特開 2024-16709 品質問題発生予測装置及び品質問題発生予測プログラム

(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】P2024016709

(43)【公開日】2024-02-07

(54)【発明の名称】品質問題発生予測装置及び品質問題発生予測プログラム

(51)【国際特許分類】

   G06Q 50/08 20120101AFI20240131BHJP

【ＦＩ】

G06Q50/08

【審査請求】未請求

【請求項の数】7

【出願形態】ＯＬ

(21)【出願番号】P 2022119019

(22)【出願日】2022-07-26

(71)【出願人】

【識別番号】000003621

【氏名又は名称】株式会社竹中工務店

(74)【代理人】

【識別番号】110001519

【氏名又は名称】弁理士法人太陽国際特許事務所

(72)【発明者】

【氏名】綿谷 聡

(72)【発明者】

【氏名】佐藤 玄

(72)【発明者】

【氏名】仲川 正則

(72)【発明者】

【氏名】柿沢 忠弘

(72)【発明者】

【氏名】三好 徹志

【テーマコード（参考）】

5L049

【Ｆターム（参考）】

5L049CC07

(57)【要約】

【課題】品質問題が発生するか否かを予測することができるとともに、品質問題が発生すると予測した場合に、発生しない人員配置を決定することができる品質問題発生予測装置及び品質問題発生予測プログラムを提供する。
【解決手段】属性情報及び人員配置予定情報を取得する取得部と、属性情報及び人員配置予定情報を品質問題発生予測モデルに入力することで発生状況情報を導出する導出部と、発生状況情報が示す品質問題の発生状況に関する情報である品質問題発生関連情報と、を備え、取得部は、発生状況情報が品質問題が発生するものである場合に、人員配置予定情報を更新した更新人員配置予定情報を取得し、導出部は、更新人員配置予定情報を品質問題発生予測モデルに入力することで発生状況情報を再導出する。
【選択図】図１２

【特許請求の範囲】

【請求項1】

予測対象とする建設工事に関する属性情報及び人員配置予定情報が入力情報とされ、当該建設工事での品質問題の発生状況を示す発生状況情報が出力情報とされた品質問題発生予測モデルを用いた品質問題発生予測装置であって、
前記属性情報及び前記人員配置予定情報を取得する取得部と、
前記取得部によって取得された前記属性情報及び前記人員配置予定情報を前記品質問題発生予測モデルに入力することで前記発生状況情報を導出する導出部と、
前記導出部によって導出された前記発生状況情報が示す品質問題の発生状況に関する情報である品質問題発生関連情報を提示する提示部と、を備え、
前記取得部は、
前記導出部によって導出された前記発生状況情報が品質問題が発生するものである場合に、前記人員配置予定情報を更新した更新人員配置予定情報を取得し、
前記導出部は、前記更新人員配置予定情報を前記品質問題発生予測モデルに入力することで前記発生状況情報を再導出する品質問題発生予測装置。

【請求項2】

前記発生状況情報には、品質問題発生の有無及び発生する品質問題の内容を含む請求項１に記載の品質問題発生予測装置。

【請求項3】

前記導出部は、
前記更新人員配置予定情報から、前記建設工事の追加費用又は利益率を算出する請求項１に記載の品質問題発生予測装置。

【請求項4】

前記品質問題発生予測モデルは、前記属性情報及び前記人員配置予定情報を入力情報とし、当該属性情報と当該人員配置予定情報で発生した前記発生状況情報を出力情報として機械学習されたものである、
請求項１に記載の品質問題発生予測装置。

【請求項5】

前記取得部は、予め定められた間隔毎に前記人員配置予定情報を取得し、
前記導出部は、前記予め定められた間隔毎に前記発生状況情報を導出する請求項１に記載の品質問題発生予測装置。

【請求項6】

前記導出部により前記予め定められた間隔毎に前記発生状況情報を導出する前記品質問題発生予測モデルは、継続的に取得される前記属性情報及び前記人員配置予定情報を入力情報とし、当該属性情報及び当該人員配置予定情報で発生した前記発生状況情報を出力情報として機械学習されたものである、
請求項５に記載の品質問題発生予測装置。

【請求項7】

予測対象とする建設工事に関する属性情報及び人員配置予定情報が入力情報とされ、当該建設工事での品質問題の発生状況を示す発生状況情報が出力情報とされた品質問題発生予測モデルを用いた品質問題発生予測プログラムであって、
前記属性情報及び前記人員配置予定情報を取得し、
取得した前記属性情報及び前記人員配置予定情報を前記品質問題発生予測モデルに入力することで前記発生状況情報を導出し、
導出した前記発生状況情報が示す品質問題の発生状況に関する情報である品質問題発生関連情報を提示し、
導出した前記発生状況情報が品質問題が発生するものである場合に、前記人員配置予定情報を更新した更新人員配置予定情報を取得し、
前記更新人員配置予定情報を前記品質問題発生予測モデルに入力することで前記発生状況情報を再導出する、
処理をコンピュータに実行させるための品質問題発生予測プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、品質問題発生予測装置及び品質問題発生予測プログラムに関する。

【背景技術】

【0002】

従来、施工品質情報を取得し、取得した施工品質情報を送信し、管理担当者による判定を受ける施工管理システムが知られている（例えば、特許文献１）。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０１７－１８２５４５号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

しかし、上記特許文献１に記載の技術では、品質問題が発生した後で、専門性の高い現場員を増員し、同一工事での品質問題の再発に備えることはできるが、事後対応に過ぎない。

【0005】

また、品質問題の確認や注意喚起は、知識やスキルを持った人員が必要である。しかし、知識やスキルを持った人員であっても、品質問題の発生時期や発生する事象の予測は困難である。

【0006】

また、品質問題が発生すると推測できた場合であっても、どの程度の人員を増員すればよいのかの予測も困難である。

【0007】

本開示は、品質問題が発生するか否かを予測することができるとともに、品質問題が発生すると予測した場合に、発生しない人員配置を決定することができる品質問題発生予測装置及び品質問題発生予測プログラムを提供することを目的とする。

【課題を解決するための手段】

【0008】

上記目的を達成するために、第１の態様の品質問題発生予測装置は、予測対象とする建設工事に関する属性情報及び人員配置予定情報が入力情報とされ、当該建設工事での品質問題の発生状況を示す発生状況情報が出力情報とされた品質問題発生予測モデルを用いた品質問題発生予測装置であって、前記属性情報及び前記人員配置予定情報を取得する取得部と、前記取得部によって取得された前記属性情報及び前記人員配置予定情報を前記品質問題発生予測モデルに入力することで前記発生状況情報を導出する導出部と、前記導出部によって導出された前記発生状況情報が示す品質問題の発生状況に関する情報である品質問題発生関連情報を提示する提示部と、を備え、前記取得部は、前記導出部によって導出された前記発生状況情報が品質問題が発生するものである場合に、前記人員配置予定情報を更新した更新人員配置予定情報を取得し、前記導出部は、前記更新人員配置予定情報を前記品質問題発生予測モデルに入力することで前記発生状況情報を再導出する。

【0009】

第１の態様によれば、品質問題が発生するか否かを予測することができるとともに、品質問題が発生すると予測した場合に、発生しない人員配置を決定することが可能となる。

【0010】

第２の態様の品質問題発生予測装置は、前記発生状況情報には、品質問題発生の有無及び発生する品質問題の内容を含む。

【0011】

第２の態様によれば、品質問題発生の有無と、品質問題の内容を提示することが可能となる。

【0012】

第３の態様の品質問題発生予測装置は、前記導出部は、前記更新人員配置予定情報から、前記建設工事の追加費用又は利益率を算出する。

【0013】

第３の態様によれば、建設工事の追加費用又は利益率を算出することができ、追加費用や利益率から人員配置予定情報を検討することが可能となる。

【0014】

第４の態様の品質問題発生予測装置は、前記品質問題発生予測モデルは、前記属性情報及び前記人員配置予定情報を入力情報とし、当該属性情報と当該人員配置予定情報で発生した前記発生状況情報を出力情報として機械学習されたものである。

【0015】

第４の態様によれば、属性情報及び人員配置予定情報から、発生状況情報を出力することが可能な品質問題発生予測モデルを構築することが可能となる。

【0016】

第５の態様の品質問題発生予測装置は、前記取得部は、予め定められた間隔毎に前記人員配置予定情報を取得し、前記導出部は、前記予め定められた間隔毎に前記発生状況情報を導出する。

【0017】

第５の態様によれば、新しい人員配置予定情報に基づいて発生状況情報を導出することが可能となる。

【0018】

第６の態様の品質問題発生予測装置は、前記導出部により前記予め定められた間隔毎に前記発生状況情報を導出する前記品質問題発生予測モデルは、継続的に取得される前記属性情報及び前記人員配置予定情報を入力情報とし、当該属性情報及び当該人員配置予定情報で発生した前記発生状況情報を出力情報として機械学習されたものである。

【0019】

第６の態様によれば、新しい属性情報と人員配置予定情報とに基づいて、機械学習することができ、機械学習の精度を向上させることが可能となる。

【0020】

第７の態様の品質問題発生予測プログラムは、予測対象とする建設工事に関する属性情報及び人員配置予定情報が入力情報とされ、当該建設工事での品質問題の発生状況を示す発生状況情報が出力情報とされた品質問題発生予測モデルを用いた品質問題発生予測プログラムであって、前記属性情報及び前記人員配置予定情報を取得し、取得した前記属性情報及び前記人員配置予定情報を前記品質問題発生予測モデルに入力することで前記発生状況情報を導出し、導出した前記発生状況情報が示す品質問題の発生状況に関する情報である品質問題発生関連情報を提示し、導出した前記発生状況情報が品質問題が発生するものである場合に、前記人員配置予定情報を更新した更新人員配置予定情報を取得し、前記更新人員配置予定情報を前記品質問題発生予測モデルに入力することで前記発生状況情報を再導出する、処理をコンピュータに実行させる。

【0021】

第７の態様によれば、品質問題が発生するか否かを予測することができるとともに、品質問題が発生すると予測した場合に、発生しない人員配置を決定することが可能な品質問題発生予測プログラムを提供することができる。

【発明の効果】

【0022】

本発明によれば、危険範囲に入らないと推測された場合には警告を行わないようにすることができ、無駄な作業の中断を防止することを可能にすることができる、という効果が得られる。

【図面の簡単な説明】

【0023】

【図1】実施形態に係る品質問題発生予測システムの概略構成図である。

【図2】実施形態に係る品質問題発生予測装置の概略ブロック図である。

【図3】実施形態に係る品質問題発生予測の、品質問題発生予測モデルの学習時における機能構成の例を示すブロック図である。

【図4】実施形態に係る品質問題発生予測の、品質問題発生予測モデルの運用時における機能構成の例を示すブロック図である。

【図5】実施形態に係る情報蓄積装置のストレージの構成を示すブロック図である。

【図6】実施形態に係る品質問題発生予測装置のストレージの構成を示すブロック図である。

【図7】実施形態に係る第１モデルの学習用情報データベースの一例を示す説明図である。

【図8】実施形態に係る第２モデルの学習用情報データベースの一例を示す説明図である。

【図9】実施形態に係る第３モデルの学習用情報データベースの一例を示す説明図である。

【図10】実施形態に係る品質問題データベースの一例を示す説明図である。

【図11】実施形態に係る学習フェーズの処理の流れの一例を示すフローチャートである。

【図12】実施形態に係る運用フェーズの処理の流れの一例を示すフローチャートである。

【図13】実施形態に係る建設工事の着工前である受注時に行われる第１モデルを用いて発生状況情報を導出した場合の導出例の一例を説明する説明図である。

【図14】図１３に示す例から、施工管理人員数を変化させた場合の第１モデルを用いて発生状況情報を導出した場合の導出例の一例を説明する説明図である。

【図15】図１３に示す例から、施工管理人員数を変化させた場合の第１モデルを用いて発生状況情報を導出した場合の導出例の他の一例を説明する説明図である。

【図16】実施形態に係る発生状況情報が示す品質問題の発生状況に関する情報である品質問題発生関連情報を表示する一例を説明するための説明図である。

【図17】実施形態に係る発生状況情報が示す品質問題の発生状況に関する情報である品質問題発生関連情報を表示する他の一例を説明するための説明図である。

【発明を実施するための形態】

【0024】

以下、本開示の実施形態の一例を、図面を参照しつつ説明する。なお、各図面において同一又は等価な構成要素および部分には同一の参照符号を付与している。また、図面の寸法比率は、説明の都合上誇張されており、実際の比率とは異なる場合がある。

【0025】

図１を用いて、本実施形態に係る品質問題発生予測システム１０の一例を説明する。
図１は、本実施形態に係る品質問題発生予測システム１０の概略構成の一例を示す図である。

【0026】

図１に示すように、本実施形態に係る品質問題発生予測システム１０は、品質問題発生予測装置２０、情報蓄積装置３０及び出力装置４０を含む。本実施形態に係る品質問題発生予測装置２０は、予め構築した品質問題発生予測モデル２２０に対して、予測対象とする建設工事に関する属性情報及び人員配置予定情報を入力することで、当該建設工事での品質問題の発生状況を示す情報である発生状況情報を導出するものである。また、本実施形態に係る情報蓄積装置３０は、品質問題発生予測装置２０で取り扱う各種情報を蓄積するものである。また、出力装置４０は、主として、各建設工事の作業所に設置され、品質問題発生予測装置２０で導出された品質問題発生関連情報を提示、例えば、ディスプレイに表示する装置である。なお、品質問題発生予測装置２０で導出された品質問題発生関連情報の提示は、出力装置４０のディスプレイに表示する場合に限定されず、品質問題発生予測装置２０の表示部２７に表示する場合も含む。

【0027】

本実施形態に係る情報蓄積装置３０は不揮発性のストレージ３１を備えている。ストレージ３１はＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）、フラッシュメモリ等によって実現される。ストレージ３１には、図５に示すように、学習用情報データベース３２及び品質問題データベース３３が記憶されている。学習用情報データベース３２及び品質問題データベース３３については、詳細を後述する。

【0028】

本実施形態に係る出力装置４０の例としては、パーソナルコンピュータ及びサーバコンピュータ等の各種コンピュータが挙げられる。

【0029】

品質問題発生予測装置２０、情報蓄積装置３０及び出力装置４０は、ネットワークＮを介して接続されており、品質問題発生予測装置２０、情報蓄積装置３０及び出力装置４０は、ネットワークＮを介して相互に通信可能とされている。なお、本実施形態では、ネットワークＮとしてＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）等の企業内の通信回線を適用しているが、この形態に限定されるものではない。ネットワークＮとして、例えば、インターネット、電話回線等の公共の通信回線を適用してもよく、これらの企業内の通信回線及び公共の通信回線を組み合わせて適用してもよい。また、本実施形態では、ネットワークＮとして有線の通信回線を適用しているが、この形態に限定されるものではなく、無線の通信回線を適用してもよく、有線及び無線の各通信回線を組み合わせて適用してもよい。

【0030】

次に、図２を参照して、本実施形態に係る品質問題発生予測装置２０のハードウェア構成を説明する。図２は、本実施形態に係る品質問題発生予測装置２０のハードウェア構成の一例を示すブロック図である。なお、品質問題発生予測装置２０の例としては、パーソナルコンピュータ及びサーバコンピュータ等の各種コンピュータが挙げられる。また、品質問題発生予測装置２０は、クラウド・コンピューティングによって実現されてもよい。

【0031】

図２に示すように、品質問題発生予測装置２０は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）２１、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）２２、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）２３、ストレージ２４、通信インタフェース２５、入力部２６および表示部２７を有する。各構成は、バス２８を介して相互に通信可能に接続されている。

【0032】

ＣＰＵ２１は、中央演算処理ユニットであり、各種プログラムを実行したり、各部を制御したりする。すなわち、ＣＰＵ２１は、ＲＯＭ２２又はストレージ２４からプログラムを読み出し、ＲＡＭ２３を作業領域としてプログラムを実行する。ＣＰＵ２１は、ＲＯＭ２２又はストレージ２４に記録されているプログラムにしたがって、上記各構成の制御および各種の演算処理を行う。本実施形態では、ＲＯＭ２２又はストレージ２４には、後述する図６に示すように、学習プログラム２００、品質問題発生予測プログラム２１０などのプログラム又は品質問題発生予測モデル２２０などのデータが格納されている。

【0033】

ＲＯＭ２２は、各種プログラムおよび各種データを格納する。ＲＡＭ２３は、作業領域として一時的にプログラム又はデータを記憶する。ストレージ２４は、ＨＤＤ、又はＳＳＤにより構成され、オペレーティングシステムを含む各種プログラム、および各種データを格納する。

【0034】

また、本実施形態では、ストレージ２４には、図６に示す学習プログラム２００、品質問題発生予測プログラム２１０及び品質問題発生予測モデル２２０が記憶されている。本実施形態では、品質問題発生予測モデル２２０は、運用する時期に応じて異なるモデル、第１モデル２２１、第２モデル２２２及び第３モデル２２３を備える。なお、品質問題発生予測モデル２２０は、運用する時期に応じて異なるモデル（第１モデル２２１、第２モデル２２２及び第３モデル２２３）を備える場合に限定されず、１つのモデルであってもよいし、又、２つのモデルであってもよい。

【0035】

また、本実施形態に係る品質問題発生予測モデル２２０は、予測対象とする建設工事に関する属性情報及び人員配置予定情報が入力情報とされている。また、本実施形態に係る品質問題発生予測モデル２２０は、当該建設工事での品質問題の発生状況を示す発生状況情報が出力情報とされている。本実施形態では、発生状況情報として、品質問題の発生の有無、品質問題が発生する場合の品質問題の種別、内容及び品質問題が発生する時期の各々を示す情報を適用しているが、これに限定されない。

【0036】

本実施形態に係る品質問題発生予測モデル２２０は、ＧＢＤＴ（Ｇｒａｄｉｅｎｔ Ｂｏｏｓｔｉｎｇ Ｄｅｃｉｓｉｏｎ Ｔｒｅｅ、勾配ブースティング決定木）モデルを用いたＡＩ（Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ、人工知能）によるモデルとされているが、これに限るものではない。ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ、畳み込みニューラルネットワーク）やＢＥＲＴ（Ｂｉｄｉｒｅｃｔｉｏｎａｌ Ｅｎｃｏｄｅｒ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ ｆｒｏｍ Ｔｒａｎｓｆｏｒｍｅｒｓ、https://arxiv.org/abs/1810.04805）、ｔｒａｎｓｆｏｒｍｅｒ（https://arxiv.org/abs/1706.03762）を用いたＡＩによるモデルやＭＬＰ（Ｍｕｌｔｉｌａｙｅｒ ｐｅｒｃｅｐｔｒｏｎ、多層パーセプトロン）等の、ＧＢＤＴモデル以外のＡＩ等の機械学習モデルを品質問題発生予測モデル２２０として適用する形態としてもよい。

【0037】

また、本実施形態では、属性情報として、図７～図９に示すように、予測対象とする建設工事（以下、「対象建設工事」ともいう。）の対象とする建設物の階数Ｂ、階数Ｆ、階数Ｐ、建物用途、工事種別、法定延床面積を含む情報を適用している。ここで、階数Ｂは建設物の地下の階数であり、階数Ｆは建設物の地上の階数であり、階数Ｐは塔屋の階数である。建物用途は建設物の用途であり、例えば、事務所や病院、ホテルなどがある。工事種別は、工事の種別であり、例えば、新築や改修などがある。なお、属性情報は、上述したものに限定されず、他の情報、例えば、立地情報、契約情報、財務情報などを含んでもよいし、又、上述したものの全てではなく１部のみであってもよい。

【0038】

また、人員配置予定情報として、図７～図９に示すように、作業員合計数、施工管理人員数、施工管理率を含む情報を適用している。ここで、作業員合計数は対象建設工事に携わった作業員の合計数である。施工管理人員数は対象建設工事に携わった施工管理の人数である。施工管理率は対象建設工事の作業員合計数を施工管理人員数で除した値である。なお、人員配置予定情報は、上述したものに限定されず、他の情報、例えば、作業員や施工管理人員の経験年数などの経験値を表す情報や人事評価などの評価値を表す情報を含んでもよいし、又、上述したものの全てではなく１部のみでもよい。

【0039】

通信インタフェース２５は、情報蓄積装置３０や出力装置４０の他の機器と通信するためのインタフェースであり、例えば、無線ＬＡＮ、インターネット等の規格が用いられる。

【0040】

入力部２６は、マウス等のポインティングデバイス、およびキーボードを含み、各種の入力を行うために使用される。

【0041】

表示部２７は、例えば、液晶ディスプレイであり、ＣＰＵ２１の制御に基づき各種の情報を表示する。また、表示部２７は、タッチパネル方式を採用して、入力部２６として機能しても良い。

【0042】

品質問題発生予測装置２０は、上記のハードウェア資源を用いて、各種の機能を実現する。品質問題発生予測装置２０が実現する機能構成について説明する。

【0043】

図３は、品質問題発生予測装置２０の品質問題発生予測モデル２２０の学習時における機能構成の例を示すブロック図である。

【0044】

図３に示すように、品質問題発生予測モデル２２０の学習時における品質問題発生予測装置２０のＣＰＵ２１は、機能構成として、取得部１１０、学習部１２０及び出力部１３０を備える。各機能構成は、ＣＰＵ２１がＲＯＭ２２又はストレージ２４に記憶された学習プログラム２００を読み出し、実行することにより実現される。

【0045】

取得部１１０は、学習に用いる属性情報及び人員配置予定情報（以下、これらの情報を総称して「学習用情報」ともいう。）を取得する。

【0046】

また、取得部１１０は、予め定められた間隔毎、例えば、月次毎に人員配置予定情報を取得する。そして、後述する図８に示す第２学習用情報データベース３２２を新しいものに更新する。

【0047】

本実施形態では、ＣＰＵ２１が、上記学習用情報を、学習用情報データベース３２から読み出すことにより取得する。なお、学習用情報をＣＰＵ２１が学習用情報データベース３２から読み出すことにより取得する場合に限定されず、学習用情報の全部又は一部を、入力部２６を介してユーザにより入力させるようにしてもよい。

【0048】

学習部１２０は、属性情報及び人員配置予定情報を入力情報とし、当該属性情報と当該人員配置予定情報で発生した発生状況情報を出力情報として機械学習することにより、品質問題発生予測モデル２２０を生成する。

【0049】

出力部１３０は、学習部１２０により生成された品質問題発生予測モデル２２０を出力、具体的には、ストレージ２４に記憶させる。

【0050】

図４は、品質問題発生予測装置２０の品質問題発生予測モデル２２０の運用時における機能構成の例を示すブロック図である。

【0051】

図４に示すように、品質問題発生予測モデル２２０の運用時における品質問題発生予測装置２０のＣＰＵ２１は、機能構成として、取得部１１０、導出部１４０及び提示部１５０を備える。各機能構成は、ＣＰＵ２１がＲＯＭ２２又はストレージ２４に記憶された品質問題発生予測プログラム２１０を読み出し、実行することにより実現される。

【0052】

取得部１１０は、運用フェーズで品質問題発生予測モデル２２０に入力される属性情報及び人員配置予定情報を取得する。すなわち、品質問題が発生するかを予測する建設工事の属性情報及び人員配置予定情報を取得する。また、取得部１１０は、導出部１４０によって導出された発生状況情報が品質問題が発生するものである場合に、人員配置予定情報を更新した更新人員配置予定情報を取得する。なお、導出部１４０によって導出された発生状況情報が品質問題が発生するものである場合に人員配置予定情報を更新した更新人員配置予定情報を取得する場合に限定されず、品質問題が発生しないものである場合に更新人員配置予定情報を取得してもよい。

【0053】

導出部１４０は、取得部１１０によって取得された属性情報及び人員配置予定情報を品質問題発生予測モデル２２０に入力することで発生状況情報を導出する。また、導出部１４０は、取得部１１０によって取得された更新人員配置予定情報を品質問題発生予測モデル２２０に入力することで発生状況情報を再導出する。そして、導出部１４０は、予め定められた間隔毎、例えば、月次毎に発生状況情報を導出する。

【0054】

また、導出部１４０は、更新人員配置予定情報から、建設工事の追加費用又は利益率を算出する。追加費用や利益率は、人員配置予定情報が更新されることにより、施工管理人員数が増減することに基づいて算出される。例えば、施工管理人員数が「＋１」の場合は、追加費用が「＋１００」（単位：万円）され、利益率を再計算する。

【0055】

提示部１５０は、導出部１４０によって導出された発生状況情報が示す品質問題の発生状況に関する情報である品質問題発生関連情報を提示する。ここで、品質問題発生関連情報は、後述する図１６又は図１７に示すように、信号機Ｓを模した画像で品質問題発生確率を表示することや、棒グラフＧで発生する品質問題の種類を表示する。なお、提示部１５０が提示する情報は、品質問題発生関連情報に限定されず、品質問題の発生の有無と品質問題の種別、内容などの発生状況情報を提示してもよい。

【0056】

次に、図７～図１０を用いて、本実施形態における学習用情報データベース３２及び品質問題データベース３３の一例について説明する。本実施形態の学習用情報データベース３２は、品質問題発生予測モデル２２０毎に第１学習用情報データベース３２１、第２学習用情報データベース３２２及び第３学習用情報データベース３２３が備えられる。

【0057】

図７に示す第１学習用情報データベース３２１は、第１モデル２２１用の学習用情報データベース３２の一例である。第１モデル２２１は、建設工事の着工前である受注時に建設工事の工事中の月毎の品質問題発生の有無を予測するためのモデルである。

【0058】

第１学習用情報データベース３２１には、過去の建設工事の事例の、工事着工前の計画段階の階数Ｂ、階数Ｆ、階数Ｐ、建物用途、工事種別、法定延床面積、作業員合計数（計画値）、施工管理人員数（計画値）、及び施工管理率と、当該建設工事における品質問題の有無とのペアが教師データとして記憶されている。第１モデル２２１は、かかる教師データを学習する。ここで、第１学習用情報データベース３２１の作業員合計数と施工管理人員数とは、工事着工前であるため実際の人数ではない計画値である。

【0059】

図８に示す第２学習用情報データベース３２２は、第２モデル２２２用の学習用情報データベース３２の一例である。第２モデル２２２は、建設工事の工事中の月次で品質問題発生の有無を予測するためのモデルである。

【0060】

第２学習用情報データベース３２２には、過去の建設工事の事例の、実際の施工された階数Ｂ、階数Ｆ、階数Ｐ、建物用途、工事種別、法定延床面積、作業員合計数、施工管理人員数、及び施工管理率と、当該建設工事における品質問題の有無とのペアが教師データとして記憶されている。第２モデル２２２は、かかる教師データを学習する。かかる第２学習用情報データベース３２２は、図７に示す第１学習用情報データベース３２１とは異なり、作業員合計数と施工管理人員数とが計画値ではない実際の建設工事に携わった人数となる。すなわち、第２学習用情報データベース３２２は、取得部１１０が予め定められた間隔、例えば、月次毎に、属性情報及び人員配置予定情報を継続的に取得することで、第１学習用情報データベース３２１から情報が更新された学習用情報データベース３２である。

【0061】

ここで、かかる月次毎に更新される第２学習用情報データベース３２２は、品質問題が発生する確率を導出する建設工事の途中までの属性情報、人員配置予定情報及び品質問題の有無とのペアが含まれてもよい。すなわち、他の建設工事だけではなく、自らの建設工事で発生した品質問題についても学習することで、機械学習の精度を向上させることも可能となる。

【0062】

図９に示す第３学習用情報データベース３２３は、第３モデル２２３用の学習用情報データベース３２の一例である。第３モデル２２３は、建設工事の工事中の月次で事象別に品質問題発生を予測するためのモデルである。

【0063】

第３学習用情報データベース３２３には、過去の建設工事の事例の、階数Ｂ、階数Ｆ、階数Ｐ、建物用途、工事種別、法定延床面積、作業員合計数、施工管理人員数、及び施工管理率と、発生した品質問題とのペアが教師データとして記憶されている。第３モデル２２３は、かかる教師データを学習する。第３学習用情報データベース３２３の「発生した品質問題」の項目は、図１０に示す品質問題データベース３３から、形態素解析によりワードの頻度、共起関係の整理やＷｏｒｄ２ｖｅｃによるベクトルのクラスタリングなどにより抽出する。ここで、品質問題データベース３３は、過去の建設工事の事例で発生した品質問題を記憶したデータベースである。品質問題データベース３３には、図１０に示すように、建設工事のＩＤ、建物用途、発生した品質問題、工事種別、設計区分、速報・経緯・概要、要因、指摘、図面・写真などが記憶されている。建物用途は建設物の用途であり、例えば、事務所や病院、ホテルなどがある。発生した品質問題は、発生した品質問題の種類であり、例えば、鉄筋不具合や位置間違い、アンカー不具合などがある。内容は、発生した品質問題の内容である。工事種別は、工事の種別であり、例えば、新築や改修などがある。設計区分は、自社が設計したか他社が設計したかの区別である。速報・経緯・概要は、品質問題を認識した状況などである。要因は、品質問題が発生した要因である。指摘は、品質問題への対応などである。図面・写真は、建設工事の図面や写真などである。なお、品質問題データベース３３は、上述したものに限定されず、他の情報を含んでもよいし、又、上述したものの全てではなく１部のみでもよい。また、発生した品質問題の項目の抽出は、上述した例に限定されず、他の手法によって行ってもよい。

【0064】

次に、品質問題発生予測装置２０の作用について説明する。

【0065】

次に、品質問題発生予測装置２０による学習フェーズの流れについて、建設工事の着工前である受注時に使用される第１モデル２２１の学習を例にして説明する。

【0066】

図１１は、品質問題発生予測装置２０による学習フェーズの流れを示すフローチャートである。ＣＰＵ２１がＲＯＭ２２又はストレージ２４から学習プログラム２００を読み出して、ＲＡＭ２３に展開して実行することにより、学習フェーズが行なわれる。

【0067】

まず、ステップＳ１００において、ＣＰＵ２１は、学習用情報データベース３２０から学習用情報として、一組の教師データの各情報を読み出す。具体的には、第１モデル２２１の学習の場合は、図７に示す第１学習用情報データベース３２１から一組の教師データ、例えば、ＩＤ「Ｌ００１」の教師データとして、階数Ｂや建物用途などの属性情報と、作業員合計数（計画値）や施工管理人員数（計画値）などの人員配置予定情報、及び品質問題の有無の発生状況情報を読み出す。

【0068】

ここで、第２モデル２２２の学習の場合は、図８に示す継続的に取得される属性情報及び人員配置予定情報により更新された第２学習用情報データベース３２２から一組の教師データ、例えば、ＩＤ「Ｌ００１」の教師データとして、階数Ｂや建物用途などの属性情報と、作業員合計数や施工管理人員数などの人員配置予定情報、及び品質問題の有無の発生状況情報を読み出す。また、第３モデル２２３の学習の場合は、図９に示す第３学習用情報データベース３２３から一組の教師データ、例えば、ＩＤ「Ｌ００１」の教師データとして、階数Ｂや建物用途などの属性情報と、作業員合計数や施工管理人員数などの人員配置予定情報、及び発生した品質問題の内容である発生状況情報を読み出す。そして、次のステップＳ１０２に進む。

【0069】

ステップＳ１０２において、ＣＰＵ２１により、読み出した学習用情報に対して形態素解析を行う。そして、次のステップＳ１０４に進む。

【0070】

ステップＳ１０４において、ＣＰＵ２１により、ステップＳ１０２で形態素解析を行った属性情報及び人員配置予定情報を入力情報とし、当該属性情報と当該人員配置予定情報で発生した発生状況情報を出力情報として機械学習を行い、品質問題発生予測モデル２２０を作成する。そして、次のステップＳ１０６に進む。

【0071】

ステップＳ１０６において、ＣＰＵ２１により、ステップＳ１０４で作成した品質問題発生予測モデル２２０をストレージ２４に格納する。そして、処理を終了する。

【0072】

次に、品質問題発生予測装置２０による運用フェーズの流れについて、建設工事の着工前である受注時に行われる第１モデル２２１を用いた場合を例にして説明する。

【0073】

図１２は、第１モデル２２１を用いた品質問題発生予測装置２０による運用フェーズの流れを示すフローチャートである。ＣＰＵ２１がＲＯＭ２２又はストレージ２４から品質問題発生予測プログラム２１０を読み出して、ＲＡＭ２３に展開して実行することにより、運用フェーズが行なわれる。

【0074】

まず、ステップＳ２００において、ＣＰＵ２１により、品質問題の発生を予測する建設工事についての属性情報及び人員配置予定情報を取得する。具体的には、第１モデル２２１の運用の場合は、図１３に示すような、階数Ｂ、階数Ｆ、階数Ｐ、建物用途、工事種別及び法定延床面積などの属性情報と、作業員合計数及び施工管理人員数などの人員配置予定情報を取得する。なお、属性情報及び人員配置予定情報は、ユーザにより入力される場合の他、属性情報及び人員配置予定情報が記録された運用フェーズ用のデータベースを読み出すことにより取得するようにしてもよい。そして、次のステップＳ２０２に進む。

【0075】

ステップＳ２０２において、ＣＰＵ２１により、図１１に示すステップＳ１０６でストレージ２４に格納された第１モデル２２１にステップＳ２００で取得した属性情報及び人員配置予定情報を入力する。そして、次のステップＳ２０４に進む。

【0076】

ステップＳ２０４において、ＣＰＵ２１により、後述する図１３に示すように、当該建設工事での品質問題の発生状況を示す発生状況情報が導出される。そして、次のステップＳ２０６に進む。

【0077】

ステップＳ２０６において、ＣＰＵ２１により、ステップＳ２０４で導出された発生状況情報が示す品質問題の発生状況に関する情報である品質問題発生関連情報が提示される。具体的には、後述する図１６に示すように、品質問題が発生する確率や、図１７に示すように、発生する品質問題の事象別発生割合が、出力装置４０のディスプレイや品質問題発生予測装置２０の表示部２７に表示される。そして、次のステップＳ２０８に進む。

【0078】

ステップＳ２０８において、ＣＰＵ２１により、更新人員配置予定情報が取得されたか否かが判定される。すなわち、ステップＳ２０４で導出された発生状況情報が品質問題が発生するものである場合に、ユーザにより人員配置予定情報を更新した更新人員配置予定情報が作成されて品質問題発生予測装置２０に入力されたか否かを判定する。なお、更新人員配置予定情報はユーザにより作成される場合に限定されず、ＣＰＵ２１により品質問題が発生する人員配置予定情報を元に更新人員配置予定情報が作成されるようにしてもよい。更新人員配置予定情報が取得されたと判定された場合は、次のステップＳ２１０に進む。一方、更新人員配置予定情報が取得されたと判定されない場合は、処理を終了する。

【0079】

ステップＳ２１０において、ＣＰＵ２１により、ステップＳ２０２で第１モデル２２１に入力した属性情報と、ステップＳ２０８で取得した更新人員配置予定情報を第１モデル２２１に入力する。なお、属性情報もステップＳ２０８で更新人員配置予定情報と合わせて取得してもよい。そして、次のステップＳ２１２に進む。

【0080】

ステップＳ２１２において、ＣＰＵ２１により、後述する図１４及び図１５に示すように、当該建設工事での品質問題の発生状況を示す発生状況情報が再導出される。そして、次のステップＳ２１４に進む。

【0081】

ステップＳ２１４において、ＣＰＵ２１により、後述する図１４及び図１５に示すように、建設工事の追加費用又は利益率が算出される。追加費用、利益率は、施工管理人員数の増減に基づいて算出される。例えば、施工管理人員数が「＋１」の場合は、追加費用が「＋１００」（単位：万円）され、利益率を再計算する。そして、次のステップＳ２１６に進む。

【0082】

ステップＳ２１６において、ＣＰＵ２１により、ステップＳ２１２で導出された発生状況情報が示す品質問題の発生状況に関する情報である品質問題発生関連情報が提示される。具体的には、後述する図１６に示すように、品質問題が発生する危険度や、図１７に示すように、発生する品質問題の事象別発生割合が、出力装置４０のディスプレイや品質問題発生予測装置２０の表示部２７に表示される。そして、次のステップＳ２１８に進む。

【0083】

ステップＳ２１８において、ＣＰＵ２１により、更新人員配置予定情報が取得されたか否かが判定される。すなわち、ステップＳ２０４で導出された発生状況情報が品質問題が発生するものである場合に、ユーザにより人員配置予定情報を更新した更新人員配置予定情報が作成されて品質問題発生予測装置２０に入力されたか否かを判定する。更新人員配置予定情報が取得されたと判定された場合は、再度ステップＳ２１０に戻る。一方、更新人員配置予定情報が取得されたと判定されない場合は、処理を終了する。

【0084】

このように更新人員配置予定情報の入力と発生状況情報の再導出を繰り返すことにより、品質問題発生が発生しない人員配置予定情報を導出することができる。なお、更新人員配置予定情報の入力は、ステップＳ２０４で導出された発生状況情報が品質問題が発生するものである場合に限定されず、発生状況情報が品質問題が発生しない場合に行われてもよい。これにより、人員配置が過剰となることを防止することができ、より効率的な人員配置を決定することができる。

【0085】

第２モデル２２２を用いた建設工事の工事中の月次で品質問題発生の有無を予測する品質問題発生予測装置２０による運用フェーズの流れについては、品質問題発生の有無を予測する時期が異なるだけで、図１２を用いて説明した建設工事の着工前である受注時に行われる第１モデル２２１を用いた場合と同様である。すなわち、第２モデル２２２を用いた品質問題発生の有無の予測は、予め定められた間隔、本実施形態では、月次毎に行われる。

【0086】

第３モデル２２３を用いた月次で事象別に品質問題発生を予測する品質問題発生予測装置２０による運用フェーズの流れについては、図１２を用いて説明した建設工事の着工前である受注時に行われる第１モデル２２１を用いた場合とほぼ同様であるが、導出される発生状況情報が、品質問題が発生する確率ではなく、発生する品質問題の種類と、種類別の発生割合である。

【0087】

次に、図１３～図１５を用いて、導出された発生状況情報について説明する。

【0088】

図１３は、建設工事の着工前である受注時に行われる第１モデル２２１を用いて発生状況情報を導出した場合の導出例である。

【0089】

具体的には、建設工事のＩＤ「Ｂ００１」について、月毎の、階数Ｂや建物用途などの属性情報と作業員合計数（計画値）や施工管理人員数（計画値）などの人員配置予定情報と、導出された発生状況情報として品質問題の発生確率が対応付けられてストレージ２４に記憶される。品質問題の発生確率は、発生確率毎に、例えば、確率５０％以上を「高い」、１０％以上５０％未満を「やや高い」、１０％未満を「普通」の３段階に分けて記憶される。そして、後述する図１６に示すように、信号機Ｓと同様の表記に従い、品質問題発生確率を表示する。

【0090】

図１４は、図１３に示す「やや高い」が出力された「２０２２／０１」の年月の人員配置予定情報を更新した更新人員配置予定情報を第１モデル２２１に入力することで発生状況情報の再導出と、建設工事の追加費用及び利益率の算出をした場合の導出例である。かかる導出結果は、ストレージ２４に記憶される。

【0091】

具体的には、図１４（Ａ）は、建設工事のＩＤ「Ｂ００１」の年月「２０２２／０１」について、人員配置予定情報のうち施工管理人員数を元の「１００」から「１０１」に更新した人員配置予定情報と、再導出された発生状況情報としての品質問題の発生確率と、算出された建設工事の追加費用及び利益率と、の例である。

【0092】

また、図１４（Ｂ）は、人員配置予定情報のうち施工管理人員数を元の「１００」から「１０２」に更新した場合に再導出された発生状況情報としての品質問題の発生確率と、算出された建設工事の追加費用及び利益率と、の例である。

【0093】

また、図１４（Ｃ）は、人員配置予定情報のうち施工管理人員数を元の「１００」から「１０３」に更新した場合に再導出された発生状況情報としての品質問題の発生確率と、算出された建設工事の追加費用及び利益率と、の例である。

【0094】

また、図１４（Ｄ）は、人員配置予定情報のうち施工管理人員数を元の「１００」から「１０４」に更新した場合に再導出された発生状況情報としての品質問題の発生確率と、算出された建設工事の追加費用及び利益率と、の例である。

【0095】

なお、人員配置予定情報を入力する場合に限定されず、ＣＰＵ２１が、品質問題の発生確率が予め定められた確率、例えば、「普通」になるまで人員配置予定情報を更新し続けて、品質問題の発生確率を再導出してもよい。また、図１４では、品質問題の発生確率が「やや高い」であるため、施工管理人員数を減らした場合の予測の例は示していないが、施工管理人員数を減らした場合の予測をしてもよい。

【0096】

図１５は、図１３に示す「普通」が出力された「２０２２／０３」の年月の人員配置予定情報を更新した更新人員配置予定情報を第１モデル２２１に入力することで発生状況情報の再導出と、建設工事の追加費用及び利益率の算出をした場合の導出例である。かかる導出結果は、ストレージ２４に記憶される。

【0097】

具体的には、図１５（Ａ）は、建設工事のＩＤ「Ｂ００１」の年月「２０２２／０３」について、人員配置予定情報のうち施工管理人員数を元の「１００」から「９７」に更新した人員配置予定情報と、再導出された発生状況情報としての品質問題の発生確率と、算出された建設工事の追加費用及び利益率と、の例である。

【0098】

また、図１５（Ｂ）は、人員配置予定情報のうち施工管理人員数を元の「１００」から「９８」に更新した場合に再導出された発生状況情報としての品質問題の発生確率と、算出された建設工事の追加費用及び利益率と、の例である。

【0099】

また、図１５（Ｃ）は、人員配置予定情報のうち施工管理人員数を元の「１００」から「９９」に更新した場合に再導出された発生状況情報としての品質問題の発生確率と、算出された建設工事の追加費用及び利益率と、の例である。

【0100】

また、図１５（Ｄ）は、人員配置予定情報のうち施工管理人員数を元の「１００」から「１０１」に更新した場合に再導出された発生状況情報としての品質問題の発生確率と、算出された建設工事の追加費用及び利益率と、の例である。

【0101】

なお、図１５では、品質問題の発生確率が「普通」であるため、施工管理人員数を減らした場合の予測の例を多く示しているが、施工管理人員数を増やした場合の予測の例も示している。

【0102】

図１６は、第１モデル２２１又は第２モデル２２２で出力された発生状況情報が示す品質問題の発生状況に関する情報である品質問題発生関連情報を表示する一例を示すものである。本実施形態では、図１６に示すように、信号機Ｓと同様の表記に従い、出力装置４０のディスプレイや品質問題発生予測装置２０の表示部２７に、品質問題発生確率の「高い」を赤信号、「やや高い」を黄信号、「普通」を青信号で表示する。なお、品質問題の発生確率を信号機Ｓを用いて表示する場合に限定されず、例えば、発生確率を数値で表示してもよいし、他のマークに置き換えて表示してもよい。

【0103】

図１７は、第３モデル２２３で出力された発生する発生状況情報が示す品質問題の発生状況に関する情報である品質問題発生関連情報を表示する一例を示すものである。本実施形態では、品質問題の種類を表示する。本実施形態では、図１７に示すように、出力装置４０のディスプレイや品質問題発生予測装置２０の表示部２７に棒グラフＧで表示する。発生すると予想された品質問題が複数種類ある場合は、例えば、鉄筋、鉄骨、コンクリート（ＣＯＮ）、位置などの種類毎に色分けして表示している。なお、発生する品質問題の種類を棒グラフＧで表示する場合に限定されず、例えば、円グラフで表示してもよいし、又、発生する確率が高い順にランキング形式で発生する品質問題の種類を表示してもよい。

【0104】

本発明は、上述した実施形態に限定されるものではなく、この発明の要旨を逸脱しない範囲内で様々な変形や応用が可能である。

【0105】

例えば、上記実施形態では、品質問題発生予測装置２０と情報蓄積装置３０とを備えた品質問題発生予測システム１０としたが、これに限定されず、例えば、品質問題発生予測装置２０と情報蓄積装置３０とを一体化した単一の装置で品質問題発生予測装置を構成するようにしてもよい。

【0106】

また、上記実施形態では、品質問題発生予測装置２０が機械学習する場合について説明したが、これに限定されず、別途、学習装置を設け、当該学習装置が機械学習するようにしてもよい。

【0107】

また、上記実施形態でＣＰＵ２１がソフトウェア（プログラム）を読み込んで実行した処理を、ＣＰＵ２１以外の各種のプロセッサが実行しても良い。この場合のプロセッサとしては、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）等の製造後に回路構成を変更可能なＰＬＤ（Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ）、及びＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が例示される。また、各処理を、これらの各種のプロセッサのうちの１つで実行してもよいし、同種又は異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡ、及びＣＰＵとＦＰＧＡとの組み合わせ等）で実行してもよい。また、これらの各種のプロセッサのハードウェア的な構造は、より具体的には、半導体素子等の回路素子を組み合わせた電気回路である。

【0108】

また、上記実施形態では、各処理のプログラムがＲＯＭ２２又はストレージ２４に予め記憶（インストール）されている態様を説明したが、これに限定されない。プログラムは、ＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｋ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＤＶＤ－ＲＯＭ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｋ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、及びＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）メモリ等の記録媒体に記録された形態で提供されてもよい。また、プログラムは、ネットワークを介して外部装置からダウンロードされる形態としても良い。

【符号の説明】

【0109】

１０ 品質問題発生予測システム
２０ 品質問題発生予測装置
２１ ＣＰＵ
２２ ＲＯＭ
２３ ＲＡＭ
２４ ストレージ
２５ 通信インタフェース
２６ 入力部
２７ 表示部
２８ バス
１１０ 取得部
１２０ 学習部
１３０ 出力部
１４０ 導出部
１５０ 提示部
２００ 学習プログラム
２１０ 品質問題発生予測プログラム
２２０ 品質問題発生予測モデル
２２１ 第１モデル
２２２ 第２モデル
２２３ 第３モデル
３０ 情報蓄積装置
３１ ストレージ
３２ 学習用情報データベース
３２１ 第１学習用情報データベース
３２２ 第２学習用情報データベース
３２３ 第３学習用情報データベース
３３ 品質問題データベース
４０ 出力装置

【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】