JP7398587B1 - 機械学習を利用したシステム、端末、サーバ、方法、及び、プログラム - Google Patents
機械学習を利用したシステム、端末、サーバ、方法、及び、プログラム Download PDFInfo
- Publication number
- JP7398587B1 JP7398587B1 JP2023070239A JP2023070239A JP7398587B1 JP 7398587 B1 JP7398587 B1 JP 7398587B1 JP 2023070239 A JP2023070239 A JP 2023070239A JP 2023070239 A JP2023070239 A JP 2023070239A JP 7398587 B1 JP7398587 B1 JP 7398587B1
- Authority
- JP
- Japan
- Prior art keywords
- trained model
- data
- cloud
- trained
- edge terminal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title description 25
- 238000010801 machine learning Methods 0.000 title description 12
- 238000012544 monitoring process Methods 0.000 claims abstract description 40
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 24
- 238000010586 diagram Methods 0.000 abstract 1
- 238000012549 training Methods 0.000 description 36
- 238000009826 distribution Methods 0.000 description 25
- 230000004044 response Effects 0.000 description 16
- 230000008569 process Effects 0.000 description 13
- 238000007405 data analysis Methods 0.000 description 11
- 238000013523 data management Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 239000000463 material Substances 0.000 description 10
- 238000001514 detection method Methods 0.000 description 9
- 230000010365 information processing Effects 0.000 description 8
- 238000007726 management method Methods 0.000 description 8
- 230000009471 action Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 235000002245 Penicillium camembertii Nutrition 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
Description
機能分散型人工知能プラットフォームシステムであって、
前記システムは、
機能分散型の形式で、複数の学習済みモデルを含むクラウドと、
前記複数の学習済みモデルの一部を選択して取得することが可能であり、尚且つ、前記学習済みモデルを実行することができるエッジ端末と、
前記エッジ端末にモニタリングデータを送信することが可能なモニタリングツールと、
を含む、システム。
発明1のシステムであって、
前記エッジ端末は、プログラムを備え、
前記プログラムは、
・前記学習済みモデルを選択するためのインタフェースを表示するステップと、
・サンプルデータを、前記クラウドにアップロードするステップと、
・前記アップロードに応答して送信される前記クラウドからのデータを受信するステップであって、前記データは適切な学習済みモデルを抽出するために使用される、ステップと、
・学習済みモデルを取得するステップと
を実行する、システム。
発明1又は2のシステムであって、
前記エッジ端末は、プログラムを備え、
前記プログラムは、
・前記学習済みモデルを選択するためのインタフェースを表示するステップと、
・ユーザからの操作に応答して、要求する学習済みモデルのプロパティ情報を受信するステップと、
・前記プロパティ情報を、前記クラウドにアップロードするステップと、
・前記アップロードに応答して送信される前記クラウドからのデータを受信するステップであって、前記データは適切な学習済みモデルを抽出するために使用される、ステップと、
・学習済みモデルを取得するステップと
を実行する、システム。
発明1~3いずれかのシステムであって、前記クラウドは、各学習済みモデルと関連づけられた各付随データを更に備え、
前記エッジ端末は、新たな学習済みモデル又はその差分を取得する際に、以前の学習済みモデルと関連づけられた付随データと、新たな学習済みモデルに関連づけられた付随データとの差分を取得するように構成される、システム。
発明1~4いずれかのシステムであって、
前記エッジ端末は、プログラムを備え、
前記プログラムは、
複数の学習済みモデルを各々実行し、
各学習済みモデルからの判定結果の組み合わせに基づいて所定の動作を実行する、
システム、
あるいは、
前記プログラムは、
少なくとも1つの学習済みモデルを実行し、
前記モニタリングツールからデータを取得し、
学習済みモデルからの判定結果と、前記データの組み合わせに、少なくとも基づいて所定の動作を実行する、
システム。
発明1~5いずれかのシステムであって、前記エッジ端末は、学習モジュールを備え、
前記学習モジュールは、
学習用データを用いて、学習済みモデルを構築させるステップを実行する、
システム。
発明1~6いずれかのシステムであって、前記システムは、機械学習用サーバを更に備え、
前記機械学習用サーバは、学習モジュールを備え、
前記学習モジュールは、
学習用データを用いて、学習済みモデルを構築させるステップを実行する、
システム。
発明6又は7のシステムであって、
前記学習モジュールは、
構築された前記学習済みモデルを、当該学習済みモデルのプロパティ情報とともに、前記クラウドにアップロードするステップを、
実行する、
システム。
発明1~8いずれかのシステムであって、
前記エッジ端末は、第1学習済みモデルと、第2学習済みモデルと、第3学習済みモデルとを少なくとも備え、
前記第1学習済みモデルは、前記第2学習済みモデルからの出力値と、前記第3学習済みモデルからの出力値とを、少なくとも入力値として受信するように構成され、場合により、前記モニタリングツールからデータを入力値として受信するように構成されてもよく、
前記第2学習済みモデル及び前記第3学習済みモデルからの各出力値に対応する各入力値に対して、重みづけが設定され、
前記モニタリングツールからの入力値を受信する場合には、当該入力値に対しても重みづけが設定される、
システム。
発明6のシステムであって、
前記学習モジュールは、
学習済みモデルのプロパティ情報と、第1の学習用データとの少なくともいずれかを、前記クラウドに送信するステップと、
前記クラウドから、第2の学習用データを受信するステップと、
前記第1の学習用データと前記第2の学習用データとを用いて学習済みモデルを構築させるステップと、
を実行するシステム。
発明7のシステムであって、
前記学習モジュールは、
学習済みモデルのプロパティ情報と、第1の学習用データとの少なくともいずれかを、前記クラウドに送信するステップと、
前記クラウドから、第2の学習用データを受信するステップと、
前記第1の学習用データと前記第2の学習用データとを用いて学習済みモデルを構築させるステップと、
構築された前記学習済みモデルを前記エッジ端末に直接又は前記クラウドを介して送信するステップと、
を実行するシステム。
発明1~11いずれかのシステムであって、
前記エッジ端末は、プログラムを備え、
前記プログラムは、
・前記学習済みモデルを選択するためのインタフェースを表示するステップと、
・ユーザからの操作に応答して、要求する学習済みモデルのプロパティ情報を受信するステップと、
・前記プロパティ情報を、前記クラウドにアップロードするステップと、
・前記アップロードに応答して送信される前記クラウドからのデータを受信するステップであって、前記データは適切な学習済みモデルを抽出するために使用される、ステップと、
・学習済みモデルを取得するステップと
を実行し、
前記クラウドは、学習済みモデルと、当該学習済みモデルの前記プロパティ情報との関連付け情報を記憶しており、
前記クラウドは、学習済みモデル配信モジュールを備え、前記学習済みモデル配信モジュールは、前記エッジ端末からの前記プロパティ情報と、前記関連付け情報に少なくとも基づいて、学習済みモデルの選択を行う、
システム。
発明1~12いずれかのシステムであって、
前記エッジ端末は、学習用データ提供モジュールを備え、前記学習用データ提供モジュールは、ユーザ識別情報と、学習用データと、当該学習用データのプロパティ情報とを、前記クラウドにアップロードするステップを実行し、
前記クラウドは、前記学習用データと、前記学習用データの前記プロパティ情報とを関連付けて記憶し、且つ、前記ユーザ識別情報を学習用データ提供者として記録し、
前記エッジ端末は、学習済モデル取得モジュールを備え、前記学習済モデル取得モジュールは、前記ユーザ識別情報を用いて前記クラウドにアクセスして、学習済モデル及び/又は学習用データの取得をリクエストするステップを実行する、
システム。
発明1のシステムに備えられるためのクラウドであって、
前記クラウドは、前記エッジ端末に、前記複数の学習済みモデルの一部を選択して送信することが可能である、クラウド。
発明2のシステムに備えられるためのクラウドであって、
前記クラウドは、プログラムを備え、
前記プログラムは、
・前記エッジ端末から送信される前記サンプルデータを、受信するステップと、
・前記サンプルデータに基づいてデータを送信するステップであって、前記データは適切な学習済みモデルを抽出するために使用される、ステップと、
・前記エッジ端末からのリクエストに応答して、学習済みモデルを送信するステップと
を実行する、クラウド。
発明2のシステムに備えられるためのエッジ端末。
発明3のシステムに備えられるためのクラウドであって、
前記クラウドは、プログラムを備え、
前記プログラムは、
・前記エッジ端末から送信される、前記要求する学習済みモデルの前記プロパティ情報を受信するステップと、
・前記プロパティ情報に基づいて前記データを送信するステップであって、前記データは適切な学習済みモデルを抽出するために使用される、ステップと、
・学習済みモデルを送信するステップと、
を実行する、クラウド。
発明3のシステムに備えられるためのエッジ端末。
発明4のシステムに備えられるためのクラウドであって、
前記クラウドは、新たな学習済みモデル又はその差分を前記エッジ端末に送信する際に、以前の学習済みモデルと関連づけられた付随データと、新たな学習済みモデルに関連づけられた付随データとの前記差分を送信するように構成される、
クラウド。
発明4のシステムに備えられるためのエッジ端末。
発明5のシステムに備えられるためのエッジ端末。
発明6のシステムに備えられるためのエッジ端末。
発明7のシステムに備えられるための機械学習用サーバ。
発明8のシステムに備えられるためのエッジ端末又は機械学習用サーバ。
発明9のシステムに備えられるためのエッジ端末。
発明10のシステムに備えられるためのクラウドであって、
前記クラウドは、前記エッジ端末から、前記学習済みモデルの前記プロパティ情報と、前記第1の学習用データとの少なくともいずれかを受信し、
前記受信に基づいて、前記第2の学習用データを前記エッジ端末へ送信する、
クラウド。
発明10のシステムに備えられるためのエッジ端末。
発明11のシステムに備えられるためのクラウドであって、
前記クラウドは、前記エッジ端末から、前記学習済みモデルの前記プロパティ情報と、前記第1の学習用データとの少なくともいずれかを受信し、
前記受信に基づいて、前記第2の学習用データを前記エッジ端末へ送信する、
クラウド。
発明11のシステムに備えられるためのエッジ端末。
発明12のシステムに備えられるクラウドであって、
前記クラウドは、プログラムを備え、
前記プログラムは、
・前記エッジ端末から送信される、前記要求する学習済みモデルのプロパティ情報を受信するステップと、
・前記プロパティ情報に基づいて前記データを送信するステップであって、前記データは適切な学習済みモデルを抽出するために使用される、ステップと、
・学習済みモデルを送信するステップと
を実行する、クラウド。
発明13のシステムに備えられるためのクラウド。
発明13のシステムに備えられるためのエッジ端末。
一実施形態において、本開示のシステム等は、様々な産業分野で使用することができる。即ち、機械学習を活用する産業分野において利用することができる。例えば、本開示のシステムは、以下の産業分野で利用可能である:生産ライン、建物内の管理(例えば、デパート、空港など)、工事現場などでの音声通信、データ分析等。
一実施形態において、本開示は、システムに関する。別の一実施形態において、本開示は、当該システムを構成する各要素に関する。当該システムを構成する要素は、クラウド(又はクラウドサーバ)、サーバ、端末、プログラム、及び、当該プログラムが記憶された非一時的記憶媒体を含む。また、別の一実施形態において、本開示は、これらのシステム、及び/又は、当該システムの構成要素を用いる方法に関する。
上述したクラウドサーバ、学習用サーバ、エッジ端末などは、典型的な情報処理装置として実装される。具体的には、図4に示すように、情報処理装置は、メモリ、プロセッサ、記憶媒体、通信モジュールを備えることができる。
「機能分散型」とは、複数の機能を1つの学習済みモデルが担う形態ではなく、機能ごとに、複数の学習済みモデルが担う形態を意味する。「機能分散型」は、少なくとも2段階の機能分散が含まれる(図6参照)。
本明細書で述べる画像とは、特に断りがない限り、動画、及び静止画のいずれか1以上を含む。画像データについても同様であり、画像データは、動画データ、及び静止画データのいずれか1以上を含む。ファイル形式は特に限定されず、当分野で公知の形式であればよい(静止画のファイル形式の例として、JPG、GIF、PNG等、動画のファイル形式の例として、MP4等)。
また、本明細書で述べる音声とは、肉声、物質音、及び両者の混合物を含む。したがって、「音声認識」は、狭義では、人間の肉声の認識を意味するが、広義では、ヒト以外の肉声の認識(例えば、動物の鳴き声)、及び、物質音(乗り物のエンジン音等)の認識も含む。また、音声データのファイル形式は特に限定されず、当分野で公知の形式であればよい(例えば、MP3等)。
特記しない限りは、本明細書における用語「クラウド」は、「クラウドサーバ」と相互置換可能に使用される。したがって、実態としては、物理的な情報処理装置又はそのクラスタ構成された集合体を指す。典型的には、「クラウド」は、PaaS又はそれ以上(SaaS)のサービスを提供することができる。
学習用データは、学習済みモデルを生成するために必要となるデータである。例えば、学習用データは、ラベル付けがされてもよい(例えば、画像データに所定の情報がラベル付けされており、所定の情報には、OKかNGかの情報が含まれる)。
モジュールは、特記しない限りは、ハードウェアとして実装されてもよく、ソフトウェアとして実装されてもよく、或いはその組み合わせとして実装されてもよい。例えば、通信モジュールは、Ethnernet(登録商標)ボードによって実装されてもよい。また、本開示のいくつかの本実施形態において実行されるステップはプログラムによって実装されてもよい。
一実施形態において、本開示は、機能分散型人工知能プラットフォームシステムに関する。当該システムは
機能分散型の形式で、複数の学習済みモデルを含むクラウドと、
複数の学習済みモデルの一部を選択して取得することが可能であり、尚且つ、学習済みモデルを実行することができるエッジ端末と、
エッジ端末にモニタリングデータを送信することが可能なモニタリングツールと
を含む。
クラウドには、機能分散型の形式で複数の学習済みモデルが記憶されており、多種多様なユーザのニーズに沿って、適切な学習済みモデルを提供することができる。図6では、金型付着物検知、顔認証、生産ライン検品、自動運転などの例が開示されているが、提供する学習済みモデルの機能は、これらに限定されない。また、図7では、画像認識、音声認識、データ認識、言語処理などの例が開示されているが、提供する学習済みモデルの機能は、これらに限定されない。
エッジ端末は、例えば、図1、図2、図3等に示すように、ネットワークを通して、クラウドと通信可能に接続される。
モニタリングツールは、センサから取得された測定値をデジタル化し、そして、エッジ端末に送信することができる。また、モニタリングツールは、センサ以外からのデータ(例えば、操作ログなどの監視データ等)をデジタル化し、そして、エッジ端末に送信することができる。なお、モニタリングツールとエッジ端末は、物理的に同一のハードウェア内で実装されてもよく、或いは、別々のハードウェアで実装されてもよい。
図9を参照しながら、学習済モデルの取得の処理を説明する。エッジ端末の学習済みモデル取得モジュールは、クラウドと通信し、学習済みモデルを特定するための識別子の情報とともに、学習済みモデル取得のリクエストを送信することができる(図9のステップ10)。
図10を参照しながら、エッジ端末が学習済モデルを利用して種々の判定を行う処理を説明する。エッジ端末は、まずモニタリングツールからデータを取得する(図10のステップ10)。エッジ端末の学習済みモデル実行モジュールは、データを、学習済みモデルに入力する(図10のステップ20)。その後、エッジ端末の学習済みモデル実行モジュールは、学習済みモデルの出力値を取得する(図10のステップ30)。
重要なのは、クラウドが、機能分散型の形式で複数の学習済みモデルを備える点である。理想としては、ユーザが活用する学習済みモデルの種類が少ない方が望ましい。例えば、自動運転の判断をする学習済みモデルであれば、夜間、雨、晴れの日、逆光などあらゆる条件で、1種類の学習済みモデルで十分であれば理想的である。例えば、音声を認識する学習済みモデルであれば、静かな環境、騒音のひどい環境(例えば、工事現場、飛行場など)、他人の会話がバックグラウンドで流れるような環境など多種多様な環境で、1種類の学習済みモデルで十分であれば理想的である。
更なる実施形態において、エッジ端末は、学習済みモデル取得モジュールを備える。当該モジュールは、プログラムによって実装されてもよい。
プログラムは、
・学習済みモデルを選択するためのインタフェースを表示するステップと、
・サンプルデータを、クラウドにアップロードするステップと、
・アップロードに応答して送信されるクラウドからのデータを受信するステップであって、データは適切な学習済みモデルを抽出するために使用される、ステップと、
・学習済みモデルを取得するステップと
を実行することができる。
更なる実施形態において、エッジ端末は、学習済みモデル取得モジュールを備える。当該モジュールは、プログラムによって実装されてもよい。
プログラムは、
・学習済みモデルを選択するためのインタフェースを表示するステップと、
・ユーザからの操作に応答して、要求する学習済みモデルのプロパティ情報を受信するステップと、
・プロパティ情報を、クラウドにアップロードするステップと、
・アップロードに応答して送信されるクラウドからのデータを受信するステップであって、データは適切な学習済みモデルを抽出するために使用される、ステップと、
・学習済みモデルを取得するステップと
を実行することができる。
一実施形態において、本開示のシステムでは、クラウトとエッジ端末との間で、ダウンロード、及び/又は、アップロードするデータの軽量化を実現することができる。
エッジ端末は、新たな学習済みモデル又はその差分を取得する際に、以前の学習済みモデルと関連づけられた付随データと、新たな学習済みモデルに関連づけられた付随データとの差分を取得するように構成される。
・学習済みモデルに入力するデータを調節するための処理内容(例えば、サブルーチン、アプリケーション等を含む)及びパラメータ
・学習済みモデルが出力した値に基づいて動作するための処理内容(例えば、サブルーチン、アプリケーション等を含む)及びパラメータ
・学習済みモデルが行う処理に関連するパラメータ
・プロパティ情報のデータ
各層に設定したユニット(例えば、パーセプトロン)数、損失関数を最小化するパラメータ探索アルゴリズムの種類(例えば、Adam等)、上記探索アルゴリズム利用時に設定する引数、学習率等が挙げられる。
一実施形態において、エッジ端末は、プログラムを備え、
前記プログラムは、
複数の学習済みモデルを各々実行し、
各学習済みモデルからの判定結果の組み合わせに基づいて所定の動作を実行する
ことができる。
前記プログラムは、
少なくとも1つの学習済みモデルを実行し、
モニタリングツールからデータを取得し、
学習済みモデルからの判定結果と、前記データの組み合わせに、少なくとも基づいて所定の動作を実行する
ことができる。
図21を参照しながら、エッジ端末を用いて学習する例を説明する。まず、エッジ端末において、学習用データを取得する(図21のステップ10)(典型的にはローカルにデータを記憶する)。これは、例えば、ユーザがこれまでの運用で得られたデータなどを用いて準備することができる(例えば、上記金型の例であれば、金型に付着物がある場合の写真、及び、金型に付着物がない場合の写真、並びに、正解データの組み合わせ)。
上記の例では、エッジ端末を用いて学習させていたが、別の例では、別途学習用サーバを設けてもよい。例えば、図2又は図3に示すように、エッジ端末に接続可能な形で、別途学習用サーバを設けてもよい。
一実施形態において、エッジ端末は、複数の学習済みモデルを備えることができる。ここで、第1学習済みモデルと、第2学習済みモデルと、第3学習済みモデルとを少なくとも備えることができ、
第1学習済みモデルは、第2学習済みモデルからの出力値と、第3学習済みモデルからの出力値とを、少なくとも入力値として受信するように構成され、
第2学習済みモデル及び第3学習済みモデルからの各出力値に対応する各入力値に対して、重みづけが設定されてもよい。
上記「10.クラウド以外による学習済みモデルの構築」の例においては、エッジ端末又は学習用サーバが学習を実行していた。
学習済みモデルのプロパティ情報と、第1の学習用データとの少なくともいずれかを、クラウドに送信するステップと、
クラウドから、第2の学習用データを受信するステップと、
第1の学習用データと第2の学習用データとを用いて学習済みモデルを構築させるステップと、
を実行することができる。
エッジ端末は、学習用データ提供モジュールを備え、学習用データ提供モジュールは、ユーザ識別情報と、学習用データと、当該学習用データのプロパティ情報とを、クラウドにアップロードするステップを実行し、
クラウドは、学習用データと、学習用データのプロパティ情報とを関連付けて記憶し、且つ、ユーザ識別情報を学習用データ提供者として記録し、
エッジ端末は、学習済モデル取得モジュールを備え、学習済モデル取得モジュールは、ユーザ識別情報を用いて前記クラウドにアクセスして、学習済モデル及び/又は学習用データの取得をリクエストするステップを実行する。
1010 クラウドサーバ
1020 エッジ端末
1030 サーバ(例えば、学習用サーバ)
1040 プロセッサ
1050 メモリ
1060 記憶媒体
1070 通信モジュール
1080 センサ
Claims (4)
- 複数の学習済みモデルを含む人工知能プラットフォームシステムであって、
前記システムは、
前記複数の学習済みモデルを含むクラウドと、
前記複数の学習済みモデルの一部を選択して取得することが可能であり、尚且つ、前記学習済みモデルを実行することができるエッジ端末と、
前記エッジ端末にモニタリングデータを送信することが可能なモニタリングツールと、
を含む、システムであって、
前記複数の学習済みモデルは、出力データの形式及び判断内容が異なる複数の学習済みモデルを含み、
前記複数の学習済みモデルは、データ処理の得意・不得意の度合いが異なる複数の学習済みモデルを含み、
前記複数の学習済みモデルは、入力データの形式及び性質が異なる複数の学習済みモデルを含む、
システムであって、
前記エッジ端末は、学習用データ提供モジュールを備え、前記学習用データ提供モジュールは、ユーザ識別情報と、学習用データと、当該学習用データのプロパティ情報とを、前記クラウドにアップロードするステップを実行し、
前記クラウドは、前記学習用データと、前記学習用データの前記プロパティ情報とを関連付けて記憶し、且つ、前記ユーザ識別情報を学習用データ提供者として記録し、
前記エッジ端末は、学習済モデル取得モジュールを備え、前記学習済モデル取得モジュールは、前記ユーザ識別情報を用いて前記クラウドにアクセスして、学習済モデル及び/又は学習用データの取得をリクエストするステップを実行する、
システム。 - 複数の学習済みモデルを含む人工知能プラットフォームシステムであって、
前記システムは、
前記複数の学習済みモデルを含むクラウドと、
前記複数の学習済みモデルの一部を選択して取得することが可能であり、尚且つ、前記学習済みモデルを実行することができるエッジ端末と、
前記エッジ端末にモニタリングデータを送信することが可能なモニタリングツールと、
を含む、システムであって、
前記複数の学習済みモデルは、出力データの形式及び判断内容が異なる複数の学習済みモデルを含み、
前記複数の学習済みモデルは、データ処理の得意・不得意の度合いが異なる複数の学習済みモデルを含み、
前記クラウドは、各学習済みモデルと関連づけられた各付随データを更に備え、
前記エッジ端末は、新たな学習済みモデル又はその差分を取得する際に、以前の学習済みモデルと関連づけられた付随データと、新たな学習済みモデルに関連づけられた付随データとの差分を、前記クラウドから取得するように構成され、
前記付随データは、テーブル形式であり、
前記付随データは、以下のうちいずれか1以上を含む、システムであって、
・学習済みモデルに入力するデータを調節するための処理内容及びパラメータ
・学習済みモデルが出力した値に基づいて動作するための処理内容及びパラメータ
・学習済みモデルが行う処理に関連するパラメータ
・プロパティ情報のデータ
前記付随データは、学習済みモデルが出力した値に基づいて動作するための処理内容及びパラメータを少なくとも含む、システム。 - 請求項2のシステムに備えられるためのクラウドであって、
前記クラウドは、新たな学習済みモデル又はその差分を前記エッジ端末に送信する際に、以前の学習済みモデルと関連づけられた付随データと、新たな学習済みモデルに関連づけられた付随データとの前記差分を送信するように構成される、
クラウド。 - 請求項2のシステムに備えられるためのエッジ端末。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2023070239A JP7398587B1 (ja) | 2022-06-30 | 2023-04-21 | 機械学習を利用したシステム、端末、サーバ、方法、及び、プログラム |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022106509A JP7305850B1 (ja) | 2022-06-30 | 2022-06-30 | 機械学習を利用したシステム、端末、サーバ、方法、及び、プログラム |
JP2023070239A JP7398587B1 (ja) | 2022-06-30 | 2023-04-21 | 機械学習を利用したシステム、端末、サーバ、方法、及び、プログラム |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022106509A Division JP7305850B1 (ja) | 2022-06-30 | 2022-06-30 | 機械学習を利用したシステム、端末、サーバ、方法、及び、プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP7398587B1 true JP7398587B1 (ja) | 2023-12-14 |
JP2024006959A JP2024006959A (ja) | 2024-01-17 |
Family
ID=87072386
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022106509A Active JP7305850B1 (ja) | 2022-06-30 | 2022-06-30 | 機械学習を利用したシステム、端末、サーバ、方法、及び、プログラム |
JP2023070239A Active JP7398587B1 (ja) | 2022-06-30 | 2023-04-21 | 機械学習を利用したシステム、端末、サーバ、方法、及び、プログラム |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022106509A Active JP7305850B1 (ja) | 2022-06-30 | 2022-06-30 | 機械学習を利用したシステム、端末、サーバ、方法、及び、プログラム |
Country Status (1)
Country | Link |
---|---|
JP (2) | JP7305850B1 (ja) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018173121A1 (ja) | 2017-03-21 | 2018-09-27 | 株式会社Preferred Networks | サーバ装置、学習済モデル提供プログラム、学習済モデル提供方法及び学習済モデル提供システム |
WO2019229789A1 (ja) | 2018-05-28 | 2019-12-05 | 株式会社オプティム | 学習済モデル提案システム、学習済モデル提案方法、およびプログラム |
US20200285891A1 (en) | 2019-03-06 | 2020-09-10 | International Business Machines Corporation | Method to Continuously Improve Recognition or Prediction Accuracy Using Machine Learning Model Train and Manage in an Edge Application |
JP6759472B2 (ja) | 2018-02-02 | 2020-09-23 | 株式会社ウフル | 学習済みモデルアップデートシステム、学習済みモデルアップデート方法、及びプログラム |
WO2021038759A1 (ja) | 2019-08-28 | 2021-03-04 | 富士通株式会社 | モデル選択方法、モデル選択プログラムおよび情報処理装置 |
JP2022037955A (ja) | 2020-08-26 | 2022-03-10 | 株式会社日立製作所 | 学習モデルを選択するシステム |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6199927B2 (ja) * | 2015-06-17 | 2017-09-20 | Cocoro Sb株式会社 | 制御システム、システム及びプログラム |
JP7453772B2 (ja) * | 2019-11-01 | 2024-03-21 | キヤノン株式会社 | 情報処理装置及びその制御方法、撮像装置システム、プログラム |
CN113591884B (zh) * | 2020-04-30 | 2023-11-14 | 上海高德威智能交通系统有限公司 | 字符识别模型的确定方法、装置、设备及存储介质 |
-
2022
- 2022-06-30 JP JP2022106509A patent/JP7305850B1/ja active Active
-
2023
- 2023-04-21 JP JP2023070239A patent/JP7398587B1/ja active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018173121A1 (ja) | 2017-03-21 | 2018-09-27 | 株式会社Preferred Networks | サーバ装置、学習済モデル提供プログラム、学習済モデル提供方法及び学習済モデル提供システム |
JP6759472B2 (ja) | 2018-02-02 | 2020-09-23 | 株式会社ウフル | 学習済みモデルアップデートシステム、学習済みモデルアップデート方法、及びプログラム |
WO2019229789A1 (ja) | 2018-05-28 | 2019-12-05 | 株式会社オプティム | 学習済モデル提案システム、学習済モデル提案方法、およびプログラム |
US20200285891A1 (en) | 2019-03-06 | 2020-09-10 | International Business Machines Corporation | Method to Continuously Improve Recognition or Prediction Accuracy Using Machine Learning Model Train and Manage in an Edge Application |
WO2021038759A1 (ja) | 2019-08-28 | 2021-03-04 | 富士通株式会社 | モデル選択方法、モデル選択プログラムおよび情報処理装置 |
JP2022037955A (ja) | 2020-08-26 | 2022-03-10 | 株式会社日立製作所 | 学習モデルを選択するシステム |
Also Published As
Publication number | Publication date |
---|---|
JP2024005989A (ja) | 2024-01-17 |
JP2024006959A (ja) | 2024-01-17 |
JP7305850B1 (ja) | 2023-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200238511A1 (en) | Robot apparatus, methods and computer products | |
US10679054B2 (en) | Object cognitive identification solution | |
WO2018142765A1 (ja) | 学習済みモデル提供方法および学習済みモデル提供装置 | |
KR101334066B1 (ko) | 진화하는 사이버 로봇 시스템 및 그 제공 방법 | |
US20200302928A1 (en) | Electronic device and controlling method thereof | |
CN110119420A (zh) | 数据编配平台管理 | |
CN112051743A (zh) | 设备控制方法、冲突处理方法、相应的装置及电子设备 | |
KR102426435B1 (ko) | 사용자 입력에 기반한 문장을 제공하는 장치 및 방법 | |
US20200125967A1 (en) | Electronic device and method for controlling the electronic device | |
US11392855B1 (en) | GUI for configuring machine-learning services | |
US11182697B1 (en) | GUI for interacting with analytics provided by machine-learning services | |
CN111813910B (zh) | 客服问题的更新方法、系统、终端设备及计算机存储介质 | |
CN108111399B (zh) | 消息处理的方法、装置、终端及存储介质 | |
CN111353091A (zh) | 信息处理方法、装置、电子设备及可读存储介质 | |
CN110121696B (zh) | 电子设备及其控制方法 | |
WO2017183242A1 (ja) | 情報処理装置及び情報処理方法 | |
US20230206420A1 (en) | Method for detecting defect and method for training model | |
KR20200085143A (ko) | 외부 장치를 등록하는 대화형 제어 시스템 및 방법 | |
JP2021060982A (ja) | データ分析システム診断方法、データ分析システム最適化方法、デバイス及び媒体 | |
EP3671699A1 (en) | Electronic apparatus and controlling method thereof | |
US20200380315A1 (en) | Computer vision classifier using item micromodels | |
JP7398587B1 (ja) | 機械学習を利用したシステム、端末、サーバ、方法、及び、プログラム | |
CN117591639A (zh) | 一种问题答复方法、装置、设备及介质 | |
CN113642635A (zh) | 模型训练方法及装置、电子设备和介质 | |
CN117253287A (zh) | 基于域泛化的动作预测模型训练方法、相关方法及产品 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230421 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20230421 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230627 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230809 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20231109 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231204 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7398587 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |