JP7823908B2 - 設定支援装置、設定支援システム、設定支援方法、及びプログラム - Google Patents

Description

本発明は、設定問題を容易に解決することの可能な設定支援装置、設定支援システム、設定支援方法、及びプログラムに関する。

ユーザにより設定することが必要である装置は、ユーザが持つ問題、例えばスマートフォンにおいて電波の受信状況が悪い、という問題と、装置側の所定の無線通信パラメータを変更する、といった解決手段との間で大きな隔たりが存在する。このような隔たりが存在する理由は、ユーザが、装置の抱える問題を解決するために、どの設定パラメータを選択して変更する必要があるかを知らないためである。一方で、装置毎の問題を解決するための設定は、各装置内の設定状況を考慮しなければ不可能である。

特許文献１には、次のような推定装置等が開示されている。該発明では明細書に、「推定部１１は、情報取得部１３が取得した推定対象基地局の通信品質測定情報及び基地局パラメータ設定情報に基づいて、当該推定対象基地局の基地局パラメータを設定変更前のものから設定変更後のものに設定変更した場合の通信品質の改善度合いを示す評価スコア（基地局パラメータ変更前の通信品質に対する基地局パラメータ変更後の通信品質の相対値）の推定を行う推定手段として機能する。具体的には、推定対象基地局の設定変更前における通信品質測定情報及び基地局パラメータ設定情報を入力とし、後述する６種類の基地局パラメータセットＳｅｔ０～ＳｅｔＥごとに、当該基地局パラメータセットへの設定変更後における各評価スコア（基地局パラメータ変更前の通信品質に対する基地局パラメータ変更後の通信品質の相対値）を算出する。」との記載がある。

特開２０２０－１７８２６６号公報

なお、上記先行技術文献の開示を、本書に引用をもって繰り込むものとする。以下の分析は、本発明者らによってなされたものである。

上記の通り、特許文献１に開示されている発明では、推定部が、通信品質測定情報及び基地局パラメータ設定情報に基づいて、基地局パラメータの組み合わせである基地局パラメータセットの変更後の通信品質の改善度合いを示す評価スコアを推定することにより、複数のパラメータセットの中から通信品質の改善をもたらす基地局パラメータセットを特定する。すなわち、設定変更すべきパラメータを特定することが可能である。

しかしながら、特許文献１に開示されている発明では、各装置（基地局）の有する問題を受け付けておらず、ユーザが手軽に問題を入力し、その問題に対応した設定の変更を出力するといった問題解決手段の提供には至っていない。

そこで、本発明の一視点において、ユーザが設定問題を容易に解決することの可能な設定支援装置、設定支援システム、設定支援方法、及びプログラムを提供することを目的とする。

本発明の第一の視点によれば、装置の設定に関する問題である設定問題を取得する設定問題取得部と、前記装置の設定を含む装置パラメータを取得する装置パラメータ取得部と、前記設定問題と、前記装置パラメータと、に基づいて前記設定問題に対応した対応パラメータを算出する、算出部と、前記対応パラメータを出力する出力部と、を有する設定支援装置が提供される。

本発明の第二の視点によれば、設定装置と設定支援サーバ装置とを含む設定支援システムであって、前記設定装置は、設定に関する問題である設定問題を取得する設定問題取得部と、前記設定装置の設定を含む装置パラメータを取得する装置パラメータ取得部と、前記設定問題と、前記装置パラメータと、を送信する入力データ送信部と、を有し、前記設定支援サーバ装置は、前記設定問題と、前記装置パラメータと、に基づいて前記設定問題に対応した対応パラメータを、学習モデルを用いて算出する、算出部と、前記対応パラメータを送信する対応パラメータ送信部と、前記設定装置はさらに、前記対応パラメータを出力する出力部、を有する、設定支援システムが提供される。

本発明の第三の視点によれば、以下の各ステップをコンピュータにより実行する設定支援方法であって、装置の設定に関する問題である設定問題を取得するステップと、前記装置の設定を含む装置パラメータを取得するステップと、前記設定問題と、前記装置パラメータと、に基づいて前記設定問題に対応した対応パラメータを、学習モデルを用いて算出するステップと、前記対応パラメータを出力するステップと、を有する設定支援方法が提供される。

本発明の第四の視点によれば、装置の設定に関する問題である設定問題を取得する処理と、前記装置の設定を含む装置パラメータを取得する処理と、前記設定問題と、前記装置パラメータと、に基づいて前記設定問題に対応した対応パラメータを、学習モデルを用いて算出する処理と、前記対応パラメータを出力する処理と、をコンピュータに実行させるためのプログラムが提供される。

なお、このプログラムは、コンピュータが読み取り可能な記憶媒体に記録することができる。記憶媒体は、半導体メモリ、ハードディスク、磁気記録媒体、光記録媒体等の非トランジェント（ｎｏｎ－ｔｒａｎｓｉｅｎｔ）なものとすることができる。本発明は、コンピュータプログラム製品として具現することも可能である。

本発明の各視点によれば、ユーザが設定問題を容易に解決することの可能な設定支援装置、設定支援システム、設定支援方法、及びプログラムを提供することが可能である。

本開示の設定支援装置における構成の一例を示すブロック図である。 本開示の設定支援装置における処理の概要を示すための図である。 本開示の設定支援装置における構成の一例を示すブロック図である。 本開示の設定支援装置の動作を説明するためのフローチャートである。 本開示の設定支援装置のハードウエア構成の一例を示すブロック図である。 本開示の設定支援装置における構成の一例を示すブロック図である。 本開示の設定支援装置の動作を説明するためのフローチャートである。 本開示の設定支援システムの処理の概要を示す図である。 本開示の設定支援システムの動作を説明するためのフローチャートである。 本開示の設定支援システムにおいて、対応パラメータを出力した後の学習モデル更新処理の動作を説明するためのフローチャートである。 本開示の設定支援システムの実施例の概要を示す図である。 本開示の設定支援システムの実施例の構成の一例を示す図である。 本開示の設定支援システムの実施例における学習データセットを示す図である。 本開示の設定支援システムの実施例の動作を説明するためのシーケンス図である。 本開示の設定支援システムの実施例の継続学習時の動作を説明するためのフローチャートである。 本開示の設定支援システムの実施例において無線装置内で完結する場合の構成を示す図である。 本開示の設定支援システムの実施例において継続学習のみ無線装置外で実施する場合の構成を示す図である。

初めに、一実施形態の概要について説明する。なお、この概要に付記した図面参照符号は、理解を助けるための一例として各要素に便宜上付記したものであり、この概要の記載はなんらの限定を意図するものではない。本開示において図面は、１以上の実施の形態に関連付けられる。

図１に本開示の設定支援装置の構成の一例を示したブロック図を示す。本開示の設定支援装置１０は、設定問題取得部１１と、装置パラメータ取得部１２と、算出部１３と、出力部１４と、を有する。

設定問題取得部１１は、装置の設定に関する問題である設定問題を取得する。装置パラメータ取得部１２は、前記装置の設定を含む装置パラメータを取得する。算出部１３は、前記設定問題と、前記装置パラメータと、に基づいて前記設定問題に対応した対応パラメータを、学習モデルを用いて算出し、出力部は、前記対応パラメータを出力する。

このように本開示の設定支援装置は、ユーザから設定支援対象の装置における設定問題（例えば、通信装置であれば音声が途切れる、雑音が入る、等）を受け付け、その上で当該装置の現状の設定パラメータである装置パラメータを取得する。設定問題と、装置パラメータに基づいて学習モデルにより、設定問題に対応した、設定パラメータである対応パラメータを算出し、出力することが可能である。このためエンドユーザのように装置設定に関する知識に乏しいユーザであっても、設定問題を装置に対して入力することで、設定問題に対する問題解決を支援する対応パラメータを知ることが可能である。

［第１の実施形態］
［処理の概要］
図２は本開示の設定支援装置における処理の概要を示すための図である。この図にあるように、設定支援装置１０と、ユーザ１と、支援対象の装置２（以下対象装置２）が存在する。なお対象装置２と設定支援装置１０は一体であってもよいし、別の装置であってもよい。ユーザ１は対象装置２の利用者である。設定支援装置１０は、ユーザ１より対象装置２における設定問題を自然言語にて取得する。また、設定支援装置１０は、対象装置２より、その設定問題にかかる装置の設定パラメータＳｐを取得する。設定支援装置１０は、学習モデル３－５を用いて、取得した設定問題に対応した対応パラメータＳａを算出する。なお、取得する設定パラメータＳｐと、算出する対応パラメータＳａの要素数は異なっていても良い（すなわち図２においてｎ≠ｍであっても良い）。

学習モデル３－５は、あらかじめ対応パラメータを教師信号とし、自然言語による設定問題と、その設定問題にかかる装置の設定パラメータを入力として学習を行っている。なお、図２における例はニューラルネットワークモデルを模式的に記載しており、モデルの素子数（円形で示す）や素子間の結合（素子間の結線で示す）の態様は図２の記載に限定されない。

［装置の構成］
図３は本開示の設定支援装置１０の構成の一例を示すためのブロック図である。この図にあるように、本開示の設定支援装置１０は、設定問題取得部１１と、装置パラメータ取得部１２と、算出部１３と、出力部１４と、学習モデル生成部１５と、を有する。

設定問題取得部１１は、装置の設定に関する問題である設定問題を取得する。「設定問題」とは、通信装置であれば、例えば「音声が途切れる」、「音声が歪む」、「雑音が入る」等のユーザ側にて不都合である事象を指す文や単語、フレーズ等である。本開示の設定支援装置１０はこの設定問題を解決するために以降の処理を実行し、解決手段として対応パラメータを算出し、出力する。上記にあるように、当部は、設定問題を自然言語により取得してもよい。

また、設定問題取得部１１は、自然言語による設定問題をベクトル表現に変換し、設定問題間で類似性を有する態様としてもよい。ベクトル表現の生成にはＷｏｒｄ２Ｖｅｃや、任意の長さの文章を固定長のベクトルに変換可能なＤｏｃ２Ｖｅｃ等が利用できる。

装置パラメータ取得部１２は、装置の設定を含む装置パラメータを取得する。図２において対象装置２の現在の設定を示す装置パラメータを取得する。すなわち設定値を取得し、後述する算出部１３による演算に適した態様に適宜変換を行う。具体的には実測値は例えば、正規化等を行い、カテゴリカルデータは、例えば、ワンホットエンコーディング等の数量化手法を用いて変換を行う。

算出部１３は、設定問題と、装置パラメータと、に基づいて設定問題に対応した対応パラメータを、学習モデルを用いて算出する。「学習モデル」とは、後述の学習モデル生成部１５により学習した対応パラメータ算出用のモデルである。算出とは、設定問題と、装置パラメータの値とを前記学習モデルに入力し、学習モデルによる演算結果である対応パラメータの値を得ることである。

図２に示す通り、ユーザ１は自然言語により入力を行い、対象装置２はその設定パラメータＳｐを入力し学習モデル３－５により対応パラメータＳａを算出する。

出力部１４は、対応パラメータを出力する。ディスプレイ等の表示デバイスへ表示を行ったり、通信により他の装置へ対応パラメータを送信したりといった処理を実行する。

学習モデル生成部１５は、設定問題と、装置パラメータと、を入力データとし、前記設定問題、及び前記装置パラメータに対応した対応パラメータを教師データとした学習データにより学習した学習モデルを生成する。図２の学習モデル３－５はニューラルネットワークを念頭に置いて模式図を示しているが、他の教師付きモデルあるいは教師無しモデルを採用可能である。図２ではモデル３－５の３つのモデルを図示しているが、これらを統合した１つのモデルでもよい。すなわち、初めからモデル３－５を結合させて学習を進めてもよいし、モデル３及びモデル４を先に学習させ、その後モデル５を結合して学習を進めてもよい。

例えば、学習時において、学習データとして入力するテキストを先に述べたＤｏｃ２Ｖｅｃ等でベクトル化したものや、装置パラメータをベクトル表現したものを、主成分分析等の次元削減アルゴリズムでベクトルの次元削減を行う教師無しの学習を行ってもよい。その場合、所定の累積寄与率となる主成分を選択し、次元削減を行った学習データを出力とし、モデル５の入力値として、モデル５を改めて学習させるといった構成をとっても良い。

また、学習は、パラメータの値そのものを教師データとして与えてもよいし、どのパラメータが関連するかを教師データとしてもよい。すなわち、算出部１３の算出結果である図２の対応パラメータＳａのベクトルが０または１の値をとる態様であってもよい。この場合ユーザは、パラメータの値ではなく、どのパラメータを設定項目として変更するかを知ることが可能である。

［動作の説明］
図４は本開示の設定支援装置１０の動作を説明するためのフローチャートである。この図にあるように、設定支援装置１０は動作を開始すると、ユーザから設定問題を受け付けて取得する（ステップＳ４１）。次に対象装置より装置の設定を含む装置パラメータを取得する（ステップＳ４２）。設定問題と、前記装置パラメータと、に基づいて前記設定問題に対応した対応パラメータを、学習モデルを用いて算出する（ステップＳ４３）。最後に算出した対応パラメータを出力する（ステップＳ４４）。

［ハードウエア構成］
次に、第１の実施形態に係る設定支援装置のハードウエア構成を説明する。図５は、第１の実施形態に係る設定支援装置１０のハードウエア構成の一例を示すブロック図である。

設定支援装置１０は、情報処理装置（コンピュータ）により構成可能であり、図５に例示する構成を備える。例えば、設定支援装置１０は、それぞれ、内部バス５５により相互に接続されるＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）５１、メモリ５２、入出力インタフェース５３、及び通信手段であるＮＩＣ（Ｎｅｔｗｏｒｋ Ｉｎｔｅｒｆａｃｅ Ｃａｒｄ）５４等を備える。

但し、図５に示す構成は、設定支援装置１０を構成する装置のハードウエア構成を限定する趣旨ではない。設定支援装置１０は、それぞれ、図示しないハードウエアを含んでもよいし、必要に応じて入出力インタフェース５３を備えていなくともよい。また、設定支援装置１０に含まれるＣＰＵ等の数も図５の例示に限定する趣旨ではなく、例えば、複数のＣＰＵが各装置に含まれていてもよい。

メモリ５２は、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、補助記憶装置（ハードディスク等）である。

入出力インタフェース５３は、図示しない表示装置や入力装置のインタフェースとなる手段である。表示装置は、例えば、液晶ディスプレイ等である。入力装置は、例えば、キーボードやマウス等のユーザ操作を受付ける装置である。

設定支援装置１０の機能は、対応パラメータを算出する場合には、処理モジュールである設定問題取得プログラムと、装置パラメータ取得プログラムと、算出プログラムと、出力プログラムと、メモリ５２等に保持されている学習済みの学習モデルのパラメータ群より実現される。学習モデルの生成では、学習モデル生成プログラムと、入力する学習データと教師データとからなるデータセットにより実現される。

上記処理モジュールは、例えば、それぞれメモリ５２に格納されたプログラムをＣＰＵ５１が実行することで実現される。また、そのプログラムは、ネットワークを介してダウンロードするか、あるいは、プログラムを記憶した記憶媒体を用いて、更新することができる。上記処理モジュールは、半導体チップにより実現されてもよい。即ち、上記処理モジュールが行う機能を何らかのハードウエア、及び／又は、ソフトウエアで実行する手段があればよい。

［ハードウエアの動作：学習時］
まず、設定支援装置１０において、学習モデルの生成を行う。メモリ５２から学習モデル生成プログラムが呼び出され、ＣＰＵ５１にて実行状態となる。同プログラムは、メモリ５２に格納されている学習用のデータセットを順次読み込み、入力する学習データと、教師データとを用いて学習モデルのパラメータを調整する。パラメータの調整は既存技術のＲＳＳ（Ｒｅｓｉｄｕａｌ Ｓｕｍ ｏｆ Ｓｑｕａｒｅｓ）等の損失関数を用いてもよい。モデルがニューラルネットワークモデルであって、多階層に及ぶ場合には、誤差伝搬法などの手法を用いてもよい。

［ハードウエアの動作：算出時］
学習の完了後、設定支援装置１０において、メモリ５２から設定問題取得プログラムが呼び出され、ＣＰＵ５１にて実行状態となる。同プログラムは入出力インタフェース５３やＮＩＣ５４を介して設定問題を取得する。設定問題が音声であればここで音声認識処理が実行され、音声をテキスト化する。テキスト化された設定問題は、既存技術のプログラムを用いてベクトル化を行い、メモリ５２へ一時的に格納する。次に、装置パラメータ取得プログラムがメモリ５２から呼び出され、ＣＰＵ５１にて実行状態となる。同プログラムは、対象装置における設定パラメータである装置パラメータを取得する。具体的には、同プログラムが対象装置に対してリクエストを、ＮＩＣ５４を介して送信し、その応答としてパラメータを取得してもよい。取得したパラメータはメモリ５２に一時的に格納される。

次に算出プログラムがメモリ５２から呼び出され、ＣＰＵ５１にて実行状態となる。同プログラムは、メモリ５２に格納されている学習済みの学習モデルを読み込む。次にメモリ５２に一時的に格納されている設定問題（ベクトル）と、装置パラメータ（ベクトル）と、を入力とし、演算処理を実行する。この時入力データは、適宜標準化などの処理を施される。演算処理の結果対応パラメータ（ベクトル）が算出される。次に出力プログラムがメモリ５２から呼び出され、ＣＰＵ５１にて実行状態となる。同プログラムは、ＮＩＣ５４や、入出力インタフェース５３により対応パラメータを出力する。

［効果の説明］
上記の通り、本開示の設定支援装置１０は対象装置についてユーザの抱える設定問題を取得し、設定問題と、対象装置の装置パラメータとに基づいて、設定問題を解決するための対応パラメータを算出することが可能である。このため、ユーザが出力された対応パラメータに基づいて容易に最適な設定が可能な設定支援装置、設定支援システム、設定支援方法、及びプログラムを提供することが可能である。

［第２の実施形態］
第２の実施形態では、第１の実施形態を基本として、対応パラメータが対象装置に反映されたか否かの判断結果に基づいて、更にすでに学習済みの学習モデルを、更新することの可能な設定支援装置を提供する。

［装置の構成］
図６は本開示の設定支援装置１０の構成の一例を示すためのブロック図である。本開示の設定支援装置１０は、設定問題取得部１１と、装置パラメータ取得部１２と、算出部１３と、出力部１４と、学習モデル生成部１５と、を有する。これらの構成要件についてはすでに上記実施形態で説明済みであるので記載は省略する。本実施形態における設定支援装置１０の特徴はさらに判断部１６を有する点と、学習モデル生成部が、判断部１６の判断結果に応じて、学習モデルを更新する点である。

判断部１６は、対応パラメータが前記装置に反映されたか否かを判断する。学習モデルにより算出され、出力部１４にて出力された対応パラメータは、ユーザ操作により、設定変更が行われる。ここで、判断部１６は算出され出力された対応パラメータと、装置パラメータ取得部１２により取得された最新の装置パラメータと、を比較し、部分または全体が一致するか否かを判断する。判断の結果、一致した場合には対応パラメータが対象装置に装置パラメータに反映されたものとして、学習モデル生成部１５に対して学習モデルを更新するためのトリガを送信する。

学習モデル生成部１５は、判断部１６の判断結果に応じて、学習モデルを更新する。具体的には、例えば、判断の結果、対応パラメータが対象装置に装置パラメータとして反映されたものと判断された場合には、対応パラメータと、その対応パラメータを算出した入力データである設定問題と、装置パラメータと、に基づいて学習モデルを更新してもよい。具体的には、例えば上記設定問題と上記装置パラメータと、算出された対応パラメータを用いて、いわゆるオンライン学習を実行してもよい。ここで学習モデルの素子間の重みをＷｎ、損失関数の値をｌとし、学習率をαとすると、

としてもよい。なお、上記では対応パラメータ出力の都度オンライン学習を実行し、学習モデルを更新する例を示したが、複数回の出力をまとめて学習データセットとしてミニバッチ学習を行ってもよい。

［動作の説明］
図７は本開示の設定支援装置１０における動作を説明するためのフローチャートである。なお動作を開始して、対応パラメータを出力するまでの処理（ステップＳ７１～ステップＳ７４、図示せず。）についてはすでに図４にて説明済み（ステップＳ４１～ステップＳ４４）であるので記載は省略する。対応パラメータが出力されると、対応パラメータが装置に反映されたか否かを判断する（ステップＳ７５）。反映されたと判断された場合（ステップＳ７５、Ｙ）には、装置に反映されたと判断された対応パラメータと、その対応パラメータを算出した入力データである設定問題と、装置パラメータと、に基づいて学習モデルを更新する（ステップＳ７６）。反映されなかったと判断された場合には（ステップＳ７５、Ｎ）一連の処理を終了する。

［効果の説明］
本開示の設定支援装置１０では、出力された対応パラメータが装置パラメータに反映されたか否かに基づいて、学習モデルを更新することが可能である。これにより、設定問題に対してより最適化された学習モデルを生成することが可能であり、ユーザに対してより適切な対応パラメータを出力することが可能となる。

［第３の実施形態］
第３の実施形態では、設定装置２０と、設定支援サーバ装置３０とを含む設定支援システムについて述べる。

［処理の構成］
図８は本開示の設定支援システムの処理の概要を示す図である。この図にあるように、設定支援システムは設定装置２０と、設定支援サーバ装置３０と、からなる。なお設定対象の装置と設定装置２０は一体であってもよいし、別の装置であってもよい。設定装置２０は設定問題取得部１１と、装置パラメータ取得部１２と、出力部１４と、判断部１６と、入力データ送信部１７と、を有する。設定支援サーバ装置３０は、算出部１３と、学習モデル生成部１５と、対応パラメータ送信部１８と、を有する。本開示の設定支援システムの特徴点は、設定装置２０が入力データ送信部１７を有し、設定支援サーバ装置３０が、対応パラメータ送信部１８を有する点である。これら以外の構成要件については上記実施形態にて説明済みであるので記載は省略する。

ここで、本開示の設定支援システムでは、１台の設定支援サーバ装置３０に複数の設定装置が接続し、学習モデルをシェアする態様であってもよい。

入力データ送信部１７は、設定装置２０にて取得した設定問題と、装置パラメータと、を設定支援サーバ装置３０に向け送信する。

対応パラメータ送信部１８は設定支援サーバ装置３０にて算出された対応パラメータを設定装置２０に向け送信する。

［動作の説明］
図９は本開示の設定支援システムにおける動作を説明するためのフローチャートである。この図にあるように、設定装置２０側で設定問題を取得する（ステップＳ９１）。次に装置パラメータを取得する（ステップＳ９２）。取得した設定問題と装置パラメータとを送信する（ステップＳ９３）。その後、設定支援サーバ装置３０にて受信した設定問題と、前記装置パラメータと、に基づいて前記設定問題に対応した対応パラメータを、学習モデルを用いて算出する（ステップＳ９４）。算出された対応パラメータが送信される（ステップＳ９５）。設定装置２０側でこれを受信し、対応パラメータを出力する（ステップＳ９６）。

図１０は本開示の設定支援システムにおいて、対応パラメータを出力した後の学習モデル更新処理の動作を説明するためのフローチャートである。この図にあるように、設定装置２０において対応パラメータを出力の後、対応パラメータが装置に反映されているか否かを判断する（ステップＳ１０１７）。反映されたとの判断結果の場合（ステップＳ１０１７、Ｙ）には設定支援サーバ装置３０にて、装置に反映されたと判断された対応パラメータと、その対応パラメータを算出した入力データである設定問題と、装置パラメータと、に基づいて学習モデルを更新する（ステップＳ１０１８）。反映されていないとの判断結果の場合（ステップ１０１７、Ｎ）には一連の処理は終了する。

［効果の説明］
本開示の設定支援システムによると、設定装置２０と設定支援サーバ装置３０の両者で共働して設定問題に対応した対応パラメータの算出を行うことが可能である。設定支援サーバ装置３０において対応パラメータの算出処理を集中して行うので、小型の携帯端末のように設定装置２０の処理能力が限定されている場合においても設定装置２０が設定支援サーバ装置に問い合わせを行うことで迅速に処理が可能である。

また、設定支援サーバ装置３０には複数の設定装置２０が接続可能であり、複数の設定装置２０と設定支援サーバ装置３０とで学習モデルを生成したり、更新したりすることで、より汎用性を有する学習モデルを提供することが可能である。

［実施例］
本開示の設定支援システムの実施例を説明する。以下は設定支援システムのうち、設定装置が無線装置である場合の実施例である。

［実施例の概要］
図１１は本開示の設定支援システムの実施例の概要を示す図である。この図にあるように、ユーザが無線装置（設定装置に該当）に対して「回線が不安定」である旨の問い合わせを行っている。このとき、無線装置では装置パラメータとしてバンドステアリングがＯＦＦの状態となっている。無線装置はユーザからの問い合わせ（無線品質問題）と装置バラメータとを分析サーバに送信する。分析サーバは機械学習モデルにより分類を行い、最適な設定の結果を無線装置に返す。無線装置はユーザに対して、最適な設定としてバンドステアリングがＯＮという設定を提示する。

［実施例の構成］
図１２は、本開示の設定支援システムの実施例の構成の一例を示す図である。この図にあるように、本発明における設定支援システムの設定支援機能は主に無線装置１０１と分析サーバ２０１内の機械学習モデルにより実現される。機械学習モデルの容量によっては無線装置１０１内に組み込んでも動作可能である。

無線装置１０１内の発明に関連する機能は１０２から１０７までの６つである。自然言語入力機能１０２はユーザの無線品質問題を自然言語形式で受けつけ、分類のために分析サーバへ送信する。なお、ユーザの入力は画面を使った文字入力の場合はそのまま分析サーバ２０１へ送信し、音声入力の場合は音声波形から文字形式に変換してから文字形式で分析サーバ２０１へ送信するものとする。

装置パラメータ取得機能１０３は、無線装置のパラメータ（電波強度、帯域幅、干渉情報、装置設定など）を取得する。この取得データも、分類のために分析サーバ２０１へ送信する。

設定提示機能１０４は機械学習モデルによって分類された最適な設定の内容とそれによって解決する無線品質問題をユーザに提示する。

設定選択・補完入力機能１０５は提示した設定内容を装置に反映するかユーザに選択させ、必要に応じて少ない補完事項（パスワードなど）を入力させる。

設定反映機能１０６では受け取った補完事項をもとに分類された最適設定を反映する。

無線通信品質取得機能１０７は現在の無線通信品質（通信の安定性や遅延、パケットロスなど）と過去の通信品質ログから設定反映前の無線品質を取得する機能を持っている。そして、取得された無線通信品質は分析サーバ２０１の継続学習機能２０７に送信される。

分析サーバ２０１内の発明に関する機能は主に機械学習モデル２０２と継続学習機能２０７の２つである。

機械学習モデル２０２の内部構成は２０３から２０６の４つに分かれる。自然言語処理モジュール２０３はユーザの無線品質問題を自然言語形式で受け付け、その意味を解釈し機械が利用しやすい形式にエンコーディングする。装置パラメータエンコーディングモジュール２０４は装置パラメータを数値やベクトルなど機械が利用しやすい形にエンコーディングする（カテゴリをｏｎｅ－ｈｏｔエンコーディング、数値をスケーリングなど）。なお、装置のどのパラメータを利用するかはあらかじめ決めておかなければならない。両表現の統合モジュール２０５は自然言語処理モジュール２０３と装置パラメータエンコーディングモジュール２０４の出力を入力させ、２つの特徴を統合する。

分類モジュール２０６は両表現の統合モジュール２０５の出力を入力させて分類を実施する。また、全結合層にソフトマックス関数を適用することで多分類を行う。この分類対象の数はあらかじめ学習段階で決定しておかなければならず、これに目的変数（図１３ Ｏ１）の形式も合わせる必要がある。なお、本発明説明書で機械学習モデルの入出力と表現した場合、機械学習モデル２０２の入出力を指す。

継続学習機能２０７ではユーザの本発明の使用結果をフィードバックし継続学習に利用する。

図１３は本開示の設定支援システムにおける学習データセットを示す図である。この図にあるように、ユーザの無線品質問題Ｅ１と装置パラメータＥ２の２つを説明変数、最適な無線装置設定Ｏ１を目的変数として教師あり学習を行う。以下にそれらの構成と相関関係について記載する

ユーザの無線品質問題Ｅ１は、本発明における機械学習モデルの入力データの一部であり、ユーザが無線通信品質に関して抱える問題点や改善要求を示している。これらは自然言語形式で受け付けられ、説明変数としてモデルに入力される。この変数の役割は、モデルがユーザの具体的な品質改善要求に対応した設定を分類・提案できるようにすることである。

装置パラメータＥ２は、無線装置に関する情報（電波強度、帯域幅、装置設定など）を表す。これらのパラメータは無線装置によって取得され、機械学習モデルの入力データとして使われる。装置パラメータＥ２の役割は、モデルが無線装置の現在の状況を考慮して適切な設定を分類・提案できるようにすることである。これにより個々のユーザの環境に対応した最適設定が提示されることとなる。

最適な無線装置設定Ｏ１は、機械学習モデルの目的変数であり、ユーザの無線品質問題Ｅ１と装置パラメータＥ２に基づいて選択されるべき無線装置の最適な設定を表す。機械学習モデルはこれら説明変数から最適設定を分類・予測し、ユーザに提示する。継続学習は提示設定をユーザが反映したかどうかや設定反映による無線品質の変化も考慮して実施されるが、基本的な構成は同様である。

上記説明変数と目的変数の間には相関が存在するため、それについて説明する。
ユーザの無線品質問題Ｅ１と最適な無線装置設定Ｏ１との相関について、ユーザが抱える無線品質問題（通信速度の低下、接続の安定性の低下等）は、最適な無線装置設定の選択に直接影響する。特定の問題に対処するための設定が必要になるため、ユーザの無線品質問題Ｅ１と最適設定Ｏ１の間には相関があると考えられる。

装置パラメータＥ２と最適な無線装置設定Ｏ１との相関について、無線装置の現在の状態を反映する装置パラメータ（電波強度、帯域幅、現在の設定など）も、最適な無線装置設定の決定に影響を与える。環境に適応して適切な設定を選択する必要があるため、装置パラメータＥ２と最適設定Ｏ１の間にも相関が存在すると考えられる。

これらの相関関係により、機械学習モデルは説明変数（ユーザの無線品質問題および装置パラメータ）から、最適な無線装置設定を予測・推定することが可能となる。学習データセットが相関関係を維持している限り、モデルは正確かつ効果的な設定提案を行うことができる。

［実施例の動作の説明］
図１２、１４を用いて機能全体の流れを説明する。図１４は本開示の設定支援システムの実施例の動作を説明するためのシーケンス図である。まず、無線装置は自然言語入力機能１０２を用い、ユーザの抱える無線品質問題を取得する（ステップＳ１）。

これと同時に装置パラメータ取得機能１０３により決められた装置内の設定、状態などを取得する（ステップＳ２）。

取得が完了したら、分析サーバ２０１にそれらを送信する。その後、取得データを自然言語処理モジュール２０３と装置パラメータエンコーディングモジュール２０４に入力し、機械学習モデル２０２によって最適な設定を分類する（ステップＳ３）。分類結果は設定提示機能１０４にて利用し、対応する設定の概要説明をユーザに提示する。なお、分類結果は最適な設定を示すだけであるため、それに対する設定概要などは無線装置内、あるいは分析サーバ内にてあらかじめ用意し、設定提示機能１０４を利用して提示する必要がある。

設定提示後、設定選択・補完入力機能１０５を用いてユーザに対して設定を反映するか確認を取る（ステップＳ４）。

ユーザが提示設定の反映を選択した場合はパスワードなどの補完すべき事項を入力させて設定反映機能１０６を用いて設定を行う（ステップＳ５）。

最後に設定反映前後の無線通信品質と提示設定を反映したかどうかをフィードバックとして分析サーバ２０１に送信する（ステップＳ６）。過去の通信品質については過去ログ等に記録し、設定反映後の無線通信品質を取得できるようにする。このようにしてユーザの無線品質問題と装置パラメータからユーザへ適切な設定を提示する。

次に継続学習について図１５を用いて説明する。図１５は本開示の設定支援システムの実施例の継続学習時の動作を説明するためのフローチャートである。継続学習は何らかの機能で新しく得たデータを再び学習し、精度を維持または向上させていく仕組みである。本発明では、ユーザが提示された最適設定を無線装置に反映した場合、その結果を含む学習データセットが継続学習に利用される（ステップＳ１５０１）。

次に無線通信品質取得機能１０７で取得した値を元に、無線通信品質の改善結果を改善値として０～１の値で算出する。これは無線通信品質を表す要素（遅延、パケットロスなど）ごとに算出する（ステップＳ１５０２）。なお、改善値が負の場合０とし、改善値の算出は各無線品質を表す要素に合わせて決めることとする。例えば、遅延を表す要素ｐｉｎｇ［ｍｓ］が１００から９０に下がった場合と３０から２０に下がった場合では後者の改善値を高くするなど、要素の特性に合わせて改善値を算出する。

次に、算出した複数の改善値（遅延とパケットロスのみの場合２つ）の平均を算出し、このスコアを継続学習時に対応する学習データセットの重みとして用いることとする（ステップＳ１５０３）。これにより、機械学習モデルが無線通信品質に大きな影響を与える要素により重点を置いて学習することが可能となる。

そして、最終的にユーザの無線品質問題、装置パラメータを説明変数、提示した最適設定を目的変数、算出した重みを継続学習に利用する（ステップＳ１５０４）。具体例を提示する。ユーザ入力が「無線が不安定」、出力が「バンドステアリング」と「通信モードの変更（ＩＥＥＥ８０２．１１ａｘ設定をＯＮなど）」の２種類で値がそれぞれ０．５５，０．４５であり、これによりバンドステアリング機能を提示してそれが反映された場合を考える。重み０．１で学習実施後、出力が０．６，０．４になったとすると、重み０．４の場合は出力が０．７，０．３のようにより「バンドステアリング機能」を提示する確率が高くなる。

［効果の説明］
本開示の実施例における設定支援システムでは、無線品質問題についての入力から機械学習モデルによる設定の提示することにより、無線知識のないユーザへ適切な設定を提示できる。また、機械学習の予測に装置のパラメータを利用することでユーザ個別の問題に対応することも可能である。

［他の実施例１］
本発明は無線装置で得た結果を分析サーバで利用する形であるが、機械学習モデル全体の容量によっては無線装置のみで完結（図１６）、あるいは学習のみ別環境で実施する選択（図１７）もとることができる。

無線装置のみで完結させる場合は、図１６のように分析サーバを利用せず機械学習モデルや継続学習を無線装置内に組み込む。この場合、自然言語モジュールの性能を下げることや分類対象となる設定数を少なくし、機械学習モデル全体の内部パラメータの数が少ない構成にする必要がある。さらに学習実施の際にはより大きな計算資源が必要となるため、利用されていない時間帯に他の機能をＯＦＦにして学習を実施したり、そもそも計算処理機能の高い無線装置を用意したりする必要がある。また、学習データも不足するため継続学習による精度向上を受けづらい。

無線装置内で分類し、学習を別環境で行う場合は、図１７のように機械学習モデルを無線装置に組み込み、継続学習機能は分析サーバ上で利用する。この場合、上記ほどではないが容量と計算資源に注意する必要がある。また、継続学習後の機械学習モデル２０２の更新はファームウエアアップデートに組み込む形で更新することができる。

［他の実施例２］
本発明ではユーザの無線品質問題の入力を受けた際にそれに応じた設定を提示する。もし、その入力が無線品質と全く関係ない自然言語であった場合に適切に対応できるような仕組みを他の実施例２として説明する。

ユーザが無線品質問題とは関係のない内容の自然言語入力を行った場合でも、機械学習モデルが適切に対応できるように学習データセットを構成する。具体的には、学習データセットに、無線品質に関連しない内容の自然言語入力（例えば、天気に関する情報や一般的な会話）とその場合の分類結果として「適切な設定なし」を追加する。このようなデータを学習データセットに含めることで、機械学習モデルは無線品質問題に関連性のない入力に対しても適切に対応し、「適切な設定なし」と判断する能力を獲得する。その結果、ユーザが関連のない内容を入力した場合にモデルは設定提案を行わず、無関係な設定変更を防ぐことができる。

「適切な設定なし」と「無線品質問題」の相関関係について説明する。「適切な設定なし」と「無線品質問題」の間には、ある種の相関関係が存在すると言える。ただし、この相関関係は、両者が直接的に互いに影響を及ぼす関係ではなく、逆の関係性を示している。具体的には、「適切な設定なし」という分類結果は、無線品質問題と関係のない自然言語入力に対して適用されることを意味している。つまり、「適切な設定なし」が選択される場合、無線品質問題の存在が低い、あるいは全く関連性がないことを示している。そのため、「適切な設定なし」と無線品質問題の存在は、互いに反対の関係性を持つことになる。

上記開示の一部又は全部は、以下のようにも記載され得るが、以下には限られない。
［付記１］
上述の第一の視点に係る設定支援装置のとおりである。
［付記２］
設定問題と、装置パラメータと、を入力データとし、前記設定問題、及び前記装置パラメータに対応した対応パラメータを教師データとした学習データにより学習した学習モデルを生成する学習モデル生成部をさらに有し、前記算出部は、前記学習モデルを用いて前記対応パラメータを算出する、好ましくは付記１の設定支援装置。
［付記３］
前記設定問題取得部は、自然言語による設定問題を取得する、好ましくは付記１又は２の設定支援装置。
［付記４］
前記設定問題取得部は、前記自然言語による設定問題をベクトル化し、前記学習モデル生成部は、前記設定問題がベクトル化された設定問題である、好ましくは付記２に従属する付記３の設定支援装置。
［付記５］
前記対応パラメータが前記装置に反映されたか否かを判断する判断部、をさらに有し、前記学習モデル生成部は、前記判断部の判断結果に応じて、学習モデルを更新する、好ましくは付記２の設定支援装置。
［付記６］
前記学習モデル生成部は、前記装置に反映されたと判断された対応パラメータと、その対応パラメータを算出した入力データである設定問題と、装置パラメータと、に基づいて学習モデルを更新する、好ましくは付記５の設定支援装置。
［付記７］
上述の第二の視点に係る設定支援システムのとおりである。
［付記８］
前記設定支援サーバ装置は、設定問題と、装置パラメータと、を入力データとし、前記設定問題に対応した対応パラメータを教師データとした学習データにより学習した学習モデルを生成する学習モデル生成部をさらに有し、前記算出部は、前記学習モデルを用いて前記対応パラメータを算出する、付記７の設定支援システム。
［付記９］
上述の第三の視点に係る設定支援方法のとおりである。
［付記１０］
上述の第四の視点に係るプログラムのとおりである。
［付記１１］
前記学習モデル算出部は、さらに装置パラメータおよび対応パラメータと関連しない設定問題を入力データとし、適切な設定がない旨の出力を教師データとした学習データにより学習した学習モデルを生成する、付記３の設定支援装置。
なお、付記９及び１０は、付記１と同様に、付記２～付記６に展開することが可能である。

引用した上記の特許文献等の各開示は、本書に引用をもって繰り込むものとする。本発明の全開示（請求の範囲を含む）の枠内において、更にその基本的技術思想に基づいて、実施形態ないし実施例の変更・調整が可能である。また、本発明の全開示の枠内において種々の開示要素（各請求項の各要素、各実施形態ないし実施例の各要素、各図面の各要素等を含む）の多様な組み合わせ、ないし、選択が可能である。すなわち、本発明は、請求の範囲を含む全開示、技術的思想に従って当業者であればなし得るであろう各種変形、修正を含むことは勿論である。特に、本書に記載した数値範囲については、当該範囲内に含まれる任意の数値ないし小範囲が、別段の記載のない場合でも具体的に記載されているものと解釈されるべきである。

１ ：ユーザ
２ ：対象装置
３－５ ：モデル、学習モデル
１０ ：設定支援装置
１１ ：設定問題取得部
１２ ：装置パラメータ取得部
１３ ：算出部
１４ ：出力部
１５ ：学習モデル生成部
１６ ：判断部
１７ ：入力データ送信部
１８ ：対応パラメータ送信部
２０ ：設定装置
３０ ：設定支援サーバ装置
５１ ：ＣＰＵ
５２ ：メモリ
５３ ：入出力インタフェース
５４ ：ＮＩＣ
５５ ：内部バス
１０１ ：無線装置
１０２ ：自然言語入力機能
１０３ ：装置パラメータ取得機能
１０４ ：設定提示機能
１０５ ：設定選択・補完入力機能
１０６ ：設定反映機能
１０７ ：無線通信品質取得機能
２０１ ：分析サーバ
２０２ ：機械学習モデル
２０３ ：自然言語処理モジュール
２０４ ：装置パラメータエンコーディングモジュール
２０５ ：両表現の統合モジュール
２０６ ：分類モジュール
２０７ ：継続学習機能
Ｅ１ ：無線品質問題
Ｅ２ ：装置パラメータ
Ｏ１ ：無線装置設定

Claims (10)

1. ユーザ側にて不都合である事象を指す、通信装置の設定に関する問題である設定問題を取得する設定問題取得部と、
   前記通信装置の設定を含む装置パラメータを取得する装置パラメータ取得部と、
   前記設定問題と、前記装置パラメータと、に基づいて前記設定問題に対応した対応パラメータを、学習モデルを用いて算出する、算出部と、
   前記対応パラメータを出力する出力部と、
   を有する設定支援装置。
2. 前記設定問題と、装置パラメータと、を入力データとし、前記設定問題、及び前記装置パラメータに対応した対応パラメータを教師データとした学習データにより学習した学習モデルを生成する学習モデル生成部をさらに有し、
   前記算出部は、前記学習モデルを用いて前記対応パラメータを算出する、
   請求項１の設定支援装置。
3. 前記設定問題取得部は、自然言語による前記設定問題を取得する、請求項１または２の設定支援装置。
4. 前記設定問題取得部は、自然言語による前記設定問題を取得し、
   前記設定問題取得部は、前記自然言語による前記設定問題をベクトル化し、
   前記学習モデル生成部は、前記設定問題がベクトル化された設定問題である、
   請求項２の設定支援装置。
5. 前記対応パラメータが前記通信装置に反映されたか否かを判断する判断部、をさらに有し、
   前記学習モデル生成部は、前記判断部の判断結果に応じて、学習モデルを更新する、
   請求項２の設定支援装置。
6. 前記学習モデル生成部は、前記通信装置に反映されたと判断された対応パラメータと、その対応パラメータを算出した入力データである前記設定問題と、装置パラメータと、に基づいて学習モデルを更新する、
   請求項５の設定支援装置。
7. 設定装置と設定支援サーバ装置とを含む設定支援システムであって、
   前記設定装置は、
   ユーザ側にて不都合である事象を指す、通信装置の設定に関する問題である設定問題を取得する設定問題取得部と、
   前記設定装置の設定を含む装置パラメータを取得する装置パラメータ取得部と、
   前記設定問題と、前記装置パラメータと、を送信する入力データ送信部と、
   を有し、
   前記設定支援サーバ装置は、
   前記設定問題と、前記装置パラメータと、に基づいて前記設定問題に対応した対応パラメータを、学習モデルを用いて算出する、算出部と、
   前記対応パラメータを送信する対応パラメータ送信部と、
   前記設定装置はさらに、
   前記対応パラメータを出力する出力部、
   を有する、設定支援システム。
8. 前記設定支援サーバ装置は、
   前記設定問題と、装置パラメータと、を入力データとし、前記設定問題に対応した対応パラメータを教師データとした学習データにより学習した学習モデルを生成する学習モデル生成部をさらに有し、
   前記算出部は、前記学習モデルを用いて前記対応パラメータを算出する、
   請求項７の設定支援システム。
9. 以下の各ステップをコンピュータにより実行する設定支援方法であって、
   ユーザ側にて不都合である事象を指す、通信装置の設定に関する問題である設定問題を取得するステップと、
   前記通信装置の設定を含む装置パラメータを取得するステップと、
   前記設定問題と、前記装置パラメータと、に基づいて前記設定問題に対応した対応パラメータを、学習モデルを用いて算出するステップと、
   前記対応パラメータを出力するステップと、
   を有する設定支援方法。
10. ユーザ側にて不都合である事象を指す、通信装置の設定に関する問題である設定問題を取得する処理と、
    前記通信装置の設定を含む装置パラメータを取得する処理と、
    前記設定問題と、前記装置パラメータと、に基づいて前記設定問題に対応した対応パラメータを、学習モデルを用いて算出する処理と、
    前記対応パラメータを出力する処理と、
    をコンピュータに実行させるためのプログラム。