WO2024062964A1 - プロジェクト遂行支援装置、方法、及びプログラム - Google Patents
プロジェクト遂行支援装置、方法、及びプログラム Download PDFInfo
- Publication number
- WO2024062964A1 WO2024062964A1 PCT/JP2023/033041 JP2023033041W WO2024062964A1 WO 2024062964 A1 WO2024062964 A1 WO 2024062964A1 JP 2023033041 W JP2023033041 W JP 2023033041W WO 2024062964 A1 WO2024062964 A1 WO 2024062964A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- project
- agenda
- community
- program
- model
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 26
- 238000012545 processing Methods 0.000 description 24
- 230000010365 information processing Effects 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000002787 reinforcement Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
Definitions
- the technology of the present disclosure relates to a project execution support device, method, and program.
- DAOs decentralized autonomous organizations
- blockchain clearly record the history of decision-making.
- the DAO is an organization that is represented by rules defined by a computer program, such as a smart contract, and is controlled by holders of tokens necessary for decision-making (Patent Document 1).
- AMA ask me anything
- the disclosed technology provides a project execution support device, method, and method that can support efficient community management using a model learned using data recording the decision-making history of projects planned in the community.
- the purpose is to provide programs.
- a first aspect of the present disclosure is a project execution support device, which uses a model that inputs information about a project planned in a community and outputs action items or agenda items necessary for carrying out the project to generate ideas in the community.
- the device includes an estimating unit that estimates an action item or agenda item required for a decision, and an output unit that outputs the estimated necessary action item or agenda item.
- a second aspect of the present disclosure is a project execution support device, which inputs an action item or agenda necessary for executing a project planned in a community and project information, and in which the action item or a generation unit that generates a program that rewards members who complete the action item or agenda in a community using a model that generates a program that rewards members who complete the agenda; and the generated program. an output unit that outputs the output.
- a third aspect of the present disclosure is a project execution support device, which receives as input a program that rewards members who have completed the execution of action items or agendas necessary for the execution of a project planned in a community, and an explanatory text; an estimator that estimates a match rate between the program in the community and the input explanatory text using a model that estimates a match rate between the program and the explanatory text; and an estimator that outputs the estimated match rate. and an output section.
- a fourth aspect of the present disclosure is a project execution support device, which inputs action items or agenda items necessary for executing a project planned in a community, and background information or desired remuneration of each member, and selects necessary action items. or an estimating unit that estimates members recommended as the person in charge of an action item or topic necessary in the community using a model that estimates members recommended as the person in charge of the topic; and an output that outputs the estimated members. including.
- a fifth aspect of the present disclosure is a project execution support method, which uses a model that inputs information about a project planned in a community and outputs action items or agenda items necessary for carrying out the project, to generate ideas in the community. An action item or agenda item required for the decision is estimated, and the estimated necessary action item or agenda item is output.
- a sixth aspect of the present disclosure is a project execution support method, which inputs an action item or agenda necessary for executing a project planned in a community and project information, and in which the action item or the project information is input.
- a model that generates a program that rewards members who complete the agenda generate a program that rewards members who complete the action item or agenda in the community, and output the generated program.
- a seventh aspect of the present disclosure is a project execution support method, which receives as input a program that rewards members who have completed the execution of action items or agenda items necessary for the execution of a project planned in a community, and an explanatory text; Using a model for estimating the match rate between the program and the explanatory text, the match rate between the program in the community and the input explanatory text is estimated, and the estimated match rate is output.
- An eighth aspect of the present disclosure is a project execution support method, which inputs action items or agenda items necessary for executing a project planned in a community and background information or desired remuneration of each member, and selects necessary action items.
- a model for estimating members recommended as persons in charge of an agenda item is used to estimate members recommended as persons in charge of an action item or topic required in the community, and the estimated members are output.
- a ninth aspect of the present disclosure is a project execution support program, which is a program for causing a computer to function as the above-mentioned project execution support device.
- efficient community management can be supported using a model learned using data that records the decision-making history of a project planned by a community.
- FIG. 1 is a block diagram showing the configuration of an information processing system according to the present embodiment.
- FIG. 2 is a schematic block diagram of an example of a computer that functions as a management server of the present embodiment.
- FIG. 2 is a block diagram showing the configuration of a management server according to a first embodiment, a third embodiment, and a fourth embodiment. It is a flowchart which shows the content of the learning process routine of the management server based on this embodiment. It is a flowchart which shows the content of the estimation processing routine of the management server based on 1st Embodiment.
- FIG. 2 is a block diagram showing the configuration of a management server according to a second embodiment.
- the information processing system 100 includes a management server 10 installed on the service management company side, and a user terminal 24 operated by a user.
- the management server 10 is an example of a project execution support device.
- Fig. 1 shows an example in which two user terminals 24 are provided, but three or more user terminals 24 may be provided.
- the management server 10 and user terminals 24 are connected via a network 26 such as the Internet.
- the user terminal 24 is a smartphone terminal, a mobile phone, a PDA (Personal Digital Assistant) terminal, a notebook/book type computer terminal, or the like.
- FIG. 2 is a block diagram showing the hardware configuration of the management server 10 of this embodiment.
- the management server 10 includes a CPU (Central Processing Unit) 11, a ROM (Read Only Memory) 12, a RAM (Random Access Memory) 13, a storage 14, an input unit 15, a display unit 16, and a communication interface. interface ( I/F) 17.
- CPU Central Processing Unit
- ROM Read Only Memory
- RAM Random Access Memory
- storage 14 an input unit 15, a display unit 16, and a communication interface. interface ( I/F) 17.
- I/F communication interface
- the CPU 11 is a central processing unit that executes various programs and controls various parts. That is, the CPU 11 reads a program from the ROM 12 or the storage 14 and executes the program using the RAM 13 as a work area. The CPU 11 controls each of the above components and performs various arithmetic operations according to programs stored in the ROM 12 or the storage 14. In this embodiment, the ROM 12 or the storage 14 stores programs for performing various processes.
- the ROM 12 stores various programs and various data.
- the RAM 13 temporarily stores programs or data as a work area.
- the storage 14 is configured with an HDD (Hard Disk Drive) or an SSD (Solid State Drive), and stores various programs including an operating system and various data.
- the input unit 15 includes a pointing device such as a mouse and a keyboard, and is used to perform various input operations.
- the display unit 16 is, for example, a liquid crystal display, and displays various information.
- the display section 16 may adopt a touch panel method and function as the input section 15.
- the communication interface 17 is an interface for communicating with other devices, and uses standards such as Ethernet (registered trademark), FDDI, and Wi-Fi (registered trademark), for example.
- the management server 10 functionally includes a learning data generation section 30, a learning section 32, an acquisition section 34, an estimation section 36, an output section 38, a learning database (DB) 50, and a model storage section. 52, and a project information database (DB) 54.
- the learning data generation unit 30 acquires the type of project from the project outline for an existing project planned by the community from the project information database 54.
- the learning data generation unit 30 acquires "action items and agenda items" at each point in time for each "progress status of the project" for the existing project from the project information database 54, from the decision-making history of the project.
- the "project type” is, for example, “meeting settings”.
- the "progress status of a project” is, for example, the degree of accomplishment (percentage) associated with the consumption of action items to achieve the purpose of the project, the last action item consumed, or the degree of activity (message volume, etc.).
- This achievement level may be entered manually, the achievement level may be automatically calculated from the message content, or a program may be embedded to automatically monitor the achievement level.
- the "action items” are, for example, “determine attendees", “determine meeting contents", “adjust schedule”, and "determine date”.
- Non-Patent Document 1 GPT4 Internet Search ⁇ URL: https://openai.com/research/gpt-4.
- the types in the learning data are similarly clustered by vectorizing the natural language, and when using a trained model, it can be applied even if a new "project type" is input.
- Another method is to associate each action with labels and tools that have already been assigned.
- Non-patent Document 2 Development management tool redmine, Internet search ⁇ URL: https://redmine.jp>
- the learning data generation unit 30 generates a combination of “project type,” “project progress,” and “action item, agenda” as learning data, and stores it in the learning database 50.
- the learning unit 32 learns a model for action estimation based on multiple pieces of learning data.
- the first input to this model is a vector indicating the "project type", and a vector indicating the "project progress" may also be input.
- the output of the model for action estimation is a vector indicating the "action item, agenda”.
- the model for action estimation is, for example, a neural network.
- the learning unit 32 stores the learned model for action estimation in the model storage unit 52.
- the acquisition unit 34 acquires the type of project from the project summary for the project to be estimated planned by the community from the project information database 54.
- the acquisition unit 34 acquires the "progress status of the project" from the project information database 54, regarding the project to be estimated, from the decision-making history of the project.
- the estimation unit 36 inputs information about a project planned in the community and uses an action estimation model that outputs action items or agenda items necessary for carrying out the project to determine action items or agenda items necessary for decision making in the community. Estimate.
- an action item is something that has been agreed upon through discussion and turned into a task, and is, for example, a development task with a reward.
- the estimation unit 36 inputs a vector indicating the "type of project” and a vector indicating the "progress status of the project” to the learned model.
- the estimating unit 36 acquires the "action item, topic” required at the present time from the vector indicating "action item, topic” which is the model output.
- the output unit 38 outputs the estimated necessary action items or topics.
- the project information database 54 stores a project outline and a project decision history for each existing project. Furthermore, the project information database 54 stores a project outline and a project decision-making history regarding the project to be estimated.
- the decision-making history is, for example, data representing discussions in natural language in a chat tool, or voting results based on tokens in decision-making.
- the management server 10 receives from each user terminal 24 a project outline and a project decision-making history as information regarding existing projects.
- the management server 10 registers the project outline and project decision history for each existing project in the project information database 54.
- the management server 10 executes the learning processing routine shown in FIG.
- step S100 the learning data generation unit 30 acquires the type of project from the project summary for each existing project planned by the community from the project information database 54.
- the learning data generation unit 30 acquires "action items and agenda items" at each point in time for each "progress status of the project" for the existing project from the project information database 54, from the decision-making history of the project.
- the learning data generation unit 30 generates a combination of “project type,” “project progress,” and “action item, agenda” as learning data, and stores it in the learning database 50.
- step S102 the learning unit 32 learns a model for action estimation based on multiple pieces of learning data, stores the learned model for action estimation in the model storage unit 52, and ends the learning processing routine.
- the management server 10 receives from the user terminal 24 the outline of the project and the decision-making history of the project as information regarding the project to be estimated.
- the management server 10 registers in the project information database 54 the project outline and project decision-making history for the project to be estimated.
- the management server 10 executes the estimation processing routine shown in FIG. 5.
- step S110 the acquisition unit 34 acquires the type of project from the project summary from the project information database 54 for the project to be estimated planned by the community.
- the acquisition unit 34 acquires the "progress status of the project" from the project information database 54, regarding the project to be estimated, from the decision-making history of the project.
- step S112 the estimation unit 36 inputs a vector indicating the "type of project” and a vector indicating the "progress status of the project” to the learned model for action estimation.
- the estimating unit 36 acquires the "action item, topic” required at the present time from the vector indicating "action item, topic” which is the model output.
- step S114 the output unit 38 outputs the estimated necessary action items or topics.
- the information processing system uses a model that inputs information about a project planned by the community and outputs action items or agenda items necessary for carrying out the project. Estimate the action items or agenda needed for decision-making. In this way, efficient community management can be supported using a model learned using data that records the decision-making history of projects planned by the community.
- DAO decision-making history
- the second embodiment differs from the first embodiment in that a model is used to generate a program that provides rewards to members who complete action items or agenda items in a community.
- This model takes as input action items or agenda items required for the execution of a project planned in the community and project information, and generates a program that provides rewards to members who complete action items or agenda items in the project information.
- the management server 210 includes a learning data generation section 230, a learning section 232, an acquisition section 234, a generation section 236, an output section 238, a learning database (DB) 250, and a model storage. 252 and a project information database (DB) 254.
- a learning data generation section 230 includes a learning data generation section 230, a learning section 232, an acquisition section 234, a generation section 236, an output section 238, a learning database (DB) 250, and a model storage. 252 and a project information database (DB) 254.
- DB project information database
- the learning data generation unit 230 acquires the type of project from the project summary for an existing project planned by the community from the project information database 54.
- the learning data generation unit 230 acquires project decision-making history for existing projects from the project information database 54.
- the learning data generation unit 230 acquires "action items, agendas", “programs”, and "final results of the project” at each point in time for each "progress status of the project” from the decision-making history of the project.
- the "program” is, for example, a program that has conditions and rewards determined by advance decision-making and automatically pays rewards when the conditions are met, and the chats and actions output by the members meet the conditions. Once met, rewards will be automatically paid to the member.
- An example of a program is a smart contract.
- the learning data generation unit 230 generates information such as “type of project”, “progress status of project”, A combination of "action item, agenda”, “program”, and “final result of the project” is generated as learning data and stored in the learning database 250.
- the learning unit 232 learns a model for action estimation, and stores the learned model for action estimation in the model storage unit 252.
- the learning unit 232 learns a model for program generation based on a plurality of learning data.
- the first input to this model for program generation is a vector indicating the "type of project," and in addition, a vector indicating the "progress status of the project” may be input.
- the second input is a vector indicating "action item, agenda.”
- the output of the model for program generation is a "reward granting program.”
- the model is, for example, a neural network, and as an example, a modified version of seq2seq (text2code) (non-patent document 3), which inputs natural language and outputs source code, is used.
- This program generation model estimates an appropriate "reward" for the input and outputs the corresponding program.
- the "reward” is, for example, a token.
- the “final result of the project” includes, for example, the output (market value) of the community, the size of the community, and the like.
- a reward is determined for an action "A”. Assume that there are other past community histories ⁇ and ⁇ in which the action “A” was actually executed. It is also assumed that a reward A ⁇ is given as a reward for the community history ⁇ , and a reward A ⁇ is given for the community history ⁇ . Assume that the community history ⁇ has a result that the community size has increased, and the community history ⁇ has a result that the community size has not increased. In this case, the model is trained in such a way that the reward A ⁇ is more correct as the reward for the action “A”.
- the learning unit 232 stores the trained model for program generation in the model storage unit 252.
- a trained model for program generation may be obtained by reinforcement learning.
- each agent acts to maximize gain based on its own status (skill, etc.), and learns this behavior function from past learning data.
- the model estimates the "reward" that will be optimal for the final outcome of the project based on the current behavior function. Repeat this.
- a program with appropriate rewards is output.
- the acquisition unit 234 acquires the type of project from the project summary from the project information database 254 regarding the project to be estimated planned by the community.
- the acquisition unit 234 acquires the "progress status of the project" from the project decision-making history for the project to be estimated from the project information database 254.
- the generating unit 236 estimates action items or agenda items necessary for decision-making in the community using a model for action estimation.
- the model for action estimation takes as input information about a project planned by the community and outputs action items or agenda items necessary for carrying out the project.
- the generation unit 236 inputs a vector indicating the “type of project” and a vector indicating the “progress status of the project” to the learned model for action estimation.
- the estimating unit 236 acquires the "action item, topic” required at the current moment from the vector indicating "action item, topic” which is the model output.
- the generation unit 236 receives the estimated necessary action items or agenda items and project information as input, and uses the trained model for program generation to reward members who complete the action items or agenda items. Generate a program to grant.
- the generation unit 236 inputs a vector indicating "type of project,” a vector indicating “progress status of project,” and a vector indicating "action item, agenda” to the trained model generated by the program.
- the generation unit 236 obtains a source code indicating a "remuneration granting program” which is a model output.
- a vector indicating "project type”, a vector indicating "project progress status”, and a vector indicating "action item, agenda” are input into the policy obtained by learning (supervised learning or reinforcement learning), Obtain the output "reward” and set it as a reward in the source code indicating the "reward granting program”.
- the output unit 238 outputs the generated program.
- the project information database 254 stores project summaries and project decision-making histories for existing projects. Furthermore, the project information database 254 stores a project outline and a project decision-making history regarding the project to be estimated.
- the management server 10 receives from the user terminal 24 a project outline and a project decision-making history as information regarding an existing project.
- the management server 10 registers project summaries and project decision-making histories for existing projects in the project information database 54.
- the management server 10 When the management server 10 receives a learning instruction from the user terminal 24, it executes a processing routine similar to the learning processing routine shown in FIG. 4 above.
- step S100 the learning data generation unit 230 acquires the type of project from the project summary for an existing project planned by the community from the project information database 54.
- the learning data generation unit 230 acquires project decision-making history for existing projects from the project information database 54.
- the learning data generation unit 230 acquires "action items, agendas", “programs”, and "final results of the project” at each point in time for each "progress status of the project” from the decision-making history of the project.
- the learning data generation unit 230 generates information such as “type of project”, “progress status of project”, A combination of "action item, agenda”, “program”, and “final result of the project” is generated as learning data and stored in the learning database 250.
- step S102 the learning unit 232 learns a model for action estimation based on a plurality of learning data, and stores the learned model for action estimation in the model storage unit 52. Then, the learning unit 232 learns a model for program generation based on the plurality of learning data, and stores the learned model for program generation in the model storage unit 52.
- the management server 10 receives from the user terminal 24 the outline of the project and the decision-making history of the project as information regarding the project to be estimated.
- the management server 10 registers in the project information database 54 the project outline and project decision-making history for the project to be estimated.
- the management server 10 executes the estimation processing routine shown in FIG. 7.
- step S210 the acquisition unit 234 acquires the type of project from the project summary from the project information database 254 regarding the project to be estimated planned by the community.
- the acquisition unit 234 acquires the "progress status of the project" from the project decision-making history for the project to be estimated from the project information database 254.
- step S212 similarly to the estimation unit 36, the generation unit 236 inputs a vector indicating the “type of project” and a vector indicating the “progress status of the project” to the learned model for action estimation.
- the generation unit 236 acquires the "action item, agenda” required at the current time from the vector indicating the "action item, agenda” which is the model output.
- step S214 the generation unit 236 inputs a vector indicating "type of project,” a vector indicating "progress status of project,” and a vector indicating "action item, agenda” to the trained model generated by the program.
- the generation unit 236 obtains a source code indicating a "remuneration granting program” which is a model output.
- step S216 the generation unit 236 obtains a vector indicating "project type", a vector indicating "progress status of project”, and a vector indicating "action item, agenda” through learning (supervised learning or reinforcement learning). input into the given policy, obtain the output "reward”, and set it as a reward in the source code indicating the "reward granting program”.
- step S218 the output unit 238 outputs the generated program.
- a model is used to generate a program that rewards members who complete the action item or agenda in the community. do.
- the model takes as input action items or agendas necessary for carrying out a project planned in the community and project information, and uses the project information to create a program that rewards members who complete the action items or agendas. generate.
- efficient community management can be supported using a model learned using data that records the decision-making history of projects planned by the community.
- DAOs for example, smart contract data
- a DAO that makes games is equipped with a smart contract that allocates rewards to developers, and at some point, marketing becomes an issue and it becomes necessary to allocate rewards to marketers as well.
- the marketing department was allocated 30% of the remuneration compared to the development department, and as a result, the marketing measure was successful.
- a program corresponding to the program of this project can be generated according to the progress status.
- the third embodiment differs from the first embodiment in that a model is used to estimate the match rate between the program in the community and the input explanatory text.
- the model inputs an explanatory text and a program that rewards members who complete action items or agendas necessary for carrying out a project planned by the community, and estimates the match rate between the program and the explanatory text.
- the learning data generation unit 30 of the management server 10 obtains the project type from the project summary for existing projects planned by the community from the project information database 54.
- the learning data generation unit 30 also obtains the project decision-making history for existing projects from the project information database 54. From the project decision-making history, the learning data generation unit 30 obtains the "program” and the "explanation given to the source code of the program” at each point in time for each "project progress status.”
- the learning data generation unit 30 generates a combination of "project type”, “project progress status”, “correct program”, and “explanatory text” as normal positive learning data, and stores it in the learning database 50. Further, a combination of "project type”, “project progress”, “wrong program”, and “explanation” is generated as normal negative learning data and stored in the learning database 50.
- the learning unit 32 learns a model for correctness estimation based on a plurality of positive and negative learning data.
- the first input to this model for estimating correctness is a vector indicating "type of project", and in addition, a vector indicating "progress status of project” may be input.
- the third input of the model for correctness estimation is text indicating "program source code”
- the fourth input is text indicating "project explanatory text”.
- the output of the model for estimating accuracy is a scalar value indicating the "degree of accuracy.”
- the model for correct/incorrect estimation is, for example, a neural network.
- a seq2seq (text2code) model can be used. Normally, a code suitable for the input is output, but in this embodiment, by calculating the generation probability of the source code that is input separately for the input text, if the probability is high, it is considered as a correct answer, and the probability If it is low, it is considered that there is a high possibility that it is wrong.
- the learning unit 32 stores the trained model for correctness estimation in the model storage unit 52.
- the acquisition unit 34 acquires the project type from the project overview of the estimated project planned by the community from the project information database 54.
- the acquisition unit 34 acquires the "progress status of the project" from the project decision-making history for the project to be estimated from the project information database 54.
- the acquisition unit 34 acquires, from the project information database 54, a source code indicating a "remuneration granting program" from the decision-making history of the project for the project to be estimated.
- the acquisition unit 34 also acquires text input by the smart contract creator that indicates a description of the currently envisioned program.
- the estimation unit 36 estimates the degree of accuracy using a model for estimating accuracy.
- the model for correct/incorrect estimation takes as input a program that rewards members who complete action items or agenda items necessary for carrying out a project planned in the community, and an explanatory text, and calculates the match rate between the program and the explanatory text. Estimate the degree of accuracy that represents.
- the estimating unit 36 inputs the source code indicating the "remuneration program” and the text of the input explanatory text into a model for correctness estimation, and obtains the "degree of correctness” that is the model output. do.
- the output unit 38 outputs the estimated degree of accuracy.
- the project information database 54 stores project summaries and project decision-making histories for existing projects. Furthermore, the project information database 54 stores a project outline and a project decision-making history regarding the project to be estimated.
- the management server 10 accepts information about an existing project, such as a project overview and a project decision-making history, from the user terminal 24.
- the management server 10 registers the project overview and project decision-making history for the existing project in the project information database 54.
- the management server 10 receives a learning instruction from the user terminal 24, it executes a processing routine similar to the learning processing routine shown in Figure 4 above.
- step S100 the learning data generation unit 30 acquires the type of project from the project summary for an existing project planned by the community from the project information database 54.
- the learning data generation unit 30 acquires project decision-making history for existing projects from the project information database 54.
- the learning data generation unit 30 acquires the "program” and "explanatory text given to the source code of the program” at each point in time for each "progress status of the project” from the decision-making history of the project.
- the learning data generation unit 30 generates a combination of "project type”, “project progress status”, “correct program”, and “explanatory text” as normal positive learning data, and stores it in the learning database 50. Further, a combination of "project type”, “project progress status”, “incorrect program”, and “explanatory text” is generated as normal negative learning data and stored in the learning database 50.
- step S102 the learning unit 32 learns a model for correctness estimation based on a plurality of positive and negative learning data, and stores the learned model for correctness estimation in the model storage unit 52.
- the management server 10 receives from the user terminal 24 the outline of the project and the decision-making history of the project as information regarding the project to be estimated.
- the management server 10 registers in the project information database 54 the project outline and project decision-making history for the project to be estimated.
- the management server 10 executes the estimation processing routine shown in FIG. 8.
- step S310 the acquisition unit 34 acquires the type of project from the project summary from the project information database 54 regarding the project to be estimated planned by the community.
- the acquisition unit 34 acquires the "progress status of the project" from the project decision-making history for the project to be estimated from the project information database 54.
- the acquisition unit 34 acquires, from the project information database 54, a source code indicating a "remuneration granting program" from the decision-making history of the project for the project to be estimated.
- the acquisition unit 34 acquires text input from the program creator that indicates the explanatory text of the program assumed at the present time.
- step S312 the estimation unit 36 inputs the source code indicating the "remuneration program” and the text of the input explanatory text into a model for correctness estimation, and obtains the "degree of correctness” that is the model output. .
- step S314 the output unit 38 outputs the estimated degree of correctness, and ends the estimation processing routine.
- the program creator or community member checks the estimated "degree of correctness” and, if correct, adopts the obtained "program that gives rewards”. On the other hand, if it is incorrect, the obtained program may not be appropriate, so check the obtained "reward granting program” and correct the source code.
- a model is used to estimate the match rate between the program in the community and the input explanatory text.
- the model inputs an explanatory text and a program that rewards members who complete action items or agenda items necessary for carrying out a project planned by the community, and estimates the match rate between the program and the explanatory text.
- efficient community management can be supported using a model learned using data that records the decision-making history of projects planned by the community.
- DAO decision-making history
- an output model that takes a program as input and outputs a description of the program can be trained in advance, and the program can be input into the output model to determine the match rate between the output description and the input description.
- the fourth embodiment differs from the first embodiment in that a model is used to estimate members who are recommended as the person in charge of an action item or agenda item required in the community.
- the model takes as input the action items or agenda necessary to carry out the project planned by the community and the background information or desired reward of each member, and estimates the members recommended as the person in charge of the necessary action item or agenda. .
- the learning data generation unit 30 of the management server 10 acquires the decision-making history of an existing project planned in a community from the project information database 54.
- the learning data generation unit 30 acquires, from the decision-making history of the project, "action items, agenda items,””members in charge,” and “all members” including members not in charge.
- the learning data generation unit 30 acquires "background information and desired remuneration" of "all members" from the member information for the existing project from the project information database 54.
- the background information includes past project participation history or skills.
- the learning data generation unit 30 generates a combination of "action items, agendas", “background information and desired remuneration” of "all members", and “members in charge” as learning data, and stores it in a learning database. 50.
- the learning unit 32 learns a model for action estimation, and stores the learned model for action estimation in the model storage unit 252.
- the learning unit 32 learns a recommendation model based on a plurality of learning data.
- the first input of this model for recommendation is a vector indicating "action item, agenda”
- the second input is a vector indicating "background information” of each member, and in addition, each member You may input a vector indicating the "desired remuneration" of
- the output of the recommendation model is a vector indicating the "recommendation degree" of each member.
- Models for recommendation include, for example, general recommendation algorithms (collaborative filtering), auction algorithms (real time bidding, etc.), neural networks (neural collaborative filtering), and the like.
- Non-Patent Document 4 https://arxiv.org/pdf/1708.05031v2.pdf
- learning progresses as follows. Note that in collaborative filtering and the like, the learning phase is not clearly separated, and new data is added to past data and then matrix operations are performed directly, but for convenience, inputting past data is referred to as the learning phase.
- the reward is determined in advance, so the task is presented only to members whose desired reward is reached. If the desired remuneration of any member has not been reached, the remuneration program described in the second embodiment is recalculated after adding the information "no takers" as the progress status. As a result, if there are cases in the past data where rewards have been increased in similar cases, the rewards can be increased accordingly.
- the learning unit 32 stores the learned model for recommendation in the model storage unit 52.
- the acquisition unit 34 acquires the type of project from the project summary for the project to be estimated planned by the community from the project information database 54.
- the acquisition unit 34 also acquires the "project progress status" from the project decision-making history of the project to be estimated from the project information database 54.
- the acquisition unit 34 acquires each member's "background information” and "desired remuneration" for the project to be estimated from the project information database 54.
- the generation unit 236 uses the action estimation model to estimate action items or agenda items necessary for decision-making in the community.
- the model for action estimation takes as input information about a project planned by the community and outputs action items or agenda items necessary for carrying out the project.
- the generation unit 236 inputs a vector indicating the "type of project” and a vector indicating the "progress status of the project” to the learned model for action estimation.
- the generation unit 236 acquires the "action item, agenda” required at the current time from the vector indicating the "action item, agenda” which is the model output.
- the estimation unit 36 inputs the action items or agenda necessary for carrying out the project planned in the community and the background information or desired reward of each member, and uses the learned model for recommendation to determine the necessary action items or agenda. Estimate the members recommended to take charge of the topic.
- the estimation unit 36 inputs a vector indicating "action item, agenda", “background information” of each member, and a vector indicating “desired reward” into a learned model for recommendation, and outputs the model.
- a vector indicating the "recommendation degree" of each member is obtained.
- the output unit 38 outputs the estimated "recommendation degree" of each member.
- the project information database 54 stores project summaries and project decision-making histories for existing projects. Furthermore, the project information database 54 stores a project outline and a project decision-making history regarding the project to be estimated.
- the management server 10 receives information about an existing project, such as a project overview and a project decision-making history, from the user terminal 24.
- the management server 10 registers the project overview and project decision-making history for the existing project in the project information database 54.
- the management server 10 receives a learning instruction from the user terminal 24, it executes a processing routine similar to the learning processing routine shown in Figure 4 above.
- step S100 the learning data generation unit 30 acquires the project decision-making history for an existing project planned by the community from the project information database 54.
- the learning data generation unit 30 acquires "action items, agenda items,” “members in charge,” and “all members,” including members not in charge, from the decision-making history of the project.
- the learning data generation unit 30 acquires "background information and desired remuneration" of "all members” from the member information for the existing project from the project information database 54.
- the learning data generation unit 30 generates combinations of "action items, topics,” “background information and desired remuneration” of “all members,” and “members in charge” as learning data, and stores the data in the learning database 50.
- step S102 the learning unit 32 learns a model for action estimation based on a plurality of learning data, and stores the learned model for action estimation in the model storage unit 52. Then, the learning unit 32 learns a model for recommendation based on the plurality of learning data, and stores the learned model for recommendation in the model storage unit 52.
- the management server 10 receives from the user terminal 24 the outline of the project and the decision-making history of the project as information regarding the project to be estimated.
- the management server 10 registers in the project information database 54 the project outline and project decision-making history for the project to be estimated.
- the management server 10 executes the estimation processing routine shown in FIG.
- step S410 the acquisition unit 34 acquires the type of project from the project summary from the project information database 54 for the project to be estimated planned by the community.
- the acquisition unit 34 acquires the "progress status of the project" from the project decision-making history for the project to be estimated from the project information database 54.
- step S412 the estimation unit 36 inputs a vector indicating the "type of project” and a vector indicating the "progress status of the project” to the learned model for action estimation.
- the estimating unit 236 acquires the "action item, topic” required at the current moment from the vector indicating "action item, topic” which is the model output.
- step S414 the acquisition unit 34 acquires each member's "background information” and "desired remuneration" for the project to be estimated from the project information database 54.
- step S416 the estimation unit 36 inputs a vector indicating "action item, agenda", “background information” of each member, and a vector indicating “desired reward” to the trained model for recommendation.
- the estimation unit 36 obtains a vector indicating the "recommendation degree" of each member, which is a model output.
- step S4108 the output unit 38 outputs the estimated "recommendation level" of each member.
- a model is used to estimate members who are recommended as the person in charge of an action item or agenda required in the community.
- the model takes as input the action items or agenda necessary to carry out the project planned by the community and the background information or desired reward of each member, and estimates the members recommended as the person in charge of the necessary action item or agenda. .
- efficient community management can be supported using a model learned using data that records the decision-making history of projects planned by the community.
- DAO decision-making history
- management server may be distributed and executed by multiple computers connected via a network.
- the "action item” may include, for example, "watching an advertisement.”
- the technology of the present disclosure may be applied to a mode in which an "advertisement" desired by an individual is distributed based on the individual's behavior record within the community, and the individual receives a reward by viewing the advertisement.
- the processor includes: Estimate the action items or agenda necessary for decision-making in the community using a model that inputs information about a project planned in the community and outputs the action items or agenda necessary for carrying out the project,
- a project execution support device that outputs the estimated necessary action items or agenda items.
- a non-temporary storage medium storing a program executable by a computer to execute project execution support processing,
- the project execution support process is Estimate the action items or agenda necessary for decision-making in the community using a model that inputs information about a project planned in the community and outputs the action items or agenda necessary for carrying out the project,
- a non-temporary storage medium that outputs the estimated necessary action item or agenda.
- the processor includes: Input the action items or agenda necessary for carrying out the project planned by the community and the project information, Generate a program that rewards members who complete the action item or agenda in the community using a model that generates a program that rewards members who complete the action item or agenda using the project information. death, A project execution support device that outputs the generated program.
- a non-temporary storage medium storing a program executable by a computer to execute project execution support processing,
- the project execution support process is Input the action items or agenda necessary for carrying out the project planned by the community and the project information, Generate a program that rewards members who complete the action item or agenda in the community using a model that generates a program that rewards members who complete the action item or agenda using the project information. death, A non-temporary storage medium that outputs the generated program.
- Memory at least one processor coupled to the memory; Including, The processor, A program for providing rewards to members who complete action items or agenda items necessary for the execution of a project planned in a community and an explanatory text are input, and a matching rate between the program and the explanatory text in the community is estimated using a model for estimating a matching rate between the program and the explanatory text; The project execution support device outputs the estimated match rate.
- a non-temporary storage medium storing a program executable by a computer to execute project execution support processing
- the project execution support process is A model that takes as input a program that rewards members who complete action items or agenda items necessary for carrying out a project planned by the community and an explanatory text, and estimates the match rate between the program and the explanatory text. to estimate the match rate between the program in the community and the input description,
- a non-temporary storage medium that outputs the estimated matching rate.
- Memory at least one processor coupled to the memory; Including, The processor, Input the action items or agenda items required to carry out the project planned by the community, and each member's background information or desired compensation, predicting members to be recommended as assignees for the required action items or topics in the community using a model for predicting members to be recommended as assignees for the required action items or topics;
- the project execution support device outputs the estimated members.
- a non-temporary storage medium storing a program executable by a computer to execute project execution support processing
- the project execution support process is Input the action items or agenda necessary for carrying out the project planned by the community, and the background information or desired reward of each member.
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
プロジェクト遂行支援装置は、コミュニティで企画するプロジェクトの情報を入力とし、前記プロジェクトの遂行に必要なアクションアイテム又は議題を出力するモデルを用いて、コミュニティでの意思決定に必要なアクションアイテム又は議題を推定する推定部と、前記推定された必要なアクションアイテム又は議題を出力する出力部と、を含む。
Description
本開示の技術は、プロジェクト遂行支援装置、方法、及びプログラムに関する。
昨今ブロックチェーンを用いたDAO(自律分散型組織)には、意思決定の履歴が明確に記録される。ここで、DAOは、スマートコントラクトなど、コンピュータプログラムで定義されたルールによって表され、意思決定に必要なトークンの保有者によって制御される組織である(特許文献1)。
またスマートコントラクトと呼ばれる、プログラム化された契約により、例えばDAOで担った仕事に対し報酬が自動的に支払われる。
AMA(ask me anything)という役割を持った人間が、コミュニティの疑問点を解消したり、進行・活性化することに大きな役割を果たしている。
開示の技術は、コミュニティで企画するプロジェクトの意思決定の経緯が記録されたデータを用いて学習されたモデルを用いて、効率の良いコミュニティ運営を支援することができるプロジェクト遂行支援装置、方法、及びプログラムを提供することを目的とする。
本開示の第1態様は、プロジェクト遂行支援装置であって、コミュニティで企画するプロジェクトの情報を入力とし、前記プロジェクトの遂行に必要なアクションアイテム又は議題を出力するモデルを用いて、コミュニティでの意思決定に必要なアクションアイテム又は議題を推定する推定部と、前記推定された必要なアクションアイテム又は議題を出力する出力部と、を含む。
本開示の第2態様は、プロジェクト遂行支援装置であって、コミュニティで企画するプロジェクトの遂行に必要なアクションアイテム又は議題と、プロジェクトの情報とを入力とし、前記プロジェクトの情報において、前記アクションアイテム又は議題を遂行完了したメンバーに報酬を付与するプログラムを生成するモデルを用いて、コミュニティで前記アクションアイテム又は議題を遂行完了したメンバーに報酬を付与するプログラムを生成する生成部と、前記生成されたプログラムを出力する出力部と、を含む。
本開示の第3態様は、プロジェクト遂行支援装置であって、コミュニティで企画するプロジェクトの遂行に必要なアクションアイテム又は議題を遂行完了したメンバーに報酬を付与するプログラムと、説明文とを入力とし、前記プログラムと、前記説明文との一致率を推定するモデルを用いて、コミュニティでの前記プログラムと、入力された説明文との一致率を推定する推定部と、前記推定された一致率を出力する出力部と、を含む。
本開示の第4態様は、プロジェクト遂行支援装置であって、コミュニティで企画するプロジェクトの遂行に必要なアクションアイテム又は議題と、各メンバーのバックグラウン
ド情報又は希望報酬とを入力とし、必要なアクションアイテム又は議題に対する担当者として推薦されるメンバーを推定するモデルを用いて、コミュニティで必要なアクションアイテム又は議題に対する担当者として推薦されるメンバーを推定する推定部と、前記推定されたメンバーを出力する出力部と、を含む。
ド情報又は希望報酬とを入力とし、必要なアクションアイテム又は議題に対する担当者として推薦されるメンバーを推定するモデルを用いて、コミュニティで必要なアクションアイテム又は議題に対する担当者として推薦されるメンバーを推定する推定部と、前記推定されたメンバーを出力する出力部と、を含む。
本開示の第5態様は、プロジェクト遂行支援方法であって、コミュニティで企画するプロジェクトの情報を入力とし、前記プロジェクトの遂行に必要なアクションアイテム又は議題を出力するモデルを用いて、コミュニティでの意思決定に必要なアクションアイテム又は議題を推定し、前記推定された必要なアクションアイテム又は議題を出力する。
本開示の第6態様は、プロジェクト遂行支援方法であって、コミュニティで企画するプロジェクトの遂行に必要なアクションアイテム又は議題と、プロジェクトの情報とを入力とし、前記プロジェクトの情報において、前記アクションアイテム又は議題を遂行完了したメンバーに報酬を付与するプログラムを生成するモデルを用いて、コミュニティで前記アクションアイテム又は議題を遂行完了したメンバーに報酬を付与するプログラムを生成し、前記生成されたプログラムを出力する。
本開示の第7態様は、プロジェクト遂行支援方法であって、コミュニティで企画するプロジェクトの遂行に必要なアクションアイテム又は議題を遂行完了したメンバーに報酬を付与するプログラムと、説明文とを入力とし、前記プログラムと、前記説明文との一致率を推定するモデルを用いて、コミュニティでの前記プログラムと、入力された説明文との一致率を推定し、前記推定された一致率を出力する。
本開示の第8態様は、プロジェクト遂行支援方法であって、コミュニティで企画するプロジェクトの遂行に必要なアクションアイテム又は議題と、各メンバーのバックグラウンド情報又は希望報酬とを入力とし、必要なアクションアイテム又は議題に対する担当者として推薦されるメンバーを推定するモデルを用いて、コミュニティで必要なアクションアイテム又は議題に対する担当者として推薦されるメンバーを推定し、前記推定されたメンバーを出力する。
本開示の第9態様は、プロジェクト遂行支援プログラムであって、上記のプロジェクト遂行支援装置としてコンピュータを機能させるためのプログラムである。
開示の技術によれば、コミュニティで企画するプロジェクトの意思決定の経緯が記録されたデータを用いて学習されたモデルを用いて、効率の良いコミュニティ運営を支援することができる。
以下、図面を参照して本開示の技術の実施形態を詳細に説明する。
[第1実施形態]
図1に示すように、第1実施形態に係る情報処理システム100は、サービス管理会社側に設置される管理サーバ10と、ユーザが操作するユーザ端末24と、を備えている。管理サーバ10は、プロジェクト遂行支援装置の一例である。なお、図1では、簡単のため、ユーザ端末24が2台設けられている場合を例に示しているが、ユーザ端末24が3台以上設けられていてもよい。
図1に示すように、第1実施形態に係る情報処理システム100は、サービス管理会社側に設置される管理サーバ10と、ユーザが操作するユーザ端末24と、を備えている。管理サーバ10は、プロジェクト遂行支援装置の一例である。なお、図1では、簡単のため、ユーザ端末24が2台設けられている場合を例に示しているが、ユーザ端末24が3台以上設けられていてもよい。
管理サーバ10及びユーザ端末24は、インターネットなどのネットワーク26を介して接続されている。
ユーザ端末24は、スマートフォン端末、携帯電話、PDA(Personal Digital Assistants)端末、あるいはノート型・ブック型コンピュータ端末等からなる。
図2は、本実施形態の管理サーバ10のハードウェア構成を示すブロック図である。
図2に示すように、管理サーバ10は、CPU(Central Processing Unit)11、ROM(Read Only Memory)12、RAM(Random Access Memory)13、ストレージ14、入力部15、表示部16及び通信インタフェース(I/F)17を有する。各構成は、バス19を介して相互に通信可能に接続されている。
CPU11は、中央演算処理ユニットであり、各種プログラムを実行したり、各部を制御したりする。すなわち、CPU11は、ROM12又はストレージ14からプログラムを読み出し、RAM13を作業領域としてプログラムを実行する。CPU11は、ROM12又はストレージ14に記憶されているプログラムに従って、上記各構成の制御及び各種の演算処理を行う。本実施形態では、ROM12又はストレージ14には、各種処理を行うためのプログラムが格納されている。
ROM12は、各種プログラム及び各種データを格納する。RAM13は、作業領域として一時的にプログラム又はデータを記憶する。ストレージ14は、HDD(Hard Disk Drive)又はSSD(Solid State Drive)により構成され、オペレーティングシステムを含む各種プログラム、及び各種データを格納する。
入力部15は、マウス等のポインティングデバイス、及びキーボードを含み、各種の入力を行うために使用される。
表示部16は、例えば、液晶ディスプレイであり、各種の情報を表示する。表示部16は、タッチパネル方式を採用して、入力部15として機能しても良い。
通信インタフェース17は、他の機器と通信するためのインタフェースであり、例えば
、イーサネット(登録商標)、FDDI、Wi-Fi(登録商標)等の規格が用いられる。
、イーサネット(登録商標)、FDDI、Wi-Fi(登録商標)等の規格が用いられる。
次に、管理サーバ10の機能構成について説明する。図3に示すように、管理サーバ10は、機能的には、学習データ生成部30、学習部32、取得部34、推定部36、出力部38、学習用データベース(DB)50、モデル記憶部52、及びプロジェクト情報データベース(DB)54を備えている。
学習データ生成部30は、プロジェクト情報データベース54から、コミュニティで企画する既存のプロジェクトについて、プロジェクトの概要から、プロジェクトの種類を取得する。
また、学習データ生成部30は、プロジェクト情報データベース54から、既存のプロジェクトについて、プロジェクトの意思決定履歴から、「プロジェクトの進捗状況」毎に、各時点での「アクションアイテム、議題」を取得する。
ここで、次のミーティングを設定することを「目的」とした場合、「プロジェクトの種類」は、例えば、「会議設定」である。「プロジェクトの進捗状況」とは、例えば、当該プロジェクトの目的を達成するためのアクションアイテムの消化に伴う達成度(パーセンテージ)、最後に消化したアクションアイテム、あるいは活性度(メッセージ量等)である。この達成度は、手入力するものであっても良いし、メッセージ内容から自動的に達成度を算出してもよいし、あるいはプログラムを埋め込んで、達成度を自動で監視するようにしてもよい。また、「アクションアイテム」とは、例えば、「出席者決定」、「ミーティング内容決定」、「日程調整」、「日付決定」である。
ここで、プロジェクトの進捗状況「出席者決定」や「日程調整」という抽象的概念を獲得する方法としては2通り考えられる。いずれもコミュニティ内の議論の時系列と併せて使用することで精度向上が見込まれる。
1つはコミュニティ内の議論中の自然言語を解釈し、同一性を有するクラスタを推定する方法である。「日程調整」に関しては様々な記述方法があるが、自然言語をベクトル化(embed)することで、「会議設定」を目的とする議論において、常に存在するベクトルと
して出現する。その出現タイミングは、「出席者決定」より後のことが多い。これらの統計的傾向から、「日程調整」が「出席者決定」の次のアクションとして提示される。ここでのembedにはニューラルネットワーク、事前学習を施した大規模言語モデル(LLM)を用いることが可能である(非特許文献1)。
[非特許文献1]:GPT4 インターネット検索<URL:https://openai.com/research/gpt-4.
して出現する。その出現タイミングは、「出席者決定」より後のことが多い。これらの統計的傾向から、「日程調整」が「出席者決定」の次のアクションとして提示される。ここでのembedにはニューラルネットワーク、事前学習を施した大規模言語モデル(LLM)を用いることが可能である(非特許文献1)。
[非特許文献1]:GPT4 インターネット検索<URL:https://openai.com/research/gpt-4.
なお、プロジェクトの種類についても同様に自然言語をベクトル化することで学習データ中の種類をクラスタ化し、学習済モデル使用時には、新規の「プロジェクトの種類」が入力された場合でも適用可能とする。
もう一つは、各アクションを、既に付与されたラベルやツールと紐づけて捉える方法である。
上記例の場合、「日程調整」はスケジュール調整ツールを用いて、コミュニティメンバへのアクションを促す事象が発生することが多い。またコミュニティ管理ツールの中にはラベルをあらかじめ用意して、それを各タスクに対し付与できる機能を持つものもある(非特許文献2)。
各アクションに紐づくツール、およびそのツール内の設定情報を参照することで、頻度傾向として「日程調整」が「出席者決定」の次のアクションとして提示される。
[非特許文献2]:開発管理ツール redmine、インターネット検索<URL:https://redmine.jp>
[非特許文献2]:開発管理ツール redmine、インターネット検索<URL:https://redmine.jp>
なお、進捗状況を入力しない場合、「プロジェクトの種類」に必要なアクションのリストが全て出力される。
学習データ生成部30は、「プロジェクトの種類」、「プロジェクトの進捗状況」、「アクションアイテム、議題」の組み合わせを、学習データとして生成し、学習用データベース50に格納する。
例えば、「プロジェクトの種類」としての「会議設定」、「プロジェクトの進捗状況」としての「出席者決定」、次のアクションである「アクションアイテム」としての「日程調整」の組み合わせを、学習データとして生成する。
学習部32は、複数の学習データに基づいて、アクション推定用のモデルを学習する。このモデルの1つ目の入力は、「プロジェクトの種類」を示すベクトルであり、加えて「プロジェクトの進捗状況」を示すベクトルを入力してもよい。アクション推定用のモデルの出力は、「アクションアイテム、議題」を示すベクトルである。アクション推定用のモデルは、例えば、ニューラルネットワークである。
学習部32は、アクション推定用の学習済みモデルを、モデル記憶部52に格納する。
取得部34は、プロジェクト情報データベース54から、コミュニティで企画する推定対象のプロジェクトについて、プロジェクトの概要から、プロジェクトの種類を取得する。
また、取得部34はプロジェクト情報データベース54から、推定対象のプロジェクトについて、プロジェクトの意思決定履歴から、「プロジェクトの進捗状況」を取得する。
推定部36は、コミュニティで企画するプロジェクトの情報を入力とし、プロジェクトの遂行に必要なアクションアイテム又は議題を出力するアクション推定用のモデルを用いて、コミュニティでの意思決定に必要なアクションアイテム又は議題を推定する。
ここで、議題とは、コミュニティで合意が取れる前の議題であり、例えば、「次に開発すべき項目は何か?」という議題である。また、アクションアイテムとは、議論で合意がとれてタスク化されたものであり、例えば、報酬付きの開発タスクである。
具体的には、推定部36は、「プロジェクトの種類」を示すベクトル、「プロジェクトの進捗状況」を示すベクトルを学習済みモデルに入力する。推定部36は、モデル出力である「アクションアイテム、議題」を示すベクトルから、現時点で必要となる「アクションアイテム、議題」を取得する。
出力部38は、推定された必要なアクションアイテム又は議題を出力する。
プロジェクト情報データベース54は、既存のプロジェクトの各々について、プロジェクトの概要、及びプロジェクトの意思決定履歴を記憶している。また、プロジェクト情報データベース54は、推定対象のプロジェクトについて、プロジェクトの概要、及びプロ
ジェクトの意思決定履歴を記憶している。ここで、意思決定履歴とは、例えば、チャットツールの自然言語で交わされる議論を表すデータや、意思決定におけるトークンに基づく投票結果である。
ジェクトの意思決定履歴を記憶している。ここで、意思決定履歴とは、例えば、チャットツールの自然言語で交わされる議論を表すデータや、意思決定におけるトークンに基づく投票結果である。
次に、第1実施形態に係る情報処理システム100の作用について説明する。
まず、管理サーバ10は、各ユーザ端末24から、既存のプロジェクトに関する情報として、プロジェクトの概要、及びプロジェクトの意思決定履歴を受け付ける。管理サーバ10は、既存のプロジェクトの各々についての、プロジェクトの概要及びプロジェクトの意思決定履歴を、プロジェクト情報データベース54に登録する。
そして、管理サーバ10は、ユーザ端末24から、学習指示を受け付けると、図4に示す学習処理ルーチンを実行する。
ステップS100では、学習データ生成部30は、プロジェクト情報データベース54から、コミュニティで企画する既存のプロジェクトの各々について、プロジェクトの概要から、プロジェクトの種類を取得する。
また、学習データ生成部30は、プロジェクト情報データベース54から、既存のプロジェクトについて、プロジェクトの意思決定履歴から、「プロジェクトの進捗状況」毎に、各時点での「アクションアイテム、議題」を取得する。
学習データ生成部30は、「プロジェクトの種類」、「プロジェクトの進捗状況」、「アクションアイテム、議題」の組み合わせを、学習データとして生成し、学習用データベース50に格納する。
ステップS102では、学習部32は、複数の学習データに基づいて、アクション推定用のモデルを学習し、アクション推定用の学習済みモデルを、モデル記憶部52に格納し、学習処理ルーチンを終了する。
次に、管理サーバ10は、ユーザ端末24から、推定対象のプロジェクトに関する情報として、プロジェクトの概要、及びプロジェクトの意思決定履歴を受け付ける。管理サーバ10は、推定対象のプロジェクトについてのプロジェクトの概要及びプロジェクトの意思決定履歴を、プロジェクト情報データベース54に登録する。
そして、管理サーバ10は、推定指示を受け付けると、図5に示す推定処理ルーチンを実行する。
ステップS110では、取得部34は、プロジェクト情報データベース54から、コミュニティで企画する推定対象のプロジェクトについて、プロジェクトの概要から、プロジェクトの種類を取得する。
また、取得部34はプロジェクト情報データベース54から、推定対象のプロジェクトについて、プロジェクトの意思決定履歴から、「プロジェクトの進捗状況」を取得する。
ステップS112では、推定部36は、「プロジェクトの種類」を示すベクトル、「プロジェクトの進捗状況」を示すベクトルをアクション推定用の学習済みモデルに入力する。推定部36は、モデル出力である「アクションアイテム、議題」を示すベクトルから、現時点で必要となる「アクションアイテム、議題」を取得する。
ステップS114では、出力部38は、推定された必要なアクションアイテム又は議題を出力する。
以上説明したように、第1実施形態に係る情報処理システムによれば、コミュニティで企画するプロジェクトの情報を入力とし、プロジェクトの遂行に必要なアクションアイテム又は議題を出力するモデルを用いて、コミュニティでの意思決定に必要なアクションアイテム又は議題を推定する。このように、コミュニティで企画するプロジェクトの意思決定の経緯が記録されたデータを用いて学習されたモデルを用いて、効率の良いコミュニティ運営を支援することができる。
また、DAOをはじめとした、意思決定の経緯が記録されたデータ(例えば、スマートコントラクト化されたデータ)を取り込むことで、透明性が高く、効率の良いコミュニティ運営を支援するモデルの学習を可能とする。
また、プロジェクト開始時、「プロジェクトの種類」や「プロジェクトの概要」を入力することで、当該プロジェクトに近い学習データ中の特徴を抽出し、必要なアクションアイテムや議題を提示することができる。また、プロジェクト進捗時、上記に加え「プロジェクトの進捗状況」を入力することで、当該プロジェクトの当該状況に近い学習データ中の特徴を抽出し、必要なアクションアイテムや議題を提示することができる。
[第2実施形態]
次に、第2実施形態に係る情報処理システムについて説明する。なお、第1実施形態と同様の構成となる部分については、同一符号を付して説明を省略する。
次に、第2実施形態に係る情報処理システムについて説明する。なお、第1実施形態と同様の構成となる部分については、同一符号を付して説明を省略する。
第2実施形態では、モデルを用いて、コミュニティでアクションアイテム又は議題を遂行完了したメンバーに報酬を付与するプログラムを生成する点が、第1実施形態と異なっている。このモデルは、コミュニティで企画するプロジェクトの遂行に必要なアクションアイテム又は議題と、プロジェクトの情報とを入力とし、プロジェクトの情報において、アクションアイテム又は議題を遂行完了したメンバーに報酬を付与するプログラムを生成する。
図6に示すように、第2実施形態に係る管理サーバ210は、学習データ生成部230、学習部232、取得部234、生成部236、出力部238、学習用データベース(DB)250、モデル記憶部252、及びプロジェクト情報データベース(DB)254を備えている。
学習データ生成部230は、プロジェクト情報データベース54から、コミュニティで企画する既存のプロジェクトについて、プロジェクトの概要から、プロジェクトの種類を取得する。
また、学習データ生成部230は、プロジェクト情報データベース54から、既存のプロジェクトについて、プロジェクトの意思決定履歴を取得する。学習データ生成部230は、プロジェクトの意思決定履歴から、「プロジェクトの進捗状況」毎に、各時点での「アクションアイテム、議題」、「プログラム」、「プロジェクトの最終的な結果」を取得する。
ここで、「プログラム」は、例えば、事前の意思決定で定めた条件と報酬を有し、条件を満たすと報酬の支払いを自動で行うプログラムであり、メンバーが出力したチャットやアクションが、条件を満たすと、報酬が、当該メンバーに対して自動的に支払われる。プログラムの一例が、スマートコントラクトである。
学習データ生成部230は、「プロジェクトの種類」、「プロジェクトの進捗状況」、
「アクションアイテム、議題」、「プログラム」、「プロジェクトの最終的な結果」の組み合わせを、学習データとして生成し、学習用データベース250に格納する。
「アクションアイテム、議題」、「プログラム」、「プロジェクトの最終的な結果」の組み合わせを、学習データとして生成し、学習用データベース250に格納する。
学習部232は、上記第1実施形態の学習部32と同様に、アクション推定用のモデルを学習し、アクション推定用の学習済みモデルをモデル記憶部252に格納する。
学習部232は、複数の学習データに基づいて、プログラム生成用のモデルを学習する。このプログラム生成用のモデルの1つ目の入力は、「プロジェクトの種類」を示すベクトルであり、加えて「プロジェクトの進捗状況」を示すベクトルを入力してもよい。2つ目の入力は、「アクションアイテム、議題」を示すベクトルである。プログラム生成用のモデルの出力は、「報酬を付与するプログラム」である。モデルは、例えば、ニューラルネットワークであり、一例として、自然言語を入力として、ソースコードを出力するseq2seq(text2code)(非特許文献3)に対して、入力を変更したものを用いる。
[非特許文献3]:https://paperswithcode.com/paper/seq2sql-generating-structured-queries-from
このプログラム生成用のモデルでは、入力に対し、適切な「報酬」を推定し、それに対応するプログラムを出力する。
ここで、「報酬」とは、例えばトークンである。また、「プロジェクトの最終的な結果」とは、例えば、コミュニティのアウトプット(市場価値)や、コミュニティのサイズなどである。ここで、「A」というアクションに対して報酬を定める場合を例に具体例を説明する。「A」というアクションを実際に実行した過去の別のコミュニティ履歴α、βが存在するとする。また、報酬としてコミュニティ履歴αでは報酬Aαが付与され、コミュニティ履歴βでは報酬Aβが付与されているとする。コミュニティ履歴αでは、コミュニティのサイズが大きくなったという結果があり、コミュニティ履歴βはコミュニティのサイズが大きくならなかったという結果があるとする。この場合、「A」というアクションに対する報酬としては、報酬Aαの方がより正しい、という方向でモデルが学習される。
学習部232は、プログラム生成用の学習済みモデルを、モデル記憶部252に格納する。
なお、強化学習によりプログラム生成用の学習済みモデルを得るようにしてもよい。この場合、個々のエージェントは自己のステータス(スキル等)の元、利得を最大化するために行動するとし、過去の学習データからこの行動関数を学習する。モデルは、現状の行動関数を元として、当該プロジェクトの最終的な結果において最適となるような、「報酬」を推定する。これを繰り返す。最終的に学習された報酬推定モデルに対し、入力データを入力することで、適切な報酬を付与したプログラムを出力する。
取得部234は、プロジェクト情報データベース254から、コミュニティで企画する推定対象のプロジェクトについて、プロジェクトの概要から、プロジェクトの種類を取得する。
また、取得部234は、プロジェクト情報データベース254から、推定対象のプロジェクトについて、プロジェクトの意思決定履歴から、「プロジェクトの進捗状況」を取得する。
生成部236は、推定部36と同様に、アクション推定用のモデルを用いて、コミュニティでの意思決定に必要なアクションアイテム又は議題を推定する。アクション推定用のモデルは、コミュニティで企画するプロジェクトの情報を入力とし、プロジェクトの遂行に必要なアクションアイテム又は議題を出力する。
具体的には、生成部236は、推定部36と同様に、「プロジェクトの種類」を示すベクトル、「プロジェクトの進捗状況」を示すベクトルをアクション推定用の学習済みモデルに入力する。推定部236は、モデル出力である「アクションアイテム、議題」を示すベクトルから、現時点で必要となる「アクションアイテム、議題」を取得する。
また、生成部236は、推定された、必要なアクションアイテム又は議題と、プロジェクトの情報とを入力として、プログラム生成用の学習済みモデルを用いて、アクションアイテム又は議題を遂行完了したメンバーに報酬を付与するプログラムを生成する。
具体的には、生成部236は、「プロジェクトの種類」を示すベクトル、「プロジェクトの進捗状況」を示すベクトル、「アクションアイテム、議題」を示すベクトルを、プログラム生成の学習済みモデルに入力する。生成部236は、モデル出力である「報酬を付与するプログラム」を示すソースコードを取得する。
また、「プロジェクトの種類」を示すベクトル、「プロジェクトの進捗状況」を示すベクトル、「アクションアイテム、議題」を示すベクトルを、学習(教師あり学習又は強化学習)で得られた方策に入力し、出力である「報酬」を取得し、「報酬を付与するプログラム」を示すソースコードでの報酬として設定する。
出力部238は、生成されたプログラムを出力する。
プロジェクト情報データベース254は、既存のプロジェクトについて、プロジェクトの概要、及びプロジェクトの意思決定履歴を記憶している。また、プロジェクト情報データベース254は、推定対象のプロジェクトについて、プロジェクトの概要、及びプロジェクトの意思決定履歴を記憶している。
次に、第2実施形態に係る情報処理システム100の作用について説明する。
まず、管理サーバ10は、ユーザ端末24から、既存のプロジェクトに関する情報として、プロジェクトの概要、及びプロジェクトの意思決定履歴を受け付ける。管理サーバ10は、既存のプロジェクトについてのプロジェクトの概要及びプロジェクトの意思決定履歴を、プロジェクト情報データベース54に登録する。
そして、管理サーバ10は、ユーザ端末24から、学習指示を受け付けると、上記図4の学習処理ルーチンと同様の処理ルーチンを実行する。
ここで、ステップS100では、学習データ生成部230は、プロジェクト情報データベース54から、コミュニティで企画する既存のプロジェクトについて、プロジェクトの概要から、プロジェクトの種類を取得する。
また、学習データ生成部230は、プロジェクト情報データベース54から、既存のプロジェクトについて、プロジェクトの意思決定履歴を取得する。学習データ生成部230は、プロジェクトの意思決定履歴から、「プロジェクトの進捗状況」毎に、各時点での「アクションアイテム、議題」、「プログラム」、「プロジェクトの最終的な結果を取得する。
学習データ生成部230は、「プロジェクトの種類」、「プロジェクトの進捗状況」、
「アクションアイテム、議題」、「プログラム」、「プロジェクトの最終的な結果」の組み合わせを、学習データとして生成し、学習用データベース250に格納する。
「アクションアイテム、議題」、「プログラム」、「プロジェクトの最終的な結果」の組み合わせを、学習データとして生成し、学習用データベース250に格納する。
ステップS102では、学習部232は、複数の学習データに基づいて、アクション推定用のモデルを学習し、アクション推定用の学習済みモデルを、モデル記憶部52に格納する。そして、学習部232は、複数の学習データに基づいて、プログラム生成用のモデルを学習し、プログラム生成用の学習済みモデルを、モデル記憶部52に格納する。
そして、管理サーバ10は、ユーザ端末24から、推定対象のプロジェクトに関する情報として、プロジェクトの概要、及びプロジェクトの意思決定履歴を受け付ける。管理サーバ10は、推定対象のプロジェクトについてのプロジェクトの概要及びプロジェクトの意思決定履歴を、プロジェクト情報データベース54に登録する。
そして、管理サーバ10は、推定指示を受け付けると、図7に示す推定処理ルーチンを実行する。
ステップS210では、取得部234は、プロジェクト情報データベース254から、コミュニティで企画する推定対象のプロジェクトについて、プロジェクトの概要から、プロジェクトの種類を取得する。
また、取得部234は、プロジェクト情報データベース254から、推定対象のプロジェクトについて、プロジェクトの意思決定履歴から、「プロジェクトの進捗状況」を取得する。
ステップS212では、生成部236は、推定部36と同様に、「プロジェクトの種類」を示すベクトル、「プロジェクトの進捗状況」を示すベクトルをアクション推定用の学習済みモデルに入力する。生成部236は、モデル出力である「アクションアイテム、議題」を示すベクトルから、現時点で必要となる「アクションアイテム、議題」を取得する。
ステップS214では、生成部236は、「プロジェクトの種類」を示すベクトル、「プロジェクトの進捗状況」を示すベクトル、「アクションアイテム、議題」を示すベクトルを、プログラム生成の学習済みモデルに入力する。生成部236は、モデル出力である「報酬を付与するプログラム」を示すソースコードを取得する。
ステップS216では、生成部236は、「プロジェクトの種類」を示すベクトル、「プロジェクトの進捗状況」を示すベクトル、「アクションアイテム、議題」を示すベクトルを、学習(教師あり学習又は強化学習)で得られた方策に入力し、出力である「報酬」を取得し、「報酬を付与するプログラム」を示すソースコードでの報酬として設定する。
ステップS218では、出力部238は、生成されたプログラムを出力する。
以上説明したように、本開示の技術の第2の実施形態に係る情報処理システムによれば、モデルを用いて、コミュニティで前記アクションアイテム又は議題を遂行完了したメンバーに報酬を付与するプログラムを生成する。モデルは、コミュニティで企画するプロジェクトの遂行に必要なアクションアイテム又は議題と、プロジェクトの情報とを入力とし、前記プロジェクトの情報において、前記アクションアイテム又は議題を遂行完了したメンバーに報酬を付与するプログラムを生成する。このように、コミュニティで企画するプロジェクトの意思決定の経緯が記録されたデータを用いて学習されたモデルを用いて、効率の良いコミュニティ運営を支援することができる。
また、DAOをはじめとした、意思決定の経緯が記録されたデータ(例えば、スマートコントラクト化されたデータ)を取り込むことで、透明性が高く、効率の良いコミュニティ運営を支援するモデルの学習を可能とする。
例えば、次のミーティングを設定することを「目的」としたときに、過去データに、「出席者決定」「ミーティング内容決定」「日程調整」「日付決定」を必要なアクションアイテムとして挙げるスマートコントラクトが存在するとする。別のDAOで同じくミーティングを設定しようとするとき、このスマートコントラクトはそのまま流用可能であると考えられる。このため、「アクションアイテムとスマートコントラクトが紐づいている」過去データについて、そのプログラムに対応するプログラムを生成することができる。
また、例えばコミュニティ開設当初、ゲームを作るDAOで、開発者に報酬を配分するス
マートコントラクトが備わっており、ある時点から、マーケティングが課題となり、マーケッタに対しても報酬を配分する必要が生じたとする。このとき、過去の類似プロジェクトでは、マーケティング部門に対して開発部門比30%の報酬を割り当てるようにした結果、当該マーケティング施策は成功したとする。このプロジェクトに類似するプロジェクトにおいて、進捗状況に応じて、このプロジェクトのプログラムに対応するプログラムを生成することができる。
マートコントラクトが備わっており、ある時点から、マーケティングが課題となり、マーケッタに対しても報酬を配分する必要が生じたとする。このとき、過去の類似プロジェクトでは、マーケティング部門に対して開発部門比30%の報酬を割り当てるようにした結果、当該マーケティング施策は成功したとする。このプロジェクトに類似するプロジェクトにおいて、進捗状況に応じて、このプロジェクトのプログラムに対応するプログラムを生成することができる。
[第3実施形態]
次に、第3実施形態に係る情報処理システムについて説明する。なお、第3実施形態に係る情報処理システムの構成は、第1実施形態と同様であるため、同一符号を付して説明を省略する。
次に、第3実施形態に係る情報処理システムについて説明する。なお、第3実施形態に係る情報処理システムの構成は、第1実施形態と同様であるため、同一符号を付して説明を省略する。
第3実施形態では、モデルを用いて、コミュニティでのプログラムと、入力された説明文との一致率を推定する点が、第1実施形態と異なっている。モデルは、コミュニティで企画するプロジェクトの遂行に必要なアクションアイテム又は議題を遂行完了したメンバーに報酬を付与するプログラムと、説明文とを入力とし、プログラムと、説明文との一致率を推定する。
第3実施形態に係る管理サーバ10の学習データ生成部30は、プロジェクト情報データベース54から、コミュニティで企画する既存のプロジェクトについて、プロジェクトの概要から、プロジェクトの種類を取得する。
また、学習データ生成部30は、プロジェクト情報データベース54から、既存のプロジェクトについて、プロジェクトの意思決定履歴を取得する。学習データ生成部30は、プロジェクトの意思決定履歴から、「プロジェクトの進捗状況」毎に、各時点での「プログラム」、「プログラムのソースコードに付与された説明文」を取得する。
ここで、「説明文」とは、例えば、プログラム開発時に付加される仕様書又は要件定義書や、DAOの議論の中で自然言語で定まる要件である。
学習データ生成部30は、「プロジェクトの種類」、「プロジェクトの進捗状況」、「正しいプログラム」、「説明文」の組み合わせを、通常の正の学習データとして生成し、学習用データベース50に格納する。また、「プロジェクトの種類」、「プロジェクトの進捗状況」、「誤ったプログラム」、「説明文」の組み合わせを、通常の負の学習データとして生成し、学習用データベース50に格納する。
学習部32は、複数の正負の学習データに基づいて、正誤推定用のモデルを学習する。この正誤推定用のモデルの1つ目の入力は、「プロジェクトの種類」を示すベクトルであ
り、加えて「プロジェクトの進捗状況」を示すベクトルを入力してもよい。
り、加えて「プロジェクトの進捗状況」を示すベクトルを入力してもよい。
正誤推定用のモデルの3つ目の入力は、「プログラムのソースコード」を示すテキストであり、4つ目の入力は、「プロジェクトの説明文」を示すテキストである。
正誤推定用のモデルの出力は、「正誤度合い」を示すスカラー値である。正誤推定用のモデルは、例えば、ニューラルネットワークである。一例として、seq2seq(text2code)のモデルを用いることができる。通常は入力に対し適したコードを出力するのに対し、本実施形態では、入力テキストに対し、別途入力されるソースコードの生成確率を計算することで、その確率が高ければ正解と見なし、確率が低ければ誤っている可能性が高いとみなす。
例えば、「参加登録したユーザに1トークンを支払う」というアクションと報酬のペア
に対し、
if anyuser regist calender:
user Z += 1token
のように関係のないユーザZに対し1トークンが付与されている場合は、学習済モデルと照合し問題があると判定することができる。
に対し、
if anyuser regist calender:
user Z += 1token
のように関係のないユーザZに対し1トークンが付与されている場合は、学習済モデルと照合し問題があると判定することができる。
また、より具体的に、2行目の「user Z」となっている箇所に問題があるという指摘を
することも可能となる。
することも可能となる。
学習部32は、正誤推定用の学習済みモデルを、モデル記憶部52に格納する。
取得部34は、プロジェクト情報データベース54から、コミュニティで企画する推定対象のプロジェクトについて、プロジェクトの概要から、プロジェクトの種類を取得する。
また、取得部34は、プロジェクト情報データベース54から、推定対象のプロジェクトについて、プロジェクトの意思決定履歴から、「プロジェクトの進捗状況」を取得する。
また、取得部34は、プロジェクト情報データベース54から、推定対象のプロジェクトについて、プロジェクトの意思決定履歴から、「報酬を付与するプログラム」を示すソースコードを取得する。
また、取得部34は、スマートコントラクト作成者から入力された、現時点で想定されるプログラムの説明文を示すテキストを取得する。
推定部36は、正誤推定用のモデルを用いて、正誤度合いを推定する。正誤推定用のモデルは、コミュニティで企画するプロジェクトの遂行に必要なアクションアイテム又は議題を遂行完了したメンバーに報酬を付与するプログラムと、説明文とを入力とし、プログラムと、説明文との一致率を表す正誤度合いを推定する。
具体的には、推定部36は、「報酬を付与するプログラム」を示すソースコード、入力された説明文のテキストを、正誤推定用のモデルに入力し、モデル出力である「正誤度合い」を取得する。
出力部38は、推定された正誤度合いを出力する。
プロジェクト情報データベース54は、既存のプロジェクトについて、プロジェクトの概要、及びプロジェクトの意思決定履歴を記憶している。また、プロジェクト情報データベース54は、推定対象のプロジェクトについて、プロジェクトの概要、及びプロジェクトの意思決定履歴を記憶している。
次に、第3実施形態に係る情報処理システム100の作用について説明する。
まず、管理サーバ10は、ユーザ端末24から、既存のプロジェクトに関する情報として、プロジェクトの概要、及びプロジェクトの意思決定履歴を受け付ける。管理サーバ10は、既存のプロジェクトについてのプロジェクトの概要及びプロジェクトの意思決定履歴を、プロジェクト情報データベース54に登録する。
そして、管理サーバ10は、ユーザ端末24から、学習指示を受け付けると、上記図4に示す学習処理ルーチンと同様の処理ルーチンを実行する。
ここで、ステップS100では、学習データ生成部30は、プロジェクト情報データベース54から、コミュニティで企画する既存のプロジェクトについて、プロジェクトの概要から、プロジェクトの種類を取得する。
また、学習データ生成部30は、プロジェクト情報データベース54から、既存のプロジェクトについて、プロジェクトの意思決定履歴を取得する。学習データ生成部30は、プロジェクトの意思決定履歴から、「プロジェクトの進捗状況」毎に、各時点での「プログラム」、「プログラムのソースコードに付与された説明文」を取得する。
学習データ生成部30は、「プロジェクトの種類」、「プロジェクトの進捗状況」、「正しいプログラム」、「説明文」の組み合わせを、通常の正の学習データとして生成し、学習用データベース50に格納する。また、「プロジェクトの種類」、「プロジェクトの進捗状況」、「誤ったプログラム」、「説明文」の組み合わせを、通常の負の学習データとして生成し、学習用データベース50に格納する。
ステップS102では、学習部32は、複数の正負の学習データに基づいて、正誤推定用のモデルを学習し、正誤推定用の学習済みモデルを、モデル記憶部52に格納する。
そして、管理サーバ10は、ユーザ端末24から、推定対象のプロジェクトに関する情報として、プロジェクトの概要、及びプロジェクトの意思決定履歴を受け付ける。管理サーバ10は、推定対象のプロジェクトについてのプロジェクトの概要及びプロジェクトの意思決定履歴を、プロジェクト情報データベース54に登録する。
そして、管理サーバ10は、推定指示を受け付けると、図8に示す推定処理ルーチンを実行する。
ステップS310では、取得部34は、プロジェクト情報データベース54から、コミュニティで企画する推定対象のプロジェクトについて、プロジェクトの概要から、プロジェクトの種類を取得する。
また、取得部34は、プロジェクト情報データベース54から、推定対象のプロジェクトについて、プロジェクトの意思決定履歴から、「プロジェクトの進捗状況」を取得する。
また、取得部34は、プロジェクト情報データベース54から、推定対象のプロジェク
トについて、プロジェクトの意思決定履歴から、「報酬を付与するプログラム」を示すソースコードを取得する。
トについて、プロジェクトの意思決定履歴から、「報酬を付与するプログラム」を示すソースコードを取得する。
また、取得部34は、プログラム作成者から入力された、現時点で想定されるプログラムの説明文を示すテキストを取得する。
ステップS312では、推定部36は、「報酬を付与するプログラム」を示すソースコード、入力された説明文のテキストを、正誤推定用のモデルに入力し、モデル出力である「正誤度合い」を取得する。
ステップS314では、出力部38は、推定された正誤度合いを出力し、推定処理ルーチンを終了する。
プログラム作成者またはコミュニティメンバは、推定された「正誤度合い」を確認し、正しければ、得られた「報酬を付与するプログラム」を採用する。一方、誤っている場合、得られたプログラムが適切でない可能性があるため、得られた「報酬を付与するプログラム」を確認し、ソースコードを修正する。
以上説明したように、本開示の技術の第3の実施形態に係る情報処理システムによれば、モデルを用いて、コミュニティでのプログラムと、入力された説明文との一致率を推定する。モデルは、コミュニティで企画するプロジェクトの遂行に必要なアクションアイテム又は議題を遂行完了したメンバーに報酬を付与するプログラムと、説明文とを入力とし、プログラムと、説明文との一致率を推定する。このように、コミュニティで企画するプロジェクトの意思決定の経緯が記録されたデータを用いて学習されたモデルを用いて、効率の良いコミュニティ運営を支援することができる。
また、DAOをはじめとした、意思決定の経緯が記録されたデータ(例えば、スマートコントラクト化されたデータ)を取り込むことで、透明性が高く、効率の良いコミュニティ運営を支援するモデルの学習を可能とする。
例えば悪意を持ったプログラマが、DAOで決まったルールに反して、自分の都合の良いようにプログラムを作成した場合であっても、そのような悪意を自動的に検出することができる。
なお、プログラムを入力とし、プログラムの説明文を出力とする出力モデルを学習しておき、その出力モデルに、プログラムを入力し、出力される説明文と、入力説明文との一致率を求めるようにしてもよい。
[第4実施形態]
次に、第4実施形態に係る情報処理システムについて説明する。なお、第4実施形態に係る情報処理システムの構成は、第1実施形態と同様であるため、同一符号を付して説明を省略する。
次に、第4実施形態に係る情報処理システムについて説明する。なお、第4実施形態に係る情報処理システムの構成は、第1実施形態と同様であるため、同一符号を付して説明を省略する。
第4実施形態では、モデルを用いて、コミュニティで必要なアクションアイテム又は議題に対する担当者として推薦されるメンバーを推定する点が、第1実施形態と異なっている。モデルは、コミュニティで企画するプロジェクトの遂行に必要なアクションアイテム又は議題と、各メンバーのバックグラウンド情報又は希望報酬とを入力とし、必要なアクションアイテム又は議題に対する担当者として推薦されるメンバーを推定する。
第4実施形態に係る管理サーバ10の学習データ生成部30は、プロジェクト情報デー
タベース54から、コミュニティで企画する既存のプロジェクトについて、プロジェクトの意思決定履歴を取得する。学習データ生成部30は、プロジェクトの意思決定履歴から、「アクションアイテム、議題」と、「担当したメンバー」と、担当していないメンバーを含めた「全メンバー」を取得する。
タベース54から、コミュニティで企画する既存のプロジェクトについて、プロジェクトの意思決定履歴を取得する。学習データ生成部30は、プロジェクトの意思決定履歴から、「アクションアイテム、議題」と、「担当したメンバー」と、担当していないメンバーを含めた「全メンバー」を取得する。
また、学習データ生成部30は、プロジェクト情報データベース54から、既存のプロジェクトについて、メンバー情報から「全メンバー」の「バックグラウンド情報及び希望報酬」を取得する。ここで、バックグラウンド情報は、過去のプロジェクトの参画経歴又はスキルを含む。
学習データ生成部30は、「アクションアイテム、議題」と、「全メンバー」の「バックグラウンド情報及び希望報酬」と、「担当したメンバー」と、の組み合わせを、学習データとして生成し、学習用データベース50に格納する。
学習部32は、上記第1実施形態の学習部32と同様に、アクション推定用のモデルを学習し、アクション推定用の学習済みモデルをモデル記憶部252に格納する。
学習部32は、複数の学習データに基づいて、推奨用のモデルを学習する。この推奨用のモデルの1つ目の入力は、「アクションアイテム、議題」を示すベクトルであり、2つ目の入力は、各メンバーの「バックグラウンド情報」を示すベクトルであり、加えて各メンバーの「希望報酬」を示すベクトルを入力してもよい。
推奨用のモデルの出力は、各メンバーの「推奨度合い」を示すベクトルである。推奨用のモデルは、例えば一般的なレコメンデーションアルゴリズム(collaborative filtering)、オークションアルゴリズム(real time bidding等)、ニューラルネットワーク(neural collaborative filtering)等である。
Neural collaborative filteringは、非特許文献4に記載の手法である。
[非特許文献4]:https://arxiv.org/pdf/1708.05031v2.pdf
[非特許文献4]:https://arxiv.org/pdf/1708.05031v2.pdf
具体的なプロセスにおいては、以下のように学習が進む。なお、collaborative filtering等では、学習フェーズを明に切り分けず、過去データに新規データを追加した上で直
接行列演算を行う場合もあるが、便宜的に過去データ投入のことを学習フェーズと呼称する。
接行列演算を行う場合もあるが、便宜的に過去データ投入のことを学習フェーズと呼称する。
希望報酬のない場合、過去データについて、メンバーとアクションを行と列とする行列を作成する。これがバックグラウンド情報にあたる。新規のアクションと、過去のアクションの類似性を求めた上で、メンバーに対しタスクを推薦する。この時、ユーザの現在受け持つタスク量を加味して提示・非提示を切り替えてもよい。
希望報酬のある場合、上記第2実施形態で説明した、報酬を付与するプログラムを前提とすると、報酬は事前に決まっているため、それが希望報酬に達するメンバーにのみタスクを提示する。どのメンバーの希望報酬にも達していない場合、上記第2実施形態で説明した、報酬を付与するプログラムに対し、進捗状況として「引き受け手無し」という情報を付加した上で再度演算をかける。これにより、過去データ中に同様のケースで報酬を上げている事例が存在すれば、それに従い報酬を上げることができる。
学習部32は、推奨用の学習済みモデルを、モデル記憶部52に格納する。
取得部34は、プロジェクト情報データベース54から、コミュニティで企画する推定対象のプロジェクトについて、プロジェクトの概要から、プロジェクトの種類を取得する。
また、取得部34は、プロジェクト情報データベース54から、推定対象のプロジェクトについて、プロジェクトの意思決定履歴から、「プロジェクトの進捗状況」を取得する。
また、取得部34は、プロジェクト情報データベース54から、推定対象のプロジェクトについて、各メンバーの「バックグラウンド情報」、「希望報酬」を取得する。
生成部236は、第1実施形態と同様に、アクション推定用のモデルを用いて、コミュニティでの意思決定に必要なアクションアイテム又は議題を推定する。アクション推定用のモデルは、コミュニティで企画するプロジェクトの情報を入力とし、プロジェクトの遂行に必要なアクションアイテム又は議題を出力する。
具体的には、生成部236は、第1実施形態と同様に、「プロジェクトの種類」を示すベクトル、及び「プロジェクトの進捗状況」を示すベクトルをアクション推定用の学習済みモデルに入力する。生成部236は、モデル出力である「アクションアイテム、議題」を示すベクトルから、現時点で必要となる「アクションアイテム、議題」を取得する。
推定部36は、コミュニティで企画するプロジェクトの遂行に必要なアクションアイテム又は議題と、各メンバーのバックグラウンド情報又は希望報酬とを入力とし、推奨用の学習済みモデルを用いて、必要なアクションアイテム又は議題に対する担当者として推薦されるメンバーを推定する。
具体的には、推定部36は、「アクションアイテム、議題」を示すベクトル、各メンバーの「バックグラウンド情報」、「希望報酬」を示すベクトルを、推奨用の学習済みモデルに入力し、モデル出力である、各メンバーの「推奨度合い」を示すベクトルを取得する。
出力部38は、推定された各メンバーの「推奨度合い」を出力する。
プロジェクト情報データベース54は、既存のプロジェクトについて、プロジェクトの概要、及びプロジェクトの意思決定履歴を記憶している。また、プロジェクト情報データベース54は、推定対象のプロジェクトについて、プロジェクトの概要、及びプロジェクトの意思決定履歴を記憶している。
次に、第4実施形態に係る情報処理システム100の作用について説明する。
まず、管理サーバ10は、ユーザ端末24から、既存のプロジェクトに関する情報として、プロジェクトの概要、及びプロジェクトの意思決定履歴を受け付ける。管理サーバ10は、既存のプロジェクトについてのプロジェクトの概要及びプロジェクトの意思決定履歴を、プロジェクト情報データベース54に登録する。
そして、管理サーバ10は、ユーザ端末24から、学習指示を受け付けると、上記図4に示す学習処理ルーチンと同様の処理ルーチンを実行する。
ここで、ステップS100では、学習データ生成部30は、プロジェクト情報データベース54から、コミュニティで企画する既存のプロジェクトについて、プロジェクトの意思決定履歴を取得する。学習データ生成部30は、プロジェクトの意思決定履歴から、「アクションアイテム、議題」と、「担当したメンバー」と、担当していないメンバーを含めた「全メンバー」を取得する。
また、学習データ生成部30は、プロジェクト情報データベース54から、既存のプロジェクトについて、メンバー情報から「全メンバー」の「バックグラウンド情報及び希望報酬」を取得する。
学習データ生成部30は、「アクションアイテム、議題」と、「全メンバー」の「バックグラウンド情報及び希望報酬」と、「担当したメンバー」と、の組み合わせを、学習データとして生成し、学習用データベース50に格納する。
ステップS102では、学習部32は、複数の学習データに基づいて、アクション推定用のモデルを学習し、アクション推定用の学習済みモデルを、モデル記憶部52に格納する。そして、学習部32は、複数の学習データに基づいて、推奨用のモデルを学習し、推奨用の学習済みモデルを、モデル記憶部52に格納する。
そして、管理サーバ10は、ユーザ端末24から、推定対象のプロジェクトに関する情報として、プロジェクトの概要、及びプロジェクトの意思決定履歴を受け付ける。管理サーバ10は、推定対象のプロジェクトについてのプロジェクトの概要及びプロジェクトの意思決定履歴を、プロジェクト情報データベース54に登録する。
そして、管理サーバ10は、推定指示を受け付けると、図9に示す推定処理ルーチンを実行する。
ステップS410では、取得部34は、プロジェクト情報データベース54から、コミュニティで企画する推定対象のプロジェクトについて、プロジェクトの概要から、プロジェクトの種類を取得する。
また、取得部34は、プロジェクト情報データベース54から、推定対象のプロジェクトについて、プロジェクトの意思決定履歴から、「プロジェクトの進捗状況」を取得する。
ステップS412では、推定部36は、「プロジェクトの種類」を示すベクトル、「プロジェクトの進捗状況」を示すベクトルをアクション推定用の学習済みモデルに入力する。推定部236は、モデル出力である「アクションアイテム、議題」を示すベクトルから、現時点で必要となる「アクションアイテム、議題」を取得する。
ステップS414では、取得部34は、プロジェクト情報データベース54から、推定対象のプロジェクトについて、各メンバーの「バックグラウンド情報」、「希望報酬」を取得する。
ステップS416では、推定部36は、「アクションアイテム、議題」を示すベクトル、各メンバーの「バックグラウンド情報」、「希望報酬」を示すベクトルを、推奨用の学習済みモデルに入力する。推定部36は、モデル出力である、各メンバーの「推奨度合い」を示すベクトルを取得する。
ステップS418では、出力部38は、推定された各メンバーの「推奨度合い」を出力する。
以上説明したように、本開示の技術の第4の実施形態に係る情報処理システムによれば、モデルを用いて、コミュニティで必要なアクションアイテム又は議題に対する担当者として推薦されるメンバーを推定する。モデルは、コミュニティで企画するプロジェクトの遂行に必要なアクションアイテム又は議題と、各メンバーのバックグラウンド情報又は希望報酬とを入力とし、必要なアクションアイテム又は議題に対する担当者として推薦されるメンバーを推定する。このように、コミュニティで企画するプロジェクトの意思決定の経緯が記録されたデータを用いて学習されたモデルを用いて、効率の良いコミュニティ運営を支援することができる。
また、DAOをはじめとした、意思決定の経緯が記録されたデータ(例えば、スマートコントラクト化されたデータ)を取り込むことで、透明性が高く、効率の良いコミュニティ運営を支援するモデルの学習を可能とする。
なお、上述した管理サーバの処理を、ネットワークで接続された複数のコンピュータで分散して実行するようにしてもよい。
また、「アクションアイテム」は、例えば、「広告を見る」ことを含んでもよい。この場合、個人のコミュニティ内での行動記録に基づき、個人が望む「広告」を配信し、個人がその広告を見ることで報酬を得る態様に、本開示の技術を適用してもよい。
(付記)
以上の実施形態に関し、更に以下の付記を開示する。
以上の実施形態に関し、更に以下の付記を開示する。
(付記項1)
メモリと、
前記メモリに接続された少なくとも1つのプロセッサと、
を含み、
前記プロセッサは、
コミュニティで企画するプロジェクトの情報を入力とし、前記プロジェクトの遂行に必要なアクションアイテム又は議題を出力するモデルを用いて、コミュニティでの意思決定に必要なアクションアイテム又は議題を推定し、
前記推定された必要なアクションアイテム又は議題を出力する
プロジェクト遂行支援装置。
メモリと、
前記メモリに接続された少なくとも1つのプロセッサと、
を含み、
前記プロセッサは、
コミュニティで企画するプロジェクトの情報を入力とし、前記プロジェクトの遂行に必要なアクションアイテム又は議題を出力するモデルを用いて、コミュニティでの意思決定に必要なアクションアイテム又は議題を推定し、
前記推定された必要なアクションアイテム又は議題を出力する
プロジェクト遂行支援装置。
(付記項2)
プロジェクト遂行支援処理を実行するようにコンピュータによって実行可能なプログラムを記憶した非一時的記憶媒体であって、
前記プロジェクト遂行支援処理は、
コミュニティで企画するプロジェクトの情報を入力とし、前記プロジェクトの遂行に必要なアクションアイテム又は議題を出力するモデルを用いて、コミュニティでの意思決定に必要なアクションアイテム又は議題を推定し、
前記推定された必要なアクションアイテム又は議題を出力する
非一時的記憶媒体。
プロジェクト遂行支援処理を実行するようにコンピュータによって実行可能なプログラムを記憶した非一時的記憶媒体であって、
前記プロジェクト遂行支援処理は、
コミュニティで企画するプロジェクトの情報を入力とし、前記プロジェクトの遂行に必要なアクションアイテム又は議題を出力するモデルを用いて、コミュニティでの意思決定に必要なアクションアイテム又は議題を推定し、
前記推定された必要なアクションアイテム又は議題を出力する
非一時的記憶媒体。
(付記項3)
メモリと、
前記メモリに接続された少なくとも1つのプロセッサと、
を含み、
前記プロセッサは、
コミュニティで企画するプロジェクトの遂行に必要なアクションアイテム又は議題と、プロジェクトの情報とを入力とし、
前記プロジェクトの情報において、前記アクションアイテム又は議題を遂行完了したメンバーに報酬を付与するプログラムを生成するモデルを用いて、コミュニティで前記アクションアイテム又は議題を遂行完了したメンバーに報酬を付与するプログラムを生成し、
前記生成されたプログラムを出力する
プロジェクト遂行支援装置。
メモリと、
前記メモリに接続された少なくとも1つのプロセッサと、
を含み、
前記プロセッサは、
コミュニティで企画するプロジェクトの遂行に必要なアクションアイテム又は議題と、プロジェクトの情報とを入力とし、
前記プロジェクトの情報において、前記アクションアイテム又は議題を遂行完了したメンバーに報酬を付与するプログラムを生成するモデルを用いて、コミュニティで前記アクションアイテム又は議題を遂行完了したメンバーに報酬を付与するプログラムを生成し、
前記生成されたプログラムを出力する
プロジェクト遂行支援装置。
(付記項4)
プロジェクト遂行支援処理を実行するようにコンピュータによって実行可能なプログラムを記憶した非一時的記憶媒体であって、
前記プロジェクト遂行支援処理は、
コミュニティで企画するプロジェクトの遂行に必要なアクションアイテム又は議題と、プロジェクトの情報とを入力とし、
前記プロジェクトの情報において、前記アクションアイテム又は議題を遂行完了したメンバーに報酬を付与するプログラムを生成するモデルを用いて、コミュニティで前記アクションアイテム又は議題を遂行完了したメンバーに報酬を付与するプログラムを生成し、
前記生成されたプログラムを出力する
非一時的記憶媒体。
プロジェクト遂行支援処理を実行するようにコンピュータによって実行可能なプログラムを記憶した非一時的記憶媒体であって、
前記プロジェクト遂行支援処理は、
コミュニティで企画するプロジェクトの遂行に必要なアクションアイテム又は議題と、プロジェクトの情報とを入力とし、
前記プロジェクトの情報において、前記アクションアイテム又は議題を遂行完了したメンバーに報酬を付与するプログラムを生成するモデルを用いて、コミュニティで前記アクションアイテム又は議題を遂行完了したメンバーに報酬を付与するプログラムを生成し、
前記生成されたプログラムを出力する
非一時的記憶媒体。
(付記項5)
メモリと、
前記メモリに接続された少なくとも1つのプロセッサと、
を含み、
前記プロセッサは、
コミュニティで企画するプロジェクトの遂行に必要なアクションアイテム又は議題を遂行完了したメンバーに報酬を付与するプログラムと、説明文とを入力とし、前記プログラムと、前記説明文との一致率を推定するモデルを用いて、コミュニティでの前記プログラムと、入力された説明文との一致率を推定し、
前記推定された一致率を出力する
プロジェクト遂行支援装置。
メモリと、
前記メモリに接続された少なくとも1つのプロセッサと、
を含み、
前記プロセッサは、
コミュニティで企画するプロジェクトの遂行に必要なアクションアイテム又は議題を遂行完了したメンバーに報酬を付与するプログラムと、説明文とを入力とし、前記プログラムと、前記説明文との一致率を推定するモデルを用いて、コミュニティでの前記プログラムと、入力された説明文との一致率を推定し、
前記推定された一致率を出力する
プロジェクト遂行支援装置。
(付記項6)
プロジェクト遂行支援処理を実行するようにコンピュータによって実行可能なプログラムを記憶した非一時的記憶媒体であって、
前記プロジェクト遂行支援処理は、
コミュニティで企画するプロジェクトの遂行に必要なアクションアイテム又は議題を遂行完了したメンバーに報酬を付与するプログラムと、説明文とを入力とし、前記プログラムと、前記説明文との一致率を推定するモデルを用いて、コミュニティでの前記プログラムと、入力された説明文との一致率を推定し、
前記推定された一致率を出力する
非一時的記憶媒体。
プロジェクト遂行支援処理を実行するようにコンピュータによって実行可能なプログラムを記憶した非一時的記憶媒体であって、
前記プロジェクト遂行支援処理は、
コミュニティで企画するプロジェクトの遂行に必要なアクションアイテム又は議題を遂行完了したメンバーに報酬を付与するプログラムと、説明文とを入力とし、前記プログラムと、前記説明文との一致率を推定するモデルを用いて、コミュニティでの前記プログラムと、入力された説明文との一致率を推定し、
前記推定された一致率を出力する
非一時的記憶媒体。
(付記項7)
メモリと、
前記メモリに接続された少なくとも1つのプロセッサと、
を含み、
前記プロセッサは、
コミュニティで企画するプロジェクトの遂行に必要なアクションアイテム又は議題と、各メンバーのバックグラウンド情報又は希望報酬とを入力とし、
必要なアクションアイテム又は議題に対する担当者として推薦されるメンバーを推定するモデルを用いて、コミュニティで必要なアクションアイテム又は議題に対する担当者として推薦されるメンバーを推定し、
前記推定されたメンバーを出力する
プロジェクト遂行支援装置。
メモリと、
前記メモリに接続された少なくとも1つのプロセッサと、
を含み、
前記プロセッサは、
コミュニティで企画するプロジェクトの遂行に必要なアクションアイテム又は議題と、各メンバーのバックグラウンド情報又は希望報酬とを入力とし、
必要なアクションアイテム又は議題に対する担当者として推薦されるメンバーを推定するモデルを用いて、コミュニティで必要なアクションアイテム又は議題に対する担当者として推薦されるメンバーを推定し、
前記推定されたメンバーを出力する
プロジェクト遂行支援装置。
(付記項8)
プロジェクト遂行支援処理を実行するようにコンピュータによって実行可能なプログラムを記憶した非一時的記憶媒体であって、
前記プロジェクト遂行支援処理は、
コミュニティで企画するプロジェクトの遂行に必要なアクションアイテム又は議題と、各メンバーのバックグラウンド情報又は希望報酬とを入力とし、
必要なアクションアイテム又は議題に対する担当者として推薦されるメンバーを推定するモデルを用いて、コミュニティで必要なアクションアイテム又は議題に対する担当者として推薦されるメンバーを推定し、
前記推定されたメンバーを出力する
非一時的記憶媒体。
プロジェクト遂行支援処理を実行するようにコンピュータによって実行可能なプログラムを記憶した非一時的記憶媒体であって、
前記プロジェクト遂行支援処理は、
コミュニティで企画するプロジェクトの遂行に必要なアクションアイテム又は議題と、各メンバーのバックグラウンド情報又は希望報酬とを入力とし、
必要なアクションアイテム又は議題に対する担当者として推薦されるメンバーを推定するモデルを用いて、コミュニティで必要なアクションアイテム又は議題に対する担当者として推薦されるメンバーを推定し、
前記推定されたメンバーを出力する
非一時的記憶媒体。
日本出願2022-151940、日本出願2023-062413の開示はその全体が参照により本明細書に取り込まれる。
本明細書に記載された全ての文献、特許出願、及び技術規格は、個々の文献、特許出願、及び技術規格が参照により取り込まれることが具体的かつ個々に記載された場合と同程度に、本明細書中に参照により取り込まれる。
Claims (11)
- コミュニティで企画するプロジェクトの情報を入力とし、前記プロジェクトの遂行に必要なアクションアイテム又は議題を出力するモデルを用いて、コミュニティでの意思決定に必要なアクションアイテム又は議題を推定する推定部と、
前記推定された必要なアクションアイテム又は議題を出力する出力部と、
を含むプロジェクト遂行支援装置。 - コミュニティで企画するプロジェクトの遂行に必要なアクションアイテム又は議題と、プロジェクトの情報とを入力とし、
前記プロジェクトの情報において、前記アクションアイテム又は議題を遂行完了したメンバーに報酬を付与するプログラムを生成するモデルを用いて、コミュニティで前記アクションアイテム又は議題を遂行完了したメンバーに報酬を付与するプログラムを生成する生成部と、
前記生成されたプログラムを出力する出力部と、
を含むプロジェクト遂行支援装置。 - コミュニティで企画するプロジェクトの遂行に必要なアクションアイテム又は議題を遂行完了したメンバーに報酬を付与するプログラムと、説明文とを入力とし、前記プログラムと、前記説明文との一致率を推定するモデルを用いて、コミュニティでの前記プログラムと、入力された説明文との一致率を推定する推定部と、
前記推定された一致率を出力する出力部と、
を含むプロジェクト遂行支援装置。 - コミュニティで企画するプロジェクトの遂行に必要なアクションアイテム又は議題と、各メンバーのバックグラウンド情報又は希望報酬とを入力とし、
必要なアクションアイテム又は議題に対する担当者として推薦されるメンバーを推定するモデルを用いて、コミュニティで必要なアクションアイテム又は議題に対する担当者として推薦されるメンバーを推定する推定部と、
前記推定されたメンバーを出力する出力部と、
を含むプロジェクト遂行支援装置。 - 前記プロジェクトの情報は、プロジェクトの内容、種類、又は進捗状況を含む請求項1記載のプロジェクト遂行支援装置。
- 前記バックグラウンド情報は、過去のプロジェクトの参画経歴又はスキルを含む請求項4記載のプロジェクト遂行支援装置。
- コミュニティで企画するプロジェクトの情報を入力とし、前記プロジェクトの遂行に必要なアクションアイテム又は議題を出力するモデルを用いて、コミュニティでの意思決定に必要なアクションアイテム又は議題を推定し、
前記推定された必要なアクションアイテム又は議題を出力する
プロジェクト遂行支援方法。 - コミュニティで企画するプロジェクトの遂行に必要なアクションアイテム又は議題と、プロジェクトの情報とを入力とし、
前記プロジェクトの情報において、前記アクションアイテム又は議題を遂行完了したメンバーに報酬を付与するプログラムを生成するモデルを用いて、コミュニティで前記アクションアイテム又は議題を遂行完了したメンバーに報酬を付与するプログラムを生成し、
前記生成されたプログラムを出力する
プロジェクト遂行支援方法。 - コミュニティで企画するプロジェクトの遂行に必要なアクションアイテム又は議題を遂行完了したメンバーに報酬を付与するプログラムと、説明文とを入力とし、前記プログラムと、前記説明文との一致率を推定するモデルを用いて、コミュニティでの前記プログラムと、入力された説明文との一致率を推定し、
前記推定された一致率を出力する
プロジェクト遂行支援方法。 - コミュニティで企画するプロジェクトの遂行に必要なアクションアイテム又は議題と、各メンバーのバックグラウンド情報又は希望報酬とを入力とし、
必要なアクションアイテム又は議題に対する担当者として推薦されるメンバーを推定するモデルを用いて、コミュニティで必要なアクションアイテム又は議題に対する担当者として推薦されるメンバーを推定し、
前記推定されたメンバーを出力する
プロジェクト遂行支援方法。 - 請求項1~請求項6の何れか1項記載のプロジェクト遂行支援装置としてコンピュータを機能させるためのプロジェクト遂行支援プログラム。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022-151940 | 2022-09-22 | ||
JP2022151940 | 2022-09-22 | ||
JP2023062413A JP2024046582A (ja) | 2022-09-22 | 2023-04-06 | プロジェクト遂行支援装置、方法、及びプログラム |
JP2023-062413 | 2023-04-06 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2024062964A1 true WO2024062964A1 (ja) | 2024-03-28 |
Family
ID=90454298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/JP2023/033041 WO2024062964A1 (ja) | 2022-09-22 | 2023-09-11 | プロジェクト遂行支援装置、方法、及びプログラム |
Country Status (1)
Country | Link |
---|---|
WO (1) | WO2024062964A1 (ja) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020009350A (ja) * | 2018-07-12 | 2020-01-16 | みずほ情報総研株式会社 | タスク管理支援システム、タスク管理支援方法及びタスク管理支援プログラム |
WO2020225861A1 (ja) * | 2019-05-07 | 2020-11-12 | 株式会社マネジメントソリューションズ | プロジェクト管理システム |
US20200403817A1 (en) * | 2019-06-24 | 2020-12-24 | Dropbox, Inc. | Generating customized meeting insights based on user interactions and meeting media |
-
2023
- 2023-09-11 WO PCT/JP2023/033041 patent/WO2024062964A1/ja unknown
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020009350A (ja) * | 2018-07-12 | 2020-01-16 | みずほ情報総研株式会社 | タスク管理支援システム、タスク管理支援方法及びタスク管理支援プログラム |
WO2020225861A1 (ja) * | 2019-05-07 | 2020-11-12 | 株式会社マネジメントソリューションズ | プロジェクト管理システム |
US20200403817A1 (en) * | 2019-06-24 | 2020-12-24 | Dropbox, Inc. | Generating customized meeting insights based on user interactions and meeting media |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shiau et al. | Understanding fintech continuance: perspectives from self-efficacy and ECT-IS theories | |
Büttner et al. | Breaking regime stability? The politicization of expertise in the OECD/G20 process on BEPS and the potential transformation of international taxation | |
Banerjee et al. | The diffusion of microfinance | |
Stettina et al. | Necessary and neglected? An empirical study of internal documentation in agile software development teams | |
US20200250511A1 (en) | Artist comprehensive ability evaluation and cultivation assistant system based on artificial intelligence | |
Antretter et al. | Should business angels diversify their investment portfolios to achieve higher performance? The role of knowledge access through co-investment networks | |
Austrian et al. | “When he asks for sex, you will never refuse”: Transactional sex and adolescent pregnancy in Zambia | |
Salter et al. | Talent, not technology: the impact of publicly funded research on innovation in the UK | |
US11392835B2 (en) | Employee concierge | |
AU2021200188A1 (en) | Digital content management platform | |
Kyllonen et al. | Introduction: Innovative assessment of collaboration | |
Zhao et al. | Merging and synchronizing corporate and personal voice agents: Comparison of voice agents acting as a secretary and a housekeeper | |
Jahanbakhsh et al. | An experimental study of bias in platform worker ratings: the role of performance quality and gender | |
Sabater-Grande et al. | The effects of personality, risk and other-regarding attitudes on trust and reciprocity | |
Damasceno et al. | Lessons from the fastest Brazilian unicorn | |
Maier et al. | Comparing human and cognitive assistant facilitated brainstorming sessions | |
Melin et al. | Preventing soft skill decay among early-career women in STEM during COVID-19: Evidence from a longitudinal intervention | |
Gussek et al. | Challenges of IT freelancers on digital labor platforms: A topic model approach | |
Marques | The routineness of tasks, gender and culture in entrepreneurship | |
Helbing | Accelerating scientific discovery by formulating grand scientific challenges | |
WO2024062964A1 (ja) | プロジェクト遂行支援装置、方法、及びプログラム | |
Chandradasa et al. | Undergraduates’ Satisfaction with Zoom e-learning Application: Empirical Evidence from Management Undergraduates | |
JP2024046582A (ja) | プロジェクト遂行支援装置、方法、及びプログラム | |
Hopwood | Effective strategies for managing the outsourcing of information technology | |
Shahatha et al. | The moderating effect of virtual leadership behaviors towards knowledge sharing in online programming communities |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 23868087 Country of ref document: EP Kind code of ref document: A1 |