特許ウォッチ

公開番号2025147911
公報種別公開特許公報(A)
公開日2025-10-07
出願番号2024048421
出願日2024-03-25
発明の名称情報処理装置、学習方法、および学習プログラム
出願人カナデビア株式会社,国立大学法人大阪大学
代理人弁理士法人 HARAKENZO WORLD PATENT & TRADEMARK
主分類G06N 20/00 20190101AFI20250930BHJP(計算;計数)
要約【課題】設備の状態の推論モデルを機械学習により生成する際のコストを抑える。
【解決手段】情報処理装置(1)は、設備の状態が反映された時系列の第1のデータに対して時系列の数値データを正解データとして対応付けた第1の訓練データを用いた機械学習により第1の推論モデル(112)を生成する第1の学習部(103)と、上記設備の状態が反映された第2のデータに対して当該状態を正解データとして対応付けた第2の訓練データを用いて第1の推論モデル(112)のファインチューニングを行うことにより、上記設備の状態を推定する第2の推論モデル(114)を生成する第2の学習部(104)と、を備える。
【選択図】図1
特許請求の範囲【請求項１】
所定の設備の一部または全体の状態が反映された時系列の第１のデータのそれぞれに対して、前記状態に関する時系列の数値データのそれぞれを正解データとして対応付けた第１の訓練データを用いた機械学習により、前記数値データの値を推論する第１の推論モデルを生成する第１の学習部と、
前記設備の一部または全体の状態が反映された第２のデータに対して、当該状態を正解データとして対応付けた第２の訓練データを用いて前記第１の推論モデルのファインチューニングを行うことにより、前記設備の一部または全体の状態を推定する第２の推論モデルを生成する第２の学習部と、を備える、情報処理装置。
続きを表示（約 1,500 文字）【請求項２】
前記第１のデータおよび前記第２のデータは、前記設備の一部または全体の画像である、請求項１に記載の情報処理装置。
【請求項３】
前記数値データは、前記設備で測定された測定値、前記設備で動作する機器に設定された設定値、当該機器に対する操作量、および前記測定値と前記設定値と前記操作量の少なくとも何れかを用いて算出された算出値、の少なくとも何れかの値を示すデータである、請求項１または２に記載の情報処理装置。
【請求項４】
前記設備は、廃棄物を火格子上で焼却する廃棄物処理設備であり、
前記数値データは、後燃焼段の温度、焼却炉内に送り込まれる空気の流量、および前記廃棄物の火格子上における厚さ、の何れかを示すデータである、請求項３に記載の情報処理装置。
【請求項５】
時系列を構成する複数の画像からなる画像群を、１つの前記第１のデータおよび１つの前記第２のデータとして用いる、請求項２に記載の情報処理装置。
【請求項６】
前記第１の訓練データにおいて対応付けられている時系列の前記第１のデータと時系列の前記数値データとの間には時間的なずれがある、請求項１または２に記載の情報処理装置。
【請求項７】
所定の設備の一部または全体の状態が反映された第１のデータを用いた機械学習により、当該第１のデータからその特徴を抽出し、抽出した特徴に基づいて当該第１のデータを再構成した再構成データを生成する第１の推論モデルを生成する第１の学習部と、
前記設備の一部または全体の状態が反映された第２のデータに対して、当該状態を正解データとして対応付けた第２の訓練データを用いて前記第１の推論モデルのファインチューニングを行うことにより、前記設備の一部または全体の状態を推定する第２の推論モデルを生成する第２の学習部と、を備える、情報処理装置。
【請求項８】
１または複数の情報処理装置により実行される学習方法であって、
所定の設備の一部または全体の状態が反映された時系列の第１のデータのそれぞれに対して、前記状態に関する時系列の数値データのそれぞれを正解データとして対応付けた第１の訓練データを用いた機械学習により、前記数値データの値を推論する第１の推論モデルを生成する第１の学習ステップと、
前記設備の一部または全体の状態が反映された第２のデータに対して、当該状態を正解データとして対応付けた第２の訓練データを用いて前記第１の推論モデルのファインチューニングを行うことにより、前記設備の一部または全体の状態を推定する第２の推論モデルを生成する第２の学習ステップと、を含む学習方法。
【請求項９】
１または複数の情報処理装置により実行される学習方法であって、
所定の設備の一部または全体の状態が反映された第１のデータを用いた機械学習により、当該第１のデータからその特徴を抽出し、抽出した特徴に基づいて当該第１のデータを再構成した再構成データを生成する第１の推論モデルを生成する第１の学習ステップと、
前記設備の一部または全体の状態が反映された第２のデータに対して、当該状態を正解データとして対応付けた第２の訓練データを用いて前記第１の推論モデルのファインチューニングを行うことにより、前記設備の一部または全体の状態を推定する第２の推論モデルを生成する第２の学習ステップと、を含む学習方法。
【請求項１０】
請求項１または７に記載の情報処理装置としてコンピュータを機能させるための学習プログラムであって、前記第１の学習部および前記第２の学習部としてコンピュータを機能させるための学習プログラム。

発明の詳細な説明【技術分野】
【０００１】
本発明は機械学習により学習済みモデルを生成する情報処理装置等に関する。
続きを表示（約 2,100 文字）【背景技術】
【０００２】
近年、機械学習により生成された学習済みモデルの実用化が、幅広い分野で進められている。例えば、下記の特許文献１には、学習済みモデルを用いて焼却炉内の燃焼状態を評価する情報処理装置が開示されている。この機械学習済みモデルは、焼却炉内の赤外線撮像データに対して、燃焼状態を判断する要素となる分類ラベルが付与された教師データを機械学習することにより生成されたものである。
【先行技術文献】
【特許文献】
【０００３】
特開２０２４－００１３３７号公報
【発明の概要】
【発明が解決しようとする課題】
【０００４】
特許文献１において、上記の教師データを生成する際には、赤外線撮像データにどのような分類ラベルを紐づけるかについて、運転員が経験則に基づいて判断することとなっている。このため、実用に耐える精度の学習済みモデルを生成するために、経験豊富な運転員が分類ラベルの紐づけ作業に長時間にわたって拘束されてしまうことになる。このように、特許文献１の技術には、分類モデルを生成するための訓練データを生成するための作業コストが嵩むという問題がある。また、このような問題は、特許文献１のような燃焼状態の分類のためのモデルに限られず、任意の設備について、その一部または全体の状態の推論モデルを機械学習により生成する場合に共通して生じる問題である。
【０００５】
本発明の一態様は、設備の一部または全体の状態の推論モデルを機械学習により生成する際のコストを抑えることが可能な情報処理装置等を実現することを目的とする。
【課題を解決するための手段】
【０００６】
上記の課題を解決するために、本発明の一態様に係る情報処理装置は、所定の設備の一部または全体の状態が反映された時系列の第１のデータのそれぞれに対して、前記状態に関する時系列の数値データのそれぞれを正解データとして対応付けた第１の訓練データを用いた機械学習により、前記数値データの値を推論する第１の推論モデルを生成する第１の学習部と、前記設備の一部または全体の状態が反映された第２のデータに対して、当該状態を正解データとして対応付けた第２の訓練データを用いて前記第１の推論モデルのファインチューニングを行うことにより、前記設備の一部または全体の状態を推定する第２の推論モデルを生成する第２の学習部と、を備える。
【０００７】
また、上記の課題を解決するために、本発明の一態様に係る他の情報処理装置は、所定の設備の一部または全体の状態が反映された第１のデータを用いた機械学習により、当該第１のデータからその特徴を抽出し、抽出した特徴に基づいて当該第１のデータを再構成した再構成データを生成する第１の推論モデルを生成する第１の学習部と、前記設備の一部または全体の状態が反映された第２のデータに対して、当該状態を正解データとして対応付けた第２の訓練データを用いて前記第１の推論モデルのファインチューニングを行うことにより、前記設備の一部または全体の状態を推定する第２の推論モデルを生成する第２の学習部と、を備える。
【０００８】
また、上記の課題を解決するために、本発明の一態様に係る学習方法は、１または複数の情報処理装置により実行される学習方法であって、所定の設備の一部または全体の状態が反映された時系列の第１のデータのそれぞれに対して、前記状態に関する時系列の数値データのそれぞれを正解データとして対応付けた第１の訓練データを用いた機械学習により、前記数値データの値を推論する第１の推論モデルを生成する第１の学習ステップと、前記設備の一部または全体の状態が反映された第２のデータに対して、当該状態を正解データとして対応付けた第２の訓練データを用いて前記第１の推論モデルのファインチューニングを行うことにより、前記設備の一部または全体の状態を推定する第２の推論モデルを生成する第２の学習ステップと、を含む。
【０００９】
また、上記の課題を解決するために、本発明の一態様に係る他の学習方法は、１または複数の情報処理装置により実行される学習方法であって、所定の設備の一部または全体の状態が反映された第１のデータを用いた機械学習により、当該第１のデータからその特徴を抽出し、抽出した特徴に基づいて当該第１のデータを再構成した再構成データを生成する第１の推論モデルを生成する第１の学習ステップと、前記設備の一部または全体の状態が反映された第２のデータに対して、当該状態を正解データとして対応付けた第２の訓練データを用いて前記第１の推論モデルのファインチューニングを行うことにより、前記設備の一部または全体の状態を推定する第２の推論モデルを生成する第２の学習ステップと、を含む。
【発明の効果】
【００１０】
本発明の一態様によれば、設備の一部または全体の状態の推論モデルを機械学習により生成する際のコストを抑えることが可能になる。
【図面の簡単な説明】
（【００１１】以降は省略されています）

関連特許