特許 7549206 学習装置、推定装置、監視システム及び学習方法

(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】2024-09-03

(45)【発行日】2024-09-11

(54)【発明の名称】学習装置、推定装置、監視システム及び学習方法

(51)【国際特許分類】

   G06N 20/00 20190101AFI20240904BHJP

   G06T 7/00 20170101ALI20240904BHJP

【ＦＩ】

G06N20/00 130

G06T7/00 350C

【請求項の数】 12

(21)【出願番号】P 2020195682

(22)【出願日】2020-11-26

(65)【公開番号】P2022084080

(43)【公開日】2022-06-07

【審査請求日】2023-10-06

(73)【特許権者】

【識別番号】000002853

【氏名又は名称】ダイキン工業株式会社

(74)【代理人】

【識別番号】110000280

【氏名又は名称】弁理士法人サンクレスト国際特許事務所

(72)【発明者】

【氏名】北川 慧太

【審査官】山本 俊介

(56)【参考文献】

【文献】特開２０２０－９１４１（ＪＰ，Ａ）

【文献】特開２０１６－１２２５８（ＪＰ，Ａ）

【文献】特開２０２０－１３９８０３（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｎ ３／００－９９／００

Ｇ０６Ｔ ７／００

(57)【特許請求の範囲】

【請求項1】

制御部（３１）を備え、データとラベルとの対応を教師ラベルが付与された訓練データにより学習する学習装置（３０）であって、
前記制御部（３１）は、
前記データが第１状態であることを示す第１状態ラベルが前記教師ラベルとして付与された第１訓練データと、前記データが前記第１状態とは異なる第２状態であることを示す第２状態ラベルが前記教師ラベルとして付与された第２訓練データと、を前記訓練データとして用いて、前記データと前記第１状態ラベル及び前記第２状態ラベルとの対応を学習した第１学習モデル（ＬＭ１１，ＬＭ２１）を作成し、
前記第１訓練データと前記第２訓練データとを評価データとして用いて、前記第１学習モデル（ＬＭ１１，ＬＭ２１）により前記評価データに対応する前記ラベルを推定し、
前記評価データのうち、前記第１学習モデルの推定による確度が最も高い前記ラベルと、付与された前記教師ラベルと、の種類が異なるエラーデータに、前記第１学習モデルが推定を間違えたことを示すエラーラベルを付与し、
前記エラーラベルが付与された前記エラーデータと、前記エラーラベルが付与されていない前記第１訓練データ及び前記第２訓練データと、を前記訓練データとして用いて、前記データと前記第１状態ラベル、前記第２状態ラベル及び前記エラーラベルとの対応を学習した第２学習モデル（ＬＭ１２，ＬＭ２２）を作成する、
学習装置（３０）。

【請求項2】

前記制御部（３１）は、
前記エラーデータのうち、
前記第１学習モデル（ＬＭ１１，ＬＭ２１）の推定による確度が最も高い前記ラベルが前記第２状態ラベルであり、前記付与された前記教師ラベルが前記第１状態ラベルであるものに前記エラーラベルを付与し、
前記第１学習モデル（ＬＭ１１，ＬＭ２１）の推定による確度が最も高い前記ラベルが前記第１状態ラベルであり、前記付与された前記教師ラベルが前記第２状態ラベルであるものには前記エラーラベルを付与しない、
請求項１に記載の学習装置（３０）。

【請求項3】

前記第１状態ラベルは、前記データの内容、又は前記データの取得過程が異常であることを示す前記ラベルであり、
前記第２状態ラベルは、前記データの内容、又は前記データの取得過程が正常であることを示す前記ラベルである、
請求項１又は請求項２に記載の学習装置（３０）。

【請求項4】

第２制御部（４１，５１）を備え、推定対象となる前記データである対象データと対応する前記ラベルを推定する推定装置（４０，５０）であって、
前記第２制御部（４１，５１）は、
請求項１から請求項３のいずれか１項に記載の学習装置（３０）が作成した前記第２学習モデル（ＬＭ１２，ＬＭ２２）に前記対象データを入力することで、前記対象データについての前記第１状態ラベルの確度、前記第２状態ラベルの確度及び前記エラーラベルの確度を出力する、
推定装置（４０，５０）。

【請求項5】

対象装置（１０）から取得される前記対象データに基づいて、前記対象装置（１０）を監視する監視システム（１００）であって、
請求項４に記載の推定装置（４０，５０）と、
前記第２制御部（４１，５１）により出力された前記エラーラベルの確度が第１所定値を超える場合に、前記対象データに関する情報を作業者に報知する報知部と、
を備える、
監視システム（１００）。

【請求項6】

前記報知部は、前記第２制御部（４１，５１）により出力された前記第１状態ラベルの確度及び前記第２状態ラベルの確度がいずれも第２所定値未満となる場合に、前記対象データに関する情報を前記作業者に報知する、
請求項５に記載の監視システム（１００）。

【請求項7】

前記報知部が前記対象データに関する情報を前記作業者に報知した場合に、前記作業者から、前記対象データの状態が前記第１状態であるか前記第２状態であるかの判断に関する入力を受け付ける入力部（２２）をさらに備える、
請求項５又は請求項６に記載の監視システム（１００）。

【請求項8】

前記第１状態は、前記対象データが正しく取得できていない状態であり、
前記第２状態は、前記対象データが正しく取得できた状態であり、
前記第２制御部（４１，５１）は、前記出力された前記第１状態ラベルの確度が第３所定値を超える場合、又は、前記入力部（２２）が前記作業者から前記対象データの状態が前記第１状態であるとの判断に関する入力を受け付けた場合に、動作指令を発して前記対象装置（１０）から前記対象データを取得させる、
請求項７に記載の監視システム（１００）。

【請求項9】

前記報知部は、前記対象データに関する情報を前記作業者に報知する場合に、ディスプレイ又はスピーカを含む表示部（２３）に前記対象データに関する情報を表示させ、又は前記作業者が確認可能な端末に前記対象データに関する情報を含む電子メールを送信する、請求項５から請求項８のいずれか１項に記載の監視システム（１００）。

【請求項10】

前記対象装置（１０）は空気調和装置であり、
前記対象データは、カメラ（１２）により撮像された画像、マイク（１３）に記録された音及び記憶部（１４）に記憶された運転データ、の少なくとも１つを含む、
請求項５から請求項９に記載の監視システム（１００）。

【請求項11】

前記空気調和装置（１０）は、熱交換器（６３）の下方に設けられるドレンパン（６４）を有し、
前記対象データは、前記カメラ（１２）により前記ドレンパン（６４）を撮像することで取得される画像を含む、
請求項１０に記載の監視システム（１００）。

【請求項12】

データとラベルとの対応を、教師ラベルが付与された訓練データにより学習する学習方法であって、
前記データが第１状態であることを示す第１状態ラベルが前記教師ラベルとして付与された第１訓練データと、前記データが前記第１状態とは異なる第２状態であることを示す第２状態ラベルが前記教師ラベルとして付与された第２訓練データと、を前記訓練データとして用いて、前記データと前記第１状態ラベル及び前記第２状態ラベルとの対応を学習した第１学習モデル（ＬＭ１１，ＬＭ２１）を作成する第１学習モデル作成ステップ（Ｓ１２）と、
前記第１訓練データと前記第２訓練データとを評価データとして用いて、前記第１学習モデル（ＬＭ１１，ＬＭ２１）により前記評価データに対応する前記ラベルを推定する評価ステップ（Ｓ１３）と、
前記評価データのうち、前記第１学習モデル（ＬＭ１１，ＬＭ２１）の推定による確度が最も高い前記ラベルと、付与された前記教師ラベルと、の種類が異なるエラーデータに、前記第１学習モデル（ＬＭ１１，ＬＭ２１）が推定を間違えたことを示すエラーラベルを付与するラベル付与ステップ（Ｓ１４）と、
前記エラーラベルが付与された前記エラーデータと、前記エラーラベルが付与されていない前記第１訓練データ及び前記第２訓練データと、を前記訓練データとして用いて、前記データと前記第１状態ラベル、前記第２状態ラベル及び前記エラーラベルとの対応を学習した第２学習モデル（ＬＭ１２，ＬＭ２２）を作成する第２学習モデル作成ステップ（Ｓ１５）と、
を備える、学習方法。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、学習装置、推定装置、監視システム及び学習方法に関する。

【背景技術】

【0002】

人工知能（ＡＩ：Ａｒｔｉｆｉｃａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ）を用いてデータ（例えば、画像）にラベル付けする技術が知られている。例えば、画像に写っているのが犬か猫かを推定させる際には、教師画像に何が写っているかを示す教師ラベル（犬ラベル又は猫ラベル）を付与してラーニングを行い学習モデルを作成した後、対象となる画像を当該学習モデルを用いてＡＩに推定させる。

【0003】

このとき、ＡＩは、どの程度自信を持って答えを出したかを示す「確度」を出力し、当該確度が最も高いラベルを推定結果とすることがある。例えば、対象画像について推定した結果、確度が犬８０％、猫３０％の場合、対象画像には犬が写っていると判断する。しかしながら、確度の精度が十分ではないことが多く、ＡＩによる判断に誤りが生じる場合がある。

【0004】

特許文献１には、付与したラベルが間違っていた画像を不連続画像として検出し、管理ユーザの操作により正しいラベルに修正する技術が開示されている。

【先行技術文献】

【特許文献】

【0005】

【文献】特開２０２０－００９１４１号公報

【発明の概要】

【発明が解決しようとする課題】

【0006】

特許文献１のように、ＡＩが判断を誤った画像に正しいラベルを付与して再学習させる技術が知られているが、当該技術によって必ずしもＡＩの推定の精度が向上するわけではない。当該技術により、ラベルを再付与した画像についての推定精度は向上するかもしれないが、再学習前に正しく推定できていた画像についての推定精度が再学習後に低下することもありえる。このため、従来はＡＩに画像等のデータを判断させても、当該判断に誤りが含まれる可能性があり、結局はすべてのデータを作業者が判断する結果となりやすく、作業者の作業負担を効率的に低減できていなかった。

【0007】

本開示は、作業者の作業負担をより軽減することができる学習装置、推定装置、監視システム及び学習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】

（１）本開示の学習装置は、制御部を備え、データとラベルとの対応を教師ラベルが付与された訓練データにより学習する学習装置であって、制御部は、前記データが第１状態であることを示す第１状態ラベルが前記教師ラベルとして付与された第１訓練データと、前記データが前記第１状態とは異なる第２状態であることを示す第２状態ラベルが前記教師ラベルとして付与された第２訓練データと、を前記訓練データとして用いて、前記データと前記第１状態ラベル及び前記第２状態ラベルとの対応を学習した第１学習モデルを作成し、前記第１訓練データと前記第２訓練データとを評価データとして用いて、前記第１学習モデルにより前記評価データに対応する前記ラベルを推定し、前記評価データのうち、前記第１学習モデルの推定による確度が最も高い前記ラベルと、付与された前記教師ラベルと、の種類が異なるエラーデータに、前記第１学習モデルが推定を間違えたことを示すエラーラベルを付与し、前記エラーラベルが付与された前記エラーデータと、前記エラーラベルが付与されていない前記第１訓練データ及び前記第２訓練データと、を前記訓練データとして用いて、前記データと前記第１状態ラベル、前記第２状態ラベル及び前記エラーラベルとの対応を学習した第２学習モデルを作成する、学習装置である。

【0009】

第２学習モデルは、入力されたデータに対して、データの状態を示す第１状態ラベル及び第２状態ラベルの他に、第１学習モデルが推定を間違えたことを示すエラーラベルを推定することができる。第２学習モデルを用いることで、ＡＩが判断を誤る傾向が高いデータにはエラーラベルを付与することができるため、第１状態ラベル及び第２状態ラベルが付与されたデータについての信憑性が向上する。この結果、作業者が第１状態ラベル及び第２状態ラベルが付与されたデータを再確認する作業を省略することができ、作業者の作業負担を軽減することができる。

【0010】

（２）好ましくは、前記制御部は、前記エラーデータのうち、前記第１学習モデルの推定による確度が最も高い前記ラベルが前記第２状態ラベルであり、前記付与された前記教師ラベルが前記第１状態ラベルであるものに前記エラーラベルを付与し、前記第１学習モデルの推定による確度が最も高い前記ラベルが前記第１状態ラベルであり、前記付与された前記教師ラベルが前記第２状態ラベルであるものには前記エラーラベルを付与しない。

【0011】

第２状態ラベルを第１状態ラベルと推定することが許容可能な間違いである場合、第１学習モデルによる間違え方を「第２状態ラベルから第１状態ラベルへの間違い」と「第１状態ラベルから第２状態ラベルへの間違い」に細分化し、許容可能な間違いについてエラーラベルを付与しないこととすることで、エラーラベルを付与するデータの傾向を揃えることができる。これにより、第２学習モデルにおいて、エラーラベルを付与する精度を向上させることができる。

【0012】

（３）好ましくは、前記第１状態ラベルは、前記データの内容、又は前記データの取得過程が異常であることを示す前記ラベルであり、前記第２状態ラベルは、前記データの内容、又は前記データの取得過程が正常であることを示す前記ラベルである。

【0013】

データ自体、又はデータの取得過程が正常であるのに、それを異常であると推定することは、比較的許容可能な間違いである。また、逆にデータ自体、又はデータの取得過程が異常であるのに、それを正常であると推定することは、許容できない。このため、前者の許容可能な間違いについてエラーラベルを付与しないこととすることで、エラーラベルを付与するデータの傾向を後者の間違いに揃えることができる。これにより、第２学習モデルにおいて、エラーラベルを付与する精度を向上させることができる。

【0014】

（４）本開示の推定装置は、第２制御部を備え、推定対象となる前記データである対象データと対応する前記ラベルを推定する推定装置であって、前記第２制御部は、上記（１）から（３）のいずれかの学習装置が作成した前記第２学習モデルに前記対象データを入力することで、前記対象データについての前記第１状態ラベルの確度、前記第２状態ラベルの確度及び前記エラーラベルの確度を出力する。

【0015】

エラーラベルを推定することができる第２学習モデルを用いて、対象データを推定することで、対象データについての第１状態ラベルの確度及び第２状態ラベルの確度とともに、対象データについてのエラーラベルの確度を得ることができる。このため、ＡＩが判断を誤る傾向が高い対象データはエラーラベルの確度が高くなり、そうでない対象データは第１状態ラベル又は第２状態ラベルの確度が高くなる。この結果、第１状態ラベル又は第２状態ラベルの確度が高い対象データについての信憑性が向上するため、作業者が当該対象データを再確認する作業を省略することができ、作業者の作業負担をより軽減することができる。

【0016】

（５）本開示の監視システムは、対象装置から取得される前記対象データに基づいて、前記対象装置を監視する監視システムであって、上記（４）の推定装置と、前記第２制御部により出力された前記エラーラベルの確度が第１所定値を超える場合に、前記対象データに関する情報を作業者に報知する報知部と、を備える、監視システムである。

【0017】

対象データに基づいて対象装置を監視する際、第２学習モデルによりエラーラベルの確度が第１所定値を超える対象データに関する情報が作業者に報知される。このため、作業者は報知された対象データの確認に注力し、そうでない対象データ（例えば、エラーラベルの確度が第１所定値未満の対象データ）を再確認する作業を省略することができる。この結果、作業者の作業負担を軽減することができる。

【0018】

（６）好ましくは、前記報知部は、前記第２制御部により出力された前記第１状態ラベルの確度及び前記第２状態ラベルの確度がいずれも第２所定値未満となる場合に、前記対象データに関する情報を前記作業者に報知する。

【0019】

第１状態ラベル及び第２状態ラベルの確度がいずれも第２所定値未満となる場合、エラーラベルの確度が第１所定値未満であるとしても、ＡＩが推定を間違えている可能性が高い。このような対象データも作業者に報知することで、表示されない対象データの信憑性を向上させることができる。これにより、報知されない対象データを再確認する作業を省略することができ、作業者の作業負担を軽減することができる。

【0020】

（７）前記報知部が前記対象データに関する情報を前記作業者に報知した場合に、前記作業者から、前記対象データの状態が前記第１状態であるか前記第２状態であるかの判断に関する入力を受け付ける入力部をさらに備える。

【0021】

入力部により作業者からの入力を受け付けることで、ＡＩが推定を間違える可能性が高い対象データの判断を作業者に委ねることができる。これにより、より好適にＡＩと作業者とが作業を分担することができるため、作業者の作業負担を軽減することができる。

【0022】

（８）好ましくは、前記第１状態は、前記対象データが正しく取得できていない状態であり、前記第２状態は、前記対象データが正しく取得できた状態であり、前記第２制御部は、前記出力された前記第１状態ラベルの確度が第３所定値を超える場合、又は、前記入力部が前記作業者から前記対象データの状態が前記第１状態であるとの判断に関する入力を受け付けた場合に、動作指令を発して前記対象装置から前記対象データを取得させる。

【0023】

このように構成することで、対象データが正しく取得できていない場合に、第２制御部が動作指令を発することで対象装置から対象データを再取得させることができる。これにより、より好適な対象データを取得することができる。

【0024】

（９）好ましくは、前記報知部は、前記データに関する情報を前記作業者に報知する場合に、ディスプレイ又はスピーカを含む表示部に前記対象データに関する情報を表示させ、又は前記作業者が確認可能な端末に前記対象データに関する情報を含む電子メールを送信する。

【0025】

作業者は、表示部に表示された情報を確認することで、対象データに関する情報を知ることができる。また、作業者は、端末に電子メールとして送信された情報を確認することで、対象データに関する情報を知ることができる。このように構成することで、対象装置が設置された現場へ作業者を移動させることなく、作業者に対象データに関する情報を知らせることができる。このため、作業者の作業負担を軽減することができる。

【0026】

（１０）好ましくは、前記対象装置は空気調和装置であり、前記対象データは、カメラにより撮像された画像、マイクに記録された音及び記憶部に記憶された運転データ、の少なくとも１つを含む。

【0027】

このように構成することで、カメラ、マイク及び記憶部の少なくとも１つから得られる対象データにより空気調和装置を遠隔地から監視することができる。

【0028】

（１１）好ましくは、前記空気調和装置は、熱交換器の下方に設けられるドレンパンを有し、前記対象データは、前記カメラにより前記ドレンパンを撮像することで取得される画像を含む。

【0029】

このように構成することで、空気調和装置の中でも特に経時的に汚れやすいドレンパンを遠隔地から監視することができる。

【0030】

（１２）本開示の学習方法は、データとラベルとの対応を、教師ラベルが付与された訓練データにより学習する学習方法であって、前記データが第１状態であることを示す第１状態ラベルが前記教師ラベルとして付与された第１訓練データと、前記データが前記第１状態とは異なる第２状態であることを示す第２状態ラベルが前記教師ラベルとして付与された第２訓練データと、を前記訓練データとして用いて、前記データと前記第１状態ラベル及び前記第２状態ラベルとの対応を学習した第１学習モデルを作成する第１学習モデル作成ステップと、前記第１訓練データと前記第２訓練データとを評価データとして用いて、前記第１学習モデルにより前記評価データに対応する前記ラベルを推定する評価ステップと、前記評価データのうち、前記第１学習モデルの推定による確度が最も高い前記ラベルと、付与された前記教師ラベルと、の種類が異なるエラーデータに、前記第１学習モデルが推定を間違えたことを示すエラーラベルを付与するラベル付与ステップと、前記エラーラベルが付与された前記エラーデータと、前記エラーラベルが付与されていない前記第１訓練データ及び前記第２訓練データと、を前記訓練データとして用いて、前記データと前記第１状態ラベル、前記第２状態ラベル及び前記エラーラベルとの対応を学習した第２学習モデルを作成する第２学習モデル作成ステップと、を備える、学習方法である。

【0031】

第２学習モデルは、入力されたデータに対して、データの状態を示す第１状態ラベル及び第２状態ラベルの他に、第１学習モデルが推定を間違えたことを示すエラーラベルを推定することができる。第２学習モデルを用いることで、ＡＩが判断を誤る傾向が高いデータにはエラーラベルを付与することができるため、第１状態ラベル及び第２状態ラベルが付与されたデータについての信憑性が向上する。この結果、作業者が第１状態ラベル及び第２状態ラベルが付与されたデータを再確認する作業を省略することができ、作業者の作業負担を軽減することができる。

【図面の簡単な説明】

【0032】

【図1】本開示の実施形態に係る監視システムの機能的な構成を概略的に示すブロック図である。

【図2】本開示の実施形態に係る室内機の内部構造を概略的に示す断面図である。

【図3】本開示の実施形態に係る学習処理の手順を示すフローチャートである。

【図4】本開示の実施形態に係るデータに付与するラベルを説明する表である。

【図5】本開示の実施形態に係る第１推定処理の手順を示すフローチャートである。

【図6】本開示の実施形態に係る第２推定処理の手順を示すフローチャートである。

【図7】本開示の変形例に係るデータに付与するラベルを説明する表である。

【発明を実施するための形態】

【0033】

以下、添付の図面を参照しつつ、本開示の実施形態を説明する。

【0034】

［実施形態］
［監視システムの構成］
図１は、本開示の実施形態に係る監視システム１００の機能的な構成を概略的に示すブロック図である。監視システム１００は、複数の空気調和装置１０と、１台の監視装置２０と、を備える。監視システム１００は、監視装置２０と複数の空気調和装置１０とをネットワークＮ１により接続し、監視装置２０により複数の空気調和装置１０を監視するシステムである。

【0035】

なお、本実施形態では、１台の監視装置２０により複数の空気調和装置１０を１対多の対応で監視するが、本開示の実施に関してはこれに限定されない。例えば、１台の監視装置２０により１台の空気調和装置１０を１対１の対応で監視してもよいし、複数の監視装置２０により１台の空気調和装置１０を多対１の対応で監視してもよい。

【0036】

空気調和装置１０は、室内の温度及び湿度の少なくとも一方を調節する装置であり、例えば暖房装置、冷房装置、加湿機、除湿機又はこれらを組み合わせた機能を有する装置である。空気調和装置１０は、室内機６１と室外機（図示省略）を有する。室内機６１は、例えば室内空間や天井裏の空間に設けられ、冷媒配管（図示省略）を介して室外機に接続される。

【0037】

［空気調和装置の構成］
空気調和装置１０は、データ取得部１１をさらに有する。データ取得部１１は、空気調和装置１０の状態を監視するためのデータを取得するための装置であり、カメラ１２と、センサ１３と、記憶部１４と、制御部１５と、通信部１６と、を有する。

【0038】

図２は、室内機６１の内部構造を概略的に示す断面図である。室内機６１は、ファン６２と、熱交換器６３と、ドレンパン６４と、ドレンポンプ６５と、ケーシング６６と、を有する。ファン６２、熱交換器６３、ドレンパン６４及びドレンポンプ６５は、ケーシング６６内に設けられる。

【0039】

ケーシング６６には、流入口６６ａと流出口６６ｂが形成される。ファン６２は、例えばシロッコ型ファンである。ファン６２が動作すると、空気ＲＡ１がケーシング６６の流入口６６ａから取り入れられ、熱交換器６３で空気ＲＡ１の熱交換がなされた後、調和空気ＳＡ１として流出口６６ｂから吹き出される。

【0040】

熱交換器６３で空気ＲＡ１が冷却される場合、空気中の水分が結露し、熱交換器６３及びその近傍で凝縮水が発生する。ドレンパン６４は、熱交換器６３の鉛直方向下方に位置し、熱交換器６３及びその近傍で発生した凝縮水を受ける。ドレンポンプ６５は、ドレンパン６４側に吸込管６５ａを開口させた状態でドレンパン６４の鉛直方向上方に設置される。ドレンポンプ６５の上部には排水管６５ｂの一端が接続されている。排水管６５ｂの他端は、ケーシング６６の外部と接続されている。ドレンポンプ６５が動作すると、ドレンパン６４に溜まった凝縮水が吸込管６５ａを介してドレンポンプ６５に吸い込まれ、凝縮水は排水管６５ｂを介してケーシング６６の外部に排出される。

【0041】

カメラ１２は、ケーシング６６内に設けられる。例えば、カメラ１２は、金具１２ａによりケーシング６６の内壁に取り付けられる。カメラ１２は、ドレンパン６４を向いて撮像することで、ドレンパン６４が写った画像を取得する。なお、カメラ１２が設置される場所やカメラ１２の向きは限定されない。例えば、カメラ１２は熱交換器６３が写った画像を取得してもよい。

【0042】

センサ１３は、ケーシング６６の流出口６６ｂ付近に設けられる。センサ１３は、例えばマイクであり、室内機６１の動作音を測定することで、音データを取得する。なお、センサ１３は、調和空気ＳＡ１の温度を測定する温度センサであってもよいし、調和空気ＳＡ１の湿度を測定する湿度センサであってもよい。また、センサ１３が設置される場所は限定されない。センサ１３はファン６２の近傍に設けられてもよいし、ケーシング６６の外部に設けられてもよい。

【0043】

図１を参照する。記憶部１４は、例えば半導体メモリであり、空気調和装置１０の運転データを記憶する。制御部１５は、カメラ１２、センサ１３及び記憶部１４とそれぞれ接続し、これら各部１２～１４に動作指令を行う。制御部１５の動作指令により、カメラ１２は画像を取得し、センサ１３は音データを取得し、記憶部１４は運転データを記憶する。各部１２～１４により取得又は記録される画像、音データ及び運転データは、空気調和装置１０を監視するためのデータである。制御部１５は、データ（画像、音データ及び運転データ）を、通信部１６に出力する。

【0044】

通信部１６は、ネットワークＮ１を介して監視装置２０と通信を行うための通信インターフェースである。通信部１６は、ネットワークＮ１を介して監視装置２０に対象データを送信する。また、通信部１６は、ネットワークＮ１を介して監視装置２０から各種の命令を受信する。通信部１６が受信した命令は、制御部１５に入力される。制御部１５は、当該命令に基づいて、カメラ１２、センサ１３及び記憶部１４に動作指令を行う。

【0045】

［空気調和装置の保守及び点検］
従来、空気調和装置１０の保守及び点検のため、作業者が空気調和装置１０の設置現場に赴く必要があった。近年、労働人口の減少に伴い、設備の保守及び点検作業の負担を軽減するニーズが高まっている。また、近年の感染症対策等の影響により、人の移動を伴う作業を削減又は効率化するニーズが高まっている。

【0046】

本実施形態の空気調和装置１０は、カメラ１２が取得する画像、センサ１３が取得する音データ及び記憶部１４が取得する運転データにより、空気調和装置１０を保守及び点検するための情報を収集することができる。これにより、作業者が空気調和装置１０の設置現場に赴くことなく、空気調和装置１０の状態を確認することができる。作業者は、空気調和装置１０の汚れ等、異常を確認した場合に現場に赴けばよいため、空気調和装置１０の保守及び点検作業の負担を軽減することができる。

【0047】

ここで、空気調和装置１０の異常としては、例えばドレンポンプ６５の詰まりによる空気調和装置１０の異常停止が挙げられる。ドレンパン６４は凝縮水を受けるため、カビ等が繁殖して汚れる場合がある。ドレンパン６４の汚れは、時間の経過とともに悪化し、ドレンパン６４に蓄積されたカビ等がドレンポンプ６５を詰まらせるおそれがある。

【0048】

そこで、カメラ１２によりドレンパン６４を撮像し、監視装置２０がドレンパン６４の汚れを画像に基づいて監視する。監視装置２０は、画像等のデータが正しく取得できているか否かを推定する第１の機能と、データに基づいて空気調和装置１０の異常の有無を推定する第２の機能と、を有する。

【0049】

上記の第１の機能の必要性について説明する。例えば、空気調和装置１０の運転状況や使用環境によっては、ドレンパン６４付近に多量のミストが発生し、カメラ１２が取得する画像が白くぼやけて、ドレンパン６４がほとんど写らない場合がある。ドレンパン６４（異常の判定対象）が正しく写っていない画像に基づいてそのまま空気調和装置１０の異常の有無を判定すると、正しい判定結果が得られない。例えば、ドレンパン６４の正常時の画像（基準画像）と、判定対象となる画像との差分に基づいて、ドレンパン６４に汚れがあるか否かを監視装置２０に判定させる場合、ミストにより白くぼやけた画像は、基準画像との差分が大きいため、実際にはドレンパン６４に汚れがなくても「ドレンパン６４に汚れあり（異常あり）」という判定結果となる。

【0050】

センサ１３及び記憶部１４が取得するデータについても同様である。例えば、空気調和装置１０の付近で工事等が行われると、センサ１３が工事の音を音データとして取得する場合がある。センサ１３が取得する音データにより、監視装置２０がファン６２の動作音の異常の有無を判定する場合、実際にはファン６２に異常がなくても、監視装置２０がこの工事の音に基づいて「ファン６２に異常あり」という誤った判定をするおそれがある。

【0051】

上記のような判定間違いを抑制するために、監視装置２０では、異常の有無を判定する前に、対象データが正しく取得できているか否かを判定する。そして、監視装置２０は、対象データが正しく取得できていないと判定すると、データ取得部１１に動作指令を行い、対象データを再取得させる。

【0052】

監視装置２０は、学習モデルを用いて、対象データが正しく取得できているか否かの推定（第１推定）と、異常の判定対象に異常があるか否かの推定（第２推定）とを行う。以下、監視装置２０の構成について説明する。

【0053】

［監視装置の構成］
監視装置２０は、通信部２１と、入力部２２と、表示部２３と、学習装置３０と、第１推定装置４０と、第２推定装置５０と、を有する。これらの各部は、バス等により接続され、互いにデータの出入力をすることができる。本実施形態では、強化学習を行うために監視装置２０内に学習装置３０が含まれているが、学習装置３０は監視装置２０とは別の装置として設けられてもよい。

【0054】

通信部２１は、ネットワークＮ１を介して空気調和装置１０のデータ取得部１１と通信を行うための通信インターフェースである。通信部２１は、ネットワークＮ１を介してデータ取得部１１からデータを受信する。通信部２１が受信したデータは、適宜、監視装置２０内の各部に入力される。また、通信部２１は、ネットワークＮ１を介してデータ取得部１１に各種の命令を送信する。

【0055】

入力部２２は、作業者の入力を受け付けるためのデバイスであり、例えばマウス及びキーボードである。表示部２３は、作業者に各種の情報を表示するためのデバイスであり、例えばディスプレイ及びスピーカである。

【0056】

学習装置３０、第１推定装置４０及び第２推定装置５０は、ハード構成としては、制御部（例えば、ＣＰＵ、ＧＰＵ等）と、記憶部（例えば、ＲＡＭ等の主記憶部と、ＨＤＤ等のストレージとを含む）と、を備えるコンピュータである。本実施形態では、制御部３１及び記憶部３２を有する第１コンピュータが学習装置３０に、制御部４１及び記憶部４２を有する第２のコンピュータが第１推定装置４０に、制御部５１及び記憶部５２を有する第３のコンピュータが第２推定装置５０に割り当てられている。そして、第１～３のコンピュータが別個に所定のプログラムを実行することで、学習装置３０、第１推定装置４０及び第２推定装置５０が実現される。なお、学習装置３０、第１推定装置４０及び第２推定装置５０は、１台のコンピュータが順次、所定のプログラムを実行することで実現されてもよい。この場合、制御部３１，４１，５１は共通する制御部であってもよい。また、記憶部３２，４２，５２は共通する記憶部であってもよい。

【0057】

学習装置３０は、後述の第２学習モデルＬＭ１２，ＬＭ２２を作成する。
第１推定装置４０は、第２学習モデルＬＭ１２を用いて、データが正しく取得できているか否かの推定（第１推定）を行う。
第２推定装置５０は、第２学習モデルＬＭ２２を用いて、異常の判定対象に異常があるか否かの推定（第２推定）を行う。

【0058】

［学習処理］
図３は、学習装置３０が実行する学習処理の手順を示すフローチャートである。学習装置３０は、データとラベルとの対応を、教師ラベルが付与された訓練データにより学習する。

【0059】

学習装置３０の制御部３１は、入力部２２を介して作業者から学習処理の実行指示を受け付けると、はじめに訓練データ取得ステップＳ１１を実行する。まず、記憶部３２にデータ取得部１１が取得したデータＤｘ（例えば、カメラ１２が撮像した画像）が格納される。次に、データＤｘに教師ラベルを付与することで、訓練データＴＤｘを生成する。

【0060】

図４は、データＤｘに付与するラベルを説明する表である。図４では、例示として、４個のデータＤ１～Ｄ４に、各ステップＳ１１，Ｓ１３，Ｓ１４において付与されるラベルを示している。

【0061】

教師ラベルは、例えば、作業者が付与する。具体的には、学習装置３０が表示部２３にデータＤｘを表示し、作業者がデータＤｘに対応する教師ラベルを入力部２２に入力することで、データＤｘに教師ラベルが付与される。例えば、ミスト等の影響でデータＤｘにドレンパン６４の所定の領域が写っていない場合、作業者は、データＤｘの取得過程が異常であること（データＤｘが第１状態であること）を示す「ＮＧラベル（第１状態ラベル）」を教師ラベルとしてデータＤｘに付与する。図４の例では、データＤ２，Ｄ４に、教師ラベルとしてＮＧラベルが付与される。

【0062】

また、データＤｘにドレンパン６４の所定の領域が写っている場合、作業者は、データＤｘの取得過程が正常であること（データＤｘが第２状態であること）を示す「ＯＫラベル（第２状態ラベル）」を教師ラベルとしてデータＤｘに付与する。図４の例では、データＤ１，Ｄ３に、教師ラベルとしてＯＫラベルが付与される。

【0063】

以下、ＯＫラベルが教師ラベルとして付与されたデータＤｘ（データＤ１，Ｄ３）を、第１訓練データＴＤ１と称し、ＮＧラベルが教師ラベルとして付与されたデータＤｘ（データＤ２，Ｄ４）を、第２訓練データＴＤ２と称する。訓練データＴＤｘは、第１訓練データＴＤ１と、第２訓練データＴＤ２とを含む。生成された訓練データＴＤｘは、記憶部３２に格納される。以上により、訓練データ取得ステップＳ１１が終了する。

【0064】

なお、本実施形態では、学習装置３０においてデータＤｘに教師ラベルを付与して訓練データＴＤｘを生成するが、本開示の実施はこれに限定されない。例えば、訓練データＴＤｘは別の装置により生成された後、ネットワークＮ１を介して記憶部３２にダウンロードされてもよい。

【0065】

次に、学習装置３０の制御部３１は、第１学習モデル作成ステップＳ１２を実行する。制御部３１は、複数の第１訓練データＴＤ１（Ｄ１，Ｄ３）及び複数の第２訓練データＴＤ２（Ｄ２，Ｄ４）を訓練データＴＤｘとして用いて、データＤｘと、ＮＧラベル及びＯＫラベルと、の対応を学習した第１学習モデルＬＭ１１を作成する。

【0066】

第１学習モデルＬＭ１１は、例えば畳み込みニューラルネットワーク（ＣＮＮ：Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）等の深層ニューラルネットワーク（ＤＮＮ：Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）である。但し、第１学習モデルＬＭ１１の構造は特に限定されず、教師あり学習により、データＤｘとラベルとの対応を学習可能なモデルであればよい。作成された第１学習モデルＬＭ１１は、記憶部３２に格納される。以上により、第１学習モデル作成ステップＳ１２が終了する。

【0067】

なお、上記の例では、簡単のため計４個の訓練データＴＤｘ（Ｄ１～Ｄ４）に基づいて第１学習モデルＬＭ１１を作成するが、実際にはより多い個数の訓練データＴＤｘに基づいて作成する。例えば、１００個の第１訓練データＴＤ１と、１００個の第２訓練データＴＤ２と（すなわち、２００個の訓練データＴＤｘ）に基づいて、第１学習モデルＬＭ１１を作成してもよい。この場合、複数の訓練データＴＤｘを役割ごとに分割して用いてもよい。

【0068】

例えば１４０個の訓練データＴＤｘにより第１学習モデルＬＭ１１の候補となる候補モデルを複数作成し、残りの６０個の訓練データＴＤｘにより複数の候補モデルを評価して、最も精度よく推定できる候補モデルを第１学習モデルＬＭ１１として選んでもよい。この場合、当該残りの６０個の訓練データＴＤｘは、第１学習モデルＬＭ１１を作成するための学習には用いられない、いわゆるバリデーションデータ（ｖａｌｉｄａｔｉｏｎ ｄａｔａ）である。

【0069】

また、当該残りの６０個の訓練データＴＤｘをさらに分割し、５０個を上記のバリデーションデータとして用い、残りの１０個の訓練データＴＤｘにより第１学習モデルＬＭ１１を評価することで、第１学習モデルＬＭ１１の推定性能を検証してもよい。この場合、当該残りの１０個の訓練データＴＤｘは、いわゆるテストデータ（ｔｅｓｔ ｄａｔａ）である。このように、訓練データＴＤｘには、実際に学習に用いられるデータの他、バリデーションデータ及びテストデータが含まれていてもよい。

【0070】

次に、学習装置３０の制御部３１は、評価ステップＳ１３を実行する。評価ステップＳ１３において、制御部３１は、教師ラベルが付与されたデータＤｘを用いて、第１学習モデルＬＭ１１が正確にラベルを推定できるか否かを評価する。はじめに、制御部３１は、教師ラベルが付与されたデータＤｘ（データＤ１～Ｄ４）を評価データＥＤｘ（評価データＥＤ１～ＥＤ４）として取得する。本実施形態では、評価データＥＤｘは、第１学習モデルＬＭ１１を作成した際に用いた訓練データＴＤｘと同じ内容である。しかしながら、評価データＥＤｘに、第１学習モデルＬ１１を作成した際に訓練データＴＤｘとして用いられなかったデータＤｘが含まれていてもよい。例えば、制御部３１は、教師ラベルが付与されたデータＤ５を評価データＥＤ５として取得してもよい。

【0071】

次に、制御部３１は、第１学習モデルＬＭ１１により、評価データＥＤｘに対応するラベルを推定する。評価データＥＤｘには既に教師ラベル（正しいラベル）が付与されているが、制御部３１は当該教師ラベルを無視して、第１学習モデルＬＭ１１によりラベルを推定する。

【0072】

第１学習モデルＬＭ１１により推定を行うと、例えば、評価データＥＤ１に対応するラベルとしてＯＫラベルの確度が８０％、ＮＧラベルの確度が２０％というように、評価データＥＤｘに対応する各ラベルの確度が出力される。

【0073】

最後に、制御部３１は、評価データＥＤｘのうち、第１学習モデルＬＭ１１の推定による確度が最も高いラベルと、付与された教師ラベルと、の種類が異なる評価データＥＤｘをエラーデータＥＲｘとして抽出する。

【0074】

例えば、第１学習モデルＬＭ１１により、評価データＥＤ１に対応するラベルとしてＯＫラベルの確度が８０％、ＮＧラベルの確度が２０％と出力された場合、評価データＥＤ１と対応する最も高い確度のラベルはＯＫラベルとなる。評価データＥＤ１（データＤ１）に付与された教師ラベルはＯＫラベルなので、最も確度の高いラベルと教師ラベルとの種類が同じとなる。このため、第１学習モデルＬＭ１１は正しく推定できている。この場合、評価データＥＤ１はエラーデータＥＲｘとして抽出されない。

【0075】

また、第１学習モデルＬ１１の推定の結果、評価データＥＤ２と対応する最も高い確度のラベルがＮＧラベルとなる場合、評価データＥＤ２（データＤ２）に付与された教師ラベルはＮＧラベルなので、第１学習モデルＬＭ１１は正しく推定できている。この場合、評価データＥＤ２はエラーデータＥＲｘとして抽出されない。

【0076】

一方、第１学習モデルＬ１１の推定の結果、評価データＥＤ３と対応する最も高い確度のラベルがＮＧラベルとなる場合、評価データＥＤ３（データＤ３）に付与された教師ラベルはＯＫラベルなので、最も確度の高いラベルと教師ラベルとの種類が異なる。このため、第１学習モデルＬＭ１１の推定には誤りがある。この場合、評価データＥＤ３はエラーデータＥＲ３として抽出される。

【0077】

また、第１学習モデルＬ１１の推定の結果、評価データＥＤ４と対応する最も高い確度のラベルがＯＫラベルとなる場合、評価データＥＤ４（データＤ４）に付与された教師ラベルはＮＧラベルなので、最も確度の高いラベルと教師ラベルとの種類が異なる。このため、第１学習モデルＬＭ１１の推定には誤りがある。この場合、評価データＥＤ４はエラーデータＥＲ４として抽出される。以上により、評価ステップＳ１３が終了する。

【0078】

次に、学習装置３０の制御部３１は、ラベル付与ステップＳ１４を実行する。制御部３１は、抽出されたエラーデータＥＲｘに、第１学習モデルＬ１１が推定を間違えたことを示すエラーラベルを付与する。上記の例では、データＤ３，Ｄ４にエラーラベルが付与され、データＤ１，Ｄ２にはエラーラベルが付与されない。エラーラベルが付与されたデータＤｘは、記憶部３２に格納される。この結果、図４の最下行に示すように、データＤ１にはＯＫラベルが、データＤ２にはＮＧラベルが、データＤ３にはエラーラベルが、データＤ４にはエラーラベルが、それぞれ付与された状態となる。

【0079】

本実施形態では、制御部３１は、評価データＥＤｘにエラーラベルを付与する際、評価データＥＤｘに既に付与されている教師ラベルをエラーラベルで上書きする。例えば、評価データＥＤ３には教師ラベルとしてＯＫラベルが付与されているが、制御部３１は、評価データＥＤ３のＯＫラベルを消去したうえで、評価データＥＤ３にエラーラベルを付与する。この結果、評価データＥＤ３にはエラーラベルのみが付与されている状態となる。

【0080】

なお、制御部３１は、評価データＥＤｘに既に付与されている教師ラベルを消去せず、エラーラベルを別途付与してもよい。この場合、評価データＥＤｘには教師ラベルとエラーラベルとが併存する状態となる。

【0081】

最後に、学習装置３０の制御部３１は、第２学習モデル作成ステップＳ１５を実行する。制御部３１は、エラーラベルが付与されたエラーデータＥＲｘと、エラーラベルが付与されていない第１訓練データＴＤ１及び第２訓練データＴＤ２と、を訓練データＴＤｘとして用いて、データＤｘと、ＮＧラベル、ＯＫラベル及びエラーラベルと、の対応を学習した第２学習モデルＬＭ１２を作成する。上記の例では、エラーラベルが付与されたデータＤ３，Ｄ４（エラーデータＥＲ３，ＥＲ４）と、エラーラベルが付与されておらず、ＯＫラベルが付与されたデータＤ１（第１訓練データＴＤ１）と、エラーラベルが付与されておらず、ＮＧラベルが付与されたデータＤ２（第２訓練データＴＤ２）と、を訓練データＴＤｘとして用いて学習する。

【0082】

第２学習モデルＬＭ１２は、第１学習モデルＬＭ１１と同じモデル構造である。作成された第２学習モデルＬＭ１２は、記憶部３２に格納されるとともに、第１推定装置４０の記憶部４２にも格納される。以上により、第２学習モデル作成ステップＳ１５が終了する。

【0083】

以上では、学習装置３０が第２学習モデルＬＭ１２を作成する学習処理を説明した。本実施形態の学習装置３０は、第２学習モデルＬＭ１２のほか、第２学習モデルＬＭ２２も作成する。第２学習モデルＬＭ１２は、第１推定装置４０の推定に用いられ、第２学習モデルＬＭ２２は第２推定装置５０の推定に用いられる。第２学習モデルＬＭ２２の作成は、第２学習モデルＬＭ１２と同様の手順により実行される。以下、第２学習モデルＬＭ１２と第２学習モデルＬＭ２２は、ラベルが示す内容が相違し、その他の点は共通する。

【0084】

第２学習モデルＬＭ２２に用いるラベルは、データＤｘの内容が異常であることを示すＮＧラベルと、データＤｘの内容が正常であることを示すＯＫラベルと、第１学習モデルＬＭ２１が推定を間違えたことを示すエラーラベルである。

【0085】

例えば、訓練データ取得ステップＳ１１において、データＤｘに写っているドレンパン６４の汚れが所定の程度以上である場合、作業者は、データＤｘの内容が異常であること（データＤｘが第１状態であること）を示す「ＮＧラベル（第１状態ラベル）」を教師ラベルとしてデータＤｘに付与する。また、データＤｘに写っているドレンパン６４の汚れが所定の程度未満である場合、作業者は、データＤｘの内容が正常であること（データＤｘが第２状態であること）を示す「ＯＫラベル（第２状態ラベル）」を教師ラベルとしてデータＤｘに付与する。

【0086】

制御部３１は、ＮＧラベルが付与された第１訓練データＴＤ１と、ＯＫラベルが付与された第２訓練データＴＤ２とを訓練データＴＤｘとして用い、データＤｘと、ＮＧラベル及びＯＫラベルとの対応を学習した第１学習モデルＬＭ２１を作成する（第１学習モデル作成ステップＳ１２）。そして、制御部３１は、上記と同様に、以降のステップＳ１３～Ｓ１５を実行し、第２学習モデルＬＭ２２を作成する。作成された第２学習モデルＬＭ２２は記憶部３２に格納されるとともに、第２推定装置５０の記憶部５２にも格納される。

【0087】

［第１及び第２学習モデルについて］
ここで、第１学習モデルＬＭ１１と第２学習モデルＬＭ１２について説明する。第１学習モデルＬＭ１１は、データＤｘと、データＤｘの状態を示すＯＫラベル及びＮＧラベルとの対応を学習した学習モデルである。第１学習モデルＬＭ１１を用いて、データＤｘについて推定を行うと、ＯＫラベルの確度と、ＮＧラベルの確度とが出力される。

【0088】

しかしながら、第１学習モデルＬＭ１１の推定結果には、誤りが含まれている場合がある。例えば、訓練データＴＤｘとは異なる傾向を有するデータＤｘが入力された場合、推定結果に誤りが生じやすい。従来、ＡＩが判断を誤った画像に正しいラベルを付与して再学習させる技術が知られているが、当該技術によって必ずしもＡＩの推定の精度が向上するわけではない。また、ＡＩが判断を誤りやすいデータＤｘを網羅的に学習させることは困難である。

【0089】

そこで、本実施形態では、データＤｘの状態を示す状態ラベル（ＯＫラベル、ＮＧラベル）の他に、第１学習モデルＬＭ１１が推定を間違えたことを示すエラーラベルを用いる。そして、制御部３１は、第１学習モデルＬＭ１１が推定を誤ったデータＤｘ（エラーデータＥＲｘ）にエラーラベルを付与し、ＯＫラベル、ＮＧラベル又はエラーラベルが付与されたデータＤｘを新たな訓練データＴＤｘとして、再学習を行い、第２学習モデルＬＭ１２を作成する。

【0090】

第２学習モデルＬＭ１２によれば、データＤｘについて、「データＤｘの取得過程が正常である（ＯＫラベル）」か、「データＤｘの取得過程が異常である（ＮＧラベル）」か、「ＯＫかＮＧか分からない（エラーラベル）」か、を推定することができる。従来の学習モデルには、エラーラベルが用意されていないため、「どのラベルを付与すべきか分からない」データＤｘについても、学習モデルが低い精度でラベルの推定を行っていた。この結果、学習モデルの推定に誤りが生じていた。

【0091】

これに対し、第２学習モデルＬＭ１２には、エラーラベルという、いわば学習モデルの「逃げ場」を用意し、推定を誤りやすいデータＤｘについてはエラーラベルの確度を高く出力させる。この結果、ＯＫラベル及びＮＧラベルの確度が高く出力されるデータＤｘの精度を上げることができる。

【0092】

［第１推定処理］
図５は、第１推定装置４０が実行する第１推定処理の手順を示すフローチャートである。第１推定装置４０は、第２学習モデルＬＭ１２を用いて、データＤｘが正しく取得されたか否かを推定する。

【0093】

第１推定装置４０の制御部４１は、定期的に（例えば、１週間に１回）第１推定処理を行う。なお、制御部４１は、入力部２２を介して作業者から第１推定処理の実行指示を受け付けた際に第１推定処理を行ってもよい。制御部４１は、はじめに、空気調和装置１０のデータ取得部１１に動作指令を行い、データ取得部１１に推定対象となるデータＤｘを取得させる（データ取得ステップＳ２１）。取得されたデータＤｘは、記憶部４２に格納される。

【0094】

以下、第１推定装置４０及び第２推定装置５０による推定対象となるデータＤｘを、「対象データＤｘ」と称する。訓練データＴＤｘと異なり、対象データＤｘには教師ラベルは付与されず、第１推定装置４０及び第２推定装置５０によりラベルが推定される。

【0095】

次に、制御部４１は、第２学習モデルＬＭ１２に、対象データＤｘを入力することで、当該対象データＤｘについてのＮＧラベルの確度、ＯＫラベルの確度、及びエラーラベルの確度を出力する（推定ステップＳ２２）。

【0096】

続いて、制御部４１は、出力されたＮＧラベルの確度、ＯＫラベルの確度、及びエラーラベルの確度に基づいて、対象データＤｘが「正しく取得できていない状態（第１状態）」か、「正しく取得できている状態（第２状態）」か、「どちらの状態か分からない」かを判定する（判定ステップＳ２３）。

【0097】

具体的には、出力されたエラーラベルの確度が第１所定値（例えば、２０％）を超える場合、たとえＮＧラベルの確度やＯＫラベルの確度がエラーラベルの確度より高い場合（例えば、ＮＧラベルの確度が９０％）であっても、第２学習モデルＬＭ１２による推定に間違いがある可能性が高い。この場合、制御部４１は対象データＤｘが「どちらの状態か分からない」と判定し、報知ステップＳ２４に進む（図５のＳ２３のＥｒｒｏｒのルート）。

【0098】

また、出力されたＮＧラベルの確度及び出力されたＯＫラベルの確度が、いずれも第２所定値（例えば、８０％）未満となる場合、たとえエラーラベルの確度が第１所定値以下であっても、第２学習モデルＬＭ１２による推定に間違いがある可能性が高い。この場合も、制御部４１は対象データＤｘが「どちらの状態か分からない」と判定し、報知ステップＳ２４に進む（図５のＳ２３のＥｒｒｏｒのルート）。

【0099】

また、出力されたＮＧラベルの確度及び出力されたＯＫラベルの確度が、いずれも第２所定値（例えば、８０％）以上となる場合、たとえエラーラベルの確度が第１所定値以下であっても、第２学習モデルＬＭ１２による推定に間違いがある可能性が高い。本来であればＮＧラベルとＯＫラベルは共存しないはずなのに、対象データＤｘについてＮＧラベル及びＯＫラベルの両方の確度を高く出力している点で、何らかの推定間違いが予測される。この場合も、制御部４１は対象データＤｘが「どちらの状態か分からない」と判定し、報知ステップＳ２４に進む（図５のＳ２３のＥｒｒｏｒのルート）。

【0100】

出力されたエラーラベルの確度が第１所定値以下であり、出力されたＯＫラベルの確度が第２所定値未満であり、かつ出力されたＮＧラベルの確度が第２所定値以上となる場合、第２学習モデルＬＭ１２による推定が正しい可能性が高い。この場合、制御部４１は対象データＤｘが「正しく取得できていない状態」であると判定し、データ取得ステップＳ２１に進む（図５のＳ２３のＮＧのルート）。その後、制御部４１は再度データ取得部１１に動作指令を行い、対象データＤｘを再度取得して、新しく取得された対象データＤｘに基づいて推定ステップＳ２２及び判定ステップＳ２３を行う。

【0101】

出力されたエラーラベルの確度が第１所定値以下であり、出力されたＮＧラベルの確度が第２所定値未満であり、かつ出力されたＯＫラベルの確度が第２所定値以上となる場合、第２学習モデルＬＭ１２による推定が正しい可能性が高い。この場合、制御部４１は取得された対象データＤｘが「正しく取得できている状態」であると判定し、送信ステップＳ２６に進む（図５のＳ２３のＯＫのルート）。

【0102】

送信ステップＳ２６が実行されると、制御部４１は、対象データＤｘを第２推定装置５０に送信する。対象データＤｘは、第２推定装置５０の記憶部５２に格納される。

【0103】

判定ステップＳ２３において、制御部４１が対象データＤｘについて「どちらの状態か分からない」と判定すると、報知ステップＳ２４が実行される。報知ステップＳ２４において、制御部４１は、対象データＤｘに関する情報を表示部２３に表示させることで、当該情報を作業者に報知する。

【0104】

例えば、対象データＤｘが画像の場合、制御部４１はディスプレイに当該画像を表示させる。また、対象データＤｘが音データの場合、制御部４１はスピーカで当該音データを再生させてもよいし、当該音データを示すグラフ（例えば、横軸が時間、縦軸が周波数や音圧）をディスプレイに表示させてもよい。表示部２３には、対象データＤｘがそのまま数値等として表示されてもよいし、対象データＤｘについて所定の解析・変換を行った後、グラフ等の情報として表示されてもよい。

【0105】

このように、制御部４１は、対象データＤｘに関する情報を作業者に報知する「報知部」としても機能する。報知部（制御部４１）は、対象データＤｘに関する情報を作業者に報知する場合、例えば上記のように、ディスプレイ又はスピーカを含む表示部２３に対象データＤｘに関する情報を表示させる。

【0106】

なお、報知部（制御部４１）は、作業者が確認可能な端末に対象データＤｘに関する情報を含む電子メールを送信してもよい。端末としては、例えば、作業者が業務上使用するコンピュータ装置やタブレット端末が挙げられる。電子メールには、例えば、対象データＤｘに関する情報にアクセスするためのＵＲＬが記載されている。なお、電子メールには、対象データＤｘに関する情報がテキストデータとして記載されていてもよいし、対象データＤｘに関する情報（例えば、画像データ又は音声データ）が添付されていてもよい。

【0107】

また、報知ステップＳ２４が実行されると、制御部４１は、入力部２２を介して、対象データＤｘの状態が「正しく取得できていない状態」であるか「正しく取得できている状態」であるかの判断に関する作業者からの入力を受け付ける。

【0108】

作業者は、表示部２３に表示された対象データＤｘを目視等により確認して（又は、送信された電子メールを確認して）、入力部２２に当該判断に関する入力を行う（確認ステップＳ２５）。例えば、表示部２３にＮＧボタンとＯＫボタンが表示されている場合、作業者は、目視により確認した対象データＤｘが「正しく取得できていない状態」であると判断すると、入力部２２を用いてＮＧボタンを選択する。

【0109】

入力部２２が、作業者から対象データＤｘの状態が「正しく取得できていない状態」であるとの判断に関する入力を受け付けると、データ取得ステップＳ２１に進む（図５のＳ２５のＮＧのルート）。

【0110】

入力部２２が、作業者から対象データＤｘの状態が「正しく取得できている状態」であるとの判断に関する入力を受け付けると、送信ステップＳ２６に進む（図５のＳ２５のＯＫのルート）。以上により、第１推定処理が終了する。

【0111】

［第１推定処理の作用効果］
ここで、ＡＩにデータの異常診断をさせる目的としては、人の作業負担を軽減する事が挙げられる。例えば、はじめにＡＩが判断し（１次判断）、その後、ＡＩが異常と判断したデータを人が判断する（２次判断）等、１次判断においてＡＩが異常と正常とを振り分けることで、２次判断の際の人の作業負担を軽減することができる。

【0112】

しかしながら、ＡＩの推定精度を向上させても、すべてのデータに対し正しい判断を下すことは困難であり、ＡＩの１次判断には少なからず誤りが生じうる。このため、従来は、ＡＩが判断したデータも含め、すべてのデータを人が判断する結果となりやすく、従来のＡＩでは、人の作業負担を効率的に軽減できていなかった。

【0113】

これに対し、本実施形態に係る第１推定処理では、第２学習モデルＬＭ１２による推定結果に基づいて、はじめに制御部４１が対象データＤｘについて「第１状態」、「第２状態」又は「いずれの状態か分からない」のいずれに該当するかを判定する（１次判断）。従来と異なり、制御部４１には「いずれの状態か分からない」という選択肢が与えられる。「いずれの状態か分からない」と判定された対象データＤｘについては、確認ステップＳ２５により作業者に判断させる（２次判断）。

【0114】

上記のように、第２学習モデルＬＭ１２を用いることで、制御部４１が判断を誤る傾向が高い対象データＤｘにはエラーラベルを付与することができるため、ＮＧラベル及びＯＫラベルが付与された対象データＤｘについての信憑性が向上する。この結果、作業者がＮＧラベル及びＯＫラベルが付与された対象データＤｘを再確認する作業を省略することができ、作業者の作業負担を軽減することができる。

【0115】

［第２推定処理］
図６は、第２推定装置５０が実行する第２推定処理の手順を示すフローチャートである。第２推定装置５０は、第２学習モデルＬＭ２２を用いて、対象データＤｘの内容に異常があるか否かを推定する。

【0116】

送信ステップＳ２６により第１推定装置４０から第２推定装置５０に対象データＤｘが送信されると、第２推定装置５０の制御部５１は第２推定処理を実行する。第２推定装置５０の記憶部５２には、第１推定装置４０により「正しく取得できている状態」と判定された対象データＤｘが格納されている。

【0117】

制御部５１は、はじめに、第２学習モデルＬＭ２２に、記憶部５２の対象データＤｘを入力することで、当該対象データＤｘについてのＮＧラベルの確度、ＯＫラベルの確度、及びエラーラベルの確度を出力する（推定ステップＳ３１）。

【0118】

続いて、制御部５１は、出力されたＮＧラベルの確度、ＯＫラベルの確度、及びエラーラベルの確度に基づいて、「対象データＤｘの内容に異常がある状態（第１状態）」か、「対象データＤｘの内容に異常がない状態（第２状態）」か、「どちらの状態か分からない」かを判定する（判定ステップＳ３２）。

【0119】

具体的には、上記の判定ステップＳ２３と同様に、以下の（ｉ）～（ｉｉｉ）のいずれかに該当する場合、制御部５１は対象データＤｘが「どちらの状態か分からない」と判定し、報知ステップＳ３３に進む（図６のＳ３２のＥｒｒｏｒのルート）。

【0120】

（ｉ）出力されたエラーラベルの確度が第１所定値を超える場合
（ｉｉ）出力されたＮＧラベルの確度及び出力されたＯＫラベルの確度が、いずれも第２所定値未満となる場合
（ｉｉｉ）出力されたＮＧラベルの確度及び出力されたＯＫラベルの確度が、いずれも第２所定値以上となる場合

【0121】

出力されたエラーラベルの確度が第１所定値以下であり、出力されたＯＫラベルの確度が第２所定値未満であり、かつ出力されたＮＧラベルの確度が第２所定値以上となる場合、制御部５１は「対象データＤｘの内容に異常がある状態」であると判定し、異常報知ステップＳ３５に進む（図６のＳ３２のＮＧのルート）。その後、制御部５１は表示部２３に当該対象データＤｘに関する情報を表示させ、対象データＤｘの内容に異常があることを作業者に報知する（異常報知ステップＳ３５）。作業者は、当該報知に基づいて、空気調和装置１０の保守作業を計画する。

【0122】

出力されたエラーラベルの確度が第１所定値以下であり、出力されたＮＧラベルの確度が第２所定値未満であり、かつ出力されたＯＫラベルの確度が第２所定値以上となる場合、制御部５１は「対象データＤｘの内容に異常がない状態」であると判定し、異常報知ステップＳ３５を行うことなく、第２推定処理を終了する（図６のＳ３２のＯＫのルート）。

【0123】

判定ステップＳ３２において、制御部５１が対象データＤｘについて「どちらの状態か分からない」と判定すると、報知ステップＳ３３が実行される。報知ステップＳ３３において、制御部５１は、対象データＤｘに関する情報を表示部２３に表示させることで、当該情報を作業者に報知する。このように、制御部５１は、対象データＤｘに関する情報を作業者に報知する「報知部」としても機能する。

【0124】

また、報知ステップＳ３３が実行されると、制御部５１は、入力部２２を介して、「対象データＤｘの内容に異常がある」か「対象データＤｘの内容に異常がない」かの判断に関する作業者からの入力を受け付ける。

【0125】

作業者は、表示部２３に表示された対象データＤｘを目視等により確認して、入力部２２に当該判断に関する入力を行う（確認ステップＳ３４）。例えば、表示部２３にＮＧボタンとＯＫボタンが表示されている場合、作業者は、目視により確認した対象データＤｘについて、「対象データＤｘの内容に異常がある」と判断すると、入力部２２を用いてＮＧボタンを選択する。

【0126】

入力部２２が、作業者から「対象データＤｘの内容に異常がある」との判断に関する入力を受け付けると、異常報知ステップＳ３５に進む（図６のＳ３４のＮＧのルート）。入力部２２が、作業者から「対象データＤｘの内容に異常がない」との判断に関する入力を受け付けると、制御部５１は異常報知ステップＳ３５を行うことなく、第２推定処理を終了する（図６のＳ３４のＯＫのルート）。

【0127】

上記のように、第２学習モデルＬＭ２２を用いることで、制御部５１が判断を誤る傾向が高い対象データＤｘにはエラーラベルを付与することができるため、ＮＧラベル及びＯＫラベルが付与された対象データＤｘについての信憑性が向上する。この結果、作業者がＮＧラベル及びＯＫラベルが付与された対象データＤｘを再確認する作業を省略することができ、作業者の作業負担を軽減することができる。

【0128】

また、第２推定装置５０では、第１推定装置４０により正しく取得されたと判断された対象データＤｘのみについて、対象データＤｘの内容に異常があるか否かの推定を行う。このため、第２推定装置５０が、正しく取得できていない（例えば、ドレンパン６４がミストの影響で正しく写っていない）対象データＤｘについて、実際には対象データＤｘの内容に異常がないのに「対象データＤｘの内容に異常がある」と誤って判断することを抑制することができる。この結果、異常であると誤って判断される対象データＤｘの数を低減させることができるため、作業者の作業負担を軽減することができる。

【0129】

［変形例］
本開示は上記の実施形態に限定されるものではなく、種々の変更が可能である。

【0130】

［ラベル付与ステップの変形例］
図７は、データに付与するラベルの変形例を説明する表である。上記の実施形態の制御部３１は、図４に示すように、ラベル付与ステップＳ１４において、ＯＫラベルを付与すべきであるのに第１学習モデルＬＭ１１が誤ってＮＧラベルの確度を最も高く推定したデータＤ３（エラーデータＥＲ３）と、ＮＧラベルを付与すべきであるのに第１学習モデルＬＭ１１が誤ってＯＫラベルの確度を最も高く推定したデータＤ４（エラーデータＥＲ４）とに、エラーラベルを付与する。

【0131】

ここで、ＮＧラベルを付与すべきであるのに誤ってＯＫラベルの確度を最も高く推定することは、「異常の看過」であり、このような現象は、ゼロにすべきである。これに対し、ＯＫラベルを付与すべきであるのに誤ってＮＧラベルの確度を最も高く推定することは、「異常の誤検出」であり、上記の「異常の看過」をゼロにするために、この「異常の誤検出」が多少生じることは、許容される。

【0132】

このように、許容できる推定誤りがある場合、許容可能な誤り方にエラーラベルを付与せず、許容されない誤り方にのみエラーラベルを付与することで、これらの両方にエラーラベルを付与する場合と比べ、エラーラベルを付与するデータＤｘの傾向を揃えることができる。これにより、エラーラベルを推定する精度がより高い第２学習モデルＬＭ１２，ＬＭ２２を作成することができる。

【0133】

具体的には、ラベル付与ステップＳ１４において、制御部３１は、ＯＫラベルを付与すべきであるのに第１学習モデルＬＭ１１が誤ってＮＧラベルの確度を最も高く推定したデータＤ３（エラーデータＥＲ３）にエラーラベルを付与せず、ＮＧラベルを付与すべきであるのに第１学習モデルＬＭ１１が誤ってＯＫラベルの確度を最も高く推定したデータＤ４（エラーデータＥＲ４）にエラーラベルを付与する。

【0134】

［判定ステップの変形例］
上記の実施形態において、制御部４１は、（ｉ）エラーラベルの確度が第１所定値を超える場合、（ｉｉ）ＮＧラベル及びＯＫラベルの確度がいずれも第２所定値未満となる場合、又は（ｉｉｉ）ＮＧラベル及びＯＫラベルの確度がいずれも第２所定値以上となる場合に、対象データＤｘが「どちらの状態か分からない」と判定し、報知ステップＳ２４に進む。しかしながら、対象データＤｘが「どちらの状態か分からない」と判定した場合、作業者の判断を仰ぐことなく、データ取得ステップＳ２１に進み、対象データＤｘを再取得してもよい（図５のＳ２３のＮＧのルート）。このように構成することで、確認ステップＳ２５における作業者の負担を軽減することができる。

【0135】

また、繰り返し対象データＤｘを取得しても判定ステップＳ２３で「正しく取得できている」（図５のＳ２３のＯＫのルート）という判定とならない場合、データ取得部１１に何らかの異常が生じている可能性が高い。例えば、カメラ１２のレンズに汚れが付着している場合、何度撮像しても制御部４１が対象データＤｘに対してＮＧラベルの確度を最も高く推定する結果となりえる。この場合、作業者による対象データＤｘの確認が必要となる。

【0136】

このため、所定回数を超えて（例えば、３回を超えて）判定ステップＳ２３が繰り返された場合に、所定回数＋１回目（例えば、４回目）の判定ステップＳ２３では、対象データＤｘについてどのように推定されようとも強制的に報知ステップＳ２４に進み、対象データＤｘについて作業者に確認されるようにしてもよい。

【0137】

［ラベルの変形例］
上記の実施形態において、データＤｘに付与されるラベルは「ＮＧラベル（第１状態ラベル）」「ＯＫラベル（第２状態ラベル）」「エラーラベル」の３種類である。しかしながら、本開示のラベルの種類はこれに限られず、例えばＮＧラベルが細分化されてもよい。例えば、ＮＧラベルとして、「第１ＮＧラベル（例えば、ドレンパン６４がミストにより写っていない）」「第２ＮＧラベル（例えば、ドレンパン６４が光量不足により写っていない）」等、複数のＮＧラベルを用意してもよい。このようにラベルを細分化することで、同じラベルが付与されるデータＤｘの傾向を揃えることができ、当該ラベルを推定する精度を向上させることができる。

【0138】

［監視システムの変形例］
上記の実施形態において、監視システム１００は、第１推定装置４０及び第２推定装置５０を備える。しかしながら、監視システム１００は、第１推定装置４０又は第２推定装置５０を備えていなくてもよい。例えば、監視システム１００は、第１推定装置４０を備えず、すべての対象データＤｘについて第２推定装置５０により異常判断を行ってもよい。また、監視システム１００は、第２推定装置５０を備えず、対象データＤｘについて第１推定装置４０により正しく取得されているか否かの判断を行った後、「正しく取得されている」と判断された対象データＤｘについては、作業者が目視等により確認することで異常判断を行ってもよい。

【0139】

上記の実施形態において、第１推定装置４０及び第２推定装置５０は、監視装置２０に設けられている。しかしながら、第１推定装置４０及び第２推定装置５０は、空気調和装置１０に設けられていてもよい。例えば、空気調和装置１０に内蔵されている制御部１５において、上記の第１推定処理及び第２推定処理を行ってもよい。この場合、空気調和装置１０において異常の判定を行った後、判定結果をネットワークＮ１を介して監視装置２０に送信してもよい。このように構成することで、第１推定処理及び第２推定処理を個々の空気調和装置１０に搭載されたＣＰＵ等の演算装置を利用して行うことができるため、複数の空気調和装置１０を監視する監視装置２０の処理負担を軽減することができる。

【0140】

また、第１推定装置４０及び第２推定装置５０は、監視装置２０及び空気調和装置１０とは別の装置として設けられていてもよい。この場合、空気調和装置１０において取得された対象データＤｘはネットワークＮ１を介して第１推定装置４０及び第２推定装置５０に送信され、第１推定装置４０及び第２推定装置５０における判定結果はネットワークＮ１を介して監視装置２０に送信されてもよい。

【0141】

［その他の変形例］
上記の各実施形態及び変形例については、その少なくとも一部を、相互に任意に組み合わせてもよい。

【0142】

［実施形態の作用効果］
（１）上記の実施形態及び変形例の学習装置３０は、制御部３１を備え、データとラベルとの対応を教師ラベルが付与された訓練データにより学習する学習装置３０であって、制御部３１は、データＤｘが第１状態であることを示す第１状態ラベル（ＮＧラベル）が教師ラベルとして付与された第１訓練データＴＤ１と、データＤｘが第１状態とは異なる第２状態であることを示す第２状態ラベル（ＯＫラベル）が教師ラベルとして付与された第２訓練データＴＤ２と、を訓練データＴＤｘとして用いて、データＤｘと第１状態ラベル（ＮＧラベル）及び第２状態ラベル（ＯＫラベル）との対応を学習した第１学習モデルＬＭ１１，ＬＭ２１を作成し、第１訓練データＴＤ１と第２訓練データＴＤ２とを評価データＥＤｘとして用いて、第１学習モデルＬＭ１１，ＬＭ２１により評価データＥＤｘに対応するラベルを推定し、評価データＥＤｘのうち、第１学習モデルＬＭ１１，ＬＭ２１の推定による確度が最も高いラベルと、付与された教師ラベルと、の種類が異なるエラーデータＥＲｘに、第１学習モデルＬＭ１１，ＬＭ２１が推定を間違えたことを示すエラーラベルを付与し、エラーラベルが付与されたエラーデータＥＲｘと、エラーラベルが付与されていない第１訓練データＴＤ１及び第２訓練データＴＤ２と、を訓練データＴＤｘとして用いて、データＤｘと第１状態ラベル（ＮＧラベル）、第２状態ラベル（ＯＫラベル）及びエラーラベルとの対応を学習した第２学習モデルＬＭ１２，ＬＭ２２を作成する、学習装置３０である。

【0143】

第２学習モデルＬＭ１２，ＬＭ２２は、入力されたデータに対して、データの状態を示す第１状態ラベル及び第２状態ラベルの他に、第１学習モデルが推定を間違えたことを示すエラーラベルを推定することができる。第２学習モデルＬＭ１２，ＬＭ２２を用いることで、ＡＩが判断を誤る傾向が高いデータにはエラーラベルを付与することができるため、第１状態ラベル及び第２状態ラベルが付与されたデータについての信憑性が向上する。この結果、作業者が第１状態ラベル及び第２状態ラベルが付与されたデータを再確認する作業を省略することができ、作業者の作業負担を軽減することができる。

【0144】

（２）上記の変形例の制御部３１は、エラーデータＥＲｘのうち、第１学習モデルＬＭ１１，ＬＭ２１の推定による確度が最も高いラベルが第２状態ラベル（ＯＫラベル）であり、付与された教師ラベルが第１状態ラベル（ＮＧラベル）であるものにエラーラベルを付与し、第１学習モデルＬＭ１１，ＬＭ２１の推定による確度が最も高いラベルが第１状態ラベル（ＮＧラベル）であり、付与された教師ラベルが第２状態ラベル（ＯＫラベル）であるものにはエラーラベルを付与しない。

【0145】

第２状態ラベル（ＯＫラベル）を第１状態ラベル（ＮＧラベル）と推定することが許容可能な間違いである場合、第１学習モデルＬＭ１１，ＬＭ２１による間違え方を「第１状態ラベル（ＮＧラベル）から第２状態ラベル（ＯＫラベル）への間違い」と「第２状態ラベル（ＯＫラベル）から第１状態ラベル（ＮＧラベル）への間違い」に細分化し、許容可能な後者の間違いについてエラーラベルを付与しないこととすることで、エラーラベルを付与するデータＤｘの傾向を揃えることができる。これにより、第２学習モデルＬＭ１２，ＬＭ２２において、エラーラベルを付与する精度を向上させることができる。

【0146】

（３）上記の実施形態及び変形例の第１状態ラベル（ＮＧラベル）は、データＤｘの内容、又はデータＤｘの取得過程が異常であることを示すラベルであり、第２状態ラベル（ＯＫラベル）は、データＤｘの内容、又はデータＤｘの取得過程が正常であることを示すラベルである。

【0147】

データＤｘ自体、又はデータＤｘの取得過程が異常であるのに、それを正常であると推定することは、許容できない。これに対し、データＤｘ自体、又はデータＤｘの取得過程が正常であるのに、それを異常であると推定することは、比較的許容可能な間違いである。このため、後者の許容可能な間違いについてエラーラベルを付与しないこととすることで、エラーラベルを付与するデータＤｘの傾向を前者の間違いに揃えることができる。これにより、第２学習モデルＬＭ１２，ＬＭ２２において、エラーラベルを付与する精度を向上させることができる。

【0148】

（４）第２制御部４１，５１を備え、推定対象となるデータである対象データＤｘと対応するラベルを推定する推定装置４０，５０であって、第２制御部４１，５１は、上記（１）から（３）のいずれかの学習装置３０が作成した第２学習モデルＬＭ１２，ＬＭ２２に対象データＤｘを入力することで、対象データＤｘについての第１状態ラベル（ＮＧラベル）の確度、第２状態ラベル（ＯＫラベル）の確度及びエラーラベルの確度を出力する。

【0149】

エラーラベルを推定することができる第２学習モデルＬＭ１２，ＬＭ２２を用いて、対象データＤｘを推定することで、対象データＤｘについての第１状態ラベル（ＮＧラベル）の確度及び第２状態ラベル（ＯＫラベル）の確度とともに、対象データＤｘについてのエラーラベルの確度を得ることができる。このため、ＡＩが判断を誤る傾向が高い対象データＤｘはエラーラベルの確度が高くなり、そうでない対象データＤｘは第１状態ラベル（ＮＧラベル）又は第２状態ラベル（ＯＫラベル）の確度が高くなる。この結果、第１状態ラベル（ＮＧラベル）又は第２状態ラベル（ＯＫラベル）の確度が高い対象データＤｘについての信憑性が向上するため、作業者が当該対象データＤｘを再確認する作業を省略することができ、作業者の作業負担をより軽減することができる。

【0150】

（５）上記の実施形態及び変形例の監視システム１００は、対象装置１０から取得される対象データＤｘに基づいて、対象装置１０を監視する監視システムであって、上記（４）の推定装置４０，５０と、第２制御部４１，５１により出力されたエラーラベルの確度が第１所定値を超える場合に、対象データＤｘに関する情報を作業者に報知する報知部と、を備える、監視システム１００である。

【0151】

対象データＤｘに基づいて対象装置１０を監視する際、第２学習モデルＬＭ１２，ＬＭ２２によりエラーラベルの確度が第１所定値を超える対象データＤｘに関する情報が作業者に報知される。このため、作業者は表示された対象データＤｘの確認に注力し、そうでない対象データＤｘ（例えば、エラーラベルの確度が第１所定値未満の対象データＤｘ）を再確認する作業を省略することができる。この結果、作業者の作業負担を軽減することができる。

【0152】

（６）報知部は、第２制御部４０，５０により出力された第１状態ラベル（ＮＧラベル）の確度及び第２状態ラベル（ＯＫラベル）の確度がいずれも第２所定値未満となる場合に、対象データＤｘに関する情報を作業者に報知する。

【0153】

第１状態ラベル及び第２状態ラベルの確度がいずれも第２所定値未満となる場合、エラーラベルの確度が第１所定値未満であるとしても、ＡＩが推定を間違えている可能性が高い。このような対象データＤｘも作業者に報知することで、報知されない対象データＤｘの信憑性を向上させることができる。これにより、報知されない対象データＤｘを再確認する作業を省略することができ、作業者の作業負担を軽減することができる。

【0154】

（７）報知部が対象データＤｘに関する情報を作業者に報知した場合に、作業者から、対象データＤｘの状態が第１状態であるか第２状態であるかの判断に関する入力を受け付ける入力部２２をさらに備える。

【0155】

入力部２２により作業者からの入力を受け付けることで、ＡＩが推定を間違える可能性が高い対象データＤｘの判断を作業者に委ねることができる。これにより、より好適にＡＩと作業者とが作業を分担することができるため、作業者の作業負担を軽減することができる。

【0156】

（８）第１状態は、対象データＤｘが正しく取得できていない状態であり、第２状態は、対象データＤｘが正しく取得できた状態であり、第２制御部４１は、出力された第１状態ラベル（ＮＧラベル）の確度が第３所定値を超える場合、又は、入力部２２が作業者から対象データＤｘの状態が第１状態であるとの判断に関する入力を受け付けた場合に、動作指令を発して対象装置１０から対象データＤｘを取得させる。

【0157】

このように構成することで、対象データＤｘが正しく取得できていない場合に、第２制御部４１が動作指令を発することで対象装置１０から対象データＤｘを再取得させることができる。これにより、より好適な対象データＤｘを取得することができる。

【0158】

（９）前記報知部は、対象データＤｘに関する情報を作業者に報知する場合に、ディスプレイ又はスピーカを含む表示部２３に対象データＤｘに関する情報を表示させ、又は作業者が確認可能な端末に対象データＤｘに関する情報を含む電子メールを送信する。

【0159】

作業者は、表示部２３に画面表示又は音声表示された情報を確認することで、対象データＤｘに関する情報を知ることができる。また、作業者は、端末に電子メールとして送信された情報を確認することで、対象データＤｘに関する情報を知ることができる。このように構成することで、空気調和装置１０が設置された現場へ作業者を移動させることなく、作業者に対象データＤｘに関する情報を知らせることができる。このため、作業者の作業負担を軽減することができる。

【0160】

（１０）対象装置は空気調和装置１０であり、対象データ１１は、カメラ１２により撮像された画像、マイク１３に記録された音及び記憶部１４に記憶された運転データ、の少なくとも１つを含む。

【0161】

このように構成することで、カメラ１２、マイク１３及び記憶部１４の少なくとも１つから得られる対象データＤｘにより空気調和装置１０を遠隔地から監視することができる。

【0162】

（１１）空気調和装置１０は、熱交換器６３の下方に設けられるドレンパン６４を有し、対象データＤｘは、カメラ１２によりドレンパン６４を撮像することで取得される画像を含む。

【0163】

このように構成することで、空気調和装置１０の中でも特に経時的に汚れやすいドレンパン６４を遠隔地から監視することができる。

【0164】

（１２）上記の実施形態及び変形例の学習方法は、データとラベルとの対応を、教師ラベルが付与された訓練データにより学習する学習方法であって、データＤｘが第１状態であることを示す第１状態ラベル（ＮＧラベル）が教師ラベルとして付与された第１訓練データＴＤ１と、データＤｘが第１状態とは異なる第２状態であることを示す第２状態ラベル（ＯＫラベル）が教師ラベルとして付与された第２訓練データＴＤ２と、を訓練データＴＤｘとして用いて、データＤｘと第１状態ラベル（ＮＧラベル）及び第２状態ラベル（ＯＫラベル）との対応を学習した第１学習モデルＬＭ１１，ＬＭ２１を作成する第１学習モデル作成ステップＳ１２と、第１訓練データＴＤ１と第２訓練データＴＤ２とを評価データＥＤｘとして用いて、第１学習モデルＬＭ１１，ＬＭ２１により評価データＥＤｘに対応するラベルを推定する評価ステップＳ１３と、評価データＥＤｘのうち、第１学習モデルＬＭ１１，ＬＭ２１の推定による確度が最も高いラベルと、付与された教師ラベルと、の種類が異なるエラーデータＥＲｘに、第１学習モデルＬＭ１１，ＬＭ２１が推定を間違えたことを示すエラーラベルを付与するラベル付与ステップＳ１４と、エラーラベルが付与されたエラーデータＥＲｘと、エラーラベルが付与されていない第１訓練データＴＤ１及び第２訓練データＴＤ２と、を訓練データＴＤｘとして用いて、データＤｘと第１状態ラベル（ＮＧラベル）、第２状態ラベル（ＯＫラベル）及びエラーラベルとの対応を学習した第２学習モデルＬＭ１２，ＬＭ２２を作成する第２学習モデル作成ステップＳ１５と、を備える、学習方法である。

【0165】

第２学習モデルＬＭ１２，ＬＭ２２は、入力されたデータに対して、データの状態を示す第１状態ラベル及び第２状態ラベルの他に、第１学習モデルが推定を間違えたことを示すエラーラベルを推定することができる。第２学習モデルＬＭ１２，ＬＭ２２を用いることで、ＡＩが判断を誤る傾向が高いデータにはエラーラベルを付与することができるため、第１状態ラベル及び第２状態ラベルが付与されたデータについての信憑性が向上する。この結果、作業者が第１状態ラベル及び第２状態ラベルが付与されたデータを再確認する作業を省略することができ、作業者の作業負担を軽減することができる。

【0166】

以上、実施形態について説明したが、特許請求の範囲の趣旨及び範囲から逸脱することなく、形態や詳細の多様な変更が可能なことが理解されるであろう。

【符号の説明】

【0167】

１００：監視システム、１０：空気調和装置、１１：データ取得部、１２：カメラ、１２ａ：金具、１３：センサ、１４：記憶部、１５：制御部、１６：通信部、２０：監視装置、２１：通信部、２２：入力部、２３：表示部、３０：学習装置、３１：制御部、３２：記憶部、４０：第１推定装置、４１：制御部、４２：記憶部、５０：第２推定装置、５１：制御部、５２：記憶部、６１：室内機、６２：ファン、６３：熱交換器、６４：ドレンパン、６５：ドレンポンプ、６５ａ：吸込管、６５ｂ：排水管、６６：ケーシング、６６ａ：流入口、６６ｂ：流出口、Ｎ１：ネットワーク、ＲＡ１：空気、ＳＡ１：調和空気、ＬＭ１１：第１学習モデル、ＬＭ２１：第１学習モデル、ＬＭ１２：第２学習モデル、ＬＭ２２：第２学習モデル、Ｄｘ：データ、ＴＤｘ：訓練データ、ＴＤ１：第１訓練データ、ＴＤ２：第２訓練データ、ＥＤｘ：評価データ、ＥＲｘ：エラーデータ

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】