特許 7488642 プリントシステム、サーバ、及び方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-05-14

(45)【発行日】2024-05-22

(54)【発明の名称】プリントシステム、サーバ、及び方法

(51)【国際特許分類】

   G06F 3/12 20060101AFI20240515BHJP

【ＦＩ】

G06F3/12 326

G06F3/12 305

G06F3/12 304

G06F3/12 373

G06F3/12 387

【請求項の数】 12

(21)【出願番号】P 2019209832

(22)【出願日】2019-11-20

(65)【公開番号】P2021082074

(43)【公開日】2021-05-27

【審査請求日】2022-11-02

【前置審査】

(73)【特許権者】

【識別番号】000001007

【氏名又は名称】キヤノン株式会社

(74)【代理人】

【識別番号】110003281

【氏名又は名称】弁理士法人大塚国際特許事務所

(72)【発明者】

【氏名】沼田 靖宏

(72)【発明者】

【氏名】奥原 宏文

【審査官】豊田 真弓

(56)【参考文献】

【文献】特開２０１０－０９７４７９（ＪＰ，Ａ）

【文献】国際公開第２０１９／１７６１９６（ＷＯ，Ａ１）

【文献】特開２０１０－０９７５４７（ＪＰ，Ａ）

【文献】特開２００５－２７５７２４（ＪＰ，Ａ）

【文献】特開２０１６－２１２７３３（ＪＰ，Ａ）

【文献】米国特許出願公開第２００４／０１７６１１８（ＵＳ，Ａ１）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｆ ３／１２

(57)【特許請求の範囲】

【請求項1】

複数のプリンタとサーバと端末とをネットワークに接続して構成するプリンタシステムであって、
前記端末は、
前記ネットワークを介して記録に必要なデータを入力する入力手段と、
前記ネットワークを介して前記複数のプリンタから１つのプリンタを選択する選択手段と、
記録を行うために用いるプリンタを表示する表示手段とを有し、
前記サーバは、
前記端末の前記入力手段により入力された以前の記録に用いられたデータを収集する収集手段と、
前記収集手段により収集された前記データに基づいて、前記複数のプリンタのうちの１つのプリンタを選択することを学習した学習済モデルを生成する生成手段と、
前記端末の前記入力手段により入力された新しい記録のためのデータに基づいて、前記学習済モデルを用いて、前記複数のプリンタから該新しい記録に適合するプリンタを推論する推論手段とを有し、
前記サーバは、クラウドサーバを有し、
前記クラウドサーバには、第１のサーバと第２のサーバとが接続されており、
前記端末は第１の端末と第２の端末とを含み、
前記第１のサーバと前記第２のサーバとのそれぞれは、前記収集手段と前記生成手段と前記推論手段とを含み、前記第１の端末と前記第２の端末とのそれぞれは、前記入力手段と前記選択手段と前記表示手段とを含み、
使用するプリンタの条件に基づいて前記第１のサーバの前記生成手段が前記学習済モデルを生成し前記第１のサーバの前記推論手段が推論する場合には、前記第１のサーバの前記収集手段が前記第１の端末から収集した前記データを用い、前記第１のサーバの前記収集手段が前記第２の端末から収集した前記データを用いない、
ことを特徴とするプリンタシステム。

【請求項2】

前記第１のサーバと前記第２のサーバとのそれぞれはさらに、
前記端末の前記入力手段により入力されたデータと、前記端末の前記選択手段により選択されたプリンタとに基づいて、選択すべきプリンタを機械学習する学習手段と、
前記学習手段により得られた学習データに基づいて生成された学習モデルと、
前記学習モデルから前記学習済モデルに、少なくともプリンタを選択するために必要なデータを配信する配信手段とを有することを特徴とする請求項１に記載のプリンタシステム。

【請求項3】

前記複数のプリンタは、インクジェット方式に従うプリンタ、電子写真方式に従うプリンタ、昇華式に従うプリンタ、インクジェット方式に従い、かつ、用いるインクの数が異なるプリンタを含むことを特徴とする請求項２に記載のプリンタシステム。

【請求項4】

前記ネットワークは、インターネットとローカルエリアネットワークを含み、
前記第１のサーバと前記第２のサーバとのそれぞれは、
前記ローカルエリアネットワークに接続されるエッジサーバを含むことを特徴とする請求項２又は３に記載のプリンタシステム。

【請求項5】

前記インターネットと前記ローカルエリアネットワークとを接続するルータをさらに有し、
前記ルータはＷＬＡＮによる無線通信を行う機能を備えることを特徴とする請求項４に記載のプリンタシステム。

【請求項6】

前記端末は、前記ローカルエリアネットワークに有線接続されるパーソナルコンピュータ（ＰＣ）やワークステーションと、前記ＷＬＡＮにより無線接続されるスマートフォンを含むことを特徴とする請求項５に記載のプリンタシステム。

【請求項7】

前記クラウドサーバは、前記学習手段と前記学習モデルとを含み、
前記エッジサーバは、前記学習済モデルと前記推論手段とを含むことを特徴とする請求項４乃至６のいずれか１項に記載のプリンタシステム。

【請求項8】

前記クラウドサーバは１つであり、
前記エッジサーバは複数、である、
ことを特徴とする請求項７に記載のプリンタシステム。

【請求項9】

前記端末の表示手段は、前記サーバの推論手段による推論の結果として得られたプリンタを表示することを特徴とする請求項１乃至８のいずれか１項に記載のプリンタシステム。

【請求項10】

前記端末の前記入力手段から入力されるデータは、印刷対象ページ内の文章割合／画像割合と、印刷対象のページ数と、印刷対象の出力サイズと、印刷対象を作成した使用ソフトと、直近に使用したプリンタとのうち、少なくともいずれか１つを含むことを特徴とする請求項１乃至９のいずれか１項に記載のプリンタシステム。

【請求項11】

ネットワークを介して複数のプリンタと端末に接続するプリンタシステムにおけるサーバであって、
前記端末で入力された以前の記録に用いられたデータを収集する収集手段と、
前記収集手段により収集された前記データに基づいて、前記複数のプリンタのうちの１つのプリンタを選択することを学習した学習済モデルを生成する生成手段と、
前記端末で入力された新しい記録のためのデータに基づいて、前記学習済モデルを用いて、前記複数のプリンタから該新しい記録に適合するプリンタを推論する推論手段とを有し、
前記サーバは、クラウドサーバを有し、
前記クラウドサーバには、第１のサーバと第２のサーバとが接続されており、
前記端末は第１の端末と第２の端末とを含み、
前記第１のサーバと前記第２のサーバとのそれぞれは、前記収集手段と前記生成手段と前記推論手段とを含み、
使用するプリンタの条件に基づいて前記第１のサーバの前記生成手段が前記学習済モデルを生成し前記第１のサーバの前記推論手段が推論する場合には、前記第１のサーバの前記収集手段が前記第１の端末から収集した前記データを用い、前記第１のサーバの前記収集手段が前記第２の端末から収集した前記データを用いない、
ことを特徴とするサーバ。

【請求項12】

複数のプリンタとサーバと端末とをネットワークに接続して構成するプリンタシステムにおける方法であって、
前記端末が、
前記ネットワークを介して記録に必要なデータを入力する入力工程と、
前記ネットワークを介して前記複数のプリンタから１つのプリンタを選択する選択工程と、
記録を行うために用いるプリンタを表示する表示工程とを有し、
前記サーバが、
前記端末の前記入力工程において入力された以前の記録に用いられたデータを収集する収集工程と、
前記収集工程において収集された前記データに基づいて、前記複数のプリンタのうちの１つのプリンタを選択することを学習した学習済モデルを生成する生成工程と、
前記端末の前記入力工程において入力された新しい記録のためのデータに基づいて、前記学習済モデルを用いて、前記複数のプリンタから該新しい記録に適合するプリンタを推論する推論工程とを有し、
前記サーバは、クラウドサーバを有し、
前記クラウドサーバには、第１のサーバと第２のサーバとが接続されており、
前記端末は第１の端末と第２の端末とを含み、
前記第１のサーバと前記第２のサーバとのそれぞれが、前記収集工程と前記生成工程と前記推論工程とを実行し、前記第１の端末と前記第２の端末とのそれぞれが、前記入力工程と前記選択工程と前記表示工程とを実行し、
使用するプリンタの条件に基づいて前記第１のサーバの前記生成工程で前記学習済モデルを生成し前記第１のサーバの前記推論工程で推論する場合には、前記第１のサーバの前記収集工程において前記第１の端末から収集した前記データを用い、前記第１のサーバの前記収集工程において前記第２の端末から収集した前記データを用いない、
ことを特徴とする方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明はプリントシステム、サーバ、及び方法に関し、特に、ネットワークを介して複数のプリンタを接続したプリントシステム、サーバ、および方法に関する。

【背景技術】

【0002】

近年、１台のクライアント端末（ＰＣ等）に対して、ネットワークを介して複数のプリンタが接続される、所謂ネットワークプリントシステム（以下、システム）の利用が増加している。そのようなシステムがオフィスにおいて運用される場合、システムに接続されるプリンタには、電子写真方式のプリンタ（ＬＢＰ）とインクジェット方式のプリンタ（ＩＪＰ）のような異なる方式を採用した装置が接続される場合がある。

【0003】

さて、ＰＣユーザがシステムのプリンタを用いて印刷（出力）を行う際、印刷を行うプリンタを適宜選択した後に印刷が行われる。一般にＰＣで印刷をするために印刷命令を入力すると、ＰＣの画面上には「通常使うプリンタ」として設定されたプリンタ、もしくは直前に使用したプリンタが表示される。このため、システムにおいて、ユーザが表示されたプリンタとは異なるプリンタを用いて印刷したい場合、その都度プリンタ名を変更する必要があり、これはユーザにとって煩雑であった。

【0004】

これに対応するため、特許文献１はネットワークに接続した複数のプリンタからプリンタを選択する場合、印刷する原稿の色やサイズなどの属性とプリンタから送られるプリンタ機能とを比較し、その属性に最も適合するプリンタを選択する構成を開示している。

【先行技術文献】

【特許文献】

【0005】

【文献】特開平１１－０５３１４２号公報

【発明の概要】

【発明が解決しようとする課題】

【0006】

しかしながら特許文献１に開示の技術では予め決められたプリンタ機能から選択するため、印刷属性との適合性についておのずと限界があり、応用性に乏しい場合があった。また、ユーザによって嗜好が異なるため、例えば、同様の印刷属性の原稿を印刷する場合においても、ユーザによって選択するプリンタが異なる場合があった。このように従来の技術によれば、ユーザが印刷に用いたいプリンタとシステムが選択したプリンタとの適合性が必ずしも高くない場合が発生していた。

【0007】

本発明は上記従来例に鑑みてなされたもので、ネットワークに接続される複数のプリンタ装置からユーザの意図に応じたプリンタをより精度良く選択可能なプリントシステム、サーバ、および方法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本発明のプリントシステムは次のような構成からなる。

【0009】

即ち、複数のプリンタとサーバと端末とをネットワークに接続して構成するプリンタシステムであって、前記端末は、前記ネットワークを介して記録に必要なデータを入力する入力手段と、前記ネットワークを介して前記複数のプリンタから１つのプリンタを選択する選択手段と、記録を行うために用いるプリンタを表示する表示手段とを有し、前記サーバは、前記端末の前記入力手段により入力された以前の記録に用いられたデータを収集する収集手段と、前記収集手段により収集された前記データに基づいて、前記複数のプリンタのうちの１つのプリンタを選択することを学習した学習済モデルを生成する生成手段と、前記端末の前記入力手段により入力された新しい記録のためのデータに基づいて、前記学習済モデルを用いて、前記複数のプリンタから該新しい記録に適合するプリンタを推論する推論手段とを有し、前記サーバは、クラウドサーバを有し、前記クラウドサーバには、第１のサーバと第２のサーバとが接続されており、前記端末は第１の端末と第２の端末とを含み、前記第１のサーバと前記第２のサーバとのそれぞれは、前記収集手段と前記生成手段と前記推論手段とを含み、前記第１の端末と前記第２の端末とのそれぞれは、前記入力手段と前記選択手段と前記表示手段とを含み、使用するプリンタの条件に基づいて前記第１のサーバの前記生成手段が前記学習済モデルを生成し前記第１のサーバの前記推論手段が推論する場合には、前記第１のサーバの前記収集手段が前記第１の端末から収集した前記データを用い、前記第１のサーバの前記収集手段が前記第２の端末から収集した前記データを用いない、ことを特徴とする。

【発明の効果】

【0012】

本発明によれば、ネットワークに接続される複数のプリンタからユーザの目的に応じたプリンタをより精度良く選択することができるという効果がある。

【図面の簡単な説明】

【0013】

【図1】本発明の代表的な実施例であるプリントシステムの構成概要を示すブロック図である。

【図2】図１で示したクラウドサーバとエッジサーバの具体的な構成を示すブロック図である。

【図3】図１で示したプリンタ（ＩＪＰ）とプリンタ（ＬＢＰ）の具体的な構成を示すブロック図である。

【図4】図１で示したプリントシステムにおいてＡＩ技術を適用したプリンタの選択機能に関連したソフトウェア構成を示すブロック図である。

【図5】図４で示した学習モデルと学習済モデルを利用する際の入出力の構造を示す概念図である。

【図6】パーソナルコンピュータ（ＰＣ）のモニタの表示画面を示す図である。

【図7】本発明の他の実施形態に従うプリントシステムの概略構成を示すブロック図である。

【発明を実施するための形態】

【0014】

以下添付図面を参照して本発明の好適な実施形態について、さらに具体的かつ詳細に説明する。なお、以下の実施形態は特許請求の範囲に係る発明を限定するものではない。実施形態には、複数の特徴が記載されているが、これらの複数の特徴の全てが発明に必須のものとは限らず、また、複数の特徴は任意に組み合わせられても良い。さらに添付図面においては、同一若しくは同様の構成に同一の参照番号を付し、重複した説明は省略する。

【0015】

＜プリントシステムの概要（図１）＞
図１は、本発明の代表的な実施形態であるプリントシステムの概略構成を示すブロック図である。

【0016】

図１に示されるように、プリントシステム（以下、システム）１００は、インターネット１０４とローカルエリアネットワーク（ＬＡＮ）１０２とＬＴＥや４Ｇとして知られる公衆無線回線網１０５とが関与する。また、システム１００は、インターネット１０４に接続されたクラウドサーバ２００と、ＬＡＮ１０２に接続されたエッジサーバ３００と、ＬＡＮ１０２に接続された複数のデバイスとから構成される。ＬＡＮ１０３とインターネット１０４とはルータ１０３を介して相互に接続され、インターネット１０４は公衆無線回線網１０５とはゲートウェイ１０６を介して相互に接続される。

【0017】

ＬＡＮ１０２に接続される複数のデバイスには、パーソナルコンピュータ（ＰＣ）やワークステーションなどのクライアント端末４０１やデジタルカメラ４０２やインクジェットプリンタ（ＩＪＰ）６００やレーザビームプリンタ（ＬＢＰ）６０１が含まれる。さらに、公衆無線回線網１０５と音声やデータの無線通信を行うスマートフォン５００がＮＦＣやＢｌｕｅｔｏｏｔｈ（登録商標）やＷｉＦｉなどの近距離無線通信１０１によってＩＪＰ６００やＬＢＰ６０１に接続される。

【0018】

従って、これら複数のデバイスはＬＡＮ１０２を介して相互接続され、ＬＡＮ１０２からルータ１０３を介してインターネット１０４と接続することが可能である。

【0019】

なお、図１において、ルータ１０３はＬＡＮ１０２とインターネット１０４を接続する機器として図示されているが、ＬＡＮ１０２を構成する無線ＬＡＮアクセスポイント機能を持たせることも可能である。この場合、上記デバイスは有線ＬＡＮによりルータ１０３と接続する以外に、無線ＬＡＮ（ＷＬＡＮ）接続によりＬＡＮ１０２に接続するように構成することができる。例えば、プリンタ（ＩＪＰ）６００やプリンタ（ＬＢＰ）６０１やクライアント端末４０１は有線ＬＡＮで接続し、スマートフォン５００は無線ＬＡＮで接続するように構成することも可能である。従って、スマートフォン５００も無線ＬＡＮ（ＷＬＡＮ）で接続可能なクライアント端末の１つであると言える。

【0020】

いずれにせよ、各デバイスとエッジサーバ３００は、ルータ１０３を介して接続されたインターネット１０４を経由してクラウドサーバ２００と相互に通信することが可能である。この実施形態では、エッジサーバ３００は、複数のプリンタが接続されるプリントサーバとしての機能と、ＡＩ技術を適用した学習済モデル（後述）から推論を行う推論部とを兼ね備えている。一方、クラウドサーバ２００は、ＡＩ技術を適用した学習部を備える学習用サーバとしての機能を備える。

【0021】

また、各デバイスとエッジサーバ３００、そして、各デバイス同士もＬＡＮ１０２を経由して相互に通信することが可能である。また、スマートフォン５００は公衆無線携帯電話回線網１０５とゲートウェイ１０６を介してインターネット１０４に接続し、クラウドサーバ２００と通信することもできる。

【0022】

なお、上述のシステム構成は一例を示すものであって、異なる構成であってもよい。例えば、ルータ１０３はアクセスポイント（ＡＰ）機能を備えているとしたが、ＡＰはルータ１０３と異なる装置で構成してもよい。また、エッジサーバ３００と各デバイスとの間の接続はＬＡＮ１０２以外の接続手段を用いてもよい。例えば、無線ＬＡＮ以外のＬＰＷＡ、ＺｉｇＢｅｅ、Ｂｌｕｅｔｏｏｔｈ（登録商標）、ＮＦＣなどの無線通信や、ＵＳＢなどの有線接続や赤外線通信などを用いるものであってもよい。

【0023】

＜サーバの構成概要（図２）＞
図２は図１で示したクラウドサーバとエッジサーバの具体的な構成を示すブロック図である。ここでは、クラウドサーバ２００とエッジサーバ３００とは共通のハードウェア構成をもつものとして説明する。以下、クラウドサーバとエッジサーバは単にサーバとして言及する。

【0024】

図２に示すように、サーバ２００、３００は、装置全体の制御を行うメインボード２１０と、ネットワーク接続ユニット２０１、ハードディスクユニット２０２を備える。
メインボード２１０に内蔵されるＣＰＵ２１１は、内部バス２１２を介して接続されているプログラムメモリ２１３に格納されている制御プログラムと、データメモリ２１４の内容とに従って動作する。ＣＰＵ２１１はネットワーク制御回路２１５を介してネットワーク接続ユニット２０１を制御することで、インターネット１０４やＬＡＮ１０２などのネットワークと接続し他の装置との通信を行う。ＣＰＵ２１１はハードディスク制御回路２１６を経由して接続されたハードディスクユニット（ＨＤＵ）２０２との間でデータを読み書きすることができる。ハードディスクユニット２０２には、プログラムメモリ２１３にロードして使用されるオペレーティングシステム（ＯＳ）やサーバ２００、３００の制御ソフトウェアが格納されるほか、各種のデータも格納される。

【0025】

メインボード２１０にはＧＰＵ２１７が接続されており、各種演算処理をＣＰＵ２１１の代わりに実行させることが可能である。ＧＰＵ２１７はデータをより多く並列処理することで効率的な演算を行うことができるので、ディープラーニングのような学習モデルを用いて複数回に渡り学習を行う場合にはＧＰＵ２１７で処理を行うことが有効である。

【0026】

従って、この実施形態では、学習部（後述）による処理にはＣＰＵ２１１に加えてＧＰＵ２１７を用いるものとする。具体的には、学習モデルを含む学習プログラムを実行する場合に、ＣＰＵ２１１とＧＰＵ２１７が協同して演算を行うことで学習を行う。なお、学習部の処理はＣＰＵ２１１又はＧＰＵ２１７のみにより演算が行われても良い。また、推論部（後述）も学習部と同様にＧＰＵ２１７を用いても良い。

【0027】

なお、この実施形態ではクラウドサーバ２００をエッジサーバ３００で共通の構成を使用するものとして説明したが、この構成に限られるものではない。例えばクラウドサーバ２００にはＧＰＵ２１７を搭載するがエッジサーバ３００では搭載しない構成を取ってもよいし、異なる性能のＧＰＵ２１７を用いるものとして構成してもよい。

【0028】

＜プリンタの構成概要（図３）＞
図３は図１で示したプリンタ（ＩＪＰ）とプリンタ（ＬＢＰ）の具体的な構成を示すブロック図である。

【0029】

上述のように、プリンタ（ＩＪＰ）６００はインクジェットプリンタである。インクジェット記録方式にはサーマル方式やピエゾ方式など様々な方式があるが、いずれの方式にしても電気熱変換素子や電気機械変換素子（ピエゾ素子）などの記録素子を駆動して記録ヘッドに備えられたノズルからインク液滴を記録媒体に吐出して記録を行う。また、プリント（ＬＢＰ）６０１は電子写真方式に従うレーザビームプリンタであり、帯電したドラムをビーム光で走査することで静電潜像を形成し、これをトナーで現像して画像を形成し、これを記録媒体に転写することで記録を行う。

【0030】

図３に示されるように、プリンタ（ＩＪＰ）６００とプリンタ（ＬＢＰ）６０１とは基本的に同じ内部構成を備える。プリンタ６００、６０１は装置全体の制御を行うメインボード６１０と、無線ＬＡＮユニット６０８と、近距離無線通信ユニット６０６と、操作パネル６０５と、スキャナ６０７と、プリンタエンジン６０９とを備える。ここで、ＩＪＰ６００はインクジェット方式を採用したプリンタエンジン６０９を備え、ＬＢＰ６０１は電子写真方式を採用したプリンタエンジン６０９を備える。

【0031】

メインボード６１０に備えられるＣＰＵ６１１は、内部バス６１２を介して接続されているプログラムメモリ（ＲＯＭ）６１３に格納されている制御プログラムとデータメモリ（ＲＡＭ）６１４の内容とに従って動作する。ＣＰＵ６１１はスキャナインタフェース（Ｉ／Ｆ）６１５を介してスキャナ６０７を制御して原稿の画像を読取り、データメモリ６１４の画像メモリ６１６に読取った画像の画像データを格納する。また、ＣＰＵ６１１はプリンタインタフェース（Ｉ／Ｆ）６１７を制御してデータメモリ６１４の画像メモリ６１６の画像データを用いて記録媒体に画像を印刷することができる。

【0032】

ＣＰＵ６１１はＬＡＮ制御回路６１８を通じてＬＡＮユニット６０８を制御することで他の端末装置と通信を行う。また、ＣＰＵ６１１は近距離無線通信制御回路６２０を介して近距離無線通信ユニット６０６を制御することによって、他の端末との接続を検知したり、他の端末との間でデータの送受信を行うことができる。なお、ＬＡＮユニット６０８はＬＡＮ１０２への有線接続に対応したものでも良いし、ルータ１０３の無線ＬＡＮアクセスポイント機能を経由したＬＡＮ１０２への無線接続に対応したものでも良い。

【0033】

さらに、ＣＰＵ６１１は操作部制御回路６２１を制御することによって操作パネル６０５にプリンタ６００、６０１の状態の表示や機能選択メニューの表示を行ったり、ユーザからの操作を受付けたりすることができる。操作パネル６０５にはバックライトが備えられており、ＣＰＵ６１１は操作部制御回路６２１を介してバックライトの点灯、消灯を制御することができる。バックライトを消灯すると、操作パネル６０５の表示が見えにくくなるが、プリンタ６００、６０１の消費電力を抑えることができる。

【0034】

＜ソフトウェア構成概要（図４）＞
図４は図１で示したシステムにおいてＡＩ技術を適用したプリンタの選択機能に関連したソフトウェア構成を示すブロック図である。図４では、ソフトウェア構成のうち、この実施形態における学習および推論の処理に関わるものについてのみ記載しており、その他のソフトウェアモジュールについては図示していない。例えば、各デバイスやサーバ上で動作するオペレーティングシステムや各種ミドルウェア、メンテナンスのためのアプリケーション等については図示していない。また、図４において、図１で言及したクライアント端末４０１やデジタルカメラ４０２やＩＪＰ６００やＬＢＰ６０１、さらに、スマートフォン５００はデバイス４００として総称している。

【0035】

図４に示されるように、クラウドサーバ２００は、学習用データ生成部２５０、学習部２５１、学習モデル２５２を備える。

【0036】

学習用データ生成部２５０は、外部から受信したデータから学習部２５１が処理可能な学習用データを生成するモジュールである。学習用データは、後述するように、学習部２５１の入力データ（Ｘ）と、学習の結果の正解を示す教師データ（Ｔ）の組である。学習部２５１は、学習用データ生成部２５０から受け取った学習用データを学習モデル２５２に対する学習を実行するプログラムモジュールである。学習モデル２５２は、学習部２５１で行った学習の結果を蓄積する。

【0037】

ここでは、学習モデル２５２をニューラルネットワークとして実現する例を説明する。ニューラルネットワークの各ノード間の重み付けパラメータを最適化することにより、入力データを分類したり、評価値を決定したりすることができる。蓄積した学習モデル２５２は、エッジサーバ３００に学習済モデルとして配信され、エッジサーバ３００における推論処理に用いられる。

【0038】

エッジサーバ３００は、データ収集・提供部３５０、推論部３５１、学習済モデル３５２を備える。

【0039】

データ収集・提供部３５０は、デバイス４００から受信したデータや、エッジサーバ３００が自ら収集したデータを、クラウドサーバ２００に学習に用いるためのデータ群として送信するモジュールである。推論部３５１は、デバイス４００から送られるデータを基づいて学習済モデル３５２を用いて推論を実行し、その結果をデバイス４００に返送するプログラムモジュールである。デバイス４００から送られるデータは、推論部３５１の入力データ（Ｘ）となるデータである。

【0040】

学習済モデル３５２は、エッジサーバ３００で行う推論に用いられる。学習済モデル３５２も学習モデル２５２と同様にニューラルネットワークとして実現されるものとする。ただし、後述のように、学習済モデル３５２は学習モデル２５２と同一のものであってもよいし、学習モデル２５２の一部を抽出して利用するものであってもよい。学習済モデル３５２はクラウドサーバ２００で蓄積して配信された学習モデル２５２を格納する。学習済モデル３５２は、学習モデル２５２の全部を配信するものであってもよいし、学習モデル２５２のうち、エッジサーバ３００での推論に必要な一部分だけを抜き出して配信するものであってもよい。

【0041】

デバイス４００は、アプリケーション部４５０、データ送受信部４５１を備える。

【0042】

アプリケーション部４５０は、デバイス４００で実行する各種の機能を実現するモジュールであり、機械学習による学習・推論の仕組みを利用するモジュールである。データ送受信部４５１は、エッジサーバ３００に学習または推論を依頼するモジュールである。学習時には、アプリケーション部４５０からの依頼により学習に用いるデータをエッジサーバ３００のデータ収集・提供部３５０に送信する。また、推論時には、アプリケーション部４５０からの依頼により推論に用いるデータをエッジサーバ３００の推論部３５１に送信し、その結果を受信してアプリケーション部４５０に返す。

【0043】

なお、この実施形態ではクラウドサーバ２００で学習した学習モデル２５２をエッジサーバ３００に学習済モデル３５２として配信し、推論に利用する形態を示したが、本発明はこれにより限定されるものではない。学習、推論をそれぞれ、クラウドサーバ２００、エッジサーバ３００、デバイス４００のどこで実行するかは、ハードウェア資源の配分や計算量、データ通信量の大小に応じて構成を決定すればよい。あるいはこれら資源の配分や計算量、データ通信量の増減に応じて動的に変えるように構成してもよい。学習と推論を行う主体が異なる場合、推論側は推論のみで使用するロジックや学習済モデル３５２の容量を削減したり、より高速で実行できるように構成したりすることが可能である。

【0044】

＜学習モデルの説明（図５）＞
図５は、図４で示した学習モデルと学習済モデルを利用する際の入出力の構造を示す概念図である。図５において、（ａ）は学習モデルに学習させる場合の学習モデル２５２とそのデータ入出力の様子を示しており、（ｂ）は学習済モデルを用いて推論を行う場合の学習済モデル３５２とその入出力データの関係を示している。

【0045】

図５（ａ）に示す学習時における入力データ（Ｘ）は学習モデル２５２の入力層のデータである。なお、入力データ（Ｘ）の詳細は後述する。学習時には、入力データ（Ｘ）を機械学習モデルである学習モデル２５２を用いて認識した結果として出力データ（Ｙ）が出力される。学習時には、入力データ（Ｘ）の認識結果の正解データとして教師データ（Ｔ）が与えられるので、出力データ（Ｙ）と教師データ（Ｔ）を損失関数８０４に与えることにより、認識結果の正解からの誤差であるずれ量（Ｌ）が得られる。多数の学習用データに対してずれ量（Ｌ）が小さくなるように、学習モデル２５２のニューラルネットワークのノード間の結合重み付け係数等を更新する。誤差逆伝播法は、上記の誤差が小さくなるように、各ニューラルネットワークのノード間の結合重み付け係数等を調整する手法である。

【0046】

機械学習の具体的なアルゴリズムとしては、最近傍法、ナイーブベイズ法、決定木、サポートベクターマシンなどが挙げられる。また、ニューラルネットワークを利用して、学習するための特徴量、結合重み付け係数を自ら生成する深層学習（ディープラーニング）も挙げられる。適宜、上記アルゴリズムのうち利用できるものを用いて、この実施形態における学習モデルに適用することができる。

【0047】

図５（ｂ）に示す推論時における入力データ（Ｘ）は学習済モデル３５２の入力層のデータである。推論時には、入力データ（Ｘ）を機械学習モデルである学習済モデル３５２を用いて認識した結果として出力データ（Ｙ）が出力される。推論時には、出力データ（Ｙ）を推論結果として利用する。なお、推論時の学習済モデル３５２は、学習時の学習モデル２５２と同等のニューラルネットワークを備えるものとして説明したが、推論で必要な部分のみを抽出したものを学習済モデル３５２として備えてもよい。これにより、学習済モデル３５２が扱うデータ量を削減したり、推論時のニューラルネットワーク処理時間を短縮したりすることが可能である。

【0048】

次に、図５を参照して説明した学習モデルをこの実施形態における最適なプリンタの選択に適用した学習と推論についての特徴について説明する。

【0049】

・学習と推論の特徴
この実施形態では図１で示したようにプリントシステムに少なくとも２つのプリンタ６００、６０１が接続されており、ユーザがクライアント端末４０１から適宜、好みのプリンタを選択して印刷を行うことができる。一例として、この実施形態では表１に示す２種類のプリンタを用いる。

【0050】

プリンタ（ＩＪＰ）６００は、記録媒体の幅に対応した長さを備えるＡ３サイズ対応のページワイド型のインクジェット記録ヘッドを備え、その記録ヘッドからイエロ、マゼンタ、シアン、ブラックの４色のインクを吐出してフルカラー記録を行う。なお、その記録速度は６０ｉｐｍである。一方、プリンタ（ＬＢＰ）６０１は、Ａ４サイズまでの記録媒体にブラックのトナーのみでのモノクロ記録が可能である。なお、その記録速度は３０ｉｐｍである。

【0051】

＜表１＞
┌――――┬――――――――┬――――――┬―――――――┬―――――┐
｜ 種類 ｜ 記録方式 ｜ 記録速度 ｜最大記録サイズ｜ 記録色 ｜
├――――┼――――――――┼――――――┼―――――――┼―――――┤
｜ ＩＪＰ｜ インクジェット｜ ６０ｉｐｍ｜ Ａ３ ｜ カラー ｜
├――――┼――――――――┼――――――┼―――――――┼―――――┤
｜ ＬＢＰ｜ 電子写真 ｜ ３０ｉｐｍ｜ Ａ４ ｜ モノクロ｜
└――――┴――――――――┴――――――┴―――――――┴―――――┘

【0052】

なお、図１や表１に示した例では、ＬＡＮに接続されるネットワークプリンタの種類は２つであるとしたが、本発明はこれによって限定されるものではない。例えば、インクジェットプリンタ（ＩＪＰ）の種類を１つにする必要はない。例えば、表１のプリンタ（ＩＪＰ）はイエロ（Ｙ）、マゼンタ（Ｍ）、シアン（Ｃ）、ブラック（Ｋ）の４色のインクを用いるものであるが、より高品位な画像記録のために、８色、１０色、１２色などのより多くのインクを用いるプリンタをさらに用いても良い。さらに、表１のプリンタの記録方式は２種類であるが、他の記録方式に従うプリンタ、例えば、昇華式プリンタなどをさらに用いても良い。

【0053】

この実施形態では、それぞれの印刷時においてユーザがクライアント端末４０１で最終的に選択を行って印刷を実行した際のプリンタ種類（選択指示）を教師データ（Ｔ）として学習部２５１で学習を行うことで学習済モデル３５２を生成する。新たに印刷を行う際には後述する入力データ（Ｘ）と学習済モデル３５２とに基づいて、ユーザが印刷指示を行うと、想定されるプリンタ種類を推論部３５１で推定する。

【0054】

以下、このようなプロセスを詳細に説明する。

【0055】

・学習フェーズ
この実施形態における入力データ（Ｘ）は、
（１）印刷対象ページ内の文章割合／画像割合、
（２）印刷対象のページ数、
（３）印刷対象の出力サイズ、
（４）印刷対象を作成した使用ソフト（アプリケーション）、
（５）直近に使用したプリンタ
等である。学習モデル２５２又は学習済モデル３５３には入力データ（１）～（５）のうちの少なくともいずれか１つが入力される。

【0056】

入力データ（Ｘ）を（１）印刷対象ページ内の文章割合／画像割合である観点から考えると、一般的に、文章の割合が比較的多いとモノクロプリンタであるプリンタ６０１を選択する場合が多く、逆に、画像の割合が多いとプリンタ６００を選択する場合が多い。入力データ（Ｘ）が（２）印刷対象ページ数である観点から考えると、ページ数が比較的多いと相対的に高速印刷が可能なプリンタ６００を選択する場合が多い。入力データ（Ｘ）を（３）印刷対象の出力サイズである観点から考えると、ＰＣで使用するアプリケーションのページサイズがＡ３以上の場合にはプリンタ６００を選択する場合が多い。入力データ（Ｘ）を（４）印刷対象を作成した使用ソフトである観点から考えると、描画ソフトや写真アプリケーションからの印刷の場合にはカラー印刷に適したプリンタ６００を選択する場合が多い。入力データ（Ｘ）を（５）直近に使用したプリンタである観点から考えると、ＰＣを使用するユーザの好みによりいずれか一方のプリンタをメインプリンタとして使用する場合があるので、直近に使用したプリンタを入力データとして参照する。

【0057】

このように、この実施形態では、上記（１）～（５）といったデータを入力データ（Ｘ）として用いてエッジサーバ３００のデータ収集・提供部３５０を経てクラウドサーバ２００の学習部２５１で学習を行う。学習部２５１は入力データ（Ｘ）と教師データ（Ｔ）とユーザが実際に選択したプリンタ種類とに基づいて学習を行う。このように学習部２５１で学習したデータをクラウドサーバ２００にある学習モデル２５２に蓄積する。

【0058】

エッジサーバ３００やクラウドサーバ２００を介して複数ユーザからの複数回の入力データに基づいて学習を行うこと学習したデータを学習モデル２５２に蓄積する。このようにして、以前の複数回の記録を通して、学習部２５１は何がユーザの要求に適合したプリンタであるのかを学習する。

【0059】

・推定フェーズ
クラウドサーバ２００の学習部２５１で学習され学習モデル２５２に蓄積された学習データは学習済モデル３５２としてエッジサーバ３００に蓄積される。ここで、ユーザから新たな印刷指示がデバイス４００から送られてきた場合には、入力データ（１）～（５）と学習済モデル３５２とに基づいてエッジサーバ３００の推論部３５１で推論を実行し、これにより得られた推論結果をデバイス４００に伝達する。

【0060】

その際に、例えば、推論部３５１での推論結果がプリンタ６００を選択したとする。この場合、ユーザがＰＣで印刷指令を実行した場合にＰＣのモニタ上にプリント指示用の画面１０が表示される。

【0061】

図６はパーソナルコンピュータ（ＰＣ）のモニタの表示画面を示す図である。

【0062】

図６には、プリント指示用の画面１０が表示される例が示されている。画面１０には、プリンタ選択箇所１２に選択されたプリンタ名が表示される。プリンタ種類を変更する場合には、プルダウンボタン１１をクリックすることで使用可能な複数種類のプリンタが表示され、ユーザがその中から所望のプリンタを選択する。この実施形態では推論部３５１においてプリンタ６００が選択されたのでプリンタ選択箇所１２にはプリンタ（ＩＪＰ）が表示される。図６に示すのと同様の画面は、スマートフォン５００やワークステーション（ＷＳ）などの他のクライアント端末にも表示できる。

【0063】

従って以上説明した実施形態に従えば、パーソナルコンピュータの表示画面には印刷指示の度にエッジサーバの推論部で推論された結果のプリンタが表示される。ここで、最終的にユーザが印刷を行ったプリンタ種類は教師データ（Ｔ）として学習に使用される。このように、ＡＩ技術を用いて学習・推論を繰り返し行うことでユーザが出力したいであろうプリンタ種類を精度良く表示画面に表示することが可能となる。仮に、ユーザがＰＣにおいて特定のプリンタを「通常使うプリンタ」として設定していたとしても、上記推論部による結果を優先してプリンタ種類を表示することでユーザが用いたいであろうプリンタを表示できる。その結果、ユーザがプルダウンボタンなどを操作して使用するプリンタを変更するといった手間を軽減することが可能になる。

【0064】

なお、上述した実施形態では１つのクラウドサーバに対して１つのエッジサーバが接続されており、クラウドサーバにおける学習部は、そのエッジサーバからの複数の入力データに基づいて学習を行っていた。しかしながら、本発明はこれによって限定されるものではない。例えば、１つのクラウドサーバに複数のエッジサーバを接続し、学習の際に全エッジサーバからの入力データを参照するのではなく特定の１つ以上のエッジサーバからの入力データに基づいて学習を行い、当該エッジサーバの推論部で推論を行うようにしても良い。

【0065】

図７は本発明の他の実施形態に従うプリントシステムの概略構成を示すブロック図である。図７において、既に図１で説明したのと同じ構成要素には同じ参照番号を付し、その説明は省略する。図７と図１とを比較すると分かるように、この例では１つのクラウドサーバ２００に対しインターネット１０４と１つルータを介して１つのエッジサーバに接続する構成が２つ設けられている。そして、エッジサーバ３００、３００ａにＬＡＮ１０２、１０２ａを介して、それぞれ、複数のデバイスが接続される。

【0066】

図７によれば、図１と同様にクラウドサーバ２００にはルータ１０３を介してエッジサーバ３００が接続されており、エッジサーバ３００に複数のプリンタ６００、６０１、クライアント端末４０１が接続されている。これを企業Ａにおけるネットワークプリンタ環境とする。また、企業Ｂのネットワークプリンタ環境として、ルータ１０３ａを介してエッジサーバ３００ａが接続されており、これに複数のプリンタ６００ａ、６０１ａ、クライアント端末４０１ａが接続されている。

【0067】

ここで、例えば、企業Ａにおいては経費（コスト）を削減するために、社員に対して極力モノクロプリンタであるプリンタ６０１を使うように通達されているとする。企業Ａの社員が印刷をする場合、例えば、画像割合が比較的多い対象物を印刷する場合においてもカラープリンタであるプリンタ６００ではなく、プリンタ６０１を使用する場合が多い。従って、上述の実施形態で説明したような一般的な学習モデル２５２では、企業Ａの特性に適合しない場合ある。このように学習モデルは企業毎、言い換えるとエッジサーバに接続されるサブシステム毎に特性（傾向）が異なる場合がある。

【0068】

このため、図７に示したプリンタシステムではクラウドサーバ２００に接続される複数のエッジサーバごとに学習モデルを異ならせ、異なる学習モデルごとに推論を行う。つまり企業毎（エッジサーバ毎）に個別の学習、推論を行う。

【0069】

このように、図７に示したプリンタシステムでは、エッジサーバ３００、３００ａ夫々に推論部を備える。そして、例えば、エッジサーバ３００ａの推論部で推論を行う場合は、エッジサーバ３００ａ（ルータ１０３ａ）に接続されたクライアント端末４０１ａからのみ収集された学習データを用いる。言い換えると、エッジサーバ３００（ルータ１０３）に接続されたクライアント端末４０１から収集された学習データは用いずに推論する。

【0070】

また、上述の実施形態ではクラウドサーバに学習部を備える構成であったが、図７に示すようなシステムでは、各エッジサーバに学習部を備える構成であってもよい。例えば、ルータ１０３ａに接続されたクライアント端末４０１ａからの入力データに対してはエッジサーバ３００ａの学習部で学習を行い、ルータ１０３に接続されたクライアント端末４０１からの入力データに対してはエッジサーバ３００の学習部で学習を行う。

【0071】

このようにシステムを構成することで、異なるネットワークプリンタ環境夫々で別個に収集された入力データに対して、専用の学習モデルを用いて学習を行い、その学習で得られた学習データを推論部にフィードバックして推論を行うことができる。従って、異なるネットワークプリンタ環境夫々に適合したプリンタ選択を行うことができる。

【0072】

＜他の実施形態＞
本発明は、上述の実施形態の１以上の機能を実現するプログラムを、ネットワークまたは記憶媒体を介してシステムまたは装置に供給し、そのシステムまたは装置のコンピュータがプログラムを読出し実行する処理でも実現可能である。コンピュータは、１または複数のプロセッサまたは回路を有し、コンピュータ実行可能命令を読み出し実行するために、分離した複数のコンピュータまたは分離した複数のプロセッサまたは回路のネットワークを含みうる。

【0073】

プロセッサまたは回路は、ＣＰＵ、ＭＰＵ、グラフィクスプロセッシングユニット（ＧＰＵ）、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートウェイ（ＦＰＧＡ）を含みうる。また、プロセッサまたは回路は、デジタルシグナルプロセッサ（ＤＳＰ）、データフロープロセッサ（ＤＦＰ）、またはニューラルプロセッシングユニット（ＮＰＵ）を含みうる。

【0074】

発明は上記実施形態に制限されるものではなく、発明の精神及び範囲から離脱することなく、様々な変更及び変形が可能である。従って、発明の範囲を公にするために請求項を添付する。

【符号の説明】

【0075】

１００ 処理システム、１０２ ローカルエリアネットワーク（ＬＡＮ）、
１０３ ルータ、１０４ インターネット、２００ クラウドサーバ、
２５０ 学習用データ生成部、２５１ 学習部、２５２ 学習モデル、
３００ エッジサーバ、３５０ データ収集・提供部、３５１ 推論部、
３５２ 学習済モデル、４００ デバイス、４０１ クライアント端末、
４５０ アプリケーション部、５００ スマートフォン、６００、６０１ プリンタ

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】