特開 2022-16365 情報処理システム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2022016365

(43)【公開日】2022-01-21

(54)【発明の名称】情報処理システム

(51)【国際特許分類】

   G06N 20/00 20190101AFI20220114BHJP

   G06T 7/00 20170101ALI20220114BHJP

【ＦＩ】

G06N20/00

G06T7/00 350B

【審査請求】未請求

【請求項の数】5

【出願形態】ＯＬ

(21)【出願番号】P 2021112977

(22)【出願日】2021-07-07

(62)【分割の表示】P 2020117757の分割

【原出願日】2020-07-08

(71)【出願人】

【識別番号】519451049

【氏名又は名称】株式会社ヒューマノーム研究所

(74)【代理人】

【識別番号】110002790

【氏名又は名称】Ｏｎｅ ｉｐ特許業務法人

(72)【発明者】

【氏名】瀬々 潤

【テーマコード（参考）】

5L096

【Ｆターム（参考）】

5L096DA02

5L096HA11

5L096KA03

5L096KA04

(57)【要約】

【課題】学習モデルを効果的に学習させることのできる技術を提供することができるようにする。
【解決手段】情報処理システムであって、第１のユーザの第１のデータを用いて機械学習により学習させた学習モデルを提供する学習モデル提供部と、学習モデルを購入した第２のユーザの第２のデータの入力を受け付ける入力部と、第２のデータを用いた機械学習により学習モデルを更新する更新部と、を備えることを特徴とする。
【選択図】図１

【特許請求の範囲】

【請求項1】

第１のユーザの第１のデータを用いて機械学習により学習させた学習モデルを提供する学習モデル提供部と、
前記学習モデルを購入した第２のユーザの第２のデータの入力を受け付ける入力部と、
前記第２のデータを用いた機械学習により前記学習モデルを更新する更新部と、
を備えることを特徴とする情報処理システム。

【請求項2】

請求項１に記載の情報処理システムであって、
前記第２のユーザから前記学習モデルに対するパラメータの設定を受け付けるパラメータ設定部をさらに備えること、
を特徴とする情報処理システム。

【請求項3】

請求項１又は２に記載の情報処理システムであって、
前記第１及び第２のデータは画像データであり、
前記学習モデルは分類器であり、
複数の前記学習モデルを記憶する学習モデル記憶部と、
受け付けた前記第２のデータを前記学習モデルに与えた場合の信頼度を取得する予測試行部と、
をさらに備え、
前記学習モデル提供部は、前記信頼度に応じて前記学習モデルを前記第２のユーザに提示し、前記第２のユーザから前記学習モデルの指定を受け付け、指定された前記学習モデルを提供すること、
をさらに備えることを特徴とする情報処理システム。

【請求項4】

請求項１乃至３のいずれか１項に記載の情報処理システムであって、
前記第３のデータの入力を受け付け、受け付けた前記第３のデータを、更新された前記学習モデルに適用して予測を行う予測部をさらに備えること、
を特徴とする情報処理システム。

【請求項5】

請求項３に記載の情報処理システムであって、
前記第３のデータを用いた前記予測の実行に応じて前記第２のユーザに課金を行う課金処理部をさらに備えること、
を特徴とする情報処理システム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、情報処理システムに関する。

【背景技術】

【0002】

学習済みの学習モデルを提供するシステムが提案されている（例えば特許文献１参照）。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特許第６６９５５３４号明細書

【発明の概要】

【発明が解決しようとする課題】

【0004】

しかしながら、学習済みモデルでは利用者が希望する精度が担保されない可能性がある。

【0005】

本発明はこのような背景を鑑みてなされたものであり、学習モデルを効果的に学習させることのできる技術を提供することを目的とする。

【課題を解決するための手段】

【0006】

上記課題を解決するための本発明の主たる発明は、情報処理システムであって、第１のユーザの第１のデータを用いて機械学習により学習させた学習モデルを提供する学習モデル提供部と、前記学習モデルを購入した第２のユーザの第２のデータの入力を受け付ける入力部と、前記第２のデータを用いた機械学習により前記学習モデルを更新する更新部と、を備えることを特徴とする。

【0007】

その他本願が開示する課題やその解決方法については、発明の実施形態の欄及び図面により明らかにされる。

【発明の効果】

【0008】

本発明によれば、学習モデルを効果的に学習させることのできる技術を提供することができる。

【図面の簡単な説明】

【0009】

【図1】本発明の一実施形態に係るＡＩシステムの全体構成例を示す図である。

【図2】管理サーバ２のハードウェア構成例を示す図である。

【図3】管理サーバ２のソフトウェア構成例を示す図である。

【図4】アノテーションデータの入力画面１１の一例を示す図である。

【図5】提供者による学習モデルの提供処理の流れについて説明する図である。

【図6】利用者が学習モデルをチューニングする処理の流れについて説明する図である。

【図7】予測処理の流れを説明する図である。

【発明を実施するための形態】

【0010】

＜発明の概要＞

【0011】

＜システムの概要＞
図１は、本発明の一実施形態に係るＡＩシステムの全体構成例を示す図である。本実施形態のＡＩシステムは、管理サーバ２を含んで構成される。管理サーバ２は、提供者端末１及び利用者端末３のそれぞれと通信ネットワーク４を介して通信可能に接続される。通信ネットワーク４は、たとえばインターネットであり、公衆電話回線網や携帯電話回線網、無線通信路、イーサネット（登録商標）などにより構築される。

【0012】

本実施形態のＡＩシステムは、提供者が学習済みモデルを提供し、その学習モデルを利用者がチューニングしたうえで利用することができるようにしようとするものである。本実施形態では、学習モデルは画像に含まれている特定のオブジェクトを識別する分類器であり、分類器は、多層構造のニューラルネットワーク（ディープラーニング）を利用したFaster RCNNやMask RCNNなどを想定しているが、これに限らず、サポートベクターマシン、ランダムフォレスト、XGBOOSTなどでもよい。また、本実施形態では、あるものの画像を学習させた学習モデルに、他のものの画像を与えてさらなる学習をさせることによりチューニングを行うことができる。例えば、温州ミカンの学習モデルにオレンジの画像を与えることでオレンジの分類器として学習モデルをチューニングすることができる。温州ミカンの画像で学習済みの学習モデルを用いることにより、似て非なるオレンジの画像を用いて、少ない枚数の画像で精度の高いオレンジの分類器を効率良く作成することができる。

【0013】

提供者端末１は、提供者が操作するコンピュータであり、例えば、パーソナルコンピュータやスマートフォン、タブレットコンピュータなどである。提供者端末１を、クラウド・コンピューティングにより実現される仮想的なコンピュータとすることもできる。提供者は提供者端末１を利用して学習モデルを管理サーバ２に登録する。本実施形態では、提供者は提供者端末１を操作して管理サーバ２にアクセスし、ＴｅｎｓｏｒＦｌｏｗ（登録商標）などを用いて記載した学習モデルを登録することができる。また、提供者端末１から、学習モデルへの入力データとなる画像データ（例えば、温州ミカンの画像）を管理サーバ２にアップロードし、各画像について、分類するべきオブジェクト（例えば、温州ミカン）が表されている領域を指定するアノテーションを行い、アノテーションにより指定された領域と画像データとを学習モデルに与えることにより学習モデルを更新し、画像データからオブジェクト（例えば、温州ミカン）の抽出を行うための学習を行うことができる。なお、管理サーバ２以外のコンピュータ（例えば提供者端末１など）で学習処理を行い、学習済みの学習モデルをパラメータとともに管理サーバ２にアップロードするようにしてもよい。

【0014】

利用者端末３は、学習済みの学習モデルを利用しようとする利用者が操作するコンピュータである。利用者端末３は、例えば、パーソナルコンピュータやスマートフォン、タブレットコンピュータなどである。利用者端末３を、クラウド・コンピューティングにより実現される仮想的なコンピュータとすることもできる。利用者は利用者端末３を操作して管理サーバ２にアクセスして提供者により学習済みの学習モデルを購入し、購入した学習モデル（例えば、温州ミカンの分類器）に、利用者の画像データ（例えば、オレンジの画像）を与えてさらなる学習をさせることでチューニング（例えば、オレンジの分類器の作成）を行うことができる。また、利用者端末３は、利用者の画像によりチューニングした学習モデル（例えば、オレンジの分類器）を用いて、画像からオレンジの抽出及び分類を行うことができる。

【0015】

＜管理サーバ＞
管理サーバ２は、学習モデルの学習処理と、学習モデルを用いた予測（分類）処理とを行うコンピュータである。管理サーバ２は、例えばワークステーションやパーソナルコンピュータのような汎用コンピュータとしてもよいし、あるいはクラウド・コンピューティングによって論理的に実現されてもよい。

【0016】

図２は、管理サーバ２のハードウェア構成例を示す図である。なお、図示された構成は一例であり、これ以外の構成を有していてもよい。管理サーバ２は、ＣＰＵ２０１、メモリ２０２、記憶装置２０３、通信インタフェース２０４、入力装置２０５、出力装置２０６を備える。記憶装置２０３は、各種のデータやプログラムを記憶する、例えばハードディスクドライブやソリッドステートドライブ、フラッシュメモリなどである。通信インタフェース２０４は、通信ネットワーク４に接続するためのインタフェースであり、例えばイーサネット（登録商標）に接続するためのアダプタ、公衆電話回線網に接続するためのモデム、無線通信を行うための無線通信機、シリアル通信のためのＵＳＢ（Universal Serial Bus）コネクタやＲＳ２３２Ｃコネクタなどである。入力装置２０５は、データを入力する、例えばキーボードやマウス、タッチパネル、ボタン、マイクロフォンなどである。出力装置２０６は、データを出力する、例えばディスプレイやプリンタ、スピーカなどである。後述する管理サーバ３が備える各機能部は、例えば、ＣＰＵ２０１が記憶装置２０３に記憶されるプログラムをメモリ２０２に読み出して実行することにより実現され、管理サーバ３が備える各記憶部は、メモリ２０２及び記憶装置２０３が提供する記憶領域の一部として実現される。

【0017】

図３は、管理サーバ２のソフトウェア構成例を示す図である。管理サーバ２は、提供者情報記憶部２３１、学習モデル記憶部２３２、提供者画像記憶部２３３、利用者情報記憶部２４１、予測モデル記憶部２４２、利用者画像記憶部２４３、学習モデル作成部２１１、予測試行部２１２、学習モデル提供部２１３、画像データ入力部２１４、学習モデル更新部２１５、パラメータ設定部２１６、予測部２１７、課金処理部２１８を備える。

【0018】

提供者情報記憶部２３１は、提供者に関する情報（以下、提供者情報という。）を記憶する。図３に示すように、提供者情報には、提供者を特定する提供者ＩＤに対応付けて、支払情報を含めることができる。本実施形態では、提供者が提供した学習済みの学習モデルを利用者に販売する。支払い情報は、学習済み学習モデルの販売収益を提供者に支払うための情報であり、例えば、銀行口座に関する情報とすることができる。

【0019】

学習モデル記憶部２３２は、提供者から提供された学習モデルを含む情報（以下、モデル情報という。）を記憶する。図３に示すように、モデル情報には、学習モデルを特定するモデルＩＤに対応付けて、当該学習モデルを提供した提供者を示す提供者ＩＤ、学習モデル、当該学習モデルによる認識対象、学習手法、販売価格などを含めることができる。上述したように、本実施形態では、学習に用いるデータは画像データであり、学習モデルは分類器であることを想定している。学習モデル記憶部２３２は、複数の提供者から提供された複数の学習モデルに係るモデル情報を記憶することができる。

【0020】

提供者画像記憶部２３３は、学習モデルの学習に用いる提供者からの画像データを含む情報（以下、提供者画像情報という。）を記憶する。図３に示すように、提供者画像情報には、画像データの提供者を示す提供者ＩＤ及び学習モデルを特定するモデルＩＤに対応付けて、画像データと、当該画像データに認識対象が表示されている領域を示すアノテーションデータと、認識対象の分類を示す分類情報とを含めることができる。なお、提供者画像情報には、その他提供者及び画像データに関する情報を含めることができる。

【0021】

利用者情報記憶部２４１は、利用者に関する情報（以下、利用者情報という。）を記憶する。図３に示すように、利用者情報には、利用者を特定する利用者ＩＤに対応付けて、課金情報を含めることができる。課金情報は、利用者が学習モデルを購入した場合の対価や、後述するように、学習モデルを利用して予測処理を行った場合の料金の課金に用いる情報であり、例えば、クレジットカードの番号や認証情報などとすることができる。

【0022】

予測モデル記憶部２４２は、予測に用いる学習モデルに関する情報（以下、予測モデル情報という。）を記憶する。予測に用いる学習モデルとは、提供者が提供した学習モデルを、利用者の画像を用いて学習させたものである。すなわち、提供者が提供した学習モデル（提供者の画像により学習させた学習モデル）を、利用者の画像によりチューニングした学習モデルである。例えば、温州ミカンの画像を学習させた学習モデルに、オレンジの画像をさらに学習させることで、オレンジの分類器としてチューニングを行ったものである。予測モデル情報には、利用者を示す利用者ＩＤと、利用者が購入した学習モデルを示すモデルＩＤとに対応付けて、学習モデルとパラメータとを含めることができる。パラメータは、学習モデルのパラメータであってもよいし、ハイパーパラメータであってもよい。

【0023】

利用者画像記憶部２４３は、利用者からの画像データを含む情報（以下、利用者画像情報という。）を記憶する。図３に示すように、利用者画像情報には、画像データを提供した利用者を示す利用者ＩＤに対応付けて、画像データと、アノテーションデータと、分類情報とを含めることができる。

【0024】

学習モデル作成部２１１は、利用者に提供する学習モデルを作成する。本実施形態では、学習モデル作成部２１１は、提供者端末１から送信される学習モデルを受信して学習モデル記憶部２３２に登録することができる。学習モデル作成部２１１はまた、提供者から提供された学習モデルの学習処理を行うことができる。学習モデル作成部２１１は、提供者端末１から学習に用いる複数の画像データを受信し、それぞれについて提供者画像情報を作製して提供者画像記憶部２３３に登録することができる。なお、学習モデル作成部２１１は、提供者端末１以外から画像データを取得するようにしてもよい。

【0025】

学習モデル作成部２１１はさらに、提供者端末１に画像データを表示させ、当該画像に表示されている認識対象を表す領域を示すアノテーションデータと分類情報との入力を受け付けさせ、アノテーションデータ及び分類情報を提供者端末１から取得して、画像データに対応する提供者画像情報を更新することができる。図４は、アノテーションデータの入力画面１１の一例を示す図である。学習モデル作成部２１１は、画面１１を表示するための画面データを提供者端末１に送信し、提供者端末１に画面１１を表示させることができる。また、提供者端末１では、認識対象（図４の例では温州ミカン）が表示されている画像データ１１１中の領域１１２の指定を受け付け、領域１１２を示すアノテーションデータを管理サーバ２に送信するようにする。また、提供者端末１は、認識対象（温州ミカン）の分類（例えば、完熟、未熟等）を示す分類情報１１３の入力を受け付け、アノテーションデータとともに管理サーバ２に送信することができる。なお、図４の例では、矩形により領域１１２を特定しているが、円形や多角形、自由曲線など任意の系上の領域をアノテーションデータとして用いることもできる。

【0026】

加えて、学習モデル作成部２１１は、画像データ１１１と、アノテーションデータ１１２と、分類情報１１３とを与えて学習モデルに学習させることができる。なお、学習モデルの学習処理（学習モデルのパラメータの更新処理）は、一般的な機械学習の処理を用いることができる。

【0027】

予測試行部２１２は、利用者から受け付けた画像を用いて予測（分類）の試行を行う。予測試行部２１２は、利用者端末３から１枚又は複数枚の画像データを受信し、受信した画像データを、学習モデルに適用して予測結果（分類）とその信頼度とを取得することができる。予測試行部２１２は、予測の試行に用いる学習モデルの指定を受け付けるようにしてもよいし、学習モデル記憶部２３２に記憶されている一部又は全ての学習モデルを選択して予測を行うようにすることができる。

【0028】

学習モデル提供部２１３は、提供者の画像データを用いて機械学習により学習させた学習モデルを利用者に提供する。学習モデル提供部２１３は、予測試行部２１２が試行した予測結果の信頼度に応じて学習モデルを利用者端末３に送信することができる。学習モデル提供部２１３は、例えば、学習モデルの認識対象、学習手法、販売価格とともに、予測試行部２１２による予測結果及び信頼度を利用者端末３に送信してもよい。利用者は、予測試行部２１２による予測結果を用いて、及び／又は、認識対象、学習手法、販売価格などを参考に、購入する学習モデルを選択することができる。学習モデル提供部２１３はまた、利用者端末３から学習モデルの指定を受け付け、指定された学習モデルを利用者に販売することができる。利用者への販売処理については一般的なオンラインショッピングなどによる手法を用いることができる。

【0029】

画像データ入力部２１４は、学習モデルを購入した利用者から画像データの入力を受け付ける。画像データ入力部２１４は、利用者端末３から画像データを受信し、受信した画像データを含む利用者画像情報を作成して利用者画像記憶部２４３に登録することができる。

【0030】

画像データ入力部２１４は、利用者からアノテーションデータ及び分類情報の入力も受け付けることができる。上述した学習モデル作成部２１１と同様に、利用者端末１に対して図４に示す画面１１を表示させて、画像データ１１１内の領域１１２を示すアノテーションデータと分類情報１１３とを取得し、取得したアノテーションデータ及び分類情報により、画像データに対応する利用者画像情報を更新することができる。

【0031】

学習モデル更新部２１５は、利用者が提供した画像データ（利用者画像情報の画像データ）を用いた機械学習により学習モデルを更新する。学習モデル更新部２１５は、利用者に対応する予測モデル情報の学習モデルに、利用者に対応する利用者画像情報の画像データ、アノテーションデータ及び分類情報を与えて学習モデルを更新することができる。学習モデルの更新はチューニングともいう。

【0032】

パラメータ設定部２１６は、利用者から学習モデルに対するパラメータの設定を受け付ける。パラメータには、例えば、学習率、ステップ数、アーリーストッピングの有無、物体を認定する際のしきい値（その値以上の確度のものを「存在する」と認定するようにすることができる）などのハイパーパラメータが含まれうる。

【0033】

予測部２１７は、チューニング済みの学習モデル（予測モデル記憶部２４２に登録されている学習モデル）を用いて予測処理を行う。予測部２１７は、利用者端末３から画像データの入力を受け付け、受け付けた画像データを利用者に対応する学習モデルに与えることにより予測（認識対象の分類）を行うことができる。

【0034】

課金処理部２１８は、予測部２１７による予測処理の実行に応じて利用者に課金を行う。課金処理部２１８は、例えば、定額の利用料を利用者に課金するようにしてもよいし、予測処理の実行数や画像データのサイズなどに応じた従量料金を利用者に課金するようにしてもよい。なお、利用者以外のユーザからの画像の入力に応じて予測処理を行った場合には、学習モデルに対応する利用者ではなく、ユーザに課金をするようにしてもよい。

【0035】

＜動作＞
以下、本実施形態のＡＩシステムの動作について説明する。

【0036】

図５は、提供者による学習モデルの提供処理の流れについて説明する図である。

【0037】

提供者端末１は、提供者からの画像データを管理サーバ２にアップロードし（Ｓ４０１）、図４に示す画面１１を表示してアノテーションデータと分類情報との入力を受け付け、受け付けたアノテーションデータと分類情報とを管理サーバ２に送信する（Ｓ４０２）。提供者端末１は管理サーバ２に対して学習の指示を送信し（Ｓ４０３）、管理サーバ２は、画像データ、アノテーションデータ及び分類情報を用いて学習モデルの学習を行う（Ｓ４０４）。このようにして、提供者による学習済みの学習モデルが管理サーバ２に登録される。

【0038】

図６は、利用者が学習モデルをチューニングする処理の流れについて説明する図である。

【0039】

提供者端末１は、学習済みの学習モデルについて販売指示を行い（Ｓ４２１）、管理サーバ２は、指示された学習モデルを利用者に販売可能に管理することができる。利用者端末３は、管理サーバ２から学習モデルを購入し（Ｓ４２２）、管理サーバ２は、購入に応じた代金を提供者に支払う（Ｓ４２３）。

【0040】

利用者端末３は、利用者の画像データを管理サーバ２にアップロードするとともに（Ｓ４２４）、図４に示す画面１１を表示してアノテーションデータと分類情報との入力を受け付け、受け付けたアノテーションデータと分類情報とを管理サーバ２に送信する（Ｓ４２５）。利用者端末３から学習の指示が管理サーバ２に送信されると（Ｓ４２６）、管理サーバ２は、利用者端末３から受信した画像データ、アノテーションデータ及び分類情報を用いて学習モデルの追加学習を行う（Ｓ４２７）。これにより、提供者により学習済みの学習モデルが、利用者からの画像データにより追加的に学習されて、利用者の用途に合わせた分類を精度良く行うようにチューニングすることができる。

【0041】

図７は、予測処理の流れを説明する図である。利用者端末３から画像データが管理サーバ２に送信されると（Ｓ４４１）、管理サーバ２は、利用者ＩＤに対応する学習モデルを予測モデル記憶部２４２から読み出し、読み出した学習モデルに画像データを適用して分類情報を得ることができる（Ｓ４４２）。管理サーバ２は、予測結果（分類情報）を利用者端末３に送信する（Ｓ４４３）。また、管理サーバ２は、予測処理に応じて利用者に対して課金処理を行うことができる（Ｓ４４４）。

【0042】

以上説明したように、本実施形態のＡＩシステムによれば、提供者により学習済みの学習モデルを、利用者の画像により追加学習を行うことで、利用者の認識したい対象向けにチューニングを行ったうえで、学習モデルを予測に用いることができる。したがって、利用者としては、データ量が少なくても学習を行うことが可能であり、学習にかかる費用を減らすことができ、学習にかかる時間を減らすことができる。例えば、温州ミカンの画像により学習済みの学習モデルに早生ミカンの画像で早生ミカン向けにチューニングした学習モデルを作る場合のように、似た画像に関する追加学習を行う場合には、学習率を小さい値にすることが可能であり、収束がはやく、エポック数（ステップ数・学習回数）も少なくてもすむため、効率的な学習を行うことができる。

【0043】

また、本実施形態のＡＩシステムによれば、提供者にとっては、自身で学習させた学習モデルの二次利用を促進することができる。例えば、提供者は、不要になった学習結果を販売することが可能である。また、提供者は自身でサーバ管理をすることなく、管理サーバ２を用いて学習モデルの構築をすることができる。

【0044】

以上、本実施形態について説明したが、上記実施形態は本発明の理解を容易にするためのものであり、本発明を限定して解釈するためのものではない。本発明は、その趣旨を逸脱することなく、変更、改良され得ると共に、本発明にはその等価物も含まれる。

【0045】

例えば、本実施形態では、提供者端末１及び利用者端末３はそれぞれ１台のみの場合を記載していたが、提供者端末１及び利用者端末３はいずれも複数台あってよい。

【0046】

また、本実施形態では、温州ミカンの画像により学習済みの学習モデルにオレンジの画像で追加学習を行うことを一例として取り上げたが、これに限らず、例えば、ビルのヒビ画像により学習させた学習モデルに、橋桁のひび割れ画像を追加学習させることも有効であるし、皮膚の炎症などの画像で学習した学習モデルを用いてアトピー皮膚炎の学習、大腸内視鏡などの画像で学習したモデルを用いて胃がんの学習を行うことも有効である。

【0047】

また、同じ認識対象であっても、異なる撮影場所や異なる撮影主体の画像を追加学習させることも有効である。例えば、ある病院の画像で学習させた学習モデルに、他の病院での画像を与えて追加学習を行うことで、他の病院向けにチューニングを行うことも可能である。

【0048】

また、本実施形態では、モデル情報には、学習モデル以外に、学習手法及び販売価格を含めることを記載したが、これに限らず、アーキテクチャ＋手法、１枚あたりの判定時間、画像サイズ、認識対象のドメイン、認識精度（ＡＵＣなど）、学習させた画像の枚数、アノテーションの数、購入数、作成者、作成者のレーティング、口コミ、利用した画像のサンプル、クラス数、ラベル名、画像のフォーマット、登録日、最終更新日などを含めることもできる。利用者はこれらの情報を参考に、学習モデルを選択することができる。

【0049】

また、本実施形態では、予測部２１７は、利用者から画像データを受け付けて予測を行うものとしたが、利用者とは異なる他のユーザからの画像データの入力を受け付けて予測を行うようにしてもよい。この場合、他のユーザは、予測モデル記憶部２４２に記憶されているチューニング済みの学習モデルの指定とともに画像データを管理サーバ２に送信し、予測２１７は、指定された学習モデルに、受信した画像データを与えて分類情報を求めることができる。この場合、利用者に課金するようにしてもよいし、他のユーザに課金するようにしてもよい。

【0050】

また、本実施形態では、学習モデルは画像に含まれている特定のオブジェクトを識別する分類器であるものとしたが、これに限らず、画像データ以外の入力データを受け付ける学習モデルであってよいし、分類器ではなく予測器であってもよい。入力データとしては、例えば、特徴量ベクトルとして表現可能な任意のデータとすることができる。また、入力データとして、例えば、表計算ソフトウェアのデータのように複数の特徴量ベクトルを並べたデータを受け付けるようにし、各行（各ベクトル）について学習を行うようにすることもできる。またこの場合に、アノテーションデータとして数値を与えるようにすることもできる。また、分類情報に代えて連続値を示す教師データを与えるようにすることもできる。

【0051】

また、本実施形態では、学習モデルは多層構造のニューラルネットワーク（ディープラーニング）を想定していたが、これに限るものではなく、各種の手法の学習モデルを採用することができる。

【符号の説明】

【0052】

１ 提供者端末
２ 管理サーバ
３ 利用者端末
２３１ 提供者情報記憶部
２３２ 学習モデル記憶部
２３３ 提供者画像記憶部
２４１ 利用者情報記憶部
２４２ 予測モデル記憶部
２４３ 利用者画像記憶部
２１１ 学習モデル作成部
２１２ 予測試行部
２１３ 学習モデル提供部
２１４ 画像データ入力部
２１５ 学習モデル更新部
２１６ パラメータ設定部
２１７ 予測部
２１８ 課金処理部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】