JP7650185B2 - 情報処理装置、情報処理方法およびプログラム - Google Patents

Description

本発明は、情報処理装置、情報処理方法およびプログラムに関する。

従来、機械学習を用いて、装置の画像データやセンサデータから異常を予測する手法が知られている。一般的に、機械学習を用いて装置の異常を予測するためには、学習時に正常時のデータと異常時のデータの両方が必要になる。しかしながら、装置の故障により発生する異常なデータを学習に十分なデータ数分集めることは困難である。このような異常時のデータ不足を解決するために、正常時のデータのみを学習させた学習済モデルを作成し、上述のモデルに入力したデータの推論値と実際に観測された値の誤差を比較することにより、装置の異常を予測する手法が知られている。上述のモデルは装置の正常時データしか学習していないため、正常時のデータを入力すると、実際に観測された値との予測誤差は小さくなり、異常時のデータを入力すると推論値と実際に観測された値との予測誤差は大きくなる。このようにして、入力したデータが装置の異常を示すデータであったかを帰納的に判定することができる。

一方で、装置に搭載される学習済モデルは、検討用データを学習させることで用意されていることが多く、検討用データは、実際の全ての使用環境や使用方法を反映しているわけではない。また、装置を構成する部品は経年変化していくため、入力データの分布などが変化していく可能性がある。そのため、学習済モデルの精度は、装置の使用開始時から徐々に低下していくことが想定される。そのため、精度が低下した場合には、新たに収集したデータで再度学習を行い、学習済モデルを更新することが必要となる。

特許文献１には、学習データの分布情報と推定用データの分布情報とを加味した指標値によりモデルの精度評価を行い、学習モデルを更新するか否かを判定する方法が記載されている。

特開２０２０－８６７７８号公報

しかしながら、異常予測モデルでは、正常時のデータのみが学習データとなり、推論値と実際に観測された値との予測誤差を用いて正常もしくは異常を判定する。そのため、単純に予測誤差が増加したことだけでは、その予測誤差がモデルの精度が低下したために発生したのか、或いは装置動作の異常のために発生したのかが分からず、モデルの更新を適切に行うことができなくなってしまう。

本発明は、学習済モデルの更新を適切に行う情報処理装置、情報処理方法およびプログラムを提供することを目的とする。

上記課題を解決するため、本発明に係る情報処理装置は、装置の状態に基づく実測値を取得する取得手段と、前記取得手段により取得された実測値を学習済モデルに対する入力として、前記取得手段により将来に取得されるデータを推論する推論手段と、前記推論されたデータと、該推論されたデータに対応する実測値とに基づいて、前記装置の状態として正常もしくは異常を判定する判定手段と、前記判定手段の判定の結果が正常を示す場合の前記推論手段の推論結果に基づいて、学習済モデルの精度を評価する評価手段と、前記評価手段による評価の結果に基づいて、前記学習済モデルの更新を行う更新手段とを備えることを特徴とする。

本発明によれば、学習済モデルの更新を適切に行うことができる。

処理システムの構成を示す図である。 クラウドサーバ、エッジサーバの構成を示す図である。 プリンタの外観図である。 プリンタの構成を示す図である。 処理システムのソフトウェア構成を示す図である。 学習モデル、学習済モデルの入出力構造の概念を示す図である。 入力データ、教師データのデータ構造を示す図である。 学習時の学習モデルの入出力構造を示す図である。 異常判定閾値の導出方法を説明するための図である。 推論時の学習済モデルの入出力構造を示す図である。 推論時の処理を示すフローチャートである。 学習用データの蓄積までの処理を示すフローチャートである。 学習時の処理を示すフローチャートである。 推論時の処理を示すフローチャートである。 学習モデルの更新判定処理を示すフローチャートである。 学習モデルの更新判定処理を示すフローチャートである。 累計推論回数と評価指標値の関係を示す図である。 学習モデルの更新予定の通知画面を示す図である。

以下、添付図面を参照して実施形態を詳しく説明する。なお、以下の実施形態は特許請求の範囲に係る発明を限定するものではない。実施形態には複数の特徴が記載されているが、これらの複数の特徴の全てが発明に必須のものとは限らず、また、複数の特徴は任意に組み合わせられてもよい。さらに、添付図面においては、同一若しくは同様の構成に同一の参照番号を付し、重複した説明は省略する。

［第１実施形態］
図１は、本実施形態における処理システム１００の構成の一例を示す図である。処理システム１００は、ローカルエリアネットワーク１０２およびインターネット１０４で接続された、クラウドサーバ２００、エッジサーバ３００およびデバイス４００を含んで構成される。デバイス４００には、ネットワーク接続が可能な各種装置が含まれる。デバイス４００としては、例えば、センサ５００、プリンタ６００、パーソナルコンピュータやワークステーション等の情報処理装置、スマートフォンやタブレットなどのクライアント端末４０１、デジタルカメラ４０２、音声入出力装置４０３である。ただし、デバイス４００は、これらの種類に限られるものではなく、例えば冷蔵庫やテレビ、エアコンなどの家電製品、工業製品、製造装置であってもよい。デバイス４００は、ローカルエリアネットワーク１０２で相互に接続され、ローカルエリアネットワーク１０２に設置されているルータ１０３を介してインターネット１０４と接続することが可能である。

ここで、ルータ１０３は、ローカルエリアネットワーク１０２とインターネット１０４を接続する装置として示されているが、ローカルエリアネットワーク１０２を構成する無線ＬＡＮアクセスポイント機能を有していても良い。この場合、各デバイス４００は、有線ＬＡＮでルータ１０３と接続する以外に、無線ＬＡＮでアクセスポイントと接続してローカルエリアネットワーク１０２に接続するように構成することが可能である。例えば、プリンタ６００とクライアント端末４０１は有線ＬＡＮで接続し、プリンタ６００とセンサ５００は無線ＬＡＮで接続するように構成することが可能である。

各デバイス４００およびエッジサーバ３００は、ルータ１０３を介して接続されたインターネット１０４を経由してクラウドサーバ２００と相互に通信することが可能である。エッジサーバ３００と各デバイス４００は、ローカルエリアネットワーク１０２を介して相互に通信することが可能である。また、各デバイス４００同士は、ローカルエリアネットワーク１０２を介して相互に通信することが可能である。また、センサ５００とプリンタ６００は、近距離無線通信１０１によって通信することが可能である。近距離無線通信１０１は、例えば、Ｂｌｕｅｔｏｏｔｈ（登録商標）規格やＮＦＣ規格に準拠する無線通信である。

上記の構成は、一例であって、他の構成が用いられてもよい。例えば、ルータ１０３がアクセスポイント機能を備えている例を示したが、アクセスポイントをルータ１０３と異なる装置で構成してもよい。また、エッジサーバ３００と各デバイス４００の間の接続は、ローカルエリアネットワーク１０２以外の接続構成を用いるものであってもよい。例えば、無線ＬＡＮ以外のＬＰＷＡ、ＺｉｇＢｅｅ、Ｂｌｕｅｔｏｏｔｈ、近距離無線通信などの無線通信や、ＵＳＢなどの有線接続や赤外線通信などを用いるものであってもよい。また、センサ５００は、センサを内蔵したデバイスであってもよい。例えば、内部にセンサデータを保持する構成を有するようにしてもよい。

図２は、クラウドサーバ２００、エッジサーバ３００の構成の一例を示すブロック図である。本実施形態では、クラウドサーバ２００、エッジサーバ３００は、共通の情報処理装置としてのハードウェア構成を有するものとして説明する。以下、クラウドサーバ２００を、クラウドサーバ２００とエッジサーバ３００の代表例として説明する。クラウドサーバ２００は、装置全体の制御を行うメインボード２１０、ネットワーク接続ユニット２０１、ハードディスクユニット２０２を含む。メインボード２１０に配置されるマイクロプロセッサ形態のＣＰＵ２１１は、内部バス２１２を介して接続されているプログラムメモリ２１３に記憶されている制御プログラムと、データメモリ２１４の内容とに従って動作する。ＣＰＵ２１１は、ネットワーク制御部２１５を介してネットワーク接続部２０１を制御することで、インターネット１０１やローカルエリアネットワーク１０２などのネットワークと接続し、他の装置との通信を行う。また、ＣＰＵ２１１は、ハードディスク制御部２１６を経由して接続されたハードディスク２０２にデータを読み書きすることが可能である。ハードディスク２０２には、プログラムメモリ２１３にロードして使用されるオペレーティングシステムやクラウドサーバ２００の制御ソフトウェアや各種データが格納される。

メインボード２１０には、ＧＰＵ２１７が構成されており、各種演算処理をＣＰＵ２１１の代わりに実行させることが可能である。ＧＰＵ２１７は、データをより多く並列処理することで効率的な演算を行うことができるので、ディープラーニングのような学習モデルを用いて複数回に渡って学習を行う場合には、ＧＰＵ２１７で処理を行う場合がある。本実施形態では、後述のクラウドサーバ２００の学習部２５２の処理において、ＣＰＵ２１１に加えてＧＰＵ２１７が用いられる場合がある。即ち、学習モデルを含む学習プログラムを実行する場合には、ＣＰＵ２１１とＧＰＵ２１７が協同して演算を行うことで学習が行われる。なお、学習部２５２の処理は、ＣＰＵ２１１またはＧＰＵ２１７により演算が行われてもよい。また、後述のエッジサーバ３００の推論部３５１の処理において、学習部２５２と同様に、ＧＰＵ２１７が用いられる場合がある。

クラウドサーバ２００とエッジサーバ３００で共通の構成を有するものとして説明したが、必ずしもそのような構成に限られるものではない。例えば、クラウドサーバ２００にはＧＰＵ２１７を搭載し、エッジサーバ３００ではＧＰＵ２１７を搭載しないように構成してもよいし、異なる性能のＧＰＵ２１７を搭載してもよい。また、学習部２５２や推論部３５１の処理では、プリンタ６００に搭載されたＧＰＵ６２１あるいはＣＰＵ６１１が用いられてもよい。そのため、後述する学習用データ生成部２５１、データ収集・提供部３５０、学習モデル更新判定部３５２の各処理、学習済モデル３５３の保持は、プリンタ６００内部で行われるように構成してもよい。また、上記の構成に伴い、学習用データベース２５０をエッジサーバ３００またはプリンタ６００に構成してもよい。

図３（ａ）及び図３（ｂ）は、プリンタ６００の外観の一例を示す図である。本実施形態では、プリンタ６００として、例えばスキャナその他の機能を兼ね備えたマルチファンクションプリンタ（ＭＦＰ）が用いられる。図３（ａ）は、プリンタ６００の全体外観図を示す。原稿台６０１はガラス状の透明な台であり、原稿を設置してスキャナで読み取る時に使用される。原稿台圧板６０２は、スキャナで読み取りを行う際に原稿が浮かないように原稿台に押しつけるとともに、外光がスキャナユニットに入らないようにするためのカバーである。印刷用紙挿入口６０３は、様々なサイズの用紙をセット可能な挿入口である。印刷用挿入口６０３にセットされた用紙は一枚ずつ印刷部に搬送され、所望の印刷が行われ、印刷用紙排出口６０４から排出される。

図３（ｂ）は、プリンタ６００上面の外観図を示す。原稿台圧板６０２の上部には、操作パネル６０５および近距離無線通信ユニット６０６が配置されている。近距離無線通信ユニット６０６は、近距離無線通信を行うためのユニットであり、所定距離内にいる通信相手の近距離無線通信ユニットと通信を行うことが可能である。無線ＬＡＮアンテナ６０７は、無線ＬＡＮを用いてローカルエリアネットワーク１０２と接続して通信を行うためのアンテナとして構成されている。

図４は、プリンタ６００の構成の一例を示すブロック図である。プリンタ６００は、装置全体の制御を行うメインボード６１０、無線ＬＡＮ通信部６０８、近距離無線通信部６０６、操作パネル６０５を含む。メインボード６１０に配置されるマイクロプロセッサ形態のＣＰＵ６１１は、内部バス６１２を介して接続されているＲＯＭ形態のプログラムメモリ６１３に記憶されている制御プログラムと、ＲＡＭ形態のデータメモリ６１４の内容とに従って動作する。ＣＰＵ６１１は、スキャナ部６１５を制御して原稿を読み取り、読取結果をデータメモリ６１４中の画像メモリ６１６に格納する。また、ＣＰＵ６１１は、印刷部３１７を制御して、データメモリ６１４中の画像メモリ６１６の画像データに基づいて記録媒体に印刷させることが可能である。また、メインボード６１０には、ＧＰＵ６２１が構成されており、各種演算処理をＣＰＵ６１１の代わりに実行させることが可能である。

ＣＰＵ６１１は、無線ＬＡＮ通信制御部６１８を介して無線ＬＡＮ通信部６０８を制御して、他の通信端末装置と無線ＬＡＮ通信を行う。また、ＣＰＵ６１１は、近距離無線通信制御部６２０を介して近距離無線通信部６０６を制御して、他の近距離無線通信端末との接続を検知したり、他の近距離無線通信端末との間でデータの送受信を行うことが可能である。ＣＰＵ６１１は、操作部制御部６２１を制御して、操作パネル６０５にプリンタ６００の状態の表示や機能選択メニューの表示を行ったり、ユーザからの操作を受け付けることが可能である。操作パネル６０５にはバックライトが備えられており、ＣＰＵ６１１は、操作部制御部６２０を介してバックライトの点灯、消灯を制御することが可能である。例えば、プリンタ６００の消費電力を抑えるために、ＣＰＵ６１１は、操作部制御部６２０を介してバックライトを消灯するよう制御する。

図５は、処理システム１００のソフトウェア構成の一例を示す図である。図５では、ソフトウェア構成のうち、本実施形態における学習および推論の処理に関わるものについてのみ示しており、その他のソフトウェアモジュールについては不図示としている。例えば、各デバイスやサーバ上で動作するオペレーティングシステムや各種ミドルウェア、メンテナンスのためのアプリケーション等については図示を省略している。

クラウドサーバ２００は、学習用データベース２５０、学習用データ生成部２５１、学習部２５２、学習モデル２５３を含む。学習用データベース２５０は、学習部２５２が使用する学習用データが格納されたデータベースである。学習用データ生成部２５１は、外部から受信したデータから、学習部２５２が処理可能な学習用データを生成するモジュールである。本実施形態では、学習用データは、例えば時系列データである入力データＸとして示される。学習用データ生成部２５１により生成された学習用データは逐次、学習用データベース２５０に蓄積される。学習部２５２は、学習用データ生成部２５１から受け取った学習用データを用いた学習モデル２５３による学習を実行するためのプログラムモジュールである。なお、学習部２５２には、学習モデル２５３のハイパーパラメータをチューニングする処理を含んでもよい。そのような構成により、学習モデル２５３の精度を向上させることができる。学習モデル２５３は、学習部２５２で行った学習モデルのハイパーパラメータ、推論誤差などの学習結果を蓄積することが可能である。本実施形態では、学習モデル２５３をリカレントニューラルネットワーク（ＲＮＮ）として実現する例を説明する。ＲＮＮに時系列データを入力することで、入力された時系列データ以降の時刻に対応する予測値を出力することができる。学習モデル２５３は、エッジサーバ３００に学習済モデルとして配信され、エッジサーバ３００における推論処理に用いられる。

エッジサーバ３００は、データ収集・提供部３５０、推論部３５１、学習モデル更新判定部３５２、学習済モデル３５３を含む。データ収集・提供部３５０は、デバイス４００から受信したデータや、エッジサーバ３００が自ら収集したデータを、クラウドサーバ２００での学習に用いるためのデータ群としてクラウドサーバ２００に送信するモジュールである。推論部３５１は、デバイス４００から送られるデータに基づいて、学習済モデル３５３を用いて推論を実行し、その結果をデバイス４００に返送するプログラムモジュールである。デバイス４００から送られるデータは、推論部３５１の入力データＸとなるデータである。学習モデル更新判定部３５２は、学習済モデル３５３の精度評価を行い、精度低下を防止するために学習モデルの更新が必要か否かを判定する。学習済モデル３５３は、エッジサーバ３００で行う推論に用いられる。学習済モデル３５３は、学習モデル２５３と同様にニューラルネットワークとして実現される。ここで、学習済モデル３５３は学習モデル２５３と同一のものであってもよいし、学習モデル２５３の一部が抽出されて構成されるものであってもよい。学習済モデル３５３は、クラウドサーバ２００で蓄積されて配信された学習結果を学習モデル２５３として格納する。学習済モデル３５３は、学習モデル２５３の全てが配信されたものであってもよいし、学習モデル２５３のうちエッジサーバ３００での推論に必要な一部分だけが抽出されて配信されたものであってもよい。

デバイス４００は、アプリケーション部４５０、データ送受信部４５１を含む。アプリケーション部４５０は、デバイス４００で実行される各種の機能を実現するモジュールであり、機械学習による学習・推論の仕組みを用いることが可能である。データ送受信部４５１は、エッジサーバ３００に学習または推論を依頼するモジュールである。学習時には、データ送受信部４５１は、アプリケーション部４５０からの依頼により、学習に用いるデータをエッジサーバ３００のデータ収集・提供部３５０に送信する。推論時には、データ送受信部４５１は、アプリケーション部４５０からの依頼により、推論に用いるデータをエッジサーバ３００に送信し、その結果を受信してアプリケーション部４５０に返す。

なお、本実施形態では、クラウドサーバ２００で学習された学習モデル２５３をエッジサーバ３００に学習済モデル３５３として配信して推論に用いる構成を説明するが、この構成に限定されるものではない。学習、推論をそれぞれ、クラウドサーバ２００、エッジサーバ３００、デバイス４００のどこで実行するかについて、ハードウェア資源の配分や計算量、データ通信量の大小に基づいて決定されるようにしてもよい。例えば、プリンタ６００で推論、学習のいずれかあるいは両方が行われるようにしてもよい。また、これらの資源の配分や計算量、データ通信量の増減に応じて、学習、推論のそれぞれを処理システム１００のどの装置で実行するかを動的に変更するようにしてもよい。また、学習と推論を行う装置を異ならせ、推論側の装置は推論で用いるロジックのみで構成することで、学習済モデル３５３の容量を削減し、且つより高速で推論処理が実行可能となる。

図６（ａ）及び図６（ｂ）は、学習モデル２５３、学習済モデル３５３を用いる際の入出力の構造を説明するための概念図である。図６（ａ）は、学習時における、学習モデル２５３とその入出力データの関係を示す。入力データＸ（入力データ８０１）は、学習モデル２５３の入力層のデータである。時系列データである入力データＸよりも後時刻のデータを学習モデル２５３で予測した結果として、出力データＹ（出力データ８０３）が出力される。学習時には、入力データＸよりも後時刻で実際に計測されたデータとして教師データＴ（教師データ８０２）が与えられるので、出力データＹと教師データＴを損失関数８０４に与えることにより、予測結果の正解からのずれ量Ｌ（ずれ量８０５）が得られる。多数の学習用データに対してずれ量Ｌが小さくなるように、学習モデル２５３中のＲＮＮのパラメータ等が更新される。

本実施形態では、使用する機械学習アルゴリズムとしてＲＮＮを説明するが、他の再帰型ニューラルネットワークを用いてもよい。例えば、Ｌｏｎｇ ｓｈｏｒｔ－ｔｅｒｍ ｍｅｍｏｒｙ（ＬＳＴＭ）や、双方向ＲＮＮなどが用いられてもよい。さらにネットワーク構造として、複数のネットワーク構造を組み合わせたものが用いられてもよい。例えば、畳み込みニューラルネットワーク（ＣＮＮ）とＲＮＮ、ＬＳＴＭなどの再帰型ニューラルネットワーク、オートエンコーダなどが組み合わせられてもよい。

図６（ｂ）は、推論時における、学習済モデル３５３とその入出力データの関係を示す。入力データＸ（入力データ８１１）は、学習済モデル３５３の入力層のデータである。時系列データである入力データＸよりも後時刻のデータを学習モデル２５３で予測した結果として出力データＹ（出力データ８１３）が出力される。推論時には、この出力データＹを推論結果として用いられる。なお、推論時の学習済モデル３５３は、学習時の学習モデル２５３と同等のネットワーク構造を備えるものとして説明したが、推論で必要な部分のみを抽出したものを学習済モデル３５３として構成してもよい。そのような構成により、学習済モデル３５３のデータ量を削減したり、推論処理の時間を短縮したりすることができる。

以上の構成に基づいて、以下、本実施形態の動作について説明する。本実施形態では、装置の状態（装置の動作）が正常と判定される場合の予測精度を基準精度と比較することで、学習済モデルを適切なタイミングで更新することができる。

一般的に、機械学習を用いて装置の異常を予測するためには、学習時に正常時のデータと異常時のデータの両方が必要になる。しかしながら、装置の故障により発生する異常なデータを学習に十分なデータ数分集めることは困難である。このような異常時のデータ不足を解決するために、正常時のデータのみを学習させた学習済モデルを作成し、上述のモデルに入力したデータの推論値と実際に観測された値の誤差を比較することにより、装置の異常を予測する手法がある。上述のモデルは正常時のデータしか学習していないため、正常時のデータを入力すると実際に観測された値との予測誤差は小さくなり、精度よく推論が機能するが、異常時のデータを入力すると推論値と実際に観測された値との予測誤差は大きくなる。このようにして、入力したデータが装置の異常を示すデータであったかを帰納的に判定することができる。

一般的に、装置に搭載される学習済モデルは、検討用データを学習させることで用意されていることが多く、検討用データは、実際の全ての使用環境や使用方法を反映できているわけではない。また、装置を構成する部品は経年変化していくため、入力データの分布などが変化していく可能性がある。そのため、学習済モデルの精度は、装置の使用開始時から時間経過に伴って徐々に低下していくことが想定される。そのため、精度が低下した場合には、新たに収集したデータで再度学習を行うことで学習済モデルを更新することが必要となる。

しかしながら、正常時のデータのみが学習データとなる異常予測モデルにおいては、単純に学習データと学習済モデルの入力データの分布を比較してモデルの精度評価をすることはできない。また、異常予測モデルにおいては、推論値と実際に観測された値との予測誤差を用いて正常もしくは異常を判定する。そのため、単純に予測誤差が増加したことだけでは、モデルの精度が低下したための予測誤差の増加であるのか、装置動作の異常のための予測誤差であるのかが分からない。そのため、単純に予測誤差が増加したことを以て、学習済モデルの精度低下と判断することができない。本実施形態では、推論結果により装置動作が正常と判定される場合の学習済モデルの予測精度を基準精度と比較することで、学習済モデルを適切なタイミングで更新することができる。

図７（ａ）及び図７（ｂ）は、入力データＸ、教師データＴのデータ形式の一例を示す図である。図７（ａ）は、入力データＸのデータ形式の一例を示す。入力データＸは、各列にパラメータごとのデータ、各行に時刻カウントごとのデータが格納されている時系列データである。ここで、入力データＸは、パラメータごとに異なるセンサデータを格納したデータでもよい。例えば、パラメータ１には温度に対応するデータが格納され、パラメータ２には圧力に対応するデータが格納される。

図７（ｂ）は、３カウント前のデータから次の１カウント分のデータを予測する学習モデルを作成する場合に、学習時に使用する入力データＸ、教師データＴのデータ形式の一例を示す。入力データＸの時刻長と予測する時刻長は、適用するシステムに応じて適宜変更されてもよい。これらは学習モデルのハイパーパラメータとも考えられるため、学習モデル２５３の精度を向上させるために、学習部２５２にて入力データＸの時刻長と予測する時刻長を設定可能としてもよい。

図８は、学習時の学習モデル２５３の入出力の構造を示す図である。以下、学習モデル２５３は３カウント前のデータから次の１カウント分のデータを予測するモデルとして説明する。入力データＸとして、センサデータ９００を用いて説明する。教師データＴとして、センサデータ９５０を用いて説明する。図８に示す構造は一例であり、センサデータ９００は、センサデータ９５０に含まれるデータの３カウント前までのデータの集合であるものとする。学習モデル２５３は、センサデータ９００を学習モデル２５３に入力した時の出力と、教師データＴとのずれ量Ｌが最小となるよう学習が行われて更新される。

図９（ａ）及び図９（ｂ）は、学習時に用いられる学習用データの定義を説明するための図である。図９（ａ）に示すように、一対の学習用データは、入力データＸと教師データＴのペアを表している。図９（ｂ）は、推論時に異常予測のための指標として用いる異常判定閾値について説明するための図である。学習用データセット８２１には、図９（ａ）で示すような学習用データの組が複数含まれている。

本実施形態では、学習用データセット８２１として、学習モデルのパラメータ更新に用いられるトレーニングデータ８２２と、学習モデルのパラメータ更新に用いられず学習モデル２５１の予測精度を評価するためのバリデーションデータ８２３とが用意される。バリデーションデータ８２３の学習用データごとに予測精度としてずれ量Ｌ（ずれ量８０５）が得られる。異常判定閾値８３０は、バリデーションデータ８２３の学習用データごとに得られるずれ量Ｌの平均値である。ここで、バリデーションデータを用意する際の手法として、クロスバリデーション法、ホールドアウト法、リーブワンアウト（Ｌｅａｖｅ Ｏｎｅ Ｏｕｔ）法のいずれかまたはその他の手法を用いてもよい。また、本実施形態では、異常判定閾値８３０は、バリデーションデータの平均誤差としたが、その他の指標を用いてもよい。例えば、バリデーションデータのずれ量Ｌの最大値、最小値、その他の統計値を異常判定閾値８３０として用いてもよい。

図１０は、推論時の学習済モデル３５３の入出力と、学習済モデル３５３の出力データにより正常／異常判定を行う構造を示す図である。入力データＸ（入力データ８０１）として、学習時と同様にセンサデータ９００が用いられる。具体的には、時刻カウントｔ＝ｓ－３、ｓ－２、ｓ－１のデータが入力データＸとなる。このとき、上述したように学習済モデルは、３カウント前のデータから次の１カウントのデータを予測するモデルであるため、出力データＹ（出力データ８０３）は、時刻カウントｔ＝ｓのデータの予測値となる。ずれ量Ｌ（ずれ量８０５）は、時刻カウントｔ＝ｓの予測値である出力データＹと時刻カウントｔ＝ｓの実測値（測定値）である実測値９５０を損失関数８０４に入力したときに得られる予測誤差である。損失関数８０４は、学習時と同一の損失関数を用いてもよい。判定処理９６０は、ずれ量Ｌから装置の正常／異常判定を行う処理である。判定処理９６０を含む推論処理のフローについては後述する。判定値９６１は、判定処理９６０の出力値であり、正常もしくは異常を示す値として出力される。本実施形態では、このようにして、推論時の出力データから装置の正常／異常判定を行う。

図１１は、判定処理９６０を含む推論処理を示すフローチャートである。なお、本実施形態では、推論処理は、図１１（ａ）、図１１（ｂ）のいずれのフローで行われてもよい。図１１（ａ）は、１回の推論結果により、装置の正常／異常判定を行う場合のフローチャートである。図１１（ａ）及び図１１（ｂ）の処理は、例えば、エッジサーバ３００のＧＰＵ２１７がプログラムメモリ２１３に記憶されたプログラムを読み出して実行することにより実現される。

Ｓ１１０１において、ＧＰＵ２１７は、入力データＸ（実測値）以降の出力データＹ（予測値）を予測する。その後、Ｓ１１０２において、ＧＰＵ２１７は、予測値と同時刻カウントの実測値を受信したか否かを判定する。Ｓ１１０２の処理は、予測値と同時刻カウントの実測値を受信したと判定されるまで繰り返される。予測値と同時刻カウントの実測値を受信したと判定された場合、Ｓ１１０３に進む。

Ｓ１１０３において、ＧＰＵ２１７は、予測値と同時刻カウントの実測値とのずれ量Ｌを算出する。Ｓ１１０４において、ＧＰＵ２１７は、ずれ量Ｌと異常判定閾値８３０とを比較し、ずれ量Ｌが異常判定閾値８３０より小さいか否かを判定する。ずれ量Ｌが異常判定閾値８３０より小さいと判定された場合、Ｓ１１０５において、ＧＰＵ２１７は、判定値９６１を「正常」として出力し、図１１（ａ）の処理を終了する。一方、ずれ量Ｌが異常判定閾値８３０より小さくない、即ち、ずれ量Ｌが異常判定閾値８３０より大きいと判定された場合、Ｓ１１０６において、ＧＰＵ２１７は、判定値９６１を「異常」として出力し、図１１（ａ）の処理を終了する。以下、Ｓ１１０１～Ｓ１１０４の処理を、正常／異常判定処理と呼ぶ。

図１１（ｂ）は、連続した複数回の推論結果により、装置の正常／異常判定を行う場合のフローチャートである。図１１（ｂ）では、上記の正常／異常判定処理を予め定められた任意の連続推論回数分、ループ処理して実行する。そして、正常／異常判定処理を連続推論回数分の実行中に一度もずれ量Ｌが異常判定閾値８３０を下回らなければ、ループ処理を終了し、Ｓ１１０７において、ＧＰＵ２１７は、判定値９６１を「異常」として出力し、図１１（ｂ）の処理を終了する。一方、正常／異常判定処理を連続推論回数分の実行中に一度でもずれ量Ｌが異常判定閾値８３０を下回った場合、Ｓ１１０８において、ＧＰＵ２１７は、判定値９６１を「正常」として出力し、図１１（ｂ）の処理を終了する。

図１２は、処理システム１００において、学習データが蓄積されるまでの処理を示すフローチャートである。なお、プリンタ６００の動作は、例えばＣＰＵ６１０により実行される。また、エッジサーバ３００とクラウドサーバ２００の動作は、例えば各サーバのＣＰＵ２１１もしくはＧＰＵ２１７により実行される。図１２は、センサ５００からのセンサデータをプリンタ６００が受信し、エッジサーバ３００がセンサデータから学習用データを生成し、クラウドサーバ２００が学習用データを学習用データベース２５０に格納するまでの流れを示している。なお、センサ５００は、プリンタ６００内に構成されていてもよいし、プリンタ６００の外部に構成されていてもよい。Ｓ１２０１において、センサ５００はデータを逐次計測し、Ｓ１２０２においてセンサデータをプリンタ６００に送信する。Ｓ１２０１及びＳ１２０２の処理は、随時実行される。

Ｓ１２０３において、プリンタ６００は、センサデータを受信する。なお、プリンタ６００は、Ｓ１２０３で受信したセンサデータをプリンタ６００内のデータメモリ６１４に蓄積し、蓄積したデータに対して以降の処理をまとめて実行してもよい。Ｓ１２０４において、プリンタ６００は、受信したセンサデータが装置の状態（装置の動作）が正常時のデータであるか否かを判定する。一つの判定方法として、プリンタ６００は、プリンタ６００内に格納された動作ログを参照することによって、受信したセンサデータが装置の状態が正常時のデータであるか否かを判定してもよい。例えば、センサデータが計測された日時においてセンサ５００やプリンタ６００にエラーが発生していたか否か、あるいは印刷結果に異常があったかを確認し、エラーや異常が発生していなければ正常時のデータと判定してもよい。

また、一つの判定方法として、プリンタ６００は、複数のセンサ５００による異常計測結果を用いることによって、受信したセンサデータが正常時のデータであるか否かを判定してもよい。例えば、火災報知器や漏電検知器、地震感知器といったセンサによって異常を検知した場合に、プリンタ６００に異常発生を通知するようにしておく。そして、プリンタ６００内に保持された異常発生時刻とセンサデータが計測された日時とを比較して、その計測日時において異常が発生したか否かを判定してもよい。

また、一つの判定方法として、過去に計測されたセンサデータに正常時／異常時のデータか否かを示すラベルを手動で設定するようにし、そのラベルを参照することによって、受信したセンサデータが正常時のデータであるか否かを判定してもよい。上記の判定方法は一例であって、他の判定方法が用いられてもよい。Ｓ１２０５において、プリンタ６００は、エッジサーバ３００にセンサデータを送信する。

Ｓ１２１１において、エッジサーバ３００は、プリンタ６００からの正常時のセンサデータを受信し、その後、Ｓ１２１２において、エッジサーバ３００は、データ加工処理を行う。データ加工処理として、エッジサーバ３００は、受信したセンサデータを、入力データＸと教師データＴの学習用データの形式に変換する。その際、必要に応じて、標準化、正規化、主成分分析等の次元削減処理、その他の特徴量算出のための処理を行ってもよい。なお、Ｓ１２１２のデータ加工処理は、プリンタ６００がセンサデータを送信する前に行われてもよいし、クラウドサーバ２００がデータを受信した後に行われてもよい。Ｓ１２１３において、エッジサーバ３００は、クラウドサーバ２００に学習用データを送信する。Ｓ１２２１において、クラウドサーバ２００は、学習用データを受信し、その後、Ｓ１２２２において、クラウドサーバ２００の学習用データベース２５０内に受信した学習用データを格納する。

以上のように、デバイス４００から、装置の状態が正常時のデータが学習用データとしてクラウドサーバ２００に送信され、学習用データベース２５０内に蓄積される。

図１３は、学習時における処理システム１００の処理を示すフローチャートである。図１３は、エッジサーバ３００が学習モデル更新判定を行い、学習モデルを更新すると判定された場合に、クラウドサーバ２００が学習を行って学習モデルをエッジサーバ３００に配信し、エッジサーバ３００が学習済モデルを保持するまでの流れを示している。なお、エッジサーバ３００とクラウドサーバ２００の動作は、例えば、各サーバのＣＰＵ２１１もしくはＧＰＵ２１７により実行される。

Ｓ１３０１において、エッジサーバ３００は、後述する学習モデル更新判定を行う。学習モデルを更新すると判定された場合、Ｓ１３０２において、エッジサーバ３００は、クラウドサーバ２００に学習依頼を送信する。

Ｓ１３１１において、クラウドサーバ２００は、学習依頼を受信し、Ｓ１３１２において学習用データベース２５０から学習用データを取得する。その後、Ｓ１３１３において、クラウドサーバ２００は、学習モデル２５３を用いて学習処理を実行し、学習の完了後、Ｓ１３１４において、学習結果を蓄積する。なお、学習結果には、学習済モデルの他、異常判定閾値８３０、後述する学習モデル基準精度１５００が含まれる。Ｓ１３１５において、クラウドサーバ２００は、エッジサーバ３００に学習済モデルを配信する。Ｓ１３０３において、エッジサーバ３００は、クラウドサーバ２００から受信した学習済モデルを学習済モデル３５３として保持する。

図１３は、エッジサーバ３００から学習依頼が送信される構成を示しているが、そのような構成に限られない。例えば、エッジサーバ３００を介さずに、プリンタ６００等、デバイス４００からクラウドサーバ２００に学習依頼が送信されるようにしても良い。また、例えば、プリンタ６００で推論および学習が行われる場合には、図１３のエッジサーバ３００およびクラウドサーバ２００の処理をプリンタ６００内で実行するように構成してもよい。

図１２及び図１３で示すように、本実施形態では、プリンタ６００から送信されたセンサデータを学習した学習済モデルが配信される構成を想定している。しかしながら、プリンタ６００から送信されたセンサデータと異なるデータを学習した学習済モデルが配信されるようにしてもよい。例えば、プリンタ６００と異なる他のプリンタから送信されたデータを学習して作成された学習済モデルを配信し、その学習済モデルがプリンタ６００の推論に用いられてもよい。また、他のプリンタから送信されたセンサデータを学習して作成された学習済モデルをプリンタ６００から送信されたセンサデータを用いて追加で学習させた学習済モデルを作成し、プリンタ６００の推論に用いるようにしてもよい。また、エッジサーバ３００は、Ｓ１３１３の学習処理の予約を行うようにしてもよい。例えば、Ｓ１３０２の学習依頼において、エッジサーバ３００は、学習処理を実施する日時を指定して、クラウドサーバ２００に学習依頼を送信するようにしてもよい。

図１４は、推論時における処理システム１００の処理を示すフローチャートである。図１４は、センサ５００からのセンサデータをプリンタ６００が受信し、プリンタ６００から送信されたセンサデータによって、エッジサーバ３００が推論を行って装置の状態の正常／異常判定を行う流れを示している。なお、プリンタ６００の動作は、例えばＣＰＵ６１０により実行される。また、エッジサーバ３００とクラウドサーバ２００の動作は、例えば各サーバのＣＰＵ２１１もしくはＧＰＵ２１７により実行される。

図１４のＳ１２０１～Ｓ１２０３の処理は、図１２における説明と同じであるので、それらの説明を省略する。Ｓ１４０１において、プリンタ６００は、エッジサーバ３００に推論処理の依頼を送信する。推論処理の依頼には、推論用データとしてのセンサデータの送信が含まれる。Ｓ１４０２において、エッジサーバ３００は、推論依頼を受信し、Ｓ１４０３において、データ加工処理を行い、Ｓ１４０４において、推論処理を行う。なお、Ｓ１４０３のデータ加工処理は、図１２のＳ１２１２のデータ加工処理における説明と同じであるので、その説明を省略する。また、Ｓ１４０４の推論処理では、図１１（ａ）もしくは図１１（ｂ）の処理が行われる。

Ｓ１４０５において、エッジサーバ３００は、装置の状態の正常／異常判定を行う。Ｓ１４０５の正常／異常判定は、図１０で説明した構造に基づいて行われる。正常／異常判定に必要なセンサデータの予測値に対応する同時刻カウントのセンサデータの実測値は、Ｓ１４０１の時点もしくはそれ以降で送信されるようにしてもよい。Ｓ１４０５で判定値９６１が「正常」であると判定された場合、後述する学習モデル更新判定のために、Ｓ１４０６において、エッジサーバ３００は、予測値と実測値をエッジサーバ３００内に蓄積する。そして、Ｓ１４０７において、エッジサーバ３００は、判定値９６１をプリンタ６００に送信する。Ｓ１４０５で判定値９６１が「異常」であると判定された場合、Ｓ１４０７において判定値９６１をプリンタ６００に送信する。

Ｓ１４０８において、プリンタ６００は、判定値９６１を受信し、Ｓ１４０９において判定値９６１が「異常」であるか否かを判定する。「異常」であると判定された場合、Ｓ１４１０において、プリンタ６００は、装置の異常が予測された旨を通知する処理を行う。異常の通知において、プリンタ６００の操作パネル６０５上で、推論実行時の日時、推論実行時に使用したセンサデータの計測日時、センサ名称、判定値９６１が「異常」を示した累計回数、等の情報を表示するようにしてもよい。また、操作パネル６０５上での表示内容と同様の内容をクライアント端末４０１に通知するようにしてもよい。また、Ｓ１４０９の判定後に、推論を再度実行するか、推論を停止するかを判定してもよい。その場合、推論を再度実行すると判定した場合に、Ｓ１４０１からの処理を繰り返すようにしてもよい。

図１５は、図１３のＳ１３０１の学習モデル更新判定の処理を示すフローチャートである。本実施形態では、学習モデル基準精度１５００として、推論回数Ｎ、評価指標および評価指標値（基準値）が定義されている。ここで、評価指標としては、例えば二乗平均平方根誤差（ＲＭＳＥ：Ｒｏｏｔ Ｍｅａｎ Ｓｑｕａｒｅ Ｅｒｒｏｒ）が用いられる。即ち、学習モデル基準精度１５００として、例えば、「１０００データの推論時の評価指標（ＲＭＳＥ）が０．６以下」として定義される。本実施形態では、正常時のデータに基づく学習済モデルの精度が学習モデル基準精度１５００の精度を下回った時点で学習済モデルを更新する。なお、図１５の処理は、例えば、エッジサーバ３００のＧＰＵ２１７により実行される。

Ｓ１５０１において、ＧＰＵ２１７は、学習モデル更新判定のために実行される推論回数をリセットする。Ｓ１５０１のリセット処理は、図１４のＳ１４０２で推論依頼を受信した場合に行われてもよい。

Ｓ１５０２において、ＧＰＵ２１７は、正常／異常判定を行う。Ｓ１５０２の正常／異常判定処理は、図１４のＳ１４０４の処理に対応する。そして、Ｓ１５０３において、ＧＰＵ２１７は、判定値９６１が「正常」であるか「異常」であるかを判定する。判定値９６１が「正常」であると判定された場合、学習モデル更新判定の精度評価対象とするため、Ｓ１５０４に進む。一方、判定値９６１が「異常」であると判定された場合、学習モデル更新判定の精度評価対象とせず、Ｓ１５０２からの処理を繰り返す。

Ｓ１５０４において、ＧＰＵ２１７は、推論回数に１を加算する。Ｓ１５０５において、ＧＰＵ２１７は、学習モデル更新判定における評価指標値を計算するために、予測値と実測値を蓄積する。Ｓ１５０５の予測値と実測値の蓄積は、図１４のＳ１４０６の処理に対応する。Ｓ１５０６において、ＧＰＵ２１７は、学習モデル基準精度１５００で定義したＮデータ数分の推論が行われたか否かを判定する。学習モデル基準精度１５００で定義したデータ数分の推論が行われていないと判定された場合、Ｓ１５０２からの処理を繰り返す。Ｎデータ数分の推論回数が行われたと判定された場合、Ｓ１５０７において、ＧＰＵ２１７は、評価指標値（ＲＭＳＥ）の算出を行う。

Ｓ１５０８において、ＧＰＵ２１７は、算出した評価指標値が学習モデル基準精度１５００で定義された評価指標値Ｙより大きいか否かを判定する。ここで、算出した評価指標値が評価指標値Ｙより大きい、即ち、使用している学習済モデルの予測精度が学習モデル基準精度よりも低精度であると判定された場合、Ｓ１５０９において、ＧＰＵ２１７は、学習モデルの更新を行う。Ｓ１５０９では、図１３のＳ１３０２、Ｓ１３１１～Ｓ１３１５までの一連の処理もしくはその一部の処理が行われる。一方、算出した評価指標値が評価指標値Ｙ以下である、即ち、使用している学習済モデルの予測精度が学習モデル基準精度１５００を満たしていると判定された場合、Ｓ１５０１からの処理を繰り返す。

Ｓ１５１０において、ＧＰＵ２１７は、異常判定閾値８３０および学習モデル基準精度１５００を更新する。例えば、異常判定閾値８３０は、Ｓ１５０９における図１３のＳ１３１５で配信された、学習時のバリデーションデータのずれ量Ｌの最大値、最小値、その他の統計値を用いて更新されてもよい。また、例えば、学習モデル基準精度１５００の推論回数および評価指標値は、学習時の予測精度の評価回数、ずれ量Ｌの統計値に基づいて更新されてもよい。本実施形態では、図１５の処理は、エッジサーバ３００内で実行されるとして説明したが、プリンタ６００とクラウドサーバ２００のいずれか、もしくは両方において実行されるようにしてもよい。

以上のように、本実施形態によれば、推論結果により装置動作が正常と判定される場合の予測精度を所定の評価指標値が表す基準精度と比較することで、学習済モデルを適切なタイミングで更新することができる。即ち、装置動作が正常と判定されている状態であり且つ基準精度より低下したタイミングで、学習済モデルを更新することができる。

［第２実施形態］
以下、第１実施形態と異なる点について第２実施形態を説明する。第１実施形態では、学習モデル基準精度１５００に定義された推論回数Ｎおよび評価指標値に基づいて、学習モデル更新判定を行う構成を説明した。本実施形態では、評価指標値の統計値に基づいて、学習モデル更新判定を行う。

図１６は、本実施形態における、図１３のＳ１３０１の学習モデル更新判定の処理を示すフローチャートである。本実施形態では、学習モデル基準精度１６００として、評価指標および評価指標値の統計値（基準値）の種類や計算方法が定義されている。ここで、評価指標としては、例えば二乗平均平方根誤差（ＲＭＳＥ）が用いられる。即ち、学習モデル基準精度１６００として、例えば、「評価指標（ＲＭＳＥ）の平均値が０．６以下」のように定義される。本実施形態では、装置動作が正常と判定される場合の学習済モデルの予測精度が学習モデル基準精度１６００の精度を下回った時点で学習モデルを更新する。なお、図１６の処理は、例えば、エッジサーバ３００のＧＰＵ２１７により実行される。

Ｓ１６０１において、ＧＰＵ２１７は、正常／異常判定を行う。Ｓ１６０１の正常／異常判定処理は、図１４のＳ１４０４の処理に対応する。そして、Ｓ１６０２において、ＧＰＵ２１７は、判定値９６１が「正常」であるか「異常」であるかを判定する。判定値９６１が「正常」であると判定された場合、学習モデル更新判定の精度評価対象とするため、Ｓ１６０３に進む。一方、判定値９６１が「異常」であると判定された場合、学習モデル更新判定の精度評価対象とせず、Ｓ１６０１からの処理を繰り返す。

Ｓ１６０３において、ＧＰＵ２１７は、学習モデル更新判定における評価指標値を計算するために、予測値と実測値を蓄積する。Ｓ１６０３の予測値と実測値の蓄積は、図１４のＳ１４０６の処理に対応する。Ｓ１６０４において、ＧＰＵ２１７は、評価指標値（ＲＭＳＥ）の算出を行う。ここでの評価指標値の算出は、例えば、直近の１０００サンプルのデータを対象として評価指標値を算出して記憶領域に保持する。Ｓ１６０５において、ＧＰＵ２１７は、現在までに保持された評価指標値の統計値を算出する。ここでの統計値は、例えば、最大値、最小値、平均値、中央値等の統計量である。なお、算出方法が定義可能であれば、他の統計量が用いられてもよい。

Ｓ１６０６において、ＧＰＵ２１７は、評価指標値の統計値が、学習モデル基準精度１６００に定義された統計値Ｙより大きいか否かを判定する。ここで、算出した評価指標値の統計値が評価指標値Ｙより大きい、即ち、使用している学習済モデルの予測精度が学習モデル基準精度１６０１よりも低精度であると判定された場合、Ｓ１６０７において、ＧＰＵ２１７は、学習モデルの更新を行う。Ｓ１６０７では、図１３のＳ１３０２、Ｓ１３１１～Ｓ１３１５までの一連の処理もしくはその一部の処理が行われる。一方、算出した評価指標値が評価指標値Ｙ以下である、即ち、使用している学習済モデルの予測精度が学習モデル基準精度１６００を満たしていると判定された場合、Ｓ１６０１からの処理を繰り返す。

Ｓ１６０８において、ＧＰＵ２１７は、異常判定閾値８３０および学習モデル基準精度１６００を更新する。例えば、異常判定閾値８３０は、Ｓ１６０７における図１３のＳ１３１５で配信された、学習時のバリデーションデータのずれ量Ｌの最大値、最小値、その他の統計値を用いて更新されてもよい。また、例えば、学習モデル基準精度１６００の評価指標値の統計値は、学習時のずれ量Ｌの統計値に基づいて更新されてもよい。本実施形態では、図１６の処理は、エッジサーバ３００内で実行されるとして説明したが、プリンタ６００とクラウドサーバ２００のいずれか、もしくは両方において実行されるようにしてもよい。

以上のように、本実施形態によれば、推論結果により装置動作が正常と判定される場合の予測精度を所定の評価指標値の統計値が表す基準精度と比較することで、学習済モデルを適切なタイミングで更新することができる。即ち、装置動作が正常と判定されている状態であり且つ基準精度より低下したタイミングで、学習済モデルを更新することができる。

［第３実施形態］
以下、第１及び第２実施形態と異なる点について第３実施形態を説明する。第１実施形態では、学習モデル基準精度１５００に定義された推論回数Ｎおよび評価指標値に基づいて、学習モデル更新判定を行う構成を説明した。第２実施形態では、学習モデル基準精度１６００に定義された評価指標値の統計値に基づいて、学習モデル更新判定を行う構成を説明した。本実施形態では、評価指標値の推移の予測により学習モデル更新時期を通知可能な構成を説明する。

図１７は、累計推論回数と評価指標値の関係を示す図である。なお、評価指標値の算出は、第１及び第２実施形態と同様、判定値９６１が「正常」であると判定された推論結果に対してのみ行う。評価指標値（実測値）１７００は、累積推論回数に対する評価指標値の実測値の推移である。評価指標値（予測値）１７０１は、評価指標値（実測値）１７００から予測される将来の評価指標値の予測値の推移である。例えば、評価指標値（予測値）１７０１は、評価指標値（実測値）１７００の推移結果から、回帰モデルにより導くことが可能である。回帰モデルとしては、例えば、線形回帰モデル、ガウス過程回帰モデルなどが用いられる。

学習モデル基準精度の評価指標値１７０２は、学習モデル基準精度で定義された評価指標値を表し、例えば、学習モデル基準精度１５００の評価指標値Ｙである。つまり、学習モデル基準精度の評価指標値１７０２以下であれば、学習モデル基準精度を満たすことを示している。例えば、図１７の累計推論回数Ｎ回までの評価指標値（実測値）１７００は、学習モデル基準精度を満たしていることを示している。一方、学習モデル更新推論回数１７０３は、評価指標値の予測により、学習モデル基準精度の評価指標値１７０２より上回る、即ち、学習モデル基準精度以下の精度になると予想される累積推論回数を示している。

以上のように、本実施形態では、評価指標値（実測値）１７００の推移から、回帰モデルにより評価指標値（予測値）１７０１を導くことで、学習モデル基準精度の評価指標値１７０２を上回る時点に対応する学習モデル更新推論回数１７０３を予測する。その結果、学習モデルの更新予定のタイミングをユーザに通知することが可能となる。

エッジサーバ３００のＧＰＵ２１７は、評価指標値（予測値）１７０１を導出可能とするために、所定回数の推論が実行された時点で、その時点での累計推論回数と評価指標値とを対応づけて記憶する。例えば、第１実施形態では、図１５の推論回数Ｎ＝１０００である場合には、１０００回ごとの評価指標値（実測値）１７００と、累計推論回数とを所定の記憶領域に記憶するようにしてもよい。そして、ＧＰＵ２１７は、累計推論回数と評価指標値（実測値）１７００のデータセットが所定量蓄積された場合に、累計推論回数に対する評価指標値（実測値）１７００の推移に基づいて、評価指標値（予測値）１７０１を導出する。そして、ＧＰＵ２１７は、導出された評価指標値（予測値）１７０１が学習モデル基準精度の評価指標値１７０２を上回る推論回数、即ち、学習モデル更新推論回数１７０３を特定する。その際、学習モデル基準精度の評価指標値１７０２としては、最新の評価指標値が用いられてもよい。学習モデル更新推論回数１７０３が特定されると、例えばエッジサーバ３００でＳ１４０４の推論処理が行われる間隔に基づいて、学習モデル更新推論回数１７０３に達する時点が特定可能となる。ＧＰＵ２１７は、その特定した時点、例えば日付を含む通知画面を表示部に表示させる表示制御を実行してもよい。

図１８は、学習モデル更新予定を通知するための通知画面１８００の一例を示す図である。通知画面１８００の表示１８０１には、現在の学習モデルの精度が示されている。表示１８０１の「累計推論回数：１０００回」は、図１７の累計推論回数Ｎ回に対応し、「評価指標値：０．５５」は、図１７の累計推論回数Ｎ回のときの評価指標値に対応する。また、通知画面１８００の表示１８０２には、学習モデルの更新予定のタイミングが示されている。表示１８０２の「ＹＹＹＹ／ＭＭ／ＤＤ」は、図１７の学習モデル更新推論回数１７０３の時点（年月日）に対応する。

以上のように、本実施形態によれば、ユーザに対して、現在の学習済モデルの予測精度と、学習済モデルの更新予定のタイミングとを通知することができる。なお、図１８の通知画面は、デバイス４００の表示部に表示させるようにしてもよいし、エッジサーバ３００やクラウドサーバ２００の表示部に表示させるようにしてもよい。また、本実施形態では、累積推論回数に対する評価指標値（予測値）１７０１を回帰的に導く予測方法を説明したが、累積推論回数ではなく、他の入力変数に対する多変量回帰モデルを作成してもよい。例えば、推論時の入力データＸの特徴量および統計量に対する評価指標値（予測値）１７０１を予測するようなモデルを作成してもよい。

本発明は、上述の実施形態の１以上の機能を実現するプログラムを、ネットワーク又は記憶媒体を介してシステム又は装置に供給し、そのシステム又は装置のコンピュータにおける１つ以上のプロセッサーがプログラムを読出し実行する処理でも実現可能である。また、１以上の機能を実現する回路（例えば、ＡＳＩＣ）によっても実現可能である。

発明は上記実施形態に制限されるものではなく、発明の精神及び範囲から離脱することなく、様々な変更及び変形が可能である。従って、発明の範囲を公にするために請求項を添付する。

２００ クラウドサーバ： ２１１、６１１ ＣＰＵ： ２１７、６２１ ＧＰＵ： ３００ エッジサーバ： ４００ デバイス

Claims (18)

1. 装置の状態に基づく実測値を取得する取得手段と、
   前記取得手段により取得された実測値を学習済モデルに対する入力として、前記取得手段により将来に取得されるデータを推論する推論手段と、
   前記推論されたデータと、該推論されたデータに対応する実測値とに基づいて、前記装置の状態として正常もしくは異常を判定する判定手段と、
   前記判定手段の判定の結果が正常を示す場合の前記推論手段の推論結果に基づいて、学習済モデルの精度を評価する評価手段と、
   前記評価手段による評価の結果に基づいて、前記学習済モデルの更新を行う更新手段と、
   を備えることを特徴とする情報処理装置。
2. 前記評価手段は、前記学習済モデルの精度として、前記学習済モデルの更新のための評価指標値を算出し、該算出された前記評価指標値と基準値とを比較することを特徴とする請求項１に記載の情報処理装置。
3. 前記評価指標値は、前記推論手段による所定の推論回数の推論結果から算出されることを特徴とする請求項２に記載の情報処理装置。
4. 前記評価手段は、前記学習済モデルの精度として、前記評価指標値の統計値を算出し、該算出された前記評価指標値の統計値と基準値とを比較することを特徴とする請求項２に記載の情報処理装置。
5. 前記評価指標値は、二乗平均平方根誤差により算出されることを特徴とする請求項２乃至４のいずれか１項に記載の情報処理装置。
6. 前記推論結果に対して算出された前記評価指標値の推移に基づいて、将来の前記評価指標値の推移を予測する予測手段、をさらに備えることを特徴とする請求項２乃至５のいずれか１項に記載の情報処理装置。
7. 前記予測手段は、前記推論結果に対して算出された前記評価指標値の推移に回帰モデルを適用することにより、将来の前記評価指標値の推移を予測することを特徴とする請求項６に記載の情報処理装置。
8. 前記予測手段による予測の結果を表示部に表示させる表示制御手段、をさらに備えることを特徴とする請求項６又は７に記載の情報処理装置。
9. 前記予測の結果は、前記学習済モデルの更新時期を含むことを特徴とする請求項８に記載の情報処理装置。
10. 前記表示部は、前記情報処理装置と異なる端末装置に備えられていることを特徴とする請求項８又は９に記載の情報処理装置。
11. 前記更新手段は、学習用データに基づいて学習を行う学習手段を備える第２の情報処理装置に対して学習依頼を行い、前記学習手段の学習結果を前記第２の情報処理装置から取得することにより、前記学習済モデルの更新を行うことを特徴とする請求項２乃至１０のいずれか１項に記載の情報処理装置。
12. 前記学習結果は、前記基準値を含み、
    前記更新手段は、前記学習済モデルの更新とともに、前記学習結果に含まれる基準値による現在の基準値の更新を行う、
    ことを特徴とする請求項１１に記載の情報処理装置。
13. 前記学習用データを生成する生成手段と、
    前記生成手段により生成された前記学習用データを前記第２の情報処理装置に送信する送信手段と、をさらに備えることを特徴とする請求項１１又は１２に記載の情報処理装置。
14. 前記生成手段は、デバイスから受信したセンサデータに基づいて、前記学習用データを生成することを特徴とする請求項１３に記載の情報処理装置。
15. 前記センサデータは、前記デバイスが正常に動作している状態のデータであることを特徴とする請求項１４に記載の情報処理装置。
16. 前記デバイスは、プリンタを含むことを特徴とする請求項１４又は１５に記載の情報処理装置。
17. 情報処理装置において実行される情報処理方法であって、
    装置の状態に基づく実測値を取得する取得工程と、
    前記取得工程において取得された実測値を学習済モデルに対する入力として、前記取得工程において将来に取得されるデータを推論する推論工程と、
    前記推論されたデータと、該推論されたデータに対応する実測値とに基づいて、前記装置の状態として正常もしくは異常を判定する判定工程と、
    前記判定工程の判定の結果が正常を示す場合の前記推論工程の推論結果に基づいて、学習済モデルの精度を評価する評価工程と、
    前記評価工程における評価の結果に基づいて、前記学習済モデルの更新を行う更新工程と、
    を有することを特徴とする情報処理方法。
18. 請求項１乃至１６のいずれか１項に記載の情報処理装置の各手段としてコンピュータを機能させるためのプログラム。

Images