JPWO2019193660A1 - Machine-learned model switching system, edge device, machine-learned model switching method, and program - Google Patents

Machine-learned model switching system, edge device, machine-learned model switching method, and program Download PDF

Info

Publication number
JPWO2019193660A1
JPWO2019193660A1 JP2020512138A JP2020512138A JPWO2019193660A1 JP WO2019193660 A1 JPWO2019193660 A1 JP WO2019193660A1 JP 2020512138 A JP2020512138 A JP 2020512138A JP 2020512138 A JP2020512138 A JP 2020512138A JP WO2019193660 A1 JPWO2019193660 A1 JP WO2019193660A1
Authority
JP
Japan
Prior art keywords
machine
learned model
edge device
position information
learned
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.)
Pending
Application number
JP2020512138A
Other languages
Japanese (ja)
Inventor
将仁 谷口
将仁 谷口
篤 古城
篤 古城
航洋 竹之下
航洋 竹之下
智之 白川
智之 白川
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Uhuru Corp
Original Assignee
Uhuru Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Uhuru Corp filed Critical Uhuru Corp
Publication of JPWO2019193660A1 publication Critical patent/JPWO2019193660A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N99/00—Subject matter not provided for in other groups of this subclass

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Telephonic Communication Services (AREA)
  • Navigation (AREA)

Abstract

ＩｏＴ（Internet of Things）の分野において、エッジデバイスが使用する機械学習済みモデルを場所によって切り替える。エッジデバイス２の送信手段２１１は、測位部２６で生成された位置情報をいずれかの提供装置１に送信する。エッジデバイス２から位置情報が提供装置１に送信されると、取得手段１１１が位置情報を取得して特定手段１１２に引き渡す。特定手段１１２は、位置情報によって示される位置に応じた機械学習済みモデルを特定する。提供手段１１３は、特定手段１１２が特定した機械学習済みモデルをモデルＤＢ１２１から読み出して、提供装置１に位置情報を送ったエッジデバイス２に提供する。機械学習済みモデルがエッジデバイス２に提供されると、切替手段２１２は、提供されたこの新しい機械学習済みモデルによって、記憶部２２に記憶されている古い機械学習済みモデル２２１を切り替える。In the field of IoT (Internet of Things), the machine-learned model used by edge devices is switched depending on the location. The transmission means 211 of the edge device 2 transmits the position information generated by the positioning unit 26 to any of the providing devices 1. When the position information is transmitted from the edge device 2 to the providing device 1, the acquisition means 111 acquires the position information and hands it over to the specific means 112. The identification means 112 identifies the machine-learned model according to the position indicated by the position information. The providing means 113 reads the machine-learned model specified by the specifying means 112 from the model DB 121 and provides it to the edge device 2 that has sent the position information to the providing device 1. When the machine-learned model is provided to the edge device 2, the switching means 212 switches the old machine-learned model 221 stored in the storage unit 22 by the provided new machine-learned model.

Description

本発明は、ＩｏＴ（Internet of Things）の分野で利用される機械学習済みモデル切り替えシステム、エッジデバイス、機械学習済みモデル切り替え方法、及びプログラムに関する。 The present invention relates to a machine-learned model switching system, an edge device, a machine-learned model switching method, and a program used in the field of IoT (Internet of Things).

近年、ＡＩ（artificial intelligence）技術の進歩によって、学習済みモデルの更新技術が注目されている。例えば、特許文献１には、機械学習システムのモデルを更新するための技術が提案されている。 In recent years, advances in AI (artificial intelligence) technology have attracted attention for learning model update technology. For example, Patent Document 1 proposes a technique for updating a model of a machine learning system.

特開２０１７−１２０６４７号公報Japanese Unexamined Patent Publication No. 2017-120647

特許文献１に記載のシステムでは機械学習システムのモデルをトレーニングしているが、機械学習システムのモデルをトレーニングしても処理の目的は変わらない。ところで、１つのエッジデバイスを場所によって異なる用途で使用したい場合がある。例えばエッジデバイスがその用途に応じた機械学習済みモデルを用いて処理を行う場合、エッジデバイスの用途の変更に応じて機械学習済みモデルも切り替える必要がある。しかし、例えばエッジデバイスが十分なハードウェアリソースを有していない場合には、エッジデバイスが多数の機械学習済みモデルを記憶し、用途に応じてこれらを切り替えて使用することができない。 Although the system described in Patent Document 1 trains a model of a machine learning system, the purpose of processing does not change even if the model of the machine learning system is trained. By the way, there are cases where one edge device is desired to be used for different purposes depending on the location. For example, when an edge device performs processing using a machine-learned model according to its use, it is necessary to switch the machine-learned model according to a change in the use of the edge device. However, for example, if the edge device does not have sufficient hardware resources, the edge device cannot store a large number of machine-learned models and switch between them depending on the application.

本発明は、エッジデバイスが使用する機械学習済みモデルを場所によって切り替えることを目的とする。 An object of the present invention is to switch the machine-learned model used by an edge device depending on the location.

本発明の請求項１に係る機械学習済みモデル切り替えシステムは、エッジデバイスに対して、目的の異なる機械学習済みモデルを切り替える機械学習済みモデル切り替えシステムであって、前記エッジデバイスの位置を示す位置情報を取得する取得手段と、前記エッジデバイスに、前記位置情報に対応付けられた機械学習済みモデルを取得させるように制御する制御手段と、前記エッジデバイスに既に適用されている他の機械学習済みモデルを、取得した前記機械学習済みモデルに切り替える切替手段と、を有する機械学習済みモデル切り替えシステムである。 The machine-learned model switching system according to claim 1 of the present invention is a machine-learned model switching system that switches machine-learned models having different purposes with respect to an edge device, and position information indicating the position of the edge device. And a control means for controlling the edge device to acquire a machine-learned model associated with the position information, and another machine-learned model already applied to the edge device. Is a machine-learned model switching system having a switching means for switching to the acquired machine-learned model.

本発明の請求項２に係る機械学習済みモデル切り替えシステムは、地図上の指定された位置が属する領域の情報を供給する供給手段、を有し、前記制御手段は、前記エッジデバイスに、前記位置が属する領域に対応付けられた前記機械学習済みモデルを取得させるように制御することを特徴とする請求項１に記載の機械学習済みモデル切り替えシステムである。 The machine-learned model switching system according to claim 2 of the present invention includes a supply means for supplying information on a region to which a designated position on a map belongs, and the control means is provided to the edge device at the position. The machine-learned model switching system according to claim 1, wherein the machine-learned model associated with the region to which is belongs is controlled to be acquired.

本発明の請求項３に係る機械学習済みモデル切り替えシステムは、前記制御手段は、前記エッジデバイスに、前記領域の中に存在する前記エッジデバイスの数に対応付けられた前記機械学習済みモデルを取得させるように制御することを特徴とする請求項２に記載の機械学習済みモデル切り替えシステムである。 In the machine-learned model switching system according to claim 3 of the present invention, the control means acquires the machine-learned model associated with the number of the edge devices existing in the region to the edge device. The machine-learned model switching system according to claim 2, wherein the system is controlled so as to be operated.

本発明の請求項４に係る機械学習済みモデル切り替えシステムは、前記取得手段は、前記エッジデバイスが移動して前記位置が変化したときに前記位置情報を取得することを特徴とする請求項１から３のいずれか１項に記載の機械学習済みモデル切り替えシステムである。 The machine-learned model switching system according to claim 4 of the present invention is characterized in that the acquisition means acquires the position information when the edge device moves and the position changes. The machine-learned model switching system according to any one of 3.

本発明の請求項５に係る機械学習済みモデル切り替えシステムは、前記取得手段は、前記エッジデバイスの周囲の環境を示す環境情報を取得し、前記制御手段は、前記エッジデバイスに、前記位置情報及び前記環境情報の組に対応付けられた前記機械学習済みモデルを取得させるように制御することを特徴とする請求項１から４のいずれか１項に記載の機械学習済みモデル切り替えシステムである。 In the machine-learned model switching system according to claim 5 of the present invention, the acquisition means acquires environmental information indicating the environment around the edge device, and the control means provides the edge device with the position information and the position information. The machine-learned model switching system according to any one of claims 1 to 4, wherein the machine-learned model associated with the set of environmental information is controlled to be acquired.

本発明の請求項６に係るエッジデバイスは、請求項１に記載の機械学習済みモデル切り替えシステムの制御に従って、前記機械学習済みモデルを取得し、既に適用している他の機械学習済みモデルを、取得した前記機械学習済みモデルに切り替えるエッジデバイスである。 The edge device according to claim 6 of the present invention acquires the machine-learned model according to the control of the machine-learned model switching system according to claim 1, and applies another machine-learned model that has already been applied. This is an edge device that switches to the acquired machine-learned model.

本発明の請求項７に係る機械学習済みモデル切り替え方法は、エッジデバイスに対して、目的の異なる機械学習済みモデルを切り替える機械学習済みモデル切り替え方法であって、前記エッジデバイスの位置を示す位置情報を取得するステップと、前記エッジデバイスに、前記位置情報に対応付けられた機械学習済みモデルを取得させるように制御するステップと、前記エッジデバイスに、既に適用されている他の機械学習済みモデルを、取得した前記機械学習済みモデルに切り替えるステップと、を有する機械学習済みモデル切り替え方法である。 The machine-learned model switching method according to claim 7 of the present invention is a machine-learned model switching method for switching a machine-learned model having a different purpose with respect to an edge device, and position information indicating the position of the edge device. A step of controlling the edge device to acquire a machine-learned model associated with the position information, and another machine-learned model already applied to the edge device. , And a step of switching to the acquired machine-learned model, and a machine-learned model switching method.

本発明の請求項８に係るプログラムは、コンピュータに、エッジデバイスの位置を示す位置情報を取得するステップと、前記エッジデバイスに、前記位置情報に対応付けられた機械学習済みモデルを取得させるように制御するステップと、前記エッジデバイスに、既に適用されている他の機械学習済みモデルを、取得させた前記機械学習済みモデルに切り替えさせるステップと、を実行させるためのプログラムである。 The program according to claim 8 of the present invention causes the computer to acquire the position information indicating the position of the edge device, and causes the edge device to acquire the machine-learned model associated with the position information. It is a program for executing a step of controlling and a step of switching the other machine-learned model already applied to the edge device to the acquired machine-learned model.

本発明によれば、エッジデバイスが使用する機械学習済みモデルを場所によって切り替えることができる。 According to the present invention, the machine-learned model used by the edge device can be switched depending on the location.

本実施形態に係る機械学習済みモデル切り替えシステム９の構成を示す図。The figure which shows the structure of the machine-learned model switching system 9 which concerns on this embodiment. 提供装置１の構成の例を示す図。The figure which shows the example of the structure of the provision device 1. モデルＤＢ１２１の例を示す図。The figure which shows the example of the model DB 121. 領域ＤＢ１２２の例を示す図。The figure which shows the example of the area DB 122. 地図サーバ４の構成の例を示す図。The figure which shows the example of the configuration of the map server 4. 地図ＤＢ４２１により記述される地図の例を示す図。The figure which shows the example of the map described by the map DB421. エッジデバイス２の構成の例を示す図。The figure which shows the example of the structure of the edge device 2. 提供装置１、エッジデバイス２、及び地図サーバ４の機能的構成を示す図。The figure which shows the functional configuration of the providing device 1, the edge device 2, and the map server 4. 機械学習済みモデル切り替えシステム９の動作の流れを示すシーケンス図。The sequence diagram which shows the operation flow of the machine-learned model switching system 9.

１…提供装置、１１…制御部、１１０…制御手段、１１１…取得手段、１１２…特定手段、１１３…提供手段、１１４…更新手段、１２…記憶部、１２１…モデルＤＢ、１２２…領域ＤＢ、１３…通信部、２…エッジデバイス、２１…制御部、２１１…送信手段、２１２…切替手段、２１３…実行手段、２２…記憶部、２２１…機械学習済みモデル、２２２…教師データ、２３…通信部、２４…操作部、２５…表示部、２６…測位部、２７…検知部、３…通信回線、４…地図サーバ、４１…制御部、４１１…供給手段、４１２…修正手段、４２…記憶部、４２１…地図ＤＢ、４３…通信部、９…機械学習済みモデル切り替えシステム。 1 ... Providing device, 11 ... Control unit, 110 ... Control means, 111 ... Acquisition means, 112 ... Specific means, 113 ... Providing means, 114 ... Update means, 12 ... Storage unit, 121 ... Model DB, 122 ... Area DB, 13 ... Communication unit, 2 ... Edge device, 21 ... Control unit, 211 ... Transmission means, 212 ... Switching means, 213 ... Execution means, 22 ... Storage unit, 221 ... Machine learning model, 222 ... Teacher data, 23 ... Communication Unit, 24 ... Operation unit, 25 ... Display unit, 26 ... Positioning unit, 27 ... Detection unit, 3 ... Communication line, 4 ... Map server, 41 ... Control unit, 411 ... Supply means, 412 ... Correction means, 42 ... Memory Department, 421 ... Map DB, 43 ... Communication unit, 9 ... Machine-learned model switching system.

＜実施形態＞
＜機械学習済みモデル切り替えシステムの全体構成＞
図１は、本実施形態に係る機械学習済みモデル切り替えシステム９の構成を示す図である。機械学習済みモデル切り替えシステム９は、エッジデバイス２が使用する機械学習済みモデルを、エッジデバイス２の存在する場所に応じて切り替えるシステムであり、提供装置群Ｃと、複数のエッジデバイス２と、これらを通信可能に接続する通信回線３と、を有する。また、機械学習済みモデル切り替えシステム９は、通信回線３に接続された地図サーバ４を有してもよい。<Embodiment>
<Overall configuration of machine-learned model switching system>
FIG. 1 is a diagram showing a configuration of a machine-learned model switching system 9 according to the present embodiment. The machine-learned model switching system 9 is a system that switches the machine-learned model used by the edge device 2 according to the location of the edge device 2, and includes the providing device group C, a plurality of edge devices 2, and these. It has a communication line 3 and a communication line 3 for communicably connecting the above. Further, the machine-learned model switching system 9 may have a map server 4 connected to the communication line 3.

提供装置群Ｃは、複数の提供装置１を有し、これら複数の提供装置１が相互に通信して協調し合うことで、それぞれに備えられたリソースを共有し、目的の異なる複数の機械学習済みモデルを生成する。 The providing device group C has a plurality of providing devices 1, and the plurality of providing devices 1 communicate with each other and cooperate with each other to share the resources provided for each and to perform a plurality of machine learnings having different purposes. Generate a completed model.

提供装置１のそれぞれが有するリソースの機能とは、例えばデータの収集・記憶、これらのデータを用いた機械学習、機械学習によって得られた機械学習済みモデルの管理、及び、これら各種機能の配分、統括、管理等である。 The resource functions of each of the providing devices 1 include, for example, data collection / storage, machine learning using these data, management of machine-learned models obtained by machine learning, and distribution of these various functions. Supervision, management, etc.

提供装置群Ｃを構成する複数の提供装置１は、例えばＩＥＥＥ８０２．１１におけるアドホック・モード等を利用して相互に通信を行ってもよい。また、これらの提供装置１は、それぞれが通信回線３を介して相互に通信を行ってもよい。 The plurality of providing devices 1 constituting the providing device group C may communicate with each other by using, for example, the ad hoc mode in IEEE802.11. Further, each of these providing devices 1 may communicate with each other via the communication line 3.

なお、本実施形態で機械学習済みモデル切り替えシステム９は、複数の提供装置１を有する提供装置群Ｃを備えているが、機械学習済みモデル切り替えシステム９は、エッジデバイス２に機械学習済みモデルを提供する提供装置１を１台だけ備える構成であってもよい。 In the present embodiment, the machine-learned model switching system 9 includes a providing device group C having a plurality of providing devices 1, but the machine-learned model switching system 9 uses a machine-learned model on the edge device 2. It may be configured to include only one providing device 1 to be provided.

複数のエッジデバイス２は、パーソナルコンピュータや、スマートフォン、カーナビゲーション装置、自動車運転制御装置等、ユーザがそれぞれ所持している端末装置であり、それぞれが通信回線３を経由して提供装置群Ｃと接続し、提供装置１から機械学習済みモデルを受取る。エッジデバイス２は、移動可能であってもよく、例えば、ユーザが自動車Ｄ等に搭乗して移動するときに利用される。 The plurality of edge devices 2 are terminal devices owned by the user, such as a personal computer, a smartphone, a car navigation device, and a car driving control device, and each of them is connected to the providing device group C via the communication line 3. Then, the machine-learned model is received from the providing device 1. The edge device 2 may be movable, and is used, for example, when a user gets on a car D or the like and moves.

通信回線３は、提供装置１とエッジデバイス２とを通信可能に接続する回線であり、例えばインターネット等である。通信回線３は、提供装置１又はエッジデバイス２との通信を中継するゲートウェイ、ルータ等の中継機器を含んでもよい。 The communication line 3 is a line that connects the providing device 1 and the edge device 2 so as to be communicable, and is, for example, the Internet. The communication line 3 may include a relay device such as a gateway or a router that relays communication with the providing device 1 or the edge device 2.

地図サーバ４は、通信回線３と接続して提供装置１に地図情報を供給するサーバ装置である。地図情報とは、道路、水路、建物、地形、構造物、施設、資源等の位置（緯度、経度、標高）、形状等、土地の状況を示す情報等である。或る領域の地図情報の例には、地形が平地であるか山地であるか、道路が曲がっているか直線であるか、オフィス街であるかレストラン街であるか、上下水道、ガス管、電線等のライフラインや防火壁、消火栓、避難経路等の防災設備がどこに配置されているか、観光スポット、運動場、動物園、植物園、公園、公衆トイレ、無線局等の各種施設がどこに立地しているか等といった情報が挙げられる。 The map server 4 is a server device that connects to the communication line 3 and supplies map information to the providing device 1. Map information is information indicating the state of land such as the position (latitude, longitude, altitude), shape, etc. of roads, waterways, buildings, topography, structures, facilities, resources, and the like. Examples of map information for an area include flat or mountainous terrain, curved or straight roads, office or restaurant districts, water and sewage, gas pipes, and electric wires. Where are disaster prevention facilities such as lifelines, fire walls, fire hydrants, evacuation routes, etc., where are various facilities such as tourist spots, athletic fields, zoos, botanical gardens, parks, public toilets, radio stations, etc. Information such as.

また、地図情報は上述した情報のほか、行政区画の区分、人口密度、人口分布等の情報も含んでもよい。また、地図情報には、土地ごとの風向、日照、降雨量等の天候に関する情報や、騒音、浮遊粒子状物質、大気汚染原因物質濃度等の公害に関する情報等を含んでもよい。 In addition to the above-mentioned information, the map information may also include information such as administrative division division, population density, and population distribution. In addition, the map information may include information on the weather such as wind direction, sunshine, and rainfall for each land, and information on pollution such as noise, suspended particulate matter, and concentration of substances causing air pollution.

＜提供装置の構成＞
図２は、提供装置１の構成の例を示す図である。提供装置１は、制御部１１、記憶部１２、及び通信部１３を有する。<Configuration of provided equipment>
FIG. 2 is a diagram showing an example of the configuration of the providing device 1. The providing device 1 has a control unit 11, a storage unit 12, and a communication unit 13.

制御部１１は、ＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）を有し、ＣＰＵがＲＯＭ及び記憶部１２に記憶されているコンピュータプログラム（以下、単にプログラムという）を読み出して実行することにより提供装置１の各部を制御する。 The control unit 11 has a CPU (Central Processing Unit), a ROM (Read Only Memory), and a RAM (Random Access Memory), and a computer program in which the CPU is stored in the ROM and the storage unit 12 (hereinafter, simply referred to as a program). Is read and executed to control each part of the providing device 1.

通信部１３は、有線又は無線により通信回線３に接続する通信回路である。通信部１３は、有線又は無線により直接、他の提供装置１と接続する機能を有していてもよい。提供装置１は、通信部１３により通信回線３に接続されたエッジデバイス２や地図サーバ４と情報をやり取りする。 The communication unit 13 is a communication circuit that connects to the communication line 3 by wire or wirelessly. The communication unit 13 may have a function of directly connecting to another providing device 1 by wire or wirelessly. The providing device 1 exchanges information with the edge device 2 and the map server 4 connected to the communication line 3 by the communication unit 13.

記憶部１２は、ソリッドステートドライブ、ハードディスクドライブ等の記憶手段であり、制御部１１のＣＰＵに読み込まれる各種のプログラム、データ等を記憶する。また、記憶部１２は、モデルＤＢ１２１、及び領域ＤＢ１２２を有する。 The storage unit 12 is a storage means for a solid state drive, a hard disk drive, or the like, and stores various programs, data, and the like read into the CPU of the control unit 11. Further, the storage unit 12 has a model DB 121 and an area DB 122.

図３は、モデルＤＢ１２１の例を示す図である。モデルＤＢ１２１は、機械学習済みモデルを識別する識別情報であるモデルＩＤと、そのモデルＩＤで識別される機械学習済みモデルと、を対応付けて記憶するデータベースである。 FIG. 3 is a diagram showing an example of the model DB 121. The model DB 121 is a database that stores a model ID, which is identification information for identifying a machine-learned model, and a machine-learned model identified by the model ID in association with each other.

機械学習済みモデルは、それぞれ目的・用途が異なっている。例えば、図３に示すモデルＩＤ「Ｍ０１」の機械学習済みモデルは、エッジデバイス２が存在する場所の路面状態に応じた自動運転の制御に用いられるモデルである。 Machine-learned models have different purposes and uses. For example, the machine-learned model of the model ID “M01” shown in FIG. 3 is a model used for controlling automatic driving according to the road surface condition of the place where the edge device 2 exists.

一方、例えば、モデルＩＤ「Ｍ０２」の機械学習済みモデルは、音楽を再生する音響装置においてエッジデバイス２が存在する場所の環境に合わせた選曲や音響効果の調整等を実行するためのモデルである。 On the other hand, for example, the machine-learned model of the model ID "M02" is a model for executing music selection, sound effect adjustment, and the like according to the environment of the place where the edge device 2 exists in the sound device for playing music. ..

図４は、領域ＤＢ１２２の例を示す図である。領域ＤＢ１２２は、領域ＩＤと、モデルＩＤと、を対応付けて記憶するデータベースである。領域ＩＤとは、土地を複数に区分した領域のそれぞれを識別する識別情報である。 FIG. 4 is a diagram showing an example of the area DB 122. The area DB 122 is a database that stores the area ID and the model ID in association with each other. The area ID is identification information that identifies each of the areas in which the land is divided into a plurality of areas.

モデルＩＤとは、エッジデバイス２が上述した領域ＩＤで識別される領域に存在しているときに、そのエッジデバイス２に適用されるべき機械学習済みモデルを識別する識別情報である。 The model ID is identification information that identifies the machine-learned model to be applied to the edge device 2 when the edge device 2 is present in the region identified by the region ID described above.

なお、領域ＤＢ１２２において、複数の領域に同一の機械学習済みモデルが対応付けられてもよいが、領域ＤＢ１２２は、１つの領域に対して必ずいずれか１つの機械学習済みモデルが特定されるように構成されている。 In the area DB 122, the same machine-learned model may be associated with a plurality of areas, but in the area DB 122, any one machine-learned model is always specified for one area. It is configured.

また、領域ＤＢ１２２に記憶されるモデルＩＤで識別される機械学習済みモデルは、モデルＤＢ１２１に記憶されていてもよいが、提供装置１の記憶部１２に記憶されていなくてもよい。この場合、領域ＤＢ１２２は、提供装置１が通信回線３を介してアクセス可能ないずれかのデータベースに記憶されている機械学習済みモデルのモデルＩＤを領域ＩＤと対応付けて記憶していればよい。 Further, the machine-learned model identified by the model ID stored in the area DB 122 may be stored in the model DB 121, but may not be stored in the storage unit 12 of the providing device 1. In this case, the area DB 122 may store the model ID of the machine-learned model stored in any database accessible by the providing device 1 via the communication line 3 in association with the area ID.

＜地図サーバの構成＞
図５は、地図サーバ４の構成の例を示す図である。地図サーバ４は、制御部４１、記憶部４２、及び通信部４３、を有する。<Map server configuration>
FIG. 5 is a diagram showing an example of the configuration of the map server 4. The map server 4 has a control unit 41, a storage unit 42, and a communication unit 43.

制御部４１は、ＣＰＵ、ＲＯＭ、ＲＡＭを有し、ＣＰＵがＲＯＭ及び記憶部４２に記憶されているプログラムを読み出して実行することにより地図サーバ４の各部を制御する。 The control unit 41 has a CPU, a ROM, and a RAM, and the CPU controls each unit of the map server 4 by reading and executing a program stored in the ROM and the storage unit 42.

通信部４３は、有線又は無線により通信回線３に接続する通信回路である。地図サーバ４は、通信部４３により通信回線３に接続された提供装置１と情報をやり取りする。 The communication unit 43 is a communication circuit that connects to the communication line 3 by wire or wirelessly. The map server 4 exchanges information with the providing device 1 connected to the communication line 3 by the communication unit 43.

記憶部４２は、ハードディスクドライブ等の記憶手段であり、制御部４１のＣＰＵに読み込まれる各種のプログラム、データ等を記憶する。また、記憶部４２は、地図ＤＢ４２１を有する。 The storage unit 42 is a storage means such as a hard disk drive, and stores various programs, data, and the like read into the CPU of the control unit 41. In addition, the storage unit 42 has a map DB 421.

図６は、地図ＤＢ４２１により記述される地図の例を示す図である。この地図ＤＢ４２１は、上述した地図情報を記述するデータベースである。図６に示す通り、地図ＤＢ４２１により表現される地図には、複数の道路や、それら道路で区画される複数の領域、それら複数の領域のそれぞれに建てられた建造物、施設等の情報が含まれている。図６に示した領域ＩＤ「Ａ１」、「Ａ２」、「Ａ３」、「Ａ４」は、それぞれ例えば「住宅地」、「レストラン街」、「オフィス街」、「商店街」等に対応している。 FIG. 6 is a diagram showing an example of a map described by the map DB 421. This map DB 421 is a database that describes the above-mentioned map information. As shown in FIG. 6, the map represented by the map DB421 includes information on a plurality of roads, a plurality of areas partitioned by the roads, and buildings, facilities, etc. built in each of the plurality of areas. It has been. The area IDs "A1", "A2", "A3", and "A4" shown in FIG. 6 correspond to, for example, "residential area", "restaurant area", "office area", "shopping area", and the like, respectively. There is.

提供装置１は、エッジデバイス２の位置を示す位置情報を取得して、地図サーバ４から取得した地図情報を参照することにより、エッジデバイス２が存在する領域を特定する。なお、図６に示す道路はいずれかの領域に属する。 The providing device 1 acquires the position information indicating the position of the edge device 2 and identifies the area where the edge device 2 exists by referring to the map information acquired from the map server 4. The road shown in FIG. 6 belongs to any area.

なお、本実施形態において、提供装置１と地図サーバ４とを区別しているが、いずれかの提供装置１が地図サーバ４の機能を有してもよい。この場合、機械学習済みモデル切り替えシステム９は、地図サーバ４を有しなくてもよい。 Although the providing device 1 and the map server 4 are distinguished in the present embodiment, any of the providing devices 1 may have the function of the map server 4. In this case, the machine-learned model switching system 9 does not have to have the map server 4.

＜エッジデバイスの構成＞
図７は、エッジデバイス２の構成の例を示す図である。エッジデバイス２は、制御部２１、記憶部２２、通信部２３、操作部２４、表示部２５、測位部２６、及び検知部２７を有する。<Edge device configuration>
FIG. 7 is a diagram showing an example of the configuration of the edge device 2. The edge device 2 includes a control unit 21, a storage unit 22, a communication unit 23, an operation unit 24, a display unit 25, a positioning unit 26, and a detection unit 27.

制御部２１は、ＣＰＵ、ＲＯＭ、ＲＡＭを有し、ＣＰＵがＲＯＭ及び記憶部２２に記憶されているプログラムを読み出して実行することによりエッジデバイス２の各部を制御する。 The control unit 21 has a CPU, a ROM, and a RAM, and the CPU controls each unit of the edge device 2 by reading and executing a program stored in the ROM and the storage unit 22.

通信部２３は、有線又は無線により通信回線３に接続する通信回路である。エッジデバイス２は、通信部２３により通信回線３に接続された提供装置１と情報をやり取りする。 The communication unit 23 is a communication circuit that connects to the communication line 3 by wire or wirelessly. The edge device 2 exchanges information with the providing device 1 connected to the communication line 3 by the communication unit 23.

操作部２４は、各種の指示をするための操作ボタン、キーボード、タッチパネル等の操作子を備えており、ユーザによる操作を受付けてその操作内容に応じた信号を制御部２１に送る。 The operation unit 24 includes operation buttons such as an operation button, a keyboard, and a touch panel for giving various instructions, receives an operation by the user, and sends a signal according to the operation content to the control unit 21.

表示部２５は、液晶ディスプレイ等の表示画面を有しており、制御部２１の制御の下、画像を表示する。表示画面の上には、操作部２４の透明のタッチパネルが重ねて配置されてもよい。 The display unit 25 has a display screen such as a liquid crystal display, and displays an image under the control of the control unit 21. The transparent touch panel of the operation unit 24 may be superposed on the display screen.

なお、エッジデバイス２は、表示部２５に加えて、又は替えて、制御部２１の制御の下で音声を放出するスピーカ等の放音部を含んでもよい。この場合、エッジデバイス２の制御部２１は、この放音部から音声を出力させてもよい。 In addition to or in place of the display unit 25, the edge device 2 may include a sound emitting unit such as a speaker that emits sound under the control of the control unit 21. In this case, the control unit 21 of the edge device 2 may output sound from this sound emitting unit.

また、エッジデバイス２は、表示部２５に加えて、又は替えて、外部機器と接続するためのインタフェースを含んでもよい。この場合、エッジデバイス２の制御部２１は、このインタフェースを通じて接続した外部機器を制御してもよい。インタフェースに接続される外部機器は、例えば、自動車Ｄの運転制御装置や音響装置の制御装置等である。 Further, the edge device 2 may include an interface for connecting to an external device in addition to or in place of the display unit 25. In this case, the control unit 21 of the edge device 2 may control an external device connected through this interface. The external device connected to the interface is, for example, a driving control device for a vehicle D, a control device for an audio device, or the like.

測位部２６は、自身（エッジデバイス２）の位置を測定する機器等であり、例えば、全球測位衛星システム（ＧＮＳＳ：Global Navigation Satellite System）に基づき、複数の航法衛星からそれぞれ航法信号を受信する受信機等を有する。測位部２６は、受信した航法信号に基づいてエッジデバイス２の位置を測定（計算）するプロセッサを有していてもよい。また、測位部２６が受信した複数の航法信号を用いて制御部２１がエッジデバイス２の位置を測定してもよい。 The positioning unit 26 is a device or the like that measures the position of itself (edge device 2). For example, it receives navigation signals from a plurality of navigation satellites based on the Global Navigation Satellite System (GNSS). Have a machine, etc. The positioning unit 26 may have a processor that measures (calculates) the position of the edge device 2 based on the received navigation signal. Further, the control unit 21 may measure the position of the edge device 2 using a plurality of navigation signals received by the positioning unit 26.

なお、測位部２６が位置を測定する手段は、ＧＮＳＳに限られない。例えば、測位部２６は、決められた場所に設置されたビーコン発信機から発信されるビーコンを受信して、そのビーコンに含まれる位置の情報を抽出することで、エッジデバイス２の位置を測定してもよい。 The means by which the positioning unit 26 measures the position is not limited to GNSS. For example, the positioning unit 26 measures the position of the edge device 2 by receiving a beacon transmitted from a beacon transmitter installed at a predetermined location and extracting position information included in the beacon. You may.

また、測位部２６は、例えばＲＦＩＤ（radio frequency identifier）等の近距離無線通信により駅や商業施設等の所定領域における入退場を管理する入退場システムと連携してもよい。この場合、測位部２６は、入退場システムによって書き込まれた入場の記録を用いてエッジデバイス２の位置を測定してもよい。すなわち、この測位部２６は、入退場システムによって入退場を管理されている所定領域の内側にエッジデバイス２が存在するか否かを、エッジデバイス２の位置の情報として測定する。 Further, the positioning unit 26 may cooperate with an entry / exit system that manages entry / exit in a predetermined area such as a station or a commercial facility by short-range wireless communication such as RFID (radio frequency identifier). In this case, the positioning unit 26 may measure the position of the edge device 2 by using the entry record written by the entry / exit system. That is, the positioning unit 26 measures whether or not the edge device 2 exists inside a predetermined area whose entrance / exit is controlled by the entrance / exit system as information on the position of the edge device 2.

また、エッジデバイス２が携帯電話機等である場合、測位部２６は、基地局から提供される位置情報を用いてエッジデバイス２の位置を測定してもよい。 When the edge device 2 is a mobile phone or the like, the positioning unit 26 may measure the position of the edge device 2 using the position information provided by the base station.

また、エッジデバイス２の位置情報が提供装置１に取得されるのであれば、エッジデバイス２は測位部２６を有しなくてもよい。 Further, if the position information of the edge device 2 is acquired by the providing device 1, the edge device 2 does not have to have the positioning unit 26.

例えば、道路や広場等に所定間隔で配置された複数の受信機により、エッジデバイス２から発信される固有の信号をそれぞれ受信させ、通信回線３に接続された監視装置が各受信機から情報を集めることによりエッジデバイス２のそれぞれの位置を測定してもよい。この監視装置から提供装置１がエッジデバイス２の位置を示す位置情報を取得してもよく、また、提供装置１のいずれかが上述した監視装置としての機能を有してもよい。 For example, a plurality of receivers arranged at predetermined intervals on a road, a plaza, or the like receive unique signals transmitted from the edge device 2, and a monitoring device connected to the communication line 3 receives information from each receiver. Each position of the edge device 2 may be measured by collecting. The providing device 1 may acquire position information indicating the position of the edge device 2 from this monitoring device, or any of the providing devices 1 may have the function as the above-mentioned monitoring device.

検知部２７は、エッジデバイス２の周囲の環境を検知して検知したその環境を示す情報（環境情報という）を生成するセンサ等である。検知部２７は、例えば、周囲の音量を測定する音量計であってもよいし、周囲の温度を測定する温度計であってもよい。また、検知部２７は、振動を検知する振動計であってもよいし、ユーザの脈拍、呼吸数等を検知する生体センサであってもよい。 The detection unit 27 is a sensor or the like that detects the environment around the edge device 2 and generates information (referred to as environmental information) indicating the detected environment. The detection unit 27 may be, for example, a volume meter that measures the ambient volume, or a thermometer that measures the ambient temperature. Further, the detection unit 27 may be a vibrometer that detects vibration, or may be a biological sensor that detects the user's pulse, respiratory rate, and the like.

記憶部２２は、ソリッドステートドライブ、ハードディスクドライブ等の記憶手段であり、制御部２１のＣＰＵに読み込まれる各種のプログラム、データ等を記憶する。記憶部２２は、機械学習済みモデル２２１を記憶する。記憶部２２が記憶することが可能な機械学習済みモデル２２１は１つのみである。 The storage unit 22 is a storage means for a solid state drive, a hard disk drive, or the like, and stores various programs, data, and the like read into the CPU of the control unit 21. The storage unit 22 stores the machine-learned model 221. Only one machine-learned model 221 can be stored by the storage unit 22.

また、記憶部２２は、教師データ２２２を有してもよい。教師データ２２２は、機械学習済みモデル２２１を使用してエッジデバイス２の制御部２１が演算、推論等の処理を行って得られた出力に対して評価を与えたデータである。 Further, the storage unit 22 may have the teacher data 222. The teacher data 222 is data in which the control unit 21 of the edge device 2 performs processing such as calculation and inference using the machine-learned model 221 to give an evaluation to the output obtained.

エッジデバイス２の出力に対する評価は、エッジデバイス２を所持するユーザによって出力の度に行われる操作に基づいて行われてもよいし、検知部２７の検知結果を予め記憶部２２に記憶された基準値等と比較することで行われてもよい。 The evaluation of the output of the edge device 2 may be performed based on an operation performed each time the output is performed by the user who owns the edge device 2, or the detection result of the detection unit 27 is stored in the storage unit 22 in advance as a reference. It may be done by comparing with a value or the like.

＜提供装置、エッジデバイス、及び地図サーバの機能的構成＞
図８は、提供装置１、エッジデバイス２、及び地図サーバ４の機能的構成を示す図である。なお、図８において、通信部１３、通信部２３、通信部４３、及び通信回線３を省く。提供装置１の制御部１１は、記憶部１２に記憶されているプログラムを読み出して実行することにより、取得手段１１１、特定手段１１２、提供手段１１３、及び更新手段１１４として機能する。<Functional configuration of providing device, edge device, and map server>
FIG. 8 is a diagram showing the functional configurations of the providing device 1, the edge device 2, and the map server 4. In FIG. 8, the communication unit 13, the communication unit 23, the communication unit 43, and the communication line 3 are omitted. The control unit 11 of the providing device 1 functions as the acquiring means 111, the specifying means 112, the providing means 113, and the updating means 114 by reading and executing the program stored in the storage unit 12.

これらの機能は、１台の提供装置１の制御部１１によって実現されてもよいが、提供装置群Ｃを構成する複数の提供装置１の制御部１１が、相互に通信をして互いの演算機能や記憶部１２の記憶内容等のリソースを共有することによって実現されてもよい。 These functions may be realized by the control unit 11 of one providing device 1, but the control units 11 of a plurality of providing devices 1 constituting the providing device group C communicate with each other and perform mutual calculations. It may be realized by sharing resources such as a function and the stored contents of the storage unit 12.

エッジデバイス２の制御部２１は、記憶部２２に記憶されているプログラムを読み出して実行することにより、送信手段２１１、切替手段２１２、及び実行手段２１３として機能する。 The control unit 21 of the edge device 2 functions as the transmission means 211, the switching means 212, and the execution means 213 by reading and executing the program stored in the storage unit 22.

地図サーバ４の制御部４１は、記憶部４２に記憶されているプログラムを読み出して実行することにより、供給手段４１１、及び修正手段４１２として機能する。 The control unit 41 of the map server 4 functions as the supply means 411 and the correction means 412 by reading and executing the program stored in the storage unit 42.

エッジデバイス２において測位部２６が測位をしてエッジデバイス２の位置を示す位置情報を生成すると、送信手段２１１は、生成された位置情報をいずれかの提供装置１に送信する。 When the positioning unit 26 performs positioning in the edge device 2 and generates position information indicating the position of the edge device 2, the transmission means 211 transmits the generated position information to any of the providing devices 1.

エッジデバイス２から位置情報が提供装置１に送信されると、この提供装置１において取得手段１１１が位置情報を取得して特定手段１１２に引き渡す。 When the position information is transmitted from the edge device 2 to the providing device 1, the acquiring means 111 acquires the position information in the providing device 1 and hands it over to the specifying means 112.

特定手段１１２は、取得手段１１１が取得した位置情報によって示される位置に応じた機械学習済みモデルを特定する。特定手段１１２は、まず、取得手段１１１からエッジデバイス２の位置を示す位置情報を引き渡されると、この位置情報を地図サーバ４に送る。 The identification means 112 identifies the machine-learned model according to the position indicated by the position information acquired by the acquisition means 111. First, when the identification means 112 is handed over the position information indicating the position of the edge device 2 from the acquisition means 111, the specific means 112 sends this position information to the map server 4.

地図サーバ４が位置情報を受取ると、供給手段４１１は、受取ったこの位置情報によって示される位置が属する領域の地図情報を抽出して提供装置１に供給する。すなわち、供給手段４１１は、受取った位置情報により指定された、地図上の位置が属する領域の情報を供給する。 When the map server 4 receives the position information, the supply means 411 extracts the map information of the area to which the position indicated by the received position information belongs and supplies it to the providing device 1. That is, the supply means 411 supplies the information of the area to which the position on the map belongs, which is designated by the received position information.

提供装置１が地図サーバ４において供給されたこの地図情報を受取ると、特定手段１１２は、位置情報が示す位置が属する領域を特定し、領域ＤＢ１２２を参照してその領域に対応付けられている機械学習済みモデルを特定する。すなわち、特定手段１１２は、エッジデバイス２の位置が属する領域に応じた機械学習済みモデルを特定する。 When the providing device 1 receives the map information supplied by the map server 4, the identifying means 112 identifies the area to which the position indicated by the position information belongs, and refers to the area DB 122 to be associated with the machine. Identify the trained model. That is, the identification means 112 identifies the machine-learned model according to the region to which the position of the edge device 2 belongs.

提供手段１１３は、特定手段１１２が特定した機械学習済みモデルをモデルＤＢ１２１から読み出して、提供装置１に位置情報を送ったエッジデバイス２に提供する。 The providing means 113 reads the machine-learned model specified by the specifying means 112 from the model DB 121 and provides it to the edge device 2 that has sent the position information to the providing device 1.

なお、提供手段１１３による機械学習済みモデルの提供は、提供装置１からエッジデバイス２に向けて機械学習済みモデルを送信する、いわゆるプッシュ型の提供であってもよいし、エッジデバイス２に対してアクセスを許可して機械学習済みモデルを取得するように仕向ける、いわゆるプル型の提供であってもよい。 The provision of the machine-learned model by the providing means 113 may be a so-called push-type provision in which the machine-learned model is transmitted from the providing device 1 to the edge device 2, or may be provided to the edge device 2. It may be a so-called pull-type offer that allows access to obtain a machine-learned model.

要するに、特定手段１１２及び提供手段１１３は、図８に示す通り、エッジデバイス２の位置情報に対応付けられた機械学習済みモデルを、そのエッジデバイス２に取得させるように制御する制御手段１１０として機能すればよい。 In short, as shown in FIG. 8, the specifying means 112 and the providing means 113 function as control means 110 for controlling the edge device 2 to acquire the machine-learned model associated with the position information of the edge device 2. do it.

また、提供手段１１３は、特定手段１１２が特定した機械学習済みモデルが、モデルＤＢ１２１以外の他のデータベースに記憶されている場合に、そのデータベースから上述した機械学習済みモデルを取得して、提供装置１に位置情報を送ったエッジデバイス２に提供してもよい。この場合、特定手段１１２は、エッジデバイス２の位置情報に対応付けられた機械学習済みモデルを、通信回線３を介して接続することが可能なデータベースに記憶された機械学習済みモデルの中から特定すればよい。 Further, when the machine-learned model specified by the specific means 112 is stored in a database other than the model DB 121, the providing means 113 acquires the above-mentioned machine-learned model from the database and provides the providing device. It may be provided to the edge device 2 that has sent the position information to 1. In this case, the identification means 112 identifies the machine-learned model associated with the position information of the edge device 2 from the machine-learned models stored in the database that can be connected via the communication line 3. do it.

提供手段１１３は、暗号化通信方式を用いて機械学習済みモデルを提供してもよい。この暗号化通信方式とは、データを暗号化して通信する通信方式をいう。暗号化通信方式には、ＳＳＬ（Secure Sockets Layer）やＴＬＳ（Transport Layer Security）等の周知の暗号化通信方式が用いられてもよい。 The providing means 113 may provide a machine-learned model using an encrypted communication method. This encrypted communication method refers to a communication method in which data is encrypted for communication. As the encrypted communication method, a well-known encrypted communication method such as SSL (Secure Sockets Layer) or TLS (Transport Layer Security) may be used.

機械学習済みモデルがエッジデバイス２に提供されると、切替手段２１２は、提供されたこの新しい機械学習済みモデルによって、記憶部２２に記憶されている古い機械学習済みモデル２２１を切り替える。 When the machine-learned model is provided to the edge device 2, the switching means 212 switches the old machine-learned model 221 stored in the storage unit 22 by the provided new machine-learned model.

すなわち、エッジデバイス２は、機械学習済みモデル切り替えシステム９の制御に従って、機械学習済みモデルを取得し、自身が適用している他の機械学習済みモデルを取得した機械学習済みモデルに切り替える。 That is, the edge device 2 acquires the machine-learned model under the control of the machine-learned model switching system 9, and switches to the acquired machine-learned model by acquiring another machine-learned model to which it applies.

また、提供手段１１３は、特定手段１１２が特定した機械学習済みモデルをエッジデバイス２に提供し、この機械学習済みモデルにより、このエッジデバイス２に適用されている他の機械学習済みモデルを切り替えさせる。 Further, the providing means 113 provides the edge device 2 with the machine-learned model specified by the specific means 112, and the machine-learned model switches another machine-learned model applied to the edge device 2. ..

なお、新しい機械学習済みモデルによって古い機械学習済みモデルを切り替えるとは、新しい機械学習済みモデルによって古い機械学習済みモデルの全てを置換することも含むが、少なくともその一部を更新することである。 Switching the old machine-learned model with the new machine-learned model includes replacing all of the old machine-learned model with the new machine-learned model, but updating at least a part of it.

実行手段２１３は、記憶部２２から機械学習済みモデルを読み出して、この機械学習済みモデルを用いた処理を実行する。実行手段２１３は、例えば、この処理によって得られる出力を表示部２５に表示させる。 The execution means 213 reads the machine-learned model from the storage unit 22 and executes a process using the machine-learned model. The executing means 213 causes the display unit 25 to display the output obtained by this processing, for example.

なお、エッジデバイス２が表示部２５に加えて、又は替えて、上述した放音部を含んでいる場合、実行手段２１３は、上述した処理によって得られる出力をこの放音部に送ってこの出力に対応する音声を放出させてもよい。 When the edge device 2 includes the above-mentioned sound emitting unit in addition to or in place of the display unit 25, the executing means 213 sends the output obtained by the above-mentioned processing to the sound emitting unit to this output. The sound corresponding to may be emitted.

また、エッジデバイス２が表示部２５に加えて、又は替えて、上述したインタフェースを含んでいる場合、実行手段２１３は、上述した処理によって得られる出力をこのインタフェース経由で外部機器に送ってもよい。この場合、送った出力に応じて外部機器が制御され、例えば、自動車Ｄの運転や音響装置による音楽の再生等が制御される。 Further, when the edge device 2 includes the above-mentioned interface in addition to or in place of the display unit 25, the executing means 213 may send the output obtained by the above-mentioned processing to an external device via this interface. .. In this case, the external device is controlled according to the transmitted output, and for example, the driving of the automobile D, the reproduction of music by the sound device, and the like are controlled.

また、実行手段２１３は、機械学習済みモデルを用いた処理によって得られる出力を評価して、評価に応じた教師データ２２２を生成し、記憶部２２に記憶する。 Further, the executing means 213 evaluates the output obtained by the processing using the machine-learned model, generates the teacher data 222 according to the evaluation, and stores it in the storage unit 22.

この出力の評価は、検知部２７により検知された環境情報に関連付けて行われてもよい。また、この出力の評価は、ユーザが操作部２４を操作して入力した内容に応じて行われてもよい。 The evaluation of this output may be performed in association with the environmental information detected by the detection unit 27. Further, the evaluation of this output may be performed according to the content input by the user by operating the operation unit 24.

教師データ２２２から読み出された教師データは、所定の条件が満たされたときに送信手段２１１によって提供装置１に送信される。 The teacher data read from the teacher data 222 is transmitted to the providing device 1 by the transmitting means 211 when a predetermined condition is satisfied.

提供装置１が、エッジデバイス２のそれぞれから送信された教師データを受信すると、取得手段１１１は、これらの教師データを取得する。そして、例えば集計した教師データが所定の条件を満たしたときに、更新手段１１４は、取得手段１１１から集計した教師データを受取って、この教師データに基づいた機械学習を行い、新たな機械学習済みモデルを生成してモデルＤＢ１２１に記憶することにより、機械学習済みモデルを更新する。 When the providing device 1 receives the teacher data transmitted from each of the edge devices 2, the acquisition means 111 acquires these teacher data. Then, for example, when the aggregated teacher data satisfies a predetermined condition, the update means 114 receives the aggregated teacher data from the acquisition means 111, performs machine learning based on the teacher data, and has completed new machine learning. The machine-learned model is updated by generating a model and storing it in the model DB 121.

この場合、更新手段１１４が行う機械学習のアルゴリズムは、教師データに適したモデルを生成する、いわゆる教師あり学習のアルゴリズムである。 In this case, the machine learning algorithm performed by the updating means 114 is a so-called supervised learning algorithm that generates a model suitable for the teacher data.

また、取得手段１１１は、教師データを取得すると、この教師データを地図サーバ４に供給してもよい。地図サーバ４が提供装置１から教師データを受取った場合、修正手段４１２は、この教師データに応じて地図ＤＢ４２１に記憶されている地図情報を修正してもよい。 Further, when the acquisition means 111 acquires the teacher data, the acquisition means 111 may supply the teacher data to the map server 4. When the map server 4 receives the teacher data from the providing device 1, the correction means 412 may correct the map information stored in the map DB 421 according to the teacher data.

＜機械学習済みモデル切り替えシステムの動作＞
図９は、機械学習済みモデル切り替えシステム９の動作の流れを示すシーケンス図である。エッジデバイス２は、測位を行って自身の位置を示す位置情報を生成すると（ステップＳ１０１）、この位置情報を提供装置１に送信する（ステップＳ１０２）。<Operation of machine-learned model switching system>
FIG. 9 is a sequence diagram showing an operation flow of the machine-learned model switching system 9. When the edge device 2 performs positioning and generates position information indicating its own position (step S101), the edge device 2 transmits this position information to the providing device 1 (step S102).

提供装置１は、エッジデバイス２から位置情報を受信するとこの位置情報を用いて地図サーバ４に地図情報を要求する（ステップＳ１０３）。地図サーバ４は、位置情報に示される位置を含む地図の地図情報を抽出し（ステップＳ１０４）、この地図情報を提供装置１に供給する（ステップＳ１０５）。 When the providing device 1 receives the position information from the edge device 2, the providing device 1 requests the map information from the map server 4 using the position information (step S103). The map server 4 extracts the map information of the map including the position indicated in the position information (step S104), and supplies the map information to the providing device 1 (step S105).

地図情報を受取ると提供装置１は、この地図情報を用いてエッジデバイス２が存在する位置の領域と、この領域に対応付けられている機械学習済みモデルとを特定する（ステップＳ１０６）。そして提供装置１は、特定したこの機械学習済みモデルをエッジデバイス２に提供する（ステップＳ１０７）。 Upon receiving the map information, the providing device 1 uses the map information to identify the region where the edge device 2 exists and the machine-learned model associated with this region (step S106). Then, the providing device 1 provides the specified machine-learned model to the edge device 2 (step S107).

エッジデバイス２では、提供装置１から機械学習済みモデルを受取ると、記憶部２２に記憶している機械学習済みモデルを、受取ったこの機械学習済みモデルによって、切り替え（ステップＳ１０８）、切り替え後の機械学習済みモデルを用いて決められた処理を実行する（ステップＳ１０９）。 When the edge device 2 receives the machine-learned model from the providing device 1, the machine-learned model stored in the storage unit 22 is switched by the received machine-learned model (step S108), and the machine after switching is switched. The determined process is executed using the trained model (step S109).

処理を実行して出力を得ると、エッジデバイス２は、その出力についての評価を行い、評価に基づいた教師データを生成する。エッジデバイス２では、生成した教師データを記憶する（ステップＳ１１０）。 When the process is executed and an output is obtained, the edge device 2 evaluates the output and generates teacher data based on the evaluation. The edge device 2 stores the generated teacher data (step S110).

例えば、決められた条件を満たしたときに、エッジデバイス２は、記憶された教師データを提供装置１に送信する（ステップＳ１１１）。提供装置１は、この教師データを受信すると、教師データに基づく学習を行い、自身が記憶している機械学習済みモデルを更新する（ステップＳ１１２）。 For example, when the predetermined condition is satisfied, the edge device 2 transmits the stored teacher data to the providing device 1 (step S111). Upon receiving the teacher data, the providing device 1 performs learning based on the teacher data and updates the machine-learned model stored by itself (step S112).

また、提供装置１は受信した教師データを地図サーバ４に供給する（ステップＳ１１３）。地図サーバ４は、供給された教師データを用いて地図情報を修正する（ステップＳ１１４）。 Further, the providing device 1 supplies the received teacher data to the map server 4 (step S113). The map server 4 corrects the map information using the supplied teacher data (step S114).

以上の動作により、エッジデバイス２は場所に応じて目的の異なる機械学習済みモデルを取得し、これを用いた処理を実行するので場所に応じた処理を行うことができる。 By the above operation, the edge device 2 acquires a machine-learned model having a different purpose depending on the location, and executes the process using the machine-learned model, so that the process can be performed according to the location.

例えば、本発明の機械学習済みモデル切り替えシステム９によれば、エッジデバイス２が海岸近くにいるときと、オフィス街にいるときとで再生する音楽や映像等のコンテンツを変えることができる。 For example, according to the machine-learned model switching system 9 of the present invention, it is possible to change the content such as music and video to be played when the edge device 2 is near the coast and when it is in the office district.

また、本発明の機械学習済みモデル切り替えシステム９によれば、エッジデバイス２を設置した自動車Ｄが通行する道路が平地、坂道、曲道、山道のいずれであるかに応じて、自動車Ｄの運転制御を変えてユーザに最適な乗り心地を提供することができる。 Further, according to the machine-learned model switching system 9 of the present invention, the driving of the vehicle D depends on whether the road on which the vehicle D on which the edge device 2 is installed passes is a flat road, a slope, a curved road, or a mountain road. The control can be changed to provide the user with the optimum ride comfort.

また、本発明の機械学習済みモデル切り替えシステム９によれば、エッジデバイス２は、多数の機械学習済みモデルを記憶するだけの記憶容量を有していなくてもよいため、必要なハードウェアリソースを減らすことができる。 Further, according to the machine-learned model switching system 9 of the present invention, the edge device 2 does not have to have a storage capacity sufficient to store a large number of machine-learned models, and thus requires necessary hardware resources. Can be reduced.

また、本発明の機械学習済みモデル切り替えシステム９によれば、提供装置群Ｃを構成するいずれかの提供装置１が新しい機械学習済みモデルを生成しているため、エッジデバイス２には機械学習済みモデルを生成するだけの処理能力が必要でない。 Further, according to the machine-learned model switching system 9 of the present invention, since any of the providing devices 1 constituting the providing device group C generates a new machine-learned model, the edge device 2 has been machine-learned. You don't need the processing power to generate a model.

さらに、本発明の機械学習済みモデル切り替えシステム９で、暗号化通信方式を用いて機械学習済みモデルをやり取りする場合には、悪意ある第三者はこの機械学習済みモデルを剽窃し難い。 Furthermore, when the machine-learned model switching system 9 of the present invention exchanges machine-learned models using an encrypted communication method, it is difficult for a malicious third party to steal the machine-learned model.

＜変形例＞
以上が実施形態の説明であるが、この実施形態の内容は以下のように変形し得る。また、以下の変形例を組合せてもよい。<Modification example>
The above is the description of the embodiment, but the content of this embodiment can be modified as follows. Moreover, the following modification examples may be combined.

＜変形例１＞
上述した実施形態において、送信手段２１１は、測位部２６で生成された位置情報を提供装置１に送信していたが、位置情報に加えて検知部２７で生成された環境情報を提供装置１に送信してもよい。取得手段１１１は、位置情報と環境情報とを取得してこれらを特定手段１１２に引き渡し、特定手段１１２は引き渡された位置情報及び環境情報の組に応じた機械学習済みモデルを特定すればよい。<Modification example 1>
In the above-described embodiment, the transmission means 211 transmits the position information generated by the positioning unit 26 to the providing device 1, but in addition to the position information, the environment information generated by the detecting unit 27 is transmitted to the providing device 1. You may send it. The acquisition means 111 may acquire the position information and the environment information and deliver them to the specific means 112, and the specific means 112 may specify the machine-learned model according to the set of the delivered position information and the environment information.

この場合、提供装置１の記憶部１２に記憶されている領域ＤＢ１２２は、環境情報に応じて領域ＩＤとモデルＩＤとの対応表を選択可能に構成されていればよい。領域ＤＢ１２２は、例えば、検知される音量や温度等、環境情報の値を複数の等級に分類し、その等級ごとに異なる対応表が対応付けられていてもよい。 In this case, the area DB 122 stored in the storage unit 12 of the providing device 1 may be configured so that a correspondence table between the area ID and the model ID can be selected according to the environmental information. The area DB 122 may classify the values of environmental information such as the detected volume and temperature into a plurality of grades, and may be associated with different correspondence tables for each grade.

＜変形例２＞
上述した実施形態において、特定手段１１２は、エッジデバイス２の位置が属する領域に応じた機械学習済みモデルを特定していたが、エッジデバイス２の位置に応じた機械学習済みモデルを特定してもよい。この場合、機械学習済みモデル切り替えシステム９は地図サーバ４を有しなくてもよい。<Modification 2>
In the above-described embodiment, the specifying means 112 has specified the machine-learned model according to the region to which the position of the edge device 2 belongs, but even if the machine-learned model according to the position of the edge device 2 is specified. Good. In this case, the machine-learned model switching system 9 does not have to have the map server 4.

例えば、特定手段１１２は、エッジデバイス２の位置のうち標高と予め決められた閾値とを比較し、標高が閾値を超える場合に、山岳地帯や高地用の機械学習済みモデルを特定してもよい。また、標高が閾値を超えるか否かによって、エッジデバイス２が高速道路にいるか否かを判定し、高速道路にいると判定される場合に高速道路用の運転に最適化された機械学習済みモデルを特定してもよい。高速道路用の運転の場合、例えば横断歩道がないため、横断歩道に関連する処理が不要である。 For example, the identifying means 112 may compare the altitude of the position of the edge device 2 with a predetermined threshold value and identify a machine-learned model for mountainous areas or highlands when the altitude exceeds the threshold value. .. In addition, it is determined whether or not the edge device 2 is on the highway based on whether or not the altitude exceeds the threshold, and when it is determined that the edge device 2 is on the highway, a machine-learned model optimized for driving on the highway. May be specified. In the case of highway driving, for example, since there is no pedestrian crossing, processing related to the pedestrian crossing is unnecessary.

また、特定手段１１２は、エッジデバイス２の位置のうち緯度又は経度と予め決められた閾値とを比較して、エッジデバイス２がどの国、どの地域に存在するのかを判断し、例えば、その国や地域の言語や習慣等に応じた機械学習済みモデルを特定してもよい。 Further, the specifying means 112 compares the latitude or longitude of the position of the edge device 2 with a predetermined threshold value to determine in which country or region the edge device 2 exists, for example, that country. You may specify a machine-learned model according to the language and customs of the region.

＜変形例３＞
また、特定手段１１２は、エッジデバイス２の位置が属する領域の中に存在するエッジデバイス２の数に応じて機械学習済みモデルを特定してもよい。この場合、特定手段１１２は、複数のエッジデバイス２からそれぞれ送られる位置情報から、エッジデバイス２の領域ごとの数を監視する。そして、領域ＤＢ１２２は、領域に存在するエッジデバイス２の数を複数の等級に分類し、その分類ごとにモデルＩＤを対応付けて記憶していればよい。なお、特定手段１１２は、領域ごとの数に替えて、この数を領域の面積や体積で除算した密度を監視し、この密度に応じた機械学習済みモデルを特定してもよい。<Modification example 3>
Further, the specifying means 112 may specify the machine-learned model according to the number of edge devices 2 existing in the region to which the position of the edge device 2 belongs. In this case, the specifying means 112 monitors the number of edge devices 2 for each region from the position information sent from each of the plurality of edge devices 2. Then, the area DB 122 may classify the number of edge devices 2 existing in the area into a plurality of grades, and store the model IDs in association with each of the classifications. The specifying means 112 may monitor the density obtained by dividing this number by the area or volume of the region instead of the number for each region, and specify the machine-learned model according to this density.

＜変形例４＞
上述した実施形態において、送信手段２１１は、測位部２６で生成された位置情報を提供装置１に送信していたが、測位部２６で生成された位置情報で示される位置が閾値を超えて変化したときに、その位置情報を送信してもよい。この場合、提供装置１において取得手段１１１は、エッジデバイス２が移動してその位置が変化したときに位置情報を取得する。<Modification example 4>
In the above-described embodiment, the transmission means 211 transmits the position information generated by the positioning unit 26 to the providing device 1, but the position indicated by the position information generated by the positioning unit 26 changes beyond the threshold value. When you do, you may send the location information. In this case, in the providing device 1, the acquisition means 111 acquires the position information when the edge device 2 moves and its position changes.

＜変形例５＞
上述した実施形態において、更新手段１１４は、エッジデバイス２のそれぞれから送信された教師データを受取り、この教師データに基づいた機械学習を行って、新たな機械学習済みモデルを生成することにより、機械学習済みモデルを更新していたが、他の教師データを用いて機械学習を行ってもよい。<Modification 5>
In the above-described embodiment, the updating means 114 receives the teacher data transmitted from each of the edge devices 2, performs machine learning based on the teacher data, and generates a new machine-learned model. Although the trained model was updated, machine learning may be performed using other teacher data.

また、更新手段１１４が行う機械学習のアルゴリズムは、教師あり学習のアルゴリズムであったが、これに限定されず、教師なし学習、半教師あり学習、強化学習、表現学習等の機械学習用のアルゴリズムであってもよい。 The machine learning algorithm performed by the update means 114 is a supervised learning algorithm, but is not limited to this, and is an algorithm for machine learning such as unsupervised learning, semi-supervised learning, reinforcement learning, and expression learning. It may be.

また、機械学習用のアルゴリズムは、データマイニングやディープラーニング等の、その他の学習用のアルゴリズムを含んでもよい。なお、これらの学習用のアルゴリズムは、例えば決定木学習、相関ルール学習、ニューラルネットワーク、遺伝的プログラミング、帰納論理プログラミング、サポートベクターマシン、クラスタリング、ベイジアンネットワーク等の各種の技術を用いたものが含まれる。要するに、機械学習用のアルゴリズムは、データ提供者により提供される何らかのデータとともに処理されて、その処理の結果、ユーザが得たい情報を出力するものであればよい。 Further, the algorithm for machine learning may include other algorithms for learning such as data mining and deep learning. These learning algorithms include those using various technologies such as decision tree learning, association rule learning, neural networks, genetic programming, inductive logic programming, support vector machines, clustering, and Bayesian networks. .. In short, the algorithm for machine learning may be processed together with some data provided by the data provider, and as a result of the processing, the information desired by the user may be output.

＜変形例６＞
提供装置１の制御部１１が実行する処理は、記憶した機械学習済みモデルを用いて処理を実行するエッジデバイス２に、この機械学習済みモデルを提供する機械学習済みモデル切り替え方法として観念され得る。すなわち、本発明は、エッジデバイス２の位置を示す位置情報を取得するステップと、取得した位置情報が示す位置に応じた機械学習済みモデルを特定するステップと、特定した機械学習済みモデルをエッジデバイス２に提供するステップと、提供された機械学習済みモデルにより、エッジデバイス２に適用されている他の機械学習済みモデルを切り替えるステップと、を有する機械学習済みモデル切り替え方法として提供されてもよい。<Modification 6>
The process executed by the control unit 11 of the providing device 1 can be conceived as a machine-learned model switching method for providing the machine-learned model to the edge device 2 that executes the process using the stored machine-learned model. That is, the present invention includes a step of acquiring position information indicating the position of the edge device 2, a step of specifying a machine-learned model according to the position indicated by the acquired position information, and an edge device using the specified machine-learned model. It may be provided as a machine-learned model switching method having a step provided in 2 and a step of switching another machine-learned model applied to the edge device 2 by the provided machine-learned model.

＜変形例７＞
提供装置１、エッジデバイス２、地図サーバ４によってそれぞれ実行されるプログラムは、磁気テープ及び磁気ディスク等の磁気記録媒体、光ディスク等の光記録媒体、光磁気記録媒体、半導体メモリ等の、コンピュータ装置が読取り可能な記録媒体に記憶された状態で提供し得る。また、このプログラムを、インターネット等の通信回線経由でダウンロードさせてもよい。なお、上述した制御手段としてはＣＰＵ以外にも種々の装置が適用される場合があり、例えば、専用のプロセッサ等が用いられる。<Modification 7>
The programs executed by the providing device 1, the edge device 2, and the map server 4 are described by a computer device such as a magnetic recording medium such as a magnetic tape and a magnetic disk, an optical recording medium such as an optical disk, an optical magnetic recording medium, and a semiconductor memory. It may be provided as stored on a readable recording medium. Further, this program may be downloaded via a communication line such as the Internet. As the control means described above, various devices other than the CPU may be applied, and for example, a dedicated processor or the like is used.

Claims (8)

エッジデバイスに対して、目的の異なる機械学習済みモデルを切り替える機械学習済みモデル切り替えシステムであって、
前記エッジデバイスの位置を示す位置情報を取得する取得手段と、
前記エッジデバイスに、前記位置情報に対応付けられた機械学習済みモデルを取得させるように制御する制御手段と、
前記エッジデバイスに既に適用されている他の機械学習済みモデルを、取得した前記機械学習済みモデルに切り替える切替手段と、
を有する機械学習済みモデル切り替えシステム。A machine-learned model switching system that switches machine-learned models for different purposes for edge devices.
An acquisition means for acquiring position information indicating the position of the edge device, and
A control means for controlling the edge device to acquire a machine-learned model associated with the position information.
A switching means for switching another machine-learned model already applied to the edge device to the acquired machine-learned model, and
Machine-learned model switching system with. 地図上の指定された位置が属する領域の情報を供給する供給手段、を有し、
前記制御手段は、前記エッジデバイスに、前記位置が属する領域に対応付けられた前記機械学習済みモデルを取得させるように制御する
ことを特徴とする請求項１に記載の機械学習済みモデル切り替えシステム。Has a supply means, which supplies information on the area to which the specified location on the map belongs,
The machine-learned model switching system according to claim 1, wherein the control means controls the edge device to acquire the machine-learned model associated with the region to which the position belongs. 前記制御手段は、前記エッジデバイスに、前記領域の中に存在する前記エッジデバイスの数に対応付けられた前記機械学習済みモデルを取得させるように制御する
ことを特徴とする請求項２に記載の機械学習済みモデル切り替えシステム。2. The control means according to claim 2, wherein the control means controls the edge device to acquire the machine-learned model associated with the number of the edge devices existing in the region. Machine-learned model switching system. 前記取得手段は、前記エッジデバイスが移動して前記位置が変化したときに前記位置情報を取得する
ことを特徴とする請求項１から３のいずれか１項に記載の機械学習済みモデル切り替えシステム。The machine-learned model switching system according to any one of claims 1 to 3, wherein the acquisition means acquires the position information when the edge device moves and the position changes. 前記取得手段は、前記エッジデバイスの周囲の環境を示す環境情報を取得し、
前記制御手段は、前記エッジデバイスに、前記位置情報及び前記環境情報の組に対応付けられた前記機械学習済みモデルを取得させるように制御する
ことを特徴とする請求項１から４のいずれか１項に記載の機械学習済みモデル切り替えシステム。The acquisition means acquires environmental information indicating the environment around the edge device, and obtains environmental information.
Any one of claims 1 to 4, wherein the control means controls the edge device to acquire the machine-learned model associated with the set of the position information and the environment information. The machine-learned model switching system described in the section. 請求項１に記載の機械学習済みモデル切り替えシステムの制御に従って、前記機械学習済みモデルを取得し、既に適用している他の機械学習済みモデルを、取得した前記機械学習済みモデルに切り替えるエッジデバイス。 An edge device that acquires the machine-learned model and switches another machine-learned model that has already been applied to the acquired machine-learned model according to the control of the machine-learned model switching system according to claim 1. エッジデバイスに対して、目的の異なる機械学習済みモデルを切り替える機械学習済みモデル切り替え方法であって、
前記エッジデバイスの位置を示す位置情報を取得するステップと、
前記エッジデバイスに、前記位置情報に対応付けられた機械学習済みモデルを取得させるように制御するステップと、
前記エッジデバイスに、既に適用されている他の機械学習済みモデルを、取得した前記機械学習済みモデルに切り替えるステップと、
を有する機械学習済みモデル切り替え方法。A machine-learned model switching method that switches machine-learned models for different purposes for edge devices.
A step of acquiring position information indicating the position of the edge device, and
A step of controlling the edge device to acquire a machine-learned model associated with the position information, and
A step of switching another machine-learned model already applied to the edge device to the acquired machine-learned model,
Machine-learned model switching method with. コンピュータに、
エッジデバイスの位置を示す位置情報を取得するステップと、
前記エッジデバイスに、前記位置情報に対応付けられた機械学習済みモデルを取得させるように制御するステップと、
前記エッジデバイスに、既に適用されている他の機械学習済みモデルを、取得させた前記機械学習済みモデルに切り替えさせるステップと、
を実行させるためのプログラム。On the computer
The step to acquire the position information indicating the position of the edge device, and
A step of controlling the edge device to acquire a machine-learned model associated with the position information, and
A step of switching the other machine-learned model already applied to the edge device to the acquired machine-learned model.
A program to execute.
JP2020512138A 2018-04-03 2018-04-03 Machine-learned model switching system, edge device, machine-learned model switching method, and program Pending JPWO2019193660A1 (en)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2018/014334 WO2019193660A1 (en) 2018-04-03 2018-04-03 Machine-learned model switching system, edge device, machine-learned model switching method, and program

Publications (1)

Publication Number Publication Date
JPWO2019193660A1 true JPWO2019193660A1 (en) 2021-04-22

Family

ID=68100259

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020512138A Pending JPWO2019193660A1 (en) 2018-04-03 2018-04-03 Machine-learned model switching system, edge device, machine-learned model switching method, and program

Country Status (2)

Country Link
JP (1) JPWO2019193660A1 (en)
WO (1) WO2019193660A1 (en)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021260910A1 (en) * 2020-06-26 2021-12-30 三菱電機株式会社 Ai integration system, ai integration device, and ai integration program
GB2621481A (en) * 2021-03-11 2024-02-14 Mitsubishi Electric Corp Control device, learning device, inference device, control system, control method, learning method, inference method, control program, learning program,

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011155030A1 (en) * 2010-06-08 2011-12-15 トヨタ自動車 株式会社 Driving model creating apparatus and driving support apparatus
WO2014034779A1 (en) * 2012-08-31 2014-03-06 日産自動車株式会社 Individual characteristic estimation unit and individual characteristic estimation method
US9990587B2 (en) * 2015-01-22 2018-06-05 Preferred Networks, Inc. Machine learning heterogeneous edge device, method, and system

Also Published As

Publication number Publication date
WO2019193660A1 (en) 2019-10-10

Similar Documents

Publication Publication Date Title
CN101964823B (en) Interactive weather advisory system
CN100531184C (en) Interactive weather advisory system
US8818721B2 (en) Method and system for exchanging data
US20190058966A1 (en) Tracking Device Operation In Risk-Classified Zone
US20150087264A1 (en) Contextually Aware Mobile Device
US10527438B2 (en) Method for associating a hazard with a zone of a digital map
US20110313956A1 (en) Information processing apparatus, information processing method and program
US20090210142A1 (en) Safe route configuration
CN103890730A (en) A computing platform for development and deployment of sensor-driven vehicle telemetry applications and services
JP2009521665A (en) A method for predicting a destination from a partial trajectory using open world modeling and closed world modeling methods
CN105074792A (en) Mobile communication system and method for analyzing alerts associated with vehicular travel
KR20170136012A (en) Interactive advisory system
TW201309512A (en) Telematics apparatus for driving assistance, system of the same, and method of the same
JP6428668B2 (en) Information distribution system
US11016760B2 (en) Method and apparatus for enabling an application to detect specified circumstances
JP6316250B2 (en) Moving object position search system
JPWO2019193660A1 (en) Machine-learned model switching system, edge device, machine-learned model switching method, and program
Cárdenas et al. GraTree: A gradient boosting decision tree based multimetric routing protocol for vehicular ad hoc networks
Stepanova et al. Intelligent Transport Systems–Road weather information and forecast system for vehicles
JP2013156096A (en) Information sharing system, information processor, information sharing method, and program
CN107750339B (en) Detecting a context of a user using a mobile device based on wireless signal characteristics
KR101854663B1 (en) Server and method for providing information and electrinic device and method for receiving and using information from server
JP2019128155A (en) Estimation device, estimation method, and estimation program
CN106470394A (en) A kind of enclosure wall structure based on indoor and outdoor integration and application process
Aihara et al. On the Relationship Between Accuracy of Bus Position Estimated by Crowdsourcing and Participation Density