓ２において、デバイスＧＷ４１がフォグＰ／Ｆ４００に情報４２０を送信する。次にステップｓ３において、フォグＰ／Ｆ４００が情報４２０を用いた処理を行う。そして、フォグＰ／Ｆ４００は、処理の結果に応じて、デバイスＧＷ４１に送信する情報を生成する。次にステップｓ４において、フォグＰ／Ｆ４００は、生成した情報をデバイスＧＷ４１に送信する。次にステップｓ５において、デバイスＧＷ４１は、受け取った情報に基づいてデバイス４２を制御する。ステップｓ１において情報４２０を送信するデバイス４２と、ステップｓ５において制御されるデバイス４２とは、同じであってもよいし、異なっていてもよい。

例えば、ステップｓ１において情報４２０を送信するデバイス４２が電流センサである場合を考える。この場合、フォグＰ／Ｆ４００は、ステップｓ３において、例えば、電流センサから得られる電流（情報４２０）が所定時間以上連続的に増加しているか否かを判定する。そして、フォグＰ／Ｆ４００は、電流センサから得られる電流が所定時間以上連続的に増加している場合には、デバイスＧＷ４１に対して、アラーム出力の実行を指示する指示情報をステップｓ４において送信する。指示情報を受け取ったデバイスＧＷ４１は、ステップｓ５において、例えば、自身に接続されているブザー（デバイス４２）を鳴らしてアラーム出力を行う。このとき、ディスプレイを備えるデバイスＧＷ４１は、当該ディスプレイにアラーム情報を表示してもよい。

また、情報４２０とある情報との関係を表す関係式が予め求められており、当該関係式がフォグＰ／Ｆ４００に記憶されている場合を考える。この場合、フォグＰ／Ｆ４００は、記憶する関係式と入力される情報４２０に基づいてある情報を求めてもよい。例えば、工場に設けられた排水処理システムが有する処理槽内の汚水の水位に応じて、当該処理槽に流れる汚水の流量を制御する処理が、工場システム４で実行される場合を考える。フォグＰ／Ｆ４００では、処理槽内の汚水の水位と、それに応じた汚水の流量の設定値との関係を示す関係式が記憶されているとする。このような場合、フォグＰ／Ｆ４００は、ステップｓ３において、当該関係式と、デバイスＧＷ４１がステップｓ２において送信する、処理槽内の汚水の水位（情報４２０）とに基づいて、汚水の流量の設定値を求める。そして、フォグＰ／Ｆ４００は、ステップｓ４において、デバイスＧＷ４１に対して求めた設定値を通知する。デバイスＧＷ４１は、ステップｓ５において、通知された設定値をＰＬＣ４２ｂに設定する。ＰＬＣ４２ｂには、汚水の流量を検出する流量センサが接続されている。また、ＰＬＣ４２ｂは、汚水の流量を制御するバルブの開度を制御することが可能である。ＰＬＣ４２ｂは、流量センサで検出される流量が、設定された設定値になるようにバルブの開度を制御する。

他の例として、工場システム４において、産業用のインクジェットプリンタが印字を行う場合を考える。フォグＰ／Ｆ４００では、印字箇所のずれ量と、当該ずれ量を補正するための、インクジェットヘッドの位置のオフセット量との関係を示す関係式が記憶されているとする。また、複数のデバイス４２には、印字箇所のずれ量を検出するセンサが含まれているとする。このような場合、フォグＰ／Ｆ４００は、ステップｓ３において、当該関係式と、デバイスＧＷ４１が送信する印字箇所のずれ量（情報４２０）とに基づいてオフセット量を求める。そして、フォグＰ／Ｆ４００は、ステップｓ４において、デバイスＧＷ４１に対して求めたオフセット量を通知する。デバイスＧＷ４１は、ステップｓ５において、インクジェットプリンタを制御するＰＬＣ４２ｂに対して、通知されたオフセット量を設定する。ＰＬＣ４２ｂは、インクジェットプリンタを制御して、設定されたオフセット量だけインクジェットヘッドの位置をずらす。

また、フォグＰ／Ｆ４００は、情報４２０がカメラで得られる撮影画像である場合、当該撮影画像に対して簡単な画像処理を行ってもよい。例えば、フォグＰ／Ｆ４００は、撮影画像の画像サイズを小さくしてもよい。

このように、フォグＰ／Ｆ４００は、情報４２０を用いたある程度の処理を実行することができる。したがって、クラウドＰ／Ｆ１００での処理負担を軽減することができる。また、イントラネット２からクラウドＰ／Ｆ１００に送る情報の量を低減することができる。また、デバイス４２に近いエッジ側のフォグＰ／Ｆ４００が処理を行うことから、処理のリアルタイム性が向上する。

また、フォグＰ／Ｆ４００は、制御対象のデバイスＧＷ４１の制御プログラム４１３ａを記憶してもよい。この場合、フォグＰ／Ｆ４００は、故障等によりデバイスＧＷ４１が新たなデバイスＧＷ４１に交換されると、当該新たなデバイスＧＷ４１に対して制御プログラム４１３ａを書き込んでもよい。これにより、新たなデバイスＧＷ４１は適切に動作することが可能となる。よって、デバイスＧＷ４１の入れ替えが容易となる。

＜複数のフォグＰ／Ｆ間での情報共有＞
本例では、工場Ｄシステム４ｄが備えるデバイスＧＷ４１ａを制御する、フォグＰ／Ｆ４００と同様のＰ／Ｆが、クラウドＰ／Ｆ１００内に構築されている。以後、説明の便宜上、クラウドＰ／Ｆ１００内に構築された、フォグＰ／Ｆ４００と同様のＰ／Ｆを、クラウド側フォグＰ／Ｆ４００と呼ぶことがある。

クラウド側フォグＰ／Ｆ４００は、ファイヤーウォール１４を通じて工場Ｄシステム４ｄのデバイスＧＷ４１ａに接続されている。クラウド側フォグＰ／Ｆ４００は、工場Ｄシステム４ｄのデバイスＧＷ４１ａと、それに接続されたデバイス４２と、クラウド側フォグＰ／Ｆ４００とから成るシステムを管理する。クラウド側フォグＰ／Ｆ４００は、工場システム４内のフォグＰ／Ｆ４００と同様に動作する。例えば、クラウド側フォグＰ／Ｆ４００は、デバイスＧＷ４１ａからの情報４２０に基づいて、デバイスＧＷ４１ａに接続されたデバイス４２を制御することが可能である。また、クラウド側フォグＰ／Ｆ４００は、自身が管理するシステムの状態を把握している。クラウド側フォグＰ／Ｆ４００が把握しているシステムの状態には、例えば、クラウド側フォグＰ／Ｆ４００に対して、どのようなデバイスＧＷ４１が接続されているか、当該デバイスＧＷ４１がどのような動作を行うのかが含まれる。また、クラウド側フォグＰ／Ｆ４００が把握しているシステムの状態には、クラウド側フォグＰ／Ｆ４００に接続されたデバイスＧＷ４１に対してどのようなデバイス４２が接続されているか、当該デバイス４２がどのような動作を行うのかが含まれる。デバイスＧＷ４１ａを備える工場Ｄシステム４ｄでは、フォグＰ／Ｆ４００は、当該フォグＰ／Ｆ４００と、それに接続されたデバイスＧＷ４１と、当該デバイスＧＷ４１に接続されたデバイス４２とから成るシステムを管理していると言える。以後、特に断らない限り、フォグＰ／Ｆ４００という用語には、クラウド側フォグＰ／Ｆ４００も含まれるものとする。

本例の情報処理システム１では、コンテナ技術が使用されており、複数のフォグＰ／Ｆ４００が仮想的には一つのＰ／Ｆを構成している。各フォグＰ／Ｆ４００は、自身が管理するシステムの状態だけではなく、他のフォグＰ／Ｆ４００が管理するシステムの状態も把握している。つまり、各フォグＰ／Ｆ４００は、自身が管理するシステムの状態を示すシステム状態情報だけではなく、他のフォグＰ／Ｆ４００が管理するシステムの状態を示すシステム状態情報を記憶している。

例えば、工場Ａシステム４ａのフォグＰ／Ｆ４００は、工場Ａシステム４ａの状態を示すシステム状態情報だけではなく、工場Ｂシステム４ｂのフォグＰ／Ｆ４００が管理しているシステム、つまり工場Ｂシステム４ｂの状態を示すシステム状態情報も記憶している。また、工場Ａシステム４ａのフォグＰ／Ｆ４００は、工場Ｃシステム４ｃの状態を示すシステム状態情報も記憶している。また、工場Ａシステム４ａのフォグＰ／Ｆ４００は、工場Ｄシステム４ｄのフォグＰ／Ｆ４００が管理しているシステムの状態を示すシステム状態情報も記憶している。また、工場Ａシステム４ａのフォグＰ／Ｆ４００は、クラウド側フォグＰ／Ｆ４００が管理しているシステムの状態を示すシステム状態情報も記憶している。工場Ａシステム４ａのフォグＰ／Ｆ４００以外のフォグＰ／Ｆ４００も、同様に、他のフォグＰ／Ｆ４００が管理するシステムのシステム状態情報を記憶している。

各工場システム４のフォグＰ／Ｆ４００は、自身が管理するシステムの状態を、クラウド側フォグＰ／Ｆ４００を通じて、他の工場システム４のフォグＰ／Ｆ４００に通知することが可能である。具体的には、各工場システム４のフォグＰ／Ｆ４００は、自身が管理するシステムの状態に変化が発生した場合、その変化の内容を、例えば、クラウド側フォグＰ／Ｆ４００を通じて、他の工場システム４のフォグＰ／Ｆ４００に通知することが可能である。また、クラウド側フォグＰ／Ｆ４００は、自身が管理するシステムの状態を、各工場システム４のフォグＰ／Ｆ４００に通知することが可能である。具体的には、クラウド側フォグＰ／Ｆ４００は、自身が管理するシステムの状態に変化が発生した場合、その変化の内容を、各工場システム４のフォグＰ／Ｆ４００に通知することが可能である。以下に、フォグＰ／Ｆ４００が管理するシステムの状態が他のフォグＰ／Ｆ４００に通知される場合の情報処理システム１の動作例について詳細に説明する。

各工場システム４のフォグＰ／Ｆ４００は、自身が管理するシステムの状態に変化が発生した場合、その変化の内容を示すシステム変化情報をクラウド側フォグＰ／Ｆ４００に通知する。例えば、フォグＰ／Ｆ４００のルールに新しい内容が追加された場合、当該内容を特定する情報がシステム変化情報に含められる。また、システムに新しいセンサが追加された場合、当該新しいセンサの情報がシステム変化情報に含められる。また、フォグＰ／Ｆ４００が管理するシステムに異常が発生した場合、その異常の内容を特定する情報がシステム変化情報に含められる。例えば、センサ４２ａが故障して動作しなくなった場合、当該センサ４２ａが動作していないことを示す情報がシステム変化情報に含められる。以後、システム変化情報を送信するフォグＰ／Ｆ４００を対象フォグＰ／Ｆ４００と呼ぶことがある。

クラウド側フォグＰ／Ｆ４００は、ある工場システム４の対象フォグＰ／Ｆ４００からシステム変化情報を受け取ると、受け取ったシステム変化情報に基づいて、自身が記憶している、対象フォグＰ／Ｆ４００が管理するシステムのシステム状態情報を更新する。これにより、クラウド側フォグＰ／Ｆ４００は、対象フォグＰ／Ｆ４００が管理するシステムの最新の状態を把握することができる。また、クラウド側フォグＰ／Ｆ４００は、ある工場システム４の対象フォグＰ／Ｆ４００から受け取ったシステム変化情報を、他の工場システム４のフォグＰ／Ｆ４００に通知する。他の工場システム４のフォグＰ／Ｆ４００は、受け取ったシステム変化情報に基づいて、対象フォグＰ／Ｆ４００が管理するシステムのシステム状態情報を更新する。また、クラウド側フォグＰ／Ｆ４００は、自身が管理するシステムの状態に変化が発生した場合、その変化の内容を示すシステム変化情報を、各工場システム４のフォグＰ／Ｆ４００に通知する。各工場システム４のフォグＰ／Ｆ４００は、受け取ったシステム変化情報に基づいて、クラウド側フォグＰ／Ｆ４００が管理するシステムのシステム状態情報を更新する。これにより、各工場システム４のフォグＰ／Ｆ４００は、他のフォグＰ／Ｆ４００が管理するシステムの最新の状態を把握することができる。

なお、情報処理システム１が導入される場合には、各フォグＰ／Ｆ４００に対して、他のフォグＰ／Ｆ４００が管理するシステムの初期状態を示すシステム状態情報が書き込まれる。各フォグＰ／Ｆ４００は、システム導入時に書き込まれたシステム状態情報を、上述のようにして適宜更新することによって、他のフォグＰ／Ｆ４００が管理するシステムの最新の状態を把握することができる。

このように、本例では、フォグＰ／Ｆ４００が、他のフォグＰ／Ｆ４００が管理するシステムの状態を把握している。これにより、フォグＰ／Ｆ４００は、他のフォグＰ／Ｆ４００が管理するシステムの状態に応じた処理を行うことができる。

例えば、フォグＰ／Ｆ４００は、他のフォグＰ／Ｆ４００が管理するシステムに異常が発生した場合、その異常に対処する処理を実行することができる。一例として、工場Ｃが無人の工場であって、工場Ｂが人が存在する工場である場合を考える。この場合、工場Ｂシステム４ｂのフォグＰ／Ｆ４００は、工場Ｃシステム４ｃのシステム状態情報に基づいて、工場Ｃシステム４ｃに異常が発生したと判断した場合、工場Ｂシステム４ｂのデバイスＧＷ４１を制御して、それに接続されているランプ及びブザーを駆動する。これにより、工場Ｂに存在する人に対して、無人の工場Ｃに設けられた工場Ｃシステム４ｃでの異常の発生を通知することができる。また、クラウド側フォグＰ／Ｆ４００が、工場Ｃシステム４ｃのシステム状態情報に基づいて工場Ｃシステム４ｃに異常が発生したと判断した場合には、クラウド側フォグＰ／Ｆ４００は、特定企業が有する、情報処理システム１を管理する管理サーバに対して、工場Ｃシステム４ｃでの異常の発生を通知してもよい。管理サーバは、例えばオンプレミスシステム５内に存在する。

また、フォグＰ／Ｆ４００は、他のフォグＰ／Ｆ４００が管理するシステムの状態を把握していることから、あるフォグＰ／Ｆ４００が故障等により停止した場合、他のフォグＰ／Ｆ４００が、停止したフォグＰ／Ｆ４００の代わりに動作することができる。

また、ある工場システム４のサーバ４０が新しいサーバ４０に入れ替えられた場合、当該新しいサーバ４０のフォグＰ／Ｆ４００に対して、他の工場システム４のフォグＰ／Ｆ４００あるいはクラウド側フォグＰ／Ｆ４００が、当該新しいサーバ４０のフォグＰ／Ｆ４００が管理するシステムの状態を通知することができる。これにより、当該新しいサーバ４０のフォグＰ／Ｆ４００は適切に動作することができる。よって、工場システム４のサーバ４０の入れ替えが容易となる。

また、クラウド側フォグＰ／Ｆ４００は、工場システム４のシステム状態情報から、当該工場システム４のフォグＰ／Ｆ４００のルールを把握することができる。このため、クラウド側フォグＰ／Ｆ４００は、工場システム４のフォグＰ／Ｆ４００の動作が異常であるか否かを判定することができる。

例えば、あるフォグＰ／Ｆ４００のルールに、情報４２０を５分に１回クラウドＰ／Ｆ１００に当該あるフォグＰ／Ｆ４００が送信するという内容が記載されているとする。この場合、クラウド側フォグＰ／Ｆ４００は、当該あるフォグＰ／Ｆ４００が１０分以上情報４２０をクラウドＰ／Ｆ１００に送信しない場合には、当該あるフォグＰ／Ｆ４００が異常であると判定する。クラウド側フォグＰ／Ｆ４００は、工場システム４のフォグＰ／Ｆ４００が異常であると判定すると、例えば、オンプレミスシステム５内の上述の管理サーバに対して、当該フォグＰ／Ｆ４００に異常が発生したことを通知する。管理サーバは、ディスプレイに表示を行うなどして、オペレータに対して、フォグＰ／Ｆ４００に異常が発生したことを通知する。なお、クラウド側フォグＰ／Ｆ４００が工場システム４のフォグＰ／Ｆ４００の異常を判定する方法はこの限りではない。また、クラウド側フォグＰ／Ｆ４００が工場システム４のフォグＰ／Ｆ４００の異常を特定した場合のクラウド側フォグＰ／Ｆ４００の動作はこの限りではない。

＜機械学習エンジン及び統計解析エンジンの動作例＞
クラウドＰ／Ｆ１００の機械学習エンジン１０１は、例えば、クラウドサーバ１０の記憶部１５３内の情報に基づいて学習済みモデルを生成することが可能である。つまり、機械学習エンジン１０１は、クラウドサーバ１０の記憶部１５３内の情報を学習データとして用いて学習モデルを学習させることが可能である。また、機械学習エンジン１０１は、学習済みモデルと、クラウドサーバ１０の記憶部１５３内の情報とに基づいて、所定の情報を推論することが可能である。機械学習エンジン１０１では、学習済みモデルに対して記憶部１５３内の情報が入力されたときの当該学習済みモデルの出力が推論結果となる。以後、クラウドサーバ１０の記憶部１５３内の情報を第１クラウド側情報と呼ぶことがある。また、機械学習エンジン１０１で生成される学習済みモデルを、第１クラウド側学習済みモデルと呼ぶことがある。

クラウドＰ／Ｆ１１０の機械学習エンジン１１１は、例えば、クラウドサーバ１１の記憶部１５３内の情報に基づいて学習済みモデルを生成することが可能である。また、機械学習エンジン１１１は、学習済みモデルと、クラウドサーバ１１の記憶部１５３内の情報とに基づいて、所定の情報を推論することが可能である。以後、クラウドサーバ１１の記憶部１５３内の情報を第２クラウド側情報と呼ぶことがある。また、機械学習エンジン１１１で生成される学習済みモデルを、第２クラウド側学習済みモデルと呼ぶことがある。

オンプレミスシステム５の機械学習エンジン５１０は、例えば、事業部サーバ５０の記憶部５０３内の情報に基づいて学習済みモデルを生成することが可能である。つまり、機械学習エンジン５１０は、記憶部５０３内の情報を学習データとして用いて学習モデルを学習させることが可能である。また、機械学習エンジン５１０は、学習済みモデルと、事業部サーバ５０の記憶部５０３内の情報とに基づいて、所定の情報を推論することができる。機械学習エンジン５１０では、学習済みモデルに対して記憶部５０３内の情報が入力されたときの当該学習済みモデルの出力が推論結果となる。以後、事業部サーバ５０の記憶部５０３内の情報をオンプレミス側情報と呼ぶことがある。また、機械学習エンジン５１０で生成される学習済みモデルを、オンプレミス側学習済みモデルと呼ぶことがある。

なお、機械学習エンジン１０１は、第１クラウド側情報が更新されると、更新後の第１クラウド側情報に基づいて第１クラウド側学習済みモデルを再学習させてもよい。同様に、機械学習エンジン１１１は、第２クラウド側情報が更新されると、更新後の第２クラウド側情報に基づいて第２クラウド側学習済みモデルを再学習させてもよい。また、機械学習エンジン５１０は、オンプレミス側情報が更新されると、更新後のオンプレミス側情報に基づいてオンプレミス側学習済みモデルを再学習させてもよい。

クラウドＰ／Ｆ１２０の統計解析エンジン１２１は、例えば、クラウドサーバ１２の記憶部１５３内の情報に対して統計解析を行って、所定の情報を出力する統計解析モデルを生成することが可能である。また、統計解析エンジン１２１は、生成した統計解析モデルに対してクラウドサーバ１２の記憶部１５３内の情報を入力して、所定の情報を得ることができる。以後、クラウドサーバ１２の記憶部１５３内の情報を第３クラウド側情報と呼ぶことがある。また、統計解析エンジン１２１で生成される統計解析モデルをクラウド側統計解析モデルと呼ぶことがある。

オンプレミスシステム５の統計解析エンジン５２０は、例えば、オンプレミス側情報に対して統計解析を行って、所定の情報を出力する統計解析モデルを生成することが可能である。また、統計解析エンジン５２０は、生成した統計解析モデルに対してオンプレミス側情報を入力して、所定の情報を得ることができる。以後、統計解析エンジン５２０で生成される統計解析モデルをオンプレミス側統計解析モデルと呼ぶことがある。

なお、統計解析エンジン１２１は、第３クラウド側情報が更新されると、更新後の第３クラウド側情報に基づいてクラウド側統計解析モデルを再構築してもよい。同様に、統計解析エンジン５２０は、オンプレミス側情報が更新されると、更新後のオンプレミス側情報に基づいてオンプレミス側統計解析モデルを再構築してもよい。

本例の情報処理システム１では、統計解析によって得ることができる情報は、統計解析エンジンが使用されて生成される。そして、統計解析によって得ることが難しい情報は機械学習エンジンが使用されて生成される。

また、本例の情報処理システム１では、機械学習エンジンの性能に応じて、当該機械学習エンジンで推論させる情報が決定されている。また、統計解析エンジンの性能に応じて、当該統計解析エンジンに出力させるべき情報が決定されている。

以下に、機械学習エンジン及び統計解析エンジンの動作の具体例について説明する。以下の説明では、工場内の排水処理システムについて機械学習エンジン及び統計解析エンジンが使用される場合を例に挙げる。

工場Ａ～Ｄのそれぞれには、工場で生成される汚水を浄化して排水する排水処理システムが設けられている。排水処理システムは、例えば、汚水のｐＨを調整する調整槽と、汚水に対して分離処理を行う分離槽とを備えている。なお、排水処理システムには、汚水のｐＨの調整と汚水に対する分離処理とを行う一つの処理槽が設けられることもある。

調整槽にはｐＨを調整するための調整剤が投入される。分離槽には分離剤が投入される。本例では、例えば、調整剤の投入量が統計解析エンジンが使用されて求められる。また、分離剤の投入量が機械学習エンジンが使用されて推定される。以下では、工場Ａの排水処理システムを例に挙げて、調整剤及び分離剤の投入量を求める方法について説明する。以下の説明は、工場Ｂ～Ｄの排水処理システムについても適用することができる。

＜調整剤の投入量の決定方法の一例＞
工場Ａシステム４ａが備える複数のデバイス４２には、調整槽内の汚水のｐＨを検出するｐＨセンサが含まれる。ｐＨセンサは、繰り返しｐＨを検出して出力する。また、工場Ａシステム４ａが備える複数のデバイス４２には、調整槽内の汚水の温度を検出する温度センサが含まれる。温度センサは、繰り返し温度を検出して出力する。また、工場Ａシステム４ａが備える複数のデバイス４２には、調整槽に調整剤を自動で投入する調整剤投入装置を制御するＰＬＣが含まれる。以後、ｐＨセンサで検出されたｐＨを検出ｐＨと呼ぶことがある。また、温度センサで検出された温度を検出温度と呼ぶことがある。

汚水に投入される調整剤の効き目は、汚水の温度によって変化する。例えば、汚水の温度が高くなると、調整剤の効き目が向上する。本例では、統計解析エンジンは、統計モデルの生成段階において、検出ｐＨ及び検出温度と、そのときに必要な調整剤の投入量（事前に決定された値）とに対して統計解析を行って、調整剤の適切な投入量を出力する統計解析モデルを生成する。そして、統計解析エンジンは、生成した統計解析モデルを用いて、調整剤の投入量を求める。つまり、統計解析エンジンは、統計解析モデルに対して検出ｐＨ及び検出温度を入力したときの当該統計解析モデルの出力情報を、調整剤の投入量とする。調整剤の投入量が決定されると、工場Ａシステム４ａのフォグＰ／Ｆ４００は、調整剤投入装置を制御するＰＬＣが接続されたデバイスＧＷ４１に対して、決定された投入量を通知する。デバイスＧＷ４１は、調整剤投入装置を制御するＰＬＣ４２ｂに対して、通知された投入量を設定する。ＰＬＣ４２ｂは、設定された投入量だけ調整剤が調整槽に投入されるように、調整剤投入装置を制御する。

調整剤の投入量は、オンプレミスシステム５内の統計解析エンジン５２０で求められてもよい。この場合には、工場Ａシステム４ａのフォグＰ／Ｆ４００は、デバイスＧＷ４１から受け取った検出ｐＨ及び検出温度をオンプレミスシステム５に送信する。オンプレミスシステム５では、工場Ａを備える事業部に対応する事業部サーバ５０の技術情報ＤＢ５０３ｄに検出ｐＨ及び検出温度が記憶される。統計解析エンジン５２０は、統計モデルの生成段階において、技術情報ＤＢ５０３ｄから検出ｐＨ及び検出温度を読み出す。そして、統計解析エンジン５２０は、読み出した検出ｐＨ及び検出温度と、そのときに必要な調整剤の投入量とに対して統計解析を行って、調整剤の適切な投入量を出力する統計解析モデルを生成する。これにより、工場Ａ用の統計解析モデルが生成される。

統計解析モデルが生成された後、統計解析エンジン５２０は、統計解析モデルに対して、技術情報ＤＢ５０３ｄ内の最新の検出ｐＨ及び検出温度を入力して、調整剤の投入量を求める。統計解析エンジン５２０で求められた調整剤の投入量は、工場Ａシステム４ａのフォグＰ／Ｆ４００に通知される。フォグＰ／Ｆ４００は、デバイスＧＷ４１を通じてＰＬＣ４２ｂに調整剤の投入量を設定する。これにより、統計解析エンジン５２０で決定された投入量だけ調整剤が調整槽に投入される。なお、統計解析エンジン５２０は、技術情報ＤＢ５０３ｄ内の検出ｐＨ及び検出温度に基づいて、統計解析モデルを自動的に再構築してもよい。

統計解析エンジン５２０が、工場Ａ～Ｄのそれぞれについての調整剤の投入量を求める場合には、統計解析エンジン５２０には、工場Ａ用の統計解析モデル、工場Ｂ用の統計解析モデル、工場Ｃ用の統計解析モデル及び工場Ｄ用の統計解析モデルが生成される。

なお、イントラネット２外の工場Ｄシステム４ｄで得られた検出ｐＨ及び検出温度は、クラウドサーバ１０を通じて、オンプレミスシステム５に入力される。このとき、工場Ｄシステム４ｄで得られた検出ｐＨ及び検出温度は、ファイヤーウォール１４、クラウドサーバ１０、ファイヤーウォール１５及びシステムＩ／Ｆ２０を通じて、オンプレミスシステム５に入力されてもよい。あるいは、工場Ｄシステム４ｄで得られた検出ｐＨ及び検出温度は、ファイヤーウォール１４、クラウドサーバ１０、ファイヤーウォール１３、イントラ内工場システム４のフォグＰ／Ｆ４００及びシステムＩ／Ｆ２０を通じて、オンプレミスシステム５に入力されてもよい。また、オンプレミスシステム５の統計解析エンジン５２０で決定された工場Ｄ用の投入量は、システムＩ／Ｆ２０、ファイヤーウォール１５、クラウドサーバ１０及びファイヤーウォール１４を通じて、工場Ｄシステム４ｄのフォグＰ／Ｆ４００に入力されてもよい。あるいは、統計解析エンジン５２０で決定された工場Ｄ用の投入量は、システムＩ／Ｆ２０、イントラ内工場システム４のフォグＰ／Ｆ４００、ファイヤーウォール１３、クラウドサーバ１０及びファイヤーウォール１４を通じて、工場Ｄシステム４ｄのフォグＰ／Ｆ４００に入力されてもよい。工場Ｄシステム４ｄとオンプレミスシステム５との間の他の情報のやり取りも同様である。

図９は、工場Ｄ用の調整剤投入量がイントラネット２内の統計解析エンジン５２０で求められる場合の工場Ｄシステム４ｄと統計解析エンジン５２０との間の情報の流れの概要を示す図である。図９に示されるように、ステップｓ５１において、工場Ｄシステム４ｄのｐＨセンサ及び温度センサから検出ｐＨ及び検出温度がデバイスＧＷ４１に出力される。次にステップｓ５２において、デバイスＧＷ４１から検出ｐＨ及び検出温度がフォグＰ／Ｆ４００に出力される。次にステップｓ５３において、フォグＰ／Ｆ４００から検出ｐＨ及び検出温度がクラウドＰ／Ｆ１００に出力される。次にステップｓ５４において、クラウドＰ／Ｆ１００は検出ｐＨ及び検出温度を出力する。クラウドＰ／Ｆ１００から出力された検出ｐＨ及び検出温度は、イントラネット２内のオンプレミスシステム５に入力される。オンプレミスシステム５では、検出ｐＨ及び検出温度が統計解析エンジン５２０に入力される。統計解析エンジン５２０が、統計解析モデルを用いて調整剤の投入量を決定すると、ステップｓ６１において決定した投入量を出力する。統計解析エンジン５２０から出力された投入量は、クラウドＰ／Ｆ１００に入力される。クラウドＰ／Ｆ１００はステップｓ６２において投入量を工場Ｄシステム４ｄのフォグＰ／Ｆ４００に出力する。次にステップｓ６３において、フォグＰ／Ｆ４００は投入量をデバイスＧＷ４１に出力する。次にステップｓ６４において、デバイスＧＷ４１は、調整剤投入装置を制御するＰＬＣ４２ｂに投入量を設定する。

調整剤の投入量は、クラウドサーバ１２の統計解析エンジン１２１で求められてもよい。この場合には、工場Ａシステム４ａのフォグＰ／Ｆ４００は、デバイスＧＷ４１から受け取った検出ｐＨ及び検出温度をクラウドＰ／Ｆ１２０に送信する。クラウドＰ／Ｆ１２０は、受け取った検出ｐＨ及び検出温度をクラウドサーバ１２の記憶部１５３内に記憶する。クラウドＰ／Ｆ１２０の統計解析エンジン１２１は、統計モデルの生成段階において、記憶部１５３内の検出ｐＨ及び検出温度と、そのときに必要な調整剤の投入量とに対して統計解析を行って、調整剤の適切な投入量を出力する統計解析モデルを生成する。統計解析モデルが生成された後、統計解析エンジン１２１は、統計解析モデルに対して、記憶部１５３内の最新の検出ｐＨ及び検出温度を入力して、調整剤の投入量を求める。統計解析エンジン１２１で求められた調整剤の投入量は、工場Ａシステム４ａのフォグＰ／Ｆ４００に通知される。フォグＰ／Ｆ４００は、デバイスＧＷ４１を通じて、調整剤投入装置を制御するＰＬＣ４２ｂに調整剤の投入量を設定する。これにより、統計解析エンジン５２０で決定された投入量だけ調整剤が調整槽に投入される。なお、統計解析エンジン１２１は、記憶部１５３内の検出ｐＨ及び検出温度に基づいて、統計解析モデルを自動的に再構築してもよい。

図１０は、工場Ａ用の調整剤投入量が統計解析エンジン１２１で求められる場合の工場Ａシステム４ａとクラウドＰ／Ｆ１２０との間の情報の流れの概要を示す図である。図１０に示されるように、ステップｓ１１において、工場Ａシステム４ａのｐＨセンサ及び温度センサから検出ｐＨ及び検出温度がデバイスＧＷ４１に出力される。次にステップｓ１２において、デバイスＧＷ４１から検出ｐＨ及び検出温度がフォグＰ／Ｆ４００に出力される。次にステップｓ１３において、フォグＰ／Ｆ４００から検出ｐＨ及び検出温度がクラウドＰ／Ｆ１２０に出力される。クラウドＰ／Ｆ１２０は検出ｐＨ及び検出温度を記憶する。クラウドＰ／Ｆ１２０は、統計解析モデルを用いて調整剤の投入量を決定すると、ステップｓ２１において決定した投入量を工場Ａシステム４ａのフォグＰ／Ｆ４００に出力する。次にステップｓ２２において、フォグＰ／Ｆ４００は投入量をデバイスＧＷ４１に出力する。次にステップｓ２３において、デバイスＧＷ４１は、調整剤投入装置を制御するＰＬＣ４２ｂに投入量を設定する。

なお、工場Ｄシステム４ｄで得られた検出ｐＨ及び検出温度は、クラウドサーバ１０を通じて、クラウドサーバ１２に入力される。このとき、工場Ｄシステム４ｄで得られた検出ｐＨ及び検出温度は、ファイヤーウォール１４、クラウドサーバ１０、ファイヤーウォール１５及びシステムＩ／Ｆ２０を通じて、クラウドサーバ１２に入力されてもよい。あるいは、工場Ｄシステム４ｄで得られた検出ｐＨ及び検出温度は、ファイヤーウォール１４、クラウドサーバ１０、ファイヤーウォール１３、イントラ内工場システム４のフォグＰ／Ｆ４００及びシステムＩ／Ｆ２０を通じて、クラウドサーバ１２に入力されてもよい。また、クラウドサーバ１２の統計解析エンジン１２１で決定された工場Ｄ用の投入量は、システムＩ／Ｆ２０、ファイヤーウォール１５、クラウドサーバ１０及びファイヤーウォール１４を通じて、工場Ｄシステム４ｄのフォグＰ／Ｆ４００に入力されてもよい。あるいは、統計解析エンジン１２１で決定された工場Ｄ用の投入量は、システムＩ／Ｆ２０、イントラ内工場システム４のフォグＰ／Ｆ４００、ファイヤーウォール１３、クラウドサーバ１０及びファイヤーウォール１４を通じて、工場Ｄシステム４ｄのフォグＰ／Ｆ４００に入力されてもよい。工場Ｄシステム４ｄとクラウドサーバ１２との間の他の情報のやり取りも同様である。また、工場Ｄシステム４ｄとクラウドサーバ１１との間の情報のやり取りも同様である。

図１１は、工場Ｄ用の調整剤投入量が統計解析エンジン１２１で求められる場合の工場Ｄシステム４ｄとクラウドＰ／Ｆ１２０との間の情報の流れの概要を示す図である。図１１に示されるように、ステップｓ３１において、工場Ｄシステム４ｄのｐＨセンサ及び温度センサから検出ｐＨ及び検出温度がデバイスＧＷ４１に出力される。次にステップｓ３２において、デバイスＧＷ４１から検出ｐＨ及び検出温度がフォグＰ／Ｆ４００に出力される。次にステップｓ３３において、フォグＰ／Ｆ４００から検出ｐＨ及び検出温度がクラウドＰ／Ｆ１００に出力される。次にステップｓ３４において、クラウドＰ／Ｆ１００は検出ｐＨ及び検出温度を出力する。クラウドＰ／Ｆ１００から出力された検出ｐＨ及び検出温度はクラウドＰ／Ｆ１２０に入力される。クラウドＰ／Ｆ１００は検出ｐＨ及び検出温度を記憶する。クラウドＰ／Ｆ１２０は、統計解析モデルを用いて調整剤の投入量を決定すると、ステップｓ４１において決定した投入量を出力する。クラウドＰ／Ｆ１２０から出力された投入量はクラウドＰ／Ｆ１００に入力される。クラウドＰ／Ｆ１００はステップｓ４２において投入量を工場Ｄシステム４ｄのフォグＰ／Ｆ４００に出力する。次にステップｓ４３において、フォグＰ／Ｆ４００は投入量をデバイスＧＷ４１に出力する。次にステップｓ４４において、デバイスＧＷ４１は、調整剤投入装置を制御するＰＬＣ４２ｂに投入量を設定する。

＜分離剤の投入量の決定方法の一例＞
工場Ａシステム４ａが備える複数のデバイス４２には、分離槽内の汚水の様子を撮影するカメラが含まれる。カメラは、繰り返し、汚水の様子を撮影して撮影画像を出力する。また、工場Ａシステム４ａが備える複数のデバイス４２には、分離槽に分離剤を自動で投入する分離剤投入装置を制御するＰＬＣが含まれる。

ここで、人が分離剤の投入量を決定する場合を考える。この場合、作業者は、分離槽内の汚水の様子を目で確認した上で、分離剤の投入量を決定する。また、調整剤と同様に、分離剤の効き目は汚水の温度に応じて変化する。そこで、本例では、機械学習エンジンは、学習段階において、カメラで得られる撮影画像及び検出温度を学習データとして学習モデルを学習させて、分離剤の投入量を出力する学習済みモデルを生成する。そして、機械学習エンジンは、推論段階において、生成した学習済みモデルを用いて、分離剤の投入量を推論する。つまり、機械学習エンジンは、学習済みモデルに対して撮影画像及び検知温度を入力したときの当該学習済みモデルの出力情報を、分離剤の投入量とする。分離剤の投入量が決定されると、工場Ａシステム４ａのフォグＰ／Ｆ４００は、分離剤投入装置を制御するＰＬＣが接続されたデバイスＧＷ４１に対して、決定された投入量を通知する。デバイスＧＷ４１は、分離剤投入装置を制御するＰＬＣに対して、通知された投入量を設定する。ＰＬＣは、設定された投入量だけ分離剤が分離槽に投入されるように、分離剤投入装置を制御する。

分離剤の投入量は、オンプレミスシステム５内の機械学習エンジン５１０で推論されてもよい。この場合には、工場Ａシステム４ａのフォグＰ／Ｆ４００は、デバイスＧＷ４１から受け取った撮影画像及び検出温度をオンプレミスシステム５に送信する。オンプレミスシステム５では、工場Ａを備える事業部に対応する事業部サーバ５０の技術情報ＤＢ５０３ｄに撮影画像及び検出温度が記憶される。機械学習エンジン５１０は、学習段階において、技術情報ＤＢ５０３ｄ内の撮影画像及び検出温度を学習データとして学習モデルを学習させて、分離剤の投入量を出力する学習済みモデルを生成する。これにより、工場Ａ用の学習済みモデルが生成される。学習済みモデルが生成された後、機械学習エンジン５１０は、学習済みモデルに対して、技術情報ＤＢ５０３ｄ内の最新の撮影画像及び検出温度を入力して、分離剤の投入量を求める。機械学習エンジン５１０で求められた分離剤の投入量は、工場Ａシステム４ａのフォグＰ／Ｆ４００に通知される。フォグＰ／Ｆ４００は、デバイスＧＷ４１を通じて、分離剤投入装置を制御するＰＬＣ４２ｂに分離剤の投入量を設定する。これにより、機械学習エンジン５１０で推論された投入量だけ分離剤が分離槽に投入される。なお、機械学習エンジン５１０は、技術情報ＤＢ５０３ｄ内の撮影画像及び検出温度に基づいて、学習済みモデルを自動的に再学習させてもよい。

機械学習エンジン５１０が、工場Ａ～Ｄのそれぞれについての分離剤の投入量を求める場合には、機械学習エンジン５１０には、工場Ａ用の学習済みモデル、工場Ｂ用の学習済みモデル、工場Ｃ用の学習済みモデル及び工場Ｄ用の学習済みモデルが生成される。

また、分離剤の投入量は、クラウドサーバ１０の機械学習エンジン１０１で推論されてもよい。この場合には、工場Ａシステム４ａのフォグＰ／Ｆ４００は、デバイスＧＷ４１から受け取った撮影画像及び検出温度をクラウドＰ／Ｆ１００に送信する。クラウドＰ／Ｆ１００は、受け取った撮影画像及び検出温度をクラウドサーバ１０の記憶部１５３内に記憶する。機械学習エンジン１０１は、学習段階において、記憶部１５３内の撮影画像及び検出温度を学習データとして学習モデルを学習させて、分離剤の投入量を出力する学習済みモデルを生成する。学習済みモデルが生成された後、機械学習エンジン１０１は、学習済みモデルに対して、記憶部１５３内の最新の撮影画像及び検出温度を入力して、分離剤の投入量を求める。機械学習エンジン１０１で求められた分離剤の投入量は、クラウドＰ／Ｆ１００から工場Ａシステム４ａのフォグＰ／Ｆ４００に通知される。フォグＰ／Ｆ４００は、デバイスＧＷ４１を通じて、分離剤投入装置を制御するＰＬＣ４２ｂに分離剤の投入量を設定する。これにより、機械学習エンジン１０１で推論された投入量だけ分離剤が分離槽に投入される。なお、機械学習エンジン１０１は、記憶部１５３内の撮影画像及び検出温度に基づいて、学習済みモデルを自動的に再学習させてもよい。

また、分離剤の投入量は、クラウドサーバ１１の機械学習エンジン１１１で推論されてもよい。この場合には、工場Ａシステム４ａのフォグＰ／Ｆ４００は、デバイスＧＷ４１から受け取った撮影画像及び検出温度をクラウドＰ／Ｆ１１０に送信する。クラウドＰ／Ｆ１１０は、受け取った撮影画像及び検出温度をクラウドサーバ１１の記憶部１５３内に記憶する。機械学習エンジン１１１は、学習段階において、記憶部１５３内の撮影画像及び検出温度を学習データとして学習モデルを学習させて、分離剤の投入量を出力する学習済みモデルを生成する。学習済みモデルが生成された後、機械学習エンジン１１１は、学習済みモデルに対して、記憶部１５３内の最新の撮影画像及び検出温度を入力して、分離剤の投入量を求める。機械学習エンジン１１１で求められた分離剤の投入量は、クラウドＰ／Ｆ１１０から工場Ａシステム４ａのフォグＰ／Ｆ４００に通知される。フォグＰ／Ｆ４００は、デバイスＧＷ４１を通じて、分離剤投入装置を制御するＰＬＣ４２ｂに分離剤の投入量を設定する。これにより、機械学習エンジン１０１で推論された投入量だけ分離剤が分離槽に投入される。なお、機械学習エンジン１１１は、記憶部１５３内の撮影画像及び検出温度に基づいて、学習済みモデルを自動的に再学習させてもよい。

なお、例えば、同じ処理槽に対して調整剤及び分離剤が投入される場合には、機械学習エンジンは、調整剤の投入量と分離剤の投入量を推論する学習済みモデルを生成してもよい。この場合、機械学習エンジンは、学習段階において、検出ｐＨ、検出温度及び撮影画像を学習データとして学習モデルを学習させて、調整剤及び分離剤の投入量を出力する学習済みモデルを生成する。そして、機械学習エンジンは、推論段階において、生成した学習済みモデルに対して、検出ｐＨ、検出温度及び撮影画像を入力して、調整剤及び分離剤の投入量を求める。

また、機械学習エンジンは、学習段階において、工場システム４で得られる情報４２０を使用せずに学習モデルを学習させてもよい。また、統計解析エンジンは、統計解析モデルの生成段階において、工場システム４で得られる情報４２０を使用せずに統計解析モデルを生成してもよい。

機械学習エンジンが推論する情報は上記の例に限られない。また、統計解析エンジンが求める情報は上記の例に限られない。例えば、機械学習エンジンは、製造ラインで製造された基板が写る撮影画像（情報４２０）に基づいて、当該基板に製造異常が無いか否かを推論する学習済みモデルを生成してもよい。また、統計解析エンジンは、例えば、インクの単位時間あたりの消費量（情報４２０）と、インクの残量（情報４２０）とに基づいて、インクの発注量及び発注時期を出力する統計解析モデルを生成してもよい。

また、複数の機械学習エンジンの間において推論する情報の種類は互いに異なってもよい。この場合、イントラ内工場システム４のフォグＰ／Ｆ４００は、受け取った情報４２０がどの機械学習エンジンで使用されるかに基づいて、当該情報４２０の送信先を決定してもよい。例えば、情報４２０がクラウドＰ／Ｆ１００の機械学習エンジン１０１で使用される場合には、フォグＰ／Ｆ４００は、当該情報４２０をクラウドＰ／Ｆ１００に送信する。また、情報４２０がオンプレミスシステム５の機械学習エンジン５１０で使用される場合には、フォグＰ／Ｆ４００は、当該情報４２０をオンプレミスシステム５に送信する。同様に、複数の統計解析エンジンの間において求められる情報の種類は互いに異なってもよい。

また、イントラネット２外で生成される、ある工場用の学習済みモデルと同じ学習済みモデルが、当該ある工場に設けられた工場システム４内に構築されてもよい。図１２は、イントラネット２外で生成された、ある工場用の学習済みモデルと同じ学習済みモデル４５が、当該ある工場に設けられた工場システム４のフォグＰ／Ｆ４００内に構築されている様子の一例を示す図である。学習済みモデル４５は、機械学習エンジン１０１で生成された第１クラウド側学習済みモデルであってもよいし、機械学習エンジン１１１で生成された第２クラウド側学習済みモデルであってもよい。

図１２の例では、フォグＰ／Ｆ４００は、デバイスＧＷ４１からの情報４２０を、自身が備える学習済みモデル４５に入力することができる。これにより、フォグＰ／Ｆ４００は、機械学習による推論結果をすぐに取得することができる。よって、処理のリアルタイム性が向上する。例えば、学習済みモデル４５が、製造装置の異常を特定することが可能なモデルである場合には、製造装置の異常が発生した場合に、フォグＰ／Ｆ４００は、デバイスＧＷ４１及びＰＬＣ４２ｂを通じて、当該製造装置をすぐに停止することができる。

図１３は、学習済みモデル４５がデバイスＧＷ４１内に構築されている様子の一例を示す図である。図１３の例では、デバイスＧＷ４１内の学習済みモデル４５には、当該デバイスＧＷ４１に接続されているデバイス４２から得られる情報４２０が入力される。図１３の例では、デバイスＧＷ４１は、デバイス４２から得られる情報４２０を、自身が備える学習済みモデル４５に入力することができる。これにより、デバイスＧＷ４１は、機械学習による推論結果をすぐに取得することができる。よって、図１２の例と比較して、処理のリアルタイム性がさらに向上する。

クラウドＰ／Ｆ１００の機械学習エンジン１０１が生成する第１クラウド側学習済みモデルと同じ学習済みモデル４５が工場システム４内に構築される場合には、クラウドＰ／Ｆ１００が第１クラウド側学習済みモデルを表すデータを工場システム４のフォグＰ／Ｆ４００に出力する。フォグＰ／Ｆ４００は、第１クラウド側学習済みモデルを表すデータに基づいて、自身の中に、あるいはデバイスＧＷ４１の中に、学習済みモデル４５を構築する。なお、工場システム４内に学習済みモデル４５が構築された場合には、上述のシステム変化情報には、学習済みモデル４５を特定するための特定情報が含められてもよい。

また、クラウドＰ／Ｆ１１０の機械学習エンジン１１１が生成する第２クラウド側学習済みモデルと同じ学習済みモデル４５が工場システム４内に構築される場合には、クラウドＰ／Ｆ１１０が、第２クラウド側学習済みモデルを表すデータを出力する。クラウドＰ／Ｆ１１０から出力されたデータは、工場システム４のフォグＰ／Ｆ４００に入力される。フォグＰ／Ｆ４００は、第２クラウド側学習済みモデルを表すデータに基づいて、自身の中に、あるいはデバイスＧＷ４１の中に、学習済みモデル４５を構築する。工場Ｄシステム４ｄのフォグＰ／Ｆ４００は、クラウドサーバ１０を通じて、第２クラウド側学習済みモデルを表すデータを受け取る。したがって、工場Ｄシステム４ｄにおいては、学習済みモデル４５がクラウドサーバ１０を通じて構築されると言える。

なお、同様にして、オンプレミスシステム５で生成される、ある工場用の学習済みモデル（オンプレミス側学習済みモデル）と同じ学習済みモデルが、当該ある工場に設けられた工場システム４内に構築されてもよい。

また、イントラネット２外で生成される、ある工場用の統計解析モデルと同じ統計解析モデル４６が、当該ある工場に設けられた工場システム４内に構築されてもよい。図１４は、フォグＰ／Ｆ４００内に統計解析モデル４６が構築されている様子の一例を示す図である。図１５は、デバイスＧＷ４１内に統計解析モデル４６が構築されている様子の一例を示す図である。なお、工場システム４内に統計解析モデル４６が構築された場合には、上述のシステム変化情報には、統計解析モデル４６を特定するための特定情報が含められてもよい。

また、同様にして、オンプレミスシステム５で生成される、ある工場用の統計解析モデル（オンプレミス側統計解析モデル）と同じ統計解析モデルが、当該ある工場に設けられた工場システム４内に構築されてもよい。

＜複数のモデルの併用＞
本例の情報処理システム１は、複数の学習済みモデルを組み合わせて使用することも可能である。例えば、イントラネット２内の機械学習エンジン５１０は、第１情報を学習済みモデルに入力して第２情報を推論する。そして、イントラネット２外の機械学習エンジン１０１は、第２情報と第３情報を学習済みモデルに入力して第４情報を推論する。図１６はこの様子を示す図である。

図１６に示されるように、イントラネット２内の学習済みモデルには第１情報が入力される。そして、イントラネット２外の学習済みモデルには、イントラネット２内の学習済みモデルから出力される第２情報と第３情報とが入力される。イントラネット２外の学習済みモデルは第４情報を出力する。第４情報は例えばイントラネット２内に入力される。以下に、図１６に示される処理の具体例を説明する。以下では、一例として、工場Ａの排水処理システムで使用されるある薬剤（以後、第１薬剤と呼ぶことがある）の発注量及び発注時期を図１６の処理で求める場合の情報処理システム１の動作について説明する。

例えば、イントラネット２内の機械学習エンジン５１０は、第１薬剤（調整剤あるいは分離剤など）の暫定的な発注量及び発注時期（第２情報）を推論するオンプレミス側学習済みモデルを生成する。また、イントラネット２外の機械学習エンジン１０１は、第１薬剤の最終的な発注量及び発注時期（第４情報）を推論する第１クラウド側学習済みモデルを生成する。

オンプレミス側学習済みモデルには、例えば、第１情報として機密性が高い情報が入力される。例えば、オンプレミス側学習済みモデルには、第１薬剤の現在の在庫量と、第１薬剤の発注情報と、工場Ａでの生産計画情報とが入力される。発注情報には、例えば、発注済みの第１薬剤の発注量と、発注済みの第１薬剤の入荷時期とが含まれる。生産計画情報には、例えば、工場Ａにおいて、どのような製品がどの時期にどれだけ製造される予定であるかを示す情報が含まれる。工場Ａで製造される製品の種類及び工場Ａでの生産量などによって、工場Ａで発生する汚水の様子が変化する。したがって、生産計画情報は、薬剤の発注量及び発注時期を決定する場合に重要な情報となる。

機械学習エンジン５１０は、推論段階において、工場Ａを備える事業部に対応する事業部サーバ５０の生産管理情報ＤＢ５０３ｂから、第１薬剤の現在の在庫量と、第１薬剤の発注情報と、工場Ａでの生産計画情報とを取得する。そして、機械学習エンジン５１０は、第１薬剤の現在の在庫量と、第１薬剤の発注情報と、工場Ａでの生産計画情報とをオンプレミス側学習済みモデルに対して入力して、第１薬剤の暫定的な発注量及び発注時期を推論する。オンプレミス側学習済みモデルの出力情報、つまり、第１薬剤の暫定的な発注量及び発注時期は、工場Ａシステム４ａのフォグＰ／Ｆ４００に通知される。フォグＰ／Ｆ４００は、通知されたオンプレミス側学習済みモデルの出力情報を、クラウドＰ／Ｆ１００に通知する。

第１クラウド側学習済みモデルには、オンプレミス側学習済みモデルの出力情報（第２情報）が入力される。また、第１クラウド側学習済みモデルには、例えば、第３情報として、機密性の低い情報が入力される。機密性の低い情報としては、例えば気温の予測情報が採用される。クラウドサーバ１０は、例えば、情報処理システム１外のサーバから、気温の予測情報を取得することができる。薬剤が投入される処理槽は屋外に存在することから、気温に応じて処理槽内の汚水の温度も変化する。そして、汚水の温度に応じて薬剤の効き目が変化する。例えば、汚水の温度が低い場合に薬剤の効き目が低減する。したがって、気温が低い日が続くときには、多くの薬剤が必要となる。よって、気温の予測情報は、薬剤の発注量及び発注時期に影響を与える。

クラウドＰ／Ｆ１００の機械学習エンジン１０１は、クラウドサーバ１０が取得した気温の予測情報と、オンプレミス側学習済みモデルの出力情報とを第１クラウド側学習済みモデルに入力して、第１薬剤の最終的な発注量及び発注時期を推論する。クラウドＰ／Ｆ１００は、推論した発注量及び発注時期（第４情報）を、工場Ａシステム４ａのフォグＰ／Ｆ４００に通知する。クラウドサーバ１０では、機密性の高い推論された発注量及び発注時期は保存されない。工場Ａシステム４ａのフォグＰ／Ｆ４００は、例えば、オンプレミスシステム５内の発注用サーバに対して、第１薬剤の発注量及び発注時期を通知する。発注用サーバは、第１薬剤の発注量及び発注時期に基づいて、第１薬剤の発注処理を行う。

他の例として、イントラ内工場システム４が設けられた工場の排水処理システムにおいて、同じ処理槽に上述の調整剤及び分離剤を投入する場合の投入量を、複数の学習済みモデルを用いて求める場合を考える。以後、説明の対象のイントラ内工場システム４を対象イントラ内工場システム４と呼ぶことがある。また、対象イントラ内工場システム４が設けられた工場を対象工場と呼ぶことがある。

例えば、対象イントラ内工場システム４のフォグＰ／Ｆ４００は、デバイスＧＷ４１からの機密性が低い検出温度をクラウドサーバ１０に送信する。クラウドサーバ１０は、フォグＰ／Ｆ４００からの検出温度を記憶部１５３に記憶する。また、フォグＰ／Ｆ４００は、デバイスＧＷ４１からの機密性が高い検出ｐＨ及び撮像画像をクラウドサーバ１０には送信せずに、オンプレミスシステム５に送信する。オンプレミスシステム５では、検出ｐＨ及び撮像画像が、対象工場を備える事業部に対応する事業部サーバ５０の技術情報ＤＢ５０３ｄに保存される。オンプレミスシステム５内の機械学習エンジン５１０は、調整剤の暫定的な投入量と分離剤の暫定的な投入量とを推論するオンプレミス側学習済みモデルを生成する。イントラネット２外の機械学習エンジン１０１は、調整剤の最終的な投入量と分離剤の最終的な投入量とを推論する第１クラウド側学習済みモデルを生成する。

機械学習エンジン５１０は、推論段階において、事業部サーバ５０の技術情報ＤＢ５０３ｄから検出ｐＨ及び撮像画像を取得する。そして、機械学習エンジン５１０は、検出ｐＨ及び撮像画像をオンプレミス側学習済みモデルに対して入力して、調整剤及び分離剤の暫定的な投入量を推論する。オンプレミス側学習済みモデルの出力情報、つまり、調整剤及び分離剤の暫定的な投入量は、対象イントラ内工場システム４のフォグＰ／Ｆ４００に通知される。フォグＰ／Ｆ４００は、通知されたオンプレミス側学習済みモデルの出力情報を、クラウドＰ／Ｆ１００に通知する。

クラウドＰ／Ｆ１００の機械学習エンジン１０１は、推論段階において、記憶部１５３から検出温度を取得する。そして、機械学習エンジン１０１は、検出温度と、フォグＰ／Ｆ４００から受け取った、オンプレミス側学習済みモデルの出力情報とを、第１クラウド側学習済みモデルに入力して、調整剤及び分離剤の最終的な投入量を推論する。クラウドＰ／Ｆ１００は、推論した投入量（第４情報）を、対象イントラ内工場システム４のフォグＰ／Ｆ４００に通知する。クラウドサーバ１０では、機密性の高い推論された投入量は保存されない。対象イントラ内工場システム４のフォグＰ／Ｆ４００は、調整剤投入装置及び分離剤投入装置を制御するＰＬＣ４２ｂが接続されたデバイスＧＷ４１に対して、推論された投入量を通知する。デバイスＧＷ４１は、ＰＬＣ４２ｂに対して投入量を設定する。ＰＬＣ４２ｂは、設定された投入量だけ調整剤が処理槽に投入されるように、調整剤投入装置を制御する。また、ＰＬＣ４２ｂは、設定された投入量だけ分離剤が処理槽に投入されるように、分離剤投入装置を制御する。これより、対象イントラ内工場システム４では、第１クラウド側学習済みモデルから出力される第４情報に基づいて、デバイス４２が制御される。

以上のように、図１６の例では、イントラネット２内の第１情報がイントラネット２内の学習済みモデルに入力され、イントラネット２内の学習済みモデルの出力情報がイントラネット２外の学習済みモデルに入力されている。これにより、イントラネット２外の学習済みモデルを利用しながらも、イントラネット２内の第１情報がイントラネット２外に漏れる可能性を低減することができる。よって、第１情報の機密性を高めることができる。

また、工場システム４のフォグＰ／Ｆ４００が、デバイス４２から得られる、撮影画像などの機密性の高い情報４２０をクラウドＰ／Ｆ１００に送信しないことにより、工場システム４で生成される機密性の高い情報４２０がイントラネット２外に漏れる可能性を低減することができる。

なお、上記の例では、図１６のイントラネット２外の学習済みモデルは、第１クラウド側学習済みモデルであったが、機械学習エンジン１１１が備える第２クラウド側学習済みモデルであってもよい。

イントラネット２内のオンプレミス側学習済みモデルには、イントラネット２内の情報と、イントラネット２外の第１クラウド側学習済みモデルの出力情報とが入力されてもよい。図１７はこの様子を示す図である。

図１７に示されるように、イントラネット２外の学習済みモデルには第５情報が入力される。そして、イントラネット２内の学習済みモデルには、イントラネット２外の学習済みモデルから出力される第６情報と、イントラネット２内の第７情報とが入力される。イントラネット２内の学習済みモデルは第８情報を出力する。以下に、図１７に示される処理の具体例を説明する。以下では、一例として、工場Ｂの排水処理システムで使用されるある薬剤（以後、第２薬剤と呼ぶことがある）の発注量及び発注時期を図１７の処理で求める場合の情報処理システム１の動作について説明する。

例えば、第１クラウド側学習済みモデルが、情報処理システム１外の装置からの情報（第５情報）に基づいて、気温の予測情報（第６情報）を出力する。また、オンプレミス側学習済みモデルは、第２薬剤の発注量及び発注時期（第８情報）を推論する。

機械学習エンジン１０１は、第１クラウド側学習済みモデルの出力情報、つまり気温の予測情報を、工場Ｂシステム４ｂのフォグＰ／Ｆ４００に出力する。フォグＰ／Ｆ４００は、気温の予測情報をオンプレミスシステム５に出力する。オンプレミスシステム５では、気温の予測情報が機械学習エンジン５１０に入力される。

機械学習エンジン５１０は、推論段階において、工場Ｂを備える事業部に対応する事業部サーバ５０の生産管理情報ＤＢ５０３ｂから、第２薬剤の現在の在庫量、第２薬剤の発注情報及び工場Ｂでの生産計画情報（第７情報）を取得する。そして、機械学習エンジン５１０は、第２薬剤の現在の在庫量と、第２薬剤の発注情報と、工場Ｂでの生産計画情報と、気温の予測情報とを、オンプレミス側学習済みモデルに対して入力して、第２薬剤の発注量及び発注時期を推論する。コンピュータ装置５１は、機械学習エンジン５１０で求められた第２薬剤の発注量及び発注時期を、工場Ｂシステム４ｂのフォグＰ／Ｆ４００に通知する。工場Ｂシステム４ｂのフォグＰ／Ｆ４００は、例えば、オンプレミスシステム５内の発注用サーバに対して、第２薬剤の発注量及び発注時期を通知する。発注用サーバは、第２薬剤の発注量及び発注時期に基づいて、第２薬剤の発注処理を行う。

他の例として、イントラ内工場システム４が設けられた工場の排水処理システムにおいて、同じ処理槽に上述の調整剤及び分離剤を投入する場合の投入量を図１６の処理で求める例について説明する。

例えば、対象イントラ内工場システム４のフォグＰ／Ｆ４００は、デバイスＧＷ４１からの検出温度をクラウドサーバ１０に送信する。クラウドサーバ１０は、フォグＰ／Ｆ４００からの検出温度を記憶部１５３に記憶する。この検出温度は、調整剤及び分離剤が投入される処理槽内の汚水の温度を示す。クラウドサーバ１０の第１クラウド側学習済みモデルには、記憶部１５３内の検出温度（第５情報）が入力される。また、第１クラウド側学習済みモデルには、情報処理システム１外のサーバから得られる気温の予測情報（第５情報）が入力される。そして、第１クラウド側学習済みモデルは、処理槽内の汚水の温度の予測情報（第６情報）を出力する。第１クラウド側学習済みモデルの出力情報は、対象イントラ内工場システム４のフォグＰ／Ｆ４００に通知される。フォグＰ／Ｆ４００は、第１クラウド側学習済みモデルの出力情報を、オンプレミスシステム５に通知する。オンプレミスシステム５では、第１クラウド側学習済みモデルの出力情報が機械学習エンジン５１０に入力される。

ここで、調整剤及び分離剤の効き目は汚水の温度によって変化する。したがって、汚水の温度の予測情報は、調整剤及び分離剤の投入量に影響を与える。例えば、汚水の温度が下降すると予測される場合には、調整剤及び分離剤を多めに投入することが考えられる。そこで、本例では、オンプレミス側学習済みモデルが、第１クラウド側学習済みモデルの出力情報、つまり汚水の温度の予測情報に基づいて、調整剤及び分離剤の投入量を推論する。

対象イントラ内工場システム４のフォグＰ／Ｆ４００は、デバイスＧＷ４１からの検出ｐＨ及び撮像画像をオンプレミスシステム５に送信する。オンプレミスシステム５では、検出ｐＨ及び撮像画像が、対象工場を備える事業部に対応する事業部サーバ５０の技術情報ＤＢ５０３ｄに保存される。機械学習エンジン５１０は、推論段階において、事業部サーバ５０の技術情報ＤＢ５０３ｄから検出ｐＨ及び撮像画像を取得する。そして、機械学習エンジン５１０は、検出ｐＨ及び撮像画像（第７情報）をオンプレミス側学習済みモデルに対して入力する。また、機械学習エンジン５１０は、第１クラウド側学習済みモデルの出力情報、つまり汚水の温度の予測情報をオンプレミス側学習済みモデルに対して入力する。オンプレミス側学習済みモデルは、調整剤及び分離剤の投入量（第８情報）を出力する。

調整剤及び分離剤の投入量は、対象イントラ内工場システム４のフォグＰ／Ｆ４００に通知される。フォグＰ／Ｆ４００は、通知された投入量を、調整剤投入装置及び分離剤投入装置を制御するＰＬＣ４２ｂが接続されたデバイスＧＷ４１に通知する。デバイスＧＷ４１は、ＰＬＣ４２ｂに対して投入量を設定する。ＰＬＣ４２ｂは、設定された投入量だけ調整剤が処理槽に投入されるように、調整剤投入装置を制御する。また、ＰＬＣ４２ｂは、設定された投入量だけ分離剤が処理槽に投入されるように、分離剤投入装置を制御する。

以上のように、図１７の例では、イントラネット２外の学習済みモデルから出力される第６情報と、イントラネット２内の第７情報とが、イントラネット２内の学習済みモデルに入力されている。これにより、イントラネット２外の学習済みモデルを利用しながらも、イントラネット２内の第７情報がイントラネット２外に漏れる可能性を低減することができる。よって、第７情報の機密性を高めることができる。

なお、上記の例では、図１７のイントラネット２外の学習済みモデルは、第１クラウド側学習済みモデルであったが、機械学習エンジン１１１が備える第２クラウド側学習済みモデルであってもよい。

また、ある工場システム４で得られる情報４２０が第１情報として使用されて図１６に示される処理が実行され、別の工場システム４で得られる情報４２０が第７情報として使用されて図１７に示される処理が実行されてもよい。また、同じ工場システムで得られる情報４２０が使用されて図１６に示される処理と図１７に示される処理が実行されてもよい。

また、情報処理システム１は、複数の学習済みモデルを組み合わせて使用する場合と同様に、複数の統計解析モデルを組み合わせて使用してもよい。例えば、図１６に示される構成において、イントラネット２内の学習済みモデルを、統計解析エンジン５２０で生成されるオンプレミス側統計解析モデルに置き換えるとともに、イントラネット２外の学習済みモデルを、統計解析エンジン１２１で生成されるクラウド側統計解析モデルに置き換えてもよい。また、図１７に示される構成において、イントラネット２内の学習済みモデルをオンプレミス側統計解析モデルに置き換えるとともに、イントラネット２外の学習済みモデルをクラウド側統計解析モデルに置き換えてもよい。

＜情報処理システムの他の例＞
各工場システム４のフォグＰ／Ｆ４００は、デバイス４２から得られる情報４２０を、それが機密性が高いか否かにかかわらず、クラウドＰ／Ｆ１００に送信してもよい。この場合、例えば、クラウドＰ／Ｆ１００のクラウド側フォグＰ／Ｆ４００は、工場システム４からの情報４２０が機密性が低い情報である場合には、記憶部１５３に保存してもよい。一方で、クラウド側フォグＰ／Ｆ４００は、工場システム４からの情報４２０が機密性が高い情報である場合には、記憶部１５３に保存せずに、オンプレミスシステム５に入力してもよい。オンプレミスシステム５では、例えば、事業部サーバ５０の記憶部５０３に、クラウド側フォグＰ／Ｆ４００からの情報４２０が記憶される。

また、情報処理システム１は、クラウドサーバ１１及び１２を備えなくてもよい。また、クラウドサーバ１０のクラウドＰ／Ｆ１００は統計解析エンジンを備えてもよい。この場合、クラウドＰ／Ｆ１００が備える統計解析エンジンは、統計解析エンジン５２０の代わりに使用されてもよいし、統計解析エンジン１２１の代わりに使用されてもよい。また、情報処理システム１は、イントラネット２内の機械学習エンジン及び統計解析エンジンのうちの一方だけを備えてもよい。また、情報処理システム１は、イントラネット２外の機械学習エンジン及び統計解析エンジンのうちの一方だけを備えてもよい。クラウドサーバ１０，１１，１２の少なくとも一つは、情報処理システム１とは別に設けられて、情報処理システム１に含められなくてもよい。

また、情報処理システム１は、工場Ｄシステム４ｄ以外のイントラ外工場システム４を備えてもよい。また、イントラ外工場システム４は、特定企業が備えるシステムではなく、特定企業に関連のある組織が備えるシステムであってもよい。例えば、イントラ外工場システム４は、特定企業の子会社が備えるシステムであってもよいし、特定企業の関連会社が備えるシステムであってもよい。また、イントラ外工場システム４は、特定企業の協力会社が備えるシステムであってもよい。また、工場Ｄシステム４ｄはイントラネット２内に設けられてもよい。また、情報処理システム１は、イントラ外工場システム４を備えなくてもよい。

また、情報処理システム１は、工場システム４の替わりに、工場システム４の構成と同様の構成を有する、工場とは別の場所に設けられたシステムを備えてもよい。例えば、情報処理システム１は、病院に設けられたシステムを備えてもよい。また、情報処理システム１は、大学に設けられたシステムを備えてもよい。情報処理システム１が工場とは別の場所に設けられたシステムを備える場合であっても、情報処理システム１は上記と同様に動作することが可能である。

以上のように、情報処理システム１は詳細に説明されたが、上記した説明は、全ての局面において例示であって、この開示がそれに限定されるものではない。また、上述した各種例は、相互に矛盾しない限り組み合わせて適用可能である。そして、例示されていない無数の例が、この開示の範囲から外れることなく想定され得るものと解される。

１，３ 情報処理システム
４ 工場システム
４ａ 工場Ａシステム
４ｂ 工場Ｂシステム
４ｃ 工場Ｃシステム
４ｄ 工場Ｄシステム
１０ サーバ
４２ デバイス
４２ａ センサ
４２ｂ ＰＬＣ
４２０ 情報

Claims (8)

1. イントラネット内に存在し、機械学習モデル及び統計解析モデルの一方のモデルである第１モデルと、
   前記イントラネット内に存在し、前記イントラネット内の第１情報を取得し、第１の場所に配置され、第１デバイスを有する第１システムと
   を備え、
   前記第１情報が前記第１モデルに入力され、前記第１情報が入力されたときに前記第１モデルから出力される第２情報が、前記イントラネット外に存在する、インターネットに接続されたクラウドサーバが備える前記一方のモデルである第２モデルに入力されるという第１処理が実行され、
   前記第１システムは、前記第２情報が入力されたときに前記第２モデルから出力される第３情報に基づいて、前記第１デバイスを制御する、情報処理システム。
2. 請求項１に記載の情報処理システムであって、
   前記第１処理では、前記イントラネット内で得られた第４情報が前記第２モデルに入力される、情報処理システム。
3. 請求項１または請求項２に記載の情報処理システムであって、
   前記イントラネット内の第５情報と前記第２モデルから出力される第６情報とが前記第１モデルに入力されるという第２処理が実行され
   前記第１システムは第２デバイスを有し、
   前記第１システムは前記第５情報を取得し、
   前記第１システムは、前記第５及び第６情報が入力されたときに前記第１モデルから出力される第７情報に基づいて、前記第２デバイスを制御する、情報処理システム。
4. 請求項１から請求項３のいずれか一つに記載の情報処理システムであって、
   前記イントラネットは、センサ及びＰＬＣ（Programmable Logic Controller）の少なくとも一方を備え、
   前記第１情報は、前記センサ及び前記ＰＬＣの少なくとも一方から取得された情報を含む、情報処理システム。
5. イントラネット内に存在し、機械学習モデル及び統計解析モデルの一方のモデルである第１モデルと、
   前記イントラネット内に存在し、前記イントラネット内の第１情報を取得し、第１の場所に配置され、第１デバイスを有する第１システムと
   を備え、
   前記第１情報と、前記イントラネット外に存在する、インターネットに接続されたクラウドサーバが備える前記一方のモデルである第２モデルが第２情報が入力されたときに出力する第３情報とが、前記第１モデルに入力されるという第１処理が実行され、
   前記第１システムは、前記第１及び第３情報が入力されたときに前記第１モデルから出力される第４情報に基づいて、前記第１デバイスを制御する、情報処理システム。
6. 請求項５に記載の情報処理システムであって、
   前記第２情報は、前記イントラネット内で得られた情報である、情報処理システム。
7. 請求項５または請求項６に記載の情報処理システムであって、
   前記イントラネット内の第５情報が前記第１モデルに入力され、前記第５情報が入力されたときに前記第１モデルから出力される第６情報が前記第２モデルに入力されるという第２処理が実行され、
   前記イントラネット内に存在し、前記第５情報を取得し、第２の場所に配置され、第２デバイスを有する第２システムを備え、
   前記第２システムは、前記第６情報が入力されたときに前記第２モデルから出力される第７情報に基づいて、前記第２デバイスを制御する、情報処理システム。
8. 請求項５から請求項７のいずれか一つに記載の情報処理システムであって、
   前記イントラネットは、センサ及びＰＬＣ（Programmable Logic Controller）の少なくとも一方を備え、
   前記第１情報は、前記センサ及び前記ＰＬＣの少なくとも一方から取得された情報を含む、情報処理システム。

Images