特許 7622182 情報処理装置、情報処理方法、及び、情報処理プログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B1)

(11)【特許番号】

(24)【登録日】2025-01-17

(45)【発行日】2025-01-27

(54)【発明の名称】情報処理装置、情報処理方法、及び、情報処理プログラム

(51)【国際特許分類】

   G06F 40/289 20200101AFI20250120BHJP

   G06F 40/216 20200101ALI20250120BHJP

【ＦＩ】

G06F40/289

G06F40/216

【請求項の数】 5

(21)【出願番号】P 2023183788

(22)【出願日】2023-10-26

【審査請求日】2023-10-26

(73)【特許権者】

【識別番号】399040405

【氏名又は名称】東日本電信電話株式会社

(74)【代理人】

【識別番号】100083806

【弁理士】

【氏名又は名称】三好 秀和

(74)【代理人】

【識別番号】100111235

【弁理士】

【氏名又は名称】原 裕子

(74)【代理人】

【識別番号】100170575

【弁理士】

【氏名又は名称】森 太士

(72)【発明者】

【氏名】本間 文洋

(72)【発明者】

【氏名】西脇 博

【審査官】齊藤 貴孝

(56)【参考文献】

【文献】特開２００６－０５９１０５（ＪＰ，Ａ）

【文献】三林 亮太、外１１名，文化財の特徴理解に特化したＢＥＲＴモデル，第１４回データ工学と情報マネジメントに関するフォーラム （第２０回日本データベース学会年次大会） ［Ｏｎｌｉｎｅ］ ，日本，ｐ．１－８

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｆ ４０／００－４０／５８

(57)【特許請求の範囲】

【請求項1】

第１の文章に含まれるＡＩモデルが学習していない未知の語彙を別の語彙に置き換え、置き換えた置換文章を前記ＡＩモデルに追加学習させる第１の処理部と、
前記ＡＩモデルへの第２の文章に含まれる前記未知の語彙を前記別の語彙に置き換え、置き換えた置換文章を前記ＡＩモデルに入力し、前記ＡＩモデルからの応答文章に含まれる前記別の語彙を前記未知の語彙に戻す第２の処理部と、
を備える情報処理装置。

【請求項2】

前記第１の処理部は、
前記第１の文章を前記ＡＩモデルに追加学習させ、追加学習させた結果を基に前記未知の語彙を判定する請求項１に記載の情報処理装置。

【請求項3】

前記第１の処理部は、前記未知の語彙と前記別の語彙とを互いに対応付けた対応テーブルを生成し、
前記第２の処理部は、前記対応テーブルを用いて、前記第２の文章に含まれる前記未知の語彙を前記別の語彙に置き換える請求項１に記載の情報処理装置。

【請求項4】

情報処理装置で行う情報処理方法において、
第１の文章に含まれるＡＩモデルが学習していない未知の語彙を別の語彙に置き換え、置き換えた置換文章を前記ＡＩモデルに追加学習させ、
前記ＡＩモデルへの第２の文章に含まれる前記未知の語彙を前記別の語彙に置き換え、置き換えた置換文章を前記ＡＩモデルに入力し、前記ＡＩモデルからの応答文章に含まれる前記別の語彙を前記未知の語彙に戻す、
情報処理方法。

【請求項5】

請求項１乃至３のいずれかに記載の情報処理装置としてコンピュータを機能させる情報処理プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、情報処理装置、情報処理方法、及び、情報処理プログラムに関する。

【背景技術】

【0002】

近年利用が拡大している自然言語ＡＩ（Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ）モデルで、ＡＩモデルが学習していない未知の語彙を扱えるようにする技術が求められている。特許文献１には、変換前後のテキストを比較して未知語を検出する方法が開示されている。

【先行技術文献】

【特許文献】

【0003】

【文献】特開２０２２－０４２０３３号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

上記技術として、ＡＩモデルを使用する前に未知の語彙を事前に学習する方法が考えられる。しかし、事前学習では、中間層及び出力層を含むＡＩモデル全体で多数のパラメータを調整するため、多くのメモリ量及び計算時間を要する。

【0005】

そこで、ファインチューニングと呼ばれる追加学習を行う方法が考えられる。追加学習では、ＡＩモデルの出力層からの出力結果を対象に追加的に学習するため、事前学習よりも少ないメモリ量及び計算時間で済む。

【0006】

しかし、追加学習では、ＡＩモデルが学習していない語彙は新たに学習されず、未知の語彙として処理されるため、適切な出力結果が得られない場合がある。

【0007】

本開示は、上記に鑑みてなされたものであり、簡易な追加学習であっても、ＡＩモデルにとって未知の語彙を扱うことが可能な技術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】

本開示の一態様の情報処理装置は、第１の文章に含まれるＡＩモデルが学習していない未知の語彙を別の語彙に置き換え、置き換えた置換文章を前記ＡＩモデルに追加学習させる第１の処理部と、前記ＡＩモデルへの第２の文章に含まれる前記未知の語彙を前記別の語彙に置き換え、置き換えた置換文章を前記ＡＩモデルに入力し、前記ＡＩモデルからの応答文章に含まれる前記別の語彙を前記未知の語彙に戻す第２の処理部と、を備える。

【0009】

本開示の一態様の情報処理方法は、情報処理装置で行う情報処理方法において、第１の文章に含まれるＡＩモデルが学習していない未知の語彙を別の語彙に置き換え、置き換えた置換文章を前記ＡＩモデルに追加学習させ、前記ＡＩモデルへの第２の文章に含まれる前記未知の語彙を前記別の語彙に置き換え、置き換えた置換文章を前記ＡＩモデルに入力し、前記ＡＩモデルからの応答文章に含まれる前記別の語彙を前記未知の語彙に戻す。

【0010】

本開示の一態様の情報処理プログラムは、上記情報処理装置としてコンピュータを機能させる。

【発明の効果】

【0011】

本開示によれば、簡易な追加学習であっても、ＡＩモデルにとって未知の語彙を扱うことが可能な技術を提供できる。

【図面の簡単な説明】

【0012】

【図1】図１は、情報処理装置の機能ブロック構成を示す図である。

【図2】図２は、ＡＩモデルの学習段階における情報処理装置の処理フローを示す図である。

【図3】図３は、対応テーブルの例を示す図である。

【図4】図４は、ＡＩモデルの使用段階における情報処理装置の処理フローを示す図である。

【図5】図５は、対応テーブルの例を示す図である。

【図6】図６は、従来技術及び本実施形態の構成例及び処理例を示す図である。

【図7】図７は、情報処理装置のハードウェア構成を示す図である。

【発明を実施するための形態】

【0013】

以下、本開示を実施する一実施形態について図面を用いて説明する。

【0014】

［情報処理装置の機能］
図１は、本実施形態に係る情報処理装置１の機能ブロック構成を示す図である。

【0015】

情報処理装置１は、ＡＩモデルの学習段階で機能する第１の処理部１１と、ＡＩモデルの使用段階で機能する第２の処理部１２と、情報処理装置１で扱われる各種情報を記憶する記憶部１３と、を備える。

【0016】

第１の処理部１１は、追加学習用の文章（第１の文章）ＡをＡＩモデルに追加学習させ、追加学習させた結果を基にＡＩモデルが学習していない未知の語彙を判定する機能を備える。

【0017】

また、第１の処理部１１は、追加学習用の文章Ａに含まれる未知の語彙を別の語彙に置き換え、置き換えた置換文章Ａ’をＡＩモデルに追加学習させる機能を備える。例えば、第１の処理部１１は、未知の語彙である専門用語を使用環境（ＡＩモデルの環境）で使われない語（例えば、“＃”＋語）に置き換え、置き換えた置換文章をＡＩモデルに追加学習させる。

【0018】

また、第１の処理部１１は、未知の語彙と別の語彙とを互いに対応付けた対応テーブルを生成し、生成した対応テーブルを記憶部１３に記憶させる機能を備える。

【0019】

第２の処理部１２は、上記ＡＩモデルへ処理要求用の文章（第２の文章）Ｂｉｎを入力する前に、第１の処理部１１により学習段階で行われた語彙の置き換えと同じ語彙の置き換えを実行する。

【0020】

つまり、第２の処理部１２は、記憶部１３に記憶されている対応テーブルを用いて、処理要求用の文章Ｂｉｎに含まれる未知の語彙を別の語彙に置き換え、置き換えた置換文章Ｂｉｎ’をＡＩモデルに入力する機能を備える。例えば、第２の処理部１２は、未知の語彙である専門用語を使用環境で使われない語に置き換える。

【0021】

また、第２の処理部１２は、置換文章Ｂｉｎ’に対するＡＩモデルからの応答文章Ｂｏｕｔを受け取り、受け取った応答文章Ｂｏｕｔに含まれる別の語彙を未知の語彙に置き換え、置き換えた置換文章Ｂｏｕｔ’を出力する機能を備える。例えば、第２の処理部１２は、使用環境で使われない語（置き換えていた語彙）を元の専門用語（置き換える前の語彙）に戻して出力する。

【0022】

なお、第１の処理部１１及び第２の処理部１２は、１つ処理部としてもよい。

【0023】

［情報処理装置の動作］
まず、ＡＩモデルの学習段階における情報処理装置１の動作を説明する。

【0024】

図２は、ＡＩモデルの学習段階における情報処理装置１の処理フローを示す図である。

【0025】

ステップＳ１０１；
ユーザＡは、追加学習用の文章Ａを準備して情報処理装置１に入力する。情報処理装置１の第１の処理部１１は、その文章Ａを取得する。文章Ａは、例えば「ＣＳＭの雷害対策として絶縁モジュールを取り付ける。」である。

【0026】

ステップＳ１０２；
次に、第１の処理部１１は、上記文章ＡをＡＩモデルに入力し、その文章ＡをＡＩモデルに追加学習させる。これにより、ＡＩモデルは、文章Ａの「ＣＳＭの雷害対策として絶縁モジュールを取り付ける。」を学習する。

【0027】

ステップＳ１０３；
次に、ユーザＡは、文章Ａに関する処理要求用の文章を情報処理装置１に入力する。情報処理装置１の第１の処理部１１は、その文章を取得して上記ＡＩモデル（文章Ａを学習済みのＡＩモデル）に入力する。処理要求用の文章は、例えば「ＣＳＭの雷害対策を教えて。」である。

【0028】

ステップＳ１０４；
ＡＩモデルに「ＣＳＭの雷害対策を教えて。」等を入力すると、元の文章Ａを正しく学習できていたＡＩモデルは、「ＣＳＭの雷害対策として絶縁モジュールを取り付ける。」という応答文章（追加学習させた文章Ａと同様の文章）を出力する。

【0029】

一方、ＡＩモデルが「ＣＳＭ」という語彙を正しく学習できていない場合、ＡＩモデルは、“雷害対策”に関係する応答文章を出力するが、正しく学習できていない「ＣＳＭ」は未知の語彙を示す「＜ＵＮＫ＞」と置き換え、「＜ＵＮＫ＞の雷害対策として絶縁モジュールを取り付ける。」という応答文章を出力する。

【0030】

そこで、第１の処理部１１は、ＡＩモデルからの応答文章に「＜ＵＮＫ＞」が含まれるか否かを判定する。「＜ＵＮＫ＞」が含まれる場合にはステップＳ１０５へ進み、「＜ＵＮＫ＞」が含まれない場合にはステップＳ１０６へ進む。

【0031】

ステップＳ１０５；
ＡＩモデルからの応答文章に「＜ＵＮＫ＞」が含まれる場合、第１の処理部１１は、元の文章Ａから「＜ＵＮＫ＞」の位置に対応する語彙Ｘを取得し、その語彙Ｘである「ＣＳＭ」を「＃１＃２＃３」等の別の語彙Ｙに置き換えた文章Ａの置換文章Ａ’を生成する。

【0032】

その後、ステップＳ１０２へ戻り、第１の処理部１１は、置換文章Ａ’の「＃１＃２＃３の雷害対策として絶縁モジュールを取り付ける。」をＡＩモデルに入力してＡＩモデルに追加学習（文章Ａに関する再度追加学習）させる（２回目のステップＳ１０２）。そして、置換文章Ａ’に関する「＃１＃２＃３の雷害対策を教えて。」等の処理要求用の文章をＡＩモデル（置換文章Ａ’を学習済みのＡＩモデル）に入力する（２回目のステップＳ１０３）。その後、ＡＩモデルからの応答文章に「＜ＵＮＫ＞」が含まれるか否かを再度判定する（２回目のステップＳ１０４）。

【0033】

２回目のステップＳ１０２でＡＩモデルが置換文章Ａ’を正しく学習できていた場合、ＡＩモデルは、「＜ＵＮＫ＞」を含まない「＃１＃２＃３の雷害対策として絶縁モジュールを取り付ける。」等の応答文章を出力する。

【0034】

ステップＳ１０６；
ステップＳ１０５を経由後、ＡＩモデルからの応答文章に「＜ＵＮＫ＞」が含まれない場合、第１の処理部１１は、ステップＳ１０５で文章Ａから取得していた「ＣＳＭ」の語彙Ｘを未知の語彙として特定する。

【0035】

ステップＳ１０７；
ステップＳ１０６の後、第１の処理部１１は、語彙Ｘ（未知の語彙）と語彙Ｙ（別の語彙）とを対応付けた対応テーブルを生成し、その対応テーブルを記憶部１３に記憶させる。対応テーブルの例を図３に示す。

【0036】

ステップＳ１０８；
ステップＳ１０７の後、第１の処理部１１は、次の文章があるか否かを判定する。次の文章がある場合、第１の処理部１１は、次の文章がなくなるまでステップＳ１０１～ステップＳ１０７を繰り返し行い、対応テーブルを更新する。次の文章がない場合、第１の処理部１１は、追加学習を終了する。

【0037】

次に、ＡＩモデルの使用段階における情報処理装置１の動作を説明する。

【0038】

図４は、ＡＩモデルの使用段階における情報処理装置１の処理フローを示す図である。

【0039】

ステップＳ２０１；
ユーザＢは、ＡＩプロンプト等から処理要求用の文章Ｂｉｎを情報処理装置１に入力する。文章Ｂｉｎは、例えば「ＣＳＭの雷害対策の例は？」である。なお、ユーザＢは、ステップＳ１０１及びステップＳ１０３で記述したユーザＡと同一でもよいが、一般にはＡＩモデルを利用する第三者である。

【0040】

ステップＳ２０２；
次に、情報処理装置１の第２の処理部１２は、記憶部１３に記憶されている対応テーブルを用いて文章Ｂｉｎから語彙Ｘを検索し、検索した語彙Ｘの「ＣＳＭ」を語彙Ｙの「＃１＃２＃３」に置き換える。つまり、ＡＩモデルにとって文章Ｂｉｎに含まれる「ＣＳＭ」は未知の語彙であるため、その未知の語彙を対応テーブルより対応する別の語彙に置き換える。

【0041】

ステップＳ２０３；
次に、第２の処理部１２は、「ＣＳＭ」を「＃１＃２＃３」に置き換えた「＃１＃２＃３の雷害対策の例は？」という文章Ｂｉｎの置換文章Ｂｉｎ’をＡＩモデルに入力する。置換文章Ｂｉｎ’ではＡＩモデルにとって未知の語彙である「ＣＳＭ」が「＃１＃２＃３」に置き換えられ、ＡＩモデルは「＃１＃２＃３」を２回目のステップＳ１０２で正しく学習しているので、ＡＩモデルは置換文章Ｂｉｎ’を適切に処理できる。その後、ＡＩモデルは、「＃１＃２＃３の雷害対策として絶縁モジュールを取り付ける。」等の応答文章Ｂｏｕｔを出力する。

【0042】

ステップＳ２０４；
次に、第２の処理部１２は、対応テーブルを参照し、ＡＩモデルからの応答文章Ｂｏｕｔに含まれる語彙Ｙの「＃１＃２＃３」を元の語彙Ｘの「ＣＳＭ」に戻す。

【0043】

ステップＳ２０５；
最後に、第２の処理部１２は、「＃１＃２＃３」を元の「ＣＳＭ」に戻した「ＣＳＭの雷害対策として絶縁モジュールを取り付ける。」等の置換文章Ｂｏｕｔ’を、文章Ｂｉｎに対する応答結果としてユーザＢのユーザ端末の画面に出力する。

【0044】

［変形例１］
ＡＩモデルの未知の語彙を予め把握可能な場合には、未知の語彙と別の語彙とを互いに対応付けた対応テーブルを予め生成しておいてもよい。この場合、未知の語彙を特定するために行う文章Ａに関するステップＳ１０２～ステップＳ１０４は省略できる。

【0045】

つまり、第１の処理部１１は、追加学習用の文章ＡをＡＩモデルに追加学習させ、追加学習させた結果を基に未知の語彙を判定する、という事前の機能はなくてもよい。第１の処理部１１は、文章Ａに含まれるＡＩモデルが学習していない未知の語彙を別の語彙に置き換え、置き換えた置換文章Ａ’をＡＩモデルに追加学習させる、という機能でよい。

【0046】

この場合、第１の処理部１１は、文章Ａを取得し（ステップＳ１０１）、ステップＳ１０２～ステップＳ１０４はスキップし、文章Ａに含まれる語彙Ｘを語彙Ｙに置き換えた置換文章Ａ’を生成し（ステップＳ１０５）、その置換文章Ａ’をＡＩモデルに入力してＡＩモデルに追加学習させる（ステップＳ１０２）。その後、第１の処理部１１は、ステップＳ１０６～ステップＳ１０７はスキップし、ステップＳ１０８へ進む。

【0047】

［変形例２］
語彙Ｘから語彙Ｙへ置き換える方法は、任意である。その例を図５に示す。

【0048】

語彙Ｘがアルファベットであれば、そのアルファベットをカナに置き換えたもの（「ＣＳＭ」→「シーエスエム」）を語彙Ｙとする。そのアルファベットの一つひとつを「「＃」＋カナ」にそれぞれ置き換えて「＃シー＃エス＃エム」としてもよいし、そのアルファベットを反転置き換えたものを後ろに追加してカナに置き換えた「シーエスエムムエスエーシ」としてもよい。

【0049】

語彙Ｘが旧字体の漢字（例えば「齋藤」）であれば、その漢字の新字体（例えば「斉藤」）を語彙Ｙとしてもよい。その他、使用環境で使われない語（例えば「鮭鱒」）、通常は利用されない語（例えば「氏絵酢笑」）を語彙Ｙとしてもよい。互いに異なる複数の語彙Ｙを組み合わせたものを語彙Ｙとしてもよい。

【0050】

なお、ステップＳ１０５で「ＣＳＭ」を例えば「氏絵酢笑」に置き換えた場合、２回目のステップＳ１０４でＡＩモデルからの応答文章に再び「＜ＵＮＫ＞」が含まれる可能性がある。この場合、ステップＳ１０５で「氏絵酢笑」以外の語彙Ｙを選択する。

【0051】

この点、ステップＳ１０５を経由する回数を少なくするため、語彙Ｙは当初よりＡＩモデルが学習済みの語彙であることが好ましいが、ＡＩモデルの学習済みの語彙を把握することは通常困難なので、ＡＩモデルからの応答文章に「＜ＵＮＫ＞」が含まれなくなるまで、異なる語彙Ｙを繰り返し選択する。

【0052】

また、語彙Ｙは「ＡＩモデルが学習済みの語彙であることが好ましい」と述べたが、ＡＩモデルが通常扱う語彙に該当する場合、その語彙自体がＡＩモデルにより処理されてしまい、ＡＩモデルの応答文章から語彙Ｙを判別できなくなる恐れがある。そのため、語彙Ｙは、「＜ＵＮＫ＞」に置き換えられる可能性が小さく、ＡＩモデルの環境では一般に使用されない語等、図５に示した語彙Ｙが好ましい。

【0053】

［従来技術と本実施形態との比較］
情報処理装置１のない従来技術と情報処理装置１のある本実施形態とを比較する。

【0054】

図６（ａ）は、情報処理装置１のない従来技術の構成例及び処理例を示す図である。

【0055】

一般に、自然言語を扱うＡＩ装置２は、処理対象の文章について単語分解等の自然言語処理を行うトークナイザー２１と、自然言語処理後のデータを処理して要求に応答するＡＩモデル２２と、を備える。

【0056】

トークナイザー２１は、ユーザ端末３から「ＣＳＭの雷害対策の例は？」という文章を受信すると、未割当の語彙（未学習の語彙）である「ＣＳＭ」は数値に変換できないので「＜ＵＮＫ＞」に変換し、割当済みの語彙（学習済の語彙）は対応する数値に変換し、ＡＩモデル２２に入力する。

【0057】

ＡＩモデル２２は、要求に対して処理を行うが、「＜ＵＮＫ＞」はそのまま出力し、それ以外は応答内容を数値で出力する。このとき、「＜ＵＮＫ＞」等の影響により、要求とは関係ない応答を出力する場合がある。その後、トークナイザー２１は、「＜ＵＮＫ＞」はそのままユーザ端末３の画面へ出力し、数値は対応する文字に置き換えて出力する。

【0058】

この結果、「ＣＳＭの雷害対策の例は？」という質問に対し、例えば「＜ＵＮＫ＞発熱が…」という応答がユーザ端末３の画面に表示される。「＜ＵＮＫ＞」はユーザにとって不明であり、「発熱が…」は質問に関係のない応答である。

【0059】

一方、本実施形態では、トークナイザー２１へ文章を入力する前に、文章に含まれる未割当の語彙を別の語彙で表現し、その別の語彙による文章をＡＩモデルで追加学習しておく。これにより、文章に含まれる専門用語等がＡＩモデルで未割当な語彙であっても、ＡＩモデルで適切に応答可能となる。

【0060】

具体的には、図６（ｂ）に示すように、ユーザ端末３とトークナイザー２１との間に情報処理装置１を介在させる。

【0061】

情報処理装置１は、ユーザ端末３から「ＣＳＭの雷害対策の例は？」という文章を受信すると、ＡＩモデル２２にとって未割当の語彙である「ＣＳＭ」を割当済みの語彙である「シーエスエム」に置き換えてトークナイザー２１へ送信する。

【0062】

トークナイザー２１とＡＩモデル２２は、既存の動作を実行する。

【0063】

トークナイザー２１は、情報処理装置１から「シーエスエムの雷害対策の例は？」を受信すると、未割当の語彙がないので、全ての語彙を対応する数値に変換し、ＡＩモデル２２に入力する。

【0064】

ＡＩモデル２２は、入力に「＜ＵＮＫ＞」が含まれず、また、「ＣＳＭ」を「シーエスエム」に置き換えた文章を予め追加学習しているので、その入力を処理可能である。ＡＩモデル２２は、入力に対して処理した処理後の数値をトークナイザー２１へ出力する。

【0065】

その後、トークナイザー２１は、ＡＩモデル２２からの出力に含まれる数値を対応する文字に置き換え、置き換えた「シーエスエムの雷害対策として絶縁モジュールを取り付ける。」等の応答文章を処理要求元の情報処理装置１へ送信する。

【0066】

情報処理装置１は、トークナイザー２１からの応答文章に含まれる「シーエスエム」を元の「ＣＳＭ」に戻し、「ＣＳＭの雷害対策として絶縁モジュールを取り付ける。」をユーザ端末３の画面へ出力する。

【0067】

この結果、「ＣＳＭの雷害対策の例は？」という質問に対し、例えば「ＣＳＭの雷害対策として絶縁モジュールを取り付ける。」という応答がユーザ端末３の画面に表示される。これを見たユーザは、自己の質問に対するＡＩモデル２２からの回答を正しく理解できる。

【0068】

［実施形態の効果］
本実施形態によれば、情報処理装置１が、追加学習用の文章Ａに含まれるＡＩモデルが学習していない未知の語彙を別の語彙に置き換え、置き換えた置換文章Ａ’をＡＩモデルに追加学習させる第１の処理部１１と、ＡＩモデルへの処理要求用の文章Ｂｉｎに含まれる未知の語彙を別の語彙に置き換え、置き換えた置換文章Ｂｉｎ’をＡＩモデルに入力し、ＡＩモデルからの応答文章Ｂｏｕｔに含まれる別の語彙を未知の語彙に戻す第２の処理部１２と、を備えるので、簡便な追加学習によりＡＩモデルにとって未学習の語彙を処理できるようになり、様々なＡＩモデルの使用環境への適用が容易となる。

【0069】

また、本実施形態によれば、第１の処理部１１は、追加学習用の文章ＡをＡＩモデルに追加学習させ、追加学習させた結果を基に未知の語彙を判定するので、ＡＩモデルが学習していない未知の語彙を把握していない場合にも適用可能となり、より様々なＡＩモデルの使用環境への適用が容易となる。

【0070】

例えば、本実施形態に係る情報処理装置１は、ＧＰＴ（Ｇｅｎｅｒａｔｉｖｅ Ｐｒｅ－ｔｒａｉｎｅｄ Ｔｒａｎｓｆｏｒｍｅｒ）、ＢＥＲＴ（Ｂｉｄｉｒｅｃｔｉｏｎａｌ Ｅｎｃｏｄｅｒ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ ｆｒｏｍ Ｔｒａｎｓｆｏｒｍｅｒｓ）に適用可能である。

【0071】

［その他］
本開示は、上記実施形態に限定されない。本開示は、本開示の要旨の範囲内で数々の変形が可能である。

【0072】

上記説明した本実施形態の情報処理装置１は、例えば、図７に示すように、ＣＰＵ９０１と、メモリ９０２と、ストレージ９０３と、通信装置９０４と、入力装置９０５と、出力装置９０６と、を備えた汎用的なコンピュータシステムを用いて実現できる。メモリ９０２及びストレージ９０３は、記憶装置である。当該コンピュータシステムにおいて、ＣＰＵ９０１がメモリ９０２上にロードされた所定のプログラムを実行することにより、情報処理装置１の各機能が実現される。

【0073】

情報処理装置１は、１つのコンピュータで実装されてもよい。情報処理装置１は、複数のコンピュータで実装されてもよい。情報処理装置１は、コンピュータに実装される仮想マシンであってもよい。情報処理装置１用のプログラムは、ＨＤＤ、ＳＳＤ、ＵＳＢメモリ、ＣＤ、ＤＶＤ等のコンピュータ読取り可能な記録媒体に記憶できる。コンピュータ読取り可能な記録媒体とは、例えば、非一時的な記録媒体である。情報処理装置１用のプログラムは、通信ネットワークを介して配信することもできる。

【符号の説明】

【0074】

１ 情報処理装置
１１ 第１の処理部
１２ 第２の処理部
１３ 記憶部
２ ＡＩ装置
２１ トークナイザー
２２ ＡＩモデル
３ ユーザ端末
９０１ ＣＰＵ
９０２ メモリ
９０３ ストレージ
９０４ 通信装置
９０５ 入力装置
９０６ 出力装置

【要約】

【課題】簡易な追加学習であっても、ＡＩモデルにとって未知の語彙を扱うことが可能な技術を提供する。
【解決手段】情報処理装置１は、第１の文章に含まれるＡＩモデルが学習していない未知の語彙を別の語彙に置き換え、置き換えた置換文章を前記ＡＩモデルに追加学習させる第１の処理部１１と、前記ＡＩモデルへの第２の文章に含まれる前記未知の語彙を前記別の語彙に置き換え、置き換えた置換文章を前記ＡＩモデルに入力し、前記ＡＩモデルからの応答文章に含まれる前記別の語彙を前記未知の語彙に戻す第２の処理部１２と、を備える。
【選択図】図１

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】