特許 7533003 情報処理システム、情報処理方法及びプログラム

(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】2024-08-05

(45)【発行日】2024-08-14

(54)【発明の名称】情報処理システム、情報処理方法及びプログラム

(51)【国際特許分類】

   G06N 3/063 20230101AFI20240806BHJP

   G06F 9/50 20060101ALI20240806BHJP

   G06N 3/08 20230101ALI20240806BHJP

【ＦＩ】

G06N3/063

G06F9/50 150Z

G06N3/08

【請求項の数】 22

(21)【出願番号】P 2020135709

(22)【出願日】2020-08-11

(65)【公開番号】P2022032179

(43)【公開日】2022-02-25

【審査請求日】2023-05-17

(73)【特許権者】

【識別番号】000001270

【氏名又は名称】コニカミノルタ株式会社

(74)【代理人】

【識別番号】100117651

【弁理士】

【氏名又は名称】高垣 泰志

(72)【発明者】

【氏名】岡本 悠史

【審査官】佐藤 直樹

(56)【参考文献】

【文献】国際公開第２０２０／１２２０２４（ＷＯ，Ａ１）

【文献】国際公開第２０１９／０７９００８（ＷＯ，Ａ１）

【文献】特開２０１３－０４５２１９（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｎ ３／０６３

Ｇ０６Ｆ ９／５０

Ｇ０６Ｎ ３／０８

(57)【特許請求の範囲】

【請求項1】

学習モデルに基づき特定の処理を実行する情報処理システムであって、
プロセッサーと、
ロジックデータを書き換えることで回路の再構成が可能なプログラマブルロジックデバイスと、
機械学習を実行することによって前記特定の処理のための新規な学習モデルを生成する機械学習実行部と、
前記新規な学習モデルを前記プログラマブルロジックデバイスで動作可能なロジックデータに変換する変換部と、
前記変換部によって前記新規な学習モデルがロジックデータに変換されている期間において、前記新規な学習モデルに基づく前記特定の処理を前記プロセッサーに実行させる制御部と、
を備えることを特徴とする情報処理システム。

【請求項2】

前記制御部は、前記変換部における変換が完了することに伴い、前記変換部で生成されたロジックデータで前記プログラマブルロジックデバイスの回路の再構成を行い、前記新規な学習モデルに基づく前記特定の処理の実行主体を、前記プロセッサーから前記プログラマブルロジックデバイスに切り替えることを特徴とする請求項１に記載の情報処理システム。

【請求項3】

前記プログラマブルロジックデバイスは、ＦＰＧＡであることを特徴とする請求項１又は２に記載の情報処理システム。

【請求項4】

前記機械学習実行部は、ディープラーニングによる機械学習を実行することを特徴とする請求項１乃至３のいずれかに記載の情報処理システム。

【請求項5】

前記特定の処理は、画像処理であることを特徴とする請求項１乃至４のいずれかに記載の情報処理システム。

【請求項6】

前記特定の処理は、入力画像が予め定められた複数のパターン画像のうちのいずれに一致するかを学習モデルにより推論する処理であることを特徴とする請求項１乃至５のいずれかに記載の情報処理システム。

【請求項7】

前記パターン画像は、ロゴ画像であることを特徴とする請求項６に記載の情報処理システム。

【請求項8】

前記制御部は、前記変換部によって前記新規な学習モデルがロジックデータに変換されている期間において、前記プロセッサーに前記特定の処理を実行させる前に、前記プログラマブルロジックデバイスに前記特定の処理を実行させ、前記プログラマブルロジックデバイスによる処理結果に応じて前記プロセッサーに前記特定の処理を実行させるか否かを決定することを特徴とする請求項１乃至７のいずれかに記載の情報処理システム。

【請求項9】

前記制御部は、前記プログラマブルロジックデバイスの処理結果の信頼性が所定値よりも低い場合に、前記プロセッサーに、前記新規な学習モデルに基づく前記特定の処理を実行させることを特徴とする請求項８に記載の情報処理システム。

【請求項10】

前記制御部は、ネットワークを介して外部の情報処理装置と通信可能であり、前記変換部によって前記新規な学習モデルがロジックデータに変換されている期間において、前記新規な学習モデルに基づく前記特定の処理を前記プロセッサーに実行させるとき、前記新規な学習モデルに基づく前記特定の処理のうちの一部を前記情報処理装置に分散処理させることを特徴とする請求項１乃至９のいずれかに記載の情報処理システム。

【請求項11】

前記プロセッサー、前記プログラマブルロジックデバイス、及び、前記制御部は、端末装置に実装され、
前記機械学習実行部、及び、前記変換部は、前記端末装置と通信可能なサーバー装置に実装されることを特徴とする請求項１乃至１０のいずれかに記載の情報処理システム。

【請求項12】

前記プロセッサー、前記プログラマブルロジックデバイス、前記機械学習実行部、前記変換部、及び、前記制御部は、端末装置に実装されることを特徴とする請求項１乃至１０のいずれかに記載の情報処理システム。

【請求項13】

プロセッサーと、
ロジックデータを書き換えることで回路の再構成が可能なプログラマブルロジックデバイスと、
を備える端末装置において、学習モデルに基づく特定の処理を実行させる情報処理方法であって、
機械学習を実行することによって前記特定の処理のための新規な学習モデルを生成する第１ステップと、
前記新規な学習モデルを前記プログラマブルロジックデバイスで動作可能なロジックデータに変換する第２ステップと、
前記第２ステップにおいて前記新規な学習モデルがロジックデータに変換されている期間において、前記新規な学習モデルに基づく前記特定の処理を前記プロセッサーに実行させる第３ステップと、
を有することを特徴とする情報処理方法。

【請求項14】

前記第２ステップにおける変換が完了することに伴い、前記第２ステップで生成されたロジックデータで前記プログラマブルロジックデバイスの回路の再構成を行う第４ステップと、
前記新規な学習モデルに基づく前記特定の処理の実行主体を、前記プロセッサーから前記プログラマブルロジックデバイスに切り替える第５ステップと、
を更に有することを特徴とする請求項１３に記載の情報処理方法。

【請求項15】

前記第１ステップは、ディープラーニングによる機械学習を実行することを特徴とする請求項１３又は１４に記載の情報処理方法。

【請求項16】

前記特定の処理は、画像処理であることを特徴とする請求項１３乃至１５のいずれかに記載の情報処理方法。

【請求項17】

前記特定の処理は、入力画像が予め定められた複数のパターン画像のうちのいずれに一致するかを学習モデルにより推論する処理であることを特徴とする請求項１３乃至１６のいずれかに記載の情報処理方法。

【請求項18】

前記パターン画像は、ロゴ画像であることを特徴とする請求項１７に記載の情報処理方法。

【請求項19】

前記第３ステップは、前記第２ステップにおいて前記新規な学習モデルがロジックデータに変換されている期間において、前記プロセッサーに前記特定の処理を実行させる前に、前記プログラマブルロジックデバイスに前記特定の処理を実行させ、前記プログラマブルロジックデバイスによる処理結果に応じて前記プロセッサーに前記特定の処理を実行させるか否かを決定することを特徴とする請求項１３乃至１８のいずれかに記載の情報処理方法。

【請求項20】

前記第３ステップは、前記プログラマブルロジックデバイスの処理結果の信頼性が所定値よりも低い場合に、前記プロセッサーに、前記新規な学習モデルに基づく前記特定の処理を実行させることを特徴とする請求項１９に記載の情報処理方法。

【請求項21】

前記端末装置は、ネットワークを介して外部の情報処理装置と通信可能であり、
前記第３ステップは、前記第２ステップにおいて前記新規な学習モデルがロジックデータに変換されている期間において、前記新規な学習モデルに基づく前記特定の処理を前記プロセッサーに実行させるとき、前記新規な学習モデルに基づく前記特定の処理のうちの一部を前記情報処理装置に分散処理させることを特徴とする請求項１３乃至２０のいずれかに記載の情報処理方法。

【請求項22】

プロセッサーと、
ロジックデータを書き換えることで回路の再構成が可能なプログラマブルロジックデバイスと、
を備える端末装置において実行されることにより、学習モデルに基づく特定の処理を前記端末装置に実行させるプログラムであって、前記端末装置に、
機械学習を実行することによって前記特定の処理のための新規な学習モデルを生成する第１ステップと、
前記新規な学習モデルを前記プログラマブルロジックデバイスで動作可能なロジックデータに変換する第２ステップと、
前記第２ステップにおいて前記新規な学習モデルがロジックデータに変換されている期間において、前記新規な学習モデルに基づく前記特定の処理を前記プロセッサーに実行させる第３ステップと、
を実行させることを特徴とするプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、情報処理システム、情報処理方法及びプログラムに関し、特に学習モデルに基づいて特定の処理を実行する技術に関する。

【背景技術】

【0002】

従来、入力画像に含まれる文字を認識する技術のひとつとしてＯＣＲ（Optical Character Recognition）がある。しかし、ＯＣＲは、ロゴのような画像を認識することが困難である。ロゴを認識する手法のひとつとして、例えばテンプレートマッチングによる手法がある。ところが、テンプレートマッチングによる手法においても、入力画像に含まれるロゴが傾いているような場合にはテンプレートとの差異が大きくなり、ロゴを正確に認識することができない。

【0003】

そのため、近年では、ディープラーニング（Deep Learning）をはじめとした機械学習を用いて、レシートなどに含まれるロゴ画像の推論を行うことが提案されている（例えば、特許文献１）。ディープラーニングをロゴ判定に用いることで、ロゴが傾いている場合であってもロゴを判定することができるため、テンプレートマッチングよりも認識率を向上させることができる。

【0004】

例えば画像処理の分野では、ディープラーニングによる機械学習において、畳み込みニューラルネットワーク（ＣＮＮ）を利用するアルゴリズムが広く用いられる。畳み込みニューラルネットワークは、畳み込み演算のための計算量が膨大であるため、従来は演算時間が長くなることが懸念されていた。しかし、近年は、汎用的なプロセッサーや、ＦＰＧＡ（Field Programmable Gate Array）のようなプログラマブルロジックデバイスの性能向上に伴い、演算時間が短縮されており、利用が広がりつつある。

【0005】

プログラマブルロジックデバイスは、論理回路を畳み込みニューラルネットワークに応じた専用回路として実現できるため、汎用的なプロセッサーを用いるよりも効率的に推論処理を行うことが可能である。また、プログラマブルロジックデバイスを用いることにより、ロジックデータを書き換えて内部の論理回路を再構成する技術も提案されている（例えば特許文献２）。この技術を適用すれば、例えば機械学習によって新規な学習モデルが生成された場合に、プログラマブルロジックデバイスのロジックデータを書き換えることにより、新規な学習モデルに応じた推論処理を行うことが可能である。

【先行技術文献】

【特許文献】

【0006】

【文献】特開２０１９－１６８８５６号公報

【文献】特開２０１８－１３２８３０号公報

【発明の概要】

【発明が解決しようとする課題】

【0007】

しかしながら、上記特許文献２の従来技術では、新規な学習モデルが生成されてからプログラマブルロジックデバイスのロジックデータの書き換えが完了するまでの期間において、プログラマブルロジックデバイスにおいて新規な学習モデルに応じた推論処理を実行することができないという問題がある。特に、新規な学習モデルをプログラマブルロジックデバイスで動作可能なロジックデータに変換する処理には、数時間から数日程度の長時間を要することがあり、長期に亘って新規な学習モデルに基づく推論処理を行うことができなくなる。

【0008】

そこで本発明は、上記問題を解決するためになされたものであり、新規な学習モデルが生成された場合に、その新規な学習モデルに基づく処理を早期に実行できるようにした情報処理システム、情報処理方法及び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】

【0009】

上記目的を達成するため、請求項１に係る発明は、学習モデルに基づき特定の処理を実行する情報処理システムであって、プロセッサーと、ロジックデータを書き換えることで回路の再構成が可能なプログラマブルロジックデバイスと、機械学習を実行することによって前記特定の処理のための新規な学習モデルを生成する機械学習実行部と、前記新規な学習モデルを前記プログラマブルロジックデバイスで動作可能なロジックデータに変換する変換部と、前記変換部によって前記新規な学習モデルがロジックデータに変換されている期間において、前記新規な学習モデルに基づく前記特定の処理を前記プロセッサーに実行させる制御部と、を備えることを特徴とする構成である。

【0010】

請求項２に係る発明は、請求項１の情報処理システムにおいて、前記制御部は、前記変換部における変換が完了することに伴い、前記変換部で生成されたロジックデータで前記プログラマブルロジックデバイスの回路の再構成を行い、前記新規な学習モデルに基づく前記特定の処理の実行主体を、前記プロセッサーから前記プログラマブルロジックデバイスに切り替えることを特徴とする構成である。

【0011】

請求項３に係る発明は、請求項２の情報処理システムにおいて、前記プログラマブルロジックデバイスは、ＦＰＧＡであることを特徴とする構成である。

【0012】

請求項４に係る発明は、請求項１乃至３のいずれかの情報処理システムにおいて、前記機械学習実行部は、ディープラーニングによる機械学習を実行することを特徴とする構成である。

【0013】

請求項５に係る発明は、請求項１乃至４のいずれかの情報処理システムにおいて、前記特定の処理は、画像処理であることを特徴とする構成である。

【0014】

請求項６に係る発明は、請求項１乃至５のいずれかの情報処理システムにおいて、前記特定の処理は、入力画像が予め定められた複数のパターン画像のうちのいずれに一致するかを学習モデルにより推論する処理であることを特徴とする構成である。

【0015】

請求項７に係る発明は、請求項６の情報処理システムにおいて、前記パターン画像は、ロゴ画像であることを特徴とする構成である。

【0016】

請求項８に係る発明は、請求項１乃至７のいずれかの情報処理システムにおいて、前記制御部は、前記変換部によって前記新規な学習モデルがロジックデータに変換されている期間において、前記プロセッサーに前記特定の処理を実行させる前に、前記プログラマブルロジックデバイスに前記特定の処理を実行させ、前記プログラマブルロジックデバイスによる処理結果に応じて前記プロセッサーに前記特定の処理を実行させるか否かを決定することを特徴とする構成である。

【0017】

請求項９に係る発明は、請求項８の情報処理システムにおいて、前記制御部は、前記プログラマブルロジックデバイスの処理結果の信頼性が所定値よりも低い場合に、前記プロセッサーに、前記新規な学習モデルに基づく前記特定の処理を実行させることを特徴とする構成である。

【0018】

請求項１０に係る発明は、請求項１乃至９のいずれかの情報処理システムにおいて、前記制御部は、ネットワークを介して外部の情報処理装置と通信可能であり、前記変換部によって前記新規な学習モデルがロジックデータに変換されている期間において、前記新規な学習モデルに基づく前記特定の処理を前記プロセッサーに実行させるとき、前記新規な学習モデルに基づく前記特定の処理のうちの一部を前記情報処理装置に分散処理させることを特徴とする構成である。

【0019】

請求項１１に係る発明は、請求項１乃至１０のいずれかの情報処理システムにおいて、前記プロセッサー、前記プログラマブルロジックデバイス、及び、前記制御部は、端末装置に実装され、前記機械学習実行部、及び、前記変換部は、前記端末装置と通信可能なサーバー装置に実装されることを特徴とする構成である。

【0020】

請求項１２に係る発明は、請求項１乃至１０のいずれかの情報処理システムにおいて、前記プロセッサー、前記プログラマブルロジックデバイス、前記機械学習実行部、前記変換部、及び、前記制御部は、端末装置に実装されることを特徴とする構成である。

【0021】

請求項１３に係る発明は、プロセッサーと、ロジックデータを書き換えることで回路の再構成が可能なプログラマブルロジックデバイスと、を備える端末装置において、学習モデルに基づく特定の処理を実行させる情報処理方法であって、機械学習を実行することによって前記特定の処理のための新規な学習モデルを生成する第１ステップと、前記新規な学習モデルを前記プログラマブルロジックデバイスで動作可能なロジックデータに変換する第２ステップと、前記第２ステップにおいて前記新規な学習モデルがロジックデータに変換されている期間において、前記新規な学習モデルに基づく前記特定の処理を前記プロセッサーに実行させる第３ステップと、を有することを特徴とする構成である。

【0022】

請求項１４に係る発明は、請求項１３の情報処理方法において、前記第２ステップにおける変換が完了することに伴い、前記第２ステップで生成されたロジックデータで前記プログラマブルロジックデバイスの回路の再構成を行う第４ステップと、前記新規な学習モデルに基づく前記特定の処理の実行主体を、前記プロセッサーから前記プログラマブルロジックデバイスに切り替える第５ステップと、を更に有することを特徴とする構成である。

【0023】

請求項１５に係る発明は、請求項１３又は１４の情報処理方法において、前記第１ステップは、ディープラーニングによる機械学習を実行することを特徴とする構成である。

【0024】

請求項１６に係る発明は、請求項１３乃至１５のいずれかの情報処理方法において、前記特定の処理は、画像処理であることを特徴とする構成である。

【0025】

請求項１７に係る発明は、請求項１３乃至１６のいずれかの情報処理方法において、前記特定の処理は、入力画像が予め定められた複数のパターン画像のうちのいずれに一致するかを学習モデルにより推論する処理であることを特徴とする構成である。

【0026】

請求項１８に係る発明は、請求項１７の情報処理方法において、前記パターン画像は、ロゴ画像であることを特徴とする構成である。

【0027】

請求項１９に係る発明は、請求項１３乃至１８のいずれかの情報処理方法において、前記第３ステップは、前記第２ステップにおいて前記新規な学習モデルがロジックデータに変換されている期間において、前記プロセッサーに前記特定の処理を実行させる前に、前記プログラマブルロジックデバイスに前記特定の処理を実行させ、前記プログラマブルロジックデバイスによる処理結果に応じて前記プロセッサーに前記特定の処理を実行させるか否かを決定することを特徴とする構成である。

【0028】

請求項２０に係る発明は、請求項１９の情報処理方法において、前記第３ステップは、前記プログラマブルロジックデバイスの処理結果の信頼性が所定値よりも低い場合に、前記プロセッサーに、前記新規な学習モデルに基づく前記特定の処理を実行させることを特徴とする構成である。

【0029】

請求項２１に係る発明は、請求項１３乃至２０のいずれかの情報処理方法において、前記端末装置は、ネットワークを介して外部の情報処理装置と通信可能であり、前記第３ステップは、前記第２ステップにおいて前記新規な学習モデルがロジックデータに変換されている期間において、前記新規な学習モデルに基づく前記特定の処理を前記プロセッサーに実行させるとき、前記新規な学習モデルに基づく前記特定の処理のうちの一部を前記情報処理装置に分散処理させることを特徴とする構成である。；

【0030】

請求項２２に係る発明は、プロセッサーと、ロジックデータを書き換えることで回路の再構成が可能なプログラマブルロジックデバイスと、を備える端末装置において実行されることにより、学習モデルに基づく特定の処理を前記端末装置に実行させるプログラムであって、前記端末装置に、機械学習を実行することによって前記特定の処理のための新規な学習モデルを生成する第１ステップと、前記新規な学習モデルを前記プログラマブルロジックデバイスで動作可能なロジックデータに変換する第２ステップと、前記第２ステップにおいて前記新規な学習モデルがロジックデータに変換されている期間において、前記新規な学習モデルに基づく前記特定の処理を前記プロセッサーに実行させる第３ステップと、を実行させることを特徴とする構成である。

【発明の効果】

【0031】

本発明によれば、機械学習によって新規な学習モデルが生成された場合にその新規な学習モデルに基づく処理を早期に実行できるようにする。

【図面の簡単な説明】

【0032】

【図1】情報処理システムの基本構成の一例を示す図である。

【図2】複数のパターン画像が登録されている分類候補を示す図である。

【図3】プログラマブルロジックデバイスによる推論処理の一例を示す図である。

【図4】図２に示した分類候補に新たなパターン画像が追加登録された例を示す図である。

【図5】プログラマブルロジックデバイスによる推論結果の精度が低下する例を示す図である。

【図6】第１実施形態における情報処理システムの構成例を示す図である。

【図7】サーバー装置の構成例を示すブロック図である。

【図8】端末装置の構成例を示すブロック図である。

【図9】プロセッサーによる推論結果の例を示す図である。

【図10】プログラマブルロジックデバイスによる推論結果の例を示す図である。

【図11】第１実施形態の情報処理システムにおける全体的な動作プロセスを示す図である。

【図12】第１実施形態の情報処理システムにおける全体的な動作プロセスを示す図である。

【図13】第１実施形態における制御部の処理手順の一例を示すフローチャートである。

【図14】第２実施形態における端末装置の動作プロセスを示す図である。

【図15】第２実施形態における制御部の処理手順の一例を示すフローチャートである。

【図16】第３実施形態における端末装置の構成例を示すブロック図である。

【図17】第３実施形態における情報処理システムの動作プロセスを示す図である。

【発明を実施するための形態】

【0033】

以下、本発明に関する好ましい実施形態について図面を参照しつつ詳細に説明する。尚、以下に説明する実施形態において互いに共通する要素には同一符号を付しており、それらについての重複する説明は省略する。

【0034】

（基本構成）
図１は、本発明における情報処理システム１の基本構成の一例を示す図である。この情報処理システム１は、学習モデルに基づいて特定の処理を実行するシステムであり、機械学習実行部１１と、変換部１２と、制御部１３と、プロセッサー１４と、プログラマブルロジックデバイス１５とを備えている。

【0035】

プロセッサー１４は、汎用的なＣＰＵ（Central Processing Unit）によって構成され、プロセッサー用の任意のソフトウェア（プログラム）を実行することにより、そのソフトウェアに定められた手順の処理を実行する。

【0036】

プログラマブルロジックデバイス１５は、ロジックデータを書き換えることで論理回路の再構成を行うことが可能なデバイスである。このプログラマブルロジックデバイス１５は、例えばＦＰＧＡ（Field Programmable Gate Array）によって構成される。ＦＰＧＡは、いつでも何度でも回路構成を変更可能であり、しかも回路規模が大きいため、学習モデルに基づいて特定の処理を実行する専用デバイスに適している。

【0037】

機械学習実行部１１は、ディープラーニングによる機械学習を実行することによって特定の処理のための学習モデルを生成する。学習モデルは、例えば畳み込みニューラルネットワークなどのニューラルネットワークを規定するモデルである。また、本発明において特定の処理は、学習モデルに基づく推論処理であり、推論の対象及び内容については特に限定されない。例えば、機械学習実行部１１は、ニューラルネットワークの出力層に複数の分類候補を有し、入力データが入力された場合に、入力データと各分類候補との相関性を推論するための学習モデルを生成する。

【0038】

変換部１２は、機械学習実行部１１によって生成される学習モデルを、プログラマブルロジックデバイスで動作可能なロジックデータに変換する処理を行う。変換部１２による変換処理は、一般に時間を要する処理であり、変換対象となる学習モデルを入力してからロジックデータが完成するまでに数時間から数日程度の時間を要することがある。

【0039】

制御部１３は、プロセッサー１４及びプログラマブルロジックデバイス１５の動作を制御するものである。例えば、制御部１３は、機械学習実行部１１によって生成される学習モデルに基づく特定の処理を、プロセッサー１４及びプログラマブルロジックデバイス１５のいずれか実行させる。

【0040】

プログラマブルロジックデバイス１５には、機械学習実行部１１によって生成された学習モデルに基づくロジックデータが書き込まれ、そのロジックデータに対応する論理回路が構成されている。つまり、プログラマブルロジックデバイス１５には、学習モデルに基づく特定の処理を行うための専用回路が構築されており、効率的に特定の処理を遂行することができる。

【0041】

一方、プロセッサー１４は、汎用的なＣＰＵであるため、プロセッサー用のソフトウェアを実行することにより、特定の処理を実行することが可能である。プロセッサー１４は、そのソフトウェアを実行するときに、機械学習実行部１１によって生成された学習モデルを、ライブラリーなどと同様にソフトウェアに組み込んで実行することにより、学習モデルに基づく特定の処理を行うことができるようになる。ただし、プロセッサー１４の内部の回路は、汎用的な演算処理を行うための回路構成であるため、プログラマブルロジックデバイス１５と比較すると、特定の処理を実行する際の処理効率が悪く、プログラマブルロジックデバイス１５よりも４～５倍程度の処理時間を要する。

【0042】

そのため、制御部１３は、通常、プログラマブルロジックデバイス１５に、学習モデルに基づく特定の処理を実行させる。すなわち、制御部１３は、特定の処理の対象となる入力データＤ１を取得すると、その入力データＤ１をプログラマブルロジックデバイス１５へ出力し、プログラマブルロジックデバイス１５に、入力データＤ１を対象とした学習モデルに基づく特定の処理を実行させる。これにより、制御部１３は、プロセッサー１４に推論処理を行わせるよりも効率的に推論結果を得ることができる。

【0043】

ここで、特定の処理として、入力データＤ１に入力画像が含まれており、分類候補として設定されている複数のパターン画像のそれぞれと入力画像との一致度を推論する推論処理を例に挙げる。例えば、図２に示すように、分類候補９０として、複数のパターン画像９１～９５が登録されていると仮定する。パターン画像９１は手を模したロゴ画像、パターン画像９２は眼鏡を模したロゴ画像、パターン画像９３は丸の内側に十字を配したロゴ画像、パターン画像９４は鶏を模したロゴ画像、パターン画像９５は鍵を模したロゴ画像である。この場合、プログラマブルロジックデバイス１５には、入力データＤ１に含まれる入力画像と、各パターン画像９１～９５との一致度を推論する回路が構成されている。そのため、プログラマブルロジックデバイス１５は、制御部１３から入力データＤ１が入力されると、その入力データＤ１に含まれる入力画像と、各パターン画像９１～９５との一致度を表した数値データを推論結果として出力する。

【0044】

図３は、プログラマブルロジックデバイス１５による推論処理の一例を示す図である。図３では、入力データＤ１に、眼鏡の形態に類似する画像が入力画像として含まれている。この場合、プログラマブルロジックデバイス１５に入力データＤ１が入力されると、プログラマブルロジックデバイス１５は、学習モデルに対応した論理回路で推論処理を行うことで、図３に示すような推論結果を得る。すなわち、プログラマブルロジックデバイス１５は、入力画像とパターン画像９２との一致度を９８％として推論し、他のパターン画像９１，９３，９４，９５との一致度を１％未満として推論する。この推論結果は、客観的に正しいと言える。

【0045】

このような推論処理は、例えば入力画像のロゴ判定に用いることができる。ロゴ判定を行うことにより、ブランドや店舗、企業などを特定すること可能となるため、例えば顧客の購買分析、請求書や領収書などの経理処理、名刺管理など、様々なアプリケーションに適用可能である。

【0046】

ところが、店舗や企業のロゴ画像は突然に変更になることがある。そのような場合、機械学習実行部１１に対して、新しいロゴ画像に対応するパターン画像が新たな分類候補として登録されることになる。図４は、図２に示した分類候補９０に、新たなパターン画像９６が追加登録された例を示す図である。新たなパターン画像９６は腕時計を模したロゴ画像である。このように新たな分類候補が追加登録されることによってニューラルネットワークの分類上限数を超えると、分類上限数を増やすために、ニューラルネットワークの構成を変更することが必要となる。また、ニューラルネットワークの分類上限数を超えていない場合であっても、推論処理の精度を高めるために、ニューラルネットワークの構成を変更することが必要となることもある。そのため、機械学習実行部１１は、新たなパターン画像９６を認識可能とするためにディープラーニングによる機械学習を実行し、それ以前の学習モデルとは異なる新規な学習モデルを生成する。そして機械学習実行部１１は、その新規な学習モデルを変換部１２と制御部１３のそれぞれに出力する。

【0047】

変換部１２は、機械学習実行部１１によって新規な学習モデルが生成されると、その新規な学習モデルを、プログラマブルロジックデバイスで動作可能なロジックデータに変換する処理を行う。しかし、上述したように、変換部１２による変換処理には長時間を要するため、ロジックデータが完了するまでに一定の期間を要する。

【0048】

変換部１２において新規な学習モデルをロジックデータに変換する処理が行われている期間中に、制御部１３が、推論処理の対象となる入力データＤ１を取得した場合、プログラマブルロジックデバイス１５で特定の処理を行わせると推論結果の精度が低下する可能がある。

【0049】

図５は、プログラマブルロジックデバイス１５による推論結果の精度が低下する例を示す図である。図５では、入力データＤ１に、腕時計の形態に類似する画像が入力画像として含まれている。この場合、プログラマブルロジックデバイス１５に入力データＤ１が入力されると、プログラマブルロジックデバイス１５は、新規な学習モデルが生成される以前の古い学習モデルに対応した論理回路で推論処理を行うことになる。そのため、プログラマブルロジックデバイス１５は、図５に示すような推論結果を得る。すなわち、プログラマブルロジックデバイス１５は、入力画像に対して最も一致度が高いロゴ画像としてパターン画像９３を推論する。ただし、この場合の一致度は５０％であり、信頼性が高いとは言えず、誤判定の可能性がある。

【0050】

そこで、制御部１３は、変換部１２によって新規な学習モデルがロジックデータに変換されている期間において推論処理の対象となる入力データＤ１を取得した場合には、機械学習実行部１１によって生成された新規な学習モデルに基づく特定の処理をプロセッサー１４に実行させる。つまり、プログラマブルロジックデバイス１５が新規な学習モデルに基づく特定の処理を実行できない期間中は、プロセッサー１４が代替的に新規な学習モデルに基づく特定の処理を実行するように制御するのである。これにより、新規な学習モデルに基づく特定の処理を早期に実行することが可能となり、しかも新規な学習モデルによる信頼性の高い推論結果を得ることが可能となる。以下においては、上記のような基本構成を備えた情報処理システム１の具体的な実施の形態について説明する。

【0051】

（第１実施形態）
図６は、第１実施形態における情報処理システム１の構成例を示す図である。例えば、本実施形態における情報処理システム１は、複数の端末装置２，３と、ネットワーク４と、サーバー装置５とを備えるネットワークシステムとして構成される。

【0052】

端末装置２，３は、例えば、パーソナルコンピュータ（ＰＣ）やタブレット端末などで構成される情報処理装置である。複数の端末装置２，３のそれぞれには、図１に示した、制御部１３と、プロセッサー１４と、プログラマブルロジックデバイス１５とが実装される。したがって、端末装置２，３は、ユーザーによって入力データＤ１が入力されると、その入力データＤ１を処理対象として、学習モデルに基づく特定の処理を実行することができる。これら複数の端末装置２，３は、ＬＡＮ（Local Area Network）などによって構成されるネットワーク４に接続されている。尚、ネットワーク４には、インターネットなどの広域ネットワークが含まれていても良い。

【0053】

サーバー装置５は、ネットワーク４に接続され、端末装置２，３と通信可能である。サーバー装置５は、例えばインターネット上のクラウドに設置される。このサーバー装置５には、図１に示した、機械学習実行部１１と、変換部１２とが実装される。したがって、サーバー装置５は、端末装置２，３に対し、学習モデル、プロセッサー用ソフトウェア、及び、ロジックデータを提供することができる。

【0054】

図７は、サーバー装置５の構成例を示すブロック図である。サーバー装置５は、処理部２０と、記憶部２１と、外部通信部２２とを備えている。処理部２０は、例えば図示を省略するＣＰＵとメモリとを備え、各種の処理を実行する。記憶部２１は、例えばハードディスクドライブ（ＨＤＤ）又はソリッドステートドライブ（ＳＳＤ）などによって構成される不揮発性の記憶デバイスである。外部通信部２２は、サーバー装置５がネットワーク４を介して端末装置２，３と通信を行うためのインタフェースである。

【0055】

処理部２０は、ＣＰＵが所定のプログラムを実行することにより、機械学習実行部１１、変換部１２、及び、通信制御部２３として機能する。

【0056】

機械学習実行部１１は、上述のように、ディープラーニングによる機械学習を実行することによって特定の処理のための学習モデル２４を生成する。本実施形態における特定の処理は、画像処理であって、入力画像が予め定められた複数のパターン画像のうちのいずれに一致するかを学習モデルに基づいて推論する処理である場合を例示する。機械学習実行部１１は、新しいロゴ画像に対応するパターン画像が新たな分類候補として登録されると、その新しいパターン画像を認識するための機械学習を実行し、それ以前の学習モデルとは異なる新規な学習モデル２４を生成する。機械学習実行部１１によって生成される新規な学習モデル２４は、記憶部２１に記憶される。

【0057】

変換部１２は、機械学習実行部１１によって学習モデル２４が生成されることに伴って機能する。変換部１２は、記憶部２１から新規な学習モデル２４を読み出し、その学習モデル２４をプログラマブルロジックデバイス１５で動作可能なロジックデータ２５に変換する。変換部１２によって生成されるロジックデータ２５は、記憶部２１に記憶される。ただし、変換部１２による変換処理が開始されてから記憶部２１にロジックデータ２５が記憶されるまでには一定の期間を要する。

【0058】

通信制御部２３は、機械学習実行部１１によって新規な学習モデル２４が生成された場合に機能すると共に、変換部１２による変換処理が終了し、記憶部２１にロジックデータ２５が記憶された場合にも機能する。そして通信制御部２３は、外部通信部２２を介して端末装置２，３と通信を行う。

【0059】

機械学習実行部１１によって新規な学習モデル２４が生成された場合、通信制御部２３は、端末装置２，３に対し、新規な学習モデル２４が生成されたことを通知する。この通知に対する応答として、端末装置２，３から新規な学習モデル２４の要求を受信した場合、通信制御部２３は、記憶部２１から新規な学習モデル２４を読み出し、その学習モデル２４を端末装置２，３へ送信する。このとき、通信制御部２３は、記憶部２１に記憶されているプロセッサー用ソフトウェア２６を読み出し、新規な学習モデル２４と共に、端末装置２，３へ送信する。尚、プロセッサー用ソフトウェア２６は、端末装置２，３のプロセッサー１４において、新規な学習モデル２４に基づいて特定の処理を実行させるためのソフトウェアである。

【0060】

また、変換部１２による変換処理が終了し、記憶部２１に新規な学習モデル２４に対応するロジックデータ２５が記憶された場合、通信制御部２３は、端末装置２，３に対し、ロジックデータ２５が生成されたことを通知する。この通知に対する応答として、端末装置２，３からロジックデータ２５の要求を受信した場合、通信制御部２３は、記憶部２１からロジックデータ２５を読み出し、そのロジックデータ２５を端末装置２，３へ送信する。

【0061】

図８は、端末装置２の構成例を示すブロック図である。尚、端末装置３の構成についてもこれと同様である。端末装置２は、制御部１３と、プロセッサー１４と、プログラマブルロジックデバイス１５と、外部通信部２８と、記憶部２９とを備えている。外部通信部２８は、端末装置２がネットワーク４を介してサーバー装置５や他の端末装置３と通信を行うためのインタフェースである。記憶部２９は、例えばハードディスクドライブ（ＨＤＤ）又はソリッドステートドライブ（ＳＳＤ）などによって構成される不揮発性の記憶デバイスである。この記憶部２９には、サーバー装置５から取得する、新規な学習モデル２４、プロセッサー用ソフトウェア２６、及び、ロジックデータ２５が記憶される。また、記憶部２９には、後述する制御部１３のＣＰＵによって実行されるプログラムも記憶される。

【0062】

制御部１３は、上述したように、学習モデル２４に基づく特定の処理を、プロセッサー１４又はプログラマブルロジックデバイス１５に実行させる制御を行う。この制御部１３は、図示を省略するＣＰＵとメモリとを備えており、ＣＰＵが記憶部２９から所定のプログラムを読み出して実行することにより、推論処理制御部３０、学習モデル取得部３１、ソフトウェア取得部３２、ロジックデータ取得部３３、及び、ロジック再構成指示部３４として機能する。

【0063】

また、制御部１３は、プログラマブルロジックデバイス１５と、第１接続部３５及び第２接続部３６の２つの接続部を介して接続されている。これら２つの接続部のうち、第１接続部３５は、プログラマブルロジックデバイス１５におけるロジックデータを書き換えて回路の再構成を行うための接続部であり、例えばＵＳＢ接続インタフェースなどによって構成される。また、第２接続部３６は、プログラマブルロジックデバイス１５に特定の処理である推論処理を行わせるための接続部であり、第１接続部３５よりも高速大容量通信が可能な接続インタフェースであり、例えばＰＣＩｅ接続インタフェースなどによって構成される。

【0064】

推論処理制御部３０は、入力データＤ１の入力を受け付け、予め登録されている複数のパターン画像のそれぞれと、入力データＤ１に含まれる入力画像との一致度を推論する推論処理を、プログラマブルロジックデバイス１５及びプロセッサー１４のいずれか一方に実行させる制御を行う。入力データＤ１は、例えば図示を省略するＵＳＢ接続端子などの外部接続端子から入力するものであっても良いし、外部通信部２８を介して入力するものであっても良い。

【0065】

推論処理制御部３０は、サーバー装置５から新規な学習モデル２４が生成されたことの通知を受けていない場合、推論処理をプログラマブルロジックデバイス１５に実行させる。すなわち、推論処理制御部３０は、第２接続部３６を介してプログラマブルロジックデバイス１５に、入力データＤ１に含まれる入力画像を出力し、プログラマブルロジックデバイス１５に推論処理を実行させる。そして推論処理制御部３０は、プログラマブルロジックデバイス１５による推論結果を取得し、その推論結果を所定の出力先に出力する。この場合の出力先は、例えば入力データＤ１の供給元である。ただし、これに限られるものではなく、推論処理制御部３０は、推論結果を、ユーザーによって予め指定されたアプリケーションに出力するものであっても構わない。

【0066】

学習モデル取得部３１は、サーバー装置５から新規な学習モデル２４が生成された通知を受信した場合に機能する。そして学習モデル取得部３１は、サーバー装置５に対して新規な学習モデル２４を要求し、サーバー装置５から新規な学習モデル２４を取得する。学習モデル取得部３１は、新規な学習モデル２４を取得すると、その学習モデル２４を記憶部２９に保存する。

【0067】

ソフトウェア取得部３２は、学習モデル取得部３１と共に機能する。ソフトウェア取得部３２は、サーバー装置５によって新規な学習モデル２４と共に送信されるプロセッサー用ソフトウェア２６を取得する。そしてソフトウェア取得部３２は、プロセッサー用ソフトウェア２６を記憶部２９に保存する。

【0068】

推論処理制御部３０は、切替部３０ａを備えている。この切替部３０ａは、学習モデル取得部３１によって新規な学習モデル２４が取得された場合に機能し、特定の処理である推論処理の実行主体を、プログラマブルロジックデバイス１５からプロセッサー１４に切り替える。切替部３０ａによる切り替えが行われることにより、推論処理制御部３０は、入力データＤ１を受け付けると、推論処理をプロセッサー１４に実行させる。つまり、推論処理制御部３０は、サーバー装置５において新規な学習モデル２４がロジックデータ２５に変換されている期間において、推論処理の実行をプロセッサー１４に切り替えることにより、新規な学習モデル２４に基づく推論処理をプロセッサー１４で実行させるのである。

【0069】

プロセッサー１４は、推論処理制御部３０から推論処理の実行が指示されると、記憶部２９に記憶されている新規な学習モデル２４とプロセッサー用ソフトウェア２６とを読み出して実行する。そしてプロセッサー１４は、推論処理制御部３０から出力される入力データＤ１に含まれる入力画像と、新規な学習モデル２４における複数のパターン画像９１～９６（図４参照）のそれぞれとの一致度を推論する推論処理を実行し、各パターン画像９１～９６との一致度を示す推論結果を出力する。

【0070】

図９は、プロセッサー１４による推論結果の例を示す図である。図９では、入力データＤ１に、腕時計の形態に類似する画像が入力画像として含まれている。この場合、プロセッサー１４に入力データＤ１が入力されると、プロセッサー１４は、新規な学習モデル２４に基づく推論処理を実行する。その結果、プロセッサー１４は、図９に示すような推論結果を得る。すなわち、プロセッサー１４は、入力画像に対して最も一致度が高いロゴ画像として、新規に登録されたパターン画像９６を推論する。このとき、入力画像とパターン画像９６との一致度は９５％であり、信頼性の高い結果を得ることができる。

【0071】

したがって、本実施形態の情報処理システム１は、効率的に推論処理を行うことが可能なプログラマブルロジックデバイス１５において新規な学習モデル２４に基づく推論処理を実行することができない期間に、汎用的なプロセッサー１４を用いて推論処理を実行することで、新規な学習モデル２４を適用した推論結果を得ることが可能であり、推論結果の信頼性低下を抑制することができる。

【0072】

ロジックデータ取得部３３は、サーバー装置５から新規な学習モデル２４に対応するロジックデータ２５が生成された通知を受信した場合に機能する。この場合、ロジックデータ取得部３３は、サーバー装置５に対して新規な学習モデル２４に対応するロジックデータ２５を要求し、サーバー装置５からロジックデータ２５を取得する。ロジックデータ取得部３３は、サーバー装置５からロジックデータ２５を取得すると、そのロジックデータ２５を記憶部２９に保存する。

【0073】

ロジック再構成指示部３４は、ロジックデータ取得部３３によってロジックデータ２５が取得された場合に機能する。そしてロジック再構成指示部３４は、記憶部２９からロジックデータ２５を読み出し、第１接続部３５を介して、プログラマブルロジックデバイス１５におけるロジックデータを新規な学習モデル２４に対応するロジックデータ２５に書き換えることにより、回路の再構成を行う。

【0074】

プログラマブルロジックデバイス１５は、推論実行部４０と、ロジック再構成実行部４１と、第１接続部４５と、第２接続部４６とを備えている。第１接続部４５は、制御部１３の第１接続部３５と相互に接続される。例えば、第１接続部４５は、ＵＳＢ接続インタフェースなどによって構成される。また、第２接続部４６は、制御部１３の第２接続部３６と相互に接続される。例えば、第２接続部３６は、ＰＣＩｅ接続インタフェースなどによって構成される。

【0075】

推論実行部４０は、ロジックデータに対応する論理回路によって構成され、制御部１３から供給される入力データＤ１に基づいて推論処理を実行する。推論実行部４０における論理回路は、学習モデルに対応した回路構成となっている。ただし、論理回路は、回路構成を変更して再構成することが可能である。

【0076】

例えば、推論実行部４０は、第２接続部４６を介して制御部１３から入力データＤ１が提供されると、その入力データＤ１に含まれる入力画像を対象とする推論処理を実行する。すなわち、推論実行部４０は、入力画像と複数のパターン画像との一致度を推論するのである。そして推論実行部４０は、推論処理による推論結果を、第２接続部４６を介して制御部１３へ出力する。

【0077】

ロジック再構成実行部４１は、第１接続部４５を介して制御部１３から新規な学習モデル２４に対応するロジックデータ２５を取得すると、そのロジックデータ２５に基づいて推論実行部４０の論理回路を再構成する処理を実行する。これにより、推論実行部４０における論理回路が新規な学習モデル２４に対応した論理回路に再構成される。この再構成に要する時間は、変換部１２において学習モデル２４をロジックデータ２５に変換するのに要する時間よりも短い。しかし、推論実行部４０における論理回路の再構成は静的な再構成であるため、再構成を行っている期間中は、推論実行部４０において推論処理を実行することができない。そのため、推論処理制御部３０は、プログラマブルロジックデバイス１５において回路の再構成が行われている期間中に、入力データＤ１を取得した場合にも、その入力データＤ１を対象とする推論処理をプロセッサー１４に実行させる。

【0078】

ロジック再構成実行部４１は、推論実行部４０における回路の再構成が完了すると、第１接続部４５を介してロジック再構成指示部３４に再構成の完了通知を出力する。これに伴い、プログラマブルロジックデバイス１５は、再構成された回路で推論処理を行うことができる状態になる。

【0079】

ロジック再構成指示部３４は、プログラマブルロジックデバイス１５から再構成の完了通知を取得すると、推論処理制御部３０に対してプログラマブルロジックデバイス１５における回路の再構成が完了したことを通知する。

【0080】

推論処理制御部３０は、回路の再構成が完了したことを示す通知を取得すると、切替部３０ａを機能させる。そして切替部３０ａは、それ以後に入力データＤ１を取得した場合に、推論処理の実行主体を、プロセッサー１４からプログラマブルロジックデバイス１５に切り替える。つまり、推論処理制御部３０は、プログラマブルロジックデバイス１５において新規な学習モデル２４に基づく推論処理が可能な状態になると、推論処理の実行主体を、プログラマブルロジックデバイス１５に切り替えることで、推論処理を効率的に実行できる状態に戻す。

【0081】

その後、推論処理制御部３０は、入力データＤ１を受け付けると、推論処理をプログラマブルロジックデバイス１５に実行させる。つまり、推論処理制御部３０は、入力データＤ１を、第２接続部４６を介してプログラマブルロジックデバイス１５へ出力することにより、入力データＤ１に含まれる入力画像を対象とする推論処理をプログラマブルロジックデバイス１５に実行させるのである。プログラマブルロジックデバイス１５は、推論処理制御部３０から推論処理の実行が指示されると、再構成された論理回路で新規な学習モデル２４に基づく推論処理を実行し、推論結果を制御部１３へ出力する。

【0082】

図１０は、プログラマブルロジックデバイス１５による推論結果の例を示す図である。図１０では、入力データＤ１に、腕時計の形態に類似する画像が入力画像として含まれている。この場合、プログラマブルロジックデバイス１５に入力データＤ１が入力されると、プログラマブルロジックデバイス１５は、新規な学習モデル２４に基づく推論処理を実行する。その結果、プログラマブルロジックデバイス１５は、図１０に示すような推論結果を得る。すなわち、プログラマブルロジックデバイス１５は、入力画像に対して最も一致度が高いロゴ画像として、新規に登録されたパターン画像９６を推論する。このとき、入力画像とパターン画像９６との一致度は９５％であり、信頼性の高い結果を得ることができる。

【0083】

次に、図１１及び図１２は、本実施形態の情報処理システム１における全体的な動作プロセスを示す図である。まず図１１に示すように、サーバー装置５において新規な分類候補が登録されると（プロセスＰ１）、サーバー装置５は、機械学習を実行し（プロセスＰ２）、新規な学習モデル２４を生成する（プロセスＰ３）。

【0084】

新規な学習モデル２４を生成すると、サーバー装置５は、その学習モデル２４をロジックデータ２５に変換する処理を開始する（プロセスＰ４）。これに伴い、サーバー装置５は、端末装置２に対して新規な学習モデル２４を生成したことを通知する（プロセスＰ５）。

【0085】

端末装置２の制御部１３は、その通知を受信すると、サーバー装置５に対して新規な学習モデル２４の要求を送信する（プロセスＰ６）。これにより、サーバー装置５は、端末装置２に対して新規な学習モデル２４とプロセッサー用ソフトウェア２６とを送信する（プロセスＰ７）。これにより、端末装置２の制御部１３は、新規な学習モデル２４を取得すると共に（プロセスＰ８）、プロセッサー用ソフトウェア２６も取得する（プロセスＰ９）。端末装置２の制御部１３は、新規な学習モデル２４を取得すると、推論処理の実行主体を、プログラマブルロジックデバイス１５からプロセッサー１４に切り替える（プロセスＰ１０）。

【0086】

そして新規な学習モデル２４に対応するロジックデータ２５が生成される前に、端末装置２の制御部１３が、推論処理の対象となる入力データＤ１を検知すると（プロセスＰ１１）、制御部１３からプロセッサー１４に対して推論処理の実行が指示される（プロセスＰ１２）。このとき、制御部１３からプロセッサー１４に対して入力データＤ１も提供される。

【0087】

プロセッサー１４は、推論処理の実行が指示されると、新規な学習モデル２４に基づいてプロセッサー用ソフトウェア２６を実行することにより、入力データＤ１を対象とする推論処理を開始する（プロセスＰ１３）。プロセッサー１４による推論処理は、所定時間Ｔ１が経過した後に終了する（プロセスＰ１４）。この所定時間Ｔ１は比較的長い時間である。そしてプロセッサー１４から制御部１３に対して推論結果が出力される（プロセスＰ１５）。

【0088】

端末装置２の制御部１３は、プロセッサー１４から推論結果を取得すると、その推論結果を所定の出力先に出力する（プロセスＰ１６）。したがって、端末装置２は、新規な学習モデル２４に基づくロジックデータ２５が未だ生成されておらず、プログラマブルロジックデバイス１５において新規な学習モデル２４に基づく推論処理が実行できない場合でも、プロセッサー１４で推論処理を実行することにより、新規な学習モデル２４を適用した推論結果を出力することができる。

【0089】

続いて図１２に進み、サーバー装置５において学習モデル２４をロジックデータ２５に変換する処理が終了すると（プロセスＰ１７）、サーバー装置５は、端末装置２に、新規な学習モデル２４に対応するロジックデータ２５の生成が完了したことを通知する（プロセスＰ１８）。

【0090】

端末装置２の制御部１３は、その通知を受信すると、サーバー装置５に対してロジックデータ２５の要求を送信する（プロセスＰ１９）。これにより、サーバー装置５は、端末装置２に対して新規な学習モデル２４に対応するロジックデータ２５を送信する（プロセスＰ２０）。

【0091】

端末装置２の制御部１３は、新規な学習モデル２４に対応するロジックデータ２５を取得すると、プログラマブルロジックデバイス１５におけるロジックデータを新規な学習モデル２４に対応するロジックデータ２５に書き換えると共に、プログラマブルロジックデバイス１５に対して論理回路の再構成を指示する（プロセスＰ２１）。これにより、プログラマブルロジックデバイス１５において論理回路の再構成が開始される（プロセスＰ２２）。論理回路の再構成が完了すると（プロセスＰ２３）、プログラマブルロジックデバイス１５は、制御部１３に対し、回路の再構成が完了したことを通知する（プロセスＰ２４）。

【0092】

制御部１３は、その完了通知を取得することに伴い、推論処理の実行主体を、プログラマブルロジックデバイス１５に切り替える（プロセスＰ２５）。その後、制御部１３は、推論処理の対象となる入力データＤ１を検知すると（プロセスＰ２６）、プログラマブルロジックデバイス１５に対して推論処理の実行を指示する（プロセスＰ２７）。このとき、制御部１３からプログラマブルロジックデバイス１５に入力データＤ１が出力される。

【0093】

プログラマブルロジックデバイス１５は、推論処理の実行が指示されると、新規な学習モデル２４に基づく推論処理を開始する（プロセスＰ２８）。プログラマブルロジックデバイス１５による推論処理は、所定時間Ｔ２が経過した後に終了する（プロセスＰ２９）。この所定時間Ｔ２は、プロセッサー１４が推論処理を行う際に要する時間Ｔ１よりも短い時間である。そのため、プログラマブルロジックデバイス１５は、プロセッサー１４よりも短時間で推論結果を得ることができる。そしてプログラマブルロジックデバイス１５は、制御部１３に対して推論結果を出力する（プロセスＰ３０）。

【0094】

制御部１３は、プログラマブルロジックデバイス１５から推論結果を取得すると、その推論結果を所定の出力先に出力する（プロセスＰ３１）。したがって、端末装置２は、プログラマブルロジックデバイス１５において新規な学習モデル２４に基づく推論処理が実行可能な状態になると、プログラマブルロジックデバイス１５による推論処理を再開させることにより、新規な学習モデル２４を適用した推論結果を速やかに出力することができる。

【0095】

次に、端末装置２の制御部１３によって行われる処理手順について説明する。図１３は、制御部１３による処理手順の一例を示すフローチャートである。例えば、この処理は、制御部１３のＣＰＵが所定のプログラムを実行することによって行われる処理である。また、この処理は、端末装置２に対する電源投入に伴って制御部１３により実行される処理である。

【0096】

制御部１３は、この処理を開始すると、まず、推論処理の実行主体をプログラマブルロジックデバイス１５に初期設定する（ステップＳ１）。

【0097】

次に制御部１３は、サーバー装置５から新規な学習モデル２４が生成されたことを示す通知を受信したか否かを判断する（ステップＳ２）。通知を受信している場合（ステップＳ２でＹＥＳ）、制御部１３は、サーバー装置５から、新規な学習モデル２４を取得すると共に（ステップＳ３）、プロセッサー用ソフトウェア２６を取得する（ステップＳ４）。そして制御部１３は、推論処理の実行主体を、プログラマブルロジックデバイス１５からプロセッサー１４に切り替える（ステップＳ５）。一方、サーバー装置５から新規な学習モデル２４が生成されたことを示す通知を受信していない場合（ステップＳ２でＮＯ）、制御部１３は、ステップＳ２～Ｓ５の処理をスキップする。

【0098】

次に制御部１３は、推論処理の対象となる入力データＤ１を検知したか否かを判断する（ステップＳ６）。入力データＤ１を検知している場合（ステップＳ６でＹＥＳ）、制御部１３は、推論処理の実行主体を確認し（ステップＳ７）、推論処理の実行主体がプロセッサー１４であるか否かを判断する（ステップＳ８）。その結果、推論処理の実行主体がプロセッサー１４である場合（ステップＳ８でＹＥＳ）、制御部１３は、入力データＤ１に対する推論処理をプロセッサー１４で実行させる（ステップＳ９）。このとき、プロセッサー１４は、ステップＳ３，Ｓ４で取得された新規な学習モデル２４及びプロセッサー用ソフトウェア２６に基づいて推論処理を実行するため、新規な学習モデル２４を反映させた推論処理を行うことができる。これに対し、推論処理の実行主体がプログラマブルロジックデバイス１５である場合（ステップＳ８でＮＯ）、制御部１３は、入力データＤ１に対する推論処理をプログラマブルロジックデバイス１５で実行させる（ステップＳ１０）。一方、推論処理の対象となる入力データＤ１を検知していない場合（ステップＳ６でＮＯ）、制御部１３は、ステップＳ７～Ｓ１０の処理をスキップする。

【0099】

次に制御部１３は、サーバー装置５から新規な学習モデル２４に対応するロジックデータ２５が生成されたことを示す通知を受信したか否かを判断する（ステップＳ１１）。通知を受信している場合（ステップＳ１１でＹＥＳ）、制御部１３は、サーバー装置５から、新規な学習モデル２４に対応するロジックデータ２５を取得する（ステップＳ１２）。そして制御部１３は、プログラマブルロジックデバイス１５の回路を、サーバー装置５から取得したロジックデータ２５に基づいて再構成する処理を実行する（ステップＳ１３）。そしてプログラマブルロジックデバイス１５における回路の再構成が完了すると、制御部１３は、推論処理の実行主体をプログラマブルロジックデバイス１５に切り替える（ステップＳ１４）。一方、サーバー装置５からロジックデータ２５が生成されたことを示す通知を受信していない場合（ステップＳ１１でＮＯ）、制御部１３は、ステップＳ１２～Ｓ１４の処理をスキップする。

【0100】

次に制御部１３は、端末装置２の電源がオフにされたか否かを判断する（ステップＳ１５）。電源がオフにされていない場合（ステップＳ１５でＮＯ）、制御部１３は、ステップＳ２以降の処理を繰り返す。一方、電源がオフにされた場合（ステップＳ１５でＹＥＳ）、制御部１３による処理が終了する。

【0101】

制御部１３によって上記のような処理が行われることにより、サーバー装置５において新規な学習モデル２４が生成され、その新規な学習モデル２４をロジックデータ２５に変換する処理が行われているときには、端末装置２においてプロセッサー１４による推論処理を実行することで、新規な学習モデル２４に基づく推論処理を実行することができる。これに対し、新規な学習モデル２４に対応するロジックデータ２５が生成され、プログラマブルロジックデバイス１５の回路がそのロジックデータ２５に基づいて再構成された後には、端末装置２においてプログラマブルロジックデバイス１５による推論処理を実行することで、新規な学習モデル２４に基づく推論処理を効率的に実行することができる。

【0102】

以上のように本実施形態の情報処理システム１は、変換部１２によって新規な学習モデル２４がロジックデータ２５に変換されている期間において、新規な学習モデル２４に基づく特定の処理をプロセッサー１４に実行させるように構成されている。このような構成によれば、プログラマブルロジックデバイス１５において新規な学習モデル２４に基づく特定の処理を実行することができない期間であっても、プロセッサー１４が代替的に特定の処理を行うことができる。そのため、新規な学習モデル２４がロジックデータ２５に変換されている期間であっても、新規な学習モデルに基づく特定の処理を早期に実行することができるという利点がある。

【0103】

尚、上記においては、主として端末装置２における処理を例示して説明したが、端末装置３における処理も上記と同様である。

【0104】

（第２実施形態）
次に本発明の第２実施形態について説明する。第１実施形態では、端末装置２がサーバー装置５から新規な学習モデル２４とプロセッサー用ソフトウェア２６とを取得すると、推論処理の実行主体をプログラマブルロジックデバイス１５からプロセッサー１４に即時に切り替える例を説明した。しかしながら、図２に示したように予め複数のパターン画像９１～９５が登録されている分類候補９０に対し、図３のように新たなパターン画像９６が追加登録された場合であっても、入力データＤ１に含まれる入力画像が、先の分類候補９０に登録されていた複数のパターン画像９１～９５のいずれかに類似した画像であることもある。この場合には、プログラマブルロジックデバイス１５の回路が再構成される前であっても、プログラマブルロジックデバイス１５において信頼性の高い推論処理を行うことが可能である。しかも、この場合は、プロセッサー１４で推論処理を行うよりも短時間で推論結果を得ることができるという利点がある。

【0105】

そこで、本実施形態では、変換部１２において新規な学習モデル２４をロジックデータ２５に変換する処理が行われている期間であっても、制御部１３が、推論処理の対象となる入力データＤ１を取得したときには、先にプログラマブルロジックデバイス１５に推論処理を実行させ、プログラマブルロジックデバイス１５による推論結果の信頼性が所定値よりも低い場合に、プロセッサー１４による新規な学習モデル２４に基づく推論処理を実行させる形態について説明する。尚、本実施形態においても、情報処理システム１の具体的な構成例は、第１実施形態で説明したものと同様である。

【0106】

図１４は、本実施形態の端末装置２における動作プロセスを示す図である。端末装置２の制御部１３は、サーバー装置５において新規な学習モデル２４が生成されると、第１実施形態と同様のプロセスを経て、サーバー装置５から新規な学習モデル２４と、プロセッサー用ソフトウェア２６とを取得する（プロセスＰ８，Ｐ９）。このとき、制御部１３は、学習モデル２４が更新されたことを示す更新フラグをセットする。

【0107】

その後、サーバー装置５において新規な学習モデル２４に対応するロジックデータ２５が生成される前に、制御部１３が、推論処理の対象となる入力データＤ１を検知すると（プロセスＰ３５）、制御部１３は、まずプログラマブルロジックデバイス１５に対して推論処理の実行を指示する（プロセスＰ３６）。このとき、制御部１３は、プログラマブルロジックデバイス１５に対して入力データＤ１を提供する。

【0108】

プログラマブルロジックデバイス１５は、推論処理の実行が指示されると、新規な学習モデル２４が生成される以前の古い学習モデル２４に基づく推論処理の実行を開始する（プロセスＰ３７）。そして所定時間Ｔ２が経過した後に推論処理が終了し（プロセスＰ３８）、プログラマブルロジックデバイス１５は、制御部１３に対して推論結果を出力する（プロセスＰ３９）。

【0109】

制御部１３は、プログラマブルロジックデバイス１５から推論結果を取得すると、その推論結果を判別する（プロセスＰ４０）。すなわち、制御部１３は、プログラマブルロジックデバイス１５による推論結果の信頼性が所定値以上であるか否かを判断する。例えば、制御部１３は、入力データＤ１に含まれる入力画像に対して最も一致度が高いパターン画像を選択し、その選択したパターン画像の一致度が８０％以上であるか否かを判断する。例えば、入力画像に対して最も一致度が高いパターン画像の一致度が８０％以上である場合、制御部１３は、プログラマブルロジックデバイス１５による推論結果の信頼性が所定値以上であると判別する。プログラマブルロジックデバイス１５による推論結果の信頼性が所定値以上であれば、制御部１３は、その推論結果を所定の出力先に出力して推論処理を終了させる。

【0110】

一方、入力画像に対して最も一致度が高いパターン画像の一致度が８０％未満である場合、制御部１３は、プログラマブルロジックデバイス１５による推論結果の信頼性が所定値よりも低いと判別する。プログラマブルロジックデバイス１５による推論結果の信頼性が所定値より低い場合、制御部１３は、推論処理の実行主体を、プログラマブルロジックデバイス１５からプロセッサー１４に切り替える（プロセスＰ４１）。そして制御部１３は、プロセッサー１４に対して推論処理の実行を指示する（プロセスＰ４２）。このとき、制御部１３は、プロセッサー１４に対して入力データＤ１を提供する。

【0111】

プロセッサー１４は、推論処理の実行が指示されると、新規な学習モデル２４に基づく推論処理の実行を開始する（プロセスＰ４３）。そして所定時間Ｔ１が経過した後に推論処理が終了し（プロセスＰ４４）、プロセッサー１４は、制御部１３に対して推論結果を出力する（プロセスＰ４５）。制御部１３は、プロセッサー１４から推論結果を取得すると、その推論結果を所定の出力先に出力する（プロセスＰ４６）。

【0112】

このように本実施形態の情報処理システム１は、変換部１２によって新規な学習モデル２４がロジックデータ２５に変換されている期間において、推論処理の対象となる入力データＤ１を取得した場合、プロセッサー１４に推論処理を実行させる前に、プログラマブルロジックデバイス１５に推論処理を実行させる。そして情報処理システム１は、プログラマブルロジックデバイス１５による処理結果に応じてプロセッサー１４に推論処理を実行させるか否かを決定する。例えば上述のように、情報処理システム１は、プログラマブルロジックデバイス１５による推論結果の信頼性が所定値よりも低い場合に、プロセッサー１４に、新規な学習モデル２４に基づく推論処理を実行させるように構成される。

【0113】

次に、本実施形態における制御部１３の処理手順について説明する。図１５は、制御部１３による処理手順の一例を示すフローチャートである。例えば、この処理は、制御部１３のＣＰＵが所定のプログラムを実行することによって行われる処理である。また、この処理は、端末装置２に対する電源投入に伴って制御部１３により実行される処理である。

【0114】

制御部１３は、この処理を開始すると、まず、推論処理の実行主体をプログラマブルロジックデバイス１５に初期設定する（ステップＳ２０）。

【0115】

次に制御部１３は、サーバー装置５から新規な学習モデル２４が生成されたことを示す通知を受信したか否かを判断する（ステップＳ２１）。通知を受信している場合（ステップＳ２１でＹＥＳ）、制御部１３は、サーバー装置５から、新規な学習モデル２４を取得すると共に（ステップＳ２２）、プロセッサー用ソフトウェア２６を取得する（ステップＳ２３）。そして制御部１３は、学習モデル２４が更新されたことを示す更新フラグを内部メモリにセットする（ステップＳ２４）。この更新フラグは、サーバー装置５において新規な学習モデル２４をロジックデータ２５に変換する処理が行われていることを示すフラグである。一方、サーバー装置５から新規な学習モデル２４が生成されたことを示す通知を受信していない場合（ステップＳ２でＮＯ）、制御部１３は、ステップＳ２１～Ｓ２４の処理をスキップする。

【0116】

次に制御部１３は、推論処理の対象となる入力データＤ１を検知したか否かを判断する（ステップＳ６）。入力データＤ１を検知している場合（ステップＳ６でＹＥＳ）、制御部１３は、入力データＤ１に対する推論処理をプログラマブルロジックデバイス１５に実行させる（ステップＳ２６）。これにより、プログラマブルロジックデバイス１５は、ステップＳ２２，Ｓ２３で取得された新規な学習モデル２４及びプロセッサー用ソフトウェア２６に基づいて推論処理を実行する。ただし、この推論処理に適用される学習モデルは、新規な学習モデル２４が生成される前の古い学習モデルである。

【0117】

プログラマブルロジックデバイス１５による推論処理が終了すると、制御部１３は、その推論結果の信頼性を判定する（ステップＳ２７）。すなわち、制御部１３は、プログラマブルロジックデバイス１５による推論結果の信頼性が所定値よりも低いか否かを判断する（ステップＳ２８）。推論結果の信頼性が所定値よりも低い場合（ステップＳ２８でＹＥＳ）、制御部１３は、更新フラグがセットされているか否かを確認する（ステップＳ２９）。その結果、更新フラグがセットされている場合（ステップＳ２９でＹＥＳ）、制御部１３は、推論処理の実行主体を、プログラマブルロジックデバイス１５からプロセッサー１４に切り替え（ステップＳ３０）、プロセッサー１４に推論処理を実行させる（ステップＳ３１）。これにより、新規な学習モデル２４を反映させた推論処理をプロセッサー１４で実行させることができる。

【0118】

ただし、プログラマブルロジックデバイス１５による推論結果の信頼性が所定値以上である場合（ステップＳ２８でＮＯ）、或いは、更新フラグがセットされていない場合（ステップＳ２９でＮＯ）、制御部１３は、ステップＳ３０，Ｓ３１の処理を行わない。なぜなら、プロセッサー１４で推論処理を行っても、プログラマブルロジックデバイス１５による推論結果と同じ結果が得られるため、プロセッサー１４で推論処理を行う意味がないからである。

【0119】

次に制御部１３は、サーバー装置５から新規な学習モデル２４に対応するロジックデータ２５が生成されたことを示す通知を受信したか否かを判断する（ステップＳ３２）。通知を受信している場合（ステップＳ３２でＹＥＳ）、制御部１３は、サーバー装置５から、新規な学習モデル２４に対応するロジックデータ２５を取得する（ステップＳ３３）。そして制御部１３は、プログラマブルロジックデバイス１５の回路を、サーバー装置５から取得したロジックデータ２５に基づいて再構成する処理を実行する（ステップＳ３４）。そしてプログラマブルロジックデバイス１５における回路の再構成が完了すると、制御部１３は、更新フラグを解除する（ステップＳ３５）。一方、サーバー装置５からロジックデータ２５が生成されたことを示す通知を受信していない場合（ステップＳ３２でＮＯ）、制御部１３は、ステップＳ３３～Ｓ３５の処理をスキップする。

【0120】

次に制御部１３は、端末装置２の電源がオフにされたか否かを判断する（ステップＳ３６）。電源がオフにされていない場合（ステップＳ３６でＮＯ）、制御部１３は、ステップＳ２１以降の処理を繰り返す。一方、電源がオフにされた場合（ステップＳ３６でＹＥＳ）、制御部１３による処理が終了する。

【0121】

以上のように本実施形態の情報処理システム１は、新規な学習モデル２４が生成され、その新規な学習モデル２４に基づくロジックデータ２５がプログラマブルロジックデバイス１５に反映されていない場合であっても、推論処理の対象となる入力データＤ１が取得されたときには最初にプログラマブルロジックデバイス１５による推論処理を実行する。これにより、情報処理システム１は、入力データＤ１を対象とする推論処理の結果を早期に得ることが可能である。

【0122】

ただし、プログラマブルロジックデバイス１５による推論結果の信頼性が所定値よりも低い場合、情報処理システム１は、プログラマブルロジックデバイス１５による推論結果を直ちに採用せず、新規な学習モデル２４に基づく推論処理をプロセッサー１４に実行させるようにしている。そのため、本実施形態の情報処理システム１は、プログラマブルロジックデバイス１５による推論結果の信頼性が低い場合には、あらためてプロセッサー１４に推論処理を行わせることで、信頼性の高い推論結果を得ることが可能である。

【0123】

尚、本実施形態において上述した点以外の構成及び動作については、第１実施形態で説明したものと同様である。

【0124】

（第３実施形態）
次に本発明の第３実施形態について説明する。第１及び第２実施形態では、新規な学習モデル２４がロジックデータ２５に変換されている期間において、制御部１３が、推論処理の対象となる入力データＤ１を取得した場合に、プロセッサー１４において推論処理を実行させることにより、新規な学習モデル２４に基づく推論処理を早期に行うことが可能な形態を例示した。

【0125】

ところで、推論処理の対象となる入力データＤ１に複数の入力画像が含まれることがある。その場合、プロセッサー１４は、複数の入力画像のそれぞれに対する推論処理を順次実行しなければならなくなる。プロセッサー１４による推論処理は、プログラマブルロジックデバイス１５による推論処理よりも時間がかかるため、複数の入力画像のそれぞれに対する推論処理が全て終了するまでに多大な時間を要することが想定される。

【0126】

そこで、本実施形態では、新規な学習モデル２４がロジックデータ２５に変換されている期間において、端末装置２が、複数の入力画像を含む入力データＤ１を取得した場合、ネットワーク４に接続されている他の端末装置３に推論処理を分散させることにより、複数の入力画像のそれぞれに対する推論処理が完了するまでに要する時間を短縮できるようにした構成例について説明する。尚、本実施形態においても、情報処理システム１の全体的な構成例は、第１実施形態で説明したものと同様である。

【0127】

図１６は、本実施形態における、端末装置２の構成例を示すブロック図である。本実施形態の端末装置２が第１実施形態と異なる点は、推論処理制御部３０にある。すなわち、本実施形態の推論処理制御部３０は、切替部３０ａに加え、更に装置判定部３０ｂと、分散処理部３０ｃとを備えている。

【0128】

推論処理制御部３０は、サーバー装置５から新規な学習モデル２４とプロセッサー用ソフトウェア２６とを取得した後、新規な学習モデル２４に対応するロジックデータ２５を取得していない状態で、推論対象となる入力データＤ１を取得すると、その入力データＤ１に複数の入力画像が含まれているか否かを判断する。その結果、入力データＤ１に複数の入力画像が含まれており、それら複数の入力画像のそれぞれに対する推論処理を行うことが必要である場合、推論処理制御部３０は、装置判定部３０ｂと、分散処理部３０ｃとを機能させる。

【0129】

装置判定部３０ｂは、ネットワーク４に接続されている他の端末装置３から装置情報を取得し、その装置情報を解析することにより、他の端末装置３が推論処理を行うことが可能な装置であるか否かを判定する。ここで、装置判定部３０ｂが他の端末装置３から取得する装置情報には、例えば、ＣＰＵやメモリなどのハードウェア資源の処理能力に関する情報、ハードウェア資源の現在の使用率に関する情報、オペレーティングシステムのバージョン情報などが含まれる。装置判定部３０ｂは、それらの情報を参照して他の端末装置３が推論処理を行うことが可能な装置であるか否かを判定する。尚、他の端末装置３のハードウェア資源やオペレーティングシステムのバージョンが推論処理を行うのに必要な条件を満たしている場合であっても、他の端末装置３におけるハードウェア資源の現在の使用率が所定値を超えている場合には、他の端末装置３が他の処理によってビジー状態にあると言える。そのため、装置判定部３０ｂは、ビジー状態にある他の端末装置３を、推論処理を行うことが可能な装置からは除外する。

【0130】

また、ネットワーク４に複数の他の端末装置３が接続されている場合、装置判定部３０ｂは、それら複数の他の端末装置３のそれぞれから装置情報を取得し、それら複数の他の端末装置３のそれぞれが推論処理を行うことが可能な装置であるか否かを判定する。そして装置判定部３０ｂは、ネットワーク４に接続されている少なくとも１つの他の端末装置３を、分散処理を実行させる装置として選択する。尚、装置判定部３０ｂは、分散処理を実行させる装置として、複数の端末装置３を選択するものであっても構わない。

【0131】

装置判定部３０ｂは、分散処理を実行させる他の端末装置３を選択すると、その選択した他の端末装置３に対し、サーバー装置５から、新規な学習モデル２４とプロセッサー用ソフトウェア２６とを取得することを指示する。これにより、他の端末装置３は、サーバー装置５にアクセスし、サーバー装置５において生成された新規な学習モデル２４と、プロセッサー用ソフトウェア２６とを取得し、推論処理を行うことが可能な状態を整える。

【0132】

分散処理部３０ｃは、入力データＤ１に含まれる複数の入力画像を対象とする推論処理が行われるとき、複数の入力画像を、端末装置２のプロセッサー１４に推論処理を行わせる第１の画像群と、装置判定部３０ｂによって選択された他の端末装置３に推論処理を行わせる第２の画像群とに分割する。そして分散処理部３０ｃは、第１の画像群をプロセッサー１４に出力して推論処理を実行させると共に、第２の画像群を他の端末装置３に出力して他の端末装置３に推論処理を実行させる。これにより、端末装置２のプロセッサー１４における推論処理と、他の端末装置３のプロセッサー１４における推論処理とが並列して行われるようになり、複数の入力画像に対する推論処理を同時に進行させることができる。

【0133】

図１７は、本実施形態における情報処理システム１における動作プロセスを示す図である。サーバー装置５において新規な学習モデル２４が生成され、その新規な学習モデル２４をロジックデータ２５に変換する処理が行われている期間において、端末装置２が、推論処理の対象となる入力データＤ１を検知した場合を例示する。端末装置２は、入力データＤ１を検知し、その入力データＤ１に複数の入力画像が含まれていることを検知すると（プロセスＰ５０）、ネットワーク４を介して他の端末装置３に装置情報を要求する（プロセスＰ５１）。この要求を受信すると、他の端末装置３は、端末装置２に対して装置情報を送信する（プロセスＰ５２）。これにより、端末装置２は、他の端末装置３の装置情報を取得することができる。

【0134】

端末装置２は、他の端末装置３の装置情報を取得すると、他の端末装置３が推論処理を行うことが可能な装置であるか否かの判定を行う（プロセスＰ５３）。その結果、他の端末装置３が推論処理を行うことが可能である場合、端末装置２は、他の端末装置３に対し、サーバー装置５から、新規な学習モデル２４と、プロセッサー用ソフトウェア２６とを取得することを指示する（プロセスＰ５４）。これにより、他の端末装置３は、サーバー装置５に対し、新規な学習モデル２４とプロセッサー用ソフトウェア２６を要し（プロセスＰ５５）、サーバー装置５から、新規な学習モデル２４とプロセッサー用ソフトウェア２６とを取得する（プロセスＰ５６）。そして他の端末装置３は、端末装置２に対し、新規な学習モデル２４とプロセッサー用ソフトウェア２６との取得が完了したことを通知する（プロセスＰ５７）。

【0135】

端末装置２は、他の端末装置３において推論処理のための準備が整うと、他の端末装置３に対し、入力データＤ１に含まれる１つの入力画像を送信し、他の端末装置３において１つの入力画像に対する推論処理を開始させる（プロセスＰ５９）。これにより、他の端末装置３において新規な学習モデル２４に基づく推論処理が実行される。また、端末装置２は、自機のプロセッサー１４において入力データＤ１に含まれる別の入力画像に対する推論処理を開始させる（プロセスＰ６０）。これにより、端末装置２は、自機においても新規な学習モデル２４に基づく推論処理を実行することができる。端末装置２における推論処理は、推論処理の開始から所定時間Ｔ１が経過した後に終了する（プロセスＰ６１）。また、他の端末装置３における推論処理は、推論処理の開始から所定時間Ｔ１が経過した後に終了する（プロセスＰ６２）。他の端末装置３は、推論処理が終了すると、端末装置２に対して推論結果を出力する（プロセスＰ６３）。

【0136】

端末装置２は、他の端末装置３から１つの入力画像に対する推論結果を取得すると、次に入力データＤ１に含まれる別の１つの入力画像を送信し、他の端末装置３において引き続き更に別の入力画像に対する推論処理を開始させる（プロセスＰ６５）。また、端末装置２は、自機においても入力データＤ１に含まれる更に別の入力画像に対する推論処理を開始させる（プロセスＰ６６）。端末装置２における推論処理は、推論処理の開始から所定時間Ｔ１が経過した後に終了する（プロセスＰ６７）。また、他の端末装置３における推論処理は、推論処理の開始から所定時間Ｔ１が経過した後に終了する（プロセスＰ６８）。他の端末装置３は、推論処理が終了すると、上記と同様に、端末装置２に対して推論結果を出力する（プロセスＰ６９）。

【0137】

端末装置２は、上記のように自機における推論処理と、他の端末装置３における推論処理とを並列して実行させる処理を繰り返し行い、入力データＤ１に含まれる複数の入力画像のそれぞれに対する推論処理を完了させる。そして全ての入力画像に対する推論処理が完了すると、端末装置２は、所定の出力先に推論結果を出力する（プロセスＰ７０）。

【0138】

したがって、本実施形態の情報処理システム１は、入力データＤ１に複数の入力画像が含まれている場合に、端末装置２と他の端末装置３とで推論処理を分散させることにより、新規な学習モデル２４に基づく複数の推論処理を並列して実行させることが可能である。これにより、１つの端末装置２で複数の入力画像のそれぞれに対する推論処理を順次実行している場合に比べて、全ての入力画像に対する推論結果を効率的に取得することが可能である。

【0139】

上記においては、入力データＤ１に複数の入力画像が含まれる場合を例示したが、これに限られるものではない。例えば、端末装置２の制御部１３は、ネットワーク４を介して他の端末装置３と通信可能であり、サーバー装置５の変換部１２によって新規な学習モデル２４がロジックデータ２５に変換されている期間において、新規な学習モデル２４に基づく特定の処理を端末装置２のプロセッサー１４に実行させるとき、新規な学習モデル２４に基づく特定の処理のうちの一部を他の端末装置３に分散処理させるものであれば良い。すなわち、制御部１３は、自機のプロセッサー１４において新規な学習モデル２４に基づく特定の処理を実行させるとき、新規な学習モデル２４に基づく特定の処理のうちの一部を他の端末装置３に分散処理させる構成とすることにより、端末装置２が単独で特定の処理を実行するよりも、効率的に特定の処理を実行することができるという利点がある。

【0140】

尚、本実施形態において上述した点以外の構成及び動作については、第１実施形態又は第２実施形態で説明したものを適用することが可能である。そのため、例えば、端末装置２が新規な学習モデル２４に基づく特定の処理を実行するとき、第２実施形態で説明したように最初にプログラマブルロジックデバイス１５に特定の処理を実行させるようにしても良い。そしてプログラマブルロジックデバイス１５による特定の処理の結果の信頼性が低い場合に、情報処理システム１は、端末装置２と他の端末装置３とに特定の処理を分散させて処理させるように構成しても良い。

【0141】

（変形例）
以上、本発明に関する実施形態について説明したが、本発明は、上記実施形態において説明した内容のものに限られるものではなく、種々の変形例が適用可能である。

【0142】

例えば上記実施形態では、情報処理システム１がサーバー装置５を備えており、サーバー装置５に、機械学習実行部１１及び変換部１２の機能が搭載される場合を例示した。しかし、これに限られるものではなく、機械学習実行部１１及び変換部１２の機能は、端末装置２に搭載されていても構わない。この場合、端末装置２には、プロセッサー１４、プログラマブルロジックデバイス１５、機械学習実行部１１、変換部１２、及び、制御部１３が実装される。そのため、端末装置２は、ディープラーニングによる機械学習を実行することによって特定の処理のための新規な学習モデルを生成し、その新規な学習モデルをプログラマブルロジックデバイス１５で動作可能なロジックデータ２５に変換する。そして端末装置２は、新規な学習モデル２４をロジックデータ２５に変換している期間において、新規な学習モデル２４に基づく特定の処理をプロセッサー１４に実行させることが可能な構成として実現される。

【0143】

また、上記実施形態では、一例として、端末装置２，３がパーソナルコンピュータ（ＰＣ）やタブレット端末などで構成される場合を例示した。しかし、これに限られるものではない。例えば、上述した端末装置２，３は、原稿の画像を光学的に読み取って画像データを生成するスキャン機能を備えたＭＦＰ（Multifunction Peripherals）などによって構成される装置であっても構わない。

【0144】

また、上記実施形態では、学習モデル２４に基づく特定の処理の一例として、入力データＤ１に入力画像が含まれており、分類候補として設定されている複数のパターン画像のそれぞれと入力画像との一致度を推論する推論処理を実行する場合を例示した。しかし、特定の処理は、上記のような推論処理に限られるものではない。すなわち、本発明における特定の処理は、画像処理に限られない。

【0145】

また、上記実施形態では、制御部１３のＣＰＵによって実行されるプログラムが予め記憶部２９に記憶されている例を説明した。しかし、そのプログラムは、任意のタイミングで端末装置２，３にインストール可能な態様で提供されるものであっても構わない。この場合、プログラムは、ネットワーク４などを介して端末装置２，３にダウンロード可能な態様で提供されるものであっても良いし、またＣＤ－ＲＯＭやＵＳＢメモリなどのコンピュータ読み取り可能な記録媒体に記録された状態で提供されるものであっても構わない。

【符号の説明】

【0146】

１ 情報処理システム
２，３ 端末装置（情報処理装置）
４ ネットワーク
５ サーバー装置
１１ 機械学習実行部
１２ 変換部
１３ 制御部
１４ プロセッサー
１５ プログラマブルロジックデバイス
２４ 学習モデル
２５ ロジックデータ
２６ プロセッサー用ソフトウェア

【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】