特開 2023-183835 実行制御プログラム、実行制御方法及び情報処理装置

(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】P2023183835

(43)【公開日】2023-12-28

(54)【発明の名称】実行制御プログラム、実行制御方法及び情報処理装置

(51)【国際特許分類】

   G06F 9/445 20180101AFI20231221BHJP

【ＦＩ】

G06F9/445 130

【審査請求】未請求

【請求項の数】6

【出願形態】ＯＬ

(21)【出願番号】P 2022097605

(22)【出願日】2022-06-16

(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】▲濱▼田 祐介

【テーマコード（参考）】

5B376

【Ｆターム（参考）】

5B376AA32

5B376AC02

5B376DA12

5B376DA28

(57)【要約】

【課題】容易且つ信頼性の高いユーザインターフェース開発を実現する実行制御プログラム、実行制御方法及び情報処理装置を提供する。
【解決手段】複数のユーザインターフェースの間で共通化された複数のＭＬコマンド２それぞれについて、各ＭＬコマンド２に応じて実行される処理を、複数種類のＭＬベースクラス３の内の１つ以上のＭＬベースクラス３の組み合わせで定義した関数定義１４を記憶し、ＭＬコマンド２の中の特定コマンドの入力を受け付け、受け付けた特定コマンドに対応する関数定義１４で定義されるＭＬベースクラス３の組み合わせで特定コマンドを処理する処理をコンピュータに実行させる。
【選択図】図１

【特許請求の範囲】

【請求項1】

複数のユーザインターフェースの間で共通化された複数のコマンドそれぞれについて、各前記コマンドに応じて実行される処理を、複数種類のクラスの内の１つ以上のクラスの組み合わせで定義した関数定義を記憶し、
前記コマンドの中の特定コマンドの入力を受け付け、
受け付けた前記特定コマンドに対応する前記関数定義で定義される前記クラスの組み合わせで前記特定コマンドを処理する
処理をコンピュータに実行させることを特徴とする実行制御プログラム。

【請求項2】

前記ユーザインターフェース毎の各前記コマンドに対応する定義を前記関数定義が最下層となるように階層的に配置し、
前記特定コマンドの入力に用いられた前記ユーザインターフェースの定義から順に、１つ下の層の前記特定コマンドに対応する前記ユーザインターフェースの定義を呼び出すことを、前記特定コマンドに対応する前記関数定義を呼び出すまで繰り返して、呼び出した前記関数定義を用いて前記特定コマンドを処理する
こと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に記載の実行制御プログラム。

【請求項3】

前記コマンド毎に、第１ユーザインターフェースの定義と第２ユーザインターフェースの定義と前記関数定義とを記憶し、
前記特定コマンドの入力に前記第１ユーザインターフェースが用いられた場合、前記特定コマンドに対応する前記第１ユーザインターフェースの定義を用いて前記特定コマンドに対応する前記第２ユーザインターフェースの定義を呼び出し、呼び出した前記第２ユーザインターフェースの定義を用いて前記特定コマンドに対応する前記関数定義を呼び出し、呼び出した前記特定コマンドに対応する前記関数定義を用いて前記特定コマンドを処理し、
前記特定コマンドの入力に前記第２ユーザインターフェースが用いられた場合、前記特定コマンドに対応する前記第２ユーザインターフェースの定義を用いて前記特定コマンドに対応する前記関数定義を呼び出し、呼び出した前記特定コマンドに対応する前記関数定義を用いて前記特定コマンドを処理する
こと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に記載の実行制御プログラム。

【請求項4】

複数の前記コマンドは、機械学習モデルに関する処理を実行させる命令であることを特徴とする請求項１に記載の実行制御プログラム。

【請求項5】

コンピュータに、
複数のユーザインターフェースの間で共通化された複数のコマンドそれぞれについて、各前記コマンドに応じて実行される処理を、複数種類のクラスの内の１つ以上のクラスの組み合わせで定義した関数定義を記憶させ、
前記コマンドの中の特定コマンドの入力を受け付けさせ、
受け付けた前記特定コマンドに対応する前記関数定義で定義される前記クラスの組み合わせで前記特定コマンドを処理させる
ことを特徴とする実行制御方法。

【請求項6】

複数のユーザインターフェースの間で共通化された複数のコマンドの中の特定コマンドを受け付けるコマンド受付部と、
前記複数のコマンドそれぞれについて、各前記コマンドに応じて実行される処理を、複数種類のクラスの内の１つ以上の前記クラスの組み合わせで定義した関数定義を記憶し、前記コマンド受付部により受け付けられた前記特定コマンドに対応する前記関数定義で定義される前記クラスの組み合わせで前記特定コマンドを処理する関数定義管理部と、
を備えたことを特徴とする情報処理装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、実行制御プログラム、実行制御方法及び情報処理装置に関する。

【背景技術】

【0002】

機械学習で使用される機械学習モデルを開発もしくは提供を行う際、一般的に利用されるユーザインターフェースとしては以下のようなものがある。例えば、ＣＬＩ（Command Line Interface）、関数コール、ＲＥＳＴ（Representation State Transfer） ＡＰＩ（Application Programming Interface）、Ｗｅｂ ＧＵＩ（Graphical User Interface）などが挙げられる。

【0003】

通常、これらのコードは相互に独立しており、利用時のインターフェース要件に応じて、個別に各ユーザインターフェースが作成される。このため、従来は、異なる複数のユーザインターフェースを作成するには、各ユーザフェースについての個別の開発及び作成が行われてきた。

【0004】

なお、機械学習に関する技術として、機械学習モデルにアクセスするための複数のユーザインターフェースを用意して、学習段階においてユーザインターフェースに切り替えながらナビゲーションを実行することを可能とする技術が提案されている。

【先行技術文献】

【特許文献】

【0005】

【特許文献1】特開２００６－２６８８３２号公報

【発明の概要】

【発明が解決しようとする課題】

【0006】

しかしながら、ユーザインターフェース毎に開発及び作成を行う場合、同じ機械学習モデルに対してであっても、複数のユーザインターフェースを実装させるためには、多くの作業工数が発生する。また、様々なユーザインターフェースを個別に作成すると、インターフェース作成時のコード追加により、機械学習モデルの精度を意図せず変えてしまうおそれがある。

【0007】

開示の技術は、上記に鑑みてなされたものであって、容易且つ信頼性の高いユーザインターフェース開発を実現する実行制御プログラム、実行制御方法及び情報処理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】

【0008】

本願の開示する実行制御プログラム、実行制御方法及び情報処理装置の一つの態様において、以下の処理をコンピュータに実行させる。複数のユーザインターフェースの間で共通化された複数のコマンドそれぞれについて、各前記コマンドに応じて実行される処理を、複数種類のクラスの内の１つ以上のクラスの組み合わせで定義した関数定義を記憶する処理。前記コマンドの中の特定コマンドの入力を受け付ける処理。受け付けた前記特定コマンドに対応する前記関数定義で定義される前記クラスの組み合わせで前記特定コマンドを処理する処理をコンピュータに実行させる処理。

【発明の効果】

【0009】

１つの側面では、本発明は、容易且つ信頼性の高いユーザインターフェース開発を実現することができる。

【図面の簡単な説明】

【0010】

【図1】図１は、実施例に係る実行制御方法の概要を示す図である。

【図2】図２は、実施例に係るＭＬフレームワークが動作する情報処理装置のブロック図である。

【図3】図３は、ＭＬコマンドとＭＬベースクラスとの参照関係の一例を示す図である。

【図4】図４は、ユーザインターフェース毎の定義例を示す図である。

【図5】図５は、‘ｔｒａｉｎ’を実行するためのＭＬフレームワークの一例を示す図である。

【図6】図６は、実施例に係るＭＬフレームワークによるＭＬコマンドの実行処理のフローチャートである。

【図7】図７は、情報処理装置のハードウェア構成図である。

【発明を実施するための形態】

【0011】

以下に、本願の開示する実行制御プログラム、実行制御方法及び情報処理装置の実施例を図面に基づいて詳細に説明する。なお、以下の実施例により本願の開示する実行制御プログラム、実行制御方法及び情報処理装置が限定されるものではない。

【実施例0012】

図１は、実施例に係る実行制御方法の概要を示す図である。図１を参照して、機械学習に関するＭＬ（Machine Learning）コマンド２が入力された場合の処理の概要について説明する。図１に示すＭＬフレームワーク１０は、機械学習モデルを利用する利用者やアプリケーションから機械学習に関する命令であるＭＬコマンド２の入力を受けて、機械学習モデルの学習処理、機械学習モデルを用いた推論処理、及び推論結果を用いた評価処理を実行するフレームワークである。本実施例では、機械学習モデルを開発又は使用するユーザインターフェースとして、ＷｅｂＧＵＩ、ＲＥＳＴ ＡＰＩ、ＣＬＩ及び関数コールの４つを用いる。

【0013】

ＭＬコマンド２は、複数のユーザインターフェースで共通化された機械学習に関する処理を実行するためのコマンドである。例えば、ＭＬコマンド２には、ｄａｔａ、ｓｅｓｓ、ｔｒａｉｎ、ｐｒｅｄ、ｅｖａｌ、ｔｅｓｔ、ｔｕｎｅ、ｓｕｍ及びｌｏａｄなどが存在する。

【0014】

‘ｄａｔａ’は、生データからモデル学習用のデータセットを生成するコマンドであり、学習、推論及び評価のいずれの段階でも使用される。‘ｓｅｓｓ’は、モデル学習のための１ハイパーパラメータに対応する試行単位であるセッションを生成するコマンドである。‘ｔｒａｉｎ’は、‘ｄａｔａ’により生成されたデータセット及び‘ｓｅｓｓ’により生成されたセッションを使用して機械学習モデルの学習を実行するコマンドである。‘ｐｒｅｄ’は、‘ｔｒａｉｎ’により学習が行われた機械学習モデルを用いて推論を実行するコマンドである。‘ｌｏａｄ’は、学習済の機械学習モデルをメモリにロードするコマンドである。ここで機械学習モデルはサイズが大きい場合が多く、使用時毎に読み込むと処理速度に影響が大きいため、ＭＬフレームワーク１０は、‘ｌｏａｄ’を用いて予め機械学習モデルをメモリに読み込んでおくことが多い。‘ｔｕｎｅ’は、ハイパーパラメータを自動生成しながら複数の学習(‘ｔｒａｉｎ’)を実行するコマンドである。‘ｅｖａｌ’は、学習済みの機械学習モデルが推論したデータを正解データと比較し、評価結果を出力するコマンドである。‘ｔｅｓｔ’は、‘ｐｒｅｄ’と‘ｅｖａｌ’とを連続して実行するコマンドである。‘ｓｕｍ’は、‘ｅｖａｌ’の結果、すなわち機械学習モデルの評価結果をサマライズして、一覧出力するコマンドである。

【0015】

ＭＬベースクラス３は、機械学習モデルを用いたアプリケーションの開発者により作成される。ＭＬベースクラス３は、予め入出力が定義されたクラスである。ＭＬベースクラス３は、使用する４つのユーザインターフェースで共通化されたコマンドそれぞれについて、コマンドに応じて実行される処理を１つ以上の組合せにより定義する。すなわち、開発者は、使用する４つのユーザインターフェースで共通化された各コマンドで使用可能なように各ＭＬベースクラス３を設計し作成する。そして、ＭＬベースクラス３は、ＭＬフレームワーク１０にインポートされる。このインポートにより、各関数定義１４と関数定義１４それぞれにおいて使用される１つ又は複数のＭＬベースクラス３とが関連付けられる。

【0016】

例えば、本実施例では、ＭＬコマンド２で使用されるＭＬベースクラス３として、ＤａｔａＧｅｎｅｒａｔｏｒ、Ｔｒａｉｎｅｒ、Ｅｖａｌｕａｔｏｒ、Ｐｒｅｄｉｃｒｏｒ、Ｍｏｄｅｌ、Ｓｕｍｍａｒｉｚｅｒ及びＴｕｎｅｒなどが存在する。

【0017】

‘ＤａｔａＧｅｎｅｒａｔｏｒ’は、生データから機械学習モデルの学習用のデータセットを生成するためのクラスである。‘Ｔｒａｉｎｅｒ’は、モデルの学習を実行するためのクラスである。‘Ｅｖａｌｕａｔｏｒ’は、学習済みの機械学習モデルが推論したデータを正解データと比較し、評価結果を出力するためのクラスである。‘Ｐｒｅｄｉｃｒｏｒ’は、学習済みの機械学習モデルを用いて推論を実行するためのクラスである。‘Ｍｏｄｅｌ’は、モデルアーキテクチャのクラスである。ただし、このモデルアーキテクチャは、回帰モデルやＣＮＮ（Convolutional Neural Network）モデルなどであり、ハイパーパラメータや学習済みパラメータは含まない。‘Ｓｕｍｍａｒｉｚｅｒ’は、‘ｅｖａｌ’の結果である機械学習モデルの評価結果をパースして、サマリを返すためのクラスである。‘Ｔｕｎｅｒ’は、学習用のハイパーパラメータを自動生成させるためのクラスである。

【0018】

ＭＬフレームワーク１０は、ＷｅｂＧＵＩ定義１１、ＲＥＳＴ ＡＰＩ定義１２、ＣＬＩ定義１３及び関数定義１４を有する。ＭＬフレームワーク１０は、図１に示すような階層化された設計で、ＷｅｂＧＵＩ定義１１、ＲＥＳＴ ＡＰＩ定義１２、ＣＬＩ定義１３及び関数定義１４を使用する。すなわち、ユーザインターフェース毎の各ＭＬコマンド２に対応する定義が、関数定義１４が最下層となるように階層的に配置される。また、ＭＬフレームワーク１０は、図示しないが、機械学習モデルによる処理に用いる学習データ及び推論データの生成に用いる生データを保持する。

【0019】

ＷｅｂＧＵＩ定義１１とは、ＷｅｂＧＵＩによりＭＬコマンド２が入力された場合に実行する処理を定義する情報である。同様に、ＲＥＳＴ ＡＰＩ定義１２は、ＲＥＳＴ ＡＰＩによりＭＬコマンド２が入力された場合に実行する処理を定義する情報である。ＣＬＩ定義１３は、ＣＬＩによりＭＬコマンド２が入力された場合に実行する処理を定義する情報である。関数定義１４は、４つのユーザインターフェースで共通化されたＭＬコマンド２に対応する関数を定義する情報である。関数定義１４は、複数のユーザインターフェースの間で共通化された複数のＭＬコマンド２それぞれについて、各ＭＬコマンド２に応じて実行される処理を、１つ以上のＭＬベースクラス３を用いて実行する関数を定義する。

【0020】

図１のように階層化した設計の場合、ＷｅｂＧＵＩ定義１１は、少なくともＲＥＳＴ ＡＰＩを呼び出すためのインターフェースを備えていればよい。また、ＲＥＳＴ ＡＰＩ定義１２及びＣＬＩ定義１３は、少なくとも関数定義１４のラッパーコード、すなわち関数定義１４を呼び出す処理として定義されればよい。

【0021】

次に、ＭＬフレームワーク１０によるＭＬコマンド２の処理について説明する。ＭＬフレームワーク１０は、ＷｅｂＧＵＩ、ＲＥＳＴ ＡＰＩ、ＣＬＩ又は関数コールのいずれかのユーザインターフェースによるＭＬコマンド２の入力を受ける。このＭＬフレームワーク１０が受け付けるＭＬコマンド２が、「特定コマンド」の一例にあたる。

【0022】

ＷｅｂＧＵＩによるＭＬコマンド２の入力を受けた場合、ＭＬフレームワーク１０は、ＷｅｂＧＵＩ定義１１にしたがって受信したＭＬコマンド２に対応するＲＥＳＴ ＡＰＩのＭＬコマンド２を実行するＲＥＳＴ ＡＰＩ定義１２を呼び出す。次に、ＭＬフレームワーク１０は、呼び出したＲＥＳＴ ＡＰＩ定義１２にしたがって、ＭＬコマンド２に対応する関数定義１４を呼び出す。次に、ＭＬフレームワーク１０は、呼び出した関数定義１４にしたがい、指定された各種データに対して関数定義１４で指定されたＭＬベースクラス３を用いて処理を実行する。その後、ＭＬフレームワーク１０は、得られた処理結果をＭＬコマンド２の入力元に返すなどして、入力されたＭＬコマンド２に対する応答を行う。

【0023】

この、ＷｅｂＧＵＩが第１ユーザインターフェースの一例にあたり、ＷｅｂＧＵＩ定義１１が、第１ユーザインターフェースの定義の一例にあたる。また、ＲＥＳＴ ＡＰＩが第２ユーザインターフェースの一例にあたり、ＲＥＳＴ ＡＰＩ定義１２が、第２ユーザインターフェースの定義の一例にあたる。すなわち、ＭＬフレームワーク１０は、特定コマンドの入力に第１ユーザインターフェースが用いられた場合、特定コマンドに対応する第１ユーザインターフェースの定義を用いて特定コマンドに対応する第２ユーザインターフェースの定義を呼出す。次に、ＭＬフレームワーク１０は、呼び出した第２ユーザインターフェースの定義を用いて特定コマンドに対応する関数定義１４を呼び出し、呼び出した特定コマンドに対応する関数定義１４を用いて特定コマンドを処理する。

【0024】

ＲＥＳＴ ＡＰＩによるＭＬコマンド２の入力を受けた場合、ＭＬフレームワーク１０は、ＲＥＳＴ ＡＰＩ定義１２にしたがって入力されたＲＥＳＴ ＡＰＩのＭＬコマンド２に対応する関数定義１４を呼び出す。次に、ＭＬフレームワーク１０は、呼び出した関数定義１４にしたがい、指定された各種データに対して関数定義１４で指定されたＭＬベースクラス３用いて処理を実行する。その後、ＭＬフレームワーク１０は、得られた処理結果をＭＬコマンド２の入力元に返すなどして、入力されたＭＬコマンド２に対する応答を行う。

【0025】

すなわち、ＭＬフレームワーク１０は、特定コマンドの入力に第２ユーザインターフェースが用いられた場合、特定コマンドに対応する第２ユーザインターフェースの定義を用いて特定コマンドに対応する関数定義１４を呼び出し、呼び出した特定コマンドに対応する関数定義１４を用いて特定コマンドを処理する。

【0026】

ＣＬＩによるＭＬコマンド２の入力を受けた場合、ＭＬフレームワーク１０は、ＣＬＩ定義１３にしたがって入力されたＣＬＩのＭＬコマンド２に対応する関数定義１４を呼び出す。次に、ＭＬフレームワーク１０は、呼び出した関数定義１４にしたがい、指定された各種データに対して関数定義１４で指定されたＭＬベースクラス３用いて処理を実行する。その後、ＭＬフレームワーク１０は、得られた処理結果をＭＬコマンド２の入力元に返すなどして、入力されたＭＬコマンド２に対する応答を行う。

【0027】

関数コールによるＭＬコマンド２の入力を受けた場合、ＭＬフレームワーク１０は、関数コールで指定された関数定義１４にしたがい、指定された各種データに対して関数定義１４で指定されたＭＬベースクラス３用いて処理を実行する。その後、ＭＬフレームワーク１０は、得られた処理結果をＭＬコマンド２の入力元に返すなどして、入力されたＭＬコマンド２に対する応答を行う。

【0028】

このように、ＭＬフレームワーク１０は、特定コマンドの入力に用いられたユーザインターフェースの定義から順に、１つ下の層の特定コマンドに対応するユーザインターフェースの定義を呼び出すことを、特定コマンドに対応する関数定義１４を呼び出すまで繰り返して、呼び出した関数定義１４を用いて前記特定コマンドを処理する。

【0029】

すなわち、本実施例に係るＭＬフレームワーク１０は、ＷｅｂＧＵＩ定義１１、ＲＥＳＴ ＡＰＩ定義１２及びＣＬＩ定義１３として次の階層を呼び出す最低限の定義さえ規定されていればよい。このため、開発者は、各インターフェースの共通化されたＭＬコマンド２に対応するようにＭＬベースクラス３の設計及び開発を行なえばよく、基本的に４つのインターフェースを独立に開発しなくてもよい。

【0030】

ただし、ＭＬフレームワーク１０は、個別要件に応じて各ユーザインターフェースの定義を上書きや追加などによりカスタマイズできる機能を開発者に提供してもよい。

【0031】

図２は、実施例に係るＭＬフレームワークが動作する情報処理装置のブロック図である。次に、図２を参照して、情報処理装置１について機能毎に説明する。図２に示すように、情報処理装置１は、ＷｅｂＧＵＩ制御部１０１、ＲＥＳＴ ＡＰＩ制御部１０２、ＣＬＩ制御部１０３、関数コール制御部１０４、関数定義管理部１０５、ＭＬコマンド受付部１０６、モデル格納部１０７及びインポート処理部１０８を有する。ＷｅｂＧＵＩ制御部１０１、ＲＥＳＴ ＡＰＩ制御部１０２、ＣＬＩ制御部１０３、関数コール制御部１０４、関数定義管理部１０５及びＭＬコマンド受付部１０６は、ＭＬフレームワーク１０により実現される。

【0032】

インポート処理部１０８は、ＭＬベースクラス３及び機械学習モデル４の入力を受ける。そして、インポート処理部１０８は、ＭＬベースクラス３をインポートして、各ＭＬコマンド２の実行に用いるＭＬベースクラス３の参照関係を関数定義管理部１０５に記憶させる。インポート処理部１０８は、情報処理装置１の外部の装置に配置されてもよい。

【0033】

図３は、ＭＬコマンドとＭＬベースクラスとの参照関係の一例を示す図である。図３に示した表１１０は、横に並ぶ項目がＭＬコマンド２の種類を表し、縦に並ぶ項目がＭＬベースクラス３の種類を表す。

【0034】

例えば、ＭＬコマンド２の‘ｄａｔａ’は、ＭＬベースクラス３の‘ｄａｔａ’を参照する。また、ＭＬコマンド２の‘ｔｒａｉｎ’は、ＭＬベースクラス３の‘Ｍｏｄｅｌ’及び‘Ｔｒａｉｎｅｒ’を参照する。また、ＭＬコマンド２の‘ｐｒｅｄ’は、ＭＬベースクラス３の‘Ｍｏｄｅｌ’及び‘Ｐｒｅｄｉｃｔｏｒ’を参照する。また、ＭＬコマンド２の‘ｅｖａｌ’は、ＭＬベースクラス３の‘Ｅｖａｌｕａｔｏｒ’を参照する。また、ＭＬコマンド２の‘ｔｅｓｔ’は、ＭＬベースクラス３の‘Ｐｒｅｄｉｃｔｏｒ’及び‘Ｅｖａｌｕａｔｏｒ’を参照する。また、ＭＬコマンド２の‘ｔｕｎｅ’は、ＭＬベースクラス３の‘Ｍｏｄｅｌ’、‘Ｔｒａｉｎｅｒ’及び‘Ｔｕｎｅｒ’を参照する。また、ＭＬコマンド２の‘ｓｕｍ’は、ＭＬベースクラス３の‘Ｓｕｍｍａｒｉｚｅｒ’を参照する。また、ＭＬコマンド２の‘ｌｏａｄ’は、ＭＬベースクラス３の‘Ｍｏｄｅｌ’を参照する。

【0035】

また、インポート処理部１０８は、機械学習モデル４の入力を受ける。そして、インポート処理部１０８は、モデル格納部１０７に機械学習モデル４を格納させる。

【0036】

モデル格納部１０７は、機械学習モデル４の入力をインポート処理部１０８から受ける。そして、モデル格納部１０７は、機械学習モデル４を格納する。その後、モデル格納部１０７は、関数定義管理部１０５からの指示にしたがって機械学習モデル４を関数定義管理部１０５へ渡す。関数定義管理部１０５によりハイパーパラメータの更新が行われると、モデル格納部１０７は、更新された機械学習モデル４を新たに保持する。学習完了後には、モデル格納部１０７は、学習済みの機械学習モデル４を保持する。

【0037】

ＭＬコマンド受付部１０６は、外部の端末装置２０から入力されたＭＬコマンド２を受け付ける。そして、ＭＬコマンド受付部１０６は、ＷｅｂＧＵＩ、ＲＥＳＴ ＡＰＩ、ＣＬＩ及び関数コールのいずれを用いてＭＬコマンド２が入力されたか判定する。

【0038】

ＷｅｂＧＵＩによりＭＬコマンド２が入力された場合、ＭＬコマンド受付部１０６は、受信したＭＬコマンド２をＷｅｂＧＵＩ制御部１０１へ出力する。また、ＲＥＳＴ ＡＰＩによりＭＬコマンド２が入力された場合、ＭＬコマンド受付部１０６は、受信したＭＬコマンド２をＲＥＳＴ ＡＰＩ制御部１０２へ出力する。また、ＣＬＩによりＭＬコマンド２が入力された場合、ＭＬコマンド受付部１０６は、受信したＭＬコマンド２をＣＬＩ制御部１０３へ出力する。また、関数コールによりＭＬコマンド２が入力された場合、ＭＬコマンド受付部１０６は、受信したＭＬコマンド２を関数コール制御部１０４へ出力する。

【0039】

その後、ＭＬコマンド受付部１０６は、受け付けたＭＬコマンド２に対する処理結果を関数定義管理部１０５から受ける。そして、ＭＬコマンド受付部１０６は、ＭＬコマンド２に対する応答として、処理結果を端末装置２０へ送信する。

【0040】

ＷｅｂＧＵＩ制御部１０１は、ＭＬコマンド２毎にＷｅｂＧＵＩ定義１１を有する。ＷｅｂＧＵＩ制御部１０１は、ＷｅｂＧＵＩにより入力されたＭＬコマンド２の入力をＭＬコマンド受付部１０６から受ける。そして、ＷｅｂＧＵＩ制御部１０１は、取得したＭＬコマンド２のＷｅｂＧＵＩ定義１１にしたがって、取得したＭＬコマンド２に対応するＲＥＳＴ ＡＰＩ定義１２を特定する。次に、ＷｅｂＧＵＩ制御部１０１は、特定したＭＬコマンド２の実行をＲＥＳＴ ＡＰＩ制御部１０２に指示する。

【0041】

ＲＥＳＴ ＡＰＩ制御部１０２は、ＭＬコマンド２毎にＲＥＳＴ ＡＰＩ定義１２を有する。ＲＥＳＴ ＡＰＩ制御部１０２は、ＲＥＳＴ ＡＰＩにより入力されたＭＬコマンド２の入力をＭＬコマンド受付部１０６から受ける。そして、ＲＥＳＴ ＡＰＩ制御部１０２は、取得したＭＬコマンド２のＲＥＳＴ ＡＰＩ定義１２にしたがって、取得したＭＬコマンド２に対応する関数定義１４を特定する。次に、ＲＥＳＴ ＡＰＩ制御部１０２は、特定したＭＬコマンド２に対応する関数定義１４の実行を関数定義管理部１０５に指示する。

【0042】

また、ＲＥＳＴ ＡＰＩ制御部１０２は、ＭＬコマンド２の実行の指示をＷｅｂＧＵＩ制御部１０１から受ける。そして、ＲＥＳＴ ＡＰＩ制御部１０２は、指定されたＭＬコマンド２のＲＥＳＴ ＡＰＩ定義１２にしたがって、取得したＭＬコマンド２に対応する関数定義１４を特定する。次に、ＲＥＳＴ ＡＰＩ制御部１０２は、特定したＭＬコマンド２に対応する関数定義１４の実行を関数定義管理部１０５に指示する。

【0043】

ＣＬＩ制御部１０３は、ＭＬコマンド２毎にＣＬＩ定義１３を有する。ＣＬＩ制御部１０３は、ＣＬＩにより入力されたＭＬコマンド２の入力をＭＬコマンド受付部１０６から受ける。そして、ＣＬＩ制御部１０３は、取得したＭＬコマンド２のＣＬＩ定義１３にしたがって、取得したＭＬコマンド２に対応する関数定義１４を特定する。次に、ＣＬＩ制御部１０３は、特定したＭＬコマンド２に対応する関数定義１４の実行を関数定義管理部１０５に指示する。

【0044】

関数コール制御部１０４は、関数コールにより入力されたＭＬコマンド２の入力をＭＬコマンド受付部１０６から受ける。そして、ＣＬＩ制御部１０３は、関数コールであるＭＬコマンド２に対応する関数定義１４の実行を関数定義管理部１０５に指示する。

【0045】

関数定義管理部１０５は、ＭＬベースクラス３のインポートをインポート処理部１０８から受ける。そして、関数定義管理部１０５は、複数のユーザインターフェース間で共通化されたＭＬコマンド２と各ＭＬコマンド２で参照されるＭＬベースクラス３とを対応付けて記憶する。

【0046】

関数定義管理部１０５は、入力されたＭＬコマンド２に対応する関数定義１４の実行の指示を、ＲＥＳＴ ＡＰＩ制御部１０２、ＣＬＩ制御部１０３又は関数コール制御部１０４から受ける。そして、関数定義管理部１０５は、指示されたＭＬコマンド２に対応する関数定義１４を実行する。具体的には、関数定義管理部１０５は、指定された関数定義１４に含まれるＭＬベースクラス３を定義にしたがって実行する。この際、関数定義管理部１０５は、実行するＭＬベースクラス３に応じて、モデル格納部１０７から機械学習モデル４を取得して処理を実行したり、生データを用いて処理を実行したりする。その後、関数定義管理部１０５は、処理結果をＭＬコマンド受付部１０６へ出力する。また、機械学習モデル４を更新した場合、関数定義管理部１０５は、更新した機械学習モデル４をモデル格納部１０７へ出力して格納させる。

【0047】

図４は、ユーザインターフェース毎の定義例を示す図である。ここでは、ＭＬコマンド２として‘ｔｒａｉｎ’が入力された場合で説明する。

【0048】

外部の端末装置２０において、矢印Ｐで示すように操作者がマウスなどを用いて学習実行のＧＵＩボタンを押下すると、端末装置２０は、‘ｔｒａｉｎ’をＭＬフレームワーク１０へ入力する。

【0049】

入力されたユーザインターフェースに応じて、ＭＬフレームワーク１０は、各ユーザインターフェースの‘ｔｒａｉｎ’の定義を呼び出す。

【0050】

例えば、ＷｅｂＧＵＩによりＭＬコマンド２が入力された場合、‘ｔｒａｉｎ’のＷｅｂＧＵＩ定義１１が呼び出される。そして、‘ｔｒａｉｎ’のＷｅｂＧＵＩ定義１１は、ＲＥＳＴ ＡＰＩ定義１２のＰＯＳＴというメソッドを呼び出し、‘ｔｒａｉｎ’をリソースとして指定する。ＲＥＳＴ ＡＰＩ定義１２は、‘ｔｒａｉｎ’をリソースとするＰＯＳＴのメソッドの呼び出しにより、‘ｔｒａｉｎ’の関数定義１４を呼び出す。呼び出された‘ｔｒａｉｎ’の関数定義１４は、クラス定義１５で定義された‘Ｔｒａｉｎｅｒ’のＭＬベースクラス３を用いてｍｏｄｅｌをｄａｔａで学習させる。Ｔｒａｉｎｅｒ’のＭＬベースクラス３のクラス定義１５には、ｍｏｄｅｌとして指定された機械学習モデル４をｄａｔａとして指定された学習データで学習するためのコードが記述される。これにより、ＭＬフレームワーク１０は、指定された学習データを用いて機械学習モデル４の学習を行うことができる。

【0051】

また、ＲＥＳＴ ＡＰＩによりＭＬコマンド２が入力された場合、‘ｔｒａｉｎ’のＲＥＳＴ ＡＰＩ定義１２が直接呼び出される。‘ｔｒａｉｎ’のＲＥＳＴ ＡＰＩ定義１２は、‘ｔｒａｉｎ’の関数定義１４を呼び出す。呼び出された‘ｔｒａｉｎ’の関数定義１４は、クラス定義１５で定義された‘Ｔｒａｉｎｅｒ’のＭＬベースクラス３を用いてｍｏｄｅｌをｄａｔａで学習させる。これにより、ＭＬフレームワーク１０は、指定された学習データを用いて機械学習モデル４の学習を行うことができる。

【0052】

またＣＬＩによりＭＬコマンド２が入力された場合、‘ｔｒａｉｎ’のＣＬＩ定義１３が直接呼び出される。‘ｔｒａｉｎ’のＣＬＩ定義１３は、‘ｔｒａｉｎ’の関数定義１４を呼び出す。呼び出された‘ｔｒａｉｎ’の関数定義１４は、クラス定義１５で定義された‘Ｔｒａｉｎｅｒ’のMLベースクラス３を用いてｍｏｄｅｌをｄａｔａで学習させる。これにより、ＭＬフレームワーク１０は、指定された学習データを用いて機械学習モデル４の学習を行うことができる。

【0053】

また関数コールによりＭＬコマンド２が入力された場合、‘ｔｒａｉｎ’の関数定義１４が直接呼び出される。呼び出された‘ｔｒａｉｎ’の関数定義１４は、クラス定義１５で定義された‘Ｔｒａｉｎｅｒ’のMLベースクラス３を用いてｍｏｄｅｌをｄａｔａで学習させる。これにより、ＭＬフレームワーク１０は、指定された学習データを用いて機械学習モデル４の学習を行うことができる。

【0054】

図５は、‘ｔｒａｉｎ’を実行するためのＭＬフレームワークの一例を示す図である。次に、図５を参照して、‘ｔｒａｉｎ’を実行するためのＭＬフレームワーク１０の一例について説明する。

【0055】

図５で示されるＭＬフレームワーク１０は、範囲２０１のシンタックスにより、セッションを取得する。次に、範囲２０２のシンタックスにより、ＭＬフレームワーク１０は、学習実行のための入出力フォルダを設定する。次に、範囲２０３のシンタックスにより、ＭＬフレームワーク１０は、セッションを指定する。これにより、ＭＬフレームワーク１０は、複数あるハイパーパラメータやコードからこの学習に使用するものを一意に指定する。次に、範囲２０４のシンタックスにより、ＭＬフレームワーク１０は、指定されたハイパーパラメータに基づき、機械学習モデル４を生成する。そして、ＭＬフレームワーク１０は、生成した機械学習モデル４を使用して学習を実行する。その後、範囲２０５のシンタックスにより、ＭＬフレームワーク１０は、セッションを解除して、最良の結果として得られる機械学習モデル４のスコア値及びそのスコア値のＩＤをＭＬコマンド２の入力元へ返す。

【0056】

図６は、実施例に係るＭＬフレームワークによるＭＬコマンドの実行処理のフローチャートである。次に、図６を参照して、本実施例に係るＭＬフレームワーク１０によるＭＬコマンド２の実行処理の流れを説明する。

【0057】

ＭＬコマンド受付部１０６は、端末装置２０からのＭＬコマンド２の入力を受け付ける（ステップＳ１０１）。

【0058】

次に、ＭＬコマンド受付部１０６は、ＭＬコマンド２の入力がＷｅｂＧＵＩによる入力か否かを判定する（ステップＳ１０２）。

【0059】

ＷｅｂＧＵＩによる入力の場合（ステップＳ１０２：肯定）、ＭＬコマンド受付部１０６は、ＷｅｂＧＵＩ制御部１０１へＭＬコマンド２を出力する。ＷｅｂＧＵＩ制御部１０１は、入力されたＭＬコマンド２のＷｅｂＧＵＩ定義１１にしたがって、ＭＬコマンド２に対応するＲＥＳＴ ＡＰＩ定義１２を呼び出す（ステップＳ１０３）。その後、ＭＬコマンド２の実行処理はステップＳ１０５へ進む。

【0060】

これに対して、ＷｅｂＧＵＩによる入力でない場合（ステップＳ１０２：否定）、ＭＬコマンド受付部１０６は、ＭＬコマンド２の入力がＲＥＳＴ ＡＰＩによる入力か否かを判定する（ステップＳ１０４）。

【0061】

ＲＥＳＴ ＡＰＩによる入力の場合（ステップＳ１０４：肯定）、ＭＬコマンド受付部１０６は、ＲＥＳＴ ＡＰＩ制御部１０２へＭＬコマンド２を出力して、ＭＬコマンド２に対応するＲＥＳＴ ＡＰＩ定義１２を呼び出す。そして、ＭＬコマンド２の実行処理はステップＳ１０５へ進む。

【0062】

ＭＬコマンド２に対応するＲＥＳＴ ＡＰＩ定義１２が呼び出されると、ＲＥＳＴ ＡＰＩ制御部１０２は、呼び出されたＲＥＳＴ ＡＰＩ定義１２にしたがって、ＭＬコマンド２に対応する関数定義１４を呼び出す（ステップＳ１０５）。その後、ＭＬコマンド２の実行処理は、ステップＳ１０９へ進む。

【0063】

これに対して、ＲＥＳＴ ＡＰＩによる入力でない場合（ステップＳ１０４：否定）、ＭＬコマンド受付部１０６は、ＭＬコマンド２の入力がＣＬＩによる入力か否かを判定する（ステップＳ１０６）。

【0064】

ＣＬＩによる入力の場合（ステップＳ１０６：肯定）、ＭＬコマンド受付部１０６は、ＣＬＩ制御部１０３へＭＬコマンド２を出力して、ＭＬコマンド２に対応するＣＬＩ定義１３を呼び出す。ＭＬコマンド２に対応するＣＬＩ定義１３が呼び出されると、ＣＬＩ制御部１０３は、呼び出されたＣＬＩ定義１３にしたがって、ＭＬコマンド２に対応する関数定義１４を呼び出す（ステップＳ１０７）。その後、ＭＬコマンド２の実行処理は、ステップＳ１０９へ進む。

【0065】

これに対して、ＣＬＩによる入力でない場合（ステップＳ１０６：否定）、ＭＬコマンド受付部１０６は、受信した関数コールを関数コール制御部１０４へ出力する。関数コール制御部１０４は、入力された関数コールに対応する関数定義１４を呼び出す（ステップＳ１０８）。その後、ＭＬコマンド２の実行処理は、ステップＳ１０９へ進む。

【0066】

関数定義１４が呼び出されると、関数定義管理部１０５は、呼び出された関数定義１４で参照されるＭＬベースクラス３を特定する（ステップＳ１０９）。

【0067】

その後、関数定義管理部１０５は、特定したＭＬベースクラス３を用いてＭＬコマンド２に対応する関数定義管理部１０５で指定された処理を実行する（ステップＳ１１０）。

【0068】

その後、ＭＬコマンド２で指定された処理が完了すると、関数定義管理部１０５は、処理結果を端末装置２０へ送信して処理結果を応答する（ステップＳ１１１）。

【0069】

以上に説明したように、本実施例に係る情報処理装置で動作するＭＬフレームワークは、複数のユーザインターフェース間で共通化されたＭＬコマンドを使用する。そして、ＭＬフレームワーク、共通化されたＭＬコマンドで使用されるように設計及び開発された複数のＭＬベースクラスを保持する。そして、ＭＬフレームワークは、ユーザインターフェースの定義を階層化して有し、そして、共通化されたＭＬコマンドの入力を受けると、ＭＬフレームワークは、入力されたユーザインターフェースのＭＬコマンドに対応する定義を用いて下の階層のユーザインターフェースを呼び出す処理を繰り返す。最終的に、最下層の関数定義を呼び出し、呼び出した関数定義で参照されるＭＬベースクラスを用いて処理を実行して、応答を返す。

【0070】

このように、本実施例に係る情報処理装置は、階層化されたユーザインターフェース毎の定義において単に下層のユーザインターフェースの定義を呼び出しさえすればよい。このような単純な仮想のユーザインターフェースの呼び出しを繰り返すことで、情報処理装置は、最終的にはどのユーザインターフェースを用いたＭＬコマンドの入力であっても、同じ関数定義を用いて処理を実行することができる。そのため、様々な機械学習タスクに適用する場合に、毎回個別のユーザインターフェースの実装を避けることができる。また、個別のユーザインターフェースの開発を省略することで、機械学習モデルの精度の意図しない変更を回避することができる。したがって、容易且つ信頼性の高いユーザインターフェース開発を実現することが可能となる。

【0071】

（ハードウェア構成）
図７は、情報処理装置のハードウェア構成図である。次に、図７を参照して、情報処理装置１の各機能を実現するためのハードウェア構成の一例について説明する。

【0072】

図７に示すように、情報処理装置１は、例えば、ＣＰＵ（Central Processing Unit）９１、メモリ９２、ハードディスク９３、ネットワークインターフェース９４を有する。ＣＰＵ９１は、バスを介して、メモリ９２、ハードディスク９３及びネットワークインターフェース９４に接続される。

【0073】

ネットワークインターフェース９４は、情報処理装置１と外部装置との間の通信のためのインターフェースである。ネットワークインターフェース９４は、例えば、端末装置２０とＣＰＵ９１との間の通信を中継する。

【0074】

ハードディスク９３は、補助記憶装置である。ハードディスク９３は、図１に例示したモデル格納部１０７の機能を実現する。また、ハードディスク９３は、以下に説明するプログラムを含む各種プログラムを格納する。例えば、ハードディスク９３は、図１に例示した、ＷｅｂＧＵＩ制御部１０１、ＲＥＳＴ ＡＰＩ制御部１０２、ＣＬＩ制御部１０３、関数コール制御部１０４及び関数定義管理部１０５の機能を実現するためのプログラムを格納する。また、ハードディスク９３は、図１に例示した、ＭＬコマンド受付部１０６及びインポート処理部１０８の機能を実現するためのプログラムを格納する。

【0075】

メモリ９２は、主記憶装置である。メモリ９２は、例えば、ＤＲＡＭ（Dynamic Random Access Memory）を用いることができる。

【0076】

ＣＰＵ９１は、ハードディスク９３から各種プログラムを読み出して、メモリ９２に展開して実行する。これにより、ＣＰＵ９１は、図１に例示した、ＷｅｂＧＵＩ制御部１０１、ＲＥＳＴ ＡＰＩ制御部１０２、ＣＬＩ制御部１０３、関数コール制御部１０４、関数定義管理部１０５、ＭＬコマンド受付部１０６及びインポート処理部１０８の機能を実現する。

【符号の説明】

【0077】

１ 情報処理装置
２ ＭＬコマンド
３ ＭＬベースクラス
４ 機械学習モデル
１０ ＭＬフレームワーク
１１ ＷｅｂＧＵＩ定義
１２ ＲＥＳＴ ＡＰＩ定義
１３ ＣＬＩ定義
１４ 関数定義
１５ クラス定義
２０ 端末装置
１０１ ＷｅｂＧＵＩ制御部
１０２ ＲＥＳＴ ＡＰＩ制御部
１０３ ＣＬＩ制御部
１０４ 関数コール制御部
１０５ 関数定義管理部
１０６ ＭＬコマンド受付部
１０７ モデル格納部
１０８ インポート処理部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】