特許 7511379 情報処理装置及びプログラム

(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】2024-06-27

(45)【発行日】2024-07-05

(54)【発明の名称】情報処理装置及びプログラム

(51)【国際特許分類】

   G06N 20/00 20190101AFI20240628BHJP

【ＦＩ】

G06N20/00

【請求項の数】 9

(21)【出願番号】P 2020078858

(22)【出願日】2020-04-28

(65)【公開番号】P2021174335

(43)【公開日】2021-11-01

【審査請求日】2023-04-11

(73)【特許権者】

【識別番号】513040384

【氏名又は名称】株式会社マネーフォワード

(74)【代理人】

【識別番号】110002789

【氏名又は名称】弁理士法人ＩＰＸ

(72)【発明者】

【氏名】村上 勝俊

(72)【発明者】

【氏名】杉浦 大貴

【審査官】真木 健彦

(56)【参考文献】

【文献】特開２０１２－０７９２２７（ＪＰ，Ａ）

【文献】特開２０１７－１１７１５２（ＪＰ，Ａ）

【文献】特開２０１９－１５９６９３（ＪＰ，Ａ）

【文献】特開２０１５－００１８８８（ＪＰ，Ａ）

【文献】特開２０１８－１６９９９４（ＪＰ，Ａ）

【文献】国際公開第２０２０／０６５８０８（ＷＯ，Ａ１）

【文献】特開２０１９－１９１７７８（ＪＰ，Ａ）

【文献】特開２０１９－１５９８３１（ＪＰ，Ａ）

【文献】特開２０１９－１２５０４８（ＪＰ，Ａ）

【文献】特開２０１８－１５２０６３（ＪＰ，Ａ）

【文献】特開２０１６－１５２０３９（ＪＰ，Ａ）

【文献】国際公開第２０１４／０４２１４７（ＷＯ，Ａ１）

【文献】特開２００７－１０９１６４（ＪＰ，Ａ）

【文献】特開２０００－００３３５３（ＪＰ，Ａ）

【文献】特開平０８－０９５９３８（ＪＰ，Ａ）

【文献】特許第６５８１２８１（ＪＰ，Ｂ１）

【文献】国際公開第２０１９／１３８６７０（ＷＯ，Ａ１）

【文献】特開２０１８－１３６６５５（ＪＰ，Ａ）

【文献】国際公開第２０１９／１７１５８６（ＷＯ，Ａ１）

【文献】国際公開第２０２０／０２２１２３（ＷＯ，Ａ１）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｎ ２０／００

Ｇ０６Ｎ ３／００

Ｇ０６Ｎ ９９／００

Ｇ０６Ｑ ４０／００

(57)【特許請求の範囲】

【請求項1】

情報処理装置であって、
取得部、学習部、実行制御部及び出力部を備え、
前記取得部は、機械学習に用いる、会計処理に又は税務処理に関する学習データを取得可能に構成され、
前記学習部は、前記学習データを用いて学習モデルに対して前記機械学習を実行可能に構成され、
前記学習モデルは、前記機械学習により生成され、
前記実行制御部は、前記機械学習の実行が停止している停止期間の後に前記機械学習を実行する場合、第１データセットを用いて前記機械学習を実行可能に構成され、
前記第１データセットは、前記停止期間において前記取得部により取得された学習データの少なくとも一部を含むデータセットであり、
前記出力部は、前記学習モデルに、会計処理に又は税務処理に関する入力データを入力することで、前記会計処理又は前記税務処理に関する情報を出力可能に構成される、
情報処理装置。

【請求項2】

情報処理装置であって、
取得部、学習部、実行制御部及び検出部を備え、
前記取得部は、機械学習に用いる学習データを取得可能に構成され、
前記学習部は、前記学習データを用いて学習モデルに対して前記機械学習を実行可能に構成され、
前記学習モデルは、前記機械学習により生成され、
前記実行制御部は、前記機械学習の実行が停止している停止期間の後に前記機械学習を実行する場合、第１データセットを用いて前記機械学習を実行可能に構成され、
前記第１データセットは、前記停止期間において前記取得部により取得された学習データの少なくとも一部を含むデータセットであり、
前記検出部は、前記第１データセットに関する規則が変更されたことを検出可能に構成され、
前記実行制御部は、前記検出部により前記規則が変更されたことを検出した場合、第３データセットを用いて前記機械学習を実行可能に構成され、
前記第３データセットは、前記規則が変更されてから現在までの期間において前記取得部により取得された学習データの少なくとも一部を含むデータセットである、
情報処理装置。

【請求項3】

情報処理装置であって、
取得部、学習部、指定部、及び実行制御部を備え、
前記取得部は、機械学習に用いる学習データを取得可能に構成され、
前記学習部は、前記学習データを用いて学習モデルに対して前記機械学習を実行可能に構成され、
前記学習モデルは、前記機械学習により生成され、
前記指定部は、前記機械学習に用いる学習データの取得期間を指定可能に構成され、
前記実行制御部は、前記機械学習の実行が停止している停止期間の後に前記機械学習を実行する場合であって、前記指定部によって取得期間が指定されていないときには、第１データセットを用いて前記機械学習を実行可能に構成され、前記取得期間が指定されているときには、第２データセットのみを用いて前記機械学習を実行可能に構成され、
前記第１データセットは、前記停止期間において前記取得部により取得された学習データのデータセットであり、
前記第２データセットは、前記指定部により指定された取得期間において前記取得部により取得された学習データのデータセットであり、
前記停止期間は、前記取得期間と、前記取得期間を除いた除外期間（除外期間が０の場合を除く）とから成る、
情報処理装置。

【請求項4】

請求項１～３の何れか１つに記載の情報処理装置において、
指定部を備え、
前記指定部は、前記機械学習の実行の停止時期を指定可能に構成される、
情報処理装置。

【請求項5】

請求項１～４の何れか１つに記載の情報処理装置において、
選択部を備え、
前記学習モデルは、第１学習モデル及び第２学習モデルを含み、
前記第２学習モデルは、前記第１学習モデルに対する前記機械学習により生成された学習モデルであり、
前記選択部は、適用される学習モデルとして、前記第１学習モデル又は前記第２学習モデルを選択可能に構成される、
情報処理装置。

【請求項6】

請求項５に記載の情報処理装置において、
テスト部を備え、
前記テスト部は、前記第１学習モデル及び前記第２学習モデルの精度を確認するテスト処理を実行可能に構成され、
前記選択部は、前記テスト部によるテスト処理の結果、前記第２学習モデルの方が前記第１学習モデルより精度が高いと評価された場合、適用される学習モデルとして、前記第２学習モデルを選択可能に構成される、
情報処理装置。

【請求項7】

請求項１に記載の情報処理装置において、
前記出力部は、前記学習モデルに前記入力データを入力し、前記入力データに対応する勘定科目、補助科目、摘要、及び税区分の少なくとも１つを出力可能に構成される、
情報処理装置。

【請求項8】

請求項１又は請求項７に記載の情報処理装置において、
検出部を備え、
前記検出部は、前記会計処理又は前記税務処理に関する規則が変更されたことを検出可能に構成される、
情報処理装置。

【請求項9】

プログラムであって、
コンピュータを、請求項１～請求項８の何れか１項に記載の情報処理装置の各部として機能させるプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、情報処理装置及びプログラムに関する。

【背景技術】

【0002】

近年、機械学習を利用した技術が普及している。

【0003】

特許文献１には、共通モデルから派生した個別モデルにおいて、個別モデルと新しい共通モデルを比較して再学習することで、新しいモデルに個別学習の結果を反映、統合することを実現する技術が開示されている。

【先行技術文献】

【特許文献】

【0004】

【文献】特開２０１８－１４７２６１号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

ところで、特定の組織に対してチューニングした学習モデルを利用する場合、機械学習を継続することにより一時的に学習モデルの精度が低下することがある。

【0006】

本発明では上記事情を鑑み、機械学習の実行を停止させた後、再度機械学習を実行するにあたり、過去に取得したデータを用いて機械学習を実行可能な情報処理装置及びプログラムを提供することとした。

【課題を解決するための手段】

【0007】

本発明の一態様によれば、情報処理装置であって、学習モデル、取得部、学習部、及び実行制御部を備え、前記学習モデルは、機械学習により生成され、前記取得部は、前記機械学習に用いる学習データを取得可能に構成され、前記学習部は、前記学習データを用いて前記学習モデルに対して機械学習を実行可能に構成され、前記実行制御部は、前記機械学習の実行が停止している停止期間の後に前記機械学習を実行する場合、第１データセットを用いて前記機械学習を実行可能に構成され、前記第１データセットは、前記停止期間において前記取得部により取得された学習データの少なくとも一部を含むデータセットである、情報処理装置が提供される。

【図面の簡単な説明】

【0008】

【図1】本発明の一実施形態に係る情報処理装置１を含むシステム１００の概略図である。

【図2】情報処理装置１のハードウェア構成を示す図である。

【図3】制御部１０の機能ブロック図である。

【図4】複数のバージョンを含む学習モデルＭの概念図である。

【図5】学習データの一例である。

【図6】ユーザー端末２に表示される画像の一例である。

【図7】情報処理装置１による処理の一例を表すアクティビティ図である。

【発明を実施するための形態】

【0009】

以下、図面を用いて本発明の実施形態について説明する。以下に示す実施形態中で示した各種特徴事項は、互いに組み合わせ可能である。

【0010】

ところで、本実施形態に登場するソフトウェアを実現するためのプログラムは、コンピュータが読み取り可能な非一時的な記録媒体として提供されてもよいし、外部のサーバからダウンロード可能に提供されてもよいし、外部のコンピュータで当該プログラムを起動させてクライアント端末でその機能を実現（いわゆるクラウドコンピューティング）するように提供されてもよい。

【0011】

また、本実施形態において「部」とは、例えば、広義の回路によって実施されるハードウェア資源と、これらのハードウェア資源によって具体的に実現されうるソフトウェアの情報処理とを合わせたものも含みうる。また、本実施形態においては様々な情報を取り扱うが、これら情報は、例えば電圧・電流を表す信号値の物理的な値、０又は１で構成される２進数のビット集合体としての信号値の高低、又は量子的な重ね合わせ（いわゆる量子ビット）によって表され、広義の回路上で通信・演算が実行されうる。

【0012】

また、広義の回路とは、回路（Ｃｉｒｃｕｉｔ）、回路類（Ｃｉｒｃｕｉｔｒｙ）、プロセッサ（Ｐｒｏｃｅｓｓｏｒ）、及びメモリ（Ｍｅｍｏｒｙ）等を少なくとも適当に組み合わせることによって実現される回路である。すなわち、特定用途向け集積回路（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ：ＡＳＩＣ）、プログラマブル論理デバイス（例えば、単純プログラマブル論理デバイス（Ｓｉｍｐｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ：ＳＰＬＤ）、複合プログラマブル論理デバイス（Ｃｏｍｐｌｅｘ Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ：ＣＰＬＤ）、及びフィールドプログラマブルゲートアレイ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ：ＦＰＧＡ））等を含むものである。

【0013】

１．システム１００の概要
図１に示すように、本発明の一実施形態に係るシステム１００は、情報処理装置１を含む。情報処理装置１の機能は特に限定されないが、例えば、クラウド型又はアプリケーションとしての会計サービス又は家計簿サービスを提供するものであってもよい。情報処理装置１は、ユーザーが利用するユーザー端末２と、連携システム３と通信可能に構成される。本実施形態では、システム１００はさらに、ユーザー端末２及び連携システム３を備える。ユーザー端末２は、情報処理装置１が提供するサービスを利用可能に構成される。

【0014】

連携システム３は、組織の運営に利用されるシステムである。例えば、連携システム３は、勤怠管理システム、人事管理システム、経費精算システム、スケジュール管理システムであってもよい。

【0015】

そして、情報処理装置１、ユーザー端末２及び連携システム３がネットワークＮＷを介して互いに接続されている。情報処理装置１は、例えばサーバにより構成される。ユーザー端末２は、任意のコンピュータにより構成され、例えば、スマートフォン、タブレット端末、スマートウォッチ、ノートＰＣ、デスクトップＰＣにより構成される

【0016】

２．情報処理装置１のハードウェア構成
図２に示すように、情報処理装置１は、制御部１０、通信部２０、記憶部３０、入力部４０及び表示部５０を備える。
制御部１０は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）等であって、情報処理装置１の全体を制御する。
通信部２０は、ＮＩＣ（Ｎｅｔｗｏｒｋ Ｉｎｔｅｒｆａｃｅ Ｃａｒｄ）等であって、他の情報処理装置又は構成要素と有線又は無線によりデータ通信可能に構成される。
記憶部３０は、種々のプログラム及びデータを記憶するものであり、例えばメモリ、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等により構成される。また、記憶部３０は、プログラムや種々のデータ等を記憶する。そして、記憶部３０に記憶されているプログラムに基いて制御部１０が種々の処理を実行することにより、種々の機能が実現する。

【0017】

本実施形態では、記憶部３０は、図４に示される学習モデルＭを記憶してもよい。学習モデルＭは、機械学習により生成される。学習モデルＭは、第１学習モデルＭ１及び第２学習モデルＭ２を含んでもよい。図４の例では、学習モデルＭは、第１学習モデルＭ１～第Ｎ学習モデルＭＮを含んでいる。ここで、第２学習モデルＭ２は、第１学習モデルＭ１に対する機械学習により生成された学習モデルである。すなわち、本実施形態では、ある学習モデルに対して追加の機械学習を実行し、新たな学習モデルを生成するときに、学習の前後の学習モデルを異なるバージョンとして管理する。

【0018】

入力部４０は、情報処理装置１に種々の情報を入力するものであり、マウス、キーボード、ポインティングデバイス等により構成される。
表示部５０は、テキストや画像（静止画及び動画を含む）を表示するものであり、任意のディスプレイにより構成される。表示部５０は、情報処理装置１がサーバである場合、情報処理装置１に接続されたディスプレイにより構成される。

【0019】

３．情報処理装置１の機能
図３に示すように、情報処理装置１の制御部１０は、取得部１１、学習部１２、実行制御部１３を備える。本実施形態では、制御部１０はさらに、指定部１４、選択部１５、テスト部１６、出力部１７、検出部１８を備える。

【0020】

（取得部１１）
取得部１１は、機械学習に用いる学習データを取得可能に構成される。ここで、機械学習に用いて学習データの種別は問わず、学習モデルＭの適用先に応じて種々のデータを用いることができる。具体的には、情報処理装置１をクラウド型又はアプリケーションとしての会計サービスとして適用する場合には、入力された金額、品目、勘定科目、日付、部署名等に加え、設定された勘定科目等を学習データとして取得する。換言すると、取得部１１は、会計処理又は税務処理に関する入力データを取得してもよい。さらに、取得部１１は、プロジェクト、製品、部門、支店、地域、取引先等に関する入力データを取得してもよい。

【0021】

（学習部１２）
学習部１２は、学習データを用いて学習モデルＭに対して機械学習を実行可能に構成される。ここで、機械学習の手法は適宜選択することができる。例えば、ニューラルネットワークを用いる場合には、種々のパラメータに基づく入力値がニューラルネットワークに入力される。ニューラルネットワークは、ソフト又はハードとして実装することができ、例えば、情報処理装置１のファームウェア上に実装することができる。ここで、計算ノードＮ毎に予め定められた重みｗは、情報処理装置１又は他の情報処理装置により予め機械学習されることにより設定される。

【0022】

（実行制御部１３）
実行制御部１３は、学習部１２による機械学習に用いる学習データの種類及び量、学習データとして利用する期間、機械学習の実行タイミング又は頻度等を制御する。本実施形態では、実行制御部１３は、機械学習の実行が停止している停止期間の後に機械学習を実行する場合、第１データセットを用いて機械学習を実行可能に構成される。ここで、第１データセットは、停止期間において取得部１１により取得された学習データの少なくとも一部を含むデータセットである。

【0023】

図５に示されるように、例えば、１月１日より前から１月１日までの期間Ｔ０に取得されたデータを用いて機械学習を実行して学習モデルＭを学習させた後、１月２日から６月３０日（現在）までの期間Ｔｓにおいて機械学習の実行が停止している場合には、期間Ｔｓが停止期間となる。そして、期間Ｔｓにおいて取得された学習データＬＤ１～学習データＬＤＮが、情報処理装置１の記憶部３０又は他の情報処理装置に記憶される。ここで、学習データＬＤ１は５月１日に取得された学習データであり、学習データＬＤ２は５月２日に取得された学習データである。このとき、第１データセットは、停止期間（期間Ｔｓ）において取得された学習データＬＤ１～学習データＬＤＮの少なくとも一部を含むデータである。

【0024】

また、実行制御部１３は、第２データセットを用いて機械学習を実行可能に構成されてもよい。ここで、第２データセットは、指定部１４により指定された取得期間において取得部１１により取得された学習データの少なくとも一部を含むデータセットである。図５に示されるように、停止期間（期間Ｔｓ）において機械学習が実行されていなかったが、６月３０日（現在）に機械学習を実行する場合に、期間Ｔ２において取得された学習データの少なくとも一部を含む第２データセットを用いて機械学習を実行することができる。このとき、期間Ｔ２が取得期間となる。また、取得期間（期間Ｔ２）において取得された学習データＬＤ３～学習データＬＤＮの少なくとも一部を含むデータが第２データセットとなる。ここで、学習データＬＤ１及び学習データＬＤ２については、取得期間（期間Ｔ２）より前に取得されたデータであるため、第２データセットには含まれない。すなわち、停止期間（期間Ｔｓ）のうち、取得期間（期間Ｔ２）を除いた除外期間（期間Ｔ１）に取得されたデータについては、機械学習に用いない。

【0025】

また、実行制御部１３は、手動モード及び自動モードを切替可能に構成されてもよい。本実施形態では、手動モードでは、機械学習、後述の適用される学習モデルＭの選択、又は後述のテスト処理をユーザーからの指示に基づいて実行する。一方、自動モードでは、機械学習、適用される学習モデルＭの選択、又はテスト処理を自動的に実行する。すなわち、自動モードによれば、例えば、予め定められたタイミングで機械学習を実行し、学習モデルＭをアップデートすることができる。なお、手動モードと自動モードは適宜切り替えることができる。また、、機械学習については手動モードを適用し、テスト処理又は適用される学習モデルＭの選択については自動モードを適用するなど、複数の処理に対して異なるモードを適用することもできる。

【0026】

（指定部１４）
指定部１４は、機械学習に用いる学習データの取得期間を指定可能に構成される。例えば、図６に示されるように、ユーザー端末２に学習モデルＭを表すアイコンＩと、取得期間を指定可能なスライダをまとめて表示してもよい。そして、ユーザーがユーザー端末２を操作することで、取得期間の開始日と終了日を指定することができる。ここで、取得期間の指定方法はこれに限定されず、テキスト形式、プルダウン形式、ドラムロール形式等の形式で取得期間の開始日及び終了日を入力してもよい。また、所定期間単位（例：現在から１ヶ月、３ヶ月、６ヶ月、１２ヶ月前までの期間）で取得期間を指定させてもよい。さらに、日単位でなく、時間、分、秒単位で取得期間を指定させてもよい。

【0027】

また、指定部１４は、機械学習の実行の停止時期を指定可能に構成されてもよい。図５の例では、指定部１４により、停止期間（期間Ｔｓ）の始期が指定される。

【0028】

（選択部１５）
選択部１５は、適用される学習モデルとして、第１学習モデルＭ１又は第２学習モデルＭ２を選択可能に構成される。本実施形態では、図４に示されるように、学習モデルＭとして異なるバージョンである第１学習モデルＭ１及び第２学習モデルＭ２を記憶しており、選択部１５により選択された学習モデルを用いて種々の処理を実行する。

【0029】

（テスト部１６）
テスト部１６は、第１学習モデルＭ１及び第２学習モデルＭ２の精度を確認するテスト処理を実行可能に構成される。例えば、学習モデルＭに学習データを入力することにより学習モデルＭから出力される出力信号と、予め定められた閾値を比較することにより、複数の学習モデルＭの精度を確認する。このとき、選択部１５は、テスト部１６によるテスト処理の結果、第２学習モデルＭ２の方が第１学習モデルＭ１より精度が高いと評価された場合、適用される学習モデルとして、第２学習モデルＭ２を選択可能に構成される。これは、複数のバージョンとして管理された学習モデルＭのうち、精度の高い学習モデルＭを利用して種々の処理を実行するためである。

【0030】

（出力部１７）
情報処理装置１が会計処理又は税務処理の機能を提供する場合、出力部１７は、学習モデルＭに入力データを入力し、会計処理又は税務処理に関する情報を出力可能に構成してもよい。具体的には、学習データにより学習された学習モデルＭに対して入力データを入力することにより、会計処理又は税務処理に関する情報を出力する。ここで、入力データとしては、購入又は立替の金額、品目、勘定科目、日付、部署名等が挙げられる。

【0031】

また、出力部１７は、学習モデルＭに入力データを入力し、入力データに対応する勘定科目、補助科目、摘要、及び税区分の少なくとも１つを出力可能に構成されてもよい。具体的には、購入又は立替の金額、品目、日付、部署名を入力データとして学習モデルＭに入力することにより、入力データに対応する勘定科目、補助科目、摘要、及び税区分の少なくとも１つが出力される。また、ユーザーが手動で入力した勘定科目、補助科目、摘要、及び税区分の少なくとも１つが、学習モデルＭにより推定された勘定科目と異なる場合、その旨提示してもよい。

【0032】

さらに、出力部１７は、学習モデルＭに入力データを入力し、入力データに対応するタグ、借方及び貸方の消込の少なくとも１つを出力可能に構成されてもよい。ここで、学習モデルＭにより出力される会計処理又は税務処理に関する情報の一例である仕訳データに、学習モデルＭにより推定されたプロジェクト、製品、部門、支店、地域、取引先等を含めてもよい。このとき、カレンダーアプリケーションと連動し、プロジェクト単位で日時を含めた工数若しくは工程管、又は予算管理を実現してもよい。

【0033】

（検出部１８）
検出部１８は、会計処理又は税務処理に関する規則が変更されたことを検出可能に構成される。規則の種類及び内容は特に限定されない。規則が変更されたこととは、例えば、以下の通りである。
＜規則の変更例１＞
会計責任者Ａは特定の費用を「勘定科目Ｘ」として処理していたが、後任の会計責任者Ｂに変わってから、同じ費用を「勘定科目Ｙ」として処理するようになった場合
＜規則の変更例２＞
ビジネスモデルＡのときは特定の費用を「勘定科目Ｘ」として処理していたが、業態変更後などに別のビジネスモデルＢを採用してから、同じ費用を「勘定科目Ｙ」として処理するようになった場合
＜規則の変更例３＞
来客用のお茶の勘定科目を「会議費」として処理していた企業が、ある時期を境に来客用のお茶の提供を停止するとともに、防災時の非常食としてペットボトルのお茶を全従業員分購入して会社に備蓄するようになり、ペットボトルのお茶の勘定科目を「消耗品費」として処理するようになった場合
＜規則の変更例４＞
法律等で定められた会計基準の変更により、「勘定科目Ｘ」が廃止されて新たに「勘定科目Ｙ」が用いられるようになる等、外部環境の変化に起因して規則が変更された場合

【0034】

ここで、検出部１８は、連携システム３から取得した種々のデータに基づいて、規則の変更を検出してもよい。例えば、連携システム３が人事管理システムである場合には、人事管理データベースに登録された人事情報を取得することにより、会計責任者が変更したことを把握できる。そして、会計責任者が変更された場合、会計規則が変更したと判断してもよい。

【0035】

また、実行制御部１３は、検出部１８により規則が変更されたことを検出した場合、第３データセットを用いて機械学習を実行可能に構成されてもよい。ここで、第３データセットは、規則が変更されてから現在までの期間において取得部１１により取得された学習データの少なくとも一部を含むデータセットである。これにより、機械学習の実行停止が解除され、新たな規則に対応する学習データを利用して学習モデルＭを学習させることができる。

【0036】

さらに、検出部１８により規則が変更されたことを検出した場合、規則が変更された可能性があることについてユーザーに提示してもよい。かかる提示手法は特に限定されず、ユーザー端末２への表示、音声出力、その他の手法により実現される。

【0037】

４．処理の概要
次に、図７を用いて、情報処理装置１による処理の概要について説明する。

【0038】

まず、取得部１１により、学習データを取得する（Ａ１）。そして、学習モデルＭに対する機械学習の停止期間であって、指定部１４により停止期間が解除された場合に、指定部１４により取得期間が指定されているときには、第２データセット（図中では第２ＤＳ）を取得する（Ａ２ａ）。具体的には、図５に示されるように、６月３０日（現在）の時点において、５月３日に規則が変更されていたことに気づいた場合には、停止期間（期間Ｔｓ）のうち、期間Ｔ２において取得した学習データＬＤ３～学習データＬＤＮの少なくとも一部を含む第２データセットを機械学習に用いることができる。なお、この場合、第２データセットと第３データセットは同じデータセットとなる。

【0039】

一方、学習モデルＭに対する機械学習の停止期間であって、指定部１４により停止期間が解除された場合に、指定部１４により取得期間が指定されていないときには、第１データセット（図中では第１ＤＳ）を取得する（Ａ２ｂ）。具体的には、図５に示されるように、６月３０日（現在）の時点において、１月２日以降のいずれかの時点で規則が変更されていたことに気づいた場合には、停止期間（期間Ｔｓ）において取得した学習データＬＤ１～学習データＬＤＮの少なくとも一部を含む第１データセットを機械学習に用いることができる。

【0040】

一方、学習モデルＭに対する機械学習の停止期間であって、指定部１４により停止期間が解除されず、停止期間が継続する場合には、処理をＡ１に戻す。

【0041】

そして、Ａ３において、第２データセット又は第１データセットを用いて、機械学習を実行する。

【0042】

他方、Ａ１において学習データを取得した後、学習モデルＭに対する機械学習の学習期間である場合には、処理をＡ３に進め、学習期間に取得した学習データの少なくとも一部を含むデータセットを用いて、機械学習を実行する。ここで、Ａ３における機械学習の対象が、学習モデルＭに含まれる第１学習モデルＭ１である場合には、機械学習の結果として第２学習モデルＭ２が生成される。

【0043】

その後、Ａ４において、テスト部１６により、第１学習モデルＭ１（機械学習の実行前の学習モデル）と、第２学習モデルＭ２（機械学習の実行後の学習モデル）に対するテスト処理が実行される。そして、テスト処理の結果、精度が高いと評価された学習モデルを採用する。

【0044】

学習モデルＭの利用が継続される場合、処理をＡ１に戻す。一方、学習モデルＭの利用を終了する場合、処理を終了する。

【0045】

ここで、機械学習、適用される学習モデルＭの選択、又はテスト処理の実行について、実行制御部１３により適用されるモードが手動モードであるか自動モードであるかを考慮してもよい。

【0046】

５．まとめ
以上説明した処理により、本実施形態に係る情報処理装置１によれば、学習結果に満足な場合は学習モデルＭの学習を停止させることができる。一方、規則が変化した場合は、学習モデルＭの学習を再開させることができる。特に、停止期間中はバックグラウンドで学習データを取得ておき、学習を再開させる場合には、停止期間中に取得した学習データを用いることにより、過去に遡って学習モデルＭを再学習させることが可能になる。

【0047】

６．その他
上述の説明では、情報処理装置１が種々の機能を備える構成としたが、これらの機能を複数の情報処理装置に分散させて実現してもよい。例えば、ユーザーが利用するサービスに学習モデルＭが実装される場合には、学習モデルＭと情報処理装置１を別の筺体に分散させてもよい。

【0048】

また、ユーザーが指定した任意の期間において取得された学習データを用いた機械学習により、学習モデルＭの生成リクエストを受け付けても良い。

【0049】

また、大きなトレンドの変化があり、かつ十分な量の学習データを取得していない場合には、出力部１７により会計処理又は税務処理に関する情報の出力を停止してもよい。例えば、入力データに対応する勘定科目の自動提案機能を停止してもよい。

【0050】

さらに、クラウド型又はアプリケーションとしての会計サービス又は家計簿サービス以外にも、情報処理装置１による学習モデルＭに対する機能学習の制御を適用してもよい。例えば、ＥＲＰ（Ｅｎｔｅｒｐｒｉｓｅ Ｒｅｓｏｕｒｃｅ Ｐｌａｎｎｉｎｇ）、ＲＰＡ（Ｒｏｂｏｔｉｃ Ｐｒｏｃｅｓｓ Ａｕｔｏｍａｔｉｏｎ）等に対し、組織の特徴を色濃く反映して学習させた学習モデルＭを実装する場合、情報処理装置１による処理は好適である。

【0051】

次に記載の各態様で提供されてもよい。
前記情報処理装置において、指定部を備え、前記指定部は、前記機械学習に用いる学習データの取得期間を指定可能に構成され、前記実行制御部は、第２データセットを用いて前記機械学習を実行可能に構成され、前記第２データセットは、前記指定部により指定された取得期間において前記取得部により取得された学習データの少なくとも一部を含むデータセットである、情報処理装置。
前記情報処理装置において、指定部を備え、前記指定部は、前記機械学習の実行の停止時期を指定可能に構成される、情報処理装置。
前記情報処理装置において、選択部を備え、前記学習モデルは、第１学習モデル及び第２学習モデルを含み、前記第２学習モデルは、前記第１学習モデルに対する前記機械学習により生成された学習モデルであり、前記選択部は、適用される学習モデルとして、前記第１学習モデル又は前記第２学習モデルを選択可能に構成される、情報処理装置。
前記情報処理装置において、テスト部を備え、前記テスト部は、前記第１学習モデル及び前記第２学習モデルの精度を確認するテスト処理を実行可能に構成され、前記選択部は、前記テスト部によるテスト処理の結果、前記第２学習モデルの方が前記第１学習モデルより精度が高いと評価された場合、適用される学習モデルとして、前記第２学習モデルを選択可能に構成される、情報処理装置。
前記情報処理装置において、前記実行制御部は、手動モード及び自動モードを切替可能に構成され、前記手動モードでは、前記機械学習、前記適用される学習モデルの選択、又は前記テスト処理をユーザーからの指示に基づいて実行し、前記自動モードでは、前記機械学習、前記適用される学習モデルの選択、又は前記テスト処理を自動的に実行する、情報処理装置。
前記情報処理装置において、出力部を備え、前記取得部は、会計処理に又は税務処理に関する入力データを取得し、前記出力部は、前記学習モデルに前記入力データを入力し、前記会計処理又は前記税務処理に関する情報を出力可能に構成される、情報処理装置。
前記情報処理装置において、前記出力部は、前記学習モデルに前記入力データを入力し、前記入力データに対応する勘定科目、補助科目、摘要、及び税区分の少なくとも１つを出力可能に構成される、情報処理装置。
前記情報処理装置において、検出部を備え、前記検出部は、前記会計処理又は前記税務処理に関する規則が変更されたことを検出可能に構成される、情報処理装置。
前記情報処理装置において、前記実行制御部は、前記検出部により前記規則が変更されたことを検出した場合、第３データセットを用いて前記機械学習を実行可能に構成され、前記第３データセットは、前記規則が変更されてから現在までの期間において前記記取得部により取得された学習データの少なくとも一部を含むデータセットである、情報処理装置。
プログラムであって、コンピュータを、前記情報処理装置の各部として機能させるプログラム。
もちろん、この限りではない。

【0052】

また、上述のコンピュータを、情報処理装置の各部として機能させるプログラムを格納する、コンピュータ読み取り可能な非一時的な記録媒体として提供してもよい。

【0053】

最後に、本発明に係る種々の実施形態を説明したが、これらは、例として提示したものであり、発明の範囲を限定することは意図していない。新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。実施形態やその変形は、発明の範囲や要旨に含まれると共に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。
上述した実施形態及び複数の変形例は任意に組み合わせて実行することができる。

【符号の説明】

【0054】

１ ：情報処理装置
２ ：ユーザー端末
３ ：連携システム
１０ ：制御部
１１ ：取得部
１２ ：学習部
１３ ：実行制御部
１４ ：指定部
１５ ：選択部
１６ ：テスト部
１７ ：出力部
１８ ：検出部
２０ ：通信部
３０ ：記憶部
４０ ：入力部
５０ ：表示部
１００ ：システム
Ｉ ：アイコン

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】