JP7680317B2 - 予測装置、予測方法および予測プログラム - Google Patents

Description

本発明は、予測装置、予測方法および予測プログラムに関する。

従来、複数のタスクからなるプロジェクトにおいて、各タスクの管理を支援する技術が提案されている。

特開２０２０－９３５０号公報

しかしながら、上記の従来技術では、プロジェクトを推進するうえでスケジュールを適切に組み立てることができるよう利用者を支援することができるとは限らない。

例えば、上記の従来技術は、タスクの開始時刻と、タスクの実行に必要な所要時間とに基づくタイムチャートを生成し、生成したタイムチャートをユーザに提供している。また、上記の従来技術は、タイムチャートにおける予定線を入力層に用い、予定線について各タスクの実績線を出力層に設定した教師データを用いて機械学習を行うことにより実績線予測モデルを生成し、新たな予定線を含めたタイムチャートを取得した場合には、この実績線予測モデルを用いて、予測実績線を算出している。

ここで、タスクの実行に必要な所要時間は、このタスクからなるプロジェクトに関する様々な要因（要素）によって変化し得るが、上記の従来技術では、タスクの開始時刻および終了時刻を含めた実績情報に基づく実績戦を教師データに用いているのみである。

つまり、上記の従来技術では、プロジェクトに関する様々な要因が考慮されず、単純に、タスクの実行に必要な所要時間の実績情報が学習データとして用いられているに過ぎない。このようなことから、上記の従来技術では、所要時間を精度よく予測するという点で改善の余地がある。よって、このような上記の従来技術によれば、プロジェクトを推進するうえでスケジュールを適切に組み立てることができるよう利用者を支援することができるとは限らない。

そこで、本発明では、プロジェクトを推進するうえでスケジュールを適切に組み立てることができるよう利用者を支援することを目的とする。

本発明の一態様に係る予測装置は、システムの開発に関するプロジェクトでの実績情報として、前記プロジェクトの属性に関する属性情報と、前記プロジェクトに含まれるタスクを完了させるうえで必要となった作業時間に関する時間情報とを取得する取得部と、前記属性情報と前記時間情報との関係性を学習したモデルと、予測対象のプロジェクトに対応する属性情報とに基づいて、前記予測対象のプロジェクトを構成するタスクごとに前記タスクの完了に必要となる作業時間を予測する予測部とを有することを特徴とする。

本発明の一態様に係る予測方法は、予測装置が実行する予測方法であって、システムの開発に関するプロジェクトでの実績情報として、前記プロジェクトの属性に関する属性情報と、前記プロジェクトに含まれるタスクを完了させるうえで必要となった作業時間に関する時間情報とを取得する取得工程と、前記属性情報と前記時間情報との関係性を学習したモデルと、予測対象のプロジェクトに対応する属性情報とに基づいて、前記予測対象のプロジェクトを構成するタスクごとに前記タスクの完了に必要となる作業時間を予測する予測工程とを含むことを特徴とする。

本発明の一態様に係る予測プログラムは、システムの開発に関するプロジェクトでの実績情報として、前記プロジェクトの属性に関する属性情報と、前記プロジェクトに含まれるタスクを完了させるうえで必要となった作業時間に関する時間情報とを取得する取得手順と、前記属性情報と前記時間情報との関係性を学習したモデルと、予測対象のプロジェクトに対応する属性情報とに基づいて、前記予測対象のプロジェクトを構成するタスクごとに前記タスクの完了に必要となる作業時間を予測する予測手順とを予測装置に実行させることを特徴とする。

本発明によれば、例えば、プロジェクトを推進するうえでスケジュールを適切に組み立てることができるよう利用者を支援することができる。

図１は、実施形態に係る予測システムの一例を示す図である。 図２は、実施形態に係る予測処理の一例を示す図である。 図３は、実施形態に係る予測装置の構成例を示す図である。 図４は、実施形態に係る元データ記憶部の一例を示す図である。 図５は、実施形態に係るモデルデータ記憶部の一例を示す図である。 図６は、実施形態に係るモデル生成処理手順を示すフローチャートである。 図７は、実施形態に係る予測処理手順を示すフローチャートである。 図８は、実施形態に係る予測装置のハードウェア構成例を示すブロック図である。

以下に、予測装置、予測方法および予測プログラムを実施するための形態（以下、「実施形態」と記載する）の一例について図面を参照しつつ詳細に説明する。なお、この実施形態により予測装置、予測方法および予測プログラムが限定されるものではない。また、以下の実施形態において同一の部位には同一の符号を付し、重複する説明は省略する。

［実施形態］
〔１．はじめに〕
プロジェクトにおいて、作業を効率化することや、生産性を向上させることは重要な課題である。ここで、プロジェクトを完了させるまでにこなさなければならない業務は細分化され、細分化された各業務はタスクと呼ばれる。そして、作業効率化や生産性向上を図るには、このタスクを如何にして管理するかが重要となる。

例えば、プロジェクトは、タスクの進捗状況を確認しながら推進されるため、タスクごとに時間を管理することで適切にスケジューリングすることが重要である。一例を挙げると、各タスクにはそれを業務として担当する担当者が割り当てられるため、担当者が自身のタスクを完了させるうえでどれくらいの作業時間が必要となるか見積もった所要時間をもとにプロジェクトのスケジューリングが行われる場合がある。

しかしながら、プロジェクトは、その内容に応じて、様々な属性を含み得るため、プロジェクトを構成するタスクごとに、どれくらいの作業時間が必要となるか適切に見積もることは困難な場合がある。また、適切に所要時間を見積もることができない場合、プロジェクト全体としてのスケジューリングにも影響が出てしまうため、作業効率化や生産性向上の実現も困難になってしまう場合がある。

本発明は、上記事情に着目してなされたものであって、その目的とするところは、プロジェクトを推進するうえでスケジュールを適切に組み立てることができるよう利用者を支援することができる技術を提供することにある。このような目的のため、本発明では、プロジェクトでの実績情報として、プロジェクトの属性に関する属性情報と、プロジェクトに含まれるタスクを完了させるうえで必要となった作業時間に関する時間情報との組を学習データ（教師データ）として機械学習することで、学習結果に基づいて、予測対象のプロジェクトを構成するタスクごとにタスクの完了に必要となる作業時間（すなわち、タスク完了に要する所要時間）を予測する。そして、本発明では、予測結果に関する情報を利用者に提供する。

このような本発明によれば、利用者は、今回のプロジェクトでは、タスクごとにどれくらいの作業時間が必要となるかを適切に把握することできるようになるため、プロジェクトについて最適なスケジュールを組み立てることができるようになる。また、この結果、利用者は、プロジェクトにおける作業効率化や生産性向上を図ることができるようになる。

以下の実施形態では、プロジェクトは、システム開発に関するプロジェクトであるものとして説明する。システム開発に関するプロジェクトとしては、例えば、所定のアプリケーションを動作させる新たなシステムを構築する新規プロジェクト、所定のアプリケーションを動作させる既存のシステムを増強させるエンハンスプロジェクト、所定のアプリケーションを動作させる既存のシステムのメンテナンスに関する保守的プロジェクト等が挙げられる。もちろん、システム開発に関するプロジェクトは、係る例に限定されない。

また、以下に説明する実施形態に係る予測処理は、システム開発に関するプロジェクトだけでなく各種のプロジェクトに適用可能なものである。例えば、実施形態に係る予測処理は、製造業での各種プロジェクトに適用され得る。

〔２．システムについて〕
まず、図１を用いて、実施形態に係る予測システムの構成を説明する。図１は、実施形態に係る予測システムの一例を示す図である。図１には、実施形態に係る予測システムの一例として、予測システム１が示される。

図１に示すように、予測システム１は、端末装置１０と、予測装置１００とを備える。端末装置１０と、予測装置１００とは、ネットワークＮを介して、有線または無線により通信可能に接続される。なお、図１に示す予測システム１には、任意の数の端末装置１０と、任意の数の予測装置１００とが含まれてもよい。

端末装置１０は、利用者（エンドユーザ）によって利用される情報処理端末であってよい。端末装置１０は、例えば、スマートフォンや、タブレット型端末や、ノート型ＰＣ（Personal Computer）や、デスクトップＰＣや、携帯電話機や、ＰＤＡ（Personal Digital Assistant）等により実現される。

また、端末装置１０には、予測装置１００との間での情報の送受信を実現するためのアプリケーションが導入されていてよい。また、係るアプリケーションは、予測装置１００にアクセスするための専用のアプリケーションとして実装されてもよいし、ブラウザなどの汎用的なアプリケーションであってもよい。

なお、本実施形態において、利用者とは、タスクにかかる作業時間を知りたいと考える人物、あるいは、特定のプロジェクトについてスケジューリングすることを任された人物等であってよく、また、このような人物としては、例えば、特定のプロジェクトに参加する１メンバーが挙げられる。

予測装置１００は、実施形態に係る予測処理を行う情報処理装置（サーバ装置）である。具体的には、予測装置１００は、システムの開発に関するプロジェクトでの実績情報として、このプロジェクトの属性に関する属性情報と、このプロジェクトに含まれるタスクを完了させるうえで必要となった作業時間に関する時間情報とを取得する。そして、予測装置１００は、属性情報と時間情報との関係性を学習したモデルと、予測対象のプロジェクトに対応する属性情報とに基づいて、予測対象のプロジェクトを構成するタスクごとにタスクの完了に必要となる作業時間を予測する。

なお、本実施形態では、予測装置１００が、予測処理に用いるモデルも生成するものとして説明するが、モデルの生成は、予測装置１００以外の特定の学習器によって行われてよい。係る場合、予測装置１００は、この学習器によって生成されたモデルを用いて、実施形態に係る予測処理を行う。

また、端末装置１０を利用者の近くでエッジ処理を行うエッジコンピュータとするなら、予測装置１００は、例えば、クラウド側で処理を行うクラウドコンピュータであってよい。

また、図１の例では、端末装置１０と、予測装置１００とは、それぞれ個別の異なる装置である例が示されるが、端末装置１０と、予測装置１００とは、一体化されてもよい。このような一体化の例として、例えば、以下の実施形態において、予測装置１００が行うものとして説明する機能が、端末装置１０側に実装されてもよい。具体的な一例として、実施形態に係る予測プログラムを端末装置１０に導入することで、端末装置１０を予測装置１００として動作させる構成が採用されてもよい。つまり、端末装置１０が、機械学習によるモデル生成を含めた一連の予測処理を行ってもよい。

〔３．予測処理の具体例ついて〕
続いて、図２を用いて、実施形態に係る予測処理の具体的な一例を示す。図２は、実施形態に係る予測処理の一例を示す図である。図２に示す予測処理には、学習データを用いた機械学習によりモデルが生成される処理（ステップＳ１１～Ｓ１３）と、利用者から取得した情報をこのモデルに適用することで実際に作業時間が予測される処理（ステップＳ２１、Ｓ２２）とが含まれる。

（モデル生成）
はじめに、予測処理の前段階として行われるモデル生成について説明する。図２の例では、予測装置１００が、過去に行われた任意のプロジェクトＰＪｎでの実績情報を学習データの元となる元データＯＲＤＡｎを収集し、収集した元データＯＲＤＡｎに基づく学習データ（教師データ）を用いて、予測モデルを生成する場面が示される。

また、元データＯＲＤＡｎには、プロジェクトＰＪｎの属性に関する属性情報と、プロジェクトＰＪｎに含まれる各タスクを完了させるうえで必要となった作業時間に関する時間情報とが含まれてよい。このようなことから、予測装置１００は、プロジェクトＰＪｎの属性に関する属性情報と、プロジェクトＰＪｎに含まれる各タスクを完了させるうえで必要となった作業時間に関する時間情報とを取得する。

ここで、プロジェクトＰＪｎの属性に関する属性情報とは、プロジェクトＰＪｎに含まれる各タスクを完了させるうえで必要となった作業時間と相関性があると考えられる情報であれば、いかなる情報であってよい。例えば、本発明の発明者らは、どのような属性情報が作業時間との間に相関性を有するかを見出しており、これにより高精度な予測処理を実現するに至った。

例えば、プロジェクトＰＪｎの属性に関する属性情報とは、プロジェクトＰＪｎの規模に関する情報であってよい。また、プロジェクトＰＪｎの属性に関する属性情報とは、プロジェクトＰＪｎに参画したチームに関する情報であってよい。また、プロジェクトＰＪｎの属性に関する属性情報とは、プロジェクトＰＪｎの特性に関する情報であってよい。また、プロジェクトＰＪｎの属性に関する属性情報とは、プロジェクトＰＪｎによる開発対象となったシステムに関する情報であってよい。これらの情報の詳細については後述する。

また、プロジェクトＰＪｎに含まれる各タスクを完了させるうえで必要となった作業時間に関する時間情報には、タスクを完了させるうえで必要になると見積もられた作業時間である見積作業時間と、タスクを完了させるうえで実際に必要となった実績作業時間とが含まれてよい。

ここからは、プロジェクトＰＪｎの具体的な一例を用いてモデル生成を説明する。例えば、図２の例では、プロジェクトＰＪｎの一例として、プロジェクトＰＪ１が示されている。係る例では、予測装置１００は、プロジェクトＰＪ１での実績情報として、プロジェクトＰＪ１の属性に関する属性情報と、プロジェクトＰＪ１に含まれる各タスクを完了させるうえで必要となった作業時間に関する時間情報との組を取得する。そして、予測装置１００は、取得した組を元データＯＲＤＡ１として収集する（ステップＳ１１）。

また、図２の例では、プロジェクトＰＪｎの一例として、プロジェクトＰＪ２が示されている。係る例では、予測装置１００は、プロジェクトＰＪ２での実績情報として、プロジェクトＰＪ２の属性に関する属性情報と、プロジェクトＰＪ２に含まれる各タスクを完了させるうえで必要となった作業時間に関する時間情報との組を取得する。そして、予測装置１００は、取得した組を元データＯＲＤＡ２として収集する（ステップＳ１１）。

また、図２の例では、プロジェクトＰＪｎの一例として、プロジェクトＰＪ３が示されている。係る例では、予測装置１００は、プロジェクトＰＪ３での実績情報として、プロジェクトＰＪ３の属性に関する属性情報と、プロジェクトＰＪ３に含まれる各タスクを完了させるうえで必要となった作業時間に関する時間情報との組を取得する。そして、予測装置１００は、取得した組を元データＯＲＤＡ３として収集する（ステップＳ１１）。

なお、予測装置１００が、実績情報を取得する手法については限定されない。例えば、図２の例では、プロジェクトＰＪ１、ＰＪ２およびＰＪ３に参画した人物によって登録された実績情報を予測装置１００が取得するという手法が採用されてもよいし、実績情報が特定の装置に自動的に蓄積されるような場合には、予測装置１００は、この装置から実績情報を取得してもよい。

続いて、予測装置１００は、ステップＳ１１で収集した元データＯＲＤＡｎからモデルの学習に用いる学習データを生成する（ステップＳ１２）。例えば、予測装置１００は、元データＯＲＤＡｎに対するクレンジング処理を行うことで、モデルの学習に用いる学習データを生成する。図２の例では、予測装置１００が、元データＯＲＤＡｎから学習データＬＤｎを生成した例が示される。

次に、予測装置１００は、学習データＬＤｎを用いた機械学習により、属性情報が入力される予測対象のプロジェクトを構成するタスクごとにタスクの完了に必要となる作業時間に関する情報を出力するモデルを生成する（ステップＳ１３）。例えば、予測装置１００は、学習データＬＤｎに含まれる属性情報と時間情報との関係性をモデルに学習させることで、予測対象のプロジェクトに対応する属性情報を入力として、予測対象のプロジェクトを構成するタスクごとにタスクの完了に必要となる作業時間の予測に用いられる情報を出力するという予測モデルＭｎを生成する。図２の例では、予測装置１００が、学習データＬＤｎの一例である学習データＬＤ１から予測モデルＭ１を生成したものとする。

（予測処理）
続いて、予測モデルＭｎを用いた予測処理について説明する。図２の例によれば、システム開発に関する新規のプロジェクトＰＪｘに参加するメンバーの１人である利用者Ｕ１が、自身の担当するタスクＴＳ１にかかる所要時間を知りたいと考えている例が示されている。また、図２には、利用者Ｕ１は、タスクＴＳ１を完了させるうえで必要になる作業時間として「６時間」（見積作業時間「６時間」）を見積もっている例が示される。

係る例では、端末装置１０は、利用者Ｕ１による操作に応じて、予測モデルＭ１に入力される入力情報として、新規のプロジェクトＰＪｘの属性に関する属性情報と、タスクＴＳ１を完了させるうえで必要となる作業時間に関する時間情報とを予測装置１００に送信する。なお、ここでいう時間情報とは、利用者Ｕ１によって見積もられた見積作業時間「６時間」を示す情報であってよい。また、端末装置１０は、タスクＴＳ１を識別する識別情報も入力情報として送信してよい。

予測装置１００は、端末装置１０から受け付けた入力情報を予測モデルＭ１に入力する（ステップＳ２１）。予測モデルＭ１は、予測装置１００により入力された入力情報に応じて、プロジェクトＰＪｘ（予測対象のプロジェクトの一例）を構成する１つのタスクＴＳ１を完了させるうえで必要となる作業時間の予測に利用可能な情報を出力する。例えば、予測モデルＭ１は、タスクＴＳ１を完了させるうえで必要となる作業時間の推定に用いられるスコアを出力してよい。

そして、予測装置１００は、予測モデルＭ１によって出力された出力情報に基づいて、タスクＴＳ１を完了させるうえで必要となる作業時間を予測し、また、予測結果を利用者Ｕ１に提供する（ステップＳ２２）。例えば、予測装置１００は、予測結果を端末装置１０に通知する。

さて、これまで図１および図２で説明してきたように、予測システム１に含まれる予測装置１００によれば、システム開発に関するプロジェクトでの実績情報から得られた学習データからモデルを生成し、生成したモデルと予測対象のプロジェクトに対応する属性情報とに基づいて、予測対象のプロジェクトを構成するタスクごとにタスクの完了に必要となる作業時間を予測する。このような予測装置１００によれば、利用者は、プロジェクトを推進するうえでスケジュールを適切に組み立てることができるようになる。

〔４．予測装置の構成〕
ここからは、図３を用いて、実施形態に係る予測装置１００について説明する。図３は、実施形態に係る予測装置１００の構成例を示す図である。図３に示すように、予測装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。

（通信部１１０について）
通信部１１０は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。そして、通信部１１０は、ネットワークと有線または無線で接続され、例えば、端末装置１０との間で情報の送受信を行う。

（記憶部１２０について）
記憶部１２０は、例えば、ＲＡＭ（Random Access Memory)、フラッシュメモリ等の半導体メモリ素子またはハードディスク、光ディスク等の記憶装置によって実現される。記憶部１２０は、元データ記憶部１２１と、学習データ記憶部１２２と、モデルデータ記憶部１２３と、予測結果記憶部１２４とを有する。

（元データ記憶部１２１について）
元データ記憶部１２１は、学習データの元となる元データに関する情報を記憶する。具体的には、元データ記憶部１２１は、元データに関する情報として、プロジェクトでの実績情報を記憶する。

ここで、図４に、実施形態に係る元データ記憶部１２１の一例を示す。図２で説明したように、プロジェクトでの実績情報には、プロジェクトの属性に関する属性情報が含まれる。そして、プロジェクトの属性に関する属性情報とは、プロジェクトの規模に関する情報、プロジェクトに参画したチームに関する情報、プロジェクトの特性に関する情報、あるいは、プロジェクトによる開発対象となったシステムに関する情報等であってよいが、図４に示す元データは、このうち、プロジェクトの特性に関する情報にフォーカスした内容となっている。

例えば、プロジェクトの参加者は、プロジェクトを推進するうえでプロジェクト計画を立案する。例えば、利用者は、プロジェクトを効率的に進めることができるようタスク管理を行う。例えば、利用者は、立ち上げプロセス、分析プロセス、設計プロセス、製造プロセス等といったように、プロジェクトをプロセスで分解する。また、利用者は、各プロセスについて、要件定義、基本設計、詳細設計、運用設計、製造、テスト等といったようにさらに細かく分類してゆくことでタスクを定義する。よって、図４に示す元データは、プロジェクトをプロセス（すなわち作業工程）で分類することに応じて定義されたタスクに関する情報に対応する。このような元データは、プロジェクト計画を立案する際に作成されるものであってよく、プロジェクトに含まれるタスクごとの分類情報であって、階層状に分類された分類情報に相当する。

図４の例では、元データは、「プロジェクト種別」、「プロジェクトＩＤ」といった項目を有する。また、図４の例では、元データには、「プロジェクトの特性に関する情報」の一例として、「タスク分類情報」、「定義情報」、「機能情報」、「担当者情報」、「時間情報」が含まれる例が示される。なお、「プロジェクト種別」、「プロジェクトＩＤ」も「プロジェクトの特性に関する情報」に含まれてよい。

また、図４の例によれば、「タスク分類情報」には、「大分類」、「中分類」、「第１小分類」、「第２小分類」といった項目が含まれる。「定義情報」には、「タスク内容」といった項目が含まれる。「機能情報」には、「機能内容」といった項目が含まれる。また、「担当者情報」には、「氏名」、「経歴」といった項目が含まれる。また、「時間情報」には、「見積作業時間」、「実績作業時間」といった項目が含まれる。

ここからは、元データについてより詳細に説明する。なお、図４に示す元データは、各種存在するプロセス（作業工程）のうち、設計プロセスにフォーカスしたものであるが、実際には、設計プロセス以外にも立ち上げプロセス、分析プロセス、製造プロセス等が含まれてよい。また、プロセスは、プロジェクトの内容によって異なるため、図４に示す元データは一例に過ぎない。すなわち、実施形態に係る情報処理は、図４に示すようなデータ構成でないと実現不可能な処理ではない。

まず、「プロジェクト種別」は、プロジェクトの種別に関する情報であり、図４に示すように、「新規開発」、「エンハンス」、「保守」といったものが一例として挙げられる。「新規開発」とは、例えば、所定のアプリケーションを動作させる新たなシステムを構築するプロジェクトである。「エンハンス」とは、例えば、所定のアプリケーションを動作させる既存のシステムを増強させるプロジェクトである。「保守」とは、例えば、所定のアプリケーションを動作させる既存のシステムのメンテナンスに関するプロジェクトである。

「プロジェクトＩＤ」は、プロジェクトを識別する識別情報を示す。図４には、プロジェクト種別「新規開発」と、プロジェクトＩＤ「ＰＪ１」とが対応付けられる例が示される。係る例は、プロジェクトＩＤ「ＰＪ１」で識別される過去のプロジェクト（プロジェクトＰＪ１）は、プロジェクト種別「新規開発」に属するプロジェクトであった例を示す。なお、以降の説明は、プロジェクトＰＪ１の例を用いて行うことにする。

「大分類」は、プロジェクトＰＪ１が作業工程（プロセス）が大きく分類された分類結果を示し、上記の通り、この分類結果には、立ち上げプロセス、分析プロセス、設計プロセス、製造プロセス等が存在する。プロジェクトＰＪ１もこの例の通り、立ち上げプロセス、分析プロセス、設計プロセス、製造プロセスという４つの種別に大きく分類されていてよいが、図４の例では、このうち設計プロセスの例のみ示される。

「中分類」は、「大分類」としての分類結果がさらに細かく分類された分類結果を示し、上記の通り、この分類結果には、要件定義、基本設計、詳細設計、運用設計、製造、テスト等が存在する。図４には、大分類「設計プロセス」が、中分類「基本設計」および「詳細設計」に分類されている例が示される。

「第１小分類」は、「中分類」としての分類結果がさらに細かく分類された分類結果を示し、図４には、中分類「基本設計」が、第１小分類「画面設計」および「プログラム設計」に分類されている例が示される。

「第２小分類」は、「第１小分類」としての分類結果がさらに細かく分類された分類結果を示し、図４には、第１小分類「画面設計」が、第２小分類「顧客管理画面設計」および「案件管理画面設計」に分類されている例が示される。

「タスク内容」は、「大分類」としての分類結果、「中分類」としての分類結果、「第１小分類」としての分類結果、「第２小分類」としての分類結果に基づき定義されたタスクの内容を示す情報である。図４には、第２小分類「顧客管理画面設計」と、タスク内容「画面レイアウトの検討」、「画面機能の検討」および「画面入力チェックの検討」とが対応付けられる例が示される。係る例は、第２小分類「顧客管理画面設計」に属するタスクとして、「画面レイアウトの検討」という内容のタスク、「画面機能の検討」という内容のタスク、「画面入力チェックの検討」という内容のタスクが定義された例を示す。

ここで、図４には、「第１小分類」としての分類結果、「第２小分類」としての分類結果、タスク内容のそれぞれには、カッコ内に特定の情報が記されている。この情報は、作業工程で得られる成果物を示す成果物情報である。例えば、図４の例では、第１小分類「画面設計」に対応するカッコ内には「画面設計書」が記されている。係る例は、作業工程「画面設計」では、「画面設計書」という成果物が得られることを意味する。また、図４の例では、第２小分類「顧客管理画面設計」に対応するカッコ内には「顧客管理画面の設計書」が記されている。係る例は、作業工程「顧客管理画面設計」では、「顧客管理画面の設計書」という成果物が得られることを意味する。また、図４の例では、タスク内容「画面レイアウトの検討」に対応するカッコ内には「画面レイアウト仕様書」が記されている。係る例は、係る例は、作業工程「画面レイアウトの検討」では、「画面レイアウト仕様書」という成果物が得られることを意味する。

ここで、例えば、プロジェクトＰＪ１が所定のアプリケーションに関するプロジェクトであるとする。係る場合、「機能内容」は、対応する作業工程がこのアプリケーションにおいてどのような機能を実現するための工程であるか、その機能の内容を示す情報である。図４には、タスク内容「画面レイアウトの検討」と、機能内容「機能Ａ１１」とが対応付けられる例が示される。係る例は、「画面レイアウトの検討」というタスクが、アプリケーションが有する機能のうち「機能Ａ１１」という機能に対応する作業である例を示す。

「担当者情報」は、「定義情報」で定義される各タスクを担当する担当者に関する情報を示す。このため、「氏名」は、担当者の氏名に関する情報である。また、「経歴」は、担当者の経歴に関する情報を示す。図４には、タスク内容「画面レイアウトの検討」と、氏名「ＮＡ１１」とが対応付けられる例が示される。係る例は、「画面レイアウトの検討」というタスクを担当した担当者の氏名が「ＮＡ１１」である例を示す。また、図４には、タスク内容「画面レイアウトの検討」と、経歴「ＰＦ１１」とが対応付けられる例が示される。係る例は、「画面レイアウトの検討」というタスクを担当した担当者の経歴が「ＰＦ１１」である例を示す。

ここで、「担当者情報」についてより詳細に説明する。例えば、タスクを完了させるうえで必要となった作業時間と相関性があると考えられる担当者情報としては、次のような情報が挙げられる。例えば、図４の例では、「担当者情報」は、担当者がプロジェクトＰＪ１に参画した時期を示す情報、プロジェクトＰＪ１の内容に関連する資格の保有状況を示す情報であってよい。また、「担当者情報」は、担当者がプロジェクトＰＪ１だけでなくこれまでにどのようなプロジェクトにおいてどのようなチームに所属した経歴があるかを示す情報、すなわちプロジェクトごとのチーム経歴情報であってよい。また、「担当者情報」は、プロジェクトＰＪ１で必要となるプログラミング言語での経歴を示す言語経歴情報や、担当者が得意とするプログラミング言語を示す言語情報であってよい。また、「担当者情報」は、担当者の勤怠傾向を示す勤怠情報であってよい。

また、プロジェクトでの実績情報には、プロジェクトに含まれるタスクを完了させるうえで必要となった作業時間に関する「時間情報」も含まれる。そして、図４に示すように、「時間情報」は、タスクを完了させるうえで必要になると見積もられた作業時間である「見積作業時間」と、タスクを完了させるうえで実際に必要となった作業時間である「実績作業時間」とを含んでよい。図４には、タスク内容「画面レイアウトの検討」と、見積作業時間「ＥＴＭ１１」とが対応付けられる例が示される。係る例は、「画面レイアウトの検討」というタスクを担当した担当者が、このタスクには「ＥＴＭ１１」程度の時間が必要であると見積もった例を示す。また、図４には、タスク内容「画面レイアウトの検討」と、実績作業時間「ＡＴＭ１１」とが対応付けられる例が示される。係る例は、「画面レイアウトの検討」というタスクを担当者が完了させるには、実際には、「ＡＴＭ１１」程度の時間が必要であった例を示す。

ここで、図４では不図示であるが、プロジェクトの特性に関する情報には、プロジェクトの難易度を示す情報がさらに含まれてもよい。プロジェクトの難易度は、Ｑ（クオリティ：品質）、Ｃ（コスト：費用）、Ｄ（デリバリー：納期）のバランスによって算出されてよい。例えば、「新規開発」のプロジェクトでは、Ｑの重要度「Ｓランク」、Ｃの重要度「Ｓランク」、Ｄの重要度「Ｓランク」といったように、ＱＣＤの全てにおいて高い重要度が指定される傾向にある。よって、「新規開発」のプロジェクトでは高難易度を示す値が算出され得る。一方、「エンハンス」や「保守」のプロジェクトは、納期には柔軟性があるため、「新規開発」のプロジェクトと比較して低めの難易度を示す値が算出され得る。

さて、ここまで図４を用いて、プロジェクトの属性に関する属性情報として、特にプロジェクトの特性に関する情報の一例について説明してきた。以下では、プロジェクトの属性に関する属性情報として、プロジェクトの規模に関する情報、プロジェクトに参画したチームに関する情報、プロジェクトによる開発対象となったシステムに関する情報の一例についても説明する。

例えば、プロジェクトの規模に関する情報は、プロジェクトについて見積もられた見積工数であってよい。また、プロジェクトの規模に関する情報は、プロジェクトについて見積もられた見積金額であってもよい。

また、プロジェクトに参画したチームに関する情報は、チームごとの責任者を示す情報であってよい。責任者を示す情報とは、例えば、チームを構成する構成メンバーのうち、どのメンバーがプロジェクトマネージャー（ＰＭ）であり、どのメンバーがプロジェクトリーダー（ＰＬ）であるかを識別可能な情報であってよい。

また、プロジェクトに参画したチームに関する情報は、チームごとのメンバー構成を示す情報であってもよい。メンバー構成を示す情報とは、例えば、チーム名、所属メンバーの氏名、所属メンバーの役割（役職）であってよい。また、メンバー構成を示す情報には、メンバー間での相性を示す情報（例えば、メンバーごとにメンバーに相性の良い（あるいは悪い）メンバーは誰であったかを示す情報）が含まれてもよい。

なお、メンバー間での相性は、特定の人物によって判断されたものであってもよいし、予測装置１００が判断してもよい。例えば、予測装置１００は、共同作業が必要となった作業工程での履歴情報に基づき算出された作業効率と、この共同作業での平均的な作業効率とを比較した結果、作業効率が向上していたと判定できた場合には、この共同作業に参加したメンバー同士の相性は良いと判断してよい。一方、予測装置１００は、作業効率が低下していたと判定できた場合には、この共同作業に参加したメンバー同士の相性は悪いと判断してよい。

また、プロジェクトによる開発対象となったシステムに関する情報は、開発対象となったシステムのシステム構成を示す情報であってよい。システム構成を示す情報とは、例えば、クラウドサーバで構成されるシステム、あるいは、サーバを有しないサーバレスシステムのうち、いずれのシステムであるかを示す情報であってよい。

また、プロジェクトによる開発対象となったシステムに関する情報は、開発対象となったシステムによってユーザに提供されるアプリケーションの種別を示す情報であってもよい。アプリケーションの種別を示す情報とは、例えば、ネイティブアプリ、あるいは、ウェブアプリのうち、いずれのアプリケーションであるかを示す情報であってよい。

（学習データ記憶部１２２について）
学習データ記憶部１２２は、学習データ記憶部１２２に記憶される元データに基づき生成された学習データに関する情報を記憶する。不図示であるが、学習データ記憶部１２２は、元データそのものを学習データとして記憶してよい。一方、学習データ記憶部１２２は、元データに対するクレンジング処理が行われた結果得られたデータを学習データとして記憶してもよい。また、学習データ記憶部１２２は、元データに対して所定の加工処理が施されたデータを学習データとして記憶してもよい。

加工処理について、例えば、予測装置１００は、図４に示すような元データをベースとして、プロセスではなく成果物で分類したデータに加工することができる。また、予測装置１００は、図４に示すような元データをベースとして、担当者ごとにデータをまとめるという加工を行うこともできる。また、図４を例に挙げると、タスク分類情報、定義情報、機能情報、担当者情報といった各種項目ごとにモデルに学習させる際の重要度が定められる場合がある。よって、予測装置１００は、重要度に応じた学習が行われるよう重み付けを行うという加工を行ってもよい。

（モデルデータ記憶部１２３について）
モデルデータ記憶部１２３は、予測装置１００が生成した予測モデルＭｎに関する情報を記憶する。ここで、図５に、実施形態に係るモデルデータ記憶部１２３の一例を示す。図５の例では、モデルデータ記憶部１２３は、「モデルＩＤ」、「予測対象」、「モデルデータ」といった項目を有する。

「モデルＩＤ」は、予測モデルＭｎを識別するための識別情報を示す。例えば、モデルＩＤ「Ｍ１」により識別される予測モデルＭｎは、図２の例に示した予測モデルＭ１に対応する。「予測対象」は、対応するモデルの予測対象を示す。また、「モデルデータ」は、対応するモデルのデータを示す。例えば、「モデルデータ」には、各層におけるノードと、各ノードが採用する関数と、ノードの接続関係と、ノード間の接続に対して設定される接続係数とを含む情報が含まれる。

例えば、図５に示す例において、モデルＩＤ「Ｍ１」により識別されるモデル（予測モデルＭ１）は、予測対象が「作業時間」（予測対象のプロジェクトを構成するタスクごとにタスクの完了に必要となる作業時間）であり、入力された属性情報に対応する作業時間の予測に用いられることを示す。また、予測モデルＭ１のモデルデータは、モデルデータＭＤ１であることを示す。

予測モデルＭ１（モデルデータＭＤ１）は、属性情報が入力される入力層と、出力層と、入力層から出力層までのいずれかの層であって出力層以外の層に属する第１要素と、第１要素と第１要素の重みとに基づいて値が算出される第２要素と、を含み、入力層に入力された属性情報に対し、出力層以外の各層に属する各要素を第１要素として、第１要素と第１要素の重みとに基づく演算を行うことにより、作業時間の予測に用いられるスコアを出力層から出力するよう、コンピュータを機能させるためのモデルである。

ここで、予測モデルＭ１等が「ｙ＝ａ_１＊ｘ_１＋ａ_２＊ｘ_２＋・・・＋ａ_ｉ＊ｘ_ｉ」で示す回帰モデルで実現されるとする。この場合、例えば、予測モデルＭ１が含む第１要素は、ｘ１やｘ２等といった入力データ（ｘｉ）に対応する。また、第１要素の重みは、ｘｉに対応する係数ａｉに対応する。ここで、回帰モデルは、入力層と出力層とを有する単純パーセプトロンと見做すことができる。各モデルを単純パーセプトロンと見做した場合、第１要素は、入力層が有するいずれかのノードに対応し、第２要素は、出力層が有するノードと見做すことができる。

また、予測モデルＭ１等がＤＮＮ等、１つまたは複数の中間層を有するニューラルネットワーク（neural network）で実現されるとする。この場合、例えば、予測モデルＭ１が含む第１要素は、入力層または中間層が有するいずれかのノードに対応する。また、第２要素は、第１要素と対応するノードから値が伝達されるノードである次段のノードに対応する。また、第１要素の重みは、第１要素と対応するノードから第２要素と対応するノードに伝達される値に対して考慮される重みである接続係数に対応する。

（予測結果記憶部１２４について）
予測結果記憶部１２４は、予測モデルＭｎを用いて予測された予測結果に関する情報を記憶する。不図示であるが、予測結果記憶部１２４は、例えば、予測対象のプロジェクトを構成するタスクごとに予測された作業時間であって、タスクの完了に必要となる作業時間を、このプロジェクトを識別するプロジェクトＩＤに対応付けた状態で記憶する。

（制御部１３０について）
図３に戻り、制御部１３０は、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、予測装置１００内部の記憶装置に記憶されている各種プログラム（例えば、実施形態に係る予測プログラム）がＲＡＭを作業領域として実行されることにより実現される。また、制御部１３０は、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現される。

図３に示すように、制御部１３０は、取得部１３１と、データ制御部１３２と、生成部１３３と、受付部１３４と、予測部１３５と、提供部１３６とを有し、以下に説明する情報処理の機能や作用を実現または実行する。なお、制御部１３０の内部構成は、図３に示した構成に限られず、後述する情報処理を行う構成であれば他の構成であってもよい。また、制御部１３０が有する各処理部の接続関係は、図３に示した接続関係に限られず、他の接続関係であってもよい。

（取得部１３１について）
取得部１３１は、システムの開発に関するプロジェクトでの実績情報として、プロジェクトの属性に関する属性情報を取得する。

取得部１３１は、属性情報として、プロジェクトの規模に関する情報を取得する。例えば、取得部１３１は、プロジェクトの規模に関する情報として、プロジェクトについて見積もられた見積工数、または、プロジェクトについて見積もられた見積金額を取得する。

また、取得部１３１は、属性情報として、プロジェクトに参画したチームに関する情報を取得する。例えば、取得部１３１は、プロジェクトに参画したチームに関する情報として、チームごとの責任者を示す情報、チームごとのメンバー構成を示す情報、または、チームごとのメンバー間での相性を示す情報を取得する。

また、取得部１３１は、属性情報として、プロジェクトの特性に関する情報を取得する。例えば、取得部１３１は、プロジェクトの特性に関する情報として、プロジェクトの種別を示す情報、または、プロジェクトの難易度を示す情報を取得する。

また、例えば、取得部１３１は、プロジェクトの特性に関する情報として、プロジェクトに含まれるタスクごとの分類情報であって、階層状に分類された分類情報を取得する。一例として、取得部１３１は、分類情報として、タスクが属する作業工程が階層上に分類されたタスク分類情報と、タスク分類情報に応じて定義されたタスクの内容を示す定義情報と、作業工程ごとに得られる成果物を示す成果物情報との組を取得する。

ここで、取得部１３１は、タスクごとに、プロジェクトの特性に関する情報として、タスクを担当した担当者に関する情報をさらに取得してよい。例えば、取得部１３１は、担当者に関する情報として、担当者がプロジェクトに参画した時期を示す情報、プロジェクトの内容に関連する資格の保有状況を示す情報、担当者がどのようなプロジェクトにおいてどのようなチームに所属した経歴があるかを示すチーム経歴情報、プロジェクトで必要となるプログラミング言語での経歴を示す言語経歴情報、担当者が得意とするプログラミング言語を示す言語情報、または、担当者の勤怠傾向を示す勤怠情報を取得する。

また、取得部１３１は、属性情報として、プロジェクトによる開発対象となったシステムに関する情報を取得する。例えば、取得部１３１は、システムに関する情報として、このシステムのシステム構成を示す情報、または、このシステムによってユーザに提供されるアプリケーションの種別を示す情報を取得する。

また、取得部１３１は、システムの開発に関するプロジェクトでの実績情報として、プロジェクトに含まれるタスクを完了させるうえで必要となった作業時間に関する時間情報も取得する。例えば、取得部１３１は、タスクごとに、時間情報として、タスクを完了させるうえで必要になると見積もられた作業時間である見積作業時間と、タスクを完了させるうえで実際に必要となった作業時間である実績作業時間を取得する。係る時間情報は、これまで説明してきた属性情報を説明変数とする目的変数に対応する。

図２の例では、取得部１３１は、プロジェクトＰＪ１での実績情報として、プロジェクトＰＪ１の属性に関する属性情報と、プロジェクトＰＪ１に含まれる各タスクを完了させるうえで必要となった作業時間に関する時間情報との組を取得している。そして、取得部１３１は、取得した組を元データＯＲＤＡ１として収集している。

また、図２の例では、取得部１３１は、プロジェクトＰＪ２での実績情報として、プロジェクトＰＪ２の属性に関する属性情報と、プロジェクトＰＪ２に含まれる各タスクを完了させるうえで必要となった作業時間に関する時間情報との組を取得している。そして、取得部１３１は、取得した組を元データＯＲＤＡ２として収集している。

また、図２の例では、取得部１３１は、プロジェクトＰＪ３での実績情報として、プロジェクトＰＪ３の属性に関する属性情報と、プロジェクトＰＪ３に含まれる各タスクを完了させるうえで必要となった作業時間に関する時間情報との組を取得している。そして、取得部１３１は、取得した組を元データＯＲＤＡ３として収集している。

また、取得部１３１は、取得した属性情報と時間情報とを対応付けて、元データ記憶部１２１に格納してよい。

（データ制御部１３２について）
データ制御部１３２は、取得部１３１により取得された実績情報、具体的には、属性情報と時間情報との組を元データとして、元データからモデルの学習に用いる学習データを生成する。例えば、データ制御部１３２は、元データに対するクレンジング処理を行うことで、モデルの学習に用いる学習データを生成してよい。

また、データ制御部１３２は、元データに対して所定の加工処理を施してもよい。例えば、データ制御部１３２は、プロセスで分類された元データを成果物で分類したデータに加工してよい。また、データ制御部１３２は、プロセスで分類された元データを担当者ごとに集約してもよい。また、タスク分類情報、定義情報、機能情報、担当者情報といった各種項目ごとにモデルに学習させる際の重要度が定められる場合には、データ制御部１３２は、重要度に応じた学習が行われるよう重要度に応じた重み付けを行ってもよい。

図２の例では、データ制御部１３２は、元データＯＲＤＡｎ（ＯＲＤＡ１～ＯＲＤＡ３）から学習データＬＤｎ（ＬＤ１）を生成している。

（生成部１３３について）
生成部１３３は、属性情報と時間情報との組を学習データとして、属性情報と時間情報との関係性をモデルに学習させることで、属性情報が入力される予測対象のプロジェクトを構成するタスクごとにタスクの完了に必要となる作業時間を出力するモデルを生成する。例えば、生成部１３３は、タスクの完了に必要となる作業時間の予測に用いられる情報（例えば、スコア）を出力する予測モデルＭｎを生成する。

生成部１３３は、いかなる学習アルゴリズムを用いて予測モデルＭｎを生成してもよい。例えば、生成部１３３は、ニューラルネットワーク、サポートベクターマシン（ＳＶＭ）、クラスタリング、強化学習等の学習アルゴリズムを用いて予測モデルＭｎを生成する。一例として、生成部１３３がニューラルネットワークを用いて予測モデルＭｎを生成する場合、この予測モデルＭｎは、一以上のニューロンを含む入力層と、一以上のニューロンを含む中間層と、一以上のニューロンを含む出力層とを有する。

また、生成部１３３は、生成した予測モデルＭｎをモデルデータ記憶部１２３に格納する。具体的には、生成部１３３は、属性情報が入力される入力層と、出力層と、入力層から出力層までのいずれかの層であって出力層以外の層に属する第１要素と、第１要素と第１要素の重みとに基づいて値が算出される第２要素と、を含み、入力層に入力された属性情報に対し、出力層以外の各層に属する各要素を第１要素として、第１要素と第１要素の重みとに基づく演算を行うことにより、作業時間の予測に用いられるスコアを出力層から出力する予測モデルＭｎを生成する。そして、生成部１３３は、生成した予測モデルＭｎをモデルデータ記憶部１２３に格納する。

図２の例によれば、生成部１３３は、学習データＯＲＤＡ１～ＯＲＤＡ３等を学習データ（教師データ）として、学習を行うことにより、予測モデルＭ１を生成している。例えば、生成部１３３は、学習データＯＲＤＡ１～ＯＲＤＡ３等に含まれる属性情報に基づいて、予測モデルＭ１を生成する。例えば、生成部１３３は、学習データＯＲＤＡ１～ＯＲＤＡ３等に含まれるプロジェクトの規模に関する情報から特徴量を抽出し、抽出した特徴量を用いて、予測モデルＭ１を生成する。また、例えば、生成部１３３は、学習データＯＲＤＡ１～ＯＲＤＡ３等に含まれるプロジェクトに参画したチームに関する情報から特徴量を抽出し、抽出した特徴量を用いて、予測モデルＭ１を生成する。また、例えば、生成部１３３は、学習データＯＲＤＡ１～ＯＲＤＡ３等に含まれるプロジェクトの特性に関する情報から特徴量を抽出し、抽出した特徴量を用いて、予測モデルＭ１を生成する。また、例えば、生成部１３３は、学習データＯＲＤＡ１～ＯＲＤＡ３等に含まれるプロジェクトによる開発対象となったシステムに関する情報から特徴量を抽出し、抽出した特徴量を用いて、予測モデルＭ１を生成する。

具体的な一例を挙げると、例えば、生成部１３３は、正解情報が学習データＯＲＤＡ１に含まれる時間情報を示すスコア（スコア「ＳＣ１」とする）である場合、学習データＯＲＤＡ１に含まれる属性情報が入力された場合に、予測モデルＭ１が出力するスコアが「ＳＣ１」に近づくように、学習処理を行う。

また、例えば、生成部１３３は、正解情報が学習データＯＲＤＡ２に含まれる時間情報を示すスコア（スコア「ＳＣ２」とする）である場合、学習データＯＲＤＡ２に含まれる属性情報が入力された場合に、予測モデルＭ１が出力するスコアが「ＳＣ２」に近づくように、学習処理を行う。

また、例えば、生成部１３３は、正解情報が学習データＯＲＤＡ３に含まれる時間情報を示すスコア（スコア「ＳＣ３」とする）である場合、学習データＯＲＤＡ３に含まれる属性情報が入力された場合に、予測モデルＭ１が出力するスコアが「ＳＣ３」に近づくように、学習処理を行う。

（受付部１３４について）
受付部１３４は、生成部１３３により生成された予測モデルＭｎに入力される入力情報を利用者（端末装置１０）から受け付ける。例えば、受付部１３４は、予測モデルＭｎに入力される入力情報として、予測対象のプロジェクトの属性に関する属性情報と、このプロジェクトを構成するタスクごとの作業時間であって、タスクを完了させるうえで必要となる作業時間に関する時間情報とを受け付ける。なお、時間時間とは、利用者によってタスクごとに見積もられた見積作業時間を示す情報であってよい。

図２の例では、受付部１３４は、入力情報として、新規のプロジェクトＰＪｘの属性に関する属性情報と、タスクＴＳ１について見積もられた見積作業時間を示す情報とを利用者Ｕ１から受け付けている。

（予測部１３５について）
予測部１３５は、過去に実施されたプロジェクトの属性に関する属性情報と、このプロジェクトに含まれるタスクを完了させるうえで必要となった作業時間に関する時間情報との関係性を学習したモデル（生成部１３３により生成された予測モデルＭｎ）と、予測対象のプロジェクトに対応する属性情報とに基づいて、予測対象のプロジェクトを構成するタスクごとにタスクの完了に必要となる作業時間を予測する。

例えば、予測部１３５は、受付部１３４により受け付けられた入力情報を予測モデルＭｎに入力する。より具体的には、予測部１３５は、予測対象のプロジェクトの属性に関する属性情報と、このプロジェクトを構成するタスクごとに見積もられた見積作業時間との組を予測モデルに入力する。予測モデルＭｎは、入力情報に応じて、予測対象のプロジェクトを構成するタスクごとにタスクの完了に必要となる作業時間の予測に用いられる情報を出力する。予測部１３５は、予測モデルＭｎが出力した出力情報に基づいて、予測対象のプロジェクトを構成するタスクごとにタスクの完了に必要となる作業時間を予測する。

（提供部１３６について）
提供部１３６は、予測部１３５による予測結果（タスクごとの作業時間）を、作業時間の予測を要求した利用者（入力情報を送信した利用者）に提供する。例えば、提供部１３６は、予測結果を係る利用者の端末装置１０に送信する。

〔５．処理手順〕
次に、図６および図７を用いて、実施形態に係る予測処理の手順について説明する。図６では、予測処理の前段階として行われるモデル生成の手順を示す。図７では、生成されたモデルを用いた予測処理の手順について説明する。

〔５－１．処理手順（１）〕
まず、図６について説明する。図６は、実施形態に係るモデル生成処理手順を示すフローチャートである。

まず、取得部１３１は、プロジェクトＰＪｎの属性に関する属性情報と、プロジェクトＰＪｎに含まれる各タスクを完了させるうえで必要となった作業時間に関する時間情報とを取得する（ステップＳ１０１）。例えば、取得部１３１は、属性情報として、プロジェクトＰＪｎの規模に関する情報、プロジェクトＰＪｎに参画したチームに関する情報、プロジェクトＰＪｎの特性に関する情報、プロジェクトＰＪｎによる開発対象となったシステムに関する情報を取得してよい。また、例えば、取得部１３１は、時間情報として、タスクを完了させるうえで必要になると見積もられた作業時間である見積作業時間と、タスクを完了させるうえで実際に必要となった実績作業時間とを、プロジェクトＰＪｎに含まれるタスクごとに取得してよい。

次に、生成部１３３は、属性情報が示す属性と、時間情報が示す作業時間との関係性をモデルに学習させることで、予測対象のプロジェクトＰＪｘに含まれる各タスクにかかる作業時間を予測する予測モデルＭｎを生成する（ステップＳ１０２）。例えば、生成部１３３は、属性情報と時間情報との組を学習データとして、予測対象のプロジェクトＰＪｘを構成する各タスクにかかる作業時間の予測に用いられる情報を出力する予測モデルＭｎを生成する。

〔５－２．処理手順（２）〕
まず、図７について説明する。図７は、実施形態に係る予測処理手順を示すフローチャートである。

まず、受付部１３４は、予測対象のプロジェクトＰＪｘの属性を示す属性情報と、プロジェクトＰＪｘを構成するタスクごとの作業時間であって、タスクを完了させるうえで必要になると見積もられた見積作業時間を示す時間情報とを利用者から受け付けたか否かを判定する（ステップＳ２０１）。

受付部１３４は、属性情報および時間情報を受け付けていないと判定している間は（ステップＳ２０１；Ｎｏ）、属性情報および時間情報を受け付けたと判定できるまで待機する。

一方、予測部１３５は、属性情報および時間情報を受け付けたと判定された場合には（ステップＳ２０１；Ｙｅｓ）、受け付けられた属性情報および時間情報を予測モデルＭｎに入力する（ステップＳ２０２）。

また、予測部１３５は、入力情報に応じて予測モデルＭｎが出力した出力情報に基づいて、予測対象のプロジェクトＰＪｘに含まれる各タスクにかかる作業時間を予測する（ステップＳ２０３）。

提供部１３６は、予測部１３５による予測結果（タスクごとの作業時間）を、作業時間の予測を要求した利用者（入力情報を送信した利用者）に提供する（ステップＳ２０４）。例えば、提供部１３６は、予測結果を係る利用者の端末装置１０に送信する。

〔６．ハードウェア構成〕
次に、実施形態に係る予測装置１００のハードウェア構成例について説明する。図８は、実施形態に係る予測装置１００のハードウェア構成例を示すブロック図である。図８を参照すると、予測装置１００は、例えば、プロセッサ８０１と、ＲＯＭ８０２と、ＲＡＭ８０３と、ホストバス８０４と、ブリッジ８０５と、外部バス８０６と、インターフェース８０７と、入力装置８０８と、出力装置８０９と、ストレージ８１０と、ドライブ８１１と、接続ポート８１２と、通信装置８１３と、を有する。なお、ここで示すハードウェア構成は一例であり、構成要素の一部が省略されてもよい。また、ここで示される構成要素以外の構成要素をさらに含んでもよい。

（プロセッサ８０１）
プロセッサ８０１は、例えば、演算処理装置または制御装置として機能し、ＲＯＭ８０２、ＲＡＭ８０３、ストレージ８１０、またはリムーバブル記録媒体９０１に記録された各種プログラムに基づいて各構成要素の動作全般またはその一部を制御する。

（ＲＯＭ８０２、ＲＡＭ８０３）
ＲＯＭ８０２は、プロセッサ８０１に読み込まれるプログラムや演算に用いるデータなどを格納する手段である。ＲＡＭ８０３には、例えば、プロセッサ８０１に読み込まれるプログラムや、そのプログラムを実行する際に適宜変化する各種パラメータなどが一時的または永続的に格納される。

（ホストバス８０４、ブリッジ８０５、外部バス８０６、インターフェース８０７）
プロセッサ８０１、ＲＯＭ８０２、ＲＡＭ８０３は、例えば、高速なデータ伝送が可能なホストバス８０４を介して相互に接続される。一方、ホストバス８０４は、例えば、ブリッジ８０５を介して比較的データ伝送速度が低速な外部バス８０６に接続される。また、外部バス８０６は、インターフェース８０７を介して種々の構成要素と接続される。

（入力装置８０８）
入力装置８０８には、例えば、マウス、キーボード、タッチパネル、ボタン、スイッチ、およびレバーなどが用いられる。さらに、入力装置８０８としては、赤外線やその他の電波を利用して制御信号を送信することが可能なリモートコントローラ（以下、リモコン）が用いられることもある。また、入力装置８０８には、マイクロフォンなどの音声入力装置が含まれる。

（出力装置８０９）
出力装置８０９は、例えば、ＣＲＴ（Ｃａｔｈｏｄｅ Ｒａｙ Ｔｕｂｅ）、ＬＣＤ、または有機ＥＬなどのディスプレイ装置、スピーカ、ヘッドホンなどのオーディオ出力装置、プリンタ、携帯電話、またはファクシミリなど、取得した情報を利用者に対して視覚的または聴覚的に通知することが可能な装置である。また、本実施形態に係る出力装置８０９は、触覚刺激を出力することが可能な種々の振動デバイスを含む。

（ストレージ８１０）
ストレージ８１０は、各種のデータを格納するための装置である。ストレージ８１０としては、例えば、ハードディスクドライブ（ＨＤＤ）などの磁気記憶デバイス、半導体記憶デバイス、光記憶デバイス、または光磁気記憶デバイスなどが用いられる。

（ドライブ８１１）
ドライブ８１１は、例えば、磁気ディスク、光ディスク、光磁気ディスク、または半導体メモリなどのリムーバブル記録媒体９０１に記録された情報を読み出し、またはリムーバブル記録媒体９０１に情報を書き込む装置である。

（接続ポート８１２）
接続ポート８１２は、例えば、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）ポート、ＩＥＥＥ１３９４ポート、ＳＣＳＩ（Ｓｍａｌｌ Ｃｏｍｐｕｔｅｒ Ｓｙｓｔｅｍ Ｉｎｔｅｒｆａｃｅ）、ＲＳ－２３２Ｃポート、または光オーディオ端子などのような外部接続機器９０２を接続するためのポートである。

（通信装置８１３）
通信装置８１３は、ネットワークに接続するための通信デバイスであり、例えば、有線または無線ＬＡＮ、Ｂｌｕｅｔｏｏｔｈ（登録商標）、またはＷＵＳＢ（Ｗｉｒｅｌｅｓｓ ＵＳＢ）用の通信カード、光通信用のルータ、ＡＤＳＬ（Ａｓｙｍｍｅｔｒｉｃ Ｄｉｇｉｔａｌ Ｓｕｂｓｃｒｉｂｅｒ Ｌｉｎｅ）用のルータ、または各種通信用のモデムなどである。

（リムーバブル記録媒体９０１）
リムーバブル記録媒体９０１は、例えば、ＤＶＤメディア、Ｂｌｕ－ｒａｙ（登録商標）メディア、ＨＤ ＤＶＤメディア、各種の半導体記憶メディアなどである。もちろん、リムーバブル記録媒体９０１は、例えば、非接触型ＩＣチップを搭載したＩＣカード、または電子機器などであってもよい。

（外部接続機器９０２）
外部接続機器９０２は、例えば、プリンタ、携帯音楽プレーヤ、デジタルカメラ、デジタルビデオカメラ、またはＩＣレコーダなどである。

なお、実施形態に係る記憶部１２０は、ＲＯＭ８０２やＲＡＭ８０３、ストレージ８１０によって実現される。また、プロセッサ８０１によって実現される実施形態に係る制御部１３０が、取得部１３１と、データ制御部１３２と、生成部１３３と、受付部１３４と、予測部１３５と、提供部１３６を実現する各制御プログラム（例えば、実施形態に係る予測プログラム）を、ＲＯＭ８０２やＲＡＭ８０３などから読み出し実行する。

〔７．その他〕
上記した各処理のうち、自動的に行われるものとして説明した処理の全部または一部は、手動的に行われてもよい。また、手動的に行われるものとして説明した処理の全部または一部は、公知の方法で自動的に行われてもよい。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られるものではない。

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されなくともよい。すなわち、各装置の分散・統合の具体的形態は図示のものに限られない。また、各構成要素は、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成してもよい。また、上記してきた各処理は、矛盾しない範囲で適宜組み合わせて実行されてもよい。

以上、本願の実施形態をいくつかの図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の欄に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。

１ 予測システム
１０ 端末装置
１００ 予測装置
１２０ 記憶部
１２１ 元データ記憶部
１２２ 学習データ記憶部
１２３ モデルデータ記憶部
１２４ 予測結果記憶部
１３０ 制御部
１３１ 取得部
１３２ データ制御部
１３３ 生成部
１３４ 受付部
１３５ 予測部
１３６ 提供部

Claims (10)

1. システムの開発に関するプロジェクトでの実績情報として、前記プロジェクトの属性に関する属性情報と、前記プロジェクトに含まれるタスクを完了させるうえで必要となった作業時間に関する時間情報とを取得する取得部と、
   前記属性情報と前記時間情報との関係性を学習したモデルと、予測対象のプロジェクトに対応する属性情報とに基づいて、前記予測対象のプロジェクトを構成するタスクごとに前記タスクの完了に必要となる作業時間を予測する予測部と
   を有することを特徴とする予測装置。
2. 前記属性情報と、前記時間情報との組を学習データとして、前記関係性を学習させることで、前記モデルとして、属性情報が入力される前記予測対象のプロジェクトを構成するタスクごとに前記タスクの完了に必要となる作業時間を出力するモデルを生成する生成部をさらに有し、
   前記予測部は、前記生成部により生成されたモデルと、前記予測対象のプロジェクトに対応する属性情報とに基づいて、前記予測対象のプロジェクトを構成するタスクごとに前記タスクの完了に必要となる作業時間を予測する
   ことを特徴とする請求項１に記載の予測装置。
3. 前記取得部は、前記属性情報として、前記プロジェクトの規模に関する情報、前記プロジェクトに参画したチームに関する情報、前記プロジェクトの特性に関する情報、前記プロジェクトによる開発対象となった前記システムに関する情報の少なくとも１つを取得する
   ことを特徴とする請求項１または２に記載の予測装置。
4. 前記取得部は、前記属性情報のうち、前記プロジェクトの特性に関する情報を取得する場合には、前記プロジェクトの特性に関する情報として、前記プロジェクトの種別を示す情報、前記プロジェクトの難易度を示す情報、前記プロジェクトに含まれるタスクごとの分類情報であって、階層状に分類された分類情報、前記プロジェクトに含まれる各タスクを担当した担当者に関する情報の少なくとも１つを取得する
   ことを特徴とする請求項３に記載の予測装置。
5. 前記取得部は、前記プロジェクトの特性に関する情報のうち、前記分類情報を取得する場合には、前記分類情報として、前記タスクが属する作業工程が階層上に分類されたタスク分類情報と、前記タスク分類情報に応じて定義されたタスクの内容を示す定義情報と、前記作業工程ごとに得られる成果物を示す成果物情報との組を取得する
   ことを特徴とする請求項４に記載の予測装置。
6. 前記取得部は、前記プロジェクトの特性に関する情報のうち、前記担当者に関する情報を取得する場合には、前記担当者に関する情報として、前記担当者が前記プロジェクトに参画した時期を示す情報、前記プロジェクトの内容に関連する資格の保有状況を示す情報、前記担当者がどのようなプロジェクトにおいてどのようなチームに所属した経歴があるかを示すチーム経歴情報、前記プロジェクトで必要となるプログラミング言語での経歴を示す言語経歴情報、前記担当者が得意とするプログラミング言語を示す言語情報、前記担当者の勤怠傾向を示す勤怠情報の少なくとも１つを取得する
   ことを特徴とする請求項４または５に記載の予測装置。
7. 前記取得部は、前記属性情報のうち、前記システムに関する情報を取得する場合には、前記システムに関する情報として、前記システムのシステム構成を示す情報、または、前記システムによってユーザに提供されるアプリケーションの種別を示す情報を取得する
   ことを特徴とする請求項３～６のいずれか１つに記載の予測装置。
8. 前記取得部は、前記タスクごとに、前記時間情報として、前記タスクを完了させるうえで必要になると見積もられた作業時間である見積作業時間と、前記タスクを完了させるうえで実際に必要となった作業時間である実績作業時間とを取得する
   ことを特徴とする請求項１～７のいずれか１つに記載の予測装置。
9. 予測装置が実行する予測方法であって、
   システムの開発に関するプロジェクトでの実績情報として、前記プロジェクトの属性に関する属性情報と、前記プロジェクトに含まれるタスクを完了させるうえで必要となった作業時間に関する時間情報とを取得する取得工程と、
   前記属性情報と前記時間情報との関係性を学習したモデルと、予測対象のプロジェクトに対応する属性情報とに基づいて、前記予測対象のプロジェクトを構成するタスクごとに前記タスクの完了に必要となる作業時間を予測する予測工程と
   を含むことを特徴とする予測方法。
10. システムの開発に関するプロジェクトでの実績情報として、前記プロジェクトの属性に関する属性情報と、前記プロジェクトに含まれるタスクを完了させるうえで必要となった作業時間に関する時間情報とを取得する取得手順と、
    前記属性情報と前記時間情報との関係性を学習したモデルと、予測対象のプロジェクトに対応する属性情報とに基づいて、前記予測対象のプロジェクトを構成するタスクごとに前記タスクの完了に必要となる作業時間を予測する予測手順と
    を予測装置に実行させるための予測プログラム。

Images