特開 2024-150338 機械学習モデルの再学習方法、演算装置

(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】P2024150338

(43)【公開日】2024-10-23

(54)【発明の名称】機械学習モデルの再学習方法、演算装置

(51)【国際特許分類】

   G06N 20/00 20190101AFI20241016BHJP

   G06F 1/3209 20190101ALI20241016BHJP

   G06F 1/3234 20190101ALI20241016BHJP

   G06F 1/20 20060101ALI20241016BHJP

【ＦＩ】

G06N20/00

G06F1/3209

G06F1/3234

G06F1/20 D

【審査請求】未請求

【請求項の数】8

【出願形態】ＯＬ

(21)【出願番号】P 2023063709

(22)【出願日】2023-04-10

(71)【出願人】

【識別番号】000005108

【氏名又は名称】株式会社日立製作所

(74)【代理人】

【識別番号】110002365

【氏名又は名称】弁理士法人サンネクスト国際特許事務所

(72)【発明者】

【氏名】河野 泰隆

【テーマコード（参考）】

5B011

【Ｆターム（参考）】

5B011DA01

5B011EA01

5B011EA02

5B011GG13

(57)【要約】

【課題】状況に応じて傾向の変化に追従しない再学習を可能とする。
【解決手段】機械学習モデルの再学習方法は、実際の物理量である実測値を取得する取得部、および物理量を推定する機械学習モデルを格納する記憶部を備える演算装置が実行する再学習方法であって、実測値の少なくとも一部である学習対象実測値を用いて機械学習モデルの再学習を行う学習処理と、実測値の傾向の変化を検知すると、傾向の変化に対する対策の要否を判断し、対策が不要と判断する場合には傾向が変化した期間における実測値も学習対象実測値に含めて学習処理を用いて再学習を行わせ、対策が必要であり対策が完了したと判断する場合には傾向が変化した期間における実測値を学習対象実測値に含めずに学習処理を用いて再学習を行わせる再学習判定処理と、を含む。
【選択図】図３

【特許請求の範囲】

【請求項1】

実際の物理量である実測値を取得する取得部、および前記物理量を推定する機械学習モデルを格納する記憶部を備える演算装置が実行する機械学習モデルの再学習方法であって、
前記実測値の少なくとも一部である学習対象実測値を用いて前記機械学習モデルの再学習を行う学習処理と、
前記実測値の傾向の変化を検知すると、前記傾向の変化に対する対策の要否を判断し、前記対策が不要と判断する場合には前記傾向が変化した期間における前記実測値も前記学習対象実測値に含めて前記学習処理を用いて前記再学習を行わせ、前記対策が必要であり前記対策が完了したと判断する場合には前記傾向が変化した期間における前記実測値を前記学習対象実測値に含めずに前記学習処理を用いて前記再学習を行わせる再学習判定処理と、を含む、機械学習モデルの再学習方法。

【請求項2】

請求項１に記載の機械学習モデルの再学習方法において、
前記再学習判定処理では、予め定められた法則に基づき前記対策の要否を判断し、前記対策が必要と判断する場合には前記対策を実行する、機械学習モデルの再学習方法。

【請求項3】

請求項１に記載の機械学習モデルの再学習方法において、
前記再学習判定処理では、ユーザへの問い合わせ結果に基づき前記対策の要否を判断する、機械学習モデルの再学習方法。

【請求項4】

請求項１に記載の機械学習モデルの再学習方法において、
前記再学習判定処理は、前記対策が必要であり前記対策が完了していないと判断する場合には、前記学習処理による前記再学習を停止させる、機械学習モデルの再学習方法。

【請求項5】

請求項１に記載の機械学習モデルの再学習方法において、
前記物理量は計算機を冷却する冷却装置の消費電力であり、
前記記憶部には、前記計算機の消費電力を推定する第２機械学習モデルがさらに格納され、
前記取得部は、前記計算機の消費電力に関するデータである計算機実測値をさらに取得し、
前記再学習判定処理では、前記傾向が変化した際に、前記計算機実測値と前記第２機械学習モデルの推定値との差の増減傾向と、前記実測値と前記機械学習モデルの推定値との差の増減傾向が一致すると、前記対策の要否を判断することなく前記学習処理を用いて前記再学習を行わせる、機械学習モデルの再学習方法。

【請求項6】

請求項１に記載の機械学習モデルの再学習方法において、
前記実測値をグループ化し、グループごとに前記実測値の代表値であるベースライン値を決定するプロフィール作成処理と、
前記実測値の傾向の変化を検知すると、グループに属する前記実測値の数が最も多い最大グループと、傾向の変化後の前記実測値に最も近いベースライン値を持つ最近傍グループと、を特定し、前記最大グループのベースライン値と前記最近傍グループのベースライン値との差であるオフセット値を算出し、傾向の変化後の前記実測値と前記オフセット値との和を用いて前記学習処理に前記再学習を行わせる学習データ補正処理と、
前記最近傍グループのベースライン値と、前記最大グループのベースライン値との差である第２のオフセット値を算出し、前記第２のオフセット値と、前記機械学習モデルの推定値との和を用いて、前記推定値の補正を行う推論結果補正処理を、さらに含む機械学習モデルの再学習方法。

【請求項7】

請求項６に記載の機械学習モデルの再学習方法において、
前記実測値の傾向の変化を検知すると、前記傾向の変化が矩形的であるか否かを判断し、前記判断の結果に基づき、前記実測値から前記学習処理に前記再学習を行わせる学習データの範囲を決定する処理、をさらに含む機械学習モデルの再学習方法。

【請求項8】

対象装置の消費電力を推定する機械学習モデルを格納する記憶部と、
前記対象装置の実際の消費電力に関するデータである実測値を取得する取得部と、
前記実測値の少なくとも一部である学習対象実測値を用いて前記機械学習モデルの再学習を行う学習部と、
前記実測値の傾向の変化を検知すると、前記傾向の変化に対する対策の要否を判断し、前記対策が不要と判断する場合には前記傾向が変化した期間における前記実測値も前記学習対象実測値に含めて前記学習部を用いて前記再学習を行わせ、前記対策が必要であり前記対策が完了したと判断する場合には前記傾向が変化した期間における前記実測値を前記学習対象実測値に含めずに前記学習部を用いて前記再学習を行わせる再学習判定部と、を備える演算装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、機械学習（ＭＬ：Machine Learning）モデルの再学習方法、および演算装置に関する。

【背景技術】

【0002】

近年、地球環境保護のため温室効果ガスの削減に対する需要がますます高まっている。それに伴い、大規模な電力需要家の１つであるデータセンタの電力効率改善が求められている。データセンタの電力効率を表す指標としてＰＵＥ（Power Usage Effectiveness）が広く知られている。ＰＵＥはデータセンタ全体の消費電力に占めるＩＴ機器の消費電力の割合を示す指標である。データセンタではＩＴ機器の消費電力と空調など冷却設備の消費電力の割合が多く、ＰＵＥを向上するには冷却設備の電力効率を改善することが有効である。データセンタの冷却設備の消費電力にはＩＴ機器の負荷や外気温の変動が影響を与えるが、その影響の程度はデータセンタ内のサーバルームごとに異なる。このような違いを踏まえて冷却設備の電力効率を改善するために機械学習を用いるアプローチがある。

【0003】

機械学習では推論する対象（目的変数）と、それに影響を与える要因（説明変数）との関係をデータから学習する。そのため機械学習モデルの振る舞いは学習に用いるデータによって決定される。消費電力のように時間変化を伴うデータ（時系列データ）を扱う機械学習モデルの場合、学習に用いたデータの特徴や傾向が時間経過に伴って変化することがある。このような変化は一般にコンセプトドリフトとして知られている。コンセプトドリフトの発生に対して機械学習モデルの推論精度を維持するためには継続した学習（再学習）が必要となる。特許文献１には、機械学習モデルのコンセプトドリフトが検出された際に、更新された学習データを用いてモデルを更新する構成が開示されている。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】米国特許出願公開第２０２１／０３９０４５５号明細書

【発明の概要】

【発明が解決しようとする課題】

【0005】

データセンタの各サーバルームにおけるＩＴ機器の消費電力（ＩＴ消費電力）と冷却設備の消費電力（冷却消費電力）とを予測する機械学習モデルを考える。当該機械学習モデルにおいてコンセプトドリフトを発生させる原因には、サーバルーム内のＩＴ機器の増減や変更、冷却設備の増減や変更、人手作業による冷却設備の設定変更などがある。人手作業による冷却設備の設定変更は必ずしも最適に行われるとは限らず、誤りを含んでいる可能性がある。また、冷却設備の機械的特性によっては、機械学習モデルの再学習では追随が困難なほど消費電力が急変化することがある。

【0006】

特許文献１に記載されている発明では、コンセプトドリフトの発生に対して上記を考慮した再学習要否を判断することなく機械学習モデルの再学習を行ってしまう。そのため、人手作業による冷却設備の誤った設定変更の結果として生じた消費電力の変動を学習することにより、その後の予測精度が劣化するおそれがある。また、機械学習モデルの再学習では追随が困難なほどの消費電力の急変化に対して再学習により追随しようとすることで、精度の低い予測結果が長期間に渡って出力され続けるおそれがある。

【0007】

本発明は、上記に鑑みてなされたものであり、機械学習モデルの再学習の要否を適切に判断することにより、状況に応じて傾向の変化に追従しない再学習を可能とすることを目的とする。

【課題を解決するための手段】

【0008】

本発明の第１の態様による再学習方法は、実際の物理量である実測値を取得する取得部、および前記物理量を推定する機械学習モデルを格納する記憶部を備える演算装置が実行する再学習方法であって、前記実測値の少なくとも一部である学習対象実測値を用いて前記機械学習モデルの再学習を行う学習処理と、前記実測値の傾向の変化を検知すると、前記傾向の変化に対する対策の要否を判断し、前記対策が不要と判断する場合には前記傾向が変化した期間における前記実測値も前記学習対象実測値に含めて前記学習処理を用いて前記再学習を行わせ、前記対策が必要であり前記対策が完了したと判断する場合には前記傾向が変化した期間における前記実測値を前記学習対象実測値に含めずに前記学習処理を用いて前記再学習を行わせる再学習判定処理と、を含む。
本発明の第２の態様による演算装置は、対象装置の消費電力を推定する機械学習モデルを格納する記憶部と、前記対象装置の実際の消費電力に関するデータである実測値を取得する取得部と、前記実測値の少なくとも一部である学習対象実測値を用いて前記機械学習モデルの再学習を行う学習部と、前記実測値の傾向の変化を検知すると、前記傾向の変化に対する対策の要否を判断し、前記対策が不要と判断する場合には前記傾向が変化した期間における前記実測値も前記学習対象実測値に含めて前記学習部を用いて前記再学習を行わせ、前記対策が必要であり前記対策が完了したと判断する場合には前記傾向が変化した期間における前記実測値を前記学習対象実測値に含めずに前記学習部を用いて前記再学習を行わせる再学習判定部と、を備える。

【発明の効果】

【0009】

本発明によれば、状況に応じて傾向の変化に追従しない再学習が可能となる。

【図面の簡単な説明】

【0010】

【図1】演算システムの全体構成図

【図2】演算システムの別形態である演算システムの全体構成図

【図3】管理計算機の構成図

【図4】データストアの構成図

【図5】モデル管理テーブルの一例を示す図

【図6】プロフィールテーブルの一例を示す図

【図7】冷却装置管理テーブルの一例を示す図

【図8】計算機管理テーブルの一例を示す図

【図9】データ収集処理を示すフローチャート

【図10】計算機モデル再学習判定処理を示すフローチャート

【図11】冷却装置モデル再学習判定処理を示すフローチャート

【図12】プロフィール生成処理を示すフローチャート

【図13】学習データ・推論結果補正処理を示すフローチャート

【図14】冷却装置モデル再学習判定プログラムの計算結果を示す画面出力図

【図15】図１４からの第１の遷移例を示す図

【図16】図１４からの第２の遷移例を示す図

【図17】図１４～図１６とは異なる状況における、冷却装置モデル再学習判定プログラムの計算結果を示す画面出力図

【発明を実施するための形態】

【0011】

―第１の実施の形態―
以下、図１～図１７を参照して、再学習方法および演算装置の第１の実施の形態を説明する。

【0012】

図１は、演算システム１００の全体構成図である。演算システム１００は、第１データセンタ１０００Ａと、第２データセンタ１０００Ｂと、計算環境２０００と、を含む。第１データセンタ１０００Ａと、第２データセンタ１０００Ｂと、計算環境２０００とは、広域ネットワーク９０００により接続される。計算環境２０００は、通信線８０００により接続される管理計算機５０００およびデータストア６０００を含む。

【0013】

第１データセンタ１０００Ａは、通信線８０００Ａにより接続される計算機３０００および冷却装置４０００を含む。第２データセンタ１０００Ｂは、通信線８０００Ｂにより接続される計算機３０００および冷却装置４０００を含む。第１データセンタ１０００Ａおよび第２データセンタ１０００Ｂに含まれる計算機３０００および冷却装置４０００は総称であり、本実施の形態では区別をしない。演算システム１００に含まれるデータセンタの数は２に限定されず、１でもよいし３以上でもよい。計算機３０００は、何らかの演算を行う装置であり演算内容は限定されない。計算機３０００には、コンピュータ、データストレージ装置、およびネットワークスイッチなどを含む。

【0014】

冷却装置４０００は電力を消費して、計算機３０００が発する熱を冷却する装置である。具体的な構成は限定されないが、冷媒を用いる空調機でもよいし冷却水を用いるチラーでもよい。計算機３０００は、単位時間当たりの演算量の増加により消費電力および発熱量が増加するので、室温を一定に保つためには冷却装置４０００の消費電力も増加する傾向にある。すなわち、計算機３０００の消費電力と冷却装置４０００の消費電力は正の相関を有すると言える。

【0015】

管理計算機５０００は、計算機３０００および冷却装置４０００を管理する。管理計算機５０００は、計算機３０００や冷却装置４０００の消費電力に関するデータを収集し、データストア６０００に格納する。計算機３０００、管理計算機５０００、およびデータストア６０００はベアメタル、すなわち物理的な装置でもよいし仮想マシンでもよい。

【0016】

図２は、演算システム１００の別形態である演算システム１００Ａの全体構成図である。図２に示す演算システム１００Ａは、演算システム１００と同様に計算機３０００、冷却装置４０００、管理計算機５０００、およびデータストア６０００を含むが、広域ネットワーク９０００を介さずに接続される点が異なる。以下に説明する構成は、演算システム１００および演算システム１００Ａのいずれにも適用できる。

【0017】

図３は、管理計算機５０００の構成図である。管理計算機５０００は、中央演算装置であるプロセッサ５１００と、揮発性の記憶装置であるメモリ５２００と、不揮発性の記憶装置である記憶装置５３００と、通信インタフェース５４００と、ＩＯデバイス５５００と、を含む。通信インタフェース５４００は、たとえばネットワークインタフェースカードである。ＩＯデバイス５５００は、たとえばマウス、キーボード、および液晶ディスプレイである。ＩＯデバイス５５００は、管理計算機５０００を使用する人間（以下、「ユーザ」と呼ぶ）への情報の提供、およびユーザからの入力の受付を行う。

【0018】

記憶装置５３００には、学習データ５３１０と、機械学習モデル集５３２０と、推論結果データ５３３０と、が格納される。学習データ５３１０は、機械学習モデルが学習に用いるデータである。詳しくは後述する。

【0019】

機械学習モデル集５３２０は、複数の機械学習モデルの集合である。機械学習モデル集５３２０に含まれるそれぞれの機械学習モデルは、モデル管理テーブル５２６０に記載される。それぞれの機械学習モデルはあらかじめ学習が行われているが、本実施の形態においても再学習が行われる。ただし常に再学習が行われるわけではなく、再学習の要否判断に基づき再学習が行われる。なお再学習とは、機械学習モデルを構成するパラメータの更新である。

【0020】

なお本実施の形態では機械学習モデル以外のモデルについて言及しないので、機械学習モデルを単に「モデル」とも呼ぶ。機械学習モデル集５３２０に含まれるモデルは、計算機３０００の消費電力を推定する計算機モデルと、冷却装置４０００の消費電力を推定する冷却装置モデルの２種類に大別される。なお以下では、冷却装置モデルを単に「機械学習モデル」と呼び、計算機モデルを「第２機械学習モデル」と呼ぶこともある。各モデルへ入力されるデータは特に限定されない。推論結果データ５３３０は、機械学習モデル集５３２０を用いて推論を行った結果であり、具体的には計算機３０００および冷却装置４０００の時刻ごとの消費電力である。

【0021】

メモリ５２００には、データ収集プログラム５２１０、学習プログラム５２２０、冷却装置制御プログラム５２３０、推論プログラム５２２５、モデル管理テーブル５２６０、プロフィールテーブル５２７０、計算機モデル再学習判定プログラム５２５１、冷却装置モデル再学習判定プログラム５２５２、プロフィール生成プログラム５２９０、および補正プログラム５２８０が格納される。

【0022】

データ収集プログラム５２１０は、計算機３０００および冷却装置４０００からデータを取得して、データストア６０００が有する冷却装置管理テーブル６３１０および計算機管理テーブル６３２０に格納する。本実施の形態ではデータ収集プログラム５２１０は定期的に実行される。データ収集プログラム５２１０が収集するデータには、少なくとも冷却装置４０００の消費電力量データと、計算機３０００の消費電力量データとを含む。ただしデータ収集プログラム５２１０は他のデータをさらに収集してもよい。

【0023】

学習プログラム５２２０は、学習データ５３１０を用いて機械学習モデルを生成または更新する。学習に用いるアルゴリズムは公知のもの、たとえばRandom Forestなどを用いることができる。学習プログラム５２２０は、ユーザにより実行される場合もあるし、計算機モデル再学習判定プログラム５２５１または冷却装置モデル再学習判定プログラム５２５２によって実行される場合もある。

【0024】

推論プログラム５２２５は、機械学習モデル集５３２０を用いて単位時間ごとの計算機３０００および冷却装置４０００の消費電力を推定し、推論結果データ５３３０として記憶装置５３００に格納する。推論プログラム５２２５の実行間隔が単位時間ごとであり、直後の単位時間における消費電力のみを推定してもよいし、複数の単位時間分の消費電力をまとめて推定してもよい。ただし機械学習モデル集５３２０が更新された場合には推論プログラム５２２５は更新後の冷却装置モデルを用いて改めて消費電力を推定する。本実施の形態では、単位時間を１時間とする。

【0025】

冷却装置制御プログラム５２３０は冷却装置４０００の稼働を計画および制御する。たとえば冷却装置制御プログラム５２３０は、空調の温度や湿度の設定、ファンの回転数、水冷ポンプの流量などを制御する。冷却装置制御プログラム５２３０が採用する制御アルゴリズムは公知のものであり、動作フローは図示しない。

【0026】

計算機モデル再学習判定プログラム５２５１は、機械学習モデル集５３２０に含まれる計算機モデルのそれぞれについて再学習の要否を判定する。冷却装置モデル再学習判定プログラム５２５２は、機械学習モデル集５３２０に含まれる冷却装置モデルの再学習の要否を判定する。プロフィール生成プログラム５２９０は、後述するプロフィールを生成する。補正プログラム５２８０は、モデルが推定した消費電力の補正、およびモデルの学習において多くのデータが利用できるようにデータの補正を行う。計算機モデル再学習判定プログラム５２５１、冷却装置モデル再学習判定プログラム５２５２、プロフィール生成プログラム５２９０、および補正プログラム５２８０の動作は後に詳述する。

【0027】

図４は、データストア６０００の構成図である。データストア６０００は、中央演算装置であるプロセッサ６１００と、揮発性の記憶装置でありデータ入出力プログラム６２１０を格納するメモリ６２００と、不揮発性の記憶装置である記憶装置６３００と、通信インタフェース６４００と、を含む。通信インタフェース６４００は、たとえばネットワークインタフェースカードである。

【0028】

データ入出力プログラム６２１０は、ネットワークを介して冷却装置管理テーブル６３１および計算機管理テーブル６３２０へのデータの入出力を行うためのプログラムである。データの入出力を行うための方法は公知のものであり、たとえばＲＥＳＴやＧｒａｐｈＱＬなどのＡＰＩを使う方法や、ＮＦＳやｉＳＣＳＩやＦＴＰなどのデータ送受信プロトコルを使う方法などがある。データ入出力プログラム６２１０の動作の詳細説明は省略する。

【0029】

図５は、モデル管理テーブル５２６０の一例を示す図である。モデル管理テーブル５２６０は複数のレコードから構成され各レコードは、モデルＩＤ５２６１、モデルバージョン５２６２、推論対象ＩＤ５２６５、再学習一時停止フラグ５２６６、および予測結果補正フラグ５２６７のフィールドを有する。

【0030】

モデルＩＤ５２６１は、モデルを識別するための識別子である。この例ではモデルＩＤ５２６１は、「Ｍ－」と、「Ｃｏｏｌｉｎｇ」および「Ｓｅｒｖｅｒ」のいずれかと、数字との組み合わせである。詳しくは後述するが、「Ｍ－」に続く「Ｃｏｏｌｉｎｇ」および「Ｓｅｒｖｅｒ」はモデルの種類を表している。モデルバージョン５２６２は、モデルのバージョンを表す。再学習が完了するとモデルバージョン５２６２の値が「１」だけ増加する。本実施例では、再学習は各モデルの最も新しいバージョンを対象に行われる。ただし各モデルの最も新しいバージョン以外を対象として再学習を行ってもよい。また本実施例では、消費電力の推定は各モデルの最も新しいバージョンを用いて行われる。ただし各モデルの最も新しいバージョン以外を用いて、または２つ以上の異なるバージョンのモデルを併用して推定を行ってもよい。

【0031】

推論対象ＩＤ５２６５は、モデルの推論対象を示す識別子である。推論対象ＩＤ５２６５に「Ｃｏｏｌｉｎｇ」を含むものはいずれかの冷却装置４０００である。推論対象ＩＤ５２６５に「Ｓｅｒｖｅｒ」を含むものはいずれかの計算機３０００である。なお、複数の冷却装置４０００または複数の計算機３０００をグルーピングしたものを推論対象としてもよい。たとえば複数の冷却装置４０００をグルーピングしたものを仮想的に１台の冷却装置として、その識別子を推論対象ＩＤ５２６２に格納してもよい。このような方法は、たとえば冷却装置ごとの消費電力を計測できず、サーバルーム内の複数の冷却装置の消費電力の合計のみ計測できる場合などに有効である。再学習一時停止フラグ５２６６は、再学習を一時停止するか否かを示すフラグである。再学習一時停止フラグ５２６６は、「１」が一時停止を意味し、「０」が再学習の継続を意味する。本実施例において、再学習一時停止フラグ５２６６の初期値は「０」であるとする。推論結果補正フラグ５２６７は、モデルが出力した推論結果（消費電力の予測値）を補正するか否かを示すフラグである。推論結果補正フラグ５２６７は、「１」が補正要を意味し、「０」が補正不要を意味する。推論結果の補正方法の説明は図１３を用いて後述する。

【0032】

図６は、プロフィールテーブル５２７０の一例を示す図である。本実施例においてプロフィールとは、冷却装置の消費電力を似た特性のものでまとめたグループのことである。本実施例では特に、冷却装置の機械的特性によって消費電力が矩形的に変化しうることを鑑みて、矩形的な変化をする消費電力データを管理する目的でプロフィールテーブル５２７０を用いる。プロフィールテーブル５２７０は複数のレコードから構成され各レコードは、装置ＩＤ５２７１、プロフィールＩＤ５２７２、およびベースライン５２７５のフィールドを有する。装置ＩＤ５２７１は、冷却装置管理テーブル６３１０における冷却装置ＩＤ６３１１または計算機管理テーブル６３２０における計算機ＩＤ６３２１と同様に冷却装置または計算機を識別する識別子である。

【0033】

プロフィールＩＤ５２７２は、プロフィールの識別子であり、０以上の整数を用いている。ただしプロフィールが存在しない装置はプロフィールＩＤ５２７２が「-１」と記載される。本実施例では、消費電力が矩形的に変化しない冷却装置が、プロフィールが存在しない装置に該当する。なおプロフィールＩＤ５２７２が「０」のプロフィールを「基準プロフィール」とも呼ぶ。ベースライン５２７５は、各プロフィールに含まれる消費電力データの平均値である。ただしプロフィールが存在しない装置のレコードはベースライン５２７５に「-１」と記載される。

【0034】

図７は、冷却装置管理テーブル６３１０の一例を示す図である。冷却装置管理テーブル６３１０は複数のレコードから構成され各レコードは、冷却装置ＩＤ６３１１、プロフィールＩＤ６３１２、消費電力量６３１３、および無効フラグ６３１４のフィールドを有する。冷却装置ＩＤ６３１１は、冷却装置４０００を識別する識別子であり、図５における推論対象ＩＤ５２６５にも同じ値が用いられる。なお図５の説明で述べたように、複数の冷却装置４０００をグルーピングしたものを仮想的に１台の冷却装置として、その識別子を冷却装置ＩＤ６３１１および推論対象ＩＤ５２６２に格納してもよい。

【0035】

プロフィールＩＤ６３１２はプロフィールの識別子であり、プロフィールテーブル５２７０におけるプロフィールＩＤ５２７２と同一である。消費電力量６３１３は、日時と消費電力の組み合わせである。図７に示す例では時刻は１時間刻みであるが、１分や１秒の単位でもよい。無効フラグ６３１４は、該当行の消費電力量６３１３を再学習に用いないことを示すフラグである。無効フラグ６３１４は、「１」がそのレコードの値を再学習に用いないことを意味し、「０」がそのレコードの値を再学習に用いることを意味する。

【0036】

図８は、計算機管理テーブル６３２０の一例を示す図である。計算機管理テーブル６３２０は複数のレコードから構成され各レコードは、計算機ＩＤ６３２１、プロフィールＩＤ６３２２、消費電力量６３２３、および無効フラグ６３２４のフィールドを有する。計算機ＩＤ６３２１は計算機３０００を識別する識別子であり、図５における推論対象ＩＤ５２６５にも同じ値が用いられる。複数の計算機３０００をグルーピングしたものを仮想的に１台の計算機として、その識別子を計算機ＩＤ６３２１および推論対象ＩＤ５２６２に格納してもよい。プロフィールＩＤ６３２２、消費電力量６３２３、および無効フラグ６３２４は、図７に示したプロフィールＩＤ６３１２、消費電力量６３１３、および無効フラグ６３１４と同一の意味なので説明を省略する。

【0037】

図９は、データ収集プログラム５２１０が実行するデータ収集処理を示すフローチャートである。データ収集プログラム５２１０は、まずステップＳ３１０においていずれかの管理対象からメトリクスデータを取得する。データ収集プログラム５２１０は、ステップＳ３１１において取得したメトリクスデータを冷却装置管理テーブル６３１０または計算機管理テーブル６３２０に格納する。具体的にはデータ収集プログラム５２１０は、ステップＳ３１０において冷却装置４０００のメトリクスデータを取得した場合には冷却装置管理テーブル６３１０に格納し、ステップＳ３１０において計算機３０００のメトリクスデータを取得した場合には計算機管理テーブル６３２０に格納する。

【0038】

続くステップＳ３１２ではデータ収集プログラム５２１０は、データ未取得の管理対象が存在するか否かを判断する。データ収集プログラム５２１０は、データ未取得の管理対象が存在すると判断する場合にはステップＳ３１０に戻り、データ未取得の管理対象が存在しないと判断する場合には図９に示す処理を終了する。

【0039】

図１０は、計算機モデル再学習判定プログラム５２５１が実行する計算機モデル再学習判定処理を示すフローチャートである。計算機モデル再学習判定プログラム５２５１は、モデル管理テーブル５２６０における「Ｍ－Ｓｅｒｖｅｒ」で始まる各モデルを対象に図１０に示す処理を実行する。まずステップＳ３２０において計算機モデル再学習判定プログラム５２５１は、計算機３０００の消費電力の予測値を推論結果データ５３３０から取得する。

【0040】

続くステップＳ３２１では計算機モデル再学習判定プログラム５２５１は、予測値に対応する時刻の実測値を計算機管理テーブル６３２０から取得する。続くステップＳ３２２では計算機モデル再学習判定プログラム５２５１は、公知の手法によりコンセプトドリフトの有無を判定する。たとえば計算機モデル再学習判定プログラム５２５１は予測値と実測値との差である予測誤差を算出し、予測誤差が所定の閾値以上の場合にコンセプトドリフトが発生したと判定してもよい。また実測値だけを用いて、機械学習モデルの学習に用いたデータと、最近のデータの統計量をそれぞれ算出し、両者の間に有意な差があればコンセプトドリフトが発生したと判定してもよい。

【0041】

続くステップＳ３２３では計算機モデル再学習判定プログラム５２５１は、ステップＳ３２２の判定結果がコンセプトドリフト有りであったか否かを判断し、コンセプトドリフト有りであったと判断する場合はステップＳ３２４に進み、コンセプトドリフト無しであったと判断する場合には図１０に示す処理を終了する。ステップＳ３２４では計算機モデル再学習判定プログラム５２５１は、再学習用のデータを決定し、学習プログラム５２２０を用いてモデルを再学習させる。具体的には計算機モデル再学習判定プログラム５２５１は、現在時刻から所定の範囲内であり、かつ無効フラグ６３１４が「０」であるデータを用いてモデルの再学習をさせる。

【0042】

図１１は、冷却装置モデル再学習判定プログラム５２５２が実行する冷却装置モデル再学習判定処理を示すフローチャートである。本実施例では、冷却装置モデル再学習判定プログラム５２５２は冷却装置モデル再学習判定処理を定期的に実行する。冷却装置モデル再学習判定プログラム５２５２は、モデル管理テーブル５２６０における「Ｍ－Ｃｏｏｌｉｎｇ」で始まる各モデルを対象に図１１に示す処理を実行する。以下では対象の機械学習モデルを「対象冷却モデル」と呼び、対象冷却モデルが推論の対象としている冷却装置４０００を「対象冷却装置」と呼ぶ。

【0043】

ステップＳ３３０では冷却装置モデル再学習判定プログラム５２５２は、モデル管理テーブル５２６０における再学習一時停止フラグ５２６６を参照し、対象冷却モデルの再学習一時停止フラグ５２６６が「１」であるか否かを判断する。冷却装置モデル再学習判定プログラム５２５２は、再学習一時停止フラグ５２６６が「１」であると判断する場合はステップＳ３３１０に進み、再学習一時停止フラグ５２６６が「１」ではない、すなわち「０」であると判断する場合はステップＳ３３１に進む。

【0044】

ステップＳ３３１では冷却装置モデル再学習判定プログラム５２５２は、対象冷却モデルの推論対象ＩＤ５２６５に対応する冷却装置４０００、すなわち対象冷却装置の消費電力の予測値を推論結果データ５３３０から取得する。続くステップＳ３３２では冷却装置モデル再学習判定プログラム５２５２は、ステップＳ３３１において取得した予測値に対応する時刻の実測値を冷却装置管理テーブル６３１０から取得する。続くステップＳ３３３では冷却装置モデル再学習判定プログラム５２５２は、コンセプトドリフトの有無を判断する。続くステップＳ３３４では冷却装置モデル再学習判定プログラム５２５２は、ステップＳ３３３の判断結果がコンセプトドリフト有りであったと判断する場合はステップＳ３３５に進み、コンセプトドリフト無しであったと判断する場合は図１１に示す処理を終了する。

【0045】

ステップＳ３３５では冷却装置モデル再学習判定プログラム５２５２は、対象冷却装置の予実差と、計算機３０００の予実差の傾向が一致するか否かを判断する。たとえば対象冷却装置と計算機３０００のそれぞれについて、予測値から実測値を引いた値を、おおよそゼロ、プラス、マイナスのいずれかに分類する。ただし「おおよそゼロ」の範囲はあらかじめ定めた範囲である。そして、対象冷却装置の予実差の分類と、計算機３０００の予実差の分類が一致すればステップＳ３３５は肯定判断される。なお、一定の期間において上記の分類を行い、分類結果の最頻値同士が一致するか否かで判断してもよい。冷却装置モデル再学習判定プログラム５２５２は、ステップＳ３３５を肯定判断する場合にはステップＳ３３９に進み、ステップＳ３３５を否定判断する場合にはステップＳ３３６に進む。

【0046】

ステップＳ３３６では冷却装置モデル再学習判定プログラム５２５２は、モデル管理テーブル５２６０における対象冷却モデルの再学習一時停止フラグ５２６６に「１」を設定する。続くステップＳ３３７では冷却装置モデル再学習判定プログラム５２５２は、ユーザまたは冷却装置制御プログラム５２３０に予測に反する消費電力の変動の発生を通知してステップＳ３３１０に進む。本実施例では、ユーザはデータセンタの運用管理者である。

【0047】

ステップＳ３３８では冷却装置モデル再学習判定プログラム５２５２は、冷却装置モデル再学習判定プログラム５２５２における対象冷却モデルの再学習一時停止フラグ５２６６に「０」を設定してステップＳ３３１２に進む。ステップＳ３３１２では冷却装置モデル再学習判定プログラム５２５２は、プロフィール生成プログラム５２９０のプロフィール生成処理を呼び出してステップＳ３３９に進む。プロフィール生成処理の説明は図１２を用いて後述する。

【0048】

ステップＳ３３９では冷却装置モデル再学習判定プログラム５２５２は、冷却装置管理テーブル６３１０の無効フラグ６３１４が「０」のレコードから再学習用データを決定し、学習プログラム５２２０にモデルを再学習させる。たとえば冷却装置モデル再学習判定プログラム５２５２は、無効フラグ６３１４が「０」であり、かつ現在時刻から３０日以内のデータを用いて再学習させる。続くステップＳ３３１３では冷却装置モデル再学習判定プログラム５２５２は、再学習により生成された冷却装置モデルの情報をモデル管理テーブル５２６０に登録する。このとき、推論結果補正フラグ５２６７には、ステップＳ３３１２で呼び出したプロフィール生成処理のステップＳ３４２の判断結果に応じた値を格納する。具体的には、プロフィール生成プログラム５２９０がプロフィール生成処理のステップＳ３４２にて「矩形的である」と判断した場合は推論結果補正フラグ５２６７に「１」を格納し、「矩形的でない」と判断した場合は「０」を格納する。

【0049】

ステップＳ３３１０では冷却装置モデル再学習判定プログラム５２５２は、発生した予測に反する消費電力の変動に対する対策が行われたか否かを判断する。具体的には、たとえば冷却装置の消費電力の実測値が予測値を超過した状況で、冷却装置の設定温度を上げる操作が行われ、その後の実測値が予測値に近い値に変化すれば、対策が行われたと判断する。本実施の形態では、ＩＯデバイス５５００を用いてユーザに問い合わせを行い、その回答に基づき本ステップの処理を決定する。なお、ステップＳ３３６にてコンセプトドリフトの発生を冷却装置制御プログラム５２３０に通知した場合は、冷却装置制御プログラム５２３０によって行われた制御の内容を冷却装置モデル再学習判定プログラム５２５２が受信し、その内容に基づき本ステップの処理を決定する。冷却装置モデル再学習判定プログラム５２５２は、対策の実行が完了したと判断する場合はステップＳ３３１１に進み、対策が不要と判断する場合はステップＳ３３８に進む。一定時間の間にユーザまたは冷却装置制御プログラム５２３０から対策の実施に関する回答が得られなかった場合は、ステップＳ３３１０の判断は「未定」となり、図１１に示す処理を終了する。この場合、冷却装置モデル再学習判定処理の次回実行時には、ステップＳ３３０で対象冷却モデルの再学習一時停止フラグ５２６６が「１」であると判断され、再びステップＳ３３１０が実行される。

【0050】

ステップＳ３３１１では冷却装置モデル再学習判定プログラム５２５２は、冷却装置管理テーブル６３１０における対象冷却装置のデータのうち、コンセプトドリフト発生期間中のデータの無効フラグ６３１４に「１」を設定してステップＳ３３８に進む。

【0051】

図１２は、プロフィール生成プログラム５２９０によるプロフィール生成処理を示すフローチャートである。プロフィール生成プログラム５２９０は、まずステップＳ３４０において冷却装置管理テーブル６３１０から対象冷却装置の消費電力の実測値を取得する。続くステップＳ３４１ではプロフィール生成プログラム５２９０は、実測値の変動が矩形的であるか否かを判定する。たとえばプロフィール生成プログラム５２９０は、実測値の変化量（時間軸上での１つ前のデータ点との差）を算出し、当該変化量のデータ分布の尖度が予め定められた閾値を超過した場合に実測値の変動が矩形的であると判断する。あるいはプロフィール生成プログラム５２９０は、１時間ごとの実測値の変化幅を評価し、変化幅が小さい時間帯同士の間に変化幅が大きい時間帯が存在すると実測値の変動が矩形的であると判断してもよい。

【0052】

続くステップＳ３４２ではプロフィール生成プログラム５２９０は、ステップＳ３４１において矩形的であると判断する場合にはステップＳ３４３に進み、矩形的ではないと判断した場合にはステップＳ３４９に進む。ステップＳ３４３ではプロフィール生成プログラム５２９０は、再学習の対象とするデータ期間を最古から最新のデータとする。続くステップＳ３４４ではプロフィール生成プログラム５２９０は、冷却装置４０００の消費電力の実測値を値の大きさによりグループ化する。このグループは「プロフィール」とも呼ばれる。消費電力の実測値をグループ化する方法には、たとえばｋ－ｍｅａｎｓ法などの公知のクラスタリング手法を用いる方法がある。

【0053】

続くステップＳ３４５ではプロフィール生成プログラム５２９０は、各グループに属するデータからそれぞれのベースラインを算出する。本実施例では、各グループに属するデータの平均値をベースラインとする。続くステップＳ３４６ではプロフィール生成プログラム５２９０は、データ数が最大のグループ（以下、「デフォルトグループ」と呼ぶ）のデータを再学習用のデータに選定する。続くステップＳ３４７ではプロフィール生成プログラム５２９０は、グループに属するデータと、ベースラインとの組み合わせに対してプロフィールＩＤを付与して、プロフィールテーブル５２７０を作成または更新する。続くステップＳ３４８ではプロフィール生成プログラム５２９０は、ステップＳ３４２で矩形的であると判断したデータについて、冷却装置管理テーブル６３１０のプロフィールＩＤ６３１２に、該当データが属するグループのプロフィールＩＤを設定し図１２に示す処理を終了する。

【0054】

ステップＳ３４９ではプロフィール生成プログラム５２９０は、再学習の対象とするデータ期間を現在時刻から所定の範囲内（たとえば３０日以内など）とする。続くステップＳ３５０ではプロフィール生成プログラム５２９０は、ステップＳ３４２で矩形的でないと判断したデータについて、冷却装置管理テーブル６３１０のプロフィールＩＤ６３１２に「-１」を格納し図１２に示す処理を終了する。

【0055】

図１３は、補正プログラム５２８０による学習データ・推論結果補正処理を示すフローチャートである。本実施例では、推論プログラム５２２５が機械学習モデルを用いた推論処理（消費電力の予測処理）を行った後に、推論プログラム５２２５によって本処理が呼び出される。補正プログラム５２８０は、まずステップＳ３６０において、冷却装置４０００の消費電力の予測値を推論結果データ５３３０から取得する。続くステップＳ３６９では補正プログラム５２８０は、ステップＳ３６０において取得した予測値に対応する時刻の実測値を冷却装置管理テーブル６３１０から取得する。

【0056】

続くステップＳ３６１では補正プログラム５２８０は、コンセプトドリフトの有無を判定する。続くステップＳ３６２では補正プログラム５２８０は、ステップＳ３６１の判定結果がコンセプトドリフト有りで、かつ推論結果の補正が必要か否かを判断し、コンセプトドリフト有りでかつ推論結果の補正が必要と判断する場合はステップＳ３６３に進み、コンセプトドリフト無しまたは推論結果の補正が不要と判断する場合には図１３に示す処理を終了する。

【0057】

ステップＳ３６３では補正プログラム５２８０は、ステップＳ３６９で取得した冷却装置４０００の消費電力の実測値に最も近いベースラインを持つグループ（以下では「最近傍グループ」と呼ぶ）を特定する。以下では、最近傍グループのベースラインの値を「ｂ１」と呼ぶ。続くステップＳ３６４では補正プログラム５２８０は、最近傍グループがデータ数最大のグループであるか否かを判断する。補正プログラム５２８０は、最近傍グループがデータ数最大のグループであると判断する場合はステップＳ３６６に進み、最近傍グループがデータ数最大のグループではないと判断する場合はステップＳ３６５に進む。

【0058】

ステップＳ３６５では補正プログラム５２８０は、最大グループのベースラインの値である「ｂ２」と、前述のｂ１の差である（ｂ２－ｂ１）を実測値に加算した値を再学習用のデータ候補に追加しステップＳ３６７に進む。ステップＳ３６６では補正プログラム５２８０は、実測値を再学習用のデータ候補に追加してステップＳ３６７に進む。ステップＳ３６７では補正プログラム５２８０は、前述のｂ１と最大グループのベースライン（ｂ２）の差（ｂ１－ｂ２）をステップＳ３６０で取得した予測値に加算して図１３に示す処理を終了する。

【0059】

図１４は、冷却装置モデル再学習判定プログラム５２５２の計算結果を示す画面出力図である。この画面出力では、再学習要否の判定結果、および判定の根拠が示される。出力画面５２５０Ａの上部には、符号５２５０Ａ１において、モデルの概要である管理対象、ＭＬモデル、およびＭＬモデル再学習状態が記載されている。具体的には、対象とする機械学習モデルの識別子であるモデルＩＤ５２６１と、当該モデルのバージョン５２６２が「ＭＬモデル」の欄に記載され、そのモデルが推論対象とする機器である推論対象ＩＤ５２６５が「管理対象」の欄に記載され、再学習一時停止フラグ５２６６に対応する状態が「ＭＬモデル再学習状態」の欄に記載される。

【0060】

符号５２５０Ａ２で示す時系列図では、図１１のＳ３３１で得られる推定値を点線で示し、Ｓ３３２で得られる実測値を実線で示している。途中までは両者が近い値であるため破線の表示を省略している。この時系列図では、ステップＳ３３４においてコンセプトドリフトがあると判断された場合を示している。

【0061】

符号５２５０Ａ３および５２５０Ａ４は、ステップＳ３３７における通知の内容を示している。具体的には、符号５２５０Ａ３は冷却装置４０００の運用管理の観点での通知であり、符号５２５０Ａ４は機械学習モデルの運用管理の観点での通知である。なおここでは符号５２５０Ａ２～５２５０Ａ４に示すデータが画面に表示されたが、符号５２５０Ａ２～５２５０Ａ４に示すデータをログとして出力してもよい。

【0062】

図１４の下部に示す、符号５２５０Ａ５、５２５０Ａ６、および５２５０Ａ７のボタンはステップＳ３３１０における条件分岐に対応している。具体的には、符号５２５０Ａ５で示す「対策完了」は「ＹＥＳ」に対応し、符号５２５０Ａ６で示す「対策不要」は「ＮＯ」に対応し、符号５２５０Ａ７で示す「後で対策」は「未完」に対応する。なお、図１１の説明で述べたように、ステップＳ３３６にてコンセプトドリフトの発生を冷却装置制御プログラム５２３０に通知した場合は、冷却装置制御プログラム５２３０によって行われた制御の内容を冷却装置モデル再学習判定プログラム５２５２が受信し、その内容に基づき本ステップの処理を決定する。この場合、符号５２５０Ａ５、５２５０Ａ６、および５２５０Ａ７のボタンは表示しなくてもよい。

【0063】

図１５は、図１４からの第１の遷移例を示す図である。具体的には図１５は、図１４に示す状態においてユーザが「Ｃｏｏｌｉｎｇ－０１」の設定を変更し、符号５２５０Ａ５で示す「対策完了」のボタンを押した後の画面表示を示している。ユーザが「Ｃｏｏｌｉｎｇ－０１」の設定を変更したので実線で示す実測値が低下し、予測値に近い値となっている。ユーザが「対策完了」のボタンを押したので、図１１のステップＳ３３１０では「ＹＥＳ」に進み、ステップＳ３３１１、ステップＳ３３８、ステップＳ３３１２、ステップＳ３３９、およびステップＳ３３１３が実行される。ステップＳ３３１１の処理により、符号５２５０Ｂ４で示す欄に記載されているように、コンセプトドリフトの発生期間中のデータが学習から除かれる。また、ステップＳ３３８の処理により再学習一時停止フラグ５２６６が「０」に設定され、再学習が開始される。

【0064】

図１６は、図１４からの第２の遷移例を示す図である。具体的には図１６は、図１４に示す状態においてユーザが対処不要と判断して冷却装置４０００の設定を変更せず、符号５２５０Ａ６で示す「対策不要」のボタンを押した後の画面表示を示している。この場合には、ユーザが「対策不要」のボタンを押したので、図１１のステップＳ３３１０では「不要」に進み、ステップＳ３３８、ステップＳ３３１２、ステップＳ３３９、およびステップＳ３３１３が実行される。ステップＳ３３８の処理により再学習一時停止フラグ５２６６が「０」に設定され、再学習が開始される。

【0065】

図１７は、図１４～図１６とは異なる状況における、補正プログラム５２８０の計算結果を示す画面出力図である。符号５２５０Ｄ２で示す時系列図では、図１２のステップＳ３４０において取得した実測値、ステップＳ３４７において付与したプロフィールＩＤを示している。図１７では省略しているが、ステップＳ３４５において算出したベースラインを表示してもよい。また図１７に示す状況では、図１３のステップＳ３６２においてコンセプトドリフトあり、かつ推論結果補正要と判断されたものとする。また、プロフィールＩＤが「０」のグループが最もデータ数の多い最大グループであるとする。

【0066】

図１７に示す状況では、実測値のプロフィールＩＤが「０」から「１」に変化し、ステップＳ３６３においてプロフィールＩＤが「１」のグループを実測値に最も近いベースラインを有するグループ（最近傍グループ）として特定する。さらに、ステップＳ３６７において、プロフィールＩＤが「１」の最近傍グループのベースライン（ｂ１）と、プロフィールＩＤが「０」の最大グループのベースライン（ｂ２）との差（ｂ１-ｂ２）を予測値に対して加えることで予測値を補正している。

【0067】

上述した第１の実施の形態によれば、次の作用効果が得られる。
（１）実際の物理量である実測値を取得する取得部とも呼べるデータ収集プログラム５２１０、および物理量を推定する機械学習モデルである冷却装置モデルを格納する記憶装置５３００を備える管理計算機５０００は以下の再学習方法を実行する。この再学習方法は、学習プログラム５２２０が実行する実測値の少なくとも一部である学習対象実測値を用いて機械学習モデルの再学習を行う学習処理と、図１１を参照して説明したように冷却装置モデル再学習判定プログラム５２５２が実行する冷却装置モデル再学習判定処理が含まれる。冷却装置モデル再学習判定は、実測値の傾向の変化であるコンセプトドリフトを検知すると（図１１のＳ３３４：ＹＥＳ）、傾向の変化に対する対策の要否を判断し（Ｓ３３１０）、対策が不要と判断する場合には傾向が変化した期間における実測値も学習対象実測値に含めて学習処理を用いて再学習を行わせ（Ｓ３３８、Ｓ３３１２、Ｓ３３９、Ｓ３３１３）、対策が必要であり対策が完了したと判断する場合には傾向が変化した期間における実測値を学習対象実測値に含めずに学習処理を用いて再学習を行わせる（Ｓ３３１１、Ｓ３３８、Ｓ３３１２、Ｓ３３９、Ｓ３３１３）。そのため、状況に応じて傾向の変化に追従しない再学習が可能となる。具体的には、図１１のＳ３３１１においてコンセプトドリフト発生期間中のデータの無効フラグに「１」を設定するので、当該期間のデータが学習に用いられない。そのためたとえば、コンセプトドリフトがデータセンタ運用者の操作ミスなどで発生した場合に、操作ミスの影響で変化した実測値を学習の対象としないので、次回以降の操作ミスによる実測値の変化を検出できる。

【0068】

（２）再学習判定処理では、ユーザへの問い合わせ結果に基づき対策の要否を判断する。そのため、対策の要否を確実に判断できる。

【0069】

（３）再学習判定処理は、対策が必要であり対策が完了していないと判断する場合には、学習処理による再学習を停止させる（Ｓ３３６）。そのため、対策が完了するまでモデルの更新を停止できる。

【0070】

（４）記憶装置５３００には、計算機３０００の消費電力を推定する計算機モデルがさらに格納される。データ収集プログラム５２１０は、計算機３０００の消費電力に関するデータである計算機実測値をさらに取得する。再学習判定処理では、傾向が変化した際に、計算機実測値と第２機械学習モデルの推定値との差の増減傾向と、実測値と機械学習モデルの推定値との差の増減傾向が一致すると（図１１のＳ３３５：ＹＥＳ）、対策の要否を判断することなく学習処理を用いて再学習を行わせる（Ｓ３３９）。冷却装置モデルが出力する推定値が実測値と異なる場合であっても、計算機モデルの推定値と計算機３０００の消費電力の差の傾向が同一であれば、計算機３０００の急激な演算の増加または減少が冷却装置４０００の消費電力の変化を生じさせたと推測できる。このような場合は問題がないと判断できるため、対策が不要な場合（Ｓ３３１０：不要、の場合）と同様に扱うことができる。

【0071】

（５）冷却装置４０００の管理計算機５０００が実行する再学習方法は、プロフィール生成プログラム５２９０が実行する、消費電力の実測値をグループ化し、グループごとに実測値の代表値であるベースライン値を決定するプロフィール作成処理（図１２）と、補正プログラム５２８０が実行する、実測値の最近傍グループのベースラインと最大グループのベースライン値との差との和を用いて推論結果を補正する推論結果補正処理（図１３のＳ３６７）と、を含む。そのため、機械学習モデルの再学習では追従困難なほどの消費電力の急変化（矩形的な変化）に対して、再学習により追随しようとすることを回避でき、精度の高い推論結果を出力することができる。また、冷却装置４０００の管理計算機５０００が実行する再学習方法は、プロフィール生成プログラム５２９０が実行する、実測値の変化が矩形的であると判断した場合に再学習データ期間を最古から最新のデータとする処理（図１２のＳ３４３）と、補正プログラム５２８０が実行する、最大グループのベースライン値と、実測値の最近傍グループのベースラインとの差との和を用いて学習処理に用いるデータを補正する学習データ補正処理（図１３のＳ３６５）と、を含む。そのため再学習に多くのデータを用いることができる。

【0072】

（６）冷却装置４０００の管理計算機５０００が実行する再学習方法は、プロフィール生成プログラム５２９０が実行するプロフィール作成処理（図１２）と、補正プログラム５２８０が実行する推論結果補正処理（図１３のＳ３６７）と、補正プログラム５２８０が実行する、学習データ補正処理（図１３のＳ３６５）と、を継続的に実行する（図１１のＳ３３１２）。そのため、実測値が矩形的に変化する状況から実測値が矩形的に変化しない状況への変化、またはその逆の変化が発生した場合でも、推論結果や学習データの補正が必要か否かを適切に判断することができる。

【0073】

（変形例１）
上述した実施の形態では、図１１のステップＳ３３１０においてユーザに対策の要否を問い合わせた。しかし管理計算機５０００が対策の要否を判断し、対策が必要と判断する場合には冷却装置制御プログラム５２３０を用いて対策を実行してもよい。この場合は、冷却装置制御プログラム５２３０による対策が完了すると図１１のステップＳ３３１０において「ＹＥＳ」に進み、処理が継続する。

【0074】

管理計算機５０００による対策の要否判断は公知の様々な手法を用いることができる。たとえば、あらかじめ収集した過去の実測値と予測値の差の時系列と、対策要否との関係を示すデータベースを参照してもよい。たとえば冷却装置の消費電力の実測値が予測値を一定以上超過し、かつ計算機の消費電力の実測値が予測値と同程度か、または実測値が予測値を一定以上下回る場合には、冷却設備の設定温度を上げるという対策が必要であるという関係を当該データベースに保持して利用してもよい。また、計算機３０００および冷却装置４０００の消費電力以外のデータを取得して所定の数式に基づき対策の要否を判断してもよい。たとえば外気温データを取得して、冷却装置の消費電力の実測値が予測値を一定以上超過し、かつ外気温が前年同期の値と同程度か、または前年同期の値を一定以上下回る場合には、冷却設備の設定温度を上げるという対策が必要であると判断してもよい。あるいは、たとえばサーバルーム内の複数箇所の室温データを取得して、冷却装置の消費電力の実測値が予測値を一定以上超過し、かつサーバルーム内の一部の箇所の室温データが、サーバルーム内の平均の室温データと、標準偏差と、から算出した標準範囲を下回っている場合には、当該一部の箇所に近い冷却装置の設定温度を上げるという対策が必要であると判断してもよい。

【0075】

この変形例１によれば、次の作用効果が得られる。
（６）再学習判定処理では、予め定められた法則に基づき対策の要否を判断し、対策が必要と判断する場合には対策を実行する。そのため、ユーザへの問い合わせなしに再学習の要否を判定できる。

【0076】

（変形例２）
管理計算機５０００は、プロフィール生成プログラム５２９０および補正プログラム５２８０を備えなくてもよい。

【0077】

（変形例３）
管理計算機５０００の記憶装置５３００には、計算機モデルが格納されなくてもよい。この場合には計算機モデル再学習判定プログラム５２５１が不要であり、冷却装置モデル再学習判定プログラム５２５２は、図１１のステップＳ３３４において肯定判断するとステップＳ３３６に進むことになる。

【0078】

上述した各実施の形態および変形例において、機能ブロックの構成は一例に過ぎない。別々の機能ブロックとして示したいくつかの機能構成を一体に構成してもよいし、１つの機能ブロック図で表した構成を２以上の機能に分割してもよい。また各機能ブロックが有する機能の一部を他の機能ブロックが備える構成としてもよい。

【0079】

上述した各実施の形態および変形例において、管理計算機５０００が不図示の入出力インタフェースを備え、必要なときに入出力インタフェースと管理計算機５０００が利用可能な媒体を介して、他の装置からプログラムが読み込まれてもよい。ここで媒体とは、たとえば入出力インタフェースに着脱可能な記憶媒体、または通信媒体、すなわち有線、無線、光などのネットワーク、または当該ネットワークを伝搬する搬送波やディジタル信号、を指す。また、プログラムにより実現される機能の一部または全部がハードウエア回路やＦＰＧＡにより実現されてもよい。

【0080】

上述した各実施の形態および変形例は、それぞれ組み合わせてもよい。上記では、種々の実施の形態および変形例を説明したが、本発明はこれらの内容に限定されるものではない。本発明の技術的思想の範囲内で考えられるその他の態様も本発明の範囲内に含まれる。

【符号の説明】

【0081】

３０００ ：計算機
４０００ ：冷却装置
５０００ ：管理計算機
５２１０ ：データ収集プログラム
５２２０ ：学習プログラム
５２２５ ：推論プログラム
５２５０ ：再学習要否判定プログラム
５２５１ ：計算機モデル再学習判定プログラム
５２５２ ：冷却装置モデル再学習判定プログラム
５２６０ ：モデル管理テーブル
５２８０ ：学習データ・推論結果補正プログラム
５２９０ ：プロフィール生成プログラム
５３００ ：記憶装置
５３１０ ：学習データ
５３２０ ：機械学習モデル集
５３３０ ：推論結果データ
５５００ ：ＩＯデバイス

【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】