JP2023131769A - Data generation method, system or device, public evaluation prediction ai model training method, trained model, or public evaluation prediction ai system, program or computing device - Google Patents
Data generation method, system or device, public evaluation prediction ai model training method, trained model, or public evaluation prediction ai system, program or computing device Download PDFInfo
- Publication number
- JP2023131769A JP2023131769A JP2022036716A JP2022036716A JP2023131769A JP 2023131769 A JP2023131769 A JP 2023131769A JP 2022036716 A JP2022036716 A JP 2022036716A JP 2022036716 A JP2022036716 A JP 2022036716A JP 2023131769 A JP2023131769 A JP 2023131769A
- Authority
- JP
- Japan
- Prior art keywords
- evaluation
- public
- evaluation results
- prediction
- input
- 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.)
- Granted
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 317
- 238000000034 method Methods 0.000 title claims abstract description 100
- 238000012549 training Methods 0.000 title claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 230000001815 facial effect Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 13
- 238000010801 machine learning Methods 0.000 description 8
- 238000013136 deep learning model Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 239000010979 ruby Substances 0.000 description 3
- 229910001750 ruby Inorganic materials 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 239000002537 cosmetic Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 235000012489 doughnuts Nutrition 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- ZLIBICFPKPWGIZ-UHFFFAOYSA-N pyrimethanil Chemical compound CC1=CC(C)=NC(NC=2C=CC=CC=2)=N1 ZLIBICFPKPWGIZ-UHFFFAOYSA-N 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000037303 wrinkles Effects 0.000 description 1
Images
Abstract
Description
本発明はデータ生成方法、システム、または装置および大衆評価予測ＡＩモデル訓練方法、学習済みモデル、あるいは、大衆評価予測ＡＩシステム、プログラム、またはコンピューティングデバイスに関する。 The present invention relates to a data generation method, system, or device, and a public evaluation prediction AI model training method, trained model, or public evaluation prediction AI system, program, or computing device.
ディープラーニングを含めたＡＩを活用したデータ解析が盛んになっている。そのデータはどのようなデータ（ｗｈａｔ ｋｉｎｄ）を、どこで（ｗｈｅｒｅ）、どのように（ｈｏｗ）に、どれだけ（ｈｏｗ ｍａｎｙ）集め、そして得られたデータをどのように（ｈｏｗ ｔｏ）使用して解析するのかが重要である（非特許文献１）。 Data analysis using AI, including deep learning, is becoming popular. What kind of data is collected, where is it, how is it collected, and how is it used? What is important is how it is analyzed (Non-Patent Document 1).
データ収集に関しては、例えば、特許文献1の請求項1には、「機械学習の教師データを収集するデータ収集プログラムであって、コンクリート構造物の表面の所定範囲における外観症状の評価の入力を受け付け、前記入力を受け付けた後に撮像された前記所定範囲の画像を取得し、前記評価と前記画像とを対応付けて教師データとする、処理をコンピュータに実行させるためのデータ収集プログラム」が記載されている。また、例えば、特許文献2の請求項9には、「特定の経路制御プロトコルに基づいた経路制御が行われる通信ネットワークから学習用経路情報を収集するデータ収集ステップと、学習用経路情報の画像化を行う画像化ステップと、を含み、画像化された学習用経路情報と当該学習用経路情報が異常経路を含むか否かを示す教師データとを、前記通信ネットワークから収集された判定対象の経路情報が異常経路を含むか否かを判定するためのモデルを生成するために所定の機械学習モデルを学習させる学習データに使用する、学習データ生成方法。」が記載されている。 Regarding data collection, for example, claim 1 of Patent Document 1 states, ``A data collection program for collecting training data for machine learning, which accepts input of evaluation of appearance symptoms in a predetermined range of the surface of a concrete structure. , a data collection program for causing a computer to execute a process of acquiring an image of the predetermined range captured after receiving the input, and associating the evaluation with the image as training data. There is. Furthermore, for example, claim 9 of Patent Document 2 states, ``a data collection step of collecting learning route information from a communication network in which route control is performed based on a specific route control protocol; and imaging of the learning route information. an imaging step of performing a step of converting the imaged learning route information and teacher data indicating whether or not the learning route information includes an abnormal route into the route to be determined collected from the communication network. A learning data generation method that is used for training data for training a predetermined machine learning model in order to generate a model for determining whether information includes an abnormal path.
しかしながら、非特許文献１、特許文献１及び２では、一般大衆の平均的な評価を効率的に収集する方法は開示されていない。 However, Non-Patent Document 1 and Patent Documents 1 and 2 do not disclose a method for efficiently collecting average evaluations from the general public.
本発明は、例えば、効率的な大衆評価予測データの生成方法、大衆評価予測ＡＩモデルの訓練方法、大衆評価予測を行うシステム等を提供することを目的とする。 The present invention aims to provide, for example, a method for efficiently generating public evaluation prediction data, a method for training a public evaluation prediction AI model, a system for predicting public evaluation, and the like.
上記の目的を達成するために、本発明は、以下の（１）～（２３）を提供する。 In order to achieve the above object, the present invention provides the following (1) to (23).
本発明の第一観点では、以下の（１）～（９）のデータ生成方法が提供される。
（１）データ生成方法であって、
コンピュータが、複数人によって入力部に入力された対象の評価結果をデータベースに送信する送信工程と、
前記評価結果のうち、前記複数人の各人の評価結果を比較したときに最も多く一致した評価結果を最頻の評価結果として特定する処理を行う処理工程と、
前記最頻の評価結果をデータベースに保存する保存工程と、を含むデータ生成方法。
（２）コンピュータが、対象の情報と、対象の評価の選択肢とを提供する提供工程、をさらに含む（１）に記載の方法。
（３）前記評価結果は、前記複数人の各人が一般大衆の評価結果であると予想する評価結果である、（１）または（２）に記載の方法。
（４）前記最頻の評価結果を大衆評価としてデータベースに登録する登録工程をさらに含む、（１）～（３）のいずれか一項に記載の方法。
（５）前記入力部はウェブサイトであり、前記ウェブサイトで懸賞付きコンテストが実施され、前記複数人は複数応募者である、（１）～（４）のいずれか一項に記載の方法。
（６）前記最頻の評価結果に一致する評価結果を最も多く入力した前記応募者に前記懸賞が付与される付与工程をさらに含む、（５）に記載の方法。
（７）前記懸賞が電子マネーである、（５）または（６）に記載の方法。
（８）前記対象が顔年齢または肌年齢である、（１）～（７）のいずれか一項に記載の方法。
（９）ＡＩモデルの教師データを生成する、（１）～（８）のいずれか一項に記載の方法。
In a first aspect of the present invention, the following data generation methods (1) to (9) are provided.
(1) A data generation method,
a sending step in which the computer sends the evaluation results of the object input into the input section by multiple people to the database;
Among the evaluation results, a processing step of identifying the evaluation result that matches the most when comparing the evaluation results of each of the plurality of people as the most frequent evaluation result;
A data generation method comprising: a storage step of storing the most frequent evaluation results in a database.
(2) The method according to (1), further comprising a providing step in which the computer provides target information and target evaluation options.
(3) The method according to (1) or (2), wherein the evaluation results are evaluation results that each of the plurality of people expects to be the evaluation results of the general public.
(4) The method according to any one of (1) to (3), further comprising a registration step of registering the most frequent evaluation result in a database as a popular evaluation.
(5) The method according to any one of (1) to (4), wherein the input unit is a website, a contest with prizes is held on the website, and the plurality of people are multiple applicants.
(6) The method according to (5), further comprising a granting step in which the prize is awarded to the applicant who has input the most evaluation results that match the most frequent evaluation result.
(7) The method according to (5) or (6), wherein the prize is electronic money.
(8) The method according to any one of (1) to (7), wherein the target is facial age or skin age.
(9) The method according to any one of (1) to (8), which generates training data for an AI model.
本発明の第二の観点では、以下の（１０）のデータ生成システムが提供される。 In a second aspect of the present invention, the following data generation system (10) is provided.
（１０）コンピュータが、複数人によって入力部に入力された対象の評価結果をデータベースに送信する送信部と、
前記評価結果のうち、前記複数人の各人の評価結果を比較したときに最も多く一致した評価結果を最頻の評価結果として特定する処理を行う処理部と、
前記最頻の評価結果をデータベースに保存する保存部と、を含むデータ生成システム。
(10) a transmitting unit in which the computer transmits the evaluation results of the object input into the input unit by multiple people to the database;
A processing unit that performs a process of identifying the evaluation result that matches the most when comparing the evaluation results of each of the plurality of evaluation results as the most frequent evaluation result;
A data generation system comprising: a storage unit that stores the most frequent evaluation results in a database.
本発明の第三の観点では、以下の（１１）のデータ生成装置が提供される。 In a third aspect of the present invention, the following data generation device (11) is provided.
（１１）コンピュータが、複数人によって入力部に入力された対象の評価結果をデータベースに送信する送信部と、
前記評価結果のうち、前記複数人の各人の評価結果を比較したときに最も多く一致した評価結果を最頻の評価結果として特定する処理を行う処理部と、
前記最頻の評価結果をデータベースに保存する保存部と、を含むデータ生成装置。
(11) a transmitting unit in which the computer transmits the evaluation results of the object input into the input unit by multiple people to the database;
A processing unit that performs a process of identifying the evaluation result that matches the most when comparing the evaluation results of each of the plurality of evaluation results as the most frequent evaluation result;
A data generation device including: a storage unit that stores the most frequent evaluation results in a database.
本発明の第四の観点では、以下の（１２）～（１４）のＡＩモデル訓練方法が提供される。
（１２）ＡＩモデル訓練方法であって、
（１）～（１１）のいずれか一項の方法、システム、または装置によって生成された前記最頻の評価結果のデータを利用して、前記対象に対する大衆評価予測ＡＩモデルを訓練する工程、を含むＡＩモデル訓練方法。
（１３）前記複数人の特性別に前記大衆評価予測ＡＩモデルを訓練する、（１２）に記載の方法。
（１４）前記特性が性別および／または年齢層である、（１３）に記載の方法。
In a fourth aspect of the present invention, the following AI model training methods (12) to (14) are provided.
(12) An AI model training method, comprising:
(1) training a public evaluation prediction AI model for the target using the most frequent evaluation result data generated by the method, system, or device according to any one of (1) to (11); AI model training methods including.
(13) The method according to (12), wherein the public evaluation prediction AI model is trained for each of the characteristics of the plurality of people.
(14) The method according to (13), wherein the characteristics are gender and/or age group.
本発明の第五の観点は、以下の（１５）～（１７）の学習済みモデルを提供する。
（１５）対象のデータを入力する入力層と、
ニューラルネットワークからなり入力データを処理する中間層と、
前記対象に対する大衆評価を出力する出力層と、を含み、
（１２）～（１４）のいずれか一項に記載の方法により訓練された学習済み大衆評価予測ＡＩモデル。
（１６）入力された前記対象のデータに対応する大衆評価を出力するよう、コンピュータを機能させるための、（１５）に記載の学習済み大衆評価予測ＡＩモデル。
（１７）前記対象のデータは肌画像であり、前記大衆評価は肌年齢である、（１５）又は（１６）に記載の学習済み大衆評価予測ＡＩモデル。
A fifth aspect of the present invention provides trained models (15) to (17) below.
(15) an input layer for inputting target data;
a middle layer consisting of a neural network and processing input data;
an output layer that outputs public evaluation of the object,
A trained public evaluation prediction AI model trained by the method described in any one of (12) to (14).
(16) The trained public evaluation prediction AI model according to (15), for causing a computer to function so as to output a public evaluation corresponding to the input target data.
(17) The trained public evaluation prediction AI model according to (15) or (16), wherein the target data is a skin image, and the public evaluation is skin age.
本発明の第六～八の観点は、それぞれ、
（１８）（１５）に記載の学習済み大衆評価予測ＡＩモデルと、
ユーザーの有する対象のデータを入力する入力部と、
前記対象のデータに対する大衆評価を予測する予測部と、
前記予測をユーザーに表示する出力部と、を含む大衆評価予測ＡＩシステム；
（１９）（１５）に記載の学習済み大衆評価予測ＡＩモデルと、
ユーザーの有する対象のデータを入力する入力部と、
前記対象のデータに対する大衆評価を予測する予測部と、
前記予測をユーザーに表示する出力部と、を含むプログラム；
（２０）（１５）に記載の学習済み大衆評価予測ＡＩモデルと、
ユーザーの有する対象のデータを入力する入力部と、
前記対象のデータに対する大衆評価を予測する予測部と、
前記予測をユーザーに表示する出力部と、を含むコンピューティングデバイス、である。
The sixth to eighth aspects of the present invention are, respectively,
(18) the trained public evaluation prediction AI model described in (15);
an input section for inputting target data possessed by the user;
a prediction unit that predicts public evaluation of the target data;
an output unit that displays the prediction to a user; a public evaluation prediction AI system;
(19) the trained public evaluation prediction AI model described in (15);
an input section for inputting target data possessed by the user;
a prediction unit that predicts public evaluation of the target data;
an output unit that displays the prediction to a user;
(20) the trained public evaluation prediction AI model described in (15);
an input section for inputting target data possessed by the user;
a prediction unit that predicts public evaluation of the target data;
and an output for displaying the prediction to a user.
本発明の第九～十一の観点は、以下の（２１）～（２３）の方法、システム、または装置を提供する。 The ninth to eleventh aspects of the present invention provide the following methods, systems, or devices (21) to (23).
（２１）コンピュータが、複数人によって入力部に入力された対象の評価結果をデータベースに送信する送信工程と、
コンピュータが、最頻の評価結果に一致する評価結果を最も多く入力した人の端末に懸賞を獲得したことを表示する表示工程と、
を含む方法。
（２２）コンピュータが、複数人によって入力部に入力された対象の評価結果をデータベースに送信する送信部と、
コンピュータが、最頻の評価結果に一致する評価結果を最も多く入力した人の端末に懸賞を獲得したことを表示する表示部と、
を含むシステム。
（２３）コンピュータが、複数人によって入力部に入力された対象の評価結果をデータベースに送信する送信部と、
コンピュータが、最頻の評価結果に一致する評価結果を最も多く入力した人の端末に懸賞を獲得したことを表示する表示部と、
を含む装置。
(21) a sending step in which the computer sends the evaluation results of the object input into the input unit by multiple people to the database;
a display step in which the computer displays on the terminal of the person who inputs the most evaluation results that match the most frequent evaluation results that the prize has been won;
method including.
(22) a transmitting unit in which the computer transmits the evaluation results of the object input into the input unit by multiple people to the database;
a display section where the computer displays on the terminal of the person who inputs the most evaluation results that match the most frequent evaluation results that the prize has been won;
system containing.
(23) a transmitting unit in which the computer transmits the evaluation results of the object input into the input unit by multiple people to the database;
a display section where the computer displays on the terminal of the person who inputs the most evaluation results that match the most frequent evaluation results that the prize has been won;
equipment containing.
本発明の一態様によれば、大衆評価データを効率的に集めて、大衆評価予測ＡＩモデルを訓練することができるという効果が生じる。 According to one aspect of the present invention, it is possible to efficiently collect public evaluation data and train a public evaluation prediction AI model.
以下、本発明の実施の形態について、図面を参照して詳細に説明する。 Embodiments of the present invention will be described in detail below with reference to the drawings.
用語と定義
本明細書中では、「ウェブサイト」とは、Ｗｏｒｌｄ Ｗｉｄｅ Ｗｅｂ（ＷＷＷ）（ワールドワイドウェブ）上にあり、一般に特定のドメイン名の下にある複数のウェブページの集まりをいう。単にサイトと呼ばれることもある。但し、ＳＰＡ（Ｓｉｎｇｌｅ Ｐａｇｅ Ａｐｐｌｉｃａｔｉｏｎ）としてもデプロイ可能である。インターネット上で閲覧、操作等が可能なサイトであれば、特に限定はされない。また、本明細書中では、アプリ（例、Ｗｅｂアプリやネーティブアプリを含む）もウェブサイトに含まれる。
Terms and Definitions As used herein, "website" refers to a collection of web pages on the World Wide Web (WWW), generally under a particular domain name. Sometimes simply called a site. However, it can also be deployed as a SPA (Single Page Application). There are no particular limitations as long as the site can be viewed, operated, etc. on the Internet. Further, in this specification, applications (eg, including web applications and native applications) are also included in websites.
本明細書中では、「懸賞付きコンテスト」は、好ましくはウェブサイト上で行われるコンテスト（コンペティション、プライズと呼ばれることもある）であってもよく、懸賞（例、現金、電子マネー、Ａｍａｚｏｎギフト券、クーポン、景品、商品、サービス）が付されたものである。コンテストは、勝利または賞を目ざしての競争、競技、競演、コンクールとも称されるが、特に限定はされない。複数人の各人の評価結果を比較したときに最も多く一致した評価結果を最頻の評価結果として精度は計算可能でもある。本明細書中では、コンテストは結果に応じて順位が決まる。前記最頻の評価結果に一致する評価結果を最も多く入力した応募者（評価者）が懸賞金を得られるようにコンピュータを使用して処理されてもよい。その評価結果をコンピュータによりポイント化して処理することにより実行される場合がある。応募者がモチベーション（例、金銭的利益）を持つ条件下で実施されることが好ましい。 In this specification, a "contest with a prize" may be a contest (sometimes referred to as a competition or a prize) that is preferably held on a website, and may include a prize (e.g., cash, electronic money, Amazon gift certificate). , coupons, prizes, products, services). A contest may also be referred to as a competition, competition, contest, or competition aimed at winning or a prize, but is not particularly limited. It is also possible to calculate accuracy by using the most common evaluation result when comparing the evaluation results of multiple people as the most frequent evaluation result. In this specification, contests are ranked according to their results. The process may be performed using a computer so that the applicant (evaluator) who inputs the most evaluation results that match the most frequent evaluation result receives a reward. In some cases, the evaluation results are converted into points and processed by a computer. It is preferable that the test be conducted under conditions in which the applicant has a motivation (e.g., financial gain).
本明細書中では、「応募者」は、コンテストに応募した者、サイトのユーザー等のコンテストに参加した者一般を含む。 In this specification, "applicant" includes people who applied for the contest, users of the site, and other people who participated in the contest in general.
本明細書中では、「対象」とは、評価の対象となる画像、ヒトまたはヒトの特徴、物または物の特徴、事象、事柄、現象等の「物」および／または「概念」を含む。特に断りが無い限り、「対象」には「物」または「人」あるいはその「画像」または「特徴／特性」のデータのいずれも含まれる。本明細書中での「対象」には、カテゴリー等を含む場合もあるが、対象に関する具体的な内容データ（例、個々の画像データ）が複数含まれることを含む場合もある。 In this specification, "object" includes "objects" and/or "concepts" such as images, people or human features, objects or features of objects, events, matters, phenomena, etc. that are the targets of evaluation. Unless otherwise specified, "object" includes any "object" or "person" or its "image" or "feature/property" data. In this specification, "object" may include a category, etc., but may also include a plurality of specific content data (eg, individual image data) regarding the object.
本明細書中では、「評価」とは、点数、グレード、グループ、実測値、見かけ値、絶対値、相対値、正負の値、正／負等任意の尺度／基準による評価が含まれる。数値の場合には任意に数値の幅を指定して数値範囲のグループを指定することが好ましい。そして、その数値範囲等のグループから任意の評価を選択することにより、評価のポイント化を実行する場合がある。 In this specification, "evaluation" includes evaluation based on arbitrary scales/criteria such as score, grade, group, actual value, apparent value, absolute value, relative value, positive/negative value, positive/negative, etc. In the case of numerical values, it is preferable to arbitrarily specify the width of the numerical value and specify a group of numerical ranges. Then, by selecting an arbitrary evaluation from the group such as the numerical range, the evaluation may be converted into points.
本明細書中では、「大衆評価」とは、例えば、一般大衆の平均的な評価結果を含む。大衆評価は、例えば、大衆が評価した結果に一致すると評価される評価結果であってもよい。大衆評価は、例えば、評価を実施した人のうち大多数の人が選択した結果であってもよい。大衆評価は、例えば、評価結果のうち最も多く一致した評価結果であってもよい。大衆評価は、例えば、任意に定めた基準により複数の応募者が選んだと考えられる評価であってもよく、一般に世間で考えられている実際の一般的評価と完全に一致していない場合があるが、それに相当するものであってもよい。 In this specification, "public evaluation" includes, for example, the average evaluation results of the general public. The public evaluation may be, for example, an evaluation result that is evaluated to match the results evaluated by the public. The public evaluation may be, for example, a result selected by a majority of the people who conducted the evaluation. The public evaluation may be, for example, the evaluation result that matches the most among the evaluation results. Public evaluations may be, for example, evaluations that are considered to have been selected by multiple applicants based on arbitrarily determined criteria, and may not completely match the actual general evaluations that are generally considered by the public. However, it may be equivalent.
本明細書中では、「統計処理」は、当業者が用いる任意の統計処理（例、平均値、最大値、最小値、中央値、最頻値、分散、平均偏差、平均誤差、合計、正解率、適合率、再現率等を得る処理）が含まれる。 In this specification, "statistical processing" refers to any statistical processing used by those skilled in the art (e.g., average value, maximum value, minimum value, median, mode, variance, average deviation, average error, sum, correct answer). (processing to obtain precision, precision, recall, etc.).
本明細書中では、「最頻値」またはモード（英：ｍｏｄｅ）とは、データや確率分布で頻度（度数、確率）が最大の値のことである。最頻値は一意とは限らず、確率質量関数や確率密度関数が複数の地点で最大となることもある。標本データの最頻値は、その中で最も頻繁に出現する値を意味する。例えば［１，３，６，６，６，６，７，７，１２，１２，１７］という標本群の最頻値は６である。 In this specification, the "mode" or mode is the value with the maximum frequency (frequency, probability) in data or probability distribution. The mode is not necessarily unique, and the probability mass function or probability density function may be maximum at multiple points. The mode of sample data means the value that appears most frequently. For example, the mode of the sample group [1, 3, 6, 6, 6, 6, 7, 7, 12, 12, 17] is 6.
本明細書中では、「精度」は、任意に定める基準であってもよい。任意ではあるが、精度は、ポイント化して評価する。そしてポイントの高いものを精度が高いと評価する場合がある。また、最頻の評価結果に該当するか等を加味して独自に作成した数式で計算する場合がある。 In this specification, "accuracy" may be an arbitrarily defined standard. Although optional, accuracy is evaluated by converting it into points. A method with a high number of points may be evaluated as having high accuracy. In addition, calculations may be performed using a uniquely created formula that takes into account whether the evaluation results correspond to the most frequent evaluation results.
本明細書中では、「電子マネー」には、仮想通貨だけでなく現金と交換可能なクーポン（例、Ａｍａｚｏｎギフト券）等の任意の現金に相当する価値のある金銭手段が含まれる。 In this specification, "electronic money" includes not only virtual currency but also monetary instruments having a value equivalent to any cash, such as coupons (eg, Amazon gift certificates) that can be exchanged for cash.
本明細書中では、「応募者の特性（属性）」は、特に限定されず、例えば、年齢、年齢層、年代、性別、趣味、金融資産、特定の会員、身体的特徴、精神的嗜好等の任意の特性が含まれる。 In this specification, "characteristics (attributes) of applicants" are not particularly limited, and include, for example, age, age group, generation, gender, hobbies, financial assets, specific members, physical characteristics, mental preferences, etc. Contains any characteristic of
本明細書中では、「顔年齢または肌年齢」とは、個々人の実年齢を指してもよいし、自己または他人（個々のヒト、グループ、または大衆）が考える予想年齢であってもよい。 As used herein, "facial age or skin age" may refer to an individual's actual age, or may be the expected age considered by oneself or others (an individual person, a group, or the public).
実施形態１：データ生成方法
実施形態１は、
データ生成方法であって、
コンピュータが、複数人によって入力部に入力された対象の評価結果をデータベースに送信する送信工程と、
前記評価結果のうち、前記複数人の各人の評価結果を比較したときに最も多く一致した評価結果を最頻の評価結果として特定する処理を行う処理工程と、
前記最頻の評価結果をデータベースに保存する保存工程と、を含むデータ生成方法である。
Embodiment 1: Data generation method Embodiment 1 is
A data generation method,
a sending step in which the computer sends the evaluation results of the object input into the input section by multiple people to the database;
Among the evaluation results, a processing step of identifying the evaluation result that matches the most when comparing the evaluation results of each of the plurality of people as the most frequent evaluation result;
The data generation method includes a storage step of storing the most frequent evaluation results in a database.
使用されるデータベースは特に限定されず、使用可能なものなら任意のものが用いられる。データベースの種類には、階層型、ＮｏＳＱＬ、リレーショナルガタ、ネットワーク型等が挙げられる。具体的には、ＭｙＳＱＬ、ＳＱＬｉｔｅ、Ａｍａｚｏｎ Ａｕｒｏｒａ、ＰｏｓｔｇｒｅＳＱＬ、Ｏｒａｃｌｅ Ｄａｔａｂａｓｅ、ＭｏｎｇｏＤＢ、ＭａｒｉａＤＢ、Ｍｉｃｒｏｓｏｆｔ ＳＱＬ Ｓｅｒｖｅｒ等が挙げられるが、これらに限定はされない。また、対象の評価のデータを保存するデータベースと大衆評価を登録するデータベースは同じ（例、図１のデータベース２０）であってもよいし、異なっていてもよい（例、図１のデータベース５０）。どちらにしても特異的なテーブルを個別に用意するので、両者のデータは区別して管理可能である。さらに、本発明では、データベースには一時的または永続的にメモリ等に保存される場合の保存場所も含まれる。
The database used is not particularly limited, and any usable database can be used. Types of databases include hierarchical, NoSQL, relational, and network types. Specific examples include, but are not limited to, MySQL, SQLite, Amazon Aurora, PostgreSQL, Oracle Database, MongoDB, MariaDB, and Microsoft SQL Server. Further, the database that stores the target evaluation data and the database that registers the public evaluation may be the same (e.g.,
入力、処理、登録に用いられる言語は、フレームワークに依存する場合があるが、例えば、Ｐｙｔｈｏｎ、Ｊａｖａ、ＪａｖａＳｃｒｉｐｔ、ＰＨＰ等が用いられる。処理部は、例えば、クラウド上のＶｉｒｔｕａｌ Ｐｒｉｖａｔｅ Ｃｌｏｕｄ（ＶＰＣ）（ＡＷＳ）、ＧＰＣ（Ｇｏｏｇｌｅ）、Ａｚｕｒｅ（Ｍｉｃｒｏｓｏｆｔ）等に設置されてもよい。 Although the language used for input, processing, and registration may depend on the framework, for example, Python, Java, JavaScript, PHP, etc. are used. The processing unit may be installed, for example, in a Virtual Private Cloud (VPC) (AWS), GPC (Google), Azure (Microsoft), etc. on the cloud.
本データ生成方法は、リアルまたはバーチャルなハードウエア資源上で実行されるソフトウエアとして設置される。 This data generation method is installed as software executed on real or virtual hardware resources.
ウェブサイトで複数応募者が入力した対象の評価結果のデータをデータベースに送信する工程と、対象に対する前記複数応募者の前記評価を処理部で統計処理する（例、最頻の結果を得る）工程と、前記対象の評価における最頻の評価を大衆評価としてデータベースに保存する工程とを介してＡＩモデル訓練データを生成する。以下、各工程要素を、図２を参照しながら詳細に説明する。 A step of transmitting the data of the evaluation results of the target entered by multiple applicants on the website to the database, and a step of statistically processing the evaluations of the multiple applicants for the target in the processing unit (e.g., obtaining the most frequent result). and a step of storing the most frequent evaluation in the evaluation of the object in a database as a popular evaluation, thereby generating AI model training data. Each process element will be described in detail below with reference to FIG. 2.
（Ｉ）コンピュータが、複数人によって入力部に入力された対象の評価結果をデータベースに送信する送信工程（Ｓ１００：対象評価入力と送信）
「応募者（複数人）」はネット上の検索等で本ウェブサイトを見つけることができる。応募者（複数人）は任意のヒトであるのが好ましい。応募者（複数人）は自己のメールアドレスで特定される場合がある。メールアドレスの重複はプログラム的に除去されるようにしてもよい。その他、応募者（複数人）の任意の属性を入力させる形式であってもよい。応募者（複数人）の性別、年齢層、嗜好等の任意の属性で、プロダクトのＡＩモデルを個別にトレーニングできる点で有利な効果を奏する。応募者（複数人）がＡＩなどヒトでない場合も想定されるが、ヒト以外の応募者（複数人）を除外する仕組みを設けてもよい。
(I) A transmission step in which the computer transmits the evaluation results of the object input into the input section by multiple people to the database (S100: object evaluation input and transmission)
``Applicants (or multiple applicants)'' can find this website by searching on the internet. Preferably, the applicant(s) is any person. Applicants (or applicants) may be identified by their email address. Duplicate email addresses may be removed programmatically. In addition, a format in which arbitrary attributes of the applicant(s) are input may be used. This has an advantageous effect in that the product's AI model can be trained individually based on arbitrary attributes such as the gender, age group, and preferences of the applicant(s). Although it is conceivable that the applicant(s) may be non-human such as AI, a mechanism may be provided to exclude non-human applicants(plurality).
ウェブサイトは好ましくはＷｅｂアプリケーションとしてサーバー上にデプロイされる。Ｗｅｂアプリケーションは任意のフロントエンドおよびバックエンドにより構成される。 A website is preferably deployed on a server as a web application. A web application is composed of an arbitrary front end and back end.
ウェブサイト上ではコンテストが実施される場合がある。「コンテスト」は「懸賞」付きのものが好ましい。懸賞があることでデータの信頼性や数を高めることができるという優れた効果がある。懸賞は任意の懸賞が含まれる。一種類の型の懸賞だけでも良いし、複数型の懸賞を同時に入れることもできる。懸賞の例には、現金、電子マネー、ギフト券、商品、サービス、クーポン等が挙げられる。特に好ましくは、懸賞は現金、電子マネー、ギフト券、クーポン等の現金と等価に交換または使用できるものである。これにより、応募者が正しい評価データを入力し、その数も増加するという優れた効果を奏する。懸賞の受け取り時には、応募者の属性を証明する書類の添付を義務付けるようにしてもよいし、しなくてもよい。その証明書類の添付の義務化は応募者の正しいデータの入力にはポジティブに働く場合もある。 Contests may be held on the website. It is preferable that the "contest" include a "prize". The presence of prizes has the excellent effect of increasing the reliability and quantity of data. Sweepstakes includes any sweepstakes. You can enter only one type of prize, or you can enter multiple types of prizes at the same time. Examples of prizes include cash, electronic money, gift certificates, products, services, coupons, and the like. Particularly preferably, the prize is something that can be exchanged or used equivalently to cash, such as cash, electronic money, gift certificates, or coupons. This has the excellent effect of allowing applicants to input correct evaluation data and increasing the number of such data. When receiving a prize, the applicant may or may not be required to attach a document certifying the applicant's attributes. Requiring the attachment of such documents may work positively for applicants to input correct data.
「対象」には任意の対象が含まれる。例えば、限定はされないが、特定のカテゴリーの画像、情報、概念等が挙げられる。例えば、顔や皮膚の画像、商品の画像、風景の画像等任意の画像が含まれる。但し、「対象」は「評価」可能なものである必要がある。上記したように、「評価」とは、点数、グレード、グループ、実測値、見かけ値、絶対値、相対値、正負の値、正／負等任意の尺度／基準による評価が含まれる。数値の場合には任意に数値の幅を指定して数値範囲のグループを指定することが好ましい。そして、その数値範囲等のグループから任意の評価を選択することにより、評価のポイント化を実行する場合がある。コンピュータが、対象の情報と、対象の評価の選択肢とを提供する提供工程、をさらに含む場合がある。選択肢を提供することで最頻の評価結果を処理しやすくなるという効果が生じる。 “Target” includes any object. Examples include, but are not limited to, specific categories of images, information, concepts, etc. For example, arbitrary images such as images of faces and skin, images of products, and images of scenery are included. However, the "object" needs to be something that can be "evaluated." As described above, "evaluation" includes evaluation based on arbitrary scales/criteria such as points, grades, groups, actual measured values, apparent values, absolute values, relative values, positive/negative values, positive/negative, etc. In the case of numerical values, it is preferable to arbitrarily specify the width of the numerical value and specify a group of numerical ranges. Then, by selecting an arbitrary evaluation from the group such as the numerical range, the evaluation may be converted into points. The computer may further include providing the subject information and the subject evaluation options. Providing options has the effect of making it easier to process the most frequent evaluation results.
特に断りの無い限り、「対象」を評価するとは、「対象に関する複数のデータ」をそれぞれ評価することを指し、対象は同一カテゴリーであることが好ましいが、限定はされない。同一カテゴリーの場合や各カテゴリーの場合のデータ数は、例えば、１、２、３、４、５、１０、２０、３０、５０、１００、２５０、５００、１０００、２５００、５０００、１００００、２５０００、５００００、１０００００、１００００００、５００００００、１０００００００、１００００００００、または１０００００００００以上であってもよい。その数値は任意の上記２つの値の間であっても、その値以上、それより大きく、それ以下、またはそれ未満であってもよい。 Unless otherwise specified, evaluating a "target" refers to evaluating "a plurality of pieces of data regarding the target", and the targets are preferably in the same category, but are not limited to this. The number of data in the same category or in each category is, for example, 1, 2, 3, 4, 5, 10, 20, 30, 50, 100, 250, 500, 1000, 2500, 5000, 10000, 25000, It may be 50000, 100000, 1000000, 5000000, 10000000, 100000000, or 1000000000 or more. The numerical value may be between any of the above two values, or may be greater than, greater than, less than, or less than the above value.
その各データに対する評価を、好ましくは全ての評価者に関して集計処理し、その最頻の結果である評価を各データに対して大衆評価としてデータベース（例、図１のデータベース５０）に登録する。実施例１では、「肌画像（対象）」に関する５３個の画像データのそれぞれに対して評価者（６名）の評価を集計し、最頻の結果であった評価（肌年齢グループ）を大衆評価として各データに関してデータベースに登録した。
The evaluations for each piece of data are preferably aggregated for all evaluators, and the most frequent evaluation is registered in a database (eg,
例えば、顔や皮膚の画像が「対象」の場合は、「顔年齢」や「肌年齢」が評価の対象になる場合がある。「顔年齢」や「肌年齢」は特に大衆評価がユーザーにとって有益で知りたい情報になる。調べた範囲では肌の状態（例、うるおい・ハリ・透明度・シミ・シワ・ほうれい線）や肌年齢を知らせるアプリ等は既にいくつか知られているが（例、肌パシャ（資生堂）、ＳＯＦＩＮＡ ｉＰ（花王））、大衆評価を元にＡＩディープラーニングをトレーニングしてアプリとして提供するものではない。つまり、教師データである「大衆評価」を一般から効率的に集めてＡＩディープラーニングモデルを訓練することには課題が残っている。本発明はその課題に取り組み、そのソリューションを提供することができる。 For example, when the "target" is an image of a face or skin, "face age" or "skin age" may be the target of evaluation. For ``face age'' and ``skin age,'' public evaluations are especially useful for users and provide information they want to know. As far as I have researched, there are already several known apps that let you know the condition of your skin (e.g. moisture, firmness, clarity, spots, wrinkles, smile lines) and skin age (e.g. Hada Pasha (Shiseido), SOFINA). iP (Kao)) is not an app that trains AI deep learning based on public evaluations. In other words, there remains a problem in training AI deep learning models by efficiently collecting ``popular evaluations,'' which serve as training data, from the general public. The present invention can address that problem and provide a solution.
前記評価は、各応募者の個人の評価である場合もある。好ましくは、前記評価が一般大衆の評価であると予想する評価であることにより、これまで実現が難しかった一般大衆のイメージとして各評価者が考えている評価を得ることができるという顕著な効果を奏する。 The evaluation may be an individual evaluation of each applicant. Preferably, the evaluation is an evaluation that is expected to be the evaluation of the general public, so that the remarkable effect of being able to obtain the evaluation that each evaluator thinks is the image of the general public, which has been difficult to achieve so far, is achieved. play.
好ましくは、ウェブサイト上で開催される懸賞付きコンテストを行うことで、複数応募者が集まり対象の評価のデータが効率的に得られるという優れた効果がある。 Preferably, holding a contest with prizes on a website has the excellent effect of attracting multiple applicants and efficiently obtaining target evaluation data.
また、好ましくは前記複数応募者の前記評価の最頻値が前記対象の大衆評価としてデータベースに登録され、前記大衆評価を精度高く（例えば、精度は評価をポイント化して得られる）予測した前記応募者が前記懸賞を得るという応募者へのインセンティブを提供することで、さらに効率的にデータ収集することができるようになるという顕著な効果がある。 Preferably, the mode of the evaluations of the plurality of applicants is registered in a database as the public evaluation of the object, and the application that predicted the public evaluation with high accuracy (for example, accuracy is obtained by converting the evaluation into points) By providing an incentive for applicants to win the prize, there is a significant effect that data can be collected more efficiently.
また、好ましくは前記懸賞が電子マネーであることにより応募者へのインセンティブが飛躍的に高まる。 Further, preferably, the prize is electronic money, thereby dramatically increasing the incentive for applicants.
好ましくは、前記対象が顔年齢または肌年齢であることにより、一般のヒトが知りたい他人からの自己の年齢イメージ等についての情報を得ることができる。また、特に化粧品の分野において、顔年齢および／または肌年齢の他人評価または大衆評価の情報を得ることができる。これは、ユーザーのニーズの観点で有用である。 Preferably, the target is facial age or skin age, so that it is possible to obtain information about the image of one's own age from others, which the general public would like to know. Further, especially in the field of cosmetics, information on other people's evaluations or public evaluations of facial age and/or skin age can be obtained. This is useful in terms of user needs.
（ＩＩ）前記評価結果のうち、前記複数人の各人の評価結果を比較したときに最も多く一致した評価結果を最頻の評価結果として特定する処理を行う処理工程（Ｓ２００：評価統計処理）
「複数人の評価」は、複数人の個人的な自己の評価であってもよいし、大衆が考えるであろうと予測する評価である場合もある。ここで「各評価者が一般大衆の評価であると予想する評価である」場合は、前記評価結果のうち、前記複数人の各人の評価結果を比較したときに最も多く一致した評価結果を最頻の評価結果として特定する構成と相性が良い。なぜなら、前記大衆評価を精度高く予測した前記応募者が前記懸賞を得るという応募者へのインセンティブが提供可能であるからである。「精度」は各評価をポイント化してその数値に応じてコンピュータ処理される。「精度の高さ」の程度は、最もポイントが高かったものであってもよいし、上位にあるものであってもよい。上位とは、限定はされないが、１位、２位、３位、４位、５位、１０位、２０位、５０位、１００位、５００位、１０００位、１００００位以上であってもよい。上記順位の任意の２つの間である場合もある。従って、このようなインセンティブを提供することによって評価の質と数の向上に寄与するという顕著な効果を奏する。
(II) Processing step of identifying the evaluation result that matches the most when comparing the evaluation results of each of the plurality of people as the most frequent evaluation result (S200: evaluation statistical processing)
The "evaluation of multiple people" may be the individual self-evaluation of multiple people, or it may be an evaluation that is predicted to be thought by the general public. Here, if "the evaluation is one that each evaluator expects to be the evaluation of the general public," among the evaluation results, select the evaluation result that matches the most when comparing the evaluation results of each of the plurality of people. It is compatible with the configuration specified as the most frequent evaluation result. This is because an incentive can be provided to the applicant in that the applicant who predicts the public evaluation with high accuracy wins the prize. “Accuracy” is calculated by converting each evaluation into points and calculating them according to the numerical value. The degree of "high accuracy" may be the one with the highest points or the one at the top. The top rank is not limited to, but may be 1st, 2nd, 3rd, 4th, 5th, 10th, 20th, 50th, 100th, 500th, 1000th, 10000th place or higher. . The ranking may be between any two of the above rankings. Therefore, providing such incentives has the remarkable effect of contributing to improving the quality and number of evaluations.
最頻の評価結果に係る「統計処理」の内容は、任意であり、限定はされないが、以下のように計算する場合もある。 The content of the "statistical processing" related to the most frequent evaluation result is arbitrary and is not limited, but may be calculated as follows.
例えば、評価がグレードや年齢層である場合は、複数の応募者の評価の最頻であるグレードや年齢層と同じであった評価を１ポイントとして、各対象画像等について保存し、その合計点数が一番高かったまたは高い順に懸賞を得るようにしてもよい。任意ではあるが、最頻値でない評価をした各対象画像については－０．１等のネガティブポイントを付してもよい。また、任意ではあるが、評価した各対象画像の個数についても０．０１ポイントを付すような計算式にしてもよい。例えば以下の式で計算することもできる。 For example, if the evaluation is based on grade or age group, the evaluation that is the same as the most frequent grade or age group among multiple applicants is saved as one point, and the total score is saved for each target image. Prizes may be awarded in descending order of the highest or highest. Although optional, a negative point such as -0.1 may be assigned to each target image that is evaluated as not being the most frequent value. Further, although it is optional, a calculation formula may be used in which 0.01 point is given to the number of each evaluated target image. For example, it can be calculated using the following formula.
式Ｉ：
評価得点＝（最頻の評価の個数）×１ポイント－（最頻でない評価の個数）×（－０．１ポイント）＋（評価した対象の個数）×０．０１ポイント
Formula I:
Evaluation score = (number of most frequent evaluations) x 1 point - (number of least frequent evaluations) x (-0.1 point) + (number of evaluated objects) x 0.01 point
最頻の評価結果が複数ある場合は、その各評価に１ポイント付してもよいし、傾斜配分（例、２つの評価が最頻値である場合には０．５ポイントずつに）してもよい。 If there are multiple most frequent evaluation results, you can assign 1 point to each evaluation, or allocate the slope (for example, if two evaluations are the most frequent, give them 0.5 points each). Good too.
掛け算する各ポイントの重み（例、１ポイント、－０．１ポイント、０．０１ポイント）は任意であり、特に限定はされない。 The weight of each point to be multiplied (eg, 1 point, -0.1 point, 0.01 point) is arbitrary and is not particularly limited.
このような評価の統計処理により、前記評価結果のうち、前記複数人の各人の評価結果を比較したときに最も多く一致した評価結果を最頻の評価結果として特定する処理工程の実行性が向上するという顕著な効果を奏する。 Through such statistical processing of evaluation, the execution of the process of identifying the evaluation result that matches the most when comparing the evaluation results of each of the plurality of people as the most frequent evaluation result is improved. It has a remarkable effect of improving
（ＩＩＩ）前記最頻の評価結果をデータベースに保存する保存工程と前記最頻の評価結果を大衆評価としてデータベースに登録する登録工程（Ｓ３００：大衆評価保存と登録）
前記最頻の評価結果を大衆評価としてデータベースに登録する。登録工程は上記したコンピュータのハードウエアとソフトウエア資源を利用して通常データをデータベースに登録保存する方法が使用可能である。
(III) A storage step of storing the most frequent evaluation result in a database and a registration step of registering the most frequent evaluation result in the database as a public evaluation (S300: mass evaluation storage and registration)
The most frequent evaluation result is registered in the database as a popular evaluation. In the registration process, the method of registering and saving normal data in a database using the above-mentioned computer hardware and software resources can be used.
好ましくは、得られた評価結果をＡＩモデルの教師データとして使用する。これによりＡＩモデルのトレーニングが可能となり有用な大衆評価情報を提供することができるようになるという優れた効果がある。 Preferably, the obtained evaluation results are used as training data for the AI model. This has the excellent effect of making it possible to train the AI model and provide useful public evaluation information.
なお、本明細書中に記載される方法の工程での処理の順番は特に限定されない。例えば、Ｓ１００：対象評価入力送信、Ｓ２００：評価統計処理、およびＳ３００：大衆評価登録は繰り返して行われる場合もあり、Ｓ１００および／またはＳ２００だけを繰り返す場合もあり、中間的または最終的にＳ３００を行う場合もあるが特に限定はされない。 Note that the order of processing in the steps of the method described in this specification is not particularly limited. For example, S100: Subject evaluation input transmission, S200: Evaluation statistical processing, and S300: Public evaluation registration may be performed repeatedly, or only S100 and/or S200 may be repeated, and S300 may be performed intermediately or finally. Although it may be done in some cases, there are no particular limitations.
実施形態２：データ生成システムまたは装置
実施形態２は、
コンピュータが、複数人によって入力部に入力された対象の評価結果をデータベースに送信する送信部と、
前記評価結果のうち、前記複数人の各人の評価結果を比較したときに最も多く一致した評価結果を最頻の評価結果として特定する処理を行う処理部と、
前記最頻の評価結果をデータベースに保存する保存部と、を含むデータ生成システムまたは装置である。
Embodiment 2: Data generation system or device Embodiment 2 includes:
a transmitting unit in which the computer transmits the evaluation results of the object input into the input unit by multiple people to the database;
A processing unit that performs a process of identifying the evaluation result that matches the most when comparing the evaluation results of each of the plurality of evaluation results as the most frequent evaluation result;
and a storage unit that stores the most frequent evaluation results in a database.
本観点の大衆評価データ生成システムまたは装置では、第一の観点の（１）～（９）の方法を実行するシステムまたは装置が提供される。本システムまたは装置はアプリとして実施される場合があり、好ましくはＷｅｂアプリまたは（スマートフォンやタブレット上の）ネーティブアプリである。さらに好ましくはＷｅｂアプリとして実施される。 In the public evaluation data generation system or device of this aspect, a system or device that executes methods (1) to (9) of the first aspect is provided. The system or device may be implemented as an app, preferably a web app or a native app (on a smartphone or tablet). More preferably, it is implemented as a web application.
大衆評価データ生成装置は、送信部１０（図１）と、処理部３０と、保存部４０と、データべース２０と５０を備えるが、これ以外の機能部を有していてもよい。本装置により効率的に大衆評価データが生成される。具体的には、送信部１０は、コンピュータが、複数人によって入力部に入力された対象の評価結果をデータベース２０に送信する。処理部３０が前記評価結果のうち、前記複数人の各人の評価結果を比較したときに最も多く一致した評価結果を最頻の評価結果として特定する処理を実行する。そして、保存部４０が前記最頻の評価結果をデータベース２０および／または５０に保存する。
The public evaluation data generation device includes a transmitting section 10 (FIG. 1), a
（１）～（９）の方法と（１０）のシステムまたは（１１）の装置は実施例１により実際にデプロイ可能なことが実証された。 Example 1 demonstrated that the methods (1) to (9) and the system (10) or the device (11) can actually be deployed.
実施形態２のデータ生成システムまたは装置では、各部分（例、保存部、データベース、処理部、保存部）は同じクラウドまたはデバイス上等にあってもよいし、なくてもよい。実施形態１の方法で特定される要素や好ましい態様が同等に適用され顕著な効果を生じる。 In the data generation system or device of the second embodiment, each part (eg, storage unit, database, processing unit, storage unit) may or may not be located on the same cloud or device. The elements and preferred aspects specified in the method of Embodiment 1 can be equally applied to produce remarkable effects.
実施形態３：ＡＩモデル訓練方法
実施形態３では、
ＡＩモデル訓練方法であって、
（１）～（１１）のいずれか一項の方法、システム、または装置によって生成された前記最頻の評価結果のデータを利用して、前記対象に対する大衆評価予測ＡＩモデルを訓練する工程、を含むＡＩモデル訓練方法が提供される。
Embodiment 3: AI model training method In Embodiment 3,
An AI model training method, the method comprising:
(1) training a public evaluation prediction AI model for the target using the most frequent evaluation result data generated by the method, system, or device according to any one of (1) to (11); An AI model training method is provided that includes.
（ＩＶ）（１）～（１１）の方法、システム、または装置によって生成された前記最頻の評価結果のデータを利用して、前記対象に対する大衆評価予測ＡＩモデルを訓練する工程（Ｓ４００：ＡＩモデル訓練）
上記のようにして、「大衆評価」を質高く効率的に大量に集めることが可能になる。そして、各対象に対する大衆評価を用いて「各対象に対する大衆評価予測ＡＩモデル」を訓練する。
(IV) A step (S400: AI model training)
In the manner described above, it becomes possible to efficiently collect a large amount of "popular evaluations" with high quality. Then, using the public evaluations for each object, "an AI model for predicting public evaluations for each object" is trained.
ＡＩモデルの例には、限定はされないが、機械学習モデル、ディープラーニングモデル等が挙げられる。教師あり学習の機械学習の例には、線形回帰、ロジスティック回帰、サポートベクターマシン（ＳＶＭ： Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）、決定木、ニューラルネットワーク（ＮＮ： Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）、ナイーブベイズ等が挙げられる。決定木では、ランダムフォレストやＸＧＢｏｏｓｔといったブースティングを使ったモデルも利用可能である。 Examples of AI models include, but are not limited to, machine learning models, deep learning models, and the like. Examples of supervised machine learning include linear regression, logistic regression, support vector machine (SVM), decision tree, neural network (NN), Naive Bayes, and the like. For decision trees, models using boosting such as Random Forest and XGBoost can also be used.
ニューラルネットワークの例には、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）、ＲＮＮ（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）、ＧＡＮ（Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋｓ）等が挙げられる。これらディープラーニングモデルも、上記工程で得られた「対象に対する大衆評価」を利用して訓練できるものであれば、特に限定はされず、任意のものが利用訓練可能である。 Examples of neural networks include CNN (Convolutional Neural Network), RNN (Recurrent Neural Network), GAN (Generative Adversarial Networks), and the like. These deep learning models are not particularly limited as long as they can be trained using the "popular evaluation of the object" obtained in the above steps, and any model can be used and trained.
訓練は、好ましくは別のクラウドまたはオンプレミス環境で実行する。クラウド環境の例には、Ｇｏｏｇｌｅ ＣｏｌａｂｏｒａｔｏｒｙやＡＷＳ上のＧＰＵ付ＥＣ２インスタンスまたはＳａｇｅＭａｋｅｒが挙げられる。訓練にはＧＰＵ、ＴＰＵ、ＣＰＵが利用できるが、限定はされない。機械学習ではＳｃｉｋｉｔ－ｌｅａｒｎが使用できる。また、ディープラーニングフレームワークとして、ＴｅｎｓｏｒＦｌｏｗ、Ｋｅｒａｓ、Ｐｙｔｏｒｃｈ、ＭＸＮｅｔ、Ｃａｆｆｅ等が使用可能である。 Training is preferably performed in a separate cloud or on-premises environment. Examples of cloud environments include Google Collaboratory, EC2 instances with GPUs on AWS, or SageMaker. GPU, TPU, and CPU can be used for training, but are not limited thereto. Scikit-learn can be used for machine learning. Moreover, TensorFlow, Keras, Pytorch, MXNet, Caffe, etc. can be used as a deep learning framework.
第３実施形態の訓練部は別のクラウドＶＰＣやデバイス上に配置されるのが好ましい。例えば、Ｇｏｏｇｌｅ ＣｏｌａｂｏｒａｔｏｒｙやＡＷＳ上のＧＰＵ付ＥＣ２インスタンスまたはＳａｇｅＭａｋｅｒを用いて訓練可能である。 The training section of the third embodiment is preferably located on another cloud VPC or device. For example, training can be performed using Google Collaboratory, a GPU-equipped EC2 instance on AWS, or SageMaker.
実施形態３の訓練方法では、好ましくは、前記複数人の特性別に前記大衆評価予測ＡＩモデルを訓練し、さらに好ましくは、前記特性は性別および／または年齢層である。これにより、大衆評価予測ＡＩモデルを大衆の特性により、使用者がより興味を有するグループの思う評価を予測できるという優れた効果を奏する。 In the training method of the third embodiment, preferably, the public evaluation prediction AI model is trained for each of the characteristics of the plurality of people, and more preferably, the characteristics are gender and/or age group. This provides an excellent effect in that the AI model for predicting public evaluations can predict the evaluations of groups in which the user is more interested, based on the characteristics of the public.
また、（１）～（１１）の方法、システム、または装置を実行／配備する環境と（１２）～（１４）の訓練方法を実行する環境は同じでもよいし、異なっていてもよい。好ましくは、異なる環境で実行／配備される。 Further, the environment in which the methods, systems, or devices of (1) to (11) are executed/deployed and the environment in which the training methods of (12) to (14) are executed may be the same or different. Preferably executed/deployed in different environments.
訓練は、実施形態１または２で得られた大衆評価データをゼロから使用してトレーニングを実施してもよいし、転移学習を用いてもよい。転移学習では、モデルを時系列に沿ったデータで再度トレーニングして学習効率を高める効果がある。 Training may be performed from scratch using the public evaluation data obtained in Embodiment 1 or 2, or transfer learning may be used. Transfer learning has the effect of increasing learning efficiency by retraining the model with chronological data.
実施形態４：学習済み大衆評価予測ＡＩモデル
実施形態４は、
対象のデータを入力する入力層と、
ニューラルネットワークからなり入力データを処理する中間層と、
前記対象に対する大衆評価を出力する出力層と、を含み、
（１２）～（１４）のいずれか一項に記載の方法により訓練された学習済み大衆評価予測ＡＩモデル、である。
Embodiment 4: Trained public evaluation prediction AI model Embodiment 4 is as follows:
an input layer for inputting target data;
a middle layer consisting of a neural network and processing input data;
an output layer that outputs public evaluation of the object,
This is a trained public evaluation prediction AI model trained by the method described in any one of (12) to (14).
大衆評価予測ＡＩモデルは、好ましくは、機械学習モデルであり、さらに好ましくは、ディープラーニングモデルである。上記した任意の機械学習モデルおよび／またはディープラーニングモデル等が使用可能である。 The public evaluation prediction AI model is preferably a machine learning model, more preferably a deep learning model. Any machine learning model and/or deep learning model described above can be used.
ＡＩモデルは、入力層と、中間層と、出力層を含むが、他の（一又は複数の）層を含んでもよい。 The AI model includes an input layer, a middle layer, and an output layer, but may include other layer(s).
入力層には、画像データを入力してもよいし、テキストデータを入力してもよいし、これらを組み合わせた複合的データを入力してもよい。複数の特徴量をデータとして入力することもできる。カテゴリー変数は、Ｏｎｅ－Ｈｏｔエンコーディングを用いてデータ化してもよい。 Image data, text data, or composite data that is a combination of these data may be input to the input layer. It is also possible to input multiple feature amounts as data. Categorical variables may be converted into data using One-Hot encoding.
中間層（隠れ層）は、入力層から入力されたデータを処理する層である。中間層の数は限定されず、任意の数の中間層が配置される。畳み込みニューラルネットワーク（ＣＮＮ）、プーリング層、全結合層、ドロップアウト層等の層が任意の数で任意の組み合わせで使用可能である。 The intermediate layer (hidden layer) is a layer that processes data input from the input layer. The number of intermediate layers is not limited, and any number of intermediate layers may be arranged. Any number and combination of layers such as convolutional neural networks (CNNs), pooling layers, fully connected layers, dropout layers, etc. can be used.
出力層は、値を回帰してもよいし、カテゴリーを分類してもよい。複数の出力を持つことも可能である。 The output layer may regress values or classify categories. It is also possible to have multiple outputs.
好ましくは、前記複数応募者の特性別に前記大衆評価予測ＡＩモデルを訓練する、さらに好ましくは、前記特性が性別および／または年齢層であることにより、大衆評価予測ＡＩモデルの多様性と特異性がさらに高まる。 Preferably, the public evaluation prediction AI model is trained according to the characteristics of the plurality of applicants, and more preferably, the characteristics are gender and/or age group, thereby increasing the diversity and specificity of the public evaluation prediction AI model. It increases further.
好ましくは、前記対象のデータは肌画像であり、前記大衆評価は肌年齢である。 Preferably, the target data is a skin image, and the public evaluation is skin age.
（１）～（１１）の効率的なデータ生成方法、システム、または装置で大衆評価データが得られた場合に、前記大衆評価予測ＡＩモデルが実際に訓練出来て、精度高く予想するモデルが実際に得られることは、実施例２により実証される。教師データに実年齢を使用した場合に、Ｘｃｅｐｔｉｏｎモデルを基礎モデルとして画像認識ディープラーニングモデルを構築した一例では、得られた評価ロス（年齢）は４．６９歳であった。これにより、本願の（１）～（７）に記載の方法や装置により大衆評価データが得られる場合に、実際のＡＩモデルが構築可能であることが実証された。 If public evaluation data is obtained using the efficient data generation method, system, or device described in (1) to (11), the public evaluation prediction AI model can actually be trained, and the model that predicts with high accuracy can actually be used. This is demonstrated by Example 2. In one example in which an image recognition deep learning model was constructed using the Xception model as a basic model when actual age was used as the teacher data, the obtained evaluation loss (age) was 4.69 years. This demonstrated that it is possible to construct an actual AI model when public evaluation data is obtained using the methods and devices described in (1) to (7) of the present application.
実施形態５～７：大衆評価予測ＡＩシステム、プログラム、またはコンピューティングデバイス
実施形態５～７は、
（１５）に記載の学習済み大衆評価予測ＡＩモデルと、
ユーザーの有する対象のデータを入力する入力部と、
前記対象のデータに対する大衆評価を予測する予測部と、
前記予測をユーザーに表示する出力部と、を含む大衆評価予測ＡＩシステム、プログラム、またはコンピューティングデバイスである。
Embodiments 5-7: Public rating prediction AI system, program, or computing device Embodiments 5-7 include:
The trained public evaluation prediction AI model described in (15);
an input section for inputting target data possessed by the user;
a prediction unit that predicts public evaluation of the target data;
and an output unit that displays the prediction to a user.
好ましくは、大衆評価予測ＡＩシステムはアプリの形で提供される。前記アプリはＷｅｂアプリでもよいし、ネーティブアプリでもよい。ＡＩモデル、入力部、予測部、出力部は同じシステム内にあってもよいし、各々独立して別のシステムにあってもよい。 Preferably, the public rating prediction AI system is provided in the form of an app. The application may be a web application or a native application. The AI model, input section, prediction section, and output section may be located in the same system, or may be located independently in different systems.
学習済み大衆評価予測ＡＩモデルや予測部は、前記アプリの内部から提供されてもよいし、ＡＰＩ（Ａｐｐｌｉｃａｔｉｏｎ Ｐｒｏｇｒａｍｍｉｎｇ Ｉｎｔｅｒｆａｃｅ）として外部から提供されていてもよい。前記ＡＰＩは、好ましくはＲＥＳＴ（ＲＥｐｒｅｓｅｎｔａｔｉｏｎａｌ Ｓｔａｔｅ Ｔｒａｎｓｆｅｒ）ｆｕｌ ＡＰＩである。モデルは、予測部で使用される。
The trained public evaluation prediction AI model and prediction unit may be provided from within the application, or may be provided from outside as an API (Application Programming Interface). The API is preferably a REST (Representational State Transfer) full API. The model is used in the prediction part.
本発明のプログラムは、本発明の方法およびモデルを実施できる限り、プログラム全体または部分を含む。その言語の例には、特に限定はされないが、Ｐｙｔｈｏｎ，Ｊａｖａ，Ｋｏｔｌｉｎ，Ｆｌｕｔｔｅｒ，Ｓｗｉｆｔ，Ｃ，Ｃ＃，Ｃ＋＋，ＰＨＰ，Ｒｕｂｙ，ＪａｖａＳｃｒｉｐｔ，Ｓｃａｌａ，Ｇｏ，Ｒ，Ｐｅｒｌ，Ｕｎｉｔｙ，ＣＯＢＯＬ等が含まれる。 The program of the present invention includes all or part of the program as long as it is capable of implementing the method and model of the present invention. Examples of such languages include, but are not limited to, Python, Java, Kotlin, Flutter, Swift, C, C#, C++, PHP, Ruby, JavaScript, Scala, Go, R, Perl, Unity, COBOL, etc. It will be done.
コンピューティングデバイスの例には、特に限定はされないが、ＲＡＭ、ＲＯＭ、キ
ャッシュ、ＳＳＤ、ハードディスクが含まれる。また、クラウド上のもの、サーバー上のもの、オンプレミスのコンピュータ上のもの等の任意の形態のコンピューティングデバイスが含まれる。
Examples of computing devices include, but are not limited to, RAM, ROM, cache, SSD, hard disk. It also includes any form of computing device, such as in the cloud, on a server, or on an on-premises computer.
大衆評価予測ＡＩシステムがネーティブアプリの形でスマートフォンやタブレットで提供される場合は、Ｓｗｉｆｔ、Ｊａｖａ、Ｋｏｔｌｉｎ、Ｆｌｕｔｔｅｒ等の言語を用いてもよい。 If the public rating prediction AI system is provided on a smartphone or tablet in the form of a native app, a language such as Swift, Java, Kotlin, Flutter, etc. may be used.
（Ｖ）ユーザーの有する対象のデータを入力する入力部（Ｓ５００：ユーザーデータ入力）
「ユーザーの有する対象」は、実施形態１で使用した「対象」と同じであるか代替可能なものである。対象は、上記したように、画像データであっても、概念データであってもよい。例えば、実施形態１で使用した対象が「顔・肌画像」である場合は、ユーザーの有する自己または他人の「顔・肌画像」である。
(V) Input unit for inputting target data owned by the user (S500: user data input)
The "object owned by the user" is the same as or can be replaced with the "object" used in the first embodiment. The target may be image data or conceptual data, as described above. For example, when the object used in the first embodiment is a "face/skin image", it is a "face/skin image" of the user or another person.
入力には、例えば、スマートフォンやカメラで撮った画像データを用いることができる。入力部は、スマートフォン上のアプリ内の物であってもよいし、ウェブサイト上にデータをアップロードするのに使用されるものであってもよい。ネーティブアプリの場合は、例えば、Ｓｗｉｆｔ，Ｊａｖａ，Ｋｏｔｌｉｎ，Ｆｌｕｔｔｅｒを使用して処理が実行される。Ｗｅｂ上に入力する場合は、フロントエンドは、限定はされないが、ＨＴＭＬやＣＳＳ、ＪａｖａＳｃｒｉｐｔで構成される。また、フロントエンドフレームワークを用いる場合もあり、その例には、Ｒｅａｃｔ、Ｖｅｕ．ｊｓ、Ａｎｇｕｌａｒ、Ｅｍｂｅｒ．ｊｓ、Ｂａｃｋｂｏｎｅ．ｊｓ等が含まれる。サーバーサイドと連携して処理したり、データベースに保持したりするために、バックエンドのフレームワーク（例、Ｄｊａｎｇｏ、Ｌａｒａｖｅｌ、Ｒｕｂｙ ｏｎ Ｒａｉｌｓ、Ｆｌａｓｋ、Ｎｏｄｅ．ｊｓ）を利用する。 For example, image data taken with a smartphone or camera can be used for input. The input may be within an app on a smartphone, or may be used to upload data onto a website. In the case of a native application, processing is performed using, for example, Swift, Java, Kotlin, or Flutter. When inputting on the Web, the front end is configured with, but not limited to, HTML, CSS, and JavaScript. Front-end frameworks may also be used, examples of which include React, Veu. js, Angular, Ember. js, Backbone. js etc. are included. Use back-end frameworks (e.g., Django, Laravel, Ruby on Rails, Flask, Node.js) to process data in conjunction with the server side and store it in a database.
（ＶＩ）前記対象のデータに対する大衆評価を予測する予測部（Ｓ６００：大衆評価予測）
予測部は上記（１）実施形態１に記載の方法により訓練された大衆評価予測ＡＩモデルを使用する。予測はトレーニングに使用したと同じ機械学習モデル／フレームワーク（例、線形回帰、ロジスティック回帰、サポートベクターマシン（ＳＶＭ：Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）、決定木、ニューラルネットワーク（ＮＮ：Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）、ナイーブベイズ、ＴｅｎｓｏｒＦｌｏｗ、Ｋｅｒａｓ、Ｐｙｔｏｒｃｈ、ＭＸＮｅｔ、Ｃａｆｆｅ）を用いてもよい。
(VI) Prediction unit that predicts public evaluation of the target data (S600: public evaluation prediction)
The prediction unit uses the public evaluation prediction AI model trained by the method described in (1) Embodiment 1 above. Predictions are made using the same machine learning model/framework used for training (e.g., linear regression, logistic regression, Support Vector Machine (SVM), decision tree, neural network (NN), Naive Bayes, TensorFlow). , Keras, Pytorch, MXNet, Caffe) may also be used.
予測部は、上記学習済みモデルを使用し、システム等の内部から提供されてもよいし、ＡＰＩ（Ａｐｐｌｉｃａｔｉｏｎ Ｐｒｏｇｒａｍｍｉｎｇ Ｉｎｔｅｒｆａｃｅ）として外部から提供されていてもよい。前記ＡＰＩは、好ましくはＲＥＳＴｆｕｌ ＡＰＩである。 The prediction unit may be provided from within the system or the like using the learned model, or may be provided from the outside as an API (Application Programming Interface). The API is preferably a RESTful API.
（７）前記予測をユーザーに表示する出力部（Ｓ７００：予測結果出力）
前記予想をユーザーに表示する出力部は、スマートフォン上のアプリ内のものであってもよいし、ウェブサイト上にデータを表示するのに使用されるものであってもよい。ネーティブアプリの場合は、例えば、Ｓｗｉｆｔ，Ｊａｖａ，Ｋｏｔｌｉｎ，Ｆｌｕｔｔｅｒを使用して処理が実行される。Ｗｅｂ上に表示する場合は、フロントエンドは、限定はされないが、ＨＴＭＬやＣＳＳ、ＪａｖａＳｃｒｉｐｔで構成される。また、フロントエンドフレームワークを用いる場合もあり、その例には、Ｒｅａｃｔ、Ｖｅｕ．ｊｓ、Ａｎｇｕｌａｒ、Ｅｍｂｅｒ．ｊｓ、Ｂａｃｋｂｏｎｅ．ｊｓ等が含まれる。サーバーサイドと連携して処理するためにバックエンドのフレームワーク（例、Ｄｊａｎｇｏ、Ｌａｒａｖｅｌ、Ｒｕｂｙ ｏｎ Ｒａｉｌｓ、Ｆｌａｓｋ、Ｎｏｄｅ．ｊｓ）を利用する。
(7) Output unit that displays the prediction to the user (S700: prediction result output)
The output unit that displays the prediction to the user may be within an app on a smartphone, or may be used to display data on a website. In the case of a native application, processing is performed using, for example, Swift, Java, Kotlin, or Flutter. When displaying on the Web, the front end is composed of, but not limited to, HTML, CSS, and JavaScript. Front-end frameworks may also be used, examples of which include React, Veu. js, Angular, Ember. js, Backbone. js etc. are included. Utilize back-end frameworks (e.g., Django, Laravel, Ruby on Rails, Flask, Node.js) for processing in conjunction with the server side.
この大衆評価予測ＡＩシステム、プログラム、またはコンピューティングデバイス（以下、本システムという場合がある）の一実施形態を、「肌年齢予測アプリ」を例にして具体的に説明する。 One embodiment of this public evaluation prediction AI system, program, or computing device (hereinafter sometimes referred to as the present system) will be specifically described using a "skin age prediction app" as an example.
まず、各ユーザーは自身の肌画像をスマートフォンまたはウェブサイトにアップロードして入力する。次に本システムの予測部は、学習済みの肌年齢予測ＡＩモデルを使用してユーザーが入力した肌画像の肌年齢を予測する。そしてその予測肌年齢をスマートフォンやウェブサイト上のスクリーンに出力して表示する。これにより、ユーザーは自分の肌画像が大衆からどのように思われているか（大衆評価）を得ることができる。 First, each user uploads and inputs an image of their skin onto their smartphone or website. Next, the prediction unit of this system uses the learned skin age prediction AI model to predict the skin age of the skin image input by the user. The predicted skin age is then output and displayed on a smartphone or website screen. This allows users to obtain information about how their skin images are perceived by the public (public evaluation).
実施形態８～１０：方法、システム、または装置
実施形態８は、
コンピュータが、複数人によって入力部に入力された対象の評価結果をデータベースに送信する送信工程と、
コンピュータが、最頻の評価結果に一致する評価結果を最も多く入力した人の端末に懸賞を獲得したことを表示する表示工程と、
を含む方法を提供する。
Embodiments 8-10: Method, system, or apparatus Embodiment 8 includes:
a sending step in which the computer sends the evaluation results of the object input into the input section by multiple people to the database;
a display step in which the computer displays on the terminal of the person who inputs the most evaluation results that match the most frequent evaluation results that the prize has been won;
Provide a method including.
実施形態９または１０は、
コンピュータが、複数人によって入力部に入力された対象の評価結果をデータベースに送信する送信部と、
コンピュータが、最頻の評価結果に一致する評価結果を最も多く入力した人の端末に懸賞を獲得したことを表示する表示部と、
を含むシステムまたは装置を提供する。
a transmitting unit in which the computer transmits the evaluation results of the object input into the input unit by multiple people to the database;
a display section where the computer displays on the terminal of the person who inputs the most evaluation results that match the most frequent evaluation results that the prize has been won;
to provide a system or device that includes.
実施形態８～１０は、実施形態１～３の方法、システム、装置を実現する別の実施形態である。ユーザー（応募者）の使用するシステムまたは装置の操作を具体化したものである。まず、コンピュータが、複数人によって入力部に入力された対象の評価結果をデータベースに送信する送信部を備える。これにより、各評価者の評価結果をデータベースに送信し、処理を可能とする。 Embodiments 8 to 10 are other embodiments that implement the methods, systems, and apparatuses of Embodiments 1 to 3. It embodies the operation of the system or device used by the user (applicant). First, the computer includes a transmitting section that transmits evaluation results of a target that are input into an input section by a plurality of people to a database. This allows the evaluation results of each evaluator to be sent to the database and processed.
そして、コンピュータが、最頻の評価結果に一致する評価結果を最も多く入力した人の端末に懸賞を獲得したことを表示する表示部を備える。この表示部により各ユーザーは評価結果の最終的結果である懸賞を獲得できたかどうかを知ることができる。 The computer is provided with a display unit that displays on the terminal of the person who inputs the most evaluation results that match the most frequent evaluation result that the prize has been won. This display section allows each user to know whether or not they have won the prize, which is the final result of the evaluation results.
具体的に「肌年齢」評価のアプリについて説明する。実施例１にあるように、まず、各ユーザー（応募者、評価者）は、スマートフォン上に表示される評価対象の「肌画像」を見て、選択肢で提供される肌年齢層を入力する。その情報はデータベースに送信されて、複数人の結果が統計処理される。そして、最頻の評価結果に一致する評価結果を最も多く入力した人がコンピュータ処理により決定される。その後、コンピュータはその人がサイトにアクセスした場合や、メールを送信することにより、懸賞を付与されたことを通知（表示）する。あるいは、プッシュ通知等により、ユーザーのスマートフォン上にメッセージを通知して懸賞を付与されたことを知らせることもできる。これにより、最頻の評価結果に一致する評価結果を最も多く入力した人は自身が懸賞を得たことを知ることができる。 Specifically, I will explain about the "skin age" evaluation app. As in Example 1, each user (applicant, evaluator) first views the "skin image" to be evaluated displayed on the smartphone and inputs the skin age group provided as an option. That information is sent to a database and the results from multiple people are processed statistically. Then, the person who inputs the most evaluation results that match the most frequent evaluation result is determined by computer processing. Thereafter, the computer notifies (displays) that the person has been awarded the prize, either by accessing the site or by sending an email. Alternatively, a message may be sent to the user's smartphone via push notification or the like to inform the user that the prize has been awarded. As a result, the person who inputs the most evaluation results that match the most frequent evaluation result can know that he or she has won the prize.
本明細書中で「Ａ～Ｂ」という記載は、ＡおよびＢを含む。また、本発明に係る工程等について各実施形態で説明したが、これらの記載に限定されるものではなく、種々の変更を行うことができる。 In this specification, the description "A to B" includes A and B. Further, although the steps and the like according to the present invention have been described in each embodiment, the present invention is not limited to these descriptions, and various changes can be made.
さらに、本発明の方法で実施される工程や装置等の各部を実行する順序は限定されない。 Furthermore, the order in which the steps, devices, and other parts implemented in the method of the present invention are performed is not limited.
以下、実施例を参照して本発明をさらに詳細に説明するが、本発明は以下の実施例に限定はされない。 Hereinafter, the present invention will be explained in more detail with reference to Examples, but the present invention is not limited to the following Examples.
実施例１：肌年齢当てコンテストＷｅｂアプリケーション
実施形態１の大衆評価予測ＡＩモデル訓練方法の上記工程（１）～（３）（図２のＳ１００～Ｓ３００）の部分が実行可能なことを示す実施例として、Ｄｊａｎｇｏフレームワークを使用して肌年齢当てコンテストＷｅｂアプリケーション（以下、「本アプリ」という場合がある）を作成した。本アプリは、Ｄｏｃｋｅｒのイメージとして保存した。ＷｅｂサーバーのＮｇｉｎＸ，ｕｗｓｇｉ等も使用可能である。例えば、Ｄｊａｎｇｏ、ＮｇｉｎＸ、ＭｙＳＱＬのＤｏｃｋｅｒイメージを使用して、Ｄｏｃｋｅｒ－ｃｏｍｐｏｓｅまたはＫｕｂｅｒｎｅｔｅｓでオーケストレーションしてデプロイし、オンプレミスのコンピュータ上またはクラウド上でも動作させることができる。実施例１は、非公開の環境でオンプレミスのコンピュータ上で本アプリをＤｏｃｋｅｒイメージ由来のコンテナを使用して実行した結果である。フロントエンドはＨＴＭＬ、ＣＳＳ、ＳＣＳＳ、ＪａｖａＳｃｒｉｐｔとそのライブラリーやＢｏｏｔｓｔｒａｐを使用して作成した。バックエンドはＰｙｔｈｏｎベースのＤｊａｎｇｏフレームワークで作成した。
Example 1: Skin age guessing contest Web application Example showing that the above steps (1) to (3) (S100 to S300 in FIG. 2) of the public evaluation prediction AI model training method of Embodiment 1 can be executed. We created a skin age guessing contest web application (hereinafter sometimes referred to as "this application") using the Django framework. This application was saved as a Docker image. Web servers such as NginX and uwsgi can also be used. For example, you can use Docker images for Django, NginX, and MySQL to orchestrate and deploy with Docker-compose or Kubernetes to run on on-premises computers or even in the cloud. Example 1 is the result of running this application on an on-premises computer in a private environment using a container derived from a Docker image. The front end was created using HTML, CSS, SCSS, JavaScript and its libraries, and Bootstrap. The backend was created using the Python-based Django framework.
図３Ａはランディングページの上部であり、「肌年齢当てコンテスト」のサイトであることを表示している。また、「肌年齢当て」「コンテスト」「懸賞金」等のキーワードはＨＴＭＬのヘッダ部分でＧｏｏｇｌｅ等の検索にヒットしやすいように工夫した。 FIG. 3A is the upper part of the landing page, which indicates that the site is a "skin age guessing contest". In addition, keywords such as ``guess skin age,'' ``contest,'' and ``prize money'' were included in the HTML header to make them more likely to be found in searches on Google.
図３Ｂは、ユーザー登録画面で応募者がコンテストにエントリーするためにその特性（属性）を入力できるようにした。登録にはメールアドレスが必須で、特性としては応募者の性別と年齢層（例、１０代、２０代、３０代、４０代、５０代、６０代、７０代以上）を入力させる設定にした。登録は、Ｄｊａｎｇｏのｄｊａｎｇｏ－ａｌｌａｕｔｈを利用してユーザー登録とログイン認証等をできるようにした。メールアドレスは重複や間違いが無いようにａｌｌａｕｔｈのメール確認機能を使用した。 In FIG. 3B, the user registration screen allows applicants to input their characteristics (attributes) in order to enter the contest. An e-mail address is required for registration, and the applicant's characteristics include the applicant's gender and age group (e.g., teens, 20s, 30s, 40s, 50s, 60s, 70s and older). . For registration, Django's django-allauth can be used for user registration and login authentication. I used Allauth's email confirmation function to ensure that there were no duplicates or mistakes in email addresses.
図３Ｃは、肌年齢を対象画像（５３枚の肌画像）とした（左写真）、肌年齢の予測（一般大衆が考えると予想する肌年齢層）を年齢層の選択肢（１０代、２０代、３０代、４０代、５０代、６０代、７０代以上）から選び、「エントリー」ボタンで各応募者（６名）の評価結果を本アプリに入力させた（工程Ｓ１００）。 Figure 3C shows skin age as the target image (53 skin images) (left photo), skin age prediction (skin age group expected by the general public), and age group options (teens, 20s). , 30s, 40s, 50s, 60s, and over 70s), and entered the evaluation results of each applicant (six people) into this application using the "Enter" button (Step S100).
その結果についてバックエンドのＤｊａｎｇｏで以下の統計処理（工程Ｓ２００）を実行した。 The following statistical processing (step S200) was performed on the results using backend Django.
図４Ａは、スタッフによる解析画面のダッシュボードである。このダッシュボードに年間、月間、または週間の評価数の推移がグラフ表示される。また、各評価者の評価のポイントを、評価した上記肌年齢層の最頻値に従って上記式Ｉを用いて計算した。各評価者のポイントを上位からリストとして表示した。 FIG. 4A is a dashboard of an analysis screen by the staff. This dashboard displays a graph of the number of ratings over the year, month, or week. In addition, the evaluation points of each evaluator were calculated using the above formula I according to the mode of the skin age group evaluated. The points of each evaluator were displayed as a list from top to bottom.
図４Ｂは、各肌画像（対象）に関する複数評価者の肌年齢の評価をドーナツチャートとバーグラフで表示し、評価の分布と最頻値となる肌年齢層を示す図である。この画像では２０代が最頻値となっている。この処理を全ての対象画像で実行した。そして、その最頻値の評価は、大衆評価としてデータベース（ＭｙＳＱＬ）に登録した（工程Ｓ３００）。その大衆評価に基づき各評価者のポイントを上記のように式Ｉを用いて計算した。 FIG. 4B is a diagram that displays the skin age evaluations of multiple evaluators regarding each skin image (object) using a donut chart and a bar graph, and shows the distribution of the evaluations and the skin age group that is the mode. In this image, the most frequent value is in the 20s. This process was performed on all target images. Then, the evaluation of the mode was registered in the database (MySQL) as a public evaluation (step S300). Based on the public ratings, each rater's points were calculated using Formula I as described above.
図４Ｃは、得られたポイントの上位から各評価者をリスト表示した評価者リストである。このように定期的にスタッフは解析処理を行うためにダッシュボードを表示して、各評価者のポイントを逐次再計算する。そして、コンテストの終了時に最終的にポイント解析処理を実行し、各評価者の順位を決定する。 FIG. 4C is an evaluator list displaying each evaluator in descending order of the points obtained. In this way, staff members periodically display the dashboard to perform analysis processing and recalculate each evaluator's points one by one. Then, at the end of the contest, a point analysis process is finally executed to determine the ranking of each evaluator.
より一般大衆が予想する評価を正しくし、その評価数を増やすために上記式Ｉのポイント計算を利用し、高ポイントの応募者にＡｍａｚｏｎギフト券での現金等価である電子マネーを懸賞とする。 In order to make the evaluation expected by the general public more accurate and increase the number of evaluations, the point calculation of the above formula I is used, and applicants with high points are given electronic money, which is the cash equivalent of an Amazon gift certificate, as a prize.
実施例２：顔／肌年齢推定ＡＩモデルの訓練
ＵＴＫＦａｃｅ（https://paperswithcode.com/dataset/utkface）の顔画像と実年齢のセットとなったデータセットを用いて、顔／肌年齢推定ＡＩモデルの訓練（学習）を行った。ディープラーニングフレームワークＫｅｒａｓとＴｅｎｓｏｒｆｌｏｗをＧｏｏｇｌｅ Ｃｏｌａｂｏｒａｔｏｒｙ上で使用して訓練と予測を実行した。データは訓練用、バリデーション用、テスト用にそれぞれ分けて使用した。使用したのは３種類の既存の画像認識モデルＸｃｅｐｔｉｏｎ（Ｋｅｒａｓの公式サイトから利用可能；参考：https://qiita.com/ha9kberry/items/314afb56ee7484c53e6f）、ＥｆｆｉｃｉｅｎｔＮｅｔＢ４（Ｋｅｒａｓの公式サイトから利用可能；参考：https://www.acceluniverse.com/blog/developers/2020/03/pythonefficientnet-multi-outpu.html）、ＥｆｆｉｃｉｅｎｔＮｅｔＶ２＿Ｍ（https://giters.com/GdoongMathew/EfficientNetV2）であり、重み（ｐｒｅ－ｔｒａｉｎｅｄ ｗｅｉｇｈｔｓ）としてｉｍａｇｅｎｅｔ（Ｋｅｒａｓの公式サイトから利用可能）とｉｍａｇｅｎｅｔ２１ｋ－ｆｔ１ｋを用いた。それぞれのモデルの出力を、最終的には全結合層（Ｄｅｎｓｅ（１））として予想年齢を回帰させた。結果を表１に示す。
Ｘｃｅｐｔｉｏｎモデルのトレーニング層を１０８層までと全層にし、１００エポックトレーニングした場合、テスト用データの評価ロスは５．４３から４．６９まで改善した。この際にはＥａｒｌｙ Ｓｔｏｐｐｉｎｇをｃａｌｌｂａｃｋｓに入れて評価が一定エポック改善しない場合は訓練を中止した。エポックを５、１０、１００として訓練した場合は、それぞれ評価ロスは１２．０７、４．７８、ｎａｎとなった。ｎａｎとなり途中で止まってしまった場合の評価ロスとバリデーションロスを図５Ａのグラフに示す。１０エポック以降バリデーションロスの減少がとまり、過学習が起こっていることが分かる。ＥａｒｌｙＳｔｏｐｐｉｎｇさせたＸｃｅｐｔｉｏｎのモデルを使った実際の年齢と予想年齢の画像解析結果を図５Ｂに示す。図５ＢのＴｒｕｅが実年齢を示し、Ｐｒｅｄが予測年齢を示す。評価ロスと対応するようにある程度の精度で年齢を予測するモデルがトレーニングの結果学習できたことを実証する。 When the training layer of the Xception model was increased to 108 layers and all layers were trained for 100 epochs, the evaluation loss of the test data improved from 5.43 to 4.69. At this time, Early Stopping was added to the callbacks, and if the evaluation did not improve for a certain number of epochs, the training was stopped. When training with 5, 10, and 100 epochs, the evaluation loss was 12.07, 4.78, and nan, respectively. The graph of FIG. 5A shows the evaluation loss and validation loss when the process becomes nan and stops midway. After the 10th epoch, the validation loss stops decreasing, indicating that overfitting is occurring. FIG. 5B shows the image analysis results of actual age and predicted age using the Xception model with early stopping. True in FIG. 5B indicates the actual age, and Pred indicates the predicted age. We demonstrate that a model that predicts age with a certain degree of accuracy corresponding to evaluation loss can be learned as a result of training.
モデルをＥｆｆｉｃｉｅｎｔＮｅｔＢ４とＥｆｆｉｃｉｅｎｔＮｅｔＶ２＿Ｍに変えて、表１の条件で再度トレーニングを実行した。評価ロスは重みにｉｍａｇｅｎｅｔを用いた場合それぞれ２．０５と２．３８になった。これは、モデルにより評価ロスが異なることを示しているが、年齢予想ＡＩモデルがリーズナブルにトレーニングできたことを示す。さらに、重みをｉｍａｇｅｎｅｔ２１ｋ－ｆｔ１ｋ（ｈｔｔｐｓ：／／ｇｉｔｅｒｓ．ｃｏｍ／ＧｄｏｏｎｇＭａｔｈｅｗ／ＥｆｆｉｃｉｅｎｔＮｅｔＶ２）にしたところ、１００エポックの学習では評価ロスは１２．４４であり、１０００エポックの学習では評価ロスは２．２０になった。これは同じモデルでも、初期に与える重みが異なると学習効率が異なることを示している。１０００エポック学習後の評価ロスは２．２０であることからｉｍａｇｅｎｅｔの重みを使って１００エポック学習した評価ロスと同等な値が学習条件を変えることで達成できたことを示す。これらの結果から年齢データ（本実施例では実際の年齢、本発明の一実施形態では大衆評価顔／肌年齢）が与えられれば、既存の画像認識モデルを利用して予測年齢をある程度の精度で予測できることが分かった、本発明の対象のデータ（好ましくは画像データ）があれば、このようなモデルをいくつかの条件を変えてトレーニングすることにより大衆評価ＡＩモデルが得られる蓋然性が高いことを実証した。 The models were changed to EfficientNetB4 and EfficientNetV2_M, and training was performed again under the conditions shown in Table 1. The evaluation loss was 2.05 and 2.38, respectively, when imagenet was used as the weight. Although this shows that the evaluation loss varies depending on the model, it shows that the age prediction AI model was able to be trained at a reasonable price. Furthermore, when the weight is set to imagenet21k-ft1k (https://giters.com/GdoongMathew/EfficientNetV2), the evaluation loss is 12.44 for 100 epochs of learning, and 2.20 for 1000 epochs of learning. became. This shows that even if the model is the same, the learning efficiency will differ if the initial weights are different. The evaluation loss after 1000 epochs of learning is 2.20, which shows that a value equivalent to the evaluation loss after 100 epochs of learning using imagenet weights could be achieved by changing the learning conditions. Based on these results, if age data (actual age in this example, public rated face/skin age in one embodiment of the present invention) is given, it is possible to predict age with a certain degree of accuracy using existing image recognition models. If there is data (preferably image data) that is the subject of the present invention and has been found to be able to make predictions, there is a high probability that a popular AI model can be obtained by training such a model by changing some conditions. Proven.
本発明の方法、装置、モデル、システム、プログラム、またはコンピューティングデバイスは、大衆評価データを生成したり、それを利用したりして、限定はされないが、各種の大衆評価アプリケーションを実施するのに有用である。 The method, apparatus, model, system, program, or computing device of the present invention is useful for generating or utilizing public evaluation data to implement, but is not limited to, various public evaluation applications. Useful.
Claims (23)
コンピュータが、複数人によって入力部に入力された対象の評価結果をデータベースに送信する送信工程と、
前記評価結果のうち、前記複数人の各人の評価結果を比較したときに最も多く一致した評価結果を最頻の評価結果として特定する処理を行う処理工程と、
前記最頻の評価結果をデータベースに保存する保存工程と、を含むデータ生成方法。 A data generation method,
a sending step in which the computer sends the evaluation results of the object input into the input section by multiple people to the database;
Among the evaluation results, a processing step of identifying the evaluation result that matches the most when comparing the evaluation results of each of the plurality of people as the most frequent evaluation result;
A data generation method comprising: a storage step of storing the most frequent evaluation results in a database.
前記評価結果のうち、前記複数人の各人の評価結果を比較したときに最も多く一致した評価結果を最頻の評価結果として特定する処理を行う処理部と、
前記最頻の評価結果をデータベースに保存する保存部と、を含むデータ生成システム。 a transmitting unit in which the computer transmits the evaluation results of the object input into the input unit by multiple people to the database;
A processing unit that performs a process of identifying the evaluation result that matches the most when comparing the evaluation results of each of the plurality of evaluation results as the most frequent evaluation result;
A data generation system comprising: a storage unit that stores the most frequent evaluation results in a database.
前記評価結果のうち、前記複数人の各人の評価結果を比較したときに最も多く一致した評価結果を最頻の評価結果として特定する処理を行う処理部と、
前記最頻の評価結果をデータベースに保存する保存部と、を含むデータ生成装置。 a transmitting unit in which the computer transmits the evaluation results of the object input into the input unit by multiple people to the database;
A processing unit that performs a process of identifying the evaluation result that matches the most when comparing the evaluation results of each of the plurality of evaluation results as the most frequent evaluation result;
A data generation device including: a storage unit that stores the most frequent evaluation results in a database.
請求項１～１１のいずれか一項の方法、システム、または装置によって生成された前記最頻の評価結果のデータを利用して、前記対象に対する大衆評価予測ＡＩモデルを訓練する工程、を含むＡＩモデル訓練方法。 An AI model training method, the method comprising:
AI comprising the step of training a public evaluation prediction AI model for the object using data of the most frequent evaluation results generated by the method, system, or apparatus according to any one of claims 1 to 11. Model training method.
ニューラルネットワークからなり入力データを処理する中間層と、
前記対象に対する大衆評価を出力する出力層と、を含み、
請求項１２～１４のいずれか一項に記載の方法により訓練された学習済み大衆評価予測ＡＩモデル。 an input layer for inputting target data;
a middle layer consisting of a neural network and processing input data;
an output layer that outputs public evaluation of the object,
A learned public rating prediction AI model trained by the method according to any one of claims 12 to 14.
ユーザーの有する対象のデータを入力する入力部と、
前記対象のデータに対する大衆評価を予測する予測部と、
前記予測をユーザーに表示する出力制御部と、を含む大衆評価予測ＡＩシステム。 The trained public evaluation prediction AI model according to claim 15;
an input section for inputting target data possessed by the user;
a prediction unit that predicts public evaluation of the target data;
A public evaluation prediction AI system, comprising: an output control unit that displays the prediction to a user.
ユーザーの有する対象のデータを入力する入力部と、
前記対象のデータに対する大衆評価を予測する予測部と、
前記予測をユーザーに表示する出力部と、を含むプログラム。 The trained public evaluation prediction AI model according to claim 15;
an input section for inputting target data possessed by the user;
a prediction unit that predicts public evaluation of the target data;
A program comprising: an output unit that displays the prediction to a user.
ユーザーの有する対象のデータを入力する入力部と、
前記対象のデータに対する大衆評価を予測する予測部と、
前記予測をユーザーに表示する出力部と、を含むコンピューティングデバイス。 The trained public evaluation prediction AI model according to claim 15;
an input section for inputting target data possessed by the user;
a prediction unit that predicts public evaluation of the target data;
and an output for displaying the prediction to a user.
コンピュータが、最頻の評価結果に一致する評価結果を最も多く入力した人の端末に懸賞を獲得したことを表示する表示工程と、
を含む方法。 a sending step in which the computer sends the evaluation results of the object input into the input section by multiple people to the database;
a display step in which the computer displays on the terminal of the person who inputs the most evaluation results that match the most frequent evaluation results that the prize has been won;
method including.
コンピュータが、最頻の評価結果に一致する評価結果を最も多く入力した人の端末に懸賞を獲得したことを表示する表示部と、
を含むシステム。 a transmitting unit in which the computer transmits the evaluation results of the object input into the input unit by multiple people to the database;
a display section where the computer displays on the terminal of the person who inputs the most evaluation results that match the most frequent evaluation results that the prize has been won;
system containing.
コンピュータが、最頻の評価結果に一致する評価結果を最も多く入力した人の端末に懸賞を獲得したことを表示する表示部と、
を含む装置。 a transmitting unit in which the computer transmits the evaluation results of the object input into the input unit by multiple people to the database;
a display section where the computer displays on the terminal of the person who inputs the most evaluation results that match the most frequent evaluation results that the prize has been won;
equipment containing.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2022036716A JP7162825B1 (en) | 2022-03-10 | 2022-03-10 | Data generation method, system, or device and popularly rated predictive AI model training method, learned model, or popularly rated predictive AI system, program, or computing device |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2022036716A JP7162825B1 (en) | 2022-03-10 | 2022-03-10 | Data generation method, system, or device and popularly rated predictive AI model training method, learned model, or popularly rated predictive AI system, program, or computing device |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP7162825B1 JP7162825B1 (en) | 2022-10-31 |
| JP2023131769A true JP2023131769A (en) | 2023-09-22 |
Family
ID=83845953
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022036716A Active JP7162825B1 (en) | 2022-03-10 | 2022-03-10 | Data generation method, system, or device and popularly rated predictive AI model training method, learned model, or popularly rated predictive AI system, program, or computing device |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7162825B1 (en) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001325471A (en) * | 2000-05-12 | 2001-11-22 | Tohoku Ricoh Co Ltd | Method, system and device for supporting artist, client device, literary work data recorder and recording medium |
| JP2002342522A (en) * | 2001-05-16 | 2002-11-29 | Sony Corp | Entertainment system for event |
| JP2003087824A (en) * | 2001-07-31 | 2003-03-20 | Hewlett Packard Co <Hp> | Method and apparatus for interactive broadcasting |
| JP2005202826A (en) * | 2004-01-19 | 2005-07-28 | Hikoyoshi Shimizu | Examination method for audience participation audition |
| JP2006340191A (en) * | 2005-06-03 | 2006-12-14 | Jupiter Entertainment Kk | Operating system and method for viewer participation type television program, program, and recording medium |
| US20130053115A1 (en) * | 2011-08-26 | 2013-02-28 | CEM International Limited | Game show with specialized voting procedure |
| US20130339484A1 (en) * | 2012-06-19 | 2013-12-19 | Scooltv, Inc. | Online web-course reality program |
| KR20170025634A (en) * | 2015-08-31 | 2017-03-08 | 차영훈 | Method for creating music over the internet |
-
2022
- 2022-03-10 JP JP2022036716A patent/JP7162825B1/en active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001325471A (en) * | 2000-05-12 | 2001-11-22 | Tohoku Ricoh Co Ltd | Method, system and device for supporting artist, client device, literary work data recorder and recording medium |
| JP2002342522A (en) * | 2001-05-16 | 2002-11-29 | Sony Corp | Entertainment system for event |
| JP2003087824A (en) * | 2001-07-31 | 2003-03-20 | Hewlett Packard Co <Hp> | Method and apparatus for interactive broadcasting |
| JP2005202826A (en) * | 2004-01-19 | 2005-07-28 | Hikoyoshi Shimizu | Examination method for audience participation audition |
| JP2006340191A (en) * | 2005-06-03 | 2006-12-14 | Jupiter Entertainment Kk | Operating system and method for viewer participation type television program, program, and recording medium |
| US20130053115A1 (en) * | 2011-08-26 | 2013-02-28 | CEM International Limited | Game show with specialized voting procedure |
| US20130339484A1 (en) * | 2012-06-19 | 2013-12-19 | Scooltv, Inc. | Online web-course reality program |
| KR20170025634A (en) * | 2015-08-31 | 2017-03-08 | 차영훈 | Method for creating music over the internet |
Also Published As
| Publication number | Publication date |
|---|---|
| JP7162825B1 (en) | 2022-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Crosetto et al. | A theoretical and experimental appraisal of four risk elicitation methods | |
| Dave et al. | Eliciting risk preferences: When is simple better? | |
| Moro et al. | Can we trace back hotel online reviews’ characteristics using gamification features? | |
| Alcázar et al. | The effect of user-generated content on tourist behavior: the mediating role of destination image | |
| Woodside et al. | Cultural diversity and marketing transactions: Are market integration, large community size, and world religions necessary for fairness in ephemeral exchanges? | |
| US20170154267A1 (en) | Discovering signature of electronic social networks | |
| Ball et al. | Risk aversion and physical prowess: Prediction, choice and bias | |
| Gerrits et al. | Age and sex affect deep learning prediction of cardiometabolic risk factors from retinal images | |
| Andersson et al. | Robust inference in risk elicitation tasks | |
| See et al. | Does happiness matter to health system efficiency? A performance analysis | |
| JP2010170534A (en) | Health support system and health support method | |
| Swami et al. | Associations between positive body image, sexual liberalism, and unconventional sexual practices in US adults | |
| NGUYEN et al. | Critical Factors Affecting the Adoption of Artificial Intelligence: An Empirical Study in Vietnam | |
| Izogo et al. | Examining customers’ experience with the Nigerian Bank Verification Number (BVN) policy from the perspective of a dual-lens theory | |
| Li et al. | Profit earning and monetary loss bidding in online entertainment shopping: the impacts of bidding patterns and characteristics | |
| Lampeitl et al. | The role of influencers in generating customer-based brand equity & brand-promoting user-generated content | |
| CN109934461B (en) | Knowledge community user contribution capacity calculation method and device | |
| Woods et al. | Nice to you, nicer to me: Does self-serving generosity diminish the reciprocal response? | |
| Heshmati et al. | Agent-based simulation of cooperative innovation in R&D | |
| Whitacre et al. | Public libraries and residential broadband adoption: Do more computers lead to higher rates? | |
| JP2013191203A (en) | Service deciding device, service deciding method and service deciding program | |
| US20210097424A1 (en) | Dynamic selection of features for training machine learning models | |
| JP2011128922A (en) | Beauty support system and beauty support method | |
| JP7162825B1 (en) | Data generation method, system, or device and popularly rated predictive AI model training method, learned model, or popularly rated predictive AI system, program, or computing device | |
| Ilukor et al. | Measuring the quality of clinical veterinary services for Cattle: an application of a role play experiment in rural Uganda |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220310 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20220310 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220524 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220717 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20221007 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221007 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7162825 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |