(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】2024-11-06
(45)【発行日】2024-11-14
(54)【発明の名称】情報処理装置、情報処理方法およびプログラム
(51)【国際特許分類】
G06N 5/04 20230101AFI20241107BHJP
G06N 20/00 20190101ALI20241107BHJP
G06Q 10/0633 20230101ALI20241107BHJP
【ＦＩ】
G06N5/04
G06N20/00 130
G06Q10/0633
【請求項の数】
8
(21)【出願番号】P 2021064001
(22)【出願日】2021-04-05
(65)【公開番号】P2022159660
(43)【公開日】2022-10-18
【審査請求日】2024-01-11
(73)【特許権者】
【識別番号】000005223
【氏名又は名称】富士通株式会社
(74)【代理人】
【識別番号】110002918
【氏名又は名称】弁理士法人扶桑国際特許事務所
(72)【発明者】
【氏名】鈴木 利光
(72)【発明者】
【氏名】猪又 明大
(72)【発明者】
【氏名】粂 照宜
(72)【発明者】
【氏名】ムノス マニュエル
【審査官】北川 純次
(56)【参考文献】
【文献】特開２０１６－１９２００７（ＪＰ，Ａ）
【文献】特開２０２１－０１８４６６（ＪＰ，Ａ）
【文献】米国特許出願公開第２０１９／０３２４８９３（ＵＳ，Ａ１）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ０６Ｎ ３／００ － ９９／００
Ｇ０６Ｑ １０／０６
(57)【特許請求の範囲】
【請求項1】
パラメータに対する判断条件を示す複数の第１判断ステップにより判断結果を得る判断フローの情報を記憶する記憶部と、複数のパラメータに対する前記判断結果を表す教師データを用いた機械学習に基づいて、前記機械学習により生成される判断モデルに関連する複数の第２判断ステップを取得し、前記複数の第２判断ステップの各々と関連する前記パラメータを特定し、前記判断モデルへの前記パラメータの影響に応じて、前記複数のパラメータから前記パラメータの組を抽出し、抽出した前記パラメータの組に基づいて、前記判断フローに含まれる前記複数の第１判断ステップの一部を変更する処理部と、
を有する情報処理装置。
【請求項2】
前記記憶部は、特定のパラメータを示す情報を記憶し、前記処理部は、前記教師データに含まれるパラメータ群のうち、前記特定のパラメータを前記機械学習に用いないと決定する、
請求項１記載の情報処理装置。
【請求項3】
前記パラメータの組は、前記判断フローに含まれる第１パラメータと、前記判断フローに含まれない第２パラメータとを含み、前記処理部は、
前記第１パラメータに対応する第１判断ステップを前記複数の第１判断ステップから特定し、
特定した前記第１判断ステップに対して、前記第２パラメータに関する判断条件を追加する、
請求項１記載の情報処理装置。
【請求項4】
前記処理部は、前記判断フローに含まれる第３パラメータに対する新たな判断条件を前記複数の第２判断ステップから抽出し、
前記判断フローに含まれる、前記第３パラメータに対する判断条件を、抽出した新たな判断条件に置換する、
請求項１記載の情報処理装置。
【請求項5】
前記処理部は、前記判断フローに含まれない第４パラメータに対する判断条件を前記複数の第２判断ステップから抽出し、
前記判断フローに対して、前記第４パラメータに対する判断条件を示す判断ステップを追加する、
請求項１記載の情報処理装置。
【請求項6】
前記処理部は、前記複数の第１判断ステップの一部を変更した変更後の前記判断フローに含まれる各判断ステップを示すルール情報であって、変更後の前記判断フローで用いられる前記パラメータに対する判断条件が記述された前記ルール情報を生成し、
前記ルール情報に基づいて変更後の前記判断フローを実行することで、新たな入力データに対する新たな前記判断結果を取得する、
請求項１記載の情報処理装置。
【請求項7】
コンピュータが、パラメータに対する判断条件を示す複数の第１判断ステップにより判断結果を得る判断フローの情報を取得し、
複数のパラメータに対する前記判断結果を表す教師データを用いた機械学習に基づいて、前記機械学習により生成される判断モデルに関連する複数の第２判断ステップを取得し、
前記複数の第２判断ステップの各々と関連する前記パラメータを特定し、
前記判断モデルへの前記パラメータの影響に応じて、前記複数のパラメータから前記パラメータの組を抽出し、
抽出した前記パラメータの組に基づいて、前記判断フローに含まれる前記複数の第１判断ステップの一部を変更する、
情報処理方法。
【請求項8】
コンピュータに、パラメータに対する判断条件を示す複数の第１判断ステップにより判断結果を得る判断フローの情報を取得し、
複数のパラメータに対する前記判断結果を表す教師データを用いた機械学習に基づいて、前記機械学習により生成される判断モデルに関連する複数の第２判断ステップを取得し、
前記複数の第２判断ステップの各々と関連する前記パラメータを特定し、
前記判断モデルへの前記パラメータの影響に応じて、前記複数のパラメータから前記パラメータの組を抽出し、
抽出した前記パラメータの組に基づいて、前記判断フローに含まれる前記複数の第１判断ステップの一部を変更する、
処理を実行させるプログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は情報処理装置、情報処理方法およびプログラムに関する。
【背景技術】
【0002】
ガイドラインなどの文書に記載された判断手順に従って判断結果を得る作業が人手により行われることがある。判断手順は、判断手順に含まれる一連の判断ステップを順に繋いだワークフローにより表すことができる。ワークフローはデータ化することが可能であり、情報処理装置によりワークフローに応じた判断処理を実行することができる。
【0003】
例えば、ワークフローを生成するワークフロー生成サーバの提案がある。提案のワークフロー生成サーバは、データベースに対するデータ操作の履歴間の関係性を定量化した値を用いて複数のデータ操作からなるワークフローを生成する。
【0004】
また、ユーザごとの作業が記録されたログデータから、業務の単位となる一案件で、任意のユーザが行う一連の作業間の相関関係を特定し、当該相関関係を基に作業の集合グループを特定することで業務フローの再生、可視化の支援を可能にする装置の提案もある。
【0005】
更に、作業者による実際の作業結果に基づいて業務遂行モデルを繰り返し柔軟に修正して、業務遂行モデルを最適化する業務遂行モデル適正化装置の提案もある。
なお、収集されたセンサデータを学習データとして機械学習に採用するか否かをユーザが決定するためのユーザインタフェースを制御する情報処理装置の提案がある。また、事例データのクラスへの分類において、計算機が自動的に分類できない事例データだけを人間に提示し、人間によるクラスの正解値の入力を受け付ける事例データベースの構築方法の提案がある。
なお、収集されたセンサデータを学習データとして機械学習に採用するか否かをユーザが決定するためのユーザインタフェースを制御する情報処理装置の提案がある。また、事例データのクラスへの分類において、計算機が自動的に分類できない事例データだけを人間に提示し、人間によるクラスの正解値の入力を受け付ける事例データベースの構築方法の提案がある。
【先行技術文献】
【特許文献】
【0006】
【文献】特開２０１４－４８６７３号公報
【文献】特開２０１７－４５０８０号公報
【文献】特開２０１１－８１６２０号公報
【文献】国際公開第２０２０／１７０９８６号
【文献】特開２００５－３５２９９７号公報
【発明の概要】
【発明が解決しようとする課題】
【0007】
上記のように、ガイドラインなどの記載内容を基に、ある判断結果を得るためのワークフローである判断フローが作成され得る。ところが、作成された判断フローに含まれる判断条件が適切でない場合、判断フローによる判断結果の精度が低くなるという問題がある。
【0008】
１つの側面では、本発明は、判断処理に影響のあるパラメータに関する条件を判断フローに反映できる情報処理装置、情報処理方法およ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】
１つの態様では、情報処理装置が提供される。この情報処理装置は、記憶部と処理部とを有する。記憶部は、パラメータに対する判断条件を示す複数の第１判断ステップにより判断結果を得る判断フローの情報を記憶する。処理部は、複数のパラメータに対する判断結果を表す教師データを用いた機械学習に基づいて、機械学習により生成される判断モデルに関連する複数の第２判断ステップを取得し、複数の第２判断ステップの各々と関連するパラメータを特定し、判断モデルへのパラメータの影響に応じて、複数のパラメータからパラメータの組を抽出し、抽出したパラメータの組に基づいて、判断フローに含まれる複数の第１判断ステップの一部を変更する。
【発明の効果】
【0010】
１つの側面では、判断処理に影響のあるパラメータに関する条件を判断フローに反映できる。
【図面の簡単な説明】
【0011】
【図1】第１の実施の形態の情報処理装置を説明する図である。
【図2】第２の実施の形態の情報処理装置のハードウェア例を示す図である。
【図3】情報処理装置の機能例（その１）を示す図である。
【図4】情報処理装置の機能例（その２）を示す図である。
【図5】情報処理装置の機能例（その３）を示す図である。
【図6】元ルール記憶部に記憶される情報の例を示す図である。
【図7】抽出ルール記憶部に記憶される情報の例（その１）を示す図である。
【図8】抽出ルール記憶部に記憶される情報の例（その２）を示す図である。
【図9】ルール合成の第１の例を示す図である。
【図10】ルール合成に応じたワークフローの第１の変更例を示す図である。
【図11】ルール合成の第２の例を示す図である。
【図12】ルール合成に応じたワークフローの第２の変更例を示す図である。
【図13】情報処理装置の全体処理の例を示すフローチャートである。
【図14】判断項目削除の例を示すフローチャートである。
【図15】第２抽出ルール群取得の例を示すフローチャートである。
【図16】ルール合成の例を示すフローチャートである。
【図17】類似データ登録の例を示すフローチャートである。
【発明を実施するための形態】
【0012】
以下、本実施の形態について図面を参照して説明する。
［第１の実施の形態］
第１の実施の形態を説明する。
［第１の実施の形態］
第１の実施の形態を説明する。
【0013】
図１は、第１の実施の形態の情報処理装置を説明する図である。情報処理装置１０は、記憶部１１および処理部１２を有する。記憶部１１は、ＲＡＭ（Random Access Memory）などの揮発性記憶装置でもよいし、ＨＤＤ（Hard Disk Drive）やフラッシュメモリなどの不揮発性記憶装置でもよい。処理部１２は、ＣＰＵ（Central Processing Unit）、ＤＳＰ（Digital Signal Processor）、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field Programmable Gate Array）などを含み得る。処理部１２はプログラムを実行するプロセッサでもよい。「プロセッサ」には、複数のプロセッサの集合（マルチプロセッサ）が含まれ得る。
【0014】
記憶部１１は、判断フロー２０の情報を記憶する。判断フロー２０は、各々がパラメータに対する判断条件を示す複数の第１判断ステップにより判断結果を得るワークフローである。例えば、判断フロー２０は、判断ステップ２１，２２，…を有する。判断ステップ２１における判断条件は、パラメータＸの条件であり、例えば、パラメータＸの値が条件値よりも大きい、あるいは、小さいといった条件である。判断ステップ２２における判断条件は、パラメータＡの条件であり、例えば、パラメータＡの値が条件値よりも大きい、あるいは、小さいといった条件である。判断ステップ２１，２２，…の各々は、判断条件が真または偽であるかに応じた次の判断ステップを示す情報を含む。例えば、判断ステップ２１は、パラメータＸの条件が真の場合、次の判断ステップが判断ステップ２２であることを示す情報を含む。
【0015】
処理部１２は、複数のパラメータに対する判断結果を表す教師データを用いた機械学習に基づいて、機械学習により生成される判断モデルに関連する複数の第２判断ステップを取得する。複数のパラメータは、判断フロー２０の判断条件に用いられるパラメータ、および、判断フロー２０の判断条件に用いられないパラメータを含む。
【0016】
判断モデルは、機械学習による学習済モデルであり、要因となるパラメータ（説明変数や独立変数とも呼ばれる）と、判断結果（目的変数や従属変数とも呼ばれる）との間の関係を一般化したモデルである。処理部１２は、判断モデルを用いた人工知能（ＡＩ：Artificial Intelligence）技術に基づく推論処理によって、入力された新たなパラメータに対する未知の判断結果を得ることができる。機械学習に用いられるモデルには、例えば深層ニューラルネットワーク（ＤＮＮ：Deep Neural Network）が挙げられる。
【0017】
一例では、処理部１２は、機械学習結果として、複数の第２判断ステップを示す判断ステップ情報３０を得る。処理部１２は、判断ステップ情報３０を既存の技術を用いて取得することができる。判断ステップ情報３０は、複数の第２判断ステップの各々について、当該第２判断ステップで用いられるパラメータと、当該パラメータに対する判断条件と、当該パラメータが連携する他のパラメータとを示す情報を含む。図中、当該パラメータが連携する他のパラメータを表す項目は「連携」と略記されている。
【0018】
例えば、判断ステップ情報３０は、１つの第２判断ステップで用いられるパラメータ「Ａ」に対する「判断条件Ｒ１」と、連携する他のパラメータなし（「－」）という情報を含む。また、判断ステップ情報３０は、別の第２判断ステップで用いられるパラメータ「Ｂ」に対する「判断条件Ｒ２」と、連携する他のパラメータ「Ａ」という情報を含む。ここで、パラメータＢは、判断フロー２０では用いられないパラメータである。
【0019】
判断ステップ情報３０は、例えばパラメータＸに関する第２判断ステップの情報など、他の第２判断ステップの情報を含むが、図示を省略している。また、判断ステップ情報３０には、複数の第２判断ステップの順序を表す情報は含まれなくてよい。複数の第２判断ステップは、判断モデルに関連する情報であり、複数の第２判断ステップの順序は得られないためである。
【0020】
処理部１２は、複数の第２判断ステップの各々と関連するパラメータを特定する。例えば、処理部１２は、上記の判断ステップ情報３０に基づいて、複数の第２判断ステップの各々と関連するパラメータを特定する。
【0021】
処理部１２は、判断モデルへのパラメータの影響に応じて、複数のパラメータからパラメータの組を抽出する。例えば、処理部１２は、判断フロー２０に含まれないパラメータＢに関して、判断結果が既知である複数の入力に対し、パラメータＢを用いる判断モデルによる判断結果と、パラメータＢを用いない判断モデルによる判断結果とを比較する。そして、処理部１２はパラメータＢを用いる判断モデルによる判断結果の精度が、パラメータＢを用いない判断モデルによる判断結果の精度よりも改善される場合に、判断モデルへのパラメータＢの影響があると判断する。例えば、処理部１２は、パラメータＢを用いる方が、パラメータＢを用いないよりも、既知の判断結果に対する正解数が高い場合に、パラメータＢを用いる方が判断結果の精度が改善されると判断する。
【0022】
判断ステップ情報３０によれば、パラメータＢは、パラメータＡと関連する。よって、処理部１２は、判断モデルへのパラメータＢの影響があると判断された場合、判断ステップ情報３０に基づいてパラメータＡ，Ｂの組を抽出する。
【0023】
処理部１２は、抽出したパラメータの組に基づいて、判断フロー２０に含まれる複数の第１判断ステップの一部を変更する。例えば、判断フロー２０のうちの判断ステップ２２は、パラメータＡに関する条件判断である。したがって、処理部１２は、抽出したパラメータＡ，Ｂの組に対して、判断ステップ２２を特定する。処理部１２は、判断ステップ情報３０から、パラメータＡに対する判断条件Ｒ１と、パラメータＢに対する判断条件Ｒ２とを取得し、判断ステップ２２の判断条件を、判断条件Ｒ１，Ｒ２を合成した判断条件に変更する。判断条件Ｒ１，Ｒ２を合成した判断条件は、例えば、判断条件Ｒ１，判断条件Ｒ２の両方が真であるか否かを判定する条件となる。なお、判断条件Ｒ１は、パラメータＡに対する判断ステップ２２の判断条件と同じでもよいし、異なってもよい。
【0024】
こうして、処理部１２は、判断フロー２０に含まれる複数の第１判断ステップの一部を変更することで、変更後判断フロー４０を生成する。変更後判断フロー４０は、判断ステップ４１，４２，…を有する。例えば、判断ステップ４１は、判断ステップ２１に相当する。判断ステップ４２は、パラメータＡに対する判断ステップ２２の判断条件が、パラメータＡ，Ｂに対する判断条件Ｒ１，Ｒ２に変更されたものである。より具体的には、判断フロー２０の「判断ステップ２２が真である」という判断は、変更後判断フロー４０の「判断ステップ４２が真である」という判断に置換される。また、判断フロー２０の「判断ステップ２２が偽である」という判断は、変更後判断フロー４０の「判断ステップ４２が偽である」という判断に置換される。上記の例で言えば、判断条件Ｒ１，Ｒ２の両方が真のとき判断ステップ４２は真となり、判断条件Ｒ１，Ｒ２の少なくとも一方が偽のとき判断ステップ４２は偽となる。
【0025】
なお、変更後判断フロー４０の例では、判断ステップ２２を判断ステップ４２に変更するものとしたが、処理部１２は、判断ステップ４２におけるパラメータＡ，Ｂの判断条件Ｒ１，Ｒ２を、連続した個別の判断ステップとして、変更後判断フローを生成してもよい。例えば、判断ステップ４２は、判断条件Ｒ１が真または偽であるかを判定する１つ目の判断ステップと、判断条件Ｒ１が真の時に実行される、判断条件Ｒ２が真または偽であるかを判定する２つ目の判断ステップに分けて表すこともできる。このように、処理部１２は、判断条件Ｒ１，Ｒ２を１つの判断ステップ４２としてもよいし、個別の判断ステップとしてもよい。何れの場合も、実質的には同じ判断フローが表される。
【0026】
情報処理装置１０によれば、パラメータに対する判断条件を示す複数の第１判断ステップにより判断結果を得る判断フロー２０の情報が取得される。複数のパラメータに対する当該判断結果を表す教師データを用いた機械学習に基づいて、機械学習により生成される判断モデルに関連する複数の第２判断ステップが取得される。複数の第２判断ステップの各々と関連するパラメータが特定される。判断モデルへのパラメータの影響に応じて、複数のパラメータからパラメータの組が抽出される。抽出されたパラメータの組に基づいて、判断フロー２０に含まれる複数の第１判断ステップの一部が変更される。
【0027】
これにより、情報処理装置１０は、判断処理に影響のあるパラメータに関する条件を判断フロー２０に反映できる。また、情報処理装置１０は、判断フローを適切に改善できる。その結果、既存の判断フロー２０を精緻化した変更後判断フロー４０が得られる。処理部１２は、変更後判断フロー４０を判断処理に用いることで、判断フロー２０を用いるよりも、新たな入力に対して得られる判断結果の精度を高めることができる。
【0028】
また、変更後判断フロー４０は、各判断ステップの判断内容が人にも分かり易いルールベースの情報によりデータ化される。処理部１２は、ルールベースで表されるデータを所定のルールエンジンにより実行することで、変更後判断フロー４０に基づく判断結果を得ることができる。
【0029】
ここで、ＡＩ技術を用いて、モデルベースの推論処理によって判断結果を得る場合、判断過程がブラックボックス化され、判断結果に至った理由の説明が困難になる。一方、情報処理装置１０によれば、ルールベースで表される変更後判断フロー４０に基づいて判断結果を得るので、判断結果に至った理由を説明可能となり、当該理由をユーザが理解し易くなるという利点がある。
【0030】
以下では、情報処理装置１０の機能を更に具体的に説明する。
［第２の実施の形態］
次に、第２の実施の形態を説明する。
［第２の実施の形態］
次に、第２の実施の形態を説明する。
【0031】
図２は、第２の実施の形態の情報処理装置のハードウェア例を示す図である。情報処理装置１００は、ある情報に基づく判断結果の取得を支援する。情報処理装置１００は、サーバなどのコンピュータにより実現され得る。一例では、情報処理装置１００は、複数の会社それぞれの経営状態の良否判断を支援する。この場合、情報処理装置１００には、評価対象の会社に関する経営状態を表す種々の指標がパラメータとして入力される。情報処理装置１００は、入力されたパラメータに基づいて、該当の会社の経営状態の良否判断の結果を出力する。情報処理装置１００は、ある判断結果を得るためのベースとなる判断手順（基本ワークフロー）に対して、当該判断手順を改善する機能を提供する。
【0032】
情報処理装置１００は、ＣＰＵ１０１、ＲＡＭ１０２、ＨＤＤ１０３、ＧＰＵ（Graphics Processing Unit）１０４、入力インタフェース１０５、媒体リーダ１０６およびＮＩＣ（Network Interface Card）１０７を有する。なお、ＣＰＵ１０１は、第１の実施の形態の処理部１２の一例である。ＲＡＭ１０２またはＨＤＤ１０３は、第１の実施の形態の記憶部１１の一例である。
【0033】
ＣＰＵ１０１は、プログラムの命令を実行するプロセッサである。ＣＰＵ１０１は、ＨＤＤ１０３に記憶されたプログラムやデータの少なくとも一部をＲＡＭ１０２にロードし、プログラムを実行する。なお、ＣＰＵ１０１は複数のプロセッサコアを含んでもよい。また、情報処理装置１００は複数のプロセッサを有してもよい。以下で説明する処理は複数のプロセッサまたはプロセッサコアを用いて並列に実行されてもよい。また、複数のプロセッサの集合は「マルチプロセッサ」または単に「プロセッサ」と呼ばれることがある。
【0034】
ＲＡＭ１０２は、ＣＰＵ１０１が実行するプログラムやＣＰＵ１０１が演算に用いるデータを一時的に記憶する揮発性の半導体メモリである。なお、情報処理装置１００は、ＲＡＭ以外の種類のメモリを備えてもよく、複数個のメモリを備えてもよい。
【0035】
ＨＤＤ１０３は、ＯＳ（Operating System）やミドルウェアやアプリケーションソフトウェアなどのソフトウェアのプログラム、および、データを記憶する不揮発性の記憶装置である。なお、情報処理装置１００は、フラッシュメモリやＳＳＤ（Solid State Drive）などの他の種類の記憶装置を備えてもよく、複数の不揮発性の記憶装置を備えてもよい。
【0036】
ＧＰＵ１０４は、ＣＰＵ１０１からの命令に従って、情報処理装置１００に接続されたディスプレイ５１に画像を出力する。ディスプレイ５１としては、ＣＲＴ（Cathode Ray Tube）ディスプレイ、液晶ディスプレイ（ＬＣＤ：Liquid Crystal Display）、プラズマディスプレイ、有機ＥＬ（ＯＥＬ：Organic Electro-Luminescence）ディスプレイなど、任意の種類のディスプレイが用いられる。
【0037】
入力インタフェース１０５は、情報処理装置１００に接続された入力デバイス５２から入力信号を取得し、ＣＰＵ１０１に出力する。入力デバイス５２としては、マウス・タッチパネル・タッチパッド・トラックボールなどのポインティングデバイス、キーボード、リモートコントローラ、ボタンスイッチなどが用いられる。また、情報処理装置１００に、複数の種類の入力デバイスが接続されていてもよい。
【0038】
媒体リーダ１０６は、記録媒体５３に記録されたプログラムやデータを読み取る読み取り装置である。記録媒体５３として、例えば、磁気ディスク、光ディスク、光磁気ディスク（ＭＯ：Magneto-Optical disk）、半導体メモリなどが使用される。磁気ディスクには、フレキシブルディスク（ＦＤ：Flexible Disk）やＨＤＤが含まれる。光ディスクには、ＣＤ（Compact Disc）やＤＶＤ（Digital Versatile Disc）が含まれる。
【0039】
媒体リーダ１０６は、例えば、記録媒体５３から読み取ったプログラムやデータを、ＲＡＭ１０２やＨＤＤ１０３などの他の記録媒体にコピーする。読み取られたプログラムは、例えば、ＣＰＵ１０１によって実行される。なお、記録媒体５３は可搬型記録媒体であってもよく、プログラムやデータの配布に用いられることがある。また、記録媒体５３やＨＤＤ１０３は、コンピュータ読み取り可能な記録媒体と呼ばれることがある。
【0040】
ＮＩＣ１０７は、ネットワーク５０に接続され、ネットワーク５０を介して他のコンピュータと通信を行うインタフェースである。ＮＩＣ１０７は、例えば、スイッチやルータなどの通信装置とケーブルで接続される。
【0041】
図３は、情報処理装置の機能例（その１）を示す図である。情報処理装置１００は、機械学習機構１１０、元ルール記憶部１２０、抽出ルール記憶部１３０、改正ルール記憶部１４０、新規データ記憶部１５０、判断結果記憶部１６０、ルール作成部１７０、合成部１８０、ルール実行部１９０を有する。機械学習機構１１０は、過去データ記憶部１１１、判断モデル記憶部１１２、判断根拠記憶部１１３、ＡＩ判断結果記憶部１１４、学習部１１５およびＡＩ判断部１１６を有する。
【0042】
過去データ記憶部１１１、判断モデル記憶部１１２、判断根拠記憶部１１３、ＡＩ判断結果記憶部１１４、元ルール記憶部１２０、抽出ルール記憶部１３０、改正ルール記憶部１４０、新規データ記憶部１５０および判断結果記憶部１６０には、ＲＡＭ１０２やＨＤＤ１０３の記憶領域が用いられる。学習部１１５、ＡＩ判断部１１６、ルール作成部１７０、合成部１８０およびルール実行部１９０は、ＲＡＭ１０２に記憶されたプログラムをＣＰＵ１０１が実行することで実現される。ただし、これらの機能の一部が、ＧＰＵやＦＰＧＡなどの電子回路により実現されてもよい。
【0043】
機械学習機構１１０は、ＡＩ技術に基づく機械学習や、学習済モデルに基づく推論処理を行う。機械学習機構１１０には、既存の技術が用いられる。機械学習機構１１０で使用されるモデルには、例えば、ＤＮＮが用いられる。
【0044】
過去データ記憶部１１１は、学習部１１５およびＡＩ判断部１１６により処理される過去データを記憶する。過去データ記憶部１１１に記憶される過去データは、過去に人手などで行われた、判断対象のパラメータと当該パラメータに対する多数の判断結果に関するデータである。過去データは、学習部１１５の機械学習における教師データとして用いられる。また、過去データは、ＡＩ判断部１１６によるＡＩ判断結果の判断精度の評価にも用いられる。ここで、以下では、判断結果を得るための判断対象のパラメータを、判断項目と言う。
【0045】
判断モデル記憶部１１２は、学習部１１５により出力される学習済モデルを記憶する。当該学習済モデルを、以下では判断モデルと言う。判断モデルとして、例えば、ある会社の経営状態が悪いか否かを判断するためのモデルが挙げられる。
【0046】
判断根拠記憶部１１３は、学習部１１５により出力される判断根拠の情報を記憶する。判断根拠は、学習部１１５が判断モデルの生成に用いた各判断項目に対する判断条件や当該判断項目の重要度を表す。例えば、経営状態が悪いと判断される会社において、ある判断項目の値が特定の範囲である頻度が高いほど、経営状態が悪いという判断結果に対して、当該判断項目の値が当該特定の範囲を取るという判断条件の重要度が高くなる。
【0047】
ＡＩ判断結果記憶部１１４は、ＡＩ判断部１１６による出力結果を記憶する。ＡＩ判断部１１６による出力結果は、ＡＩ判断部１１６のＡＩ判断による結果となる。
学習部１１５は、過去データ記憶部１１１に記憶された過去データに基づいて機械学習を行い、判断モデルおよび判断根拠の情報を生成し、それぞれ判断モデル記憶部１１２および判断根拠記憶部１１３に格納する。例えば、判断根拠は、判断項目「利益率」に対して、判断条件「利益率＞１０％」などの情報を含み得る。
学習部１１５は、過去データ記憶部１１１に記憶された過去データに基づいて機械学習を行い、判断モデルおよび判断根拠の情報を生成し、それぞれ判断モデル記憶部１１２および判断根拠記憶部１１３に格納する。例えば、判断根拠は、判断項目「利益率」に対して、判断条件「利益率＞１０％」などの情報を含み得る。
【0048】
ＡＩ判断部１１６は、過去データ記憶部１１１に記憶された過去データおよび判断モデル記憶部１１２に記憶された判断モデルに基づく推論処理、すなわち、ＡＩ判断を行う。ＡＩ判断部１１６は、ＡＩ判断結果をＡＩ判断結果記憶部１１４に格納する。
【0049】
元ルール記憶部１２０は、元ルールを記憶する。元ルールは、ガイドライン（例えば、会社の経営判断の指針を示すガイドライン）などの文書に基づいて作成された、ある判断を行うための判断ステップである。例えば、元ルールは、当該文書からユーザによって抽出され、抽出された内容を示す情報が、元ルール記憶部１２０に予め登録される。当該文書を基に作成された一連の元ルールにより、ある判断を行うための判断手順が得られる。当該判断手順は、情報処理装置１００による改善の対象となるワークフロー、すなわち、基本ワークフローにより表される。基本ワークフローは、第１の実施の形態の判断フロー２０の一例である。
【0050】
抽出ルール記憶部１３０は、抽出ルールを記憶する。抽出ルールは、判断根拠記憶部１１３に記憶された判断根拠の情報に基づいて、ルール作成部１７０により生成される。抽出ルールは、機械学習の結果を基に抽出される、判断結果を得るためのルールであると言える。
【0051】
改正ルール記憶部１４０は、改正ルールを記憶する。改正ルールは、合成部１８０により、元ルールと抽出ルールとが合成されることで生成される。一連の改正ルール（元ルールを含み得る）により、ある判断を行うための、改善された判断手順が得られる。当該判断手順は、基本ワークフローを改善したワークフロー、すなわち、変更後ワークフローにより表される。変更後ワークフローは、第１の実施の形態の変更後判断フロー４０の一例である。
【0052】
新規データ記憶部１５０は、新規データを記憶する。新規データは、新たな判断対象に関する各種パラメータを表す情報である。新規データに含まれるパラメータには、改正ルールによる判断項目が含まれる。新規データは、ルール実行部１９０による判断処理に用いられる。
【0053】
判断結果記憶部１６０は、ルール実行部１９０による判断結果の情報を記憶する。判断結果記憶部１６０に記憶される判断結果は、ＡＩ判断部１１６によるモデルベースの判断結果とは異なり、ルール実行部１９０によるルールベースの判断結果となる。
【0054】
ルール作成部１７０は、判断根拠記憶部１１３に記憶された判断根拠の情報に基づいて、抽出ルールの情報を生成し、抽出ルール記憶部１３０に格納する。抽出ルールは、学習部１１５による機械学習の結果から得られた、判断モデルに関連する判断項目、当該判断項目に対する判断条件および当該判断項目のＡＩ判断結果に対する重要度などの情報を含む。
【0055】
１つの抽出ルールにおける判断項目は、独立している場合もあるし、他の抽出ルールの判断項目と関連付けされている場合もある。当該判断項目間の関連付けを示す情報は、機械学習機構１１０が出力する判断根拠の情報に含まれる。例えば、独立した１つの判断項目「利益率」に対して、判断条件「利益率＞１０％」という抽出ルールが得られることがある。あるいは、判断項目「利益率」に対する判断条件「利益率＞１０％」の抽出ルールと、判断項目「利益率」に関連する他の判断項目「当期純利益」に対する判断条件「当期純利益＞ｘｘｘ」の抽出ルールとが得られることもある。
【0056】
後述されるように、抽出ルールは、機械学習機構１１０を繰り返し使用し、ＡＩ判断結果を評価することで、徐々に改善される。ルール作成部１７０は、当該改善により最終的に得られた抽出ルールを抽出ルール記憶部１３０に格納する。
【0057】
合成部１８０は、元ルール記憶部１２０に記憶された元ルールと、抽出ルール記憶部１３０に記憶された抽出ルールとを合成することで改正ルールを生成し、改正ルール記憶部１４０に格納する。合成部１８０による合成では、元ルールに対して抽出ルールが追加される。例えば、合成部１８０は、元ルールに存在する特定の判断項目に関する判断条件に対して、抽出ルールにおける他の判断項目に関する他の判断条件を追加する。あるいは、合成部１８０は、元ルールに存在する特定の判断項目に関する判断条件を、抽出ルールにおける同じ判断項目に関する他の判断条件に置き換えることもある。
【0058】
ルール実行部１９０は、ルールベースの処理を実行するルールエンジンである。ルール実行部１９０は、改正ルール記憶部１４０に記憶された改正ルールの情報に基づいて、新規データ記憶部１５０に記憶された新規データに対する変更後ワークフローの手順を実行し、当該手順に基づく判断結果を得る。ルール実行部１９０は、取得した判断結果を、判断結果記憶部１６０に格納する。
【0059】
また、情報処理装置１００は、次に示す抽出ルールの改善機能を有する。
図４は、情報処理装置の機能例（その２）を示す図である。まず、学習部１１５は、過去データ記憶部１１１に記憶された過去データ１１１ａにおいて、目的とする判断処理に使用され得る全ての判断項目を入力として機械学習を行い、当該機械学習の結果として、判断モデル１１２ａおよび判断根拠１１３ａを出力する。
図４は、情報処理装置の機能例（その２）を示す図である。まず、学習部１１５は、過去データ記憶部１１１に記憶された過去データ１１１ａにおいて、目的とする判断処理に使用され得る全ての判断項目を入力として機械学習を行い、当該機械学習の結果として、判断モデル１１２ａおよび判断根拠１１３ａを出力する。
【0060】
ルール作成部１７０は、判断根拠１１３ａに基づいて、第１抽出ルール群１３１を生成する。第１抽出ルール群１３１は、基本ワークフローへの追加候補となる全ての抽出ルールを含む。第１抽出ルール群１３１は、抽出ルール記憶部１３０に格納される。
【0061】
ここで、情報処理装置１００は、図３で例示した機能に加えて、絞込部１７１、項目追加部１７２、精度判定部１７３、追加項目選択部１７４および情報判断部１７５を有する。絞込部１７１、項目追加部１７２、精度判定部１７３、追加項目選択部１７４および情報判断部１７５は、ＣＰＵ１０１がＲＡＭ１０２に記憶されたプログラムを実行することで実現される。
【0062】
絞込部１７１は、過去データ記憶部１１１に記憶された過去データ１１１ａに対して判断項目を絞り込み、判断項目を絞り込んだ後の過去データ１１１ｂを生成する。第１抽出ルール群１３１を取得した後の最初の段階では、絞込部１７１は、元ルール記憶部１２０に記憶された元ルール群１２１に基づいて、必要最低限度の判断項目に絞り込む。必要最適限度の判断項目は、元ルール群１２１の判断処理に用いられる全ての判断項目でもよい。例えば、会社の経営判断を行う場合、必要最低限度の判断項目には、「売上」、「収益」、「経常利益」および「経費」などが含まれ得る。
【0063】
項目追加部１７２は、過去データ１１１ｂに対して判断項目の追加を行うことで、判断項目の追加後の過去データ１１１ｃを生成する。追加候補となる判断項目は、元ルール群１２１には含まれない判断項目である。過去データ１１１ｃは、追加された判断項目の分だけ、過去データ１１１ｂよりも情報量が多いことになる。なお、追加する判断項目は、追加項目選択部１７４により選択される。例えば、会社の経営判断を行う場合、追加候補の判断項目としては、「当期純利益」、「発行株式数」、「１株当たりキャッシュフロー」、「資産合計」および「流動負債」などが考えられる。
【0064】
学習部１１５は、過去データ１１１ｂを用いた機械学習により、判断モデル１１２ｂおよび、図示を省略している判断根拠の情報を生成する。また、学習部１１５は、過去データ１１１ｃを用いた機械学習により、判断モデル１１２ｃおよび判断根拠１１３ｂの情報を生成する。
【0065】
ＡＩ判断部１１６は、判断モデル１１２ｂに基づいて、過去データ１１１ａを入力としたＡＩ判断を行い、ＡＩ判断結果１１４ａを生成する。また、ＡＩ判断部１１６は、判断モデル１１２ｃに基づいて、過去データ１１１ａを入力としたＡＩ判断を行い、ＡＩ判断結果１１４ｂを生成する。
【0066】
ＡＩ判断結果１１４ａ，１１４ｂそれぞれには、過去データ１１１ａに含まれる判断対象の複数のサンプル（例えば会社）に対して、判断モデル１１２ｂ，１１２ｃによる判断結果が含まれる。過去データ１１１ａに含まれる判断対象のサンプルは、判断結果が既知である。
【0067】
精度判定部１７３は、ＡＩ判断結果１１４ａ，１１４ｂを比較して、ＡＩ判断結果１１４ｂの方が判断結果の精度が高いか否かを判定する。具体的には、精度判定部１７３は、ＡＩ判断結果１１４ａよりも、ＡＩ判断結果１１４ｂの方が既知の判断結果と一致するサンプルの数が多い場合に、ＡＩ判断結果１１４ｂの方が判断結果の精度が高いと判定する。精度判定部１７３は、ＡＩ判断結果１１４ａよりも、ＡＩ判断結果１１４ｂの方が既知の判断結果と一致するサンプルの数が少ない場合に、ＡＩ判断結果１１４ｂの方が判断結果の精度が高いと判定しない。
【0068】
精度判定部１７３は、ＡＩ判断結果１１４ｂの方が判断結果の精度が高い場合に、過去データ１１１ｃの生成に追加された判断項目を、基本ワークフローに対する追加対象として決定し、当該判断項目をルール作成部１７０に通知する。また、精度判定部１７３は、次の追加項目の選択を行うように、追加項目選択部１７４に指示する。
【0069】
なお、次の段階では、今回の過去データ１１１ｃが次回の過去データ１１１ｂとして用いられ、今回の過去データ１１１ｃに対して項目追加部１７２により判断項目が追加された結果が、次回の過去データ１１１ｃとして用いられる。こうして、ＡＩ判断結果１１４ａ，１１４ｂに対して判断結果の精度が同等であると判定されるまで、項目追加部１７２による項目追加が行われる。
【0070】
追加項目選択部１７４は、第１抽出ルール群１３１に基づいて、追加する判断項目を選択し、選択した判断項目を項目追加部１７２に通知する。追加項目選択部１７４は、第１抽出ルール群１３１の中から、重要度の高い判断項目を選択する。ここで、第１抽出ルール群に含まれる判断項目の一部は、情報判断部１７５によって削除され得る。
【0071】
情報判断部１７５は、第１抽出ルール群１３１に含まれる判断項目のうち、ユーザによって事前に指定される類似データと一致する判断項目を削除する。例えば、類似データとして、会社の経営判断に対して不要な判断項目あるいは判断項目の組など、目的とする判断内容に応じた不要な判断項目が予め登録される。
【0072】
ルール作成部１７０は、最終的に作成された判断モデル１１２ｃに対する判断根拠１１３ｂに基づいて、上記の必要最低限の判断項目、および、精度判定部１７３により通知された追加対象の判断項目に対する第２抽出ルール群１３２を生成する。なお、ルール作成部１７０は、各判断項目を追加した段階で精度判定部１７３から追加対象の判断項目が通知されるたびに、当該段階における判断根拠１１３ｂを基に、当該追加対象の判断項目に対する抽出ルールを生成して第２抽出ルール群１３２に含めてもよい。第２抽出ルール群１３２は、抽出ルール記憶部１３０に格納される。なお、第２抽出ルール群１３２には、最初に元ルール群１２１から抽出された必要最低限度の判断項目に関する情報も含まれる。
【0073】
合成部１８０は、こうして生成された第２抽出ルール群１３２に含まれる抽出ルールと、元ルール群１２１に含まれる元ルールとの合成を行うことで、改正ルール群１４１を生成する。改正ルール群１４１は、改正ルール記憶部１４０に格納される。
【0074】
ルール実行部１９０は、改正ルール群１４１に基づいて、新規データ１５１に対する変更後ワークフローの手順を実行し、当該手順に基づく判断結果１６１を得る。ルール実行部１９０は、判断結果１６１を出力する。
【0075】
ここで、情報判断部１７５は、次の機能を有する。
図５は、情報処理装置の機能例（その３）を示す図である。情報判断部１７５は、類似データ記憶部１７５ａ、登録部１７５ｂ、比較部１７５ｃおよび削除部１７５ｄを有する。類似データ記憶部１７５ａには、ＲＡＭ１０２やＨＤＤ１０３の記憶領域が用いられる。登録部１７５ｂ、比較部１７５ｃおよび削除部１７５ｄは、ＲＡＭ１０２に記憶されたプログラムをＣＰＵ１０１が実行することで実現される。
図５は、情報処理装置の機能例（その３）を示す図である。情報判断部１７５は、類似データ記憶部１７５ａ、登録部１７５ｂ、比較部１７５ｃおよび削除部１７５ｄを有する。類似データ記憶部１７５ａには、ＲＡＭ１０２やＨＤＤ１０３の記憶領域が用いられる。登録部１７５ｂ、比較部１７５ｃおよび削除部１７５ｄは、ＲＡＭ１０２に記憶されたプログラムをＣＰＵ１０１が実行することで実現される。
【0076】
類似データ記憶部１７５ａは、類似データを記憶する。類似データは、目的の判断内容（例えば、会社の経営状態の判断）に対して、ユーザにより不要と判断された判断項目である。
【0077】
登録部１７５ｂは、ユーザによる類似データの入力を受け付け、受け付けた類似データを類似データ記憶部１７５ａに登録する。
比較部１７５ｃは、抽出ルール記憶部１３０に記憶された第１抽出ルール群１３１と、類似データ記憶部１７５ａに記憶された類似データとを比較し、第１抽出ルール群１３１から、類似データと一致する判断項目を特定し、削除部１７５ｄに通知する。
比較部１７５ｃは、抽出ルール記憶部１３０に記憶された第１抽出ルール群１３１と、類似データ記憶部１７５ａに記憶された類似データとを比較し、第１抽出ルール群１３１から、類似データと一致する判断項目を特定し、削除部１７５ｄに通知する。
【0078】
削除部１７５ｄは、比較部１７５ｃから通知された判断項目を第１抽出ルール群１３１から削除し、当該判断項目の削除後の第１抽出ルール群１３１ａを生成する。第１抽出ルール群１３１ａも、抽出ルール記憶部１３０に格納される。
【0079】
情報処理装置１００は、情報判断部１７５の機能により、類似データとして登録された判断項目を学習に用いないように制御でき、第２抽出ルールを得るために要する時間を短縮できる。
【0080】
図６は、元ルール記憶部に記憶される情報の例を示す図である。元ルール記憶部１２０は、元ルール群１２１を記憶する。元ルール群１２１は、基本ワークフロー２００を表す。基本ワークフロー２００は、ある判断結果を得るための複数のステップを含む。当該複数のステップを、ステップ１，２，…と表す。当該ステップは、第１の実施の形態の「判断ステップ」に相当する。基本ワークフロー２００により得られる判断結果は、複数でもよい。例えば、基本ワークフロー２００は、判断結果α，βを得る。前述の会社の経営状態の判断の例で言えば、判断結果αが「経営状態が悪い」であり、判断結果βが「経営状態が良い」である例が考えられる。
【0081】
元ルール群１２１は、基本ワークフローの複数のステップの各々を表す元ルール情報を含む。１つの元ルール情報が１つのステップに相当する。例えば、元ルール群１２１は、基本ワークフロー２００のステップ３を表す元ルール情報１２１ｅ１を含む。元ルール群１２１では、他のステップも元ルール情報１２１ｅ１と同様のデータ構造により表される。
【0082】
元ルール情報１２１ｅ１は、元ルールを示す情報であり、前ステップ、判断項目、条件値および次ステップの情報を含む。前ステップは、該当のステップの直前のステップであり、ステップ３に対しては、例えば、ステップ２である。判断項目は、判断処理に用いられる判断項目の名称である。条件値は、判断項目の値と比較される条件値である。次ステップは、該当のステップの次のステップである。判断項目に対する条件判定に応じた分岐がある場合、条件判定の結果に応じた分岐先が次ステップに登録される。なお、元ルール情報１２１ｅ１には、条件値を用いた条件判断の内容を示す条件式など、他の情報も含まれる。
【0083】
なお、改正ルール群１４１も元ルール群１２１と同様のデータ構造を有する改正ルールの情報（改正ルール情報）により表される。
図７は、抽出ルール記憶部に記憶される情報の例（その１）を示す図である。抽出ルール記憶部１３０は、第１抽出ルール群１３１を記憶する。第１抽出ルール群１３１は、学習部１１５の学習結果に基づく複数のステップの各々を表す抽出ルール情報を含む。抽出ルール情報は、抽出ルールを示す情報である。第１抽出ルール群１３１により表される複数のステップを、ステップＡ，Ｂ，…と表す。当該複数のステップには、基本ワークフロー２００のステップ１，２，…と同じ判断項目に対するステップ（ステップ１，２，…と表記する）が含まれる。例えば、第１抽出ルール群１３１は、ステップＢを表す抽出ルール情報１３１ｅ１を含む。第１抽出ルール群１３１では、他のステップも抽出ルール情報１３１ｅ１と同様のデータ構造により表される。
図７は、抽出ルール記憶部に記憶される情報の例（その１）を示す図である。抽出ルール記憶部１３０は、第１抽出ルール群１３１を記憶する。第１抽出ルール群１３１は、学習部１１５の学習結果に基づく複数のステップの各々を表す抽出ルール情報を含む。抽出ルール情報は、抽出ルールを示す情報である。第１抽出ルール群１３１により表される複数のステップを、ステップＡ，Ｂ，…と表す。当該複数のステップには、基本ワークフロー２００のステップ１，２，…と同じ判断項目に対するステップ（ステップ１，２，…と表記する）が含まれる。例えば、第１抽出ルール群１３１は、ステップＢを表す抽出ルール情報１３１ｅ１を含む。第１抽出ルール群１３１では、他のステップも抽出ルール情報１３１ｅ１と同様のデータ構造により表される。
【0084】
抽出ルール情報１３１ｅ１は、判断項目、条件値、連携情報および重要度の情報を含む。判断項目は、判断処理に用いられる判断項目の名称である。条件値は、判断項目の値と比較される条件値である。連携情報は、該当の判断項目と関連する他の判断項目の名称である。該当の判断項目と関連する他の判断項目を、関連判断項目と言う。重要度は、該当の判断項目の重要度である。なお、抽出ルール情報１３１ｅ１には、条件値を用いた条件判断の内容を示す条件式など、他の情報も含まれる。また、抽出ルール情報１３１ｅ１は、元ルール情報１２１ｅ１と異なり、前ステップや次ステップの情報を含まなくてよい。
【0085】
なお、第２抽出ルール群１３２も、第１抽出ルール群１３１と同様のデータ構造により実現される。
図８は、抽出ルール記憶部に記憶される情報の例（その２）を示す図である。重要度情報１３３は、抽出ルール記憶部１３０に記憶される。重要度情報１３３は、ルール作成部１７０により、判断根拠記憶部１１３に記憶された判断根拠の情報に基づいて生成され、抽出ルール記憶部１３０に格納される。重要度情報１３３は、第１抽出ルール群１３１における各判断項目に対する正規化後の重要度を保持する。重要度情報１３３は、判断項目および重要度の項目を含む。
図８は、抽出ルール記憶部に記憶される情報の例（その２）を示す図である。重要度情報１３３は、抽出ルール記憶部１３０に記憶される。重要度情報１３３は、ルール作成部１７０により、判断根拠記憶部１１３に記憶された判断根拠の情報に基づいて生成され、抽出ルール記憶部１３０に格納される。重要度情報１３３は、第１抽出ルール群１３１における各判断項目に対する正規化後の重要度を保持する。重要度情報１３３は、判断項目および重要度の項目を含む。
【0086】
判断項目の項目には、判断項目名が登録される。判断項目として、複数の判断項目名の組が登録されることもある。重要度の項目には、該当の判断項目に対する正規化された重要度が登録される。正規化により、第１抽出ルール群１３１に含まれる重要度の値が判断内容に応じて調整される。例えば、会社の経営状態の判断を行う例において、正規化により、重要度は－１より大きく＋１より小さい値として表わされる。ルール作成部１７０は、重要度が大きい程、経営判断が悪いという評価に対する重みが大きく、重要度が小さい程、経営判断が悪いという評価に対する重みが小さくなるように重要度を調整してもよい。
【0087】
例えば、ルール作成部１７０は、第１抽出ルール群１３１において、連携する複数の判断項目の組に対し、当該組に対応する重要度の平均値などを、正規化された重要度として求めてもよい。これにより、比較的大きな重要度をもつ判断項目と関連する他の判断項目の重要度を引き上げることができ、当該判断項目の組が判断モデルに反映され易くなる。
【0088】
例えば、重要度情報１３３には、判断項目「項目Ａ」に対して、重要度「０．７」というレコードが登録されている。このレコードは、判断項目「項目Ａ」の重要度が「０．７」であることを示す。なお、判断項目「項目Ａ」は、ステップＡにおける判断項目である。
【0089】
また、重要度情報１３３には、判断項目「項目Ｃ，項目３」の組に対して、重要度「０．５」というレコードが登録されている。このレコードは、判断項目「項目Ｃ，項目３」の組の重要度が「０．５」であることを示す。なお、判断項目「項目Ｃ」は、ステップＣにおける判断項目である。判断項目「項目３」は、ステップ３における判断項目である。
【0090】
次に、合成部１８０によるルール合成の例を説明する。ルール合成では、元ルール群１２１に含まれる元ルール情報および第２抽出ルール群１３２に含まれる抽出ルール情報に基づく合成処理が行われる。当該合成処理は、基本ワークフロー２００を変更後ワークフローに変更する処理に相当する。
【0091】
図９は、ルール合成の第１の例を示す図である。図９の例では、元ルール群１２１において判断項目「Ａ１」に関する元ルール情報１２１ｅ１が含まれ、第２抽出ルール群１３２において判断項目「Ａ１」に関する抽出ルール情報１３２ｅ１が含まれている。元ルール情報１２１ｅ１は、基本ワークフロー２００のステップ３に相当する。抽出ルール情報１３２ｅ１は、機械学習結果により得られたステップＢに相当する。
【0092】
この場合、合成部１８０は、ステップ３をステップＢに置き換える。すなわち、合成部１８０は、抽出ルール情報１３２ｅ１から判断項目「Ａ１」に対する条件値「Ｘ２」を取得する。そして、合成部１８０は、元ルール群１２１において、ステップ３の判断項目「Ａ１」に関する条件式に含まれる条件値を「Ｘ１」から「Ｘ２」に変更する。なお、ステップＢにおける条件式自体がステップ３と異なる場合、合成部１８０は、ステップ３の条件式をステップＢの条件式に変更してもよい。
【0093】
こうして、例えば、合成部１８０は、基本ワークフロー２００のステップ３をステップＢに置き換えた変更後ワークフローを示す改正ルール群１４１を生成してもよい。
図１０は、ルール合成に応じたワークフローの第１の変更例を示す図である。変更後ワークフロー３００は、改正ルール群１４１により表されるワークフローである。例えば、基本ワークフロー２００は、ステップ３を含む。ステップ３は、判断項目「Ａ１」に関し、条件値「Ｘ１」を用いた「Ａ１＞Ｘ１」の条件式で表される判断条件である。これに対して、変更後ワークフロー３００では、ステップ３がステップＢに変更される。ステップＢは、判断項目「Ａ１」に関し、条件値「Ｘ２」を用いた「Ａ１＞Ｘ２」の条件式で表される判断条件である。ステップＢの判定結果に応じた次のステップは、基本ワークフロー２００におけるステップ３の判定結果に応じた次のステップと同じになる。改正ルール群１４１の改正ルール情報には、変更後ワークフロー３００における該当のステップの前ステップおよび次ステップの関係が登録される。
図１０は、ルール合成に応じたワークフローの第１の変更例を示す図である。変更後ワークフロー３００は、改正ルール群１４１により表されるワークフローである。例えば、基本ワークフロー２００は、ステップ３を含む。ステップ３は、判断項目「Ａ１」に関し、条件値「Ｘ１」を用いた「Ａ１＞Ｘ１」の条件式で表される判断条件である。これに対して、変更後ワークフロー３００では、ステップ３がステップＢに変更される。ステップＢは、判断項目「Ａ１」に関し、条件値「Ｘ２」を用いた「Ａ１＞Ｘ２」の条件式で表される判断条件である。ステップＢの判定結果に応じた次のステップは、基本ワークフロー２００におけるステップ３の判定結果に応じた次のステップと同じになる。改正ルール群１４１の改正ルール情報には、変更後ワークフロー３００における該当のステップの前ステップおよび次ステップの関係が登録される。
【0094】
図１１は、ルール合成の第２の例を示す図である。図１１の例では、元ルール群１２１において判断項目「Ａ１」に関する元ルール情報１２１ｅ１が含まれ、第２抽出ルール群１３２において判断項目「Ｋ１」に関する抽出ルール情報１３２ｅ２が含まれている。抽出ルール情報１３２ｅ２では、判断項目「Ｋ１」に対する連携情報（関連判断項目）として「Ａ１」が含まれている。元ルール情報１２１ｅ１は、基本ワークフロー２００のステップ３に相当する。抽出ルール情報１３２ｅ２は、機械学習結果により得られたステップＢに相当する。
【0095】
この場合、合成部１８０は、ステップ３に対してステップＢを追加する。すなわち、合成部１８０は、抽出ルール情報１３２ｅ２から判断項目「Ｋ１」に対する条件値「Ｐ１」を取得し、判断項目「Ｋ１」の関連判断項目「Ａ１」を取得する。そして、合成部１８０は、関連判断項目「Ａ１」を基に、元ルール群１２１に含まれるステップ３の元ルール情報を取得し、当該元ルール情報に対して、ステップＢの判断項目「Ｋ１」の判断条件を追加する。
【0096】
こうして、例えば、合成部１８０は、基本ワークフロー２００のステップ３に対してステップＢを追加した変更後ワークフローを示す改正ルール群１４２を生成してもよい。変更例として、元ルールでは「収益」に関する判断条件のステップが、改正ルールでは「収益」および「当期純利益」に関する判断条件のステップというように、判断ステップが修正される例が考えられる。
【0097】
図１２は、ルール合成に応じたワークフローの第２の変更例を示す図である。変更後ワークフロー３００ａは、改正ルール群１４２により表されるワークフローである。例えば、基本ワークフロー２００は、ステップ３を含む。ステップ３は、判断項目「Ａ１」に関する条件値「Ｘ１」を用いた条件式で表される判断条件である。これに対して、変更後ワークフロー３００ａでは、ステップ３に対してステップＢが追加される。ステップＢは、判断項目「Ａ１」に関し、条件値「Ｐ１」を用いた「Ｋ１＜Ｐ１」の条件式で表される判断条件である。
【0098】
これにより、基本ワークフロー２００で、ステップ３が真のときに次の第１候補ステップに進むという手順が、変更後ワークフロー３００ａでは、ステップ３およびステップＢの両方が真のときに当該第１候補ステップに進むという手順に変更される。また、基本ワークフロー２００で、ステップ３が偽のときに次の第２候補ステップに進むという手順が、変更後ワークフロー３００ａでは、ステップ３およびステップＢの少なくとも一方が偽のときに当該第２候補ステップに進むという手順に変更される。改正ルール群１４２のルール情報には、変更後ワークフロー３００ａにおける該当のステップの前ステップおよび次ステップの関係が登録される。
【0099】
なお、第１の実施の形態でも例示したように、ステップ３およびステップＢの両方に対する判断条件は、変更後ワークフロー３００ａにおいて１つのステップとして表されてもよいし、２つの連続するステップとして表されてもよい。
【0100】
情報処理装置１００は、次の処理手順を実行する。
図１３は、情報処理装置の全体処理の例を示すフローチャートである。
（Ｓ１）ルール作成部１７０は、第１抽出ルール群１３１を取得する。前述のように、ルール作成部１７０は、例えば過去データ１１１ａに含まれる全ての判断項目を用いた学習部１１５による機械学習の結果として出力された判断根拠１１３ａに基づいて、第１抽出ルール群１３１を生成し、抽出ルール記憶部１３０に格納する。また、ルール作成部１７０は、第１抽出ルール群１３１とともに、重要度情報１３３を生成し、抽出ルール記憶部１３０に格納する。
図１３は、情報処理装置の全体処理の例を示すフローチャートである。
（Ｓ１）ルール作成部１７０は、第１抽出ルール群１３１を取得する。前述のように、ルール作成部１７０は、例えば過去データ１１１ａに含まれる全ての判断項目を用いた学習部１１５による機械学習の結果として出力された判断根拠１１３ａに基づいて、第１抽出ルール群１３１を生成し、抽出ルール記憶部１３０に格納する。また、ルール作成部１７０は、第１抽出ルール群１３１とともに、重要度情報１３３を生成し、抽出ルール記憶部１３０に格納する。
【0101】
（Ｓ２）情報判断部１７５は、第１抽出ルール群１３１に対する判断項目削除を実行する。判断項目削除の処理の詳細は後述される。
（Ｓ３）ルール作成部１７０は、第２抽出ルール群１３２を取得する。第２抽出ルール群１３２の取得の処理の詳細は後述される。
（Ｓ３）ルール作成部１７０は、第２抽出ルール群１３２を取得する。第２抽出ルール群１３２の取得の処理の詳細は後述される。
【0102】
（Ｓ４）合成部１８０は、元ルール群１２１に対して第２抽出ルール群１３２を合成するルール合成を行う。ルール合成の処理の詳細は後述される。
図１４は、判断項目削除の例を示すフローチャートである。
図１４は、判断項目削除の例を示すフローチャートである。
【0103】
判断項目削除は、ステップＳ２に相当する。
（Ｓ１０）比較部１７５ｃは、第１抽出ルール群１３１の全判断項目から１つを取得する。
（Ｓ１０）比較部１７５ｃは、第１抽出ルール群１３１の全判断項目から１つを取得する。
【0104】
（Ｓ１１）比較部１７５ｃは、ステップＳ１０で取得した判断項目が、類似データ記憶部１７５ａに記憶されている類似データの判断項目と一致するか否かを判定する。一致する場合、ステップＳ１２に処理が進む。一致しない場合、ステップＳ１３に処理が進む。
【0105】
（Ｓ１２）削除部１７５ｄは、類似データの判断項目に一致する判断項目を、第１抽出ルール群１３１から削除する。判断項目の削除は、第１抽出ルール群１３１から該当の判断項目の抽出ルール情報を削除することに相当する。そして、ステップＳ１４に処理が進む。
【0106】
（Ｓ１３）削除部１７５ｄは、類似データの判断項目に一致しない判断項目を、第１抽出ルール群から削除せずに残す。そして、ステップＳ１４に処理が進む。
（Ｓ１４）比較部１７５ｃは、第１抽出ルール群１３１に含まれる全ての判断項目を処理済であるか否かを判定する。第１抽出ルール群１３１に含まれる全ての判断項目を処理済の場合、判断項目削除が終了する。第１抽出ルール群１３１に含まれる全ての判断項目を処理済でない場合、ステップＳ１０に処理が進む。
（Ｓ１４）比較部１７５ｃは、第１抽出ルール群１３１に含まれる全ての判断項目を処理済であるか否かを判定する。第１抽出ルール群１３１に含まれる全ての判断項目を処理済の場合、判断項目削除が終了する。第１抽出ルール群１３１に含まれる全ての判断項目を処理済でない場合、ステップＳ１０に処理が進む。
【0107】
こうして、第１抽出ルール群１３１から不要な判断項目が削除される。以下では、第１抽出ルール群１３１は、判断項目削除の処理により判断項目の削除が行われた結果であるとする。
【0108】
図１５は、第２抽出ルール群取得の例を示すフローチャートである。
第２抽出ルール群取得は、ステップＳ３に相当する。
（Ｓ２０）追加項目選択部１７４は、重要度情報１３３に含まれる判断項目ごとの重要度に応じて、第１抽出ルール群１３１の中から機械学習用に追加する判断項目を選択する。例えば、追加項目選択部１７４は、会社の経営状態が悪いという判断に対して重要度の高い判断項目を優先的に選択する。追加項目選択部１７４は、選択した判断項目を項目追加部１７２に通知する。
第２抽出ルール群取得は、ステップＳ３に相当する。
（Ｓ２０）追加項目選択部１７４は、重要度情報１３３に含まれる判断項目ごとの重要度に応じて、第１抽出ルール群１３１の中から機械学習用に追加する判断項目を選択する。例えば、追加項目選択部１７４は、会社の経営状態が悪いという判断に対して重要度の高い判断項目を優先的に選択する。追加項目選択部１７４は、選択した判断項目を項目追加部１７２に通知する。
【0109】
（Ｓ２１）ＡＩ判断部１１６は、現判断項目群を用いた学習で得られた現判断モデル（判断モデル１１２ｂ）によるＡＩ判断結果１１４ａを取得する。最初の段階では、ステップＳ２１の現判断モデルの作成に用いられる現判断項目群は、過去データ１１１ａのうちの必要最低限度の判断項目のみとなる。必要最低限度の判断項目は、例えば元ルール群１２１に含まれる全ての判断項目でもよい。
【0110】
（Ｓ２２）ＡＩ判断部１１６は、現判断項目群に、ステップＳ２０の判断項目を追加した判断項目群を用いた学習で得られた新判断モデル（判断モデル１１２ｃ）によるＡＩ判断結果１１４ｂを取得する。現判断項目群に対する判断項目の追加は、項目追加部１７２により行われる。
【0111】
（Ｓ２３）精度判定部１７３は、ＡＩ判断結果１１４ａ，１１４ｂを比較し、判断項目追加により判断精度が向上したか否かを判定する。判断精度が向上した場合、ステップＳ２４に処理が進む。判断精度が向上しなかった場合、ステップＳ２５に処理が進む。前述のように、精度判定部１７３は、判断結果が既知である複数のサンプルを含む過去データ１１１ａに対して、判断結果が正解した数によりＡＩ判断結果１１４ａ，１１４ｂの判断精度を評価することができる。ＡＩ判断結果１１４ａよりもＡＩ判断結果１１４ｂの方が、正解数が多い場合に、該当の判断項目の追加により判断精度が向上したことになり、それ以外の場合に、該当の判断項目を追加しても判断精度が向上しなかったことになる。
【0112】
（Ｓ２４）精度判定部１７３は、機械学習用に追加した判断項目を第２抽出ルール群１３２への追加対象に決定し、ルール作成部１７０に当該判断項目を通知する。そして、ステップＳ２６に処理が進む。
【0113】
（Ｓ２５）精度判定部１７３は、両ＡＩ判断結果、すなわち、ＡＩ判断結果１１４ａ，１１４ｂの判断精度は同等であるか否かを判定する。同等である場合、ステップＳ２７に処理が進む。同等でない場合、ステップＳ２６に処理が進む。同等であるとは、ステップＳ２３で説明した判断結果の正解数が同じであることを意味する。
【0114】
（Ｓ２６）追加項目選択部１７４は、第１抽出ルール群１３１において追加候補の判断項目が残っているか否かを判定する。追加候補の判断項目が残っている場合、ステップＳ２０に処理が進む。追加候補の判断項目が残っていない場合、ステップＳ２７に処理が進む。なお、次回にステップＳ２１が実行される際は今回の判断モデル１１２ｃが次回の判断モデル１１２ｂとして扱われる。また、次回にステップＳ２２が実行される際は今回の判断モデル１１２ｃに新たな判断項目の追加が行われた結果が、次回の判断モデル１１２ｃとして扱われる。
【0115】
（Ｓ２７）ルール作成部１７０は、学習部１１５による最終的な学習結果から第２抽出ルール群１３２を取得する。すなわち、ルール作成部１７０は、学習部１１５により最終的に作成された判断モデル１１２ｃとともに出力された判断根拠１１３ｂの情報に基づいて、第２抽出ルール群１３２を生成する。このとき、ルール作成部１７０は、元ルール群１２１に含まれる判断項目に関する抽出ルール情報に加えて、精度判定部１７３により通知された追加の判断項目に関する抽出ルール情報を生成する。そして、第２抽出ルール群取得の処理が終了する。
【0116】
なお、上記の手順では、ルール作成部１７０は、最終的な学習結果から第２抽出ルール群１３２における抽出ルール情報を生成するものとしたが、ステップＳ２４における通知を受けるたびに、該当の判断項目に関する抽出ルール情報を生成してもよい。
【0117】
図１６は、ルール合成の例を示すフローチャートである。
ルール合成は、ステップＳ４に相当する。
（Ｓ３０）合成部１８０は、第２抽出ルール群１３２の判断項目を選択し、元ルール群１２１（基本ワークフロー２００）から該当の判断項目を検索する。
ルール合成は、ステップＳ４に相当する。
（Ｓ３０）合成部１８０は、第２抽出ルール群１３２の判断項目を選択し、元ルール群１２１（基本ワークフロー２００）から該当の判断項目を検索する。
【0118】
（Ｓ３１）合成部１８０は、ステップＳ３０の検索の結果、第２抽出ルール群１３２から選択した判断項目と同じ判断項目が元ルール群１２１にあるか否かを判定する。第２抽出ルール群１３２から選択した判断項目と同じ判断項目が元ルール群１２１にある場合、ステップＳ３２に処理が進む。第２抽出ルール群１３２から選択した判断項目と同じ判断項目が元ルール群１２１にない場合、ステップＳ３３に処理が進む。
【0119】
（Ｓ３２）合成部１８０は、元ルール群１２１の該当ステップの条件判断を、第２抽出ルール群１３２から選択した判断項目の条件判断で置換する。これにより、図９，１０で例示したように、元ルール群１２１の該当のステップの条件判断が、機械学習を基に抽出された条件判断に変更され、当該変更が反映された改正ルール情報が生成される。そして、ステップＳ３６に処理が進む。
【0120】
（Ｓ３３）合成部１８０は、ステップＳ３０で選択した判断項目の抽出ルール情報に登録された関連判断項目が、元ルール群１２１に含まれるか否かを判定する。当該関連判断項目が元ルール群１２１に含まれる場合、ステップＳ３４に処理が進む。当該関連判断項目が元ルール群１２１に含まれない場合、ステップＳ３５に処理が進む。
【0121】
（Ｓ３４）合成部１８０は、元ルール群１２１の該当の関連判断項目のステップに対して、ステップＳ３０で選択した判断項目に関する条件判断を追加する。これにより、図１１，１２で例示したように、元ルール群１２１の該当のステップの条件判断に対して、機械学習を基に抽出された新たな条件判断が追加され、当該追加が反映された改正ルール情報が生成される。そして、ステップＳ３６に処理が進む。
【0122】
（Ｓ３５）合成部１８０は、元ルール群１２１の所定位置に、ステップＳ３０で選択した判断項目に関する条件判断を追加する。ここで、所定位置とは、元ルール群１２１により表される基本ワークフロー２００の最初のステップの直前、または、最後のステップの直後などが考えられる。これにより、当該条件判断の追加が反映された改正ルール情報が生成される。そして、ステップＳ３６に処理が進む。
【0123】
（Ｓ３６）合成部１８０は、第２抽出ルール群１３２の全判断項目を処理済であるか否かを判定する。第２抽出ルール群１３２の全判断項目を処理済の場合、ルール合成の処理が終了する。第２抽出ルール群１３２の全判断項目を処理済でない場合、ステップＳ３０に処理が進む。
【0124】
こうして、情報処理装置１００は、例えば、元ルール群１２１から改正ルール群１４１または改正ルール群１４２を生成する。言い換えれば、情報処理装置１００は、例えば、基本ワークフロー２００から、変更後ワークフロー３００または変更後ワークフロー３００ａを生成する。これにより、情報処理装置１００は、基本ワークフロー２００に含まれる一連の手順を精緻化することができる。情報処理装置１００は、精緻化後の変更後ワークフロー３００や変更後ワークフロー３００ａを用いて判断処理を行うことで、判断結果の精度を向上させることができる。また、情報処理装置１００は、基本ワークフロー２００の修正や改善を支援することができる。
【0125】
改正ルール群１４１，１４２は、元ルール群１２１における元ルール情報と同様に、変更後ワークフロー３００，３００ａを表すルールベースの情報である。ルール実行部１９０は、改正ルール群１４１，１４２に基づいて、ルールベースで表される一連の手順を実行することで、変更後ワークフロー３００，３００ａで表される手順に基づく判断結果を得ることができる。一方、判断モデルを用いたモデルベースでの判断では、判断過程がブラックボックス化されてしまい、ＡＩ判断結果が得られた理由の説明が困難になる。これに対して、情報処理装置１００によれば、ルールベースで表される手順で判断結果を得られるため、モデルベースでのＡＩ判断を行う場合よりも、ユーザにとって判断結果の理由が分かり易くなる。
【0126】
ここで、類似データ登録の際、情報処理装置１００は次の手順を実行する。例えば、類位データは、情報判断部１７５の登録部１７５ｂにより、次のようにして類似データ記憶部１７５ａに、事前に登録されてもよい。
【0127】
図１７は、類似データ登録の例を示すフローチャートである。
（Ｓ４０）登録部１７５ｂは、判断項目の過去の抽出結果を分析する。過去の抽出結果は、例えば、多数の会社に対する経営状態の判断などの過去の判断結果と、当該過去の判断結果が得られたときの多数の判断項目の値とを表す情報である。例えば、登録部１７５ｂは、過去データ１１１ａよりも情報量の大きなビックデータに基づいて、当該多数の判断項目の各々による過去の判断結果に対する影響の有無を分析することが考えられる。なお、ステップＳ４０の分析は、ユーザによって行われてもよい。
（Ｓ４０）登録部１７５ｂは、判断項目の過去の抽出結果を分析する。過去の抽出結果は、例えば、多数の会社に対する経営状態の判断などの過去の判断結果と、当該過去の判断結果が得られたときの多数の判断項目の値とを表す情報である。例えば、登録部１７５ｂは、過去データ１１１ａよりも情報量の大きなビックデータに基づいて、当該多数の判断項目の各々による過去の判断結果に対する影響の有無を分析することが考えられる。なお、ステップＳ４０の分析は、ユーザによって行われてもよい。
【0128】
（Ｓ４１）登録部１７５ｂは、ステップＳ４０の分析結果により、各判断項目が過去の判断結果の理由を説明できるか否かを判定する。該当の判断項目が過去の判断結果の理由を説明できる場合、該当の判断項目を類似データとして登録せずに、当該判断項目に対する処理を終了する。該当の判断項目が過去の判断結果の理由を説明できない場合、ステップＳ４２に処理が進む。
【0129】
例えば、登録部１７５ｂは、該当の判断項目が過去の判断結果に全く影響しないと推定される場合、当該判断項目が過去の判断結果の理由を説明できないと判定する。また、登録部１７５ｂは、該当の判断項目が過去の判断結果への影響が多少なりともあると推定される場合、当該判断項目が過去の判断結果の理由を説明できると判定する。なお、ステップＳ４１は、ユーザによる判定の結果を、登録部１７５ｂが受け付けることで実行されてもよい。
【0130】
（Ｓ４２）登録部１７５ｂは、過去の判断結果の理由を説明できると判定された判断項目を、類似データとして、類似データ記憶部１７５ａに保存する。そして、当該判断項目に対する処理が終了する。
【0131】
このように、情報判断部１７５は、会社の経営状態の判断など、目的とする判断内容に明らかに関係しない判断項目を、類似データとして事前に取得しておき、第１抽出ルール群１３１から類似データに含まれる判断項目を除去する。これにより、追加項目選択部１７４により不要な判断項目が選択されずに済み、第２抽出ルール群１３２の作成のための処理量が削減されるとともに、第２抽出ルール群１３２の作成精度が一層高まる。
【0132】
なお、情報処理装置１００により扱われる判断処理の一例には、上記のように会社などの法人の経営状態の監査が考えられる。当該監査では、判断ステップを記載した監査ガイドラインは存在しても、判断の基準となる項目が全て記載されていなかったり、判断の基準となる基準値が業界水準の値であったりする。このため、監査ガイドラインだけでは、経営状態の良否を適切に判断するには不十分であることがある。そこで、情報処理装置１００により、当該監査における判断ステップを精緻化し、判断精度を高めることができる。
【0133】
あるいは、他の例としては、投資先や取引先の経営状態の判断が考えられる。当該判断では、財務諸表などの書類を確認して判断することがあるが、当該書類に一般的な判断項目があっても、当該判断項目に対する値が一般的な数字となっており、具体的な値が提示されていないことがある。そこで、情報処理装置１００により、当該監査における判断ステップを精緻化し、判断精度を高めることができる。
【0134】
このように、ある判断プロセスで行う作業や判断が、ガイドライン（文書）で作成されており、当該文書の記載内容をワークフローの形で書き下す際に、情報処理装置１００により当該ワークフローを修正することができる。前述のように、ワークフローはルールベースの情報で記述され、ユーザにとって判断内容が分かり易いため、ワークフローからガイドラインを精緻化することも可能になる。
【0135】
また、ガイドラインをワークフローの形にした後、ワークフローが緻密化されることにより、当該ワークフローに基づく情報処理装置１００の判断結果の精度が上がる。その結果、監査などの判断結果の精度や、判断要因の抽出精度の向上を図れる。
【0136】
更に、基本となるルールや規定を変更しなければいけない場合に、過去データが含む多種類のパラメータのいずれが判断処理の影響度が大きいかが分からないことがある。また、判断処理のパラメータに精通した人が当該影響度を検討する必要がある。このため、過去データに基づいて判断フローを変更する際に改善影響の大きいパラメータを適切に選択できないことがある。
【0137】
これに対し、情報処理装置１００は、基本となるルールや規定を変更しなければいけない場合に、ユーザによる変更作業を支援することができる。情報処理装置１００は、機械学習を使って判断処理への影響度が大きいパラメータに関する新たなルールを発見・抽出することにより、基本となるルールの適切な変更を支援できる。
【0138】
以上で説明したように、情報処理装置１００は、例えば次の処理を実行する。
元ルール記憶部１２０は、各々がパラメータに対する判断条件を示す複数の第１判断ステップにより判断結果を得る判断フローの情報を記憶する。ルール作成部１７０は、複数のパラメータに対する判断結果を表す教師データを用いた機械学習に基づいて、機械学習により生成される判断モデルに関連する複数の第２判断ステップを取得する。ルール作成部１７０は、複数の第２判断ステップの各々と関連するパラメータを特定し、判断モデルへのパラメータの影響に応じて、複数のパラメータからパラメータの組を抽出する。合成部１８０は、抽出したパラメータの組に基づいて、判断フローに含まれる複数の第１判断ステップの一部を変更する。
元ルール記憶部１２０は、各々がパラメータに対する判断条件を示す複数の第１判断ステップにより判断結果を得る判断フローの情報を記憶する。ルール作成部１７０は、複数のパラメータに対する判断結果を表す教師データを用いた機械学習に基づいて、機械学習により生成される判断モデルに関連する複数の第２判断ステップを取得する。ルール作成部１７０は、複数の第２判断ステップの各々と関連するパラメータを特定し、判断モデルへのパラメータの影響に応じて、複数のパラメータからパラメータの組を抽出する。合成部１８０は、抽出したパラメータの組に基づいて、判断フローに含まれる複数の第１判断ステップの一部を変更する。
【0139】
これにより、情報処理装置１００は、判断処理に影響のあるパラメータに関する条件を判断フローに反映できる。また、情報処理装置１００は、判断フローを適切に改善できる。なお、判断項目は、パラメータの一例である。基本ワークフロー２００は、判断フローの一例である。過去データ１１１ａ，１１１ｂ，１１１ｃは、教師データの一例である。元ルール群１２１により表されるステップ１，２，…は、複数の第１判断ステップの一例である。第１抽出ルール群１３１や第２抽出ルール群１３２おけるステップＡ，Ｂ，…は、複数の第２判断ステップの一例である。
【0140】
判断モデルへのパラメータの影響は、例えば、判断結果が既知の入力を用いて、該当のパラメータがない場合の判断モデルでの判断結果に対し、該当のパラメータがある場合の判断モデルでの判断結果の精度が改善されるかにより判断される。該当のパラメータがある場合の判断モデルでの判断結果の精度が、当該パラメータがない場合に比べて改善される場合、判断モデルへの当該パラメータの影響があることになる。一方、該当のパラメータがある場合の判断モデルでの判断結果の精度が、当該パラメータがない場合に比べて改善されない場合、判断モデルへの当該パラメータの影響がないことになる。
【0141】
また、類似データ記憶部１７５ａは、特定のパラメータを示す情報を記憶する。情報判断部１７５は、教師データに含まれるパラメータ群のうち、当該特定のパラメータを機械学習に用いないと決定する。
【0142】
これにより、情報処理装置１００は、第２抽出ルール群１３２の作成に要する処理量を減らせる。また、判断処理に明らかに不要なパラメータを特定のパラメータとして登録しておくことで、第２抽出ルール群１３２の作成精度を向上できる。その結果、情報処理装置１００は、判断フローの改善の精度を高めることができる。
【0143】
また、ルール作成部１７０が抽出するパラメータの組は、判断フローに含まれる第１パラメータと、判断フローに含まれない第２パラメータとを含む。合成部１８０は、第１パラメータに対応する第１判断ステップを複数の第１判断ステップから特定し、特定した第１判断ステップに対して、第２パラメータに関する判断条件を追加する。
【0144】
これにより、情報処理装置１００は、判断フローに含まれる判断条件を、機械学習結果に基づいて精緻化することができる。その結果、情報処理装置１００は、判断フローに基づく判断結果の精度を向上できる。
【0145】
また、合成部１８０は、判断フローに含まれる第３パラメータに対する新たな判断条件を複数の第２判断ステップから抽出する。合成部１８０は、判断フローに含まれる、第３パラメータに対する判断条件を、抽出した新たな判断条件に置換する。
【0146】
これにより、情報処理装置１００は、判断フローに含まれる判断条件を、機械学習結果に基づいて精緻化することができる。その結果、情報処理装置１００は、判断フローに基づく判断結果の精度を向上できる。
【0147】
また、合成部１８０は、判断フローに含まれない第４パラメータに対する判断条件を複数の第２判断ステップから抽出する。合成部１８０は、判断フローに対して、第４パラメータに対する判断条件を示す判断ステップを追加する。
【0148】
これにより、情報処理装置１００は、判断フローに含まれる判断条件を、機械学習結果に基づいて精緻化することができる。その結果、情報処理装置１００は、判断フローに基づく判断結果の精度を向上できる。
【0149】
更に、合成部１８０は、複数の第１判断ステップの一部を変更した変更後の判断フローに含まれる各判断ステップを示すルール情報であって、変更後の判断フローで用いられるパラメータに対する判断条件が記述されたルール情報を生成する。ルール実行部１９０は、ルール情報に基づいて変更後の判断フローを実行することで、新たな入力データに対する新たな判断結果を取得する。
【0150】
このように、パラメータに対する判断条件が記述されたルールベースの情報に基づいて変更後の判断フローを実行して判断結果を得ることで、モデルベースでＡＩ判断結果を得るよりも、判断結果が得られる理由をユーザが理解し易くなる。ここで、変更後ワークフロー３００，３００ａは、変更後の判断フローの一例である。改正ルール群１４１，１４２または改正ルール群１４１，１４２に含まれる改正ルール情報は、変更後の判断フローを示すルール情報の一例である。新規データ１５１は、新たな入力データの一例である。判断結果１６１は、新たな判断結果の一例である。
【0151】
なお、第１の実施の形態の情報処理は、処理部１２にプログラムを実行させることで実現できる。また、第２の実施の形態の情報処理は、ＣＰＵ１０１にプログラムを実行させることで実現できる。プログラムは、コンピュータ読み取り可能な記録媒体５３に記録される。
【0152】
例えば、プログラムを記録した記録媒体５３が配布されることで、プログラムが流通される。また、プログラムを他のコンピュータに格納しておき、ネットワーク経由でプログラムを配布してもよい。コンピュータは、例えば、記録媒体５３に記録されたプログラムまたは他のコンピュータから受信したプログラムを、ＲＡＭ１０２やＨＤＤ１０３などの記憶装置に格納し（インストールし）、当該記憶装置からプログラムを読み込んで実行してもよい。
【0153】
なお、パラメータはワークフローに出てくる言葉、あるいは、元ルール群に入っているものに限定するものではない。例えば、学習するデータには、文字情報以外のデータ、例えば画像が含まれている場合もある。画像に右向きの顔画像がある場合、且つワークフローには「右向き」という文言がある場合、画像を前処理して、「右向き」という情報を抽出して、対応をとる方法もある。また、ワークフローに「右向き」という情報がない場合もある。その場合は、「右」という言葉で一致する内容を探して関連する部分を特定する。該当するものが無い場合は、ワークフローの任意の位置に新規パラメータを追加したり、ワークフローに追加する新たなパラメータの候補としてユーザに提示し、選択、追加させる方法もある。
【符号の説明】
【0154】
１０ 情報処理装置
１１ 記憶部
１２ 処理部
２０ 判断フロー
３０ 判断ステップ情報
４０ 変更後判断フロー
２１，２２，４１，４２ 判断ステップ
１１ 記憶部
１２ 処理部
２０ 判断フロー
３０ 判断ステップ情報
４０ 変更後判断フロー
２１，２２，４１，４２ 判断ステップ
【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】