参数调整装置、推论装置、参数调整方法以及参数调整程序与流程

1.本发明涉及参数调整装置、推论装置、参数调整方法以及参数调整程序。


背景技术：

2.以往，在生产线等制造产品的场景中，利用了通过传感器观测所制造的产品并基于得到的观测数据来检查产品的优劣的技术。例如，在专利文献1中提出了如下检查装置：基于学习完毕的第一神经网络来判定图像中映现的检查对象物是正常还是异常，在判定为检查对象物异常的情况下，基于学习完毕的第二神经网络对该异常的种类进行分类。
3.如果利用神经网络等机器学习模型，则通过实施使用学习数据的机器学习，能够生成获得完成所希望的推论任务的能力的推论模型。因此，通过将被确定了优劣的产品的图像数据用作学习数据来实施机器学习，能够生成能用于产品的检查的推论模型(例如，上述专利文献1)。需要说明的是，这种生成推论模型的方法并不限于基于机器学习的方法。例如，即便是基于人工的规则化等机器学习之外的方法，也能够基于学习数据生成获得完成规定的推论任务的能力的推论模型。
4.现有技术文献
5.专利文献
6.专利文献1：特开2012-026982号公报
7.非专利文献
8.非专利文献1：“非集中学习技术
‘
decentralized x
’”
、[online]、[令和2年3月11日检索]、互联网＜url：https：//www.omron.co.jp/technology/information/brand/dcx/index.html＞


技术实现要素：

[0009]
发明要解决的技术问题
[0010]
本发明的发明人发现了现有的基于推论模型的产品的检查方法有下面这样的问题。例如，设想为生产线、工厂、传感器的型号、拍摄装置相对于产品的配置、拍摄角度、照明条件、干扰光条件、背景图案等产品的观测条件在获取学习数据的环境(以下记载为“学习环境”)与进行产品的检查的环境(以下记载为“检查环境”)之间不同。在这种情况下，由于学习环境与检查环境之间的观测条件的差异，所得到的观测数据所表现的产品的状态不同，因此在学习环境中生成的推论模型有可能在检查环境中无法适当发挥检查产品的能力。即，由于学习环境与检查环境之间的观测条件的差异，基于推论模型的检查精度有可能会下降。
[0011]
解决该问题的最简单的方法之一是，按每一不同的观测条件生成新的推论模型。也就是说，用与对象的检查环境相同或相似的观测条件收集新的学习数据，基于所得到的学习数据生成新的推论模型。在推论模型由机器学习模型构成的情况下，生成新的推论模型可以包含实施追加学习。根据新生成的推论模型，在对象的检查环境中能够适当完成产
品的检查。然而，按每一不同的观测条件生成新的推论模型的成本极高。
[0012]
因此，考虑在已存在分别在不同的学习环境中生成的多个推论模型的情况下，不生成新的推论模型，而通过将该多个现有的推论模型灵活应用于新环境中的产品的检查来实现成本的降低。即，对各推论模型的推论结果进行加权，将加权后的各推论模型的推论结果整合(也就是说，在总体(ensemble)上使用多个推论模型)，以适合于新的观测条件下的产品的检查。在各推论模型具备用于共用运算的运算参数的情况下，将各推论模型的推论结果整合可以由将各推论模型的运算参数的值整合构成(例如，非专利文献1)。针对各推论模型的权重可以被适当决定，以适合于新的观测条件下的产品的检查。与新生成推论模型相比较，针对各推论模型的权重(总体的参数)的数量较少，调整该权重的工时较少。因此，根据该方法，由于能够省略生成新的推论模型的工时，因此既能够确保检查精度，又能够抑制用于适应新环境的成本。
[0013]
然而，例如基于检查对象的产品被变更、对检测对象追加新的缺陷等各种情况，有时通过变更与检查相关的前提或条件来设定与原本的推论任务不同的别的推论任务。在设想了这样设定多个不同的推论任务的状况的情况下，即使按每一不同的推论任务预先提供了不同的多个推论模型，预想按每一推论任务调整针对各推论模型的权重的作业也会花费工时，成本依然会高。
[0014]
需要说明的是，上述向新环境的应用不过是将多个推论模型的推论结果整合的理由的一例。上述问题可能产生于将多个推论模型的推论结果以任意理由整合的所有场景。例如，利用多个推论模型的推论结果来解决高阶的推论任务是整合多个推论模型的推论结果的理由的另一例。在上述缺陷检查中，作为解决高阶的推论任务的具体例之一，可列举将检测不同种类的缺陷的多个推论模型的推论结果整合来检查产品是否产生了缺陷。
[0015]
例如，按伤痕、凹陷、异物混入等产品缺陷的每一种类来生成检测该缺陷的推论模型。通过将生成的多个推论模型的推论结果整合，能够检查产品是否产生了缺陷。然而，例如基于作为缺陷检测的对象的产品被变更、在别的生产线(或工厂)实施缺陷检测等各种情况，有时通过变更与检查相关的前提或条件来设定与原本的推论任务不同的别的推论任务。这种情况下，如上所述，预想按每一推论任务来调整针对各推论模型的权重的作业会花费工时，成本依然会高。
[0016]
另外，对产品进行外观检查的上述事例不过是利用多个推论模型来解决推论任务的事例的一例。上述问题在任意的事例中可能产生于利用多个推论模型来解决推论任务的所有场景。除了对产品进行外观检查的上述事例之外，作为利用多个推论模型来解决推论任务的事例的一例，例如能够列举基于与气象关联的观测数据来推论与气象相关的现象或者受到气象的影响的现象的事例、基于与人流或者对该人流带来影响的现象关联的观测数据来推论与人流相关的现象或者受到人流的影响的现象的事例、基于与对象者的状态关联的观测数据来推论与对象者的状态相关的现象的事例等。在这些事例中，也是在设想了设定多个不同的推论任务的状况的情况下，预想按每一推论任务调整针对各推论模型的权重的作业会花费工时，成本依然会高。
[0017]
本发明的一方面是鉴于这种实际情况而提出的，其目的在于提供在设定多个不同的推论任务的状况下用于降低为了解决对象的推论任务而导入多个推论模型时的成本的技术。
[0018]
用于解决问题的方案
[0019]
本发明为了解决上述的问题而采用以下的构成。
[0020]
即，本发明的一方面所涉及的参数调整装置具备信息获取部、关联度算出部以及权重决定部。信息获取部获取与多个现有推论任务相关的现有任务信息。基于从多个不同的传感器组分别得到的现有学习数据生成有多个现有推论模型，使得所述多个现有推论模型分别构成为按每一所述现有推论任务完成与所述现有推论任务关联的现有关联任务，所述各现有推论任务是通过将所述各现有推论模型的推论结果整合而被解决的。所述现有任务信息示出多个现有权重组，所述多个现有权重组分别由在将所述各现有推论模型的所述推论结果整合时用于规定所述各现有推论模型的推论结果的优先度的多个现有权重中的、被决定为适合于所述各现有推论任务的多个现有权重分别构成。关联度算出部基于对象推论任务和所述各现有推论任务的目标的相似性，算出对象推论任务与所述各现有推论任务之间的关联度。权重决定部基于算出的关联度，根据由所述现有任务信息示出的所述多个现有权重组各自的多个现有权重，决定构成对象权重组的多个对象的权重。多个对象推论模型分别是基于从所述多个不同的传感器组各自得到的对象学习数据生成的，以构成为完成与所述对象推论任务关联的对象关联任务，所述对象推论任务是通过将所述各对象推论模型的推论结果整合而被解决的。所述对象权重组的已被决定的所述各对象的权重是为了在将所述各对象推论模型的所述推论结果整合时规定对应的对象推论模型的推论结果的优先度而使用的。
[0021]
例如，在上述外观检查的事例中，设想通过更换检查对象的产品来变更推论任务的场景。在该场景中，在原本的产品与新的产品相似(即，与各推论任务关联的对象物相互相似)的情况下，与观测数据中出现的产品相关的要素相互相似，因此用于解决根据观测数据检测缺陷的任务的运算处理的内容也相似。与观测数据中出现的产品相关的要素是指，例如产品的表现方法、缺陷的出现频率、缺陷的表现方法等。因此，在原本的推论任务中得到了用于优先度高的推论模型的生成的学习数据的环境中，对于新的推论任务也得到生成优先度高的推论模型的学习数据的可能性高。换言之，在得到了对于原本的推论任务有益的学习数据的环境中，得到对于新的推论任务也有益的学习数据的可能性高。因此，根据在该环境中得到的学习数据生成的新的推论模型的优先度在新的推论任务中也可能变高。
[0022]
据此，在这种情况下，为了解决新的推论任务而分别对多个新的推论模型设定的权重被推测为与为了解决原本的推论任务而分别对多个现有的推论模型设定的权重相似(在一些情况下，能够将原本的推论任务的权重组原样用于新的推论任务)的可能性高。换言之，用于现有的推论任务的权重组被推测为在新的推论任务中也能够灵活应用(也就是说，能以与现有权重相同或近似的权重适当完成新的推论任务)的可能性高。反之，在原本的产品与新的产品不相似的情况下，在得到对于原本的推论任务有益的学习数据的环境中是否能得到对于新的推论任务有益的学习数据是不明确的。因此，针对新的推论模型设定的权重被推测为与针对现有的推论模型设定的权重相似的可能性低。
[0023]
新的推论任务与现有的推论任务之间设定的权重的上述关系被推测为在检测不同种类的缺陷的场景、应用于不同的生产线或工厂的场景等其他场景中也同样成立。另外，这种权重的关系被推测为在解决与上述气象相关的推论任务等其他事例中也同样成立。作为一例，预先生成分别预测某地方的多个观测地点各自的天气的多个推论模型，为了预测
该地方的综合性天气，假定在多个推论模型各者中存在决定了权重的履历的情形。在这种情形中，在将预测湿度、日照时间、太阳能发电量等与天气的关联度高的现象的任务设定为新的推论任务的情况下，用于该天气的预测的权重组被推测为在新的推论任务中也能够灵活应用的可能性高。反之，在将预测与天气没有关系的现象的任务设定为新的推论任务的情况下，用于天气的预测的权重组被推测为在新的推论任务中能够灵活应用的可能性低。
[0024]
也就是说，在新的推论任务与现有的推论任务之间的目标相似且它们之间的关联度高的情况下，在现有的推论任务中使用的权重组被推测为在新的推论任务中也能够灵活应用的可能性高。反之，在新的推论任务与现有的推论任务之间的目标不相似且它们之间的关联性低的情况下，在现有的推论任务中使用的权重组被推测为在新的推论任务中能够灵活应用的可能性低。
[0025]
在该构成中，基于这种技术观点，通过灵活应用在多个现有推论任务各者中使用的权重组的履历信息，来实现决定在新的推论任务中使用的多个权重的作业的自动化。即，基于多个现有推论任务各者与对象推论任务(新的推论任务)之间的目标的相似性，算出它们之间的关联度。然后，基于算出的关联度，根据在多个现有推论任务各者中使用的权重组来决定在对象推论任务中使用的权重组。由此，能够将针对为了解决对象推论任务而使用的各推论模型决定权重的作业的至少一部分自动化，因此能够实现该作业的成本的降低。因而，根据该构成，在设定多个不同的推论任务的状况中，能够降低为了解决对象的推论任务而导入多个推论模型时的成本。
[0026]
也可以是，上述一方面所涉及的参数调整装置还具备输出部，所述输出部对使用所述多个对象推论模型的推论装置输出示出由已被决定的所述多个对象的权重构成的所述对象权重组的权重信息。根据该构成，通过具备输出部，能够降低将用于对象推论任务的完成的对象权重组应用于推论装置的工时。
[0027]
也可以是，在上述一方面所涉及的参数调整装置中，所述关联度是基于所述各现有推论任务关联的场所和与所述对象推论任务关联的场所之间的距离而算出的。即，对象推论任务和各现有推论任务的目标的相似性可以基于与它们关联的场所之间的距离来算出(或者评价)。例如，设想使用根据在多个不同的学习地点分别得到的观测数据分别预测车辆、人物等的交通量(人流)的多个推论模型，来解决预测独立于多个不同的学习地点的多个不同的推论地点各自的交通量的推论任务的场景。在该场景中，推测推论地点间的距离越近，各推论地点的交通量的趋势越相似，推论地点间的距离越远，各推论地点的交通量的趋势越不相似。也就是说，如上述技术观点所示，推测为了预测现有的推论地点的交通量而在各现有推论模型中设定的权重能够作为为了预测离现有的推论地点距离上近的对象的推论地点的交通量而在各对象推论模型中设定的权重灵活应用的可能性高。因而，根据该构成，在解决这种可能依赖于观测地点的推论任务的情形中，能够适当算出对象推论任务与各现有推论任务之间的关联度，由此，能够实现决定适合于对象推论任务的对象权重组的作业的自动化。需要说明的是，例如，即便是气象预测等可能依赖于观测地点的其他推论任务，也推测为同样的趋势成立。因此，基于这种与各者关联的场所间的距离来评价目标的相似性的方法不限于上述的事例，还可以应用于可能依赖于观测地点的其他推论任务。
[0028]
也可以是，在上述一方面所涉及的参数调整装置中，所述关联度是基于通过语言处理测定的、分别示出所述各现有推论任务和所述对象推论任务的术语间的含义的相似度
而算出。即，对象推论任务和各现有推论任务的目标的相似性可以基于示出它们的术语间的含义的相似性来算出(或者评价)。例如，有时基于上述外观检查的情形中的检查对象的产品名、缺陷的种类、生产线或者工厂的识别信息、上述气象系统推论任务的情形中的预测对象的现象名等，推论任务的目标被语言化。在这种情况下，能够根据术语间的含义的相似性直接评价上述外观检查的情形中的产品的相似性、上述气象系统推论任务的情形中的预测现象的相似性等推论任务的目标的相似性。因而，根据该构成，在这种推论任务的目标被语言化的情形中，能够适当算出对象推论任务与各现有推论任务之间的关联度，由此，能够实现决定适合于对象推论任务的对象权重组的作业的自动化。
[0029]
也可以是，在上述一方面所涉及的参数调整装置中，所述关联度基于和所述各现有推论任务和所述对象推论任务分别关联的对象物间的相似度而算出。即，对象推论任务和各现有推论任务的目标的相似性可以基于与各者关联的对象物间的相似性算出(或者评价)。与推论任务关联的对象物例如是上述外观检查的事例中的检查对象的产品、检测对象的缺陷等。如上所述，如果在现有推论任务与对象推论任务之间对象物相似，则现有权重组能够作为对象权重组灵活应用的可能性高。因而，根据该构成，能够基于与推论任务关联的对象物的相似度，适当算出对象推论任务与各现有推论任务之间的关联度，由此，能够实现决定适合于对象推论任务的对象权重组的作业的自动化。
[0030]
也可以是，在上述一方面所涉及的参数调整装置中，所述关联度基于分别完成所述各现有推论任务和所述对象推论任务的环境间的相似度而算出。即，对象推论任务和各现有推论任务的目标的相似性可以基于完成各者的环境间的相似度算出(或者评价)。例如，在上述外观检查的事例中，设想在现有的现场与对象的现场之间，针对产品的传感器的配置、传感器的角度、照明条件等观测条件相似。在这种情况下，由于与所得到的观测数据中出现的产品相关的要素相似，因此推测为在现有的现场决定的权重组在对象的现场也能够灵活应用的可能性高。也就是说，如果在现有推论任务与对象推论任务之间环境相似，则推测为用于现有推论任务的现有权重组能够作为在对象推论任务中使用的对象权重组灵活应用的可能性高。根据该构成，能够基于这种观点适当算出对象推论任务与各现有推论任务之间的关联度，由此，能够实现决定适合于对象推论任务的对象权重组的作业的自动化。需要说明的是，各环境可以通过独立于各传感器组的传感器来测定。
[0031]
也可以是，在上述一方面所涉及的参数调整装置中，将所述各对象推论模型的所述推论结果整合是由根据所述多个对象的权重进行所述多个对象推论模型的推论结果的加权多数表决构成的。根据该构成，在各对象推论模型的推论是识别(分类)的情况下，能够将各对象推论模型的推论结果适当整合，由此，能够推导出解决了对象推论任务的结果。需要说明的是，关于各现有推论任务也同样。即，将所述各现有推论模型的所述推论结果整合可以由根据所述多个现有权重进行所述多个现有推论模型的推论结果的加权多数表决来构成。
[0032]
也可以是，在上述一方面所涉及的参数调整装置中，所述各对象推论模型的所述推论结果由数值构成。与此相应地，将所述各对象推论模型的所述推论结果整合可以由根据所述多个对象的权重对所述多个对象推论模型的推论结果进行加权、以及算出加权后的各推论结果的平均或合计构成。根据该构成，在各对象推论模型的推论是回归的情况下，能够将各对象推论模型的推论结果适当整合，由此，能够推导出解决了对象推论任务的结果。
需要说明的是，关于各现有推论任务也是同样的。即，所述各现有推论模型的所述推论结果可以由数值构成。与此相应地，将所述各现有推论模型的所述推论结果整合可以由根据所述多个现有权重对所述多个现有推论模型的推论结果进行加权、以及算出加权后的各推论结果的平均或合计构成。
[0033]
也可以是，在上述一方面所涉及的参数调整装置中，所述各对象推论模型具备用于所述对象关联任务的共用运算的1个以上的运算参数。与此相应地，将所述各对象推论模型的所述推论结果整合可以由根据所述各对象的权重对所述各对象推论模型的所述1个以上的运算参数的值进行加权，算出所述各对象推论模型的加权后的所述1个以上的运算参数的值的平均或合计构成。各对象推论模型例如有时由神经网络、回归模型(例如线性函数)、决策树等具备运算参数的函数式构成。特别是，在通过机器学习生成对象推论模型的情况下，各对象推论模型由函数式构成。在对象推论模型由神经网络构成的情况下，各神经元间的结合的权重和各神经元的阈值是运算参数的一例。另外，在对象推论模型由回归模型构成的情况下，系数和常量项是运算参数的一例。这种情况下，有时通过将各对象推论模型的结构至少部分地(在一些情况下为整体)共用化而以具备用于任务的共用运算的1个以上的运算参数的方式构成各对象推论模型。根据该构成，在这样各对象推论模型具备用于共用运算的运算参数的情况下，能够经由各对象推论模型的整合将推论结果适当整合，由此，能够推导出解决了对象推论任务的结果。需要说明的是，关于各现有推论任务也是同样的。即，所述各现有推论模型可以具备用于所述现有关联任务的共用运算的1个以上的运算参数。与此相应地，将所述各现有推论模型的所述推论结果整合可以由根据所述各现有权重，对所述各现有推论模型的所述1个以上的运算参数的值进行加权，算出所述各现有推论模型的加权后的所述1个以上的运算参数的值的平均或合计构成。
[0034]
也可以是，上述各方式所涉及的参数调整装置以任意理由和任意事例应用于将多个推论模型的推论结果整合的所有场景。各推论任务可以是例如推论产品的优劣、推论与气象相关的现象或者受到气象的影响的现象、推论对与人流相关的现象或者对人流带来影响的现象、推论与对象者的状态相关的现象等。用于各推论任务的数据的种类和获取方法可以与各事例相应地适当选择。
[0035]
另外，本发明的方式也可以不限于上述参数调整装置的方式。本发明的一方面也可以是构成为使用由上述参数调整装置决定的现有权重组来完成对象推论任务的推论装置。需要说明的是，推论装置也可以与对象推论任务的种类相应地改称为检查装置、识别装置、监视装置、预测装置等。
[0036]
例如，本发明的一方面所涉及的推论装置具备：数据获取部，获取对象数据；推论部，使用所述多个对象推论模型和由上述一方面所涉及的参数调整装置决定的所述对象权重组的所述多个对象的权重，解决针对获取到的所述对象数据的所述对象推论任务；以及输出部，输出与解决了所述对象推论任务的结果相关的信息。
[0037]
另外，作为上述各方式所涉及的参数调整装置和推论装置各自的别的样态，本发明的一方面可以是实现以上的各构成的全部或其一部分的信息处理方法，也可以是程序，也可以是存储有这种程序的、计算机和其他装置、机器等可读取的存储介质。在此，计算机等可读取的存储介质是指通过电的、磁的、光学的、机器的、或者化学的作用存储程序等信息的介质。另外，本发明的一方面也可以是由上述任意方式所涉及的参数调整装置和推论
装置构成的推论系统。
[0038]
例如，本发明的一方面所涉及的参数调整方法是计算机执行如下步骤的信息处理方法：获取与多个现有推论任务相关的现有任务信息的步骤；与对象推论任务和各现有推论任务的目标的相似性相应地，算出对象推论任务与各现有推论任务之间的关联度的步骤；与算出的关联度相应地，根据由现有任务信息示出的多个现有权重组各自的多个现有权重来决定构成对象权重组的多个对象的权重的步骤。
[0039]
另外例如，本发明的一方面所涉及的参数调整程序是用于使计算机执行如下步骤的程序：获取与多个现有推论任务相关的现有任务信息的步骤；与对象推论任务和各现有推论任务的目标的相似性相应地，算出对象推论任务与各现有推论任务之间的关联度的步骤；与算出的关联度相应地，根据由现有任务信息示出的多个现有权重组各自的多个现有权重来决定构成对象权重组的多个对象的权重的步骤。
[0040]
发明效果
[0041]
根据本发明，在设定多个不同的推论任务的状况中，能够降低为了解决对象的推论任务而导入多个推论模型时的成本。
附图说明
[0042]
图1示意性地例示应用本发明的场景的一例。
[0043]
图2示意性地例示实施方式所涉及的参数调整装置的硬件构成的一例。
[0044]
图3示意性地例示实施方式所涉及的模型生成装置的硬件构成的一例。
[0045]
图4示意性地例示实施方式所涉及的推论装置的硬件构成的一例。
[0046]
图5示意性地例示实施方式所涉及的参数调整装置的软件构成的一例。
[0047]
图6示意性地例示实施方式所涉及的模型生成装置的软件构成的一例。
[0048]
图7示意性地例示实施方式所涉及的推论装置的软件构成的一例。
[0049]
图8示出实施方式所涉及的模型生成装置的处理顺序的一例。
[0050]
图9示出实施方式所涉及的参数调整装置的处理顺序的一例。
[0051]
图10示出实施方式所涉及的现有任务信息的构成的一例。
[0052]
图11a示意性地例示实施方式所涉及的整合方法的一例。
[0053]
图11b示意性地例示实施方式所涉及的整合方法的一例。
[0054]
图12示出实施方式所涉及的推论装置的处理顺序的一例。
[0055]
图13示意性地例示应用本发明的其他场景的一例。
[0056]
图14示意性地例示应用本发明的其他场景的一例。
[0057]
图15示意性地例示应用本发明的其他场景的一例。
[0058]
图16示意性地例示应用本发明的其他场景的一例。
具体实施方式
[0059]
以下，基于附图说明本发明的一方面所涉及的实施方式(以下，也表述为“本实施方式”)。不过，以下说明的本实施方式在所有方面不过是本发明的例示。当然能够不脱离本发明的范围地进行各种改进或变形。也就是说，当实施本发明时，可以适当采用与实施方式相应的具体的构成。需要说明的是，利用自然语言对在本实施方式中出现的数据进行了说
明，但更具体地说，用计算机可识别的模拟语言、指令、参数、机器语言等来指定。
[0060]
§
1应用例
[0061]
图1示意性地例示应用本发明的场景的一例。本实施方式所涉及的推论系统100具备参数调整装置1、模型生成装置2以及推论装置3。
[0062]
在本实施方式中，设想以分别具有不同目标的多个推论任务已存在为前提，例如由于变更已存在的推论任务的内容、产生具有新的目标的推论任务的需求等任意情况所以提供新的推论任务的场景。已存在的各推论任务是现有推论任务的一例，新的推论任务是对象推论任务的一例。另外，为了解决各现有推论任务，按每一现有推论任务生成有多个现有推论模型50，各现有推论任务通过多个现有推论模型50的推论结果的整合而被解决。当解决各现有推论任务时(即，当将各现有推论模型50的推论结果整合时)，使用现有权重组60。现有权重组60由用于分别规定各现有推论模型50的推论结果的优先度的多个现有权重构成。该现有权重组60是按每一现有推论任务准备的。也就是说，存在生成了多个现有权重组60的实绩。而且，为了解决对象推论任务，准备多个对象推论模型55。与各现有推论任务同样地，对象推论任务通过多个对象推论模型55的推论结果的整合而被解决。在本实施方式中，假定通过参数调整装置1生成用于多个对象推论模型55的推论结果的整合的对象权重组65的场景。“对象”示出与成为生成权重组的客体的推论任务关联，“现有”示出与针对该对象推论任务已存在的(即，有过去生成了权重组的实绩的)推论任务关联。
[0063]
(模型生成装置)
[0064]
本实施方式所涉及的模型生成装置2是构成为基于学习数据生成完成任务的推论模型的计算机。具体地，模型生成装置2通过传感器组s获取学习数据。并且，模型生成装置2使用获取到的学习数据，生成获取了完成与推论任务关联的关联任务的能力的推论模型。即，推论模型是基于通过传感器组s得到的学习数据生成的，以构成为完成关联任务。
[0065]
推论任务可以包含对通过传感器得到的数据所包含的特征进行推论的所有任务。推论可以由识别(分类)以及回归中的至少一方构成。回归可以包含确定边界框等数据内的范围。推论可以包含预测未来的现象。与此相应地，特征可以基于未来出现的要素相关。推论任务的内容可以与应用事例适当决定。作为具体的应用事例，推论任务可以是例如推论产品的优劣、推论与气象相关的现象或者受到气象的影响的现象、推论与人流相关的现象或者对人流带来影响的现象、推论与对象者的状态相关的现象等。
[0066]
推论任务的目标与输入(对象数据)、处理内容以及输出(推论内容)中的至少任意一者关联地规定。作为一例，在上述外观检查的事例中，在2个推论任务之间观测条件不同的情况下，可以设为输入不同，处理成2个推论任务的目标不同。作为其他例，在2个推论任务之间检查对象的产品和检测对象的缺陷中的至少任意一者不同的情况下，可以设为处理内容和推论内容中的至少任意一者不同，处理成2个推论任务的目标不同。
[0067]
与此相对地，关联任务是与推论任务关联的任务。在本实施方式中，推论任务是通过将多个推论模型的推论结果整合而被解决的。因此，关联任务如果能通过推论结果的整合而推导出针对推论任务的解答，则可以包含与推论任务关联的所有任务。在为了提高应用环境中的推论精度而将多个推论结果整合的上述情形中，关联任务的内容可以与推论任务相同。例如，在推论任务是推定产品的优劣(即，检查产品)的情况下，关联任务也可以是推定产品的优劣。另外，在为了解决高阶的推论任务而将多个推论结果整合的情形中，关联
任务可以推论与推论任务相比低阶的特征。“高阶”是指相当于根据2个以上的推论模型的推论结果或用于其完成的信息来推论更复杂或更抽象的特征。例如在推论任务是综合地判定产品的优劣的情况下，关联任务可以是基于由特定的传感器组得到的观测数据来进行与缺陷相关的推论。另外，例如在所得到的数据是图像数据、推论任务是进行与缺陷相关的推论的情况下，关联任务可以是提取与缺陷关联的例如边缘等图像的特征量。
[0068]
推论模型如果能推导出针对任务的推论结果，则其构成可以不受特别限定，可以基于实施方式适当选择。推论模型例如可以由数据表、函数式、规则等构成。函数式具备用于执行完成任务的运算处理(即，推导出推论结果)的1个或多个运算参数。这种函数式例如可以由神经网络、回归模型、决策树、支持向量机等构成。生成推论模型的方法可以基于推论模型的构成适当选择。在推论模型由数据表、函数式等构成的情况下，推论模型的生成可以通过统计处理、机器学习等任意的最佳化法来进行。另外，在推论模型由规则等构成的情况下，推论模型的生成可以通过人工来进行。
[0069]
传感器组s由1个以上的传感器构成。传感器例如可以是图像传感器(照相机)、红外线传感器、声音传感器(麦克风)、超声波传感器、光传感器、压力传感器、气压传感器、温度传感器等。传感器例如可以是键盘、触摸面板等输入装置。另外，传感器例如也可以是环境传感器、生命体征传感器、医疗检查装置、车载传感器、家庭安全传感器等。环境传感器可以是例如气压计、温度计、湿度计、声压计、声音传感器、紫外线传感器、照度计、雨量计、气体传感器等。生命体征传感器例如可以是血压计、脉搏计、心率计、心电图记录仪、肌电仪、体温计、皮肤电反应计、微波传感器、脑电图仪、脑磁图仪、活动量计、血糖值测定器、眼电位传感器、眼球运动测量器等。医疗检查装置例如可以是ct(computed tomography：计算机断层扫描)装置、mri(magnetic resonance imaging：磁共振成像)装置等。车载传感器例如可以是图像传感器、lidar(light detection and ranging：光检测和测距)传感器、毫米波雷达、超声波传感器、加速度传感器等。家庭安全传感器例如可以是图像传感器、红外线传感器、活性度(声音)传感器、气体(co2等)传感器、电流传感器、智能电表(测量家电、照明等的电力使用量的传感器)等。构成传感器组s的1个以上的传感器可以基于使推论模型掌握的任务选择。
[0070]
在准备用于解决现有推论任务的多个现有推论模型50的场景中，模型生成装置2通过传感器组s获取现有学习数据40。然后，模型生成装置2基于获取到的现有学习数据40，生成构成为完成与现有推论任务关联的现有关联任务的现有推论模型50。
[0071]
在本实施方式中，按每一不同的现有推论任务生成多个现有推论模型50。在图1的例子中，任务a和任务b是现有推论任务的一例。与任务a对应地生成多个现有推论模型50a，与任务b对应地生成多个现有推论模型50b。另外，各现有推论模型50(50a/50b)基于通过多个不同的传感器组s各者得到的现有学习数据40生成，以构成为完成与对应的现有推论任务(任务a/任务b)关联的现有关联任务。可以针对1个现有推论任务，根据通过1个传感器组s得到的现有学习数据40生成2个以上的现有推论模型50，但典型地生成1个现有推论模型50。
[0072]
另外，在多个现有推论任务之间，在现有推论模型50的生成所使用的现有学习数据40的收集中至少部分地使用共用的传感器组s。也就是说，根据通过1个传感器组s得到的现有学习数据40生成在多个不同的现有推论任务各者中分别使用的多个现有推论模型50。
此时，典型地，在相同的传感器组s中，按每一现有推论任务分别收集现有学习数据40，各现有推论模型50按每一现有推论任务分别生成。即，在图1的例子中，在相互对应的、任务a的完成所使用的现有推论模型50a以及在任务b的完成所使用的现有推论模型50b各自的生成中，使用通过相同的传感器组s得到的不同的现有学习数据。
[0073]
例如，任务a进行与特定的生产线中的产品的第一种缺陷相关的推论，而任务b可以进行与该特定的生产线中的产品的第二种缺陷相关的推论。在这种情况下，任务a的各现有关联任务可以是进行与特定的生产线不同的各生产线中的产品的第一种缺陷相关的推论。另外，任务b的各现有关联任务可以是进行与特定的生产线不同的各生产线中的产品的第二种缺陷相关的推论。在该情形中，可以在任务a与任务b之间，根据通过相同的传感器组s分别得到的现有学习数据40分别生成各现有推论模型(50a、50b)。
[0074]
然而，各现有推论任务间的现有推论模型50的关系可以不限于这种例子。在某现有推论任务与其他现有推论任务之间现有关联任务的内容相同的情况下，根据通过相同的传感器组s得到的现有学习数据生成的、某现有推论任务所使用的现有推论模型可以与其他现有推论任务所使用的现有推论模型相同。在图1的例子中，通过基于由相同的传感器组s得到的现有学习数据生成而相互对应的现有推论模型50a与现有推论模型50b可以相同。即，根据由1个传感器组s得到的现有学习数据40生成的1个现有推论模型50可以在不同的现有推论任务间共用地使用。或者，在其他现有推论任务中，可以使用通过将某现有推论任务所使用的现有推论模型更新而得到的现有推论模型。当更新现有推论模型时，可以进行现有学习数据的至少一部分的变更、修正、追加、或者删除。也就是说，各个现有推论模型的生成所使用的现有学习数据可以是至少部分相同。
[0075]
例如可以是，任务a检查第一生产线中的产品，而任务b检查与第一生产线不同的第二生产线中的产品。在这种情况下，各传感器组s可以配置在与第一生产线和第二生产线不同的其他生产线，各现有推论模型所完成的现有关联任务可以检查其他生产线中的产品。在该情形中，可以在任务a与任务b之间共用地使用根据由相同的传感器组s得到的现有学习数据40生成的现有推论模型50。即，相互对应的现有推论模型50a与现有推论模型50b可以相同。
[0076]
另一方面，在准备用于解决对象推论任务的多个对象推论模型55的场景中，模型生成装置2通过传感器组s获取对象学习数据45。然后，模型生成装置2基于获取到的对象学习数据45，生成对象推论模型55，所述对象推论模型55构成为完成与对象推论任务关联的对象关联任务。
[0077]
在本实施方式中，针对1个对象推论任务生成多个对象推论模型55。在图1的例子中，任务z是对象推论任务的一例。各对象推论模型55基于由多个不同的传感器组s各自得到的对象学习数据45生成，以构成为完成与对象推论任务关联的对象关联任务。各对象推论模型55和各传感器组s之间的关系与上述各现有推论模型50和各传感器组s之间的关系相同。另外，对象推论任务和各现有推论任务之间的关系与不同的现有推论任务间的关系相同。与此相应地，对象推论模型55和现有推论模型50之间的关系与不同的现有推论任务所使用的现有推论模型50间的关系相同。
[0078]
即，在对象推论任务与各现有推论任务之间，在各推论模型(50、55)的生成所使用的学习数据(40、45)的收集中，至少部分地使用共用的传感器组s。此时，在对象推论任务与
各现有推论任务之间，可以根据由相同的传感器组s分别得到的学习数据(40、45)分别生产各推论模型(50、55)。或者，根据由1个传感器组s得到的学习数据生成的推论模型可以作为现有推论模型50和对象推论模型55在现有推论任务与对象推论任务之间被共用地使用。在这种情况下，对象学习数据45可以与现有学习数据40相同。即，现有推论模型50和对象推论模型55可以不是独立地生成。或者，在对象推论任务中，可以使用通过将现有推论任务中使用的现有推论模型50更新而得到的对象推论模型55。在这种情况下，可以通过进行现有学习数据40中的至少一部分的变更、修正、追加、或者删除而得到对象学习数据45。
[0079]
作为各现有推论任务和对象推论任务的具体例可以是，任务a和任务b分别进行与特定的生产线中的产品的第一种和第二种各自的缺陷相关的推论，而任务z进行与特定的生产线中的产品的、与第一种和第二种不同的第三种缺陷相关的推论。作为其他具体例可以是，任务a和任务b分别检查第一生产线和第二生产线各自中的产品，而任务z检查与第一生产线和第二生产线不同的第三生产线中的产品。
[0080]
需要说明的是，由1个模型生成装置2生成的推论模型(50、55)的范围可以不做特别限定，可以基于实施方式适当决定。例如，可以按生成的每一推论模型(50、55)来准备模型生成装置2。另外例如，模型生成装置2可以按每一传感器组s来准备。在这种情况下，模型生成装置2可以基于由对应的传感器组s得到的学习数据(40、45)来生成对应的各现有推论模型50和对象推论模型55。另外例如，1个模型生成装置2也可以生成全部推论模型(50、55)。
[0081]
(参数调整装置)
[0082]
本实施方式所涉及的参数调整装置1是为了适合于推论任务而构成为决定针对各推论模型的权重(即，生成权重组)的计算机。适合于推论任务是指相当于通过各推论模型的推论结果(各关联任务的完成结果)的整合而推导出的解决方案适合作为推论任务的解决方案。在本实施方式中，参数调整装置1决定针对各对象推论模型55的权重。
[0083]
具体地，参数调整装置1获取与多个现有推论任务相关的现有任务信息121。现有任务信息121示出由被预先决定为适合于各现有推论任务的多个现有权重分别构成的多个现有权重组60。各现有权重组60可以通过人工生成。或者，各现有权重组60可以通过机器学习、其他最佳化法等任意的最佳化法来生成。在这种情况下，最佳化法可以使用在完成现有推论任务的环境中得到的验证用数据。验证用数据可以与现有学习数据40同样地构成。或者，各现有权重组60可以与对象权重组65同样地由参数调整装置1生成。在这种情况下，对象的现有推论任务可以与对象推论任务同样地被处理，其他现有推论任务也可以被原样处理为现有推论任务。由此，对象的现有权重组60可以用与以下的对象权重组65同样的方法生成。
[0084]
接下来，参数调整装置1基于对象推论任务和各现有推论任务的目标的相似性算出对象推论任务与各现有推论任务之间的关联度123。然后，参数调整装置1基于算出的关联度123相应地，根据由现有任务信息121示出的各现有权重组60的多个现有权重来决定构成对象权重组65的多个对象的权重。在图1的例子中，参数调整装置1根据分别构成包含任务a和任务b的各现有权重组(60a、60b)的多个现有权重组60的多个现有权重，来决定构成任务z中使用的对象权重组65的多个对象的权重。对象权重组65的已被决定的各对象的权重当将各对象推论模型55的推论结果整合时规定对应的对象推论模型55的推论结果的优
先度。
[0085]
(推论装置)
[0086]
本实施方式所涉及的推论装置3是构成为使用生成的推论模型来完成推论任务的计算机。在本实施方式中，推论装置3特别使用生成的多个对象推论模型55和由参数调整装置1生成的对象权重组65来完成对象推论任务。
[0087]
具体地，推论装置3获取对象数据。接下来，推论装置3使用多个对象推论模型55和由参数调整装置1生成的对象权重组65的多个对象的权重来解决针对获取到的对象数据的对象推论任务。然后，推论装置3输出与解决了对象推论任务的结果相关的信息。
[0088]
需要说明的是，可以通过包含推论装置3的任意的计算机并按照相同的处理顺序使用各现有推论模型50和现有权重组60来完成各现有推论任务。另外，在包含模型生成装置2和推论装置3的任意的计算机中，各推论模型(50、55)可以单独用于任务的完成。
[0089]
(小结)
[0090]
如上所示，在本实施方式中，基于在目标相似的推论任务间设定的权重也相似这一上述技术观点，通过灵活应用针对多个现有推论任务各者生成的现有权重组60的实绩(现有任务信息121)，能够将生成在对象推论任务中使用的对象权重组65的作业的至少一部分自动化。因而，根据本实施方式，在设定多个不同的推论任务的状况中，能够降低为了解决对象的推论任务而导入多个推论模型时的成本。
[0091]
需要说明的是，在图1的例子中，参数调整装置1、模型生成装置2以及推论装置3经由网络被相互连接。网络的种类例如可以从互联网、无线通信网、移动通信网、电话网、专用网等适当选择。不过，在参数调整装置1、模型生成装置2以及推论装置3之间交换数据的方法可以不限于这种例子，可以基于实施方式适当选择。例如，可以在参数调整装置1、模型生成装置2以及推论装置3中的任意的组合之间利用存储介质来交换数据。
[0092]
另外，在图1的例子中，参数调整装置1、模型生成装置2以及推论装置3分别由独立的计算机构成。然而，本实施方式所涉及的推论系统100的构成可以不限于这种例子，可以基于实施方式适当决定。例如，参数调整装置1、模型生成装置2以及推论装置3中的至少任意一个组合可以是一体的计算机。另外例如，参数调整装置1、模型生成装置2以及推论装置3中的至少任意一者可以由多台计算机构成。
[0093]
§
2构成例
[0094]
[硬件构成]
[0095]
＜参数调整装置＞
[0096]
图2示意性地例示本实施方式所涉及的参数调整装置1的硬件构成的一例。如图2所示，本实施方式所涉及的参数调整装置1是电连接有控制部11、存储部12、通信接口13、外部接口14、输入装置15、输出装置16以及驱动器17的计算机。需要说明的是，在图2中，将通信接口和外部接口记载为“通信i/f”和“外部i/f”。在后述的图3和图4中也使用同样的标记。
[0097]
控制部11包括作为硬件处理器的cpu(central processing unit：中央处理单元)、ram(random access memory：随机存取存储器)、rom(read only memory：只读存储器)等，并构成为基于程序和各种数据来执行信息处理。cpu是处理器
·
资源的一例。存储部12是存储器
·
资源的一例，例如由硬盘驱动器、固态驱动器等构成。在本实施方式中，存储部
12存储参数调整程序81、现有任务信息121、权重信息125等各种信息。
[0098]
参数调整程序81是用于使参数调整装置1执行与对象权重组65的生成相关的后述的信息处理(图9)的程序。参数调整程序81包含该信息处理的一系列的命令。现有任务信息121按每一现有推论任务示出由多个现有权重构成的现有权重组60。权重信息125示出生成的对象权重组65。在本实施方式中，权重信息125作为执行了参数调整程序81的结果而被生成。
[0099]
通信接口13例如是有线lan(local area network：局域网)模块、无线lan模块等，是用于进行经由网络的有线或者无线通信的接口。参数调整装置1可以利用该通信接口13在与其他信息处理装置之间执行经由网络的数据通信。外部接口14例如是usb(universal serial bus：通用串行总线)端口、专用端口等，是用于与外部装置连接的接口。外部接口14的种类和数量可以基于所连接的外部装置的种类和数量适当选择。
[0100]
输入装置15例如是鼠标、键盘、麦克风等用于进行输入的装置。另外，输出装置16例如是显示器，扬声器等用于进行输出的装置。用户等操作人员能够通过利用输入装置15和输出装置16来操作参数调整装置1。
[0101]
驱动器17例如是cd驱动器、dvd驱动器等，是用于读入在存储介质91中存储的程序等各种信息的驱动器装置。存储介质91是以计算机和其他装置、机器等能读取所存储的程序等各种信息的方式通过电、磁、光学、机械或化学作用来存储该程序等信息的介质。上述参数调整程序81和现有任务信息121中的至少任意一者可以存储到存储介质91。参数调整装置1可以从该存储介质91获取上述参数调整程序81和现有任务信息121中的至少任意一者。需要说明的是，在图2中，作为存储介质91的一例，例示了cd、dvd等盘式存储介质。但是，存储介质91的种类可以不限于盘式，也可以是盘式以外。作为盘式以外的存储介质，例如能够举出闪存等半导体存储器。驱动器17的种类可以基于存储介质91的种类任意选择。
[0102]
需要说明的是，关于参数调整装置1的具体的硬件构成，能基于实施方式适当进行构成要素的省略、置换以及追加。例如，处理器
·
资源可以包含多个硬件处理器。硬件处理器可以由微处理器、fpga(field-programmable gate array：现场可编程门阵列)、dsp(digital signal processor：数字信号处理器)等构成。存储部12可以由控制部11所包含的ram和rom构成。可以省略通信接口13、外部接口14、输入装置15、输出装置16以及驱动器17中的至少任意一者。参数调整装置1可以由多台计算机构成。在这种情况下，各计算机的硬件构成可以一致，也可以不一致。另外，参数调整装置1除了是设计为所提供的服务专用的信息处理装置之外，也可以是通用的服务器装置、通用的pc(personal computer：个人计算机)、平板终端以及包含智能电话的便携终端等。
[0103]
＜模型生成装置＞
[0104]
图3示意性地例示本实施方式所涉及的模型生成装置2的硬件构成的一例。如图3所示，本实施方式所涉及的模型生成装置2是电连接有控制部21、存储部22、通信接口23、外部接口24、输入装置25、输出装置26以及驱动器27的计算机。
[0105]
模型生成装置2的控制部21～驱动器27和存储介质92可以分别与上述参数调整装置1的控制部11～驱动器17和存储介质91各者同样地构成。控制部21包括作为硬件处理器的cpu、ram、rom等，并构成为基于程序和数据来执行各种信息处理。存储部22例如由硬盘驱动器、固态驱动器等构成。存储部22存储模型生成程序82、学习数据(40、45)、学习结果数据
(220、225)等各种信息。
[0106]
模型生成程序82是用于使模型生成装置2执行与各推论模型(50、55)的生成相关的后述的信息处理(图8)的程序。模型生成程序82包含该信息处理的一系列的命令。现有学习数据40用于现有推论模型50的生成。对象学习数据45用于对象推论模型55的生成。现有学习结果数据220示出与生成的现有推论模型50相关的信息。对象学习结果数据225示出与生成的对象推论模型55相关的信息。在本实施方式中，学习结果数据(220、225)作为执行了模型生成程序82的结果而被生成。
[0107]
模型生成程序82和学习数据(40、45)中的至少任意一者可以存储到存储介质92。与此相应地，模型生成装置2可以从存储介质92获取模型生成程序82和学习数据(40、45)中的至少任意一者。或者，模型生成装置2可以为了收集学习数据(40、45)而直接连接到传感器组s。在这种情况下，模型生成装置2可以经由通信接口23和外部接口24中的任意一方连接到传感器组s。
[0108]
需要说明的是，在图3的例子中，假定了模型生成装置2生成现有推论模型50和对象推论模型55两者。然而，如上所述，由1个模型生成装置2生成的推论模型(50、55)的范围可以不限于这种例子。现有推论模型50和对象推论模型55中的任意一方的生成可以被省略。在这种情况下，现有学习数据40与现有学习结果数据220的组合以及对象学习数据45与对象学习结果数据225的组合中的被省略的一方所对应的组合可以被省略。
[0109]
另外，关于模型生成装置2的具体的硬件构成，能基于实施方式适当进行构成要素的省略、置换以及追加。例如，模型生成装置2的处理器
·
资源可以包含多个硬件处理器。硬件处理器可以由微处理器、fpga、dsp等构成。存储部22可以由控制部21所包含的ram和rom构成。通信接口23、外部接口24、输入装置25、输出装置26以及驱动器27中的至少任意一者可以被省略。模型生成装置2可以由多台计算机构成。在这种情况下，各计算机的硬件构成可以一致，也可以不一致。另外，模型生成装置2除了是设计为所提供的服务专用的信息处理装置之外，也可以是通用的服务器装置、通用的pc、平板终端以及包含智能电话的便携终端等。
[0110]
＜推论装置＞
[0111]
图4示意性地例示本实施方式所涉及的推论装置3的硬件构成的一例。如图4所示，本实施方式所涉及的推论装置3是电连接有控制部31、存储部32、通信接口33、外部接口34、输入装置35、输出装置36以及驱动器37的计算机。
[0112]
推论装置3的控制部31～驱动器37和存储介质93可以分别与上述参数调整装置1的控制部11～驱动器17和存储介质91各者同样地构成。控制部31包括作为硬件处理器的cpu、ram、rom等，并构成为基于程序和数据来执行各种信息处理。存储部32例如由硬盘驱动器、固态驱动器等构成。存储部32存储推论程序83、对象学习结果数据225、权重信息125等各种信息。
[0113]
推论程序83是使用推论模型用于使推论装置3执行完成任务的后述的信息处理(图12)的程序。推论程序83包含该信息处理的一系列的命令。在本实施方式中，构成为使用多个对象推论模型55和对象权重组65来执行完成对象推论任务的信息处理。需要说明的是，推论装置3可以构成为使用多个现有推论模型50和现有权重组60来完成现有推论任务。在这种情况下，推论程序83可以还包含与现有推论任务的完成有关的信息处理的一系列的
命令。另外，存储部32可以还存储现有学习结果数据220。
[0114]
推论程序83、学习结果数据(220、225)以及权重信息125中的至少任意一者可以存储到存储介质93。与此相应地，推论装置3可以从存储介质93获取推论程序83、学习结果数据(220、225)以及权重信息125中的至少任意一者。另外，推论装置3可以为了获取对象数据而直接连接到传感器组s。在这种情况下，推论装置3可以经由通信接口33和外部接口34中的任意一方连接到传感器组s。
[0115]
需要说明的是，关于推论装置3的具体的硬件构成，能基于实施方式适当进行构成要素的省略、置换以及追加。例如，推论装置3的处理器
·
资源可以包含多个硬件处理器。硬件处理器可以由微处理器、fpga、dsp等构成。存储部32可以由控制部31所包含的ram和rom构成。通信接口33、外部接口34、输入装置35、输出装置36以及驱动器37中的至少任意一者可以被省略。推论装置3可以由多台计算机构成。在这种情况下，各计算机的硬件构成可以一致，也可以不一致。另外，推论装置3除了是设计为所提供的服务专用的信息处理装置之外，也可以是通用的服务器装置、通用的pc、平板终端以及包含智能电话的便携终端等。
[0116]
[软件构成]
[0117]
＜参数调整装置＞
[0118]
图5示意性地例示本实施方式所涉及的参数调整装置1的软件构成的一例。参数调整装置1的控制部11将在存储部12中存储的参数调整程序81展开到ram。然后，控制部11通过cpu解释以及执行在ram中展开的参数调整程序81所包含的命令，控制各构成要素。由此，如图5所示，本实施方式所涉及的参数调整装置1作为具备信息获取部111、关联度算出部112、权重决定部113以及输出部114作为软件模块的计算机而动作。即，在本实施方式中，参数调整装置1的各软件模块通过控制部11(cpu)被实现。
[0119]
信息获取部111获取与多个现有推论任务相关的现有任务信息121。现有任务信息121示出由被预先决定为适合于各现有推论任务的多个现有权重分别构成的多个现有权重组60。关联度算出部112基于对象推论任务和各现有推论任务的目标的相似性算出对象推论任务与各现有推论任务之间的关联度123。示出各现有推论任务的目标的信息可以作为目标信息70而被提供。在图5的例子中，现有任务信息121示出包含任务a和任务b各自的现有权重组(60a、60b)的多个现有权重组60。关联度算出部112基于任务z和各现有推论任务(包含任务a和任务b)的目标的相似性算出任务z与各现有推论任务之间的关联度123。
[0120]
权重决定部113基于算出的关联度123，根据由现有任务信息121示出的构成各现有权重组60的多个现有权重来决定构成对象权重组65的多个对象的权重。由此，权重决定部113生成在对象推论任务(在图5的例子中为任务z)中使用的对象权重组65。已被决定的各对象的权重在将多个对象推论模型55的推论结果整合时用于设定对应的对象推论模型55的推论结果的优先度。输出部114生成示出由已被决定的多个对象的权重构成的对象权重组65的权重信息125。然后，输出部114对规定的输出目的地输出生成的权重信息125。
[0121]
＜模型生成装置＞
[0122]
图6示意性地例示本实施方式所涉及的模型生成装置2的软件构成的一例。模型生成装置2的控制部21将在存储部22中存储的模型生成程序82展开到ram。然后，控制部21通过cpu解释以及执行在ram中展开的模型生成程序82所包含的命令，控制各构成要素。由此，如图6所示，本实施方式所涉及的模型生成装置2作为具备数据获取部211、生成部212以及
保存处理部213作为软件模块的计算机而动作。即，在本实施方式中，模型生成装置2的各软件模块与上述参数调整装置1同样地通过控制部21(cpu)来实现。
[0123]
数据获取部211通过传感器组s获取学习数据。生成部212使用获取到的学习数据生成构成为完成关联任务的推论模型。保存处理部213生成与已生成的推论模型相关的学习结果数据。然后，保存处理部213将生成的学习结果数据保存到规定的存储区域。
[0124]
在生成现有推论模型50的场景中，数据获取部211通过传感器组s获取现有学习数据40。生成部212基于获取到的现有学习数据40生成构成为完成现有关联任务的现有推论模型50。保存处理部213生成与已生成的现有推论模型50相关的现有学习结果数据220，将生成的现有学习结果数据220保存到规定的存储区域。
[0125]
另一方面，在生成对象推论模型55的场景中，数据获取部211通过传感器组s获取对象学习数据45。生成部212基于获取到的对象学习数据45生成构成为完成对象关联任务的对象推论模型55。保存处理部213生成与已生成的对象推论模型55相关的对象学习结果数据225，将已生成的对象学习结果数据225保存到规定的存储区域。
[0126]
＜推论装置＞
[0127]
图7示意性地例示本实施方式所涉及的推论装置3的软件构成的一例。推论装置3的控制部31将在存储部32中存储的推论程序83展开到ram。然后，控制部31通过cpu解释并且执行在ram中展开的推论程序83所包含的命令，来控制各构成要素。由此，如图7所示，本实施方式所涉及的推论装置3作为具备获取部311、推论部312以及输出部313作为软件模块的计算机而动作。即，在本实施方式中，推论装置3的各软件模块与上述参数调整装置1同样地通过控制部31(cpu)来实现。
[0128]
获取部311获取对象数据321。推论部312通过保持各对象推论模型55的对象学习结果数据225而具备多个对象推论模型55。另外，推论部312通过保持权重信息125而具备由多个对象的权重构成的对象权重组65中的、由参数调整装置1生成的对象权重组65。推论部312使用多个对象推论模型55和对象权重组65来解决针对获取到的对象数据321的对象推论任务(在图7的例子中为任务z)。具体地说，推论部312根据各对象的权重将针对获取到的对象数据321的各对象推论模型55的推论结果整合，从而解决对象推论任务。输出部313输出与解决了对象推论任务的结果相关的信息。
[0129]
需要说明的是，在以进一步完成现有推论任务的方式构成推论装置3的情况下，推论部312通过保持与对象的现有推论任务对应的各现有推论模型50的现有学习结果数据220而具备对应的多个现有推论模型50。可以适当获取对应的现有权重组60(多个现有权重)。推论部312使用对应的多个现有推论模型50和现有权重组60来解决针对获取到的对象数据的对象的现有推论任务(在图7的例子中为任务a等)。输出部313输出与解决了对象的现有推论任务的结果相关的信息。
[0130]
＜其他＞
[0131]
关于参数调整装置1、模型生成装置2以及推论装置3的各软件模块在后述的动作例中详细说明。需要说明的是，在本实施方式中，关于参数调整装置1、模型生成装置2以及推论装置3的各软件模块均通过通用的cpu来实现的例子进行了说明。但是，上述软件模块的一部分或全部可以由1个或多个专用的处理器来实现。例如，在所处理的数据包含图像数据的情况下，上述软件模块的一部分或全部可以通过图形处理单元来实现。另外，关于参数
调整装置1、模型生成装置2以及推论装置3各自的软件构成，也可以基于实施方式适当进行软件模块的省略、置换以及追加。
[0132]
§
3动作例
[0133]
[模型生成装置]
[0134]
图8是示出本实施方式所涉及的模型生成装置2的处理顺序的一例的流程图。以下说明的处理顺序是模型生成方法的一例。不过，以下说明的处理顺序不过是一例，各步骤可以尽可能地变更。而且，关于以下说明的处理顺序，能基于实施方式适当进行步骤的省略、置换以及追加。
[0135]
(步骤s101)
[0136]
在步骤s101中，控制部21作为数据获取部211而动作，通过传感器组s获取学习数据。在生成现有推论模型50的场景中，控制部21获取现有学习数据40。在生成对象推论模型55的场景中，控制部21获取对象学习数据45。
[0137]
学习数据(40、45)的构成可以基于推论模型(50、55)的生成方法等，基于实施方式来适当决定。作为一例，在通过统计处理、人工等生成推论模型(50、55)的情况下，学习数据(40、45)可以包含通过传感器组s观测推论任务的对象从而得到的多份观测数据(即，训练数据)。训练数据例如可以是图像数据、声音数据、数值数据、文本数据、其他传感数据等。同样地，在通过机器学习中的无监督学习生成推论模型(50、55)的情况下，学习数据(40、45)也可以包含多份训练数据。作为其他例子，在通过机器学习中的有监督学习生成推论模型(50、55)的情况下，学习数据(40、45)可以包含由训练数据(输入数据)和正解标签(监督信号)的组合分别构成的多个学习数据集。正解标签示出针对训练数据的关联任务的正解。作为其他例子，在通过机器学习中的强化学习生成推论模型(50、55)的情况下，学习数据(40、45)可以包含由通过传感器组s观测的状态的转变与在一些情况下通过该转变得到的即时报酬的组合构成的状态转变数据。需要说明的是，各生成方法中的学习数据(40、45)的上述构成不过是一例。关于各生成方法中的学习数据(40、45)的具体构成，可以基于实施方式适当进行构成要素的省略、置换以及追加。学习数据(40、45)可以通过计算机的动作自动生成，也可以通过至少部分地包含操作人员的操作而手动生成。
[0138]
另外，获取学习数据(40、45)的路径可以基于实施方式适当选择。在模型生成装置2直接连接到传感器组s的情况下，控制部21可以从传感器组s直接获取学习数据。另一方面，在传感器组s连接到其他计算机的情况下，控制部21可以经由网络、存储介质等获取通过其他计算机收集到的学习数据(40、45)。当获取学习数据时，控制部21使处理前进至下一步骤s102。
[0139]
(步骤s102)
[0140]
在步骤s102中，控制部21作为生成部212而动作，基于获取到的学习数据(40、45)生成推论模型(50、55)。
[0141]
推论模型(50、55)的构成和生成方法可以分别不做特别限定，可以基于实施方式适当选择。推论模型(50、55)例如可以由数据表、函数式、规则等构成。推论模型(50、55)的生成可以通过统计处理、机器学习等任意的最佳化法来进行。或者，推论模型(50、55)的生成可以通过人工来进行。在采用机器学习的情况下，推论模型(50、55)的生成可以使用有监督学习、无监督学习以及强化学习中的至少任意一者。无监督学习可以包含有自我监督学
习和对抗学习。强化学习的方法可以采用基于价值、基于策略或这两者。
[0142]
作为一例，假定在生成方法中采用有监督学习、推论模型(50、55)由神经网络构成的情况。神经网络所包含的层的数量、层的种类、以及层所包含的神经元(节点)的数量可以分别被任意决定。在这种情况下，控制部21关于学习数据(40、45)所包含的各学习数据集训练神经网络，以获得对训练数据的输入输出适合于正解标签的输出值的能力。该训练处理可以使用例如批量梯度下降法、随机梯度下降法、小批量梯度下降法等。另外，训练处理中的神经网络所包含的运算参数的调整处理可以使用误差反向传播法。
[0143]
作为训练处理的一例，控制部21对神经网络的输入层输入训练数据，执行神经网络的正向传播的运算处理。正向传播的运算处理正向传播的运算处理从输入侧按顺序进行各层所包含的各神经元的点火判定。由此，控制部21从输出层获取与针对训练数据完成了关联任务的结果对应的输出值。控制部21关于各学习数据集，算出从输出层得到的输出值与正解标签之间的误差。控制部21通过误差反向传播法将算出的误差的梯度从输出层反向传播到输入层，算出神经网络所包含的各运算参数的值的误差。然后，控制部21基于算出的误差来更新各运算参数的值。控制部21通过该一系列的更新处理来调整神经网络所包含的各运算参数的值，使得算出的误差之和变小。控制部21例如可以重复进行该一系列的更新处理，直至满足将算出的误差之和成为阈值以下重复规定次数等规定的条件。由此，控制部21能够关于学习数据(40、45)所包含的各学习数据集生成推论模型(50、55)，所述推论模型(50、55)获得了针对训练数据的输入输出适合于正解标签的输出值的能力(即，针对学习数据(40、45)适当完成关联任务的能力)。
[0144]
当生成推论模型(50、55)时，控制部21使处理前进至下一步骤s103。
[0145]
(步骤s103)
[0146]
在步骤s103中，控制部21作为保存处理部213而动作，将与通过步骤s102生成的推论模型(50、55)相关的信息作为学习结果数据(220、225)生成。作为一例，在推论模型(50、55)由函数式(特别是神经网络)构成的情况下，控制部21将示出推论模型(50、55)的结构和各运算参数的值的信息作为学习结果数据(220、225)生成。在推论模型(50、55)的结构在系统间实现共用化的情况下，与该推论模型(50、55)的结构相关的信息可以被省略。并且，控制部21将生成的学习结果数据(220、225)保存到规定的存储区域。
[0147]
规定的存储区域例如可以是控制部21内的ram、存储部22、外部存储装置、存储介质或者它们的组合。存储介质例如可以是cd、dvd等，控制部21可以将学习结果数据(220、225)经由驱动器27保存到存储介质。外部存储装置例如可以是nas(network attached storage：网络附加存储)等数据服务器。在这种情况下，控制部21可以利用通信接口23将学习结果数据(220、225)经由网络保存到数据服务器。另外，外部存储装置例如可以是经由外部接口24连接到模型生成装置2的外置的存储装置。可以按每一学习结果数据(220、225)适当选择存储区域的种类。当学习结果数据(220、225)的保存完成时，控制部21将本动作例所涉及的处理顺序结束。通过1个或多个模型生成装置2对通过多个不同的传感器组s得到的学习数据(40、45)执行上述步骤s101～步骤s103的处理，从而能够生成与各传感器组s分别对应的多个推论模型(50、55)。
[0148]
需要说明的是，生成的对象学习结果数据225可以按任意定时提供给推论装置3。例如，控制部21可以作为步骤s103的处理或者与步骤s103的处理独立地将对象学习结果数
据225转送到推论装置3。推论装置3也可以通过接收该转送来获取对象学习结果数据225。另外，推论装置3也可以通过利用通信接口33经由网络访问模型生成装置2或数据服务器来获取对象学习结果数据225。另外例如，推论装置3也可以经由存储介质93获取对象学习结果数据225。另外例如，对象学习结果数据225也可以预装到推论装置3。
[0149]
而且，控制部21也可以通过定期或者不定期地重复上述步骤s101～步骤s103的处理来更新或者新创建对象学习结果数据225。在进行该重复时，可以适当执行对象学习数据45的至少一部分的变更、修正、追加、删除等。并且，控制部21也可以通过将更新了的或者新创建了的对象学习结果数据225以任意方法提供给推论装置3来更新推论装置3所保持的对象学习结果数据225。
[0150]
在推论装置3构成为进一步完成对象的现有推论任务的情况下，对象的现有学习结果数据220也可以同样地按任意定时提供给推论装置3。控制部21可以通过重复进行上述步骤s101～步骤s103的处理来更新或者新创建现有学习结果数据220。然后，控制部21可以通过将更新了的或者新创建了的现有学习结果数据220以任意的方法提供给推论装置3来更新推论装置3所保持的现有学习结果数据220。在现有推论任务由其他计算机执行的情况下也是同样的。
[0151]
[参数调整装置]
[0152]
图9是示出本实施方式所涉及的参数调整装置1的处理顺序的一例的流程图。以下说明的处理顺序是参数调整方法的一例。不过，以下说明的处理顺序不过是一例，各步骤可以尽可能地变更。而且，关于以下说明的处理顺序，能基于实施方式适当进行步骤的省略、置换以及追加。
[0153]
(步骤s201)
[0154]
在步骤s201中，控制部11作为信息获取部111而动作，获取与多个现有推论任务相关的现有任务信息121。现有任务信息121示出为了适合于各现有推论任务而分别生成的多个现有权重组60。
[0155]
图10示出本实施方式所涉及的现有任务信息121的构成的一例。在图10的例子中，现有任务信息121具有表格形式的构成，表格内的第二个以后的各栏与各现有权重组60对应。在图10的例子中，第二栏与针对任务a的现有权重组60对应，第三栏与针对任务b的现有权重组60对应。在第一栏中，保存有用于识别现有学习数据40的获取源(即，传感器组s)的识别信息。各记录的权重基于通过相同的传感器组s得到的现有学习数据40与针对各现有推论任务生成的现有推论模型50对应。各现有权重组60和对象权重组65均由权重规定的优先度示出将对应的推论模型(50、55)优先的程度。该优先的程度例如可以包含通过被指定“0”从而不使用解决推论任务所对应的推论模型(50、55)。需要说明的是，现有任务信息121的数据形式如果能保持现有权重组60的信息，则可以不限于这种表格形式的例子，可以基于实施方式适当决定。
[0156]
在图10的例子中，假定了针对各现有推论任务根据通过共用的n个传感器组s得到的现有学习数据40生成了n个现有推论模型50的场景。也就是说，假定了在不同的现有推论任务间用于现有推论模型50的生成的传感器组s一致的场景。但是，各现有推论任务与用于现有推论模型的生成的传感器组s的关系可以不限于这种例子。如果在不同的现有推论任务间至少共用的传感器组s部分地用于现有推论模型50的生成，则在不同的现有推论任务
间使用的传感器组s也可以不一定一致。在多个现有推论任务中的至少任意一者中，在用于其他现有推论任务的现有推论模型50的生成中不使用的传感器组s可以用于现有推论模型50的生成。在这种情况下，源自在其他现有推论任务的现有推论模型50的生成中未被使用的传感器组s的现有推论模型50中设定的权重可以在生成对象权重组65的本动作例所涉及的一系列的处理中被忽略。或者，可以通过适当补充与其他现有推论任务对应的权重而将构成各现有权重组60的权重的数量调整为一致。权重的补充方法可以任意决定。例如，可以对其他现有推论任务的现有权重组60补充示出不使用的权重“0”。
[0157]
上述现有任务信息121可以被适当生成。作为一例，现有任务信息121每当针对各现有推论任务生成现有权重组60(即，决定多个现有权重以适合于各现有推论任务)时，可以通过手输入或者自动存储该生成的实绩信息而生成。实绩信息的存储可以由包含参数调整装置1的任意的计算机进行。其结果是，现有任务信息121可以存储到规定的存储区域。规定的存储区域例如可以是控制部11内的ram、存储部12、外部存储装置，存储介质或者它们的组合。在这种情况下，控制部11能够通过访问规定的存储区域来获取现有任务信息121。上述图2假定了存储部12被选择为规定的存储区域、或者将通过访问其他存储区域而获取到的现有任务信息121保存到存储部12的场景。当获取现有任务信息121时，控制部11使处理前进至下一步骤s202。
[0158]
(步骤s202)
[0159]
在步骤s202中，控制部11作为关联度算出部112而动作，基于对象推论任务和各现有推论任务的目标的相似性算出对象推论任务与各现有推论任务之间的关联度123。
[0160]
示出各推论任务的目标的信息可以被适当获取。例如，示出各现有推论任务的信息可以作为目标信息70与现有任务信息121一起保存到规定的存储区域。在这种情况下，控制部11通过访问规定的存储区域，能够获取示出各现有推论任务的信息。或者，目标信息70可以通过操作人员的输入等手动作业获取。如果能表现各现有推论任务的目标，则目标信息70的构成可以不被特别限定，可以基于实施方式适当决定。目标信息70例如可以由图像数据、声音数据、数值数据、文本数据、其他传感数据等构成。关于示出对象推论任务的目标的信息也是同样的。
[0161]
算出关联度123的指标如果能评价推论任务的目标的相似性，则可以任意设定。作为指标的一例，可以使用与推论任务关联的场所间的距离。即，控制部11可以基于各现有推论任务关联的场所与对象推论任务关联的场所之间的距离算出关联度123。与推论任务关联的场所例如可以由成为推论任务的对象的场所(例如，预测人流的地点、预测气象的地方等)、获取成为推论任务的完成对象的对象数据或者学习数据(40、45)的传感器组s的配置场所等参与推论任务的完成或者推论模型的生成的场所来规定。示出场所的信息可以通过操作人员的输入来得到，也可以通过gps(global positioning system：全球定位系统)模块等的传感器来得到。可以是，对象的现有推论任务关联的场所与对象推论任务关联的场所之间的距离越短，控制部11将该对象的现有推论任务与对象推论任务之间的关联度123算出为越大的值。另一方面，也可以是，距离越长，控制部11将关联度123算出为越小的值。根据该算出方法，在解决可能依赖于观测地点的推论任务的情形中，能够适当算出对象推论任务与各现有推论任务之间的关联度123。
[0162]
作为指标的另一例，可以使用示出各推论任务的术语间的含义的相似度。即，控制
部11可以基于通过语言处理测定的、分别示出各现有推论任务和对象推论任务的术语间的含义的相似度算出关联度123。含义的相似度示出语言表现之间的含义的相似的程度。含义的相似度的算出可以采用公知的语言处理方法。对象的现有推论任务与对象推论任务之间的含义的相似度越高，控制部11可以将该对象的现有推论任务和对象推论任务之间的关联度123算出为越大的值。另一方面，含义的相似度越低，控制部11可以将关联度123算出为越小的值。根据该算出方法，在推论任务的目标实现了语言化的情形中，能够适当算出对象推论任务与各现有推论任务之间的关联度123。
[0163]
另外，作为指标的另一例，可以使用与推论任务关联的对象物的相似度。即，控制部11可以基于各现有推论任务和对象推论任务各者关联的对象物间的相似度算出关联度123。与推论任务关联的对象物涉及通过推论任务推论的特征，例如是推论对象的物体、人物、现象等。在上述外观检查的事例中，对象物例如是检查对象的产品、检测对象的缺陷等。对象物的相似度可以被适当算出。作为一例，在对象物实现了语言化的情况下，与上述同样地，对象物间的相似度可以作为术语间的含义的相似度而被算出。作为另一例，在外观检查的事例中，在对象物是产品并被提供有产品的型号的情况下，控制部11可以通过型号的相似度来算出对象物的相似度。分别与对象的现有推论任务和对象推论任务关联的对象物间的相似度越高，控制部11可以将该对象的现有推论任务与对象推论任务之间的关联度123算出为越大的值。另一方面，与各者关联的对象物间的相似度越低，控制部11可以将关联度123算出为越小的值。根据该算出方法，能够基于与推论任务关联的对象物的相似度适当算出对象推论任务与各现有推论任务之间的关联度123。
[0164]
而且，作为指标的另一例，可以使用完成推论任务的环境的相似度。即，控制部11可以基于分别完成各现有推论任务和对象推论任务的环境间的相似度算出关联度123。环境例如可以由观测对象的属性、实施观测的场所、针对观测对象的传感器的配置、传感器的设置角度、传感器以外的外部重要因素的条件等观测条件来规定。环境的相似度可以被适当算出。作为一例，示出环境的信息可以在传感器的观测条件的各项目中被数值化。数值化可以通过手输入来进行。或者，示出被数值化的环境的信息可以通过由独立于构成用于完成推论任务的对象数据的获取的传感器组s的传感器的传感器(子传感器)观测环境而得到。在这种情况下，控制部11可以通过得到的数值间的距离来算出环境间的相似度。具体地说，控制部11可以评价为数值间的距离越短，则环境间的相似度越高。与此相应地，分别完成对象的现有推论任务和对象推论任务的环境间的相似度越高，控制部11可以将该对象的现有推论任务与对象推论任务之间的关联度123算出为越大的值。另一方面，完成各者的环境间的相似度越低，控制部11可以将关联度123算出为越小的值。根据该算出方法，能够基于完成推论任务的环境的相似性来适当算出对象推论任务与各现有推论任务之间的关联度123。
[0165]
控制部11可以通过上述任意的方法来评价对象推论任务和各现有推论任务的目标的相似性从而算出对象推论任务与各现有推论任务之间的关联度123。不过，算出各关联度123的方法可以不限于上述的例子，可以基于实施方式适当决定。作为另一例，控制部11也可以基于在分别完成各现有推论任务和对象推论任务的环境中得到的对象数据之间的相关性算出各关联度123。当算出对象推论任务与各现有推论任务之间的关联度123时，控制部11使处理前进至下一步骤s203。
[0166]
(步骤s203)
[0167]
在步骤s203中，控制部11作为权重决定部113而动作，基于算出的关联度123相应地，根据由现有任务信息121示出的构成各现有权重组60的多个现有权重来决定构成对象权重组65的多个对象的权重。由此，控制部11生成用于对象推论任务的对象权重组65。
[0168]
生成对象权重组65的方法只要越是关联度123高的现有推论任务的现有权重组60则越优先的方法即可，可以不做特别限定。作为一例，控制部11可以根据算出的各关联度123对构成各现有权重组60的多个现有权重进行加权相加或者加权平均从而算出构成对象权重组65的多个对象的权重。在这种情况下，控制部11将各现有权重组60的对应的权重彼此相加。或者，控制部11可以提取多个现有权重组60中的关联度123最高的现有推论任务的现有权重组60，将提取到的现有权重组60原样采用为对象权重组65。当生成对象权重组65时，控制部11使处理前进至下一步骤s204。
[0169]
需要说明的是，在本实施方式中，假定了在对象推论任务与各现有推论任务之间用于推论模型(50、55)的生成的多个不同的传感器组s一致的场景。根据源自同一传感器组s的各现有推论模型50中设定的权重来决定对应的对象推论模型55中设定的权重。但是，用于对象推论模型55的生成的传感器组s可以不一定满足这种条件。即，在对象推论任务与各现有推论任务之间，用于推论模型(50、55)的生成的传感器组s可以不一定一致。由此，可以存在源自在用于各现有推论任务的各现有推论模型50的生成中未被使用的传感器组s的对象推论模型55。在这种情况下，该对象推论模型55中设定的权重例如可以通过操作人员的输入等而被适当决定。
[0170]
(步骤s204)
[0171]
在步骤s204中，控制部11作为输出部114而动作，生成示出生成的对象权重组65的权重信息125。然后，控制部11对规定的输出目的地输出生成的权重信息125。
[0172]
规定的输出目的地可以被任意选择。作为一例，规定的输出目的地可以是使用多个对象推论模型55的推论装置3。控制部11可以利用通信接口13将权重信息125经由网络发送到推论装置3。与此相应地，在推论装置3中，由提供的权重信息125示出的各权重可以被自动设定为能用于各对象推论模型55的推论结果的整合的状态。需要说明的是，在能使用的状态下设定各权重的方法可以不限于这种例子。例如，为了督促对各对象推论模型55设定各权重的操作，被提供了的权重信息125可以经由推论装置3的输出装置36等输出。由此，各权重的设定可以通过操作人员的手动作业来进行。
[0173]
作为另一例，规定的输出目的地也可以是输出装置16或者其他计算机的输出装置。在这种情况下，推论装置3中的各权重的设定也可以通过操作人员的手动作业来进行。另外，作为又一例，规定的输出目的地可以是上述规定的存储区域。在这种情况下，输出权重信息125可以是将权重信息125保存到规定的存储区域。被保存的权重信息125可以适当提供给推论装置3。由此，在推论装置3中，各权重的设定可以自动或者手动地适当进行。
[0174]
在存在使用多个对象推论模型55(即，完成对象推论任务)的其他推论装置的情况下，其他推论装置也可以被同样地提供有权重信息125。当权重信息125的输出完成时，控制部11将本动作例所涉及的处理顺序结束。
[0175]
(整合方法)
[0176]
需要说明的是，构成对象权重组65的各对象的权重在将各对象推论模型55的推论
结果整合时规定对应的对象推论模型55的推论结果的优先度。同样地，构成各现有权重组60的各现有权重是在将各现有推论模型50的推论结果整合时规定对应的现有推论模型50的推论结果的优先度。根据各权重来整合推论结果的方法可以基于实施方式适当选择。
[0177]
图11a使用权重组(60、65)示意性地例示将各推论模型(50、55)的推论结果整合的方法的一例。在图11a的例子中，构成权重组(60、65)的各权重用于各推论模型(50、55)的输出值的加权。具体地说，在推论内容是识别(分类)的情况下，将各推论模型(50、55)的推论结果整合可以由根据多个权重对多个推论模型(50、55)的推论结果进行加权多数表决来构成。另一方面，在推论内容是回归、各推论模型(50、55)的推论结果由数值构成的情况下，将各推论模型(50、55)的推论结果整合由根据多个权重对多个推论模型(50、55)的推论结果进行加权、以及算出加权后的各推论结果的平均或合计来构成。在这些情况下，如果输出能整合，则各推论模型(50、55)的构成可以一致，也可以不一致。
[0178]
图11b使用权重组(60、65)示意性地例示将各推论模型(50、55)的推论结果整合的方法的另一例。在图11b的例子中，根据构成权重组(60、65)的各权重，将各推论模型(50、55)至少部分地整合。由此，将各推论模型(50、55)的推论结果整合。具体地，在采用该整合方法的情况下，各推论模型(50、55)构成为具备用于关联任务的共用运算的1个以上的运算参数。也就是说，各推论模型(50、55)的结构构成为至少部分地一致。
[0179]
作为一例，如在图11b中例示的，在各推论模型(50、55)由神经网络构成的情况下，各推论模型(50、55)构成为具备具有相同的神经元的数量和相同的结合关系的1个或多个层。作为另一例，在各推论模型(50、55)由回归模型构成的情况下，各推论模型(50、55)构成为具备用于相同的运算的系数和常量项中的至少任意一者。
[0180]
整合的范围可以从该各推论模型(50、55)的结构一致的范围内适当选择。在图11b的例子中，各推论模型(50、55)由6层的神经网络构成，在各推论模型(50、55)之间从输入层到第四层为止结构一致。并且，从输入层到第三层为止的范围被选择为整合范围。整合范围的选择例如可以通过操作人员的指定等来进行。
[0181]
与此相应地，如在图11b中例示的，将各推论模型(50、55)的推论结果整合可以由根据各权重对用于各推论模型(50、55)的共用运算的1个以上的运算参数的值进行加权、算出加权后的1个以上的运算参数的值的平均或合计来构成。根据图11a和图11b的方法，能够将各推论模型(50、55)的推论结果适当整合，由此，能够推导出解决了推论任务的结果。
[0182]
[推论装置]
[0183]
图12是示出本实施方式所涉及的推论装置3的处理顺序的一例的流程图。以下说明的处理顺序是推论方法的一例。不过，以下说明的处理顺序不过是一例，各步骤可以尽可能地变更。而且，关于以下说明的处理顺序，能基于实施方式适当进行步骤的省略、置换以及追加。
[0184]
(步骤s301)
[0185]
在步骤s301中，控制部31作为获取部311而动作，获取对象数据321。对象数据321是成为对象推论任务的完成对象的样本。对象数据321例如可以是图像数据、声音数据、数值数据、文本数据、其他传感数据等，可以根据对象推论任务的内容选择。
[0186]
获取对象数据321的方法可以基于实施方式适当选择。例如，如在与上述学习环境不同的检查环境中完成推论任务的事例等那样，各对象推论模型55有时以用于通过独立于
所源自的传感器组s并且配置在完成对象推论任务的环境的其他传感器组s得到的观测数据为前提而生成(以下，将该情形称为第一情形)。在该第一情形中，对象数据321可以从独立于分别用于各对象推论模型55的生成的多个不同的传感器组s的其他传感器组s获取。
[0187]
另一方面，例如如上述根据多个观测地点各自的气象预测的结果来预测某地方的综合性气象的事例等那样，各对象推论模型55有时以用于通过所源自的传感器组s得到的观测数据为前提而生成(以下，将该情形称为第二情形)。在该第二情形中，对象数据321可以从分别用于各对象推论模型55的生成的多个不同的传感器组s各者获取。
[0188]
获取对象数据321的路径可以基于实施方式适当选择。在推论装置3直接连接到传感器组s的情况下，控制部31可以从传感器组s直接获取对象数据321。另一方面，在传感器组s连接到其他计算机的情况下，控制部31可以经由网络、存储介质等从其他计算机获取对象数据321。当获取对象数据321时，控制部31使处理前进至下一步骤s302。
[0189]
(步骤s302)
[0190]
在步骤s302中，控制部31作为推论部312而动作，参照各对象推论模型55的对象学习结果数据225来进行各对象推论模型55的设定。另外，控制部31参照权重信息125对各对象推论模型55设定各对象的权重。然后，控制部31根据已被设定的各对象的权重将针对获取到的对象数据321的各对象推论模型55的推论结果整合。
[0191]
控制部31可以在推论结果的整合中采用上述图11a和图11b中的任意的方法。在采用图11a的方法的情况下，控制部31将对象数据321输入到各对象推论模型55，进行各对象推论模型55的运算处理。通过该运算处理，控制部31获取各对象推论模型55的输出值。然后，控制部31在用上述图11a的方法对各对象推论模型55的输出值进行加权后进行整合。另一方面，在采用图11b的方法的情况下，控制部31根据各对象的权重将各对象推论模型55的整合范围的运算参数的值整合。控制部31在将整合结果反映到各对象推论模型55的整合范围的运算参数后，对各对象推论模型55输入对象数据321，进行各对象推论模型55的运算处理。通过该运算处理，控制部31获取各对象推论模型55的输出值。然后，控制部31将各对象推论模型55的输出值整合。输出值的整合可以通过多数表决、平均或合计来进行。需要说明的是，当进行这些运算时，在上述第一情形中，控制部31将通过其他传感器组s得到的对象数据321输入到各对象推论模型55。另一方面，在上述第二情形中，控制部31将通过各传感器组s得到的对象数据321输入到对应的对象推论模型55。通过这些一系列的处理，控制部31能够使用多个对象推论模型55和对象权重组65来解决针对对象数据321的对象推论任务。当获取解决了对象推论任务的结果时，控制部31使处理前进至下一步骤s303。
[0192]
需要说明的是，在运用前，控制部31可以使用在完成对象推论任务的环境中得到的验证用数据并通过构成对象权重组65的各对象的权重来验证是否能适当得到对象推论任务的解决方案。验证用数据可以与对象学习数据45同样地构成。在这种情况下，控制部31可以通过机器学习或者其他最佳化法对各对象的权重的值进行微调，使得通过上述整合对验证用数据推导出的解决方案适合作为对象推论任务的解决方案。该微调可以通过参数调整装置1来进行。在这种情况下，参数调整装置1可以通过保持各对象推论模型55的对象学习结果数据225而具备各对象推论模型55。
[0193]
(步骤s303)
[0194]
在步骤s303中，控制部31作为输出部313而动作，输出与解决了对象推论任务的结
果相关的信息。
[0195]
输出目的地和输出的信息的内容可以分别基于实施方式适当决定。例如，控制部31可以将通过步骤s302得到的解决了对象推论任务的结果原样输出到输出装置36。另外例如，控制部31可以基于解决了对象推论任务的结果来执行规定的信息处理。然后，控制部31可以将执行了该信息处理的结果作为与解决了对象推论任务的结果相关的信息输出。执行了该信息处理的结果的输出可以包含基于解决了对象推论任务的结果而输出特定的消息、基于解决的结果而对控制对象装置的动作进行控制等。输出目的地例如可以是输出装置36、其他计算机的输出装置、控制对象装置等。
[0196]
当与解决了对象推论任务的结果有关的信息的输出完成时，控制部31将本动作例所涉及的处理顺序结束。需要说明的是，在规定期间之间，控制部31可以继续反复执行步骤s301～步骤s303的一系列的信息处理。反复的定时可以是任意的。由此，推论装置3可以继续完成对象推论任务。可以通过包含推论装置3的任意的计算机按与上述步骤s301～步骤s303同样的处理顺序关于现有推论任务也同样地完成。
[0197]
[特征]
[0198]
如上所示，在本实施方式中，通过参数调整装置1的步骤s202和步骤s203灵活应用针对多个现有推论任务分别生成的现有权重组60的实绩(现有任务信息121)，从而能够将生成在对象推论任务中使用的对象权重组65的作业的至少一部分自动化。因而，根据本实施方式，在设定多个不同的推论任务的状况中，能够降低为了解决对象的推论任务而导入多个推论模型时的成本。在推论装置3中，能够降低为了通过步骤s302来完成对象推论任务而决定各对象推论模型55的权重的工时。
[0199]
§
4变形例
[0200]
以上，虽然详细说明了本发明的实施方式，但是到前述为止的说明在所有方面不过是本发明的例示。当然能够不脱离本发明的范围地进行各种改进或者变形。例如，能进行以下这样的变更。需要说明的是，以下关于与上述实施方式同样的构成要素能使用同样的附图标记，关于与上述实施方式同样的点，适当省略了说明。以下的变形例能适当组合。
[0201]
上述实施方式所涉及的推论系统100可以应用于使用多个推论模型对规定种类的数据完成推论任务的所有场景。
[0202]
作为一例，上述实施方式所涉及的推论系统100可以应用于为了实现针对在不同环境中得到的传感数据的推论任务的精度的提高而将多个推论模型的推论结果整合的情形。在这种情况下，各推论任务和各关联任务可以对相互为同一种类的传感数据进行与同一种类的特征相关的推论。各推论模型(50、55)可以基于源自在不同环境中应用的传感器组s的学习数据(40、45)来生成。环境例如可以通过观测对象的属性、实施观测的场所、针对观测对象的传感器的配置、传感器的设置角度、传感器以外的外部重要因素的条件等观测条件来规定。各现有推论任务可以对在与源自现有学习数据40的环境不同的环境中得到的对象数据完成。对象推论任务可以对在与源自现有学习数据40的环境和完成各现有推论任务的各环境进一步不同的环境中得到的对象数据321完成。
[0203]
另外，作为另一例，上述实施方式所涉及的推论系统100可以应用于为了解决高阶推论任务而将多个推论模型的推论结果整合的情形。在这种情况下，各推论任务可以进行与成为各关联任务的推论对象的特征相比高阶的特征相关的推论。各推论模型(50、55)可
以构成为进行与相互不同的低阶的特征相关的推论。各现有推论任务可以对在任意的环境中得到的对象数据进行与不同的特征相关的推论。与此对应地，对象推论任务可以对在任意的环境中得到的对象数据进行与各现有推论任务进一步不同的特征相关的推论。或者，各现有推论任务可以对在不同环境中得到的对象数据进行与特定的特征相关的推论。与此对应地，对象推论任务可以对在与完成各现有推论任务的各环境进一步不同的环境中得到的对象数据进行与特定的特征相关的推论。
[0204]
作为具体例，上述实施方式所涉及的推论系统100例如可以应用于进行与产品的外观检查相关的推论(完成检查系统推论任务)的场景、推论与气象相关的现象或者受到气象的影响的现象(完成气象系统推论任务)的场景，推论与人流相关的现象或者受到人流的影响的现象(完成人流系统推论任务)的场景，推论与对象者的状态相关的现象(完成诊断系统推论任务)的场景等。以下，示出限定了应用场景的一个具体例。
[0205]
(a)进行产品的外观检查的场景
[0206]
图13示意性地例示第一具体例所涉及的检查系统100a的应用场景的一例。第一具体例是将上述实施方式应用于利用通过照相机sa得到的图像数据来实施产品ra的外观检查的场景的例子。第一具体例所涉及的检查系统100a具备参数调整装置1、模型生成装置2以及检查装置3a。检查装置3a是上述推论装置3的一例。
[0207]
在第一具体例中处理的数据(学习数据(40、45)、对象数据321)是通过照相机sa得到的图像数据。照相机sa的种类可以不做特别限定，可以基于实施方式适当选择。照相机sa例如可以是一般的rgb照相机、深度照相机、红外线照相机等。照相机sa可以适当配置在能拍摄产品ra的场所。需要说明的是，传感器组s的构成可以不限于这种例子。传感器组s可以包含照相机sa以外的传感器，与此相应地，所处理的数据可以包含图像数据以外的传感数据。
[0208]
产品ra例如可以是电子设备、电子部件、汽车部件、药品、食品等由生产线输送的产品。电子部件例如可以是基盘、芯片电容器、液晶、继电器的绕组等。汽车部件例如可以是连杆、轴、发动机缸体、电动窗口开关、面板等。药品例如可以是包装完毕的片剂、未包装的片剂等。产品ra可以是在制造过程完成后生成的最终产品，也可以是在制造过程的中途生成的中间产品，也可以是在经过制造过程之前准备的初始产品。成为外观检查的对象的缺陷例如可以是伤痕、污垢、裂纹、打痕、毛刺、颜色不均、涂装剥离、异物混入等。
[0209]
在第一具体例中，各推论模型的推论结果的整合可以是为了实现不同环境中的外观检查的精度的提高而进行的。在这种情况下，各推论任务和各关联任务均可以对图像数据进行与缺陷相关的推论。进行与缺陷相关的推论例如可以由判定产品ra是否包含有缺陷、判定产品ra包含缺陷的概率、识别产品ra所包含的缺陷的种类、确定产品ra所包含的缺陷的范围或者它们的组合来构成。各推论模型(50、55)可以基于源自在不同的环境中运用的照相机sa的学习数据(40、45)生成。外观检查的环境例如可以通过生产线/工厂的属性、产品ra的属性、照相机sa的型号、针对产品ra的照相机sa的配置、照相机sa的设置角度、证明条件、干扰光条件、背景条件等观测条件来规定。
[0210]
各现有推论任务可以是对在与源自现有学习数据40的环境不同的环境中得到的对象数据(图像数据)完成的任务。与此相对地，对象推论任务可以是对与源自现有学习数据40的环境和完成各现有推论任务的各环境进一步不同的环境中得到的对象数据321(图
像数据)完成的任务。作为具体事例的一例，在图13的例子中，检查系统推论任务a(某现有推论任务)是在第一生产线/第一工厂进行与产品ra的缺陷相关的推论的任务，检查系统推论任务b(别的现有推论任务)可以是在与第一生产线/第一工厂不同的第二生产线/第二工厂进行与产品ra的缺陷相关的推论的任务。与此相应地，检查系统推论任务z(对象推论任务)可以是在与第一生产线/第一工厂和第二生产线/第二工厂不同的第三生产线/第三工厂进行与产品ra的缺陷相关的推论的任务。对象推论任务与各现有推论任务之间的关联度例如可以基于生产线/工厂的设置场所的远近、生产线/工厂的属性(例如与人口密度、排出的垃圾的量等运用环境相关的特征)的相似性、产品ra的属性(例如种类、结构、外观图案、型号等)的相似性、其他观测条件的相似性等算出。
[0211]
除此之外，各推论任务和各关联任务均可以进行与特定种类的缺陷相关的推论。各现有推论任务可以进行与不同种类的缺陷相关的推论，对象推论任务可以进行与各现有推论任务进一步不同的种类的缺陷相关的推论。作为具体事例的一例，在图13的例子中，检查系统推论任务a可以是进行与第一种类的缺陷(例如伤痕)相关的推论的任务，检查系统推论任务b可以是进行与第一种类不同的第二种类的缺陷(例如，异物混入)相关的推论的任务。与此相应地，检查系统推论任务z可以是进行与第一种类和第二种类不同的第三种类的缺陷(例如，涂装剥离)相关的推论的任务。在这种情况下，对象推论任务与各现有推论任务之间的关联度除了上述观测条件的相似性之外，例如可以基于检查对象的缺陷的相似性等算出。
[0212]
或者，在第一具体例中，各推论模型的推论结果的整合可以是为了解决高阶推论任务而进行。在这种情况下，各关联任务可以基于由不同种类的传感器分别构成的传感器组s的观测数据进行与缺陷相关的推论。与此相应地，各推论任务可以是综合地进行与缺陷相关的推论。各现有推论任务可以是对在不同的环境中得到的对象数据进行与缺陷相关的推论。对象推论任务可以是对在与完成各现有推论任务的各环境进一步不同的环境中得到的对象数据321进行与缺陷相关的推论。对象推论任务与各现有推论任务之间的关联度可以基于上述观测条件的相似性算出。
[0213]
除此之外，各关联任务可以关于特定/任意种类的缺陷提取例如边缘等图像数据的特征量。与此相应地，各推论任务可以进行与特定/任意种类的缺陷相关的推论。各现有推论任务可以对在与源自现有学习数据40的环境不同的环境中得到的对象数据(图像数据)进行与特定/任意种类的缺陷相关的推论。与此相对地，对象推论任务可以对在与源自现有学习数据40的环境和完成各现有推论任务的各环境进一步不同的环境中得到的对象数据321(图像数据)进行与特定/任意种类的缺陷相关的推论。在这种情况下，对象推论任务与各现有推论任务之间的关联度可以基于上述观测条件的相似性算出。或者各现有推论任务可以是进行与不同种类的缺陷相关的推论的任务。与此相对地，对象推论任务可以是进行与各现有推论任务进一步不同的种类的缺陷相关的推论的任务。在这种情况下，对象推论任务与各现有推论任务之间的关联度例如可以基于上述观测条件的相似性、检查对象的缺陷的相似性等算出。
[0214]
除了这些之外，第一具体例的构成可以与上述实施方式相同。在第一具体例中，模型生成装置2能够通过与上述实施方式相同的处理顺序来生成能用于产品ra的外观检查的各推论模型(50、55)。参数调整装置1能够通过与上述实施方式相同的处理顺序来生成能用
于对象推论任务的对象权重组65。
[0215]
检查装置3a是构成为使用多个对象推论模型55和对象权重组65来完成与外观检查相关的对象推论任务的计算机。检查装置3a的硬件构成和软件构成可以与上述推论装置3相同。检查装置3a除了被提供的设计成服务专用的信息处理装置之外，也可以是通用的计算机、plc(programmable logic controller：可编程逻辑控制器)等。
[0216]
检查装置3a能够通过与上述推论装置3同样的处理顺序来执行产品ra的外观检查。即，在步骤s301中，检查装置3a的控制部从在检查对象的环境中运用的照相机sa获取产品ra所映现的对象数据321(图像数据)。在步骤s302中，控制部使用多个对象推论模型55和对象权重组65来执行与映现于对象数据321的产品ra的缺陷相关的推论。
[0217]
在步骤s303中，控制部输出与解决了产品ra的检查系统推论任务的结果相关的信息。例如，控制部可以将解决了与产品ra的缺陷相关的推论的结果原样输出到输出装置。另外，例如在判定为产品ra包含缺陷的情况下，控制部可以将用于通知该情况的警告输出到输出装置。另外，例如在输送产品ra的输送装置连接着检查装置3a的情况下，控制部可以基于缺陷推定的结果来控制输送装置，使其用不同的生产线输送有缺陷的产品ra和没有缺陷的产品ra。
[0218]
(特征)
[0219]
根据第一具体例，通过灵活应用为了不同的现有条件(环境、缺陷的种类等)下的外观检查而生成的现有权重组60的实绩，能够将生成用于新条件下的外观检查的对象权重组65的作业的至少一部分自动化。因而，根据第一具体例，在关于外观检查设定多个不同的条件的状况中，能够降低为了以对象的条件实施外观检查而导入多个推论模型时的成本。
[0220]
(b)对与气象相关的现象或者受到气象的影响的现象进行推论的场景
[0221]
图14示意性地例示第二具体例所涉及的预测系统100b的应用场景的一例。第二具体例是将上述实施方式应用于利用通过与气象关联的传感器sb得到的观测数据对与气象相关的现象或者受到气象的影响的现象进行推论(在该例中为预测)的场景的例子。第二具体例所涉及的预测系统100b具备参数调整装置1、模型生成装置2以及预测装置3b。预测装置3b是上述推论装置3的一例。需要说明的是，以下，为了便于说明，将与气象相关的现象和受到气象的影响的现象一并也记载为“气象关联现象”。
[0222]
在第二具体例中处理的数据(学习数据(40、45)、对象数据321)是通过进行与气象关联的观测的1个以上的传感器sb得到的观测数据。构成传感器组s的传感器sb例如可以是图像传感器、温度计、湿度计、雨量计、风向风速计、日照计、照度计、气压计、紫外线传感器、土壤传感器等。与气象相关的现象的预测项目例如可以是天气、降水量、温度、湿度、风速、风向、气压、紫外线量等。受到气象的影响的现象的预测项目例如可以是自然能量(例如，太阳能、水力、风力、地热等)的发电量、花粉的飞散量、植物的栽培状况(例如，发病的概率、果实/花的数量、花的开花情况，叶子的繁茂情况、植物的收获量、收获时期等)等。
[0223]
在第二具体例中，各推论模型的推论结果的整合可以是为了实现不同的观测地点的气象系统推论任务的精度的提高而进行的。在这种情况下，各推论任务和各关联任务均可以是关于气象关联现象的任意项目进行预测。各推论模型(50、55)可以基于源自在不同的观测地点运用的传感器sb的学习数据(40、45)生成。各现有推论任务可以是针对在与源自现有学习数据40的观测地点不同的观测地点得到的对象数据完成的任务。与此相对地，
对象推论任务可以是针对在与源自现有学习数据40的观测地点和完成各现有推论任务的各观测地点进一步不同的观测地点得到的对象数据321完成的任务。作为具体事例的一例，在图14的例子中，气象系统推论任务a(某现有推论任务)可以预测第一地点的天气，气象系统推论任务b(别的现有推论任务)可以预测与第一地点不同的第二地点的天气。与此相应地，气象系统推论任务z(对象推论任务)可以预测与第一地点和第二地点不同的第三地点的天气。在这种情况下，对象推论任务基于各现有推论任务之间的关联度例如可以与观测地点的远近、观测地点的环境的相似性、预测项目的相似性等算出。需要说明的是，在上述的例子中，可以将观测地点置换为观测地域，各推论模型的推论结果的整合是为了实现不同的观测地域的气象系统推论任务的精度的提高而进行的。该情形也能与上述同样地构成。
[0224]
或者，在第二具体例中，各推论模型的推论结果的整合可以是为了解决高阶推论任务而进行的。在这种情况下，各关联任务可以是分别预测不同的特定观测地点的气象关联现象。与此相应地，各推论任务可以是预测包含各关联任务的观测地点的地域/地方的气象关联现象。各推论模型(50、55)可以基于在各观测地点得到的学习数据(40、45)生成，以进行与气象关联现象的各推论任务的预测对象的项目相关的推论。各现有推论任务可以是进行与气象关联现象的不同项目相关的预测的任务，对象推论任务可以是进行与各现有推论任务进一步不同的气象关联现象的项目相关的预测的任务。对象数据321可以由在各观测地点得到的观测数据构成。作为具体事例的一例，在图14的例子中，气象系统推论任务a可以是预测某地方的天气，气象系统推论任务b可以是预测该地方的降水量。与此相应地，气象系统推论任务z可以是预测该地方的太阳能的发电量。在这种情况下，对象推论任务基于各现有推论任务之间的关联度例如可以与预测项目的相似性等算出。
[0225]
除了这些之外，第二具体例的构成可以与上述实施方式相同。在第二具体例中，模型生成装置2能够通过与上述实施方式相同的处理顺序生成能用于气象关联现象的预测的各推论模型(50、55)。参数调整装置1能够通过与上述实施方式相同的处理顺序生成能用于对象推论任务的对象权重组65。
[0226]
预测装置3b是构成为使用多个对象推论模型55和对象权重组65完成与气象关联现象相关的对象推论任务的计算机。预测装置3b的硬件构成和软件构成可以与上述推论装置3相同。预测装置3b除了被设计成所提供的服务专用的信息处理装置之外，也可以是通用的服务器装置、通用的计算机等。
[0227]
预测装置3b能够通过与上述推论装置3相同的处理顺序来执行气象关联现象的预测。即，在步骤s301中，预测装置3b的控制部从在预测对象的观测地点(或者地域/地方)运用的传感器sb获取对象数据321。在步骤s302中，控制部使用多个对象推论模型55和对象权重组65，基于对象数据321来进行气象关联现象的预测。在步骤s303中，控制部输出与预测结果相关的信息。
[0228]
(特征)
[0229]
根据第二具体例，通过灵活应用为了不同的现有条件(观测地点、预测项目等)下的气象关联现象的预测而生成的现有权重组60的实绩，能够将生成在新的条件下的气象关联现象的预测中使用的对象权重组65的作业的至少一部分自动化。因而，根据第二具体例，在关于气象关联现象的预测设定多个不同的条件的状况中，能够降低为了按对象的条件实
施气象关联现象的预测而导入多个推论模型时的成本。
[0230]
(c)对与人流相关的现象或者受到人流的影响的现象进行推论的场景
[0231]
图15示意性地例示第三具体例所涉及的预测系统100c的应用场景的一例。第三具体例是将上述实施方式应用于利用通过观测人流其本身或者对人流带来影响的现象的传感器sc得到的观测数据来推论(在该例中为预测)与人流相关的现象或者受到人流的影响的现象的场景的例子。第三具体例所涉及的预测系统100c具备参数调整装置1、模型生成装置2以及预测装置3c。预测装置3c是上述推论装置3的一例。需要说明的是，以下，为了便于说明，将与人流相关的现象和受到人流的影响的现象一并也记载为“人流关联现象”。
[0232]
在第三具体例中处理的数据(学习数据(40、45)、对象数据321)是由进行与人流关联的观测的1个以上的传感器sc得到的观测数据。人流例如可以是车站、街头等处的人的动作。或者，人流例如可以是观测地点的道路中的车辆(例如，汽车)的动作。对人流带来影响的现象例如可以是气象、电车的运行信息、道路的交通信息等。与此相应地，构成传感器组s的传感器sc例如可以是照相机(图像传感器)、信标、气象系统的传感器(例如，上述传感器sb)、输入装置等。输入装置例如可以用于电车的运行信息、道路的交通信息等各种信息的输入。与人流相关的现象的预测项目例如可以是人/车辆的通行量、人/车辆的拥堵度、人/车辆的移动路径、人/车辆的密度等。受到人流的影响的现象例如可以是从观测区域到达任意的目的地为止所花费的时间、事故/事件的发生概率、交通阻塞的发生概率、商品的需求量等。
[0233]
在第三具体例中，各推论模型的推论结果的整合可以是为了实现不同的观测地点的人流系统推论任务的精度的提高而进行。在这种情况下，各推论任务和各关联任务均可以是关于人流关联现象的任意的项目进行预测。各推论模型(50、55)可以基于源自在不同的观测地点运用的传感器sc的学习数据(40、45)生成。各现有推论任务可以是针对在与源自现有学习数据40的观测地点不同的观测地点得到的对象数据完成的任务。与此相对地，对象推论任务可以是针对在与源自现有学习数据40的观测地点和完成各现有推论任务的各观测地点进一步不同的观测地点得到的对象数据321完成的任务。作为具体事例的一例，在图15的例子中，人流系统推论任务a(某现有推论任务)可以是预测某车站的人的拥堵度，人流系统推论任务b(别的现有推论任务)可以是预测某十字路口的人的拥堵度。与此相应地，人流系统推论任务z(对象推论任务)可以是预测某商业设施中的人的拥堵度。在这种情况下，对象推论任务与各现有推论任务间的关联度例如可以基于观测地点的远近、观测地点的环境的相似性、预测项目的相似性等算出。需要说明的是，在上述的例子中，可以将观测地点置换为观测区域，各推论模型的推论结果的整合可以为了实现不同的观测区域的气象系统推论任务的精度的提高而进行。该情形也能与上述同样地构成。
[0234]
或者，在第三具体例中，各推论模型的推论结果的整合可以是为了解决高阶推论任务而进行。在这种情况下，各关联任务可以是分别预测不同的特定观测地点的人流关联现象。与此相应地，各推论任务可以是预测包含各关联任务的观测地点的观测区域中的人流关联现象。各推论模型(50、55)可以基于在各观测地点得到的学习数据(40、45)生成，以进行与人流关联现象的各推论任务中的预测对象的项目相关的推论。各现有推论任务可以是进行与人流关联现象的不同项目相关的预测，对象推论任务可以是进行与和各现有推论任务进一步不同的人流关联现象的项目相关的预测。对象数据321可以由在各观测地点得
到的观测数据构成。作为具体事例的一例，在图15的例子中，人流系统推论任务a可以是预测某观测区域中的人的通行量，人流系统推论任务b可以是预测该观测区域中的人的移动路径。与此相应地，人流系统推论任务z可以是预测该观测区域中的某商品的需求量。在这种情况下，对象推论任务与各现有推论任务之间的关联度例如可以基于预测项目的相似性等算出。
[0235]
除了这些之外，第三具体例的构成可以与上述实施方式相同。在第三具体例中，模型生成装置2能够通过与上述实施方式相同的处理顺序生成能用于人流关联现象的预测的各推论模型(50、55)。参数调整装置1能够通过与上述实施方式相同的处理顺序生成能用于对象推论任务的对象权重组65。
[0236]
预测装置3c是构成为使用多个对象推论模型55和对象权重组65来完成与人流关联现象相关的对象推论任务的计算机。预测装置3c的硬件构成和软件构成可以与上述推论装置3相同。预测装置3c除了设计成所提供的服务专用的信息处理装置之外，也可以是通用的服务器装置、通用的计算机等。
[0237]
预测装置3c能够通过与上述推论装置3相同的处理顺序来执行人流关联现象的预测。即，在步骤s301中，预测装置3c的控制部从在预测对象的观测地点(或者观测区域)运用的传感器sc获取对象数据321。在步骤s302中，控制部使用多个对象推论模型55和对象权重组65并基于对象数据321来进行人流关联现象的预测。在步骤s303中，控制部输出与预测结果相关的信息。
[0238]
(特征)
[0239]
根据第三具体例，通过灵活应用为了不同的现有条件(观测地点、预测项目等)下的人流关联现象的预测而生成的现有权重组60的实绩，能够将生成用于新的条件下的人流关联现象的预测的对象权重组65的作业的至少一部分自动化。因而，根据第三具体例，在关于人流关联现象的预测设定多个不同的条件的状况中，能够将为了按对象的条件实施人流关联现象的预测而导入多个推论模型时的成本降低。
[0240]
(d)对与对象者的状态相关的现象进行推论的场景
[0241]
图16示意性地例示第四具体例所涉及的诊断系统100d的应用场景的一例。第四具体例是将上述实施方式应用于利用由观测对象者rd的状态的传感器sd得到的观测数据来推论(诊断)与对象者rd的状态相关的现象的场景的例子。第四具体例所涉及的诊断系统100d具备参数调整装置1、模型生成装置2以及诊断装置3d。诊断装置3d是上述推论装置3的一例。需要说明的是，以下为了便于说明，将与对象者rd的状态有关的现象也记载为“诊断关联现象”。
[0242]
在第四具体例中处理的数据(学习数据(40、45)、对象数据321)是通过观测对象者rd的状态的1个以上的传感器sd得到的观测数据。构成传感器组s的传感器sd例如可以是照相机、红外线传感器、麦克风、输入装置、生命体征传感器、医疗检查装置等。生命体征传感器例如可以是血压计、脉搏计、心率计、心电仪、肌电仪、体温计、皮肤电反应计、微波传感器、脑电图仪、脑磁图仪、活动量计、血糖值测定器、眼电位传感器、眼球运动测量器等。医疗检查装置例如可以是ct装置、mri装置等。诊断关联现象的推论项目可以与对象者rd的健康状态相关，例如判定是否是健康、判定是否有生病的预兆、识别健康状态的种类、判定对象的生病的概率等。在一例中，对象者rd可以是车辆的驾驶员，上述推论诊断关联现象的场景
可以是推论驾驶员的状态的场景。在这种情况下，诊断关联现象的推论项目除了与上述健康状态相关的项目之外，例如也可以包含驾驶员的睡意、疲劳度、充裕度等与驾驶可能性相关的项目。在另一例中，对象者rd可以是在工厂等进行作业的作业者，上述推论诊断关联现象的场景可以是推论作业者的状态的场景。在这种情况下，诊断关联现象的推论项目除了上述与健康状态相关的项目之外，例如也可以包含作业者的睡意、疲劳度、充裕度等与针对作业的表现相关的项目。
[0243]
在第四具体例中，各推论模型的推论结果的整合可以为了实现针对不同属性的对象者rd的诊断系统推论任务的精度的提高来进行。在这种情况下，各推论任务和各关联任务均可以是关于诊断关联现象的任意的项目进行推论。各推论模型(50、55)可以基于源自运用于不同属性的对象者rd(受检者)的传感器sd的学习数据(40、45)生成。各现有推论任务可以是针对关于与源自现有学习数据40的对象者rd的属性不同的属性的对象者rd得到的对象数据完成的任务。与此相对地，对象推论任务可以是针对关于与源自现有学习数据40的对象者rd的属性和完成各现有推论任务的对象者rd的各属性进一步不同的属性的对象者rd得到的对象数据321完成的任务。作为具体事例的一例，在图16的例子中，诊断系统推论任务a(某现有推论任务)可以是关于二十多岁的男性判定是否是健康的，诊断系统推论任务b(别的现有推论任务)可以是关于四十多岁的男性判定是否是健康的。与此相应地，诊断系统推论任务z(对象推论任务)可以是关于三十多岁的男性判定是否是健康的。在这种情况下，对象推论任务基于各现有推论任务间的关联度例如可以与对象者rd的属性的相似性、观测条件的相似性、诊断项目的相似性等算出。对象者rd的属性例如可以通过年龄、身高、体重、性别、生活习惯等被规定。观测条件例如可以通过传感器sd的种类、型号等被规定。需要说明的是，在上述的例子中，可以将对象者rd的属性置换为观测条件，各推论模型的推论结果的整合可以为了实现不同观测条件下的诊断系统推论任务的精度的提高而进行。该情形也能与上述同样地构成。
[0244]
或者在第四具体例中，各推论模型的推论结果的整合可以是为了解决高阶推论任务而进行。在这种情况下，各关联任务可以基于由不同种类的传感器sd分别构成的传感器组s的观测数据来进行与诊断关联现象相关的推论。与此相应地，各推论任务可以是综合地进行与诊断关联现象相关的推论。各现有推论任务可以是关于诊断关联现象的不同项目进行推论。对象推论任务可以是关于与各现有推论任务的各推论项目进一步不同的诊断关联现象的项目进行推论。作为具体事例的一例，在图16的例子中，诊断系统推论任务a可以是判定是否有第一疾病的预兆，诊断系统推论任务b可以是判定是否有与第一疾病不同的第二疾病的预兆。与此相应地，诊断系统推论任务z可以是判定是否有与第一疾病和第二疾病不同的第三疾病的预兆。在这种情况下，对象推论任务基于各现有推论任务间的关联度例如可以与诊断项目的相似性等算出。需要说明的是，在上述的例子中，诊断关联现象的项目可以置换为对象者rd的属性或者观测条件。
[0245]
除了这些之外，第四具体例的构成可以与上述实施方式相同。在第四具体例中，模型生成装置2能够通过与上述实施方式相同的处理顺序来生成能用于诊断关联现象的推论的各推论模型(50、55)。参数调整装置1能够通过与上述实施方式相同的处理顺序来生成能用于对象推论任务的对象权重组65。
[0246]
诊断装置3d是构成为使用多个对象推论模型55和对象权重组65来完成与诊断关
联现象相关的对象推论任务的计算机。诊断装置3d的硬件构成和软件构成可以与上述推论装置3相同。诊断装置3d除了设计成所提供的服务专用的信息处理装置之外，也可以是通用的计算机、平板终端以及包含智能电话的便携终端等。
[0247]
诊断装置3d能够通过与上述推论装置3相同的处理顺序来执行诊断关联现象的推论。即，在步骤s301中，诊断装置3d的控制部从针对诊断对象的对象者rd运用的传感器sd获取对象数据321。在步骤s302中，控制部使用多个对象推论模型55和对象权重组65并基于对象数据321来进行诊断关联现象的推论。在步骤s303中，控制部输出与推论结果相关的信息。
[0248]
(特征)
[0249]
根据第四具体例，通过灵活应用为了不同的现有条件(对象者rd的属性、诊断项目等)下的诊断关联现象的推论而生成的现有权重组60的实绩，能够将生成用于新条件下的诊断关联现象的推论的对象权重组65的作业的至少一部分自动化。因而，根据第四具体例，在关于诊断关联现象的推论设定多个不同的条件的状况中，能够降低为了按对象的条件来实施诊断关联现象的推论而导入多个推论模型时的成本。
[0250]
附图标记说明
[0251]1…
参数调整装置，11
…
控制部，12
…
存储部，13
…
通信接口，14
…
外部接口，15
…
输入装置，16
…
输出装置，17
…
驱动器，111
…
信息获取部，112
…
关联度算出部，113
…
权重决定部，114
…
输出部，121
…
现有任务信息，125
…
权重信息，81
…
参数调整程序，91
…
存储介质，2
…
模型生成装置，21
…
控制部，22
…
存储部，23
…
通信接口，24
…
外部接口，25
…
输入装置，26
…
输出装置，27
…
驱动器，211
…
数据获取部，212
…
生成部，213
…
保存处理部，220、225
…
学习结果数据，82
…
模型生成程序，92
…
存储介质，3
…
推论装置，31
…
控制部，32
…
存储部，33
…
通信接口，34
…
外部接口，35
…
输入装置，36
…
输出装置，37
…
驱动器，311
…
获取部，312
…
推论部，313
…
输出部，321
…
对象数据，40
…
现有学习数据，45
…
对象学习数据，50
…
现有推论模型，55
…
对象推论模型，60
…
现有权重组，65
…
对象权重组，70
…
目标信息，s
…
传感器组。