知財求人 - 知財ポータルサイト「IP Force」
(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】P2024011340
(43)【公開日】2024-01-25
(54)【発明の名称】検出装置、学習装置、検出方法、学習方法及びプログラム
(51)【国際特許分類】
G06Q 10/20 20230101AFI20240118BHJP
【ＦＩ】
G06Q10/00 300
【審査請求】未請求
【請求項の数】10
【出願形態】ＯＬ
(21)【出願番号】P 2022113263
(22)【出願日】2022-07-14
(71)【出願人】
【識別番号】000004237
【氏名又は名称】日本電気株式会社
(74)【代理人】
【識別番号】100109313
【弁理士】
【氏名又は名称】机 昌彦
(74)【代理人】
【識別番号】100149618
【弁理士】
【氏名又は名称】北嶋 啓至
(72)【発明者】
【氏名】吉田 泰介
(72)【発明者】
【氏名】友岡 靖夫
(72)【発明者】
【氏名】中村 絢子
(72)【発明者】
【氏名】安藤 泰輔
(72)【発明者】
【氏名】木村 仁
(72)【発明者】
【氏名】長濱 卓範
(72)【発明者】
【氏名】笹尾 幸平
(72)【発明者】
【氏名】遠藤 亮彦
(72)【発明者】
【氏名】花房 直人
【テーマコード（参考）】
5L049
【Ｆターム（参考）】
5L049CC15
(57)【要約】
【課題】 欠陥を有する可能性がある、自動車の部品を検出できる検出装置などを提供する。
【解決手段】 本開示の一態様に係る検出装置１０は、自動車の部品の不具合の情報を含む不具合記録を受け取る記録受取部１１０と、前記不具合記録から、部品の種類ごとに不具合の頻度の情報を抽出する頻度情報抽出部１２０と、部品の不具合の頻度の情報から前記部品が欠陥を有する可能性を推定するように学習された欠陥推定モデルを用いて、抽出された前記不具合の頻度の情報から、前記不具合記録に前記不具合の情報が含まれる前記部品の、当該部品が欠陥を有する可能性である欠陥可能性を推定する欠陥推定部１３０と、前記欠陥可能性が欠陥基準を満たす前記部品である要注意部品を検出する要注意部品検出部１４０と、検出された前記要注意部品の情報を出力する出力部１５０と、を備える。
【選択図】 図１
【解決手段】 本開示の一態様に係る検出装置１０は、自動車の部品の不具合の情報を含む不具合記録を受け取る記録受取部１１０と、前記不具合記録から、部品の種類ごとに不具合の頻度の情報を抽出する頻度情報抽出部１２０と、部品の不具合の頻度の情報から前記部品が欠陥を有する可能性を推定するように学習された欠陥推定モデルを用いて、抽出された前記不具合の頻度の情報から、前記不具合記録に前記不具合の情報が含まれる前記部品の、当該部品が欠陥を有する可能性である欠陥可能性を推定する欠陥推定部１３０と、前記欠陥可能性が欠陥基準を満たす前記部品である要注意部品を検出する要注意部品検出部１４０と、検出された前記要注意部品の情報を出力する出力部１５０と、を備える。
【選択図】 図１
【特許請求の範囲】
【請求項1】
自動車の部品の不具合の情報を含む不具合記録を受け取る記録受取手段と、
前記不具合記録から、部品の種類ごとに不具合の頻度の情報を抽出する頻度情報抽出手段と、
部品の不具合の頻度の情報から前記部品が欠陥を有する可能性を推定するように学習された欠陥推定モデルを用いて、抽出された前記不具合の頻度の情報から、前記不具合記録に前記不具合の情報が含まれる前記部品の、当該部品が欠陥を有する可能性である欠陥可能性を推定する欠陥推定手段と、
前記欠陥可能性が欠陥基準を満たす前記部品である要注意部品を検出する要注意部品検出手段と、
検出された前記要注意部品の情報を出力する出力手段と、
を備える検出装置。
前記不具合記録から、部品の種類ごとに不具合の頻度の情報を抽出する頻度情報抽出手段と、
部品の不具合の頻度の情報から前記部品が欠陥を有する可能性を推定するように学習された欠陥推定モデルを用いて、抽出された前記不具合の頻度の情報から、前記不具合記録に前記不具合の情報が含まれる前記部品の、当該部品が欠陥を有する可能性である欠陥可能性を推定する欠陥推定手段と、
前記欠陥可能性が欠陥基準を満たす前記部品である要注意部品を検出する要注意部品検出手段と、
検出された前記要注意部品の情報を出力する出力手段と、
を備える検出装置。
【請求項2】
前記頻度情報抽出手段は、前記頻度の情報として、前記部品の種類ごとに前記不具合の頻度の推移の情報を抽出し、
前記欠陥推定モデルは、前記部品の不具合の頻度の情報としての前記部品の不具合の頻度の推移の情報から前記部品が欠陥を有する可能性を推定するように学習され、
前記欠陥推定手段は、前記欠陥推定モデルを使用して、抽出された前記不具合の頻度の推移の情報から、前記不具合記録に前記不具合の情報が含まれる前記部品の前記欠陥可能性を推定する
請求項１に記載の検出装置。
前記欠陥推定モデルは、前記部品の不具合の頻度の情報としての前記部品の不具合の頻度の推移の情報から前記部品が欠陥を有する可能性を推定するように学習され、
前記欠陥推定手段は、前記欠陥推定モデルを使用して、抽出された前記不具合の頻度の推移の情報から、前記不具合記録に前記不具合の情報が含まれる前記部品の前記欠陥可能性を推定する
請求項１に記載の検出装置。
【請求項3】
部品の不具合の頻度と当該部品のカテゴリとから前記部品がリコールの対象となる可能性を判定するように学習されたリコール判定モデルを使用して、抽出された前記不具合の頻度の情報と前記部品のカテゴリとから、前記部品がリコールの対象となる可能性であるリコール可能性を判定するリコール判定手段と、
前記リコール可能性がリコール候補基準を満たす前記部品であるリコール候補部品を検出する候補抽出手段と、
をさらに備え、
前記出力手段は、検出された前記リコール候補部品の情報をさらに出力する
請求項１又は２に記載の検出装置。
前記リコール可能性がリコール候補基準を満たす前記部品であるリコール候補部品を検出する候補抽出手段と、
をさらに備え、
前記出力手段は、検出された前記リコール候補部品の情報をさらに出力する
請求項１又は２に記載の検出装置。
【請求項4】
前記リコール判定モデルは、さらに前記部品の不具合の種類から、前記部品がリコールの対象となる前記可能性を判定するように学習され、
前記リコール判定手段は、前記部品の抽出された前記不具合の頻度の情報と前記部品のカテゴリと前記不具合記録に含まれる前記部品の前記不具合の種類とから、前記リコール可能性を判定する
請求項３に記載の検出装置。
前記リコール判定手段は、前記部品の抽出された前記不具合の頻度の情報と前記部品のカテゴリと前記不具合記録に含まれる前記部品の前記不具合の種類とから、前記リコール可能性を判定する
請求項３に記載の検出装置。
【請求項5】
事業者の顧客の自動車の車種の情報と、車種ごとの使用されている部品の情報と、前記要注意部品の情報とから、前記事業者の顧客の自動車に使用されている前記要注意部品の個数を算出する個数算出手段と、
前記要注意部品の前記不具合の頻度の情報と、算出された前記要注意部品の前記個数とから、前記事業者の顧客の自動車に使用されている前記要注意部品の所定期間ごとの不具合の件数を推定する不具合数推定手段と、
をさらに備え、
前記出力手段は、前記事業者の顧客の自動車に使用されている前記要注意部品の情報と、当該要注意部品の前記所定期間ごとの前記不具合の件数と、をさらに出力する
請求項１又は２に記載の検出装置。
前記要注意部品の前記不具合の頻度の情報と、算出された前記要注意部品の前記個数とから、前記事業者の顧客の自動車に使用されている前記要注意部品の所定期間ごとの不具合の件数を推定する不具合数推定手段と、
をさらに備え、
前記出力手段は、前記事業者の顧客の自動車に使用されている前記要注意部品の情報と、当該要注意部品の前記所定期間ごとの前記不具合の件数と、をさらに出力する
請求項１又は２に記載の検出装置。
【請求項6】
自動車の部品の不具合の頻度の情報を含む不具合記録と、当該不具合記録に前記不具合の情報が含まれる前記部品の欠陥の有無の情報と、を含む欠陥学習用情報を受け取る欠陥学習用情報受取手段と、
欠陥推定モデルが部品の不具合の頻度の情報から前記部品が欠陥を有する可能性を推定するように、前記欠陥学習用情報を使用して前記欠陥推定モデルを学習する欠陥学習手段と、
を備える学習装置。
欠陥推定モデルが部品の不具合の頻度の情報から前記部品が欠陥を有する可能性を推定するように、前記欠陥学習用情報を使用して前記欠陥推定モデルを学習する欠陥学習手段と、
を備える学習装置。
【請求項7】
自動車の部品の不具合の情報を含む不具合記録と、前記部品のカテゴリの情報と、リコールの対象になった前記部品の情報と、を含むリコール学習用情報を受け取るリコール学習用情報受取手段と、
リコール判定モデルが部品の不具合の頻度と当該部品のカテゴリとから前記部品がリコールの対象となる可能性を判定するように、前記リコール学習用情報を使用して前記リコール判定モデルを学習するリコール学習手段と、
を備える学習装置。
リコール判定モデルが部品の不具合の頻度と当該部品のカテゴリとから前記部品がリコールの対象となる可能性を判定するように、前記リコール学習用情報を使用して前記リコール判定モデルを学習するリコール学習手段と、
を備える学習装置。
【請求項8】
自動車の部品の不具合の情報を含む不具合記録を受け取り、
前記不具合記録から、部品の種類ごとに不具合の頻度の情報を抽出し、
部品の不具合の頻度の情報から前記部品が欠陥を有する可能性を推定するように学習された欠陥推定モデルを用いて、抽出された前記不具合の頻度の情報から、前記不具合記録に前記不具合の情報が含まれる前記部品の、当該部品が欠陥を有する可能性である欠陥可能性を推定し、
前記欠陥可能性が欠陥基準を満たす前記部品である要注意部品を検出し、
検出された前記要注意部品の情報を出力する、
検出方法。
前記不具合記録から、部品の種類ごとに不具合の頻度の情報を抽出し、
部品の不具合の頻度の情報から前記部品が欠陥を有する可能性を推定するように学習された欠陥推定モデルを用いて、抽出された前記不具合の頻度の情報から、前記不具合記録に前記不具合の情報が含まれる前記部品の、当該部品が欠陥を有する可能性である欠陥可能性を推定し、
前記欠陥可能性が欠陥基準を満たす前記部品である要注意部品を検出し、
検出された前記要注意部品の情報を出力する、
検出方法。
【請求項9】
自動車の部品の不具合の頻度の情報を含む不具合記録と、当該不具合記録に前記不具合の情報が含まれる前記部品の欠陥の有無の情報と、を含む欠陥学習用情報を受け取り、
欠陥推定モデルが部品の不具合の頻度の情報から前記部品が欠陥を有する可能性を推定するように、前記欠陥学習用情報を使用して前記欠陥推定モデルを学習する、
学習方法。
欠陥推定モデルが部品の不具合の頻度の情報から前記部品が欠陥を有する可能性を推定するように、前記欠陥学習用情報を使用して前記欠陥推定モデルを学習する、
学習方法。
【請求項10】
自動車の部品の不具合の情報を含む不具合記録を受け取る記録受取処理と、
前記不具合記録から、部品の種類ごとに不具合の頻度の情報を抽出する頻度情報抽出処理と、
部品の不具合の頻度の情報から前記部品が欠陥を有する可能性を推定するように学習された欠陥推定モデルを用いて、抽出された前記不具合の頻度の情報から、前記不具合記録に前記不具合の情報が含まれる前記部品の、当該部品が欠陥を有する可能性である欠陥可能性を推定する欠陥推定処理と、
前記欠陥可能性が欠陥基準を満たす前記部品である要注意部品を検出する要注意部品検出処理と、
検出された前記要注意部品の情報を出力する出力処理と、
をコンピュータに実行させるプログラム。
前記不具合記録から、部品の種類ごとに不具合の頻度の情報を抽出する頻度情報抽出処理と、
部品の不具合の頻度の情報から前記部品が欠陥を有する可能性を推定するように学習された欠陥推定モデルを用いて、抽出された前記不具合の頻度の情報から、前記不具合記録に前記不具合の情報が含まれる前記部品の、当該部品が欠陥を有する可能性である欠陥可能性を推定する欠陥推定処理と、
前記欠陥可能性が欠陥基準を満たす前記部品である要注意部品を検出する要注意部品検出処理と、
検出された前記要注意部品の情報を出力する出力処理と、
をコンピュータに実行させるプログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本開示は、欠陥等がある可能性がある部品を検出する技術に関する。
【背景技術】
【0002】
自動車の安全のためには、点検と整備が重要である。自動車の点検及び整備を効率化するための技術が以下の文献によって開示されている。
【0003】
特許文献１に記載されている車両点検整備支援システムは、整備履歴データから整備計画データを生成し、整備履歴データから交換が必要な部品を割り出して発注処理を行い、車両の整備点検データの入力を受け付けて記録し、整備記録簿を出力する。
【0004】
特許文献２に記載されている方法は、車両整備記録に記録された車両の台数と車両の各々の経年年数または使用量とに基づいて、修理作業、車両コンポーネント故障の件数又はリソース値を予測する。
【先行技術文献】
【特許文献】
【0005】
【特許文献1】特開２００７－３２６５６３号公報
【特許文献2】特表２０２０－５３５５７３号公報
【発明の概要】
【発明が解決しようとする課題】
【0006】
欠陥を有する部品を見つけることができれば、自動車の安全につながる。
【0007】
特許文献１及び特許文献２の技術では、交換が必要な部品の割り出し、又は、部品の故障の件数の予測は可能である。しかし、特許文献１及び特許文献２の技術では、部品が欠陥を有するか否かに関する情報を得ることはできない。
【0008】
本開示の目的の１つは、欠陥を有する可能性がある、自動車の部品を検出できる検出装置などを提供することである。
【課題を解決するための手段】
【0009】
本開示の一態様に係る検出装置は、自動車の部品の不具合の情報を含む不具合記録を受け取る記録受取手段と、前記不具合記録から、部品の種類ごとに不具合の頻度の情報を抽出する頻度情報抽出手段と、部品の不具合の頻度の情報から前記部品が欠陥を有する可能性を推定するように学習された欠陥推定モデルを用いて、抽出された前記不具合の頻度の情報から、前記不具合記録に前記不具合の情報が含まれる前記部品の、当該部品が欠陥を有する可能性である欠陥可能性を推定する欠陥推定手段と、前記欠陥可能性が欠陥基準を満たす前記部品である要注意部品を検出する要注意部品検出手段と、検出された前記要注意部品の情報を出力する出力手段と、を備える。
【0010】
本開示の一態様に係る学習装置は、自動車の部品の不具合の頻度の情報を含む不具合記録と、当該不具合記録に前記不具合の情報が含まれる前記部品の欠陥の有無の情報と、を含む欠陥学習用情報を受け取る欠陥学習用情報受取手段と、欠陥推定モデルが部品の不具合の頻度の情報から前記部品が欠陥を有する可能性を推定するように、前記欠陥学習用情報を使用して前記欠陥推定モデルを学習する欠陥学習手段と、を備える。
【0011】
本開示の一態様に係る学習装置は、自動車の部品の不具合の情報を含む不具合記録と、前記部品のカテゴリの情報と、リコールの対象になった前記部品の情報と、を含むリコール学習用情報を受け取るリコール学習用情報受取手段と、リコール判定モデルが部品の不具合の頻度と当該部品のカテゴリとから前記部品がリコールの対象となる可能性を判定するように、前記リコール学習用情報を使用して前記リコール判定モデルを学習するリコール学習手段と、を備える。
【0012】
本開示の一態様に係る検出方法は、自動車の部品の不具合の情報を含む不具合記録を受け取り、
前記不具合記録から、部品の種類ごとに不具合の頻度の情報を抽出し、部品の不具合の頻度の情報から前記部品が欠陥を有する可能性を推定するように学習された欠陥推定モデルを用いて、抽出された前記不具合の頻度の情報から、前記不具合記録に前記不具合の情報が含まれる前記部品の、当該部品が欠陥を有する可能性である欠陥可能性を推定し、前記欠陥可能性が欠陥基準を満たす前記部品である要注意部品を検出し、検出された前記要注意部品の情報を出力する。
前記不具合記録から、部品の種類ごとに不具合の頻度の情報を抽出し、部品の不具合の頻度の情報から前記部品が欠陥を有する可能性を推定するように学習された欠陥推定モデルを用いて、抽出された前記不具合の頻度の情報から、前記不具合記録に前記不具合の情報が含まれる前記部品の、当該部品が欠陥を有する可能性である欠陥可能性を推定し、前記欠陥可能性が欠陥基準を満たす前記部品である要注意部品を検出し、検出された前記要注意部品の情報を出力する。
【0013】
本開示の一態様に係る学習方法は、自動車の部品の不具合の頻度の情報を含む不具合記録と、当該不具合記録に前記不具合の情報が含まれる前記部品の欠陥の有無の情報と、を含む欠陥学習用情報を受け取り、欠陥推定モデルが部品の不具合の頻度の情報から前記部品が欠陥を有する可能性を推定するように、前記欠陥学習用情報を使用して前記欠陥推定モデルを学習する。
【0014】
本開示の一態様に係るプログラムは、自動車の部品の不具合の情報を含む不具合記録を受け取る記録受取処理と、前記不具合記録から、部品の種類ごとに不具合の頻度の情報を抽出する頻度情報抽出処理と、部品の不具合の頻度の情報から前記部品が欠陥を有する可能性を推定するように学習された欠陥推定モデルを用いて、抽出された前記不具合の頻度の情報から、前記不具合記録に前記不具合の情報が含まれる前記部品の、当該部品が欠陥を有する可能性である欠陥可能性を推定する欠陥推定処理と、前記欠陥可能性が欠陥基準を満たす前記部品である要注意部品を検出する要注意部品検出処理と、検出された前記要注意部品の情報を出力する出力処理と、をコンピュータに実行させる。
【発明の効果】
【0015】
本開示には、欠陥を有する可能性がある、自動車の部品を検出できるという効果がある。
【図面の簡単な説明】
【0016】
【発明を実施するための形態】
【0017】
以下では、本開示の実施形態について図面を使用して詳細に説明する。
【0018】
＜第１の実施形態＞
本開示の第１の実施形態について、図面を使用して詳細に説明する。
本開示の第１の実施形態について、図面を使用して詳細に説明する。
【0019】
＜構成＞
まず、本開示の第１の実施形態に係る検出装置の構成について説明する。
まず、本開示の第１の実施形態に係る検出装置の構成について説明する。
【0020】
図１は、本開示の第１の実施形態に係る検出装置の構成の例を表すブロック図である。図１に示す例では、検出装置１０は、記録受取部１１０と、頻度情報抽出部１２０と、欠陥推定部１３０と、要注意部品検出部１４０と、出力部１５０と、を備える。記録受取部１１０は、自動車の部品の不具合の情報を含む不具合記録を受け取る。頻度情報抽出部１２０は、前記不具合記録から、部品の種類ごとに不具合の頻度の情報を抽出する。欠陥推定部１３０は、欠陥推定モデルを用いて、抽出された前記不具合の頻度の情報から、前記不具合記録に前記不具合の情報が含まれる前記部品の、当該部品が欠陥を有する可能性である欠陥可能性を推定する。欠陥推定モデルは、部品の不具合の頻度の情報から前記部品が欠陥を有する可能性を推定するように学習されている。要注意部品検出部１４０は、前記欠陥可能性が欠陥基準を満たす前記部品である要注意部品を検出する。出力部１５０は、検出された前記要注意部品の情報を出力する。
【0021】
自動車の部品の不具合の情報を含む不具合記録は、例えば、複数の自動車の、部品の不具合が生じた自動車の個体を識別する情報（例えば車体番号）と、不具合が生じた部品（例えば交換された部品）の情報との組み合わせを含む、自動車の整備の記録である。自動車の整備の記録は、同一の自動車について複数回の整備の記録を含んでいてよい。自動車の部品の不具合の情報を含む不具合記録は、例えば、複数の自動車の、点検の対象である自動車の個体を識別する情報と、点検によって異常又は故障等の不具合が見つかった部品の情報との組み合わせを含む、自動車の点検の記録であってもよい。点検の記録は、同一の自動車について、複数回の点検の記録を含んでいてよい。不具合記録は、自動車の整備の記録と自動車の点検の記録とを含んでいてよい。
【0022】
交換された部品の情報は、交換の日時と、交換された部品の品種の情報とを含む。部品の品種は、例えば、型番等によって識別される、部品の種類である。
【0023】
不具合の頻度の情報は、例えば、部品の種類を特定する情報と関連づけられた、その部品の交換の間隔を表す情報である。部品の交換の間隔を表す情報は、例えば、部品の交換の間隔の統計情報（例えば、平均値、中央値、中間値、最頻値のいずれか）である。不具合の頻度の情報は、部品の種類を特定する情報を含んでいてよい。
【0024】
欠陥推定モデルは、機械学習による学習によって得られた推定器である。欠陥推定モデルは、例えば、自動車の部品の不具合の頻度の情報を含む不具合記録と、不具合記録に不具合の情報が含まれる部品の欠陥の有無の情報と、を含む欠陥学習用情報を使用して、部品の不具合の頻度の情報から部品が欠陥を有する可能性を推定するように学習される。推定器は、例えば、プロセッサを推定器として動作させるプログラムを実行するプロセッサと、そのプログラムに与えられるパラメータとの組み合わせによって実現される。欠陥推定モデルの学習に使用される機械学習の方法は、既存の様々な機械学習の方法のいずれかである。
【0025】
欠陥推定モデルは、部品が欠陥を有する可能性として、例えば、下限値（例えば０）以上、上限値（例えば１）以下の値を出力する。上限値及び下限値はこれらの値に限られない。欠陥基準は、例えば、部品が欠陥を有する可能性が示す値が、所定の閾値よりも大きいことである。
【0026】
出力部１５０は、検出された要注意部品の情報として、例えば、部品の型番等の、部品の品種を特定できる情報（以下、識別情報とも表記）を出力する。検出された要注意部品の情報は、部品が欠陥を有する可能性を含んでいてもよい。
【0027】
＜動作＞
次に、本開示の第１の実施形態に係る検出装置の動作について説明する。
次に、本開示の第１の実施形態に係る検出装置の動作について説明する。
【0028】
図２は、本開示の第１の実施形態に係る検出装置１０の動作の例を表すフローチャートである。図２に示す例では、まず、記録受取部１１０が、自動車の不具合の情報を含む不具合記録を受け取る（ステップＳ１１）。次に、頻度情報抽出部１２０が、部品の種類ごとに不具合の頻度の情報を抽出する（ステップＳ１２）。次に、欠陥推定部１３０が、欠陥推江地モデルを用いて、不具合記録に不具合の情報が含まれる部品の欠陥可能性を推定する（ステップＳ１３）。要注意部品検出部１４０は、欠陥可能性が欠陥基準を満たす要注意部品を検出する（ステップＳ１４）。そして、出力部１５０が、検出された要注意部品の情報を出力する（ステップＳ１５）。
【0029】
＜効果＞
以上で説明した本実施形態には、欠陥を有する可能性がある、自動車の部品を検出できるという効果がある。その理由は、欠陥推定部１３０が、上述のように機械学習によって得られた欠陥推定モデルを使用して、部品が欠陥を有する可能性である欠陥可能性を推定するからである。そして、要注意部品検出部１４０が、推定された欠陥可能性が欠陥基準を満たす部品である要注意部品を検出するからである。
以上で説明した本実施形態には、欠陥を有する可能性がある、自動車の部品を検出できるという効果がある。その理由は、欠陥推定部１３０が、上述のように機械学習によって得られた欠陥推定モデルを使用して、部品が欠陥を有する可能性である欠陥可能性を推定するからである。そして、要注意部品検出部１４０が、推定された欠陥可能性が欠陥基準を満たす部品である要注意部品を検出するからである。
【0030】
＜第２の実施形態＞
次に、本開示の第２の実施形態について説明する。
次に、本開示の第２の実施形態について説明する。
【0031】
＜構成＞
まず、本開示の第２の実施形態に係る学習装置の構成について説明する。
まず、本開示の第２の実施形態に係る学習装置の構成について説明する。
【0032】
図３は、本開示の第２の実施形態に係る学習装置の構成の例を表すブロック図である。図３に示す例では、本開示の第２の実施形態に係る学習装置である欠陥学習装置２０は、欠陥学習用情報受取部２１０と、欠陥学習部２２０と、を備える。欠陥学習用情報受取部２１０は、自動車の部品の不具合の頻度の情報を含む不具合記録と、当該不具合記録に前記不具合の情報が含まれる前記部品の欠陥の有無の情報と、を含む欠陥学習用情報を受け取る。
欠陥学習部２２０は、欠陥推定モデルが部品の不具合の頻度の情報から前記部品が欠陥を有する可能性を推定するように、前記欠陥学習用データを使用して前記欠陥推定モデルを学習する。
欠陥学習部２２０は、欠陥推定モデルが部品の不具合の頻度の情報から前記部品が欠陥を有する可能性を推定するように、前記欠陥学習用データを使用して前記欠陥推定モデルを学習する。
【0033】
本実施形態の欠陥学習用情報に含まれる不具合記録は、第１の実施形態の不具合記録と同様の形式の情報である。ただし、本実施形態の欠陥学習用情報に含まれる不具合記録は、第１の実施形態の記録受取部１１０によって受け取られる不具合記録とは別に記録された不具合記録であってよい。部品の欠陥の有無の情報は、欠陥が存在することが判明した部品の種類の情報である。
【0034】
上述のように、欠陥推定モデルは、機械学習による学習によって得られた推定器である。欠陥学習用情報受取部２１０は、欠陥学習用情報を使用して、欠陥推定モデルが、部品の不具合の頻度の情報から部品が欠陥を有する可能性を推定するように、欠陥推定モデルを学習する。上述のように、欠陥学習用情報は、例えば、自動車の部品の不具合の頻度の情報を含む不具合記録と、不具合記録に不具合の情報が含まれる部品の欠陥の有無の情報と、を含む情報である。上述のように、推定器は、例えば、プロセッサを推定器として動作させるプログラムを実行するプロセッサと、そのプログラムに与えられるパラメータとの組み合わせによって実現される。欠陥推定モデルの学習に使用される機械学習の方法は、既存の様々な機械学習の方法のいずれかである。
【0035】
＜動作＞
次に、本開示の第２の実施形態に係る学習装置の動作について説明する。
次に、本開示の第２の実施形態に係る学習装置の動作について説明する。
【0036】
図４は、本開示の第２の実施形態に係る学習装置の動作の例を表すフローチャートである。上述のように、本開示の第２の実施形態に係る学習装置は、欠陥学習装置２０である。図４に示す例では、まず、欠陥学習用情報受取部２１０が、自動車の部品の不具合の頻度の情報を含む不具合記録と、不具合記録に不具合の情報が含まれる部品の欠陥の有無の情報と、を含む欠陥学習用情報を受け取る（ステップＳ２１）。次に、欠陥学習部２２０が、欠陥推定モデルが部品の不具合の頻度の情報から部品が欠陥を有する可能性を推定するように、欠陥推定モデルを、欠陥学習用情報を用いて学習する（ステップＳ２２）。
【0037】
＜効果＞
本実施形態には、第１の実施形態と同じ効果がある。その理由は、欠陥学習部２２０が、部品が欠陥を有する可能性である欠陥可能性を推定する欠陥推定モデルを学習するからである。
本実施形態には、第１の実施形態と同じ効果がある。その理由は、欠陥学習部２２０が、部品が欠陥を有する可能性である欠陥可能性を推定する欠陥推定モデルを学習するからである。
【0038】
＜第３の実施形態＞
次に、本開示の第３の実施形態について、図面を使用して詳細に説明する。
次に、本開示の第３の実施形態について、図面を使用して詳細に説明する。
【0039】
＜構成＞
図５は、本開示の第３の実施形態に係る学習装置の構成を表すブロック図である。図６に示す例では、本開示の第３の実施形態に係る学習装置であるリコール学習装置３０は、リコール学習用情報受取部３１０と、リコール学習部３２０と、を備える。リコール学習用情報受取部３１０は、自動車の部品の不具合の情報を含む不具合記録と、前記部品のカテゴリの情報と、リコールの対象になった部品の情報と、を含むリコール学習用情報を受け取る。リコール学習部３２０は、リコール判定モデルが部品のカテゴリと当該部品の不具合の頻度とから前記部品がリコールの対象となる可能性を判定するように、前記リコール学習用情報を使用して前記リコール判定モデルを学習する。
図５は、本開示の第３の実施形態に係る学習装置の構成を表すブロック図である。図６に示す例では、本開示の第３の実施形態に係る学習装置であるリコール学習装置３０は、リコール学習用情報受取部３１０と、リコール学習部３２０と、を備える。リコール学習用情報受取部３１０は、自動車の部品の不具合の情報を含む不具合記録と、前記部品のカテゴリの情報と、リコールの対象になった部品の情報と、を含むリコール学習用情報を受け取る。リコール学習部３２０は、リコール判定モデルが部品のカテゴリと当該部品の不具合の頻度とから前記部品がリコールの対象となる可能性を判定するように、前記リコール学習用情報を使用して前記リコール判定モデルを学習する。
【0040】
本実施形態のリコール学習用情報に含まれる不具合記録は、第１の実施形態の不具合記録と同様の形式の情報である。ただし、本実施形態のリコール学習用情報に含まれる不具合記録は、第１の実施形態の記録受取部１１０によって受け取られる不具合記録とは別に記録された不具合記録であってよい。
【0041】
リコールの対象になった部品の情報は、少なくとも、不具合記録に不具合の情報が記録されている部品がリコールの対象になったか否かを表す情報を含む。
【0042】
部品のカテゴリは、例えば、複数の部品によって構成される複合部品とその複合部品に含まれる部品とを含むグループであってもよい。本実施形態の説明では、複数の部品によって構成される複合部品とは、例えば、エンジン、ブレーキ、アクセル、エアバッグ、トランスミッション、ワイパー、ドア、シート、エアーコンディショナー、ライト、又は、ウィンカー等である。部品のカテゴリは、例えば、同じ役割を持つ、部品の種類のグループであってもよい。この場合、部品のカテゴリは、同じ役割を持つ上述の複合部品のグループと、複合部品に含まれる部品のうち同じ役割を持つ部品のグループと、を含んでいてよい。部品が故障した場合に生じうる事故の重大性は、部品のカテゴリによって大きく異なる。部品のカテゴリによっては、不具合が生じた回数が少ない場合であっても、部品がリコールの対象になりうる。部品のカテゴリを使用することによって、リコール判定モデルによる部品がリコールの対象になる可能性の判定の精度が向上し得る。
【0043】
リコール判定モデルは、機械学習による学習によって得られた判定器である。リコール判定モデルは、例えば、リコール学習用情報を使用して、部品の不具合の頻度の情報から部品がリコールの対象になる可能性を推定するように学習される。リコール学習用情報は、上述のように、自動車の部品の不具合の頻度の情報を含む不具合記録と、不具合記録に不具合の情報が含まれる部品のカテゴリの情報と、リコールの対象になった部品の情報と、を含む。判定器は、例えば、プロセッサを判定器として動作させるプログラムを実行するプロセッサと、そのプログラムに与えられるパラメータとの組み合わせによって実現される。リコール判定モデルの学習に使用される機械学習の方法は、既存の様々な機械学習の方法のいずれかである。
【0044】
リコール判定モデルは、部品がリコールの対象になる可能性として、例えば、下限値（例えば０）以上、上限値（例えば１）以下の値を出力する。上限値及び下限値はこれらの値に限られない。
【0045】
＜動作＞
次に、本開示の第３の実施形態に係る学習装置の動作について説明する。
次に、本開示の第３の実施形態に係る学習装置の動作について説明する。
【0046】
図６は、本開示の第３の実施形態に係る学習装置の動作の例を表すフローチャートである。図６に示す例では、本開示の第３の実施形態に係る学習装置であるリコール学習装置３０は、まず、ステップＳ３１の動作を行う。
【0047】
リコール学習用情報受取部３１０は、自動車の部品の不具合の頻度の情報を含む不具合記録と、部品のカテゴリの情報と、リコールの対象になった部品の情報とを含むリコール学習用情報を受け取る（ステップＳ３１）。次に、リコール学習部３２０が、リコール対象モデルが部品の不具合の頻度の情報と部品のカテゴリとから部品がリコールの対象になる可能性を判定するように、リコール判定モデルを、リコール学習用情報を用いて学習する（ステップＳ３２）。
【0048】
＜効果＞
本実施形態には、欠陥を有する可能性（特に、リコールの対象になりうる欠陥を有する可能性）がある、自動車の部品を検出できるという効果がある。その理由は、リコール学習部３２０が、リコール対象モデルが部品の不具合の頻度の情報と部品のカテゴリとから部品がリコールの対象になる可能性を判定するように、リコール判定モデルを、リコール学習用情報を用いて学習するからである。リコールの対象になる可能性がある部品は、リコールの対象になりうる欠陥を有する可能性がある。リコール判定モデルによって、欠陥を有する可能性（特に、リコールの対象になりうる欠陥を有する可能性）がある、自動車の部品を検出できる。
本実施形態には、欠陥を有する可能性（特に、リコールの対象になりうる欠陥を有する可能性）がある、自動車の部品を検出できるという効果がある。その理由は、リコール学習部３２０が、リコール対象モデルが部品の不具合の頻度の情報と部品のカテゴリとから部品がリコールの対象になる可能性を判定するように、リコール判定モデルを、リコール学習用情報を用いて学習するからである。リコールの対象になる可能性がある部品は、リコールの対象になりうる欠陥を有する可能性がある。リコール判定モデルによって、欠陥を有する可能性（特に、リコールの対象になりうる欠陥を有する可能性）がある、自動車の部品を検出できる。
【0049】
＜第４の実施形態＞
次に、本開示の第４の実施形態について、図面を使用して詳細に説明する。
次に、本開示の第４の実施形態について、図面を使用して詳細に説明する。
【0050】
＜構成＞
まず、本開示の第４の実施形態に係る検出システムの構成について説明する。
まず、本開示の第４の実施形態に係る検出システムの構成について説明する。
【0051】
図７は、本開示の第４の実施形態に係る検出システムの構成の例を表すブロック図である。図７に示す例では、本実施形態の検出システム１は、検出装置１００と、欠陥学習装置２００と、リコール学習装置３００とを含む。検出装置１００は、欠陥学習装置２００及びリコール学習装置３００の各々と通信可能に接続されている。
【0052】
＜欠陥学習装置２００＞
まず、本実施形態の欠陥学習装置２００について説明する。
まず、本実施形態の欠陥学習装置２００について説明する。
【0053】
図８は、本開示の第４の実施形態に係る欠陥学習装置２００の構成の例を表すブロック図である。図８に示す例では、本実施形態の欠陥学習装置２００は、欠陥学習用情報受取部２１０と、欠陥学習部２２０と、欠陥推定モデル出力部２３０とを含む。
【0054】
＜欠陥学習用情報受取部２１０＞
本実施形態の欠陥学習用情報受取部２１０は、第２の実施形態の欠陥学習用情報受取部２１０と同様である。本実施形態の欠陥学習用情報受取部２１０は、第２の実施形態の欠陥学習用情報受取部２１０と同じ、欠陥学習用情報を、例えば欠陥学習用情報を保持するサーバ等から受け取る。欠陥学習用情報受取部２１０は、受け取った欠陥学習用情報を欠陥学習部２２０に送出する。
本実施形態の欠陥学習用情報受取部２１０は、第２の実施形態の欠陥学習用情報受取部２１０と同様である。本実施形態の欠陥学習用情報受取部２１０は、第２の実施形態の欠陥学習用情報受取部２１０と同じ、欠陥学習用情報を、例えば欠陥学習用情報を保持するサーバ等から受け取る。欠陥学習用情報受取部２１０は、受け取った欠陥学習用情報を欠陥学習部２２０に送出する。
【0055】
＜欠陥学習部２２０＞
本実施形態の欠陥学習部２２０は、第２の実施形態の欠陥学習部２２０と同様である。欠陥学習部２２０は、欠陥学習用情報受取部２１０から欠陥学習用情報を受け取る。本実施形態の欠陥学習部２２０は、第２の実施形態の欠陥学習部２２０と同様に、受け取った欠陥学習用情報を使用して、欠陥推定モデルを学習する。欠陥学習部２２０は、学習によって生成した欠陥推定モデルの情報を、欠陥推定モデル出力部２３０に送出する。
本実施形態の欠陥学習部２２０は、第２の実施形態の欠陥学習部２２０と同様である。欠陥学習部２２０は、欠陥学習用情報受取部２１０から欠陥学習用情報を受け取る。本実施形態の欠陥学習部２２０は、第２の実施形態の欠陥学習部２２０と同様に、受け取った欠陥学習用情報を使用して、欠陥推定モデルを学習する。欠陥学習部２２０は、学習によって生成した欠陥推定モデルの情報を、欠陥推定モデル出力部２３０に送出する。
【0056】
欠陥推定モデルの情報は、例えば、上述のプロセッサを欠陥推定モデルとして動作させるのに必要な情報である。欠陥推定モデルの情報は、例えば、欠陥推定モデルのプログラムモジュールが学習によって得られた欠陥推定モデルとして動作するための、学習によって得られた、欠陥推定モデルのプログラムモジュールに与えられるパラメータの値）を含む。欠陥推定モデルの情報は、欠陥推定モデルのプログラムモジュールそのもののデータを含んでいてもよい。
【0057】
＜欠陥推定モデル出力部２３０＞
欠陥推定モデル出力部２３０は、欠陥学習部２２０から、欠陥推定モデルの情報を受け取る。欠陥推定モデル出力部２３０は、受け取った欠陥推定モデルの情報を、検出装置１００（具体的には、欠陥推定モデル受取部１８１）に出力する。
欠陥推定モデル出力部２３０は、欠陥学習部２２０から、欠陥推定モデルの情報を受け取る。欠陥推定モデル出力部２３０は、受け取った欠陥推定モデルの情報を、検出装置１００（具体的には、欠陥推定モデル受取部１８１）に出力する。
【0058】
＜リコール学習装置３００＞
次に、本実施形態のリコール学習装置３００について説明する。
次に、本実施形態のリコール学習装置３００について説明する。
【0059】
図９は、本開示の第４の実施形態に係るリコール学習装置３００の構成の例を表すブロック図である。図９に示す例では、本実施形態のリコール学習装置３００は、リコール学習用情報受取部３１０と、リコール学習部３２０と、リコール判定モデル出力部３３０とを含む。
【0060】
＜リコール学習用情報受取部３１０＞
本実施形態のリコール学習用情報受取部３１０は、第３の実施形態のリコール学習用情報受取部３１０と同様である。本実施形態のリコール学習用情報受取部３１０は、リコール学習用情報を、例えばリコール学習用情報を保持するサーバ等から受け取る。本実施形態のリコール学習用情報は、第３の実施形態のリコール学習用情報と同じである。リコール学習用情報受取部３１０は、受け取ったリコール学習用情報を、リコール学習部３２０に送出する。
本実施形態のリコール学習用情報受取部３１０は、第３の実施形態のリコール学習用情報受取部３１０と同様である。本実施形態のリコール学習用情報受取部３１０は、リコール学習用情報を、例えばリコール学習用情報を保持するサーバ等から受け取る。本実施形態のリコール学習用情報は、第３の実施形態のリコール学習用情報と同じである。リコール学習用情報受取部３１０は、受け取ったリコール学習用情報を、リコール学習部３２０に送出する。
【0061】
＜リコール学習部３２０＞
本実施形態のリコール学習部３２０は、第３の実施形態のリコール学習部３２０と同様である。リコール学習部３２０は、リコール学習用情報受取部３１０から、リコール学習用情報を受け取る。リコール学習部３２０は、第３の実施形態のリコール学習部３２０と同様に、受け取ったリコール学習用情報を用いて、リコール判定モデルを学習する。リコール学習部３２０は、学習によって得られたリコール判定モデルの情報を、リコール判定モデル出力部３３０に送出する。
本実施形態のリコール学習部３２０は、第３の実施形態のリコール学習部３２０と同様である。リコール学習部３２０は、リコール学習用情報受取部３１０から、リコール学習用情報を受け取る。リコール学習部３２０は、第３の実施形態のリコール学習部３２０と同様に、受け取ったリコール学習用情報を用いて、リコール判定モデルを学習する。リコール学習部３２０は、学習によって得られたリコール判定モデルの情報を、リコール判定モデル出力部３３０に送出する。
【0062】
リコール判定モデルの情報は、例えば、上述のプロセッサをリコール判定モデルとして動作させるのに必要な情報である。リコール判定モデルの情報は、例えば、リコール判定モデルのプログラムモジュールが学習によって得られたリコール判定モデルとして動作するための、学習によって得られた、リコール判定モデルのプログラムモジュールに与えられるパラメータの値）を含む。リコール判定モデルの情報は、リコール判定モデルのプログラムモジュールそのもののデータを含んでいてもよい。
【0063】
＜リコール判定モデル出力部３３０＞
リコール判定モデル出力部３３０は、リコール学習部３２０から、リコール判定モデルの情報を受け取る。リコール判定モデル出力部３３０は、受け取ったリコール判定モデルの情報を、検出装置１００（具体的には、リコール判定モデル受取部１８２）に出力する。
リコール判定モデル出力部３３０は、リコール学習部３２０から、リコール判定モデルの情報を受け取る。リコール判定モデル出力部３３０は、受け取ったリコール判定モデルの情報を、検出装置１００（具体的には、リコール判定モデル受取部１８２）に出力する。
【0064】
＜検出装置１００＞
次に、本実施形態の検出装置１００について説明する。
次に、本実施形態の検出装置１００について説明する。
【0065】
図１０は、本開示の第４の実施形態に係る検出装置１００の構成の例を表すブロック図である。図１０に示す例では、本実施形態の検出装置１００は、記録受取部１１０と、頻度情報抽出部１２０と、欠陥推定部１３０と、要注意部品検出部１４０と、出力部１５０と、リコール判定部１６０と、候補抽出部１７０と、を含む。本実施形態の検出装置１００は、さらに、欠陥推定モデル受取部１８１と、リコール判定モデル受取部１８２と、個数算出部１９１と、不具合数推定部１９２と、を含む。
本実施形態の記録受取部１１０、頻度情報抽出部１２０、欠陥推定部１３０、要注意部品検出部１４０及び出力部１５０は、それぞれ、第１の実施形態の記録受取部１１０、頻度情報抽出部１２０、欠陥推定部１３０、要注意部品検出部１４０及び出力部１５０と同様の動作を行う。以下では、記録受取部１１０、頻度情報抽出部１２０、欠陥推定部１３０、要注意部品検出部１４０及び出力部１５０については、第１の実施形態との相違点を中心に説明する。
本実施形態の記録受取部１１０、頻度情報抽出部１２０、欠陥推定部１３０、要注意部品検出部１４０及び出力部１５０は、それぞれ、第１の実施形態の記録受取部１１０、頻度情報抽出部１２０、欠陥推定部１３０、要注意部品検出部１４０及び出力部１５０と同様の動作を行う。以下では、記録受取部１１０、頻度情報抽出部１２０、欠陥推定部１３０、要注意部品検出部１４０及び出力部１５０については、第１の実施形態との相違点を中心に説明する。
【0066】
＜欠陥推定モデル受取部１８１＞
欠陥推定モデル受取部１８１は、欠陥学習装置２００の欠陥推定モデル出力部２３０から、欠陥推定モデルの情報を受け取る。欠陥推定モデル受取部１８１は、受け取った欠陥推定モデルの情報を、欠陥推定部１３０に送出する。
欠陥推定モデル受取部１８１は、欠陥学習装置２００の欠陥推定モデル出力部２３０から、欠陥推定モデルの情報を受け取る。欠陥推定モデル受取部１８１は、受け取った欠陥推定モデルの情報を、欠陥推定部１３０に送出する。
【0067】
＜リコール判定モデル受取部１８２＞
リコール判定モデル受取部１８２は、リコール学習装置３００のリコール判定モデル出力部３３０から、リコール判定モデルの情報を受け取る。リコール判定モデル受取部１８２は、受け取ったリコール判定モデルの情報を、リコール判定部１６０に送出する。
リコール判定モデル受取部１８２は、リコール学習装置３００のリコール判定モデル出力部３３０から、リコール判定モデルの情報を受け取る。リコール判定モデル受取部１８２は、受け取ったリコール判定モデルの情報を、リコール判定部１６０に送出する。
【0068】
＜記録受取部１１０＞
記録受取部１１０は、不具合記録を受け取る。不具合記録は、第１の実施形態において説明した不具合記録と同じである。記録受取部１１０は、受け取った不具合記録を、頻度情報抽出部１２０に送出する。
記録受取部１１０は、不具合記録を受け取る。不具合記録は、第１の実施形態において説明した不具合記録と同じである。記録受取部１１０は、受け取った不具合記録を、頻度情報抽出部１２０に送出する。
【0069】
記録受取部１１０は、事業者（例えば、車両修理業者、ディーラー等）の顧客の自動車の車種と、車種ごとに使用されている部品の種類の情報とを含む情報である、顧客自動車情報を、例えば事業者が保持する情報処理装置から受け取る。記録受取部１１０は、受け取った顧客自動車情報を、頻度情報抽出部１２０に送出する。
【0070】
＜頻度情報抽出部１２０＞
頻度情報抽出部１２０は、記録受取部１１０から、不具合記録を受け取る。頻度情報抽出部１２０は、受け取った不具合記録から、部品の種類ごとに、不具合の頻度の情報を抽出する。不具合の頻度の情報は、第１の実施形態の不具合の頻度の情報と同じである。頻度情報抽出部１２０は、抽出した、不具合の頻度の情報を、欠陥推定部１３０に送出する。また、頻度情報抽出部１２０は、抽出した、不具合の頻度の情報を、リコール判定部１６０に送出する。
頻度情報抽出部１２０は、記録受取部１１０から、不具合記録を受け取る。頻度情報抽出部１２０は、受け取った不具合記録から、部品の種類ごとに、不具合の頻度の情報を抽出する。不具合の頻度の情報は、第１の実施形態の不具合の頻度の情報と同じである。頻度情報抽出部１２０は、抽出した、不具合の頻度の情報を、欠陥推定部１３０に送出する。また、頻度情報抽出部１２０は、抽出した、不具合の頻度の情報を、リコール判定部１６０に送出する。
【0071】
頻度情報抽出部１２０は、要注意部品検出部１４０から、欠陥推定部１３０を介して、要注意部品の情報を受け取る。
【0072】
頻度情報抽出部１２０は、記録受取部１１０から、顧客自動車情報をさらに受け取る。頻度情報抽出部１２０は、不具合の頻度の情報から、要注意部品の不具合の頻度の情報を抽出する。頻度情報抽出部１２０は、受け取った顧客自動車情報と、要注意部品の不具合の頻度の情報と、要注意部品の情報とを、個数算出部１９１に送出する。
【0073】
＜欠陥推定部１３０＞
欠陥推定部１３０は、欠陥推定モデル受取部１８１から、欠陥推定モデルの情報を受け取る。欠陥推定部１３０は、受け取った欠陥推定モデルの情報を使用して、欠陥推定モデルが動作する状態にしておく。
欠陥推定部１３０は、欠陥推定モデル受取部１８１から、欠陥推定モデルの情報を受け取る。欠陥推定部１３０は、受け取った欠陥推定モデルの情報を使用して、欠陥推定モデルが動作する状態にしておく。
【0074】
欠陥推定部１３０は、頻度情報抽出部１２０から、不具合の頻度の情報を受け取る。
【0075】
欠陥推定部１３０は、第１の実施形態の欠陥推定部１３０と同様に、欠陥推定モデルを用いて、受け取った不具合の頻度の情報から、不具合記録に不具合の情報が含まれる部品の、部品が欠陥を有する可能性である欠陥可能性を推定する。この欠陥可能性は、第１の実施形態の説明の欠陥可能性と同じである。欠陥推定部１３０は、不具合記録に不具合の情報が含まれるすべての部品の欠陥可能性を算出する。
【0076】
欠陥推定部１３０は、推定した欠陥可能性を要注意部品検出部１４０に送出する。具体的には、欠陥推定部１３０は、不具合記録に不具合の情報が含まれるすべての部品の、推定した欠陥可能性を要注意部品検出部１４０に送出する。
【0077】
＜要注意部品検出部１４０＞
要注意部品検出部１４０は、欠陥推定部１３０から、欠陥可能性を受け取る。要注意部品検出部１４０は、欠陥推定部１３０から、不具合記録に不具合の情報が含まれるすべての部品の、欠陥可能性を受け取る。
要注意部品検出部１４０は、欠陥推定部１３０から、欠陥可能性を受け取る。要注意部品検出部１４０は、欠陥推定部１３０から、不具合記録に不具合の情報が含まれるすべての部品の、欠陥可能性を受け取る。
【0078】
要注意部品検出部１４０は、第１の実施形態の要注意部品検出部１４０と同様に、欠陥可能性が欠陥基準を満たす要注意部品を検出する。
【0079】
要注意部品検出部１４０は、検出した要注意部品の情報を、出力部１５０に送出する。この要注意部品の情報は、第１の実施形態の説明の要注意部品の情報と同じでよい。要注意部品の情報は、例えば、検出された要注意部品の識別情報と、その要注意部品の欠陥可能性（具体的には、欠陥可能性の値）を含んでいてよい。
【0080】
要注意部品検出部１４０は、検出した要注意部品の情報を、さらに、例えば欠陥推定部１３０を介して、頻度情報抽出部１２０に送出する。要注意部品検出部１４０は、検出した要注意部品の情報を、直接、頻度情報抽出部１２０に送出してもよい。
【0081】
＜リコール判定部１６０＞
リコール判定部１６０は、リコール判定モデル受取部１８２から、リコール判定モデルの情報を受け取る。リコール判定部１６０は、受け取ったリコール判定モデルの情報を使用して、リコール判定モデルが動作できる状態にしておく。
リコール判定部１６０は、リコール判定モデル受取部１８２から、リコール判定モデルの情報を受け取る。リコール判定部１６０は、受け取ったリコール判定モデルの情報を使用して、リコール判定モデルが動作できる状態にしておく。
【0082】
また、リコール判定部１６０は、部品のカテゴリの情報を予め保持していてよい。リコール判定部１６０は、部品のカテゴリの情報を、リコール判定モデル受取部１８２から受け取ってもよい。この場合、リコール学習装置３００は、部品のカテゴリの情報を、リコール判定モデル受取部１８２に送出するように構成される。リコール判定部１６０は、部品のカテゴリの情報を、記録受取部１１０と頻度情報抽出部１２０とを介して受け取ってもよい。この場合、他の情報処理装置等が、部品のカテゴリの情報を、記録受取部１１０に送信する。そして、記録受取部１１０及び頻度情報抽出部１２０は、記録受取部１１０が受け取った部品のカテゴリの情報を、頻度情報抽出部１２０を介してリコール判定部１６０に送出するように構成される。
【0083】
リコール判定部１６０は、さらに、頻度情報抽出部１２０から、不具合の頻度の情報を受け取る。
【0084】
リコール判定部１６０は、リコール判定モデルを使用して、受け取った不具合の頻度の情報と、部品のカテゴリとから、部品がリコールの対象となる可能性であるリコール可能性を判定する。リコール判定部１６０は、不具合の頻度が得られている部品の各々のリコール可能性を判定する。
【0085】
リコール判定部１６０は、判定したリコール可能性を、候補抽出部１７０に送出する。リコール判定部１６０は、不具合の頻度が得られている部品の各々のリコール可能性を候補抽出部１７０に送出してよい。リコール判定部１６０は、不具合の頻度が得られている部品の各々の、部品の識別情報とリコール可能性との組み合わせを候補抽出部１７０に送出してよい。
【0086】
＜候補抽出部１７０＞
候補抽出部１７０は、リコール判定部１６０から、リコール可能性を受け取る。候補抽出部１７０は、リコール判定部１６０から、不具合の頻度が得られている部品の各々のリコール可能性を受け取ってよい。候補抽出部１７０は、リコール判定部１６０から、不具合の頻度が得られている部品の各々の、部品の識別情報とリコール可能性との組み合わせを受け取ってよい。
候補抽出部１７０は、リコール判定部１６０から、リコール可能性を受け取る。候補抽出部１７０は、リコール判定部１６０から、不具合の頻度が得られている部品の各々のリコール可能性を受け取ってよい。候補抽出部１７０は、リコール判定部１６０から、不具合の頻度が得られている部品の各々の、部品の識別情報とリコール可能性との組み合わせを受け取ってよい。
【0087】
候補抽出部１７０は、リコール可能性がリコール候補基準を満たす部品（以下、リコール候補部品と表記）を検出する。候補抽出部１７０は、不具合の頻度が得られている部品から、リコール可能性がリコール候補基準を満たすリコール候補部品を検出してよい。
【0088】
リコール候補基準は、例えば、部品がリコールの対象になる可能性が示す値が、所定の閾値よりも大きいことである。
【0089】
候補抽出部１７０は、検出したリコール候補部品の情報を、出力部１５０に送出する。リコール候補部品の情報は、例えば、リコール候補部品と判定された部品の識別情報を含む。リコール候補部品の情報は、例えば、リコール可能性の値をさらに含んでいてもよい。
【0090】
＜個数算出部１９１＞
個数算出部１９１は、顧客自動車情報と、要注意部品の不具合の頻度の情報と、要注意部品の情報とを、頻度情報抽出部１２０から受け取る。上述のように、要注意部品の情報は、要注意部品の種類を特定する情報（すなわち、要注意部品の識別情報）を含む。
個数算出部１９１は、顧客自動車情報と、要注意部品の不具合の頻度の情報と、要注意部品の情報とを、頻度情報抽出部１２０から受け取る。上述のように、要注意部品の情報は、要注意部品の種類を特定する情報（すなわち、要注意部品の識別情報）を含む。
【0091】
個数算出部１９１は、顧客自動車情報に含まれる、自動車の顧客の自動車の車種の情報と、車種ごとの使用されている部品の情報と、要注意部品の情報とから、顧客の自動車に使用されている要注意部品の個数を算出する。個数算出部１９１は、車種ごとの使用されている部品（例えば、初期状態の車種において使用されている部品）の情報を予め保持していてよい。顧客の自動車に使用されている要注意部品の個数は、要注意部品ごとの数である。
【0092】
個数算出部１９１は、要注意部品の不具合の頻度の情報と、顧客の自動車に使用されている要注意部品の個数とを、不具合数推定部１９２に送出する。
【0093】
＜不具合数推定部１９２＞
不具合数推定部１９２は、要注意部品の不具合の頻度の情報と、顧客の自動車に使用されている要注意部品の個数とを個数算出部１９１から受け取る。
不具合数推定部１９２は、要注意部品の不具合の頻度の情報と、顧客の自動車に使用されている要注意部品の個数とを個数算出部１９１から受け取る。
【0094】
不具合数推定部１９２は、要注意部品の不具合の頻度の情報と、算出された要注意部品の個数とから、事業者の顧客の自動車に使用されている要注意部品の所定期間ごとの不具合の件数を推定する。所定期間は、あらかじめ適宜定められている期間（例えば、１ヵ月等）である。不具合数推定部１９２は、所定期間当たりの不具合の件数を、事業者の顧客の自動車に使用されている要注意部品ごとに算出する。
【0095】
不具合数推定部１９２は、事業者の顧客の自動車に使用されている要注意部品ごとの、所定期間当たりの不具合の件数を、出力部１５０に送出する。
【0096】
＜出力部１５０＞
出力部１５０は、要注意部品検出部１４０から、要注意部品の情報を受け取る。出力部１５０は、受け取った要注意部品の情報を、例えば出力先装置に出力する。要注意部品の情報は、例えば、要注意部品として検出された部品の識別情報を含む。要注意部品の情報は、例えば、要注意部品として検出された部品の識別情報と、その部品の他の情報との組み合わせを含んでいてもよい。要注意部品の情報が含む、要注意部品として検出された部品の情報は、例えば、その部品が欠陥を有する可能性、その部品の名称、及び、その部品の製造者等の少なくともいずれかである。出力部１５０は、様々な部品の、識別情報、名称、及び、製造者などの情報を予め与えられていてよい。要注意部品の情報は、これらの例に限られない。
出力部１５０は、要注意部品検出部１４０から、要注意部品の情報を受け取る。出力部１５０は、受け取った要注意部品の情報を、例えば出力先装置に出力する。要注意部品の情報は、例えば、要注意部品として検出された部品の識別情報を含む。要注意部品の情報は、例えば、要注意部品として検出された部品の識別情報と、その部品の他の情報との組み合わせを含んでいてもよい。要注意部品の情報が含む、要注意部品として検出された部品の情報は、例えば、その部品が欠陥を有する可能性、その部品の名称、及び、その部品の製造者等の少なくともいずれかである。出力部１５０は、様々な部品の、識別情報、名称、及び、製造者などの情報を予め与えられていてよい。要注意部品の情報は、これらの例に限られない。
【0097】
出力先装置は、例えば、ディスプレイ、他の情報処理装置、及び、記憶装置等の少なくともいずれかである。
【0098】
出力部１５０は、候補抽出部１７０から、リコール候補部品の情報を受け取る。出力部１５０は、受け取ったリコール候補部品の情報を、例えば出力先装置に出力する。リコール候補部品の情報は、例えば、リコール候補部品と判定された部品の識別情報である。リコール候補部品の情報は、リコール候補部品と判定された部品の識別情報と、その部品の他の情報との組み合わせを含んでいてもよい。リコール候補部品の情報が含む、部品の他の情報は、例えば、その部品がリコールの対象になる可能性、その部品の名称、及び、その部品の製造者等の少なくともいずれかである。要注意部品の情報は、これらの例に限られない。
【0099】
出力部１５０は、不具合数推定部１９２から、事業者の顧客の自動車に使用されている要注意部品ごとの、所定期間当たりの不具合の件数を受け取る。出力部１５０は、受け取った、事業者の顧客の自動車に使用されている要注意部品ごとの、所定期間当たりの不具合の件数を、例えばその事業者が使用する情報処理装置に出力する。
【0100】
＜動作＞
次に、本開示の第４の実施形態に係る欠陥学習装置、リコール学習装置、及び、検出装置の各々の動作について、図名を使用して詳細に説明する。
次に、本開示の第４の実施形態に係る欠陥学習装置、リコール学習装置、及び、検出装置の各々の動作について、図名を使用して詳細に説明する。
【0101】
図１１は、本開示の第４の実施形態に係る第１の学習装置の動作の例を表すフローチャートである。本開示の第４の実施形態に係る第１の学習装置は、欠陥学習装置２００である。図１１に示す例では、まず、欠陥学習用情報受取部２１０が、自動車の部品の不具合の頻度の情報を含む不具合記録と、不具合記録に不具合の情報が含まれる部品の欠陥の有無の情報と、を含む欠陥学習用情報を受け取る（ステップＳ２０１）。次に、欠陥学習部２２０が、欠陥推定モデルが部品の不具合の頻度の情報から部品が欠陥を有する可能性を推定するように、欠陥推定モデルを、欠陥学習用情報を用いて学習する（ステップＳ２０２）。そして、欠陥推定モデル出力部２３０が、欠陥推定モデルの情報を出力する（ステップＳ２０３）。
【0102】
図１２は、本開示の第４の実施形態に係る第２の学習装置の動作の例を表すフローチャートである。本開示の第４の実施形態に係る第２の学習装置は、リコール学習装置３００である。図１２に示す例では、リコール学習用情報受取部３１０は、自動車の部品の不具合の頻度の情報を含む不具合記録と、部品のカテゴリの情報と、リコールの対象になった部品の情報とを含むリコール学習用情報を受け取る（ステップＳ３０１）。次に、リコール学習部３２０が、リコール対象モデルが部品の不具合の頻度の情報と部品のカテゴリとから部品がリコールの対象になる可能性を判定するように、リコール判定モデルを、リコール学習用情報を用いて学習する（ステップＳ３０２）。そして、リコール判定モデル出力部３３０が、リコール判定モデルの情報を出力する（ステップＳ３０３）。
【0103】
図１３は、本開示の第４の実施形態に係る検出装置の動作の例を表すフローチャートである。図１３に示す例では、図１３に示す動作の前に、本実施形態の検出装置１００の欠陥推定部１３０は、予め、欠陥推定モデル受取部１８１を介して欠陥推定モデルの情報を受け取り、欠陥推定モデルを用いた、部品が欠陥を有する可能性の推定が可能な状態にある。同様に、図１３に示す動作の前に、本実施形態の検出装置１００のリコール判定部１６０は、予め、リコール判定モデル受取部１８２を介してリコール判定モデルの情報を受け取り、リコール判定モデルを用いた、部品がリコールの対象となる可能性の判定が可能な状態にある。
【0104】
まず、記録受取部１１０が、自動車の不具合の情報を含む不具合記録を受け取る（ステップＳ１０１）。次に、頻度情報抽出部１２０が、部品の種類ごとに不具合の頻度の情報を抽出する（ステップＳ１０２）。そして、検出装置１００は、欠陥推定処理を行う。（ステップＳ１０３）。検出装置１００は、さらに、リコール判定処理を行う（ステップＳ１０４）。検出装置１００は、さらに、不具合数推定処理を行う（ステップＳ１０５）。欠陥推定処理、リコール判定処理、及び、不具合数推定処理については、以下で詳細に説明する。
【0105】
図１４は、本開示の第４の実施形態に係る検出装置の欠陥推定処理の動作の例を表すフローチャートである。図１４に示す例では、欠陥推定部１３０が、欠陥推定モデルを用いて、不具合記録に不具合の情報が含まれる部品の欠陥可能性を推定する（ステップＳ１１１）。次に、要注意部品検出部１４０が、欠陥可能性が欠陥基準を満たす要注意部品を検出する（ステップＳ１１２）。そして、出力部１５０が、要注意部品の情報を出力する（ステップＳ１１３）。
【0106】
図１５は、本開示の第４の実施形態に係る検出装置のリコール判定処理の動作の例を表すフローチャートである。図１５に示す例では、リコール判定部１６０が、リコール判定モデルを用いて、部品がリコールの対象になるリコール可能性を推定する（ステップＳ１２１）。次に、候補抽出部１７０が、リコール可能性がリコール候補基準を満たすリコール候補部品を検出する（ステップＳ１２２）。そして、出力部１５０が、リコール候補部品の情報を出力する（ステップＳ１２３）。
【0107】
図１６は、本開示の第４の実施形態に係る検出装置の不具合数推定処理の動作の例を表すフローチャートである。図１６に示す例では、個数算出部１９１が、事業者の顧客の自動車の車種の情報と、車種ごとの使用されている部品の情報と、要注意部品の情報とから、事業者の顧客の自動車に使用されている要注意部品の個数を算出する（ステップＳ１３１）。次に、不具合数推定部１９２が、要注意部品の不具合の頻度の情報と、算出された要注意部品の個数とから、事業者の顧客に使用されている要注意部品の所定期間ごとの不具合の件数を推定する（ステップＳ１３２）。そして、出力部１３３が、事業者の顧客の自動車に使用されている要注意部品の所定期間ごとの不具合の件数を出力する（ステップＳ１３３）。
【0108】
なお、検出装置１００は、図１４のステップ１１３、図１５のステップＳ１２３、及び、図１６のステップＳ１３３の動作を、同じタイミングで行ってもよい。検出装置１００は、図１４のステップ１１３、図１５のステップＳ１２３、及び、図１６のステップＳ１３３のうち、いずれか２つの動作を、同じタイミングで行ってもよい。なお、検出装置１００は、図１４のステップ１１３、図１５のステップＳ１２３、及び、図１６のステップＳ１３３の動作を、互いに異なるタイミングで行ってもよい。
【0109】
＜効果＞
本実施形態には、第１の実施形態と同じ効果がある。その理由は、第１の実施形態の効果が生じる理由と同様である。
本実施形態には、第１の実施形態と同じ効果がある。その理由は、第１の実施形態の効果が生じる理由と同様である。
【0110】
＜第４の実施形態の第１の変形例＞
欠陥学習装置２００及びリコール学習装置３００は、単一の装置（例えば学習装置）として実現されてもよい。その学習装置が、欠陥学習装置２００及びリコール学習装置３００として動作してよい。検出装置１００は、欠陥学習装置２００及びリコール学習装置３００を含んでいてもよい。言い換えると、検出装置１００は、欠陥学習装置２００の機能とリコール学習装置３００の機能とを含む検出装置として実現されてもよい。そして、検出装置１００が、欠陥学習装置２００及びリコール学習装置３００としても動作してよい。
欠陥学習装置２００及びリコール学習装置３００は、単一の装置（例えば学習装置）として実現されてもよい。その学習装置が、欠陥学習装置２００及びリコール学習装置３００として動作してよい。検出装置１００は、欠陥学習装置２００及びリコール学習装置３００を含んでいてもよい。言い換えると、検出装置１００は、欠陥学習装置２００の機能とリコール学習装置３００の機能とを含む検出装置として実現されてもよい。そして、検出装置１００が、欠陥学習装置２００及びリコール学習装置３００としても動作してよい。
【0111】
＜第４の実施形態の第２の変形例＞
不具合の頻度の情報は、部品の不具合の確認の回数（例えば、その部品が使用されている自動車の検査及び整備の回数）に対する、その部品の不具合の回数（例えば、その部品に異常が見つかった回数及びその部品が交換された回数）の割合であってもよい。
不具合の頻度の情報は、部品の不具合の確認の回数（例えば、その部品が使用されている自動車の検査及び整備の回数）に対する、その部品の不具合の回数（例えば、その部品に異常が見つかった回数及びその部品が交換された回数）の割合であってもよい。
【0112】
不具合の頻度の情報は、不具合の頻度の推移の情報であってもよい。不具合の頻度の推移の情報は、例えば、過去の所定期間内の、所定間隔で計算された、部品の交換の間隔の統計値の推移であってもよい。不具合の頻度の推移の情報は、例えば、過去の所定期間内の、所定間隔で計算された、部品の不具合の確認の回数に対するその部品の不具合の回数の割合の推移であってもよい。
【0113】
＜第４の実施形態の第３の変形例＞
リコール学習部３２０は、リコール判定モデルは、さらに部品の不具合の種類から、部品がリコールの対象となる可能性を判定するように、リコール学習用情報の不具合記録に情報が含まれる部品の不具合の種類をさらに用いて学習してもよい。本変形例のリコール学習用情報は、リコール学習用情報の不具合記録に情報が含まれる部品の不具合の、種類をさらに含む。リコールの対象となる部品の、リコールの原因の欠陥は、その部品の別の不具合として現れる可能性がある。本変形例のリコール判定モデルは、不具合の種類をさらに用いることにより、そのような別の不具合として現れるリコールの原因を有する部品を判定できる可能性がある。
リコール学習部３２０は、リコール判定モデルは、さらに部品の不具合の種類から、部品がリコールの対象となる可能性を判定するように、リコール学習用情報の不具合記録に情報が含まれる部品の不具合の種類をさらに用いて学習してもよい。本変形例のリコール学習用情報は、リコール学習用情報の不具合記録に情報が含まれる部品の不具合の、種類をさらに含む。リコールの対象となる部品の、リコールの原因の欠陥は、その部品の別の不具合として現れる可能性がある。本変形例のリコール判定モデルは、不具合の種類をさらに用いることにより、そのような別の不具合として現れるリコールの原因を有する部品を判定できる可能性がある。
【0114】
具体的には、リコール学習用情報は、自動車の部品の不具合の情報を含む不具合記録と、不具合記録に不具合の情報が含まれる部品のカテゴリの情報と、不具合記録に情報が含まれる部品の不具合の種類と、リコールの対象になった前記部品の情報と、を含む。部品の不具合の種類は、不具合記録に含まれていてもよい。リコール判定モデルは、部品の不具合の頻度と部品のカテゴリとから部品がリコールの対象となる可能性を判定するように、このリコール学習用情報を用いて学習されていてよい。
【0115】
＜第４の実施形態の第４の変形例＞
検出装置１００は、個数算出部１９１と不具合数推定部１９２とを含まなくてもよい。その場合、検出装置１００は、図１３のステップＳ１０５の動作を行わない。
検出装置１００は、個数算出部１９１と不具合数推定部１９２とを含まなくてもよい。その場合、検出装置１００は、図１３のステップＳ１０５の動作を行わない。
【0116】
＜第４の実施形態の第５の変形例＞
検出装置１００は、リコール判定モデル受取部１８２と、リコール判定部１６０と、候補抽出部１７０とを含まなくてもよい。その場合、検出システム１は、リコール学習装置３００を含まなくてよい。そして、検出装置１００は、図１３のステップＳ１０４の動作を行わない。
検出装置１００は、リコール判定モデル受取部１８２と、リコール判定部１６０と、候補抽出部１７０とを含まなくてもよい。その場合、検出システム１は、リコール学習装置３００を含まなくてよい。そして、検出装置１００は、図１３のステップＳ１０４の動作を行わない。
【0117】
＜第４の実施形態の第５の変形例＞
頻度情報抽出部１２０は、受け取った顧客自動車情報と、部品の不具合の頻度の情報と、個数算出部１９１に送出する。
頻度情報抽出部１２０は、受け取った顧客自動車情報と、部品の不具合の頻度の情報と、個数算出部１９１に送出する。
【0118】
個数算出部１９１は、顧客自動車情報と、部品の不具合の頻度の情報と、頻度情報抽出部１２０から受け取る。
【0119】
個数算出部１９１は、顧客自動車情報に含まれる、自動車の顧客の自動車の車種の情報と、車種ごとの使用されている部品の情報と、意部品の不具合の頻度の情報とから、顧客の自動車に使用されている部品の個数を算出する。個数算出部１９１は、車種ごとの使用されている部品（例えば、初期状態の車種において使用されている部品）の情報を予め保持していてよい。顧客の自動車に使用されている部品の個数は、部品の種類ごとにカウントした、顧客の自動車に使用されている部品の数である。
【0120】
個数算出部１９１は、部品の不具合の頻度の情報と、顧客の自動車に使用されている部品の個数とを、不具合数推定部１９２に送出する。
【0121】
不具合数推定部１９２は、部品の不具合の頻度の情報と、顧客の自動車に使用されている部品の個数とを個数算出部１９１から受け取る。
【0122】
不具合数推定部１９２は、部品の不具合の頻度の情報と、算出された部品の個数とから、事業者の顧客の自動車に使用されている部品の所定期間ごとの不具合の件数を推定する。所定期間は、あらかじめ適宜定められている期間（例えば、１ヵ月等）である。不具合数推定部１９２は、所定期間当たりの不具合の件数を、事業者の顧客の自動車に使用されている部品ごとに算出する。
【0123】
不具合数推定部１９２は、事業者の顧客の自動車に使用されている部品ごとの（言い換えると、部品の種類ごとの）、所定期間当たりの不具合の件数を、出力部１５０に送出する。
【0124】
出力部１５０は、不具合数推定部１９２から、事業者の顧客の自動車に使用されている部品ごとの、所定期間当たりの不具合の件数を受け取る。出力部１５０は、受け取った、事業者の顧客の自動車に使用されている部品ごとの、所定期間当たりの不具合の件数を、例えばその事業者が使用する情報処理装置に出力する。
不具合数推定部１９２は、事業者の顧客の自動車に使用されている部品のうち、不具合の研修が所定件数を超えている部品ごとの（言い換えると、部品の種類ごと）、所定期間当たりの不具合の件数を、出力部１５０に送出してもよい。
不具合数推定部１９２は、事業者の顧客の自動車に使用されている部品のうち、不具合の研修が所定件数を超えている部品ごとの（言い換えると、部品の種類ごと）、所定期間当たりの不具合の件数を、出力部１５０に送出してもよい。
【0125】
この場合、出力部１５０は、不具合数推定部１９２から、事業者の顧客の自動車に使用されている部品のうち、不具合の研修が所定件数を超えている部品ごとの、所定期間当たりの不具合の件数を受け取る。出力部１５０は、受け取った、事業者の顧客の自動車に使用されている部品のうち、不具合の研修が所定件数を超えている部品ごとの、所定期間当たりの不具合の件数を、例えばその事業者が使用する情報処理装置に出力する。
【0126】
＜他の実施形態＞
上述の実施形態に係る検出装置及び学習装置は、記憶媒体から読み出されたプログラムがロードされたメモリと、そのプログラムを実行するプロセッサとを含むコンピュータによって実現できる。上述の実施形態に係る検出装置は、例えば、検出装置１０及び検出装置１００である。上述の実施形態に係る学習装置は、欠陥学習装置２０、リコール学習装置３０、欠陥学習装置２００、リコール学習装置３００である。上述の実施形態に係る検出装置及び学習装置は、専用のハードウェアによっても実現できる。上述の実施形態に係る検出装置及び学習装置は、前述のコンピュータと専用のハードウェアとの組み合わせによっても実現できる。
上述の実施形態に係る検出装置及び学習装置は、記憶媒体から読み出されたプログラムがロードされたメモリと、そのプログラムを実行するプロセッサとを含むコンピュータによって実現できる。上述の実施形態に係る検出装置は、例えば、検出装置１０及び検出装置１００である。上述の実施形態に係る学習装置は、欠陥学習装置２０、リコール学習装置３０、欠陥学習装置２００、リコール学習装置３００である。上述の実施形態に係る検出装置及び学習装置は、専用のハードウェアによっても実現できる。上述の実施形態に係る検出装置及び学習装置は、前述のコンピュータと専用のハードウェアとの組み合わせによっても実現できる。
【0127】
図１７は、本開示の実施形態に係る検出装置及び学習装置を実現することができる、コンピュータ１０００のハードウェア構成の一例を表す図である。図１７に示す例、コンピュータ１０００は、プロセッサ１００１と、メモリ１００２と、記憶装置１００３と、Ｉ／Ｏ（Ｉｎｐｕｔ／Ｏｕｔｐｕｔ）インタフェース１００４とを含む。また、コンピュータ１０００は、記憶媒体１００５にアクセスすることができる。メモリ１００２と記憶装置１００３は、例えば、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ハードディスクなどの記憶装置である。記憶媒体１００５は、例えば、ＲＡＭ、ハードディスクなどの記憶装置、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、可搬記憶媒体である。記憶装置１００３が記憶媒体１００５であってもよい。プロセッサ１００１は、メモリ１００２と、記憶装置１００３に対して、データやプログラムの読み出しと書き込みを行うことができる。プロセッサ１００１は、Ｉ／Ｏインタフェース１００４を介して、例えば、他の情報処理装置等にアクセスすることができる。プロセッサ１００１は、記憶媒体１００５にアクセスすることができる。記憶媒体１００５には、コンピュータ１０００を本開示の実施形態に係る検出装置として動作させるプログラム、又は、コンピュータ１０００を本開示の実施形態に係る学習装置として動作させるプログラムが格納されている。
【0128】
プロセッサ１００１は、記憶媒体１００５に格納されている、コンピュータ１０００を、本開示の実施形態に係る検出装置として動作させるプログラムを、メモリ１００２にロードする。そして、プロセッサ１００１が、メモリ１００２にロードされたプログラムを実行することにより、コンピュータ１０００は、本開示の実施形態に係る検出装置として動作する。
【0129】
プロセッサ１００１は、記憶媒体１００５に格納されている、コンピュータ１０００を、本開示の実施形態に係る学習装置として動作させるプログラムを、メモリ１００２にロードする。そして、プロセッサ１００１が、メモリ１００２にロードされたプログラムを実行することにより、コンピュータ１０００は、本開示の実施形態に係る学習装置として動作する。
【0130】
記録受取部１１０、頻度情報抽出部１２０、欠陥推定部１３０、要注意部品検出部１４０、出力部１５０，リコール判定部１６０、候補抽出部１７０は、例えば、メモリ１００２にロードされたプログラムを実行するプロセッサ１００１によって実現できる。欠陥推定モデル受取部１８１、リコール判定モデル受取部１８２、個数算出部１９１、不具合数推定部１９２は、例えば、メモリ１００２にロードされたプログラムを実行するプロセッサ１００１によって実現できる。欠陥学習用情報受取部２１０、欠陥学習部２２０、欠陥推定モデル出力部２３０、リコール学習用情報受取部３１０、リコール学習部３２０、リコール判定モデル出力部３３０は、例えば、メモリ１００２にロードされたプログラムを実行するプロセッサ１００１によって実現できる。記録受取部１１０、頻度情報抽出部１２０、欠陥推定部１３０、要注意部品検出部１４０、出力部１５０，リコール判定部１６０、候補抽出部１７０の一部又は全部を、各部の機能を実現する専用の回路によっても実現できる。欠陥推定モデル受取部１８１、リコール判定モデル受取部１８２、個数算出部１９１、不具合数推定部１９２の一部又は全部を、各部の機能を実現する専用の回路によっても実現できる。欠陥学習用情報受取部２１０、欠陥学習部２２０、欠陥推定モデル出力部２３０、リコール学習用情報受取部３１０、リコール学習部３２０、リコール判定モデル出力部３３０の一部又は全部を、各部の機能を実現する専用の回路によっても実現できる。
【0131】
また、上記の実施形態の一部又は全部は、以下の付記のようにも記載されうるが、以下には限られない。
【0132】
（付記１）
自動車の部品の不具合の情報を含む不具合記録を受け取る記録受取手段と、
前記不具合記録から、部品の種類ごとに不具合の頻度の情報を抽出する頻度情報抽出手段と、
部品の不具合の頻度の情報から前記部品が欠陥を有する可能性を推定するように学習された欠陥推定モデルを用いて、抽出された前記不具合の頻度の情報から、前記不具合記録に前記不具合の情報が含まれる前記部品の、当該部品が欠陥を有する可能性である欠陥可能性を推定する欠陥推定手段と、
前記欠陥可能性が欠陥基準を満たす前記部品である要注意部品を検出する要注意部品検出手段と、
検出された前記要注意部品の情報を出力する出力手段と、
を備える検出装置。
自動車の部品の不具合の情報を含む不具合記録を受け取る記録受取手段と、
前記不具合記録から、部品の種類ごとに不具合の頻度の情報を抽出する頻度情報抽出手段と、
部品の不具合の頻度の情報から前記部品が欠陥を有する可能性を推定するように学習された欠陥推定モデルを用いて、抽出された前記不具合の頻度の情報から、前記不具合記録に前記不具合の情報が含まれる前記部品の、当該部品が欠陥を有する可能性である欠陥可能性を推定する欠陥推定手段と、
前記欠陥可能性が欠陥基準を満たす前記部品である要注意部品を検出する要注意部品検出手段と、
検出された前記要注意部品の情報を出力する出力手段と、
を備える検出装置。
【0133】
（付記２）
前記頻度情報抽出手段は、前記頻度の情報として、前記部品の種類ごとに前記不具合の頻度の推移の情報を抽出し、
前記欠陥推定モデルは、前記部品の不具合の頻度の情報としての前記部品の不具合の頻度の推移の情報から前記部品が欠陥を有する可能性を推定するように学習され、
前記欠陥推定手段は、前記欠陥推定モデルを使用して、抽出された前記不具合の頻度の推移の情報から、前記不具合記録に前記不具合の情報が含まれる前記部品の前記欠陥可能性を推定する
付記１に記載の検出装置。
前記頻度情報抽出手段は、前記頻度の情報として、前記部品の種類ごとに前記不具合の頻度の推移の情報を抽出し、
前記欠陥推定モデルは、前記部品の不具合の頻度の情報としての前記部品の不具合の頻度の推移の情報から前記部品が欠陥を有する可能性を推定するように学習され、
前記欠陥推定手段は、前記欠陥推定モデルを使用して、抽出された前記不具合の頻度の推移の情報から、前記不具合記録に前記不具合の情報が含まれる前記部品の前記欠陥可能性を推定する
付記１に記載の検出装置。
【0134】
（付記３）
部品の不具合の頻度と当該部品のカテゴリとから前記部品がリコールの対象となる可能性を判定するように学習されたリコール判定モデルを使用して、抽出された前記不具合の頻度の情報と前記部品のカテゴリとから、前記部品がリコールの対象となる可能性であるリコール可能性を判定するリコール判定手段と、
前記リコール可能性がリコール候補基準を満たす前記部品であるリコール候補部品を検出する候補抽出手段と、
をさらに備え、
前記出力手段は、検出された前記リコール候補部品の情報をさらに出力する
付記１又は２に記載の検出装置。
部品の不具合の頻度と当該部品のカテゴリとから前記部品がリコールの対象となる可能性を判定するように学習されたリコール判定モデルを使用して、抽出された前記不具合の頻度の情報と前記部品のカテゴリとから、前記部品がリコールの対象となる可能性であるリコール可能性を判定するリコール判定手段と、
前記リコール可能性がリコール候補基準を満たす前記部品であるリコール候補部品を検出する候補抽出手段と、
をさらに備え、
前記出力手段は、検出された前記リコール候補部品の情報をさらに出力する
付記１又は２に記載の検出装置。
【0135】
（付記４）
前記リコール判定モデルは、さらに前記部品の不具合の種類から、前記部品がリコールの対象となる前記可能性を判定するように学習され、
前記リコール判定手段は、前記部品の抽出された前記不具合の頻度の情報と前記部品のカテゴリと前記不具合記録に含まれる前記部品の前記不具合の種類とから、前記リコール可能性を判定する
付記３に記載の検出装置。
前記リコール判定モデルは、さらに前記部品の不具合の種類から、前記部品がリコールの対象となる前記可能性を判定するように学習され、
前記リコール判定手段は、前記部品の抽出された前記不具合の頻度の情報と前記部品のカテゴリと前記不具合記録に含まれる前記部品の前記不具合の種類とから、前記リコール可能性を判定する
付記３に記載の検出装置。
【0136】
（付記５）
事業者の顧客の自動車の車種の情報と、車種ごとの使用されている部品の情報と、前記要注意部品の情報とから、前記事業者の顧客の自動車に使用されている前記要注意部品の個数を算出する個数算出手段と、
前記要注意部品の前記不具合の頻度の情報と、算出された前記要注意部品の前記個数とから、前記事業者の顧客の自動車に使用されている前記要注意部品の所定期間ごとの不具合の件数を推定する不具合数推定手段と、
をさらに備え、
前記出力手段は、前記事業者の顧客の自動車に使用されている前記要注意部品の情報と、当該要注意部品の前記所定期間ごとの前記不具合の件数と、をさらに出力する
付記１又は２に記載の検出装置。
事業者の顧客の自動車の車種の情報と、車種ごとの使用されている部品の情報と、前記要注意部品の情報とから、前記事業者の顧客の自動車に使用されている前記要注意部品の個数を算出する個数算出手段と、
前記要注意部品の前記不具合の頻度の情報と、算出された前記要注意部品の前記個数とから、前記事業者の顧客の自動車に使用されている前記要注意部品の所定期間ごとの不具合の件数を推定する不具合数推定手段と、
をさらに備え、
前記出力手段は、前記事業者の顧客の自動車に使用されている前記要注意部品の情報と、当該要注意部品の前記所定期間ごとの前記不具合の件数と、をさらに出力する
付記１又は２に記載の検出装置。
【0137】
（付記６）
自動車の部品の不具合の頻度の情報を含む学習用不具合記録と、当該学習用不具合記録に前記不具合の情報が含まれる前記部品の欠陥の有無の情報と、を含む欠陥学習用情報を受け取る欠陥学習用情報受取手段と、
前記欠陥学習用情報を使用して前記欠陥推定モデルを学習する学習手段と、
を備える欠陥学習装置と、
付記１又は２に記載の検出装置と、
を含む検出システム。
自動車の部品の不具合の頻度の情報を含む学習用不具合記録と、当該学習用不具合記録に前記不具合の情報が含まれる前記部品の欠陥の有無の情報と、を含む欠陥学習用情報を受け取る欠陥学習用情報受取手段と、
前記欠陥学習用情報を使用して前記欠陥推定モデルを学習する学習手段と、
を備える欠陥学習装置と、
付記１又は２に記載の検出装置と、
を含む検出システム。
【0138】
（付記７）
自動車の部品の不具合の情報を含む学習用不具合記録と、前記部品のカテゴリの情報と、リコールの対象になった前記部品の情報と、を含むリコール学習用情報を受け取るリコール学習用情報受取手段と、
前記リコール学習用情報を使用して、前記リコール判定モデルを学習する学習手段と、
を備えるリコール学習装置と、
付記３に記載の検出装置と、
を含む検出システム。
自動車の部品の不具合の情報を含む学習用不具合記録と、前記部品のカテゴリの情報と、リコールの対象になった前記部品の情報と、を含むリコール学習用情報を受け取るリコール学習用情報受取手段と、
前記リコール学習用情報を使用して、前記リコール判定モデルを学習する学習手段と、
を備えるリコール学習装置と、
付記３に記載の検出装置と、
を含む検出システム。
【0139】
（付記８）
自動車の部品の不具合の頻度の情報を含む不具合記録と、当該不具合記録に前記不具合の情報が含まれる前記部品の欠陥の有無の情報と、を含む欠陥学習用情報を受け取る欠陥学習用情報受取手段と、
欠陥推定モデルが部品の不具合の頻度の情報から前記部品が欠陥を有する可能性を推定するように、前記欠陥学習用情報を使用して前記欠陥推定モデルを学習する欠陥学習手段と、
を備える学習装置。
自動車の部品の不具合の頻度の情報を含む不具合記録と、当該不具合記録に前記不具合の情報が含まれる前記部品の欠陥の有無の情報と、を含む欠陥学習用情報を受け取る欠陥学習用情報受取手段と、
欠陥推定モデルが部品の不具合の頻度の情報から前記部品が欠陥を有する可能性を推定するように、前記欠陥学習用情報を使用して前記欠陥推定モデルを学習する欠陥学習手段と、
を備える学習装置。
【0140】
（付記９）
欠陥学習用情報受取手段は、前記頻度の情報として、前記部品の種類ごとに前記不具合の頻度の推移の情報を含む前記欠陥学習用情報を受け取り、
前記欠陥学習手段は、前記部品の不具合の頻度の情報として前記部品の不具合の頻度の推移の情報を含む前記欠陥学習用情報を用いて、前記欠陥推定モデルが、前記部品の不具合の頻度の推移の情報から、前記部品が欠陥を有する可能性を推定するように、前記欠陥推定モデルを学習する
付記８に記載の学習装置。
欠陥学習用情報受取手段は、前記頻度の情報として、前記部品の種類ごとに前記不具合の頻度の推移の情報を含む前記欠陥学習用情報を受け取り、
前記欠陥学習手段は、前記部品の不具合の頻度の情報として前記部品の不具合の頻度の推移の情報を含む前記欠陥学習用情報を用いて、前記欠陥推定モデルが、前記部品の不具合の頻度の推移の情報から、前記部品が欠陥を有する可能性を推定するように、前記欠陥推定モデルを学習する
付記８に記載の学習装置。
【0141】
（付記１０）
自動車の部品の不具合の情報を含む不具合記録と、前記部品のカテゴリの情報と、リコールの対象になった前記部品の情報と、を含むリコール学習用情報を受け取るリコール学習用情報受取手段と、
リコール判定モデルが部品の不具合の頻度と当該部品のカテゴリとから前記部品がリコールの対象となる可能性を判定するように、前記リコール学習用情報を使用して前記リコール判定モデルを学習するリコール学習手段と、
を備える学習装置。
自動車の部品の不具合の情報を含む不具合記録と、前記部品のカテゴリの情報と、リコールの対象になった前記部品の情報と、を含むリコール学習用情報を受け取るリコール学習用情報受取手段と、
リコール判定モデルが部品の不具合の頻度と当該部品のカテゴリとから前記部品がリコールの対象となる可能性を判定するように、前記リコール学習用情報を使用して前記リコール判定モデルを学習するリコール学習手段と、
を備える学習装置。
【0142】
（付記１１）
リコール学習用情報受取手段は、前記部品の不具合の種類をさらに含む前記リコール学習用情報を受け取り、
前記リコール学習手段は、前記部品の不具合の種類をさらに含む前記リコール学習用情報を用いて、前記リコール判定モデルが、さらに前記部品の不具合の種類から、前記部品がリコールの対象となる前記可能性を判定するように、前記リコール判定モデルを学習する
付記１０に記載の学習装置。
リコール学習用情報受取手段は、前記部品の不具合の種類をさらに含む前記リコール学習用情報を受け取り、
前記リコール学習手段は、前記部品の不具合の種類をさらに含む前記リコール学習用情報を用いて、前記リコール判定モデルが、さらに前記部品の不具合の種類から、前記部品がリコールの対象となる前記可能性を判定するように、前記リコール判定モデルを学習する
付記１０に記載の学習装置。
【0143】
（付記１２）
自動車の部品の不具合の情報を含む不具合記録を受け取り、
前記不具合記録から、部品の種類ごとに不具合の頻度の情報を抽出し、
部品の不具合の頻度の情報から前記部品が欠陥を有する可能性を推定するように学習された欠陥推定モデルを用いて、抽出された前記不具合の頻度の情報から、前記不具合記録に前記不具合の情報が含まれる前記部品の、当該部品が欠陥を有する可能性である欠陥可能性を推定し、
前記欠陥可能性が欠陥基準を満たす前記部品である要注意部品を検出し、
検出された前記要注意部品の情報を出力する、
検出方法。
自動車の部品の不具合の情報を含む不具合記録を受け取り、
前記不具合記録から、部品の種類ごとに不具合の頻度の情報を抽出し、
部品の不具合の頻度の情報から前記部品が欠陥を有する可能性を推定するように学習された欠陥推定モデルを用いて、抽出された前記不具合の頻度の情報から、前記不具合記録に前記不具合の情報が含まれる前記部品の、当該部品が欠陥を有する可能性である欠陥可能性を推定し、
前記欠陥可能性が欠陥基準を満たす前記部品である要注意部品を検出し、
検出された前記要注意部品の情報を出力する、
検出方法。
【0144】
（付記１３）
前記頻度の情報として、前記部品の種類ごとに前記不具合の頻度の推移の情報を抽出し、
前記部品の不具合の頻度の情報としての前記部品の不具合の頻度の推移の情報から前記部品が欠陥を有する可能性を推定するように学習された前記欠陥推定モデルを使用して、抽出された前記不具合の頻度の推移の情報から、前記不具合記録に前記不具合の情報が含まれる前記部品の前記欠陥可能性を推定する
付記１２に記載の検出方法。
前記頻度の情報として、前記部品の種類ごとに前記不具合の頻度の推移の情報を抽出し、
前記部品の不具合の頻度の情報としての前記部品の不具合の頻度の推移の情報から前記部品が欠陥を有する可能性を推定するように学習された前記欠陥推定モデルを使用して、抽出された前記不具合の頻度の推移の情報から、前記不具合記録に前記不具合の情報が含まれる前記部品の前記欠陥可能性を推定する
付記１２に記載の検出方法。
【0145】
（付記１４）
部品の不具合の頻度と当該部品のカテゴリとから前記部品がリコールの対象となる可能性を判定するように学習されたリコール判定モデルを使用して、抽出された前記不具合の頻度の情報と前記部品のカテゴリとから、前記部品がリコールの対象となる可能性であるリコール可能性を判定し、
前記リコール可能性がリコール候補基準を満たす前記部品であるリコール候補部品を検出し、
検出された前記リコール候補部品の情報をさらに出力する
付記１２又は１３に記載の検出方法。
部品の不具合の頻度と当該部品のカテゴリとから前記部品がリコールの対象となる可能性を判定するように学習されたリコール判定モデルを使用して、抽出された前記不具合の頻度の情報と前記部品のカテゴリとから、前記部品がリコールの対象となる可能性であるリコール可能性を判定し、
前記リコール可能性がリコール候補基準を満たす前記部品であるリコール候補部品を検出し、
検出された前記リコール候補部品の情報をさらに出力する
付記１２又は１３に記載の検出方法。
【0146】
（付記１５）
さらに前記部品の不具合の種類から、前記部品がリコールの対象となる前記可能性を判定するように学習された前記リコール判定モデルを用いて、前記部品の抽出された前記不具合の頻度の情報と前記部品のカテゴリと前記不具合記録に含まれる前記部品の前記不具合の種類とから、前記リコール可能性を判定する
付記１４に記載の検出方法。
さらに前記部品の不具合の種類から、前記部品がリコールの対象となる前記可能性を判定するように学習された前記リコール判定モデルを用いて、前記部品の抽出された前記不具合の頻度の情報と前記部品のカテゴリと前記不具合記録に含まれる前記部品の前記不具合の種類とから、前記リコール可能性を判定する
付記１４に記載の検出方法。
【0147】
（付記１６）
事業者の顧客の自動車の車種の情報と、車種ごとの使用されている部品の情報と、前記要注意部品の情報とから、前記事業者の顧客の自動車に使用されている前記要注意部品の個数を算出し、
前記要注意部品の前記不具合の頻度の情報と、算出された前記要注意部品の前記個数とから、前記事業者の顧客の自動車に使用されている前記要注意部品の所定期間ごとの不具合の件数を推定し、
をさらに備え、
前記事業者の顧客の自動車に使用されている前記要注意部品の情報と、当該要注意部品の前記所定期間ごとの前記不具合の件数と、をさらに出力する
付記１２又は１３に記載の検出方法。
事業者の顧客の自動車の車種の情報と、車種ごとの使用されている部品の情報と、前記要注意部品の情報とから、前記事業者の顧客の自動車に使用されている前記要注意部品の個数を算出し、
前記要注意部品の前記不具合の頻度の情報と、算出された前記要注意部品の前記個数とから、前記事業者の顧客の自動車に使用されている前記要注意部品の所定期間ごとの不具合の件数を推定し、
をさらに備え、
前記事業者の顧客の自動車に使用されている前記要注意部品の情報と、当該要注意部品の前記所定期間ごとの前記不具合の件数と、をさらに出力する
付記１２又は１３に記載の検出方法。
【0148】
（付記１７）
自動車の部品の不具合の頻度の情報を含む学習用不具合記録と、当該学習用不具合記録に前記不具合の情報が含まれる前記部品の欠陥の有無の情報と、を含む欠陥学習用情報を受け取り、
前記欠陥学習用情報を使用して前記欠陥推定モデルを学習する、
付記１２又は１３に記載の検出方法。
自動車の部品の不具合の頻度の情報を含む学習用不具合記録と、当該学習用不具合記録に前記不具合の情報が含まれる前記部品の欠陥の有無の情報と、を含む欠陥学習用情報を受け取り、
前記欠陥学習用情報を使用して前記欠陥推定モデルを学習する、
付記１２又は１３に記載の検出方法。
【0149】
（付記１８）
自動車の部品の不具合の情報を含む学習用不具合記録と、前記部品のカテゴリの情報と、リコールの対象になった前記部品の情報と、を含むリコール学習用情報を受け取り、
前記リコール学習用情報を使用して、前記リコール判定モデルを学習する、
付記１４に記載の検出方法。
自動車の部品の不具合の情報を含む学習用不具合記録と、前記部品のカテゴリの情報と、リコールの対象になった前記部品の情報と、を含むリコール学習用情報を受け取り、
前記リコール学習用情報を使用して、前記リコール判定モデルを学習する、
付記１４に記載の検出方法。
【0150】
（付記１９）
自動車の部品の不具合の頻度の情報を含む不具合記録と、当該不具合記録に前記不具合の情報が含まれる前記部品の欠陥の有無の情報と、を含む欠陥学習用情報を受け取り、
欠陥推定モデルが部品の不具合の頻度の情報から前記部品が欠陥を有する可能性を推定するように、前記欠陥学習用情報を使用して前記欠陥推定モデルを学習する、
学習方法。
自動車の部品の不具合の頻度の情報を含む不具合記録と、当該不具合記録に前記不具合の情報が含まれる前記部品の欠陥の有無の情報と、を含む欠陥学習用情報を受け取り、
欠陥推定モデルが部品の不具合の頻度の情報から前記部品が欠陥を有する可能性を推定するように、前記欠陥学習用情報を使用して前記欠陥推定モデルを学習する、
学習方法。
【0151】
（付記２０）
前記頻度の情報として、前記部品の種類ごとに前記不具合の頻度の推移の情報を含む前記欠陥学習用情報を受け取り、
前記部品の不具合の頻度の情報として前記部品の不具合の頻度の推移の情報を含む前記欠陥学習用情報を用いて、前記欠陥推定モデルが、前記部品の不具合の頻度の推移の情報から、前記部品が欠陥を有する可能性を推定するように、前記欠陥推定モデルを学習する
付記１９に記載の学習方法。
前記頻度の情報として、前記部品の種類ごとに前記不具合の頻度の推移の情報を含む前記欠陥学習用情報を受け取り、
前記部品の不具合の頻度の情報として前記部品の不具合の頻度の推移の情報を含む前記欠陥学習用情報を用いて、前記欠陥推定モデルが、前記部品の不具合の頻度の推移の情報から、前記部品が欠陥を有する可能性を推定するように、前記欠陥推定モデルを学習する
付記１９に記載の学習方法。
【0152】
（付記２１）
自動車の部品の不具合の情報を含む不具合記録と、前記部品のカテゴリの情報と、リコールの対象になった前記部品の情報と、を含むリコール学習用情報を受け取り、
リコール判定モデルが部品の不具合の頻度と当該部品のカテゴリとから前記部品がリコールの対象となる可能性を判定するように、前記リコール学習用情報を使用して前記リコール判定モデルを学習する、
学習方法。
自動車の部品の不具合の情報を含む不具合記録と、前記部品のカテゴリの情報と、リコールの対象になった前記部品の情報と、を含むリコール学習用情報を受け取り、
リコール判定モデルが部品の不具合の頻度と当該部品のカテゴリとから前記部品がリコールの対象となる可能性を判定するように、前記リコール学習用情報を使用して前記リコール判定モデルを学習する、
学習方法。
【0153】
（付記２２）
前記部品の不具合の種類をさらに含む前記リコール学習用情報を受け取り、
前記部品の不具合の種類をさらに含む前記リコール学習用情報を用いて、前記リコール判定モデルが、さらに前記部品の不具合の種類から、前記部品がリコールの対象となる前記可能性を判定するように、前記リコール判定モデルを学習する
付記２１に記載の学習方法。
前記部品の不具合の種類をさらに含む前記リコール学習用情報を受け取り、
前記部品の不具合の種類をさらに含む前記リコール学習用情報を用いて、前記リコール判定モデルが、さらに前記部品の不具合の種類から、前記部品がリコールの対象となる前記可能性を判定するように、前記リコール判定モデルを学習する
付記２１に記載の学習方法。
【0154】
（付記２３）
自動車の部品の不具合の情報を含む不具合記録を受け取る記録受取処理と、
前記不具合記録から、部品の種類ごとに不具合の頻度の情報を抽出する頻度情報抽出処理と、
部品の不具合の頻度の情報から前記部品が欠陥を有する可能性を推定するように学習された欠陥推定モデルを用いて、抽出された前記不具合の頻度の情報から、前記不具合記録に前記不具合の情報が含まれる前記部品の、当該部品が欠陥を有する可能性である欠陥可能性を推定する欠陥推定処理と、
前記欠陥可能性が欠陥基準を満たす前記部品である要注意部品を検出する要注意部品検出処理と、
検出された前記要注意部品の情報を出力する出力処理と、
をコンピュータに実行させるプログラム。
自動車の部品の不具合の情報を含む不具合記録を受け取る記録受取処理と、
前記不具合記録から、部品の種類ごとに不具合の頻度の情報を抽出する頻度情報抽出処理と、
部品の不具合の頻度の情報から前記部品が欠陥を有する可能性を推定するように学習された欠陥推定モデルを用いて、抽出された前記不具合の頻度の情報から、前記不具合記録に前記不具合の情報が含まれる前記部品の、当該部品が欠陥を有する可能性である欠陥可能性を推定する欠陥推定処理と、
前記欠陥可能性が欠陥基準を満たす前記部品である要注意部品を検出する要注意部品検出処理と、
検出された前記要注意部品の情報を出力する出力処理と、
をコンピュータに実行させるプログラム。
【0155】
（付記２４）
前記頻度情報抽出処理は、前記頻度の情報として、前記部品の種類ごとに前記不具合の頻度の推移の情報を抽出し、
前記欠陥推定モデルは、前記部品の不具合の頻度の情報としての前記部品の不具合の頻度の推移の情報から前記部品が欠陥を有する可能性を推定するように学習され、
前記欠陥推定処理は、前記欠陥推定モデルを使用して、抽出された前記不具合の頻度の推移の情報から、前記不具合記録に前記不具合の情報が含まれる前記部品の前記欠陥可能性を推定する
付記２３に記載のプログラム。
前記頻度情報抽出処理は、前記頻度の情報として、前記部品の種類ごとに前記不具合の頻度の推移の情報を抽出し、
前記欠陥推定モデルは、前記部品の不具合の頻度の情報としての前記部品の不具合の頻度の推移の情報から前記部品が欠陥を有する可能性を推定するように学習され、
前記欠陥推定処理は、前記欠陥推定モデルを使用して、抽出された前記不具合の頻度の推移の情報から、前記不具合記録に前記不具合の情報が含まれる前記部品の前記欠陥可能性を推定する
付記２３に記載のプログラム。
【0156】
（付記２５）
部品の不具合の頻度と当該部品のカテゴリとから前記部品がリコールの対象となる可能性を判定するように学習されたリコール判定モデルを使用して、抽出された前記不具合の頻度の情報と前記部品のカテゴリとから、前記部品がリコールの対象となる可能性であるリコール可能性を判定するリコール判定処理と、
前記リコール可能性がリコール候補基準を満たす前記部品であるリコール候補部品を検出する候補抽出処理と、
をさらにコンピュータに実行させ、
前記出力処理は、検出された前記リコール候補部品の情報をさらに出力する
付記２３又は２４に記載のプログラム。
部品の不具合の頻度と当該部品のカテゴリとから前記部品がリコールの対象となる可能性を判定するように学習されたリコール判定モデルを使用して、抽出された前記不具合の頻度の情報と前記部品のカテゴリとから、前記部品がリコールの対象となる可能性であるリコール可能性を判定するリコール判定処理と、
前記リコール可能性がリコール候補基準を満たす前記部品であるリコール候補部品を検出する候補抽出処理と、
をさらにコンピュータに実行させ、
前記出力処理は、検出された前記リコール候補部品の情報をさらに出力する
付記２３又は２４に記載のプログラム。
【0157】
（付記２６）
前記リコール判定モデルは、さらに前記部品の不具合の種類から、前記部品がリコールの対象となる前記可能性を判定するように学習され、
前記リコール判定処理は、前記部品の抽出された前記不具合の頻度の情報と前記部品のカテゴリと前記不具合記録に含まれる前記部品の前記不具合の種類とから、前記リコール可能性を判定する
付記２５に記載のプログラム。
前記リコール判定モデルは、さらに前記部品の不具合の種類から、前記部品がリコールの対象となる前記可能性を判定するように学習され、
前記リコール判定処理は、前記部品の抽出された前記不具合の頻度の情報と前記部品のカテゴリと前記不具合記録に含まれる前記部品の前記不具合の種類とから、前記リコール可能性を判定する
付記２５に記載のプログラム。
【0158】
（付記２７）
事業者の顧客の自動車の車種の情報と、車種ごとの使用されている部品の情報と、前記要注意部品の情報とから、前記事業者の顧客の自動車に使用されている前記要注意部品の個数を算出する個数算出処理と、
前記要注意部品の前記不具合の頻度の情報と、算出された前記要注意部品の前記個数とから、前記事業者の顧客の自動車に使用されている前記要注意部品の所定期間ごとの不具合の件数を推定する不具合数推定処理と、
をさらにコンピュータに実行させ、
前記出力処理は、前記事業者の顧客の自動車に使用されている前記要注意部品の情報と、当該要注意部品の前記所定期間ごとの前記不具合の件数と、をさらに出力する
付記２３又は２４に記載のプログラム。
事業者の顧客の自動車の車種の情報と、車種ごとの使用されている部品の情報と、前記要注意部品の情報とから、前記事業者の顧客の自動車に使用されている前記要注意部品の個数を算出する個数算出処理と、
前記要注意部品の前記不具合の頻度の情報と、算出された前記要注意部品の前記個数とから、前記事業者の顧客の自動車に使用されている前記要注意部品の所定期間ごとの不具合の件数を推定する不具合数推定処理と、
をさらにコンピュータに実行させ、
前記出力処理は、前記事業者の顧客の自動車に使用されている前記要注意部品の情報と、当該要注意部品の前記所定期間ごとの前記不具合の件数と、をさらに出力する
付記２３又は２４に記載のプログラム。
【0159】
（付記２８）
自動車の部品の不具合の頻度の情報を含む学習用不具合記録と、当該学習用不具合記録に前記不具合の情報が含まれる前記部品の欠陥の有無の情報と、を含む欠陥学習用情報を受け取る欠陥学習用情報受取処理と、
前記欠陥学習用情報を使用して前記欠陥推定モデルを学習する学習処理と、
をコンピュータにさらに実行させる付記２３又は２４に記載のプログラム。
自動車の部品の不具合の頻度の情報を含む学習用不具合記録と、当該学習用不具合記録に前記不具合の情報が含まれる前記部品の欠陥の有無の情報と、を含む欠陥学習用情報を受け取る欠陥学習用情報受取処理と、
前記欠陥学習用情報を使用して前記欠陥推定モデルを学習する学習処理と、
をコンピュータにさらに実行させる付記２３又は２４に記載のプログラム。
【0160】
（付記２９）
自動車の部品の不具合の情報を含む学習用不具合記録と、前記部品のカテゴリの情報と、リコールの対象になった前記部品の情報と、を含むリコール学習用情報を受け取るリコール学習用情報受取処理と、
前記リコール学習用情報を使用して、前記リコール判定モデルを学習する学習処理と、
をコンピュータにさらに実行させる付記２５に記載のプログラム。
自動車の部品の不具合の情報を含む学習用不具合記録と、前記部品のカテゴリの情報と、リコールの対象になった前記部品の情報と、を含むリコール学習用情報を受け取るリコール学習用情報受取処理と、
前記リコール学習用情報を使用して、前記リコール判定モデルを学習する学習処理と、
をコンピュータにさらに実行させる付記２５に記載のプログラム。
【0161】
（付記３０）
自動車の部品の不具合の頻度の情報を含む不具合記録と、当該不具合記録に前記不具合の情報が含まれる前記部品の欠陥の有無の情報と、を含む欠陥学習用情報を受け取る学習用情報受取処理と、
欠陥推定モデルが部品の不具合の頻度の情報から前記部品が欠陥を有する可能性を推定するように、前記欠陥学習用情報を使用して前記欠陥推定モデルを学習する欠陥学習処理と、
をコンピュータに実行させるプログラム。
自動車の部品の不具合の頻度の情報を含む不具合記録と、当該不具合記録に前記不具合の情報が含まれる前記部品の欠陥の有無の情報と、を含む欠陥学習用情報を受け取る学習用情報受取処理と、
欠陥推定モデルが部品の不具合の頻度の情報から前記部品が欠陥を有する可能性を推定するように、前記欠陥学習用情報を使用して前記欠陥推定モデルを学習する欠陥学習処理と、
をコンピュータに実行させるプログラム。
【0162】
（付記３１）
学習用情報受取処理は、前記頻度の情報として、前記部品の種類ごとに前記不具合の頻度の推移の情報を含む前記欠陥学習用情報を受け取り、
前記欠陥学習処理は、前記部品の不具合の頻度の情報として前記部品の不具合の頻度の推移の情報を含む前記欠陥学習用情報を用いて、前記欠陥推定モデルが、前記部品の不具合の頻度の推移の情報から、前記部品が欠陥を有する可能性を推定するように、前記欠陥推定モデルを学習する
付記３０に記載のプログラム。
学習用情報受取処理は、前記頻度の情報として、前記部品の種類ごとに前記不具合の頻度の推移の情報を含む前記欠陥学習用情報を受け取り、
前記欠陥学習処理は、前記部品の不具合の頻度の情報として前記部品の不具合の頻度の推移の情報を含む前記欠陥学習用情報を用いて、前記欠陥推定モデルが、前記部品の不具合の頻度の推移の情報から、前記部品が欠陥を有する可能性を推定するように、前記欠陥推定モデルを学習する
付記３０に記載のプログラム。
【0163】
（付記３２）
自動車の部品の不具合の情報を含む不具合記録と、前記部品のカテゴリの情報と、リコールの対象になった前記部品の情報と、を含むリコール学習用情報を受け取るリコール学習用情報受取処理と、
リコール判定モデルが部品の不具合の頻度と当該部品のカテゴリとから前記部品がリコールの対象となる可能性を判定するように、前記リコール学習用情報を使用して前記リコール判定モデルを学習するリコール学習処理と、
をコンピュータに実行させるプログラム。
自動車の部品の不具合の情報を含む不具合記録と、前記部品のカテゴリの情報と、リコールの対象になった前記部品の情報と、を含むリコール学習用情報を受け取るリコール学習用情報受取処理と、
リコール判定モデルが部品の不具合の頻度と当該部品のカテゴリとから前記部品がリコールの対象となる可能性を判定するように、前記リコール学習用情報を使用して前記リコール判定モデルを学習するリコール学習処理と、
をコンピュータに実行させるプログラム。
【0164】
（付記３３）
リコール学習用情報受取処理は、前記部品の不具合の種類をさらに含む前記リコール学習用情報を受け取り、
前記リコール学習処理は、前記部品の不具合の種類をさらに含む前記リコール学習用情報を用いて、前記リコール判定モデルが、さらに前記部品の不具合の種類から、前記部品がリコールの対象となる前記可能性を判定するように、前記リコール判定モデルを学習する
付記３２に記載のプログラム。
リコール学習用情報受取処理は、前記部品の不具合の種類をさらに含む前記リコール学習用情報を受け取り、
前記リコール学習処理は、前記部品の不具合の種類をさらに含む前記リコール学習用情報を用いて、前記リコール判定モデルが、さらに前記部品の不具合の種類から、前記部品がリコールの対象となる前記可能性を判定するように、前記リコール判定モデルを学習する
付記３２に記載のプログラム。
【0165】
以上、実施形態を参照して本開示を説明したが、本開示は上記実施形態に限定されるものではない。本開示の構成や詳細には、本開示のスコープ内で当業者が理解し得る様々な変更をすることができる。
【符号の説明】
【0166】
１ 検出システム
１０ 検出装置
２０ 欠陥学習装置
３０ リコール学習装置
１００ 検出装置
１１０ 記録受取部
１１３ ステップ
１２０ 頻度情報抽出部
１３０ 欠陥推定部
１３３ 出力部
１４０ 要注意部品検出部
１５０ 出力部
１６０ リコール判定部
１７０ 候補抽出部
１８１ 欠陥推定モデル受取部
１８２ リコール判定モデル受取部
１９１ 個数算出部
１９２ 不具合数推定部
２００ 欠陥学習装置
２１０ 欠陥学習用情報受取部
２２０ 欠陥学習部
２３０ 欠陥推定モデル出力部
３００ リコール学習装置
３１０ リコール学習用情報受取部
３２０ リコール学習部
３３０ リコール判定モデル出力部
１０００ コンピュータ
１００１ プロセッサ
１００２ メモリ
１００３ 記憶装置
１００４ Ｉ／Ｏインタフェース
１００５ 記憶媒体
１０ 検出装置
２０ 欠陥学習装置
３０ リコール学習装置
１００ 検出装置
１１０ 記録受取部
１１３ ステップ
１２０ 頻度情報抽出部
１３０ 欠陥推定部
１３３ 出力部
１４０ 要注意部品検出部
１５０ 出力部
１６０ リコール判定部
１７０ 候補抽出部
１８１ 欠陥推定モデル受取部
１８２ リコール判定モデル受取部
１９１ 個数算出部
１９２ 不具合数推定部
２００ 欠陥学習装置
２１０ 欠陥学習用情報受取部
２２０ 欠陥学習部
２３０ 欠陥推定モデル出力部
３００ リコール学習装置
３１０ リコール学習用情報受取部
３２０ リコール学習部
３３０ リコール判定モデル出力部
１０００ コンピュータ
１００１ プロセッサ
１００２ メモリ
１００３ 記憶装置
１００４ Ｉ／Ｏインタフェース
１００５ 記憶媒体
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
【図15】
【図16】
【図17】