JP7082647B2 - 保険料算出システム及び保険料算出方法 - Google Patents
保険料算出システム及び保険料算出方法 Download PDFInfo
- Publication number
- JP7082647B2 JP7082647B2 JP2020145099A JP2020145099A JP7082647B2 JP 7082647 B2 JP7082647 B2 JP 7082647B2 JP 2020145099 A JP2020145099 A JP 2020145099A JP 2020145099 A JP2020145099 A JP 2020145099A JP 7082647 B2 JP7082647 B2 JP 7082647B2
- Authority
- JP
- Japan
- Prior art keywords
- animal
- age
- insurance
- face image
- insurance premium
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004364 calculation method Methods 0.000 title claims description 81
- 241001465754 Metazoa Species 0.000 claims description 193
- 230000001815 facial effect Effects 0.000 claims description 42
- 241000282412 Homo Species 0.000 claims description 12
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 72
- 201000010099 disease Diseases 0.000 description 70
- 238000000034 method Methods 0.000 description 21
- 241000282472 Canis lupus familiaris Species 0.000 description 12
- 238000013135 deep learning Methods 0.000 description 12
- 238000013473 artificial intelligence Methods 0.000 description 8
- 241000282326 Felis catus Species 0.000 description 7
- 208000032625 disorder of ear Diseases 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 241000282339 Mustela Species 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000008450 motivation Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 201000004624 Dermatitis Diseases 0.000 description 2
- 241000512668 Eunectes Species 0.000 description 2
- 241000124008 Mammalia Species 0.000 description 2
- 241000283973 Oryctolagus cuniculus Species 0.000 description 2
- 241000209094 Oryza Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 230000037396 body weight Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 208000035475 disorder Diseases 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000271566 Aves Species 0.000 description 1
- 241000283690 Bos taurus Species 0.000 description 1
- 208000002177 Cataract Diseases 0.000 description 1
- 206010010741 Conjunctivitis Diseases 0.000 description 1
- 206010011013 Corneal erosion Diseases 0.000 description 1
- 206010012438 Dermatitis atopic Diseases 0.000 description 1
- 241000909851 Epiphora Species 0.000 description 1
- 208000010412 Glaucoma Diseases 0.000 description 1
- 241000270322 Lepidosauria Species 0.000 description 1
- 206010033078 Otitis media Diseases 0.000 description 1
- 208000006311 Pyoderma Diseases 0.000 description 1
- 241000282887 Suidae Species 0.000 description 1
- 206010064996 Ulcerative keratitis Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 201000008937 atopic dermatitis Diseases 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 201000007717 corneal ulcer Diseases 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 206010023332 keratitis Diseases 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 208000016747 lacrimal apparatus disease Diseases 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 206010033072 otitis externa Diseases 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 208000017520 skin disease Diseases 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/178—Human faces, e.g. facial parts, sketches or expressions estimating age from face image; using age information for improving recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Technology Law (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本発明は、保険料算出システム及び保険料算出方法に関し、詳しくは、動物の顔の画像から、動物の年齢に関する予測を提供し、当該年齢に関する予測に基づいた保険料を算出する保険料算出システム及び保険料算出方法に関する。
犬や猫、ウサギを始めとする愛玩動物、牛や豚を始めとする家畜は、人間にとってかけがえのない存在である。近年、人間が飼育する動物の平均寿命が大幅に伸びた一方で、動物がその一生の中で何らかの疾患に罹患することが多くなり、飼育者が負担する医療費の増大が問題となっている。
そのため、愛玩動物の医療費をカバーするペット保険が提供されている。ペット保険は、人間に対する生命保険や医療保険と同様に、動物の年齢に応じて保険料や加入の可否が決まることが多い。ところが、戸籍制度が整備され、身分証明書などにより年齢確認が容易な人間とは異なり、動物は正確な年齢が把握できないことがある。例えば、路上で保護された動物は出生日や年齢が不明であるし、ブリーダーやペットショップを通じて譲渡された動物についても、飼い主が出生に関する記録を紛失したり、年齢を失念することもある。また、ペット保険加入に際して、年齢についての虚偽申告がなされる可能性も否定できない。
また、ペット保険は、高額の医療費をカバーするものであることから必要性が高いにもかかわらず普及率には未だ改善の余地がある。その理由の一つとして、飼い主のペット保険加入へのモチベーションが上がらないことが考えられる。
また、ペット保険は、高額の医療費をカバーするものであることから必要性が高いにもかかわらず普及率には未だ改善の余地がある。その理由の一つとして、飼い主のペット保険加入へのモチベーションが上がらないことが考えられる。
そこで、簡易な方法で、ペット保険の対象となる動物の年齢を知る手段が求められている。ペット保険の加入時又は加入審査時の動物の年齢を知ることができれば、年齢に応じた保険料の算出や保険の加入審査が可能となるため、有用である。また、簡易な方法でペットの年齢、例えば、実年齢、健康年齢やペットの容貌が何歳に相当するのかを把握することができれば、飼い主に対して、ペットの健康に気をつけるきっかけともなり、ひいてはペット保険加入へのモチベーションを上げることも期待できる。
特許文献１には、疾病の種類に応じた保険金を算出する装置であって、被保険者のバイタルデータ及び生活習慣データのうち少なくとも一方を含む検出データを取得する取得部と、前記検出データと、少なくとも前記被保険者の年齢を含む被保険者データとを基に、前記疾病の種類毎に保険金を決定する決定部とを備える保険金算出装置が開示されている。特許文献２には、飼育動物の保険加入支援システムが開示されている。
しかしながら、特許文献１に記載されている算出装置は、人の保険を対象とした保険金算出装置であり、動物用の保険の保険料算出を対象としたものではない。また、特許文献１に記載の保険金算出装置では、被保険者の年齢は予め把握されている。また、特許文献２に記載されている保険加入支援システムは、動物の基本情報と疾病情報から保険加入時期を判定するものであって、動物の年齢の判定機能とそれに基づく保険料算出機能を含むものではない。
そこで、本発明は、簡易な方法で、動物の年齢を予測判定し、年齢の予測判定に応じた保険料算出システム等を提供することを目的とする。
動物を対象とする健康保険、いわゆるペット保険を運営する保険会社には、膨大な数の動物の写真と、その動物の写真撮影時の年齢に関する情報が蓄積されており、本発明者らは、これらを用いて上記課題が解決できないかを検討してきた。その結果、動物の写真とその動物の撮影時の年齢を教師データとして人工知能を学習させると、動物の写真からその動物の年齢を予測判定する予測モデルを生成できることを見いだし、本発明を完成するに至った。
すなわち、本発明は以下の［１］～［９］である。
［１］ヒトを除く動物の顔画像の入力を受け付ける受付手段と、学習済みモデルを用いて、前記受付手段に入力された動物の顔画像からその動物の年齢を予測判定する判定手段と、前記判定手段が予測判定した年齢を元に保険料を算出する保険料算出手段と、を備える保険料算出システムであって、
前記学習済みモデルが、ヒトを除く動物の顔画像とその動物の撮影時の年齢とを教師データとして用いて学習を行い、入力を動物の顔画像とし、出力をその動物の年齢の予測判定とする学習済みモデルであることを特徴とする保険料算出システム。
［２］前記動物が、犬である［１］の保険料算出システム。
［３］前記動物が、猫である［１］の保険料算出システム。
［４］前記動物の顔画像が、動物の顔を正面から撮影した画像である［１］～［３］のいずれかの保険料算出システム。
［５］動物の年齢と保険料を含む保険料テーブルを記憶する記憶部を更に備え、前記保険料算出手段が、保険料テーブルを用いて保険料を算出する［１］～［４］のいずれかの保険料算出システム。
［６］ヒトを除く動物の顔画像の入力を受け付ける受付手段と、学習済みモデルを用いて、前記受付手段に入力された動物の顔画像からその動物の年齢を予測判定する判定手段と、を備える年齢予測システムであって、
前記学習済みモデルが、ヒトを除く動物の顔画像とその動物の撮影時の年齢とを教師データとして用いて学習を行い、入力を動物の顔画像とし、出力をその動物の年齢の予測判定とする学習済みモデルであることを特徴とする年齢予測システム。
［７］ヒトを除く動物の顔画像からその動物の年齢の予測をする学習済みモデルの生成方法であって、教師データとして、ヒトを除く動物の顔画像と、その動物の撮影時の年齢を人工知能を含むコンピュータに入力し、人工知能に学習させることを特徴とする学習済みモデルの生成方法。
［８］ヒトを除く動物の顔画像を用意するステップと、
前記顔画像を学習済みモデルに入力し、コンピュータが前記学習済みモデルを用いて、前記入力された動物の顔画像からその動物の顔画像撮影時の年齢の予測を出力するステップと、当該年齢の予測に基づいて当該動物に対する保険料を算出するステップと、を有する保険料算出方法であって、
前記学習済みモデルが、ヒトを除く動物の顔画像とその動物の撮影時の年齢とを教師データとして用いて学習を行い、入力を動物の顔画像とし、出力をその動物の年齢とする学習済みモデルであることを特徴とする保険料算出方法。
［９］ヒトを除く動物の顔画像の入力を受け付ける受付手段と、学習済みモデルを用いて、前記受付手段に入力された動物の顔画像からその動物の年齢を予測判定する判定手段と、前記判定手段が予測判定した年齢を元に保険への加入可否を判定する保険加入可否判定手段と、を備える保険加入可否判定システムであって、
前記学習済みモデルが、ヒトを除く動物の顔画像とその動物の撮影時の年齢とを教師データとして用いて学習を行い、入力を動物の顔画像とし、出力をその動物の年齢の予測判定とする学習済みモデルであることを特徴とする保険加入可否判定システム。
［１］ヒトを除く動物の顔画像の入力を受け付ける受付手段と、学習済みモデルを用いて、前記受付手段に入力された動物の顔画像からその動物の年齢を予測判定する判定手段と、前記判定手段が予測判定した年齢を元に保険料を算出する保険料算出手段と、を備える保険料算出システムであって、
前記学習済みモデルが、ヒトを除く動物の顔画像とその動物の撮影時の年齢とを教師データとして用いて学習を行い、入力を動物の顔画像とし、出力をその動物の年齢の予測判定とする学習済みモデルであることを特徴とする保険料算出システム。
［２］前記動物が、犬である［１］の保険料算出システム。
［３］前記動物が、猫である［１］の保険料算出システム。
［４］前記動物の顔画像が、動物の顔を正面から撮影した画像である［１］～［３］のいずれかの保険料算出システム。
［５］動物の年齢と保険料を含む保険料テーブルを記憶する記憶部を更に備え、前記保険料算出手段が、保険料テーブルを用いて保険料を算出する［１］～［４］のいずれかの保険料算出システム。
［６］ヒトを除く動物の顔画像の入力を受け付ける受付手段と、学習済みモデルを用いて、前記受付手段に入力された動物の顔画像からその動物の年齢を予測判定する判定手段と、を備える年齢予測システムであって、
前記学習済みモデルが、ヒトを除く動物の顔画像とその動物の撮影時の年齢とを教師データとして用いて学習を行い、入力を動物の顔画像とし、出力をその動物の年齢の予測判定とする学習済みモデルであることを特徴とする年齢予測システム。
［７］ヒトを除く動物の顔画像からその動物の年齢の予測をする学習済みモデルの生成方法であって、教師データとして、ヒトを除く動物の顔画像と、その動物の撮影時の年齢を人工知能を含むコンピュータに入力し、人工知能に学習させることを特徴とする学習済みモデルの生成方法。
［８］ヒトを除く動物の顔画像を用意するステップと、
前記顔画像を学習済みモデルに入力し、コンピュータが前記学習済みモデルを用いて、前記入力された動物の顔画像からその動物の顔画像撮影時の年齢の予測を出力するステップと、当該年齢の予測に基づいて当該動物に対する保険料を算出するステップと、を有する保険料算出方法であって、
前記学習済みモデルが、ヒトを除く動物の顔画像とその動物の撮影時の年齢とを教師データとして用いて学習を行い、入力を動物の顔画像とし、出力をその動物の年齢とする学習済みモデルであることを特徴とする保険料算出方法。
［９］ヒトを除く動物の顔画像の入力を受け付ける受付手段と、学習済みモデルを用いて、前記受付手段に入力された動物の顔画像からその動物の年齢を予測判定する判定手段と、前記判定手段が予測判定した年齢を元に保険への加入可否を判定する保険加入可否判定手段と、を備える保険加入可否判定システムであって、
前記学習済みモデルが、ヒトを除く動物の顔画像とその動物の撮影時の年齢とを教師データとして用いて学習を行い、入力を動物の顔画像とし、出力をその動物の年齢の予測判定とする学習済みモデルであることを特徴とする保険加入可否判定システム。
本発明により、簡易な方法で、動物の年齢を判定する年齢予測システム、年齢の判定結果に基づいて動物の保険料を算出する保険料算出システム等を提供することが可能となる。また、簡易な方法で動物の年齢、例えば、実年齢、健康年齢や当該動物の容貌が何歳に相当するのかを把握できることにより、飼い主に対して、飼育している動物の健康に気をつけるきっかけともなり、ひいてはペット保険加入へのモチベーションを上げることやペット保険加入率の改善も期待できる。
［年齢予測システム］
本発明の年齢予測システムは、ヒトを除く動物の顔画像の入力を受け付ける受付手段と、学習済みモデルを用いて、前記受付手段に入力された動物の顔画像からその動物の年齢を予測又は判定し出力する判定手段と、を備える。
本発明の年齢予測システムは、ヒトを除く動物の顔画像の入力を受け付ける受付手段と、学習済みモデルを用いて、前記受付手段に入力された動物の顔画像からその動物の年齢を予測又は判定し出力する判定手段と、を備える。
［受付手段］
本発明の受付手段は、年齢を予測したい動物の顔画像の入力を受け付ける手段である。動物としては、犬、猫、ウサギ、フェレット等の哺乳類、鳥類、爬虫類、愛玩動物が挙げられ、哺乳類が好ましく、犬及び猫がより好ましい。画像の受付方法は、スキャン、画像データの入力、送信、その場で撮影しての画像取り込みなどいずれの方法であってもよい。顔画像のフォーマットは特に限定されないが、顔画像は、動物の顔を正面から撮影した写真であることが好ましく、図１に表すような動物の顔が大きく写っている写真がより好ましい。そのような写真として、ヒトの運転免許証の写真のような写真が挙げられる。図２のように、動物の健康保険証に用いられる画像も好ましい。画像は、白黒、グレースケール、カラーのいずれであってもよい。動物の顔全体が写っていない画像、画像編集ソフトウェアで形状が編集された画像、複数の動物が写っている画像、目や耳が判別出来ないほど顔が小さく写っている画像あるいは不鮮明な画像は好ましくない。画像については、ノーマライゼーションが施され、解像度等が統一されたものが好ましい。
本発明の受付手段は、年齢を予測したい動物の顔画像の入力を受け付ける手段である。動物としては、犬、猫、ウサギ、フェレット等の哺乳類、鳥類、爬虫類、愛玩動物が挙げられ、哺乳類が好ましく、犬及び猫がより好ましい。画像の受付方法は、スキャン、画像データの入力、送信、その場で撮影しての画像取り込みなどいずれの方法であってもよい。顔画像のフォーマットは特に限定されないが、顔画像は、動物の顔を正面から撮影した写真であることが好ましく、図１に表すような動物の顔が大きく写っている写真がより好ましい。そのような写真として、ヒトの運転免許証の写真のような写真が挙げられる。図２のように、動物の健康保険証に用いられる画像も好ましい。画像は、白黒、グレースケール、カラーのいずれであってもよい。動物の顔全体が写っていない画像、画像編集ソフトウェアで形状が編集された画像、複数の動物が写っている画像、目や耳が判別出来ないほど顔が小さく写っている画像あるいは不鮮明な画像は好ましくない。画像については、ノーマライゼーションが施され、解像度等が統一されたものが好ましい。
［判定手段］
本発明の判定手段は、ヒトを除く動物の顔画像とその動物の撮影時の年齢（出生日からの経過年数）とを教師データとして用いて学習を行い、入力を動物の顔画像とし、出力をその動物の撮影時の年齢に関する予測とする学習済みモデルを含む。年齢としては、月単位であっても、年単位であってもよく、区分けであってもよい。区分けとしては、例えば、犬を例にすると、乳幼齢（１歳）、中間齢（２歳～７歳）、高齢（８歳以上）という区分けが挙げられる。区分けの仕方はこれに限られず、乳幼齢（１歳未満）、成犬（２～７歳）、高齢犬（８～１０歳）、老齢（１１歳以上）といった区分けの仕方等も挙げられる。猫や、フェレット等の他の動物についても、平均寿命に応じて、年齢を区分けすることができる。
本発明の判定手段は、ヒトを除く動物の顔画像とその動物の撮影時の年齢（出生日からの経過年数）とを教師データとして用いて学習を行い、入力を動物の顔画像とし、出力をその動物の撮影時の年齢に関する予測とする学習済みモデルを含む。年齢としては、月単位であっても、年単位であってもよく、区分けであってもよい。区分けとしては、例えば、犬を例にすると、乳幼齢（１歳）、中間齢（２歳～７歳）、高齢（８歳以上）という区分けが挙げられる。区分けの仕方はこれに限られず、乳幼齢（１歳未満）、成犬（２～７歳）、高齢犬（８～１０歳）、老齢（１１歳以上）といった区分けの仕方等も挙げられる。猫や、フェレット等の他の動物についても、平均寿命に応じて、年齢を区分けすることができる。
前記学習済みモデルとしては、人工知能（ＡＩ）が好ましい。人工知能（ＡＩ）とは、人間の脳が行っている知的な作業をコンピュータで模倣したソフトウェアやシステムであり、具体的には、人間の使う自然言語を理解したり、論理的な推論を行ったり、経験から学習したりするコンピュータプログラムなどのことをいう。人工知能としては、汎用型、特化型のいずれであってもよく、ディープニューラルネットワーク、畳み込みニューラルネットワーク等のいずれであってもよく、公開されているソフトウェアを使用することができる。
学習済みモデルを生成するために、人工知能を教師データを用いて学習させる。学習としては、機械学習とディープラーニング（深層学習）のいずれであってもよいが、ディープラーニングが好ましい。ディープラーニングは、機械学習を発展させたものであり、特徴量を自動的に見つけ出す点に特徴がある。
学習済みモデルを生成するための学習方法としては、特に制限されず、公開されているソフトウェアを用いることができる。例えば、NVIDIAが公開しているDIGITS (the Deep Learning GPU Training System)を用いることができる。その他、例えば、「サポートベクターマシン入門」（共立出版）等において公開されている公知のサポートベクターマシン法（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ法）等によって学習させてもよい。
学習のための教師データは、動物の顔画像とその動物の撮影当時の年齢である。教師データとしての動物の顔画像は、上記受付方法で説明した顔画像と同様である。当該動物の年齢についての情報は、例えば、保険加入申請時に提供される情報として、動物病院あるいは保険をかけようとする当該動物の飼い主等から入手可能である。年齢としては、月単位であっても、年単位であってもよく、区分けであってもよい。区分けとしては、例えば、犬を例にすると、乳幼齢（１歳未満）、中間齢（２～７歳）、老齢（８歳以上）、という区分けが挙げられる。区分けの仕方はこれに限られず、乳幼齢（１歳未満）、成犬（２～７歳）、高齢犬（８～１０歳）、老齢（１１歳以上）といった区分けの仕方等も挙げられる。猫や、フェレット等の他の動物についても、平均寿命に応じて、年齢を区分けすることができる。
［出力］
本発明の判定手段は、入力情報として、動物の顔画像を受け付けると、上記学習済みモデルによって、当該動物の顔画像撮影時の年齢の予測判定を行う。出力の年齢としては、実年齢（出生時からの経過年月数）であってもよく、健康年齢（当該動物の健康状態又は容姿の状態が、何歳相当であるのか）であってもよい。
出力の形式は特に限定されず、例えば、パソコンの画面上において、「１歳２ヶ月」、あるいは、「幼齢」、「乳幼齢」、「老齢」といった表示をすることで予測判定を出力することができる。また、付随的な情報として、年齢の予測判定の確実性を同時に出力してもよい。例えば、「１歳２ヶ月（信頼度：８０％）」といった具合である。また、年齢を数値範囲で出力してもよい。例えば、「１１ヶ月～１歳２ヶ月」、「１歳未満」、「１～２歳」、「８歳以上」といった具合である。
本発明の年齢予測システムは、判定手段から判定結果を受信し、判定結果を出力する出力手段を別途有していてもよい。
本発明の年齢予測システムを利用することで、後述するような保険料の算出のほか、判定された年齢が実年齢よりも高い場合に、動物の飼い主に対して、健康管理に気をつけるように促す、老化抑止に効果的なフードを提案することが可能となる。
本発明の判定手段は、入力情報として、動物の顔画像を受け付けると、上記学習済みモデルによって、当該動物の顔画像撮影時の年齢の予測判定を行う。出力の年齢としては、実年齢（出生時からの経過年月数）であってもよく、健康年齢（当該動物の健康状態又は容姿の状態が、何歳相当であるのか）であってもよい。
出力の形式は特に限定されず、例えば、パソコンの画面上において、「１歳２ヶ月」、あるいは、「幼齢」、「乳幼齢」、「老齢」といった表示をすることで予測判定を出力することができる。また、付随的な情報として、年齢の予測判定の確実性を同時に出力してもよい。例えば、「１歳２ヶ月（信頼度：８０％）」といった具合である。また、年齢を数値範囲で出力してもよい。例えば、「１１ヶ月～１歳２ヶ月」、「１歳未満」、「１～２歳」、「８歳以上」といった具合である。
本発明の年齢予測システムは、判定手段から判定結果を受信し、判定結果を出力する出力手段を別途有していてもよい。
本発明の年齢予測システムを利用することで、後述するような保険料の算出のほか、判定された年齢が実年齢よりも高い場合に、動物の飼い主に対して、健康管理に気をつけるように促す、老化抑止に効果的なフードを提案することが可能となる。
［保険料算出システム］
本発明の保険料算出システムは、ヒトを除く動物の顔画像の入力を受け付ける受付手段と、学習済みモデルを用いて、前記受付手段に入力された動物の顔画像からその動物の年齢を予測判定する判定手段と、前記判定手段が予測判定した年齢を元に保険料を算出する保険料算出手段と、を備える保険料算出システムであって、前記学習済みモデルが、ヒトを除く動物の顔画像とその動物の撮影時の年齢とを教師データとして用いて学習を行い、入力を動物の顔画像とし、出力をその動物の年齢の予測判定とする学習済みモデルであることを特徴とする。
本発明の保険料算出システムは、ヒトを除く動物の顔画像の入力を受け付ける受付手段と、学習済みモデルを用いて、前記受付手段に入力された動物の顔画像からその動物の年齢を予測判定する判定手段と、前記判定手段が予測判定した年齢を元に保険料を算出する保険料算出手段と、を備える保険料算出システムであって、前記学習済みモデルが、ヒトを除く動物の顔画像とその動物の撮影時の年齢とを教師データとして用いて学習を行い、入力を動物の顔画像とし、出力をその動物の年齢の予測判定とする学習済みモデルであることを特徴とする。
すなわち、本発明の保険料算出システムは、保険の対象となる動物の顔画像を上記の年齢予測システムに入力し、出力された年齢の予測結果に応じて当該動物の保険料を算出するものである。年齢に応じた保険料の算出方法は公知の方法によることができる。保険料の決定には、年齢の予測のほか、当該動物の疾患罹患の予測、当該動物の種類、品種、性別、体重、既往歴等の情報を用いてもよい。当該動物の疾患罹患の予測については後述する学習モデルを用いることができる。また、当該動物の種類、品種、性別、体重、既往歴等の情報については、動物の飼い主、保険加入申請をしようとする者に端末からの入力を促すことで入手することができる。
以下、本発明の保険料算出システムの一実施態様を図３を参照しながら説明する。
以下、本発明の保険料算出システムの一実施態様を図３を参照しながら説明する。
図３中、端末４０は、保険契約者（保険契約申込者、ユーザ）が利用する端末である。端末４０は、例えばパーソナルコンピュータやタブレット端末などが挙げられる。端末４０は、ＣＰＵなどの処理部、ハードディスク、ＲＯＭあるいはＲＡＭなどの記憶部、液晶パネルなどの表示部、マウス、キーボード、タッチパネルなどの入力部、ネットワークアダプタなどの通信部などを含んで構成される。
ユーザは、端末４０から、サーバにアクセスし、保険の対象となる動物の顔画像（写真）、及び、当該動物の種類、品種、性別、体重、既往歴などの情報を入力、送信する。保険料の算出あるいは保険加入可否の判定にあたっては、保険加入申込時点における動物の年齢を予測判定することが望まれるため、動物の顔画像（写真）は、保険契約者が保険申込みをする時点において撮影時から時間が経っていないものが好ましい。例えば、撮影時から６ヶ月以内ものが好ましく、３ヶ月以内のものがより好ましく、１ヶ月以内のものがさらに好ましい。また、ユーザが、申込み時に、その場でスマートフォンのカメラを使って対象となる動物の顔写真を撮影し、それを入力、送信するという態様であってもよい。例えば、ユーザは、端末４０の画面上に表示される指示に従って保険対象となる動物の顔写真を撮影し、適切な写真が撮れたらそれをサーバに送信する。このとき、サーバが、別途、画像判定プログラムからなる写真撮影補助手段を備え、写真撮影補助手段が、動物の顔全体が撮像されていること、動物の顔の正面からの写真であるといった、年齢の予測判定に好適な写真であるかどうかを判定し、その判定結果をインターフェースや端末を通じてユーザに伝達するという構成を備えていてもよい。
また、ユーザは、端末４０がサーバにアクセスすることによって、サーバにおける年齢予測結果や保険料算出結果を受信することができる。
ユーザは、端末４０から、サーバにアクセスし、保険の対象となる動物の顔画像（写真）、及び、当該動物の種類、品種、性別、体重、既往歴などの情報を入力、送信する。保険料の算出あるいは保険加入可否の判定にあたっては、保険加入申込時点における動物の年齢を予測判定することが望まれるため、動物の顔画像（写真）は、保険契約者が保険申込みをする時点において撮影時から時間が経っていないものが好ましい。例えば、撮影時から６ヶ月以内ものが好ましく、３ヶ月以内のものがより好ましく、１ヶ月以内のものがさらに好ましい。また、ユーザが、申込み時に、その場でスマートフォンのカメラを使って対象となる動物の顔写真を撮影し、それを入力、送信するという態様であってもよい。例えば、ユーザは、端末４０の画面上に表示される指示に従って保険対象となる動物の顔写真を撮影し、適切な写真が撮れたらそれをサーバに送信する。このとき、サーバが、別途、画像判定プログラムからなる写真撮影補助手段を備え、写真撮影補助手段が、動物の顔全体が撮像されていること、動物の顔の正面からの写真であるといった、年齢の予測判定に好適な写真であるかどうかを判定し、その判定結果をインターフェースや端末を通じてユーザに伝達するという構成を備えていてもよい。
また、ユーザは、端末４０がサーバにアクセスすることによって、サーバにおける年齢予測結果や保険料算出結果を受信することができる。
本実施形態においては、サーバはコンピュータによって構成されるが、本発明にかかる機能を有する限りにおいて、どのような装置であってもよい。サーバは、クラウド上にあるサーバであってもよい。
記憶部１０は、例えばＲＯＭ、ＲＡＭあるいはハードディスクなどから構成される。記憶部１０には、サーバの各部を動作させるための情報処理プログラムが記憶され、特に、判定手段（学習済みモデル）１１と、必要に応じて保険料算出手段１２が記憶される。保険料の算出を目的とせず、単に年齢の予測を出力する年齢予測システムとして構成する場合には保険料算出手段１２は無くてもよい。
判定手段（学習済みモデル）１１は、上記のように、ユーザが入力した保険対象となる動物の顔画像を入力とし、当該画像に含まれる動物の写真撮影時の年齢の予測を出力するものである。本実施形態における判定手段（学習済みモデル）１１は、例えばディープニューラルネットワーク又は畳み込みニューラルネットワークを含んで構成される。
保険料算出手段１２は、上記判定手段１１が出力した年齢の予測から、当該動物の保険料を算出するソフトウェアである。必要に応じて、ユーザが入力した当該動物の種類、品種、性別、写真撮影時の年齢（申告年齢）、体重、既往歴などの情報も保険料の算出に用いてもよい。例えば、ソフトウェアは、当該動物の種類、品種、性別、体重、既往歴等に応じて、保険料の等級分けを行い、最後に、上記判定手段１１が出力した年齢の予測を加味して当該等級を修正し、最終的な保険料を算出するためのソフトウェアである。ソフトウェアは、先に年齢の予測判定結果に応じて等級分けを行い、当該動物の種類、品種、性別、体重、既往歴等に応じて保険料を修正することで最終的な保険料を算出してもよい。保険料算出手段１２と判定手段（学習済みモデル）１１は一つのソフトウェアであってもよい。また、保険料算出手段は、保険料算出のための計算式を用い、当該計算式に、動物の年齢等の情報を挿入することによって保険料を計算するものであってもよく、あるいは、予め図４のような保険料テーブルを記憶部に記憶しておき、保険料算出手段がそれを参照することによって保険料を算出するというものであってもよい。図４に記載された保険料は、月額の保険料の例である。
処理演算部２０は、記憶部に記憶された判定手段（学習済みモデル）１１や保険料算出手段１２を用いて、年齢の予測や保険料の計算を実行する。
インターフェース部（通信部）３０は、受付手段３１と出力手段３２を備え、ユーザの端末から、動物の顔画像やその他の情報を受け付け、ユーザの端末に対して、年齢の予測や保険料の算出結果を出力する。
本実施形態の保険料算出システムにより、保険契約者は、ペットの健康保険証を作成するための写真をサーバにアップロードすることで、ペットの健康保険証が作成されると同時に、ペットの保険料の算出結果を得ることができる。
本発明の保険料算出システムは、ユーザに動物の年齢を申告させたうえで、ユーザから提供された動物の顔画像から年齢を予測判定し、予測判定結果に基づいて、ユーザが申告した年齢を修正した上で保険料を算出するという態様であってもよい。また、本発明の保険料算出システムは、保険料算出手段が、予測判定された年齢が所定値以上であった場合、保険料の算出に代えて、又は保険料の算出とともに、保険加入不適との判断結果を提示する機能を有していてもよい。例えば、犬の場合、年齢の予測判定結果が、１１歳以上、１２歳以上、１３歳以上、１４歳以上、又は１５歳以上となった場合に保険加入不適との判断結果を提示する。猫の場合、年齢の予測判定結果が、１３歳以上、１４歳以上、１５歳以上、１６歳以上、又は１７歳以上となった場合に保険加入不適との判断結果を提示する。保険加入不適と判断する年齢の所定値は動物の種類や品種ごとに設定することができる。
本発明の保険料算出システムの一実施態様に基づく保険料算出のフローチャートを図５に示す。ユーザが端末を用いて、サーバの受付手段に、保険加入を検討している動物の種類、品種、体重等の基本情報を入力するとともに、当該動物の顔画像をアップロードする（ステップＳ１）。サーバの処理演算部は、判定手段（学習済みモデル）を用いて、アップロードされた顔画像から、その動物の撮影時の年齢を予測判定する（ステップＳ２）。処理演算部は、保険料算出手段を用いて、年齢の予測判定結果を基に保険料を算出する（ステップＳ３）。出力手段は、算出された保険料をユーザの端末画面に表示するなどして出力し、ユーザに提示する（ステップＳ４）。
本発明の保険料算出システムは、上記判定手段（学習済みモデル）に加えて、動物の顔画像から、その動物が疾患に罹患するかを予測判定する疾患予測手段を備えていてもよい。疾患予測手段は、ヒトを除く動物の顔画像とその動物の撮影時から所定期間内の疾患罹患の事実とを教師データとして用いて学習を行い、入力を動物の顔画像とし、出力をその動物が疾患に罹患する予測とする学習済みモデルを含む。判定手段に加えて、疾患予測手段を備えることで、保険加入申請時に、年齢を予測するだけでなく、その動物の将来の疾患罹患可能性も予測することができ、より合理性の高い保険料の算出が可能となる。
疾患予測手段を備える場合の本発明の保険料算出システムの一実施態様に基づく保険料算出のフローチャートを図６に示す（構成図は、図７）。ユーザが端末を用いて、サーバの受付手段に、保険加入を検討している動物の種類、品種、体重等の基本情報を入力するとともに、当該動物の顔画像をアップロードする（ステップＳ２１）。サーバの処理演算部は、判定手段（学習済みモデル）を用いて、アップロードされた顔画像から、その動物の撮影時の年齢を予測判定する（ステップＳ２２）。処理演算部は、保険料算出手段を用いて、年齢の予測判定結果を基に保険料を算出する（ステップＳ２３）。疾患予測手段が、当該動物の顔画像からその動物の将来の疾患への罹患可能性を予測判定する（ステップＳ２４）。そして、疾患への罹患可能性が高ければ、保険料算出手段が、年齢に基づいて算出された保険料を上げる方向で保険料を補正し、疾患への罹患可能性が低ければ、保険料を下げる方向で保険料を補正する（ステップＳ２５）。また、保険料算出手段は、疾患への罹患可能性が、その動物の平均と変わらない場合には、年齢に基づく保険料を補正しないで算出する機能を有していてもよい。また、疾患への罹患可能性が所定値以上の場合には、年齢の予測判定結果にもかかわらず、保険加入不適との判定結果を出力をする機能を有していてもよい。出力手段は、算出された保険料をユーザの端末画面に表示するなどして出力し、ユーザに提示する（ステップＳ２６）。
疾患罹患可能性の学習のための教師データは、動物の顔画像とその動物が顔画像撮影時から所定期間内に、好ましくは３年以内、より好ましくは２年以内、さらに好ましくは１年以内に疾患に罹患したか、罹患しなかったかの罹患の有無である。教師データとしての動物の顔画像は、上記受付方法で説明した顔画像と同様である。当該動物が疾患に罹患したかどうかの情報は、例えば、保険請求の事実（「事故」ともいう）として、動物病院あるいは保険をかけた飼い主等から入手可能である。つまり、当該動物がペット保険をかけられた動物である場合、当該動物が病院にかかり疾患に罹患したとの診断を受ければ、動物病院あるいは飼い主（ペット保険の契約者）が、保険会社に対して疾患への罹患の事実とともに保険金支払いを請求するので、保険会社は当該動物が疾患に罹患したことを知ることができる。他方、顔画像の作成から所定時間経過までに保険金の請求がなければ、保険をかけられた当該動物はその期間疾患に罹患しなかったと判断することができる。
学習済みモデルは、個々の疾患ごとに生成してもよく、複数の疾患をまとめて生成してもよい。個々の疾患ごとに学習済みモデルを生成する場合には、特定の疾患に罹患した動物について、当該疾患への罹患から所定期間前に撮影された顔画像と、当該疾患に罹患したこと、比較対象として顔画像撮影から所定期間疾患に罹患しなかった動物の顔画像と、所定期間疾患に罹患しなかったことを教師データとして学習を行う。複数の疾患をまとめて学習させる場合には、教師データとして、ある疾患に罹患した動物とその罹患から所定期間前に撮影された顔画像、その疾患とは別の疾患に罹患した動物とその罹患から所定期間前に撮影された顔画像、さらに別の疾患に罹患した動物とその罹患から所定期間前に撮影された顔画像、というように、複数の種類の教師データを用意すればよい。
［疾患］
本発明において対象となる疾患の種類は特に限定されず、例えば、眼科系疾患、耳科系疾患、皮膚系疾患が挙げられる。眼科系疾患としては、結膜炎、目やに、角膜炎、角膜潰瘍／びらん、流涙症、白内障、緑内障が挙げられる。耳科系疾患としては、外耳炎、中耳炎が挙げられる。皮膚系疾患としては、皮膚炎、アトピー性皮膚炎、膿皮症が挙げられる。
本発明において対象となる疾患の種類は特に限定されず、例えば、眼科系疾患、耳科系疾患、皮膚系疾患が挙げられる。眼科系疾患としては、結膜炎、目やに、角膜炎、角膜潰瘍／びらん、流涙症、白内障、緑内障が挙げられる。耳科系疾患としては、外耳炎、中耳炎が挙げられる。皮膚系疾患としては、皮膚炎、アトピー性皮膚炎、膿皮症が挙げられる。
［保険加入可否判定システム］
本発明の保険加入可否判定システムは、上記の年齢の予測判定結果をもとにして、保険加入可否を判定するシステムである。すなわち、本発明の保険料算出システムでは、保険加入可否判定手段が、動物の顔写真から予測判定された年齢が所定値以上であった場合、保険加入不適との判定を行う。例えば、犬の場合、年齢の予測判定結果が、１１歳以上、１２歳以上、１３歳以上、１４歳以上、又は１５歳以上となった場合に保険加入不適との判断結果を提示する。猫の場合、年齢の予測判定結果が、１３歳以上、１４歳以上、１５歳以上、１６歳以上、又は１７歳以上となった場合に保険加入不適との判断結果を提示する。保険加入不適と判断する年齢の所定値は動物の種類や品種ごとに設定することができる。保険加入可否判定手段は、上記判定手段１１が出力した年齢の予測から、当該動物の保険加入可否を判定するソフトウェアである。必要に応じて、ユーザが入力した当該動物の種類、品種、性別、写真撮影時の年齢（申告年齢）、体重、既往歴などの情報も保険加入可否の判定に用いてもよい。
本発明の保険加入可否判定システムは、上記の年齢の予測判定結果をもとにして、保険加入可否を判定するシステムである。すなわち、本発明の保険料算出システムでは、保険加入可否判定手段が、動物の顔写真から予測判定された年齢が所定値以上であった場合、保険加入不適との判定を行う。例えば、犬の場合、年齢の予測判定結果が、１１歳以上、１２歳以上、１３歳以上、１４歳以上、又は１５歳以上となった場合に保険加入不適との判断結果を提示する。猫の場合、年齢の予測判定結果が、１３歳以上、１４歳以上、１５歳以上、１６歳以上、又は１７歳以上となった場合に保険加入不適との判断結果を提示する。保険加入不適と判断する年齢の所定値は動物の種類や品種ごとに設定することができる。保険加入可否判定手段は、上記判定手段１１が出力した年齢の予測から、当該動物の保険加入可否を判定するソフトウェアである。必要に応じて、ユーザが入力した当該動物の種類、品種、性別、写真撮影時の年齢（申告年齢）、体重、既往歴などの情報も保険加入可否の判定に用いてもよい。
［実施例１］
トイプードルの顔写真（一例として、図８～図１０のカラー写真。２５６×２５６ピクセルに統一した。）を用いて、ディープラーニングを行い、学習済みモデルを生成した。使用した顔写真は、乳幼児（１歳未満）のものが１１５１９枚、老齢（８歳以上）のものが１１５１９枚であった。
AnacondaでのTensorFlow環境下にて、畳み込みニューラルネットワークを用い、写真データを乳幼児又は老齢でラベル付けをしてディープラーニングを行った。
生成された学習モデルを用いて、検証として、上記学習済みモデルの評価に用いた「乳幼児」および「老齢」の顔写真各１０００枚を、「乳幼児」か「老齢」かの判定をさせたところ、正答率は、９３．５％であった。
また、生成された学習モデルを用いて、テストとして、上記学習済みモデルの生成に用いた顔写真とは別の「乳幼児」および「老齢」の顔写真各１０００枚について「乳幼児」か「老齢」かの判定をさせたところ、正答率は、９２．５％であった。
トイプードルの顔写真（一例として、図８～図１０のカラー写真。２５６×２５６ピクセルに統一した。）を用いて、ディープラーニングを行い、学習済みモデルを生成した。使用した顔写真は、乳幼児（１歳未満）のものが１１５１９枚、老齢（８歳以上）のものが１１５１９枚であった。
AnacondaでのTensorFlow環境下にて、畳み込みニューラルネットワークを用い、写真データを乳幼児又は老齢でラベル付けをしてディープラーニングを行った。
生成された学習モデルを用いて、検証として、上記学習済みモデルの評価に用いた「乳幼児」および「老齢」の顔写真各１０００枚を、「乳幼児」か「老齢」かの判定をさせたところ、正答率は、９３．５％であった。
また、生成された学習モデルを用いて、テストとして、上記学習済みモデルの生成に用いた顔写真とは別の「乳幼児」および「老齢」の顔写真各１０００枚について「乳幼児」か「老齢」かの判定をさせたところ、正答率は、９２．５％であった。
［実施例２］
トイプードルの顔写真を用いて、ディープラーニングを行い、学習済みモデルを生成した。使用した顔写真は、乳幼児（１歳未満）のものが１１５１９枚、中間齢（３～５歳）のものが１１５１９枚、老齢（８歳以上）のものが１１５１９枚であった。
AnacondaでのTensorFlow環境下にて、畳み込みニューラルネットワークを用い、写真データを乳幼児、中間齢又は老齢でラベル付けをしてディープラーニングを行った。
生成された学習モデルを用いて、検証として、上記学習済みモデルの評価に用いた顔写真のうち、「乳幼児」、「中間齢」および「老齢」の顔写真各１０００枚を、「乳幼児」、「中間齢」又は「老齢」かの判定をさせたところ、「老齢」についての正答率は、８７．５％であった。
また、生成された学習モデルを用いて、テストとして、上記学習済みモデルの生成に用いた顔写真とは別の「乳幼児」、「中間齢」および「老齢」の顔写真各１０００枚について、「乳幼児」、「中間齢」又は「老齢」かの判定をさせたところ、「老齢」についての正答率は、８７．８％であった。
トイプードルの顔写真を用いて、ディープラーニングを行い、学習済みモデルを生成した。使用した顔写真は、乳幼児（１歳未満）のものが１１５１９枚、中間齢（３～５歳）のものが１１５１９枚、老齢（８歳以上）のものが１１５１９枚であった。
AnacondaでのTensorFlow環境下にて、畳み込みニューラルネットワークを用い、写真データを乳幼児、中間齢又は老齢でラベル付けをしてディープラーニングを行った。
生成された学習モデルを用いて、検証として、上記学習済みモデルの評価に用いた顔写真のうち、「乳幼児」、「中間齢」および「老齢」の顔写真各１０００枚を、「乳幼児」、「中間齢」又は「老齢」かの判定をさせたところ、「老齢」についての正答率は、８７．５％であった。
また、生成された学習モデルを用いて、テストとして、上記学習済みモデルの生成に用いた顔写真とは別の「乳幼児」、「中間齢」および「老齢」の顔写真各１０００枚について、「乳幼児」、「中間齢」又は「老齢」かの判定をさせたところ、「老齢」についての正答率は、８７．８％であった。
［実施例３］
次に、第２段階の学習として、乳幼児の顔写真４０２０７枚と、中間齢の顔写真４０２０７枚を用いてディープラーニングを行った。
生成された学習モデルを用いて、検証として、上記学習済みモデルの評価に用いた顔写真のうち、「乳幼児」および「中間齢」の顔写真各３０００枚を、「乳幼児」か「中間齢」かの判定をさせたところ、正答率は、９２．２％であった。
また、生成された学習モデルを用いて、テストとして、上記学習済みモデルの生成に用いた顔写真とは別の「乳幼児」および「中間齢」の顔写真各３０００枚について、「乳幼児」か「中間齢」かの判定をさせたところ、正答率は、９１．５％であった。
次に、第２段階の学習として、乳幼児の顔写真４０２０７枚と、中間齢の顔写真４０２０７枚を用いてディープラーニングを行った。
生成された学習モデルを用いて、検証として、上記学習済みモデルの評価に用いた顔写真のうち、「乳幼児」および「中間齢」の顔写真各３０００枚を、「乳幼児」か「中間齢」かの判定をさせたところ、正答率は、９２．２％であった。
また、生成された学習モデルを用いて、テストとして、上記学習済みモデルの生成に用いた顔写真とは別の「乳幼児」および「中間齢」の顔写真各３０００枚について、「乳幼児」か「中間齢」かの判定をさせたところ、正答率は、９１．５％であった。
［参考例：疾患の予測］
トイプードルの顔写真（一例として、図８～図１０のカラー写真。２５６×２５６ピクセルに統一した。）を図７の表記載の枚数用いて、ディープラーニングを行い、学習済みモデルを生成した。
人工知能（ニューラルネットワーク）としては、GoogleNetを用い、学習用ソフトウェアとして、NVIDIA DIGITS Ver.3.0.0を用い、写真データを疾患への罹患の有無でラベル付けをしてディープラーニングを行った。
トイプードルの顔写真（一例として、図８～図１０のカラー写真。２５６×２５６ピクセルに統一した。）を図７の表記載の枚数用いて、ディープラーニングを行い、学習済みモデルを生成した。
人工知能（ニューラルネットワーク）としては、GoogleNetを用い、学習用ソフトウェアとして、NVIDIA DIGITS Ver.3.0.0を用い、写真データを疾患への罹患の有無でラベル付けをしてディープラーニングを行った。
眼科系疾患については、教師データ用写真として、写真撮影後１年以内に眼科系疾患に罹患したトイプードルの写真を４８００枚、１年以内に眼科系疾患に罹患しなかったトイプードルの写真を４８００枚用いて学習済みモデルＡの生成を行った。
生成された学習済みモデルＡについて、学習用に用いた９６００枚の写真のうち、２４００枚を用いてテストを行ったところ、眼科系疾患の有無の判定の正答率（実際に１年以内に疾患に罹患した動物の写真を「疾患罹患あり」と判定した写真の枚数と、実際に１年以内に疾患に罹患しなかった動物の写真を「疾患罹患なし」と判定した写真の合計枚数の、全体の枚数に対する割合）は７０．５％であった。
生成された学習済みモデルＡについて、学習用に用いた９６００枚の写真のうち、２４００枚を用いてテストを行ったところ、眼科系疾患の有無の判定の正答率（実際に１年以内に疾患に罹患した動物の写真を「疾患罹患あり」と判定した写真の枚数と、実際に１年以内に疾患に罹患しなかった動物の写真を「疾患罹患なし」と判定した写真の合計枚数の、全体の枚数に対する割合）は７０．５％であった。
耳科系疾患については、教師データ用写真として、写真撮影後１年以内に耳科系疾患に罹患したトイプードルの写真を６４００枚、１年以内に耳科系疾患に罹患しなかったトイプードルの写真を６４００枚用いて学習済みモデルＢの生成を行った。
生成された学習済みモデルＢについて、学習用に用いた１２８００枚の写真のうち、３２００枚を用いてテストを行ったところ、耳科系疾患の有無の判定の正答率は５６．４％であった。
生成された学習済みモデルＢについて、学習用に用いた１２８００枚の写真のうち、３２００枚を用いてテストを行ったところ、耳科系疾患の有無の判定の正答率は５６．４％であった。
皮膚系疾患については、教師データ用写真として、写真撮影後１年以内に皮膚科系疾患に罹患したトイプードルの写真を６４００枚、１年以内に皮膚科系疾患に罹患しなかったトイプードルの写真を６４００枚用いて学習済みモデルＣの生成を行った。
生成された学習済みモデルＣについて、学習用に用いた１２８００枚の写真のうち、３２００枚を用いてテストを行ったところ、皮膚科系疾患の有無の判定の正答率は６４．９％であった。
生成された学習済みモデルＣについて、学習用に用いた１２８００枚の写真のうち、３２００枚を用いてテストを行ったところ、皮膚科系疾患の有無の判定の正答率は６４．９％であった。
上記で生成された学習済みモデルＡ～Ｃについて、教師用データとして用いなかったトイプードルの画像を用いて判定を行った。
眼科系疾患については、教師用データとして用いなかったトイプードルの画像を４０６６枚使用し、うち、２０３３枚が眼科系疾患に罹患しなかったトイプードルの画像（「事故なし」）であり、２０３３枚が撮影から１年以内に眼科系疾患に罹患したトイプードルの画像（「事故あり」）であった。学習済みモデルＡは、トイプードルの疾患の予測として、正答率が７０．１％であった。
耳科系疾患については、教師用データとして用いなかったトイプードルの画像を４０００枚使用し、うち、２０００枚が耳科系疾患に罹患しなかったトイプードルの画像（「事故なし」）であり、２０００枚が撮影から１年以内に耳科系疾患に罹患したトイプードルの画像（「事故あり」）であった。学習済みモデルＢは、トイプードルの疾患の予測として、正答率が５５．０％であった。
皮膚科系疾患については、教師用データとして用いなかったトイプードルの画像を４０００枚使用し、うち、２０００枚が皮膚科系疾患に罹患しなかったトイプードルの画像（「事故なし」）であり、２０００枚が撮影から１年以内に皮膚科系疾患に罹患したトイプードルの画像（「事故あり」）であった。学習済みモデルＣは、トイプードルの疾患の予測として、正答率が６３．９％であった。
Claims (7)
- ヒトを除く動物の顔画像の入力を受け付ける受付手段と、学習済みモデルを用いて、前記受付手段に入力された動物の顔画像からその動物の年齢を予測判定する判定手段と、前記判定手段が予測判定した年齢を元に保険料を算出する保険料算出手段と、を備える保険料算出システムであって、
前記学習済みモデルが、ヒトを除く動物の顔画像とその動物の撮影時の年齢とを教師データとして用いて学習を行い、入力を動物の顔画像とし、出力をその動物の年齢の予測判定とする学習済みモデルであることを特徴とする保険料算出システム。 - 前記動物が、犬である請求項１記載の保険料算出システム。
- 前記動物が、猫である請求項１記載の保険料算出システム。
- 前記動物の顔画像が、動物の顔を正面から撮影した画像である請求項１～３のいずれか一項記載の保険料算出システム。
- 動物の年齢と保険料を含む保険料テーブルを記憶する記憶部を更に備え、前記保険料算出手段が、保険料テーブルを用いて保険料を算出する請求項１～４のいずれか一項記載の保険料算出システム。
- ヒトを除く動物の顔画像を用意するステップと、
前記顔画像を学習済みモデルに入力し、コンピュータが前記学習済みモデルを用いて、前記入力された動物の顔画像からその動物の顔画像撮影時の年齢の予測を出力するステップと、当該年齢の予測に基づいて当該動物に対する保険料を算出するステップと、を有する保険料算出方法であって、
前記学習済みモデルが、ヒトを除く動物の顔画像とその動物の撮影時の年齢とを教師データとして用いて学習を行い、入力を動物の顔画像とし、出力をその動物の年齢とする学習済みモデルであることを特徴とする保険料算出方法。 - ヒトを除く動物の顔画像の入力を受け付ける受付手段と、学習済みモデルを用いて、前記受付手段に入力された動物の顔画像からその動物の年齢を予測判定する判定手段と、前記判定手段が予測判定した年齢を元に保険への加入可否を判定する保険加入可否判定手段と、を備える保険加入可否判定システムであって、
前記学習済みモデルが、ヒトを除く動物の顔画像とその動物の撮影時の年齢とを教師データとして用いて学習を行い、入力を動物の顔画像とし、出力をその動物の年齢の予測判定とする学習済みモデルであることを特徴とする保険加入可否判定システム。
Priority Applications (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020145099A JP7082647B2 (ja) | 2020-08-28 | 2020-08-28 | 保険料算出システム及び保険料算出方法 |
| US18/023,644 US20230245243A1 (en) | 2020-08-28 | 2021-08-25 | Insurance premium calculation system and insurance premium calculation method |
| CN202180053421.9A CN116057549A (zh) | 2020-08-28 | 2021-08-25 | 保险费计算***和保险费计算方法 |
| PCT/JP2021/031226 WO2022045214A1 (ja) | 2020-08-28 | 2021-08-25 | 保険料算出システム及び保険料算出方法 |
| EP21861637.3A EP4207010A4 (en) | 2020-08-28 | 2021-08-25 | CALCULATION SYSTEM FOR INSURANCE PREMIUMS AND CALCULATION METHODS FOR INSURANCE PREMIUMS |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020145099A JP7082647B2 (ja) | 2020-08-28 | 2020-08-28 | 保険料算出システム及び保険料算出方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2022039845A JP2022039845A (ja) | 2022-03-10 |
| JP7082647B2 true JP7082647B2 (ja) | 2022-06-08 |
Family
ID=80355365
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020145099A Active JP7082647B2 (ja) | 2020-08-28 | 2020-08-28 | 保険料算出システム及び保険料算出方法 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US20230245243A1 (ja) |
| EP (1) | EP4207010A4 (ja) |
| JP (1) | JP7082647B2 (ja) |
| CN (1) | CN116057549A (ja) |
| WO (1) | WO2022045214A1 (ja) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006323507A (ja) | 2005-05-17 | 2006-11-30 | Yamaha Motor Co Ltd | 属性識別システムおよび属性識別方法 |
| JP2019010004A (ja) | 2017-06-29 | 2019-01-24 | 株式会社Ｐｅｃｏ | 情報処理システム及びプログラム |
| JP2019134690A (ja) | 2018-02-05 | 2019-08-15 | ヤフー株式会社 | 情報処理装置、情報処理方法および情報処理プログラム |
| JP6734457B1 (ja) | 2019-10-28 | 2020-08-05 | アニコム ホールディングス株式会社 | 疾患予測システム、保険料算出システム及び疾患予測方法 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW359781B (en) * | 1993-05-25 | 1999-06-01 | Casio Computer Co Ltd | Animal image display controlling devices and method thereof |
| US7246070B2 (en) * | 2004-09-24 | 2007-07-17 | James Dennis Schwartz | Method and apparatus for bundling insurance coverages in order to gain a pricing advantage |
| US10235467B2 (en) * | 2015-12-11 | 2019-03-19 | Samsung Electronics Co., Ltd. | Providing search results based on an estimated age of a current user of a mobile computing device |
| JP2017224188A (ja) * | 2016-06-16 | 2017-12-21 | アニドック株式会社 | 飼育動物の保険加入支援システム、飼育支援システム、及びプログラム |
| JP6803791B2 (ja) | 2016-08-01 | 2020-12-23 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカＰａｎａｓｏｎｉｃ Ｉｎｔｅｌｌｅｃｔｕａｌ Ｐｒｏｐｅｒｔｙ Ｃｏｒｐｏｒａｔｉｏｎ ｏｆ Ａｍｅｒｉｃａ | 保険金算出装置、保険金算出方法及び保険金算出プログラム |
| CN107229947B (zh) * | 2017-05-15 | 2020-11-06 | 翔创科技（北京）有限公司 | 一种基于动物识别的金融保险方法及*** |
| JP6692045B2 (ja) * | 2017-09-28 | 2020-05-13 | パナソニックＩｐマネジメント株式会社 | 認証装置、認証システム、認証方法、及びプログラム |
| CN110414298B (zh) * | 2018-04-28 | 2023-07-07 | 中山大学 | 一种猴脸多属性联合识别方法 |
| CN111292146B (zh) * | 2018-12-07 | 2023-06-13 | 泰康保险集团股份有限公司 | 保险推荐方法及装置、计算机存储介质、电子设备 |
| CN110717401A (zh) * | 2019-09-12 | 2020-01-21 | Oppo广东移动通信有限公司 | 年龄估计方法及装置、设备、存储介质 |
-
2020
- 2020-08-28 JP JP2020145099A patent/JP7082647B2/ja active Active
-
2021
- 2021-08-25 EP EP21861637.3A patent/EP4207010A4/en active Pending
- 2021-08-25 CN CN202180053421.9A patent/CN116057549A/zh active Pending
- 2021-08-25 WO PCT/JP2021/031226 patent/WO2022045214A1/ja unknown
- 2021-08-25 US US18/023,644 patent/US20230245243A1/en active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006323507A (ja) | 2005-05-17 | 2006-11-30 | Yamaha Motor Co Ltd | 属性識別システムおよび属性識別方法 |
| JP2019010004A (ja) | 2017-06-29 | 2019-01-24 | 株式会社Ｐｅｃｏ | 情報処理システム及びプログラム |
| JP2019134690A (ja) | 2018-02-05 | 2019-08-15 | ヤフー株式会社 | 情報処理装置、情報処理方法および情報処理プログラム |
| JP6734457B1 (ja) | 2019-10-28 | 2020-08-05 | アニコム ホールディングス株式会社 | 疾患予測システム、保険料算出システム及び疾患予測方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022045214A1 (ja) | 2022-03-03 |
| JP2022039845A (ja) | 2022-03-10 |
| EP4207010A1 (en) | 2023-07-05 |
| CN116057549A (zh) | 2023-05-02 |
| US20230245243A1 (en) | 2023-08-03 |
| EP4207010A4 (en) | 2024-01-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021085313A1 (ja) | 疾患予測システム、保険料算出システム及び疾患予測方法 | |
| Neethirajan | The role of sensors, big data and machine learning in modern animal farming | |
| US20170262980A1 (en) | Image analysis for determining characteristics of groups of individuals | |
| Berns et al. | Functional MRI in awake dogs predicts suitability for assistance work | |
| US12033316B2 (en) | Systems and methods of measuring the body based on image analysis | |
| Bovenkerk et al. | Fish welfare in aquaculture: Explicating the chain of interactions between science and ethics | |
| US9922243B2 (en) | Image analysis for determining characteristics of pairs of individuals | |
| KR102330858B1 (ko) | 배변 시트 대변 이미지를 활용한 반려 동물 대변 상태 분석 정보 제공 방법, 장치 및 시스템 | |
| KR20140023458A (ko) | 언어 유창성 기반 치매 진단 방법 및 이를 위한 장치 | |
| JP2008269188A (ja) | ペット用保険の支援システム及び方法 | |
| CN116615787A (zh) | 用于分类宠物信息的***和方法 | |
| CN114118755A (zh) | 基于rpa和ai的牲畜养殖管理方法、装置、设备及存储介质 | |
| Bethell et al. | A deep transfer learning model for head pose estimation in rhesus macaques during cognitive tasks: Towards a nonrestraint noninvasive 3Rs approach | |
| JP7082647B2 (ja) | 保険料算出システム及び保険料算出方法 | |
| US20130259333A1 (en) | Image analysis for determining characteristics of individuals | |
| JP7360496B2 (ja) | 判定システム | |
| JP7503041B2 (ja) | 保険料算出システム及び保険料算出方法 | |
| CN117279499A (zh) | 用于宠物状况检测的***、方法和装置 | |
| CN117672501A (zh) | 一种基于人工智能的宠物健康初筛*** | |
| WO2023008571A1 (ja) | 個体識別システム及び個体識別方法 | |
| JP7330258B2 (ja) | 感情判定システム及び感情判定方法 | |
| GB2618780A (en) | Health tracking method and system | |
| Graham | The potential impact of artificial intelligence in equine practice | |
| JP2023125869A (ja) | 個体識別システム及び個体識別方法 | |
| AU2012375204B2 (en) | Image analysis for determining characteristics of individuals and group of individuals |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220127 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20220127 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220222 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220414 |
|
| 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: 20220517 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220527 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7082647 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |