JP7438615B2 - 情報処理装置及びプログラム - Google Patents

Description

本発明は、情報処理装置及びプログラムに関する。

従来より、製造業等において、目的に適った製品の特徴や製品の最適な製造工程の条件等を決定することは容易ではない。そのため、最適な製造条件を決定するには、多くの試作品を作成し、試作する等の多大な費用や時間がかかる方法が採用されていた。
例えば、特許文献１には、金属製品を製造するための複数の製造工程の各工程を経た段階の中間製品の特徴および金属製品の特徴を、数式群を用いて算出して出力することで、金属製品の製造に適した製造条件を決定する方法が提案されている。

特開２０２０－１８４１９６号公報

しかしながら、上述の特許文献１に記載の技術を含む従来技術によれば、単に複数の製造工程毎に出力された値に基づいて、金属製品の特徴を示す予測値を算出するに過ぎず、数式等を用いた統計処理に長けた者でなければ取り扱うことが困難である。さらに、製造業の多種多様な状況に対応した製造条件を決定するにも不十分である。
また、製造業等に従事するユーザにとって、単に最適な製造条件を知りたいのではなく、その他外部的な要因等を加味して許容され得る製造条件の範囲等を知ることも有益である。上述の特許文献１を含む従来技術では、ユーザのこのような要望に応えることもできない。

本発明は、このような状況に鑑みてなされたものであり、統計処理等に不慣れなユーザを含めて、製造業等に有益な情報の提供を補助する技術を提供することを目的とする。

上記目的を達成するため、本発明の一態様の情報処理装置は、
所定の物品の製造に関する演算処理に用いられる情報処理装置であって、
前記物品の製造条件に関する情報と、製造される前記物品の品質又は性質に関する情報を、一次データとして取得する一次データ取得手段と、
前記一次データに統計的性質を有する学習処理を実行し、前記一次データに含まれる統計的性質を反映した所定のアルゴリズムを生成する学習結果生成手段と、
前記学習処理の結果に基づいて、前記製造条件に係る変数と前記物品の品質又は性質に係る変数との関係を視覚的に確認し得る図又は表を生成する応答曲線生成手段と、
を備える。

本発明の一態様のプログラムも、本発明の一態様の情報処理装置に対応するプログラムとして提供される。

本発明によれば、統計処理等に不慣れなユーザを含めて、製造業等に有益な情報の提供を補助する技術を提供することができる。

本発明の一実施形態に係る情報処理システムの構成を示す図である。 図１の情報処理システムのうちサーバのハードウェア構成の一例を示すブロック図である。 図２のサーバ及び図１のユーザ装置の機能的構成のうち、学習処理に係る機能的構成の一例を示す機能ブロック図である。 図３のユーザ装置に表示されるアップロード画面の一例を示す図である。 図３のユーザ装置に表示される学習設定画面の一例を示す図である。 図３のユーザ装置に表示される学習結果表示画面の一例を示す図である。 図３のユーザ装置に表示される学習結果表示画面の一例を示す図であり、図６の例とは異なる例を示す図である。 図３のサーバにより実行される学習処理の流れを説明するフローチャートである。 図２のサーバ及び図１のユーザ装置の機能的構成のうち、レシピ生成処理に係る機能的構成の一例を示す機能ブロック図である。 図３のユーザ装置に表示されるレシピ一覧表示画面の一例を示す図である。 図３のユーザ装置に表示されるレシピ一覧表示画面の一例を示す図であり、図１０の例とは異なる例を示す図である。 図３のユーザ装置に表示されるレシピ詳細表示画面の一例を示す図である。 図３のユーザ装置に表示されるレシピ一覧表示画面の一例を示す図であり、図１０及び図１１の例とは異なる例を示す図である。 図３のサーバにより実行されるレシピ生成処理の流れを説明するフローチャートである。 図３のユーザ装置に表示される学習の進捗に関する画像の一例を示す図である。 図３のユーザ装置に表示される学習の結果に関する画像の一例を示す図である。

＜概要の説明＞
以下、本発明の一実施形態について、図面を用いて説明する。図１は、本発明の一実施形態に係る情報処理システムの構成を示す図である。

ここで、図１の説明をするに先立ち、本発明の一実施形態に係る情報処理システムの適用対象となる第１のサービスである、学習サービスの概要について説明する。
製造条件は、製品の特徴又は製造工程の条件を表す一つ又は複数の変数（以下「製造条件変数」と呼ぶ）によって表現することができ、製造条件変数の値によって一意に定まる又は範囲が特定される。
また、一般的に、製品のスペックは、製造条件に対応して変化するが、このスペックを表す変数を以下「スペック変数」と呼ぶ。ここで、製品のスペックとは、製品の性能や製品によって実現したい目的が実現可能か否かを判定するために着目する製品特性である。
学習サービスとは、機械学習等の統計的な手法を用いて、製造条件変数とスペック変数との関係を学習し、未知の製造条件等に関する推定を実行し得る学習結果（いわゆる学習済みモデル）を生成する一連のサービスである。
すなわち、学習サービスでは、ユーザにより提供された製造条件及びスペックに関するサンプルデータ（以下、「生データ」と呼ぶ）に対して、統計的機械学習等の手法による学習処理を実行し、その結果として生成された学習結果は、未知の製造条件等により生成し得る製品のスペックの推定のために予測モデルとして利用される。
なお、学習サービスでは、単に生データから学習結果を生成するのではなく、統計等の知識を有していないユーザであっても、容易に学習結果を解釈し得るため、後述する様々な工夫が包含されている。
そのため、学習サービスは、統計等の知識を有さない物性等を専門とするような、一般的に製造業において想定されるユーザであっても、容易に利用することが可能である。さらに言えば、ユーザは、自身の専門とする物性等の知識を合わせて利用することで、より自由に学習結果を利用することが可能となる。

図１に示すように、本システムは、サーバ１と、ユーザ装置２とを含み構成される。サーバ１と、ユーザ装置２とは、インターネット等による所定のネットワークＮを介して相互に接続されている。
なお、ネットワークＮは、必須な構成要素ではなく、例えば、ＮＦＣ（Ｎｅａｒ Ｆｉｅｌｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ）、ブルートゥース（登録商標）、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）等が利用されてもよい。

＜ハードウェア構成＞
図２は、図１の情報処理システムのうちサーバのハードウェア構成の一例を示すブロック図である。
サーバ１は、パーソナルコンピュータ等で構成される。図２に示すように、サーバ１は、制御部１１と、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１２と、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１３と、バス１４と、入出力インターフェース１５と、出力部１６と、入力部１７と、記憶部１８と、通信部１９と、ドライブ２０と、を備えている。

制御部１１は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）やＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、及び半導体メモリを含むマイクロコンピュータ等で構成され、ＲＯＭ２２に記録されているプログラム、または、記憶部１８からＲＡＭ１３にロードされたプログラムに従って各種の処理を実行する。
ＲＡＭ１３には、制御部１１が各種の処理を実行する上において必要な情報等も適宜記憶される。

制御部１１、ＲＯＭ１２およびＲＡＭ１３は、バス１４を介して相互に接続されている。このバス１４にはまた、入出力インターフェース１５も接続されている。入出力インターフェース１５には、出力部１６、入力部１７、記憶部１８、通信部１９、ドライブ２０が接続されている。

出力部１６は、各種液晶ディスプレイやスピーカ等で構成され、各種情報を画像や音声として出力する。

入力部１７は、キーボードやマウス等で構成され、各種情報を入力する。

記憶部１８は、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）やＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等で構成され、各種データを記憶する。本実施形態では、例えば、各種プログラムや各種データベースを含む各種情報が記憶されている。

通信部１９は、インターネットを含むネットワークＮを介して他の装置（例えば、ユーザ装置２）との間で行う通信を制御する。

ドライブ２０は、必要に応じて設けられる。ドライブ２０には磁気ディスク、光ディスク、光磁気ディスク、或いは半導体メモリ等よりなる、リムーバブルメディア３１が適宜装着される。ドライブ２０によってリムーバブルメディア３１から読み出されたプログラムは、必要に応じて記憶部２８にインストールされる。またリムーバブルメディア３１は、記憶部１８に記憶されている各種データも、記憶部１８と同様に記憶することができる。

なお、ユーザ装置２のハードウェア構成は、サーバ１のハードウェア構成と基本的に同様とすることができるので、ここでは説明を省略する。

次に、サーバ１の機能的構成のうち、学習サービスに係る各種処理（以下、「学習処理」と呼ぶ）の実行時の機能的構成を説明する。
図３は、図２のサーバ及び図１のユーザ装置の機能的構成のうち、学習処理に係る機能的構成の一例を示す機能ブロック図である。

学習処理時には、サーバ１の学習処理部６０のみが機能し、レシピ生成処理部１４０は機能しない。図３に示すように、サーバ１の学習処理部６０には、生データ取得部８０と、データ内容確認部８２と、学習設定取得部８４と、学習結果生成部８６と、学習結果提示部８８とが設けられている。
また、サーバ１の記憶部１８の一領域には、学習結果ＤＢ５００と、レシピ生成結果ＤＢ６００とが設けられている。学習結果ＤＢ５００には学習処理の結果生成された各種学習の結果（学習の結果生成された予測モデル、各種パラメータ等）が格納される。

サーバ１の生データ取得部８０は、物品の製造条件に関する情報（以下、「製造条件情報」と呼ぶ）と、製造される物品のスペックに関する情報（以下、「スペック情報」と呼ぶ）を、生データとして取得する。
すなわち、生データ取得部８０は、ユーザ装置２を介して入力され、ユーザ装置２から送信された製造条件情報及びスペック情報を、通信部１９を介して生データとして取得する。

データ内容確認部８２は、生データ取得部８０で取得された生データが、後述する学習に利用される情報（入力情報）にふさわしい条件を備えているかを確認する。
具体的に、データ内容確認部８２は、製造条件情報及びスペック情報の夫々に含まれる情報の内容及び量が後述する学習に適切か否かを判定する。なお、データ内容確認部８２が上述の判定を行う方法は任意であるが、本実施形態では、例えば、実験計画法における直交表を用いた基準により、上述の判定を行うことができる。なお、データ内容確認部８２は、生データの取得時にデータの内容を確認する必要はなく、適宜、学習の処理と並行する等しながらデータの内容を確認する。

学習設定取得部８４は、生データについて行われる学習の設定情報を取得する。学習の設定情報とは、例えば、図５の例に合わせて後述するように各種説明変数及び目的変数の指定や、各種学習環境に関する指定事項等である。

学習結果生成部８６は、生データに対して、統計的機械学習に関する処理を実行し、当該生データにおける統計的性質を反映した予測モデル及び各種パラメータ等を、学習結果として生成する。学習結果生成部８６は、生成した学習結果、及び寄与率算出部１０６で算出された寄与率等に関する各種情報、寄与率の区分に関する各種情報を、学習結果ＤＢ５００に格納する。
ここで、学習結果生成部８６が利用する統計的機械学習（例えば、ディープラーニングやクラスタリング等）の手法は任意であるが、本実施形態では、例えば、ニューラルネットワークやスパースモデリングによる回帰モデル等を組み合わせて利用して、学習結果を生成する。

また、学習結果生成部８６には、データ前処理部１００と、予測モデル生成部１０２と、予測精度算出部１０４と、寄与率算出部１０６と、寄与変数特定部１０８とが設けられている。

データ前処理部１００は、学習の対象として設定された変数に対して、より良い精度の予測モデルが生成されることを期待できるように、処理を施す。

予測モデル生成部１０２は、一つまたは複数の統計的機械学習の手法を実行し、精度が最良となった学習済みモデルを予測モデルとして採用する。このとき、統計的機械学習の手法によっては、製造条件変数とスペック変数との関係式が得られる。

予測精度算出部１０４では、予測モデルの精度指標（生データによって与えられた実測値と予測値の決定係数、相関係数、二乗平均平方根誤差など）の値を算出する。

寄与率算出部１０６は、学習の対象となった製造条件変数の夫々について、スペック変数に対する寄与率を算出する。

これにより、どの製造条件変数がスペック決定にほとんど関係ないかということの知見を予め持っていない場合においては、そのことが分かることは有益な知見となり得る。予断を持たず製造条件変数の可能性があるデータを生データに加えておき、学習処理の過程で夫々のスペック変数において夫々の製造条件変数の寄与率が算出されると同時に、すべてのスペックにおいて関係ない製造条件変数を知ることができる。

ここで、寄与率算出部１０６で算出された寄与率等に関して、ある一つのスペック変数に対して所定の基準値よりも寄与の小さい製造条件変数を個別低寄与変数と呼ぶ。
また、全てのスペック変数に対して所定の基準値よりも寄与の小さい製造条件を完全低寄与変数と呼ぶことにする。すなわち、寄与率という概念は、「何」に対する寄与率なのかという点で、個別低寄与変数と完全低寄与変数とに区別される。

そこで、寄与変数特定部１０８は、夫々のスペック変数に対する個別低寄与変数や完全低寄与変数等、夫々の製造条件変数について、寄与率算出部１０６で算出された寄与率に基づいた区分を特定する。
このようにして特定された区分に基づいて、寄与の低い変数を除外して予測モデルを生成することで、より精度が高く、汎用性の高い、また、解釈のしやすい予測モデルが生成できると期待される。

なお、寄与変数特定部１０８で特定された個別低寄与変数及び完全低寄与変数等の区分は、後述する学習結果提示部８８により学習結果の一部としてユーザ等に提示されてもよい。ユーザは、提示された区分等を確認しながら製造条件の決定や今後のデータ収集の方針等を決定することができる。

また、学習結果生成部８６は、生成した学習結果、寄与率算出部１０６で算出された寄与率に関する情報、及び寄与変数特定部１０８で特定された寄与率の区分に関する情報を、学習結果ＤＢ５００に格納する。

学習結果提示部８８は、学習の結果に関する各種情報を、ユーザ装置２を介してユーザに提示する。学習結果提示部８８には、予測モデル精度提示部１２０と、応答曲線提示部１２２とが設けられている。

予測モデル精度提示部１２０は、学習結果生成部８６で生成された学習結果、予測精度算出部１０４で算出された精度評価に関する情報、寄与率算出部１０６で算出された寄与率等、寄与変数特定部１０８で特定された寄与率の区分等に関する各種情報を、ユーザ装置２を介してユーザに提示する。

応答曲線提示部１２２は、学習結果提示部８８で学習結果の一部として提示される応答曲線を描画し、提示する。
予測モデルは、製造条件変数を入力値として、予測値（予測モデルの値）を出力とすることで関数として捉えることが可能である。このとき、製造条件に対する予測値の応答特性は、製造条件変数がｎ（ｎは、１以上の任意の自然数）個であればｎ＋１次元の超平面として表現される。
しかしながら、可視化にあたっては３次元を超える平面を認識することは難しいため、次元を削減して描画するのが一般的である。具体的に製造条件変数の一つを変数として、その他の変数に所定の固定値を設定することで、１変数関数としてグラフを描画することができる。そして、ユーザは、この固定値を任意に変更することで、多変数関数として予測モデルの様々な断面のグラフの挙動を確認し、製造条件の決定や今後の開発方針等の検討に活かすことができる。

ここで、応答曲線提示部１２２で描画する応答特性は、３次元のグラフ（２変数関数）として描画することもできるが、特に２次元のグラフ（１変数関数）として描画されることが望ましい。変数同士の関係性を示すグラフ（応答曲面）は、２次元（１変数関数）でなく、２変数を選択した３次元（２変数関数）のグラフとして描画されるのが一般的である。ユーザは、マウス等を操作しながら、このようなグラフの変化を確認する。
これに対して、応答曲線提示部１２２は、１変数のみを選択し２次元グラフ（１変数関数）を描画して、他の変数の値をスライダーバー等で変化させ、ユーザに曲線の変化を確認させることができる。これにより、ユーザは、各変数の特性や寄与率等をより簡便かつ正確に把握することができる。
なお、応答曲線提示部１２２は、各変数の値を正規化した上で、上述の応答曲線を描画してもよい。

続いて、図４及び図５を参照しながら、ユーザが、学習サービスの利用に際して具体的に必要なユーザ装置２に関する操作等について説明する。
図４は、図３のユーザ装置に表示されるアップロード画面の一例を示す図である。
図５は、図３のユーザ装置に表示される学習設定画面の一例を示す図である。

図４の例では、画面の中央に「ファイルの選択」というメッセージと、「〇〇〇〇．ｃｓｖ」というファイルのイメージ画像が合わせて表示されている。ユーザは、ユーザ装置２を操作し、当該表示領域の一部に任意の形式のファイルを移動させ（例えば、ドラッグ アンド ドロップ等）、「ファイルアップロード」という表示領域を押下（例えば、クリック等）することで、学習に利用する生データをサーバ１にアップロードすることができる。
同様に図５の例では、図４の画面を介してアップロードされた生データに含まれる具体的な変数として、「Ｎｏ．」、「注入速度」、「膨張率」、「温度」、「幅」、「高さ」、「角度」、「減衰率」、「不良品率」、「コスト」、「耐久強度」、「エネルギー変換効率」、「触り心地」の夫々が表示されている。
また、図５の例では、ユーザは、夫々の変数に対して、「学習への使用の有無」、「変数の種別（説明変数又は目的変数）」、「数値／カテゴリ」、「許容誤差」、「値域」、「備考」等の学習処理での利用の詳細を設定又は記述をすることができる。図５の例では、「Ｎｏ．」、「注入速度」、「膨張率」、「温度」、「幅」、「高さ」、「角度」、「減衰率」が説明変数、「不良品率」、「コスト」、「耐久強度」、「エネルギー変換効率」、「触り心地」が目的変数として設定されている。
ここで、目的変数及び説明変数とは、回帰分析等で利用される用語であり、変動値として説明を行いたい変数を目的変数といい、目的変数を説明するために設定される変数の夫々を説明変数という。そのため、本実施形態においては、典型的には、上述の製造条件変数の夫々が説明変数に該当し、製造される製品のスペック変数が目的変数に該当する。
ユーザは、このような画面を確認しながら、夫々の変数に関する条件を任意に設定して、学習結果を生成することができるため、より自身の希望に沿った学習結果が取得しやすくなる。

続いて、図６及び図７を参照しながら、上述の学習設定等の処理の後に生成された学習結果の表示画面の詳細を説明する。
図６及び図７は、図３のユーザ装置に表示される学習結果表示画面の一例を示す図である。

図６の例では、学習結果としての予測モデルに関する近似式、夫々の製造条件変数の寄与率、製造条件変数の寄与率に関わる区分、学習過程の学習結果の精度評価に関する情報等が表示されている。
具体的に図６の例では、予測モデルに関する近似式として、下の数１の式が表示され、「注入速度」、「膨張率」、「温度」、「幅」、「高さ」、「角度」、「減衰率」の夫々のパラメータの寄与率は、「１６．９％」、「１３．３％」、「２．０３％」「２．０１％」「１．５０％」「１．２０％」「０.４０％」である旨が表示されている。

また、学習結果の精度評価に関するグラフは、縦軸に決定係数の値、横軸に学習経過の経過（ステップ）が表示されている。ユーザは、このようなグラフを確認することで、学習過程における精度の変動や汎化性能の有無等を容易に把握し、学習結果の妥当性の有無の判断等にも利用することができる。

次に、図７の例では、学習用データと検証用データの夫々ついて、予実散布図と、予測誤差分布のヒストグラムの夫々が示されている。予実散布図は、横軸に学習結果による予測値、縦軸に実測値を示す散布図である。そのため、夫々の点が対角線に近いほど精度が高く、対角線から離れるほど精度が低くなる。予実散布図のグラフには対応する精度指標が表示されている。また、予測誤差分布のヒストグラムは、実測値と予測値の誤差の分布を示している。また、予測誤差分布のヒストグラムには、予測誤差分布の大きさを表す統計的指標が対応づけて表示されている。このように、ユーザは、図７の予測誤差分布のヒストグラムを確認することで、得られたモデルの精度を視覚的に確認することができる。
なお、図７例では、例えば、許容誤差の概念を横軸に反映することができる。これにより、ユーザは、モデルの精度をより視覚的に確認しやすくなる。

ここで、ニューラルネットワークを始めとする統計的機械学習においては、学習に用いるデータである学習用データへの依存度が高まりすぎると、学習用データの保有する統計的性質を学習結果に過度に反映してしまう、いわゆる過学習が問題となる。
図７右側に示す検証用データは、このような過学習に対処するため、生データから所定の割合で取り分けておいたテストデータの一例である。このようなテストデータは、学習には直接用いられず、学習結果の検証に用いられる。統計的機械学習の結果として生成されるエンジン（アルゴリズム）は、学習用データに過度に適合することなく、学習用データと検証用データの両方に対する結果が総合的によいモデルが、汎用的に利用しやすい予測モデルと考えられる。
ユーザは、図７に示すグラフ等を確認することで、生成された学習結果が、実際に汎用的に利用可能なモデルであることを確認できる。サーバ１は、ヒストグラムの分布の狭さを、後述する狙い幅、許容誤差等と比較できるように、横軸の長さ等を調整してもよい。
また、ユーザは、グラフに示された結果に問題があると判断した場合は、再度、生成された学習結果のうち異なるモデルを採用する、パラメータの設定を変更する、アップロードする生データを変更する等により、より汎用的で精度の高い学習結果を生成することができる。
なお、図７に示す各グラフは、それぞれ学習データにおける予測値と実測値の分布を示す散布図（予実散布図）、検証データにおける予測値と実測値の分布を示す散布図（予実散布図）、学習データにおける予測誤差の分布を示す図（予測誤差分布図）、検証データにおける予測誤差の分布を示す図（予測誤差分布図）を示している。ただし、図６や図７で示す各グラフは、いずれも例示であり、学習の内容や結果をユーザが確認するために寄与し得る図又は表の一例である。

続いて、図３の機能的構成を有するサーバにより実行される学習処理の流れを説明する。
図８は、図３のサーバにより実行される学習処理の流れを説明するフローチャートである。

ステップＳ１において、生データ取得部８０は、物品の製造条件に関する製造条件情報と、製造される物品の性質に関する目標スペック情報、すなわちユーザ装置２から送信されてきた生データを取得する。

ステップＳ２において、データ内容確認部８２は、生データ取得部８０で取得された生データが、後述する学習に利用される情報（入力情報）にふさわしい条件を備えているかを確認する。

ステップＳ３において、学習設定取得部８４は、生データについて行われる学習の設定情報を取得する。その際、学習設定情報の整合性を確認する。

ステップＳ４において、データ前処理部１００は、学習の対象として設定された変数に対して、より良い精度の予測モデルが生成されることを期待できるように、処理を施す。

ステップＳ５において、学習結果生成部８６は、生データに対して、統計的機械学習に関する処理を実行し、当該生データにおける統計的性質を反映した予測モデル及び各種パラメータ等を、学習結果として生成する。

ステップＳ６において、寄与率算出部１０６は、学習の対象となった製造条件変数の夫々について、スペック変数に対する寄与率を算出する。

ステップＳ７において、寄与変数特定部１０８は、夫々のスペック変数に対する個別低寄与変数や完全低寄与変数等、夫々の製造条件変数について、寄与率算出部１０６で算出された寄与率に基づいた区分を特定する。なお、特定された区分等を確認したユーザは、低寄与変数等を除外して、学習結果の生成を行ってもよい。

ステップＳ８において、学習結果提示部８８は、学習結果生成部８６で生成された学習結果、寄与率算出部１０６で算出された寄与率等及び寄与変数特定部１０８で特定された区分に関する各種情報をユーザ装置２に送信する。

ステップＳ９において、応答曲線提示部１２２は、応答曲線を描画し、提示する。具体的にステップＳ９において、応答曲線提示部１２２は、応答曲線を描画し、提示するために必要となる各種情報を、ユーザ装置２に送信する。以上で、学習処理は終了する。

続いて、本発明の一実施形態に係る情報処理システムの適用対象となる第２のサービスである、レシピ生成サービスの概要について説明する。
レシピ生成サービスとは、上述の学習サービス等を利用して生成された学習結果を利用して、ユーザが求める製品の品質や性質等に基づいて、製品を製造するための具体的な製造条件の候補をユーザに対して提示する一連のサービスである。
レシピ生成サービスでは、ユーザにより設定された製品の目標スペックに対して、学習結果ＤＢ５００に格納された学習結果等に基づいて、目標スペックを満たす製品が製造できると予測される製造条件の候補（以下、「レシピ」と呼ぶ）をユーザに提示する。そして、ユーザは、提示されたレシピの中から自身にとって最適な製造条件を選択して製造を試みることができる。

図９は、図２のサーバ及び図１のユーザ装置の機能的構成のうち、レシピ生成処理に係る機能的構成の一例を示す機能ブロック図である。図９を参照しながら、レシピ生成サービスに係る各種処理（以下、「レシピ生成処理」と呼ぶ）の実行時の機能的構成を説明する。

レシピ生成処理時には、サーバ１のレシピ生成処理部１４０のみが機能し、学習処理部６０は機能しない。図９に示すように、サーバ１のレシピ生成処理部１４０には、希望条件取得部１６０と、レシピ生成部１６２と、レシピ生成結果提示部１６４とが設けられている。

ここで、サーバ１の希望条件取得部１６０には、目標スペック値取得部１８０と、狙い幅取得部１８２と、制約条件取得部１８４とが設けられている。
希望条件取得部１６０は、後述するレシピ生成時目標スペック値情報、狙い幅情報及び制約条件情報等の希望条件に整合性があるかを確認する。

目標スペック値取得部１８０は、ユーザがレシピ生成を希望する製品の目標スペックに関する情報（以下、「レシピ生成時目標スペック値情報」と呼ぶ）を取得する。

狙い幅取得部１８２は、ユーザが、目標として狙いたいスペック値の範囲（幅）に関する情報（以下、「狙い幅情報」と呼ぶ）を取得する。

制約条件取得部１８４は、レシピにおいて製造条件変数及びスペック変数が満たすべき条件に関する情報（以下、「制約条件情報」と呼ぶ）を取得する。
なお、レシピ生成時目標スペック値情報、狙い幅情報及び制約条件情報は、ユーザ等により入力され、ユーザ装置２からサーバ１へ送信される。

レシピ生成部１６２は、一次情報に対する統計処理の結果に基づいて、希望条件を満たし得る可能性が示唆される物品の製造条件を定める変数の値の組合せであるレシピを生成する。
すなわち、レシピ生成部１６２は、目標スペック値取得部１８０で取得されたレシピ生成時目標スペック値情報、狙い幅取得部１８２で取得された狙い幅情報、制約条件取得部１８４で取得された制約条件情報及び学習結果ＤＢ５００に格納されている学習結果等に基づいて、ユーザの希望する目標スペックを満たし得るレシピを生成する。
なお、レシピ生成部１６２がレシピを生成する手法は任意であるが、本実施形態では、例えば、遺伝的アルゴリズムを利用して、レシピを生成する。

また、レシピ生成部１６２には、学習結果管理部２００と、レシピ探索部２０２と、クラスタリング部２０４とが設けられている。

学習結果管理部２００は、学習結果ＤＢ５００に格納されている上述の学習処理の結果として生成された学習結果（学習の結果生成された予測モデル、各種パラメータ等）等を取得し、管理する。ここで管理される各種情報は、例えば、レシピ生成過程でレシピ候補のスコア算出等に利用される。

レシピ探索部２０２は、レシピ生成時目標スペック情報、狙い幅情報、制約条件情報、学習結果等に基づいて、レシピ候補空間を探索し、レシピ（レシピ群）を生成する。

クラスタリング部２０４は、レシピ探索部２０２で探索された結果に対して、クラスタリングに関する処理を実行し、得られたレシピ群を分類する。
具体的にクラスタリング部２０４は、例えば、非階層的なクラスタリングを実行し、それぞれのクラスターのうち最もスコアの高いものを、それぞれのクラスターの代表として選択して、１種類のレシピとして分類する。
これにより、レシピ生成部１６２は、過度に類似したレシピを効率的に除外して、ユーザに多様なレシピの選択肢を提示できる。なお、クラスタリング部２０４のクラスタリングには、入力された許容誤差又は集約幅等を利用してもよい。

レシピ生成結果提示部１６４は、レシピ生成部１６２で生成されたレシピ等に基づいて、ユーザに提示するための出力情報を生成する。

ここで、レシピ生成結果提示部１６４には、レシピ一覧表生成部２２０、スペック変数別スコアを表示するレーダチャート生成部２２２、応答曲線生成部２２４と、レシピ相違度グラフ生成部２２６が設けられている。

レシピ一覧表生成部２２０は、レシピの値や対応する予測値等を一覧するための表を生成する。夫々のレシピについて、学習結果に基づいた予測値とスコアが得られているため、並び順の指標とすることができる。

夫々のレシピは、夫々のスペック変数に対して設定された目標スペック値ごとにスコアを算出することができる。この際、目標スペックにどれほど近いかだけではなく、狙い幅等を考慮したスコアリングを行うこともできる。
スペック変数別スコアのレーダチャート生成部２２２は、夫々のスペックについてのスコアをレーダチャートとして提示する。例えば、レーダチャートの例は、図１１を利用しながら後述する。

応答曲線生成部２２４は、応答曲線を描画し、提示する。予測モデルは、製造条件変数を入力値として、予測値（予測モデルの値）を出力とすることで関数として捉えることが可能である。具体的に製造条件変数の一つを変数として、その他の変数に所定の固定値を設定することで、１変数関数としてグラフを描画することができる。そして、ユーザは、この固定値を任意に変更することで、多変数関数として予測モデルの様々な断面のグラフの挙動を確認し、製造条件の決定や今後の開発方針等の検討に活かすことができる。例えば、応答曲線の例は、図１２を利用しながら後述する。

レシピ相違度グラフ生成部２２６は、相違度グラフに関する情報（以下、「相違度グラフ情報」と呼ぶ）を生成する。具体的な相違度グラフの説明は図１３を参照しながら説明する。

続いて、図１０乃至図１３を参照しながら、ユーザが、生成されたレシピを確認する際の操作等について説明する。
まず、図１０及び図１１は、図３のユーザ装置に表示されるレシピ一覧表示画面の一例を示す図である。

図１０の例では、生成されたレシピの「番号（レシピＮｏ）」、「グラフ」、「平均スコア」、「各製造条件変数（注入速度、膨張率、温度、幅、高さ、角度、減衰率）の値」の具体的な例として、レシピＲ１からＲ５が示されている。
なお、図１０の例では、図５等に示した例と同様に、説明変数として「注入速度」、「膨張率」、「温度」、「幅」、「高さ」、「角度」、「減衰率」の夫々が、目的変数として「不良品率」、「コスト」、「耐久強度」、「エネルギー変換効率」、「触り心地」が設定されたときの製造条件変数の値の組を平均スコアが高い順に表示している。
ここで、「平均スコア」とは、レシピ生成において設定された任意の方法により算出された目標スペックの夫々に対するスコアの平均値を示しており、１００を上限として高い数値であるほど、ユーザの求める目標スペックに近いスペックの製品を製造できる可能性が高いと考えられる。例えば、図１０の例では、レシピＲ１の平均スコアが「８７．６」と算出されており、他のレシピと比較して、ユーザの求める目標スペックに近い製品を製造できる可能性が高い有望なレシピと推測できる。

レシピの並び順は、平均スコア以外にも、着目するスペックについての個別スコア等のレシピを評価するその他の指標によって並べ替えることもできる。

さらに、「グラフ」について、図１１を参照しながら説明する。図１１に示すグラフは、レシピＲ１を例として、「不良品率」、「コスト」、「耐久強度」、「エネルギー変換効率」、「触り心地」の夫々の目標スペック変数に対するスコアが視覚化可能な状態でグラフ化されている。例えば、ユーザは、図１０に示す「レシピ一覧」において各レシピのグラフの表示を操作（クリック等）することで、図１１に示すグラフの詳細を示す画面へ遷移することができる。

次に、図１２は、図３のユーザ装置に表示されるレシピ詳細表示画面の一例を示す図である。図１２の（Ａ）乃至（Ｃ）を参照しながら、レシピ詳細表示画面におけるユーザの操作の一例を簡単に説明する。
図１２の（Ａ）の応答曲線は、レシピの注入速度のパラメータに着目し、注入速度（説明変数）を変化させた場合に目標スペック（耐久強度）がどのように変化するかを示している。
ここで、図１２の（Ａ）の応答曲線を見ると、目標スペック（耐久強度）として設定された１２０の値を取り得る注入速度の範囲として範囲Ｔ１が存在する。範囲Ｔ１に含まれる注入速度における耐久強度の予測値は、ユーザが定めた目標スペック及び狙い幅の範囲に含まれる。つまり、ユーザは、注入速度を範囲Ｔ１の範囲内でコントールすることができれば、目標スペックを満たす製品を製造することができる。しかし、上述の通り、製品の製造過程においては、他の変数の変化はもちろん、予期せぬ考慮要素により注入速度（説明変数）が変化してしまうことがある。そのため、目標スペックを満たすことができる注入速度の範囲は、広いほど望ましい。

そのような場合にユーザが利用することができるのが、図１２の（Ｂ）に示すスライダーバーである。図１２の（Ｂ）に示すように、ユーザは、任意のパラメータ（図１２の例では、膨張率）を自由に調整することで応答曲線の内容を変化させることができる。図１２の（Ｂ）の例では、ユーザは、スライダーバーＳＢを１．０から－１．０の範囲で任意に調整することで、表示させる応答曲線を調整することができる。

その結果として生成された応答曲線が、例えば、図１２の（Ｃ）に示す応答曲線である。図１２の（Ｃ）の応答曲線では、目標スペックを満たす注入速度の範囲として範囲Ｔ２が含まれている。この範囲Ｔ２は、先程の範囲Ｔ１と比較すると広い範囲にわたっている。そのため、図１２の（Ｃ）に示すレシピを参照し、注入速度の値を範囲Ｔ２の範囲内かつ中央付近に設定することで、多少、注入速度が変化してしまった場合であっても、ユーザが、狙い幅の範囲内に収まる製品を製造できる可能性は高いと考えられる。ユーザは、このように製品の製造過程における説明変数の多少の変化に対しても効率的に目標スペックを満たす製品を製造できるように、応答曲線の変化を加味して、実際の製品の製造に使用するレシピを任意に決定することができる。

ここで、図１２に示した応答曲線生成部２２４により生成される応答曲線（以下「レシピ生成後応答曲線」と呼ぶ）と、応答曲線提示部１２２により提示される応答曲線（以下、「学習結果応答曲線」と呼ぶ）の違いについて簡単に説明する。
本システムは、ユーザが目的とする目標スペックを満たす各変数の組み合わせを発見する手段として、レシピ生成機能を提供している。本システムのレシピ生成機能は、全ての範囲のデータに対して自由に探索してレシピを予測するため、ユーザが探索範囲に制約を設けず多様なレシピを発見したい場合等に有用である反面、探索範囲が広いこと等から処理に時間がかかってしまう傾向がある。
そこでユーザは、状況に応じてレシピ生成後応答曲線や学習結果応答曲線を利用することで、レシピ生成機能を単独で利用する場合に比べ、より正確、かつ効率的に各変数の組み合わせを発見できる可能性がある。
例えば、ユーザが単に希望する各変数の組み合わせを発見するだけでなく、各変数が多少変化した場合でも目標スペックを満たすことができるかどうか（ロバスト性を有しているか）を含めて確認したい場合、レシピ生成後応答曲線を利用することで、生成された各レシピのロバスト性を含めて確認することができる。これによりユーザは、複数候補の中からよりロバスト性の高いレシピを見つけることができる可能性がある。
他方、ユーザが事前にある程度目標スペックを満たすことができる製造条件に見当がついている場合（例えば、従前に使用していたレシピがある場合）やロバスト性の確認よりも時間を優先したい場合等であれば、処理に時間がかかるレシピ生成を実行する代わりに学習結果応答曲線を利用することで、ユーザが自ら予測を行うことができる。これによりユーザはレシピ生成機能を利用するより迅速に希望のレシピを見つけることができる可能性がある。このように、ユーザは、自身の目的や状況に応じて、学習結果応答曲線とレシピ生成を使い分けることができる。

続いて、図１３を参照しながら本実施形態における相違度グラフについて説明する。
図１３は、図３のユーザ装置に表示されるレシピ一覧表示画面の一例を示す図であり、図１０及び図１１の例とは異なる例を示す図である。
図１３の例では、レシピＲ１からＲ５の夫々について、製造条件変数（注入速度、膨張率、温度、・・・）の値が折れ線グラフとして表現されている。数値変数以外の変数の値、例えばカテゴリ変数などの値も、順を定義してやれば、同一のグラフを描くことができる。ユーザは、このようにして提示されたグラフを確認することで、複数のレシピの多様性を確認することができる。
ユーザは、このようにして提示されたグラフを確認することで、自身の目的に真に適合するレシピがどのレシピなのかを十分に検討することができる。なお、ここで図１３に示すグラフで規格化した値が用いられているのは、レシピの多様性を比較しやすくするためである。

続いて、図９の機能的構成を有するサーバにより実行されるレシピ生成処理の流れを説明する。
図１４は、図９のサーバにより実行されるレシピ生成処理の流れを説明するフローチャートである。

ステップＳ２１において、目標スペック値取得部１８０は、ユーザがレシピ生成を希望する製品の目標スペックに関するレシピ生成時目標スペック値情報を取得する。
すなわち、目標スペック値取得部１８０は、ユーザ装置２から送信されてくるレシピ生成時目標スペック値情報を、通信部１９を介して取得する。

ステップＳ２２において、狙い幅取得部１８２は、ユーザが、目標として狙いたいスペック値の範囲（幅）に関する狙い幅情報を取得する。
すなわち、狙い幅取得部１８２は、ユーザ装置２から送信されてくる狙い幅情報を、通信部１９を介して取得する。

ステップＳ２３において、制約条件取得部１８４は、レシピにおいて製造条件変数及びスペック変数が満たす条件に関する制約条件情報を取得する。
すなわち、制約条件取得部１８４は、ユーザ装置２から送信されてきた制約条件情報を、通信部１９を介して取得する。

ステップＳ２４において、希望条件取得部１６０は、レシピ生成時目標スペック値情報、狙い幅情報及び制約条件情報等の希望条件に整合性があるかを確認する。

ステップＳ２５において、レシピ生成部１６２は、学習結果ＤＢ５００に格納されている上述の学習処理の結果として生成された学習結果等を取得する。

ステップＳ２６において、レシピ探索部２０２は、レシピ生成時目標スペック情報、狙い幅情報、制約条件情報、学習結果等に基づいて、レシピ候補空間を探索し、レシピ（レシピ群）を生成する。

ステップＳ２７において、クラスタリング部２０４は、ステップＳ２６で得られた結果に対してクラスタリングに関する処理を実行し、得られたレシピ群を分類する。

ステップＳ２８において、レシピ生成結果提示部１６４は、レシピ生成部１６２で生成されたレシピ等に基づいて、ユーザに提示するための出力情報を生成する。ステップＳ２８において、生成した出力情報をユーザ装置２に送信する。以上で、レシピ生成処理は終了する。

以上本発明の一実施形態について説明したが、本発明は、上述の実施形態に限定されるものではなく、本発明の目的を達成できる範囲での変形、改良等は本発明に含まれるものである。

さらに、図１５及び図１６を参照しながら、学習結果の確認のためにユーザに表示される画像の例を示す。
図１５は、学習の完成度と進行の過程を示す図である。具体的に図１５の例では、横軸に学習を行った回数が、縦軸には生成された学習済みモデルの精度（値が低いほど学習済みモデルの精度は高くなる）が示されている。したがって、図１５の例では、学習を繰り返すことで、徐々に学習済みモデルの精度が向上し、学習が正常に進んでいることを示している。
なお、例えば、図６や図１５等で示した学習結果を示す各種画像等は、いずれの画像も例示である。本システムは、例えば、図６や図１５等で示した各種画像の要素の全て又は一部を、改変、置き換え等してもよい。

他方、図１６の例は、生成した学習済みモデルの精度（５段階）が人類の進化過程を模したイメージ図として表示されている。図１６の例では、人類の進化の過程におけるヒト（最終）を示すイメージ図とともに、「Ｌｅｖｅｌ５ 学習済みモデルの精度は極めて高いです。予測結果も期待できます。予測してみましょう。」というメッセーが表示されている。すなわち、図１６では、生成した学習済みモデルの精度が極めて高い場合に示されるイメージ図の例が示されている。なお、図１６の例において、学習済みモデルの評価の指標は任意であるが、例えば、決定係数と予測値カバー率に基づいて、学習済みモデルの精度を評価してもよい。予測値カバー率とは、実測値に対する予測値の誤差が許容誤差の範囲にどの程度収まっているかを表す値である。

ここで、本システムにおけるレシピ生成に関して、補足する。
本システムにおけるレシピ生成は、そもそもユーザが目的とする目標スペックを満たすための各変数の製造条件が分からないという場合に有効である。これに対して、本システムは、統計的な計算に基づいた予測を複数回実行することで、目標スペックとの距離に基づいてスコアリングを行い、スコアの高いものをレシピとして提示することができる。
しかし、学習の精度等によっては、統計的に計算されたスコアの結果が、製造の現場では使用できないほど本来求めている製品と乖離してしまう恐れがある。そのため、本システムは、ユーザの経験や主観が含まれる狙い幅をスコアリングに考慮することができる。これにより、本システムは、ユーザが許容できる製品が製造しやすいレシピを生成することができる。
また、目的変数が複数あるような場合には、１つのレシピのみで目標スペックを十分に満たせない場合も想定される。そのため、本システムは、できるだけ多様なレシピを複数提示し、提示されたレシピの中からユーザが使用しやすいレシピを選択できるという仕様を想定している。具体的に本システムは、例えば遺伝的アルゴリズムや非階層的クラスタリング等を組み合わせることで、できるだけ多様なレシピをユーザに提示する機能を採用することができる。
また、このような工夫だけで不十分な場合でも、ユーザの目線で製造条件が同一と感じないように許容誤差や集約幅等を考慮することができ、また、ユーザがより視覚的に判断できるようにするため、レシピそれぞれに対する差異を図（レシピ相違度グラフ等）として表示することもできる。これにより、ユーザは、より多様なレシピを、より視覚的に確認することができる。

また例えば、上述の実施形態におけるレシピ生成処理では、学習処理時に生成された学習結果を利用して、レシピが生成されるものとして説明したが、とくに限定されない。レシピ生成処理において、利用される学習結果は、上述の学習処理の結果として生成されたものである必要はなく、例えば、他の方法により得られた学習結果等、製造条件を定める変数とスペック変数との統計的性質を含む予測モデル、関係式、基準等であれば足りる。

また例えば、上述の実施形態（特に図５の実施形態）では説明を省略したが、ユーザは、例えば、パラメータの設定等に際して、演算に利用する目的変数又は説明変数の夫々に対する範囲を設定してもよい。これにより、ユーザは、自身の望んだ範囲でのみ学習等を行うことができるため、不要な演算処理に対する待ち時間やメモリ消費量を節約することができる。

また例えば、上述の実施形態において、レシピ相違度グラフ生成部２２６は、製造条件及び目標スペックの夫々のパラメータを規格化するものとして説明したが、特に限定されない。すなわち、レシピ相違度グラフ生成部２２６は、例えば、標準化や正規化等の任意の統計的な手法を用いて、よりユーザが確認しやすくするための工夫を行ってもよい。

また例えば、上述の実施形態では、制約条件情報は、製造条件変数及びスペック変数が満たすべき条件に関する情報として説明したが、特に限定されない。
例えば、制約条件情報は、レシピの探索範囲に関する情報や、その他の設定等、レシピが満たすべき条件に関する各種各様の情報であってもよい。また例えば、制約条件情報には、狙い幅情報や許容誤差情報等が含まれてもよい。

また例えば、上述の実施形態では説明を省略したが、物品の品質や性質
等とは、物品の性能や目的を実現するか否かを判定するに際して注目可能な特性等であれば足り、特に限定されない。

また例えば、上述の実施形態（特に図１２の実施形態）では、応答曲線生成部２２４（又は応答曲線提示部１２２）は応答曲線（２次元）を描画するものとして説明したが、特に限定されない。
学習結果の内容やユーザの希望に応じて、応答曲線生成部２２４（又は応答曲線提示部１２２）は、応答曲面（３次元）を描画してもよい。例えば、応答曲面の場合は、ｎ（ｎは、１以上の任意の自然数）個の製造条件変数のうちから２個の変数を選んで描画するため、全てのパターンを描画しようとするとｎ（ｎ－１）／２通りのパターンが考えられるが、応答曲線の場合はｎ個のグラフを描画すればよい。なお、各グラフの断面は、例えば、以下に示す固定値を変更することで変更できるようにしてもよい。
すなわち、応答曲面及び応答曲線は、例えば、以下の式により表現される。
応答曲面：y=f(xa,xb,他xi固定値)
応答曲線：y=f(xa,他xi固定値)

また例えば、上述の実施形態（特に図１２の実施形態）では、スライダーバーを利用して、各変数を調整するものとして説明したが限定されない。本システムは、例えば、値の直接入力、プルダウン方式による入力等の方法を採用し、各変数を調整してもよい。

また例えば、希望条件取得部１６０は、レシピの生成を希望するユーザから各希望条件等を取得するものとして説明したが、特に限定されない。
すなわち、希望条件取得部１６０は、例えば、ユーザとは異なる第三者から各希望条件等を取得してもよい。さらに言えば、希望条件取得部１６０は、ユーザ等の介在を要せず、プログラム等の実装により自動で各希望条件を取得してもよい。

ここで、上述の実施形態では一部の説明のみに留めたが、「許容誤差」、「狙い幅」、「集約幅」の夫々の用語を詳細に説明する。
（１）許容誤差
本システムにおける許容誤差は、モデルの予測値と実測値の差に基づく精度評価の基準である。そのため、本システムにおける許容誤差は、単に統計的な意味合いを持つものではなく、例えば、ユーザの事前知識や主観も影響し得る。例えば、製造業に精通したユーザによって所定の変数が重要であると評価されているような場合には、統計的なばらつきとは無関係にそのような前提条件を反映して許容誤差が決定される。
すなわち、本システムの許容誤差とは、本サービスにおいて、ユーザの事前知識や主観等を考慮して、スペック変数の実測値と予測値の誤差が同一のスペックとみなせるか否かに関する範囲（幅）を意味している。なお、この基準は、ユーザの事前知識や主観等を考慮するため、各種情報のアップデートや時間経過等によっても基準が変化する可能性がある。
具体的に本システムの許容誤差は、例えば、図７の実施形態における横軸等で利用できる。ヒストグラムの山の夫々がどの程度許容誤差の範囲内に含まれているか否かで予測モデルの良い悪いが容易に評価できる。
また、本システムの許容誤差は、学習の終了判定条件に利用することもできる。例えば、生成されたモデルによる予測値と実測値との差が許容誤差よりも小さければ学習を終了してもよい。
（２）（スペック変数の）狙い幅
狙い幅は、ユーザの事前知識や主観等を考慮して、目標として狙いたいスペック値の範囲（幅）を意味している。例えば、狙い幅は、レシピの評価やスコアの算出に利用できる。目標スペック値を実現するほど良いレシピと考えられるが、狙い幅であれば全て同程度の性能と評価することもできる。
また、実際に製品を製造する場合、何らかの要因により各変数の値に誤差が生じてしまうことは珍しくない。そのため、本システムは、単に事前に決められた最良の値のみを目標スペックに設定するのではなく、ユーザが許容できる範囲内に収まるようなレシピを（可能であれば）複数生成し、何らかの要因で変数に誤差が生じてしまった場合でも、結果として、狙い幅の範囲内の製品を製造しやすいレシピを選択しやすいように設計されている。
換言すれば、狙い幅は応答曲面（応答曲線）と合わせてロバスト性の確認に利用できる。なお、ロバスト性を有しているとは、外れ値等を含む場合にも高い推定性能を示すモデルであるということを意味している（例えば、図１２を参照）。
（３）（製造条件変数の）集約幅
集約幅は、ユーザの事前知識や主観、さらに学習データの特性等を考慮して、各製造条件の差がどの程度なら同一の製造条件とみなして、１つのレシピとして集約できるか否かに関する範囲（幅）を意味している。例えば、集約幅は、レシピ生成の際にクラスタリング等に利用することができる。これにより、ユーザは、レシピ生成の過程において、より実効性の高いレシピの提案を受けることができる。
なお、集約幅は、例えば、以下の方法により取得される。
（ａ）デフォルトの固定値として取得される。
（ｂ）ユーザにより入力された任意の基準値として取得される。
（ｃ）学習結果の寄与率を利用したデフォルト値として取得される。

また、上述の実施形態において、寄与率算出部１０６は、スペック変数に対する寄与率を算出するものとして説明したが、限定されない。寄与率算出部１０６は、例えば、寄与度や相関関係など、幅広く解釈の指標となる値を算出する。

また、上述の実施形態において、寄与変数特定部１０８は、寄与の低い変数を除外して予測モデルを生成するものとして説明したが、限定されない。寄与変数特定部１０８は、低寄与変数を除外して予測モデルを生成してもよいし、低寄与変数を除外せずに予測モデルを生成してもよい。

また、上述の実施形態では、生データのアップロードをユーザが行うものとして説明したが、限定されない。例えば、生データは、他の第三者によりアップロードされてもよいし、サーバ１により自動で取得されてもよい。

また、上述の実施形態では、学習結果の一部として予測モデルに関する近似式が生成され、表示されるものとして説明したが、限定されない。すなわち、近似式の生成及び表示は、任意である。

また、上述の実施形態（特に図７に示す実施形態）において、予実散布図の例を説明したが、限定されない。例えば、予測値と実測値の関係を示すグラフは、散布図に限らず、任意の形式のグラフであってもよい。また、例えば、グラフに対応する精度指標は、決定係数や相関係数に限られず、任意の指標が採用されてもよい。
また、同様に、予測誤差分布に関するグラフにおける予測誤差は、例えば、平均二乗誤差、二乗平均平方根誤差、平均絶対誤差等の任意の統計的指標であってもよい。

また、上述の実施形態において、生データに対する前処理（例えば、図８のステップＳ４）は、必ず行う必要はなく、任意である。

また、上述の実施形態において、クラスタリング部２０４は、単にクラスタリングによりレシピを分類するものとして説明したが、限定されない。例えば、クラスタリング部２０４は、グルーピングの方法、距離の算出方法、階層の有無等、一般的にクラスタリングで用いられる各種各様のバリエーションを設計することができる。さらに言えば、クラスタリング部２０４は、クラスタリングの分類に限定されず、クラスタリングに該当しない類似の統計的手法を用いて、レシピの分類を行ってもよい。

また例えば、上述した一連の処理は、ハードウェアにより実行させることもできるし、ソフトウェアにより実行させることもできる。
すなわち、図３及び図９の機能的構成は例示に過ぎず限定されない。上述した一連の処理を全体として実行できる機能が情報処理システムに備えられていれば足り、この機能を実現するためにどのような機能ブロックを用いるかは特に限定されない。また、機能ブロックの存在場所も、図３又は図９の例に限定されず、任意でよい。
さらに言えば、１つの機能ブロックは、ハードウェア単体で構成してもよいし、ソフトウェア単体で構成してもよいし、それらの組み合わせで構成してもよい。

一連の処理をソフトウェアにより実行させる場合には、そのソフトウェアを構成するプログラムが、コンピュータ等にネットワークや記録媒体からインストールされる。
コンピュータ等は、専用のハードウェアに組み込まれているコンピュータであってもよい。また、コンピュータ等は、各種のプログラムをインストールすることで、各種の機能を実行することが可能なコンピュータ、例えばサーバの他汎用のスマートフォンやパーソナルコンピュータであってもよい。

このようなプログラムを含む記録媒体は、ユーザにプログラムを提供するために装置本体とは別に配布される図示せぬリムーバブルメディアにより構成されるだけでなく、装置本体に予め組み込まれた状態でユーザに提供される記録媒体等で構成されてもよい。

なお、本明細書において、記録媒体に記録されるプログラムを記述するステップは、その順序に沿って時系列的に行われる処理はもちろん、必ずしも時系列的に処理されなくとも、並列的あるいは個別に実行される処理をも含むものである。
すなわち、図８及び１４のステップの一部のステップは、適宜、変更もしくは省略されてもよい。

また例えば、本明細書において、システムの用語は、複数の装置や複数の手段等より構成される全体的な装置を意味するものとする。

以上を換言すると、本発明が適用される情報処理装置は、次のような構成を有していれば足り、各種各様な実施の形態を取ることができる。
即ち、本発明が適用される情報処理装置は、
所定の物品の製造に関する演算処理に用いられる情報処理装置であって、
前記物品の製造条件に関する情報と、製造される前記物品の品質又は性質に関する情報を、一次データとして取得する一次データ取得手段（例えば、生データ取得部８０）と、
前記一次データに統計的性質を有する学習処理を実行し、前記一次データに含まれる統計的性質を反映した所定のアルゴリズムを生成する学習結果生成手段（
例えば、学習結果生成部８６）と、
前記学習処理の結果に基づいて、前記製造条件に係る変数と前記物品の品質又は性質に係る変数との関係を視覚的に確認し得る図又は表を生成する応答曲線生成手段（例えば、応答曲線提示部１２２）と、
を備えていれば足りる。

また、前記情報処理装置は、前記製造条件に係る変数の夫々について、前記物品の品質又は性質への寄与の度合いを算出する寄与率算出手段をさらに備えることができる。

また、前記応答曲線生成手段は、前記製造条件に係る前記変数と前記物品の品質又は性質に係る前記変数のうちのいずれか１の変数を選択し２次元のグラフを描画し、他の変数の値を変更し曲線の変化を観察可能とする前記図又は前記表を生成することができる。

また、前記情報処理装置は、取得された前記一次データの内容が、前記学習結果生成手段による前記学習処理に必要十分か否かを判定するデータ内容確認手段をさらに備えることができる。

また、前記情報処理装置は、前記品質又は前記性質の夫々又は全てについて、前記製造条件に係る前記変数の夫々が所定の値より寄与するか否かを判別する寄与変数特定手段をさらに備えることができる。

また、前記情報処理装置は、前記学習処理の結果に基づいて、前記製造条件に係る前記変数と前記物品の品質又は性質に係る前記変数のいずれかを少なくとも含む複数の変数の関係を表現し得る数式を生成する数式生成手段をさらに備えることができる。

また、前記情報処理装置は、前記学習処理の設定に関する情報を取得する学習設定取得手段をさらに備えることができる。

また、前記情報処理装置は、前記物品の品質又は性質に係る前記変数の夫々における２つの異なる値の差に関する許容誤差情報を取得する許容誤差情報取得手段をさらに備えることができる。

また、前記情報処理装置は、前記学習結果生成手段により生成された前記学習処理の結果の確認に寄与し得る情報を生成する学習結果確認手段をさらに備えることができる。

また、前記学習結果確認手段は、生成した前記学習処理の結果に基づいて、前記学習処理の過程を示す学習曲線に関する図又は表を表示することができる。

また、前記学習結果確認手段は、生成した前記学習処理の結果に基づいて、前記学習処理の決定係数に関する図又は表を表示することができる。

また、前記学習結果確認手段は、生成した前記学習処理の結果に基づいて、前記学習処理に関する予測及び実測に関する図又は表を表示することができる。

また、前記学習結果確認手段は、生成した前記学習処理の結果に基づいて、前記学習処理の予測誤差の分布に関する図又は表を表示することができる。

また、前記情報処理装置は、前記品質又は前記性質に係る変数の夫々における２つの異なる値の差を考慮して、前記学習処理の結果に関する評価を実行する学習結果評価手段をさらに備えることができる。

また、前記学習結果評価手段は、許容誤差を含み前記学習処理の結果を評価することができる。

また、前記学習結果評価手段は、前記学習結果評価手段は、決定係数又は予測値カバー率を含む指標により前記学習処理の結果を評価することができる。

前記学習結果評価手段は、所定の指標による前記学習処理の結果の評価を、所定の形式の図又は表として表示することができる。

＜サーバ＞
１・・・サーバ
１１・・・制御部
（学習結果処理）
６０・・・学習処理部
８０・・・生データ取得部
８２・・・データ内容確認部
８４・・・学習設定取得部
８６・・・学習結果生成部
１００・・・データ前処理部
１０２・・・予測モデル生成部
１０４・・・予測精度算出部
１０６・・・寄与率算出部
１０８・・・寄与変数特定部
８８・・・学習結果提示部
１２０・・・予測モデル精度提示部
１２２・・・応答曲線提示部
（レシピ生成処理）
１４０・・・レシピ生成処理部
１６０・・・希望条件取得部
１８０・・・目標スペック値取得部
１８２・・・狙い幅取得部
１８４・・・制約条件取得部
１６２・・・レシピ生成部
２００・・・学習結果管理部
２０２・・・レシピ探索部
２０４・・・クラスタリング部
１６４・・・レシピ生成結果提示部
２２０・・・レシピ一覧表生成部
２２２・・・レーダチャート生成部
２２４・・・応答曲線生成部
２２６・・・レシピ相違度グラフ生成部
（ＤＢ）
５００・・・学習結果ＤＢ
６００・・・レシピ生成結果ＤＢ
＜ユーザ装置＞
２・・・ユーザ装置

Claims (17)

1. 所定の物品の製造の演算に用いられる情報処理装置であって、
   前記物品の製造条件の変数に対応する情報を製造条件情報として取得し、製造される前記物品の品質又は性質にかかる変数に対応する情報をスペック情報として取得する一次情報取得手段と、
   前記製造条件情報又は前記スペック情報の変数のうち説明変数及び目的変数として設定された各変数に対して、機械学習による学習を実行し、当該学習の結果として、各変数の関係性を反映した所定のアルゴリズムを生成する学習結果生成手段と、
   前記学習の結果に基づいて、前記製造条件情報又は前記スペック情報の変数のうち１の変数を変動する変数として選択し、他の変数を固定値として設定することで、各変数の関係性を視覚的に確認し得る図又は表を生成する応答曲線生成手段と、
   前記固定値として設定した変数を連続的に変化させる入力指示を受け付ける固定値変更手段と、
   を備える情報処理装置。
2. 前記製造条件にかかる変数の夫々について、前記物品の品質又は性質への寄与の度合いを算出する寄与率算出手段をさらに備える、
   請求項１に記載の情報処理装置。
3. 取得された前記製造条件情報又は前記スペック情報の内容が、前記学習結果生成手段が一定の基準の前記学習を行うのに十分か否かを、実験計画法により算出された基準に基づいて判定するデータ内容確認手段をさらに備える、
   請求項１又は２に記載の情報処理装置。
4. 前記品質又は前記性質の夫々又は全てについて、前記製造条件にかかる変数の夫々が所定の値より寄与するか否かを判別する寄与変数特定手段をさらに備える、
   請求項１又は２に記載の情報処理装置。
5. 前記学習の結果に基づいて、前記製造条件にかかる変数と前記物品の品質又は性質にかかる変数のいずれかを少なくとも含む複数の変数の関係を表現し得る数式を生成する数式生成手段をさらに備える、
   請求項１又は２に記載の情報処理装置。
6. 前記学習の設定に対応する入力指示を受け付ける学習設定受付手段をさらに備える、
   請求項１又は２に記載の情報処理装置。
7. 前記物品の品質又は性質にかかる変数の夫々における２つの異なる値の差を示す許容誤差情報を取得する許容誤差情報取得手段をさらに備える、
   請求項２に記載の情報処理装置。
8. 前記学習の進行状況又は前記学習の結果の精度を含む図又は表を生成する学習結果確認手段をさらに備える、
   請求項１又は２に記載の情報処理装置。
9. 前記学習結果確認手段は、前記学習の結果に基づいて、前記学習の過程を示す学習曲線を示す図又は表を生成する、
   請求項８に記載の情報処理装置。
10. 前記学習結果確認手段は、前記学習の結果に基づいて、前記学習における決定係数を示す図又は表を生成する、
    請求項８に記載の情報処理装置。
11. 前記学習結果確認手段は、前記学習の結果に基づいて、前記学習における予測及び実測を示す図又は表を生成する、
    請求項８に記載の情報処理装置。
12. 前記学習結果確認手段は、前記学習の結果に基づいて、前記学習における予測誤差の分布を示す図又は表を生成する、
    請求項８に記載の情報処理装置。
13. 前記品質又は前記性質にかかる変数の夫々における２つの異なる値の差を考慮して、前記学習の結果の評価を実行する学習結果評価手段をさらに備える、
    請求項７に記載の情報処理装置。
14. 前記学習結果評価手段は、前記許容誤差情報を考慮して前記学習の結果を評価する、
    請求項１３に記載の情報処理装置。
15. 前記学習結果評価手段は、決定係数又は予測値カバー率を含む指標により前記学習の結果を評価する、
    請求項１３に記載の情報処理装置。
16. 前記学習結果評価手段は、所定の指標による前記学習の結果の評価を、所定の形式の図又は表として表示する、
    請求項１３に記載の情報処理装置。
17. 所定の物品の製造の演算に用いられるコンピュータに、
    前記物品の製造条件の変数に対応する情報を製造条件情報として取得し、製造される前記物品の品質又は性質にかかる変数に対応する情報をスペック情報として取得する一次情報取得ステップと、
    前記製造条件情報又は前記スペック情報の変数のうち説明変数及び目的変数として設定された各変数に対して、機械学習による学習を実行し、当該学習の結果として、各変数の関係性を反映した所定のアルゴリズムを生成する学習結果生成ステップと、
    前記学習の結果に基づいて、前記製造条件情報又は前記スペック情報の変数のうち１の変数を変動する変数として選択し、他の変数を固定値として設定することで、各変数の関係性を視覚的に確認し得る図又は表を生成する応答曲線生成ステップと、
    前記固定値として設定した変数を連続的に変化させる入力指示を受け付ける固定値変更ステップと、
    を含む処理を実行させるプログラム。