JP7473799B2 - 検索装置、モデル生成装置、検索方法、およびモデル生成方法 - Google Patents

Description

本発明の一態様は、検索装置に関する。

近年、ＡＩ（Artificial Intelligence，人工知能）に関する様々な技術が提案されている。の一例として、エキスパートシステムが知られている。特許文献１には、エキスパートシステム（ＡＩベースの問題解決手法の一例）における知識ベースの構築を容易化するための技術が開示されている。

特開平４－３７０８３３号公報

但し、問題解決に適した手法は、対象となる事例のデータ（ターゲット事例データ）によって異なりうる。ターゲット事例データの内容次第では、エキスパートシステムが必ずしも適切な問題解決手法であるとは限らない。エキスパートシステムに替えて、他の問題解決手法（例：ロジスティック回帰分析または決定木分析）を適用する方が好ましい場合も考えられる。しかしながら、複数の既存の問題解決手法から、ターゲット事例データに適した問題解決手法を選択することは、ユーザにとって必ずしも容易ではない。

本発明の一態様の目的は、ターゲット事例データに適用すべき問題解決手法を検索することが可能な技術を実現することにある。

上記の課題を解決するために、本発明の一態様に係る検索装置は、Ｐ個（Ｐは２以上の整数）の問題解決手法の内から、ターゲット事例データに適用すべき少なくとも１つの問題解決手法を検索する検索装置であって、上記Ｐ個の問題解決手法のそれぞれは、第１学習用事例データから第Ｐ学習用事例データまでのＰ個の学習用事例データと１対１に対応付けられており、上記Ｐ個の学習用事例データに基づく学習をＣＮＮ（Convolutional Neural Network）に行わせることにより、学習済ＣＮＮが予め生成されており、上記ターゲット事例データに応じた上記学習済ＣＮＮの出力に基づいて、上記少なくとも１つの問題解決手法を検索する検索部を備えている。

また、上記の課題を解決するために、本発明の一態様に係るモデル生成装置は、Ｐ個（Ｐは２以上の整数）の問題解決手法の内から、ターゲット事例データに適用すべき少なくとも１つの問題解決手法を検索するための学習モデルを生成するモデル生成装置であって、上記Ｐ個の問題解決手法のそれぞれは、第１学習用事例データから第Ｐ学習用事例データまでのＰ個の学習用事例データと１対１に対応付けられており、上記Ｐ個の学習用事例データに基づく学習をＣＮＮ（Convolutional Neural Network）に行わせることにより、上記学習モデルとしての学習済ＣＮＮを生成する学習部を備えている。

また、上記の課題を解決するために、本発明の一態様に係る検索方法は、Ｐ個（Ｐは２以上の整数）の問題解決手法の内から、ターゲット事例データに適用すべき少なくとも１つの問題解決手法を検索する検索方法であって、上記Ｐ個の問題解決手法のそれぞれは、第１学習用事例データから第Ｐ学習用事例データまでのＰ個の学習用事例データと１対１に対応付けられており、上記Ｐ個の学習用事例データに基づく学習をＣＮＮ（Convolutional Neural Network）に行わせることにより、学習済ＣＮＮが予め生成されており、上記ターゲット事例データに応じた上記学習済ＣＮＮの出力に基づいて、上記少なくとも１つの問題解決手法を検索する検索工程を含んでいる。

また、上記の課題を解決するために、本発明の一態様に係るモデル生成方法は、Ｐ個（Ｐは２以上の整数）の問題解決手法の内から、ターゲット事例データに適用すべき少なくとも１つの問題解決手法を検索するための学習モデルを生成するモデル生成方法であって、上記Ｐ個の問題解決手法のそれぞれは、第１学習用事例データから第Ｐ学習用事例データまでのＰ個の学習用事例データと１対１に対応付けられており、上記Ｐ個の学習用事例データに基づく学習をＣＮＮ（Convolutional Neural Network）に行わせることにより、上記学習モデルとしての学習済ＣＮＮを生成する学習工程を含んでいる。

本発明の一態様によれば、ターゲット事例データに適用すべき問題解決手法を検索することが可能となる。

実施形態１の情報処理システムの要部の構成を示すブロック図である。 過去事例データの一例を示す図である。 数値化された後の過去事例データの一例を示す図である。 学習データ群を生成する処理について説明する図である。 学習モデルの生成方法を説明する図である。 新規事例データの一例を示す図である。 数値化された後の新規事例データの一例を示す図である。 ユーザに提示される検索結果の一例を示す図である。

〔実施形態１〕
以下、実施形態１の情報処理システム１００について説明する。説明の便宜上、実施形態１にて説明した部材と同じ機能を有する部材については、以降の各実施形態では、同じ符号を付記し、その説明を繰り返さない。また、簡潔化のため、公知技術と同様の事項についても、説明を適宜省略する。

本明細書において以下に述べる各数値は、単なる一例であることに留意されたい。本明細書では、任意の２つの数ＡおよびＢについての「Ａ～Ｂ」という記載は、特に明示されない限り、「Ａ以上かつＢ以下」を意味する。本明細書では、任意の行列（２次元配列）Ａのｉ行ｊ列目の成分（要素）を、Ａ（ｉ，ｊ）と表記する。また、本明細書では、ＡＩベースの問題解決手法を、「ＡＩ手法」と略記する。

（情報処理システム１００の概要）
図１は、情報処理システム１００の要部の構成を示すブロック図である。情報処理システム１００は、情報処理装置１、過去事例ＤＢ（Database）９１、および新規事例ＤＢ９２を備える。情報処理装置１は、制御装置１０、入力部７１、出力部７２、および記憶部８０を備える。制御装置１０は、学習装置１１（モデル生成装置）および検索装置１２を備える。

情報処理装置１は、過去事例ＤＢ９１および新規事例ＤＢ９２と通信可能に接続されていればよい。このため、図１の例とは異なり、情報処理装置１の内部に、過去事例ＤＢ９１および新規事例ＤＢ９２の少なくとも一方が設けられていてもよい。制御装置１０は、情報処理装置１の各部を統括的に制御する。記憶部８０は、制御装置１０の処理に用いられる各種のデータおよびプログラムを格納する。

以下に述べるように、制御装置１０において、学習装置１１は、過去事例データセットＤ１（学習用事例データのセット）に基づく学習を行うことにより、学習モデルＤ２を生成する。このことから、学習装置１１は、モデル生成装置と称されてもよい。そして、検索装置１２は、Ｄ２を用いて検索を行う。具体的には、検索装置１２は、ターゲット事例データに適用すべきＡＩ手法を検索する。

なお、実施形態１における過去事例データは、本発明の一態様に係る「学習用事例データ」の一例である。他方、新規事例データは、本発明の一態様に係る「ターゲット事例データ」の一例である。また、ＡＩ手法（ＡＩ手法名）は、本発明の一態様に係る「問題解決手法（問題解決手法名）」の一例である。

実施形態１では、「事例」として、「図面」を例示して説明する。実施形態１の説明における「図面」には、プラントエンジニアリング分野における任意の図面（例：仕様図面、設計図面、および製作図面）が含まれていてよい。さらに、当該図面には、仕様書、設計書、および、見積書が含まれていてもよい。このように、実施形態１の説明における「図面」は、「図面」という名称が含まれている書面に限定されない。

なお、「図面」以外の「事例」としては、例えば「クレーム事例」および「特許」等を挙げることができる。本発明の一態様に係る事例は、各事例と当該各事例に係る項目とをテーブル（表）の形式にてリストアップできるものであればよい（例えば、後述の図２におけるＭ行Ｎ列のテーブルを参照）。

入力部７１は、ユーザの操作（ユーザ操作）を受け付ける。出力部７２は、制御装置１０による検索結果を、ユーザに対し出力（提示）する。一例として、出力部７２は、当該検索結果を表示する表示部であってよい。

（学習装置１１）
学習装置１１は、学習データ取得部１１１、学習データ前処理部１１２（データ拡張部）、および学習モデル生成部１１３（学習部）を備える。

（学習データの取得）
過去事例ＤＢ９１には、Ｄ１が予め格納されている。学習データ取得部１１１は、過去事例ＤＢ９１からＤ１を取得する。Ｄ１には、Ｐ個の過去事例データ（第１～第Ｐ過去事例データ）が含まれている。Ｐは、２以上の整数である。第１～第Ｐ過去事例データはそれぞれ、第１～第Ｐ学習用事例データと称されてもよい。一例として、Ｐ＝２０である。
過去事例データのそれぞれは、Ｍ行Ｎ列のテーブル（２次元配列）として作成されている。ＭおよびＮはそれぞれ、２以上の整数である。一例として、Ｍ＝Ｎ＝１００である。なお、検索精度の向上のためには、ＭはＮ以上に設定されることが好ましい。

実施形態１では、第１～第Ｐ過去事例データのそれぞれには、異なるＡＩ手法が適用されている。そして、ある１つの過去事例データは、同過去事例データに対して適用されたＡＩ手法の名称（ＡＩ手法名）と紐付けられている。従って、実施形態１では、Ｐ個の過去事例データのそれぞれは、Ｐ個の個別のＡＩ手法名と１対１に対応付けられている。

図２は、過去事例データを例示する図である。図２のテーブルＴＢ１は、第１過去事例データの一例である。図２の例におけるＴＢ１は、ＡＩ手法名「ロジスティック回帰分析」に対応付けられている。ＴＢ１の行方向には、Ｍ個の異なる事例（図面）がリストアップされている。以下、ｉ番目の事例を「事例ｉ」（あるいは、「第ｉ事例」）とも称する。ｉは、１以上かつＭ以下の整数である。

ＴＢ１の列方向には、Ｎ個の異なる項目（後述する特定文字列）に係る内容を示すデータがリストアップされている。以下、ｊ番目の項目を「項目ｊ」（あるいは、「第ｊ項目」）とも称する。ｊは、１以上かつＮ以下の整数である。項目ｊは、「第ｊ特定文字列」に係る記載内容（以下、第ｊ記載内容）を示す。ＴＢ１（ｉ，ｊ）は、事例ｉの第ｊ記載内容を示す。このように、ＴＢ１のｉ行目は事例ｉに、ＴＢ１のｊ列目は第ｊ記載内容に、それぞれ対応している。なお、ＴＢ１には、当該ＴＢ１に対応するＡＩ手法名を示すラベルデータ２０２がさらに含まれている。

特定文字列とは、各事例データについて予め設定された特定の文字列（ストリング）である。実施形態１では、Ｎ個の異なる特定文字列（第１～第Ｎ特定文字列）が、予め設定されている。実施形態１の例では、第１特定文字列が「電圧値」、第２特定文字列が「電流値」、第Ｎ特定文字列が「扉開閉方向」として、それぞれ設定されている。但し、特定文字列は、これらの例に限定されない。特定文字列は、例えばエンジニアリング分野において、製品の仕様情報（技術情報）を説明するために、一般的に用いられている単語であればよい。特定文字列の説明については、本願と同じ発明者を筆頭発明者とする出願「特願２０１９－１２４５５５号」および「特願２０１９－１７３２６９号」も参照されたい。また、後述する内容パラメータの説明についても、これらの出願を参照されたい。

図２の例において、ＴＢ１（１，１）は、事例１の図面に「電圧値 ９０Ｖ」という、第１特定文字列を含む一連の文字列が記載されていることを示している。ＴＢ（１，１）のデータは、事例１の図面に公知の解析処理（例：ＯＣＲ処理、キーワード抽出処理、および構文解析処理）を行うことにより得られる。第１特定文字列についての上記の説明は、第２特定文字列についても同様に当てはまる。例えば、図２の例において、ＴＢ１（１，２）は、事例１の図面に「電流値 １Ａ」という、第２特定文字列を含む一連の文字列が記載されていることを示している。

図２の例において、ＴＢ１（１，Ｎ）は、事例１の図面には「扉開閉方向」が「反時計回り」である旨が記載されていることを示している。これに対し、ＴＢ１（２，Ｎ）は、事例２の図面には「扉開閉方向」が「時計回り」である旨が記載されていることを示している。

（過去事例データの数値化）
学習データ前処理部１１２は、学習データ取得部１１１から、第１～第Ｐ学習データのうち１つの学習データ（例：ＴＢ１）を取得する。そして、学習データ前処理部１１２は、当該学習データを数値化する。

以下の説明では、第１～第Ｐ学習データのうち、ｐ番目の学習データを、第ｐ学習データ（より詳細には、第ｐ学習用事例データ）と称する。ｐは、１以上かつＰ以下の整数である。また、第ｐ学習データが数値化された後のデータを、第ｐ数値化学習データと称する。そして、第１～第Ｐ数値化学習データを、総称的に数値化学習データと称する。

図３は、数値化学習データの一例を示す図である、図３のＴＢ１ｎｕｍは、ＴＢ１が数値化された後のデータ（第１数値化学習データ）である。ＴＢ１ｎｕｍは、ＴＢ１と同様に、Ｍ行Ｎ列のテーブルである。なお、学習データ前処理部１１２は、第ｐ数値化学習データに、第ｐ学習データと同じラベルデータ２０２を付与する。図３の例では、学習データ前処理部１１２は、ＴＢ１ｎｕｍを、ＡＩ手法名「ロジスティック回帰分析」に対応付ける。

ＴＢ１ｎｕｍ（ｉ，ｊ）は、事例ｉの項目ｊに係る内容パラメータ（以下、第ｊ内容パラメータ）を示す。このように、ＴＢ１ｎｕｍのｉ行目は事例ｉに、ＴＢ１ｎｕｍのｊ列目は第ｊ内容パラメータに、それぞれ対応している。

「内容パラメータ」とは、各事例データの内容に関連する数値である。内容パラメータは、事例データの内容（具体的には、特定文字列に係る内容）を数値化（定量化）したデータであると言える。実施形態１の例では、内容パラメータは、図面の記載内容を示す指標である。本明細書では、後述する新規事例内容パラメータとの区別のため、過去事例データの内容パラメータは、過去事例内容パラメータと称されてもよい。この場合、過去事例データの第ｊ内容パラメータ（第ｊ特定文字列に対応する内容パラメータ）は、過去事例第ｊ内容パラメータと称されてもよい。

学習データ前処理部１１２は、第ｊ記載内容を数値化することにより、第ｊ内容パラメータを設定する。一例として、学習データ前処理部１１２は、第ｊ特定文字列を含む一例の文字列から、数値を抽出することにより、第ｊ内容パラメータを設定してよい。例えば、学習データ前処理部１１２は、ＴＢ１（１，１）の文字列から、「９０」という数値を抽出する。学習データ前処理部１１２は、抽出した当該数値を、ＴＢ１ｎｕｍ（１，１）の値として設定する。図３の例における「ＴＢ１ｎｕｍ（１，１）＝９０」という数値は、「事例１の図面には、電圧値が９０Ｖであることが示されている」ことを意味している。第１内容パラメータについての上記の説明は、第２内容パラメータについても同様に当てはまる。例えば、図３の例における「ＴＢ１ｎｕｍ（１，２）＝１」という数値は、「事例１の図面には、電流値が１Ａであることが示されている」ことを意味している。

別の例として、学習データ前処理部１１２は、第ｊ記載内容を所定のフラグ値に置き換えることにより、第ｊ内容パラメータを設定してよい。例えば、図３の例におけるＴＢ１ｎｕｍ（１，Ｎ）に示されるように、学習データ前処理部１１２は、「扉開閉方向が反時計回りであること」（すなわち、ＴＢ１（１，Ｎ）が示す内容）を、フラグ値「０」によって数値化する。他方、図３の例におけるＴＢ１ｎｕｍ（２，Ｎ）に示されるように、学習データ前処理部１１２は、「扉開閉方向が時計回りであること」（すなわち、ＴＢ１（２，Ｎ）が示す内容）を、フラグ値「１」によって数値化する。

（学習データ群の生成）
図４は、学習データ群２３０を生成する処理について説明する図である。学習データ前処理部１１２は、学習データ取得部１１１から、第１～第Ｐ数値化学習データのうち１つの数値化学習データ２１０（例：ＴＢ１ｎｕｍ）を選択する。そして、学習データ前処理部１１２は、当該数値化学習データ２１０に基づき、学習データ群２３０を生成する。具体的には、学習データ前処理部１１２は、数値化学習データ２１０を学習データ群２３０へと拡張する。

学習データ前処理部１１２は、数値化学習データ２１０に加工処理を施すことにより、当該数値化学習データ２１０に対応する行列２２０を生成する。加工処理の一例としては、数値化学習データ２１０の任意の２つの行（例：図４の行２１１および行２１２）を入れ替える（交換する）処理（便宜上、行交換処理と称する）を挙げることができる。従って、学習データ群２３０には、行交換処理によって得られた付加的な２次元配列（行列２２０の一例）が含まれていてよい。

加工処理の別の例としては、数値化学習データ２１０の任意の２つの列（例：図４の列２１３および列２１４）を入れ替える処理（便宜上、列交換処理と称する）を挙げることができる。従って、学習データ群２３０には、列交換処理によって得られた付加的な２次元配列（行列２２０の別の例）が含まれていてよい。

図４に示される通り、行交換処理における行交換パターンは、Ｍ！通り存在する。また、列交換処理における列交換パターンは、Ｎ！通り存在する。従って、学習データ前処理部１１２は、加工処理によって、合計でＭ！×Ｎ！個の行列２２０を生成することができる。実施形態１では、学習データ前処理部１１２は、Ｍ！×Ｎ！個の行列２２０を、学習データ群２３０として生成する。

以下の説明では、第ｐ数値化学習データに対応する学習データ群２３０を、「第ｐ学習データ群」（より詳細には、第ｐ学習用事例データ群）とも称する。第ｐ学習データ群は、第ｐ学習データに対応する学習データ群２３０と表現されてもよい。

第ｐ学習データ群は、第ｐ数値化学習データを拡張（水増し）（data augmentation）することによって得られたデータの集合である。そこで、学習データ前処理部１１２は、第ｐ学習データ群に、第ｐ数値化学習データと同じラベルデータ２０２を付与する。図４の例では、学習データ前処理部１１２は、第１学習データ群を、ＡＩ手法名「ロジスティック回帰分析」に対応付ける。このように、第ｐ学習データ群には、第ｐ数値化学習データと同じラベルデータ２０２が付与される。

（学習モデルの生成）
図５は、Ｄ２（学習モデル）の生成方法を説明する図である。学習モデル生成部１１３は、第１～第Ｐ学習データに基づき、Ｄ２を生成する。より好ましくは、学習モデル生成部１１３は、学習データ前処理部１１２によって生成された第１～第Ｐ学習データ群（総称的に、「学習データ群」とも称する）を用いて、Ｄ２を生成する。

図５の例では、簡略化のため、学習データ群の内、第１・第２学習データ群のみが図示されている。図５の例では、第１・第２学習データ群の区別のため、第１学習データ群に関する各要素に添字ａを、第２学習データ群に関する各要素に添字ｂを、それぞれ付している。図５の例では、第２学習データ群は、ＡＩ手法名「決定木分析」に対応付けられている。

学習モデル生成部１１３は、ＣＮＮ（Convolutional Neural Network）を含んでいる。実施形態１では、学習モデル生成部１１３は、学習データ群をＣＮＮに学習させることにより、学習済ＣＮＮとしてのＤ２を構築する。

上述の通り、実施形態１では、Ｍ行Ｎ列の行列がＣＮＮに入力される。このことから、当該行列は、画素数Ｍ×Ｎの画像における画素値の分布を示すデータに対応すると見立てる（擬える）ことができる。そこで、本明細書では、ＣＮＮへの入力データとしてのＭ行Ｎ列の行列を、「疑似画像」とも称する。図５の例の行列２２０（あるいは、図４の例の数値化学習データ２１０）は、「疑似画像」の一例である。疑似画像のｉ行ｊ列目の成分は、上記画像のｉ行ｊ列目の画素値に対応すると見立てることができる。従って、疑似画像のｉ行ｊ列目の成分は、「疑似画素値」と称されてもよい。

（検索装置１２）
検索装置１２は、新規事例データ取得部１２１、新規事例データ前処理部１２２、および検索部１２３を備える。新規事例ＤＢ９２には、新規事例データＤ３が予め格納されている。新規事例データ取得部１２１は、新規事例ＤＢ９２からＤ３を取得し、当該Ｄ３を新規事例データ前処理部１２２に供給する。

Ｄ３は、過去事例データと同じデータ構造を有するテーブル（Ｍ行Ｎ列の行列３２０）である。図６は、行列３２０の一例を示す。行列３２０は、事例１～Ｍのそれぞれの第１～第Ｎ記載内容をリストアップしたＭ行Ｎ列のテーブルである。図６に示されるように、行列３２０では、過去事例データと同じ第１～第Ｎ特定文字列が使用されている。

新規事例データ前処理部１２２は、行列３２０を数値化することにより、数値化後の新規事例データ（行列３２１）を生成する。新規事例データ前処理部１２２における数化処理は、学習データ前処理部１１２と同様の手法によって行われる。図７は、行列３２１の一例を示す。行列３２１は、事例１～Ｍのそれぞれの第１～第Ｎ内容パラメータをリストアップしたＭ行Ｎ列のテーブルである。行列３２１も、行列２２０と同様に、疑似画像の一例である。

なお、実施形態１の例では、新規事例データ前処理部１２２は、第１記載内容が「記載無」の場合、第１内容パラメータをダミー値（図６の例では０）に設定する。このことは、第２記載内容および第２内容パラメータについても同様である。これらの処理は、学習データ前処理部１１２の数値化処理においても同様である。

本明細書では、上述の過去事例内容パラメータとの区別のため、行列３２１の内容パラメータは、新規事例内容パラメータと称されてもよい。この場合、行列３２１の第ｊ内容パラメータは、新規事例第ｊ内容パラメータと称されてもよい。

検索部１２３は、学習モデル生成部１１３によって生成されたＤ２を用いて、検索処理を行う。まず、検索部１２３は、Ｄ２に行列３２１を入力する。実施形態１では、Ｄ２は、行列３２１に関し、Ｐ個のＡＩ手法（より厳密には、ＡＩ手法名）のそれぞれの正確度を算出する。Ｄ２は、当該それぞれの正確度（すなわち、以下に述べるＡＣＣ（１）～ＡＣＣ（Ｐ））を、演算結果として出力する。以下、第ｐ学習データに対応付けられたＡＩ手法を、便宜上「第ｐＡＩ手法」（第ｐ問題解決手法）と称する。また、第ｐＡＩ手法の正確度を、ＡＣＣ（ｐ）と表記する。ＡＣＣ（１）～ＡＣＣ（Ｐ）を、総称的にＡＣＣと称する場合もある。なお、Ｄ２の出力には、付加的なデータが含まれていてもよい。Ｄ２の出力には、ＡＣＣ（１）～ＡＣＣ（Ｐ）が含まれていればよい。

ＡＣＣ（ｐ）とは、「第ｐＡＩ手法がＤ３に適している（好適である）確率」を表す数値である。ＡＣＣ（ｐ）が高いほど、第ｐＡＩ手法がＤ３に適していると期待できる。このことから、ＡＣＣ（ｐ）は、「Ｄ３に対する第ｐＡＩ手法の好適性を示すスコア」（好適性スコア）と表現することもできる。なお、
ΣＡＣＣ（ｐ）＝ＡＣＣ（１）＋ＡＣＣ（２）＋…＋ＡＣＣ（Ｐ）＝１
の関係が成立する。

検索部１２３は、各ＡＩ手法を、当該各手法に対応するＡＣＣに応じてソートする。一例として、検索部１２３は、ＡＣＣが大きい順に各ＡＩ手法ソートする。そして、検索部１２３は、ｋ番目に大きいＡＣＣに対応するＡＩ手法名を、第ｋ候補（以下、候補ｋとも称する）として決定する。ｋは、１以上かつＰ以下の整数である。

但し、検索部１２３は、検索結果の全体を、必ずしもユーザに提示しなくともよい。Ｐがあまりに多い場合、検索結果の全体をユーザに提示すると、かえってユーザの利便性が低下しうることも考えられるためである。そこで、検索部１２３は、第１～第Ｑ候補の決定結果を示すリスト３４０を、ユーザに検索結果を提示するための出力データとして生成してよい。Ｑは、１以上かつＰ未満の整数である。一例として、Ｑ＝５である。

図８は、リスト３４０（すなわち、ユーザに提示される検索結果）の一例を示す。出力部７２にリスト３４０を表示させることにより、ユーザに、検索装置１２（より具体的には、検索部１２３）の検索結果を、一覧性が高い態様で提示することができる。なお、図８の例では、ＡＣＣは％表示されている。

図８の例では、ＡＣＣ（１）が、各ＡＣＣの内、最大の値（６０％）を有している。従って、検索部１２３は、ＡＣＣ（１）に対応するＡＩ手法名「ロジスティック回帰分析」を、候補１として決定する。また、図８の例では、ＡＣＣ（Ｑ）が、各ＡＣＣの内、Ｑ番目に大きい値（１％）を有している。従って、検索部１２３は、ＡＣＣ（Ｑ）に対応するＡＩ手法名「ニューラルネットワーク」を、候補Ｑとして決定する。

（効果）
情報処理装置１では、「過去事例データと当該過去事例データに適用されたＡＩ手法との対応関係」をＣＮＮに学習させることで、Ｄ２（学習済ＣＮＮ）が生成されている。そして、Ｄ２を用いて、新規事例データに適した（適用すべき）ＡＩ手法の候補を検索できる。より具体的には、Ｄ２によって算出された各ＡＣＣに基づいて、上記候補を決定できる。例えば、ＡＣＣが高い順に、各ＡＩ手法の候補順位を決定できる。

上記の構成によれば、「新規事例データと関連性（類似性）が高いと期待される過去事例データ」に適用されたＡＩ手法を、当該新規事例データに適したＡＩ手法の候補として決定できる。これにより、ユーザの知識および経験に依存せずに、適切なＡＩ手法を当該ユーザに選択させることが可能となる。このように、情報処理装置１によれば、ユーザは、新規事例データに適したＡＩ手法を、従来よりも容易に決定できる。

また、図８に示されるように、情報処理装置１によれば、新規事例データに適したＡＩ手法の候補を複数提示できる。実際には、最も高いＡＣＣを有するＡＩ手法が、新規事例データに最適であるとは限らない。例えば、候補２のＡＩ手法（決定木分析）が、候補１のＡＩ手法（ロジスティック回帰分析）に比べて、実際には新規事例データにより適している場合もありうる。それゆえ、ＡＩ手法の候補を複数提示することにより、新規事例データに適用すべきＡＩ手法を、ユーザ自身に判断させる余地を与えることができる。

なお、「画像認識（例：画像中の特徴抽出による物体の分類）に親和性の高い技術であるＣＮＮを、疑似画像に適用すること」は、本願の発明者によって見出された斬新な技術的思想である。本発明の一態様において、ある疑似画像中における疑似画素値（すなわち内容パラメータ）の分布は、当該ある疑似画像に対応する事例データの特徴を表していると言える。それゆえ、複数の疑似画像を学習させることによって構築された学習済ＣＮＮによれば、新規事例データに適したＡＩ手法を、高い信頼性によって決定（分類）することが可能と期待される。

〔実施形態２〕
実施形態１の例は、第１内容パラメータは、「第１特定文字列に係る物理量の大きさを示す値」であった。但し、第１内容パラメータの設定方法は、第１特定文字列に応じて変更されてよく、上記の例に限定されないことに留意されたい。以下、第１内容パラメータの設定方法の別の例について説明する。当然ながら、第１内容パラメータについての以下の説明は、その他の内容パラメータについても同様に当てはまる。

例えば、第１特定文字列が文字「ＯＲ」として設定されている場合を考える。この場合、事例１の図面のＯＣＲ処理後データに含まれる第１特定文字列「ＯＲ」の登場回数が検出されてよい。そして、当該図面に含まれている第１特定文字列「ＯＲ」の個数が、３つであったとする。この場合、第１内容パラメータは、３として設定される。このように、第１内容パラメータは、第１特定文字列「ＯＲ」の登場回数であってもよい。以上のように、第１内容パラメータは、第１特定文字列に関連した値である限り、事例１の図面を解析することによって得られる任意の量であってよい。

〔ソフトウェアによる実現例〕
情報処理装置１の制御ブロック（特に制御装置１０）は、集積回路（ＩＣチップ）等に形成された論理回路（ハードウェア）によって実現してもよいし、ソフトウェアによって実現してもよい。

後者の場合、情報処理装置１は、各機能を実現するソフトウェアであるプログラムの命令を実行するコンピュータを備えている。このコンピュータは、例えば１つ以上のプロセッサを備えていると共に、上記プログラムを記憶したコンピュータ読み取り可能な記録媒体を備えている。そして、上記コンピュータにおいて、上記プロセッサが上記プログラムを上記記録媒体から読み取って実行することにより、本発明の一態様の目的が達成される。上記プロセッサとしては、例えばＣＰＵ（Central Processing Unit）を用いることができる。上記記録媒体としては、「一時的でない有形の媒体」、例えば、ＲＯＭ（Read Only Memory）等の他、テープ、ディスク、カード、半導体メモリ、プログラマブルな論理回路などを用いることができる。また、上記プログラムを展開するＲＡＭ（Random Access Memory）などをさらに備えていてもよい。また、上記プログラムは、該プログラムを伝送可能な任意の伝送媒体（通信ネットワークや放送波等）を介して上記コンピュータに供給されてもよい。なお、本発明の一態様は、上記プログラムが電子的な伝送によって具現化された、搬送波に埋め込まれたデータ信号の形態でも実現され得る。

〔付記事項〕
本発明の一態様は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の一態様の技術的範囲に含まれる。

１ 情報処理装置
１０ 制御装置
１１ 学習装置（モデル生成装置）
１２ 検索装置
１００ 情報処理システム
１１２ 学習データ前処理部（データ拡張部）
１１３ 学習モデル生成部（学習部）
１２３ 検索部
２０２、２０２ａ、２０２ｂ ラベルデータ
２１０ 学習データ（２次元配列，数値化された後の学習用事例データ）
２２０ 行列（付加的な２次元配列）
２２０ａ 行列（第１学習データ群に含まれる付加的な２次元配列）
２２０ｂ 行列（第２学習データ群に含まれる付加的な２次元配列）
２３０ 学習データ群（学習用事例データ群）
２３０ａ 第１学習データ群（第１学習用事例データ群）
２３０ｂ 第２学習データ群（第１学習用事例データ群）
３２０ 行列（２次元配列，ターゲット事例データ）
３２１ 行列（２次元配列，数値化された後のターゲット事例データ）
Ｄ２ 学習モデル（学習済ＣＮＮ）
ＴＢ１ テーブル（第１学習データ）
ＴＢ１ｎｕｍ テーブル（数値化された後の第１学習データ）

Claims (11)

1. Ｐ個（Ｐは２以上の整数）の問題解決手法の内から、ターゲット事例データに適用すべき少なくとも１つの問題解決手法を検索する検索装置であって、
   上記Ｐ個の問題解決手法のそれぞれは、第１学習用事例データから第Ｐ学習用事例データまでのＰ個の学習用事例データと１対１に対応付けられており、
   上記Ｐ個の学習用事例データに基づく学習をＣＮＮ（Convolutional Neural Network）に行わせることにより、学習済ＣＮＮが予め生成されており、
   上記ターゲット事例データに応じた上記学習済ＣＮＮの出力に基づいて、上記少なくとも１つの問題解決手法を検索する検索部を備えている、検索装置。
2. 上記Ｐ個の学習用事例データのそれぞれ、および、上記ターゲット事例データは、第１事例から第Ｍ事例（Ｍは２以上の整数）までのＭ個の事例のそれぞれの内容に係るデータを含んでおり、
   第１特定文字列から第Ｎ特定文字列までのＮ個（Ｎは２以上の整数）の特定文字列が予め設定されており、
   上記Ｐ個の学習用事例データのそれぞれ、および、上記ターゲット事例データは、Ｍ行Ｎ列の２次元配列であり、
   上記２次元配列は、第ｊ特定文字列（ｊは１以上かつＮ以下の整数）に係る第ｊ記載内容のデータを含んでおり、
   上記２次元配列のｉ行ｊ列目（ｉは１以上かつＭ以下の整数）の成分は、第ｉ事例の第ｊ記載内容を示す、請求項１に記載の検索装置。
3. 上記学習済ＣＮＮは、上記ターゲット事例データに対する上記Ｐ個の問題解決手法のそれぞれの好適性を示すスコアを出力し、
   上記検索部は、上記スコアに応じて、上記Ｐ個の問題解決手法のそれぞれをソートする、請求項１または２に記載の検索装置。
4. Ｐ個（Ｐは２以上の整数）の問題解決手法の内から、ターゲット事例データに適用すべき少なくとも１つの問題解決手法を検索するための学習モデルを生成するモデル生成装置であって、
   上記Ｐ個の問題解決手法のそれぞれは、第１学習用事例データから第Ｐ学習用事例データまでのＰ個の学習用事例データと１対１に対応付けられており、
   上記Ｐ個の学習用事例データに基づく学習をＣＮＮ（Convolutional Neural Network）に行わせることにより、上記学習モデルとしての学習済ＣＮＮを生成する学習部を備えている、モデル生成装置。
5. 上記Ｐ個の学習用事例データのそれぞれは、第１事例から第Ｍ事例（Ｍは２以上の整数）までのＭ個の事例のそれぞれの内容に係るデータを含んでおり、
   第１特定文字列から第Ｎ特定文字列までのＮ個（Ｎは２以上の整数）の特定文字列が予め設定されており、
   上記Ｐ個の学習用事例データのそれぞれは、Ｍ行Ｎ列の２次元配列であり、
   上記２次元配列は、第ｊ特定文字列（ｊは１以上かつＮ以下の整数）に係る第ｊ記載内容のデータを含んでおり、
   上記２次元配列のｉ行ｊ列目（ｉは１以上かつＭ以下の整数）の成分は、第ｉ事例の第ｊ記載内容を示す、請求項４に記載のモデル生成装置。
6. 上記Ｐ個の学習用事例データのうち、ｐ番目（ｐは１以上かつＰ以下の整数）の学習用事例データを第ｐ学習用事例データと称し、
   上記Ｐ個の問題解決手法のうち、上記第ｐ学習用事例データに対応付けられた問題解決手法を第ｐ問題解決手法と称し、
   上記第ｐ学習用事例データを数値化および加工することにより、上記第ｐ学習用事例データに対応する第ｐ学習用事例データ群を生成するとともに、生成した上記第ｐ学習用事例データ群を上記第ｐ問題解決手法に対応付けるデータ拡張部をさらに備えている、請求項５に記載のモデル生成装置。
7. 上記第ｐ学習用事例データ群には、数値化された後の上記第ｐ学習用事例データの任意の２つの行を入れ替えることによって得られた付加的な２次元配列が含まれている、請求項６に記載のモデル生成装置。
8. 上記第ｐ学習用事例データ群には、数値化された後の上記第ｐ学習用事例データの任意の２つの列を入れ替えることによって得られた付加的な２次元配列が含まれている、請求項６または７に記載のモデル生成装置。
9. 上記データ拡張部は、上記Ｐ個の学習用事例データのそれぞれを数値化および加工することにより、第１学習用事例データ群から第Ｐ学習用事例データ群までのＰ個の学習用事例データ群を生成し、
   上記学習部は、上記Ｐ個の学習用事例データ群を上記ＣＮＮに入力することにより、上記学習済ＣＮＮを生成する、請求項６から８のいずれか１項に記載のモデル生成装置。
10. Ｐ個（Ｐは２以上の整数）の問題解決手法の内から、ターゲット事例データに適用すべき少なくとも１つの問題解決手法を、検索装置が検索する検索方法であって、
    上記Ｐ個の問題解決手法のそれぞれは、第１学習用事例データから第Ｐ学習用事例データまでのＰ個の学習用事例データと１対１に対応付けられており、
    上記Ｐ個の学習用事例データに基づく学習をＣＮＮ（Convolutional Neural Network）に行わせることにより、学習済ＣＮＮが予め生成されており、
    上記検索装置が備える検索部が、上記ターゲット事例データに応じた上記学習済ＣＮＮの出力に基づいて、上記少なくとも１つの問題解決手法を検索する検索工程を含んでいる、検索方法。
11. Ｐ個（Ｐは２以上の整数）の問題解決手法の内から、ターゲット事例データに適用すべき少なくとも１つの問題解決手法を検索するための学習モデルを、モデル生成装置が生成するモデル生成方法であって、
    上記Ｐ個の問題解決手法のそれぞれは、第１学習用事例データから第Ｐ学習用事例データまでのＰ個の学習用事例データと１対１に対応付けられており、
    上記モデル生成装置が備える学習部が、上記Ｐ個の学習用事例データに基づく学習をＣＮＮ（Convolutional Neural Network）に行わせることにより、上記学習モデルとしての学習済ＣＮＮを生成する学習工程を含んでいる、モデル生成方法。

Images