JP2023079140A - Information processing system, information processing method and information processing program - Google Patents
Information processing system, information processing method and information processing program Download PDFInfo
- Publication number
- JP2023079140A JP2023079140A JP2022047078A JP2022047078A JP2023079140A JP 2023079140 A JP2023079140 A JP 2023079140A JP 2022047078 A JP2022047078 A JP 2022047078A JP 2022047078 A JP2022047078 A JP 2022047078A JP 2023079140 A JP2023079140 A JP 2023079140A
- Authority
- JP
- Japan
- Prior art keywords
- learning
- area
- data
- input
- information processing
- 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
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 76
- 238000003672 processing method Methods 0.000 title claims description 5
- 238000000034 method Methods 0.000 claims description 106
- 230000004044 response Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 description 87
- 238000006243 chemical reaction Methods 0.000 description 81
- 238000012545 processing Methods 0.000 description 73
- 238000010801 machine learning Methods 0.000 description 66
- 230000000694 effects Effects 0.000 description 53
- 238000004891 communication Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 17
- 238000003860 storage Methods 0.000 description 15
- 238000004458 analytical method Methods 0.000 description 14
- 238000007781 pre-processing Methods 0.000 description 9
- 238000002360 preparation method Methods 0.000 description 9
- 238000013473 artificial intelligence Methods 0.000 description 8
- 230000009466 transformation Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 238000013075 data extraction Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000013480 data collection Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 238000010224 classification analysis Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013501 data transformation Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- APTZNLHMIGJTEW-UHFFFAOYSA-N pyraflufen-ethyl Chemical compound C1=C(Cl)C(OCC(=O)OCC)=CC(C=2C(=C(OC(F)F)N(C)N=2)Cl)=C1F APTZNLHMIGJTEW-UHFFFAOYSA-N 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Landscapes
- User Interface Of Digital Computer (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
Description
本発明は、情報処理システム、情報処理方法及び情報処理プログラムに関する。 The present invention relates to an information processing system, an information processing method, and an information processing program.
従来技術として、学習器に関する下記の文献が挙げられる。 As prior art, the following documents regarding learning devices can be cited.
学習器に入力データを入力することで得られる学習モデルを用いた予測を行う際に、入力データに応じて学習条件を設定する必要がある。このような学習条件の設定には、データサイエンスに関する知見が比較的高い水準で求められることがある。 When performing prediction using a learning model obtained by inputting input data into a learner, it is necessary to set learning conditions according to the input data. A relatively high level of knowledge about data science may be required to set such learning conditions.
（１）本発明の一態様によれば、情報処理システムが提供される。この情報処理システムは、制御部を備える。制御部は、次の各ステップを実行するように構成される。第１の生成ステップでは、入力データに関するデータ情報を提示可能な入力領域と、入力データを用いた学習モデルの学習条件を設定可能な学習領域と、入力領域と学習領域とを対応付ける第１の外部コネクタと、を含む学習画面を生成する。 (1) According to one aspect of the present invention, an information processing system is provided. This information processing system includes a control unit. The controller is configured to perform the following steps. In the first generating step, an input area capable of presenting data information about the input data, a learning area capable of setting learning conditions for a learning model using the input data, and a first external device that associates the input area with the learning area. Generate a learning screen that includes a connector and
以下、図面を用いて本発明の実施形態について説明する。以下に示す実施形態中で示した各種特徴事項は、互いに組み合わせ可能である。特に、本明細書において「部」とは、例えば、広義の回路によって実施されるハードウェア資源と、これらのハードウェア資源によって具体的に実現されうるソフトウェアの情報処理とを合わせたものも含みうる。また、本実施形態においては様々な情報を取り扱うが、これら情報は、０又は１で構成される２進数のビット集合体として信号値の高低によって表されるか、信号値の物理的な数値によって表されるか、又は量子的な重ね合わせによって表されるかによらず、広義の回路上で通信・演算が実行されうる。 Embodiments of the present invention will be described below with reference to the drawings. Various features shown in the embodiments shown below can be combined with each other. In particular, in this specification, the term "unit" can include, for example, a combination of hardware resources implemented by circuits in a broad sense and software information processing that can be specifically realized by these hardware resources. . In addition, various information is handled in this embodiment, and this information is represented by the height of the signal value as a binary bit aggregate composed of 0 or 1, or by the physical numerical value of the signal value. Communications and operations can be performed on broad circuits, whether represented by a quantum superposition or by a quantum superposition.
また、広義の回路とは、回路（Ｃｉｒｃｕｉｔ）、回路類（Ｃｉｒｃｕｉｔｒｙ）、プロセッサ（Ｐｒｏｃｅｓｓｏｒ）、及びメモリ（Ｍｅｍｏｒｙ）等を少なくとも適当に組み合わせることによって実現される回路である。すなわち、特定用途向け集積回路（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ：ＡＳＩＣ）、プログラマブル論理デバイス（例えば、単純プログラマブル論理デバイス（Ｓｉｍｐｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ：ＳＰＬＤ）、複合プログラマブル論理デバイス（Ｃｏｍｐｌｅｘ Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ：ＣＰＬＤ）、及びフィールドプログラマブルゲートアレイ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ：ＦＰＧＡ））等を含むものである。 A circuit in a broad sense is a circuit implemented by appropriately combining at least circuits, circuits, processors, memories, and the like. Application Specific Integrated Circuits (ASICs); Programmable Logic Devices (e.g., Simple Programmable Logic Devices (SPLDs); Complex Programmable Logic Devices (CPLDs); and field It includes a programmable gate array (Field Programmable Gate Array: FPGA).
また、実施形態中に登場するソフトウェアを実現するためのプログラムは、サーバからダウンロード可能な態様で実施してもよいし、クラウドコンピュータ上でプログラムの実行がなされてもよいし、不揮発性又は揮発性の非一時的な記憶媒体に記憶させて頒布されてもよい。 In addition, a program for realizing software that appears in the embodiments may be implemented in a form that can be downloaded from a server, the program may be executed on a cloud computer, and may be non-volatile or volatile. may be stored and distributed in a non-temporary storage medium.
１．ハードウェア構成
本節では、ハードウェア構成について説明する。
1. Hardware configuration This section describes the hardware configuration.
<情報処理システム１>
図１は、情報処理システム１を表す構成図である。情報処理システム１は、情報処理装置２と、ユーザ端末３と、データベースＤＢ１と、を備える。情報処理装置２と、ユーザ端末３と、データベースＤＢ１と、は、電気通信回線を通じて通信可能に構成されている。一実施形態において、情報処理システム１とは、１つ又はそれ以上の装置又は構成要素からなるものである。仮に例えば、情報処理装置２のみからなる場合であれば、情報処理システム１は、情報処理装置２となりうる。以下、これらの構成要素について説明する。
<
FIG. 1 is a configuration diagram showing an
<情報処理装置２>
図２は、情報処理装置２のハードウェア構成を示すブロック図である。情報処理装置２は、通信部２１と、記憶部２２と、制御部２３とを備え、これらの構成要素が情報処理装置２の内部において通信バス２０を介して電気的に接続されている。各構成要素についてさらに説明する。
<
FIG. 2 is a block diagram showing the hardware configuration of the
通信部２１は、ＵＳＢ、ＩＥＥＥ１３９４、Ｔｈｕｎｄｅｒｂｏｌｔ（登録商標）、有線ＬＡＮネットワーク通信等といった有線型の通信手段が好ましいものの、無線ＬＡＮネットワーク通信、３Ｇ／ＬＴＥ／５Ｇ等のモバイル通信、ＢＬＵＥＴＯＯＴＨ（登録商標）通信等を必要に応じて含めてもよい。すなわち、これら複数の通信手段の集合として実施することがより好ましい。すなわち、情報処理装置２は、通信部２１及びネットワークを介して、外部から種々の情報を通信してもよい。
The
記憶部２２は、前述の記載により定義される様々な情報を記憶する。これは、例えば、制御部２３によって実行される情報処理装置２に係る種々のプログラム等を記憶するソリッドステートドライブ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ：ＳＳＤ）等のストレージデバイスとして、あるいは、プログラムの演算に係る一時的に必要な情報（引数、配列等）を記憶するランダムアクセスメモリ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ：ＲＡＭ）等のメモリとして実施されうる。記憶部２２は、制御部２３によって実行される情報処理装置２に係る種々のプログラムや変数等を記憶している。
The
制御部２３は、情報処理装置２に関連する全体動作の処理・制御を行う。制御部２３は、例えば不図示の中央処理装置（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ：ＣＰＵ）である。制御部２３は、記憶部２２に記憶された所定のプログラムを読み出すことによって、情報処理装置２に係る種々の機能を実現する。すなわち、記憶部２２に記憶されているソフトウェアによる情報処理が、ハードウェアの一例である制御部２３によって具体的に実現されることで、制御部２３に含まれる各機能部として実行されうる。これらについては、次節においてさらに詳述する。なお、制御部２３は単一であることに限定されず、機能ごとに複数の制御部２３を有するように実施してもよい。またそれらの組合せであってもよい。
The
<ユーザ端末３>
図３は、ユーザ端末３のハードウェア構成を示すブロック図である。ユーザ端末３は、通信部３１と、記憶部３２と、制御部３３と、表示部３４と、入力部３５とを備え、これらの構成要素がユーザ端末３の内部において通信バス３０を介して電気的に接続されている。通信部３１、記憶部３２及び制御部３３の説明は、情報処理装置２における各部の説明と同様のため省略する。
<
FIG. 3 is a block diagram showing the hardware configuration of the
表示部３４は、ユーザ端末３筐体に含まれるものであってもよいし、外付けされるものであってもよい。表示部３４は、ユーザが操作可能なグラフィカルユーザインターフェース（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ：ＧＵＩ）の画面を表示する。これは例えば、ＣＲＴディスプレイ、液晶ディスプレイ、有機ＥＬディスプレイ及びプラズマディスプレイ等の表示デバイスを、ユーザ端末３の種類に応じて使い分けて実施することが好ましい。
The
入力部３５は、ユーザ端末３の筐体に含まれるものであってもよいし、外付けされるものであってもよい。例えば、入力部３５は、表示部３４と一体となってタッチパネルとして実施されてもよい。タッチパネルであれば、ユーザは、タップ操作、スワイプ操作等を入力することができる。もちろん、タッチパネルに代えて、スイッチボタン、マウス、ＱＷＥＲＴＹキーボード等を採用してもよい。すなわち、入力部３５がユーザによってなされた操作入力を受け付ける。当該入力が命令信号として、通信バス３０を介して制御部３３に転送され、制御部３３が必要に応じて所定の制御や演算を実行しうる。
The input unit 35 may be included in the housing of the
<データベースＤＢ１>
データベースＤＢ１は、外部データＤ０を記憶する。外部データＤ０は、例えば公衆がアクセス可能なデータであっても、特定のユーザのみがアクセス可能なデータであってもよい。また、外部データＤ０は、本情報処理システム１を使用するユーザのみがアクセス可能なデータであってもよい。データベースＤＢ１は、単一の記憶デバイスにより実現されていても、複数の記憶デバイスにより実現されていてもよい。外部データＤ０が表す内容は、例えば衛生観測結果、気候観測結果、統計資料など、任意である。
<Database DB1>
Database DB1 stores external data D0. The external data D0 may be, for example, data accessible to the public or data accessible only to specific users. Also, the external data D0 may be data that can be accessed only by the user using the
２．機能構成
図４は、制御部２３が備える機能部の一例を示す図である。図４に示すように、制御部２３は、受付部２３１と、変換処理部２３２と、生成部２３３と、を備える。
2. Functional Configuration FIG. 4 is a diagram showing an example of functional units included in the
<受付部２３１>
受付部２３１は、外部からの情報や指令の入力を受け付ける。当該入力は、ユーザによる入力であっても、ユーザ以外の任意のデバイスによる入力であってもよい。例えば、受付部２３１は、入力データＤの入力や、ユーザ端末３に対する操作に応じた指令を受け付ける。本実施形態では、受付部２３１が受け付ける入力データＤを、第１の入力データＤ１という。第１の入力データＤ１は、情報処理装置２に入力されるデータともいえる。
<
The
<変換処理部２３２>
変換処理部２３２は、第１の入力データＤ１に対して行う変換処理を行うことで、第２の入力データＤ２を生成する。第２の入力データＤ２は、第１の入力データＤ１に対して変換処理が行われた入力データＤともいえる。
<
The
<生成部２３３>
生成部２３３は、表示部３４に表示させる画面を生成する。
<
The
３．情報処理の詳細
本節では、前述した情報処理システム１において実行される情報処理について説明する。なお、当該情報処理は、アクティビティ図に図示されない、任意の例外処理を含みうる。例外処理は、当該情報処理の中断や、各処理の省略を含む。当該情報処理にて行われる選択又は入力は、ユーザによる操作に基づくものでも、ユーザの操作に依らず自動で行われるものでもよい。
3. Details of Information Processing In this section, information processing executed in the
［アクティビティＡ００１］
図５は、情報処理システム１において実行される情報処理の流れの一例を示すアクティビティ図である。図５に示すように、アクティビティＡ００１にて、受付部２３１は、第１の入力データＤ１の入力を受け付ける。本実施形態では、受付部２３１は、ユーザによる第１の入力データＤ１の入力を受付可能に構成されている。なお、入力データＤ１の入力は、ユーザによるものに限られない。例えば、入力データＤ１の入力は、制御部２３と通信可能に構成された任意の部材、例えば、制御部３３によって行われてもよい。
[Activity A001]
FIG. 5 is an activity diagram showing an example of the flow of information processing executed in the
第１の入力データＤ１は、１又は複数の説明変数ｘ１に対応するデータを含む。第１の入力データＤ１は、少なくともユーザが保有する保有データを含む。なお、第１の入力データＤ１は、ユーザ以外が保有するデータ、例えばデータベースＤＢ１に記憶されたデータなど、を含んでもよい。第１の入力データＤ１は、少なくとも構造化データを含む。構造化データは、予め定められた構造となるように標準化されたデータである。なお、第１の入力データＤ１は、構造化データ以外のデータ、例えば非構造化データ、又は半構造化データを含んでもよい。非構造化データは、構造化データのように標準化された構造を持たない任意の形式のデータである。半構造化データは、非構造化データと、当該非構造化データを識別可能なタグと、の組み合わせからなる。半構造化データの形式は、例えば、グラフ型、キーバリュー型、ドキュメント型、カラム型などである。 The first input data D1 includes data corresponding to one or more explanatory variables x1. The first input data D1 includes at least held data held by the user. Note that the first input data D1 may include data held by a person other than the user, such as data stored in the database DB1. The first input data D1 includes at least structured data. Structured data is data standardized to have a predetermined structure. Note that the first input data D1 may include data other than structured data, such as unstructured data or semi-structured data. Unstructured data is any form of data that does not have a standardized structure like structured data. Semi-structured data consists of a combination of unstructured data and tags that can identify the unstructured data. Formats of semi-structured data include, for example, graph type, key-value type, document type, and column type.
［アクティビティＡ００２］
次に処理がアクティビティＡ００２に進み、変換処理部２３２は、受け付けた第１の入力データＤ１に対して変換処理を行う。これにより、変換処理部２３２は、第１の入力データＤ１から第２の入力データＤ２を生成する。
[Activity A002]
Next, the process proceeds to activity A002, and the
変換処理とは、受付部２３１に入力された第１の入力データＤ１を、特定された学習器ＭＬに入力可能な態様である第２の入力データＤ２に変換する処理である。変換処理は、第１の入力データＤ１に含まれるデータ点の削除と、第１の入力データＤ１へのデータ点の追加と、のうちの少なくとも１つを含む。具体的には、変換処理は、第１の入力データＤ１の一部の削除、欠損値の補完、外れ値の削除などの処理を含みうる。変換処理は、第１の入力データＤ１の規格化など、任意の処理を含んでもよい。変換処理は、データ整形ともいわれる。変換処理は、第１の入力データＤ１に含まれる複数の説明変数ｘ１の結合処理、分離処理、補正などを含んでもよい。例えば、変換処理は、第１の入力データＤ１が時系列を表す年、月、及び日をそれぞれ異なる説明変数ｘ１として有する場合に、これらの複数の説明変数ｘ１を１つの入力に結合する処理を含みうる。
The conversion process is a process of converting the first input data D1 input to the
また、変換処理は、複数の受付部２３１にて複数の第１の入力データＤ１を受け付けた場合、これらの第１の入力データＤ１の結合処理を行ってもよい。別例として、変換処理は、説明変数ｘ１の追加処理、特徴量の追加などを含んでもよい。例えば、制御部２３は、第１の入力データＤ１に応じてデータベースＤＢ１から任意の外部データＤ０を取得し、当該外部データＤ０を第１の入力データＤ１に追加してもよい。制御部２３は、追加された外部データＤ０に基づき、特徴量の追加を行ってもよい。変換処理は、第１の入力データＤ１の内容に基づいて、制御部２３によって自動で実行可能な処理を含む。なお、変換処理は、ユーザによる指定に基づいて実行可能な処理を含んでもよい。また、本実施形態では、変換処理は、第１の入力データＤ１を所定の変換条件と比較することで特定される自動変換処理を含む。変換条件とは、例えば第１の入力データＤ１の容量、第１の入力データＤ１の統計情報の分散値が閾値未満か否か、第１の入力データＤ１の統計情報に基づく外れ値の有無などである。変換条件は、変換処理が行われる必要性を示唆するものでもある。
Further, in the conversion process, when a plurality of first input data D1 are received by a plurality of receiving
また、変換処理は、受付部２３１に入力された第１の入力データＤ１の形式を、特定された学習器ＭＬのそれぞれに適合する形式に変換する処理を含む。第１の入力データＤ１の形式は、例えば、第１の入力データＤ１の名称、文字コード、改行コード、表記言語、区切り文字などを含む。
The conversion process also includes a process of converting the format of the first input data D1 input to the
例えば、特定された学習器ＭＬに入力可能な入力データＤの文字コードがＵＴＦ－８であるにも関わらず、第１の入力データＤ１の文字コードがＳｈｉｆｔ－ＪＩＳの場合、制御部２３は、当該第１の入力データＤ１を、文字コードがＵＴＦ－８に変更された第２の入力データＤ２に変換する変換処理を実行する。 For example, when the character code of the input data D that can be input to the specified learning device ML is UTF-8, but the character code of the first input data D1 is Shift-JIS, the control unit 23 A conversion process is executed to convert the first input data D1 into second input data D2 whose character code is changed to UTF-8.
別例として、変換処理は、特定された複数の学習器ＭＬに入力可能な第２の入力データＤ２のそれぞれに対して名称を付与する処理を含みうる。このとき、変換処理は、制御部２３が第２の入力データＤ２を一意に特定可能な名称を、第２の入力データＤ２に付与することが好ましい。これにより、第２の入力データＤ２の管理が容易となる。なお、名称の付与は、第１の入力データＤ１の名称を変更することによって行われてもよい。
As another example, the conversion process may include a process of giving a name to each of the second input data D2 that can be input to the identified plurality of learners ML. At this time, it is preferable that the conversion process gives the second input data D2 a name by which the
別例として、第１の入力データＤ１がＢＯＭ（Ｂｙｔｅ Ｏｒｄｅｒ Ｍａｒｋ）を含む場合、変換処理は、当該ＢＯＭの除去を含んでもよい。これにより、意図しないエラーが抑制しやすくなる。 As another example, when the first input data D1 includes a BOM (Byte Order Mark), the conversion process may include removal of the BOM. This makes it easier to suppress unintended errors.
別例として、変換処理は、第１の入力データＤ１に含まれる説明変数ｘ１のうち、学習モデルＭ１の生成に用いられないものを除去する処理を含んでもよい。制御部２３は、例えば、説明変数ｘ１の形式、分布に基づいて、当該説明変数ｘ１が学習モデルＭ１の生成に用いられるか否かを判定すればよい。これにより、第２の入力データＤ２の容量が軽減されるため、学習モデルＭ１の生成に必要な時間が短縮される。なお、変換処理の特定は、変換処理を行う必要がない場合などには、行う変換処理がないことを特定することを含みうる。
As another example, the conversion process may include a process of removing explanatory variables x1 included in the first input data D1 that are not used to generate the learning model M1. The
別例として、変換処理は、第１の入力データＤ１に含まれる説明変数ｘ１や出力ｙ１に対するＯｎｅ－Ｈｏｔ ｅｎｃｏｄｉｎｇ、Ｏｒｄｉｎａｌ ｅｎｃｏｄｉｎｇ、Ｃａｒｄｉｎａｌ Ｅｎｃｏｄｉｎｇ、未知のカテゴリ値の再割り当て、第１の入力データＤ１が不均衡な分布をもつ場合の分布の修正など、種々のデータ前処理を含みうる。 As another example, the conversion process includes One-Hot encoding, Ordinal encoding, and Cardinal encoding for the explanatory variable x1 and the output y1 included in the first input data D1, reassignment of unknown category values, and the first input data D1 is Various data pre-processing may be included, such as modifying the distribution if it has an imbalanced distribution.
別例として、変換処理は、正規化、特徴量変換、ターゲット変換（例えば、ｂｏｘ－ｃｏｘ変換）、ターゲット変換（例えば、ｙｅｏ－ｊｏｈｎｓｏｎ０変換）、特徴量の選択、多重共線性の除去、主成分分析（ＰＣＡ）、分散が低い特徴量の無視など、種々のスケール変換処理を含みうる。 As another example, the transformation process includes normalization, feature transformation, target transformation (eg, box-cox transformation), target transformation (eg, yeo-Johnson 0 transformation), feature selection, multicollinearity removal, principal component It can include various scaling operations such as analysis (PCA), ignoring features with low variance, etc.
別例として、変換処理は、第１の入力データＤ１等から抽出される特徴量に基づく新たな特徴量の生成又は変換をする処理、いわゆる特徴量エンジニアリング、を含みうる。このような処理としては、例えば、交互作用特徴量の作成、多項式特徴量の作成、サインコサイン変換特徴量の作成、グループ化した特徴量の作成、数値特徴量のビン化、クラスタの作成などが挙げられる。 As another example, the conversion process may include a process of generating or converting a new feature amount based on the feature amount extracted from the first input data D1 or the like, that is, so-called feature amount engineering. Such processing includes, for example, creation of interaction features, creation of polynomial features, creation of sine-cosine transform features, creation of grouped features, binning of numerical features, creation of clusters, and the like. mentioned.
制御部２３は、当該変換処理が行われる条件、すなわち変換条件を特定してもよい。例えば、制御部２３は、少なくとも第１の入力データＤ１と、後述する学習器ＭＬと、に基づいて、変換条件を特定してもよい。例えば、制御部２３は、第１の入力データＤ１を示す統計情報に基づき、変換条件を特定する。第１の入力データＤ１に関する統計情報とは、例えばデータ点の分布、平均値、分散、標準偏差、最大値、最小値、中央値、最頻値、再尤度、共分散、相関係数、Ｒ２値などを含む。変換処理が外れ値の除去の場合、制御部２３は、あるデータ点と平均値との差分の絶対値が標準偏差の２倍以上である場合、当該データ点を外れ値と判断する。この場合、あるデータ点と平均値との差分の絶対値が標準偏差の２倍以上であることが、変換条件に相当する。
The
［アクティビティＡ００３］
次に処理がアクティビティＡ００３に進み、制御部２３は、アクティビティＡ００２で生成された第２の入力データＤ２を、学習器ＭＬに入力する。学習器ＭＬは、所定の分析手法を用いて、第２の入力データＤ２から学習モデルＭ１を生成する。分析手法は、任意であるが、例えば分類分析、回帰分析、及び時系列分析のうちの少なくとも１つを含む。分析手法としては、教師あり学習、教師なし学習、強化学習など任意のアルゴリズムのものを採用可能である。制御部２３は、複数の分析手法のうちの学習モデルＭ１の生成に用いられる少なくとも１つの選択を受け付けてもよい。アクティビティＡ００２にて行われる変換処理は、学習器ＭＬにて用いられる分析手法に基づいて特定されてもよい。第２の入力データＤ２が入力される学習器ＭＬが複数存在する場合、複数の学習器ＭＬのそれぞれから、異なる学習モデルＭ１が生成される。第２の入力データＤ２が入力される学習器ＭＬは、制御部２３が第１の入力データＤ１に基づいて特定したものでもよい。また、当該学習器ＭＬは、特定された学習器ＭＬのなかからユーザが選択したものでもよい。
[Activity A003]
Next, the process proceeds to activity A003, and the
［アクティビティＡ００４］
次に処理がアクティビティＡ００４に進み、制御部２３は、アクティビティＡ００３で生成された学習モデルＭ１を取得する。生成された学習モデルＭ１が複数存在する場合、制御部２３は、当該学習モデルＭ１の少なくとも１つを取得する。複数の学習モデルＭ１が取得された場合、制御部２３は、第１の入力データＤ１に基づき、学習モデルＭ１に関するモデル情報ＩＦ１を、学習モデルＭ１ごとに比較可能な態様で表示部３４に表示させてもよい。例えば、制御部２３は、少なくとも、生成される学習モデルＭ１ごとの精度情報を比較可能に表示させもよい。また、制御部２３は、それぞれの学習モデルＭ１に関するモデル情報ＩＦ１を、表示部３４に一覧可能に表示させてもよい。
[Activity A004]
Next, the process proceeds to activity A004, and the
モデル情報ＩＦ１は、学習モデルＭ１に関する情報である。例えば、モデル情報ＩＦ１は、学習モデルＭ１の生成に用いられた第１の入力データＤ１の名称、容量、学習モデルＭ１が生成された日時などを含みうる。第１の入力データＤ１の名称とは、例えば、第１の入力データＤ１のファイル名である。本実施形態では、モデル情報ＩＦ１は、少なくとも学習モデルＭ１の予測精度に関する精度情報を含む。分析手法が回帰分析の場合、精度情報は、例えば、決定係数（Ｒ２スコア）、平均二乗誤差（ＭＳＥ：Ｍｅａｎｓ Ｓｑｕａｒｅｄ Ｅｒｒｏｒ）、平均絶対誤差（ＭＡＥ：Ｍｅａｎｓ Ａｂｓｏｌｕｔｅ Ｅｒｒｏｒ）、平均二乗偏差（ＲＭＳＥ：Ｒｏｏｔ Ｍｅａｎ Ｓｑｕａｒｅｄ Ｅｒｒｏｒ）、二乗平均平方根誤差（ＲＭＳＥ：Ｒｏｏｔ Ｍｅａｎ Ｓｑｕａｒｅｄ Ｅｒｒｏｒ）、対数平均二乗誤差（ＲＭＬＳＥ：Ｒｏｏｔ Ｍｅａｎ Ｓｑｕａｒｅｄ Ｌｏｇａｒｉｔｈｍｉｃ Ｅｒｒｏｒ）、平均絶対パーセント誤差（ＭＡＰＥ：Ｍｅａｎ Ａｂｓｏｌｕｔｅ Ｐｅｒｃｅｎｔａｇｅ Ｅｒｒｏｒ）などの指標を含む。分析手法が分類分析の場合、精度情報は、正解率（Ａｃｃｕｒａｃｙ）、再現率（Ｒｅｃａｌｌ）、適合率（Ｐｒｅｃｉｓｉｏｎ）、特異度（Ｓｐｅｃｉｆｉｃｉｔｙ）、Ｆ値（Ｆ－ｍｅａｓｕｒｅ）、重み付きＦ値、マシューズ相関係数（ＭＣＣ：Ｍａｔｔｈｅｗｓ Ｃｏｒｒｅｌａｔｉｏｎ Ｃｏｅｆｆｉｃｉｅｎｔ）、カッパ係数（Ｋａｐｐａ）、ログ損失（Ｌｏｇｌｏｓｓ）、ＡＵＣ：Ａｒｅａ Ｕｎｄｅｒ ｔｈｅ Ｃｕｒｖｅ、ＰＲ－ＡＵＣ：Ａｒｅａ Ｕｎｄｅｒ ｔｈｅ Ｐｒｅｃｉｓｉｏｎ－Ｒｅｃａｌｌ ｃｕｒｖｅなどの指標を含む。上記精度情報は、二値分類に用いられるものに限られず、２より大きい他クラス分類に用いられるものであってもよい。分析手法が時系列分析の場合、精度情報は、例えば、変動係数（Ｃｏｅｆｆｉｃｉｅｎｔ ｏｆ Ｖａｒｉａｔｉｏｎ）、動的時間伸縮法での平均絶対誤差（Ｄｙｎａｍｉｃ Ｔｉｍｅ Ｗａｒｐｉｎｇ ＭＡＥ）、ＭＡＰＥ、対称平均絶対パーセント誤差（ＳＭＡＰＥ：Ｓｙｍｍｅｔｒｉｃ ＭＡＰＥ）、加重ＳＭＡＰＥ、平均絶対スケール誤差（ＭＡＳＥ：Ｍｅａｎ Ａｂｓｏｌｕｔｅ Ｓｃａｌｅｄ Ｅｒｒｏｒ）、ＭＡＲＲＥ： Ｍｅａｎ Ａｂｓｏｌｕｔｅ Ｒａｎｇｅｄ Ｒｅｌａｔｉｖｅ Ｅｒｒｏｒ、Ｏｖｅｒａｌｌ Ｐｅｒｃｅｎｔａｇｅ ｅｒｒｏｒ、Ｒ２、ｒｈｏ－ｒｉｓｋ ＲＭＳＬＥなどの指標を含む。精度情報は、各パラメータの統計値、例えば、ＭＡＥの中央値（ＭＡＥ ｍｅｄｉａｎ）、ＭＡＥの平均値（ＭＡＥ ｍｅａｎ）などを含んでもよい。ある分析手法の指標が、他の分析手法の指標として用いられてもよい。 The model information IF1 is information about the learning model M1. For example, the model information IF1 can include the name and capacity of the first input data D1 used to generate the learning model M1, the date and time when the learning model M1 was generated, and the like. The name of the first input data D1 is, for example, the file name of the first input data D1. In this embodiment, the model information IF1 includes at least accuracy information regarding the prediction accuracy of the learning model M1. When the analysis method is regression analysis, the accuracy information is, for example, the coefficient of determination (R2 score), the mean squared error (MSE), the mean absolute error (MAE), the mean squared deviation (RMSE: Root Mean Squared Error (RMSE), Root Mean Squared Error (RMSE), Logarithmic Mean Squared Logarithmic Error (RMLSE), Mean Absolute Percentage Error (MAPE) or). When the analysis method is classification analysis, the accuracy information includes accuracy, recall, precision, specificity, F value (F-measure), weighted F value, Matthews Including indicators such as the correlation coefficient (MCC: Matthews Correlation Coefficient), the kappa coefficient (Kappa), the log loss (Logloss), AUC: Area Under the Curve, PR-AUC: Area Under the Precision-Recall curve. The accuracy information is not limited to that used for binary classification, and may be used for other class classification greater than two. When the analysis method is time series analysis, the accuracy information is, for example, Coefficient of Variation, Dynamic Time Warping MAE, MAPE, Symmetric Mean Absolute Percentage Error (SMAPE: Symmetric MAPE), Weighted SMAPE, Mean Absolute Scaled Error (MASE), MARRE: Mean Absolute Ranged Relative Error, Overall Percentage error, R2, rho-risk RMSLE. The accuracy information may include statistical values of each parameter, such as MAE median and MAE mean. An index for one analysis method may be used as an index for another analysis method.
［アクティビティＡ００５］
次に処理がアクティビティＡ００５に進み、生成部２３３は、学習画面１３を生成する。生成された学習画面１３は、表示部３４に表示される。
[Activity A005]
Next, the process proceeds to activity A005, and the
<学習画面１３>
図６は、表示部３４に表示される学習画面１３の一例を示す図である。学習画面１３は、例えば、第１の入力データＤ１を用いて生成された学習モデルＭ１の再学習のための画面である。学習画面１３は、入力領域１３２と、学習領域１３３と、結果領域１３４と、第１の外部コネクタＥＣ１と、第２の外部コネクタＥＣ２と、を含む。
<
FIG. 6 is a diagram showing an example of the
<入力領域１３２>
入力領域１３２は、入力データＤに関するデータ情報を提示可能な領域である。データ情報とは、例えば、各入力データＤ１，Ｄ２の容量、形式、タイムスタンプ、統計情報、説明変数ｘ１の変数名などを含む。また、データ情報は、変換処理に関する情報を含む。変換処理に関する情報とは、変換処理の内容、履歴、タイムスタンプなどを含む。本実施形態の入力領域１３２は、複数の入力内部領域１３２０と、第１の内部コネクタＩＣ１と、を含む。なお、入力内部領域１３２０の数は、複数に限られず１つでもよい。
<
The
<入力内部領域１３２０>
入力内部領域１３２０のそれぞれは、入力データＤに対する操作の単位を示す。入力データＤに対する操作の単位とは、例えば、受付部２３１が受け付ける第１の入力データＤ１の選択、第１の入力データＤ１に対する名称の付与、第１の入力データＤ１に対する変換処理、変換処理が施された第１の入力データＤ１の出力などである。入力内部領域１３２０の１つは、少なくとも受付領域１３２１を含む。本実施形態では、入力内部領域１３２０は、受付領域１３２１と、変換処理指定領域１３２２と、入力データ出力領域１３２３と、第１の指数表示領域Ｎ１と、を含む。
<Input
Each of the input
<受付領域１３２１>
受付領域１３２１は、ユーザからの入力データＤの入力を受付可能な領域である。ユーザは、受付領域１３２１に対して操作を行うことにより、受付部２３１への第１の入力データＤ１の入力をすることができる。
<
The
<変換処理指定領域１３２２>
変換処理指定領域１３２２は、受付領域１３２１にて入力された第１の入力データＤ１に対する変換処理に関する情報を提示可能に構成されている。変換処理指定領域１３２２は、変換処理指定領域１３２２に対するユーザの操作に応じて、変換処理を指定可能に構成されていてもよい。
<Conversion
The conversion
<入力データ出力領域１３２３>
入力データ出力領域１３２３は、ユーザの操作に応じて入力データＤを出力可能に構成されている。入力データ出力領域１３２３は、例えば、第２の入力データＤ２を出力可能に構成されている。第２の入力データＤ２の出力形式は、ｃｓｖ形式、ｔｘｔ形式、バイナリ形式など任意である。第２の入力データＤ２の出力形式は、制御部２３により自動で決定されても、ユーザによって指定可能に構成されていてもよい。出力された第２の入力データＤ２は、例えば、データベースＤＢ１、記憶部２２，３２など、任意のデバイスに記憶されてもよい。特に第２の入力データＤ２がデータベースＤＢ１に記憶される場合、当該第２の入力データＤ２は、外部データＤ０として利用可能であってもよい。これにより、学習モデルＭ１に入力可能な第１の入力データＤ１の増加に伴い、学習モデルＭ１の性能が向上する。
<Input
The input
<第１の内部コネクタＩＣ１>
第１の内部コネクタＩＣ１は、入力内部領域１３２０の間を接続する。第１の内部コネクタＩＣ１は、入力内部領域１３２０同士の関係性に基づいて、入力内部領域１３２０の間を接続する。例えば、第１の内部コネクタＩＣ１は、入力内部領域１３２０のそれぞれの入力データＤに対する操作の前後関係に応じて、入力内部領域１３２０の間を接続する。本実施形態では、第１の内部コネクタＩＣ１は、受付領域１３２１と変換処理指定領域１３２２との間を接続する。これにより、第１の入力データＤ１と変換処理との関連性が、第１の内部コネクタＩＣ１による接続関係から把握しやすくなる。なお、他の入力内部領域１３２０に対応する操作と独立している操作を示す入力内部領域１３２０は、第１の内部コネクタＩＣ１を介して他の入力内部領域１３２０と接続されていなくてもよい。本実施形態では、入力データ出力領域１３２３は、他の入力内部領域１３２０と接続されていない。第１の内部コネクタＩＣ１は、設けられていなくてもよい。
<First internal connector IC1>
A first internal connector IC1 connects between the input
<第１の指数表示領域Ｎ１>
第１の指数表示領域Ｎ１には、予め入力領域１３２に付与された指数が表示される。当該指数は、例えば、処理の順序に応じた整数が表示される。なお、指数の具体的態様は、整数等の数字に限られず、任意の文字列であってもよい。第１の指数表示領域Ｎ１は、設けられていなくてもよい。
<First index display area N1>
An index assigned in advance to the
<学習領域１３３>
学習領域１３３は、入力データＤを用いた学習モデルＭ１の学習条件を設定可能な領域である。学習条件とは、例えば、学習モデルＭ１への入力データＤの入力態様、学習モデルＭ１の生成に用いられる分析手法、学習器ＭＬで用いられるアルゴリズム、学習器ＭＬの計算コストの上限などである。計算コストとは、例えば、計算時間、計算回数、学習器ＭＬの利用料金などが含まれる。学習領域１３３は、複数の学習内部領域１３３０と、第２の内部コネクタＩＣ２と、を含む。なお、学習内部領域１３３０の数は複数に限られず１つでもよい。
<
The
<学習内部領域１３３０>
学習内部領域１３３０のそれぞれは、学習条件の設定の単位を示す。学習内部領域１３３０の１つは、指定領域１３３１を含む。本実施形態では、学習内部領域１３３０は、指定領域１３３１と、予測設定領域１３３２と、モデル情報表示領域１３３３と、第１の切替領域１３３４と、を含む。
<Learning
Each learning
<指定領域１３３１>
指定領域１３３１は、少なくとも学習モデルＭ１への入力データＤの入力態様を指定可能な領域である。例えば、ユーザは、入力データＤの入力態様として、入力するデータ点の数、入力データＤの分割比、入力データＤを入力する学習器ＭＬなどを、指定領域１３３１にて指定可能である。入力データＤの入力態様を指定する具体的態様は、任意である。例えば、生成部２３３は、ポップアップで入力態様を指定するための領域を生成しても、学習画面１３とは異なる指定用の画面を生成してもよい。
<Specified
The
<予測設定領域１３３２>
予測設定領域１３３２は、学習モデルＭ１を用いた出力ｙ１の出力態様を指定可能な領域である。例えば、ユーザは、出力ｙ１の出力態様として、学習モデルＭ１の生成に用いられる分析手法、学習器ＭＬで用いられるアルゴリズム、学習器ＭＬの計算コストの上限などを、予測設定領域１３３２にて指定可能である。出力態様を指定する具体的態様は、指定領域１３３１と同様に任意である。予測設定領域１３３２は、設定実行ラベルＷ１を含む。設定実行ラベルＷ１は、予測設定領域１３３２にて出力ｙ１の出力態様の指定が行われたか否かを示す。制御部２３は、ユーザが設定実行ラベルＷ１に対して操作を行うことにより、予測設定領域１３３２にて指定された出力ｙ１出力態様の指定を保存してもよい。設定実行ラベルＷ１の表示態様は、当該指定の有無によって異なっていてもよい。これにより、ユーザが予測設定領域１３３２での指定をし忘れる可能性を下げることができる。
<
The
<モデル情報表示領域１３３３>
モデル情報表示領域１３３３は、学習モデルＭ１のモデル情報ＩＦ１の少なくとも一部を表示可能に構成されている。制御部２３は、ユーザによるモデル情報表示領域１３３３に対する操作に応じて、表示させるモデル情報ＩＦ１を変化させてもよい。制御部２３は、モデル情報ＩＦ１に含まれる精度情報が所定の条件を満たすか否かに応じて、モデル情報表示領域１３３３の表示態様を変化させてもよい。当該条件とは、例えば、学習モデルＭ１の予測精度が予め設定された基準を満たすか否かを示すものである。これにより、ユーザが学習モデルＭ１の予測精度が十分か否かを把握することが容易となる。
<Model
The model
<第１の切替領域１３３４>
第１の切替領域１３３４は、ユーザが第１の切替操作Ｏｐ１を行うためのＵＩである。第１の切替操作Ｏｐ１により、生成部２３３は、運用画面１４を生成し、表示部３４に表示される画面を学習画面１３から運用画面１４に切り替える。当該処理の内容は、後述のアクティビティＡ００７の説明の際に詳述される。
<
A
<第２の内部コネクタＩＣ２>
第２の内部コネクタＩＣ２は、学習内部領域１３３０の間を接続する。第２の内部コネクタＩＣ２は、学習内部領域１３３０同士の関係性に基づいて、学習内部領域１３３０の間を接続する。例えば、第２の内部コネクタＩＣ２は、学習内部領域１３３０のそれぞれの入力データＤに対する操作の前後関係に応じて、学習内部領域１３３０の間を接続する。本実施形態では、第２の内部コネクタＩＣ２の１つは、指定領域１３３１と予測設定領域１３３２との間を接続する。また、第２の内部コネクタＩＣ２の１つは、予測設定領域１３３２とモデル情報表示領域１３３３との間を接続する。これにより、ユーザは、学習領域１３３での操作手順を第２の内部コネクタＩＣ２から把握しやすくなる。なお、他の学習内部領域１３３０に対応する操作と独立している操作を示す学習内部領域１３３０には、第２の内部コネクタＩＣ２が接続されていなくてもよい。本実施形態では、第１の切替領域１３３４が、第２の内部コネクタＩＣ２によって他の学習内部領域１３３０と接続されていない。
<Second internal connector IC2>
A second internal connector IC2 connects between the learning
<第２の指数表示領域Ｎ２>
第２の指数表示領域Ｎ２には、予め学習領域１３３に付与された指数が表示される。当該指数は、例えば、処理の順序に応じた整数が表示される。なお、指数の具体的態様は、整数等の数字に限られず、任意の文字列であってもよい。第２の指数表示領域Ｎ２は、設けられていなくてもよい。
<Second index display area N2>
An index assigned in advance to the
<結果領域１３４>
結果領域１３４は、入力データＤを用いた学習モデルＭ１の出力に関する結果情報ＩＦ３を表す領域である。結果領域１３４は、複数の結果内部領域１３４０と、第３の内部コネクタＩＣ３と、を含む。なお、学習内部領域１３３０の数は複数に限られず１つでもよい。
<
The
<結果内部領域１３４０>
結果内部領域１３４０は、出力表示領域１３４１と、出力処理指定領域１３４２と、出力処理領域１３４３と、を含む。
<result
The result
<出力表示領域１３４１>
出力表示領域１３４１は、出力ｙ１による予測結果を表示可能に構成される。当該出力ｙ１は、入力領域１３２にて入力された第１の入力データＤ１と、学習領域１３３にて設定された学習条件と、に基づき学習モデルＭ１から出力される。予測結果は、結果情報ＩＦ３として表示されても、予測結果の優劣を示す記号、例えば、優良可、など、任意の態様で表示可能である。
<
The
<出力処理指定領域１３４２>
出力処理指定領域１３４２は、当該出力ｙ１に対する処理を指定可能に構成されている。例えば、出力処理指定領域１３４２は、出力ｙ１に対する処理として、出力表示領域１３４１での予測結果の表示態様の変更、出力ｙ１に対する変換処理、例えば、外れ値の除去、などを指定可能に構成されている。
<Output
The output
<出力処理領域１３４３>
出力処理領域１３４３は、ユーザによる操作に応じて、出力処理指定領域１３４２にて指定された処理を実行するか否かを決定可能なＵＩである。生成部２３３は、ユーザによる出力処理領域１３４３の操作に応じて、出力処理の実行結果を表示可能な画面を生成して、当該画面を表示部３４に表示させてもよい。
<
The
<第３の内部コネクタＩＣ３>
第３の内部コネクタＩＣ３は、結果内部領域１３４０の間を接続する。第３の内部コネクタＩＣ３は、結果内部領域１３４０同士の関係性に基づいて、結果内部領域１３４０の間を接続する。例えば、第３の内部コネクタＩＣ３は、結果内部領域１３４０のそれぞれの入力データＤに対する操作の前後関係に応じて、結果内部領域１３４０の間を接続する。本実施形態では、第３の内部コネクタＩＣ３は、出力表示領域１３４１と出力処理指定領域１３４２との間を接続する。これにより、出力ｙ１と出力ｙ１に対する処理との関連性が、第３の内部コネクタＩＣ３による接続関係から把握しやすくなる。なお、他の結果内部領域１３４０に対応する操作と独立している操作を示す結果内部領域１３４０は、第３の内部コネクタＩＣ３を介して他の結果内部領域１３４０と接続されていなくてもよい。本実施形態では、出力処理領域１３４３は、他の結果内部領域１３４０と接続されていない。第３の内部コネクタＩＣ３は、設けられていなくてもよい。
<Third internal connector IC3>
A third internal connector IC3 connects between the resulting
<第３の指数表示領域Ｎ３>
第３の指数表示領域Ｎ３には、予め結果領域１３４に付与された指数が表示される。当該指数は、例えば、処理の順序に応じた整数が表示される。なお、指数の具体的態様は、整数等の数字に限られず、任意の文字列であってもよい。第３の指数表示領域Ｎ３は、設けられていなくてもよい。
<Third index display area N3>
An index assigned in advance to the
<外部コネクタＥＣ１、ＥＣ２>
第１の外部コネクタＥＣ１は、入力領域１３２と学習領域１３３とを対応付ける。詳細には、第１の外部コネクタＥＣ１は、入力領域１３２と学習領域１３３とを接続する。これにより、ユーザが、入力領域１３２での操作の後に学習領域１３３の操作を行うべきことを視覚的に把握しやすくなる。本実施形態では、第１の外部コネクタＥＣ１の入力領域１３２への接続態様は、第１の外部コネクタＥＣ１の学習領域１３３への接続態様と異なる。例えば、第１の外部コネクタＥＣ１は、入力領域１３２の第１の指数表示領域Ｎ１と、学習領域１３３の縁とを接続する。これにより、第１の外部コネクタＥＣ１の始点と終点の態様が異なるため、ユーザによる学習画面１３の操作手順の把握がより容易となる。
<External connectors EC1, EC2>
A first external connector EC1 associates the
第２の外部コネクタＥＣ２は、学習領域１３３と結果領域１３４とを対応付ける。第２の外部コネクタＥＣ２は、学習領域１３３と結果領域１３４とを接続する。これにより、ユーザが、学習領域１３３での操作の後に学習領域１３３の操作を行うべきことを視覚的に把握しやすくなる。特に、第１の外部コネクタＥＣ１と第２の外部コネクタＥＣ２との両方が設けられることで、ユーザが学習画面１３での一連の操作の流れの全体像を把握することが容易となる。本実施形態では、第２の外部コネクタＥＣ２の学習領域１３３への接続態様は、第２の外部コネクタＥＣ２の結果領域１３４への接続態様と異なる。例えば、第２の外部コネクタＥＣ２は、学習領域１３３の第２の指数表示領域Ｎ２と、結果領域１３４の縁とを接続する。これにより、第２の外部コネクタＥＣ２の始点と終点の態様が異なるため、ユーザによる学習画面１３の操作手順の把握がより容易となる。
A second external connector EC2 associates the
［アクティビティＡ００６］
図５に示すように、アクティビティＡ００５にて上記学習画面１３が生成された後、処理がアクティビティＡ００６に進み、受付部２３１は、入力領域１３２に対する操作を受け付ける。受付部２３１に対する操作が完了した場合、第１の外部コネクタＥＣ１の表示態様が変更される。表示態様の変更方法は、第１の外部コネクタＥＣ１の形状、模様、色彩の変更など、ユーザが変化を視認可能であれば任意である。これにより、ユーザが現在するべき操作を視覚的に把握しやすくなる。
[Activity A006]
As shown in FIG. 5, after the
［アクティビティＡ００７］
受付部２３１に対する操作が完了した後、処理がアクティビティＡ００７に進み、受付部２３１は、学習領域１３３に対する操作を受け付ける。このとき、学習領域１３３にて第１の切替領域１３３４に対する第１の切替操作Ｏｐ１が行われずに学習領域１３３に対する操作が完了した場合、処理がアクティビティＡ００８に進む。この場合、第２の外部コネクタＥＣ２の表示態様が、第１の外部コネクタＥＣ１の表示態様と同様に変更される。
[Activity A007]
After completing the operation on the accepting
［アクティビティＡ００８］
アクティビティＡ００８にて、受付部２３１は、結果領域１３４に対する操作を受け付ける。
[Activity A008]
At activity A008, the accepting
［アクティビティＡ００９］
次に、処理がアクティビティＡ００９に進み、制御部２３は、学習画面１３にて指定された第１の入力データＤ１や学習条件等に基づき、学習モデルＭ１の再学習を実行する。
[Activity A009]
Next, the process proceeds to activity A009, and the
［アクティビティＡ０１０］
次に、処理がアクティビティＡ０１０に進み、制御部２３は、再学習された学習モデルＭ１のモデル情報ＩＦ１を取得する。制御部２３は、再学習された学習モデルＭ１から出力される出力ｙ１から結果情報ＩＦ３を取得してもよい。制御部２３は、取得したこれらの情報を、表示部３４に表示させてもよい。これらの情報は、学習画面１３と異なる画面を用いて表示されても、学習画面１３の更新によって表示されてもよい。取得された学習モデルＭ１が複数存在する場合、制御部２３は、第１の入力データＤ１に基づき、モデル情報ＩＦ１を、学習モデルごとに比較可能な態様で表示部３４に表示させてもよい。例えば、制御部２３は、特定された学習器ＭＬのうち、選択により選択された学習器ＭＬを用いて生成されるモデル情報ＩＦ１を表示部３４に表示させる。ユーザは、入力領域１３２に対する操作、学習領域１３３に対する操作、及び結果領域１３４に対する操作を順次受け付けることを、外部コネクタＥＣ１，ＥＣ２のそれぞれの接続態様から視覚的に把握できる。
[Activity A010]
Next, the process proceeds to activity A010, and the
［アクティビティＡ１０１］
一方、アクティビティＡ００７にて学習領域１３３にて第１の切替領域１３３４に対する第１の切替操作Ｏｐ１が行われた場合、処理がアクティビティＡ１０１に進む。アクティビティＡ１０１にて、制御部２３は、学習モデルＭ１から運用学習モデルＭ２を生成する。運用学習モデルＭ２は、学習モデルＭ１をデプロイ用に変換したものである。詳細には、運用学習モデルＭ２は、学習領域１３３に表示された学習モデルＭ１をデプロイ用に変換したものである。運用学習モデルＭ２の形式は、学習モデルＭ１の形式に比べて大容量の入力データＤの処理に適している。以下、説明の便宜上、運用学習モデルＭ２に入力される入力データＤを、運用データＤ３という。運用データＤ３は、学習モデルＭ１の生成に用いられた第１の入力データＤ１の少なくとも一部を含んでも、当該第１の入力データＤ１を含まなくてもよい。
[Activity A101]
On the other hand, when the first switching operation Op1 is performed on the
［アクティビティＡ１０２］
次に処理がアクティビティＡ１０２に進み、生成部２３３は、第１の切替領域１３３４に対するユーザの第１の切替操作Ｏｐ１に応じて運用画面１４を生成する。生成された運用画面１４は、表示部３４に表示される。本実施形態では、運用画面１４は、学習画面１３に代えて表示される。なお、運用画面１４は、学習画面１３とともに表示可能に構成されてもよい。
<運用画面１４>
図７は、表示部３４に表示される運用画面１４の一例を示す図である。運用画面１４には、少なくとも１つのパイプラインＰＬが表示される。本実施形態では、１つのパイプラインＰＬが運用画面１４に表示されている。
[Activity A102]
Next, the process proceeds to activity A102, and the
<
FIG. 7 is a diagram showing an example of the
<パイプラインＰＬ>
パイプラインＰＬは、運用学習モデルＭ２のデータフローを示す。データフローは、受付部２３１による第１の入力データＤ１の受付から、を用いて結果情報ＩＦ３が得られるまでの処理の流れに対応する。パイプラインＰＬは、複数のジョブ領域１４０と、複数のフローコネクタＦ１と、第２の切替領域１４７と、を含む。なお、ジョブ領域１４０の数、及びフローコネクタＦ１の数は、それぞれ複数に限られず１つでもよい。
<Pipeline PL>
A pipeline PL indicates the data flow of the operational learning model M2. The data flow corresponds to the flow of processing from reception of the first input data D1 by the
<ジョブ領域１４０>
ジョブ領域１４０は、運用学習モデルＭ２のパイプラインＰＬでの処理のまとまりを示す。処理のまとまりとは、例えば、変換処理が行われる対象を取得する処理、変換処理、変換処理の結果を取得する処理、運用学習モデルＭ２による処理、結果情報ＩＦ３、特に精度情報を導出する処理などである。言い換えれば、処理のまとまりとは、ジョブである。本実施形態のパイプラインＰＬは、ジョブ領域１４０として、第１のジョブ領域１４１と、第２のジョブ領域１４２と、第３のジョブ領域１４３と、第４のジョブ領域１４４と、第５のジョブ領域１４５と、第６のジョブ領域１４６と、を含む。なお、ジョブ領域１４０のそれぞれは、レポジトリ表示領域ＲＰ１を含みうる。レポジトリ表示領域ＲＰ１は、ジョブ領域１４０のバージョン、更新日時等の情報を表示可能に構成される。これにより、ジョブ領域１４０のバージョンの一元管理が容易となる。
<
A
<第１のジョブ領域１４１>
第１のジョブ領域１４１は、制御部２３に入力される入力データＤを受け付ける処理に対応する。当該入力データＤは、ユーザが保有する運用データＤ３に限られず、外部データＤ０を含みうる。
<
A
<第２のジョブ領域１４２>
第２のジョブ領域１４２は、変換処理に対応する。特に、第２のジョブ領域１４２は、変換処理指定領域１３２２にて指定された変換処理に対応する。第２のジョブ領域１４２は、変換処理に含まれる複数の処理ごとに細分化されたジョブを含んでもよい。
<
A
<第３のジョブ領域１４３>
第３のジョブ領域１４３は、運用学習モデルＭ２で実行される処理に対応する。第３のジョブ領域１４３には、運用学習モデルＭ２にて処理される変数の受け渡しをデータフローが表示されてもよい。
<
A
<第４のジョブ領域１４４>
第４のジョブ領域１４４は、運用学習モデルＭ２から出力された結果を取得する処理に対応する。例えば、第４のジョブ領域１４４は、運用学習モデルＭ２から出力される出力ｙ１と、当該出力ｙ１に対応する説明変数ｘ１を取得する処理に対応する。複数の説明変数ｘ１が取得される場合、第４のジョブ領域１４４は、説明変数ｘ１のそれぞれを取得する処理に対応する領域を含んでもよい。複数の出力ｙ１が取得される場合も、第４のジョブ領域１４４は、出力ｙ１のそれぞれを取得する処理に対応する領域を含んでもよい。
<
A
<第５のジョブ領域１４５>
第５のジョブ領域１４５は、第４のジョブ領域１４４にて取得された情報に基づき、学習モデルＭ１による予測結果を導出する処理に対応する。例えば、第５のジョブ領域１４５は、結果情報ＩＦ３を導出する処理に対応する。第５のジョブ領域１４５には、導出された結果情報ＩＦ３の少なくとも一部が表示されてもよい。
<
A
<第６のジョブ領域１４６>
第６のジョブ領域１４６は、第４のジョブ領域１４４にて取得された情報に基づき、モデル情報ＩＦ１を導出する処理に対応する。第６のジョブ領域１４６には、導出されたモデル情報ＩＦ１の少なくとも一部が表示されてもよい。導出されたモデル情報ＩＦ１は、第３のジョブ領域１４３に対応する処理、例えば、運用学習モデルＭ２の再学習に用いられる。
<
A
<フローコネクタＦ１>
フローコネクタＦ１は、ジョブ領域１４０間の情報の流れに対応する。情報の流れは、パラメータの送受信や処理の呼び出し等を含む。本実施形態では、フローコネクタＦ１が、第１のジョブ領域１４１と第２のジョブ領域１４２との間、第２のジョブ領域１４２と第３のジョブ領域１４３との間、第４のジョブ領域１４４と第５のジョブ領域１４５との間、第４のジョブ領域１４４と第６のジョブ領域１４６との間、第６のジョブ領域１４６と第３のジョブ領域１４３との間に、それぞれ配置されている。なお、ジョブ領域１４０間には、複数のフローコネクタＦ１が配置されていてもよい。例えば、第１のジョブ領域１４１と第２のジョブ領域１４２との間、及び第３のジョブ領域１４３と第４のジョブ領域１４４との間、及び第４のジョブ領域１４４と第５のジョブ領域１４５との間には、それぞれ２つのフローコネクタＦ１が配置されている。
<Flow connector F1>
<第２の切替領域１４７>
第２の切替領域１４７は、ユーザが第２の切替操作Ｏｐ２を行うためのＵＩである。
<
The
［アクティビティＡ１０３］
図５に戻り、アクティビティＡ１０２にて運用画面１４が生成された後、処理がアクティビティＡ１０３に進み、受付部２３１は、ユーザからの運用画面１４に対する操作を受け付ける。生成部２３３は、ユーザからの操作に応じた応答を生成する。例えば、受付部２３１がユーザからのジョブ領域１４０に対する操作を受け付けた場合、生成部２３３は、当該ジョブ領域１４０に対応する処理の内容を表示する。処理の内容は、例えば、所定のプログラミングコードによって表示される。当該操作に応じて、生成部２３３は、当該ジョブ領域１４０の入出力の時間変化に関する情報を表示してもよい。
[Activity A103]
Returning to FIG. 5, after the
受付部２３１が第２の切替操作Ｏｐ２を受け付けていない場合、受付部２３１は、アクティビティＡ１０３にて運用画面１４に対する操作の受付を継続する。
If the accepting
一方、受付部２３１が第２の切替操作Ｏｐ２を受け付けた場合、処理がアクティビティＡ００７に戻り、学習領域１３３に対する操作を受け付ける。この場合、学習画面１３は、生成部２３３によって新たに生成されたものでも、前回生成されたものであってもよい。このようにして、学習画面１３と運用画面１４とがユーザの操作によって切替可能に構成されている。画面上に表示された視覚情報の操作によって学習画面１３と運用画面１４とが切替可能に構成されているため、ユーザは、学習画面１３の再学習の結果をシームレスにデプロイ用の運用学習モデルＭ２に反映させることができる。
On the other hand, when the accepting
４．運用画面１４の変形例
次に、運用画面１４の変形例について説明する。図８は、運用画面１４の変形例を示す図である。本実施形態の運用画面１４は、複数のパイプラインＰＬを含む。生成部２３３は、異なる複数の入力データＤ、すなわち運用データＤ３を用いて学習モデルＭ１の再学習が行われる場合、当該運用データＤ３ごとに生成される学習モデルＭ１ごとにパイプラインＰＬを生成する。言い換えれば、異なる複数の入力データＤを用いて学習モデルＭ１の再学習が行われる場合、パイプラインＰＬは、当該運用データＤ３ごとに生成される学習モデルＭ１ごとに表示部３４に表示される。異なる複数の入力データＤを用いて運用学習モデルＭ２の再学習が行われる場合、再学習された運用学習モデルＭ２は、運用データＤ３ごとに異なる特性を有する可能性がある。そのため、パイプラインＰＬが異なる複数の入力データＤごとに生成される学習モデルＭ１ごとに表示部３４に表示されることで、複数の運用学習モデルＭ２の保守管理の負担が軽減される。複数のパイプラインＰＬのそれぞれは、例えば、学習モデルＭ１の特徴量に応じてクラスタリングされる学習モデルＭ１ごとに表示されてもよい。本実施形態では、当該入力データＤは運用データＤ３を含む。また、当該入力データＤは、外部データＤ０を含んでもよい。当該学習モデルＭ１は、運用学習モデルＭ２ともいえる。本実施形態の運用画面１４は、３つのパイプラインＰＬと、パイプライン指定領域１５１と、をさらに含む。なお、パイプラインＰＬの数はあくまで例示に過ぎず、例えば、１０，２０，３０，４０，５０，６０，７０，８０，９０，１００，２００，３００，４００，５００，６００，７００，８００，９００，１０００，２０００，３０００，４０００，５０００，６０００，７０００，８０００，９０００，１００００であっても、これらの数の間に含まれる任意の数であってもよい。無論、パイプラインＰＬの数は、ここに例示した数字より小さくても、大きくてもよい。
4. Modified Example of
パイプライン指定領域１５１は、ユーザが複数のパイプラインＰＬのうちの少なくとも１つを指定可能に構成されていてもよい。パイプライン指定領域１５１にて指定したパイプラインＰＬは、運用画面１４内にて他のパイプラインＰＬよりも優先的に表示される。これにより、ユーザが所望のパイプラインＰＬの内容を確認しやすくなる。
The
運用画面１４には、複数のパイプラインＰＬの少なくとも一部が、それぞれ一覧可能に表示されている。上記パイプライン指定領域１５１でのパイプラインＰＬの指定は、運用画面１４にて表示されているパイプラインＰＬに対する操作によって行われてもよい。これにより、ユーザは、パイプラインＰＬの指定を直感的に行うことができる。複数のパイプラインＰＬは、運用画面１４にて一覧可能に表示されてもよい。これにより、ユーザは、複数のパイプラインＰＬの内容を比較しやすくなる。また、複数のパイプラインＰＬは、互いに独立して表示されていても、互いに関連性をもって表示されてもよい。当該関連性は、例えば、フローコネクタＦ１の接続関係によって示される。複数のパイプラインＰＬのそれぞれのジョブ領域１４０は、その内容ごとに整列していてもよい。これにより、複数のパイプラインＰＬの比較がさらに容易となる。
At least some of the plurality of pipelines PL are displayed on the
５．その他
前述の実施形態に係る情報処理システム１に関して、以下のような態様を採用してもよい。
5. Others Regarding the
運用画面１４にて表示されるパイプラインＰＬは、運用学習モデルＭ２のデータフローを示すものに限られず、学習モデルＭ１のデータフローを示すものでもよい。
The pipeline PL displayed on the
第１の入力データＤ１及び第２の入力データＤ２は、それぞれ外部データＤ０としてデータベースＤＢ１に記憶されてもよい。これらの外部データＤ０は、所定の条件のもと、他のユーザに提供可能であってもよい。 The first input data D1 and the second input data D2 may each be stored in the database DB1 as the external data D0. These external data D0 may be provided to other users under predetermined conditions.
制御部２３は、表示部３４に、第１の入力データＤ１に対して行われた変換処理の履歴、いわゆる変換処理のバージョン、を表示させてもよい。これにより、変換処理と精度情報との関係性の類推が容易となる。また、制御部２３は、変換処理のバージョンの管理を行ってもよい。
The
次に記載の各態様で提供されてもよい。 It may be provided in each aspect described below.
（２）前記情報処理システムにおいて、前記入力領域は、複数の入力内部領域と、前記入力内部領域の間を接続する第１の内部コネクタと、を含み、前記入力内部領域のそれぞれは、前記入力データに対する操作の単位を示す、もの。 (2) In the information processing system, the input area includes a plurality of input internal areas and a first internal connector connecting between the input internal areas, each of the input internal areas A thing that indicates a unit of operation on data.
このような構成によれば、ユーザは、第１の内部コネクタによる接続関係から、入力データの入力の操作の関連性を把握することができる。したがって、入力データの操作の際にユーザに求められるデータサイエンスに関する知見の水準を、従来技術に比して下げることができる。 According to such a configuration, the user can grasp the relevance of the operation of inputting the input data from the connection relationship by the first internal connector. Therefore, the level of knowledge about data science required of the user when manipulating input data can be lowered compared to the prior art.
（３）前記情報処理システムにおいて、前記入力内部領域の１つは、少なくともユーザからの前記入力データの入力を受付可能な受付領域を含む、もの。 (3) In the information processing system, one of the input internal areas includes at least a receiving area capable of receiving input of the input data from the user.
このような構成によれば、ユーザが入力した入力データＤに対する操作及び学習条件の設定の手順が、第１の内部コネクタの接続関係及び第１の外部コネクタの接続関係に従って案内される。したがって、ユーザにとっての利便性が向上する。 According to such a configuration, the procedure for setting the operation and learning conditions for the input data D input by the user is guided according to the connection relationship of the first internal connector and the connection relationship of the first external connector. Therefore, convenience for the user is improved.
（４）前記情報処理システムにおいて、前記学習領域は、複数の学習内部領域と、前記学習内部領域の間を接続する第２の内部コネクタと、を含み、前記学習内部領域のそれぞれは、前記学習条件の設定の単位を示す、もの。 (4) In the information processing system, the learning area includes a plurality of internal learning areas and a second internal connector connecting between the internal learning areas, and each of the internal learning areas includes the learning A thing that indicates the unit of condition setting.
このような構成によれば、煩雑な学習条件の設定の手順が、第２の内部コネクタによって表現される。したがって、学習条件の設定の際にユーザに求められるデータサイエンスに関する知見の水準を、さらに下げることができる。 According to such a configuration, a complicated learning condition setting procedure is represented by the second internal connector. Therefore, it is possible to further lower the level of knowledge regarding data science required of the user when setting the learning conditions.
（５）前記情報処理システムにおいて、前記学習内部領域の１つは、少なくとも前記学習モデルへの前記入力データの入力態様を指定可能な指定領域を含む、もの。 (5) In the information processing system, one of the internal learning areas includes at least a designated area capable of designating an input mode of the input data to the learning model.
このような構成によれば、学習モデルの特性に応じてユーザは入力データの入力態様を指定することができるため、さらなる利便性の向上を図ることができる。 According to such a configuration, the user can specify the input mode of the input data according to the characteristics of the learning model, thereby further improving convenience.
（６）前記情報処理システムにおいて、前記学習画面は、前記入力データを用いた前記学習モデルの出力に関する結果情報を表す結果領域と、前記学習領域と前記結果領域とを対応付ける第２の外部コネクタと、を含む、もの。 (6) In the information processing system, the learning screen includes a result area representing result information regarding the output of the learning model using the input data, and a second external connector that associates the learning area and the result area. , including.
このような構成によれば、入力領域、学習領域、及び結果領域の関係性が、第１の外部コネクタと第２の外部コネクタとによって表現される。したがって、ユーザは、入力データと、入力データを用いた学習モデルの学習条件と、学習条件に基づく学習モデルの出力結果との間の一連の関連性を、これらの外部コネクタから把握しやすくなる。 According to such a configuration, the relationship between the input area, the learning area, and the result area is expressed by the first external connector and the second external connector. Therefore, from these external connectors, the user can easily grasp a series of relationships among the input data, the learning conditions of the learning model using the input data, and the output results of the learning model based on the learning conditions.
（７）前記情報処理システムにおいて、さらに、第２の生成ステップでは、切替領域に対するユーザの切替操作に応じて運用画面を生成し、ここで、前記運用画面には、前記学習モデルのデータフローを示すパイプラインが表示される、もの。 (7) In the information processing system, further, in the second generation step, an operation screen is generated in response to a user's switching operation on the switching area, wherein the operation screen includes the data flow of the learning model. The one that shows the pipeline is displayed.
このような構成によれば、ユーザが切替操作を行うだけで、学習モデルのデータフローを確認することができる。したがって、学習モデルのブラックボックス化が抑制される。 According to such a configuration, the user can confirm the data flow of the learning model simply by performing the switching operation. Therefore, black-boxing of the learning model is suppressed.
（８）前記情報処理システムにおいて、異なる複数の前記入力データを用いて前記学習モデルの再学習が行われる場合、前記パイプラインは、当該入力データごとに生成される前記学習モデルごとに表示される、もの。 (8) In the information processing system, when the learning model is re-learned using a plurality of different input data, the pipeline is displayed for each learning model generated for each input data. ,thing.
このような構成によれば、異なる複数の入力データを用いて学習モデルの再学習が行われる場合において、再学習された学習モデルが、入力データごとに異なる特性を有するとしても、パイプラインが異なる複数の入力データごとに生成される学習モデルごとに表示部に表示される。そのため、複数の学習モデルの保守管理の負担が軽減される。 According to such a configuration, when the learning model is re-trained using a plurality of different input data, even if the re-learned learning model has different characteristics for each input data, the pipeline is different. Each learning model generated for each of a plurality of pieces of input data is displayed on the display unit. Therefore, the burden of maintenance management of a plurality of learning models is reduced.
（９）前記情報処理システムにおいて、前記パイプラインは、前記学習モデルの特徴量に応じてクラスタリングされる前記学習モデルごとに表示される、もの。 (9) In the information processing system, the pipeline is displayed for each of the learning models clustered according to the feature amount of the learning model.
このような構成によれば、類似する特性をもつ学習モデルのパイプラインがまとめて表示されるため、学習モデルの数が増えた際の学習モデルの保守管理の負担が軽減される。 According to such a configuration, since pipelines of learning models having similar characteristics are collectively displayed, the burden of maintenance and management of learning models is reduced when the number of learning models increases.
（１０）情報処理方法であって、前記情報処理システムの各ステップを含む、方法。 (10) An information processing method, comprising steps of the information processing system.
（１１）情報処理プログラムであって、コンピュータに、前記情報処理システムの各ステップを実行させる、もの。
もちろん、この限りではない。
(11) An information processing program that causes a computer to execute each step of the information processing system.
Of course, this is not the only case.
さらに、以下のような観点にも留意されたい。 Furthermore, the following points should also be noted.
深層学習（Ｄｅｅｐ Ｌｅａｒｎｉｎｇ、ＤＬ）をはじめとする機械学習（Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ、ＭＬ）の技術を様々な局面で利用しようとする動きが加速し、一種のブームとも言える状況が生まれている。しかしこのような盛り上がりに反し、ＭＬ導入のプロジェクトの８５％が失敗し、ＭＬやＡＩ（Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ、人工知能）技術を活用できている企業は１０％、情報系企業ですら１７％にとどまると言われる。 The movement to use deep learning (DL) and other machine learning (machine learning, ML) technologies in various situations is accelerating, creating a situation that can be called a kind of boom. However, contrary to this excitement, 85% of ML introduction projects have failed, 10% of companies are able to utilize ML and AI (Artificial Intelligence) technology, and only 17% of information companies. It is said.
これには様々な原因がある。第１にＭＬやＡＩがいかなる問題に対して有効かの理解が簡単ではないこと、第２にＭＬを使うためにはどういうデータを用意すればよいのか、どのようにデータの加工と前処理をすればよいのかが経験と勘に依存すること、第３にデータを大量に準備することが容易ではないこと、第４にＭＬやＡＩのモデルをどう構築したらよいのかの理解が簡単ではなく、しかも経験と勘に依存すること、第５にＭＬの一手法であるＤＬからなぜ欲する出力を得られるのかの理解が困難なこと、第６に以上のように理解が進まない結果として満足できる性能を得ることができないことなどが挙げられる。 There are various causes for this. First, it is not easy to understand what problems ML and AI are effective against. Second, what kind of data should be prepared to use ML, and how to process and preprocess data. What to do depends on experience and intuition. Third, it is not easy to prepare a large amount of data. Fourth, it is not easy to understand how to build an ML or AI model. Moreover, it depends on experience and intuition. Fifth, it is difficult to understand why the desired output can be obtained from DL, which is a method of ML. and the fact that it is not possible to obtain
上述のとおり、ＭＬを成功裏に活用するためには様々な障害が存在する反面、インターネット上には多くのＭＬサービスやＡＩサービスが存在し、どれを使えばよいのか分からないというカオス的状況にもある。 As mentioned above, there are various obstacles to the successful utilization of ML, but on the other hand, there are many ML services and AI services on the Internet, and it is a chaotic situation where you do not know which one to use. There is also
その上、上記のＭＬサービス、ＡＩサービスを使いこなすためにはたくさんのパラメータを入力しなければならず、パラメータの意味の理解も難しく、ＭＬやＡＩの専門家でなければ使いこなせないという現実も存在する。いわば、ＭＬサービスやＡＩサービスは専門家以外にも使える民主化されたサービスとはなっていなかった。 In addition, in order to use the above ML and AI services, many parameters must be entered, and it is difficult to understand the meaning of the parameters, and there is a reality that only ML and AI experts can use them. . In other words, ML services and AI services were not democratized services that could be used by non-specialists.
前述の状況を鑑み、専門的な知識を有していなくても使いこなすことができ、入力データを準備さえすれば３ステップでＭＬサービスを使うことができ、得られた結果に対する解析を提供し、さらには予測も行うことのできる技術を提供することにより、誰でもＭＬサービスを利用できる環境を創出することが本発明の目的である。これによりＭＬサービスが民主化される。 In view of the above-mentioned situation, it is possible to use ML services without specialized knowledge, and if you prepare input data, you can use ML services in 3 steps, and provide analysis of the obtained results, Furthermore, it is an object of the present invention to create an environment in which anyone can use ML services by providing a technique that can also perform prediction. This democratizes ML services.
上記課題を解決するための技術的思想は、インターネット上に存在する多くのＭＬ（以下ＡｕｔｏＭＬと呼ぶ）サービスへ接続するためのラッピング・インターフェースシステムを提供することである。これにより、データの収集、前処理、アップロードなどのデータ準備（ステップ１）、モデル構築と複数のＭＬの並行的実行（ステップ２）、各ＭＬの性能比較と実業務への導入（ステップ３）の３ステップでＭＬの導入が可能となる。 A technical idea for solving the above problems is to provide a wrapping interface system for connecting to many ML (hereinafter referred to as AutoML) services existing on the Internet. As a result, data preparation such as data collection, preprocessing, and uploading (step 1), model construction and parallel execution of multiple MLs (step 2), performance comparison of each ML and introduction to actual work (step 3) It is possible to introduce ML in the following three steps.
そのためにまずアカウント設定やパラメータ入力手順等を一元化し、次に各ＡｕｔｏＭＬへとフォーマット変換を施す。これにより１０～１５ステップが必要であったアカウント作成を３ステップで行うことが可能となる。 For this purpose, the account setting, parameter input procedure, etc. are first unified, and then format conversion is applied to each AutoML. This makes it possible to create an account in 3 steps, which used to take 10 to 15 steps.
次に、社内外のデータを収集する。このために必要な社内外データへのアクセスポイントに対して自動的に、あるいはユーザーの介入と補助を得ながら接続が行なわれ、データが収集される。 Next, collect internal and external data. The necessary access points to internal and external data for this are connected automatically or with user intervention and assistance, and the data is collected.
続いて、入力データの加工を行う。以下に限られないが、これにはデータのクレンジングとして日付データなどの形式の一元的形式への変換、欠損の多いデータ項目の処理などを行い、原データから統計的処理を含む前処理を適用して目的に適したデータに変換すること、クエリを使用してデータ抽出やデータ結合などを行うことなどが含まれる。 Next, the input data is processed. This includes, but is not limited to, data cleansing such as conversion to a unified format such as date data, processing data items with many missing points, and applying preprocessing including statistical processing from the original data. and transforming it into data suitable for the purpose, and using queries to perform data extraction, data merging, etc.
このとき、必要に応じて加工後のデータを表示して確認と修正を行ってもよい。 At this time, if necessary, the processed data may be displayed for confirmation and correction.
次に、ＭＬモデルの準備を行う。インターネット上に存在する各種ＭＬサービスの利用に限られず、ＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）ベースによってプログラミングを行わずに独自モデルを構築する方法、インターネット上に存在する各種ＭＬサービスの修正を行って独自モデルを構築する方法、及び既に構築されているがインターネット上には公開されていないＭＬモデルを本発明システムへインポートを行う方法等によって行われる。 Next, prepare the ML model. It is not limited to the use of various ML services that exist on the Internet, but also a method of constructing an original model without programming based on a GUI (Graphical User Interface), and modifying various ML services that exist on the Internet to create an original model. This is done by a method of constructing and a method of importing an ML model that has already been constructed but is not open to the public on the Internet into the system of the present invention.
さらには、プログラミングすることなく、ＭＬや統計分析を可能にする機能も提供される。加えて、どのようなテンプレートでモデル構築を行えば精度の高いモデルが構築できるかについて、入力データからリコメンドする機能も提供される。 It also provides functionality that enables ML and statistical analysis without programming. In addition, a function is also provided to recommend from the input data what kind of template should be used to build a model with high accuracy.
ＭＬに入力されるデータを学習データと予測データに分割し、学習データによって学習したＭＬに予測データを入力してもよい。予測データはＭＬ性能比較等のためにこれ以降使われる。 The data input to the ML may be divided into learning data and prediction data, and the prediction data may be input to the ML that has been learned using the learning data. The prediction data is used hereafter for ML performance comparisons, etc.
入力データとＭＬモデルの準備が終了したら、学習データを用いて学習が開始される。
このとき複数のＭＬを並行的に実行させてもよい。
Once the input data and the ML model have been prepared, training is started using the learning data.
At this time, multiple MLs may be executed in parallel.
学習が終わったら、予測データが自動的あるいはユーザーの指示によって各ＭＬサービスに投入され、結果を得る。このとき複数のＡｕｔｏＭＬが並行的に実行されていれば、即座に性能比較ができる。 After training, predictive data is injected into each ML service automatically or by user's instruction to obtain results. If multiple AutoMLs are executed in parallel at this time, the performance can be compared immediately.
各ＡｕｔｏＭＬサービスの結果を表示する。これにはグラフィカルな可視化を含み、各ＭＬサービスの予測精度レベル（決定係数）、項目の寄与度の比較などが表示される。 View the results for each AutoML service. This includes graphical visualizations showing the level of prediction accuracy (coefficient of determination) for each ML service, comparison of item contributions, etc.
上記のデータ収集～結果の表示と比較までを繰り返し、実業務に投入が可能だとユーザーによって判断されたら、運用が開始される。 The above data collection, display and comparison of results are repeated, and when the user decides that it can be put into actual work, the operation is started.
運用において、用意されたＡＰＩ（Ａｐｐｌｉｃａｔｉｏｎ Ｐｒｏｇｒａｍ Ｉｎｔｅｒｆａｃｅ）によってアプリケーションプログラムから本システムへ問い合わせを行うことによって結果がアプリケーションプログラムによって活用すること、あるいは本システムから直接結果を表示することも本発明の範囲である。 In operation, it is within the scope of the present invention that the results are utilized by the application program by inquiring from the application program to this system using a prepared API (Application Program Interface), or that the results are displayed directly from this system. .
運用の自動化のためにＫｕｂｅｆｌｏｗを含むＭＬプラットフォームを利用しても良い。 ML platforms including Kubeflow may be used for automation of operations.
上記一連の操作をパイプライン化し、操作の単純化を図っても良い。パイプライン化することにより自由度は下がるが全体の見通しが良くなり、専門家でなくても扱うことが可能となる。もし自由度を上げる必要があるときには、詳細画面を開く等によって専門的な項目設定を行っても良い。 The above series of operations may be pipelined to simplify the operations. Pipelining reduces the degree of freedom, but improves the overall outlook and allows non-experts to handle it. If it is necessary to increase the degree of freedom, specialized item settings may be performed by opening a detailed screen or the like.
さらにはパイプラインの流れに沿って各種変更や操作履歴の記録と閲覧が可能となり、ＭＬサービスやモデル選択の根拠を示すことが可能となる。 Furthermore, it is possible to record and view various changes and operation histories along the flow of the pipeline, and it is possible to show the grounds for selecting ML services and models.
採用すべきＭＬモデルとそれに必要なデータ前処理方法が決定された後に、実業務に導入される。例えば、ＭＬの出力として売上予測が欲しい場合、直接本発明システムによって表示される画面を見ても良いし、必要に応じて本発明システムが提供するＡＰＩを介してアプリケーションプログラムから情報提供のリクエストが出され、それによってアプリケーションプログラムの画面に表示されても良い。 After the ML model to be adopted and the data preprocessing method required for it are decided, it is introduced into the actual business. For example, if you want a sales forecast as an ML output, you can directly see the screen displayed by the system of the present invention, or if necessary, request information provision from the application program via the API provided by the system of the present invention. may be issued and thereby displayed on the screen of the application program.
そこで、上記課題を解決するために、第１の態様に係る情報処理方法は、アカウント設定、パラメータ入力手順設定のうち少なくともいずれかを含む初期設定作業を一元化する第１のステップと、インターネット上に存在し得る自動機械学習サービスへ接続するためのフォーマット変換を施す第２のステップと、社内外のデータが収集される第３のステップと、前記収集されたデータを加工する第４のステップと、使用されるべき自動機械学習サービスの準備を行う第５のステップと、前記第４のステップにおいて加工されたデータを学習データと予測データとに分割し、前記学習データを前記第５のステップにおいて準備が行われた自動機械学習サービスによって学習させる第６のステップとを具備することを特徴とする。 Therefore, in order to solve the above problems, an information processing method according to a first aspect includes a first step of unifying initial setting work including at least one of account setting and parameter input procedure setting; a second step of applying a format conversion to connect to possible automated machine learning services; a third step in which internal and external data is collected; a fourth step of processing said collected data; a fifth step of preparing an automated machine learning service to be used; splitting the data processed in said fourth step into learning data and prediction data; preparing said learning data in said fifth step; and a sixth step of learning by an automatic machine learning service performed by.
また、上記課題を解決するために、第２の態様に係る情報処理装置は、アカウント設定、パラメータ入力手順設定のうち少なくともいずれかを含む初期設定作業を一元化することのできる一元化部と、インターネット上に存在し得る自動機械学習サービスへ接続するためのフォーマット変換を施すフォーマット変換部と、社内外のデータが収集されるデータ収集部と、前記収集されたデータを加工するデータ加工部と、使用されるべき自動機械学習サービスの準備を行う準備部と、前記データ加工部によって加工されたデータを学習データと予測データとに分割し、前記学習データを前記準備部によって準備が行われた自動機械学習サービスによって学習させる学習部とを具備することを特徴とする。 In order to solve the above problems, an information processing apparatus according to a second aspect includes a centralizing unit capable of centralizing initial setting work including at least one of account setting and parameter input procedure setting; A format conversion unit that performs format conversion for connecting to an automatic machine learning service that can exist in the a preparation unit that prepares for an automatic machine learning service to be performed, the data processed by the data processing unit is divided into learning data and prediction data, and the learning data is prepared by the preparation unit for automatic machine learning and a learning unit for learning by the service.
上記２つの態様によれば、深層学習をはじめとする機械学習技術の専門家でなくても、学習データを準備さえすれば学習モデルの選択及び／又は構築ができ、複数の学習モデルの結果から性能の比較ができ、複数の学習モデルから最適なものを選択でき、それを実業務に投入し、投入後の運用をサポートすることができることとなる。 According to the above two aspects, even if you are not an expert in machine learning technology such as deep learning, you can select and / or build a learning model as long as you prepare learning data, and from the results of a plurality of learning models Performance can be compared, the optimal model can be selected from multiple learning models, it can be applied to actual business operations, and operation after application can be supported.
第３の態様として、第２の態様において、前記収集され準備された入力データをインターネット上に存在する多くの自動機械学習サービスに応じた変換を行うようにしてもよい。この態様によれば、機械学習サービス毎に異なる入力データを準備するプロセスを省くことが可能となる。なお、この第３の態様は第１の態様に対して重畳的に用いることもできる。 As a third aspect, in the second aspect, the collected and prepared input data may be converted according to many automatic machine learning services existing on the Internet. According to this aspect, it is possible to omit the process of preparing different input data for each machine learning service. It should be noted that this third mode can also be used in a superimposed manner with respect to the first mode.
第４の態様として、第２の態様において、入力データの単純な形式変換、欠損データもしくは重複・不要データの処理を含むデータクレンジング、原データからの特徴量の抽出、統計的処理を含む前処理を適用して目的に適したデータへの変換、クエリを使用したデータ抽出もしくはデータ結合を含むデータ変換、のうちの少なくともいずれかを実行するようにしてもよい。この態様によれば、入力データの単純な形式変換、欠損データもしくは重複・不要データの処理を含むデータクレンジング、原データからの特徴量の抽出、統計的処理を含む前処理を適用して目的に適したデータへの変換、クエリを使用したデータ抽出もしくはデータ結合を含むデータ変換、を簡単な指示を与えることにより実行することが可能となる。なお、この第４の態様は第１の態様に対して重畳的に用いることもできる。 As a fourth aspect, in the second aspect, simple format conversion of input data, data cleansing including processing of missing data or redundant/unnecessary data, extraction of feature values from original data, preprocessing including statistical processing may be applied to perform data transformations including data extraction and/or data merging using queries and/or transformations into data suitable for the purpose. According to this aspect, simple format conversion of input data, data cleansing including processing of missing data or redundant/unnecessary data, extraction of feature values from original data, preprocessing including statistical processing are applied to achieve the purpose Data conversion, including conversion to suitable data, data extraction using queries, or data merging, can be performed by giving simple instructions. It should be noted that this fourth aspect can also be used in a superimposed manner with respect to the first aspect.
第５の態様として、第２の態様において、インターネット上に存在する複数の機械学習サービスあるいは機械学習モデルを一覧できる一覧部と、前記一覧部にて一覧される複数の機械学習サービスあるいは機械学習モデルのうちのいずれかへの接続が選択される選択部と、前記選択部によって選択されたことにより一括して複数の機械学習サービスあるいは機械学習モデルへのデータ投入、平行的実行、結果の取得及び比較、のうちの少なくともいずれかを実行する実行部とをさらに備えるようにしてもよい。なお、この第５の態様は第１の態様に対して重畳的に用いることもできる。 As a fifth aspect, in the second aspect, a list part that can list a plurality of machine learning services or machine learning models existing on the Internet, and a plurality of machine learning services or machine learning models listed in the list part A selection unit that selects connection to one of the above, and data input to a plurality of machine learning services or machine learning models collectively by being selected by the selection unit, parallel execution, acquisition of results, and and an execution unit that executes at least one of the comparison. It should be noted that this fifth mode can also be used in a superimposed manner with respect to the first mode.
第６の態様として、第２の態様において、前記学習部及び／もしくは前記準備部は、グラフィカル・ユーザー・インターフェース手段によって行われるようにしてもよい。この態様によれば、上記の機械学習サービスを選択することに加え、グラフィカル・ユーザー・インターフェースをベースにした手法でユーザー独自の機械学習モデルを構築することができ、及び／又は、公開情報として存在する機械学習モデルをインポートすることができる。なお、この第６の態様は第１の態様に対して重畳的に用いることもできる。 As a sixth aspect, in the second aspect, the learning section and/or the preparation section may be performed by graphical user interface means. According to this aspect, in addition to selecting the above machine learning service, the user can build his own machine learning model using a graphical user interface-based technique and/or exists as public information. You can import a machine learning model that It should be noted that this sixth aspect can also be used in a superimposed manner with respect to the first aspect.
第７の態様として、第２の態様において、前記学習部において前記加工されたデータが前記学習データと前記予測データとに分割されるにおいては、機械学習への入力データを学習用データと性能比較及び／又は予測データに分割されるようにしてもよい。この態様によれば、前記機械学習への入力データを学習用データと性能比較及び／又は予測データに分割して利用することができる。なお、この第７の態様は第１の態様に対して重畳的に用いることもできる。 As a seventh aspect, in the second aspect, when the processed data is divided into the learning data and the prediction data in the learning unit, the input data to machine learning is compared in performance with the learning data. and/or may be divided into prediction data. According to this aspect, input data to the machine learning can be divided into learning data and performance comparison and/or prediction data for use. It should be noted that this seventh mode can also be used in a superimposed manner with respect to the first mode.
第８の態様として、第２の態様において、同一入力データによって実行した複数の機械学習サービスあるいは機械学習モデルの性能を比較するための指標を提供する指標提供部をさらに備えるようにしてもよい。なお、この第８の態様は第１の態様に対して重畳的に用いることもできる。 As an eighth aspect, the second aspect may further include an index providing unit that provides an index for comparing the performance of a plurality of machine learning services or machine learning models executed with the same input data. It should be noted that this eighth mode can also be used in a superimposed manner with respect to the first mode.
第９の態様として、第８の態様において、前記指標として、決定係数、平均絶対誤差、平均二乗偏差、項目寄与度、モデルの予測と実際の比較、残差ヒストグラム、のうちの少なくともいずれかを含む機械学習サービスと機械学習モデルの性能の比較を行うための指標が提示されるようにしてもよい。なお、この第９の態様は第１の態様に対して第８の態様が重畳された態様に対して重畳的に用いることもできる。 As a ninth aspect, in the eighth aspect, at least one of the coefficient of determination, mean absolute error, mean square deviation, item contribution, model prediction and actual comparison, residual histogram, as the indicator A metric may be presented to compare the performance of the machine learning service and the machine learning model. It should be noted that the ninth mode can also be used in a superimposed manner with respect to the mode in which the eighth mode is superimposed on the first mode.
第１０の態様として、第２の態様において、複数の機械学習サービスと前記複数のうちのそれぞれの機械学習モデルの結果とから選択する選択部をさらに備えるようにしてもよい。この態様によれば、複数の機械学習サービスと前記複数のうちのそれぞれの機械学習モデルの結果とから最適なものが選択されて実業務への投入を行うことができる。なお、この第１０の態様は第１の態様に対して重畳的に用いることもできる。 As a tenth aspect, the second aspect may further include a selection unit that selects from a plurality of machine learning services and the result of each machine learning model out of the plurality. According to this aspect, the optimum one can be selected from a plurality of machine learning services and the results of the respective machine learning models out of the plurality and applied to actual business. It should be noted that this tenth aspect can also be used in a superimposed manner with respect to the first aspect.
第１１の態様として、第２の態様において、前記機械学習サービスと前記機械学習モデルの精度の維持及び／もしくは管理とを行うことのできる維持管理部をさらに備えるようにしてもよい。この態様によれば、実投入後に前記機械学習サービスと前記機械学習モデルの精度の維持及び／もしくは管理とを行うことのできる機能が提供される。
なお、この第１１の態様は第１の態様に対して重畳的に用いることもできる。
As an eleventh aspect, in the second aspect, a maintenance and management unit capable of maintaining and/or managing the accuracy of the machine learning service and the machine learning model may be further provided. According to this aspect, a function is provided that can maintain and/or manage the accuracy of the machine learning service and the machine learning model after actual launch.
It should be noted that the eleventh aspect can also be used in a superimposed manner with respect to the first aspect.
第１２の態様として、第２の態様において、前記データの収集・準備、複数の機械学習サービスと機械学習モデルの平行的実行、機械学習サービスと機械学習モデルの性能比較、実業務への投入の操作をパイプライン化するパイプライン部をさらに備えるようにしてもよい。この態様によれば、上記データの収集・準備、複数の機械学習サービスと機械学習モデルの平行的実行、機械学習サービスと機械学習モデルの性能比較、実業務への投入の操作がパイプライン化され、全体の見通しをよくすることができる。なお、この第１２の態様は第１の態様に対して重畳的に用いることもできる。 As a twelfth aspect, in the second aspect, collection and preparation of the data, parallel execution of multiple machine learning services and machine learning models, performance comparison of machine learning services and machine learning models, input to actual business A pipeline section that pipelines the operations may be further provided. According to this aspect, the operation of collecting and preparing the above data, parallel execution of a plurality of machine learning services and machine learning models, performance comparison of machine learning services and machine learning models, and input to actual work is pipelined. , can improve the overall outlook. The twelfth mode can also be used in a superimposed manner with respect to the first mode.
第１３の態様として、第１２の態様において、前記パイプライン化された処理の様々な中間段階で、必要に応じてユーザーが介入することを許容するユーザー介入部をさらに具備するようにしてもよい。この態様によれば、パイプライン化された処理の様々な中間段階で、必要に応じてユーザーが介入して詳細な設定や操作が行われてもよいこととなる。なお、この第１３の態様は第１の態様に対して第１２の態様が重畳された態様に対して重畳的に用いることもできる。 As a thirteenth aspect, the twelfth aspect may further include a user intervention unit that allows a user to intervene as necessary at various intermediate stages of the pipelined processing. . According to this aspect, the user may intervene as necessary to perform detailed settings and operations at various intermediate stages of the pipelined processing. The thirteenth mode can also be used in a superimposed manner with respect to the mode in which the twelfth mode is superimposed on the first mode.
第１４の態様として、第２の態様において、前記機械学習サービスあるいは前記機械学習モデルの処理結果を得るために、アプリケーションプログラムからアプリケーションプログラムインターフェースを介して前記データの要求が行われるデータ要求部をさらに具備するようにしてもよい。この態様によれば、実業務へ投入された機械学習サービスあるいは機械学習モデルの処理結果を得るために、アプリケーションプログラムからアプリケーションプログラムインターフェースを介して本発明システムに対してデータの要求が行われ、それぞれのアプリケーションプログラムで表示を含む処理がされてもよいこととなる。なお、この第１４の態様は第１の態様に対して重畳的に用いることもできる。 As a fourteenth aspect, in the second aspect, further comprising a data requesting unit for requesting the data from an application program via an application program interface in order to obtain the processing result of the machine learning service or the machine learning model It may be provided. According to this aspect, in order to obtain the processing results of a machine learning service or a machine learning model that has been put into actual business, an application program requests data from the system of the present invention via the application program interface. processing including display may be performed by the application program. It should be noted that the fourteenth aspect can also be used in a superimposed manner with respect to the first aspect.
第１５の態様として、第２の態様において、前記一元化部、前記フォーマット変換部、前記データ収集部、前記データ加工部、前記準備部、前記学習部、のうちの少なくともいずれかにおける画面がデータの収集と準備に係る画面、機械学習モデルの選択・構築・実行に係る画面、各学習モデルの性能比較に係る画面、機械学習モデルの選択を決定して実業務への導入する画面、の少なくともいずれかを含む画面遷移を有するようにしてもよい。この態様によれば、データの準備とアップロードから複数のＭＬ間の性能の比較と実業務への導入までの各ステップにおいて、複数の画面を用いてユーザーと情報がやり取りされるが、これらの画面がデータの収集と準備（前処理、アップロード等）に関わる画面、機械学習モデルの選択・構築・実行に関わる画面、（モデル構築、ＭＬの実行）、各学習モデルの性能比較に関する画面、そして機械学習モデルの選択を決定して実業務への導入する画面を含む画面遷移を有するから、画面遷移定義において学習プロセスが設計できることとなる。なお、この第１５の態様は第１の態様に対して重畳的に用いることもできる。 As a fifteenth aspect, in the second aspect, the screen in at least one of the unification unit, the format conversion unit, the data collection unit, the data processing unit, the preparation unit, and the learning unit is the data At least one of the screens related to collection and preparation, the screen related to selection/construction/execution of machine learning models, the screen related to performance comparison of each learning model, and the screen to decide the selection of machine learning models and introduce them to actual work. You may have a screen transition including. According to this aspect, information is exchanged with the user using a plurality of screens in each step from preparation and upload of data to comparison of performance between a plurality of MLs and introduction to actual work. is a screen related to data collection and preparation (preprocessing, upload, etc.), a screen related to selection, construction, and execution of machine learning models (model construction, ML execution), a screen related to performance comparison of each learning model, and a machine Since it has screen transitions including screens for determining the selection of learning models and introducing them to actual work, the learning process can be designed in the screen transition definition. The fifteenth aspect can also be used in a superimposed manner with respect to the first aspect.
また、上記課題を解決するために、第１６の態様に係るプログラムは、コンピュータを、専門家の介在無しに、収集された学習データをそれぞれの機械学習サービスや機械学習モデルに合致するように変換するデータ加工・変換部と、欠損データや重複・不要データの処理を含むデータクレンジング部と、原データからの特徴量の抽出を行う特徴量抽出部と、統計的処理を含む前処理を適用して目的に適したデータへの変換やクエリを使用したデータ抽出やデータ結合を含むデータ変換を行うデータ結合・分割部と、データの正規化・標準化を行う正規化・標準化部と、複数の機械学習サービスや機械学習モデルを選択するサービス・モデル選択部と、機械学習モデルを構築するためのノーコード開発部と、平行的に複数の機械学習サービスや機械学習モデルを実行するシミュレーション部と、結果を表示し比較するモデル評価部と、最適な機械学習サービスあるいは機械学習モデルを選択するモデル選択部と、選択モデルを実業務へ投入し運用する投入・運用部と、上記一連の各部の機能をサポートするサポート部と、として機能させることを特徴とする。 Further, in order to solve the above problems, a program according to a sixteenth aspect causes a computer to convert collected learning data to match each machine learning service or machine learning model without intervention of an expert. a data cleansing unit that processes missing, redundant, and unnecessary data; a feature value extraction unit that extracts feature values from the original data; and preprocessing including statistical processing. A data combining/splitting unit that converts data into data suitable for the purpose using queries, data extraction and data conversion using queries, a normalization/standardization unit that normalizes and standardizes data, and multiple machines A service model selection section that selects learning services and machine learning models, a no-code development section for building machine learning models, a simulation section that executes multiple machine learning services and machine learning models in parallel, and results A model evaluation section that displays and compares, a model selection section that selects the optimal machine learning service or machine learning model, and an input/operation section that puts the selected model into actual business and operates it. It is characterized by functioning as a support part that supports.
上記態様によれば、専門家の介在無しに、収集された学習データをそれぞれの機械学習サービスや機械学習モデルに合致するように変換するデータ加工・変換部、欠損データや重複・不要データの処理を含むデータクレンジング部、原データからの特徴量の抽出を行う特徴量抽出部、統計的処理を含む前処理を適用して目的に適したデータへの変換やクエリを使用したデータ抽出やデータ結合を含むデータ変換を行うデータ結合・分割部、データの正規化・標準化を行う正規化・標準化部、複数の機械学習サービスや機械学習モデルを選択するサービス・モデル選択部、プログラミングをすることなしに独自の機械学習モデルを構築するノーコード開発部、平行的に複数の機械学習サービスや機械学習モデルを実行するシミュレーション部、結果を表示し比較するモデル評価部、最適な機械学習サービスあるいは機械学習モデルを選択するモデル選択部、選択モデルを実業務へ投入し運用する投入・運用部、及びこれら一連をサポートするサポート部、として機能することが可能となる。 According to the above aspect, the data processing/converting unit converts the collected learning data so as to match each machine learning service or machine learning model without the intervention of an expert, and the processing of missing data, duplicated/unnecessary data, etc. a data cleansing unit including a data cleansing unit, a feature extraction unit that extracts feature values from the original data, a conversion to data suitable for the purpose by applying preprocessing including statistical processing, and data extraction and data combination using queries Data joining/splitting part that performs data transformation including normalization/standardization part that normalizes/standardizes data Service/model selection part that selects multiple machine learning services and machine learning models, without programming A no-code development department that builds its own machine learning model, a simulation department that runs multiple machine learning services and machine learning models in parallel, a model evaluation department that displays and compares results, and an optimal machine learning service or machine learning model. can function as a model selection unit that selects a model, an input/operation unit that inputs the selected model into actual work and operates it, and a support unit that supports a series of these.
第１７の態様として、第１６の態様に係るプログラムが記憶された記録媒体として実現することもできる。 A seventeenth aspect can also be implemented as a recording medium storing the program according to the sixteenth aspect.
最後に、本開示に係る種々の実施形態を説明したが、これらは、例として提示したものであり、発明の範囲を限定することは意図していない。当該新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。当該実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。 Finally, while various embodiments of the present disclosure have been described, they have been presented by way of example and are not intended to limit the scope of the invention. The novel embodiment can be embodied in various other forms, and various omissions, replacements, and modifications can be made without departing from the scope of the invention. The embodiment and its modifications are included in the scope and gist of the invention, and are included in the scope of the invention described in the claims and equivalents thereof.
１ ：情報処理システム
２ ：情報処理装置
３ ：ユーザ端末
１３ ：学習画面
１４ ：運用画面
２０ ：通信バス
２１ ：通信部
２２ ：記憶部
２３ ：制御部
３０ ：通信バス
３１ ：通信部
３２ ：記憶部
３３ ：制御部
３４ ：表示部
３５ ：入力部
１３２ ：入力領域
１３３ ：学習領域
１３４ ：結果領域
１４０ ：ジョブ領域
１４１ ：第１のジョブ領域
１４２ ：第２のジョブ領域
１４３ ：第３のジョブ領域
１４４ ：第４のジョブ領域
１４５ ：第５のジョブ領域
１４６ ：第６のジョブ領域
１４７ ：第２の切替領域
１５１ ：パイプライン指定領域
２３１ ：受付部
２３２ ：変換処理部
２３３ ：生成部
１３２０ ：入力内部領域
１３２１ ：受付領域
１３２２ ：変換処理指定領域
１３２３ ：入力データ出力領域
１３３０ ：学習内部領域
１３３１ ：指定領域
１３３２ ：予測設定領域
１３３３ ：モデル情報表示領域
１３３４ ：第１の切替領域
１３４０ ：結果内部領域
１３４１ ：出力表示領域
１３４２ ：出力処理指定領域
１３４３ ：出力処理領域
Ａ００１ ：アクティビティ
Ａ００２ ：アクティビティ
Ａ００３ ：アクティビティ
Ａ００４ ：アクティビティ
Ａ００５ ：アクティビティ
Ａ００６ ：アクティビティ
Ａ００７ ：アクティビティ
Ａ００８ ：アクティビティ
Ａ００９ ：アクティビティ
Ａ０１０ ：アクティビティ
Ａ１０１ ：アクティビティ
Ａ１０２ ：アクティビティ
Ａ１０３ ：アクティビティ
ＤＢ１ ：データベース
ＥＣ１ ：第１の外部コネクタ
ＥＣ２ ：第２の外部コネクタ
Ｆ１ ：フローコネクタ
ＩＣ１ ：第１の内部コネクタ
ＩＣ２ ：第２の内部コネクタ
ＩＣ３ ：第３の内部コネクタ
Ｎ１ ：第１の指数表示領域
Ｎ２ ：第２の指数表示領域
Ｎ３ ：第３の指数表示領域
Ｏｐ１ ：第１の切替操作
Ｏｐ２ ：第２の切替操作
ＰＬ ：パイプライン
ＲＰ１ ：レポジトリ表示領域
Ｗ１ ：設定実行ラベル
1 : Information processing system 2 : Information processing device 3 : User terminal 13 : Learning screen 14 : Operation screen 20 : Communication bus 21 : Communication unit 22 : Storage unit 23 : Control unit 30 : Communication bus 31 : Communication unit 32 : Storage unit 33 : control unit 34 : display unit 35 : input unit 132 : input area 133 : learning area 134 : result area 140 : job area 141 : first job area 142 : second job area 143 : third job area 144 : fourth job area 145 : fifth job area 146 : sixth job area 147 : second switching area 151 : pipeline designation area 231 : reception unit 232 : conversion processing unit 233 : generation unit 1320 : input internal Area 1321 : Reception area 1322 : Conversion process designation area 1323 : Input data output area 1330 : Learning internal area 1331 : Designation area 1332 : Prediction setting area 1333 : Model information display area 1334 : First switching area 1340 : Result internal area 1341 : Output display area 1342 : Output processing designation area 1343 : Output processing area A001 : Activity A002 : Activity A003 : Activity A004 : Activity A005 : Activity A006 : Activity A007 : Activity A008 : Activity A009 : Activity A010 : Activity A101 : Activity A102 : Activity A103: Activity DB1: Database EC1: First external connector EC2: Second external connector F1: Flow connector IC1: First internal connector IC2: Second internal connector IC3: Third internal connector N1: First index display area N2: second index display area N3: third index display area Op1: first switching operation Op2: second switching operation PL: pipeline RP1: repository display area W1: setting execution label
Claims (11)
制御部を備え、
前記制御部は、次の各ステップを実行するように構成され、
第１の生成ステップでは、入力データに関するデータ情報を提示可能な入力領域と、前記入力データを用いた学習モデルの学習条件を設定可能な学習領域と、前記入力領域と前記学習領域とを対応付ける第１の外部コネクタと、を含む学習画面を生成する、もの。 An information processing system,
Equipped with a control unit,
The control unit is configured to perform the following steps,
In the first generation step, an input area capable of presenting data information about input data, a learning area capable of setting learning conditions for a learning model using the input data, and a first generating step for associating the input area with the learning area. 1 external connector; and to generate a learning screen containing.
前記入力領域は、複数の入力内部領域と、前記入力内部領域の間を接続する第１の内部コネクタと、を含み、
前記入力内部領域のそれぞれは、前記入力データに対する操作の単位を示す、もの。 In the information processing system according to claim 1,
the input areas include a plurality of input internal areas and a first internal connector connecting between the input internal areas;
Each of the input internal regions indicates a unit of operation on the input data.
前記入力内部領域の１つは、少なくともユーザからの前記入力データの入力を受付可能な受付領域を含む、もの。 In the information processing system according to claim 2,
One of the input internal areas includes at least a receiving area capable of receiving input of the input data from a user.
前記学習領域は、複数の学習内部領域と、前記学習内部領域の間を接続する第２の内部コネクタと、を含み、
前記学習内部領域のそれぞれは、前記学習条件の設定の単位を示す、もの。 In the information processing system according to any one of claims 1 to 3,
the learning area includes a plurality of internal learning areas and a second internal connector connecting between the internal learning areas;
Each of the learning inner areas indicates a unit for setting the learning condition.
前記学習内部領域の１つは、少なくとも前記学習モデルへの前記入力データの入力態様を指定可能な指定領域を含む、もの。 In the information processing system according to claim 4,
One of the learning internal regions includes at least a designated region capable of designating an input mode of the input data to the learning model.
前記学習画面は、前記入力データを用いた前記学習モデルの出力に関する結果情報を表す結果領域と、前記学習領域と前記結果領域とを対応付ける第２の外部コネクタと、を含む、もの。 In the information processing system according to any one of claims 1 to 5,
The learning screen includes a result area representing result information regarding the output of the learning model using the input data, and a second external connector that associates the learning area and the result area.
さらに、第２の生成ステップでは、切替領域に対するユーザの切替操作に応じて運用画面を生成し、ここで、前記運用画面には、前記学習モデルのデータフローを示すパイプラインが表示される、もの。 In the information processing system according to any one of claims 1 to 6,
Furthermore, in the second generation step, an operation screen is generated in response to a user's switching operation on the switching area, and a pipeline indicating a data flow of the learning model is displayed on the operation screen. .
異なる複数の前記入力データを用いて前記学習モデルの再学習が行われる場合、前記パイプラインは、当該入力データごとに生成される前記学習モデルごとに表示される、もの。 In the information processing system according to claim 7,
When the learning model is retrained using a plurality of different input data, the pipeline is displayed for each learning model generated for each input data.
前記パイプラインは、前記学習モデルの特徴量に応じてクラスタリングされる前記学習モデルごとに表示される、もの。 In the information processing system according to claim 7 or claim 8,
The pipeline is displayed for each learning model clustered according to the feature amount of the learning model.
請求項１～請求項９の何れか１つに記載の情報処理システムの各ステップを含む、方法。 An information processing method,
A method comprising the steps of an information processing system according to any one of claims 1-9.
コンピュータに、請求項１～請求項９の何れか１つに記載の情報処理システムの各ステップを実行させる、もの。 An information processing program,
A computer that executes each step of the information processing system according to any one of claims 1 to 9.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021192392 | 2021-11-26 | ||
| JP2021192392 | 2021-11-26 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2023079140A true JP2023079140A (en) | 2023-06-07 |
Family
ID=84387512
Family Applications (5)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022037738A Active JP7186411B1 (en) | 2021-11-26 | 2022-03-11 | Information processing system, information processing method and information processing program |
| JP2022037737A Active JP7185888B1 (en) | 2021-11-26 | 2022-03-11 | Information processing system, information processing method and information processing program |
| JP2022047078A Pending JP2023079140A (en) | 2021-11-26 | 2022-03-23 | Information processing system, information processing method and information processing program |
| JP2022184028A Pending JP2023079181A (en) | 2021-11-26 | 2022-11-17 | Information processing system, information processing method and information processing program |
| JP2022184750A Pending JP2023079183A (en) | 2021-11-26 | 2022-11-18 | Information processing system, information processing method and information processing program |
Family Applications Before (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022037738A Active JP7186411B1 (en) | 2021-11-26 | 2022-03-11 | Information processing system, information processing method and information processing program |
| JP2022037737A Active JP7185888B1 (en) | 2021-11-26 | 2022-03-11 | Information processing system, information processing method and information processing program |
Family Applications After (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022184028A Pending JP2023079181A (en) | 2021-11-26 | 2022-11-17 | Information processing system, information processing method and information processing program |
| JP2022184750A Pending JP2023079183A (en) | 2021-11-26 | 2022-11-18 | Information processing system, information processing method and information processing program |
Country Status (1)
| Country | Link |
|---|---|
| JP (5) | JP7186411B1 (en) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006170855A (en) * | 2004-12-16 | 2006-06-29 | Fuji Photo Film Co Ltd | World timepiece, and method of setting time of world timepiece |
| JP6007430B2 (en) * | 2015-05-20 | 2016-10-12 | 大澤 昇平 | Machine learning model design support device, machine learning model design support method, program for machine learning model design support device |
| WO2020158217A1 (en) * | 2019-02-01 | 2020-08-06 | ソニー株式会社 | Information processing device, information processing method, and information processing program |
| WO2020157799A1 (en) * | 2019-01-28 | 2020-08-06 | 三菱電機株式会社 | Development assistance device, development assistance system, and development assistance method |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000029198A (en) * | 1998-07-10 | 2000-01-28 | D S Giken:Kk | Color proof device, image processor and recording medium |
| JP2001100754A (en) * | 1999-09-28 | 2001-04-13 | Sharp Corp | Method and device for data processing and computer readable recording medium stored with data processing program |
| JP2015219617A (en) * | 2014-05-15 | 2015-12-07 | 日本光電工業株式会社 | Disease analysis device, disease analysis method, and program |
| JP2017058848A (en) * | 2015-09-15 | 2017-03-23 | 日本電気株式会社 | Information processing system, information processing method, and program |
| JP7028075B2 (en) * | 2018-06-12 | 2022-03-02 | オムロン株式会社 | Image processing equipment, image processing method, image sensor |
| JP7049210B2 (en) * | 2018-08-07 | 2022-04-06 | 株式会社キーエンス | Data analyzer and data analysis method |
-
2022
- 2022-03-11 JP JP2022037738A patent/JP7186411B1/en active Active
- 2022-03-11 JP JP2022037737A patent/JP7185888B1/en active Active
- 2022-03-23 JP JP2022047078A patent/JP2023079140A/en active Pending
- 2022-11-17 JP JP2022184028A patent/JP2023079181A/en active Pending
- 2022-11-18 JP JP2022184750A patent/JP2023079183A/en active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006170855A (en) * | 2004-12-16 | 2006-06-29 | Fuji Photo Film Co Ltd | World timepiece, and method of setting time of world timepiece |
| JP6007430B2 (en) * | 2015-05-20 | 2016-10-12 | 大澤 昇平 | Machine learning model design support device, machine learning model design support method, program for machine learning model design support device |
| WO2020157799A1 (en) * | 2019-01-28 | 2020-08-06 | 三菱電機株式会社 | Development assistance device, development assistance system, and development assistance method |
| WO2020158217A1 (en) * | 2019-02-01 | 2020-08-06 | ソニー株式会社 | Information processing device, information processing method, and information processing program |
Non-Patent Citations (1)
| Title |
|---|
| 川嶋 宏彰: "機械学習ことはじめ", シェルスクリプトマガジン ２０２１ ＪＵＮＥ, vol. 72, JPN6022048369, 25 May 2021 (2021-05-25), JP, pages 42 - 51, ISSN: 0005049712 * |
Also Published As
| Publication number | Publication date |
|---|---|
| JP7185888B1 (en) | 2022-12-08 |
| JP7186411B1 (en) | 2022-12-09 |
| JP2023079138A (en) | 2023-06-07 |
| JP2023079183A (en) | 2023-06-07 |
| JP2023079137A (en) | 2023-06-07 |
| JP2023079181A (en) | 2023-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11544604B2 (en) | Adaptive model insights visualization engine for complex machine learning models | |
| US20170017903A1 (en) | User Interface for a Unified Data Science Platform Including Management of Models, Experiments, Data Sets, Projects, Actions, Reports and Features | |
| US20160232457A1 (en) | User Interface for Unified Data Science Platform Including Management of Models, Experiments, Data Sets, Projects, Actions and Features | |
| JP2020515963A (en) | Autonomous generation design synthesis system using data from design tools and knowledge from digital twin graph | |
| US11861469B2 (en) | Code generation for Auto-AI | |
| US20100241244A1 (en) | Natively retaining project documentation in a controller | |
| CN114365079A (en) | Performance based system configuration as a pre-processing of system performance simulation | |
| JPWO2018079225A1 (en) | Automatic prediction system, automatic prediction method, and automatic prediction program | |
| CN117389541B (en) | Configuration system and device for generating template based on dialogue retrieval | |
| CN114341795A (en) | Conversation design robot for system design | |
| US20140310306A1 (en) | System And Method For Pattern Recognition And User Interaction | |
| US20240061653A1 (en) | Collaborative industrial integrated development and execution environment | |
| CN117688632A (en) | AIGC-based intelligent three-dimensional modeling method in SolidWorks | |
| US20230244218A1 (en) | Data Extraction in Industrial Automation Systems | |
| US20230409956A1 (en) | Machine learning prediction of additional steps of a computerized workflow | |
| JP2023079140A (en) | Information processing system, information processing method and information processing program | |
| JP6854982B1 (en) | Programming support program, programming support device and programming support method | |
| JP2023079180A (en) | Information processing system, information processing method and information processing program | |
| JP2023002103A (en) | Model inference device, method, and program | |
| JP2021002126A (en) | Design support device, design support method and design support program | |
| US20230350647A1 (en) | Programming Aiding Apparatus and Programming Aiding Method | |
| EP4283546A1 (en) | Machine learning prediction of additional steps of a computerized workflow | |
| US20230306349A1 (en) | Benchmarking processes of an organization to standardized processes | |
| Dion | Designing an Interactive Interface for FACET: Personalized Explanations in XAI | |
| JP2024016001A (en) | Material selection for designing manufactured products |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220323 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20220323 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220628 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220815 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221115 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20230502 |