特開 2024-163498 情報処理システム及び情報処理方法

(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】P2024163498

(43)【公開日】2024-11-22

(54)【発明の名称】情報処理システム及び情報処理方法

(51)【国際特許分類】

   G06Q 10/04 20230101AFI20241115BHJP

【ＦＩ】

G06Q10/04

【審査請求】未請求

【請求項の数】15

【出願形態】ＯＬ

(21)【出願番号】P 2023079182

(22)【出願日】2023-05-12

(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】110001689

【氏名又は名称】青稜弁理士法人

(72)【発明者】

【氏名】角掛 正弥

(72)【発明者】

【氏名】是枝 祐太

(72)【発明者】

【氏名】丹羽 雄平

(72)【発明者】

【氏名】井上 鉄平

【テーマコード（参考）】

5L010

5L049

【Ｆターム（参考）】

5L010AA04

5L049AA04

(57)【要約】

【課題】情報処理システムにおいて、文書データに記載されている業務の実施状況等に基づいて自動的かつ高精度に業務の完了時期を予測する。
【解決手段】業務文書から時間表現を伴う文章を抽出するテキスト抽出部と、業務工程に関連する工程関連情報に基づいて文章から業務の工程を特定し、時間表現を参照して業務の工程ごとに工程従事時期を推定する工程従事時期推定部と、業務完了時期パラメータと工程従事時期に基づいて業務の完了時期を予測する業務完了時期類推部とを有する。
【選択図】図１Ａ

【特許請求の範囲】

【請求項1】

業務に関する時間表現を含む文章を有する業務文書から前記業務の完了時期を予測する情報処理システムであって、
前記業務文書から前記時間表現を伴う文章を抽出するテキスト抽出部と、
前記業務の工程に関連する工程関連情報に基づいて、前記抽出された文章から前記業務の工程を特定し、前記時間表現を参照して前記業務の工程ごとに工程従事時期を推定する工程従事時期推定部と、
前記業務の完了時期に関連する業務完了時期パラメータと前記工程従事時期に基づいて、前記業務の完了時期を予測する業務完了時期類推部と、
を有することを特徴とする情報処理システム。

【請求項2】

請求項１に記載の情報処理システムであって、
前記テキスト抽出部は、
前記業務文書を複数の前記文章に分割し、
分割した前記文章に前記時間表現が存在するかを判定することにより前記業務文書から前記時間表現を伴う文章を抽出することを特徴とする情報処理システム。

【請求項3】

請求項１に記載の情報処理システムであって、
前記工程従事時期推定部は、
抽出された前記文章に含まれる前記時間表現を正規化し、
正規化した前記時間表現に欠けている年月日を補完することを特徴とする情報処理システム。

【請求項4】

請求項１に記載の情報処理システムであって、
前記工程従事時期推定部は、
抽出された前記文章に含まれる前記時間表現を、実施した作業を指し示す時間表現と未来の作業予定を指し示す時間表現に区分し、
前記区分を用いて前記工程従事時期を推定することを特徴とする情報処理システム。

【請求項5】

請求項１に記載の情報処理システムであって、
前記工程関連情報として、複数の前記業務の工程の業務工程一覧を格納する工程関連情報データベースを有し、
前記工程従事時期推定部は、
前記抽出された文章と前記業務工程一覧とを対比することにより、前記文章から前記業務の工程を特定することを特徴とする情報処理システム。

【請求項6】

請求項１に記載の情報処理システムであって、
前記業務完了時期類推部は、
前記業務完了時期パラメータとして、前記業務の完了時期の類推処理を制御する設定値を含むデータを用いて前記業務の完了時期を予測することを特徴とする情報処理システム。

【請求項7】

請求項１に記載の情報処理システムであって、
前記業務完了時期類推部は、
前記業務の工程ごとの工程別所要日数を用いて前記業務の完了時期を予測することを特徴とする情報処理システム。

【請求項8】

請求項１に記載の情報処理システムであって、
前記業務完了時期類推部は、
機械学習モデルを用いて前記業務の完了時期を予測することを特徴とする情報処理システム。

【請求項9】

請求項１に記載の情報処理システムであって、
前記業務完了時期類推部は、
深層学習モデルを用いて前記業務の完了時期を予測することを特徴とする情報処理システム。

【請求項10】

請求項１に記載の情報処理システムであって、
前記テキスト抽出部から抽出された前記文章の内容に基づいて、前記業務の進捗状況を推定する進捗状況推定部を更に有し、
前記業務完了時期類推部は、
前記進捗状況を参照して前記業務の完了時期を予測することを特徴とする情報処理システム。

【請求項11】

請求項１０に記載の情報処理システムであって、
前記進捗状況推定部は、
前記工程関連情報を参照して前記進捗状況を推定することを特徴とする情報処理システム。

【請求項12】

請求項１０に記載の情報処理システムであって、
前記進捗状況推定部は、
現在実施されている前記業務の工程を推定することを特徴とする情報処理システム。

【請求項13】

請求項１０に記載の情報処理システムであって、
表示部を有し、
前記表示部は、
前記業務の工程ごとに抽出された前記文章、前記工程従事時期に基づいて作成された工程従事時期見積もり、前記業務の完了時期の予測結果及び前記業務の進捗状況の推定結果の少なくとも一つを表示することを特徴とする情報処理システム。

【請求項14】

請求項１３に記載の情報処理システムであって、
前記表示部は、
前記業務の進捗状況の推定結果として、現在実施されている前記業務の工程を表示し、
前記工程従事時期見積もりを、実施済みの前記業務の工程と実施予定の前記業務の工程とに区分して前記業務の工程ごとに表示することを特徴とする情報処理システム。

【請求項15】

業務に関する時間表現を含む文章を有する業務文書から前記業務の完了時期を予測する情報処理方法であって、
前記業務文書から前記時間表現を伴う文章を抽出するテキスト抽出ステップと、
前記業務の工程に関連する工程関連情報に基づいて、前記抽出された文章から前記業務の工程を特定し、前記時間表現を参照して前記業務の工程ごとに工程従事時期を推定する工程従事時期推定ステップと、
前記業務の完了時期に関連する業務完了時期パラメータと前記工程従事時期に基づいて、前記業務の完了時期を予測する業務完了時期類推ステップと、
を有することを特徴とする情報処理方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、情報処理システム及び情報処理方法に関する。

【背景技術】

【0002】

業務の完了時期を高精度に予測することは、マネジメントや後続業務の効率化、時間的・経済的損失の防止につながる。例えば、システムの開発業務において、日々の業務内容から開発完了時期を予測できれば、予測値に基づいた適切なマネジメントが行えて納期遅延の防止につながる。

【0003】

製品やシステム開発の受注を目指す営業活動業務では、受注契約の完了時期を予測することで、営業活動の進捗管理だけでなく、契約獲得後に必要な開発人員の配置や部品発注の計画を予め策定でき、経営効率の改善や製造・開発の短期化が実現できる。

【0004】

既存の業務完了時期予測の技術は、対象業務の特徴を示す値や進捗度、スケジュールなどといったラベルや数値形式の情報を用いており、業務の過程で発生する報告書や議事録といった文書データを活用していない。

【0005】

対象業務の特徴を示す値による業務完了時期の予測は、実際の業務の実施状況に基づいた予測ができず、高精度な予測は困難である。また、進捗度やスケジュールを用いた予測では、それらの登録は作業者の裁量に委ねられるため、登録情報の正確性や登録の頻度などに属人性が高く、高精度な予測ができない。

【0006】

一方で、報告書や議事録といった文書データの記載内容には、詳細な業務の実施状況やそれに伴い随時変化する業務の実施予定など、業務完了時期予測の手掛かりとなる重要な情報が内在していると考えられる。これら文書データを機械的に処理しつつ、内在する情報を考慮した、自動的かつ高精度な業務完了時期予測が求められる。

【0007】

これに関連する技術として、例えば、特許文献１、特許文献２、非特許文献１がある。

【0008】

特許文献１は、昇降機やストレージなどのインフラ製品の製造・受け渡し業務を想定し、工程別の完了必要日を予測する方法を開示している。

【0009】

特許文献２は、特定の行動指標が含まれる報告書を選定すると共に、顧客に働きかけた事項を示すフレーズや前記の行動をした日にちや店舗を抽出し、該日にちや店舗を用い行動指標の成功又は失敗を判定する技術を開示している。

【0010】

非特許文献１は、造船業のＥＰＣ（設計・調達・建造）契約において設定されたスケジュールの遅延日数を、契約時の契約書類に記載された特定単語の頻度に基づいた手掛かりから予測する方法を開示している。

【先行技術文献】

【特許文献】

【0011】

【特許文献1】特開２０１９－１４５００７号公報

【特許文献2】特開２０１７－１９１４４２号公報

【非特許文献】

【0012】

【非特許文献1】Ｂｙｕｎｇ－Ｙｕｎ Ｓｏｎ ａｎｄ Ｅｕｌ－Ｂｕｍ Ｌｅｅ．２０１９．“Ｕｓｉｎｇ Ｔｅｘｔ Ｍｉｎｉｎｇ ｔｏ Ｅｓｔｉｍａｔｅ Ｓｃｈｅｄｕｌｅ Ｄｅｌａｙ Ｒｉｓｋ ｏｆ １３ Ｏｆｆｓｈｏｒｅ Ｏｉｌ ａｎｄ Ｇａｓ ＥＰＣ Ｃａｓｅ Ｓｔｕｄｉｅｓ Ｄｕｒｉｎｇ ｔｈｅ Ｂｉｄｄｉｎｇ Ｐｒｏｃｅｓｓ”Ｅｎｅｒｇｉｅｓ １２，ｎｏ．１０：１９５６

【発明の概要】

【発明が解決しようとする課題】

【0013】

特許文献１が予測に用いている手掛かりは、案件の特徴を示す値や作業者によって入力される完了済みの工程であり、文書データを用いた詳細な業務の実施状況やそれに伴い随時変化する業務の実施予定などに基づき業務完了時期を予測する方法を開示していない。

【0014】

特許文献２では、文書データに記載された行動内容や該行動内容の日にちを抽出するものの、該行動内容や該行動内容の日にちを業務完了時期の予測に使用する方法を開示していない。

【0015】

非特許文献１は、契約当初に作成された書類の特定単語の頻度に基づいてのみ予測を行うため、文書データに記載された詳細な業務の実施状況やそれに伴い随時変化する業務の実施予定などに基づき遅延日数を予測する方法を開示していない。

【0016】

本発明の目的は、情報処理システムにおいて、文書データに記載されている業務の実施状況等に基づいて自動的かつ高精度に業務の完了時期を予測することにある。

【課題を解決するための手段】

【0017】

本発明の一態様の情報処理システムは、業務に関する時間表現を含む文章を有する業務文書から前記業務の完了時期を予測する情報処理システムであって、前記業務文書から前記時間表現を伴う文章を抽出するテキスト抽出部と、前記業務の工程に関連する工程関連情報に基づいて、前記抽出された文章から前記業務の工程を特定し、前記時間表現を参照して前記業務の工程ごとに工程従事時期を推定する工程従事時期推定部と、前記業務の完了時期に関連する業務完了時期パラメータと前記工程従事時期に基づいて、前記業務の完了時期を予測する業務完了時期類推部と、を有することを特徴とする。

【発明の効果】

【0018】

本発明の一態様によれば、情報処理システムにおいて、文書データに記載されている業務の実施状況等に基づいて自動的かつ高精度に業務の完了時期を予測することができる。

【図面の簡単な説明】

【0019】

【図1A】実施例１の情報処理システムの構成を示す図である。

【図1B】実施例２の情報処理システムの構成を示す図である。

【図1C】実施例２の情報処理システムの構成を示す図である。

【図1D】実施例３の情報処理システムの構成を示す図である。

【図2】テキスト抽出部の処理を示すフローチャートである。

【図3】業務文書データリストの一例を示す図である。

【図4】抽出データリストの一例を示す図である。

【図5A】工程従事時期推定部の処理を示すフローチャートである。

【図5B】工程従事時期推定部の処理を示すフローチャートである。

【図6A】工程付抽出データリストの一例を示す図である。

【図6B】工程付抽出データリストの一例を示す図である。

【図7A】従事時期推定結果の一例を示す図である。

【図7B】従事時期推定結果の一例を示す図である。

【図8A】業務完了時期類推部の処理を示すフローチャートである。

【図8B】業務完了時期類推部の処理を示すフローチャートである。

【図9A】基準データの一例を示す図である。

【図9B】基準データの一例を示す図である。

【図10】予測結果の一例を示す図である。

【図11】進捗状況推定部の処理を示すフローチャートである。

【図12】進捗状況推定結果の一例を示す図である。

【図13】表示部に表示される内容の一例を示す図である。

【図14】工程関連情報データベースの内容の一例を示す図である。

【発明を実施するための形態】

【0020】

以下、図面を用いて実施例を説明する。本実施例では、ある特定の業務を対象に、１つ以上の業務文書を入力とし、業務の完了時期を推定し出力する。

【実施例0021】

図１Ａを参照して実施例１の情報処理システムの構成について説明する。実施例１では、顧客から個別受注生産品やシステム開発の契約を獲得することを目的とする営業活動業務を対象業務として、受注契約の完了時期を推測する場合を例として説明する。

【0022】

実施例１の情報処理システムは、業務の業務工程と業務に関する時間表現を含む文章を有する業務文書から業務の完了時期を予測する。

【0023】

図１Ａに示すように、実施例１の情報処理システムは、業務文書から時間表現を伴う文章を抽出するテキスト抽出部（１０１）と、業務工程に関連する工程関連情報に基づいて前記抽出された文章から前記業務工程を特定し前記時間表現を参照して前記業務工程ごとに工程従事時期を推定する工程従事時期推定部（１０２）と、前記業務の完了時期に関連する業務完了時期パラメータ（１０５）と前記工程従事時期に基づいて前記業務の完了時期を予測する業務完了時期類推部（１０３）と、を有する。

【0024】

更に、実施例１の情報処理システムは、前記工程関連情報として、複数の業務工程の業務工程一覧を格納する工程関連情報データベース（１０４）を有する。工程従事時期推定部（１０２）は、前記抽出された文章と前記業務工程一覧とを対比することにより、前記文章から前記業務工程を特定する。

【0025】

ここで、工程関連情報データベース（１０４）の内容の一例を図１４に示す。

【0026】

図１４に示すように、工程関連情報データベース（１０４）には、複数の業務工程の業務工程一覧が格納されている。業務工程一覧は、例えば、「コンタクト」、「提案活動」、「見積活動」、「内示・契約」である。

【0027】

また、業務完了時期パラメータ（１０５）は、業務完了時期の類推処理を基底する設定値を含むデータである。もしくは、業務完了時期パラメータ（１０５）は、業務完了時期の類推処理を制御する設定値を含むデータである。

【0028】

例えば、ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅやニューラルネットワークなどにおいて、数値演算の式を基底する係数やその内部で使用するカーネル関数や活性化関数などの数式の種類である。

【0029】

また、ＲａｎｄｏｍＦｏｒｅｓｔなどにおいて、工程従事時期推定部（１０２）の出力の値に着目し、どのような手順で入力データを区分するのか、区分のための条件分岐、その条件で使用する閾値の値といった制御用の設定値である。

【0030】

また、その他に学習済みの自然言語生成モデルに対し、工程従事時期推定部（１０２）の出力を用いて作成した疑問文を与えて、回答を得る場合などの処理における設定値である。例えば、「～提案活動を完了するのにＸ日かかり、見積を完了するのにＹ日かかる場合、受注契約の獲得までに何日かかると思われるか？」という質問に対し、自然言語生成モデルが「Ｚ日です。」と答えるような処理の場合、業務完了時期パラメータ（１０５）は、自然言語生成モデルの内部の演算式の数値と質問文のテンプレートである。

【0031】

テキスト抽出部（１０１）は、業務文書から時間表現が存在する文を検出し出力する。テキスト抽出部（１０１）の処理を図２、図３、図４を用い説明する。

【0032】

Ｓ２０１では、テキスト抽出部（１０１）は業務文書（３０４）と該業務文書の記載日（３０３）のペアからなる業務文書データリスト（３０１）を受け付ける。ただし、業務文書（３０４）は１つ以上の単語からなる任意のテキストデータであってもよい。また、記載日（３０３）は業務文書（３０４）に対応付く日付であれば記載日でなくてもよい。

【0033】

例えば、実施例１で対象とする営業活動業務では、業務文書（３０４）として営業活動報告書、記載日（３０３）として営業活動を行った日付、で構成される業務文書データリスト（３０１）を受け付けることができる。

【0034】

Ｓ２０２では、入力された業務文書データリスト（３０１）が保持する各業務文書データ（３０２）に対して処理を開始する。Ｓ２０３では、業務文書（３０４）を文データ（４０３）に分割する。ここで文データ（４０３）は１つ以上の単語で構成されるテキストデータである。文データ（４０３）への分割（Ｓ２０３）では、読点で文に分割する。

【0035】

ただし、Ｓ２０３の分割方法は、句点や改行ごとでの分割や正規表現に基づいた分割等のルールやパターンベースでの方法、統計モデルや機械学習・深層学習モデル等を用いた方法、両者を組み合わせた方法であってもよい。

【0036】

また、文データ（４０３）の分割単位は文である必要はなく、段落単位、節単位、特定の単語数ごとなど任意の単位を採用してもよい。Ｓ２０５では各文データ（４０３）に時間表現が存在するかを判定し、時間表現が存在する場合は時間表現（４０４）として文データ（４０３）と共に抽出データ（４０２）に格納する。

【0037】

ただし、前記時間表現とは任意の事象を対象に、時間軸上における該事象の生起時点や生起区間などを指定する表現である。実施例１では、時間表現（４０４）として日付単位の粒度で時間軸上の位置を指し示す表現を扱う。例えば、２０２０年１月２５日、６日、１５日ごろ、７月初旬、８月末などである。文データ（４０３）に時間表現（４０４）が存在する場合は、Ｓ２０６で処理対象の業務文書データ（３０２）を抽出データ（４０２）に格納し、該抽出データ（４０２）を抽出データリスト（４０１）に追加する。

【0038】

ただし、時間表現（４０４）が文データ（４０３）に複数存在する場合は、時間表現（４０４）ごとに文データ（４０３）と業務文書データ（３０２）を付与し、抽出データリスト（４０１）に追加する。実施例１では、時間表現（４０４）の存在判定処理（Ｓ２０５）は、正規表現を用いたパターンマッチングで行う。

【0039】

例えば「（（１［０－９］）｜（２［０－９］）｜（［３０｜１］）｜［１－９］）日」といった正規表現で２０２０年１月２５日、６日、１５日ごろが検出できる。ただし、前記存在判定処理はルールベースで行ってもよいし、統計モデルや機械学習・深層学習モデル等を用いて行ってもよいし、両者を組み合わせて行ってもよい。

【0040】

以上の処理を全ての業務文書データ（３０２）に適用した後に抽出データリスト（４０１）を出力し（Ｓ２０９）、テキスト抽出部（１０１）の処理は終了する。

【0041】

工程従事時期推定部（１０２）は、テキスト抽出部（１０１）から出力された抽出データリスト（４０１）を受け付け、各業務工程の従事時期の推定結果を出力する。工程従事時期推定部（１０２）の処理を図５Ａ、図６Ａ、図７Ａを用い説明する。

【0042】

Ｓ５０１で、工程従事時期推定部（１０２）は抽出データリスト（４０１）を受け付ける。

【0043】

Ｓ５０２で、工程従事時期推定部（１０２）は抽出データリスト（４０１）内の各抽出データ（４０２）に対し処理を開始する。Ｓ５０３では、抽出データ（４０２）が保持する時間表現（４０４）を対応する年月日を表す任意の形式に正規化する。ただし、年月日に限らず年号や時間など、より長いもしくは短い単位の時間単位を用いて正規化してもよい。

【0044】

実施例１では時間情報（４０４）を「年-月-日」（２０２２-０６-１２等）の形式に正規化する。ただし、年月日が時間表現（４０４）から特定できない場合は、特定できない年月日を、欠損値であることを示す任意のタグで埋める。例えば「６月中旬」という時間表現であれば「＜欠損＞-０６-＜欠損＞」等の形式へ変換する。Ｓ５０４ではＳ５０３で正規化した時間表現（４０４）の欠損値を、抽出データ（４０２）が保持する文データ（４０３）や業務文書データ（３０２）に基づき特定の値で補完する。

【0045】

例えば「＜欠損＞-０６-＜欠損＞」では、欠損している年に対して抽出元の業務文書の記載日（３０３）と同じ年を、欠損している日に対して「中旬」という表現に基づき「１５」という値を、それぞれ補完値として与える。その他に「１月末」という時間表現（４０４）の場合は、抽出元の業務文書データ（３０２）の記載日（３０３）が１から７月であれば欠損している年として該記載日（３０３）の年を、抽出元の業務文書データ（３０２）の記載日（３０３）が８から１２月であれば記載されたのであれば欠損している年として該記載日（３０３）の年に１加えた値を、補完値として与える。

【0046】

加えて前記時間表現（４０４）内の「末」という表現に基づき、欠損している日に「３１」という値を与える。「２５日に」という時間表現（４０４）の場合は、欠損している年と月に抽出元の業務文書データ（３０２）の記載日（３０３）の年と月を補完値として与える。ただし、前記補完処理（Ｓ５０４）はルールベースで行ってもよいし、統計モデルや機械学習・深層学習モデル等を用いて行ってもよいし、それらの手段を組み合わせて実施してもよい。また、外部のデータを参照し、抽出データ（４０２）が保持していない情報を用いて前記補完処理（Ｓ５０４）を行っても良い。

【0047】

Ｓ５０５では、正規化時間表現（６０５）と業務文書データ（３０２）の記載日（３０３）を比較して、抽出データ（４０２）内の文データ（４０３）で記述されている事柄が実施事項であるのか予定事項であるのかを判別する。正規化時間表現（６０５）で示される日付が記載日（３０３）より未来であった場合、抽出データ（４０２）の区分（６０６）を予定日とする。正規化時間表現（６０５）で示される日付が記載日（３０３）と同一か、該記載日（３０３）より過去であった場合、抽出データ（４０２）の区分（６０６）を実施日とする。Ｓ５０６では、抽出データ（４０２）の関連工程（６０７）を判定する。

【0048】

関連工程の判定（Ｓ５０６）では、図１４の工程関連情報データベース（１０４）を参照する。上述のように、工程関連情報データベース（１０４）は業務の工程に関連する情報を蓄積したデータベースである。工程関連情報データベース（１０４）には、業務の工程の他に、例えば、事前に定義された工程と抽出データ（４０２）を紐づけるための判定方法を示した辞書、事前に定義された工程のいずれかに文データ（４０３）を分類する機械学習モデルの学習済パラメータ、事前に工程の区分が定義されていない業務に対する関連文書の集合、など様々な形態の情報を蓄積できる。

【0049】

実施例１では、図１４に示すように、営業活動業務の工程として事前に定義された「コンタクト」、「提案活動」、「見積活動」「内示・契約」の４つを用いて、辞書を用いた関連工程（６０７）の判定例を示す。ただし、工程の数は１以上であれば何個でもよい。

【0050】

抽出データ（４０２）の文データ（４０３）に、特定の文字列が存在すれば、抽出データ（４０２）に対応する工程を関連工程（６０７）として割り当てる。

【0051】

「コンタクト」工程の文字列は「キックオフ」「ヒアリング」「引合」などである。「提案活動」工程の文字列は「提案」「ｒｆｐ」などである。「見積活動」工程の文字列は「見積」「要件定義」などである。「内示・契約」工程の文字列は「内示」「契約」「受注」「注文」「発注」「検収」などである。いずれの文字列も文データ（４０３）に存在しない場合は、抽出データ（４０２）に与える関連工程（６０７）は「なし」とする。

【0052】

Ｓ５０７では、Ｓ５０３からＳ５０６までで算出した正規化時間表現（６０５）、抽出データ（４０２）の区分（６０４）、関連工程（６０７）と作成元の抽出データ（４０２）、および該抽出データ（４０２）の抽出元である業務文書データ（３０２）を組み合わせて、工程付抽出データ（６０２）とし、工程付抽出データ（６０２）を工程付抽出データリスト（６０１）に追加する。以上の処理を抽出データリスト（４０１）内の全ての抽出データ（４０２）に適用し、Ｓ５０２のループ処理は終了する。

【0053】

Ｓ５０８では、工程付抽出データリスト（６０１）を用いて各工程の工程従事時期（７０４）を決定する。Ｓ５０８は、まず工程ごとに該当する工程付抽出データ（６０２）を集約する。工程ごとに集約した工程付抽出データ（６０２）のうち工程の従事日として信頼性の低いものを除外する。前記除外処理は、特定のルールに基づいてもよいし、統計モデルや機械学習・深層学習モデル等を用いて行ってもよいし、それらを組み合わせて実施してもよい。

【0054】

実施例１では、Ｓ５０８は、区分（６０４）が予定日である工程付抽出データ（６０２）を対象に、工程の種類ごとに該業務文書データの記載日（３０３）が最も未来の工程付抽出データ（６０２）以外を除外する。

【0055】

実施例１では、区分（６０４）が実施日である工程付抽出データ（６０２）は除外しない。前記除外処理後に残った工程付抽出データ（６０２）を用いて、工程の種類ごとに工程従事時期（７０４）を算出する。工程従事時期（７０４）はルールに基づいて算出しても良いし、統計モデルや機械学習・深層学習モデル等を用いて行ってもよいし、それらを組み合わせて実施してもよい。

【0056】

また、算出される工程従事時期（７０４）の形態も時間に関する情報であれば、特定の日付や月などの単一の値、日付や月の範囲、日付や月の確率分布、工程従事時期（７０４）を示す文字列など多様な形態をとって良い。

【0057】

実施例１では、工程の終了日（７０５）を工程ごとにルールベースで決定する。前記除外処理後に残った工程付抽出データ（６０２）の関連工程（６０７）と正規化時間表現（６０５）を参照し、工程ごとに最も未来の正規化時間表現（６０５）を取得し、工程の終了日（７０５）とする。工程の終了日（７０５）と工程を組み合わせ、工程従事時期（７０４）として保持する。

【0058】

Ｓ５０９では、処理対象の業務のＩＤ（７０３）と、Ｓ５０８で算出した工程従事時期（７０４）と、Ｓ５０８の処理完了日時を推定処理実施時刻（７０２）として従事時期推定結果（７０１）に集約し、該従事時期推定結果（７０１）を出力する。以上の処理を経て、工程従事時期推定部（１０２）の処理は終了する。

【0059】

業務完了時期類推部（１０３）では、工程従事時期推定部（１０２）から出力された工程従事時期推定結果（７０１）と、業務完了時期パラメータ（１０５）を受け付け、業務完了時期の類推結果を出力する。業務完了時期類推部（１０３）の処理を図８Ａ、図９Ａ、図１０を用い説明する。

【0060】

Ｓ８０１では工程従事時期推定結果（７０１）を受け付ける。Ｓ８０２では工程従事時期推定結果（７０１）の各工程の終了日（７０５）の２３時５９分５９秒と推定処理実施時刻（７０２）との差分を取り、該工程の工程所要日数（９０５）を計算する。計算した工程別所要日数（９０５）を特徴量データ（９０４）として、工程従事時期推定結果（７０１）の業務ＩＤ（７０３）と推定処理実施時刻（７０２）を組み合わせ、基準データ（９０１）を作成する。ただし、特徴量データ（９０４）には任意の数値を追加で含めてよい。

【0061】

例えば、各工程間の終了日（７０５）同士から算出できる工程間の終了日の差分日数や、基準データ（９０１）の業務ＩＤ（９０２）を基に外部のデータベースを参照し、業務情報を数値として取得してきて、特徴量データ（９０４）に含めても良い。

【0062】

実施例１では、工程別所要日数（９０５）だけでなく、業務ＩＤ（９０２）に紐づく業務情報から営業担当者が入力した受注予定日（受注契約の獲得の完了予定日）を取得し、該受注予定日の２３時５９分５９秒と推定処理実施時刻（７０２）の差分日数を算出し、該差分日数を受注予定迄の日数（９０６）として特徴量データ（９０４）に加えている。Ｓ８０３では業務完了時期を類推する。実施例１では特徴量データ（９０４）を入力として、ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅやＲａｎｄｏｍＦｏｒｅｓｔなどの機械学習モデルを用いて、業務完了迄の所要日数（１２０３）を予測する。

【0063】

ただし、類推処理はルールやパターンベースでの方法、ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅやＲａｎｄｏｍＦｏｒｅｓｔ以外の統計モデルや機械学習・深層学習モデル等を用いた方法、両者を組み合わせた方法であってもよい。実施例１では、ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅやＲａｎｄｏｍＦｏｒｅｓｔのパラメータは業務完了時期パラメータ（１０５）から読み込む。

【0064】

業務完了時期パラメータ（１０５）は、業務完了時期の類推（Ｓ８０３）に使用する各種パラメータを格納するデータである。ただし、業務完了時期パラメータ（１０５）はＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅやＲａｎｄｏｍＦｏｒｅｓｔなどの機械学習のパラメータに限らず、ルールベースの類推処理を行う場合に必要な各種パラメータや、深層学習のパラメータなども含むことができる。

【0065】

また、そのパラメータは必ずしも、Ｓ８０３の類推処理を実施する情報処理システムと同一のサーバに存在しなくとも良い。実施例１で利用するＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅやＲａｎｄｏｍＦｏｒｅｓｔのパラメータは、完了済みの過去の業務の特徴量データ（９０４）と業務完了迄の所要日数（１２０３）を用いて予め学習しておく。基準データ（９０１）の推定処理実施時刻（９０３）に予測した業務完了迄の所要日数（１２０３）を足し合わせて、業務完了時期（１２０４）を算出する。基準データ（９０１）の業務ＩＤ（９０２）と作成した所要日数（１２０３）と業務完了時期（１２０４）を組み合わせて、予測結果（１２０１）を作成する。Ｓ８０４では、算出した予測結果（１２０１）を出力する。以上の処理を経て、業務完了時期類推部（１０３）の処理は終了する
実施例１によれば、業務文書に記述された業務完了までに要する関連工程の時間表現を手掛かりに、自動的かつ高精度な業務完了時期の予測が可能となる。

【実施例0066】

実施例２では、製造業において製品製造に必要な部品のサプライヤー選定を目的とする調達活動業務を対象業務として、サプライヤー選定の完了時期を推測する場合を例として、図１Ｂ、図１Ｃの実施例を説明する。

【0067】

図１Ｂでは、進捗状況推定部（１０６）は、テキスト抽出部（１０１）から抽出された文章の内容に基づいて業務の進捗状況を推定する。業務完了時期類推部（１０３）は、前記進捗状況を参照して業務の完了時期を予測する。

【0068】

図１Ｃでは、進捗状況推定部（１０６）は、テキスト抽出部（１０１）から抽出された文章の内容と、工程関連情報データベース（１０４）に格納されている工程関連情報に基づいて業務の進捗状況を推定する。

【0069】

テキスト抽出部（１０１）は業務文書から時間表現が存在する文を検出して出力する。テキスト抽出部（１０１）の処理を図２、図３、図４を用いて説明する。テキスト抽出部（１０１）は、業務文書（３０４）と該業務文書の記載日（３０３）のペアからなる業務文書データリスト（３０１）を受け付ける。

【0070】

実施例２では、対象の調達業務を行っている担当者たちの会議議事録、および、該担当者たちのサプライヤーとのチャット履歴や会議議事録を業務文書（３０４）とし、該チャット履歴や該会議議事録の生成日を記載日（３０３）とする。

【0071】

Ｓ２０２では入力された業務文書データリスト（３０１）が保持する各業務文書データ（３０２）に対して処理を開始する。Ｓ２０３では業務文書（３０４）を文データ（４０３）に分割する。文データ（４０３）への分割（Ｓ２０３）では、空白や改行などで文に分割する。Ｓ２０５では各文データ（４０３）に時間表現が存在するかを判定し、時間表現が存在する場合は時間表現（４０４）として文データ（４０３）と共に抽出データ（４０２）に格納する。

【0072】

文データ（４０３）に時間表現（４０４）が存在する場合は、Ｓ２０６で処理対象の業務文書データ（３０２）を抽出データ（４０２）に格納し、該抽出データ（４０２）を抽出データリスト（４０１）に追加する。ただし、時間表現（４０４）が文データ（４０３）に複数存在する場合は、時間表現（４０４）ごとに文データ（４０３）と業務文書データ（３０２）を付与し、抽出データリスト（４０１）に追加する。

【0073】

実施例２では、時間表現（４０４）の存在判定処理（Ｓ２０５）は、正規表現を用いたパターンマッチングで行う。例えば「（（１［０－９］）｜（２［０－９］）｜（［３０｜１］）｜［１－９］）日」といった正規表現で２０２０年１月２５日、６日、１５日ごろが検出できる。以上の処理を全ての業務文書データ（３０２）に適用した後に抽出データリスト（４０１）を出力し（Ｓ２０９）、テキスト抽出部（１０１）の処理は終了する。

【0074】

工程従事時期推定部（１０２）は、テキスト抽出部（１０１）から出力された抽出データリスト（４０１）を受け付け、各業務工程の従事時期の推定結果を出力する。工程従事時期推定部（１０２）の処理を図５Ｂ、図６Ｂ、図７Ｂを用い説明する。

【0075】

Ｓ５２２では抽出データリスト（４０１）内の各抽出データ（４０２）に対し処理を開始する。Ｓ５２３では、抽出データ（４０２）が保持する時間表現（４０４）を対応する年月日時刻を表す任意の形式に正規化する。

【0076】

実施例２では時間情報（４０４）を「年-月-日-時刻」（２０２２-０６-１２-１７等）の形式に正規化する。ただし、年月日や時刻が時間表現（４０４）から特定できない場合は、特定できない年月日や時刻を、欠損値であることを示す任意のタグで埋める。例えば「１２日の１７時ごろ」という時間表現であれば「＜欠損＞-＜欠損＞-１２-１７」等の形式へ変換する。

【0077】

Ｓ５２４ではＳ５２３で正規化した時間表現（４０４）の欠損値を、抽出データ（４０２）が保持する文データ（４０３）や業務文書データ（３０２）に基づき特定の値で補完する。年や月や日の補完処理は実施例１と同様である。時刻の欠損については「２３」を補う。

【0078】

ただし、前記補完処理（Ｓ５２４）はルールベースで行ってもよいし、統計モデルや機械学習・深層学習モデル等を用いて行ってもよいし、それらを組み合わせて実施してもよい。また、外部のデータを参照し、抽出データ（４０２）が保持していない情報を用いて前記補完処理（Ｓ５２４）を行っても良い。

【0079】

Ｓ５２６では、抽出データ（４０２）の関連工程（６２７）を判定する。関連工程の判定（Ｓ５２６）では工程関連情報データベース（１０４）を参照する。実施例２では、工程関連情報データベース（１０４）は、文データ（４０３）に関連する工程を識別する深層学習モデルのパラメータを持つ。

【0080】

前記パラメータは、データから事前に学習したパラメータでもよいし、人手で設定したパラメータでもよい。例えば、文データ（４０３）に対して該当する関連工程（６２７）が付与されたデータから教師あり学習を予め行ってもよいし、関連工程（６２７）が付与されていない複数の文データ（４０３）を定義した関連工程数分のグループに分割するクラスタリングモデルを予め学習してもよい。

【0081】

Ｓ５２６では、前記深層学習モデルのパラメータを読み込み、各文データ（４０３）に対する関連工程（６２７）を前記深層学習モデルで予測する。実施例２では、前記深層学習モデルが出力する関連工程（６２７）は「調査」「コンタクト」「交渉」「契約」「関連なし」である。ただし、関連工程（６２７）の種類は１つ以上であれば何個でもよい。

【0082】

Ｓ５２７では、Ｓ５２３からＳ５２６までで算出した正規化時間表現（６２５）、関連工程（６２７）と作成元の抽出データ（４０２）、および該抽出データ（４０２）の抽出元である業務文書データ（３０２）を組み合わせて、工程付抽出データ（６２２）を作成し、前記工程付抽出データ（６２２）を工程付抽出データリスト（６２１）に追加する。以上の処理を抽出データリスト（４０１）内の全ての抽出データ（４０２）に適用し、Ｓ５２２のループ処理は終了する。

【0083】

Ｓ５２８では、工程付抽出データリスト（６２１）を用いて各工程の工程従事時期（７２４）を決定する。Ｓ５２８は、まず工程ごとに該当する工程付抽出データ（６２２）を集約する。工程ごとに集約した工程付抽出データ（６２２）から、工程従事時期（７２４）として工程の終了日（７２５）を求める。実施例２では、工程が終了する確率を月ごとに算出し、終了月の確率（７２６）とする。ただし、確率の算出はルールベースで行ってもよいし、統計モデルや機械学習・深層学習モデル等を用いて行ってもよいし、それらを組み合わせて実施してもよい。

【0084】

実施例２では、工程ごとに集約した前記工程付抽出データ（６２２）の全ての文データ（６２３）を入力とし、Ｓ５２８を実施する月の１２ヶ月前から１２ヶ月先までのどの月が該工程の終了する月であるのかを表す２５個分の確率値を出力する深層学習モデルを用いる。この深層学習モデルのパラメータは工程関連情報データベース（１０４）から読み込む。該確率を終了月の確率（７２６）とし、その中で最も確率の高い月の最終日を工程の終了日（７２５）とする。

【0085】

工程の終了日（７２５）と終了日の確率（７２６）を工程従事時期（７２４）として保持する。Ｓ５２９では、処理対象の業務のＩＤ（７２３）と、Ｓ５２８で算出した工程従事時期（７２４）と、Ｓ５２８の処理完了日時を推定処理実施時刻（７２２）として従事時期推定結果（７２１）に集約し、該従事時期推定結果（７２１）を出力する。以上の処理を経て、工程従事時期推定部（１０２）の処理は終了する。

【0086】

進捗状況推定部（１０６）は、テキスト抽出部（１０１）から出力された抽出データリスト（４０１）を受け付け、業務の進捗状況の推定結果を出力する。進捗状況推定部（１０６）の処理を図３、図４、図５Ｂ、６Ａ、図１１、図１２を用い説明する。

【0087】

なお、実施例２ではＳ１３１０で業務の順調さを算出しているが、これは省略可能なため、Ｓ１３０９における業務文書データの受付処理は必須要件ではない。

【0088】

Ｓ１３０１からＳ１３０７の処理では、工程付抽出データリスト（６０１）を取得するが、この処理は実施例１における工程従事時期推定部（１０２）のＳ５０１からＳ５０７の説明と同様なので省略する。ただし、Ｓ１３０６においては実施例１のＳ５０６とは異なり、各文データ（４０３）に対する関連工程（６０７）を深層学習モデルで予測し、関連工程（６０７）は「調査」「コンタクト」「交渉」「契約」「関連なし」である。ただし、関連工程（６０７）の種類は１つ以上であれば何個でもよい。深層学習モデルのパラメータは工程関連情報データベース（１０４）から読み込む。

【0089】

Ｓ１３０８では、現在の工程を判定する。Ｓ１３０８の実行日と同一かそれ以前の正規化時間表現（６０５）を持つ工程付抽出データ（６０２）を集約し、前記工程付抽出データ（６０２）の関連工程（６０７）のうち最も業務完了に近い工程を現在の工程（１４０５）とする。Ｓ１３０９では、業務文書データリスト（３０１）を受け付ける。Ｓ１３１０では、業務の順調さを算出する。

【0090】

実施例２では、業務文書データリスト（３０１）の全ての業務文書（３０４）を対象に肯定的な文の割合を算出し、業務の順調さ（１４０６）とする。肯定的な文の割合は、文を肯定的な内容か否定的な内容かで２値に分類することにより算出する。分類処理は、ルールベースで行ってもよいし、統計モデルや機械学習・深層学習モデル等を用いて行ってもよいし、それらを組み合わせて実施してもよい。

【0091】

Ｓ１３１１では、算出した現在の工程（１４０５）と業務の順調さ（１４０６）と、処理対象の業務のＩＤ（１４０３）とＳ１３１１の処理日時を推定処理実施時刻（１４０２）として、前記情報を組み合わせて進捗状況推定結果（１４０１）を算出する。進捗状況推定結果（１４０１）を出力し、進捗状況推定部（１０６）の処理は終了する。

【0092】

業務完了時期類推部（１０３）では、工程従事時期推定部（１０２）から出力された工程従事時期推定結果（７２１）と、進捗状況推定部（１０６）から出力された進捗状況推定結果（１４０１）と、業務完了時期パラメータ（１０５）を受け付け、業務完了時期の類推結果を出力する。業務完了時期類推部（１０３）の処理を図７Ｂ、図８Ｂ、図９Ｂ、図１０、図１２を用い説明する。

【0093】

Ｓ８２１では工程従事時期推定結果（７２１）を受け付ける。Ｓ８２２では進捗状況推定結果（１４０１）を受け付ける。Ｓ８２３では、業務ＩＤ（７２３）に対応する業務情報から業務開始日（９２４）を取得し、工程従事時期推定結果（７２１）の各工程の終了日（７２５）の２３時５９分５９秒と業務開始日（９２４）の差分を取ることで、該工程の工程別所要日数（９２６）を計算する。

【0094】

ただし工程別所要日数（９２６）の算出には、業務開始日（９２４）ではなく推定処理実施時刻（７２２）の任意の時刻を用いてもよいし、業務ＩＤ（７２３）に対応する業務情報から取得可能な任意の日付を用いてもよい。計算した工程別所要日数（９２６）と進捗状況推定結果（１４０１）の現在の工程と（１４０５）と業務の順調さ（１４０６）を組み合わせて特徴量データ（９２５）を作成し、さらに工程従事時期推定結果（７２１）の業務ＩＤ（７２３）と推定処理実施時刻（７２２）と業務開始日（９２４）を加え、基準データ（９２１）を作成する。

【0095】

ただし、特徴量データ（９２５）には任意の数値を追加で含めてよい。実施例２では、工程の組み合わせごとに該工程の終了日（７２５）の差分日数を算出し、該差分日数を工程間日数（９２７）として特徴量データ（９２５）に含めている。

【0096】

Ｓ８２４では業務完了時期を類推する。実施例２では特徴量データ（９０４）を入力として、線形層を重ねたＦｅｅｄｆｏｒｗａｒｄ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋなどの深層学習モデルを用いて、業務完了迄の所要日数（１２０３）を予測する。ただし、深層学習モデルは畳み込みニューラルネットワーク（ＣＮＮ）やリカレントニューラルネットワーク（ＲＮＮ）など任意の深層学習モデルを用いてよいし、Ｓ８２４の類推処理はルールやパターンベースでの方法、ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅやＲａｎｄｏｍＦｏｒｅｓｔなどの統計モデル・機械学習を用いた方法、またはこれらを組み合わせた方法であってもよい。

【0097】

実施例２では、深層学習モデルのパラメータは業務完了時期パラメータ（１０５）から読み込む。実施例２で利用する深層学習モデルのパラメータは、完了済みの過去の業務の特徴量データ（９２５）と業務完了迄の所要日数（１２０３）を用いて予め学習しておく。基準データ（９２１）の推定処理実施時刻（９２３）に予測した業務完了迄の所要日数（１２０３）を足し合わせて、業務完了時期（１２０４）を算出する。基準データ（９２１）の業務ＩＤ（９２２）と作成した所要日数（１２０３）と業務完了時期（１２０４）を組み合わせて、予測結果（１２０１）を作成する。

【0098】

Ｓ８２５では、算出した予測結果（１２０１）を出力する。以上の処理を経て、業務完了時期類推部（１０３）の処理は終了する。

【0099】

実施例２によれば、業務文書に記述された業務完了までに要する関連工程の時間表現を手掛かりに、自動的かつ高精度な業務完了時期の予測が可能となる。