知財求人 - 知財ポータルサイト「IP Force」
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公表特許公報(A)
(11)【公表番号】
(43)【公表日】2024-07-30
(54)【発明の名称】人工知能フィードバックシステムおよび方法
(51)【国際特許分類】
G06N 20/00 20190101AFI20240723BHJP
【ＦＩ】
G06N20/00
【審査請求】有
【予備審査請求】未請求
(21)【出願番号】P 2024500568
(86)(22)【出願日】2022-07-18
(85)【翻訳文提出日】2024-01-09
(86)【国際出願番号】 KR2022010459
(87)【国際公開番号】W WO2023003304
(87)【国際公開日】2023-01-26
(31)【優先権主張番号】10-2021-0094182
(32)【優先日】2021-07-19
(33)【優先権主張国・地域又は機関】KR
(81)【指定国・地域】
【公序良俗違反の表示】
（特許庁注：以下のものは登録商標）
１．ＪＡＶＡ
(71)【出願人】
【識別番号】512089461
【氏名又は名称】韓国水力原子力株式会社
【氏名又は名称原語表記】ＫＯＲＥＡ ＨＹＤＲＯ ＆ ＮＵＣＬＥＡＲ ＰＯＷＥＲ ＣＯ．， ＬＴＤ．
(74)【代理人】
【識別番号】110002343
【氏名又は名称】弁理士法人 東和国際特許事務所
(72)【発明者】
【氏名】イ、 スンチャン
(57)【要約】
人工知能フィードバックシステムを提供する。人工知能フィードバックシステムは、学習するための基本材料を含む入力１および学習するためのコアコンテンツを含む入力２の提供を受けて前記入力１から前記入力２に関連する情報の人気頻度値または順位値のための初期条件を生成するスクリプトの抽出および実行器と、前記スクリプトの抽出および実行器と連結されて前記初期条件から導き出された前記人気頻度値または前記順位値によるキーワードおよびコア情報それぞれを両軸とする行列形態の２次元情報テーブルを生成し、前記２次元情報テーブルの該当座標に前記人気頻度値または前記順位値を追加して前記該当座標に前記人工知能が習得した知識をマッチングする人工知能と、前記人工知能と連結されて前記人工知能が前記２次元情報テーブルから導き出した深い真理値を出力する出力部と、前記人工知能と連結されて前記人工知能が導き出した前記深い真理値を連結して形成された知識の脈絡を範疇別に整理して保存するリポジトリとを含むことができる。
【特許請求の範囲】
【請求項1】
学習するための基本材料を含む入力１および学習するためのコアコンテンツを含む入力２の提供を受けて前記入力１から前記入力２に関連する情報の人気頻度値または順位値のための初期条件を生成するスクリプトの抽出および実行器と、前記スクリプトの抽出および実行器と連結され、前記初期条件から導き出された前記人気頻度値または前記順位値によるキーワードおよびコア情報それぞれを両軸とする行列形態の２次元情報テーブルを生成し、前記２次元情報テーブルの該当座標に前記人気頻度値または前記順位値を追加し、前記該当座標に前記人工知能が習得した知識をマッチングする人工知能と、
前記人工知能と連結され、前記人工知能が前記２次元情報テーブルから導き出した深い真理値を出力する出力部と、
前記人工知能と連結され、前記人工知能が導き出した前記深い真理値を連結して形成された知識の脈絡を範疇別に整理して保存するリポジトリとを含み、
前記人工知能は、
前記２次元情報テーブルから前記２次元情報テーブルの前記順位値が数値化され、各座標がランダムにオンまたはオフとなり、前記２次元情報テーブルと同一面積を有する２次元擬似線形変換テーブルを生成し、
前記２次元情報テーブルに前記２次元擬似線形変換テーブルを演算する擬似線形変換を複数回行って各座標が特性ベクトルを有する２次元固有特性テーブルを形成し、前記２次元固有特性テーブルの座標のうち特性ベクトルが変更されていない座標の情報を前記深い真理値として導き出して、
前記２次元固有特性テーブルを前記深い真理値がマッピングされた複数世代の１次元線形チャネルに変換して前記リポジトリに保存し、前記複数世代の１次元線形チャネルそれぞれの深い真理値を連結して形成された知識の脈絡を範疇別に整理して前記リポジトリに保存し、
前記２次元擬似線形変換テーブルは、
方向回転、反転および中心点の対称、左右対称のうちいずれか一つの対応に基づいて演算の回数が増大するほど演算変換に対応して反応する、人工知能フィードバックシステム。
【請求項2】
前記２次元擬似線形変換テーブルは、オンまたはオフ状態のうち、オン状態は１に変え、オフ状態は０．１に変えた後に、前記対応に基づいて前記演算変換に対応して反応する、請求項１に記載の人工知能フィードバックシステム。
【請求項3】
前記入力１は、複数の画像ファイルを含み、前記入力２は、輪郭の強度を含む、請求項２に記載の人工知能フィードバックシステム。
【請求項4】
前記入力１は、複数の文書ファイルを含み、前記入力２は、設定された単語を含む、請求項２に記載の人工知能フィードバックシステム。
【請求項5】
学習するための基本材料を含む入力１および学習するためのコアコンテンツを含む入力２をスクリプトの抽出および実行器に提供する段階と、前記スクリプトの抽出および実行器が前記入力１から前記入力２に関連する情報の人気頻度値または順位値のための初期条件を人工知能に提供する段階と、
前記人工知能が前記初期条件から導き出された前記人気頻度値または前記順位値によるキーワードおよびコア情報それぞれを両軸とする行列形態の２次元情報テーブルを生成する段階と、
前記人工知能と前記スクリプトの抽出および実行器との相互作用により前記２次元情報テーブルの該当座標に前記人気頻度値または前記順位値を追加し、前記該当座標に前記人工知能が習得した知識をマッチングする段階と、
前記人工知能が前記２次元情報テーブルから前記２次元情報テーブルの前記順位値が数値化され、各座標がランダムにオンまたはオフとなり、前記２次元情報テーブルと同一面積を有する２次元擬似線形変換テーブルを生成する段階と、
前記人工知能が前記２次元情報テーブルに前記２次元擬似線形変換テーブルを演算する擬似線形変換を複数回行って各座標が特性ベクトルを有する２次元固有特性テーブルを形成し、前記２次元固有特性テーブルの座標のうち特性ベクトルが変更されていない座標の情報を深い真理値として導き出す段階と、
前記人工知能が前記２次元固有特性テーブルを前記深い真理値がマッピングされた複数世代の１次元線形チャネルに変換してリポジトリに保存し、前記複数世代の１次元線形チャネルそれぞれの深い真理値を連結して形成された知識の脈絡を範疇別に整理して前記リポジトリに保存する段階とを含み、
前記２次元擬似線形変換テーブルは、
方向回転、反転および中心点の対称、左右対称のうちいずれか一つの対応に基づいて演算の回数が増大するほど演算変換に対応して反応する、人工知能フィードバック方法。
【請求項6】
前記２次元擬似線形変換テーブルは、オンまたはオフ状態のうち、オン状態は、１に変え、オフ状態は、０．１に変えた後に、前記対応に基づいて前記演算変換に対応して反応する、請求項５に記載の人工知能フィードバック方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、人工知能フィードバックシステムおよび方法に関する。
【背景技術】
【0002】
一般的な人工知能の学習方法は、累積したパターンやそれを実現する方法により多くの段階と長時間を要する。
人工知能の学習方法は、人工知能が知識を積んで認識するために外部から一方的に注入される資料がなければならず、それによって新たな平衡点を見つける方法である。
従来の人工知能の学習方法は、膨大な量の情報の入力を受けて、その情報による回帰分析分類に依存するため、学習段階が進行するほど幾何級数的に多くの演算および長時間を要する問題がある。
人工知能の学習方法は、人工知能が知識を積んで認識するために外部から一方的に注入される資料がなければならず、それによって新たな平衡点を見つける方法である。
従来の人工知能の学習方法は、膨大な量の情報の入力を受けて、その情報による回帰分析分類に依存するため、学習段階が進行するほど幾何級数的に多くの演算および長時間を要する問題がある。
【発明の概要】
【発明が解決しようとする課題】
【0003】
本発明が解決しようとする課題は、学習のための直観的なフィードバックが効率的に行われる人工知能フィードバック方法および人工知能フィードバックシステムを提供することにある。
【0004】
本発明の課題は、以上で言及した課題に制限されず、言及されていないまた他の課題は、以下の記載から当業者に明確に理解されるものである。
【課題を解決するための手段】
【0005】
前記課題を達成するための本発明の一態様（ａｓｐｅｃｔ）による人工知能フィードバックシステムは、学習するための基本材料を含む入力１および学習するためのコアコンテンツ（ｃｏｒｅ ｃｏｎｔｅｎｔｓ）を含む入力２の提供を受けて前記入力１から前記入力２に関連する情報の人気頻度値または順位値のための初期条件を生成するスクリプトの抽出および実行器；前記スクリプトの抽出および実行器と連結され、前記初期条件から導き出された前記人気頻度値または前記順位値によるキーワード（ｋｅｙ ｗｏｒｄ）およびコア情報（ｃｏｒｅ ｉｎｆｏｒｍａｔｉｏｎ）それぞれを両軸とする行列形態の２次元情報テーブルを生成し、前記２次元情報テーブルの該当座標に前記人気頻度値または前記順位値を追加し、前記該当座標に前記人工知能が習得した知識をマッチング（ｍａｔｃｈｉｎｇ）する人工知能；前記人工知能と連結され、前記人工知能が前記２次元情報テーブルから導き出した深い真理値（ｄｅｅｐ ｔｒｕｔｈ ｖａｌｕｅ）を出力する出力部；および前記人工知能と連結され、前記人工知能が導き出した前記深い真理値を連結して形成された知識の脈絡を範疇別に整理して保存するリポジトリを含み、前記人工知能は、前記２次元情報テーブルから前記２次元情報テーブルの前記順位値が数値化され、各座標がランダム（ｒａｎｄｏｍ）にオン（ｏｎ）またはオフ（ｏｆｆ）となり、前記２次元情報テーブルと同一面積を有する２次元擬似線形変換テーブルを生成し、前記２次元情報テーブルに前記２次元擬似線形変換テーブルを演算する擬似線形変換を複数回行って各座標が特性ベクトルを有する２次元固有特性テーブルを形成し、前記２次元固有特性テーブルの座標のうち特性ベクトルが変更されていない座標の情報を前記深い真理値として導き出して、前記２次元固有特性テーブルを前記深い真理値がマッピングされた複数世代の１次元線形チャネルに変換して前記リポジトリに保存し、前記複数世代の１次元線形チャネルそれぞれの深い真理値を連結して形成された知識の脈絡を範疇別に整理して前記リポジトリに保存し、前記２次元擬似線形変換テーブルは、方向回転、反転および中心点の対称、左右対称のうちいずれか一つの対応に基づいて演算の回数が増大するほど演算変換に対応して反応し得る。
【0006】
また、前記２次元擬似線形変換テーブルは、オンまたはオフ状態のうちオン状態は１に変え、オフ状態は０．１に変えた後に、前記対応に基づいて前記演算変換に対応して反応し得る。
【0007】
また、前記入力１は、複数の画像ファイルを含み、前記入力２は、輪郭の強度を含み得る。
【0008】
また、前記入力１は、複数の文書ファイルを含み、前記入力２は、設定された単語を含み得る。
【0009】
前記課題を達成するための本発明の他の態様による人工知能フィードバック方法は、学習するための基本材料を含む入力１および学習するためのコアコンテンツを含む入力２をスクリプトの抽出および実行器に提供する段階；前記スクリプトの抽出および実行器が前記入力１から前記入力２に関連する情報の人気頻度値または順位値のための初期条件を人工知能に提供する段階；前記人工知能が前記初期条件から導き出された前記人気頻度値または前記順位値によるキーワードおよびコア情報それぞれを両軸とする行列形態の２次元情報テーブルを生成する段階；前記人工知能と前記スクリプトの抽出および実行器との相互作用により前記２次元情報テーブルの該当座標に前記人気頻度値または前記順位値を追加し、前記該当座標に前記人工知能が習得した知識をマッチング（ｍａｔｃｈｉｎｇ）する段階；前記人工知能が前記２次元情報テーブルから前記２次元情報テーブルの前記順位値が数値化され、各座標がランダム（ｒａｎｄｏｍ）にオン（ｏｎ）またはオフ（ｏｆｆ）となり、前記２次元情報テーブルと同一面積を有する２次元擬似線形変換テーブルを生成する段階；前記人工知能が前記２次元情報テーブルに前記２次元擬似線形変換テーブルを演算する擬似線形変換を複数回行って各座標が特性ベクトルを有する２次元固有特性テーブルを形成し、前記２次元固有特性テーブルの座標のうち特性ベクトルが変更されていない座標の情報を深い真理値として導き出す段階；および前記人工知能が前記２次元固有特性テーブルを前記深い真理値がマッピングされた複数世代の１次元線形チャネルに変換してリポジトリに保存し、前記複数世代の１次元線形チャネルそれぞれの深い真理値を連結して形成された知識の脈絡を範疇別に整理して前記リポジトリに保存する段階を含み、前記２次元擬似線形変換テーブルは、方向回転、反転および中心点の対称、左右対称のうちいずれか一つの対応に基づいて演算の回数が増大するほど演算変換に対応して反応し得る。
【0010】
また、前記２次元擬似線形変換テーブルは、オンまたはオフ状態のうちオン状態は１に変え、オフ状態は０．１に変えた後に、前記対応に基づいて前記演算変換に対応して反応し得る。
【発明の効果】
【0011】
前記のような本発明の人工知能フィードバックシステムおよび方法によれば、次のような効果が一つあるいはそれ以上ある。
【0012】
本発明は、学習のための直観的なフィードバックが効率的に行われる人工知能フィードバックシステムを提供することができる。
【図面の簡単な説明】
【0013】
【図1】本発明の一実施形態による人工知能フィードバック方法を示すフローチャートである。
【0014】
【0015】
【図8】本発明の他の実施形態による人工知能フィードバックシステムを示す図である。
【0016】
【0017】
【図11】人工知能フィードバック方法、および人工知能システムを用いる画像によるトレーニングを示すイメージである。
【0018】
【図12】人工知能フィードバック方法、および人工知能システムを用いる文書によるトレーニングを示すイメージである。
【0019】
【0020】
【0021】
【発明を実施するための形態】
【0022】
以下、添付する図面を参照して、本発明の実施形態について詳細に説明する。
本発明の利点および特徴、並びにこれらを達成する方法は、添付する図面と共に詳細に後述する実施形態を参照すると明確になる。
しかし、本発明は、以下に開示する実施形態に限定されるものではなく、互いに異なる多様な形態で実現することができ、本実施形態は、単に本発明の開示を完全にし、本発明が属する技術分野で通常の知識を有する者に発明の範疇を完全に知らせるために提供するものであり、本発明は、請求項の範疇によってのみ定義される。
明細書全体にわたって同一参照符号は、同一構成要素を指すものとする。
空間的に相対的な用語である「下（ｂｅｌｏｗ）」、「下（ｂｅｎｅａｔｈ）」、「下部（ｌｏｗｅｒ）」、「上（ａｂｏｖｅ）」、「上部（ｕｐｐｅｒ）」などは、図面に示されているように、一つの対象物、または、構成要素と異なる対象物、または構成要素との相関関係を容易に記述するために使用される。
本発明の利点および特徴、並びにこれらを達成する方法は、添付する図面と共に詳細に後述する実施形態を参照すると明確になる。
しかし、本発明は、以下に開示する実施形態に限定されるものではなく、互いに異なる多様な形態で実現することができ、本実施形態は、単に本発明の開示を完全にし、本発明が属する技術分野で通常の知識を有する者に発明の範疇を完全に知らせるために提供するものであり、本発明は、請求項の範疇によってのみ定義される。
明細書全体にわたって同一参照符号は、同一構成要素を指すものとする。
空間的に相対的な用語である「下（ｂｅｌｏｗ）」、「下（ｂｅｎｅａｔｈ）」、「下部（ｌｏｗｅｒ）」、「上（ａｂｏｖｅ）」、「上部（ｕｐｐｅｒ）」などは、図面に示されているように、一つの対象物、または、構成要素と異なる対象物、または構成要素との相関関係を容易に記述するために使用される。
【0023】
空間的に相対的な用語は、図面に示されている方向に加えて、使用時または動作時に対象物の互いに異なる方向を含む用語として理解されなければならない。
例えば、図面に示されている対象物をひっくり返す場合、他の対象物の「下（ｂｅｌｏｗ）」または「下（ｂｅｎｅａｔｈ）」と記述された対象物は、他の対象物の「上（ａｂｏｖｅ）」に置かれる。
したがって、例示的な用語の「下」は、下と上の方向を両方含むことができる。
対象物は、他の方向に配向されてもよく、そのため、空間的に相対的な用語は、配向によって解釈されることができる。
例えば、図面に示されている対象物をひっくり返す場合、他の対象物の「下（ｂｅｌｏｗ）」または「下（ｂｅｎｅａｔｈ）」と記述された対象物は、他の対象物の「上（ａｂｏｖｅ）」に置かれる。
したがって、例示的な用語の「下」は、下と上の方向を両方含むことができる。
対象物は、他の方向に配向されてもよく、そのため、空間的に相対的な用語は、配向によって解釈されることができる。
【0024】
第１、第２などが多様な対象物、構成要素および／またはセクションを叙述するために使われるが、これらの対象物、構成要素および／またはセクションは、これらの用語によって制限されない。
これらの用語は、単に、一つの対象物、構成要素またはセクションを他の対象物、構成要素またはセクションと区別するために使用する。
したがって、以下で言及される第１対象物、第１構成要素または第１セクションは、本発明の技術的思想内で第２対象物、第２構成要素または第２セクションである。
これらの用語は、単に、一つの対象物、構成要素またはセクションを他の対象物、構成要素またはセクションと区別するために使用する。
したがって、以下で言及される第１対象物、第１構成要素または第１セクションは、本発明の技術的思想内で第２対象物、第２構成要素または第２セクションである。
【0025】
本明細書で使用された用語は、実施形態を説明するためのものであり、本発明を制限しようとするものではない。
本明細書で、単数形は、文面で特記しない限り、複数形も含む。
明細書で使用される「含む（ｃｏｍｐｒｉｓｅｓ）」および／または「含む（ｃｏｍｐｒｉｓｉｎｇ）」は、言及された構成要素、段階、動作および／または対象物は一つ以上の他の構成要素、段階、動作および／または対象物の存在または追加を排除しない。
本明細書で、単数形は、文面で特記しない限り、複数形も含む。
明細書で使用される「含む（ｃｏｍｐｒｉｓｅｓ）」および／または「含む（ｃｏｍｐｒｉｓｉｎｇ）」は、言及された構成要素、段階、動作および／または対象物は一つ以上の他の構成要素、段階、動作および／または対象物の存在または追加を排除しない。
【0026】
他に定義のない限り、本明細書で使用されるすべての用語（技術的および科学的用語を含む）は、本発明が属する技術分野で通常の知識を有する者に共通して理解される意味で使用される。
また、一般的に使用される辞典に定義されている用語は、明白に特に定義されていない限り理想的にまたは過度に解析されない。
また、一般的に使用される辞典に定義されている用語は、明白に特に定義されていない限り理想的にまたは過度に解析されない。
【0027】
以下、添付する図面を参照して本発明の実施形態について詳細に説明し、添付図面を参照して説明するにあたり、図面符号に関係なく同一であるかまたは対応する構成要素は、同じ参照番号を付与し、これに係る重複する説明は、省略する。
【0028】
【0029】
まず、図１および図２を参照すると、入力１および入力２をスクリプトの抽出および実行器に提供する（Ｓ１００）。
具体的には、図２の(1)、(2)を参照すると、人工知能が学習するための基本材料を含む入力１および学習するためのコアコンテンツを含む入力２をスクリプトの抽出および実行器に提供する。
具体的には、図２の(1)、(2)を参照すると、人工知能が学習するための基本材料を含む入力１および学習するためのコアコンテンツを含む入力２をスクリプトの抽出および実行器に提供する。
【0030】
一例として、入力１は、複数の画像ファイルを含み、入力２は、輪郭の強度を含み得るが、これに限られない。
他の例として、入力１は、複数の文書ファイルを含み、入力２は、設定された単語を含み得るが、これに限られない。
他の例として、入力１は、複数の文書ファイルを含み、入力２は、設定された単語を含み得るが、これに限られない。
【0031】
認識知能が、学習またはトレーニングをしなければならない材料が準備される入力１、入力２が、提示される段階である。
これは、人工知能が学習するための基本的な材料で構成され、入力１は、文書ファイル（ｐｄｆ、ｔｘｔファイルのような字情報など）と画像ファイル（ｊｐｇ、ｐｎｇファイルのような画像情報など）であり、入力２は、人工知能が学習しなければならないキーワードまたはコアコンテンツである。
これは、人工知能が学習するための基本的な材料で構成され、入力１は、文書ファイル（ｐｄｆ、ｔｘｔファイルのような字情報など）と画像ファイル（ｊｐｇ、ｐｎｇファイルのような画像情報など）であり、入力２は、人工知能が学習しなければならないキーワードまたはコアコンテンツである。
【0032】
一例として、入力１が文書ファイルの場合、入力２は、キー主題語（ｋｅｙ ｓｕｂｊｅｃｔ ｗｏｒｄ）であり、入力１が画像ファイルの場合は、入力２は、明暗の段階または図の輪郭線である。
次に、スクリプトの抽出および実行器が、入力１から入力２に関連する情報の人気頻度値または順位値のための初期条件を人工知能に提供する（Ｓ２００）。
次に、スクリプトの抽出および実行器が、入力１から入力２に関連する情報の人気頻度値または順位値のための初期条件を人工知能に提供する（Ｓ２００）。
【0033】
具体的には、図２の(3)を参照すると、スクリプトの抽出および実行器が、入力１から入力２に関連する情報の人気頻度値または順位値のための初期条件を人工知能に提供する。
スクリプトの抽出および実行器は、Ｐｅｒｌ Ｓｃｒｉｐｔ 、ｊａｖａ、または言語スクリプト分析器などのスクリプトを抽出および実行するプログラムを含む。
スクリプトの抽出および実行器は、Ｐｅｒｌ Ｓｃｒｉｐｔ 、ｊａｖａ、または言語スクリプト分析器などのスクリプトを抽出および実行するプログラムを含む。
【0034】
スクリプトの抽出および実行器は、初期の学習材料において入力２の内容に基づいてキー主題語やコアコンテンツに関連する情報の人気頻度値または順位値などのための初期条件などを認識知能に提供する。
【0035】
次に、人工知能が、初期条件から導き出された人気頻度値または順位値によるキーワードおよびコア情報それぞれを両軸とする行列形態の２次元情報テーブルＡを生成する（Ｓ３００）
【0036】
具体的には、図２の(1)、(2)を参照すると、人工知能が、スクリプトの抽出および実行器から提供された初期条件から導き出された人気頻度値または順位値によるキーワードおよびコア情報それぞれを両軸とする行列形態の２次元情報テーブルＡを生成する。
人工知能は、初期の人気頻度値または順位値などに係る情報で初期の２次元情報テーブルＡを作る準備をする。
人工知能は、初期の人気頻度値または順位値などに係る情報で初期の２次元情報テーブルＡを作る準備をする。
【0037】
人工知能は、初期の人気頻度値または順位値などによって、キー主題語と文書ファイルまたは画像ファイルから見つけたコアコンテンツを持って、２次元直角テーブル座標系である２次元情報テーブルＡを生成する。
２次元情報テーブルＡは、行列と類似の構造を有し、キーワードおよびコア情報それぞれをｘ軸およびｙ軸それぞれとする２次元直角テーブル座標系であり得る。
２次元情報テーブルＡは、行列と類似の構造を有し、キーワードおよびコア情報それぞれをｘ軸およびｙ軸それぞれとする２次元直角テーブル座標系であり得る。
【0038】
次に、人工知能とスクリプトの抽出および実行器との相互作用により、２次元情報テーブルＡの該当座標に人気頻度値、または順位値を追加し、該当座標に人工知能が習得した知識をマッチング（ｍａｔｃｈｉｎｇ）する（Ｓ４００）。
【0039】
具体的には、図２の(3)を参照すると、人工知能とスクリプトの抽出および実行器との相互作用により、２次元情報テーブルＡの該当座標に人気頻度値または順位値を追加し、該当座標に人工知能が習得した知識をマッチング（ｍａｔｃｈｉｎｇ）する。
【0040】
人工知能とスクリプトの抽出および実行器との相互作用によって、２次元直角テーブル座標系である２次元情報テーブルの該当座標に人気頻度、比重、または順位値などを追加し、該当座標には人工知能が習得した知識をマッチングさせて管理することができる。
【0041】
次に、図２および図３を参照すると、人工知能が２次元情報テーブルＡから２次元情報テーブルＡの順位値が数値化され、各座標がランダムにオン（ｏｎ）またはオフ（ｏｆｆ）となり、２次元情報テーブルＡと同一面積を有する２次元擬似線形変換テーブルＴを生成する（Ｓ５００）。
【0042】
具体的には、図２の(5)および図３を参照すると、人工知能が、２次元情報テーブルＡから２次元情報テーブルＡの順位値が数値化され、各座標がランダム（ｒａｎｄｏｍ）にオン（ｏｎ）またはオフ（ｏｆｆ）となり、２次元情報テーブルＡと同一面積を有する２次元擬似線形変換テーブルＴを生成する。
【0043】
人工知能が、２次元情報テーブルＡと同じサイズの２次元擬似線形変換テーブルＴを生成する。
人工知能は、２次元擬似線形変換テーブルＴのそれぞれの座標に該当する地点に２次元情報テーブルＡの情報に対する順位値をそのまま投影させて数値化し、各座標の数値化された値はそのまま維持するが、各座標が特別なパターンがなく、予測が不可能なランダム（ｒａｎｄｏｍ）なオン（ｏｎ）およびオフ（ｏｆｆ）状態になるようにする２次元擬似線形変換テーブルＴを生成する。
人工知能が生成した２次元擬似線形変換テーブルＴは、擬似線形変換を行うための演算用テーブルである。
人工知能は、２次元擬似線形変換テーブルＴのそれぞれの座標に該当する地点に２次元情報テーブルＡの情報に対する順位値をそのまま投影させて数値化し、各座標の数値化された値はそのまま維持するが、各座標が特別なパターンがなく、予測が不可能なランダム（ｒａｎｄｏｍ）なオン（ｏｎ）およびオフ（ｏｆｆ）状態になるようにする２次元擬似線形変換テーブルＴを生成する。
人工知能が生成した２次元擬似線形変換テーブルＴは、擬似線形変換を行うための演算用テーブルである。
【0044】
図３を参照すると、人工知能がフィードバック過程と演算による導き出し過程において、演算に用いられる２次元擬似線形変換テーブルの各段階別にどのように生成し、形状はどのように構成されるのかを示している。
【0045】
各段階別の２次元擬似線形変換テーブルは、順位値はそのまま維持するように構成し、同じ座標系のランダムなオン（ｏｎ）およびオフ（ｏｆｆ）状態にしなければならないが、これは、各座標別にランダムに１または０になるように配置させるが、予測不可能にランダムに生成させて２次元擬似線形変換テーブルを作る。
一例として、図３の左側テーブルと右側テーブルを、各同じ座標別に乗算を行って、２次元擬似線形変換テーブルのランダムなオンおよびオフ状態を生成することができる。
一例として、図３の左側テーブルと右側テーブルを、各同じ座標別に乗算を行って、２次元擬似線形変換テーブルのランダムなオンおよびオフ状態を生成することができる。
【0046】
次に、図４および図５を参照すると、人工知能が、２次元情報テーブルＡに２次元擬似線形変換テーブルＴを演算する擬似線形変換を複数回行って各座標が特性ベクトルを有する２次元固有特性テーブルを形成し、２次元固有特性テーブルの座標のうち特性ベクトルが変更されていない座標の情報を深い真理値として導き出す（Ｓ６００）。
【0047】
具体的には、図４の(6)、(7)、(8)および図５を参照すると、人工知能が、２次元情報テーブルＡに２次元擬似線形変換テーブルＴを演算する擬似線形変換を複数回行って、各座標が、特性ベクトルを有する２次元固有特性テーブルを形成し、２次元固有特性テーブルの座標のうち特性ベクトルが変更されていない座標の情報を深い真理値として導き出す。
【0048】
２次元情報テーブルＡに２次元擬似線形変換テーブルＴをｎ回演算させると、行列演算と類似の効果が現れる。
２次元情報テーブルＡに２次元擬似線形変換テーブルＴを複数回演算する過程で、２次元情報テーブルＡは、特性ベクトルを有する２次元固有特性テーブルに変換され、この時、変更されずに最後まで生き残る情報は実質的に変動しない深い真理値として導き出される。
２次元情報テーブルＡに２次元擬似線形変換テーブルＴを複数回演算する過程で、２次元情報テーブルＡは、特性ベクトルを有する２次元固有特性テーブルに変換され、この時、変更されずに最後まで生き残る情報は実質的に変動しない深い真理値として導き出される。
【0049】
２次元情報テーブルＡに回別に２次元擬似線形変換テーブルＴをｎ回演算させると、ｎ回の擬似線形変換をする。
ここで生成される２次元擬似線形変換テーブルＴは、一般的な行列演算とは異なり、同じ位置の因子別に乗算することにより生成され、各座標は、ランダムにオンおよびオフされる。
ここで生成される２次元擬似線形変換テーブルＴは、一般的な行列演算とは異なり、同じ位置の因子別に乗算することにより生成され、各座標は、ランダムにオンおよびオフされる。
【0050】
一方、２次元擬似線形変換テーブルとオンおよびオフをランダムに与える同一面積の直角テーブルは、任意に９０度、１８０度、２７０度、または３６０度回転が可能なように計算しても、演算により真理値を導き出すことができる。
図４の(6)を参照すると、擬似線形変換が、ｎ回行われることを確認することができる。
図４の(6)を参照すると、擬似線形変換が、ｎ回行われることを確認することができる。
【0051】
図４の(7)を参照すると、擬似線形変換された２次元固有特性テーブルの値が、これ以上変動しないかまたは最も真理に近いように特性ベクトルと特性値で構成される。
これは、初期の２次元情報テーブル座標値において真理と言えるものだけが生き残るように必要な情報座標系のみを見つけるようにし、この時に生き残った座標値に、マッチングする情報が深い真理値になる。
これは、初期の２次元情報テーブル座標値において真理と言えるものだけが生き残るように必要な情報座標系のみを見つけるようにし、この時に生き残った座標値に、マッチングする情報が深い真理値になる。
【0052】
図４の(8)を参照すると、深い真理値を導き出す過程は、行列であたかも固有値と固有ベクトルを求めることに似ているが、行列演算とは異なり、各座標値が、ランダムにオンおよびオフ状態である固有順位値が付けられた同一面積の２次元擬似線形変換テーブルを各段階別に２次元情報テーブルの同一座標系に、一対一で乗算する形式で擬似線形変換を行うため、行列演算とは、差異がある。
【0053】
図５を参照すると、図４の(6)、(7)、(8)に示す全過程は、元の２次元情報テーブルの座標系とその該当座標値からなる２次元座標テーブルを同一次元の擬似線形変換のためのＴテーブルの連続的な演算過程として整理され、特性値または深い真理値を見つけるための特性テーブル演算のためのＳテーブル演算の連続的な結合であると見ることができる。
【0054】
このような２次元座標テーブルの各座標値でマッチングされる人工知能の知識と学習内容が、どのように高い割合で座標系に生き残り、深い真理値として導き出されるかを概念的に示す。
ｎ回の擬似線形変換は、結果的に、各座標値のランダムなｏｎ／ｏｆｆ状態に応じて、固有順位値がその該当座標に与えられる場合とそうではない場合がある。
ｎ回の擬似線形変換は、結果的に、各座標値のランダムなｏｎ／ｏｆｆ状態に応じて、固有順位値がその該当座標に与えられる場合とそうではない場合がある。
【0055】
これを再び詳細に説明すると、それぞれの座標は、各回ごとに切り替わり、その座標値が、ｏｎまたはｏｆｆのいずれかである。
このようになると、各座標値においてｏｎ状態の座標値のみがそのまま維持され、ｏｆｆ状態の座標値は、すべて０に処理され、ｏｆｆ状態の座標値は、該当回の演算で知識がマッチングされた２次元情報テーブルの該当座標には何の影響も与えられなくなり、その座標の知識は、重要ではないものとして認識され、ｏｎ状態の座標に対してのみその順位値の比重の分だけ重要な情報として認識される。
このようになると、各座標値においてｏｎ状態の座標値のみがそのまま維持され、ｏｆｆ状態の座標値は、すべて０に処理され、ｏｆｆ状態の座標値は、該当回の演算で知識がマッチングされた２次元情報テーブルの該当座標には何の影響も与えられなくなり、その座標の知識は、重要ではないものとして認識され、ｏｎ状態の座標に対してのみその順位値の比重の分だけ重要な情報として認識される。
【0056】
このようになると、ｎ回の擬似線形変換が行われる間、各回別のｏｎ／ｏｆｆ状態が、ランダムに変わるので、予測不可能な人気投票のように作用する。
これにより、最後まで生き残って相対的に高い比重と順位値を有するようになると、この状態を反映して固有特性テーブルにより、固有特性テーブルと固有特性値を演算により選定する。
これにより、最後まで生き残って相対的に高い比重と順位値を有するようになると、この状態を反映して固有特性テーブルにより、固有特性テーブルと固有特性値を演算により選定する。
【0057】
これは、あたかも行列の固有値と固有ベクトルを求めて順位を定めることのように作動するが、演算自体が演算に用いる変換テーブルと知識情報テーブルが位置上では同じ位置に演算させて生成されるテーブルであるから、行列の演算とは異なる過程を経る。
すなわち、固有特性テーブルを見つける過程が、独創的である。
すなわち、固有特性テーブルを見つける過程が、独創的である。
【0058】
以上のような、一実施形態による人工知能フィードバック方法により、人工知能は、入力１、入力２から究極の深い真理値を学習する。
また、一実施形態による人工知能フィードバック方法により、２次元情報テーブルから変換された２次元固有特性テーブルは、１世代情報テーブル層を生成する。
また、一実施形態による人工知能フィードバック方法により、２次元情報テーブルから変換された２次元固有特性テーブルは、１世代情報テーブル層を生成する。
【0059】
人工知能フィードバック方法により、また他の情報から人工知能が学習をし、深い真理値を見つける過程により２世代、３世代、４世代、ｎ世代の２次元情報テーブル層それぞれを生成する。
人工知能は、生成されたｎ世代別の２次元情報テーブル層を用いて、より容易な比較と分析のために、（ｎ×ｎ）型２次元座標系を（ｎ×ｎ）個のチャネルを有する線形に変換して比較分析をすることができ、これを用いて、２次元座標系が線形にマッピングされることができる。
人工知能は、生成されたｎ世代別の２次元情報テーブル層を用いて、より容易な比較と分析のために、（ｎ×ｎ）型２次元座標系を（ｎ×ｎ）個のチャネルを有する線形に変換して比較分析をすることができ、これを用いて、２次元座標系が線形にマッピングされることができる。
【0060】
次に、図６および図７を参照すると、人工知能が、２次元固有特性テーブルを深い真理値がマッピングされた複数世代の１次元線形チャネル（１世代知識層ないしｎ世代知識層）に変換してリポジトリに保存し、前記複数世代の１次元線形チャネル（１世代知識層ないしｎ世代知識層）それぞれの深い真理値を連結して形成された知識の脈絡を範疇別（知識範疇１ないし知識範疇ｎ）に整理してリポジトリに保存する（Ｓ７００）。
【0061】
具体的には、図６を参照すると、人工知能が、リポジトリを用いて、２次元固有特性テーブルの２次元座標をすべて線形のチャネル値を有する複数世代の１次元線形チャネル（１世代知識層ないしｎ世代知識層）に変換して深い真理値を該当チャネルにマッピング（ｍａｐｐｉｎｇ）して満たし、複数世代の１次元線形チャネルそれぞれの深い真理値を連結して情報および知識の脈絡を形成する。
【0062】
一例として、人工知能が各世代から取得した深い真理値で構成された２次元固有特性テーブルが（ｎ×ｎ）型２次元座標系であれば、各座標を線形の（ｎ×ｎ）個のチャネルにマッピングすることができ、図６で世代別の深い真理値が付けられた赤い色の棒で表された該当チャネルは、次世代に関連する深い真理値が付けられた知識層の値と連結される。
このように複数の知識層を関連付けることにより、知識の脈絡が推論および形成されることができる。
このように複数の知識層を関連付けることにより、知識の脈絡が推論および形成されることができる。
【0063】
そして、図７を参照すると、人工知能が、情報および知識の脈絡を構成する主な情報をリポジトリで範疇別（知識範疇１ないし知識範疇ｎ）に分けて整理および保存して体系化された知識を構築する。
一例として、人工知能は、数世代にわたって連結された深い真理値または深い知識の脈絡により構築された知識を、リポジトリを用いて知識の範疇別に分けて知識を整理することができる。
一例として、人工知能は、数世代にわたって連結された深い真理値または深い知識の脈絡により構築された知識を、リポジトリを用いて知識の範疇別に分けて知識を整理することができる。
【0064】
一実施形態による人工知能フィードバック方法は、初期の入力データとコアキーワードによる入力１、入力２に基づいて座標系を構築し、各座標値に頻度、優先順位などによる相対的な順位値が与えられ、２次元座標テーブルに構築された座標系と座標値に、人工知能が見つけた知識をマッチングして累積する方式で初期から効率的に知識を蓄積することができる。
【0065】
したがって、一実施形態による人工知能フィードバック方法は、最終の目的である深い真理値を導き出して最終結論に到達する方式が従来よりも効率的であり、これを概念的に実現して情報を処理・分析し、人工知能がより効率的に最終結論に到達するように助けることができるだけでなく、人工知能の知識構築を基盤とする核心技術として活用することができ、その効用性が増大することができる。
【0066】
すなわち、学習のための直観的なフィードバックが、効率的に行われる人工知能フィードバック方法が提供される。
以下、図８ないし図１０を参照して、他の実施形態による人工知能フィードバックシステムについて説明する。
他の実施形態による人工知能フィードバックシステムは、上述した一実施形態による人工知能フィードバック方法を行うことができるが、これに限定されない。
以下、図８ないし図１０を参照して、他の実施形態による人工知能フィードバックシステムについて説明する。
他の実施形態による人工知能フィードバックシステムは、上述した一実施形態による人工知能フィードバック方法を行うことができるが、これに限定されない。
【0067】
図８は、他の実施形態による人工知能フィードバックシステムを示す図である。
図８を参照すると、他の実施形態による人工知能フィードバックシステムは、スクリプトの抽出および実行器１００、人工知能２００、出力部３００、リポジトリ４００を含む。
スクリプトの抽出および実行器１００は、学習するための基本材料を含む入力１および学習するためのコアコンテンツを含む入力２の提供を受けて入力１から入力２に関連する情報の人気頻度値または順位値のための初期条件を生成する。
図８を参照すると、他の実施形態による人工知能フィードバックシステムは、スクリプトの抽出および実行器１００、人工知能２００、出力部３００、リポジトリ４００を含む。
スクリプトの抽出および実行器１００は、学習するための基本材料を含む入力１および学習するためのコアコンテンツを含む入力２の提供を受けて入力１から入力２に関連する情報の人気頻度値または順位値のための初期条件を生成する。
【0068】
人工知能２００は、スクリプトの抽出および実行器１００と連結され、初期条件から導き出された人気頻度値または順位値によるキーワード（ｋｅｙ ｗｏｒｄ）およびコア情報（ｃｏｒｅ ｉｎｆｏｒｍａｔｉｏｎ）それぞれを両軸とする行列形態の２次元情報テーブルを生成し、２次元情報テーブルの該当座標に人気頻度値または順位値を追加し、該当座標に人工知能が習得した知識をマッチング（ｍａｔｃｈｉｎｇ）する。
人工知能２００は、２次元情報テーブルから２次元情報テーブルの順位値が数値化され、各座標がランダム（ｒａｎｄｏｍ）にオン（ｏｎ）またはオフ（ｏｆｆ）となり、２次元情報テーブルと同一面積を有する２次元擬似線形変換テーブルを生成し、２次元情報テーブルに２次元擬似線形変換テーブルを演算する擬似線形変換を複数回行って各座標が特性ベクトルを有する２次元固有特性テーブルを形成し、２次元固有特性テーブルの座標のうち特性ベクトルが変更されていない座標の情報を深い真理値として導き出し、２次元固有特性テーブルを深い真理値がマッピングされた複数世代の１次元線形チャネルに変換してリポジトリ４００に保存し、複数世代の１次元線形チャネルそれぞれの深い真理値を連結して形成された知識の脈絡を範疇別に整理してリポジトリ４００に保存する。
人工知能２００は、２次元情報テーブルから２次元情報テーブルの順位値が数値化され、各座標がランダム（ｒａｎｄｏｍ）にオン（ｏｎ）またはオフ（ｏｆｆ）となり、２次元情報テーブルと同一面積を有する２次元擬似線形変換テーブルを生成し、２次元情報テーブルに２次元擬似線形変換テーブルを演算する擬似線形変換を複数回行って各座標が特性ベクトルを有する２次元固有特性テーブルを形成し、２次元固有特性テーブルの座標のうち特性ベクトルが変更されていない座標の情報を深い真理値として導き出し、２次元固有特性テーブルを深い真理値がマッピングされた複数世代の１次元線形チャネルに変換してリポジトリ４００に保存し、複数世代の１次元線形チャネルそれぞれの深い真理値を連結して形成された知識の脈絡を範疇別に整理してリポジトリ４００に保存する。
【0069】
出力部３００は、人工知能２００と連結され、人工知能２００が２次元情報テーブルから導き出した深い真理値を出力する。
リポジトリ４００は、人工知能２００と連結され、人工知能２００が導き出した深い真理値を連結して形成された知識の脈絡を範疇別に整理して保存する。
リポジトリ４００は、人工知能２００と連結され、人工知能２００が導き出した深い真理値を連結して形成された知識の脈絡を範疇別に整理して保存する。
【0070】
図９および図１０は、他の実施形態による人工知能フィードバックシステムを説明するための図である。
図８および９を参照すると、人工知能である認識プログラムが、学習すべき初期入力に相当する文書または画像に係る情報である入力１と優先的に扱うべき優先順位キーワードに相当する入力２を示している。
人工知能に相当する認識プログラムは、入力データと対話または検討する手段を提供するスクリプトの抽出および実行器と相互作用する。
スクリプトの抽出および実行器は、強力な文書または入力ファイルの情報を検索するＰｅｒｌスクリプトのようなシステム言語であり、認識プログラムに必要なデータを抽出し、頻度値を計算するときに認識プログラムを活用する。
Ｐｅｒｌスクリプトには、単語抽出機能、隣接する単語の抽出、文章の類似度に対する基本的な検索および統計などの機能を行うことができる。
図８および９を参照すると、人工知能である認識プログラムが、学習すべき初期入力に相当する文書または画像に係る情報である入力１と優先的に扱うべき優先順位キーワードに相当する入力２を示している。
人工知能に相当する認識プログラムは、入力データと対話または検討する手段を提供するスクリプトの抽出および実行器と相互作用する。
スクリプトの抽出および実行器は、強力な文書または入力ファイルの情報を検索するＰｅｒｌスクリプトのようなシステム言語であり、認識プログラムに必要なデータを抽出し、頻度値を計算するときに認識プログラムを活用する。
Ｐｅｒｌスクリプトには、単語抽出機能、隣接する単語の抽出、文章の類似度に対する基本的な検索および統計などの機能を行うことができる。
【0071】
人工知能は、このような組み込まれたスクリプト文法の特別な窓口により分析資料を収集およびフィードバックを行い、特定の情報を知識化する２次元情報テーブルまたは学習した結果を２次元座標テーブルの座標にマッチングして保存する。
２次元座標テーブルは、入力１と入力２で代表される情報座標軸となる座標を基盤とすることができる。
この時、情報座標軸は、計算の便宜性に応じて垂直線形状に変換することができる。
停止コマンドは、人工知能が何回目の学習を実行すべきかを初期条件として設定する。
特に初期条件が与えられない場合、認識プログラムである人工知能は、ｎ回の擬似線形変換の過程を経て、特性ベクトルテーブルまたは特性テーブルの値が殆ど変動しない時点まであたかも行列の固有値と固有ベクトルを求めてこれ以上フィードバックと演算を必要としない深い真理値を見つけるまで学習する。
２次元座標テーブルは、入力１と入力２で代表される情報座標軸となる座標を基盤とすることができる。
この時、情報座標軸は、計算の便宜性に応じて垂直線形状に変換することができる。
停止コマンドは、人工知能が何回目の学習を実行すべきかを初期条件として設定する。
特に初期条件が与えられない場合、認識プログラムである人工知能は、ｎ回の擬似線形変換の過程を経て、特性ベクトルテーブルまたは特性テーブルの値が殆ど変動しない時点まであたかも行列の固有値と固有ベクトルを求めてこれ以上フィードバックと演算を必要としない深い真理値を見つけるまで学習する。
【0072】
停止コマンドに対する格別な入力がない場合は、そのように作動し、停止コマンドが与えられると、停止コマンドと共に人工知能の学習と演算は終了し、学習結果である深い真理値を出力部に出力する。
この時、人工知能は、深い真理値を連結して形成された知識の脈絡を範疇別に整理してリポジトリに保存し、体系化された知識を構築することができる。
この時、人工知能は、深い真理値を連結して形成された知識の脈絡を範疇別に整理してリポジトリに保存し、体系化された知識を構築することができる。
【0073】
図１０を参照すると、該当するスクリプトの抽出、スクリプトの実行、人工知能である認識プログラムが、どのように相互作用するかを概念的に示している。
人工知能である認識プログラムは、スクリプト言語を操作することによって、必要な情報と単語を検索・分析する構造であることを確認することができる。
人工知能である認識プログラムは、スクリプト言語を操作することによって、必要な情報と単語を検索・分析する構造であることを確認することができる。
【0074】
このように認識プログラムは、スクリプトの抽出および実行器を用いて入力１と入力２を有して継続して自らフィードバックを行い、２次元情報テーブルと２次元テーブル座標系を作って知識に対する比重を人気頻度値または順位値の形態で座標分布を作って、その座標に対する具体的な文章情報は、同じサイズの座標系に別に保存し、その座標にマッチングする情報は、継続して累積保存する。
上述したすべての情報は、人工知能によりリポジトリに保存され得る。
上述したすべての情報は、人工知能によりリポジトリに保存され得る。
【0075】
以下、図１１を参照して人工知能フィードバック方法および人工知能システムを用いる学習の一例として、画像によるトレーニングについて説明する。
図１１は、人工知能フィードバック方法および人工知能システムを用いる画像によるトレーニングを示すイメージである。
図１１は、人工知能フィードバック方法および人工知能システムを用いる画像によるトレーニングを示すイメージである。
【0076】
図１１を参照すると、画像によるトレーニングは、ｊｐｇファイルの特徴を見つけて深い真理を導き出して総合的な共通点を見つけて図を生成する過程であり得る。
具体的には、一定の大きさのピクセルを有しているｊｐｇファイルを、学習させる。
画像ファイルの特徴のために、輪郭線を中心に人気頻度値（変数の加重値と類似概念）を大きく与え、それ以外は、特徴的なものではないという前提条件を与える。
画像ファイルも一種の文書として見ることができるので、画像ファイルで各ピクセルの値を認識プログラムが認識し、人気頻度値を自ら算定し、該当ピクセルに累積値を設定して行く。
一定時間が経過すると、累積分布値による特性値が与えられ、この特性値の順位に従って順位値を再順位付けする。
ここで、順位値は、加重値と同様の役割をする。
具体的には、一定の大きさのピクセルを有しているｊｐｇファイルを、学習させる。
画像ファイルの特徴のために、輪郭線を中心に人気頻度値（変数の加重値と類似概念）を大きく与え、それ以外は、特徴的なものではないという前提条件を与える。
画像ファイルも一種の文書として見ることができるので、画像ファイルで各ピクセルの値を認識プログラムが認識し、人気頻度値を自ら算定し、該当ピクセルに累積値を設定して行く。
一定時間が経過すると、累積分布値による特性値が与えられ、この特性値の順位に従って順位値を再順位付けする。
ここで、順位値は、加重値と同様の役割をする。
【0077】
各ピクセルは、一定の平面で、すなわち、行列のようなテーブルの各座標にマッチングすることができ、行列形状のテーブルは、すなわち、画像に係る情報値の分布を有するようになり、このような値から、認識プログラムが作った行列形状のテーブルの情報値に対する各ピクセルの順位値は、そのまま維持するが、同一次元の行列形状のテーブルを作成して各テーブルの各座標に対して、順位値を表示または非表示にするランダムなテーブルを作成し、このテーブルを行列の線形変換のように作用させて深い真理値を見つけるようにする。
【0078】
各ランダムなテーブルによる擬似線形変換をスクリプト実行器で行うと、それぞれの変換されたテーブルには、深い真理値を示す特性ベクトルが生成されるが、これは、あたかも行列の固有値と固有ベクトルと同じように行動する。
特性ベクトル値が生成されると、特性ベクトルの特性値の大きさに応じて順位を付けることができ、これは、画像では画像の特性を示すピクセルを強調する役割をし、一種の深い真理値を見つける過程を完成する。
完成された結果は、学習したすべての画像から一種の共通点を見つけて完成する標準画像になる。
特性ベクトル値が生成されると、特性ベクトルの特性値の大きさに応じて順位を付けることができ、これは、画像では画像の特性を示すピクセルを強調する役割をし、一種の深い真理値を見つける過程を完成する。
完成された結果は、学習したすべての画像から一種の共通点を見つけて完成する標準画像になる。
【0079】
以下、図１２を参照して、人工知能フィードバック方法および人工知能システムを用いる学習の他の例として、文書によるトレーニングについて説明する。
図１２は、人工知能フィードバック方法および人工知能システムを用いる文書によるトレーニングを示すイメージである。
図１２は、人工知能フィードバック方法および人工知能システムを用いる文書によるトレーニングを示すイメージである。
【0080】
図１２を参照すると、文書によるトレーニングは、ｔｘｔ文書により関連性を見つけて深い真理を作る過程であり得る。
具体的には、一定の大きさの有する文書、ここでは、ｔｘｔファイルを選択して学習させる。
学習過程は、入力１にｔｘｔファイルを入力させて、入力２では、キーワード、または関心事項を入力する。
入力２の提示語または関心単語を有して、キーワードの人気頻度分布とキーワードが入っている文章を見つけて頻度による特性値を与える。
具体的には、一定の大きさの有する文書、ここでは、ｔｘｔファイルを選択して学習させる。
学習過程は、入力１にｔｘｔファイルを入力させて、入力２では、キーワード、または関心事項を入力する。
入力２の提示語または関心単語を有して、キーワードの人気頻度分布とキーワードが入っている文章を見つけて頻度による特性値を与える。
【0081】
キーワードは、行列形状のテーブルにマッチングして学習する知識の層を作って、その頻度分布が、どの座標に該当するのか座標値にマッチングする。
実施形態では、約７個の程度のキーワードを羅列し、３個の単語による組み合わせを考慮した７×７行列と類似のテーブルを構成して、関連単語を軸とする座標値を生成する（座標系では数字で表示する）。
各座標には、人気頻度による順位値が付けられ、その順位値を各座標に付与した後、各座標のその値は、認識プログラムが認識して人気頻度値を自ら算定し、該当座標に、累積値を設定して行く。
実施形態では、約７個の程度のキーワードを羅列し、３個の単語による組み合わせを考慮した７×７行列と類似のテーブルを構成して、関連単語を軸とする座標値を生成する（座標系では数字で表示する）。
各座標には、人気頻度による順位値が付けられ、その順位値を各座標に付与した後、各座標のその値は、認識プログラムが認識して人気頻度値を自ら算定し、該当座標に、累積値を設定して行く。
【0082】
一定時間が経過すると、累積分布値による特性値が与えられ、この特性値の順位に従って順位値を再順位付けする。
ここで順位値は、加重値と同様の役割をする。
各座標は、一定の平面で、すなわち、行列のようなテーブルの各座標にマッチングすることができ、行列形状のテーブルは、各座標の情報値の分布を有するようになり、このような値から、認識プログラムが作った行列形状のテーブルの情報値に対する各座標の順位値はそのまま維持するが、同一次元の行列形状のテーブルを作って各テーブルの各座標に対して、順位値を表示または非表示にするランダムなテーブルを作成し、このテーブルを行列の線形変換のように作用させて深い真理値を見つけるようにする。
ここで順位値は、加重値と同様の役割をする。
各座標は、一定の平面で、すなわち、行列のようなテーブルの各座標にマッチングすることができ、行列形状のテーブルは、各座標の情報値の分布を有するようになり、このような値から、認識プログラムが作った行列形状のテーブルの情報値に対する各座標の順位値はそのまま維持するが、同一次元の行列形状のテーブルを作って各テーブルの各座標に対して、順位値を表示または非表示にするランダムなテーブルを作成し、このテーブルを行列の線形変換のように作用させて深い真理値を見つけるようにする。
【0083】
一定時間が経過すると、テーブルの各座標が有する順位値は、そのまま維持するが、ランダムに値を表す特性ベクトルが生成されるが、これは、あたかも行列の固有値と固有ベクトルと同じように行動する。
特性ベクトル値が生成されると、特性ベクトルの特性値の大きさに応じて順位を付けることができ、これは、ｔｘｔまたは文書ではキーワードが入る意味のある文章を強調し、組み合わせまたは融合による一種の深い真理値を見つける過程を完成する。
完成した結果は、学習した文書から一種の総合的な結論を導き出す結果を有する。
特性ベクトル値が生成されると、特性ベクトルの特性値の大きさに応じて順位を付けることができ、これは、ｔｘｔまたは文書ではキーワードが入る意味のある文章を強調し、組み合わせまたは融合による一種の深い真理値を見つける過程を完成する。
完成した結果は、学習した文書から一種の総合的な結論を導き出す結果を有する。
【0084】
図１３は、図９に基づく他の実施形態による人工知能フィードバックシステムを説明するための図である。
前述した内容に基づいて図１３を参照すると、人工知能フィードバックシステムの実現方式は、別途のリポジトリを有しており、これを活用して世代を重ねることにより、累積する知識を共有し、世代間の影響が大きい知識を連結して知識の伝統と脈絡を作る方法を含む。
前述した内容に基づいて図１３を参照すると、人工知能フィードバックシステムの実現方式は、別途のリポジトリを有しており、これを活用して世代を重ねることにより、累積する知識を共有し、世代間の影響が大きい知識を連結して知識の伝統と脈絡を作る方法を含む。
【0085】
本発明は、人工知能フィードバックシステムの機能をそのまま維持しつつ、もう少し強化されるフィードバックと深い真理値を取得するようにするプロセスがもう一つ追加される。
したがって、本発明で追求する方法は、１０個の段階が必要である。
追加されるプロセスは、テーブル演算の方式を多様に作動するようにすることである。
真理値が０ではないのは０にならないように維持するために、本発明の追加プロセスには、テーブル演算の連続性のために、０ではないが相対的に小さい値を０に対する代替値として演算テーブルを作ることである。
本発明では、例示的に、０になる部分を０．１に代替して行う方法も追加した。
したがって、本発明で追求する方法は、１０個の段階が必要である。
追加されるプロセスは、テーブル演算の方式を多様に作動するようにすることである。
真理値が０ではないのは０にならないように維持するために、本発明の追加プロセスには、テーブル演算の連続性のために、０ではないが相対的に小さい値を０に対する代替値として演算テーブルを作ることである。
本発明では、例示的に、０になる部分を０．１に代替して行う方法も追加した。
【0086】
このようにして、演算子として作用するテーブルの方向を回転させようが、１８０度反転を起こそうが、中心点の対称を利用しようが、あるいは、前面と裏面を変えようが、関係なく演算の回数が増大するほどいかなる演算変換に対しても反応して深い真理値を得るようになる構造を作ることである。
【0087】
一番目は、認識プログラム（人工知能）が、学習またはトレーニングすべき材料が準備される入力１、入力２が提示される段階である。
これは、人工知能が学習するための基本的な材料で構成され、入力１は、主に文書ファイル（ｐｄｆ、ｔｘｔファイルのような文字情報など）と画像ファイル（ｊｐｇ、ｐｎｇファイルのような画像のような情報など）であり得、入力２は、主に人工知能が学習すべきキーワードまたはコアコンテンツであり得る。
例えば、文書ファイルの場合は、主にキー主題語であり、画像ファイルでは、明暗の段階または図の輪郭線である。
これは、人工知能が学習するための基本的な材料で構成され、入力１は、主に文書ファイル（ｐｄｆ、ｔｘｔファイルのような文字情報など）と画像ファイル（ｊｐｇ、ｐｎｇファイルのような画像のような情報など）であり得、入力２は、主に人工知能が学習すべきキーワードまたはコアコンテンツであり得る。
例えば、文書ファイルの場合は、主にキー主題語であり、画像ファイルでは、明暗の段階または図の輪郭線である。
【0088】
二番目は、スクリプトの抽出および実行器の段階として、初期の学習材料で入力２の内容に基づいてキー主題語やコアコンテンツに関連する情報の人気頻度値または順位値などのための初期条件などが、認識プログラム（人工知能）に与えられる。
三番目は、認識プログラムが作動する段階として認識プログラムは初期の人気頻度値または順位値などに係る情報で初期の２次元情報テーブルを作る準備をする。
三番目は、認識プログラムが作動する段階として認識プログラムは初期の人気頻度値または順位値などに係る情報で初期の２次元情報テーブルを作る準備をする。
【0089】
四番目は、認識プログラム（人工知能）が、２次元情報テーブルを作る段階である。
この段階では、初期の人気頻度値または順位値などにより、キー主題語と文書／画像ファイルから見つけたコアコンテンツを有して２次元直角テーブル座標系を作る。
これを別の言葉では、２次元情報テーブルという。
形状は、私達が知るようになる行列と類似する構造を有するが、これは、キーワードとコア情報を軸とする２次元テーブル座標系となる。
この段階では、初期の人気頻度値または順位値などにより、キー主題語と文書／画像ファイルから見つけたコアコンテンツを有して２次元直角テーブル座標系を作る。
これを別の言葉では、２次元情報テーブルという。
形状は、私達が知るようになる行列と類似する構造を有するが、これは、キーワードとコア情報を軸とする２次元テーブル座標系となる。
【0090】
五つ目は、２次元テーブル座標系に人工知能とスクリプトの抽出／実行器との相互作用によって該当座標値の人気頻度または比重または順位値を座標系に付けて、該当する座標には人工知能が習得した知識をマッチングさせて管理する段階である。
【0091】
六番目は、２次元情報テーブルと同じサイズの２次元テーブルを生成し、それぞれの座標に該当する地点に２次元情報テーブルの情報に対する順位値をそのまま投影させて数値化し、各座標の数値化された値は、そのまま維持するが、各座標が特別なパターンがなく、予測が不可能なランダムなｏｎ／ｏｆｆ状態になるようにする２次元テーブルを作成する過程である。
この段階で生成される２次元テーブルは、擬似線形変換を行うための演算用テーブルを作成する段階である。
この段階で生成される２次元テーブルは、擬似線形変換を行うための演算用テーブルを作成する段階である。
【0092】
七番目は、擬似線形変換によりなされる結果を、導き出す段階である。
この段階は、擬似線形変換用２次元テーブルによって複数回演算を行うと、これは、行列演算と類似する効果を示すが、このような演算過程で２次元情報テーブルは特性ベクトルを有する特性情報テーブルに変換するようになり、この時は、変更されずに最後まで生き残る情報は殆ど変動しない深い真理値として導き出される段階である。
この段階は、擬似線形変換用２次元テーブルによって複数回演算を行うと、これは、行列演算と類似する効果を示すが、このような演算過程で２次元情報テーブルは特性ベクトルを有する特性情報テーブルに変換するようになり、この時は、変更されずに最後まで生き残る情報は殆ど変動しない深い真理値として導き出される段階である。
【0093】
このような過程により、人工知能は、入力１、入力２により究極の深い真理値を見つけるようになり、このように形成された２次元情報テーブルは、１世代情報テーブル層を構成する。
これと同様に、また他の情報から人工知能が学習をして深い真理値を見つける過程により、２世代情報テーブル層を生成し、その次も、同様の方法で３世代、４世代、ｎ世代の２次元情報テーブル層をそれぞれ生成する。
これと同様に、また他の情報から人工知能が学習をして深い真理値を見つける過程により、２世代情報テーブル層を生成し、その次も、同様の方法で３世代、４世代、ｎ世代の２次元情報テーブル層をそれぞれ生成する。
【0094】
八番目は、擬似線形変換用２次元テーブルによる数回の演算過程において、先立って実行された演算過程をより強化するために、多様な変換を段階と段階の間に実行することができる。
このときの変換過程は、図１に示すように、回転、対称、点対称、軸対称、反転などのいかなる形態でも変換演算を行う。
このときの変換過程は、図１に示すように、回転、対称、点対称、軸対称、反転などのいかなる形態でも変換演算を行う。
【0095】
ここで、変換演算は既存の０に処理されたテーブル値は、非常に小さい値が０．１程度の水準に代わる。
これは、多様な変換作業をする場合に生き残った真理値が相対的に縮小される現象を累積値を適用する時に緩和させる役割をする。
このような多様な変換演算を追加して挿入することによって、２世代情報テーブル、３世代、４世代、ｎ世代の２次元情報テーブル層をそれぞれ生成する時より強化された累積真理値を導き出すことを可能にする。
これは、多様な変換作業をする場合に生き残った真理値が相対的に縮小される現象を累積値を適用する時に緩和させる役割をする。
このような多様な変換演算を追加して挿入することによって、２世代情報テーブル、３世代、４世代、ｎ世代の２次元情報テーブル層をそれぞれ生成する時より強化された累積真理値を導き出すことを可能にする。
【0096】
九番目は、認識プログラムがリポジトリを用いて、２次元情報テーブル層の２次元座標をすべて線形のチャネル値に変換して深い真理値を線形の該当チャネルにマッピングして満たし、世代別のチャネルを連結して情報／知識の脈絡を作る過程である。
十回目は、情報／知識の脈絡を構成する重要情報をリポジトリで範疇別に知識範疇を分けて体系化した知識を構築する過程である。
十回目は、情報／知識の脈絡を構成する重要情報をリポジトリで範疇別に知識範疇を分けて体系化した知識を構築する過程である。
【0097】
図１４ないし図１８は、図８に基づくまた他の実施形態による人工知能フィードバックシステムを示す図である。
前述した内容に基づいて図１４ないし図１８を参照すると、図１４は、上記した発明を実現するシステムの基本概念の構造を示す図である。
図１５は、スクリプトの抽出／実行器と認識プログラムの相互作用が、どのように行われるのか相互作用の関係を示している。
前述した内容に基づいて図１４ないし図１８を参照すると、図１４は、上記した発明を実現するシステムの基本概念の構造を示す図である。
図１５は、スクリプトの抽出／実行器と認識プログラムの相互作用が、どのように行われるのか相互作用の関係を示している。
【0098】
図１６と図１７は、人工知能フィードバックシステムの作動概念および詳細構成を示している。
図１８は、人工知能の人気頻度値または重要度による情報を入力１と入力２による座標軸に従って学習して得られた比重または人気頻度値の分布を示す２次元座標テーブルＡを有して、どのように深い真理値に到達するのかを示している。
図１８は、人工知能の人気頻度値または重要度による情報を入力１と入力２による座標軸に従って学習して得られた比重または人気頻度値の分布を示す２次元座標テーブルＡを有して、どのように深い真理値に到達するのかを示している。
【0099】
図１９は、各回別または各段階別の擬似線形変換を行う時に演算子として作用する固有順位値を有する変換テーブルの構造を示し、各座標別のｏｎ／ｏｆｆ状態を示す図である。
【0100】
図１４における(1)と(2)は、認識プログラム（人工知能）が学習すべき初期入力に相当する文書または画像に係る情報「入力１」と優先的に扱うべき優先順位キーワードに相当する「入力２」を示している。
図１４における(3)と(4)は、人工知能に相当する認識プログラム(5)が入力資料と対話または検討する手段を設けるスクリプトの抽出／またはスクリプト実行器であると考えれば、良い。
(3)と(4)は、強力な文書または入力ファイルの情報を検索するＰｅｒｌが同じシステム言語であり、認識プログラムに必要なデータを抽出し、頻度値を計算する時に認識プログラムが活用される。
図１４における(3)と(4)は、人工知能に相当する認識プログラム(5)が入力資料と対話または検討する手段を設けるスクリプトの抽出／またはスクリプト実行器であると考えれば、良い。
(3)と(4)は、強力な文書または入力ファイルの情報を検索するＰｅｒｌが同じシステム言語であり、認識プログラムに必要なデータを抽出し、頻度値を計算する時に認識プログラムが活用される。
【0101】
Ｐｅｒｌスクリプトには、単語抽出機能、隣接する単語の抽出、文章の類似度に対する基本的な検索／統計などの機能を実行することができる。
人工知能は、このような組み込まれたスクリプト文法の特別な窓口により、分析資料を収集およびフィードバックを行い、特定の情報を知識化する２次元情報テーブルまたは学習した結果を２次元座標テーブルの座標にマッチングして保存する。
人工知能は、このような組み込まれたスクリプト文法の特別な窓口により、分析資料を収集およびフィードバックを行い、特定の情報を知識化する２次元情報テーブルまたは学習した結果を２次元座標テーブルの座標にマッチングして保存する。
【0102】
２次元座標テーブルは、「入力１」と「入力２」で代表される情報座標軸になる座標を基盤とする。
【0103】
この時、情報座標軸は、計算の便宜性に応じて垂直線形状に変換することができる。
(5)は、人工知能が何回目の学習をすべきかを初期条件として与える機能を果たす。
特別な初期条件が与えられない場合は、認識プログラム(5)は、ｎ回の擬似線形変換過程を経て、特性ベクトルテーブルまたは特性テーブルの値が殆ど変動しない時点まであたかも行列の固有値と固有ベクトルを求めて、これ以上フィードバックと演算が必要でない深い真理値を見つけるまで学習する。
(6)の停止コマンドに対する特別な入力がない場合は、このように作動し、停止コマンドが与えられる場合は、停止コマンドと共に人工知能の学習と演算は終了し、(7)の学習結果を出力する。
(5)は、人工知能が何回目の学習をすべきかを初期条件として与える機能を果たす。
特別な初期条件が与えられない場合は、認識プログラム(5)は、ｎ回の擬似線形変換過程を経て、特性ベクトルテーブルまたは特性テーブルの値が殆ど変動しない時点まであたかも行列の固有値と固有ベクトルを求めて、これ以上フィードバックと演算が必要でない深い真理値を見つけるまで学習する。
(6)の停止コマンドに対する特別な入力がない場合は、このように作動し、停止コマンドが与えられる場合は、停止コマンドと共に人工知能の学習と演算は終了し、(7)の学習結果を出力する。
【0104】
図１５は、図１４の基本概念図において、(3)、(4)、(5)に該当するスクリプトの抽出、スクリプトの実行、認識プログラム（人工知能）が、どのように相互作用するのかを概念的に示している。
図１５のように認識プログラム（人工知能）は、スクリプト言語を操作することによって、必要な情報と単語を検索分析する構造であることがわかる。
このように、認識プログラムは、スクリプトの抽出／実行器を用いて入力１と入力２を有して継続して自らフィードバックをし、２次元情報テーブルと２次元テーブル座標系を生成して知識に対する比重を人気頻度値または順位値の形態で座標分布を生成し、その座標に係る具体的な文章情報は、同じサイズの座標系に別に保存し、その座標にマッチングする情報は、継続して累積して保存する。
図１５のように認識プログラム（人工知能）は、スクリプト言語を操作することによって、必要な情報と単語を検索分析する構造であることがわかる。
このように、認識プログラムは、スクリプトの抽出／実行器を用いて入力１と入力２を有して継続して自らフィードバックをし、２次元情報テーブルと２次元テーブル座標系を生成して知識に対する比重を人気頻度値または順位値の形態で座標分布を生成し、その座標に係る具体的な文章情報は、同じサイズの座標系に別に保存し、その座標にマッチングする情報は、継続して累積して保存する。
【0105】
図１６と図１７は、人工知能フィードバックシステムの実行および作動概念を詳細に示している。
図１６は、入力１と入力２を有し、スクリプトの抽出／実行器と認識プログラム（人工知能）が、自らのフィードバックと自らのトレーニングにより、初期の２次元情報テーブルを生成し、２次元情報テーブルの各座標に該当する知識をマッチングして２次元情報テーブル座標系を管理する過程を示している。
入力で座標系を生成して管理する過程は、図１６の(1)、(2)、(3)、(4)が、このような過程に該当する。
この過程により、各座標系に対して、真の真理値を見つけるための擬似線形変換を行うが、擬似線形変換を行うために、同一次元の線形変換テーブルを生成する。
擬似線形変換のための同一次元の変換テーブルを生成する過程が、図１６の(5)に該当する過程である。
図１６は、入力１と入力２を有し、スクリプトの抽出／実行器と認識プログラム（人工知能）が、自らのフィードバックと自らのトレーニングにより、初期の２次元情報テーブルを生成し、２次元情報テーブルの各座標に該当する知識をマッチングして２次元情報テーブル座標系を管理する過程を示している。
入力で座標系を生成して管理する過程は、図１６の(1)、(2)、(3)、(4)が、このような過程に該当する。
この過程により、各座標系に対して、真の真理値を見つけるための擬似線形変換を行うが、擬似線形変換を行うために、同一次元の線形変換テーブルを生成する。
擬似線形変換のための同一次元の変換テーブルを生成する過程が、図１６の(5)に該当する過程である。
【0106】
図１７は、図１６の過程により生成される２次元擬似線形変換テーブルを有して初期の２次元情報／知識テーブルを、どのように変換し、どのように深い真理値が導き出されるのかを示している。
擬似線形変換をｎ回施行することは、図１７の(7)からわかることができ、図１７の(8)は、擬似線形変換された２次元テーブルの値が、これ以上変動しないか、最も真理に近づくよう特性ベクトルと特性値で構成された２次元テーブルが作成される。
これは、初期の知識／情報の２次元テーブル座標値で真の真理であると言えるものだけが生き残るように必要な情報座標系のみを見つけるようにし、この時に生き残った座標値に、マッチングする情報が深い真理値になる。
深い真理値を導き出す過程は、行列であたかも固有値と固有ベクトルを求めることと同様であるが、本発明において行列演算とは異なり、固有順位値が付けられた同一サイズの２次元擬似線形変換テーブルの各座標値が、予測が不可能なランダムにｏｎ／ｏｆｆ状態を各段階別に作って生成される各段階別の２次元擬似線形変換テーブルの各座標値を同一座標系に一対一乗算する形式で変換を行うので行列演算とは差異がある。
本発明では、このような擬似線形変換が非常に特徴的である。
擬似線形変換をｎ回施行することは、図１７の(7)からわかることができ、図１７の(8)は、擬似線形変換された２次元テーブルの値が、これ以上変動しないか、最も真理に近づくよう特性ベクトルと特性値で構成された２次元テーブルが作成される。
これは、初期の知識／情報の２次元テーブル座標値で真の真理であると言えるものだけが生き残るように必要な情報座標系のみを見つけるようにし、この時に生き残った座標値に、マッチングする情報が深い真理値になる。
深い真理値を導き出す過程は、行列であたかも固有値と固有ベクトルを求めることと同様であるが、本発明において行列演算とは異なり、固有順位値が付けられた同一サイズの２次元擬似線形変換テーブルの各座標値が、予測が不可能なランダムにｏｎ／ｏｆｆ状態を各段階別に作って生成される各段階別の２次元擬似線形変換テーブルの各座標値を同一座標系に一対一乗算する形式で変換を行うので行列演算とは差異がある。
本発明では、このような擬似線形変換が非常に特徴的である。
【0107】
図１８は、図１６と図１７の概念で、擬似線形変換が、詳細にはいかなる意味であるかを示す。
図１８のように、図１７の全過程は、元の２次元知識情報テーブルの座標系とその該当座標値からなる２次元座標テーブルを同一次元の擬似線形変換のためのＴテーブルの連続的な演算過程により整理され、特性値または深い真理値を見つけるための特性テーブル演算のためのＳテーブル演算の連続的な結合であると見ることができる。
図１８は、このような２次元座標テーブルの各座標値でマッチングする人工知能の知識と学習内容が、どのように高い割合で座標系に生き残り、深い真理値として導き出されるかを概念的に示す。
ｎ回の擬似線形変換は、結果的に各座標値のランダムなｏｎ／ｏｆｆ状態に応じて、固有順位値がその該当座標に与えられる場合とそうではない場合がある。
これを再び詳細に説明すると、それぞれの座標は、各回ごとに切り替わり、その座標値がｏｎまたはｏｆｆのいずれかである。
このようになると、各座標値でｏｎ状態の座標値のみがそのまま維持され、ｏｆｆ状態の座標値は、すべて０に処理され、ｏｆｆ状態の座標値は、該当回の演算で知識／情報テーブルの該当座標には何の影響も与えられなくなり、その座標の知識は、重要ではないと認識され、ｏｎ状態の座標に対してのみその順位値の比重の分だけ重要な情報として認識される。
このようになると、ｎ回の擬似線形変換が行われる間、各回別のｏｎ／ｏｆｆ状態が、ランダムに変わるので、予測不可能な人気投票のように作用する。
図１８のように、図１７の全過程は、元の２次元知識情報テーブルの座標系とその該当座標値からなる２次元座標テーブルを同一次元の擬似線形変換のためのＴテーブルの連続的な演算過程により整理され、特性値または深い真理値を見つけるための特性テーブル演算のためのＳテーブル演算の連続的な結合であると見ることができる。
図１８は、このような２次元座標テーブルの各座標値でマッチングする人工知能の知識と学習内容が、どのように高い割合で座標系に生き残り、深い真理値として導き出されるかを概念的に示す。
ｎ回の擬似線形変換は、結果的に各座標値のランダムなｏｎ／ｏｆｆ状態に応じて、固有順位値がその該当座標に与えられる場合とそうではない場合がある。
これを再び詳細に説明すると、それぞれの座標は、各回ごとに切り替わり、その座標値がｏｎまたはｏｆｆのいずれかである。
このようになると、各座標値でｏｎ状態の座標値のみがそのまま維持され、ｏｆｆ状態の座標値は、すべて０に処理され、ｏｆｆ状態の座標値は、該当回の演算で知識／情報テーブルの該当座標には何の影響も与えられなくなり、その座標の知識は、重要ではないと認識され、ｏｎ状態の座標に対してのみその順位値の比重の分だけ重要な情報として認識される。
このようになると、ｎ回の擬似線形変換が行われる間、各回別のｏｎ／ｏｆｆ状態が、ランダムに変わるので、予測不可能な人気投票のように作用する。
【0108】
このようにして、最後まで生き残って相対的に高い比重と順位値を有することになると、この状態を反映して固有特性テーブルにより、固有特性テーブルと固有特性値を演算により選定する。
これは、あたかも行列の固有値と固有ベクトルを求めて順位を決めることのように作動するが、演算自体が演算に用いる変換テーブルと知識情報テーブルが位置上では、同じ位置に演算させて生成されるテーブルであるから行列の演算とは異なる過程を経る。
したがって、本発明では、固有特性テーブルを見つける過程が、独創的であるといえる。
これは、あたかも行列の固有値と固有ベクトルを求めて順位を決めることのように作動するが、演算自体が演算に用いる変換テーブルと知識情報テーブルが位置上では、同じ位置に演算させて生成されるテーブルであるから行列の演算とは異なる過程を経る。
したがって、本発明では、固有特性テーブルを見つける過程が、独創的であるといえる。
【0109】
図１９は、図１８の認識プログラムが、フィードバック過程と演算による導き出し過程で演算に用いられる擬似線形変換テーブルの各段階別にどのように生成して、形状はどのように構成されるのかを示している。
図３では、各段階別の擬似線形変換テーブルは、順位値はそのまま維持するように構成する。
そして、同じ座標系のランダムなｏｎ／ｏｆｆ状態にすべきであるが、これは、各座標別にランダムに１または０になるように配置させるが、予測が不可能なようにランダムに生成させて２次元テーブルを作成する。
そして、図３の左側テーブルと図３の右側テーブルを各同じ座標別に乗算して擬似線形変換２次元テーブルのランダムなｏｎ／ｏｆｆ状態を生成させる。
このように、回別にｎ回進行させると、ｎ回の擬似線形変換をするようになる。
図３では、各段階別の擬似線形変換テーブルは、順位値はそのまま維持するように構成する。
そして、同じ座標系のランダムなｏｎ／ｏｆｆ状態にすべきであるが、これは、各座標別にランダムに１または０になるように配置させるが、予測が不可能なようにランダムに生成させて２次元テーブルを作成する。
そして、図３の左側テーブルと図３の右側テーブルを各同じ座標別に乗算して擬似線形変換２次元テーブルのランダムなｏｎ／ｏｆｆ状態を生成させる。
このように、回別にｎ回進行させると、ｎ回の擬似線形変換をするようになる。
【0110】
ここでの擬似線形変換用テーブルの生成も、一般的な行列演算とは異なるように同じ位置の因子別に乗じて生成するようにし、本発明では、このような方法により、効率的にランダムにｏｎ／ｏｆｆになる擬似線形変換テーブルを作成することができる。
追加的に情報テーブルのパターンとマッチングをより明確にするために、図３からわかるように、図３の右側にある２次元テーブルのｏｎ／ｏｆｆ状態で図１９のように２次元テーブルのｏｎ／ｏｆｆ状態をｏｎ状態は１に、ｏｆｆ状態は０．１に変えて回転、反転、軸対称、点対称、前と後を変えるなどのすべての擬似線形変換を用いて、深い真理値を導き出すこともできる。
追加的に情報テーブルのパターンとマッチングをより明確にするために、図３からわかるように、図３の右側にある２次元テーブルのｏｎ／ｏｆｆ状態で図１９のように２次元テーブルのｏｎ／ｏｆｆ状態をｏｎ状態は１に、ｏｆｆ状態は０．１に変えて回転、反転、軸対称、点対称、前と後を変えるなどのすべての擬似線形変換を用いて、深い真理値を導き出すこともできる。
【0111】
前述したように、図６は、深い真理値が導き出される２次元知識／情報テーブルの座標系の各座標値を線形チャネルにマッピングする過程を世代別の２次元情報／知識テーブル層または世代別の知識層をｎ世代までマッピングすることを示す。
もう少し詳細に説明すると、各世代で取得した深い真理値で構成された２次元情報／知識テーブルは、２次元格子座標系と同一である。
したがって、２次元座標系を例えば（ｎ×ｎ）型２次元座標系であれば、これは、各座標を線形の（ｎ×ｎ）個のチャネルにマッピングすることができ、世代別の深い真理値が付けられた図７の赤い色の棒で表示された該当チャネルは、次の世代の関連する深い真理値が付けられた知識層の値と連結されることができる。
もう少し詳細に説明すると、各世代で取得した深い真理値で構成された２次元情報／知識テーブルは、２次元格子座標系と同一である。
したがって、２次元座標系を例えば（ｎ×ｎ）型２次元座標系であれば、これは、各座標を線形の（ｎ×ｎ）個のチャネルにマッピングすることができ、世代別の深い真理値が付けられた図７の赤い色の棒で表示された該当チャネルは、次の世代の関連する深い真理値が付けられた知識層の値と連結されることができる。
【0112】
したがって、このようにいくつかの知識層を関連付けると、知識の脈絡を推論することができる。
図７は、数世代にわたって連結された深い真理値または深い知識の脈絡により構築された知識をリポジトリを用いて知識の範疇別に分けて知識を整理することを説明している。
図７は、数世代にわたって連結された深い真理値または深い知識の脈絡により構築された知識をリポジトリを用いて知識の範疇別に分けて知識を整理することを説明している。
【0113】
図２０は、追加的な図１３ないし図１９によるプロセスが少なくとも一部反映された人工知能トレーニングの結果を示すものである。
提示のように、変換テーブルの変換方式を反転、軸対称、点対称、回転対称などの各種多様な方法で任意に変換を累積させて、ｏｎ／ｏｆｆ値をそれぞれ１．０と０．１にした時よりも明確な結果が導き出されることがわかる。
実際の結果を視角化するために、画像の輪郭線の強度が人気頻度値という条件で累積した最大値に到達する値のみを選別して、最適のトレーニング値として導き出す過程である。
視角化により、比較的容易に確認するように、画像によりトレーニングを追加的に行った。
提示のように、変換テーブルの変換方式を反転、軸対称、点対称、回転対称などの各種多様な方法で任意に変換を累積させて、ｏｎ／ｏｆｆ値をそれぞれ１．０と０．１にした時よりも明確な結果が導き出されることがわかる。
実際の結果を視角化するために、画像の輪郭線の強度が人気頻度値という条件で累積した最大値に到達する値のみを選別して、最適のトレーニング値として導き出す過程である。
視角化により、比較的容易に確認するように、画像によりトレーニングを追加的に行った。
【0114】
以上と添付する図面を参照して本発明の実施形態について説明したが、本発明が属する技術分野で通常の知識を有する者は、本発明がその技術的思想や必須の特徴を変更せず、他の具体的な形態で実施できることを理解することができる。
したがって、上記一実施形態は、すべての面で例示的なものであり、限定的なものではないと理解しなければならない。
したがって、上記一実施形態は、すべての面で例示的なものであり、限定的なものではないと理解しなければならない。
【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】
【図18】
【図19】
【図20】
【国際調査報告】