JP2023033894A - モデル管理装置及びモデル管理方法 - Google Patents

Abstract

【課題】複数のＡＩ装置の各々が機械学習モデルの学習を行う場合に、複数のＡＩ装置の各々において学習された機械学習モデルの精度がばらつくことを抑制する。
【解決手段】モデル管理装置は、各々が機械学習モデルの学習を継続的に行う複数のＡＩ装置２と通信可能な通信部１１と、複数のＡＩ装置の各々における機械学習モデルの学習を管理する学習管理部１５と、複数のＡＩ装置の各々において学習された機械学習モデルの精度を取得する精度取得部１６とを備える。学習管理部は、所定範囲内の精度を有する機械学習モデルの学習に関する処理の実施頻度を変更する。
【選択図】図６Ａ

Description

本発明はモデル管理装置及びモデル管理方法に関する。

特許文献１には、スマートシティにおいて複数の事業主体からデータを収集することが記載されている。情報通信技術を用いて人々の生活をより快適にするためには、斯かるビッグデータを有効活用できることが望ましい。

例えば、スマートシティのような所定の対象エリアにおいて取得された多数のデータを用いて、所望の予測値を出力可能な機械学習モデルの学習を行うことが考えられる。様々な種類の機械学習モデルの学習を同時に行うためには、対象エリアに複数のＡＩ装置を設置し、複数のＡＩ装置の各々において機械学習モデルの学習を行う必要がある。

特開２０１３－０６９０８４号公報

しかしながら、複数のＡＩ装置の各々において学習された機械学習モデルの精度にばらつきが生じる場合がある。例えば、或る機械学習モデルでは外部環境の変化等により精度が低下し、別の機械学習モデルでは継続的な学習により精度が十分に高くなることが考えられる。機械学習モデルの精度が低下した場合には、機械学習モデルによって出力される出力パラメータの値の信頼度が低下し、斯かる機械学習モデルを用いた制御、分析、診断等に支障が生じるおそれがある。一方、機械学習モデルの精度が十分に高い場合には、精度が飽和状態となり、斯かる機械学習モデルの学習を同じ頻度で継続することは対象エリアにおける電力の浪費をもたらす。

そこで、上記課題に鑑みて、本発明の目的は、複数のＡＩ装置の各々が機械学習モデルの学習を行う場合に、複数のＡＩ装置の各々において学習された機械学習モデルの精度がばらつくことを抑制することにある。

本開示の要旨は以下のとおりである。

（１）複数の機械学習モデルを管理するモデル管理装置であって、各々が機械学習モデルの学習を継続的に行う複数のＡＩ装置と通信可能な通信部と、前記複数のＡＩ装置の各々における機械学習モデルの学習を管理する学習管理部と、前記複数のＡＩ装置の各々において学習された機械学習モデルの精度を取得する精度取得部とを備え、前記学習管理部は、所定範囲内の精度を有する機械学習モデルの学習に関する処理の実施頻度を変更する、モデル管理装置。

（２）前記学習管理部は、所定の下側閾値以下の精度を有する機械学習モデルの学習に関する処理の実施頻度を増加させる、上記（１）に記載のモデル管理装置。

（３）前記学習管理部は、前記実施頻度の増加によって機械学習モデルの精度が前記下側閾値よりも高い所定の第１判定値まで上昇したときに、該実施頻度を元に戻す、上記（２）に記載のモデル管理装置。

（４）前記学習管理部は、所定の上側閾値以上の精度を有する機械学習モデルの学習に関する処理の実施頻度を減少させる、上記（１）から（３）のいずれか１つに記載のモデル管理装置。

（５）前記学習管理部は、前記実施頻度の減少によって機械学習モデルの精度が前記上側閾値未満の所定の第２判定値まで低下したときに、該実施頻度を元に戻す、上記（４）に記載のモデル管理装置。

（６）前記学習管理部は、所定の下側閾値以下の精度を有する機械学習モデルの学習に関する処理の実施頻度を増加させ、所定の上側閾値以上の精度を有する機械学習モデルの学習に関する処理の実施頻度を減少させ、該実施頻度の変更による電力消費量の変化量が所定値以下になるように前記上側閾値及び前記下側閾値の少なくとも一方を変更する、上記（１）から（５）のいずれか１つに記載のモデル管理装置。

（７）前記複数のＡＩ装置に供給可能な電力量を取得する電力量取得部を更に備え、前記学習管理部は、所定の上側閾値以上の精度を有する機械学習モデルの学習に関する処理の実施頻度を減少させ、所定の下側閾値以下の精度を有する機械学習モデルの学習に関する処理の実施頻度を増加させ、前記電力量に基づいて前記上側閾値及び前記下側閾値の少なくとも一方を変更する、上記（１）から（５）のいずれか１つに記載のモデル管理装置。

（８）前記上側閾値以上の精度を有する機械学習モデルは、人の健康に関するデータを出力しない機械学習モデルである、上記（４）から（７）のいずれか１つに記載のモデル管理装置。

（９）モデル管理装置を用いて複数の機械学習モデルを管理するモデル管理方法であって、複数のＡＩ装置の各々において学習された機械学習モデルの精度を取得することと、所定範囲内の精度を有する機械学習モデルの学習に関する処理の実施頻度を変更することとを含む、モデル管理方法。

本発明によれば、複数のＡＩ装置の各々が機械学習モデルの学習を行う場合に、複数のＡＩ装置の各々において学習された機械学習モデルの精度がばらつくことを抑制することができる。

図１は、本発明の第一実施形態に係るモデル管理システムの概略的な構成図である。 図２は、図１のＡＩ装置の構成を概略的に示す図である。 図３は、ＡＩ装置のプロセッサの機能ブロック図である。 図４は、図１の管理サーバの構成を概略的に示す図である。 図５は、第一実施形態における管理サーバのプロセッサの機能ブロック図である。 図６Ａは、第一実施形態において管理サーバにおいて実行される実施頻度送信処理の制御ルーチンを示すフローチャートである。 図６Ｂは、第一実施形態において管理サーバにおいて実行される実施頻度送信処理の制御ルーチンを示すフローチャートである。 図７は、ＡＩ装置において実行される実施頻度変更処理の制御ルーチンを示すフローチャートである。 図８は、ＡＩ装置において実行される学習処理の制御ルーチンを示すフローチャートである。 図９Ａは、第二実施形態において管理サーバにおいて実行される実施頻度送信処理の制御ルーチンを示すフローチャートである。 図９Ｂは、第二実施形態において管理サーバにおいて実行される実施頻度送信処理の制御ルーチンを示すフローチャートである。 図９Ｃは、第二実施形態において管理サーバにおいて実行される実施頻度送信処理の制御ルーチンを示すフローチャートである。 図１０は、第三実施形態における管理サーバのプロセッサの機能ブロック図である。 図１１は、第三実施形態において管理サーバにおいて実行される閾値設定処理の制御ルーチンを示すフローチャートである。 図１２は、複数のＡＩ装置に供給可能な電力量と上側閾値との関係を示す図である。 図１３は、複数のＡＩ装置に供給可能な電力量と下側閾値との関係を示す図である。

以下、図面を参照して本発明の実施形態について詳細に説明する。なお、以下の説明では、同様な構成要素には同一の参照番号を付す。

＜第一実施形態＞
最初に、図１～図８を参照して、本発明の第一実施形態について説明する。

図１は、本発明の第一実施形態に係るモデル管理システム１０の概略的な構成図である。図１に示されるように、モデル管理システム１０は管理サーバ１と複数のＡＩ装置２とを備える。複数のＡＩ装置２は、それぞれ、インターネット網又はキャリア網のような通信ネットワーク３を介して管理サーバ１と通信可能である。

複数のＡＩ装置２は、それぞれ、所定の対象エリア内に設置され、対象エリアにおいて用いられる機械学習モデルの学習を行う。所定の対象エリアは、予め定められた範囲を有し、例えば、「都市の抱える諸問題に対して、ＩＣＴ等の新技術を活用しつつ、マネジメント（計画、整備、管理、運営等）が行われ、全体最適化が図られる持続可能な都市又は地区」として定義されるスマートシティである。なお、ＡＩ装置は機械学習装置とも称される。

複数のＡＩ装置２は同様な構成を有する。図２は、図１のＡＩ装置２の構成を概略的に示す図である。ＡＩ装置２は、通信インターフェース２１、ストレージ装置２２、メモリ２３及びプロセッサ２４を備える。通信インターフェース２１、ストレージ装置２２及びメモリ２３は、信号線を介してプロセッサ２４に接続されている。なお、ＡＩ装置２は、キーボード及びマウスのような入力装置、ディスプレイのような出力装置等を更に備えていてもよい。また、ＡＩ装置２は複数のコンピュータから構成されていてもよい。

通信インターフェース２１は、ＡＩ装置２を通信ネットワーク３に接続するためのインターフェース回路を有する。ＡＩ装置２は、通信インターフェース２１を介して通信ネットワーク３に接続され、通信ネットワーク３を介してＡＩ装置２の外部（管理サーバ１等）と通信する。通信インターフェース２１はＡＩ装置２の通信部の一例である。

ストレージ装置２２は、例えば、ハードディスクドライブ（ＨＤＤ）、ソリッドステートドライブ（ＳＤＤ）又は光記録媒体及びそのアクセス装置を有する。ストレージ装置２２は、各種データを記憶し、例えば、ＡＩ装置２の情報（識別情報等）、プロセッサ２４が各種処理を実行するためのコンピュータプログラム等を記憶する。ストレージ装置２２はＡＩ装置２の記憶部の一例である。

メモリ２３は不揮発性の半導体メモリ（例えばＲＡＭ）を有する。メモリ２３は、例えばプロセッサ２４によって各種処理が実行されるときに使用される各種データ等を一時的に記憶する。メモリ２３はＡＩ装置２の記憶部の別の一例である。

プロセッサ２４は、一つ又は複数のＣＰＵ及びその周辺回路を有し、各種処理を実行する。なお、プロセッサ２４は、論理演算ユニット、数値演算ユニット又はグラフィック処理ユニットのような他の演算回路を更に有していてもよい。

図３は、ＡＩ装置２のプロセッサ２４の機能ブロック図である。本実施形態では、プロセッサ２４は、データ取得部２５、学習部２６及び精度算出部２７を有する。データ取得部２５、学習部２６及び精度算出部２７は、ＡＩ装置２のストレージ装置２２に記憶されたコンピュータプログラムをＡＩ装置２のプロセッサ２４が実行することによって実現される機能モジュールである。なお、これら機能モジュールは、それぞれ、プロセッサ２４に設けられた専用の演算回路によって実現されてもよい。

ＡＩ装置２において学習される機械学習モデルは複数の入力パラメータから少なくとも一つの出力パラメータを出力する。すなわち、ＡＩ装置２は複数の入力パラメータを機械学習モデルに入力することによって機械学習モデルに少なくとも一つの出力パラメータを出力させる。斯かる機械学習モデルの学習では、複数の入力パラメータの実測値と、これら実測値に対応する少なくとも一つの出力パラメータの実測値（正解データ）との組合せから成る訓練データ（教師データ）が用いられる。

このため、データ取得部２５は、有線通信又は無線通信によってセンサ等からデータを受信し、機械学習モデルの学習に用いられる訓練データを作成する。具体的には、データ取得部２５は、複数の入力パラメータの実測値と、これら実測値に対応する少なくとも一つの出力パラメータの実測値とを取得データから抽出し、入力パラメータ及び出力パラメータの実測値を組み合わせることによって訓練データを作成する。データ取得部２５によって作成された訓練データはＡＩ装置２のストレージ装置２２に記憶される。

学習部２６は訓練データを用いて機械学習モデルの学習を行う。本実施形態では機械学習モデルとしてニューラルネットワークモデルが用いられ、学習部２６はニューラルネットワークモデルの学習を行う。具体的には、学習部２６は、所定数の訓練データを用いて、ニューラルネットワークモデルの出力値と出力パラメータの実測値との差が小さくなるように、公知の誤差逆伝播法によってニューラルネットワークモデルにおける重み及びバイアスを繰り返し更新する。この結果、ニューラルネットワークモデルが学習され、学習済みのニューラルネットワークモデルが生成される。学習済みのニューラルネットワークモデルの情報（重み、バイアス等）はＡＩ装置２のストレージ装置２２に記憶される。

本実施形態では、データ取得部２５は定期的にデータを取得して訓練データを作成し、学習部２６は、データ取得部２５によって新たに作成された訓練データの数が所定数に達したときに、これら訓練データを用いて機械学習モデルの学習を行う。すなわち、ＡＩ装置２は機械学習モデルの学習を継続的に行う。

また、ＡＩ装置２では、機械学習モデルの有効性を評価すべく、機械学習モデルの精度が監視される。このため、ＡＩ装置２の精度算出部２７は、学習部２６によって学習された機械学習モデルの精度、すなわちＡＩ装置２によって生成された学習済みの機械学習モデルの精度を算出する。例えば、データ取得部２５が取得データから訓練データ及びテストデータを作成し、精度算出部２７はホールドアウト法又は交差検証法のような公知の検証方法によって機械学習モデルの精度を算出する。

一方、管理サーバ１は複数のＡＩ装置２と通信することによって複数の機械学習モデルを管理する。管理サーバ１は、複数の機械学習モデルを管理するモデル管理装置の一例である。

図４は、図１の管理サーバ１の構成を概略的に示す図である。管理サーバ１は、通信インターフェース１１、ストレージ装置１２、メモリ１３及びプロセッサ１４を備える。通信インターフェース１１、ストレージ装置１２及びメモリ１３は、信号線を介してプロセッサ１４に接続されている。なお、管理サーバ１は、キーボード及びマウスのような入力装置、ディスプレイのような出力装置等を更に備えていてもよい。また、管理サーバ１は複数のコンピュータから構成されていてもよい。

通信インターフェース１１は、管理サーバ１を通信ネットワーク３に接続するためのインターフェース回路を有する。管理サーバ１は、通信インターフェース１１を介して通信ネットワーク３に接続され、通信ネットワーク３を介して管理サーバ１の外部（複数のＡＩ装置２等）と通信する。通信インターフェース１１は管理サーバ１の通信部の一例である。

ストレージ装置１２は、例えば、ハードディスクドライブ（ＨＤＤ）、ソリッドステートドライブ（ＳＤＤ）又は光記録媒体及びそのアクセス装置を有する。ストレージ装置１２は、各種データを記憶し、例えば、ＡＩ装置２の情報（識別情報等）、プロセッサ１４が各種処理を実行するためのコンピュータプログラム等を記憶する。ストレージ装置１２は管理サーバ１の記憶部の一例である。

メモリ１３は不揮発性の半導体メモリ（例えばＲＡＭ）を有する。メモリ１３は、例えばプロセッサ１４によって各種処理が実行されるときに使用される各種データ等を一時的に記憶する。メモリ１３は管理サーバ１の記憶部の別の一例である。

プロセッサ１４は、一つ又は複数のＣＰＵ及びその周辺回路を有し、各種処理を実行する。なお、プロセッサ１４は、論理演算ユニット、数値演算ユニット又はグラフィック処理ユニットのような他の演算回路を更に有していてもよい。

図５は、第一実施形態における管理サーバ１のプロセッサ１４の機能ブロック図である。本実施形態では、プロセッサ１４は学習管理部１５及び精度取得部１６を有する。学習管理部１５及び精度取得部１６は、管理サーバ１のストレージ装置１２に記憶されたコンピュータプログラムを管理サーバ１のプロセッサ１４が実行することによって実現される機能モジュールである。なお、これら機能モジュールは、それぞれ、プロセッサ１４に設けられた専用の演算回路によって実現されてもよい。

学習管理部１５は複数のＡＩ装置２の各々における機械学習モデルの学習を管理する。例えば、学習管理部１５は、機械学習モデルの学習に関する処理の実施頻度を決定し、実施頻度を複数のＡＩ装置２の各々に指示する。精度取得部１６は、複数のＡＩ装置２の各々において学習された機械学習モデルの精度を取得する。

上述したようにＡＩ装置２において機械学習モデルの学習が継続的に行われたとしても、機械学習モデルの入力パラメータ及び出力パラメータの組合せに応じて、機械学習モデルの精度にばらつきが生じる場合がある。例えば、或る機械学習モデルでは外部環境の変化等により精度が低下し、別の機械学習モデルでは継続的な学習により精度が十分に高くなることが考えられる。機械学習モデルの精度が低下した場合には、機械学習モデルによって出力される出力パラメータの値の信頼度が低下し、斯かる機械学習モデルを用いた制御、分析、診断等に支障が生じるおそれがある。一方、機械学習モデルの精度が十分に高い場合には、精度が飽和状態となり、斯かる機械学習モデルの学習を同じ頻度で継続することは対象エリアにおける電力の浪費をもたらす。

そこで、本実施形態では、管理サーバ１は、機械学習モデルの精度のばらつきが低減されるように、複数のＡＩ装置２における複数の機械学習モデルの学習を統括的に管理する。具体的には、学習管理部１５は、所定範囲内の精度を有する機械学習モデルの学習に関する処理の実施頻度を変更する。すなわち、学習管理部１５は、ＡＩ装置２において学習された機械学習モデルの精度が所定範囲内である場合には、このＡＩ装置２に対して、機械学習モデルの学習に関する処理の実施頻度の変更を指示する。このことによって、複数のＡＩ装置２の各々において学習された機械学習モデルの精度がばらつくことを抑制することができる。

例えば、学習管理部１５は、所定の下側閾値以下の精度を有する機械学習モデルの学習に関する処理の実施頻度を増加させる。すなわち、学習管理部１５は、ＡＩ装置２において学習された機械学習モデルの精度が所定の下側閾値以下である場合には、このＡＩ装置２に対して、機械学習モデルの学習に関する処理の実施頻度の増加を指示する。このことによって、精度が不足している機械学習モデルの学習を促進することができ、学習頻度の不足による精度の低下を抑制することができる。

しかしながら、学習頻度の増加により機械学習モデルの精度が十分に高められた場合には、高頻度の学習を継続する必要性は低い。このため、学習管理部１５は、学習に関する処理の実施頻度の増加によって機械学習モデルの精度が下側閾値よりも高い所定の第１判定値まで上昇したときに、学習に関する処理の実施頻度を元に戻す。このことによって、機械学習モデルの精度を回復させつつ、機械学習モデルの過剰な学習により電力が浪費されることを抑制することができる。

また、学習管理部１５は、所定の上側閾値以上の精度を有する機械学習モデルの学習に関する処理の実施頻度を減少させる。すなわち、学習管理部１５は、ＡＩ装置２において学習された機械学習モデルの精度が所定の上側閾値以上である場合には、このＡＩ装置２に対して、機械学習モデルの学習に関する処理の実施頻度の減少を指示する。このことによって、精度が足りている機械学習モデルの学習を抑制することができ、機械学習モデルの学習のための電力消費量を低減することができる。

しかしながら、学習頻度の減少により機械学習モデルの精度が過剰に低くなった場合には、機械学習モデルの精度を回復させる必要がある。このため、学習管理部１５は、学習に関する処理の実施頻度の減少によって機械学習モデルの精度が上側閾値未満の所定の第２判定値まで低下したときに、学習に関する処理の実施頻度を元に戻す。このことによって、機械学習モデルの学習のための電力消費量を低減しつつ、機械学習モデルの精度が過剰に低下することを抑制することができる。

学習管理部１５によって実施頻度が変更される学習に関する処理は、例えば、ＡＩ装置２のデータ取得部２５によるデータの取得である。学習管理部１５によってデータの取得頻度の増加が指示される場合には、取得データを用いた訓練データの作成が促進され、ひいては機械学習モデルの学習頻度が高められる。一方、学習管理部１５によってデータの取得頻度の減少が指示される場合には、取得データを用いた訓練データの作成が抑制され、ひいては機械学習モデルの学習頻度が低くされる。

なお、学習管理部１５は、所定の上側閾値以上の精度を有する機械学習モデルの学習に関する処理の実施頻度を減少させるときに、実施頻度をゼロにしてもよい。すなわち、学習管理部１５は、所定の上側閾値以上の精度を有する機械学習モデルの学習に関する処理を一時的に停止させてもよい。

以下、図６～図８のフローチャートを参照して、上記の処理のために管理サーバ１及びＡＩ装置２において実行される制御のフローについて説明する。図６Ａ及び図６Ｂの制御ルーチンは管理サーバ１において実行され、図７及び図８の制御ルーチンはＡＩ装置２において実行される。

図６Ａ及び図６Ｂは、第一実施形態において管理サーバ１において実行される実施頻度送信処理の制御ルーチンを示すフローチャートである。本制御ルーチンは管理サーバ１のプロセッサ１４によって所定の実行間隔で繰り返し実行される。

最初に、ステップＳ１０１において、学習管理部１５は、精度取得部１６がＡＩ装置２から機械学習モデルの精度ＡＣを受信したか否かを判定する。精度取得部１６が機械学習モデルの精度ＡＣを受信していないと判定された場合、本制御ルーチンは終了する。一方、精度取得部１６が機械学習モデルの精度ＡＣを受信したと判定された場合、本制御ルーチンはステップＳ１０２に進む。

ステップＳ１０２では、学習管理部１５は、機械学習モデルの精度ＡＣを送信したＡＩ装置２を特定する。例えば、機械学習モデルの精度ＡＣと共にＡＩ装置２の識別情報（例えば識別番号）がＡＩ装置２から管理サーバ１に送信され、学習管理部１５はその識別情報に基づいてＡＩ装置２を特定する。

次いで、ステップＳ１０３において、学習管理部１５は、ステップＳ１０２において特定されたＡＩ装置２（以下、「対象のＡＩ装置２」と称する）に関する記憶値を読み出す。具体的には、学習管理部１５は、記憶値として、対象のＡＩ装置２に関するフラグＦを読み出す。フラグＦは、データの取得頻度の設定状態を表すフラグであり、フラグＦの初期値はゼロである。例えば、複数のＡＩ装置２の各々に関するフラグＦがＡＩ装置２の識別情報と共に管理サーバ１のストレージ装置１２に記憶される。

次いで、ステップＳ１０４において、学習管理部１５は、フラグＦがゼロに設定されているか否かを判定する。フラグＦがゼロであると判定された場合、すなわち対象のＡＩ装置２におけるデータの取得頻度が初期値に設定されている場合、本制御ルーチンはステップＳ１０５に進む。

ステップＳ１０５では、学習管理部１５は、機械学習モデルの精度ＡＣが所定の下側閾値ＴＨｄｗ以下であるか否かを判定する。下側閾値ＴＨｄｗは機械学習モデルの有効性等を考慮して予め定められる。機械学習モデルの精度ＡＣが下側閾値ＴＨｄｗ以下であると判定された場合、本制御ルーチンはステップＳ１０６に進む。

ステップＳ１０６では、学習管理部１５はデータの取得頻度の増加指示を対象のＡＩ装置２に送信する。すなわち、学習管理部１５は、データの取得頻度を増加するように対象のＡＩ装置２に指示する。次いで、ステップＳ１０７において、学習管理部１５は、対象のＡＩ装置２に関するフラグＦを１に設定する。ステップＳ１０７の後、本制御ルーチンは終了する。

一方、ステップＳ１０５において機械学習モデルの精度ＡＣが下側閾値ＴＨｄｗよりも高いと判定された場合、本制御ルーチンはステップＳ１０８に進む。ステップＳ１０８では、学習管理部１５は、機械学習モデルの精度ＡＣが所定の上側閾値ＴＨｕｐ以上であるか否かを判定する。上側閾値ＴＨｕｐは、下側閾値ＴＨｄｗよりも高い値であり、機械学習モデルの要求精度等を考慮して予め定められる。機械学習モデルの精度ＡＣが上側閾値ＴＨｕｐ以上であると判定された場合、本制御ルーチンはステップＳ１０９に進む。

ステップＳ１０９では、学習管理部１５はデータの取得頻度の減少指示を対象のＡＩ装置２に送信する。すなわち、学習管理部１５は、データの取得頻度を減少するように対象のＡＩ装置２に指示する。次いで、ステップＳ１１０において、学習管理部１５は、対象のＡＩ装置２に関するフラグＦを２に設定する。ステップＳ１１０の後、本制御ルーチンは終了する。

また、ステップＳ１０８において機械学習モデルの精度ＡＣが上側閾値ＴＨｄｗよりも低いと判定された場合、すなわち精度ＡＣが下側閾値ＴＨｄｗと上側閾値ＴＨｕｐとの間である場合、本制御ルーチンは終了する。なお、この場合、学習管理部１５は、データの取得頻度を初期値に維持するように対象のＡＩ装置２に指示してもよい。

一方、ステップＳ１０４においてフラグＦがゼロではないと判定された場合、本制御ルーチンはステップＳ１１１に進む。ステップＳ１１１では、学習管理部１５は、フラグＦが１であるか否かを判定する。フラグＦが１であると判定された場合、すなわち対象のＡＩ装置２においてデータの取得頻度が増加されている場合、本制御ルーチンはステップＳ１１２に進む。

ステップＳ１１２では、学習管理部１５は、機械学習モデルの精度ＡＣが所定の第１判定値Ｘ１以上であるか否かを判定する。第１判定値Ｘ１は、下側閾値ＴＨｄｗよりも高く且つ上側閾値ＴＨｕｐよりも低い値に設定される。例えば、第１判定値Ｘ１は、下側閾値ＴＨｄｗよりも所定値だけ高い値に設定され、所定値は、対象のＡＩ装置２においてデータの取得頻度の増加が頻繁に繰り返されないように定められる。

ステップＳ１１２において機械学習モデルの精度ＡＣが第１判定値Ｘ１よりも低いと判定された場合、本制御ルーチンは終了する。なお、この場合、学習管理部１５は、データの取得頻度を高頻度に維持するように対象のＡＩ装置２に指示してもよい。

一方、ステップＳ１１２において機械学習モデルの精度ＡＣが第１判定値Ｘ１以上であると判定された場合、本制御ルーチンはステップＳ１１３に進む。ステップＳ１１３では、学習管理部１５はデータの取得頻度の初期化指示を対象のＡＩ装置２に送信する。すなわち、学習管理部１５は、データの取得頻度を初期化するように対象のＡＩ装置２に指示する。次いで、ステップＳ１１４において、学習管理部１５は、対象のＡＩ装置２に関するフラグＦをゼロにリセットする。ステップＳ１１４の後、本制御ルーチンは終了する。

一方、ステップＳ１１１においてフラグＦが２であると判定された場合、すなわち対象のＡＩ装置２においてデータの取得頻度が減少されている場合、本制御ルーチンはステップＳ１１５に進む。ステップＳ１１５では、学習管理部１５は、機械学習モデルの精度ＡＣが所定の第２判定値Ｘ２以下であるか否かを判定する。第２判定値Ｘ２は、上側閾値ＴＨｕｐよりも低く且つ下側閾値ＴＨｄｗよりも高い値に設定される。例えば、第２判定値Ｘ２は、上側閾値ＴＨｕｐよりも所定値だけ低い値に設定され、所定値は、対象のＡＩ装置２においてデータの取得頻度の減少が頻繁に繰り返されないように定められる。

ステップＳ１１５において機械学習モデルの精度ＡＣが第２判定値Ｘ２よりも低いと判定された場合、本制御ルーチンは終了する。なお、この場合、学習管理部１５は、データの取得頻度を低頻度に維持するように対象のＡＩ装置２に指示してもよい。

一方、ステップＳ１１５において機械学習モデルの精度ＡＣが第２判定値Ｘ２以下であると判定された場合、本制御ルーチンはステップＳ１１３に進む。ステップＳ１１３では、学習管理部１５はデータの取得頻度の初期化指示を対象のＡＩ装置２に送信する。次いで、ステップＳ１１４において、学習管理部１５は、対象のＡＩ装置２に関するフラグＦをゼロにリセットする。ステップＳ１１４の後、本制御ルーチンは終了する。

図７は、ＡＩ装置２において実行される実施頻度変更処理の制御ルーチンを示すフローチャートである。本制御ルーチンは、複数のＡＩ装置２の各々において実行され、ＡＩ装置２のプロセッサ２４によって所定の実行間隔で繰り返し実行される。

最初に、ステップＳ２０１において、データ取得部２５は、管理サーバ１からデータの取得頻度の増加指示を受信したか否かを判定する。データの取得頻度の増加指示を受信したと判定された場合、本制御ルーチンはステップＳ２０２に進む。

ステップＳ２０２では、データ取得部２５は、データの取得頻度を増加させ、データの取得頻度を初期値よりも高い所定値に変更する。例えば、データ取得部２５は、センサ等によるデータの取得間隔を短くすると共に、センサ等からデータを受信する頻度を増加させる。この結果、訓練データの作成が促進され、訓練データの作成速度が早くなる。ステップＳ２０２の後、本制御ルーチンは終了する。

一方、ステップＳ２０１においてデータの取得頻度の増加指示を受信していないと判定された場合、本制御ルーチンはステップＳ２０３に進む。ステップＳ２０３では、データ取得部２５は、管理サーバ１からデータの取得頻度の減少指示を受信したか否かを判定する。データの取得頻度の減少指示を受信したと判定された場合、本制御ルーチンはステップＳ２０４に進む。

ステップＳ２０４では、データ取得部２５は、データの取得頻度を減少させ、データの取得頻度を初期値よりも低い所定値に変更する。例えば、データ取得部２５は、センサ等によるデータの取得間隔を長くすると共に、センサ等からデータを受信する頻度を減少させる。この結果、訓練データの作成が抑制され、訓練データの作成速度が遅くなる。ステップＳ２０４の後、本制御ルーチンは終了する。

一方、ステップＳ２０３においてデータの取得頻度の低下指示を受信していないと判定された場合、本制御ルーチンはステップＳ２０５に進む。ステップＳ２０５では、データ取得部２５は、管理サーバ１からデータの取得頻度の初期化指示を受信したか否かを判定する。データの取得頻度の初期化指示を受信したと判定された場合、本制御ルーチンはステップＳ２０６に進む。

ステップＳ２０６では、データ取得部２５は、データの取得頻度を初期化し、データの取得頻度を初期値に戻す。ステップＳ２０６の後、本制御ルーチンは終了する。一方、ステップＳ２０５においてデータの取得頻度の初期化指示を受信していないと判定された場合、ＡＩ装置２におけるデータの取得頻度が維持され、本制御ルーチンは終了する。

複数のＡＩ装置２の各々において、データの取得頻度の初期値、増加後の値及び減少後の値は予め定められる。なお、これらの値の少なくとも一部がＡＩ装置２毎に異なっていてもよい。

図８は、ＡＩ装置２において実行される学習処理の制御ルーチンを示すフローチャートである。本制御ルーチンは、複数のＡＩ装置２の各々において実行され、ＡＩ装置２のプロセッサ２４によって繰り返し実行される。

最初に、ステップＳ３０１において、学習部２６は、前回の学習後にデータ取得部２５によって新たに作成された訓練データの数が所定数以上であるか否かを判定する。訓練データの数が所定数未満であると判定された場合、本制御ルーチンは終了する。一方、訓練データの数が所定数以上であると判定された場合、本制御ルーチンはステップＳ３０２に進む。

ステップＳ３０２では、学習部２６は、新たに作成された訓練データを用いて、機械学習モデルの学習を行う。例えば、機械学習モデルがニューラルネットワークモデルである場合、学習部２６は公知の誤差逆伝播法によって機械学習モデルの所定のパラメータ（重み及びバイアス）を更新する。

次いで、ステップＳ３０３において、精度算出部２７は、学習部２６によって学習された機械学習モデルの精度を算出する。例えば、機械学習モデルがニューラルネットワークモデルである場合、精度算出部２７はホールドアウト法又は交差検証法のような公知の検証方法によって機械学習モデルの精度を算出する。機械学習モデルの精度の検証に用いられるテストデータは訓練データと共にデータ取得部２５によって作成される。なお、テストデータはＡＩ装置２の外部（例えば管理サーバ１）からＡＩ装置２に提供されてもよい。

次いで、ステップＳ３０４において、精度算出部２７は機械学習モデルの精度及びＡＩ装置２の識別情報を管理サーバ１に送信する。ステップＳ３０４の後、本制御ルーチンは終了する。

なお、上記の処理では学習の直後に機械学習モデルの精度が算出されているが、機械学習モデルの精度は他のタイミングで算出されてもよい。例えば、精度算出部２７は所定間隔で機械学習モデルの精度を算出してもよい。

また、管理サーバ１の学習管理部１５は、機械学習モデルの学習に関する処理の実施頻度として、データの取得頻度の代わりに学習の実施頻度を変更してもよい。この場合、例えば、ＡＩ装置２の学習部２６が所定間隔で機械学習モデルの学習を行い、学習管理部１５はこの所定間隔の増加又は減少を対象のＡＩ装置２に指示する。

＜第二実施形態＞
第二実施形態に係るモデル管理システム及びモデル管理装置の構成及び制御は、以下に説明する点を除いて、基本的に第一実施形態に係るモデル管理システム及びモデル管理装置の構成及び制御と同様である。このため、以下、本発明の第二実施形態について、第一実施形態と異なる部分を中心に説明する。

上述したように、学習管理部１５は、所定の下側閾値以下の精度を有する機械学習モデルの学習に関する処理の実施頻度を増加させ、所定の上側閾値以上の精度を有する機械学習モデルの学習に関する処理の実施頻度を減少させる。しかしながら、実施頻度が増加されるＡＩ装置２の数が多くなると、機械学習モデルの学習のための電力消費量が多くなり、実施頻度が減少されるＡＩ装置２の数が少なくなると、機械学習モデルの学習のための電力消費量が少なくなる。この結果、複数のＡＩ装置２が設置された対象エリアにおける電力消費量が変動し、供給電力の不足、余剰電力の増加等が生じるおそれがある。特に、電力の需要量及び供給量の予測に基づく電力マネジメントが行われるスマートシティのような対象エリアでは、電力消費量の予期せぬ変動を可及的に回避することが望ましい。

そこで、第二実施形態では、学習管理部１５は、機械学習モデルの学習に関する処理の実施頻度の変更による電力消費量の変化量が所定値以下になるように下側閾値及び上側閾値の少なくとも一方を変更する。このことによって、複数のＡＩ装置２間の機械学習モデルの精度のばらつきを抑制しつつ、学習のための電力消費量の変動を抑制することができる。

例えば、学習管理部１５は、実施頻度が増加されたＡＩ装置２の数が実施頻度が減少されたＡＩ装置２の数よりも多いときには、複数のＡＩ装置２の少なくとも一部に関する上側閾値を低くする。このことによって、実施頻度が変更されていないＡＩ装置２に対して実施頻度の減少が促されるため、実施頻度が減少されたＡＩ装置２の数を実施頻度が増加されたＡＩ装置２の数に近付けることができる。したがって、学習のための電力消費量の変動を抑制することができる。

一方、学習管理部１５は、実施頻度が減少されたＡＩ装置２の数が実施頻度が増加されたＡＩ装置２の数よりも多いときには、複数のＡＩ装置２の少なくとも一部に関する下側閾値を高くする。このことによって、実施頻度が変更されていないＡＩ装置２に対して実施頻度の増加が促されるため、実施頻度が増加されたＡＩ装置２の数を実施頻度が減少されたＡＩ装置２の数に近付けることができる。したがって、学習のための電力消費量の変動を抑制することができる。

図９Ａ～図９Ｃは、第二実施形態において管理サーバ１において実行される実施頻度送信処理の制御ルーチンを示すフローチャートである。本制御ルーチンは管理サーバ１のプロセッサ１４によって所定の実行間隔で繰り返し実行される。

ステップＳ４０１～Ｓ４１０は図６ＡのステップＳ１０１～Ｓ１１０と同様に実行される。このとき、ステップＳ４０３において、学習管理部１５は、対象のＡＩ装置２に関する記憶値として、フラグＦ、下側閾値ＴＨｄｗ及び上側閾値ＴＨｕｐを読み出す。第二実施形態では、下側閾値ＴＨｄｗ及び上側閾値ＴＨｕｐがデータの取得頻度の変更状況に応じて変更されるため、例えば、複数のＡＩ装置２の各々に関する下側閾値ＴＨｄｗ及び上側閾値ＴＨｕｐがＡＩ装置２の識別情報と共に管理サーバ１のストレージ装置１２に記憶される。

ステップＳ４０７又はステップＳ４１０の後、本制御ルーチンはステップＳ４１１に進む。ステップＳ４１１では、学習管理部１５は、データの取得頻度が増加されたＡＩ装置２の数が、データの取得頻度が減少されたＡＩ装置２の数と等しいか否かを判定する。すなわち、学習管理部１５は、フラグＦが１に設定されたＡＩ装置２の数が、フラグＦが２に設定されたＡＩ装置２の数と等しいか否かを判定する。データの取得頻度が増加されたＡＩ装置２の数がデータの取得頻度が減少されたＡＩ装置２の数と等しくないと判定された場合、本制御ルーチンはステップＳ４１２に進む。

ステップＳ４１２では、学習管理部１５は、対象のＡＩ装置２に関するフラグＦが１に設定されているか否かを判定する。フラグＦが１に設定されていると判定された場合、すなわち対象のＡＩ装置２においてデータの取得頻度が増加された場合、本制御ルーチンはステップＳ４１３に進む。

ステップＳ４１３では、学習管理部１５は、データの取得頻度が増加されたＡＩ装置２の数が、データの取得頻度が減少されたＡＩ装置２の数よりも多いか否かを判定する。すなわち、学習管理部１５は、フラグＦが１に設定されたＡＩ装置２の数が、フラグＦが２に設定されたＡＩ装置２の数よりも多いか否かを判定する。データの取得頻度が増加されたＡＩ装置２の数がデータの取得頻度が減少されたＡＩ装置２の数以下であると判定された場合、本制御ルーチンは終了する。

一方、ステップＳ４１３において、データの取得頻度が増加されたＡＩ装置２の数がデータの取得頻度が減少されたＡＩ装置２の数よりも多いと判定された場合、本制御ルーチンはステップＳ４１４に進む。ステップＳ４１４では、学習管理部１５は、対象のＡＩ装置２以外のＡＩ装置２に関する上側閾値ＴＨｕｐを低くする。ステップＳ４１４の後、本制御ルーチンは終了する。なお、ステップＳ４１４において、学習管理部１５は、対象のＡＩ装置２以外のＡＩ装置２に関する上側閾値ＴＨｕｐ及び下側閾値ＴＨｄｗを低くしてもよい。このことによって、対象のＡＩ装置２以外のＡＩ装置２に関して、データの取得頻度の減少を促進することに加えて、データの取得頻度の増加を抑制することができる。また、上側閾値ＴＨｕｐ又は上側閾値ＴＨｕｐ及び下側閾値ＴＨｄｗが低くされるＡＩ装置２は、対象のＡＩ装置２以外のＡＩ装置２の一部であってもよい。

一方、フラグＦが２に設定されていると判定された場合、すなわち対象のＡＩ装置２においてデータの取得頻度が減少された場合、本制御ルーチンはステップＳ４１５に進む。ステップＳ４１５では、学習管理部１５は、データの取得頻度が減少されたＡＩ装置２の数が、データの取得頻度が増加されたＡＩ装置２の数よりも多いか否かを判定する。すなわち、学習管理部１５は、フラグＦが２に設定されたＡＩ装置２の数が、フラグＦが１に設定されたＡＩ装置２の数よりも多いか否かを判定する。データの取得頻度が減少されたＡＩ装置２の数がデータの取得頻度が増加されたＡＩ装置２の数以下であると判定された場合、本制御ルーチンは終了する。

一方、ステップＳ４１５において、データの取得頻度が減少されたＡＩ装置２の数がデータの取得頻度が増加されたＡＩ装置２の数よりも多いと判定された場合、本制御ルーチンはステップＳ４１６に進む。ステップＳ４１６では、学習管理部１５は、対象のＡＩ装置２以外のＡＩ装置２に関する下側閾値ＴＨｄｗを高くする。ステップＳ４１６の後、本制御ルーチンは終了する。なお、ステップＳ４１６において、学習管理部１５は、対象のＡＩ装置２以外のＡＩ装置２に関する下側閾値ＴＨｄｗ及び上側閾値ＴＨｕｐを高くしてもよい。このことによって、対象のＡＩ装置２以外のＡＩ装置２に関して、データの取得頻度の増加を促進することに加えて、データの取得頻度の減少を抑制することができる。また、下側閾値ＴＨｄｗ又は下側閾値ＴＨｄｗ及び上側閾値ＴＨｕｐが高くされるＡＩ装置２は、対象のＡＩ装置２以外のＡＩ装置２の一部であってもよい。

一方、ステップＳ４１１において、データの取得頻度が増加されたＡＩ装置２の数がデータの取得頻度が減少されたＡＩ装置２の数と等しいと判定された場合、本制御ルーチンはステップＳ４１７に進む。ステップＳ４１７では、学習管理部１５は、全てのＡＩ装置２に関する上側閾値ＴＨｕｐ及び下側閾値ＴＨｄｗを初期化する。すなわち、学習管理部１５は、全てのＡＩ装置２に関する上側閾値ＴＨｕｐ及び下側閾値ＴＨｄｗを初期値に戻す。ステップＳ４１７の後、本制御ルーチンは終了する。

一方、ステップＳ４０４においてフラグＦがゼロではないと判定された場合、本制御ルーチンはステップＳ４１８に進む。ステップＳ４１８～Ｓ４２２は図６ＢのステップＳ１１１～Ｓ１１５と同様に実行され、ステップＳ４２１の後、本制御ルーチンはステップＳ４２３に進む。

ステップＳ４２３では、学習管理部１５は、全てのＡＩ装置２においてデータの取得頻度が初期化されたか否かを判定する。すなわち、学習管理部１５は、全てのＡＩ装置２に関するフラグＦがゼロに設定されているか否かを判定する。少なくとも一部のＡＩ装置２においてデータの取得頻度が初期化されていないと判定された場合、本制御ルーチンは終了する。一方、全てのＡＩ装置２においてデータの取得頻度が初期化されたと判定された場合、本制御ルーチンはステップＳ４２４に進む。

ステップＳ４２４では、学習管理部１５は、全てのＡＩ装置２に関する上側閾値ＴＨｕｐ及び下側閾値ＴＨｄｗを初期化する。すなわち、学習管理部１５は、全てのＡＩ装置２に関する上側閾値ＴＨｕｐ及び下側閾値ＴＨｄｗを初期値に戻す。ステップＳ４２４の後、本制御ルーチンは終了する。

なお、第二実施形態においても、第一実施形態と同様に、複数のＡＩ装置２の各々において、図７の実施頻度変更処理の制御ルーチン及び図８の学習処理の制御ルーチンが実行される。

＜第三実施形態＞
第三実施形態に係るモデル管理システム及びモデル管理装置の構成及び制御は、以下に説明する点を除いて、基本的に第一実施形態に係るモデル管理システム及びモデル管理装置の構成及び制御と同様である。このため、以下、本発明の第三実施形態について、第一実施形態と異なる部分を中心に説明する。

図１０は、第三実施形態における管理サーバ１のプロセッサ１４の機能ブロック図である。第三実施形態では、プロセッサ１４は、学習管理部１５及び精度取得部１６に加えて、電力量取得部１７を有する。学習管理部１５、精度取得部１６及び電力量取得部１７は、管理サーバ１のストレージ装置１２に記憶されたコンピュータプログラムを管理サーバ１のプロセッサ１４が実行することによって実現される機能モジュールである。なお、これら機能モジュールは、それぞれ、プロセッサ１４に設けられた専用の演算回路によって実現されてもよい。

上述したように、学習管理部１５は、所定の下側閾値以下の精度を有する機械学習モデルの学習に関する処理の実施頻度を増加させ、所定の上側閾値以上の精度を有する機械学習モデルの学習に関する処理の実施頻度を減少させる。しかしながら、複数のＡＩ装置２が設置された対象エリアにおける電力需要の変動等により、複数のＡＩ装置２における機械学習モデルの学習のために常に一定の電力量を使用できるとは限らない。

そこで、第三実施形態では、電力量取得部１７が複数のＡＩ装置２に供給可能な電力量を取得し、学習管理部１５は、電力量取得部１７によって取得された電力量に基づいて上側閾値及び下側閾値の少なくとも一方を変更する。このことによって、複数のＡＩ装置２における機械学習モデルの学習に関する処理の実施頻度を、所望の電力消費量に応じた値に近付けることができ、学習のための電力が不足し又は余剰電力が生じることを抑制することができる。

図１１は、第三実施形態において管理サーバ１において実行される閾値設定処理の制御ルーチンを示すフローチャートである。本制御ルーチンは管理サーバ１のプロセッサ１４によって所定の実行間隔で繰り返し実行される。

最初に、ステップＳ５０１において、電力量取得部１７は複数のＡＩ装置２（対象エリア内に設置され且つ管理サーバ１によって管理される全てのＡＩ装置２）に供給可能な電力量を取得する。例えば、電力量取得部１７は対象エリアにおける電力需要量及び電力供給量の予測値に基づいて複数のＡＩ装置２に供給可能な電力量を算出する。電力供給量の予測値から電力需要量の予測値を減算した値が大きいほど、複数のＡＩ装置２に供給可能な電力量は多くなる。電力需要量及び電力供給量の予測値は、例えば、電力会社等から管理サーバ１に送信され、オペレータによって管理サーバ１に入力され、電力需要量及び電力供給量の過去の実績値から算出され、又は機械学習モデルのような推定器を用いて所定の入力パラメータから算出される。

次いで、ステップＳ５０２において、学習管理部１５は、ステップＳ５０１において取得された電力量に基づいて、上側閾値ＴＨｕｐ及び下側閾値ＴＨｄｗを設定する。学習管理部１５によって設定された上側閾値ＴＨｕｐ及び下側閾値ＴＨｄｗは管理サーバ１のストレージ装置１２に記憶される。

例えば、学習管理部１５は、図１２及び図１３に示されるようなマップを用いて上側閾値ＴＨｕｐ及び下側閾値ＴＨｄｗを設定する。図１２は、複数のＡＩ装置２に供給可能な電力量と上側閾値ＴＨｕｐとの関係を示す図である。例えば、図１２に実線で示されるように、学習管理部１５は、供給可能な電力量が多くなるにつれて、上側閾値ＴＨｕｐを段階的に（ステップ状に）高くする。なお、図１２に破線で示されるように、学習管理部１５は、供給可能な電力量が多くなるにつれて、上側閾値ＴＨｕｐを線形的に高くしてもよい。

図１３は、複数のＡＩ装置２に供給可能な電力量と下側閾値ＴＨｄｗとの関係を示す図である。例えば、図１３に実線で示されるように、学習管理部１５は、供給可能な電力量が多くなるにつれて、下側閾値ＴＨｄｗを段階的に（ステップ状に）高くする。なお、図１３に破線で示されるように、学習管理部１５は、供給可能な電力量が多くなるにつれて、下側閾値ＴＨｄｗを線形的に高くしてもよい。

なお、学習管理部１５は、複数のＡＩ装置２に供給可能な電力量に基づいて、上側閾値ＴＨｕｐ及び下側閾値ＴＨｄｗの一方のみを変更してもよい。また、ＡＩ装置２毎に異なるマップが用いられ、複数のＡＩ装置２間で上側閾値ＴＨｕｐ及び下側閾値ＴＨｄｗが異なる値に設定されてもよい。ステップＳ５０２の後、本制御ルーチンは終了する。

なお、第三実施形態においても、管理サーバ１において、図６Ａ及び図６Ｂの実施頻度送信処理の制御ルーチンが実行される。このとき、図６ＡのステップＳ１０３において、学習管理部１５は、対象のＡＩ装置２に関する記憶値として、フラグＦ、下側閾値ＴＨｄｗ及び上側閾値ＴＨｕｐを読み出す。また、第三実施形態においても、第一実施形態と同様に、複数のＡＩ装置２の各々において、図７の実施頻度変更処理の制御ルーチン及び図８の学習処理の制御ルーチンが実行される。

＜その他の実施形態＞
以上、本発明に係る好適な実施形態を説明したが、本発明はこれら実施形態に限定されるものではなく、特許請求の範囲の記載内で様々な修正及び変更を施すことができる。例えば、複数のＡＩ装置２の各々において学習が行われる機械学習モデルは、ランダムフォレスト、ｋ近傍法、サポートベクターマシン等のニューラルネットワーク以外の機械学習モデルであってもよい。

また、ＡＩ装置２において学習される機械学習モデルが人の健康に関する場合、機械学習モデルの精度を可及的に高く維持することが望ましい。このため、学習管理部１５は、所定の上側閾値以上の精度を有し且つ人の健康に関するデータを出力しない機械学習モデルの学習に関する処理の実施頻度を減少させてもよい。すなわち、人の健康に関するデータを出力する機械学習モデルの精度が所定の上側閾値以上であったとしても、この機械学習モデルの学習に関する処理の実施頻度を初期値に維持してもよい。このことによって、人の健康に関するデータの予測精度を高く維持することができる。人の健康に関するデータは、例えば、所定の病気に罹患している確率、人の健康レベル等である。

また、ＡＩ装置２において学習された機械学習モデルの情報（重み、バイアス等）がＡＩ装置２から管理サーバ１に送信され、ＡＩ装置２の精度算出部２７の代わりに、管理サーバ１の精度取得部１６が機械学習モデルの精度を算出してもよい。

１ 管理サーバ
１１ 通信インターフェース
１４ プロセッサ
１５ 学習管理部
１６ 精度取得部
２ ＡＩ装置

Claims (9)

1. 複数の機械学習モデルを管理するモデル管理装置であって、
   各々が機械学習モデルの学習を継続的に行う複数のＡＩ装置と通信可能な通信部と、
   前記複数のＡＩ装置の各々における機械学習モデルの学習を管理する学習管理部と、
   前記複数のＡＩ装置の各々において学習された機械学習モデルの精度を取得する精度取得部と
   を備え、
   前記学習管理部は、所定範囲内の精度を有する機械学習モデルの学習に関する処理の実施頻度を変更する、モデル管理装置。
2. 前記学習管理部は、所定の下側閾値以下の精度を有する機械学習モデルの学習に関する処理の実施頻度を増加させる、請求項１に記載のモデル管理装置。
3. 前記学習管理部は、前記実施頻度の増加によって機械学習モデルの精度が前記下側閾値よりも高い所定の第１判定値まで上昇したときに、該実施頻度を元に戻す、請求項２に記載のモデル管理装置。
4. 前記学習管理部は、所定の上側閾値以上の精度を有する機械学習モデルの学習に関する処理の実施頻度を減少させる、請求項１から３のいずれか１項に記載のモデル管理装置。
5. 前記学習管理部は、前記実施頻度の減少によって機械学習モデルの精度が前記上側閾値未満の所定の第２判定値まで低下したときに、該実施頻度を元に戻す、請求項４に記載のモデル管理装置。
6. 前記学習管理部は、所定の下側閾値以下の精度を有する機械学習モデルの学習に関する処理の実施頻度を増加させ、所定の上側閾値以上の精度を有する機械学習モデルの学習に関する処理の実施頻度を減少させ、該実施頻度の変更による電力消費量の変化量が所定値以下になるように前記下側閾値及び前記上側閾値の少なくとも一方を変更する、請求項１から５のいずれか１項に記載のモデル管理装置。
7. 前記複数のＡＩ装置に供給可能な電力量を取得する電力量取得部を更に備え、
   前記学習管理部は、所定の下側閾値以下の精度を有する機械学習モデルの学習に関する処理の実施頻度を増加させ、所定の上側閾値以上の精度を有する機械学習モデルの学習に関する処理の実施頻度を減少させ、前記電力量に基づいて前記上側閾値及び前記下側閾値の少なくとも一方を変更する、請求項１から５のいずれか１項に記載のモデル管理装置。
8. 前記上側閾値以上の精度を有する機械学習モデルは、人の健康に関するデータを出力しない機械学習モデルである、請求項４から７のいずれか１項に記載のモデル管理装置。
9. モデル管理装置を用いて複数の機械学習モデルを管理するモデル管理方法であって、
   複数のＡＩ装置の各々において学習された機械学習モデルの精度を取得することと、
   所定範囲内の精度を有する機械学習モデルの学習に関する処理の実施頻度を変更することと
   を含む、モデル管理方法。

Images