特許 7662055 情報処理装置、情報処理方法、およびプログラム

(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】2025-04-07

(45)【発行日】2025-04-15

(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】

   G06Q 50/10 20120101AFI20250408BHJP

   G06N 20/00 20190101ALI20250408BHJP

【ＦＩ】

G06Q50/10

G06N20/00 130

【請求項の数】 10

(21)【出願番号】P 2023567387

(86)(22)【出願日】2021-12-15

(86)【国際出願番号】 JP2021046268

(87)【国際公開番号】W WO2023112203

(87)【国際公開日】2023-06-22

【審査請求日】2024-06-12

(73)【特許権者】

【識別番号】000004237

【氏名又は名称】日本電気株式会社

(74)【代理人】

【識別番号】110000338

【氏名又は名称】弁理士法人 ＨＡＲＡＫＥＮＺＯ ＷＯＲＬＤ ＰＡＴＥＮＴ ＆ ＴＲＡＤＥＭＡＲＫ

(72)【発明者】

【氏名】五十嵐 雄大

【審査官】永野 一郎

(56)【参考文献】

【文献】米国特許出願公開第２０１８／０２５３６３７（ＵＳ，Ａ１）

【文献】特開２０１９－０９１３５６（ＪＰ，Ａ）

【文献】中村 勇介，他１名，カスタマーサクセスで成果を出す３ステップ ３つのツールで解説，日経ＸＴＲＥＮＤ，日本，日経ＢＰ，2020年11月，第031巻，p.10-12

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｑ １０／００－９９／００

Ｇ０６Ｎ ２０／００

(57)【特許請求の範囲】

【請求項1】

機械学習による分析を行う分析環境における対象ユーザのログ情報及びリソース使用率を取得する取得手段と、
前記分析環境におけるログ情報及びリソース使用率からアドバイス情報を生成するよう学習されたアドバイス情報生成モデルに、前記取得手段が取得した前記対象ユーザのログ情報及びリソース使用率を入力することによって、前記対象ユーザに関するアドバイス情報を生成する生成手段と、
前記生成手段が生成したアドバイス情報を出力する出力手段と
を備えている情報処理装置。

【請求項2】

前記ログ情報には、
前記対象ユーザによる前記分析環境へのアクセス回数、及び、
前記分析に関するエラー履歴
が含まれている請求項１に記載の情報処理装置。

【請求項3】

前記アドバイス情報には、解約要因及び解約時期に関する予測が含まれる
請求項１又は２に記載の情報処理装置。

【請求項4】

前記アドバイス情報生成モデルは、
前記対象ユーザのログ情報及びリソース使用率から、解約要因及び解約時期を予測する第１のモデルと、
前記第１のモデルで予測した解約要因及び解約時期を参照してアドバイス情報を生成する第２のモデルと
を含んでいる請求項３に記載の情報処理装置。

【請求項5】

前記アドバイス情報は、前記分析環境を提供する提供者へのアドバイスを含む
請求項１から４の何れか１項に記載の情報処理装置。

【請求項6】

前記アドバイス情報は、前記対象ユーザへのアドバイスを含む
請求項１から５の何れか１項に記載の情報処理装置。

【請求項7】

前記アドバイス情報生成モデルを学習させる学習部
を備えている請求項１から６の何れか１項に記載の情報処理装置。

【請求項8】

前記取得手段は、
前記分析環境におけるログ情報及びリソース使用率とアドバイス情報との組を複数含む訓練データを取得し、
前記学習部は、前記アドバイス情報生成モデルを、前記訓練データを用いて学習させる請求項７に記載の情報処理装置。

【請求項9】

１又は複数のプロセッサが、
機械学習による分析を行う分析環境における対象ユーザのログ情報及びリソース使用率を取得すること、
前記分析環境におけるログ情報及びリソース使用率からアドバイス情報を生成するよう学習されたアドバイス情報生成モデルに、前記取得した前記対象ユーザのログ情報及びリソース使用率を入力することによって、前記対象ユーザに関するアドバイス情報を生成すること、及び
前記生成したアドバイス情報を出力すること
を含む情報処理方法。

【請求項10】

コンピュータを、
機械学習による分析を行う分析環境における対象ユーザのログ情報及びリソース使用率を取得する取得手段と、
前記分析環境におけるログ情報及びリソース使用率からアドバイス情報を生成するよう学習されたアドバイス情報生成モデルに、前記取得手段が取得した前記対象ユーザのログ情報及びリソース使用率を入力することによって、前記対象ユーザに関するアドバイス情報を生成する生成手段と
前記生成手段が生成したアドバイス情報を出力する出力手段とを備える情報処理装置として機能させる
プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、ＡＩプラットフォームをより適正に活用できるようにするアドバイスをユーザに提供できるようにする情報処理装置、情報処理方法、およびプログラムに関する。

【背景技術】

【0002】

近年、企業において、ＡＩを搭載したサービスやシステム開発が盛んに行われている一方で、ＡＩを活用した分析モデルの構築を行うためには、高額の投資が見込まれることも多い。

【0003】

そこで、ＡＩプラットフォームが活用されている。ＡＩプラットフォームは、分析モデルの構築に必要な装置やソフトウェアを提供し、ＡＩプラットフォームを活用することで、ユーザの負担が大幅に軽減する。

【0004】

しかしながら、ＡＩプラットフォームサービスでは、短期間・小規模のプロジェクトが頓挫するケースも見受けられる。このようなケースではサービス利用者がサービスを解約する事態になることもある。このため、ＡＩプラットフォームをより好適に活用できるようにするアドバイスをユーザに提供できる技術が望まれている。

【0005】

一方、解約予測という観点では、特許文献１には、解約予測を用いて営業活動計画を生成して、営業担当者に適切なタイミングで効率よく営業活動を行なわせる技術が提案されている。

【先行技術文献】

【特許文献】

【0006】

【文献】日本国特許出願 2021-64406号公報

【発明の概要】

【発明が解決しようとする課題】

【0007】

ＡＩプラットフォームでは、ユーザのプロジェクトの進展が図られないと、解約を防止することが難しい。このため、特許文献１の技術を用いたとしても、ＡＩプラットフォームに関する好適なアドバイスを生成することがは難しい。

【0008】

本発明の一態様は、上記の問題に鑑みてなされたものであり、その目的の一例は、ＡＩプラットフォームをより好適に活用できるようにするアドバイスをユーザに提供できるようにすることである。

【課題を解決するための手段】

【0009】

本発明の一側面に係る情報処理装置は、機械学習による分析を行う分析環境における対象ユーザのログ情報及びリソース使用率を取得する取得手段と、前記分析環境におけるログ情報及びリソース使用率からアドバイス情報を生成するよう学習されたアドバイス情報生成モデルに、前記取得手段が取得した前記対象ユーザのログ情報及びリソース使用率を入力することによって、前記対象ユーザに関するアドバイス情報を生成する生成手段と、前記生成手段が生成したアドバイス情報を出力する出力手段とを備える。

【0010】

本発明の一側面に係る情報処理方法は、機械学習による分析を行う分析環境における対象ユーザのログ情報及びリソース使用率を取得すること、前記分析環境におけるログ情報及びリソース使用率からアドバイス情報を生成するよう学習されたアドバイス情報生成モデルに、前記取得手段が取得した前記対象ユーザのログ情報及びリソース使用率を入力することによって、前記対象ユーザに関するアドバイス情報を生成すること、前記生成したアドバイス情報を出力することを含む。

【0011】

本発明の一側面に係るプログラムは、コンピュータを、機械学習による分析を行う分析環境における対象ユーザのログ情報及びリソース使用率を取得する取得手段と、前記分析環境におけるログ情報及びリソース使用率からアドバイス情報を生成するよう学習されたアドバイス情報生成モデルに、前記取得手段が取得した前記対象ユーザのログ情報及びリソース使用率を入力することによって、前記対象ユーザに関するアドバイス情報を生成する生成手段と、前記生成手段が生成したアドバイス情報を出力する出力手段とを備える情報処理装置として機能させる。

【発明の効果】

【0012】

本発明の一態様によれば、ＡＩプラットフォームをより好適に活用できるようにするアドバイスをユーザに提供できる

【図面の簡単な説明】

【0013】

【図1】本発明の例示的実施形態１に係る情報処理装置の構成例を示すブロック図である。

【図2】本発明の例示的実施形態１に係る情報処理方法の流れを示すフローチャートである。

【図3】本発明の例示的実施形態２に係る解約予測システムの構成例を示すブロック図である。

【図4】図４は、解約予測装置の構成例を示すブロック図である。

【図5】アドバイス情報生成モデル８１の予測方式を説明する図である。

【図6】アドバイス情報の例を説明する図である。

【図7】解約予測装置１０によるアドバイス情報出力処理の流れを説明するフローチャートである。

【図8】解約学習・予測装置１０Ａの構成例を示すブロック図である。

【図9】解約学習・予測装置１０Ａによる学習処理の流れを説明するフローチャートである。

【図10】解約学習・予測装置１０Ａの構成例を示すブロック図である。

【図11】各機能を実現するプログラムの命令を実行するコンピュータの例を示す図である。

【発明を実施するための形態】

【0014】

〔例示的実施形態１〕
本発明の第１の例示的実施形態について、図面を参照して詳細に説明する。本例示的実施形態は、後述する例示的実施形態の基本となる形態である。

【0015】

＜情報処理装置２０の概要＞
本例示的実施形態に係る情報処理装置２０は、概略的に言えば、ＡＩプラットフォームを提供する事業者が運用監視データを用いてユーザにアドバイスを行うための情報を生成する装置である。

【0016】

より具体的に言えば、情報処理装置２０は、一例として、
機械学習による分析を行う分析環境における対象ユーザのログ情報及びリソース使用率を取得する取得手段と、
分析環境におけるログ情報及びリソース使用率からアドバイス情報を生成するよう学習されたアドバイス情報生成モデルに、取得手段が取得した対象ユーザのログ情報及びリソース使用率を入力することによって、対象ユーザに関するアドバイス情報を生成する生成手段と、
生成手段が生成したアドバイス情報を出力する出力手段と
を備えている。

【0017】

＜情報処理装置２０の構成＞
本例示的実施形態に係る情報処理装置２０の構成について、図１を参照して説明する。図１は、情報処理装置２０の構成例を示すブロック図である。

【0018】

図１に示すように、情報処理装置２０は、取得部２１、生成部２２および出力部２３を備える。取得部２１は、本例示的実施形態において取得手段を実現する構成である。生成部２２は、本例示的実施形態において生成手段を実現する構成である。出力部２３は、本例示的実施形態において出力手段を実現する構成である。

【0019】

取得部２１は、機械学習による分析を行う分析環境における対象ユーザのログ情報及びリソース使用率を取得する。ここで、機械学習による分析を行う分析環境は、一例として、ＡＩプラットフォームである。

【0020】

ログ情報は、例えば、ユーザのアクセス履歴、ＡＩプラットフォーム上で分析を行ったときの実行履歴、エラー履歴などを含む。

【0021】

リソース使用率は、例えば、ＣＰＵ、メモリ、ＧＰＵなどの使用率である。

【0022】

生成部２２は、分析環境におけるログ情報及びリソース使用率からアドバイス情報を生成するよう学習されたアドバイス情報生成モデルに、取得部２１が取得した対象ユーザのログ情報及びリソース使用率を入力することによって、対象ユーザに関するアドバイス情報を生成する。

【0023】

アドバイス情報生成モデルは、一例として、決定木形式のルールと、線形回帰モデルとを含む予測モデルである。例えば、対象ユーザのログ情報及びリソース使用率を、ルールに基づいて場合分けし、各々の場合において、線形回帰モデルによる予測が行われる。

【0024】

アドバイス情報生成モデルは、一例として、ユーザのログ情報及びリソース使用率とアドバイス情報との組を複数含む訓練データを参照した機械学習により学習されたモデルである。

【0025】

例えば、線形回帰モデルによる予測として、ユーザがＡＩプラットフォームサービスを解約する時期が予測される。また、ルールに基づく場合分けにより、ユーザがＡＩプラットフォームサービスを解約する要因が予測される。

【0026】

そして、解約の要因を解消させるアドバイスを含むアドバイス情報が生成される。

【0027】

出力部２３は、生成部２２が生成したアドバイス情報を出力する。

【0028】

＜情報処理装置２０による情報処理方法の流れ＞
以上のように構成された情報処理装置２０が実行する情報処理方法の流れについて、図２を参照して説明する。図２は、情報処理方法の流れを示すフローチャートである。同図に示されるように、情報処理は、ステップＳ１１、ステップＳ１２、およびステップＳ１３を含んでいる。

【0029】

ステップＳ１１において、取得部２１は、機械学習による分析を行う分析環境における対象ユーザのログ情報及びリソース使用率を取得する。

【0030】

ステップＳ１２において、生成部２２は、分析環境におけるログ情報及びリソース使用率からアドバイス情報を生成するよう学習されたアドバイス情報生成モデルに、取得部２１が取得した対象ユーザのログ情報及びリソース使用率を入力することによって、対象ユーザに関するアドバイス情報を生成する。

【0031】

ステップＳ１３において、出力部２３は、生成部２２が生成したアドバイス情報を出力する。

【0032】

＜情報処理装置２０および情報処理方法の効果＞
本例示的実施形態に係る情報処理装置２０によれば、対象ユーザのログ情報及びリソース使用率が取得され、分析環境におけるログ情報及びリソース使用率からアドバイス情報を生成するよう学習されたアドバイス情報生成モデルに、対象ユーザのログ情報及びリソース使用率を入力することによって、対象ユーザに関するアドバイス情報が生成される。このようにすることで、ＡＩプラットフォームをより好適に活用できるようにするアドバイスをユーザに提供できる。例えば、ユーザに、より正確な分析を行うためのアドバイスを行うことができ、プロジェクトが頓挫することを防止することができる。

【0033】

〔例示的実施形態２〕
本発明の第２の例示的実施形態について、図面を参照して詳細に説明する。なお、例示的実施形態１にて説明した構成要素と同じ機能を有する構成要素については、同じ符号を付し、その説明を適宜省略する。

【0034】

＜解約予測システム１の構成＞
本例示的実施形態に係る解約予測システム１の構成について、図３を参照して説明する。図３は、解約予測システムを説明する図である。図３に示すように、解約予測装置１０およびＡＩプラットフォーム３０を含んでいる。

【0035】

（ＡＩプラットフォーム３０）
ＡＩプラットフォーム３０は、ＡＩによる分析モデルの構築に必要な装置やソフトウェアを提供し、例えば、契約したユーザが利用することができる。

【0036】

事業者と契約したユーザは、例えば、ユーザＩＤとパスワードを取得し、ＡＩプラットフォーム３０へのアクセスが許可される。これにより、ユーザは、ＡＩプラットフォームを利用して分析モデルを構築する。このように、事業者により、ＡＩプラットフォームサービスが提供されることになる。

【0037】

一例として、ユーザは、データサイエンティストであり、小売り企業の依頼により、商品の売れ行きをできるだけ正確に予測するための分析モデルの構築を目指す。この際、小売り企業から過去に蓄積された商品の販売実績、顧客属性、販売店舗などの情報が提供され、小売り企業から指定された期限内に分析モデルを完成させるプロジェクトが開始される。

【0038】

ＡＩプラットフォーム３０は、ストレージ３１を備えている。ストレージ３１には、学習用データ、予測データなどが記憶される。学習用データは、例えば、過去に蓄積された商品の販売実績、顧客属性、販売店舗などの情報を含むデータである。予測用データは、例えば、予測の対象となる商品の販売条件などの情報を含むデータである。

【0039】

また、ＡＩプラットフォーム３０は、分析実行環境３２、分析モデル３３を備えている。分析実行環境３２は、例えば、コンピュータなどにより構成され、分析に係る演算処理等を実行する。分析実行環境３２は、例えば、クラウドコンピューティングにより実現されるようにしてもよい。

【0040】

分析モデル３３は、分析実行環境３２で実行される処理によって生成され、例えば、ストレージ３１に記憶されたモデルパラメータにより構成される予測モデルなどである。

【0041】

ユーザは、予測の対象となる商品の販売条件などに関するデータを、分析モデル３３に入力することで、予測結果３４を得る。

【0042】

さらに、ＡＩプラットフォーム３０には、監視基盤３５およびストレージ３６が含まれている。ＡＩプラットフォームを利用するユーザは、監視基盤３５およびストレージ３６にアクセスできず、事業者は、監視基盤３５およびストレージ３６にアクセスすることができる。

【0043】

監視基盤３５は、分析実行環境３２で実行される処理を監視する。監視基盤３５は、例えば、ユーザの分析実行環境３２へのログインの日時、分析実行環境３２からのログアウトの日時を、ＡＩプラットフォーム３０へのアクセス履歴として、ストレージ３６に記録する。また、監視基盤３５は、分析実行環境３２のリソース使用率をストレージ３６に記録する。リソース使用率は、一例として、ＣＰＵ使用率および／またはメモリ使用率である。

【0044】

また、監視基盤３５は、ユーザが分析実行環境３２において実行した、分析に係るジョブの開始日時および終了日時、ならびにジョブが正常に終了したか否かをあらわすエラー履歴を、ストレージ３６に記録する。

【0045】

上述した、アクセス履歴およびエラー情報は、例えば、ログ情報としてストレージ３６に記録されるようにしてもよい。すなわち、ログ情報には、対象ユーザによる分析実行環境へのアクセス回数、及び、分析に関するエラー履歴が含まれている。

【0046】

上述のようなログ情報およびリソース使用率が監視結果としてストレージ３６に記憶される。また、監視結果には、ログ情報およびリソース使用率に加えて、監視基盤３５により取得された他の情報が含まれるようにしてもよい。ストレージ３６に記憶された監視結果は、解約予測装置１０に、学習用データおよび予測用データとして提供される。

【0047】

（解約予測装置）
解約予測装置１０は、例えば、ＡＩプラットフォーム３０を提供する事業者により利用される。解約予測装置１０は、ＡＩプラットフォーム３０を利用するユーザがＡＩプラットフォームサービスの契約を解約する時期および解約する要因を予測するとともに、事業者からユーザに対して提供すべきアドバイスの生成を行う装置である。

【0048】

解約予測装置１０は、ストレージ１１を備えている。ストレージ１１には、学習用データおよび予測データなどが記憶される。学習用データは、例えば、過去に蓄積された監視結果などを含むデータである。

【0049】

また、解約予測装置１０のストレージ１２には、契約情報データが記憶されている。一例として、契約情報データは、ユーザのサービス利用開始日、ユーザの解約日、およびユーザの解約理由を表す情報を含むデータとされ、例えば、ユーザ毎のレコードにより構成されるデータベースとして記憶される。なお、事業者は、ユーザがＡＩプラットフォームサービスに係る契約を解約する際に、ユーザに解約理由を確認し、解約理由を含めた契約情報データのレコードを記録する。

【0050】

予測用データは、例えば、予測の対象となるユーザに係る監視結果などの情報を含むデータである。

【0051】

情報処理装置２０は、アドバイス情報生成モデルを用いてユーザがＡＩプラットフォームサービスを解約する時期および要因である解約時期および解約要因を予測する。また、情報処理装置２０は、アドバイス情報生成モデルを用いてアドバイス情報を生成する。アドバイス情報生成モデルは、学習用データを用いて行われる機械学習により得られるモデルパラメータにより構成される。

【0052】

情報処理装置２０による予測結果１５は、解約時期および解約要因、並びに解約の要因を解消する対処方法を含み、予測結果１５に基づいて、解約時期および解約要因を含むアドバイス情報が生成される。

【0053】

＜解約予測装置１０の構成＞
図４は、解約予測装置１０の構成例を示すブロック図である。同図に示されるように、解約予測装置１０は、情報処理装置２０、記憶部１００、通信部１２１、外部入力部１２２、および外部出力部１２３を備えている。

【0054】

情報処理装置２０は、例示的実施形態１において説明した情報処理装置２０と同様の機能を有する機能ブロックである。

【0055】

記憶部１００は、例えば、半導体メモリデバイスなどにより構成され、データを記憶する。この例では、記憶部１００に予測用データおよび契約情報データが記憶されている。記憶部１００は、図３に示したストレージ１１およびストレージ１２に対応する機能ブロックである。

【0056】

図４の例では、記憶部１００に予測用データ、契約情報データおよびモデルパラメータが記憶されている。モデルパラメータは、アドバイス情報生成モデル８１による予測に用いられる。

【0057】

通信部１２１は、解約予測装置１０を、ネットワークに接続するためのインタフェースである。ネットワークの具体的構成は本例示的実施形態を限定するものではないが、一例として、無線ＬＡＮ（Local Area Network）、有線ＬＡＮ、ＷＡＮ（Wide Area Network）、公衆回線網、モバイルデータ通信網、又は、これらのネットワークの組み合わせを用いることができる。

【0058】

外部入力部１２２は、解約予測装置１０に対する各種の入力を受け付ける。外部入力部１２２の具体的構成は本例示的実施形態を限定するものではないが、一例として、キーボード及びタッチパッド等の入力デバイスを備える構成とすることができる。また、外部入力部１２２は、赤外線や電波等の電磁波を介してデータの読み取りを行うデータスキャナ、及び、環境の状態をセンシングするセンサ等を備える構成としてもよい。

【0059】

外部出力部１２３は、解約予測装置１０による処理結果を出力する機能ブロックである。外部出力部１２３の具体的構成は本例示的実施形態を限定するものではないが、一例として、ディスプレイ、スピーカ、プリンタなどにより構成され、解約予測装置１０による各種処理結果などを画面上に表示したり、音声や図として出力したりする。

【0060】

例示的実施形態１で説明したように、情報処理装置２０の取得部２１は、分析実行環境３２における対象ユーザのログ情報及びリソース使用率を取得する。図３を参照して上述したように、ログ情報およびリソース使用率は、監視結果としてストレージ３６に記憶されており、予測用データとして用いられる。

【0061】

なお、リソース使用率は、ユーザ単位で取得できないので、例えば、ログ情報から特定されたジョブの実行時間内における分析実行環境３２でのＣＰＵ使用率および／またはメモリ使用率が取得される。

【0062】

また、取得部２１は、対象ユーザの契約情報をさらに取得するようにしてもよい。例えば、記憶部１００に記憶されている契約情報データの一部であって、対象ユーザのサービス利用開始時期が取得されるようにしてもよい。

【0063】

図４の例において、情報処理装置２０の生成部２２は、アドバイス情報生成モデル８１を有している。

【0064】

アドバイス情報生成モデル８１は、取得部２１が取得した対象ユーザのログ情報およびリソース使用率を、ルールに基づいて場合分けし、各々の場合において、線形回帰モデルによる予測を実行する。なお、アドバイス情報生成モデル８１に入力されるデータには、対象ユーザの契約情報が含まれるようにしてもよい。

【0065】

出力部２３は、予測された解約の要因を参照し、当該解消させるアドバイスを含むアドバイス情報を生成する。

【0066】

（アドバイス情報生成モデルによる予測）
図５は、アドバイス情報生成モデル８１の予測方式を説明する図である。一例として、アドバイス情報生成モデルは、異種混合予測モデルとして構成される。異種混合予測モデルは、入力データを決定木形式のルールによって場合分けし、各場合で異なる説明変数を組合せた線形モデルで予測する。

【0067】

ここで、入力データは予測用データおよび契約情報データに対応し、例えば、対象ユーザのログ情報およびリソース使用率、並びに対象ユーザがＡＩプラットフォームサービスを契約した時期などである。

【0068】

図５の例では、入力データが、条件Ａにより場合分けされる。入力データが条件Ａを満たさない場合（条件Ａ＝Ｎ）、さらに条件Ｂにより場合分けされることになる。このように、入力データは、最初に決定木形式のルールによって場合分けされる。

【0069】

入力データが条件Ａを満たす場合（条件Ａ＝Ｙ）、予測式１による予測が行われる。すなわち、入力データに含まれる情報の一部または全部が説明変数として用いられ、目的変数を求める線形予測式の演算による予測が行われる。

【0070】

また、入力データが条件Ｂを満たす場合（条件Ｂ＝Ｙ）、予測式２による予測が行われる。予測式２は、例えば、予測式１とは重み変数が異なる線形予測式であってよい。あるいは、予測式２は、予測式１とは重み変数と説明変数のいずれもが異なる線形予測式であってよい。あるいは、予測式２は、予測式１とは異なる目的変数を予測する線形予測式であってよい。

【0071】

さらに、入力データが条件Ｂを満たす場合（条件Ｂ＝Ｙ）、予測式３による予測が行われる。予測式３も、予測式１および予測式２とは重み変数が異なる線形予測式であってよいし、重み変数と説明変数のいずれもが異なる線形予測式であってよい。あるいは、予測式３は、予測式１および予測式２とは異なる目的変数を予測する線形予測式であってよい。

【0072】

このように、決定木のルールによって、各予測式に対応する線形モデルが選択され、線形モデルによる予測が行われる。

【0073】

例えば、予測式１乃至予測式３に対応する線形モデルによる予測により、ユーザがＡＩプラットフォームサービスを解約する時期が予測される。また、決定木のルールに基づく場合分けにより、ユーザがＡＩプラットフォームサービスを解約する要因が予測される。

【0074】

あるいは、決定木のルールに基づく場合分けにより、解約の時期が予測され、予測式１乃至予測式３に対応する線形モデルによる予測により、ユーザがＡＩプラットフォームサービスを解約の要因が予測されるようにしてもよい。

【0075】

あるいは、１つの決定木のルールに基づく場合分けを経て選択される予測式１乃至予測式３に対応する線形モデルと、別の決定木のルールに基づく場合分けを経て選択される予測式４乃至予測式６に対応する線形モデルが生成されるようにしてもよい。そして、予測式１乃至予測式３に対応する線形モデルのそれぞれにより、解約の時期が予測され、予測式４乃至予測式６に対応する線形モデルのそれぞれにより、解約の要因が予測されるようにしてもよい。

【0076】

実社会における予測分析では、予測の根拠をわかりやすく説明できることが求められている。複雑な非線形予測は、予測精度が高かったとしても、挙動がブラックボックス化されてしまう。一方で、線形回帰や決定木などは、単純でわかりやすい反面、複雑なビッグデータの挙動を捉える事が出来ず、予測精度が低くなってしまう。

【0077】

上述したように、異種混合予測モデルのアドバイス情報生成モデル８１を用いることで、予測の根拠をわかりやすく説明でき、精度の高い予測を行うことができる。

【0078】

次に、解約予測装置１０による予測結果１５の例について説明する。

【0079】

（予測結果の例１）
例えば、ユーザＵ１に係る予測用データを用いてアドバイス情報生成モデル８１による予測を行ったところ、解約時期は１か月以内と予測され、解約要因はＡＩプラットフォームの利用方法についての知識不足と予測されたとする。

【0080】

この場合、ユーザＵ１によるジョブの実行時のエラーまたはプロセス停止が直近１４日間で頻発し、それ以来、アクセス頻度が発生前の５０％以下に減ってきていることがアドバイス情報生成モデル８１のルールによる場合分けにより確認されることになる。この場合分けの結果として、アドバイス情報生成モデル８１は、解約要因は、ＡＩプラットフォームの利用方法についての知識不足と予測する。

【0081】

また、解約時期は、上述した場合分けの結果、選択された線形予測式による予測演算により予測される。

【0082】

出力部２３は、予測された解約の要因を参照し、スタートアップガイドを参照し、分析時に指定する設定項目を見直すべきというアドバイスを含むアドバイス情報を生成する。アドバイスは、例えば、解約の要因を解消する対処方法として予め記憶されたテーブルなどにより対応付けられている。すなわち、出力部２３は、アドバイス情報生成モデル８１の予測結果として得られた解約要因に対応する対処方法を、対象ユーザへのアドバイスとして選択する。

【0083】

（予測結果の例２）
また、例えば、ユーザＵ２に係る予測用データを用いてアドバイス情報生成モデル８１による予測を行ったところ、解約時期は会計年度末と予測され、解約要因は非効率なリソース使用によるコスト高と予測されたとする。

【0084】

この場合、ユーザＵ２によるジョブの実行時は、平日の１７時から１９時までに集中し、メモリ使用率が８０％を超えている。また、２～３時間の高負荷状態を経た後、翌朝９時まで操作ログがないことがアドバイス情報生成モデル８１のルールによる場合分けにより確認されることになる。

【0085】

出力部２３は、予測された解約の要因を参照し、サーバのスケールダウンによりコストを低減させるべきというアドバイスを含むアドバイス情報を生成する。

【0086】

（予測結果の例３）
さらに、例えば、ユーザＵ３に係る予測用データを用いてアドバイス情報生成モデル８１による予測を行ったところ、解約時期は会計年度末と予測され、解約要因はＡＩプラットフォーム３０の機能の活用不足と予測されたとする。

【0087】

この場合、ユーザＵ３のアクセス頻度が減少傾向であり、かつ、半年前にリリースしたＡＩプラットフォーム３０の新機能・エンジンを使用したログが１件もないことがアドバイス情報生成モデル８１のルールによる場合分けにより確認されることになる。

【0088】

出力部２３は、予測された解約の要因を参照し、新機能・エンジンを試すべきというアドバイスを含むアドバイス情報を生成する。

【0089】

（予測結果の例４）
また、例えば、ユーザＵ４に係る予測用データを用いてアドバイス情報生成モデル８１による予測を行ったところ、解約時期は１か月以内と予測され、解約要因は、分析するデータの不足による分析の失敗と予測されたとする。

【0090】

この場合、ユーザＵ４によるジョブの実行時間が短く、データのレコード数が少ないこと、および変数に用いられるデータの欠損値が多いことがアドバイス情報生成モデル８１のルールによる場合分けにより確認されることになる。

【0091】

出力部２３は、予測された解約の要因を参照し、分析の前に十分な数の有効なデータを収集するべきというアドバイスを含むアドバイス情報を生成する。

【0092】

（予測結果の例５）
また、例えば、ユーザＵ５に係る予測用データを用いてアドバイス情報生成モデル８１による予測を行ったところ、解約時期は会計年度末と予測され、解約要因は、費用対効果に対する不満と予測されたとする。

【0093】

この場合、ユーザＵ５によるジョブの実行は、数カ月に一度だけであり、約１日かかる処理を行っていることがアドバイス情報生成モデル８１のルールによる場合分けにより確認されることになる。

【0094】

出力部２３は、予測された解約の要因を参照し、分析の実態に適した料金プランを選択すべきというアドバイスを含むアドバイス情報を生成する。

【0095】

このように、アドバイス情報生成モデル８１は、アドバイス情報を生成すると共に、解約要因及び解約時期の予測を行うモデルである。

【0096】

また、アドバイス情報生成モデル８１は、対象ユーザのログ情報及びリソース使用率から、解約要因及び解約時期を予測する第１のモデルと、第１のモデルで予測した解約要因及び解約時期を参照してアドバイス情報を生成する第２のモデルとを含んで構成されるようにしてもよい。

【0097】

この場合、例えば、生成部２２に、アドバイス情報生成モデル８１－１およびアドバイス情報生成モデル８１－２が設けられる。

【0098】

アドバイス情報生成モデル８１－１は、例えば、取得部２１が取得した対象ユーザのログ情報およびリソース使用率を入力として解約要因及び解約時期を予測する。アドバイス情報生成モデル８１－２は、例えば、アドバイス情報生成モデル８１－１が予測した解約要因及び解約時期を入力としてアドバイス情報を予測する。

【0099】

図６は、アドバイス情報の例を説明する図である。同図に示されるアドバイス情報は、例えば、コンピュータ、スマートフォンなどのディスプレイに表示される場合の例を示している。また、このディスプレイは、解約予測装置１０の外部出力部１２３を構成するディスプレイであってもよい。

【0100】

図６の例において、ディスプレイ２００には、顧客名表示領域２０１が表示されており、この例では、顧客名「ＡＢＣ」が表示されている。また、ディスプレイ２００には、解約時期／解約要因表示領域２０２が表示されている。この例では、解約時期／解約要因表示領域２０２に、「解約時期：１か月以内」、「解約要因：ＡＩプラットフォームの利用方法についての知識不足」と表示されている。

【0101】

このように、アドバイス情報には、解約要因及び解約時期に関する予測が含まれる。

【0102】

なお、ディスプレイ２００には、解約時期／解約要因表示領域２０２が表示されないようにしてもよい。

【0103】

さらに、ディスプレイ２００には、事業者向けアドバイス表示領域２０３が表示されており、この例では、事業者向けアドバイス表示領域２０３に「顧客にスタートアップガイドを再提示してアドバイス要」と表示されている。事業者向けアドバイス表示領域２０３は、事業者の立場でユーザに対して提示すべきアドバイスが表示される領域である。

【0104】

すなわち、アドバイス情報は、分析実行環境３２を提供する提供者へのアドバイスを含む。

【0105】

また、ディスプレイ２００には、顧客向けアドバイス表示領域２０４が表示されており、この例では、顧客向けアドバイス表示領域２０４に「スタートアップガイドを参照し、分析時に指定する設定項目を見直すべき」と表示されている。顧客向けアドバイス表示領域２０４は、ユーザが直接参照すべきアドバイスが表示される領域である。

【0106】

すなわち、アドバイス情報は、対象ユーザへのアドバイスを含む。

【0107】

なお、アドバイス情報には、顧客向けアドバイス表示領域２０４が含まれないようにしてもよい。この場合、アドバイス情報は、例えば、解約予測装置１０の外部出力部１２３を構成するディスプレイに表示されるものとする。

【0108】

あるいは、アドバイス情報には、事業者向けアドバイス表示領域２０３が含まれないようにしてもよい。この場合、アドバイス情報は、例えば、アドバイスの対象となるユーザのスマートフォンのディスプレイに表示されるものとする。

【0109】

＜解約予測装置１０によるアドバイス情報出力処理の流れ＞
次に、図７のフローチャートを参照し、解約予測装置１０によるアドバイス情報出力処理の例について説明する。

【0110】

ステップＳ３１において、取得部２１は、ログ情報を取得する。

【0111】

取得部２１の具体的な処理については上述した通りであるが、このとき、例えば、ストレージ３６に記録されているアクセス履歴およびエラー情報がログ情報として取得される。また、ステップＳ３１において、対象ユーザの契約情報がさらに取得されるようにしてもよい。例えば、記憶部１００に記憶されている契約情報データの一部であって、対象ユーザのサービス利用開始時期が取得されるようにしてもよい。

【0112】

ステップＳ３２において、取得部２１は、リソース使用率を取得する。このとき、例えば、上述したように、ストレージ３６に記録されている分析実行環境３２のリソース使用率が取得される。

【0113】

ステップＳ３３において、生成部２２は、アドバイス情報生成モデル８１による予測を実行する。生成部２２の具体的な処理については上述した通りであるが、このとき、ステップＳ３１で取得されたログ情報およびステップＳ３２で取得されたリソース使用率がアドバイス情報生成モデル８１に入力される。

【0114】

ステップＳ３４において、アドバイス情報生成モデル８１は、解約時期を予測する。

【0115】

ステップＳ３５において、アドバイス情報生成モデル８１は、解約要因を予測する。

【0116】

ステップＳ３６において、アドバイス情報生成モデル８１は、アドバイスを予測する。

【0117】

アドバイス情報生成モデル８１の具体的な処理については上述した通りであるが、このとき、事業者向けアドバイスおよび／または顧客向けアドバイスがアドバイス情報生成モデルによって予測される。なお、事業者向けアドバイスは、例えば、図６の事業者向けアドバイス表示領域２０３に表示される情報であり、顧客向けアドバイスは、例えば、図６の顧客向けアドバイス表示領域２０４に表示される情報である。

【0118】

ステップＳ３７において、出力部２３は、ステップＳ３６で予測されたアドバイスを含むアドバイス情報を出力する。出力部２３の具体的な処理については上述した通りであるが、このとき、例えば、図６を参照して上述したような画面によりアドバイス情報が提示される。

【0119】

なお、アドバイス情報は、紙などの媒体に印刷されて出力されるようにしてもよいし、スピーカなどから音声として出力されるようにしてもよい。

【0120】

このようにして、アドバイス情報出力処理が実行される。

【0121】

〔例示的実施形態３〕
次に、本発明の第３の例示的実施形態について、図面を参照して詳細に説明する。なお、例示的実施形態１および２にて説明した構成要素と同じ機能を有する構成要素については、同じ符号を付し、その説明を適宜省略する。

【0122】

＜解約学習・予測装置１０Ａの構成＞
本例示的実施形態に係る解約学習・予測装置１０Ａの構成について、図８を参照して説明する。解約学習・予測装置１０Ａは、解約予測装置１０の機能に加えてアドバイス情報生成モデル８１のモデルパラメータを学習する機能をさらに有する装置である。

【0123】

図８は、解約学習・予測装置１０Ａの構成例を示すブロック図である。図１０に示す解約学習・予測装置１０Ａが、図４に示した解約予測装置１０と異なる点は、情報処理装置２０に、訓練データ取得部２４および学習部２５が設けられていること、および記憶部１００に学習用データおよび評価用データが記憶されていることである。

【0124】

解約学習・予測装置１０Ａにおいて、記憶部１００には、学習用データが記憶されている。上述したように、学習用データは、例えば、過去に蓄積された監視結果などを含むデータであり、より具体的には、複数のユーザのそれぞれによる分析実行環境へのアクセス回数、及び、分析に関する実行履歴、エラー履歴などが含まれるログ情報を含む。なお、ログ情報はユーザ毎に記憶されている。

【0125】

また、学習用データは、リソース使用率を含む。なお、リソース使用率は、例えば、各ユーザが実行したジョブの実行時間内における分析実行環境３２でのＣＰＵ使用率、メモリ使用率、および／またはＧＰＵ使用率とされる。

【0126】

また、解約学習・予測装置１０Ａにおいて、記憶部１００には、評価用データが記憶されている。評価用データは、例えば、学習されたアドバイス情報生成モデル８１によって適正な予測を行えるか否かを検証するためのデータである。

【0127】

訓練データ取得部２４は、アドバイス情報生成モデル８１を学習するためのデータである訓練データを取得する。訓練データは、各ユーザのログ情報およびリソース使用率、並びに各ユーザの属性情報とされる。

【0128】

属性情報は、例えば、既に解約したユーザを対象ユーザとし、対象ユーザのサービス利用開始日、対象ユーザの解約日、対象ユーザの解約理由、および対象ユーザに提示されるべき解約防止策である。

【0129】

対象ユーザのサービス利用開始日、対象ユーザの解約日、および対象ユーザの解約理由は、例えば、契約情報データに含まれている。対象ユーザに提示されるべき解約防止策は、一例として、事業者が、当該ユーザの解約を防ぐために提示しておくべきだったと考える解約防止策である。この解約防止策は、例えば、図６の事業者向けアドバイス表示領域２０３に表示される事業者向けアドバイスおよび／または顧客向けアドバイス表示領域２０４に表示される顧客向けアドバイスに対応する。

【0130】

対象ユーザに提示されるべき解約防止策は、例えば、外部入力部１２２を介して事業者により入力され、契約情報データの一部として記憶される。

【0131】

訓練データ取得部２４は、アドバイス情報生成モデル８１を学習するために、サービス利用開始日、ログ情報およびリソース使用率と、解約日、解約理由、および解約防止策との組を、ユーザ毎に取得する。なお、サービス利用開始日は取得されないようにしてもよい。すなわち、訓練データ取得部２４は、分析実行環境３２におけるログ情報及びリソース使用率とアドバイス情報との組を複数含む訓練データを取得する。

【0132】

なお、訓練データは、取得部２１によって取得されるようにしてもよい。この場合、解約学習・予測装置１０Ａに訓練データ取得部２４が設けられないようにしてもよい。

【0133】

学習部２５は、訓練データ取得部２４または取得部２１により取得された訓練データを参照して機械学習を実行することにより、アドバイス情報生成モデル８１を学習する。より具体的には、学習部２５は、訓練データを参照してアドバイス情報生成モデル８１のモデルパラメータを更新することによって、アドバイス情報生成モデル８１を学習する。

【0134】

なお、上述したように、アドバイス情報生成モデル８１は、解約要因及び解約時期を予測する第１のモデルと、第１のモデルで予測した解約要因及び解約時期を参照してアドバイス情報を生成する第２のモデルとを含んで構成されるようにしてもよい。この場合、訓練データ取得部２４または取得部２１は、前記分析環境におけるログ情報及びリソース使用率と、解約要因及び解約時期との組を複数含む訓練データを取得し、学習部２５は、アドバイス情報生成モデルに含まれる第１のモデルを、訓練データを用いて学習させる。

【0135】

＜解約学習・予測装置１０Ａによる学習処理の流れ＞
次に、図９のフローチャートを参照して、解約学習・予測装置１０Ａによる学習処理について説明する。

【0136】

ステップＳ１０１において、訓練データ取得部２４は、訓練データを取得する。訓練データ取得部２４の具体的な処理については、上述した通りであるが、このとき、サービス利用開始日、ログ情報およびリソース使用率と、解約日、解約理由、および解約防止策との組が、ユーザ毎に取得される。なお、サービス利用開始日は取得されないようにしてもよい。

【0137】

ステップＳ１０２において、学習部２５は、アドバイス情報生成モデル８１の決定木を学習する。これにより、ログ情報およびリソース使用率から得られる変数について、適切な閾値が学習される。

【0138】

ログ情報およびリソース使用率から得られる変数の一例を下記に示す。

【0139】

（１）分析実行環境へのアクセス回数：直近３０日間の回数、直近７日間の回数、その差分
（２）分析実行時のエラー有無：直近２８，２１，１４，７日間の有無、それらの差分
（３）プロセスの停止回数：直近２８，２１，１４，７日間の回数、それらの差分
（４）ＣＰＵ利用率が指定のしきい値を超えたこと：１日の間での時間帯、超えた時間、超えた回数
（５）メモリ利用率が指定のしきい値を超えたこと：１日の間での時間帯、超えた時間、超えた回数
（６）分析モデル作成時の学習用データの量／質：レコード数、データの型
ステップＳ１０２では、例えば、上記の（１）乃至（６）に示される変数を用いて決定木による場合分けを行う場合に最適となる閾値が学習される。

【0140】

ステップＳ１０３において、学習部２５は、アドバイス情報生成モデル８１の線形モデルを学習する。これにより、ログ情報およびリソース使用率から得られる変数について、適切な重み係数が学習される。このとき用いられるログ情報およびリソース使用率から得られる変数は、例えば、決定木による場合分けの結果に応じてそれぞれ異なる変数の組み合わせが選択される。すなわち、図５を参照して上述したように、決定木による場合分けの結果に応じて異なる線形モデルが選択されるので、それぞれの線形モデルに応じて異なる変数の組み合わせが選択される。

【0141】

ステップＳ１０４において、学習部２５は、ステップＳ１０２とステップＳ１０３の処理を経て学習されたアドバイス情報生成モデル８１を評価する。このとき、評価用データを用いた評価が行われる。

【0142】

ステップＳ１０５において、学習部２５は、ステップＳ１０４の評価結果を参照して、決定木における不要な場合分けと、その場合分けの結果選択される線形モデルとを削除する。

【0143】

ステップＳ１０６において、学習部２５は、ステップＳ１０５の処理結果を反映してアドバイス情報生成モデル８１のモデルパラメータを更新する。

【0144】

このようにして学習処理が実行される。

【0145】

〔例示的実施形態４〕
次に、本発明の第４の例示的実施形態について、図面を参照して詳細に説明する。なお、例示的実施形態１乃至３にて説明した構成要素と同じ機能を有する構成要素については、同じ符号を付し、その説明を適宜省略する。

【0146】

＜学習装置１０Ｂの構成＞
本例示的実施形態に係る学習装置１０Ｂの構成について、図１０を参照して説明する。

【0147】

学習装置１０Ｂは、図１０を参照して上述した解約学習・予測装置１０Ａと異なり、アドバイス情報の生成に係る機能を有さず、モデルパラメータの学習に係る機能を有するように構成した装置である。すなわち、学習装置１０Ｂは、情報処理装置２０に取得部２１、生成部２２および出力部２３が設けられていない。学習装置１０Ｂのその他の構成は、解約学習・予測装置１０Ａと同様であり、詳細な説明は省略する。

【0148】

学習装置１０Ｂでは、図９を参照して説明した学習処理が実行され、記憶部１００のモデルパラメータの学習が行われる。十分な組の数の訓練データを参照した学習が実行された後、学習装置１０Ｂの記憶部１００に記憶されたモデルパラメータが、例えば、ＵＳＢメモリなどの記憶媒体に記憶される。そして、記憶媒体に記憶されたモデルパラメータが他の装置（例えば、図３の解約予測装置１０）によって使用される。あるいは、学習装置１０Ｂのモデルパラメータがネットワークを介して他の装置に転送されるようにしてもよい。

【0149】

このようにすることで、例えば、異なる訓練データを参照した学習により得られたモデルパラメータをそれぞれ他の装置に提供することができる。

【0150】

〔ソフトウェアによる実現例〕
情報処理装置２０、解約予測装置１０、解約学習・予測装置１０Ａ、および学習装置１０Ｂの一部又は全部の機能は、集積回路（ＩＣチップ）等のハードウェアによって実現してもよいし、ソフトウェアによって実現してもよい。

【0151】

後者の場合、情報処理装置２０、解約予測装置１０、解約学習・予測装置１０Ａ、および学習装置１０Ｂは、例えば、各機能を実現するソフトウェアであるプログラムの命令を実行するコンピュータによって実現される。このようなコンピュータの一例（以下、コンピュータＣと記載する）を図１１に示す。

【0152】

コンピュータＣは、少なくとも１つのプロセッサＣ１と、少なくとも１つのメモリＣ２と、を備えている。メモリＣ２には、コンピュータＣを情報処理装置２０、解約予測装置１０、解約学習・予測装置１０Ａ、または学習装置１０Ｂとして動作させるためのプログラムＰが記録されている。コンピュータＣにおいて、プロセッサＣ１は、プログラムＰをメモリＣ２から読み取って実行することにより、情報処理装置２０、解約予測装置１０、解約学習・予測装置１０Ａ、または学習装置１０Ｂの各機能が実現される。

【0153】

プロセッサＣ１としては、例えば、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphic Processing Unit）、ＤＳＰ（Digital Signal Processor）、ＭＰＵ（Micro Processing Unit）、ＦＰＵ（Floating point number Processing Unit）、ＰＰＵ（Physics Processing Unit）、マイクロコントローラ、又は、これらの組み合わせなどを用いることができる。メモリＣ２としては、例えば、フラッシュメモリ、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、又は、これらの組み合わせなどを用いることができる。

【0154】

なお、コンピュータＣは、プログラムＰを実行時に展開したり、各種データを一時的に記憶したりするためのＲＡＭ（Random Access Memory）を更に備えていてもよい。また、コンピュータＣは、他の装置との間でデータを送受信するための通信インタフェースを更に備えていてもよい。また、コンピュータＣは、キーボードやマウス、ディスプレイやプリンタなどの入出力機器を接続するための入出力インタフェースを更に備えていてもよい。

【0155】

また、プログラムＰは、コンピュータＣが読み取り可能な、一時的でない有形の記録媒体Ｍに記録することができる。このような記録媒体Ｍとしては、例えば、テープ、ディスク、カード、半導体メモリ、又はプログラマブルな論理回路などを用いることができる。コンピュータＣは、このような記録媒体Ｍを介してプログラムＰを取得することができる。また、プログラムＰは、伝送媒体を介して伝送することができる。このような伝送媒体としては、例えば、通信ネットワーク、又は放送波などを用いることができる。コンピュータＣは、このような伝送媒体を介してプログラムＰを取得することもできる。

【0156】

〔付記事項１〕
本発明は、上述した実施形態に限定されるものでなく、請求項に示した範囲で種々の変更が可能である。例えば、上述した実施形態に開示された技術的手段を適宜組み合わせて得られる実施形態についても、本発明の技術的範囲に含まれる。

【0157】

〔付記事項２〕
上述した実施形態の一部又は全部は、以下のようにも記載され得る。ただし、本発明は、以下の記載する態様に限定されるものではない。

【0158】

（付記１）
機械学習による分析を行う分析環境における対象ユーザのログ情報及びリソース使用率を取得する取得手段と、
前記分析環境におけるログ情報及びリソース使用率からアドバイス情報を生成するよう学習されたアドバイス情報生成モデルに、前記取得手段が取得した前記対象ユーザのログ情報及びリソース使用率を入力することによって、前記対象ユーザに関するアドバイス情報を生成する生成手段と
前記生成手段が生成したアドバイス情報を出力する出力手段と
を備えている情報処理装置。

【0159】

（付記２）
前記ログ情報には、
前記対象ユーザによる前記分析環境へのアクセス回数、及び、
前記分析に関するエラー履歴
が含まれている付記１に記載の情報処理装置。

【0160】

（付記３）
前記アドバイス情報には、解約要因及び解約時期に関する予測が含まれる
付記１又は２に記載の情報処理装置。

【0161】

（付記４）
前記アドバイス情報生成モデルは、
前記対象ユーザのログ情報及びリソース使用率から、解約要因及び解約時期を予測する第１のモデルと、
前記第１のモデルで予測した解約要因及び解約時期を参照してアドバイス情報を生成する第２のモデルと
を含んでいる付記３に記載の情報処理装置。

【0162】

（付記５）
前記アドバイス情報は、前記分析環境を提供する提供者へのアドバイスを含む
付記１から４の何れか１項に記載の情報処理装置。

【0163】

（付記６）
前記アドバイス情報は、前記対象ユーザへのアドバイスを含む
付記１から５の何れか１項に記載の情報処理装置。

【0164】

（付記７）
前記アドバイス情報生成モデルを学習させる学習部
を備えている付記１から６の何れか１項に記載の情報処理装置。

【0165】

（付記８）
前記取得手段は、
前記分析環境におけるログ情報及びリソース使用率とアドバイス情報との組を複数含む訓練データを取得し、
前記学習部は、前記アドバイス情報生成モデルを、前記訓練データを用いて学習させる
付記７に記載の情報処理装置。

【0166】

（付記９）
前記取得手段は、
前記分析環境におけるログ情報及びリソース使用率と、解約要因及び解約時期との組を複数含む訓練データを取得し、
前記学習部は、前記アドバイス情報生成モデルに含まれる第１のモデルを、前記訓練データを用いて学習させる
付記８に記載の情報処理装置。

【0167】

（付記１０）
機械学習による分析を行う分析環境における対象ユーザのログ情報及びリソース使用率を取得すること、
前記分析環境におけるログ情報及びリソース使用率からアドバイス情報を生成するよう学習されたアドバイス情報生成モデルに、前記取得手段が取得した前記対象ユーザのログ情報及びリソース使用率を入力することによって、前記対象ユーザに関するアドバイス情報を生成すること、
前記生成したアドバイス情報を出力することを含む
情報処理方法。

【0168】

（付記１１）
コンピュータを、
機械学習による分析を行う分析環境における対象ユーザのログ情報及びリソース使用率を取得する取得手段と、
前記分析環境におけるログ情報及びリソース使用率からアドバイス情報を生成するよう学習されたアドバイス情報生成モデルに、前記取得手段が取得した前記対象ユーザのログ情報及びリソース使用率を入力することによって、前記対象ユーザに関するアドバイス情報を生成する生成手段と
前記生成手段が生成したアドバイス情報を出力する出力手段とを備える情報処理装置として機能させる
プログラム。

【0169】

〔付記事項３〕
上述した実施形態の一部又は全部は、更に、以下のように表現することもできる。

【0170】

少なくとも１つのプロセッサを備え、前記プロセッサは、
機械学習による分析を行う分析環境における対象ユーザのログ情報及びリソース使用率を取得する処理と、
前記分析環境におけるログ情報及びリソース使用率からアドバイス情報を生成するよう学習されたアドバイス情報生成モデルに、前記取得手段が取得した前記対象ユーザのログ情報及びリソース使用率を入力することによって、前記対象ユーザに関するアドバイス情報を生成する処理と
前記生成手段が生成したアドバイス情報を出力する処理とを実行する。

【0171】

なお、この情報処理装置は、更にメモリを備えていてもよく、このメモリには、前記取得処理と、前記出力列生成処理とを前記プロセッサに実行させるためのプログラムが記憶されていてもよい。また、このプログラムは、コンピュータ読み取り可能な一時的でない有形の記録媒体に記録されていてもよい。

【符号の説明】

【0172】

１ 解約予測システム
１０ 解約予測装置
１０Ａ 解約学習・予測装置
１０Ｂ 学習装置
２０ 情報処理装置
２１ 取得部
２２ 生成部
２３ 出力部
２４ 訓練データ取得部
２５ 学習部
３０ ＡＩプラットフォーム
３２ 分析実行環境
３５ 監視基盤
８１ アドバイス情報生成モデル
１００ 記憶部
１２１ 通信部
１２２ 外部入力部
１２３ 外部出力部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】