ホーム > 特許ランキング > ソニーグループ株式会社
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】P2024178968
(43)【公開日】2024-12-26
(54)【発明の名称】情報処理システムおよびプログラム
(51)【国際特許分類】
G06Q 30/06 20230101AFI20241219BHJP
【ＦＩ】
G06Q30/06
【審査請求】未請求
【請求項の数】20
【出願形態】ＯＬ
(21)【出願番号】P 2023097401
(22)【出願日】2023-06-14
(71)【出願人】
【識別番号】000002185
【氏名又は名称】ソニーグループ株式会社
(74)【代理人】
【識別番号】110002147
【氏名又は名称】弁理士法人酒井国際特許事務所
(72)【発明者】
【氏名】西田 翔
(72)【発明者】
【氏名】遠藤 健太
【テーマコード（参考）】
5L030
5L049
【Ｆターム（参考）】
5L030BB23
5L049BB23
(57)【要約】
【課題】個人情報の保護をより図りつつ、訓練用データの横断的な活用を可能にする情報処理システムおよびプログラムを提案する。
【解決手段】情報処理システムは、機械学習に供される訓練用データを取引する情報処理システムであって、上記訓練用データが格納されるデータ保有部と、上記データ保有部に格納された上記訓練用データの保存先および属性情報を示すメタデータによる上記訓練用データの取引情報を分散型ネットワークにおいて保有する取引管理部と、を備える。また、上記取引管理部は、上記訓練用データの利用を所望する利用者の要求を受け付けた場合に、当該要求に応じた上記メタデータに対し上記分散型ネットワークにおける非代替性を付与し、上記非代替性を付与した上記メタデータに対応する上記訓練用データの利用権を上記利用者に対して提供する。
【選択図】図３
【解決手段】情報処理システムは、機械学習に供される訓練用データを取引する情報処理システムであって、上記訓練用データが格納されるデータ保有部と、上記データ保有部に格納された上記訓練用データの保存先および属性情報を示すメタデータによる上記訓練用データの取引情報を分散型ネットワークにおいて保有する取引管理部と、を備える。また、上記取引管理部は、上記訓練用データの利用を所望する利用者の要求を受け付けた場合に、当該要求に応じた上記メタデータに対し上記分散型ネットワークにおける非代替性を付与し、上記非代替性を付与した上記メタデータに対応する上記訓練用データの利用権を上記利用者に対して提供する。
【選択図】図３
【特許請求の範囲】
【請求項1】
機械学習に供される訓練用データを取引する情報処理システムであって、
前記訓練用データが格納されるデータ保有部と、
前記データ保有部に格納された前記訓練用データの保存先および属性情報を示すメタデータによる前記訓練用データの取引情報を分散型ネットワークにおいて保有する取引管理部と、を備え、
前記取引管理部は、
前記訓練用データの利用を所望する利用者の要求を受け付けた場合に、当該要求に応じた前記メタデータに対し前記分散型ネットワークにおける非代替性を付与し、
前記非代替性を付与した前記メタデータに対応する前記訓練用データの利用権を前記利用者に対して提供する、
情報処理システム。
前記訓練用データが格納されるデータ保有部と、
前記データ保有部に格納された前記訓練用データの保存先および属性情報を示すメタデータによる前記訓練用データの取引情報を分散型ネットワークにおいて保有する取引管理部と、を備え、
前記取引管理部は、
前記訓練用データの利用を所望する利用者の要求を受け付けた場合に、当該要求に応じた前記メタデータに対し前記分散型ネットワークにおける非代替性を付与し、
前記非代替性を付与した前記メタデータに対応する前記訓練用データの利用権を前記利用者に対して提供する、
情報処理システム。
【請求項2】
前記取引管理部は、
前記メタデータにおける前記保存先に対し前記非代替性を付与し、前記保存先が示す前記訓練用データの前記利用権を提供する、
請求項１に記載の情報処理システム。
前記メタデータにおける前記保存先に対し前記非代替性を付与し、前記保存先が示す前記訓練用データの前記利用権を提供する、
請求項１に記載の情報処理システム。
【請求項3】
前記取引管理部は、
前記保存先が示す前記訓練用データを間接的に利用可能な前記利用権を提供する、
請求項２に記載の情報処理システム。
前記保存先が示す前記訓練用データを間接的に利用可能な前記利用権を提供する、
請求項２に記載の情報処理システム。
【請求項4】
前記取引管理部は、
前記保存先が示す前記訓練用データを直接的に利用可能な前記利用権を提供する、
請求項２に記載の情報処理システム。
前記保存先が示す前記訓練用データを直接的に利用可能な前記利用権を提供する、
請求項２に記載の情報処理システム。
【請求項5】
前記データ保有部は、
前記利用権を用いた機械学習の実行の要求を前記利用者から受け付けた場合に、前記利用権に対応する前記訓練用データを用いた機械学習を実行する、
請求項３に記載の情報処理システム。
前記利用権を用いた機械学習の実行の要求を前記利用者から受け付けた場合に、前記利用権に対応する前記訓練用データを用いた機械学習を実行する、
請求項３に記載の情報処理システム。
【請求項6】
前記データ保有部は、
機械学習の実行結果である訓練済みの機械学習モデルを前記利用者へ提供する、
請求項５に記載の情報処理システム。
機械学習の実行結果である訓練済みの機械学習モデルを前記利用者へ提供する、
請求項５に記載の情報処理システム。
【請求項7】
前記データ保有部は、
新たに前記訓練済みの機械学習モデルが取引可能となるように前記訓練済みの機械学習モデルを前記取引管理部へ提供する、
請求項６に記載の情報処理システム。
新たに前記訓練済みの機械学習モデルが取引可能となるように前記訓練済みの機械学習モデルを前記取引管理部へ提供する、
請求項６に記載の情報処理システム。
【請求項8】
前記訓練済みの機械学習モデルの精度を検証する検証部、
をさらに備える請求項７に記載の情報処理システム。
をさらに備える請求項７に記載の情報処理システム。
【請求項9】
前記データ保有部は、
前記検証部によって前記訓練済みの機械学習モデルが一定以上の精度を有すると判断された場合に、前記訓練済みの機械学習モデルを前記取引管理部へ提供する、
請求項８に記載の情報処理システム。
前記検証部によって前記訓練済みの機械学習モデルが一定以上の精度を有すると判断された場合に、前記訓練済みの機械学習モデルを前記取引管理部へ提供する、
請求項８に記載の情報処理システム。
【請求項10】
前記取引管理部は、
前記利用者から任意のデータ希望条件を受け付け、
前記メタデータにおける前記属性情報に基づいて前記データ希望条件に応じた前記訓練用データの組み合わせの候補案を生成する、
請求項１に記載の情報処理システム。
前記利用者から任意のデータ希望条件を受け付け、
前記メタデータにおける前記属性情報に基づいて前記データ希望条件に応じた前記訓練用データの組み合わせの候補案を生成する、
請求項１に記載の情報処理システム。
【請求項11】
前記データ希望条件は、
前記訓練用データを撮像するセンサの種別、前記センサが設けられた地域、前記訓練用データの撮像時の気候、前記訓練用データに写り込むオブジェクトの種別、および、前記オブジェクトの属性のうちの少なくともいずれかをパラメータとして含む、
請求項１０に記載の情報処理システム。
前記訓練用データを撮像するセンサの種別、前記センサが設けられた地域、前記訓練用データの撮像時の気候、前記訓練用データに写り込むオブジェクトの種別、および、前記オブジェクトの属性のうちの少なくともいずれかをパラメータとして含む、
請求項１０に記載の情報処理システム。
【請求項12】
前記取引管理部は、前記組み合わせの異なる複数の候補案を生成する、
請求項１０に記載の情報処理システム。
請求項１０に記載の情報処理システム。
【請求項13】
前記取引管理部は、
優先させる要素に応じて前記組み合わせを異ならせた前記複数の候補案を生成する、
請求項１２に記載の情報処理システム。
優先させる要素に応じて前記組み合わせを異ならせた前記複数の候補案を生成する、
請求項１２に記載の情報処理システム。
【請求項14】
前記優先させる要素は少なくとも、機械学習に要するコストまたは機械学習によって訓練される機械学習モデルの精度である、
請求項１３に記載の情報処理システム。
請求項１３に記載の情報処理システム。
【請求項15】
前記データ保有部は、複数設けられ、
前記取引管理部は、
異なる前記データ保有部がそれぞれ保有する前記訓練用データの前記組み合わせによる前記候補案を生成する、
請求項１０に記載の情報処理システム。
前記取引管理部は、
異なる前記データ保有部がそれぞれ保有する前記訓練用データの前記組み合わせによる前記候補案を生成する、
請求項１０に記載の情報処理システム。
【請求項16】
前記取引管理部は、
異なる前記データ保有部の前記組み合わせによる前記候補案に基づいて、前記データ保有部を切り替えつつ段階的に機械学習モデルの精度が強化されるように、前記利用者に前記データ保有部へ機械学習の実行を要求させる、
請求項１５に記載の情報処理システム。
異なる前記データ保有部の前記組み合わせによる前記候補案に基づいて、前記データ保有部を切り替えつつ段階的に機械学習モデルの精度が強化されるように、前記利用者に前記データ保有部へ機械学習の実行を要求させる、
請求項１５に記載の情報処理システム。
【請求項17】
前記取引管理部は、
訓練済みの機械学習モデルに対する改善要求を受け付けた場合に、当該改善要求に含まれる前記保存先が示す前記訓練用データを用いた再訓練を複数の前記データ保有部に依頼し、前記再訓練を複数の前記データ保有部の間で競わせる、
請求項１５に記載の情報処理システム。
訓練済みの機械学習モデルに対する改善要求を受け付けた場合に、当該改善要求に含まれる前記保存先が示す前記訓練用データを用いた再訓練を複数の前記データ保有部に依頼し、前記再訓練を複数の前記データ保有部の間で競わせる、
請求項１５に記載の情報処理システム。
【請求項18】
前記データ保有部に格納された前記訓練用データのうち、所定の認証条件を満たすか否かを判断する認証部、
をさらに備える請求項１に記載の情報処理システム。
をさらに備える請求項１に記載の情報処理システム。
【請求項19】
前記取引管理部は
前記認証部によって前記認証条件を満たすと判断された前記訓練用データを取引対象とする、
請求項１８に記載の情報処理システム。
前記認証部によって前記認証条件を満たすと判断された前記訓練用データを取引対象とする、
請求項１８に記載の情報処理システム。
【請求項20】
機械学習に供される訓練用データを取引するコンピュータに、
前記訓練用データを保有し、
前記訓練用データの保存先および属性情報を示すメタデータによる前記訓練用データの取引情報を分散型ネットワークにおいて保有し、
前記訓練用データの利用を所望する利用者の要求を受け付けた場合に、当該要求に応じた前記メタデータに対し前記分散型ネットワークにおける非代替性を付与し、
前記非代替性を付与した前記メタデータに対応する前記訓練用データの利用権を前記利用者に対して提供する、
処理を実行させるプログラム。
前記訓練用データを保有し、
前記訓練用データの保存先および属性情報を示すメタデータによる前記訓練用データの取引情報を分散型ネットワークにおいて保有し、
前記訓練用データの利用を所望する利用者の要求を受け付けた場合に、当該要求に応じた前記メタデータに対し前記分散型ネットワークにおける非代替性を付与し、
前記非代替性を付与した前記メタデータに対応する前記訓練用データの利用権を前記利用者に対して提供する、
処理を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、情報処理システムおよびプログラムに関する。
【背景技術】
【0002】
従来、画像データを訓練用データとするディープラーニング等による機械学習により、画像認識用のＡＩ（Artificial Intelligence）モデルを生成する技術が知られている。
【0003】
一方で近年、企業等は、取得する個人情報の保護に留意することが強く求められている。これは、訓練用データに含まれる個人情報についても例外ではなく、機械学習に際してもその保護に強く留意する必要がある。
【0004】
この必要性に応じるため、例えば、被撮像者の利用同意が得られた画像データのみを訓練用データとし、利用同意が得られなかった画像データについては匿名化されるように加工するかまたは削除する技術が提案されている。
【先行技術文献】
【特許文献】
【0005】
【特許文献1】国際公開第２０１８／１４２７６４号公報
【発明の概要】
【発明が解決しようとする課題】
【0006】
しかしながら、従来技術には、個人情報の保護をより図りつつも、個人情報を含む訓練用データの横断的な活用を可能にするうえで、さらなる改善の余地がある。
【0007】
例えば、上述した従来技術は、被撮像者の利用同意が得られた画像データのみを訓練用データとするものに過ぎない。デジタルデータは、データベースや通信ネットワークから簡単に流出してしまうことがある。このため、上述した従来技術を用いた場合、データベース上や通信ネットワーク上の訓練用データから個人情報を完全に保護することはできない。
【0008】
一方で、個人情報が示す特徴や傾向は、ＡＩモデルの予測精度を大いに向上させる可能性が高いことから、個人情報を含む訓練用データは非常に利用価値が高い。ただし、希望する条件の訓練用データの収集は、作業的にも時間的にも多大なコストがかかるという実情がある。このため、個人情報を含む訓練用データは、例えばＡＩ開発ベンダといったデータ利用者の間などで横断的に活用できることが望ましい。
【0009】
そこで、本開示では、個人情報の保護をより図りつつ、訓練用データの横断的な活用を可能にする情報処理システムおよびプログラムを提案する。
【課題を解決するための手段】
【0010】
上記の課題を解決するために、本開示に係る一形態の情報処理システムは、機械学習に供される訓練用データを取引する情報処理システムであって、前記訓練用データが格納されるデータ保有部と、前記データ保有部に格納された前記訓練用データの保存先および属性情報を示すメタデータによる前記訓練用データの取引情報を分散型ネットワークにおいて保有する取引管理部と、を備える。また、前記取引管理部は、前記訓練用データの利用を所望する利用者の要求を受け付けた場合に、当該要求に応じた前記メタデータに対し前記分散型ネットワークにおける非代替性を付与し、前記非代替性を付与した前記メタデータに対応する前記訓練用データの利用権を前記利用者に対して提供する。
【図面の簡単な説明】
【0011】
【図1】本開示の実施形態に係るエッジセンサの説明図である。
【図2】本開示の実施形態に係る取引システムの概念図である。
【図3】本開示の実施形態に係る取引方法の概要説明図である。
【図4】本開示の実施形態に係る取引システムの構成例およびデータシーケンスを示す図（その１）である。
【図5】本開示の実施形態に係る取引システムの構成例およびデータシーケンスを示す図（その２）である。
【図6】データ希望条件の指定パラメータの一例を示す図である。
【図7】データ希望条件の一例を示す図である。
【図8】本開示の実施形態に係る取引管理装置の構成例を示すブロック図である。
【図9】認証処理における判断内容の一例を示す図である。
【図10】本開示の実施形態に係るデータ保有装置の構成例を示すブロック図である。
【図11】取引管理要求～取引管理開始までの処理シーケンスを示す図である。
【図12】データ希望条件の提示～訓練済みＡＩモデルが提供されるまでの処理シーケンスを示す図である。
【図13】アレンジ情報を提示するＧＵＩ画面の一例を示す図である。
【図14】複数のデータ提供者にわたって順に機械学習を実行させる場合の処理シーケンスを示す図である。
【図15】データ保有装置の確認をとる場合の処理シーケンスを示す図である。
【図16】エンドユーザからの改善要求に基づく再訓練を行う場合の処理シーケンスを示す図である。
【図17】データの直接的な利用権を取引する場合の処理シーケンスを示す図である。
【図18】取引管理装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。
【発明を実施するための形態】
【0012】
以下に、本開示の実施形態について図面に基づいて詳細に説明する。なお、以下の各実施形態において、同一の部位には同一の符号を付することにより重複する説明を省略する。
【0013】
また、以下では、本開示の実施形態（以下、適宜「本実施形態」と言う）に係る情報処理システムが、図２以降に示す取引システム１であるものとする。また、本実施形態に係る取引管理部が、図２以降に示す取引管理装置１０であるものとする。また、本実施形態に係るデータ保有部が、図３以降に示すデータ保有装置３０であるものとする。また、本実施形態に係る情報処理方法が、取引システム１の実行する取引方法であるものとする。
【0014】
また、以下では、「ＡＩモデル」は「機械学習モデル」と読み替えてもよい。
【0015】
また、以下に示す項目順序に従って本開示を説明する。
１．概要
１－１．本開示の実施形態に係るエッジセンサについて
１－２．本開示の実施形態に係る取引システムの概念について
１－３．本開示の実施形態に係る取引方法の概要
２．取引システムの構成例
３．取引管理装置の構成例
４．データ保有装置の構成例
５．取引システムが実行する処理シーケンス
５－１．取引管理要求～取引管理開始までの処理シーケンス
５－２．データ希望条件の提示～訓練済みＡＩモデルが提供されるまでの処理シーケンス
５－３．複数のデータ提供者にわたって順に機械学習を実行させる場合の処理シーケンス
５－４．データ保有装置の確認をとる場合の処理シーケンス
５－５．エンドユーザからの改善要求に基づく再訓練を行う場合の処理シーケンス
５－６．データの直接的な利用権を取引する場合の処理シーケンス
６．変形例
７．ハードウェア構成
８．むすび
１．概要
１－１．本開示の実施形態に係るエッジセンサについて
１－２．本開示の実施形態に係る取引システムの概念について
１－３．本開示の実施形態に係る取引方法の概要
２．取引システムの構成例
３．取引管理装置の構成例
４．データ保有装置の構成例
５．取引システムが実行する処理シーケンス
５－１．取引管理要求～取引管理開始までの処理シーケンス
５－２．データ希望条件の提示～訓練済みＡＩモデルが提供されるまでの処理シーケンス
５－３．複数のデータ提供者にわたって順に機械学習を実行させる場合の処理シーケンス
５－４．データ保有装置の確認をとる場合の処理シーケンス
５－５．エンドユーザからの改善要求に基づく再訓練を行う場合の処理シーケンス
５－６．データの直接的な利用権を取引する場合の処理シーケンス
６．変形例
７．ハードウェア構成
８．むすび
【0016】
＜＜１．概要＞＞
＜１－１．本開示の実施形態に係るエッジセンサについて＞
本実施形態の概要から説明する。まず図１は、本開示の実施形態に係るエッジセンサ３の説明図である。本実施形態では、取引システム１において取引対象となる物は基本的に、機械学習の訓練用データとなる画像データの実体ではなく、訓練用データの利用権であるものとする。
＜１－１．本開示の実施形態に係るエッジセンサについて＞
本実施形態の概要から説明する。まず図１は、本開示の実施形態に係るエッジセンサ３の説明図である。本実施形態では、取引システム１において取引対象となる物は基本的に、機械学習の訓練用データとなる画像データの実体ではなく、訓練用データの利用権であるものとする。
【0017】
また、この利用権は基本的に、訓練用データを直接的に利用するのではなく、間接的に利用する利用権であるものとする。そして、訓練用データとなる画像データを撮像するのが、例えば図１に示すエッジセンサ３であるものとする。
【0018】
図１に示すように、エッジセンサ３は、撮像素子部３ａとプロセッサ部３ｂとが１チップで構成されており、プロセッサ部３ｂの内部メモリにはＡＩモデルが実装されている（図中の「ＡＩ」参照）。
【0019】
エッジセンサ３は、例えば、エンドユーザの店舗等の各種施設や、車両、街頭等々の種々の環境に設けられる。そして、エッジセンサ３は、設けられた各環境における撮像対象範囲での画像データを撮像するとともに、その画像データに対するＡＩモデルによる画像認識を行い、ＡＩ認識結果を出力する。このように、画像データとそれに付随する認識結果を含むメタデータとを出力してもよいし、画像データもしくは認識結果を含むメタデータのみを出力してもよい。
【0020】
このエッジセンサ３を用いることにより、エッジコンピューティングによるＡＩ認識が可能となり、いわゆる中央集権型のデータ処理において生じていた遅延や高負荷の問題を軽減することが可能である。すなわち、エッジセンサ３は、いわゆるＩｏＴ（Internet of Things）やＷｅｂ３．０がもたらすデータ処理の非中央集権型へのパラダイムシフトに対しても親和性高く適用可能である。
【0021】
ところで、上述したようにエッジセンサ３は種々の環境に設けられるが、このために各エッジセンサ３に実装されるＡＩモデルは、各エッジセンサ３の環境に応じた精度が求められる。また、ＡＩモデルは、例えば時間的経過やエンドユーザの求めるトレンドの変化によって「ドリフト」が生じるという問題がある。ドリフトは、何らかの「予期せぬ変化」によって、ＡＩモデルの予測性能が劣化していくことを指す。なお、ドリフトには、入力データと正解ラベルの関係性（データの解釈の仕方）がモデル学習時と比べて変化する場合の「コンセプトドリフト」や、入力データそのものの性質（統計的分布等）が変化する場合の「データドリフト」等がある。
【0022】
このため、ＡＩモデルは、エッジセンサ３の特性や環境に応じた高品質な訓練用データのデータセットに基づいて訓練または再訓練され、適宜ファインチューニングされることが望ましい。また、訓練用データに含まれる個人情報が示す特徴や傾向は、ＡＩモデルの予測精度を大いに向上させる可能性が高く、非常に利用価値が高い。このため、ＡＩ開発ベンダ等のデータ利用者は、この個人情報を含む訓練用データをいつでも容易に入手できることが大変望ましい。
【0023】
ただし、個人情報の有無を問わず、データ利用者が希望する条件の訓練用データを収集することは、作業的にも時間的にも多大なコストがかかるという実情がある。本実施形態に係る取引方法は、こうした実情を前提としたうえで、データ利用者の間で訓練用データを横断的に活用可能となるように取引するものである。
【0024】
また、本実施形態に係る取引方法は、個人情報の保護にも配慮し、被撮像者の利用同意を得た当事者であり、訓練用データとなる画像データを保有するデータ保有者のみがオンプレミスでデータの実体を管理する。なお一方で、データ保有者は、データ利用者に対し自身が保有するデータを提供するデータ提供者ともなり得る。データ保有者は、データ提供者として、自身が保有するデータの実体ではなく前述の利用権を提供する。本実施形態に係る取引システム１は、このデータの利用権を取引対象として管理しつつ、取引を行わせるシステムである。
【0025】
＜１－２．本開示の実施形態に係る取引システムの概念について＞
図２は、本開示の実施形態に係る取引システム１の概念図である。取引システム１は、取引管理事業者が管理・運用する取引管理装置１０を含む。取引管理装置１０は、エッジセンサ３を利用したシステムインテグレーションサービスに関係する当事者に対して共通的なプラットフォーム（以下、適宜「共通ＰＦ」と略称する）を提供する。
図２は、本開示の実施形態に係る取引システム１の概念図である。取引システム１は、取引管理事業者が管理・運用する取引管理装置１０を含む。取引管理装置１０は、エッジセンサ３を利用したシステムインテグレーションサービスに関係する当事者に対して共通的なプラットフォーム（以下、適宜「共通ＰＦ」と略称する）を提供する。
【0026】
ここに言う当事者は、図２に示すように、システムインテグレータやエンドユーザ等である「データ提供者」や、ＡＩ開発ベンダである「データ利用者」や、アプリケーション開発者や、エッジセンサ３のデバイス開発者であるデバイスメーカーである。
【0027】
取引管理装置１０は、データ提供者であるシステムインテグレータやデータ利用者であるＡＩ開発ベンダに対しては、例えばＡＩ開発環境を共通ＰＦとして提供する。また、取引管理装置１０は、アプリケーション開発者に対しては例えばアプリ（アプリケーション）開発環境を共通ＰＦとして提供する。また、取引管理装置１０は、デバイスメーカーに対しては例えばデバイス開発環境を共通ＰＦとして提供する。また、取引管理装置１０は、各当事者に対して例えばマネタイズ環境を共通ＰＦとして提供する。
【0028】
そして、特に取引管理装置１０は、取引システム１における訓練用データの取引関連サービスを提供する。取引関連サービスとしては、クラウドサービス、マーケットサービス、取引管理サービス等がある。
【0029】
クラウドサービスは、例えば訓練用データの購入に際してのデータ利用者に対するＧＵＩ（Graphical User Interface）画面等を提供するＧＵＩサービス等である。マーケットサービスは、データ提供者から取引対象として提供される訓練用データの利用権が売買される電子市場としてのマーケットを提供するサービスである。取引管理サービスは、訓練用データの取引履歴や利用履歴等を管理するサービスである。
【0030】
【0031】
＜１－３．本開示の実施形態に係る取引方法の概要＞
図３は、本開示の実施形態に係る取引方法の概要説明図である。図３にブロックチェーン層として示すように、本実施形態に係る取引システム１は、分散型ネットワークにおける分散型台帳として機能する公知のブロックチェーンを用いた取引管理を行う。
図３は、本開示の実施形態に係る取引方法の概要説明図である。図３にブロックチェーン層として示すように、本実施形態に係る取引システム１は、分散型ネットワークにおける分散型台帳として機能する公知のブロックチェーンを用いた取引管理を行う。
【0032】
本実施形態では、例えばブロックチェーンは取引対象となる訓練用データごとに生成され、訓練用データを一意に示す識別子が入力されたブロックを起源ブロックとして各ブロックが時系列に沿って連結される。各ブロックには、取引対象に対する取引に関する履歴等が記録される。取引に関する履歴は、該当する訓練用データの取引履歴および利用履歴を含む。
【0033】
各ブロックへの入力データは、所定のハッシュアルゴリズムによるハッシュ値に暗号化される。また、各ブロックには、前のブロックのアドレスのハッシュ値が格納される。したがって、分散型ネットワークへの参加者以外が、各ブロックの入力データを改ざんしたり、遡及してブロックの連結を変更したりすることはほぼできない。このブロックチェーンを用いることは、前述の個人情報を保護することの一環となる。
【0034】
また、取引システム１は、取引管理装置１０と、データ保有装置３０とを含む。データ保有装置３０は、前述のデータ提供者が管理・運用する装置である。データ保有装置３０は、エッジセンサ３によって撮像された画像データ群および認識されたＡＩ認識結果群を保有する。ＡＩ認識結果群は、エッジセンサ３によって撮像された画像データに対してエッジセンサ３以外の場所でＡＩ認識処理を行った結果を用いてもよい。データ保有装置３０が保有するデータは取引システム１における取引対象として取引管理装置１０へ登録可能である。
【0035】
ただし、データ保有装置３０は、データの実体ではなく、データ保存先であるデータアドレスおよびデータの属性情報を含むメタデータを取引管理装置１０に対し登録する（ステップＳ１）。すなわち、取引管理装置１０は、取引対象となる訓練用データをデータの実体ではなく図３に示すようにメタデータによって管理する。
【0036】
そして、例えばＡＩ開発ベンダであるデータ利用者は、取引管理装置１０に対し、取引管理装置１０が提供するＧＵＩサービス等を通じ、機械学習による訓練に利用したいデータを要求する（ステップＳ２）。すると、取引管理装置１０は、自身が管理するメタデータ群を対象として、ステップＳ２の要求に応じたオーケストレーションを実行する（ステップＳ３）。
【0037】
ここに言うオーケストレーションは、取引管理装置１０が自身の管理するメタデータ群に基づいて、ステップＳ２の要求に応じた訓練用データの組み合わせである訓練用データセットの候補案を生成する（「生成する」は「編成する」、または「アレンジする」と読み替えても可）ことを指す。なお、以下では、このオーケストレーションの実行結果に相当する情報を適宜「アレンジ情報」と言う。
【0038】
そして、取引管理装置１０は、ステップＳ３の実行結果であるアレンジ情報を含む取引履歴をブロックチェーンへ記録する（ステップＳ４）。この結果、ブロックチェーン層からは非代替性トークンであるＮＦＴ（Non-Fungible Token）が発行される（ステップＳ５）。なお、このステップＳ４～ステップＳ５の動作を、以下では適宜「ＮＦＴ化」と言う。ＮＦＴ化することは、言い換えれば、データ利用者の要求に応じたメタデータに対し分散型ネットワークにおける非代替性を付与することを指す。ＮＦＴは、メタデータ中のデータアドレスが示す先に保存されているデータの間接的な利用権を証明する。そして、データ利用者は、ＮＦＴ化されたデータアドレスを購入する（ステップＳ６）。
【0039】
つづいて、データ利用者がデータ保有装置３０に対し、購入したＮＦＴを用いて機械学習による訓練を要求すると（ステップＳ７）、データ保有装置３０がＮＦＴの示すデータを訓練用データとして用いてオンプレミスで機械学習を実行する（ステップＳ８）。つまりこのとき、機械学習に用いられる訓練用データの実体は、データ保有装置３０からデータ利用者側へは移転しない。
【0040】
すなわち、データ利用者は、購入した訓練用データを機械学習のためにあくまで間接的に利用する。これにより、例えば該当の訓練用データの実体のコピーが直接的な利用のためにデータ利用者側へ渡り、訓練用データに含まれる個人情報がデータ利用者側から拡散してしまうリスクを抑制することができる。なお、データ保有装置３０は例えば、取引管理装置１０から前述の共通ＰＦとして提供されるＡＩ開発環境に含まれる機械学習エンジンを用いてステップＳ８の機械学習を実行する。
【0041】
そして、データ保有装置３０は、ステップＳ８の実行後、データ利用者に対して訓練用データによって訓練済みのＡＩモデルである訓練済みＡＩモデルを提供する（ステップＳ９）。また、データ保有装置３０は、ステップＳ７～ステップＳ９における利用履歴をブロックチェーンへ記録する（ステップＳ１０）。この利用履歴は例えば、訓練済みＡＩモデルが提供されて利用が終わったことで、データ利用者の利用権が消失したことを示す履歴を含む。
【0042】
なお、図３では図示を略しているが、データ保有装置３０は、訓練済みＡＩモデルの精度を検証するようにしてもよい。また、検証後、データ保有装置３０は、一定以上の精度を有する訓練済みＡＩモデルのみをデータ利用者へ提供するようにしてもよい。また、データ保有装置３０は、一定以上の精度を有する訓練済みＡＩモデルを、取引管理装置１０に取引対象としてマーケットへ公開してもらうようにしてもよい。
【0043】
また、データ保有装置３０は、訓練済みＡＩモデルの精度だけでなく、他にも例えば訓練済みＡＩモデルがＡＩ倫理を満たすか否かを検証するようにしてもよい。また、精度やＡＩ倫理の検証に関しての基準を設定する主体は、データ保有装置３０を管理・運用するデータ提供者であってもよいし、取引管理装置１０を管理・運用する取引管理事業者であってもよい。また、マーケットで定められているプライバシーポリシーやセキュリティポリシー等の各種のポリシーやガイドライン等が基準となってもよい。
【0044】
以下、図３を用いて概要を説明した、本実施形態に係る取引方法を適用した取引システム１の構成例について、より具体的に説明する。
【0045】
＜＜２．取引システムの構成例＞＞
図４は、本開示の実施形態に係る取引システム１の構成例およびデータシーケンスを示す図（その１）である。また、図５は、本開示の実施形態に係る取引システム１の構成例およびデータシーケンスを示す図（その２）である。
図４は、本開示の実施形態に係る取引システム１の構成例およびデータシーケンスを示す図（その１）である。また、図５は、本開示の実施形態に係る取引システム１の構成例およびデータシーケンスを示す図（その２）である。
【0046】
図４に示すように、取引システム１は、取引管理装置１０と、データ保有装置３０と、データ利用者装置５０と、被撮像者装置７０とを含む。
【0047】
取引管理装置１０は、既に述べたように取引管理事業者が管理・運用する装置である。データ保有装置３０は、既に述べたようにデータ提供者が管理・運用する装置である。データ利用者装置５０は、データ利用者が利用する装置である。被撮像者装置７０は、エッジセンサ３による画像データにおいて撮像される被撮像者が利用する装置である。
【0048】
取引管理装置１０と、データ保有装置３０と、データ利用者装置５０とは、Ｐ２Ｐ（Peer to Peer）ネットワークによる分散型ネットワークＮを介して接続される。
【0049】
取引管理装置１０は、共通ＰＦ情報ＤＢ（データベース）１２ａと、メタデータＤＢ１２ｂと、認証情報ＤＢ１２ｃと、取引情報管理ＤＢ１２ｄとを有する。取引管理装置１０は、共通ＰＦ情報ＤＢに格納される共通ＰＦ情報に基づく共通ＰＦを取引システム１における各装置へ提供する。
【0050】
メタデータＤＢ１２ｂは、データ保有装置３０から提供される、データ保有装置３０が保有するデータのメタデータを格納する。なお、取引管理装置１０は、データ保有装置３０が保有するデータのうち、所定の認証条件をクリアした信頼性の高い高信頼データを取引対象として取り扱う。認証情報ＤＢ１２ｃは、この認証条件に関する各種のパラメータを含む認証情報を格納する。
【0051】
取引情報管理ＤＢ１２ｄは、メタデータＤＢ１２ｂに含まれるメタデータのうち、高信頼データとして認証され、取引対象として取り扱われるメタデータそれぞれの取引に関する情報である取引情報が格納される。この取引情報は、ブロックチェーンデータとして分散型ネットワークＮにおける分散型台帳にもあわせて記録される。また、取引管理装置１０は、前述のマーケットを提供する。マーケットは、訓練用データの利用権だけでなく、例えば利用権を用いて訓練された訓練済みＡＩモデルも取引対象とすることができる。
【0052】
データ保有装置３０は、１以上のエッジセンサ３が接続される。エッジセンサ３は例えば、無線ＬＡＮ（Local Area Network）や有線ＬＡＮの他、ＣＡＮ（Controller Area Network）、ＬＩＮ（Local Interconnect Network）、ＦｌｅｘＲａｙ（登録商標）等の任意の規格に準拠した通信ネットワークを介してデータ保有装置３０と接続される。
【0053】
また、データ保有装置３０は、エッジデータＤＢ３２ｂと、高信頼データＤＢ３２ｃとを有する。エッジデータＤＢ３２ｂは、各エッジセンサ３からのエッジデータを格納する。エッジデータは、エッジセンサ３による撮像データである画像データおよびＡＩ認識結果を含む。なお、上述したように本実施形態では、エッジセンサ３はＡＩ認識結果を出力することとしているが、必ずしもＡＩ認識結果まで出力しなくともよい。
【0054】
高信頼データＤＢ３２ｃは、前述の認証条件をクリアしてエッジデータＤＢ３２ｂから抽出された前述の高信頼データを格納する。高信頼データは、エッジデータの実体を含む。高信頼データＤＢ３２ｃは、データ保有装置３０が有する高信頼データ管理部３３ｄによって管理される。
【0055】
データ利用者装置５０は、データ利用者が利用する端末装置であり、ＰＣ（Personal Computer）等によって実現される。データ利用者装置５０は、マーケットから購入した利用権を用いて間接的に高信頼データＤＢ３２ｃに格納された高信頼データを利用し、その高信頼データによる訓練結果である訓練済みＡＩモデルを高信頼データ管理部３３ｄから取得する。データ利用者装置５０は、訓練済みＡＩモデルＤＢ５０ａを有する。訓練済みＡＩモデルＤＢ５０ａは、訓練済みＡＩモデルを格納する。
【0056】
被撮像者装置７０は、被撮像者が利用する端末装置であり、スマートフォンやタブレット端末、ＰＣ、ウェアラブルデバイス等によって実現される。被撮像者装置７０は、図４に示すように、データ保有装置３０およびデータ利用者装置５０に対し利用同意を与える。
【0057】
被撮像者装置７０は、例えばデータ提供者がコンビニエンスストアの運営事業者であれば、この事業者が提供するアプリを介してエッジセンサ３の撮像対象となること、および、撮像データが機械学習に利用されること等を含むプライバシーポリシーの提示を受ける。
【0058】
そして、被撮像者が、被撮像者装置７０に提示されたプライバシーポリシーに対してアプリを介して同意すれば、被撮像者装置７０はデータ保有装置３０およびデータ利用者装置５０へ利用同意を送信する（ステップＳ２１）。
【0059】
そして、データ保有装置３０は、同意が得られた場合のエッジデータについては、同意が得られたことを属性情報の一つとして紐づけておく。一方、同意が得られなかった場合のエッジデータについては、同意が得られなかったことを属性情報の一つとして紐づけておく。同意が得られなかったエッジデータは、高信頼データが抽出される際、例えば前述の認証条件によって弾かれ、高信頼データすなわち取引対象となる訓練用データとしては採用されない。
【0060】
この利用同意を得る際、例えばデータ保有装置３０は、被撮像者装置７０のＧＰＳ（Global Positioning System）情報から被撮像者の所在地を特定して、被撮像者が該当のコンビニエンストアへ入ったことが分かれば、アプリに対してプライバシーポリシーを提示するプッシュ通知を送ってもよい。このプッシュ通知を介して被撮像者が同意すれば、被撮像者装置７０はデータ保有装置３０およびデータ利用者装置５０へ利用同意を送信する。以降は、例えばデータ保有装置３０は、該当の被撮像者を撮像したエッジデータを同意が得られたデータとして取り扱うことが可能となる。
【0061】
なお、ここではアプリを介し、被撮像者装置７０によって利用同意を与える例を挙げたが、データ提供者は、例えばコンビニエンスストアの店頭にプライバシーポリシーを掲示物として掲示し、被撮像者が黙認した場合には利用同意があったものと取り扱うようにしてもよい。
【0062】
【0063】
図５に示すように、データ保有装置３０は、取引管理装置１０に対しては基本的に、保有するデータのデータアドレスおよび属性情報を含むメタデータを送信する（ステップＳ３１）。
【0064】
そして、取引管理装置１０は、このメタデータに基づく取引管理を行う。取引管理装置１０は、データ利用者装置５０からマーケットを通じてデータ利用者が希望するデータ希望条件を受けると（ステップＳ３２）、この条件に沿うようにオーケストレーションを実行する。
【0065】
ここで、データ希望条件の一例について説明する。図６は、データ希望条件の指定パラメータの一例を示す図である。また、図７は、データ希望条件の一例を示す図である。図６に示すように、データ希望条件の指定パラメータとしては、センサ種別や、地域や、気候や、オブジェクト種別や、オブジェクト属性や、オブジェクト属性の比率等が挙げられる。
【0066】
センサ種別は、エッジセンサ３の種別や仕様等を示すパラメータである。エッジセンサ３の種別としては、例えばＲＧＢセンサ、赤外線センサ、測距センサ、多波長を取得可能なセンサ、紫外線センサ、イベントベースビジョンセンサ、偏光センサ等が挙げられる。測距センサは、例えばＴｏＦ（Time of Flight）センサ、ＬｉＤＡＲ（Light Detection And Ranging）等である。また、エッジセンサ３の仕様としては、型番や画素サイズ、データフォーマット、消費電力等が挙げられる。地域は、エッジセンサ３が設けられる地域を示すパラメータである。気候は、エッジセンサ３がエッジデータを取得した際の気候を示すパラメータである。
【0067】
オブジェクト種別は、エッジデータに含まれる（写り込む）人や車といったオブジェクトの種別を示すパラメータである。オブジェクト属性は、例えば種別が人であれば性別や年齢といったオブジェクトの種別を示すパラメータである。オブジェクト属性の比率は、例えば男性：女性が７：３といった比率を示すパラメータである。
【0068】
こうしたパラメータを指定し、実際のデータ希望条件の一例は、図７に示すようなものとなる。なお、ここに示す具体例はあくまで一例であり、実際のデータ希望条件の指定内容を限定するものではない。
【0069】
図５の説明に戻る。そして、取引管理装置１０は、オーケストレーションの実行結果としてアレンジ情報を提示し、その承諾に基づいてＮＦＴ化を行い、ＮＦＴをデータ利用者装置５０へ送信する（ステップＳ３３）。
【0070】
そして、データ利用者装置５０は、ＮＦＴを用いて機械学習による訓練を要求する（ステップＳ３４）。データ保有装置３０は、この要求に応じてＮＦＴが示すデータアドレスに対応する高信頼データを用いてオンプレミスで機械学習を実行する（ステップＳ３５）。そして、データ保有装置３０は、訓練済みＡＩモデルをデータ利用者装置５０へ送信し（ステップＳ３６）、訓練済みＡＩモデルは、訓練済みＡＩモデルＤＢ５０ａへ格納される。
【0071】
また、ステップＳ３２～ステップＳ３６の一連の取引に関する履歴は、取引管理装置１０の取引情報管理ＤＢ１２ｄ、および、分散型ネットワークＮの分散型台帳１００において記録される。
【0072】
このように、取引システム１は、データ保有装置３０が保有するデータの実体は移転することなく、メタデータを用いた取引管理を行い、そのメタデータ中のデータアドレスに対して付与されるＮＦＴが示すデータを間接的に用いて機械学習を実行する。このため、訓練用データの実体はデータ保有装置３０にオンプレミスで管理され、データ保有装置３０からネットワークに乗って流通することはない。また、取引に関する履歴は、ブロックチェーンによって高セキュリティ性が担保された分散型台帳１００において管理される。これにより、取引システム１は、個人情報の保護をより図りつつ、訓練用データの横断的な活用を可能にする。
【0073】
＜＜３．取引管理装置の構成例＞＞
次に、取引管理装置１０の構成例について説明する。図８は、本開示の実施形態に係る取引管理装置１０の構成例を示すブロック図である。なお、図８および後に示す図１０では、本実施形態の特徴を説明するために必要な構成要素のみを表しており、一般的な構成要素についての記載を省略している。
次に、取引管理装置１０の構成例について説明する。図８は、本開示の実施形態に係る取引管理装置１０の構成例を示すブロック図である。なお、図８および後に示す図１０では、本実施形態の特徴を説明するために必要な構成要素のみを表しており、一般的な構成要素についての記載を省略している。
【0074】
換言すれば、図８および図１０に図示される各構成要素は機能概念的なものであり、図示の如く必ずしも物理的に構成されていることを要しない。例えば、各ブロックの分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することが可能である。
【0075】
【0076】
図８に示すように、取引管理装置１０は、通信部１１と、記憶部１２と、制御部１３とを備える。また、取引管理装置１０は、ＨＭＩ（Human Machine Interface）部１０ａが接続される。
【0077】
ＨＭＩ部１０ａは、人に対する入出力に関するインターフェイス部品を含む構成要素である。ＨＭＩ部１０ａは、キーボードや、マウスや、ディスプレイや、マイクや、スピーカー等によって実現される。ＨＭＩ部１０ａは、ハードウェア部品だけでなく、ソフトウェア部品を含んで構成されてもよい。ＨＭＩ部１０ａは、取引管理装置１０を操作するオペレータ等によって利用される。
【0078】
通信部１１は、例えば、ネットワークアダプタ等によって実現される。通信部１１は、分散型ネットワークＮと接続され、分散型ネットワークＮを介して、分散型ネットワークＮに接続される他の装置との間で情報の送受信を行う。
【0079】
記憶部１２は、例えば、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、フラッシュメモリ（Flash Memory）、ハードディスク装置等の記憶デバイスによって実現される。
【0080】
記憶部１２は、図４を用いて説明した共通ＰＦ情報ＤＢ１２ａ、メタデータＤＢ１２ｂ、認証情報ＤＢ１２ｃおよび取引情報管理ＤＢ１２ｄを記憶する。また、図示は略しているが、記憶部１２は、本実施形態に係るプログラムを記憶する。
【0081】
制御部１３は、取引管理装置１０の各部を制御する。制御部１３は、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）、ＧＰＵ等によって、記憶部１２に記憶された本実施形態に係るプログラムがＲＡＭを作業領域として実行されることにより実現される。また、制御部１３は、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現することができる。
【0082】
制御部１３は、共通ＰＦ提供部１３ａと、取得部１３ｂと、認証部１３ｃと、取引管理部１３ｄとを有する。制御部１３は、これらの各処理部を用いて、以下に説明する情報処理の機能や作用を実現または実行する。
【0083】
共通ＰＦ提供部１３ａは、通信部１１を介し、共通ＰＦ情報ＤＢ１２ａに格納された各共通ＰＦ情報を取引システム１における各装置へ提供する。取得部１３ｂは、通信部１１を介し、データ保有装置３０からデータ保有装置３０の保有するデータのメタデータを取得してメタデータＤＢ１２ｂへ格納する。メタデータは、データアドレスと属性情報とを含む。
【0084】
また、取得部１３ｂは、認証情報ＤＢ１２ｃに格納された認証情報に基づいて、データ保有装置３０から取得したメタデータの認証処理を行う。ここで、この認証処理における判断内容について説明する。図９は、認証処理における判断内容の一例を示す図である。
【0085】
図９に示すように、認証処理における判断内容は、データ提供者／エッジセンサ３に関するもの、または、撮像データに関するものに大別される。
【0086】
データ提供者／エッジセンサ３に関しては、認証部１３ｃは、メタデータに含まれる属性情報に基づき、例えば所定の認証プログラム製品による撮像データか否かを判断する。また、認証部１３ｃは、所定のカメラ特性有する製品による撮像データか否かを判断する。また、認証部１３ｃは、提供データの正規の撮像者／保有者か否かを判断する。また、認証部１３ｃは、データ提供者によるデータ提供の同意の有無を判断する。
【0087】
また、撮像データに関しては、認証部１３ｃは、メタデータに含まれる属性情報に基づき、倫理上の問題の有無や、被撮像者の同意の有無や、フリー素材であるか否か等を判断する。
【0088】
こうした判断の結果、認証部１３ｃは、通信部１１を介し、取引対象とするにふさわしい高信頼データに該当するメタデータを示す認証結果をデータ保有装置３０へ通知する。データ保有装置３０は、この通知を受けてエッジデータＤＢ３２ｂから高信頼データを抽出し、高信頼データＤＢ３２ｃへ格納する。なお、このとき、データ保有装置３０は、高信頼データＤＢ３２ｃにおける高信頼データのデータアドレスと、高信頼データに対応するエッジデータＤＢ３２ｂにおけるエッジデータのデータアドレスとを紐づけておく。また、データ保有装置３０は、高信頼データを抽出したことを取引管理装置１０へ通知する。
【0089】
図８の説明に戻る。取引管理部１３ｄは、データ保有装置３０から高信頼データを抽出した通知を受けた場合に、メタデータＤＢ１２ｂから高信頼データに対応するメタデータを抽出して取引情報管理ＤＢ１２ｄへ格納する。そして、取引管理部１３ｄは、取引情報管理ＤＢ１２ｄへ格納されたメタデータに対応する高信頼データを取引対象とした取引管理を行う。取引管理の内容については、図１２以降に示す処理シーケンスを用いた説明にて後述する。
【0090】
＜＜４．データ保有装置の構成例＞＞
次に、データ保有装置３０の構成例について説明する。図１０は、本開示の実施形態に係るデータ保有装置３０の構成例を示すブロック図である。
次に、データ保有装置３０の構成例について説明する。図１０は、本開示の実施形態に係るデータ保有装置３０の構成例を示すブロック図である。
【0091】
図１０に示すように、データ保有装置３０は、通信部３１と、記憶部３２と、制御部３３とを備える。また、データ保有装置３０は、ＨＭＩ部３０ａと、１以上のエッジセンサ３が接続される。
【0092】
ＨＭＩ部３０ａは、上述したＨＭＩ部１０ａと同様の構成要素である。ＨＭＩ部３０ａは、データ保有装置３０を操作するオペレータ等によって利用される。エッジセンサ３は説明済みのための、ここでの説明は省略する。
【0093】
通信部３１は、上述した通信部１１と同様の構成要素である。記憶部３２は、上述した記憶部１２と同様に、例えば、ＲＡＭ、ＲＯＭ、フラッシュメモリ、ハードディスク装置等の記憶デバイスによって実現される。
【0094】
記憶部３２は、図４を用いて説明したエッジデータＤＢ３２ｂおよび高信頼データＤＢ３２ｃの他、共通ＰＦ情報３２ａ、訓練用データセットＤＢ３２ｄおよび訓練済みＡＩモデルＤＢ３２ｅを記憶する。また、図示は略しているが、記憶部３２は、本実施形態に係るプログラムを記憶する。
【0095】
共通ＰＦ情報３２ａは、取引管理装置１０から提供される共通ＰＦに関する情報である。共通ＰＦ情報３２ａは、例えば取引システム１におけるＡＩ開発環境やマネタイズ環境等である。
【0096】
訓練用データセットＤＢ３２ｄは、後述する高信頼データ管理部３３ｄがデータ利用者装置５０からのＮＦＴを用いた機械学習の要求を受け付けた場合に、高信頼データ管理部３３ｄによって高信頼データＤＢ３２ｃから抽出される訓練用データのデータセットが格納される。
【0097】
訓練済みＡＩモデルＤＢ３２ｅは、後述する学習部３３ｅによって学習され、同じく後述する検証部３３ｆによって検証された訓練済みＡＩモデルが格納される。
【0098】
制御部３３は、データ保有装置３０の各部を制御する。制御部３３は、上述した制御部１３と同様に例えば、ＣＰＵやＭＰＵ、ＧＰＵ等によって、記憶部３２に記憶された本実施形態に係るプログラムがＲＡＭを作業領域として実行されることにより実現される。また、制御部３３は、例えば、ＡＳＩＣやＦＰＧＡ等の集積回路により実現することができる。
【0099】
制御部３３は、共通ＰＦ処理部３３ａと、取得部３３ｂと、取引管理要求部３３ｃと、高信頼データ管理部３３ｄと、学習部３３ｅと、検証部３３ｆと、提供部３３ｇとを有する。制御部３３は、これらの各処理部を用いて、以下に説明する情報処理の機能や作用を実現または実行する。
【0100】
共通ＰＦ処理部３３ａは、共通ＰＦ情報３２ａに基づいて取引システム１における共通ＰＦをデータ保有装置３０が利用可能となるように動作する。共通ＰＦ処理部３３ａは、例えばミドルウェアとして動作する。
【0101】
取得部３３ｂは、通信部３１を介し、エッジセンサ３からエッジデータを取得してエッジデータＤＢ３２ｂへ格納する。取引管理要求部３３ｃは、通信部３１を介し、エッジデータＤＢ３２ｂへ格納されたエッジデータの取引管理を取引管理装置１０へ要求する。また、取引管理要求部３３ｃは、その要求に対する取引管理装置１０からの認証結果の通知を受ける。
【0102】
高信頼データ管理部３３ｄは、取引管理要求部３３ｃが受けた認証結果に基づき、エッジデータＤＢ３２ｂから高信頼データを抽出して高信頼データＤＢ３２ｃへ格納する。また、高信頼データ管理部３３ｄは、通信部３１を介し、高信頼データを抽出した処理結果を取引管理装置１０へ通知する。
【0103】
また、高信頼データ管理部３３ｄは、通信部３１を介し、データ利用者装置５０からＮＦＴを用いた機械学習の要求を受け付けた場合に、ＮＦＴが指すデータアドレスに対応する高信頼データを高信頼データＤＢ３２ｃから抽出し、訓練用データセットＤＢ３２ｄへ格納する。
【0104】
学習部３３ｅは、訓練用データセットＤＢ３２ｄへ格納された訓練用データセットを用いた機械学習を実行する。検証部３３ｆは、学習部３３ｅによって実行された機械学習の結果である訓練済みＡＩモデルの精度を検証する。
【0105】
検証部３３ｆは、例えば訓練用データセットＤＢ３２ｄの訓練用データセットを認識対象とした検証を行う。あるいは、検証部３３ｆは、エッジデータＤＢ３２ｂや高信頼データＤＢ３２ｃから任意の画像データのデータセットを抽出し、このデータセットを認識対象とした検証を行ってもよい。
【0106】
検証部３３ｆは、検証した訓練済みＡＩモデルが一定以上の認識精度を有する場合、この訓練済みＡＩモデルを訓練済みＡＩモデルＤＢ３２ｅへ格納する。提供部３３ｇは、訓練済みＡＩモデルＤＢ３２ｅへ格納された訓練済みＡＩモデルを、通信部３１を介し、機械学習の要求元であるデータ利用者装置５０へ提供する。
【0107】
＜＜５．取引システムが実行する処理シーケンス＞＞
次に、取引システム１が実行する処理シーケンスについて、図１１～図１７を用いて説明する。なお、以下の説明では、図４を用いて説明した利用同意は既に得られているものとする。
次に、取引システム１が実行する処理シーケンスについて、図１１～図１７を用いて説明する。なお、以下の説明では、図４を用いて説明した利用同意は既に得られているものとする。
【0108】
＜５－１．取引管理要求～取引管理開始までの処理シーケンス＞
図１１は、取引管理要求～取引管理開始までの処理シーケンスを示す図である。図１１に示すように、まずデータ保有装置３０は、エッジデータＤＢ３２ｂの各エッジデータの少なくともデータアドレスおよび属性情報からなるメタデータを取引管理要求として取引管理装置１０へ送信する（ステップＳ１０１）。
図１１は、取引管理要求～取引管理開始までの処理シーケンスを示す図である。図１１に示すように、まずデータ保有装置３０は、エッジデータＤＢ３２ｂの各エッジデータの少なくともデータアドレスおよび属性情報からなるメタデータを取引管理要求として取引管理装置１０へ送信する（ステップＳ１０１）。
【0109】
取引管理装置１０は、受信したメタデータをメタデータＤＢ１２ｂへ格納するとともに、各メタデータにつき、認証情報ＤＢ１２ｃの認証情報に基づいて認証処理を実行する（ステップＳ１０２）。そして、取引管理装置１０は、認証結果をデータ保有装置３０へ送信する（ステップＳ１０３）。
【0110】
データ保有装置３０は、受信した認証結果に基づいて認証を受けたデータを高信頼データとして抽出し（ステップＳ１０４）、高信頼データＤＢ３２ｃへ格納する。また、データ保有装置３０は、その処理結果を取引管理装置１０へ送信する（ステップＳ１０５）。
【0111】
そして、データ保有装置３０は、その処理結果を受けて高信頼データに対応するメタデータをメタデータＤＢ１２ｂから抽出して取引情報管理ＤＢ１２ｄへ格納し、高信頼データを取引対象として管理することとなる（ステップＳ１０６）。
【0112】
＜５－２．データ希望条件の提示～訓練済みＡＩモデルが提供されるまでの処理シーケンス＞
次に、図１２は、データ希望条件の提示～訓練済みＡＩモデルが提供されるまでの処理シーケンスを示す図である。図１２に示すように、まずデータ利用者装置５０がマーケットを通じ、取引管理装置１０に対してデータ希望条件を提示する（ステップＳ２０１）。
次に、図１２は、データ希望条件の提示～訓練済みＡＩモデルが提供されるまでの処理シーケンスを示す図である。図１２に示すように、まずデータ利用者装置５０がマーケットを通じ、取引管理装置１０に対してデータ希望条件を提示する（ステップＳ２０１）。
【0113】
すると、これを受けた取引管理装置１０は、取引情報管理ＤＢ１２ｄのメタデータに基づき、取引対象である高信頼データのうちから条件に応じたデータのオーケストレーションを実行する（ステップＳ２０２）。そして、取引管理装置１０は、オーケストレーションの実行結果であるアレンジ情報をデータ利用者装置５０へ送信する（ステップＳ２０３）。
【0114】
データ利用者装置５０は、受信したアレンジ情報を例えばＧＵＩ画面を介してデータ利用者へ提示し、同じくＧＵＩ画面を介して購入の意志を受け付ける。なお、ＧＵＩ画面の一例については、後ほど図１３に示すこととする。
【0115】
そして、データ利用者装置５０は、データ利用者が提示されたアレンジ情報に対して購入を決定した場合、購入要求を取引管理装置１０へ送信する（ステップＳ２０４）。取引管理装置１０は、この購入要求を受けると、該当のアレンジ情報に対応するメタデータのデータアドレスにつきＮＦＴ化を行う（ステップＳ２０５）。そして、取引管理装置１０は、ＮＦＴ化されたデータアドレスをデータ利用者装置５０へ送信する（ステップＳ２０６）。
【0116】
そして、データ利用者装置５０はデータ保有装置３０に対し、このＮＦＴを用いて機械学習による訓練を要求する（ステップＳ２０７）。すると、データ保有装置３０は、ＮＦＴが示す高信頼データを高信頼データＤＢ３２ｃから抽出して訓練用データセットとして訓練用データセットＤＢ３２ｄへ格納し、これを用いた機械学習を実行する（ステップＳ２０８）。
【0117】
そして、データ保有装置３０は、ステップＳ２０８の実行結果である訓練済みＡＩモデルを検証したうえで（ステップＳ２０９）、検証後の訓練済みＡＩモデルをデータ利用者装置５０に対し提供する（ステップＳ２１０）。あわせて、データ保有装置３０は、訓練済みＡＩモデルをマーケットでの取引対象となるように取引管理装置１０へ送信してもよい（ステップＳ２１１）。
【0118】
ここで、前述のアレンジ情報を提示するＧＵＩ画面の例について説明しておく。図１３は、アレンジ情報を提示するＧＵＩ画面の一例を示す図である。
【0119】
【0120】
図１３に示すように、取引管理装置１０は、例えば「コスト優先」や「精度優先」といった優先する内容に応じたいくつか条件によるオーケストレーションを実行し、その結果をそれぞれ含むアレンジ情報を提示する。
【0121】
ここで、図１３に示すように、データ利用者が「コスト優先」を選択して「購入」を実行すると、コスト優先の方のアレンジ情報に対応する各メタデータが示すデータアドレスがＮＦＴ化される。
【0122】
なお、「精度優先」の例として挙げているように、取引管理装置１０は、例えば複数のデータ提供者（すなわち、複数のデータ保有装置３０）にわたるデータセットの組み合わせからなるアレンジ情報を提示してもよい。また、このとき、図１３に「＊実行順に学習を行う必要があります」として示すように、複数のデータ提供者による場合のガイダンス情報等を提示してもよい。次に、この複数のデータ提供者にわたって順に機械学習を実行させる場合の処理シーケンスについて説明する。
【0123】
＜５－３．複数のデータ提供者にわたって順に機械学習を実行させる場合の処理シーケンス＞
図１４は、複数のデータ提供者にわたって順に機械学習を実行させる場合の処理シーケンスを示す図である。図１４では、図１２のステップＳ２０１～ステップＳ２０６が実行された後からの処理シーケンスを示す。
図１４は、複数のデータ提供者にわたって順に機械学習を実行させる場合の処理シーケンスを示す図である。図１４では、図１２のステップＳ２０１～ステップＳ２０６が実行された後からの処理シーケンスを示す。
【0124】
なお、ステップＳ２０３では、第１および第２のデータ提供者にわたるアレンジ情報が提示され、データ利用者はこのアレンジ情報のデータセットを購入したものとする。そして、データ利用者は、ステップＳ２０６で、第１のデータ提供者に対応する第１のＮＦＴと、第２のデータ提供者に対応する第２のＮＦＴを得たものとする。
【0125】
この場合、データ利用者装置５０は、まず第１のＮＦＴを用いてデータ保有装置３０－１に対し、第１の機械学習による訓練を要求する（ステップＳ３０１）。すると、データ保有装置３０－１は、第１のＮＦＴが示す高信頼データを高信頼データＤＢ３２ｃから抽出して訓練用データセットとして訓練用データセットＤＢ３２ｄへ格納し、これを用いた第１の機械学習を実行する（ステップＳ３０２）。
【0126】
そして、データ保有装置３０－１は、ステップＳ３０２の実行結果である第１の訓練済みＡＩモデルを検証したうえで（ステップＳ３０３）、検証後の第１の訓練済みＡＩモデルをデータ利用者装置５０に対し提供する（ステップＳ３０４）。
【0127】
次に、データ利用者装置５０は、第２のＮＦＴおよび第１の訓練済みＡＩモデルを用いてデータ保有装置３０－２に対し、第２の機械学習による訓練を要求する（ステップＳ３０５）。すると、データ保有装置３０－２は、第２のＮＦＴが示す高信頼データを高信頼データＤＢ３２ｃから抽出して訓練用データセットとして訓練用データセットＤＢ３２ｄへ格納し、これを用いて第１の訓練済みＡＩモデルを強化する第２の機械学習を実行する（ステップＳ３０６）。
【0128】
そして、データ保有装置３０－２は、ステップＳ３０６の実行結果である第２の訓練済みＡＩモデルを検証したうえで（ステップＳ３０７）、検証後の第２の訓練済みＡＩモデルをデータ利用者装置５０に対し提供する（ステップＳ３０８）。あわせて、データ保有装置３０は、第２の訓練済みＡＩモデルをマーケットでの取引対象となるように取引管理装置１０へ送信する（ステップＳ３０９）。
【0129】
＜５－４．データ保有装置の確認をとる場合の処理シーケンス＞
次に、データ保有装置３０の確認をとる場合の処理シーケンスについて説明する。図１５は、データ保有装置３０の確認をとる場合の処理シーケンスを示す図である。
次に、データ保有装置３０の確認をとる場合の処理シーケンスについて説明する。図１５は、データ保有装置３０の確認をとる場合の処理シーケンスを示す図である。
【0130】
なお、図１５は図１２に対応しており、ここでは図１２と異なる点について主に説明する。図１５の例は、ステップＳ２０２のオーケストレーションの実行後、ステップＳ２０３のアレンジ情報の提示前に、取引管理装置１０がデータ保有装置３０に対し確認をとる点が図１２とは異なる。
【0131】
図１５の場合、取引管理装置１０は、ステップＳ２０２の実行後、データ保有装置３０に対してデータ利用許可を求めるデータ利用許可確認を送信する（ステップＳ４０１）。そして、取引管理装置１０は、この確認に対する承諾がデータ保有装置３０から得られた場合に（ステップＳ４０２）、データ利用者装置５０に対しアレンジ情報を提示するステップＳ２０３を実行する。
【0132】
これにより、データ保有装置３０の同意まで得た安全なデータ利用が可能となる。なお、データ保有装置３０から承諾が得られなかった場合、取引管理装置１０は再度オーケストレーションを実行し、新たなアレンジ情報を生成して改めてデータ保有装置３０に確認をとるようにしてもよい。
【0133】
＜５－５．エンドユーザからの改善要求に基づく再訓練を行う場合の処理シーケンス＞
次に、データ提供者のエンドユーザからの改善要求に基づく再訓練を行う場合の処理シーケンスについて説明する。図１６は、エンドユーザからの改善要求に基づく再訓練を行う場合の処理シーケンスを示す図である。
次に、データ提供者のエンドユーザからの改善要求に基づく再訓練を行う場合の処理シーケンスについて説明する。図１６は、エンドユーザからの改善要求に基づく再訓練を行う場合の処理シーケンスを示す図である。
【0134】
図１６に示すように、まずデータ保有装置３０は取引管理装置１０からベースとなるベース訓練済みＡＩモデルを購入しており（ステップＳ５０１）、エンドユーザはエンドユーザの端末装置であるエンドユーザ装置９０によってこのベース訓練済みＡＩモデルを利用中であるものとする（ステップＳ５０２）。
【0135】
その中で、エンドユーザは、ベース訓練済みＡＩモデルを用いた場合に認識精度のよくないエッジデータを見つけたものとする。この場合、エンドユーザ装置９０は、図１６に示すように、例えばデータ保有装置３０を介して取引管理装置１０へ改善要求を上げる（ステップＳ５０３）。この改善要求は、例えば該当の精度が出ないエッジデータのデータアドレスと利用結果（ＡＩ認識結果）である。
【0136】
すると、取引管理装置１０は、この改善要求に基づくオーケストレーションを実行し（ステップＳ５０４）、その実行結果であるアレンジ情報を基にデータ利用者装置５０に対し再訓練を依頼する（ステップＳ５０５）。
【0137】
そして、データ利用者装置５０がこの依頼を承諾すると（ステップＳ５０６）、取引管理装置１０は該当のアレンジ情報に対応するメタデータのデータアドレスにつきＮＦＴ化を行う（ステップＳ５０７）。そして、取引管理装置１０は、ＮＦＴ化されたデータアドレスをデータ利用者装置５０へ送信する（ステップＳ５０８）。
【0138】
そして、データ利用者装置５０はデータ保有装置３０に対し、このＮＦＴを用いて機械学習による再訓練を要求する（ステップＳ５０９）。すると、データ保有装置３０は、ＮＦＴが示す高信頼データを高信頼データＤＢ３２ｃから抽出して訓練用データセットとして訓練用データセットＤＢ３２ｄへ格納し、これを用いた機械学習を実行する（ステップＳ５１０）。
【0139】
そして、データ保有装置３０は、ステップＳ５１０の実行結果である再訓練済みＡＩを検証したうえで（ステップＳ５１１）、検証後の再訓練済みＡＩモデルをマーケットでの新たな取引対象となるように取引管理装置１０へ送信する（ステップＳ５１２）。
【0140】
なお、図１６の例の場合、データ保有装置３０は、ステップＳ５０３の改善要求に対する対価である依頼料を例えばデジタルトークンで取引管理装置１０へ支払う。取引管理装置１０は、この依頼料からオーケストレーションの対価を含む取引手数料を差し引いた再訓練の依頼料をステップＳ５０６に際し、データ利用者装置５０に対してデジタルトークンなどで支払う。なお、この支払いは再訓練実行後の後払いでもよい。
【0141】
後払いとする場合、取引管理装置１０は、ステップＳ５０５の再訓練依頼を複数のデータ利用者装置５０へ提示して、複数のデータ利用者の間で競争させてもよい。この場合、最も早く再訓練済みＡＩモデルをリリースできた、あるいは、最も認識精度の高い再訓練済みＡＩモデルを開発できたデータ利用者に報酬として支払うようにしてもよい。
【0142】
これにより、エンドユーザからの改善要求に対し、品質高く訓練済みＡＩモデルを改善することが可能となる。
【0143】
＜５－６．データの直接的な利用権を取引する場合の処理シーケンス＞
ところで、これまでは、データの実体を取引対象とすることなくデータの間接的な利用権を取引する場合を例に挙げてきたが、データの実体を取引対象とし、データの直接的な利用権を取引することも可能である。
ところで、これまでは、データの実体を取引対象とすることなくデータの間接的な利用権を取引する場合を例に挙げてきたが、データの実体を取引対象とし、データの直接的な利用権を取引することも可能である。
【0144】
次に、この場合の処理シーケンスについて説明する。図１７は、データの直接的な利用権を取引する場合の処理シーケンスを示す図である。なお、図１７の例では、データ保有装置３０が保有するエッジデータではなく、例えば被撮像者が利用する被撮像者装置７０の保有する画像データを取引対象とする場合を例に挙げる。
【0145】
被撮像者は、自身の保有する画像データが取引システム１に取引対象として登録され、データ利用者に利用されれば、その度に利用料としての報酬を受け取ることが可能となる。
【0146】
その前準備として、図１７に示すように、被撮像者装置７０は、アプリ等を介して取引管理装置１０に対しウォレット登録要求を送信する（ステップＳ６０１）。ここに言うウォレットは、取引システム１における被撮像者のための言わば入出金口座である。
【0147】
ステップＳ６０１の要求に対し取引管理装置１０は、被撮像者のウォレットを開設して登録し、登録結果を被撮像者装置７０へ通知しておく（ステップＳ６０２）。ここまでが前準備である。
【0148】
そして、被撮像者装置７０は、自身の保有する画像データ（実体）およびその属性情報を取引管理要求としてデータ保有装置３０を介し取引管理装置１０に対して送信する（ステップＳ６０３）。
【0149】
すると、取引管理装置１０は、この取引管理要求に応じて図１１に示したステップＳ１０２～ステップＳ１０６を実行する。これにより、被撮像者装置７０からの画像データのうち認証条件をクリアした高信頼データが取引対象となる。
【0150】
そして、データ利用者装置５０がマーケットを通じ、取引管理装置１０に対してデータ希望条件を提示する（ステップＳ６０４）。
【0151】
すると、これを受けた取引管理装置１０は、取引対象である高信頼データのうちから条件に応じたデータのオーケストレーションを実行する（ステップＳ６０５）。そして、取引管理装置１０は、オーケストレーションの実行結果であるアレンジ情報をデータ利用者装置５０へ送信する（ステップＳ６０６）。
【0152】
そして、データ利用者装置５０は、データ利用者が提示されたアレンジ情報に対して購入を決定した場合、購入要求を取引管理装置１０へ送信する（ステップＳ６０７）。取引管理装置１０は、この購入要求を受けると、該当のアレンジ情報に対応する画像データをＮＦＴ化する（ステップＳ６０８）。そして、取引管理装置１０は、ＮＦＴをデータ利用者装置５０へ送信する（ステップＳ６０９）。
【0153】
そして、データ利用者装置５０はデータ保有装置３０に対し、このＮＦＴを用いて画像データを要求する（ステップＳ６１０）。すると、データ保有装置３０は、ＮＦＴが示す高信頼データを高信頼データＤＢ３２ｃから抽出し、コピーされた画像データとしてデータ利用者装置５０に対し提供する（ステップＳ６１１）。データ利用者装置５０は、この画像データを直接的に利用して自身において例えば機械学習等を行うこととなる。
【0154】
なお、取引管理装置１０は、被撮像者装置７０からの画像データがデータ利用者に利用される度に、前述の被撮像者のウォレットに対しデジタルトークン等により、利用に応じて支払いを行う（ステップＳ６１２）。
【0155】
これにより、エッジセンサ３からのエッジデータでない例えば被撮像者の保有する画像データを取引対象とした取引を行うことが可能となる。なお、画像データの実体が取引対象として管理される場合、ブロックチェーンではサイズの大きな画像データを保存できない可能性があるので、ブロックチェーンに替えてＩＰＦＳ（InterPlanetary Filesystem）等を用いてもよい。
【0156】
＜＜６．変形例＞＞
上述した本開示の実施形態において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。
上述した本開示の実施形態において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。
【0157】
また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。
【0158】
例えば、取引管理装置１０が有する認証部１３ｃは、取引管理装置１０からは独立した認証装置として設けられてもよい。
【0159】
また、例えば、データ保有装置３０が有する高信頼データ管理部３３ｄは、高信頼データＤＢ３２ｃとともに、データ保有装置３０からは独立した高信頼データ管理装置として設けられてもよい。この場合、データ保有装置３０が保有するデータの実体は異なる装置の間に分散してしまうが、データの間接的な利用権を取引対象とすることによって、データ利用者からデータの実体が拡散するリスクは少ないと考えられる。また、データ保有装置３０と高信頼データ管理装置とによって高信頼データの実体を管理するので、高信頼データの言わばミラーリングを行うことができ、高可用性を確保することができる。
【0160】
また、上述した本開示の実施形態は、処理内容を矛盾させない領域で適宜組み合わせることが可能である。また、本実施形態のシーケンス図或いはフローチャートに示された各ステップは、適宜順序を変更することが可能である。
【0161】
＜＜７．ハードウェア構成＞＞
また、上述した本開示の実施形態に係る取引管理装置１０や、データ保有装置３０や、データ利用者装置５０や、被撮像者装置７０は、例えば図１８に示すような構成のコンピュータ１０００によって実現される。取引管理装置１０を例に挙げて説明する。図１８は、取引管理装置１０の機能を実現するコンピュータ１０００の一例を示すハードウェア構成図である。コンピュータ１０００は、ＣＰＵ１１００、ＲＡＭ１２００、ＲＯＭ１３００、二次記憶装置１４００、通信インターフェイス１５００、および入出力インターフェイス１６００を有する。コンピュータ１０００の各部は、バス１０５０によって接続される。
また、上述した本開示の実施形態に係る取引管理装置１０や、データ保有装置３０や、データ利用者装置５０や、被撮像者装置７０は、例えば図１８に示すような構成のコンピュータ１０００によって実現される。取引管理装置１０を例に挙げて説明する。図１８は、取引管理装置１０の機能を実現するコンピュータ１０００の一例を示すハードウェア構成図である。コンピュータ１０００は、ＣＰＵ１１００、ＲＡＭ１２００、ＲＯＭ１３００、二次記憶装置１４００、通信インターフェイス１５００、および入出力インターフェイス１６００を有する。コンピュータ１０００の各部は、バス１０５０によって接続される。
【0162】
ＣＰＵ１１００は、ＲＯＭ１３００または二次記憶装置１４００に格納されたプログラムに基づいて動作し、各部の制御を行う。例えば、ＣＰＵ１１００は、ＲＯＭ１３００または二次記憶装置１４００に格納されたプログラムをＲＡＭ１２００に展開し、各種プログラムに対応した処理を実行する。
【0163】
ＲＯＭ１３００は、コンピュータ１０００の起動時にＣＰＵ１１００によって実行されるＢＩＯＳ（Basic Input Output System）等のブートプログラムや、コンピュータ１０００のハードウェアに依存するプログラム等を格納する。
【0164】
二次記憶装置１４００は、ＣＰＵ１１００によって実行されるプログラム、および、かかるプログラムによって使用されるデータ等を非一時的に記録する、コンピュータが読み取り可能な記録媒体である。具体的には、二次記憶装置１４００は、本実施形態に係るプログラムを記録する記録媒体である。
【0165】
通信インターフェイス１５００は、コンピュータ１０００が外部ネットワーク１５５０と接続するためのインターフェイスである。例えば、ＣＰＵ１１００は、通信インターフェイス１５００を介して、他の機器からデータを受信したり、ＣＰＵ１１００が生成したデータを他の機器へ送信したりする。
【0166】
入出力インターフェイス１６００は、入出力デバイス１６５０とコンピュータ１０００とを接続するためのインターフェイスである。例えば、ＣＰＵ１１００は、入出力インターフェイス１６００を介して、キーボードやマウス等の入力デバイスからデータを受信する。また、ＣＰＵ１１００は、入出力インターフェイス１６００を介して、ディスプレイやスピーカーやプリンタ等の出力デバイスにデータを送信する。また、入出力インターフェイス１６００は、所定の記録媒体（メディア）に記録されたプログラム等を読み取るメディアインターフェイスとして機能してもよい。メディアとは、例えばＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。
【0167】
例えば、コンピュータ１０００が取引管理装置１０として機能する場合、コンピュータ１０００のＣＰＵ１１００は、ＲＡＭ１２００上にロードされたプログラムを実行することにより、制御部１３の機能を実現する。また、二次記憶装置１４００には、本開示に係るプログラムや、記憶部１２内のデータが格納される。なお、ＣＰＵ１１００は、プログラムデータ１４５０を二次記憶装置１４００から読み取って実行するが、他の例として、外部ネットワーク１５５０を介して、他の装置からこれらのプログラムを取得してもよい。
【0168】
＜＜８．むすび＞＞
以上説明したように、本開示の一実施形態によれば、取引システム１（「情報処理システム」の一例に相当）は、機械学習に供される訓練用データを取引する情報処理システムであって、訓練用データが格納されるデータ保有装置３０（「データ保有部」の一例に相当）と、データ保有装置３０に格納された訓練用データの保存先および属性情報を示すメタデータによる訓練用データの取引情報を分散型ネットワークＮにおいて保有する取引管理装置１０（「取引管理部」の一例に相当）と、を備える。また、取引管理装置１０は、訓練用データの利用を所望するデータ利用者（「利用者」の一例に相当）の要求を受け付けた場合に、当該要求に応じた上記メタデータに対し分散型ネットワークＮにおける非代替性を付与し、上記非代替性を付与した上記メタデータに対応する訓練用データの利用権をデータ利用者に対して提供する。これにより、個人情報の保護をより図りつつ、訓練用データの横断的な活用を可能にすることができる。
以上説明したように、本開示の一実施形態によれば、取引システム１（「情報処理システム」の一例に相当）は、機械学習に供される訓練用データを取引する情報処理システムであって、訓練用データが格納されるデータ保有装置３０（「データ保有部」の一例に相当）と、データ保有装置３０に格納された訓練用データの保存先および属性情報を示すメタデータによる訓練用データの取引情報を分散型ネットワークＮにおいて保有する取引管理装置１０（「取引管理部」の一例に相当）と、を備える。また、取引管理装置１０は、訓練用データの利用を所望するデータ利用者（「利用者」の一例に相当）の要求を受け付けた場合に、当該要求に応じた上記メタデータに対し分散型ネットワークＮにおける非代替性を付与し、上記非代替性を付与した上記メタデータに対応する訓練用データの利用権をデータ利用者に対して提供する。これにより、個人情報の保護をより図りつつ、訓練用データの横断的な活用を可能にすることができる。
【0169】
以上、本開示の各実施形態について説明したが、本開示の技術的範囲は、上述の各実施形態そのままに限定されるものではなく、本開示の要旨を逸脱しない範囲において種々の変更が可能である。また、異なる実施形態および変形例にわたる構成要素を適宜組み合わせてもよい。
【0170】
また、本明細書に記載された各実施形態における効果はあくまで例示であって限定されるものでは無く、他の効果があってもよい。
【0171】
なお、本技術は以下のような構成も取ることができる。
（１）
機械学習に供される訓練用データを取引する情報処理システムであって、
前記訓練用データが格納されるデータ保有部と、
前記データ保有部に格納された前記訓練用データの保存先および属性情報を示すメタデータによる前記訓練用データの取引情報を分散型ネットワークにおいて保有する取引管理部と、を備え、
前記取引管理部は、
前記訓練用データの利用を所望する利用者の要求を受け付けた場合に、当該要求に応じた前記メタデータに対し前記分散型ネットワークにおける非代替性を付与し、
前記非代替性を付与した前記メタデータに対応する前記訓練用データの利用権を前記利用者に対して提供する、
情報処理システム。
（２）
前記取引管理部は、
前記メタデータにおける前記保存先に対し前記非代替性を付与し、前記保存先が示す前記訓練用データの前記利用権を提供する、
前記（１）に記載の情報処理システム。
（３）
前記取引管理部は、
前記保存先が示す前記訓練用データを間接的に利用可能な前記利用権を提供する、
前記（２）に記載の情報処理システム。
（４）
前記取引管理部は、
前記保存先が示す前記訓練用データを直接的に利用可能な前記利用権を提供する、
前記（２）に記載の情報処理システム。
（５）
前記データ保有部は、
前記利用権を用いた機械学習の実行の要求を前記利用者から受け付けた場合に、前記利用権に対応する前記訓練用データを用いた機械学習を実行する、
前記（３）に記載の情報処理システム。
（６）
前記データ保有部は、
機械学習の実行結果である訓練済みの機械学習モデルを前記利用者へ提供する、
前記（５）に記載の情報処理システム。
（７）
前記データ保有部は、
新たに前記訓練済みの機械学習モデルが取引可能となるように前記訓練済みの機械学習モデルを前記取引管理部へ提供する、
前記（６）に記載の情報処理システム。
（８）
前記訓練済みの機械学習モデルの精度を検証する検証部、
をさらに備える前記（７）に記載の情報処理システム。
（９）
前記データ保有部は、
前記検証部によって前記訓練済みの機械学習モデルが一定以上の精度を有すると判断された場合に、前記訓練済みの機械学習モデルを前記取引管理部へ提供する、
前記（８）に記載の情報処理システム。
（１０）
前記取引管理部は、
前記利用者から任意のデータ希望条件を受け付け、
前記メタデータにおける前記属性情報に基づいて前記データ希望条件に応じた前記訓練用データの組み合わせの候補案を生成する、
前記（１）～（９）のいずれか一つに記載の情報処理システム。
（１１）
前記データ希望条件は、
前記訓練用データを撮像するセンサの種別、前記センサが設けられた地域、前記訓練用データの撮像時の気候、前記訓練用データに写り込むオブジェクトの種別、および、前記オブジェクトの属性のうちの少なくともいずれかをパラメータとして含む、
前記（１０）に記載の情報処理システム。
（１２）
前記取引管理部は、前記組み合わせの異なる複数の候補案を生成する、
前記（１０）または（１１）に記載の情報処理システム。
（１３）
前記取引管理部は、
優先させる要素に応じて前記組み合わせを異ならせた前記複数の候補案を生成する、
前記（１２）に記載の情報処理システム。
（１４）
前記優先させる要素は少なくとも、機械学習に要するコストまたは機械学習によって訓練される機械学習モデルの精度である、
前記（１３）に記載の情報処理システム。
（１５）
前記データ保有部は、複数設けられ、
前記取引管理部は、
異なる前記データ保有部がそれぞれ保有する前記訓練用データの前記組み合わせによる前記候補案を生成する、
前記（１０）に記載の情報処理システム。
（１６）
前記取引管理部は、
異なる前記データ保有部の前記組み合わせによる前記候補案に基づいて、前記データ保有部を切り替えつつ段階的に機械学習モデルの精度が強化されるように、前記利用者に前記データ保有部へ機械学習の実行を要求させる、
前記（１５）に記載の情報処理システム。
（１７）
前記取引管理部は、
訓練済みの機械学習モデルに対する改善要求を受け付けた場合に、当該改善要求に含まれる前記保存先が示す前記訓練用データを用いた再訓練を複数の前記データ保有部に依頼し、前記再訓練を複数の前記データ保有部の間で競わせる、
前記（１５）または（１６）に記載の情報処理システム。
（１８）
前記データ保有部に格納された前記訓練用データのうち、所定の認証条件を満たすか否かを判断する認証部、
をさらに備える前記（１）～（１７）のいずれか一つに記載の情報処理システム。
（１９）
前記取引管理部は
前記認証部によって前記認証条件を満たすと判断された前記訓練用データを取引対象とする、
前記（１８）に記載の情報処理システム。
（２０）
機械学習に供される訓練用データを取引するコンピュータに、
前記訓練用データを保有し、
前記訓練用データの保存先および属性情報を示すメタデータによる前記訓練用データの取引情報を分散型ネットワークにおいて保有し、
前記訓練用データの利用を所望する利用者の要求を受け付けた場合に、当該要求に応じた前記メタデータに対し前記分散型ネットワークにおける非代替性を付与し、
前記非代替性を付与した前記メタデータに対応する前記訓練用データの利用権を前記利用者に対して提供する、
処理を実行させるプログラム。
（１）
機械学習に供される訓練用データを取引する情報処理システムであって、
前記訓練用データが格納されるデータ保有部と、
前記データ保有部に格納された前記訓練用データの保存先および属性情報を示すメタデータによる前記訓練用データの取引情報を分散型ネットワークにおいて保有する取引管理部と、を備え、
前記取引管理部は、
前記訓練用データの利用を所望する利用者の要求を受け付けた場合に、当該要求に応じた前記メタデータに対し前記分散型ネットワークにおける非代替性を付与し、
前記非代替性を付与した前記メタデータに対応する前記訓練用データの利用権を前記利用者に対して提供する、
情報処理システム。
（２）
前記取引管理部は、
前記メタデータにおける前記保存先に対し前記非代替性を付与し、前記保存先が示す前記訓練用データの前記利用権を提供する、
前記（１）に記載の情報処理システム。
（３）
前記取引管理部は、
前記保存先が示す前記訓練用データを間接的に利用可能な前記利用権を提供する、
前記（２）に記載の情報処理システム。
（４）
前記取引管理部は、
前記保存先が示す前記訓練用データを直接的に利用可能な前記利用権を提供する、
前記（２）に記載の情報処理システム。
（５）
前記データ保有部は、
前記利用権を用いた機械学習の実行の要求を前記利用者から受け付けた場合に、前記利用権に対応する前記訓練用データを用いた機械学習を実行する、
前記（３）に記載の情報処理システム。
（６）
前記データ保有部は、
機械学習の実行結果である訓練済みの機械学習モデルを前記利用者へ提供する、
前記（５）に記載の情報処理システム。
（７）
前記データ保有部は、
新たに前記訓練済みの機械学習モデルが取引可能となるように前記訓練済みの機械学習モデルを前記取引管理部へ提供する、
前記（６）に記載の情報処理システム。
（８）
前記訓練済みの機械学習モデルの精度を検証する検証部、
をさらに備える前記（７）に記載の情報処理システム。
（９）
前記データ保有部は、
前記検証部によって前記訓練済みの機械学習モデルが一定以上の精度を有すると判断された場合に、前記訓練済みの機械学習モデルを前記取引管理部へ提供する、
前記（８）に記載の情報処理システム。
（１０）
前記取引管理部は、
前記利用者から任意のデータ希望条件を受け付け、
前記メタデータにおける前記属性情報に基づいて前記データ希望条件に応じた前記訓練用データの組み合わせの候補案を生成する、
前記（１）～（９）のいずれか一つに記載の情報処理システム。
（１１）
前記データ希望条件は、
前記訓練用データを撮像するセンサの種別、前記センサが設けられた地域、前記訓練用データの撮像時の気候、前記訓練用データに写り込むオブジェクトの種別、および、前記オブジェクトの属性のうちの少なくともいずれかをパラメータとして含む、
前記（１０）に記載の情報処理システム。
（１２）
前記取引管理部は、前記組み合わせの異なる複数の候補案を生成する、
前記（１０）または（１１）に記載の情報処理システム。
（１３）
前記取引管理部は、
優先させる要素に応じて前記組み合わせを異ならせた前記複数の候補案を生成する、
前記（１２）に記載の情報処理システム。
（１４）
前記優先させる要素は少なくとも、機械学習に要するコストまたは機械学習によって訓練される機械学習モデルの精度である、
前記（１３）に記載の情報処理システム。
（１５）
前記データ保有部は、複数設けられ、
前記取引管理部は、
異なる前記データ保有部がそれぞれ保有する前記訓練用データの前記組み合わせによる前記候補案を生成する、
前記（１０）に記載の情報処理システム。
（１６）
前記取引管理部は、
異なる前記データ保有部の前記組み合わせによる前記候補案に基づいて、前記データ保有部を切り替えつつ段階的に機械学習モデルの精度が強化されるように、前記利用者に前記データ保有部へ機械学習の実行を要求させる、
前記（１５）に記載の情報処理システム。
（１７）
前記取引管理部は、
訓練済みの機械学習モデルに対する改善要求を受け付けた場合に、当該改善要求に含まれる前記保存先が示す前記訓練用データを用いた再訓練を複数の前記データ保有部に依頼し、前記再訓練を複数の前記データ保有部の間で競わせる、
前記（１５）または（１６）に記載の情報処理システム。
（１８）
前記データ保有部に格納された前記訓練用データのうち、所定の認証条件を満たすか否かを判断する認証部、
をさらに備える前記（１）～（１７）のいずれか一つに記載の情報処理システム。
（１９）
前記取引管理部は
前記認証部によって前記認証条件を満たすと判断された前記訓練用データを取引対象とする、
前記（１８）に記載の情報処理システム。
（２０）
機械学習に供される訓練用データを取引するコンピュータに、
前記訓練用データを保有し、
前記訓練用データの保存先および属性情報を示すメタデータによる前記訓練用データの取引情報を分散型ネットワークにおいて保有し、
前記訓練用データの利用を所望する利用者の要求を受け付けた場合に、当該要求に応じた前記メタデータに対し前記分散型ネットワークにおける非代替性を付与し、
前記非代替性を付与した前記メタデータに対応する前記訓練用データの利用権を前記利用者に対して提供する、
処理を実行させるプログラム。
【符号の説明】
【0172】
１ 取引システム
３ エッジセンサ
１０ 取引管理装置
１１ 通信部
１２ 記憶部
１２ａ 共通ＰＦ情報ＤＢ
１２ｂ メタデータＤＢ
１２ｃ 認証情報ＤＢ
１２ｄ 取引情報管理ＤＢ
１３ 制御部
１３ａ 共通ＰＦ提供部
１３ｂ 取得部
１３ｃ 認証部
１３ｄ 取引管理部
３０ データ保有装置
３１ 通信部
３２ 記憶部
３２ａ 共通ＰＦ情報
３２ｂ エッジデータＤＢ
３２ｃ 高信頼データＤＢ
３２ｄ 訓練用データセットＤＢ
３２ｅ 訓練済みＡＩモデルＤＢ
３３ 制御部
３３ａ 共通ＰＦ処理部
３３ｂ 取得部
３３ｃ 取引管理要求部
３３ｄ 高信頼データ管理部
３３ｅ 学習部
３３ｆ 検証部
３３ｇ 提供部
５０ データ利用者装置
７０ 被撮像者装置
９０ エンドユーザ装置
１００ 分散型台帳
Ｎ 分散型ネットワーク
３ エッジセンサ
１０ 取引管理装置
１１ 通信部
１２ 記憶部
１２ａ 共通ＰＦ情報ＤＢ
１２ｂ メタデータＤＢ
１２ｃ 認証情報ＤＢ
１２ｄ 取引情報管理ＤＢ
１３ 制御部
１３ａ 共通ＰＦ提供部
１３ｂ 取得部
１３ｃ 認証部
１３ｄ 取引管理部
３０ データ保有装置
３１ 通信部
３２ 記憶部
３２ａ 共通ＰＦ情報
３２ｂ エッジデータＤＢ
３２ｃ 高信頼データＤＢ
３２ｄ 訓練用データセットＤＢ
３２ｅ 訓練済みＡＩモデルＤＢ
３３ 制御部
３３ａ 共通ＰＦ処理部
３３ｂ 取得部
３３ｃ 取引管理要求部
３３ｄ 高信頼データ管理部
３３ｅ 学習部
３３ｆ 検証部
３３ｇ 提供部
５０ データ利用者装置
７０ 被撮像者装置
９０ エンドユーザ装置
１００ 分散型台帳
Ｎ 分散型ネットワーク
【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】
【図18】