特開 2022-187742 インシデント分類プログラム、インシデント分類方法、およびインシデント分類装置

(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】P2022187742

(43)【公開日】2022-12-20

(54)【発明の名称】インシデント分類プログラム、インシデント分類方法、およびインシデント分類装置

(51)【国際特許分類】

   G06N 20/00 20190101AFI20221213BHJP

   G06Q 10/00 20120101ALI20221213BHJP

   G06Q 50/04 20120101ALI20221213BHJP

【ＦＩ】

G06N20/00 130

G06Q10/00

G06Q50/04

【審査請求】未請求

【請求項の数】7

【出願形態】ＯＬ

(21)【出願番号】P 2021095904

(22)【出願日】2021-06-08

(71)【出願人】

【識別番号】000005223

【氏名又は名称】富士通株式会社

(74)【代理人】

【識別番号】110002147

【氏名又は名称】弁理士法人酒井国際特許事務所

(72)【発明者】

【氏名】蔦谷 雄一

(72)【発明者】

【氏名】笠井 悟志

(72)【発明者】

【氏名】若島 雄大

(72)【発明者】

【氏名】伊藤 優介

(72)【発明者】

【氏名】久保 洋人

【テーマコード（参考）】

5L049

【Ｆターム（参考）】

5L049AA20

5L049CC03

(57)【要約】

【課題】インシデント分類において、インシデントレポートの微妙な表現の違いを正しく機械学習できない場合がある。また、高いインシデントレベルを誤って低いレベルに分類することは避ける必要がある。
【解決手段】インシデント分類プログラムは、インシデントに関連付けられたデータを特徴量とし、インシデントの重大度を示す第１の分類を正解ラベルとして機械学習により生成された第１のモデルに、第１のインシデントに関連付けられた第１のデータを入力して第１の分類結果を取得し、第１の分類をさらに細かく分類するための、インシデントに関連付けられたデータを特徴量とし、重大度を示す、第１の分類より細かい粒度の第２の分類を正解ラベルとして機械学習により生成された第２のモデルに、第１のインシデントに関連付けられた第２のデータを入力して第２の分類結果を取得する処理をコンピュータに実行させる。
【選択図】図６

【特許請求の範囲】

【請求項1】

インシデントに関連付けられたデータを特徴量とし、前記インシデントの重大度を示す第１の分類を正解ラベルとして機械学習により生成された第１のモデルに、第１のインシデントに関連付けられた第１のデータを入力して第１の分類結果を取得し、
前記第１の分類をさらに細かく分類するための、前記インシデントに関連付けられたデータを特徴量とし、前記重大度を示し、前記第１の分類より細かい粒度の第２の分類を正解ラベルとして機械学習により生成された第２のモデルに、前記第１のインシデントに関連付けられた第２のデータを入力して第２の分類結果を取得する
処理をコンピュータに実行させることを特徴とするインシデント分類プログラム。

【請求項2】

前記コンピュータによって実行される、前記第１の分類結果を取得する処理は、前記第１のモデルに前記第１のデータを入力して、前記第１の分類の各々である第１の確率を取得し、前記第１の確率が所定の閾値以上の前記第１の分類を、前記第１の分類結果として取得する処理を含み、
前記コンピュータによって実行される、前記第２の分類結果を取得する処理は、前記第２のモデルに前記第２のデータを入力して、前記第２の分類の各々である第２の確率を取得し、前記第２の確率が所定の閾値以上の前記第２の分類を、前記第２の分類結果として取得する処理を含む
ことを特徴とする請求項１に記載のインシデント分類プログラム。

【請求項3】

前記コンピュータによって実行される、前記第１の分類結果を取得する処理は、前記インシデントに関連付けられたデータを特徴量とし、２値分類である前記第１の分類を正解ラベルとして機械学習により生成された前記第１のモデルに、前記第１のデータを入力して、２値分類である前記第１の分類結果を取得する処理を含み、
前記第２の分類結果を取得する処理は、前記インシデントに関連付けられたデータを特徴量とし、２値分類である前記第２の分類を正解ラベルとして機械学習により生成された前記第２のモデルに、前記第２のデータを入力して、２値分類である前記第２の分類結果を取得する処理を含む
ことを特徴とする請求項１または２に記載のインシデント分類プログラム。

【請求項4】

前記第２の分類をさらに細かく分類するための、前記インシデントに関連付けられたデータを特徴量とし、前記重大度を示し、前記第２の分類より細かい粒度の第３の分類を正解ラベルとして機械学習により生成された第３のモデルに、前記第１のインシデントに関連付けられた第３のデータを入力して第３の分類結果を取得する
処理を前記コンピュータに実行させることを特徴とする請求項１乃至３のいずれか一項に記載のインシデント分類プログラム。

【請求項5】

インシデントに関連付けられたデータを特徴量とし、前記インシデントの重大度を示す第１の分類を正解ラベルとして機械学習して第１のモデルを生成し、
前記第１の分類をさらに細かく分類するための、前記インシデントに関連付けられたデータを特徴量とし、前記重大度を示し、前記第１の分類より細かい粒度の第２の分類を正解ラベルとして機械学習して第２のモデルを生成する
処理をコンピュータに実行させることを特徴とするインシデント分類プログラム。

【請求項6】

インシデントに関連付けられたデータを特徴量とし、前記インシデントの重大度を示す第１の分類を正解ラベルとして機械学習により生成された第１のモデルに、第１のインシデントに関連付けられた第１のデータを入力して第１の分類結果を取得し、
前記第１の分類をさらに細かく分類するための、前記インシデントに関連付けられたデータを特徴量とし、前記重大度を示し、前記第１の分類より細かい粒度の第２の分類を正解ラベルとして機械学習により生成された第２のモデルに、前記第１のインシデントに関連付けられた第２のデータを入力して第２の分類結果を取得する
処理をコンピュータが実行することを特徴とするインシデント分類方法。

【請求項7】

インシデントに関連付けられたデータを特徴量とし、前記インシデントの重大度を示す第１の分類を正解ラベルとして機械学習により生成された第１のモデルに、第１のインシデントに関連付けられた第１のデータを入力して第１の分類結果を取得し、
前記第１の分類をさらに細かく分類するための、前記インシデントに関連付けられたデータを特徴量とし、前記重大度を示し、前記第１の分類より細かい粒度の第２の分類を正解ラベルとして機械学習により生成された第２のモデルに、前記第１のインシデントに関連付けられた第２のデータを入力して第２の分類結果を取得する
処理を実行する制御部を有することを特徴とするインシデント分類装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、インシデント分類技術に関する。

【背景技術】

【0002】

製造業などにおいてインシデントレポートの内容を確認し、重大な事象か否かを判断し、重大度であるインシデントレベルを判定する作業を行っている。しかしながら、インシデントレポートは一日で数千件に及ぶ場合もあり、人手による全件チェックが困難であるため、ＡＩ（Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ）を用いてインシデントレベルの判定を行うことが望まれている。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０１８－２００５２４号公報

【特許文献2】特開２００３－２５６４４１号公報

【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、インシデントレポートはあいまいな記述が多く、かつ、事象によっては十分なデータがあるわけではないため微妙な表現の違いを正しく機械学習できない場合がある。また、重大なトラブルに繋がる可能性があるため、機械学習によって、高いインシデントレベルの事象を誤って低いインシデントレベルに分類してしまうことはできる限り避ける必要がある。

【0005】

１つの側面では、インシデントレポートに対するインシデントレベルの分類精度を向上させることができるインシデント分類プログラム、インシデント分類方法、およびインシデント分類装置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】

１つの態様において、インシデント分類プログラムは、インシデントに関連付けられたデータを特徴量とし、インシデントの重大度を示す第１の分類を正解ラベルとして機械学習により生成された第１のモデルに、第１のインシデントに関連付けられた第１のデータを入力して第１の分類結果を取得し、第１の分類をさらに細かく分類するための、インシデントに関連付けられたデータを特徴量とし、重大度を示す、第１の分類より細かい粒度の第２の分類を正解ラベルとして機械学習により生成された第２のモデルに、第１のインシデントに関連付けられた第２のデータを入力して第２の分類結果を取得する処理をコンピュータに実行させる。

【発明の効果】

【0007】

１つの側面では、インシデントレポートに対するインシデントレベルの分類精度を向上させることができる。

【図面の簡単な説明】

【0008】

【図1】図１は、機械学習によるインシデント分類処理の一例を示す図である。

【図2】図２は、自然言語処理の一例を示す図である。

【図3】図３は、重み付け処理の一例を示す図である。

【図4】図４は、インシデント分類の一例を示す図である。

【図5】図５は、実施例１にかかるインシデント分類装置１０の構成例を示す図である。

【図6】図６は、実施例１にかかるインシデント分類の一例を示す図である。

【図7】図７は、実施例１にかかるインシデント分類処理の一例を示す図である。

【図8】図８は、ハードウェア構成例を説明する図である。

【発明を実施するための形態】

【0009】

以下に、本実施形態にかかるインシデント分類プログラム、インシデント分類方法、およびインシデント分類装置の実施例を図面に基づいて詳細に説明する。なお、この実施例により本実施形態が限定されるものではない。また、各実施例は、矛盾のない範囲内で適宜組み合わせることができる。

【実施例0010】

まず、図１を用いて、本実施形態によって解決しようとする課題を具体的に説明する。図１は、機械学習によるインシデント分類処理の一例を示す図である。図１において上段は機械学習における訓練フェーズ、下段は予測フェーズを示す。

【0011】

訓練フェーズでは、インシデントレポート１００を機械学習に利用できる形式に変換するため、前処理として自然言語処理および重み付け処理が実行される。各処理について、それぞれ、図２および図３を用いて説明する。

【0012】

図２は、自然言語処理の一例を示す図である。図２の例では、インシデントレポート１００は、例えば、インシデントを一意に示す識別子であるインシデント番号、インシデントの重大度を示すインシデントレベル、インシデント内容を示す本文を対応付けて記憶されたデータである。ここで、インシデントレベルは、例えば、インシデントの重大度を、Ａを最も重大なインシデントとしてＡ～Ｄの４段階によって示すものである。

【0013】

まず、図２に示すように、インシデントレポート１００の本文が、既存技術によって形態素に分解される。そして、各形態素に基づいて、Ｂａｇ ｏｆ Ｗｏｒｄｓ（ＢＯＷ：単語文書行列）による変換処理によってＢＯＷデータ１０１が生成される。ＢＯＷデータ１０１は、例えば、図２に示すように、インシデントごとに、単語の出現回数や、単語間の係り受けの有無を集計したデータである。この際、助詞など一部の形態素は除外されて集計されてよい。また、単語間の係り受けの有無とは、例えば、インシデントの本文において、“異常”に続いて“発見”が出現する場合は、図２に示すように、“異常→発見”の係り受けに対し、出現有りを示す“１”が設定される。また、例えば、“異常”に続いて“発見”が出現するが、さらに続いて否定表現が出現する場合は、図２に示すように、“異常→発見（否定）”の係り受けに対し、出現有りを示す“１”が設定される。

【0014】

次に、自然言語処理によって生成されたＢＯＷデータ１０１に対して重み付け処理が実行される。図３は、重み付け処理の一例を示す図である。重み付け処理は、例えば、ＢＯＷデータ１０１に対してＴＦ－ＩＤＦ（Ｔｅｒｍ Ｆｒｅｑｕｅｎｃｙ － Ｉｎｖｅｒｓｅ Ｄｏｃｕｍｅｎｔ Ｆｒｅｑｕｅｎｃｙ）値を算出して掛け合わせることにより行われ、レベル分類用訓練データ１０２が生成される。これにより、どのインシデントにも出現する単語や係り受けは相対的に価値が下げられる。

【0015】

そして、図１に戻り、レベル分類用訓練データ１０２を用いて機械学習を行い、訓練済モデル１１０が生成される。訓練済モデル１１０は、例えば、レベル分類用訓練データ１０２を特徴量とし、インシデントレベルを正解ラベルとして機械学習されるモデルである。

【0016】

次に、訓練フェーズにおいて生成された訓練済モデル１１０を用いて、予測フェーズが実行される。予測フェーズでも訓練フェーズ同様、予測対象であるインシデントレポート２００を機械学習に利用できる形式に変換するため、前処理として自然言語処理および重み付け処理が実行され、レベル分類用予測データ２０１が生成される。

【0017】

そして、レベル分類用予測データ２０１を訓練済モデル１１０に入力することにより出力される分類結果３００が取得される。図１の例では、分類結果３００は、インシデントごとに、各インシデントレベルである確率が記憶されたデータである。分類結果３００に基づいて、インシデントごとに、最も高い、または４０％や５０％など所定の閾値以上のインシデントレベルを、そのインシデントのインシデントレベルと予測できる。

【0018】

図４は、インシデント分類の一例を示す図である。図１および図４に示すように、インシデントレポート２００における各インシデントは、１つの訓練済モデル１１０を用いて同時に複数ランクの判定が行われ、例えば、Ａ～Ｄの４段階のインシデントレベルに分類される。

【0019】

しかしながら、インシデントレポートはあいまいな記述が多く、かつ、事象によっては十分なデータがあるわけではないため、訓練フェーズでは、インシデント内容の微妙な表現の違いを正しく機械学習できない場合がある。また、予測フェーズでは、訓練済モデル１１０を用いた予測ではすべてのインシデントレベルを均等に判断してしまうため、重大度の高いインシデントレベルＡやＢが、ＣやＤと判定され、見逃されてしまう場合がある。そこで、本実施形態では、インシデントレポートに対するインシデントレベルの分類精度を向上させることができるインシデント分類プログラム、インシデント分類方法、およびインシデント分類装置を提供することを目的とする。

【0020】

［インシデント分類装置１０の機能構成］
次に、本実施形態の実行主体となるインシデント分類装置１０の機能構成について説明する。図５は、実施例１にかかるインシデント分類装置１０の構成例を示す図である。図５に示すように、インシデント分類装置１０は、通信部２０、記憶部３０、および制御部４０を有する。

【0021】

通信部２０は、例えば、インシデントレポートなどのデータや分類結果の送受信先である他の装置との間の通信を制御する処理部であり、例えば、ネットワークインタフェースカードなどの通信インタフェースである。

【0022】

記憶部３０は、各種データや、制御部４０が実行するプログラムを記憶する記憶装置の一例であり、例えば、メモリやハードディスクなどである。記憶部３０は、機械学習モデルＤＢ（データベース）３１、インシデントデータ３２、および分類結果３３、などを記憶する。

【0023】

機械学習モデルＤＢ３１は、例えば、インシデントに関連付けられたデータを特徴量とし、インシデントの重大度を示す分類を正解ラベルとして機械学習により生成された機械学習モデルを構築するためのパラメータや当該モデルのための訓練データを記憶する。当該訓練データは、例えば、図３に示したようなレベル分類用訓練データ１０２である。

【0024】

インシデントデータ３２は、インシデントに関するデータを記憶する。当該データは、例えば、図２に示したようなインシデントレポート１００である。

【0025】

分類結果３３は、機械学習によるインシデント分類の結果に関するデータを記憶する。当該データは、例えば、図１に示したような分類結果３００である。

【0026】

なお、記憶部３０に記憶される上記情報はあくまでも一例であり、記憶部３０は、上記情報以外にも様々な情報を記憶できる。

【0027】

制御部４０は、インシデント分類装置１０全体を司る処理部であり、例えば、プロセッサなどである。制御部４０は、分類部４１および機械学習部４２を備える。なお、各処理部は、プロセッサが有する電子回路の一例やプロセッサが実行するプロセスの一例である。

【0028】

分類部４１は、インシデントに関連付けられたデータを特徴量とし、インシデントの重大度を示す第１の分類を正解ラベルとして機械学習により生成された第１のモデルに、インシデントに関連付けられたデータを入力して第１の分類結果を取得する。また、分類部４１は、インシデントに関連付けられたデータを特徴量とし、第１の分類より細かい粒度の第２の分類を正解ラベルとして機械学習により生成された第２のモデルに、インシデントに関連付けられたデータを入力して第２の分類結果を取得する。

【0029】

このように、分類部４１は、第１のモデルによって分類されたインシデントレベルを、第２のモデルによってさらに細かい粒度で分類する。なお、各モデルによる分類は２値分類であってよく、より具体的には、分類部４１は、例えば、Ａ～Ｄの４段階のインシデントレベルを、まず、第１のモデルによってＡＢかＣＤに分類した後、第２のモデルによってＡかＢ、またはＣかＤに分類する。そのため、この場合、第２のモデルは、ＡまたはＢに分類するためのモデルと、ＣまたはＤに分類するためのモデルの２種類が存在することになる。

【0030】

このように、２値分類によって多段階でインシデントレベルを分類することにより、図４に示したような、一回でＡ～Ｄの４段階に分類する方法と比較すると、分類精度を向上させることができる。

【0031】

また、分類部４１によって取得される分類結果は、インシデントレベルそのものでなく、各インシデントレベルである確率であってよい。この場合、分類部４１は、最も高い、または４０％や５０％など所定の閾値以上のインシデントレベルを、分類結果として取得できる。また、多段階分類は２段階のみならず、３段階以上であってよい。

【0032】

機械学習部４２は、インシデントに関連付けられたデータを特徴量とし、インシデントの重大度を示す第１の分類を正解ラベルとして機械学習して第１のモデルを生成する。また、機械学習部４２は、第１の分類をさらに細かく分類するための、インシデントに関連付けられたデータを特徴量とし、インシデントの重大度を示す、第１の分類より細かい粒度の第２の分類を正解ラベルとして機械学習して第２のモデルを生成する。なお、第２のモデルは、上述したように、例えば、ＡまたはＢに分類するためのモデルと、ＣまたはＤに分類するためのモデルの複数種類が存在し得る。

【0033】

なお、インシデント分類装置１０は、分類部４１および機械学習部４２を備え、機械学習の訓練フェーズおよび推定フェーズの両方を実行するように説明したが、訓練フェーズおよび推定フェーズを別々の装置で実行してもよい。

【0034】

［機能詳細］
次に、実施例１にかかるインシデント分類方法を図６および図７を用いて詳細に説明する。図６は、実施例１にかかるインシデント分類の一例を示す図である。図６の例では、インシデントをＡ～Ｄの４段階のインシデントレベルに分類するものとして説明する。

【0035】

まず、インシデント分類装置１０は、インシデントレポート２００を機械学習に利用できる形式に変換するため、前処理として、図２および図３を用いて説明したような自然言語処理および重み付け処理を実行する。

【0036】

次に、インシデント分類装置１０は、自然言語処理および重み付け処理を実行して変換した予測用のデータを、インシデントレベルＡＢかＣＤに分類するための訓練済モデル１１１に入力する。訓練済モデル１１１は、インシデントに関連付けられたデータを特徴量とし、インシデントレベルＡＢまたはＣＤの２値の分類を正解ラベルとして機械学習により生成されたモデルである。

【0037】

訓練済モデル１１１に予測用のデータを入力することにより、予測対象のインシデントは、まず、ＡＢかＣＤに分類される。ＡＢかＣＤへの分類について、インシデント分類装置１０は、例えば、図６に示すように、ＡＢである確率が４０％以上である場合はＡＢに分類し、４０％未満である場合はＣＤに分類する。なお、４０％など分類のための閾値は分類結果を参照して調整されてよい。

【0038】

次に、訓練済モデル１１１によってインシデントレベルＡＢに分類された場合を説明する。インシデントレベルＡＢに分類された場合、インシデント分類装置１０は、予測用のデータを、インシデントレベルＡかＢに分類するための訓練済モデル１１２に入力する。訓練済モデル１１２は、インシデントに関連付けられたデータを特徴量とし、インシデントレベルＡまたはＢの２値の分類を正解ラベルとして機械学習により生成されたモデルである。

【0039】

訓練済モデル１１２に予測用のデータを入力することにより、予測対象のインシデントは、ＡかＢに分類される。ＡかＢへの分類についても、インシデント分類装置１０は、例えば、図６に示すように、Ａである確率が４０％以上である場合はＡに分類し、４０％未満である場合はＢに分類する。

【0040】

一方、訓練済モデル１１１によってインシデントレベルＣＤに分類された場合、インシデント分類装置１０は、予測用のデータを、インシデントレベルＣかＤに分類するための訓練済モデル１１３に入力し、ＡＢ同様、ＣまたはＤに分類する。訓練済モデル１１３は、インシデントに関連付けられたデータを特徴量とし、インシデントレベルＣまたはＤの２値の分類を正解ラベルとして機械学習により生成されたモデルである。

【0041】

このように、２値分類によって多段階でインシデントレベルを分類することにより、分類精度を向上させることができる。特に、図４に示したような１段階の分類方法によって、例えば、重大度の高いインシデントレベルＡである確率とＤである確率が近似し、Ｄに誤分類してしまうようなインシデントであっても、まず、ＡＢかＣＤに分類するため、誤分類を抑止できる。すなわち、多値に分類する機械学習モデルより、２値に分類する機械学習モデルの方が、判断パターンが少なくて済み、モデルパラメータなどの調整難度も下がるため、分類精度を向上させ易くなる。また、多値に分類する機械学習モデルでは、例えば、Ａ～Ｄの４段階のインシデントレベルである場合、各レベル間の違い、すなわち、ＡとＢ、ＢとＣ、ＣとＤの違いを一度に学習させる必要がある。さらに、微妙な表現の違いを正しく機械学習するためには、各レベル間の分、より多くの訓練データが必要になる。

【0042】

次に、図７を用いて、実施例１にかかるインシデント分類方法を訓練フェーズから流れに沿って、より具体的に説明する。図７は、実施例１にかかるインシデント分類処理の一例を示す図である。図７において上段は機械学習における訓練フェーズ、下段は予測フェーズを示す。また、図７の例では、インシデントをＡ～Ｄの４段階のインシデントレベルに分類するものとして説明する。

【0043】

訓練フェーズでは、インシデントレポート１００を機械学習に利用できる形式に変換するため、インシデント分類装置１０は、前処理として、図２および図３を用いて説明した自然言語処理および重み付け処理を実行する。これらの処理により、レベル分類用訓練データ１０２が生成される。

【0044】

次に、インシデント分類装置１０は、レベル分類用訓練データ１０２を分割し、分類用データ１０３～１０５を生成する。分類用データ１０３は、インシデントをインシデントレベルＡＢかＣＤに分類するための訓練データである。また、分類用データ１０４および１０５は、それぞれ、インシデントをインシデントレベルＡかＢ、およびＣかＤに分類するための訓練データである。

【0045】

そして、インシデント分類装置１０は、分類用データ１０３～１０５のそれぞれを用いて機械学習を行い、訓練済モデル１１１～１１３を生成する。訓練済モデル１１１は、例えば、分類用データ１０３を特徴量とし、インシデントレベルを正解ラベルとして機械学習され、インシデントをインシデントレベルＡＢかＣＤに分類するためモデルである。また、訓練済モデル１１２および１１３は、訓練済モデル１１１によってインシデントレベルがＡＢかＣＤに分類された後、それぞれ、さらにインシデントをインシデントレベルＡかＢ、およびＣかＤに分類するためのモデルである。

【0046】

次に、訓練フェーズにおいて生成された訓練済モデル１１１～１１３を用いて、予測フェーズが実行される。予測フェーズでも訓練フェーズ同様、インシデント分類装置１０は、前処理として自然言語処理および重み付け処理を実行し、レベル分類用予測データ２０１を生成する。

【0047】

次に、インシデント分類装置１０は、レベル分類用予測データ２０１を訓練済モデル１１１に入力し、分類結果３０１を取得する。分類結果３０１は、インシデントレベルがＡかＢである確率、およびＣかＤである確率が記憶されたデータである。インシデント分類装置１０は、分類結果３０１に基づいて、インシデントごとに、最も高い、または所定の閾値以上のインシデントレベルを、そのインシデントのインシデントレベルと予測する。

【0048】

図７の例では、訓練済モデル１１１によってインシデントレベルがＡＢに分類されたインシデントを例として説明する。インシデントレベルがＡＢに分類されたので、次に、インシデント分類装置１０は、レベル分類用予測データ２０２を訓練済モデル１１２に入力し、分類結果３０２を取得する。分類結果３０２は、インシデントレベルがＡである確率、およびＢである確率が記憶されたデータである。そして、インシデント分類装置１０は、分類結果３０２に基づいて、最も高い、または所定の閾値以上のインシデントレベルを、そのインシデントのインシデントレベルと予測し、インシデントレベルがＡまたはＢに分類される。

【0049】

なお、訓練済モデル１１１によってインシデントレベルがＣＤに分類されたインシデントは、インシデント分類装置１０によって訓練済モデル１１３を用いてインシデントレベルがＣまたはＤに分類される。

【0050】

［効果］
上述したように、インシデント分類装置１０は、インシデントに関連付けられたデータを特徴量とし、インシデントの重大度を示す第１の分類を正解ラベルとして機械学習により生成された第１のモデルに、第１のインシデントに関連付けられた第１のデータを入力して第１の分類結果を取得し、第１の分類をさらに細かく分類するための、インシデントに関連付けられたデータを特徴量とし、インシデントの重大度を示し、第１の分類より細かい粒度の第２の分類を正解ラベルとして機械学習により生成された第２のモデルに、第１のインシデントに関連付けられた第２のデータを入力して第２の分類結果を取得する。

【0051】

一回で多値に分類する機械学習モデルより、段階的に細かく分類する機械学習モデルの方が、判断パターンが少なくて済み、モデルパラメータなどの調整難度も下がるため、分類精度を向上させ易くなる。このようにして、インシデント分類装置１０は、インシデントレポートに対するインシデントレベルの分類精度を向上させることができる。

【0052】

また、インシデント分類装置１０によって実行される、前記第１の分類結果を取得する処理は、前記第１のモデルに前記第１のデータを入力して、前記第１の分類の各々である第１の確率を取得し、前記第１の確率が所定の閾値以上の前記第１の分類を、前記第１の分類結果として取得する処理を含み、前記コンピュータによって実行される、前記第２の分類結果を取得する処理は、前記第２のモデルに前記第２のデータを入力して、前記第２の分類の各々である第２の確率を取得し、前記第２の確率が所定の閾値以上の前記第２の分類を、前記第２の分類結果として取得する処理を含む。

【0053】

これにより、インシデント分類装置１０は、インシデントレポートに対するインシデントレベルの分類精度をより向上させることができる。

【0054】

また、インシデント分類装置１０によって実行される、前記第１の分類結果を取得する処理は、前記インシデントに関連付けられたデータを特徴量とし、２値分類である前記第１の分類を正解ラベルとして機械学習により生成された前記第１のモデルに、前記第１のデータを入力して、２値分類である前記第１の分類結果を取得する処理を含み、前記第２の分類結果を取得する処理は、前記インシデントに関連付けられたデータを特徴量とし、２値分類である前記第２の分類を正解ラベルとして機械学習により生成された前記第２のモデルに、前記第２のデータを入力して、２値分類である前記第２の分類結果を取得する処理を含む。

【0055】

これにより、インシデント分類装置１０は、インシデントレポートに対するインシデントレベルの分類精度をより向上させることができる。

【0056】

また、インシデント分類装置１０は、第２の分類をさらに細かく分類するための、前記インシデントに関連付けられたデータを特徴量とし、前記重大度を示し、前記第２の分類より細かい粒度の第３の分類を正解ラベルとして機械学習により生成された第３のモデルに、前記第１のインシデントに関連付けられた第３のデータを入力して第３の分類結果を取得する。

【0057】

これにより、インシデント分類装置１０は、インシデントレポートに対するインシデントレベルのより細かい分類に対しても分類精度を向上させることができる。

【0058】

また、インシデント分類装置１０は、インシデントに関連付けられたデータを特徴量とし、前記インシデントの重大度を示す第１の分類を正解ラベルとして機械学習して第１のモデルを生成し、前記第１の分類をさらに細かく分類するための、前記インシデントに関連付けられたデータを特徴量とし、前記重大度を示し、前記第１の分類より細かい粒度の第２の分類を正解ラベルとして機械学習して第２のモデルを生成する。

【0059】

これにより、インシデント分類装置１０は、インシデントレポートに対するインシデントレベルの分類精度をより向上させることができる機械学習モデルを生成できる。

【0060】

［システム］
上記文書中や図面中で示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更できる。また、実施例で説明した具体例、分布、数値などは、あくまで一例であり、任意に変更できる。

【0061】

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散や統合の具体的形態は図示のものに限られない。つまり、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成できる。さらに、各装置にて行われる各処理機能は、その全部または任意の一部が、ＣＰＵおよび当該ＣＰＵにて解析実行されるプログラムにて実現され、あるいは、ワイヤードロジックによるハードウェアとして実現され得る。

【0062】

［ハードウェア］
図８は、ハードウェア構成例を説明する図である。図８に示すように、インシデント分類装置１０は、通信インタフェース１０ａ、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）１０ｂ、メモリ１０ｃ、プロセッサ１０ｄを有する。また、図８に示した各部は、バスなどで相互に接続される。

【0063】

通信インタフェース１０ａは、ネットワークインタフェースカードなどであり、他のサーバとの通信を行う。ＨＤＤ１０ｂは、図５に示した機能を動作させるプログラムやＤＢを記憶する。

【0064】

プロセッサ１０ｄは、図５に示した各処理部と同様の処理を実行するプログラムをＨＤＤ１０ｂなどから読み出してメモリ１０ｃに展開することで、図５などで説明した各機能を実行するプロセスを動作させるハードウェア回路である。すなわち、このプロセスは、インシデント分類装置１０が有する各処理部と同様の機能を実行する。具体的には、プロセッサ１０ｄは、分類部４１および機械学習部４２などと同様の機能を有するプログラムをＨＤＤ１０ｂなどから読み出す。そして、プロセッサ１０ｄは、分類部４１および機械学習部４２などと同様の処理を実行するプロセスを実行する。

【0065】

このようにインシデント分類装置１０は、図５に示した各処理部と同様の処理を実行するプログラムを読み出して実行することで動作制御処理を実行する情報処理装置として動作する。また、インシデント分類装置１０は、媒体読取装置によって記録媒体からプログラムを読み出し、読み出されたプログラムを実行することで上述した実施例と同様の機能を実現することもできる。なお、この他の実施例でいうプログラムは、インシデント分類装置１０によって実行されることに限定されるものではない。例えば、他のコンピュータまたはサーバがプログラムを実行する場合や、これらが協働してプログラムを実行するような場合にも、本実施形態を同様に適用できる。

【0066】

また、図５に示した各処理部と同様の処理を実行するプログラムは、インターネットなどのネットワークを介して配布できる。また、このプログラムは、ハードディスク、フレキシブルディスク（ＦＤ）、ＣＤ－ＲＯＭ、ＭＯ（Ｍａｇｎｅｔｏ－Ｏｐｔｉｃａｌ ｄｉｓｋ）、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ）などのコンピュータで読み取り可能な記録媒体に記録され、コンピュータによって記録媒体から読み出されることによって実行できる。

【0067】

以上の実施例を含む実施形態に関し、さらに以下の付記を開示する。

【0068】

（付記１）インシデントに関連付けられたデータを特徴量とし、前記インシデントの重大度を示す第１の分類を正解ラベルとして機械学習により生成された第１のモデルに、第１のインシデントに関連付けられた第１のデータを入力して第１の分類結果を取得し、
前記第１の分類をさらに細かく分類するための、前記インシデントに関連付けられたデータを特徴量とし、前記重大度を示し、前記第１の分類より細かい粒度の第２の分類を正解ラベルとして機械学習により生成された第２のモデルに、前記第１のインシデントに関連付けられた第２のデータを入力して第２の分類結果を取得する
処理をコンピュータに実行させることを特徴とするインシデント分類プログラム。

【0069】

（付記２）前記コンピュータによって実行される、前記第１の分類結果を取得する処理は、前記第１のモデルに前記第１のデータを入力して、前記第１の分類の各々である第１の確率を取得し、前記第１の確率が所定の閾値以上の前記第１の分類を、前記第１の分類結果として取得する処理を含み、
前記コンピュータによって実行される、前記第２の分類結果を取得する処理は、前記第２のモデルに前記第２のデータを入力して、前記第２の分類の各々である第２の確率を取得し、前記第２の確率が所定の閾値以上の前記第２の分類を、前記第２の分類結果として取得する処理を含む
ことを特徴とする付記１に記載のインシデント分類プログラム。

【0070】

（付記３）前記コンピュータによって実行される、前記第１の分類結果を取得する処理は、前記インシデントに関連付けられたデータを特徴量とし、２値分類である前記第１の分類を正解ラベルとして機械学習により生成された前記第１のモデルに、前記第１のデータを入力して、２値分類である前記第１の分類結果を取得する処理を含み、
前記第２の分類結果を取得する処理は、前記インシデントに関連付けられたデータを特徴量とし、２値分類である前記第２の分類を正解ラベルとして機械学習により生成された前記第２のモデルに、前記第２のデータを入力して、２値分類である前記第２の分類結果を取得する処理を含む
ことを特徴とする付記１または２に記載のインシデント分類プログラム。

【0071】

（付記４）前記第２の分類をさらに細かく分類するための、前記インシデントに関連付けられたデータを特徴量とし、前記重大度を示し、前記第２の分類より細かい粒度の第３の分類を正解ラベルとして機械学習により生成された第３のモデルに、前記第１のインシデントに関連付けられた第３のデータを入力して第３の分類結果を取得する
処理を前記コンピュータに実行させることを特徴とする付記１乃至３のいずれか１つに記載のインシデント分類プログラム。

【0072】

（付記５）インシデントに関連付けられたデータを特徴量とし、前記インシデントの重大度を示す第１の分類を正解ラベルとして機械学習して第１のモデルを生成し、
前記第１の分類をさらに細かく分類するための、前記インシデントに関連付けられたデータを特徴量とし、前記重大度を示し、前記第１の分類より細かい粒度の第２の分類を正解ラベルとして機械学習して第２のモデルを生成する
処理をコンピュータに実行させることを特徴とするインシデント分類プログラム。

【0073】

（付記６）インシデントに関連付けられたデータを特徴量とし、前記インシデントの重大度を示す第１の分類を正解ラベルとして機械学習により生成された第１のモデルに、第１のインシデントに関連付けられた第１のデータを入力して第１の分類結果を取得し、
前記第１の分類をさらに細かく分類するための、前記インシデントに関連付けられたデータを特徴量とし、前記重大度を示し、前記第１の分類より細かい粒度の第２の分類を正解ラベルとして機械学習により生成された第２のモデルに、前記第１のインシデントに関連付けられた第２のデータを入力して第２の分類結果を取得する
処理をコンピュータが実行することを特徴とするインシデント分類方法。

【0074】

（付記７）前記コンピュータによって実行される、前記第１の分類結果を取得する処理は、前記第１のモデルに前記第１のデータを入力して、前記第１の分類の各々である第１の確率を取得し、前記第１の確率が所定の閾値以上の前記第１の分類を、前記第１の分類結果として取得する処理を含み、
前記コンピュータによって実行される、前記第２の分類結果を取得する処理は、前記第２のモデルに前記第２のデータを入力して、前記第２の分類の各々である第２の確率を取得し、前記第２の確率が所定の閾値以上の前記第２の分類を、前記第２の分類結果として取得する処理を含む
ことを特徴とする付記６に記載のインシデント分類方法。

【0075】

（付記８）前記コンピュータによって実行される、前記第１の分類結果を取得する処理は、前記インシデントに関連付けられたデータを特徴量とし、２値分類である前記第１の分類を正解ラベルとして機械学習により生成された前記第１のモデルに、前記第１のデータを入力して、２値分類である前記第１の分類結果を取得する処理を含み、
前記第２の分類結果を取得する処理は、前記インシデントに関連付けられたデータを特徴量とし、２値分類である前記第２の分類を正解ラベルとして機械学習により生成された前記第２のモデルに、前記第２のデータを入力して、２値分類である前記第２の分類結果を取得する処理を含む
ことを特徴とする付記６または７に記載のインシデント分類方法。

【0076】

（付記９）前記第２の分類をさらに細かく分類するための、前記インシデントに関連付けられたデータを特徴量とし、前記重大度を示し、前記第２の分類より細かい粒度の第３の分類を正解ラベルとして機械学習により生成された第３のモデルに、前記第１のインシデントに関連付けられた第３のデータを入力して第３の分類結果を取得する
処理を前記コンピュータが実行することを特徴とする付記６乃至８のいずれか１つに記載のインシデント分類方法。

【0077】

（付記１０）インシデントに関連付けられたデータを特徴量とし、前記インシデントの重大度を示す第１の分類を正解ラベルとして機械学習して第１のモデルを生成し、
前記第１の分類をさらに細かく分類するための、前記インシデントに関連付けられたデータを特徴量とし、前記重大度を示し、前記第１の分類より細かい粒度の第２の分類を正解ラベルとして機械学習して第２のモデルを生成する
処理をコンピュータが実行することを特徴とするインシデント分類方法。

【0078】

（付記１１）インシデントに関連付けられたデータを特徴量とし、前記インシデントの重大度を示す第１の分類を正解ラベルとして機械学習により生成された第１のモデルに、第１のインシデントに関連付けられた第１のデータを入力して第１の分類結果を取得し、
前記第１の分類をさらに細かく分類するための、前記インシデントに関連付けられたデータを特徴量とし、前記重大度を示し、前記第１の分類より細かい粒度の第２の分類を正解ラベルとして機械学習により生成された第２のモデルに、前記第１のインシデントに関連付けられた第２のデータを入力して第２の分類結果を取得する
処理を実行する制御部を有することを特徴とするインシデント分類装置。

【0079】

（付記１２）前記コンピュータによって実行される、前記第１の分類結果を取得する処理は、前記第１のモデルに前記第１のデータを入力して、前記第１の分類の各々である第１の確率を取得し、前記第１の確率が所定の閾値以上の前記第１の分類を、前記第１の分類結果として取得する処理を含み、
前記コンピュータによって実行される、前記第２の分類結果を取得する処理は、前記第２のモデルに前記第２のデータを入力して、前記第２の分類の各々である第２の確率を取得し、前記第２の確率が所定の閾値以上の前記第２の分類を、前記第２の分類結果として取得する処理を含む
ことを特徴とする付記１１に記載のインシデント分類装置。

【0080】

（付記１３）前記コンピュータによって実行される、前記第１の分類結果を取得する処理は、前記インシデントに関連付けられたデータを特徴量とし、２値分類である前記第１の分類を正解ラベルとして機械学習により生成された前記第１のモデルに、前記第１のデータを入力して、２値分類である前記第１の分類結果を取得する処理を含み、
前記第２の分類結果を取得する処理は、前記インシデントに関連付けられたデータを特徴量とし、２値分類である前記第２の分類を正解ラベルとして機械学習により生成された前記第２のモデルに、前記第２のデータを入力して、２値分類である前記第２の分類結果を取得する処理を含む
ことを特徴とする付記１１または１２に記載のインシデント分類装置。

【0081】

（付記１４）前記第２の分類をさらに細かく分類するための、前記インシデントに関連付けられたデータを特徴量とし、前記重大度を示し、前記第２の分類より細かい粒度の第３の分類を正解ラベルとして機械学習により生成された第３のモデルに、前記第１のインシデントに関連付けられた第３のデータを入力して第３の分類結果を取得する
処理を前記制御部が実行することを特徴とする付記１１乃至１３のいずれか１つに記載のインシデント分類装置。

【0082】

（付記１５）インシデントに関連付けられたデータを特徴量とし、前記インシデントの重大度を示す第１の分類を正解ラベルとして機械学習して第１のモデルを生成し、
前記第１の分類をさらに細かく分類するための、前記インシデントに関連付けられたデータを特徴量とし、前記重大度を示し、前記第１の分類より細かい粒度の第２の分類を正解ラベルとして機械学習して第２のモデルを生成する
処理を実行する制御部を有することを特徴とするインシデント分類装置。

【0083】

（付記１６）プロセッサと、
プロセッサに動作可能に接続されたメモリと
を備えたインシデント分類装置であって、プロセッサは、
インシデントに関連付けられたデータを特徴量とし、前記インシデントの重大度を示す第１の分類を正解ラベルとして機械学習により生成された第１のモデルに、第１のインシデントに関連付けられた第１のデータを入力して第１の分類結果を取得し、
前記第１の分類をさらに細かく分類するための、前記インシデントに関連付けられたデータを特徴量とし、前記重大度を示し、前記第１の分類より細かい粒度の第２の分類を正解ラベルとして機械学習により生成された第２のモデルに、前記第１のインシデントに関連付けられた第２のデータを入力して第２の分類結果を取得する
処理を実行することを特徴とするインシデント分類装置。

【実施例0084】

さて、これまで本発明の実施例について説明したが、本発明は上述した実施例以外にも、種々の異なる形態にて実施されてよいものである。