特表 2024-535711 代理モデルを生成するためのシステムおよび方法

(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】2024-10-02

(54)【発明の名称】代理モデルを生成するためのシステムおよび方法

(51)【国際特許分類】

   G06N 20/00 20190101AFI20240925BHJP

【ＦＩ】

G06N20/00

【審査請求】未請求

【予備審査請求】未請求

(21)【出願番号】P 2024512150

(86)(22)【出願日】2022-08-25

(85)【翻訳文提出日】2024-04-10

(86)【国際出願番号】 US2022075448

(87)【国際公開番号】W WO2023028551

(87)【国際公開日】2023-03-02

(31)【優先権主張番号】63/236,981

(32)【優先日】2021-08-25

(33)【優先権主張国・地域又は機関】US

(81)【指定国・地域】

(71)【出願人】

【識別番号】523371584

【氏名又は名称】ヨハナ・エルエルシー

(74)【代理人】

【識別番号】110003708

【氏名又は名称】弁理士法人鈴榮特許綜合事務所

(72)【発明者】

【氏名】マツオカ、ヨーキー

(72)【発明者】

【氏名】ビスワナタン、ニティン

(72)【発明者】

【氏名】リウ、リンイン

(72)【発明者】

【氏名】デミン、ベンジャミン

(72)【発明者】

【氏名】ファン・デア・リンデン、グウェンドリン・ダブリュ．

(72)【発明者】

【氏名】ボーリュー、マリア

(72)【発明者】

【氏名】パターソン、ショーン

(57)【要約】

代理モデルを生成することと、対応する代理モデルに基づいて代理にタスク容易化サービスのメンバーを割り当てることとを行うためのシステムおよび方法を本明細書で提示する。タスク容易化サービスは、受信されたときに、コンピューティングデバイスに応答のセットを生成させるクエリのセットを送信することができる。タスク容易化サービスは、応答のセットに対応する特徴ベクトルを生成し得る。特徴ベクトルは、コンピューティングデバイスのユーザに対応する代理モデルを生成するために使用され得る。代理モデルは、タスク容易化サービスの１つまたは複数のメンバーへの通信を確立するために使用可能であり得る。タスク容易化サービスは、代理モデルと１つまたは複数のメンバーに対応する１つまたは複数のユーザモデルとの間の対応を決定し得る。タスク容易化サービスは、特定のユーザモデルの選択を受信し、特定のユーザモデルに関連するクライアントデバイスへの通信を容易にし得る。

【特許請求の範囲】

【請求項1】

クエリのセットを送信することと、ここにおいて、クエリの前記セットがコンピューティングデバイスによって受信されるとき、前記コンピューティングデバイスは、クエリの前記セットへの応答のセットを生成するように構成される、
応答の前記セットから特徴ベクトルを生成することと、前記特徴ベクトルは、応答の前記セットから抽出された特徴のサブセットを含む、
前記特徴ベクトルから、代理モデルを生成することと、ここにおいて、前記代理モデルは、１つまたは複数のユーザとの接続を確立するために使用可能である、
前記代理モデルと前記１つまたは複数のユーザのうちの１つまたは複数に対応する１つまたは複数のユーザモデルとの間の対応を決定することと、
前記１つまたは複数のユーザモデルからの特定のユーザモデルの選択を受信することと、
前記特定のユーザモデルに関連するクライアントデバイスへの通信を容易にすることと
を備える方法。

【請求項2】

前記クライアントデバイスと前記コンピューティングデバイスとの間の前記接続を確立することは、
前記代理モデルと前記ユーザモデルとに基づいて、前記接続を確立するときの第１の通信のコンテンツを決定することと、
前記ユーザモデルに基づいて、前記接続を確立するための通信プロトコルを選択することと、
前記通信プロトコルを使用して前記第１の通信を送信することによって前記クライアントデバイスと前記コンピュータデバイスとの間の前記接続を確立することと
を備える、請求項１に記載の方法。

【請求項3】

前記クライアントデバイスとコンピューティングデバイスとの間の接続を確立したことに応答して前記代理モデルを更新すること
をさらに備える、請求項１に記載の方法。

【請求項4】

前記代理モデルは、前記代理モデルに接続された各ユーザモデルの識別情報を含む、請求項１に記載の方法。

【請求項5】

前記代理モデルは、前記特定のユーザモデルに関連するユーザに代わって実行されるタスクの識別情報を含む、請求項１に記載の方法。

【請求項6】

前記代理モデルは、機械学習モデルであり、前記代理モデルを生成することは、前記特徴ベクトルを使用して機械学習モデルをトレーニングすることを備える、請求項１に記載の方法。

【請求項7】

前記コンピューティングデバイスから、新しいタスクの識別情報を受信することと、
前記代理モデル中で前に実行されたタスクを識別することと、
前記新しいタスクを受信したことに応答して、前記前に実行されたタスクに基づいて提案を生成することと、ここにおいて、前記提案は、前記タスクの実装である、
前記提案の識別情報を含む前記コンピューティングデバイスへの送信を容易にすることと、ここにおいて、前記提案は、前記コンピューティングデバイスによって認証されるときに、前記タスクの実行を行わせる、
をさらに備える、請求項１に記載の方法。

【請求項8】

１つまたは複数のプロセッサと、
命令を記憶する非一時的コンピュータ可読記憶媒体と
を備え、前記命令は、前記１つまたは複数のプロセッサによって実行されたとき、前記１つまたは複数のプロセッサに、
クエリのセットを送信することと、ここにおいて、クエリの前記セットがコンピューティングデバイスによって受信されるとき、前記コンピューティングデバイスは、クエリの前記セットへの応答のセットを生成するように構成される、
応答の前記セットから特徴ベクトルを生成することと、前記特徴ベクトルは、応答の前記セットから抽出された特徴のサブセットを含む、
前記特徴ベクトルから、代理モデルを生成することと、ここにおいて、前記代理モデルは、１つまたは複数のユーザとの接続を確立するために使用可能である、
前記代理モデルと前記１つまたは複数のユーザのうちの１つまたは複数に対応する１つまたは複数のユーザモデルとの間の対応を決定することと、
前記１つまたは複数のユーザモデルからの特定のユーザモデルの選択を受信することと、
前記特定のユーザモデルに関連するクライアントデバイスへの通信を容易にすることと
を含む動作を実施させる、システム。

【請求項9】

前記クライアントデバイスと前記コンピューティングデバイスとの間の前記接続を確立することは、
前記代理モデルと前記ユーザモデルとに基づいて、前記接続を確立するときの第１の通信のコンテンツを決定することと、
前記ユーザモデルに基づいて、前記接続を確立するための通信プロトコルを選択することと、
前記通信プロトコルを使用して前記第１の通信を送信することによって前記クライアントデバイスと前記コンピュータデバイスとの間の前記接続を確立することと
を備える、請求項８に記載のシステム。

【請求項10】

前記動作は、
前記クライアントデバイスとコンピューティングデバイスとの間の接続を確立したことに応答して前記代理モデルを更新すること
をさらに含む、請求項８に記載のシステム。

【請求項11】

前記代理モデルは、前記代理モデルに接続された各ユーザモデルの識別情報を含む、請求項８に記載のシステム。

【請求項12】

前記代理モデルは、前記特定のユーザモデルに関連するユーザに代わって実行されるタスクの識別情報を含む、請求項８に記載のシステム。

【請求項13】

前記代理モデルは、機械学習モデルであり、前記代理モデルを生成することは、前記特徴ベクトルを使用して機械学習モデルをトレーニングすることを備える、請求項８に記載のシステム。

【請求項14】

前記動作は、
前記コンピューティングデバイスから、新しいタスクの識別情報を受信することと、
前記代理モデル中で前に実行されたタスクを識別することと、
前記新しいタスクを受信したことに応答して、前記前に実行されたタスクに基づいて提案を生成することと、ここにおいて、前記提案は、前記タスクの実装である、
前記提案の識別情報を含む前記コンピューティングデバイスへの送信を容易にすることと、ここにおいて、前記提案は、前記コンピューティングデバイスによって認証されるときに、前記タスクの実行を行わせる、
をさらに含む、請求項８に記載のシステム。

【請求項15】

命令を記憶する非一時的コンピュータ可読記憶媒体であって、前記命令は、１つまたは複数のプロセッサによって実行されたとき、前記１つまたは複数のプロセッサに、
クエリのセットを送信することと、ここにおいて、クエリの前記セットがコンピューティングデバイスによって受信されるとき、前記コンピューティングデバイスは、クエリの前記セットへの応答のセットを生成するように構成される、
応答の前記セットから特徴ベクトルを生成することと、前記特徴ベクトルは、応答の前記セットから抽出された特徴のサブセットを含む、
前記特徴ベクトルから、代理モデルを生成することと、ここにおいて、前記代理モデルは、１つまたは複数のユーザとの接続を確立するために使用可能である、
前記代理モデルと前記１つまたは複数のユーザのうちの１つまたは複数に対応する１つまたは複数のユーザモデルとの間の対応を決定することと、
前記１つまたは複数のユーザモデルからの特定のユーザモデルの選択を受信することと、
前記特定のユーザモデルに関連するクライアントデバイスへの通信を容易にすることと
を含む動作を実施させる、非一時的コンピュータ可読記憶媒体。

【請求項16】

前記クライアントデバイスと前記コンピューティングデバイスとの間の前記接続を確立することは、
前記代理モデルと前記ユーザモデルとに基づいて、前記接続を確立するときの第１の通信のコンテンツを決定することと、
前記ユーザモデルに基づいて、前記接続を確立するための通信プロトコルを選択することと、
前記通信プロトコルを使用して前記第１の通信を送信することによって前記クライアントデバイスと前記コンピュータデバイスとの間の前記接続を確立することと
を備える、請求項１５に記載の非一時的コンピュータ可読記憶媒体。

【請求項17】

前記動作は、
前記クライアントデバイスとコンピューティングデバイスとの間の接続を確立したことに応答して前記代理モデルを更新すること
をさらに含む、請求項１５に記載の非一時的コンピュータ可読記憶媒体。

【請求項18】

前記代理モデルは、前記代理モデルに接続された各ユーザモデルの識別情報を含む、請求項１５に記載の非一時的コンピュータ可読記憶媒体。

【請求項19】

前記代理モデルは、前記特定のユーザモデルに関連するユーザに代わって実行されるタスクの識別情報を含む、請求項１５に記載の非一時的コンピュータ可読記憶媒体。

【請求項20】

前記代理モデルは、機械学習モデルであり、前記代理モデルを生成することは、前記特徴ベクトルを使用して機械学習モデルをトレーニングすることを備える、請求項１５に記載の非一時的コンピュータ可読記憶媒体。

【発明の詳細な説明】

【技術分野】

【0001】

関連出願の相互参照
[0001]本特許出願は、その全体がすべての目的のために参照により本明細書に組み込まれる、２０２１年８月２５日に出願された米国仮特許出願第６３／２３６,９８１号の優先権の利益を主張する。

【0002】

[0002]本開示は、一般に、タスク容易化サービス内で代理をモデル化することに関し、より詳細には、メンバーに代理を接続する際に使用するように構成された代理モデルを生成し、タスク容易化サービスの機能を容易にすることに関する。

【発明の概要】

【0003】

[0003]本明細書では、タスク容易化サービス内で代理モデルを生成するための方法およびシステムについて説明する。本方法は、クエリのセットを送信することと、ここにおいて、クエリのセットがコンピューティングデバイスによって受信されるとき、コンピューティングデバイスは、クエリのセットへの応答のセットを生成するように構成される、クエリのセットに対する応答のセットを受信することと、応答のセットから特徴ベクトルを生成することと、特徴ベクトルは、応答のセットから抽出された特徴のサブセットを含む、特徴ベクトルから、代理モデルを生成することと、ここにおいて、代理モデルは、１つまたは複数のユーザとの接続を確立するために使用可能である、代理モデルと１つまたは複数のユーザモデルとの間の対応を決定することと、１つまたは複数のユーザモデルからの特定のユーザモデルの選択を受信することと、クライアントデバイスと特定のユーザモデルに関連するコンピューティングデバイスとの間の接続を容易にすることとを備える。

【0004】

[0004]本明細書で説明されるシステムは、代理モデルを生成するように構成され得る。本システムは、１つまたは複数のプロセッサと、命令を記憶する非一時的コンピュータ可読媒体とを含み、命令は、１つまたは複数のプロセッサによって実行されたとき、１つまたは複数のプロセッサに、前に説明されたような方法のいずれかを実施させる。

【0005】

[0005]本明細書で説明される非一時的コンピュータ可読媒体は、１つまたは複数のプロセッサによって実行されたとき、１つまたは複数のプロセッサに、前に説明されたような方法のいずれかを実施させる命令を記憶し得る。

【0006】

[0006]これらの例示的な例は、本開示を限定または定義するためではなく、それの理解を助けるために記載される。追加の実施形態が、発明を実施するための形態において説明され、さらなる説明がそこで提供される。

【0007】

[0007]本開示の特徴、実施形態、および利点は、以下の詳細な説明が添付の図面を参照しながら読まれたときによりよく理解される。

【図面の簡単な説明】

【0008】

【図1】[0008]本開示の態様による、メンバーのために実施可能な様々なタスクが代理および／または１つもしくは複数のサードパーティサービスによる実施のために推奨され得るタスク容易化サービスがメンバーに代理を割り当てる環境の例示的な例を示す図。

【図2】[0009]本開示の態様による、代理および／またはサードパーティサービスによる実施のためにメンバーに推奨され得る１つまたは複数のタスクを識別するためにタスク関連のデータがメンバーエリアから収集およびアグリゲートされる環境の例示的な例を示す図。

【図3】[0010]本開示の態様による、タスク推奨システムがメンバーのために実施されることになるタスクの推奨を生成し、ランク付けする環境の例示的な例を示す図。

【図4】[0011]本開示の態様による、タスク容易化サービス内でメンバーとの通信を確立する際に使用するように構成された代理（またはレップ）モデルを生成する代理モデル化システムのブロック図。

【図5】[0012]本開示の態様による、メンバーに代理を割り当てるマッチメイキングシステムのブロック図。

【図6】[0013]本開示の態様による、メンバーのために実施されるように構成された推奨されるタスクを生成し、ランク付けするタスク作成サブシステムの例示的な例を示す図。

【図7】[0014]本開示の態様による、タスク調整システムが、代理および／または１つもしくは複数のサードパーティサービスプロバイダによるメンバーのためのタスクの実施を割り当て、監視する環境の例示的な例を示す図。

【図8】[0015]本開示の態様による、メンバーのために実施されるように構成された推奨されるタスクの提案を生成し、ランク付けする提案作成サブシステムの例示的な例を示す図。

【図9】[0016]本開示の態様による、代理のセットに対応する代理モデルに基づいて代理にメンバーを割り当てるための例示的なプロセスのフローチャートを示す図。

【図10】[0017]本開示の態様による、タスク実行を容易にするための例示的な環境のブロック図を示す図。

【図11】[0018]本開示の態様による、接続を使用して互いに電気通信している様々な構成要素を含む例示的なコンピューティングシステムアーキテクチャを示す図。

【発明を実施するための形態】

【0009】

[0019]ユーザは、（たとえば、認知的負荷などの）変動する処理負荷を誘起する様々なタスクを定期的に実装（たとえば、計画、スケジュール、および／または実行）する。高い処理負荷は、ユーザが他の潜在的により高い優先度のタスクを実装するのを妨げ、および／またはユーザの効率を劣化させ得る（たとえば、将来のタスクの実装を減速すること、処理エラーを生じること、タスクの不良を生じることなどを行い得る）。ユーザは、タスクおよびプロジェクト（たとえば、より大きい目標を実装するために実行するタスクのセット）の実装を管理することによってメンバーの処理負荷を低減する負荷オフセットおよび／または負荷分散サービスをタスク容易化サービスが与えることを可能にするメンバーとしてタスク容易化サービスに登録することができる。たとえば、メンバーは、タスクの要素を識別する（たとえば、「やること（to-do）」または「やること（to do）」とも呼ばれる）タスクの仕様を生成することができる。タスク容易化サービスは、次いで、タスク推奨を生成することおよび／または実行認可のためにメンバーに提示され得る提案（タスクまたはタスクの仕様の実行可能な実装）を生成することを行い得る。メンバーから認可を受信すると、タスク容易化サービスは、タスクの実行を容易にすることができる。

【0010】

[0020]タスクの実行を容易にすることは、タスク容易化サービスまたはそれらの代理が、タスクを実行すること、タスクもしくはそれらの部分を実行することを１つもしくは複数のサードパーティサービスプロバイダに行わせるために１つもしくは複数のサードパーティサービスプロバイダにタスクの仕様の一部もしくは全部を送信すること、および／またはそれらの組合せを含むことができる。たとえば、タスクの実行を容易にすることは、（たとえば、プランニングおよび／または取得活動などの）タスクの部分を実行することと、タスクの別の部分を実行するために１つまたは複数のサードパーティサービスプロバイダに命令を送信することとを含み得る。

【0011】

[0021]いくつかの例では、タスク容易化サービスは、メンバーが将来実行し得るタスクを予期することによって一部のメンバーの処理負荷をさらに低減し得る。それらの例では、タスク容易化サービスの代理または自動プロセスもしくは機械学習を使用するタスク容易化サービス自体は、将来メンバーによって実行される可能性があるまたはメンバーが承認するであろうタスクを予測し得る。これらのタスクは、推奨されるタスクとしてシステムに提示され得る。タスク推奨を生成することによって、メンバーは、実行のためのタスクを識別することに消費されたであろう処理リソースを保存し得る。代わりに、タスク容易化サービスは、概念から実装までタスクのライフサイクル全体を管理し得る。

【0012】

[0022]いくつかの例では、推奨されるタスクは、メンバーが、前に実行しており、将来再び実行する可能性があるタスクに対応し得る。たとえば、メンバーは、３か月ごとのオイル交換などの車両保守タスクを実装し得る。タスク容易化サービスは、パターンを検出し、適切な日付に車両保守タスクに対応するメンバーに推奨されるタスクを送信し得る。他の例では、推奨されるタスクは、メンバーに関連するデータから導出された１つまたは複数の特徴に基づき得る。たとえば、タスク容易化サービスは、（たとえば、温度が平均を上回るまたは下回ることを検出すること、前回の暖房、換気、および空調（ＨＶＡＣ）サービスからの時間を検出すること、ＨＶＡＣユニットを含む回路中での電力変動を検出すること、他のセンサ測定値があらかじめ決定されたしきい値よりも大きいまたは小さいことなどによって）ＨＶＡＣシステムが保守を必要とすることを示す（たとえば、メンバーに登録されたデバイス、メンバーによって管理されるまたはそれに関連するネットワーク内で動作するデバイスなどの）メンバーに関連する温度センサからセンサデータを受信し得る。それに応答して、タスク容易化は、ＨＶＡＣシステムをサービスすることを含む推奨されるタスクを生成し得る。さらにまた他の例では、推奨されるタスクは、メンバーに関して導出されたデータに基づき得る。たとえば、タスク容易化サービスは、メンバーに関連付けられるメディアプレーヤなどのデバイスおよび／またはストリーミングサービスなどのリモートサービスから特徴を抽出し得る。タスク容易化サービスは、特定のミュージシャン、映画などへの関心などのメンバーの関心を導出するために特徴を使用し得る。タスク容易化サービスは、次いで、コンサートチケット、映画チケットなどのその関心に関連するタスクを推奨し得る。タスク容易化サービスは、メンバーが将来実行し得るタスクまたはメンバーに利益を与え得るタスクを推奨するためにメンバーに関連するあらゆる情報を使用し得、それによって、メンバーの処理負荷を低減し、メンバーが他のタスクを実行することを可能にし得る。

【0013】

[0023]本開示は、代理モデルおよびタスク容易化サービスのメンバーと代理モデルに対応する代理との間の容易化接続のためのシステムおよび方法を含む。システムおよび方法のプロセスは、代理（たとえば、または代理に関連するデバイス）にクエリのセットを送信することを含む。クエリのセットは、人口統計情報、与えられた前のタスク容易化サービス、関心、要求された情報ソースの識別情報などの代理に関連する情報についての要求に対応し得る。代理は、要求された情報を含むクエリのセットへの応答のセットを生成し得る。

【0014】

[0024]特徴ベクトルは、応答のセットから生成され得る。特徴のセットは、応答のセット、情報ソースのうちの１つまたは複数などから導出され得る。特徴ベクトルは、応答のセットから取得または導出された特徴のセットから生成され得る。いくつかの例では、特徴ベクトルは、特徴のセットのうちの特徴が予測（たとえば、機械学習モデルによって生成された出力への寄与）であり得る可能性に基づいて決定された特徴のセットのサブセットを含み得る。代替または追加として、特徴のセットのサブセットは、特徴の量を低減するように設計されたプロセスに基づいて定義され得る。そのようなプロセスの例は、限定はしないが、（たとえば、２つ以上の特徴を２つ以上の特徴から導出された新しい特徴に置き換える）特徴抽出、次元削減アルゴリズム、雑音低減重み分散などを含む。

【0015】

[0025]代理モデルは、特徴ベクトルから生成され得る。代理モデルは、代理に対応する受信および／または生成された情報をカプセル化し得る。いくつかの例では、１つまたは複数の機械学習モデルは、代理モデルを生成するために実行し得る。他の例では、代理モデルは、タスク容易化サービスの別の代理、（たとえば、自動プロセス、手動プロセス、それらの組合せなどの）タスク容易化サービスの他のプロセスによって生成され得る。さらにまた他の例では、代理モデルは、機械学習モデルを含み得る。それらの例では、代理モデルは、特徴ベクトルを使用して機械学習モデルをトレーニングすることによって生成され得る。

【0016】

[0026]代理モデルは、代理にタスク容易化サービスの１つまたは複数のメンバーを割り当てること、タスク容易化サービスの１つまたは複数のメンバーとの接続を確立すること、割り当てられたメンバーのためのタスクを生成すること、割り当てられたメンバーのためのタスク推奨を生成すること、割り当てられたメンバーのための提案を生成すること、それらの組合せなどを行うために使用可能であり得る。代理モデルはまた、１つまたは複数の他のメンバーとの対話、タスクの生成、タスク推奨の生成、提案の生成などを自動化および／または支援するために使用され得る。

【0017】

[0027]いくつかの例では、代理モデルは、代理および／または代理によって与えられたサービスに関連する予測を生成するように構成された論理、命令、および／または機械学習モデルを含み得る。たとえば、代理モデルは、通信、タスク、タスク推奨、提案などの分野の値を予測するために実行され得る。予測値は、予測が行われているメンバーによって承認される可能性がある値に対応し得る。一例では、代理は、メンバーのための修復タスクのための提案を定義しており、タスクを実施する特定のサードパーティサービスプロバイダを識別するために代理モデルを実行し得る。代理モデルは、特定のメンバーのために生成された提案を含む代理によって生成された前の提案、代理によってメンバーに関して知られている情報、代理に知られている情報、メンバーのユーザモデル中の情報などに基づいてサードパーティサービスプロバイダを予測し得る。

【0018】

[0028]代理モデルと１つまたは複数のユーザモデルとの間の対応が決定され得る。タスク容易化サービスは、１つまたは複数のメンバーに対応するユーザモデルを記憶し得る。マッチメイキングシステムは、代理にメンバーを割り当てるために１つまたは複数のユーザモデルと代理モデルとを使用して実行し得る。代理は、次いで、（たとえば、タスク、タスク推奨、提案などを生成する）タスク容易化サービスをメンバーに与え得る。マッチメイキングシステムは、１つまたは複数のユーザモデルと代理モデルとから特徴のセットを導出し、１つまたは複数のユーザモデルと代理モデルとの間の対応を決定するために特徴のセットを使用し得る。いくつかの例では、マッチメイキングシステムは、１つまたは複数の機械学習モデルを使用し得る。代替的に、マッチメイキングシステムのプロセスおよび／または機能は、他の代理および／またはタスク容易化サービスの他のプロセスによって与えられ得る。

【0019】

[0029]いくつかの例では、マッチメイキングシステムは、代理モデルとユーザモデルとの両方の中に存在する共通の特徴を決定することによって代理モデルとユーザモデルとの間の対応を決定し得る。マッチメイキングシステムは、代理モデルとユーザモデルとの両方に共通である特徴のタイプに基づいて特徴の量を重み付けし得る。たとえば、関心に対応する特徴の共通のペアは、ロケーションに対応する特徴の共通のペアよりも高く重み付けされ得る。マッチメイキングシステムは、次いで、ユーザモデルと代理モデルとの両方に共通である特徴の重み付けされた量に基づいてマッチング品質メトリックを導出し得る。マッチング品質スコアは、代理にメンバーを割り当てることが有効で正の接続に対応することになるという可能性の予測であり得る。

【0020】

[0030]１つまたは複数のモデルからの特定のユーザモデルの選択が受信され得る。いくつかの例では、特定のユーザモデルは、マッチング品質メトリックに基づいて自動的に選択され得る。それらの例では、マッチメイキングシステムは、１つまたは複数のユーザモデルから、最高のマッチング品質メトリックに対応するユーザモデルを選択し得る。他の例では、マッチメイキングシステムは、複数のユーザモデルを選択し得る。それらの例では、マッチメイキングシステムは、１つまたは複数のユーザモデルから、（たとえば、１つまたは複数のメンバー、マッチメイキングシステム、代理、他の代理、タスク容易化サービスなどによって決定された）あらかじめ決定されたしきい値よりも大きい対応するマッチング品質メトリックをもつユーザモデルを選択し得る。さらにまた他の例では、代理は、１つまたは複数のユーザモデルの検討と対応するマッチング品質メトリックとに基づいて特定のユーザモデルを選択し得る。

【0021】

[0031]特定のユーザモデルに関連するクライアントデバイスへの通信が容易にされ得る。マッチメイキングシステムが代理モデルと特定のユーザモデルをマッチングすると、マッチメイキングシステムは、（たとえば、メンバーデバイス１２０などの）特定のユーザモデルに関連するデバイスへの通信を容易にし得る。いくつかの例では、通信は、代理に関連するデバイスによって生成および／または送信され得る。他の例では、通信は、マッチメイキングシステムによって生成および／または送信され得る。

【0022】

[0032]通信は、特定のユーザモデルにカスタマイズされ得る。たとえば、通信は、クライアントデバイスのタイプ（たとえば、コンピューティングデバイス、モバイルデバイスなど）、代理モデル、特定のユーザモデルによって識別された人口統計情報、（たとえば、限定はしないが、特定の通信プロトコル、特定の通信チャネル、特定の通信フォーマット、通信文言などの）特定のユーザモデル中で識別された選好、それらの組合せなどに基づき得る。いくつかの例では、マッチメイキングシステムは、代理および／またはマッチメイキングシステムが通信を生成するのを支援し得る１つまたは複数の通信テンプレートを含み得る。

【0023】

[0033]いくつかの例では、代理が特定のユーザモデルに対応するメンバーにマッチングされると、代理モデルは、代理モデルがユーザモデルにマッチングされたという指示を含めるために更新され得る。代理モデルは、代理に割り当てられ得る各メンバーの指示を含み得る。代理モデルは、限定はしないが、特定のユーザモデルに関連するクライアントデバイスおよび／または別のデバイスに通信を生成すること、タスクを生成すること、タスク推奨を生成すること、提案を生成することなどを含むタスク容易化サービスをメンバーに与えるために代理によって使用され得る。たとえば、代理モデルは、メンバーのために代理によって生成された前の提案を識別するために使用され得る。代理は、メンバーのための特定の提案を生成するために前の提案を使用し得る。特定の提案は、メンバーのためにカスタマイズされ得る。

【0024】

[0034]いくつかの例では、代理モデルは、タスク容易化サービスを与えるために別の代理モデルにアクセスし得る。たとえば、第１の代理に前に割り当てられたメンバーが代理に再割り当てされる場合、代理モデルは、前の代理の代理モデルにアクセスするために使用され得る。いくつかの例では、代理モデルは、特定のユーザモデルに対応する前の代理の代理モデルのデータをダウンロードし得る。他の例では、前に割り当てられた代理からのデータを含む新しい代理モデルが生成され得る。

【0025】

[0035]マッチメイキングシステムは、代理とメンバーとの間のマッチングを定期的に再評価し得る。いくつかの例では、マッチメイキングシステムは、通常の間隔で（たとえば、代理、メンバー、マッチメイキングシステム、タスク容易化システムなどによって選択された３か月または任意のあらかじめ決定された時間間隔ごとに）マッチングを再評価し得る。いくつかの例では、マッチメイキングシステムは、限定はしないが、メンバーからのフィードバック、代理からのフィードバック、メンバーのために代理によってあらかじめ決定された量のタスク推奨および／または提案が生成された後など１つまたは複数のイベントを検出するとマッチングを再評価し得る。

【0026】

[0036]いくつかの例では、代理モデルが追加、除去、および／または作り直され得る（たとえば、新しい代理モデルが生成され得る）。代理に対応するデータ、代理に割り当てられたメンバー、および代理によって与えられたサービスは、代理がタスク容易化サービスと対話するおよび／またはメンバーが代理に割り当てられるたびに受信および／または生成され得る。代理モデルは、新しいデータが受信および／または生成されるときにそれを追加することによって修正され得る。代替的に、新しい代理モデルは、（前に説明されたのと同様のまたは同じ方式で）生成され得る。いくつかの例では、限定はしないが、あらかじめ決定された量の新しいデータが利用可能になること、あらかじめ決定された量のタスク推奨が生成されたこと、あらかじめ決定された量の提案が生成されたこと、代理モデルに割り当てられたメンバーからのフィードバック、代理および／または他の代理からのフィードバック、タスク容易化サービスからのフィードバック、あらかじめ決定された時間間隔が経過したこと、それらの組合せなどのあらかじめ決定されたイベントに基づいて、代理モデルが修正され得るか、または新しいモデルが生成され得る。

【0027】

[0037]図１は、本開示の態様による、メンバーのために実施可能な様々なタスクが代理および／または１つもしくは複数のサードパーティサービスによる実施のために推奨され得るタスク容易化サービスがメンバーに代理を割り当てる例示的な環境を示す。タスク容易化サービス１０２は、これらのメンバーのためにこれらのタスクの実施を調整することができる代理１０６にタスクを識別して委任することによって、メンバーの家の中および周りで様々なタスクを実施する際のメンバーおよびメンバーの家族に対する認知負荷を低減するように実装され得る。一例では、メンバー１１８は、コンピューティングデバイス１２０（たとえば、ラップトップコンピュータ、スマートフォンなど）を介して、メンバー１２０への代理１０６の割当てのためのオンボーディングプロセスを開始することと、（たとえば、代理１０６、他の代理１０６、サードパーティサービス、メンバー１１８などによって）メンバー１１８のために実施可能であり得るタスクの識別を開始することとを求める要求をタスク容易化サービス１０２に提出し得る。たとえば、メンバー１１８は、タスク容易化サービス１０２によって与えられ、コンピューティングデバイス１２０（たとえば、デスクトップまたはラップトップコンピュータ、スマートフォン、携帯情報端末などのモバイルデバイス）上にインストールされたアプリケーションを介してタスク容易化サービス１０２にアクセスし得る。追加または代替として、タスク容易化サービス１０２は、メンバー１１８がタスク容易化サービス１０２にアクセスし、オンボーディングプロセスを開始し得るインターフェースを提示するかまたは場合によっては利用可能にするように構成された１つまたは複数のウェブサイトをホストするウェブサーバ（図示せず）を維持し得る。

【0028】

[0038]オンボーディングプロセス中に、タスク容易化サービス１０２は、メンバー１１８の識別情報を収集することがあり、この識別情報は、代理１０６を識別し、メンバー１１８に割り当てるために、代理割当てシステム１０４によって使用され得る。たとえば、タスク容易化サービス１０２は、メンバー１１８に対して、メンバー１１８が、メンバー１１８のための代理１０６を選択するために代理割当てシステム１０４によって使用可能な識別情報を与え得る調査またはアンケートを与え得る。たとえば、タスク容易化サービス１０２は、メンバー１１８に、メンバーの家族の構成（たとえば、メンバーの自宅の住民の数、メンバーの自宅の子供の数、メンバーの自宅のペットの数およびタイプなど）、メンバーの自宅の物理的なロケーション、メンバー１１８の何らかの特別な要求または要件（たとえば、物理的または感情的な障害など）などに関する詳細な情報を与えるように促し得る。いくつかの例では、メンバー１１８は、人口統計情報（たとえば、年齢、民族性、人種、書かれた／話された言語、社会経済的地位など）を与えるように促され得る。メンバー１１８はまた、メンバー１１８にとって関心があり得る可能な体験を識別するために使用され得る、任意の個人的関心または趣味を示すように促され得る（本明細書でさらに詳細に説明される）。いくつかの例では、タスク容易化サービス１０２は、メンバー１１８に、メンバー１１８が支援を望むか、または場合によっては代理および／またはサードパーティになど、別のエンティティに委任することを望む任意のタスクを指定するように促し得る。

【0029】

[0039]いくつかの例では、タスク容易化サービス１０２は、代理および／またはサードパーティなどの他者にタスクを委任する際の信頼のレベルまたは他の尺度を示すようにメンバー１１８を促し得る。たとえば、タスク容易化サービス１０２は、メンバーの日々の生活に関連し得るタスクの初期カテゴリを識別するために、オンボーディングプロセス中にメンバー１１８によって提出された識別情報を利用し得る。場合によっては、タスク容易化サービス１０２は、メンバー１１８に関連し得るタスクのカテゴリを識別するために、機械学習アルゴリズムまたは人工知能を利用することができる。たとえば、タスク容易化サービス１０２は、１つまたは複数のベクトル（たとえば、地理的ロケーション、人口統計情報、タスクを他者に委任する可能性、家族構成、家庭構成など）に基づいて、同様に状況にあるメンバーを識別するために、クラスタリングアルゴリズムを実装し得る。場合によっては、サンプルメンバー（たとえば、テスターなど）によって与えられるタスク容易化サービス１０２によって与えられるプロンプトに対する応答に対応する入力メンバー特性のデータセットは、タスク容易化サービス１０２と対話し得る異なるタイプのメンバーを識別するために、クラスタリングアルゴリズムを使用して分析され得る。メンバーに関連し得るタスクのカテゴリを識別するために、サンプルメンバーデータセット（たとえば、履歴メンバーデータ、仮説メンバーデータなど）を使用してメンバーを分類するようにトレーニングされ得る例示的なクラスタリングアルゴリズムは、ｋ平均クラスタリングアルゴリズム、ファジーｃ平均（ＦＣＭ）アルゴリズム、期待値最大化（ＥＭ）アルゴリズム、階層クラスタリングアルゴリズム、ノイズのあるアプリケーションの密度ベースの空間クラスタリング（ＤＢＳＣＡＮ）アルゴリズムなどを含み得る。メンバーの識別情報を使用して生成された機械学習アルゴリズムの出力に基づいて、タスク容易化サービス１０２は、メンバー１１８に、機械学習アルゴリズムによって与えられるタスクのカテゴリに対応するタスクを委任する際の快適レベルに関する応答を与えるように促し得る。これは、メンバー１１８に与えられるプロンプトの数を低減し、メンバーの要求に対してプロンプトをより良好に調整し得る。

【0030】

[0040]いくつかの例では、メンバーの識別情報、ならびに異なるカテゴリのタスクを他者に委任する際のメンバーの快適さまたは関心のレベルに関連する任意の情報は、メンバー１１８に割り当てられ得る代理１０６を識別するために、タスク容易化サービス１０２の代理割当てシステム１０４に与えられ得る。代理割当てシステム１０４は、コンピュータシステムを使用して、またはタスク容易化サービス１０２のコンピュータシステム上に実装されるアプリケーションもしくは他の実行可能コードとして実装され得る。代理割当てシステム１０４は、メンバーの識別情報、メンバーの快適さのレベルまたはタスクを他者に委任することへの関心に関する任意の情報、およびオンボーディングプロセス中に取得された任意の他の情報を、生産的な方法でメンバー１１８と対話および通信するのに好適であり得る代理を識別するように構成された分類またはクラスタリングアルゴリズムへの入力として使用する。たとえば、代理１０６は、人口統計および他の識別情報、地理的ロケーション、異なるカテゴリのタスクを処理する際の体験、異なるカテゴリのメンバーと通信する際の体験などを含む（限定はしないが）様々な基準に基づいてプロファイリングされ得る。分類またはクラスタリングアルゴリズムを使用して、代理割当てシステム１０４は、メンバー１１８のために対処される必要があり得る任意のタスクに対処しながら、メンバー１１８との肯定的な長期関係を進展させる可能性がより高い可能性がある代理１０６のセットを識別し得る。

【0031】

[0041]代理割当てシステム１０４が、メンバー１１８のアシスタントまたはコンシェルジュとして働くようにメンバー１１８に割り当てられ得る代理１０６のセットを識別すると、代理割当てシステム１０４は、メンバー１１８に割り当てられ得る特定の代理を識別するために、代理１０６のセットの各代理に対応するデータを評価し得る。たとえば、代理割当てシステム１０４は、メンバーの人口統計情報と代理の人口統計情報との間の類似性の程度またはベクトルに従って、代理のセット１０６の各代理をランク付けし得る。たとえば、メンバーと特定の代理とが類似した背景を共有する場合（たとえば、同じ都市の出席した大学、同じ出身地からのものである、特定の関心を共有するなど）、代理割当てシステム１０４は、類似していない背景を有し得る他の代理と比較して、特定の代理をより高くランク付けし得る。同様に、メンバーおよび特定の代理が互いに地理的に近接している場合、代理割当てシステム１０４は、メンバー１１８からさらに離れていることがある他の代理と比較して、特定の代理をより高くランク付けし得る。各ファクタは、いくつかの例では、メンバーと代理との間の肯定的な長期関係の構築に関するファクタの影響に基づいて重み付けされ得る。たとえば、代理とのメンバー対話に対応する履歴データに基づいて、代理割当てシステム１０４は、異なるファクタとこれらの対話の極性（たとえば、正、負など）との間の相関を識別し得る。これらの相関（またはその欠如）に基づいて、代理割当てシステム１０４は、各ファクタに重みを適用し得る。

【0032】

[0042]いくつかの例では、識別された代理のセット１０６の各代理に、メンバーの人口統計情報と代理の人口統計情報との間の類似性の程度またはベクトルに対応する様々なファクタに対応するスコアを割り当てられ得る。たとえば、各ファクタは、ファクタに割り当てられた重みに対応するスコアの可能な範囲を有し得る。例示的な例として、代理スコアを得るために使用される様々なファクタは各々、１～１０の可能なスコアを有し得る。しかしながら、各ファクタに割り当てられた重みに基づいて、可能なスコアは、より大きい重みを有するファクタが、より小さい重みを有するファクタと比較してより高い重み係数を乗算され得るように、重み係数を乗算され得る。結果は、メンバー１１８と代理との間の一致を決定する際のファクタの重要性または関連性に対応する異なるスコアリング範囲のセットである。様々なファクタについて決定されたスコアは、代理のセット１０６の各代理についてのコンポジットスコアを取得するためにアグリゲートされ得る。これらのコンポジットスコアは、代理１０６のセットのランキングを作成するために使用され得る。

【0033】

[0043]いくつかの例では、代理割当てシステム１０４は、メンバー１１８に割り当てられ得る代理を選択するために、代理のセット１０６のランキングを使用し得る。たとえば、代理割当てシステム１０４は、最も高くランク付けされた代理を選択し、タスクを識別および推奨することと、タスクの解決を調整することと、場合によっては、メンバー１１８の要求に対処することを確実にするためにメンバーと通信することとにメンバー１１８を関与させるための代理の利用可能性を決定し得る。選択された代理が利用不可能である（たとえば、代理が１人または複数の他のメンバーとすでに関与しているなど）場合、代理割当てシステム１０４は、前述のランキングに従って別の代理を選択し、メンバー１１８を関与させるためにこの代理の利用可能性を決定し得る。このプロセスは、メンバー１１８に関与するために利用可能な代理が代理のセット１０６から識別されるまで繰り返され得る。いくつかの例では、代理可用性が前述の代理スコアを取得するために使用されるファクタであり得、それによって、利用不可能であるか、または場合によっては新しいメンバー１１８を収容するために十分な帯域幅を有していない代理は、より低い代理スコアを割り当てられ得る。したがって、利用不可能な代理は、メンバー１１８への割当てのために利用可能であり得る他の代理よりも低くランク付けされ得る。

【0034】

[0044]いくつかの例では、代理割当てシステム１０４は、各代理の利用可能性に関連する情報に基づいて代理１０６のセットから代理を選択し得る。たとえば、代理割当てシステム１０４は、代理のセット１０６から第１の利用可能な代理を自動的に選択し得る。いくつかの例では、代理割当てシステム１０４は、メンバーの識別情報に対応する１つまたは複数の基準を満足する第１の利用可能な代理（たとえば、メンバープロファイルに最もよく一致する代理プロファイルに関連する代理など）を自動的に選択し得る。たとえば、代理割当てシステム１０４は、メンバー１１８の地理的な近さの範囲内にあり、メンバー１１８の背景と同様の背景を共有するなどの利用可能な代理を自動的に選択し得る。

【0035】

[0045]いくつかの例では、代理１０６は、メンバー１１８と自動的に関与し、対話するように構成され得るボットなどの自動プロセスであり得る。たとえば、代理割当てシステム１０４は、メンバー１１８の代理１０６として機能し得るメンバープロファイルおよびボットを生成するために、機械学習アルゴリズムまたは人工知能への入力として、オンボーディングプロセス中にメンバー１１８によって与えられる応答を利用し得る。ボットは、本明細書で説明されるように、タスクおよび提案を生成するためにメンバー１１８と自律的にチャットすること、任意の承認された提案に従ってメンバー１１８に代わってタスクを実施することなどを行うように構成され得る。ボットは、メンバープロファイルにおいて定義されるメンバー１１８のパラメータまたは特性に従って構成され得る。ボットが経時的にメンバー１１８と通信するとき、ボットは、メンバー１１８とのボットの対話を改善するように更新され得る。

【0036】

[0046]他の例では、代理１０６は、ユーザであり得る。代理１０６は、限定はしないが、タスクを示唆すること、提案を生成すること、サービスプロバイダおよび／または他のサードパーティと通信すること、ステータス報告を生成することなどのサービスを代理１０６がメンバー１１８に与えるのを支援し得る代理１０６に情報を与えるように構成された１つまたは複数の自動サービスとともに動作し得る。いくつかの例では、１つまたは複数の自動サービスは、代理１０６の１つまたは複数の動作を自動化し得る。それらの例では、代理１０６は、動作を実施することまたは自動サービスによって実行される各動作の実行を確認することを自動的に行うために１つまたは複数の自動サービスを事前認証し得る。たとえば、代理１０６とメンバー１１８との間のいくつかの対話（たとえば、自動化に好適であり得る対話、メンバー１１８または別のメンバーと前に行われた対話など）は、ボットによって容易にされ得、一方、代理１０６とメンバー１１８との間の他の対話は、ユーザによって容易にされ得る。それらの例では、対話はシームレスであり得、したがって、所与の通信がユーザによって生成されたのかまたは自動プロセスによって生成されたのかをメンバー１１８が容易に検出することができないことがある。

【0037】

[0047]オンボーディングプロセス中に収集されたメンバー１１８に関連付けられたデータと、選択された代理に対応する任意のデータとは、ユーザデータストア１０８に記憶され得る。ユーザデータストア１０８は、タスク容易化サービス１０２の各メンバー１１８に対応するエントリを含み得る。エントリは、対応するメンバー１１８の識別情報と、メンバー１１８に割り当てられた代理に対応する識別子または他の情報とを含み得る。本明細書でより詳細に説明されるように、ユーザデータストア１０８内のエントリは、経時的に行われたメンバー１１８と割り当てられた代理との間の通信に対応する履歴データをさらに含み得る。たとえば、メンバー１１８がチャットセッションまたはストリームを介して代理１０６と対話するとき、チャットセッションまたはストリームを介して交換されるメッセージは、ユーザデータストア１０８に記録され得る。

【0038】

[0048]いくつかの例では、メンバー１１８に関連するデータは、メンバー１１８に対応するメンバープロファイルを作成するためにタスク容易化サービス１０２によって使用され得る。上述のように、タスク容易化サービス１０２は、メンバー１１８がメンバー１１８に関連する識別情報を与え得る調査、アンケートなどをメンバー１１８に与え得る。この調査またはアンケートに対してメンバー１１８によって与えられた応答は、メンバー１１８に対応する初期メンバープロファイルを生成するためにタスク容易化サービス１０２によって使用され得る。タスク容易化サービス１０２はまた、メンバー１１８に関連するデバイス（たとえば、メンバー１１８に関連するネットワークに登録されているまたはそれを介して動作するモノのインターネットデバイス、センサベースのデバイス、コンピューティングデバイスなど）、メンバー１１８に関連するサービス（たとえば、メンバー１１８によって購読されているサービスなど）、メンバー１１８に接続されたユーザによって生成されたまたはそれから導出された情報（たとえば、友人、家族などのメンバー１１８に接続された他のメンバー、ソーシャルメディアの連絡先などに関連するデータ）などからメンバー１１８に関連する情報を受信し得る。いくつかの例では、代理割当てシステム１０４がメンバー１１８に代理を割り当てると、タスク容易化サービス１０２は、メンバー１１８に対応する新しいメンバープロファイルを生成するようにメンバー１１８を促すことができる。たとえば、タスク容易化サービス１０２は、上述のオンボーディングプロセス中に以前に与えられた情報を補足するために使用され得る質問のセットを含む調査またはアンケートをメンバー１１８に与え得る。たとえば、調査またはアンケートを通して、タスク容易化サービス１０２は、友人または家族（および／またはメンバー１１８の他の連絡先）、重要な日付（たとえば、誕生日など）、食事制限などに関する追加情報を与えるようにメンバー１１８を促し得る。メンバー１１８によって与えられた応答に基づいて、タスク容易化サービス１０２は、メンバー１１８に対応するメンバープロファイルを更新し得る。

【0039】

[0049]いくつかの例では、メンバープロファイルは、タスク容易化サービス１０２によって与えられるアプリケーションまたはウェブポータルなどを通して、メンバー１１８にアクセス可能であり得る。アプリケーションまたはウェブポータルを通して、メンバー１１８は、メンバープロファイル内の任意の情報を追加、除去、または編集し得る。メンバープロファイルは、いくつかの例では、メンバー、メンバーの家族、メンバーの家などに対応する様々なセクションに分割し得る。これらのセクションの各々は、オンボーディングプロセス中に収集されたメンバー１１８に関連するデータと、メンバー１１８への代理の割当て後にメンバー１１８に与えられた調査またはアンケートに対する任意の応答とに基づいて補足され得る。さらに、各セクションは、メンバープロファイルを拡張するために使用され得る追加の情報を与えるためにメンバー１１８が使用し得る追加の質問またはプロンプトを含み得る。たとえば、メンバープロファイルを通して、メンバー１１８は、タスクの完了を容易にするために、外部アカウント（たとえば、クレジットカードアカウント、小売業者アカウントなど）にアクセスするために使用可能な認証情報を与えるように促され得る。

【0040】

[0050]いくつかの例では、メンバープロファイル内の特定の情報は、メンバー１１８または代理から隠され得る。たとえば、代理が、様々なタスクの完了を通してメンバー１１８との関係を進展させるにつれて、代理は、メンバー１１８についてのメモ（たとえば、メンバーの特異性、メンバーに関する任意のフィードバックなど）を与えるように、メンバープロファイルを修正し得る。したがって、メンバー１１８がメンバーのメンバープロファイルにアクセスするとき、これらのメモは、メンバー１１８がこれらのメモを検討することができないように、または場合によっては、代理１１８またはタスク容易化サービス１０２によってメンバーに利用不可能であると指定されたメンバープロファイルの任意のセクションにアクセスすることができないように隠され得る。

【0041】

[0051]メンバー１１８に割り当てられた代理は、（たとえば、メンバー１１８、友人または家族などのメンバー１１８に関連するおよび／またはそれに接続されたユーザによって）代理と共有された情報、（たとえば、メンバー１１８に関する代理の自身の観察などの）代理によって生成および／または導出されたデータなどに基づいてメンバープロファイル内に情報を追加するかまたはそれを修正し得る。さらに、タスク容易化サービス１０２は、メンバー１１８に代わってタスクを作成または実施するときに、メンバープロファイルの関連部分を自動的に表面化し得る。たとえば、代理がメンバー１１８の食事のプランニングに関するタスクを生成している場合、タスク容易化サービス１０２は、食事のプランニングに文脈的に関連し得るメンバープロファイルの部分を自動的に識別し、メンバープロファイルのこれらの部分（たとえば、食事の選好、食事制限など）を代理に表面化し得る。いくつかの例では、代理がメンバー１１８に代わってタスクを作成または実施するための追加の情報を必要とする場合、代理は、メンバー１１８と割り当てられた代理との間のチャットセッションまたは他の通信セッションを通してメンバー１１８に追加の情報を共有させる代わりに、メンバープロファイルの特定の部分を更新するようにメンバー１１８を招待し得る。

【0042】

[0052]いくつかの例では、代理割当てシステム１０４が特定の代理をメンバー１１８に割り当てると、代理割当てシステム１０４は、メンバー１１８および特定の代理にペアリングを通知する。さらに、代理割当てシステム１０４は、メンバー１１８と割り当てられた代理との間のチャットセッションまたは他の通信セッションを確立して、メンバー１１８と代理との間の通信を促し得る。たとえば、タスク容易化サービス１０２によって与えられ、コンピューティングデバイス１２０にインストールされたアプリケーション、タスク容易化サービス１０２によって与えられるウェブポータルなどを介して、メンバー１１８は、チャットセッションまたは他の通信セッションを介して、割り当てられた代理とメッセージを交換し得る。同様に、代理は、代理がメンバー１１８とメッセージを交換し得るインターフェースを備えることがある。

【0043】

[0053]いくつかの例では、メンバー１１８は、割り当てられた代理とのチャットセッションを開始するか、または場合によっては再開し得る。たとえば、タスク容易化サービス１０２によって与えられるアプリケーションまたはウェブポータルを介して、メンバーは、代理と通信するために、チャットセッションまたは他の通信セッションを介して代理にメッセージを送信し得る。メンバー１１８は、メンバー１１８が特定のタスクの支援を望むことを示すメッセージを代理に提出し得る。例示的な例として、メンバー１１８は、メンバー１１８が来月のデンバーへの今度の移動に関して代理の支援を望むことを示すメッセージを代理に提出し得る。代理は、タスク容易化サービス１０２によって与えられるインターフェースを介して、提出されたメッセージを提示され得る。したがって、代理は、メッセージを評価し、メンバー１１８を支援するために実施される対応するタスクを生成し得る。たとえば、代理は、タスク容易化サービス１０２によって与えられるインターフェースを介して、タスク生成フォームにアクセスすることがあり、このタスク生成フォームを通して、代理は、タスクに関する情報を与えることがある。情報は、メンバー１１８に関連する情報（たとえば、メンバー名、メンバーアドレスなど）と、タスク自体の様々なパラメータ（たとえば、割り当てられた予算、タスクの完了のための時間枠など）とを含み得る。タスクのパラメータはさらに、任意のメンバー選好（たとえば、好ましいブランド、好ましいサードパーティサービス１１６など）を含み得る。

【0044】

[0054]いくつかの例では、代理は、タスクの完了のための１つまたは複数の提案を生成するために必要とされ得る任意の追加のタスクパラメータを動的およびリアルタイムに識別するために、メンバー１１８と代理との間で交換された１つまたは複数のメッセージで指定されたタスクについてメンバー１１８から得られた情報をタスク容易化サービス１０２のタスク推奨システム１１２に与えることができる。タスク推奨システム１１２は、コンピュータシステムを使用して、またはタスク容易化サービス１０２のコンピュータシステム上に実装されるアプリケーションもしくは他の実行可能コードとして実装され得る。タスク推奨システム１１２は、チャットセッションを通して（たとえば、メンバー１１８によって利用されるアプリケーションなどを介してなど）メンバーに提示され、メンバー１１８のために代理および／または１つもしくは複数のサードパーティサービス１１６によって完了され得るタスクを代理が生成し得るインターフェースを代理に与え得る。たとえば、代理は、タスクの名前、メンバーによって与えられるタスクの任意の既知のパラメータ（たとえば、予算、時間枠、実施されるタスク操作など）などを与えることがある。例示的な例として、メンバー１１８がメッセージ「やあ、ラッセル、２か月後の私たちのデンバーへの引っ越しを手伝うことができますか（can you help with our move to Denver in 2 months）」と送信した場合、代理はメッセージを評価し、「デンバーへの引っ越し（Move to Denver）」と題するタスクを生成し得る。このタスクについて、代理は、メンバー１１８によって示されるように、タスクの完了のための時間枠が２か月であることを示し得る。さらに、代理は、メンバーについて代理が知っている追加の情報を追加し得る。たとえば、代理は、任意の好ましい引っ越し会社、任意の予算上の制約などを示し得る。

【0045】

[0055]いくつかの例では、タスク推奨システム１１２は、タスクを生成するために使用され得るメンバー１１８に対応するメンバープロファイルからの任意の関連情報を代理に与えることができる。たとえば、代理が「デンバーへの引っ越し」と題する新しいタスクを生成した場合、タスク推奨システム１１２は、新しいタスクが新しい都市または他の場所への引っ越しに対応すると決定し得る。したがって、タスク推奨システム１１２は、タスクに関連し得るメンバープロファイルの部分（たとえば、メンバーの自宅の物理的なロケーション、メンバーの自宅の住民の数、メンバーの自宅の平方フィート数および部屋の数など）を識別するために、メンバープロファイルを処理し得る。タスク推奨システム１１２は、代理がこの情報を使用して新しいタスクを生成することを可能にするために、メンバープロファイルのこれらの部分を代理に自動的に表面化することがある。代替的に、タスク推奨システム１１２は、新しいタスクの作成のためにタスクテンプレート内の１つまたは複数のフィールドをポピュレートするために、この情報を自動的に使用し得る。

【0046】

[0056]いくつかの例では、代理は、メンバー１１８の代わりに実施され得る新しいタスクを生成するために使用され得るタスクテンプレートを取得するために、タスク容易化サービス１０２によって維持されるリソースライブラリにアクセスすることができる。リソースライブラリは、異なるタスクカテゴリ（たとえば、車両保守タスク、ホーム保守タスク、家族関連イベントタスク、介護タスク、体験関連タスクなど）に対応する異なるタスクテンプレートのためのリポジトリとして機能し得る。タスクテンプレートは、メンバー１１８のために実施され得るタスクを定義するために使用され得る複数のタスク定義フィールドを含み得る。たとえば、車両保守タスクに対応するタスク定義フィールドは、メンバーの車両の型およびモデル、車両の使用年数、最後に車両がサービスされた時に対応する情報およびそのサービスに関連する情報、車両に関連するあらゆる報告された事故、車両に関連するあらゆる問題の説明、必要とされる保守に関連する情報などを定義するために使用され得る。したがって、リソースライブラリに維持される各タスクテンプレートは、タスクテンプレートに関連するタスクカテゴリに固有のフィールドを含み得る。場合によっては、代理は、タスクテンプレートのためのカスタムフィールドをさらに定義してよく、それを通して、代理は、タスクを定義し、完了する際に有用であり得る追加の情報を供給し得る。これらのカスタムフィールドは、代理が将来タスクテンプレートを取得して同様のタスクを作成する場合に、これらのカスタムフィールドが代理に利用され得るように、タスクテンプレートに追加され得る。

【0047】

[0057]いくつかの例では、代理がリソースライブラリから特定のタスクテンプレートを選択する場合、タスク推奨システム１１２は、特定のタスクテンプレートのフィールドに対応するメンバー１１８に対応するメンバープロファイルから情報を自動的に識別し得る。たとえば、各テンプレートは、上述のように、特定のタスクカテゴリに関連付けられ得る。さらに、メンバープロファイルの異なる部分は、タスクテンプレートの代理選択に応答して、タスク推奨システム１１２がメンバープロファイルの関連部分を識別し得るように、異なるタスクカテゴリに関連付けられ得る。メンバープロファイルのこれらの関連部分から、タスク推奨システム１１２は、選択されたタスクテンプレートの１つまたは複数のフィールドをポピュレートするために使用され得る情報を自動的に取得し得る。たとえば、メンバー１１８が２０２０年のスバル アウトバックを有するという指示を、メンバープロファイルが含む場合、タスク推奨システム１１２は、メンバーの車両のメーカー、モデル、および年に対応するタスクテンプレート内のフィールド（たとえば、「メーカー＝スバル」、「モデル＝アウトバック」、「年＝２０２０年」など）をポピュレートするために、メンバープロファイルからこの情報を自動的に取得し得る。これは、新しいタスクのためのタスクテンプレートをポピュレートするために代理が実施する必要があるデータ入力の量を低減し得る。

【0048】

[0058]いくつかの例では、代理によって選択されたタスクテンプレートに基づいて、タスク推奨システム１１２は、メンバープロファイルのどの部分がタスクの作成のために代理によってアクセスされ得るのかを自動的に決定し得る。たとえば、代理が車両の保守に対応するタスクテンプレートを選択する場合、タスク推奨システム１１２は、選択されたタスクテンプレートに関係するまたは選択されたタスクテンプレートの特定のフィールド（たとえば、車両の型およびモデル、車両の保守履歴など）に関係する情報を記憶するメンバープロファイルの関連部分に代理がアクセスすることを可能にし得る。タスク推奨システム１１２は、メンバープロファイルのこれらの関連部分を代理に提示する一方で、代理によって選択されたタスクカテゴリに関連しないことがあるメンバープロファイルの他の部分を隠し得る。これは、代理が、情報を特に必要とすることなく、メンバープロファイルからの任意の情報にアクセスすることを防止し、それによって、メンバーの情報の露出を低減させ得る。

【0049】

[0059]いくつかの例では、代理は、タスクの完了のためにメンバーに提示され得る提案の作成に追加のメンバー入力が必要であるかどうかを決定するために、生成されたタスクをタスク推奨システム１１２に与え得る。タスク推奨システム１１２は、たとえば、タスクのための付加的パラメータと、提案の生成のためにメンバー１１８から要求され得る任意の付加的情報とを自動的に識別するために、機械学習アルゴリズムまたは人工知能を使用して、ユーザデータストア１０８からのメンバー１１８に対応する生成されたタスクおよび情報を処理し得る。たとえば、タスク推奨システム１１２は、タスクに対して自動的に完了され得る任意の追加のパラメータと、タスクを定義するためにメンバー１１８に要求され得る任意の追加の情報とを識別するために、生成されたタスクと、メンバー１１８に対応する情報（たとえば、メンバープロファイル内などに記憶された）と、他の同様の状況にあるメンバーに対して実施されたタスクに対応する履歴データとを、機械学習アルゴリズムまたは人工知能への入力として使用し得る。たとえば、タスクが別の都市への今後の移動に関連する場合、タスク推奨システム１１２は、機械学習のアルゴリズムまたは人工知能を利用して、同様の状況にあるメンバー（たとえば、メンバー１１８の同一の地理的領域内のメンバー、同様のタスク委任感受性を有するメンバー、同様のタスクを行ったメンバーなど）を識別し得る。メンバー１１８のために生成されたタスクと、ユーザデータストア１０８に記憶されたメンバープロファイルからのメンバー１１８の特性と、これらの同様の状況にあるメンバーに対応するデータとに基づいて、タスク推奨システム１１２は、タスクのための付加的パラメータを与え得る。例示的な例として、上述のタスク「デンバーへの引っ越し」の場合、タスク推奨システム１１２は、タスクに関する推奨される予算、メンバー１１８が承認し得る１つまたは複数の引っ越し企業（正のフィードバックを伴う同様の状況にある他のメンバーによって使用される）などを与え得る。代理は、これらの追加のパラメータを検討し、タスクに含めるためにこれらのパラメータのうちの１つまたは複数を選択し得る。

【0050】

[0060]タスク推奨システム１１２が、追加のメンバー入力がタスクに必要であると決定した場合、タスク推奨システム１１２は、タスクに関してメンバー１１８に提示され得る質問の推奨を代理に与え得る。「デンバーへの引っ越し」タスクの例に戻ると、タスク推奨システム１１２が、メンバーの家の１つまたは複数のパラメータ（たとえば、平方フィート数、部屋の数など）をタスクについて理解することが重要であると決定した場合、タスク推奨システム１１２は、これらの１つまたは複数のパラメータを与えるようにメンバー１１８に促す推奨を代理に与えることがある。代理は、タスク推奨システム１１２によって与えられた推奨を検討し、チャットセッションを介して、メンバー１１８に追加のタスクパラメータを与えるように促し得る。このプロセスは、特定のタスクを定義するためにメンバー１１８に与えられるプロンプトの数を低減することがあり、それによって、メンバー１１８に対する認知負荷を低減する。場合によっては、タスクに関してメンバー１１８に提示され得る質問の推奨を代理に与えるのではなく、タスク推奨システム１１２は、チャットセッションを介してこれらの質問をメンバー１１８に自動的に提示し得る。たとえば、タスク推奨システム１１２が、メンバーの家の平方フィート数に関する質問がタスクに必要であると決定した場合、タスク推奨システム１１２は、チャットセッションを介して、メンバーの家の平方フィート数を与えるようにメンバー１１８に自動的に促し得る。場合によっては、これらの質問に応答してメンバー１１８によって与えられる情報は、将来のタスクのために、新しいタスクを定義するために代理および／またはタスク推奨システム１１２がこの情報を容易に利用可能であり得るように、メンバープロファイルを自動的に補足するために使用され得る。

【0051】

[0061]いくつかの例では、タスク容易化サービス１０２は、タスクに対応する通信セッション（たとえば、インスタントメッセージングまたはテキストメッセージングを介するなどのチャット通信セッション、電話などを介したオーディオベースの通信セッション、ビデオベースの通信セッションなど）を自動的に生成し得る。タスクに対応する通信セッションは、メンバー１１８と代理との間で以前に確立されたチャットセッションとは別個であり得る。タスクに固有の通信セッションを通して、メンバー１１８と代理とは、特定のタスクに関係する通信を交換し得る。たとえば、代理は、タスクの１つまたは複数のパラメータを決定するために必要とされ得る情報をメンバー１１８に要求し得る。同様に、メンバー１１８が特定のタスクに関連する質問を有する場合、メンバー１１８は、タスク固有の通信セッションを通してこれらの質問を与えることがある。タスク固有の通信セッションの実装は、これらのタスク固有の通信セッション内の通信が対応するタスクに関連することを確実にしながら、他のチャットまたは通信セッションを通して交換されるメッセージの数を低減させ得る。

【0052】

[0062]いくつかの例では、代理がメンバー１１８からおよび／またはタスク推奨システム１１２を通して必要なタスク関連情報（たとえば、同様の状況にあるメンバーに対して実施されたタスクの評価を介して蓄積されたタスクパラメータなど）を取得すると、代理は、タスクの解決のための１つまたは複数の提案を生成するために、タスク容易化サービス１０２のタスク調整システム１１４を利用し得る。タスク調整システム１１４は、コンピュータシステムを使用して、またはタスク容易化サービス１０２のコンピュータシステム上に実装されるアプリケーションもしくは他の実行可能コードとして実装され得る。いくつかの例では、代理は、上述のように、代理およびタスク推奨システム１１２によって識別された１つまたは複数のタスクパラメータに従って、メンバー１１８のためのタスクの実施のために使用され得る１つまたは複数のサードパーティサービス１１６および／またはリソース（たとえば、小売業者、レストラン、ウェブサイト、ブランド、商品のタイプ、特定の商品など）を識別するために、タスク調整システム１１４によって維持されるリソースライブラリを利用し得る。提案は、タスクの完了のための時間枠、タスクの完了のために従事されるべき任意のサードパーティサービス１１６（もしあれば）の識別、タスクの完了のための予算推定、タスクの完了のために使用されるべきリソースまたはリソースのタイプなどを指定し得る。代理は、提案を進めるか、またはタスクを完了するための代替提案を与えるために、メンバー１１８からの応答を求めて、チャットセッションを介してメンバー１１８に提案を提示し得る。

【0053】

[0063]いくつかの例では、タスク推奨システム１１２は、代理１０６がメンバー１１８に提案を与えるべきかどうかに関する推奨を代理１０６に与え、または代わりに、定義されたタスクの完了に関して代理１０６に委ねるオプションをメンバーに与えることができる。たとえば、タスクの追加のパラメータを識別するためにメンバーおよびタスク関連情報をタスク推奨システム１１２に与えることに加えて、代理は、メンバー１１８にタスクの完了のための１つまたは複数の提案を提示する、またはメンバー１１８にタスクの完了のために代理に委ねるオプションを提示するために、その推奨をタスク推奨システム１１２に示し得る。タスク推奨システム１１２は、上述の推奨を生成するために、機械学習アルゴリズムまたは人工知能を利用し得る。タスク推奨システム１１２は、タスクの完了のための１つまたは複数の提案の提示を推奨すべきかどうかと、タスクの完了のために代理に委ねるオプションをメンバー１１８に提示すべきかどうかを決定するために、代理によって与えられた情報と、ユーザデータストア１０８からの同様の状況にあるメンバーについてのデータ、およびタスクデータストア１１０からの同様のタスクに対応するタスクデータ（たとえば、提出されたタスクと同様のパラメータを有するタスク、同様の状況にあるメンバーのために実施されるタスクなど）とを利用し得る。

【0054】

[0064]代理が、タスクの完了のために代理に委ねるオプションをメンバーが提示されるべきであると決定した場合、代理は、チャットセッションを介してこのオプションをメンバーに提示し得る。オプションは、メンバーがオプションのその承認を示すために選択し得るボタンまたは他のグラフィカルユーザインターフェース（ＧＵＩ）要素の形態で提示され得る。たとえば、メンバーは、タスクの実施に関連するすべての決定を代理に委ねるオプションをメンバーに与えるために、「Ｒｕｎ Ｗｉｔｈ Ｉｔ」ボタンを提示され得る。メンバー１１８がそのオプションを選択した場合、代理は、メンバー１１８に代わってタスクの完了のために代理によって選択された提案を提示することがあり、提案に従ってタスクの実施および完了のために１つまたは複数のサードパーティサービス１１６との調整に進むことがある。メンバー１１８がタスクの完了のために特定の提案を選択することを可能にするのではなく、代わりに、代理がメンバー１１８に代わって特定の提案を選択し得る。提案は、どのようにタスクが完了されるべきかをメンバー１１８が検証するために、メンバー１１８に依然として提示され得る。タスクの完了のためにメンバー１１８の代わりに代理によって取られた任意のアクションは、タスクデータストア１１０内のタスクに対応するエントリに記録され得る。代替的に、メンバー１１８がオプションを拒絶し、代わりに、代理がタスクの完了のために１つまたは複数の提案を与えることを示す場合、代理は、上記で説明されたように、１つまたは複数の提案を生成し得る。

【0055】

[0065]タスク推奨システム１１２は、オプションの提示のために代理に推奨を行うために使用される機械学習アルゴリズムまたは人工知能をトレーニングする際に使用するために、タスクの完了のために代理に従うオプションを提示されることに対するメンバーの応答を記録することができる。たとえば、代理がメンバー１１８にオプションを提示することを選択した場合、タスク推奨システム１１２は、メンバー１１８がオプションを選択したか、または申し出を断ってタスクに関連する１つもしくは複数の提案の提示を要求したかを記録し得る。同様に、代理が、代理に従うオプションを提示せずに、１つまたは複数の提案を提示することを選択した場合、タスク推奨システム１１２は、メンバー１１８がこれらの１つまたは複数の提案の提示に満足したかどうか、または代理がメンバーの代わりに提案を選択することを要求したかどうかを記録し、したがって、タスクの完了のために代理に従うことがある。これらのメンバー応答は、タスクに対応するデータ、代理のアクション（たとえば、オプションの提示、提案の提示など）、およびタスク推奨システム１１２によって与えられる推奨とともに、機械学習アルゴリズムまたは人工知能をトレーニングおよび／または強化する際にタスク推奨システム１１２によって使用するために、タスクデータストア１１０内に記憶され得る。

【0056】

[0066]いくつかの例では、代理は、メンバー特性、および／または他のファクタに基づいて、１つまたは複数のタスクを提案し得る。たとえば、メンバー１１８がチャットセッションを介して代理と通信するとき、代理は、メンバーの認知負荷を低減するために実施され得る任意のタスクを識別するために、メンバー１１８からの任意のメッセージを評価し得る。例示的な例として、メンバー１１８が、チャットセッションを通して、メンバーの配偶者の誕生日が迫っていることを示す場合、代理は、メンバーの配偶者の誕生日を見越してメンバー１１８に推奨され得る１つまたは複数のタスクを開発するために、メンバー１１８のその知識を利用し得る。代理は、ケーキの購入、花の注文、メンバー１１８のための固有の旅行体験の設定などのタスクを推奨し得る。場合によっては、代理は、メンバー入力なしにタスク提案を生成することができる。たとえば、オンボーディングプロセスの部分として、メンバー１１８は、メンバーのカレンダ、メンバーのモノのインターネット（ＩｏＴ）デバイスから受信または導出された情報、メンバーの個人用フィットネスデバイス（たとえば、フィットネストラッカ、通信機能を有する運動機器など）、メンバーの車両データなどの１つまたは複数のメンバーリソースへのアクセスをタスク容易化サービス１０２に与え得る。これらのメンバーリソースから収集されたデータは、メンバー１１８のためのタスク提案を生成するためにデータを構文解析し得る代理によって監視され得る。代替または追加として、これらのリソースから収集されたデータは、代理がメンバー１１８の機密情報に直接アクセスすることを防げるために（たとえば、１つまたは複数のプロセス、機械学習モデルなどを介して）タスク容易化システム１０２によって監視され得る。

【0057】

[0067]いくつかの例では、代理とのチャットセッションにわたってメンバー１１８から収集されたデータは、完了のためにメンバー１１８に提示され得る１つまたは複数のタスクを識別するために、タスク推奨システム１１２によって評価され得る。たとえば、タスク推奨システム１１２は、メンバー１１８から受信されたメッセージまたは他の通信を評価して意図を識別するために、自然言語処理（ＮＬＰ）または他の人工知能を利用し得る。意図は、メンバー１１８が解決したい問題に対応し得る。意図の例は、限定はしないが、トピック、感情、複雑性、および緊急度を含むことができる。トピックは、限定はしないが、主題、製品、サービス、技術的問題、使用上の質問、苦情、購入要求などを含むことができる。意図は、たとえば、（たとえば、キーワード、文構造、繰り返されたワード、句読文字、トーン、および／または非冠詞ワードを識別することによる）通信の意味解析、（たとえば、１つまたは複数のカテゴリからの意図の選択）ユーザ入力、メッセージ関連の統計値（たとえば、タイピングスピードおよび／または応答レイテンシ）などに基づいて決定され得る。意図は、メンバー１１８に推奨され得る可能なタスクを識別するために、ＮＬＰアルゴリズムまたは他の人工知能によって使用され得る。たとえば、タスク推奨システム１１２は、メンバー１１８が解決したい新しいタスクまたは他の問題を検出するために、ＮＬＰまたは他の人工知能を使用してメンバー１１８からの任意の着信メッセージを処理し得る。場合によっては、タスク推奨システム１１２は、可能なタスクを識別するようにＮＬＰまたは他の人工知能をトレーニングするために、タスクデータストア１１０からの履歴タスクデータおよび対応するメッセージを利用し得る。タスク推奨システム１１２がメンバー１１８に推奨され得る１つまたは複数の可能なタスクを識別する場合、タスク推奨システム１１２は、代理１０６にこれらの可能なタスクを提示し得、代理１０６は、チャットセッションを介してメンバー１１８と共有され得るタスクを選択し得る。代替または追加として、タスク推奨システム１１２は、各タスクに可能性（たとえば、メンバー１１８がタスクを選択または承認することになる確率）またはランクを割り当て、可能性またはランクがしきい値よりも大きい場合、（たとえば、チャットセッション中にまたはプッシュ通知、タスクダッシュボードなどを介するなどチャットセッションの外で）メンバー１１８と共有されることになるタスクを選択し得る。可能性および／またはランクは、メンバー１１８に推奨される前のタスク、メンバー１１８のための代理１０６によって実行された前のタスク、メンバー１１８に対するタスクの有意性、タスクを実行することのコストなどに基づいて機械学習モデルによって定義され得る。

【0058】

[0068]いくつかの例では、タスク推奨システム１１２は、完了のためにメンバー１１８に推奨され得る潜在的なタスクを識別するためにメンバー１１８によって与えられた画像またはビデオ記録を処理するためにコンピュータビジョンまたは他の人工知能を利用することができる。たとえば、代理は、メンバー１１８のために完了され得る潜在的なタスクを識別するためにメンバーの自宅の歩行中に画像またはビデオを記録するようにメンバー１１８を促し得る。例示的な例として、メンバー１１８は、修理を必要とする損傷された幅木に関係するデジタル画像またはビデオを記録するためにモバイルデバイス（たとえば、スマートフォン、デジタルビデオレコーダなど）を使用し得る。これらのデジタル画像またはビデオは、損傷された幅木を検出し、幅木に必要とされる修理の可能な範囲と損傷された幅木を修復するために実施され得る可能なタスクとを識別するためにリアルタイムにタスク推奨システム１１２によって処理され得る。さらに、デジタル画像またはビデオが損傷された幅木に関係し得るが、タスク推奨システム１１２は、タスクが推奨され得る追加のおよび／または代替の問題を識別するためにデジタル画像またはビデオをさらに処理し得る。たとえば、タスク推奨システム１１２が、損傷された幅木に加えて、メンバー１１８が幅木内にシロアリ問題を経験していることがあることを検出する場合、タスク推奨システム１１２は、検出されたシロアリの根絶に対応するタスクを推奨し得る。したがって、タスク推奨システム１１２は、コンピュータビジョンまたは他の人工知能を使用して、メンバー１１８が気づいていないことがある可能な問題を検出し得る。

【0059】

[0069]いくつかの例では、タスク推奨システム１１２は、メンバーの認知負荷を低減するために、完了のためにメンバー１１８に提示され得る可能なタスクのリストを生成することができる。たとえば、異なるメンバーソース（たとえば、ＩｏＴデバイス、パーソナルフィットネスまたはバイオメトリックデバイス、ビデオおよびオーディオ記録など）から収集されたデータの評価に基づいて、タスク推奨システム１１２は、メンバー１１８のために完了され得るタスクの初期セットを識別し得る。さらに、タスク推奨システム１１２は、外部ファクタに基づいて追加および／または代替のタスクを識別することができる。たとえば、タスク推奨システム１１２は、メンバーの地理的ロケーションに基づいて季節的タスク（たとえば、葉の収集、雨桶の清掃など）を識別することができる。別の例として、タスク推奨システム１１２は、メンバーの地理的領域内の他のメンバーのために実施されたタスク、および／または、場合によっては同様の状況にある（たとえば、メンバー１１８と１つまたは複数の特性を共有する）タスクを識別し得る。たとえば、メンバーの近隣の範囲内の様々なメンバーが、冬の間、メンバーの雨桶を清掃してもらっているか、または車道を閉鎖されている場合、タスク推奨システム１１２は、これらのタスクがメンバー１１８のために実施され得、完了のためにメンバー１１８に訴求し得ると決定し得る。

【0060】

[0070]いくつかの例では、タスク推奨システム１１２は、タスクの初期セットと、ユーザデータストア１０８からのメンバー固有のデータ（たとえば、特性、人口統計、ロケーション、推奨および提案に対する過去の応答など）と、ユーザデータストア１０８からの同様の状況にあるメンバーに対応するデータと、メンバー１１８およびタスクデータストア１１０からの他の同様の状況にあるメンバーのために以前に実施されたタスクに対応する過去のデータとを、実施のためにメンバー１１８に推奨され得るタスクのセットを識別するために、機械学習アルゴリズムまたは人工知能への入力として使用することができる。たとえば、タスクの初期セットは、雨桶清掃に関連するタスクを含むことがあるが、メンバーの選好に基づいて、メンバー１１８は、このタスクを自分自身で実施することを好むことがある。したがって、機械学習アルゴリズムまたは人工知能（たとえば、メンバー１１８に推奨され得るタスクのセット）の出力は、このタスクを省略し得る。さらに、メンバー１１８に推奨され得るタスクのセットに加えて、機械学習アルゴリズムまたは人工知能の出力は、上述のように、識別されたタスクごとに、メンバー１１８がタスクの実施のために代理に従いたいことを示すために選択し得るボタンまたは他のＧＵＩ要素の提示のための推奨を指定し得る。

【0061】

[0071]メンバー１１８に推奨され得るタスクのセットのリストは、どのタスクが、タスク特有のインターフェース（たとえば、これらのタスクに固有の通信セッションなど）を通してメンバー１１８に提示され得るかに関する最終決定のために、代理に与えられ得る。いくつかの例では、タスク推奨システム１１２は、メンバー１１８が、サードパーティサービス１１６の実施および／またはサードパーティサービス１１６との調整のために代理に委任するタスクを選択する可能性に基づいて、タスクのセットのリストをランク付けし得る。代替的に、タスク推奨システム１１２は、各タスクの完了の緊急性のレベルに基づいて、タスクのセットのリストをランク付けし得る。緊急性のレベルは、メンバー特性（たとえば、特定のタスクまたはタスクのカテゴリのメンバー自身の優先順位付けに対応するデータ）および／またはタスクが実施されない場合のメンバー１１８に対する潜在的リスクに基づいて決定され得る。たとえば、メンバーの家の中の一酸化炭素検出器の交換または設置に対応するタスクは、一酸化炭素フィルタがメンバーの安全にとってより重要であり得るので、冷蔵庫給水器フィルタの交換に対応するタスクよりも高くランク付けされ得る。別の例示的な例として、メンバー１１８がメンバーの車両の保守にかなりの重要性を置く場合、タスク推奨システム１１２は、車両保守に関連するタスクを他のタイプの保守に関連するタスクよりも高くランク付けし得る。さらに別の例示的な例として、タスク推奨システム１１２は、今度の誕生日に関連するタスクを、今度の誕生日の後に完了し得るタスクよりも高くランク付けし得る。

【0062】

[0072]代理は、タスク推奨システム１１２によって推奨されたタスクのセットを検討し、これらのタスクに対応するタスク固有のインターフェースを介してメンバー１１８に提示するために、これらのタスクのうちの１つまたは複数を選択し得る。さらに、上述のように、代理は、タスクの実施を代理に従うオプションをタスクに提示すべきかどうかを（たとえば、タスクの実施を代理に委ねるメンバーの選好を示すボタンまたは他のＧＵＩ要素によって）決定し得る。いくつかの例では、１つまたは複数のタスクは、タスク推奨システム１１２によって生成されたランキングに従ってメンバー１１８に提示され得る。代替的に、１つまたは複数のタスクは、タスク優先順位付けのためのメンバー自身の選好に関する代理の理解に従って提示され得る。タスク容易化サービス１０２によって与えられるインターフェースを通して、メンバー１１８は、代理の支援によって実施され得る１つまたは複数のタスクを選択するために、これらのタスクに関連するタスク特有のインターフェースのいずれかにアクセスし得る。代替的に、メンバー１１８は、メンバー１１８がむしろ個人的に実施するであろう、またはメンバー１１８が場合によっては実施することを望まない、任意の提示されたタスクを却下し得る。

【0063】

[0073]いくつかの例では、タスク推奨システム１１２は、代理対話なしにタスク固有のインターフェースを介してメンバー１１８に提示するためのタスクのうちの１つまたは複数を自動的に選択し得る。たとえば、タスク推奨システム１１２は、タスク推奨システム１１２によって以前にランク付けされたタスクのセットのリストからどのタスクが、タスク特有のインターフェースを通してメンバー１１８に提示され得るかを選択するために、機械学習アルゴリズムまたは人工知能を利用し得る。例示的な例として、タスク推奨システム１１２は、ユーザデータストア１０８からのメンバー１１８に対応するメンバープロファイル（メンバー代理通信に対応する履歴データ、代理実施および提示されたタスク／提案に対応するメンバーフィードバックなどを含むことができる）と、メンバー１１８のために現在進行中のタスクと、機械学習アルゴリズムまたは人工知能への入力としてのタスクのセットのリストとを使用し得る。機械学習アルゴリズムまたは人工知能によって生成された出力は、タスクのセットのリストのどのタスクが、これらのタスクに対応するタスク特有のインターフェースを介してメンバー１１８に自動的に提示されるべきかを示し得る。メンバー１１８がこれらの新たに提示されたタスクと対話するとき、タスク推奨システム１１２は、機械学習アルゴリズムまたは人工知能をさらにトレーニングして、メンバー１１８および他の同様の状況にあるメンバーにどのタスクを提示すべきかをより良好に決定するために、これらの対話を記録し、これらの対話を使用し得る。

【0064】

[0074]いくつかの例では、タスク推奨システム１１２は、実施のために代理に委任するタスクのメンバー選択に関するデータを収集するために、メンバー１１８と代理との間のチャットセッションと、タスク容易化サービス１０２とによって与えられ、メンバー１１８の代わりに実施され得る異なるタスクに関連するタスク固有のインターフェースとのメンバーの対話とを監視することができる。たとえば、タスク推奨システム１１２は、各タスクに対応する極性または感情を決定するために、チャットセッションにわたって代理によってメンバー１１８に提示されたタスクに対応するメッセージと、これらのタスクに対応するタスク固有のインターフェースとの任意の対話（たとえば、任意のタスク固有の通信セッション、特定のタスクに関連する議論のメンバー作成など）を処理し得る。たとえば、メンバー１１８が、代理へのメッセージにおいて、車両保守に対応するいずれのタスク推奨も受信しないことを好むことを示す場合、タスク推奨システム１１２は、否定極性または感情を車両保守に対応するタスクのせいにし得る。代替的に、メンバー１１８が、代理への委任のために雨桶清掃に関係するタスクを選択し、および／またはこのタスクの推奨が素晴らしいアイデアであったことを代理へのメッセージ中で示す場合、タスク推奨システム１１２は、肯定極性または感情をこのタスクのせいにし得る。いくつかの例では、タスク推奨システム１１２は、メンバー１１８およびタスク容易化サービス１０２の他の同様の状況にあるメンバーに提示し得るタスク推奨を生成するために利用される機械学習アルゴリズムまたは人工知能をさらにトレーニングまたは強化するために、メンバー１１８に推奨されるタスクに対するこれらの応答を使用することができる。

【0065】

[0075]いくつかの例では、メンバー１１８のために実施され得るタスクを推奨することに加えて、代理は、メンバー１１８に対して、メンバーの心を緊急の事柄から遠ざけ、メンバー自身およびメンバーの家族により多くの時間を費やすように訴求し得る１つまたは複数のキュレーションされた体験を推奨し得る。上述のように、オンボーディングプロセス中に、メンバー１１８は、メンバー１１８が楽しいと感じるその興味または趣味のいずれかを示すように促され得る。さらに、代理がチャットセッションにわたってメンバー１１８との対話を継続すると、代理は、メンバー１１８に、その関心に関する追加の情報を自然な方法で与えるように促し得る。たとえば、代理は、メンバー１１８に「今週末は何をしますか？」と尋ねることがある。メンバー応答に基づいて、代理は、メンバーの選好を示すようにメンバープロファイルを更新し得る。したがって、時間とともに、代理およびタスク容易化サービス１０２は、メンバーの関心および趣味のより深い理解を進展させることがある。

【0066】

[0076]いくつかの例では、タスク容易化サービス１０２は、タスク容易化サービス１０２が動作する各地理的市場において、メンバーが利用可能であり得る体験のセットを生成する。たとえば、タスク容易化サービス１０２は、タスク容易化サービスのメンバーにとって関心があり得る固有のおよび／または時間制限された体験機会を識別するために、各地理的市場内の様々な組織と提携し得る。さらに、キュレーションを必要としない体験（たとえば、ハイキング、散策など）に対して、タスク容易化サービス１０２は、そのメンバーに訴求し得る各地理的市場内の人気のある体験を識別し得る。タスク容易化サービス１０２によって収集された情報は、タスク推奨システム１１２および様々な代理１０６がアクセス可能なリソースライブラリまたは他のリポジトリに記憶され得る。

【0067】

[0077]いくつかの例では、各利用可能な体験について、タスク容易化サービス１０２は、メンバー１１８に代わって体験を計画するためにメンバー１１８から必要とされる情報と、メンバー１１８に提示されたときに体験推奨の提案がどのように見えるかのスケルトンとの両方を含むテンプレートを生成することができる。これは、代理が、体験と関連するタスクの定義を完了することをより容易にし得る。いくつかの例では、テンプレートは、旅行ガイド、食品およびレストランガイド、評判の良い出版物などの高品質の推奨を与える様々なソースからのデータを組み込むことができる。代理が、体験と関連するタスクの作成のための特定のテンプレートを選択する場合、タスク推奨システム１１２は、テンプレートをポピュレートするために使用され得るメンバープロファイルの部分を自動的に識別することができる。たとえば、代理がレストランの夕方に対応するテンプレートを選択した場合、タスク推奨システム１１２は、代理によって選択されたタスクテンプレート内の１つまたは複数のフィールドをポピュレートするために使用され得る、メンバーの食事選好および制限に対応する任意の情報を識別するように、メンバープロファイルを自動的に処理し得る。

【0068】

[0078]いくつかの例では、タスク推奨システム１１２は、周期的に（たとえば、毎月、隔月など）、またはトリガイベント（たとえば、設定された数のタスクが行われること、メンバー要求など）に応答して、メンバー１１８に推奨され得る体験のセットを選択する。たとえば、メンバー１１８に推奨され得るタスクの識別と同様に、タスク推奨システム１１２は、出力として、メンバー１１８に推奨され得る体験のセットを取得するために、少なくとも、ユーザデータストア１０８からの利用可能な体験のセットおよびメンバーの選好を、機械学習アルゴリズムまたは人工知能への入力として使用し得る。タスク推奨システム１１２は、場合によっては、代理の代わりにチャットセッションを介して、または体験のセットの各々に対応するタスク固有のインターフェースを通して、この体験のセットをメンバー１１８に提示し得る。各体験推奨は、体験の説明とメンバー１１８によって負担され得る任意の関連コストとを指定し得る。さらに、提示された各体験推奨について、タスク推奨システム１１２は、メンバー１１８のための体験のキュレーションを要求するために、メンバー１１８によって選択可能であり得るボタンまたは他のＧＵＩ要素を与え得る。

【0069】

[0079]メンバー１１８が、その代わりにキュレーションしたい体験に対応する特定の体験推奨を選択した場合、タスク推奨サービス１１２または代理は、選択された体験推奨のキュレーションに関連する１つまたは複数の新しいタスクを生成し得る。たとえば、メンバー１１８が週末ピクニックに関する体験推奨を選択した場合、タスク推奨システム１１２または代理は、メンバー１１８がタスクの完了の進捗を評価し得るように、新しいタスクをメンバーのタスクリストに追加し得る。さらに、代理は、選択された体験に関連するタスクの完了のための提案を決定する際に代理を支援するために、選択された体験に関連する詳述された質問をメンバー１１８に尋ね得る。たとえば、メンバー１１８が週末ピクニックのキュレーションに関する体験推奨を選択した場合、この情報は、すべてのパーティについて週末ピクニックをキュレーションし、適切なサードパーティサービス１１６および週末ピクニックのための可能な会場を識別するように代理を誘導し得るので、代理は、参加する成人および子供の数に関してメンバー１１８に尋ね得る。メンバー１１８によって与えられる応答は、同様の体験および関連タスクについて、これらの応答が、体験のキュレーションのために使用され得る情報を自動的に取得するために使用され得るように、メンバープロファイルを更新するために使用され得る。

【0070】

[0080]メンバー１１８のためにタスクを完了するための上述のプロセスと同様に、代理は、選択された体験のキュレーションのための１つまたは複数の提案を生成することができる。たとえば、代理は、とりわけ、体験のための日／時間のリスト、体験のための可能な会場（たとえば、公園、映画館、ハイキングトレイルなど）のリスト、可能な食事オプションおよび対応する価格のリスト、食事の配達または受取りのためのオプションなどを与える提案を生成し得る。提案における様々なオプションは、体験に特有のチャットセッションまたは通信セッション（たとえば、特定の体験に対応するタスク特有のインターフェース）を介して、また、タスク容易化サービス１０２によって与えられるアプリケーションまたはウェブポータルを介して、メンバー１１８に提示され得る。提案に提示された様々なオプションに対するメンバーの応答に基づいて、代理は、体験のためのキュレーションプロセスを開始していることを示し得る。さらに、代理は、メンバー１１８に関連し得る体験に関連する情報を与え得る。たとえば、メンバー１１８が週末のピクニックのために選択されたレストランから食べ物をピックアップするオプションを選択した場合、代理は、食べ物をピックアップするためのメンバーの家からレストランまでの詳細な運転指示（これは、メンバー１１８が配達オプションを選択した場合には提示されない）と、レストランから選択された会場までの詳細な運転指示と、駐車情報と、注文されるべき食べ物のリストと、食べ物の注文の合計価格とを与えることがある。メンバー１１８は、この提案を検討することがあり、提案を受け入れるかどうかを決定し得る。メンバー１１８が提案を受け入れた場合、代理は、選択された体験をキュレーションするために様々なタスクを実施することに進み得る。

【0071】

[0081]メンバー１１８が、タスクの実施を代理に従うことを望むことを示すために、特定のタスクに対する特定の提案を選択するか、または特定のタスクに関連するボタンもしくは他のＧＵＩ要素を選択すると、タスクがサードパーティサービス１１６を使用して完了される場合、代理は、メンバー１１８の利益に関するタスクの完了のために１つまたは複数のサードパーティサービス１１６と調整し得る。たとえば、代理は、タスクの実施のために１つまたは複数のサードパーティサービス１１６を識別し、連絡するために、タスク容易化サービス１０２のタスク調整システム１１４を利用し得る。上述のように、タスク調整システム１１４は、タスク容易化サービス１０２のメンバーの代わりにタスクの実施に利用可能であり得るサードパーティサービス１１６に関連する詳細な情報を含むリソースライブラリを含み得る。たとえば、リソースライブラリ内のサードパーティサービスに関するエントリは、サードパーティサービスに関する連絡先情報、サードパーティサービスによって与えられるサービスまたは商品に関する任意の利用可能な価格シート、サードパーティサービスによって与えられる商品および／またはサービスのリスト、営業時間、メンバーの異なるカテゴリによる評価またはスコアなどを含み得る。代理は、タスクを実施することになる１つまたは複数のサードパーティサービスを識別し、タスクの実施の推定コストを決定するために、リソースライブラリに問い合わせ得る。さらに、代理は、メンバー１１８のためにタスクの実施を調整するために、１つまたは複数のサードパーティサービス１１６に連絡し得る。

【0072】

[0082]いくつかの例では、リソースライブラリは、タスク容易化サービス１０２と関連付けられるか、または提携し得る、タスク容易化サービス１０２のメンバーに代わって様々なタスクを実施するように契約される他のサービスおよび他のエンティティに対応する詳細な情報をさらに含み得る。これらの他のサービスおよび他のエンティティは、タスク容易化サービス１０２と合意したレートでサービスまたは商品を与えることがある。代理が、リソースライブラリからこれらの他のサービスまたは他のエンティティのいずれかを選択する場合、代理は、タスクの完了のための特定のパラメータ（たとえば、価格、利用可能性、必要とされる時間など）を決定することが可能であり得る。

【0073】

[0083]いくつかの例では、所与のタスクについて、代理は（たとえば、タスク容易化サービスによって与えられるウェブポータルまたはアプリケーションを通して）、タスク容易化サービス１０２と提携する１つまたは複数のサードパーティサービスおよび他のサービス／エンティティを識別するために、リソースライブラリに問い合わせることができ、リソースライブラリにタスクの完了のための見積りを求める。たとえば、新たに作成されたタスクについて、代理は、これらの１つまたは複数のサードパーティサービスと他のサービス／エンティティとに仕事の申し出を送信し得る。仕事の申し出は、完了されるべきタスクの様々な特性（たとえば、タスクの範囲、メンバー１１８またはタスクが完了されるべき場所のおよその地理的ロケーション、所望の予算など）を示し得る。タスク容易化サービス１０２によって与えられるアプリケーションまたはウェブポータルを通して、サードパーティサービスまたは他のサービス／エンティティは、仕事の申し出を検討し、タスクの完了のための見積りを提出するか、または仕事の申し出を断るべきかを決定し得る。サードパーティサービスまたは他のサービス／エンティティが仕事の申し出を拒絶することを選択した場合、代理は、サードパーティサービスまたは他のサービス／エンティティが仕事の申し出を断ったことを示す通知を受信し得る。代替的に、サードパーティサービスまたは他のサービス／エンティティが、タスクを行うために入札することを選択する（たとえば、仕事の申し出を受諾する）場合、サードパーティサービスまたは他のサービス／エンティティは、タスクの完了のための見積りを提出し得る。この見積りは、タスクの完了のための推定コスト、タスクの完了に必要な時間、サードパーティサービスまたは他のサービス／エンティティがタスクの実施を開始するために利用可能である推定日などを示し得る。

【0074】

[0084]代理は、タスクの完了のための異なる提案を生成するために、サードパーティサービスおよび／または他のサービス／エンティティからの任意の与えられた見積りを使用し得る。これらの異なる提案は、完了されるべき特定のタスクに対応するタスク特有のインターフェースを通してメンバー１１８に提示され得る。メンバー１１８が、タスク固有のインターフェースを通して提示された提案のセットから特定の提案を選択した場合、代理は、タスクの完了のために選択されたことを示すために、選択された提案に関連する見積りを提出したサードパーティサービスまたは他のサービス／エンティティに通知を送信し得る。代理は、タスクの完了のためにサードパーティサービスまたは他のサービス／エンティティと調整するために、タスク調整システム１１４を利用し得る。

【0075】

[0085]場合によっては、タスクが代理１０６によって完了される場合、代理１０６は、タスクの実施のために代理１０６によって利用され得る任意のリソースを識別するために、タスク容易化サービス１０２のタスク調整システム１１５を利用し得る。リソースライブラリは、タスクの実施に利用可能な異なるリソースに関する詳細な情報を含み得る。例示的な例として、代理１０６がメンバーの家のためのフィルタのセットを購入するタスクを課された場合、代理１０６は、メンバー１１８が許容可能な、メンバー１１８によって許容された提案に対応する品質および／または価格のフィルタを販売し得る小売業者を識別するために、リソースライブラリに問い合わせ得る。さらに、代理１０６は、ユーザデータストア１０８から、タスクを完了するために代理１０６によって必要とされる任意のリソースに対する支払いを行うために使用され得るメンバー１１８の利用可能な支払い情報を取得し得る。上述の例を使用すると、代理１０６は、メンバーの家で使用されることになるフィルタのセットの小売業者との購入を完了するために、ユーザデータストア１０８からメンバー１１８の支払い情報を取得し得る。

【0076】

[0086]いくつかの例では、タスク調整システム１１４は、タスクの実施のために代理に代わって１つまたは複数のサードパーティサービス１１６および／またはリソースを選択するために、機械学習アルゴリズムまたは人工知能を使用する。たとえば、タスク調整システム１１４は、タスクに関連する選択された提案またはパラメータ（たとえば、メンバー１１８が、タスクがどのように実施されるべきかを決定するために代理に従った場合）と、機械学習アルゴリズムまたは人工知能への入力として類似のタスクに対応するタスクデータストア１１０からの履歴タスクデータとを利用し得る。機械学習アルゴリズムまたは人工知能は、出力として、メンバー１１８に対して高い満足度の確率でタスクを実施し得る１つまたは複数のサードパーティサービス１１６のリストを生成し得る。タスクが代理１０６によって実施される場合、機械学習アルゴリズムまたは人工知能は、出力として、メンバー１１８に対して高い満足度の確率でタスクを実施するために代理１０６によって使用され得るリソース（たとえば、小売業者、レストラン、ブランドなど）のリストを生成し得る。上述のように、リソースライブラリは、各サードパーティサービス１１６について、タスク容易化サービス１０２のメンバーによって決定されたサードパーティサービス１１６の満足度に関連する評価またはスコアを含み得る。さらに、リソースライブラリは、タスク容易化サービス１０２のメンバーによって決定される各リソース（たとえば、小売業者、レストラン、ブランド、商品、材料など）の満足度に関連する評価またはスコアを含み得る。たとえば、タスクが完了すると、代理は、メンバー１１８のために、タスクを完了する際のサードパーティサービスの実施に関する評価またはスコアを与えるようにメンバー１１８を促し得る。別の例として、タスクが代理１０６によって実施される場合、代理は、代理の実施およびタスクの完了のために代理によって利用されるリソースに関するレーティングまたはスコアを与えるようにメンバー１１８に促し得る。各評価またはスコアは、タスク調整システム１１４が、機械学習アルゴリズムまたは人工知能を使用して、同様の状況にあるメンバーのための同様のタスクに関して、サードパーティサービスの実施または代理によって利用されるリソースの満足度に基づいて、タスクの実施に対する満足度の可能性を決定し得るように、評価またはスコアを与えたメンバーに関連付けられる。タスク調整システム１１４は、タスクの実施のために推奨されるサードパーティサービス１１６および／またはリソースのリストを生成することがあり、それによって、リストは、各識別されたサードパーティサービスおよび／またはリソースに割り当てられた満足度の可能性（たとえば、スコアまたは他のメトリック）に従ってランク付けされ得る。

【0077】

[0087]いくつかの例では、タスクが、選択された提案において与えられる推定に従って、サードパーティサービスまたは他のサービス／エンティティによって完了されることができない場合、メンバー１１８は、特定のタスクをキャンセルするか、または場合によってはタスクに変更を行うオプションを与えられ得る。たとえば、タスクを実施するための推定コストが、提案で指定された最大量を超える場合、メンバー１１８は、提案で指定された予算内でタスクを実施するための代替のサードパーティサービスまたは他のサービス／エンティティを見つけるように代理に求めることがある。同様に、タスクの完了のための時間枠が、提案に示される時間枠内にない場合、メンバー１１８は、元の時間枠内のタスクの実施のための代替のサードパーティサービスまたは他のサービス／エンティティを見出すように代理に求め得る。メンバーの介入は、対応する機械学習アルゴリズムまたは人工知能を再トレーニングし、定義された提案パラメータ内でタスクを実施し得るサードパーティサービス１１６または他のサービス／エンティティをより良好に識別するために、タスク推奨システム１１２およびタスク調整システム１１４によって記録され得る。

【0078】

[0088]いくつかの例では、代理がタスクの実施のために１つもしくは複数のサードパーティサービス１１６または他のサービス／エンティティと契約すると、タスク調整システム１１４は、これらのサードパーティサービス１１６または他のサービス／エンティティによるタスクの実施を監視し得る。たとえば、タスク調整システム１１４は、タスクの実施のための時間枠、タスクの実施に関連するコスト、タスクの実施に関する任意のステータス更新などに関して、サードパーティサービス１１６または他のサービス／エンティティによって与えられる任意の情報を記録し得る。タスク調整システム１１４は、この情報を、実施されているタスクに対応するタスクデータストア１１０内のデータレコードに関連付けることがある。サードパーティサービス１１６または他のサービス／エンティティによって与えられるステータス更新は、タスク容易化サービス１０２によって与えられるアプリケーションまたはウェブポータルを介してメンバー１１８および代理に自動的に与えられ得る。

【0079】

[0089]いくつかの例では、タスクが代理１０６によって実施される場合、タスク調整システム１１４は、代理１０６によるタスクの実施を監視することができる。たとえば、タスク調整システム１１４は、タスクの代理の実施に関する、代理１０６とメンバー１１８との間の任意の通信をリアルタイムで監視し得る。これらの通信は、タスクの実施に関する任意のステータス更新、タスクを実施する際に代理１０６が負った任意の購入または費用、タスクの完了のための時間枠などを示す代理１０６からのメッセージを含み得る。タスク調整システム１１４は、代理１０６からのこれらのメッセージを、実施されているタスクに対応するタスクデータストア１１０内のデータレコードに関連付けることがある。

【0080】

[0090]場合によっては、代理は、メンバー１１８の代わりに１つもしくは複数のサードパーティサービス１１６によって与えられたサービスおよび／もしくは商品に対する支払い、またはタスクの完了のために代理によって行われた購入に対する支払いを自動的に行うことがある。たとえば、オンボーディングプロセス中に、メンバー１１８は、サードパーティサービス１１６に支払いを行うために、またはメンバー１１８のために代理１０６によって行われる購入のために、代理によって使用され得る支払い情報（たとえば、クレジットカード番号および関連情報、デビットカード番号および関連情報、銀行情報など）を与え得る。したがって、メンバー１１８は、代理１０６および／またはサードパーティサービス１１６がメンバー１１８のためのタスクの実施を開始することを可能にするために、いかなる支払い情報を与えることも必要とされないことがある。これは、タスクの実施を管理するためのメンバー１１８に対する認知負荷をさらに低減し得る。

【0081】

[0091]上述のように、タスクが完了すると、メンバー１１８は、タスクの完了に関するフィードバックを与えるように促され得る。たとえば、メンバー１１８は、タスクの実施における選択されたサードパーティサービス１１６の実施および専門性に関するフィードバックを与えるように促され得る。さらに、メンバー１１８は、代理によって与えられた提案の品質に関して、またタスクの実施がタスクに関連する基礎をなす問題に対処したかどうかに関して、フィードバックを与えるように促され得る。メンバー１１８によって与えられる応答を使用して、タスク容易化サービス１０２は、タスクのより良好な識別、提案の作成、メンバー１１８および他の同様の状況にあるメンバーのためにタスクを完了するためのサードパーティサービス１１６または他のサービス／エンティティの識別、メンバー１１８のためにタスクを実施するために代理１０６に与えられ得るリソースの識別などを与えるために、タスク推奨システム１１２およびタスク調整システム１１４によって利用される機械学習アルゴリズムまたは人工知能をトレーニングまたは場合によっては更新し得る。

【0082】

[0092]本明細書で説明されるプロセスに関して、代理１０６によって実施される様々な動作は、追加または代替として、１つまたは複数の機械学習アルゴリズムまたは人工知能を使用して実施され得ることに留意されたい。たとえば、代理１０６がメンバー１１８に代わって経時的にタスクを実施するか、または場合によってはタスクの実施を調整するとき、タスク容易化サービス１０２は、代理１０６および／またはサードパーティサービス１１６によるこれらのタスクの実施に関連するメンバーフィードバックに従って、メンバープロファイルを連続的および自動的に更新し得る。いくつかの例では、タスク推奨システム１１２は、メンバーのプロファイルがある時間期間（たとえば、６か月、１年など）にわたって、またはタスクのセット（たとえば、２０個のタスク、３０個のタスクなど）にわたって更新された後、代理対話を用いてまたは用いずに、メンバーのプロファイルの様々な属性（たとえば、メンバー代理通信に対応する履歴データ、代理実施および提示されたタスク／提案に対応するメンバーフィードバックなど）に基づいて、新しいタスクを自動的および動的に生成するために、機械学習アルゴリズムまたは人工知能を利用し得る。タスク推奨システム１１２は、新しいタスクに必要とされる任意の追加情報を取得し、これらのタスクの実施のためにメンバー１１８に提示され得る提案を自動的に生成するために、メンバー１１８と自動的に通信し得る。代理１０６は、会話が肯定極性を維持する（たとえば、メンバー１１８がタスク推奨システム１１２または他のボットとの対話に満足しているなど）ことを確実にするために、タスク推奨システム１１２とメンバー１１８との間の通信を監視し得る。会話が否定極性を有する（たとえば、メンバー１１８がフラストレーションを表明している、タスク推奨システム１１２またはボットがメンバーの応答または質問を処理することができない、など）と代理１０６が決定した場合、代理１０６は、会話に介入し得る。これは、代理１０６が、任意のメンバーの懸念に対処し、メンバー１１８に代わって任意のタスクを行うことを可能にし得る。

【0083】

[0093]したがって、これらのシステムおよび環境が、エージェントまたは他の自動化されたシステムと対話するユーザの知識をほとんど有しない場合がある自動化された顧客サービスシステムおよび環境とは異なり、タスク推奨システム１１２は、システムとのメンバーの自動的な対話または代理１０６との対話に基づいて、また経時的にメンバー１１８の代わりに実施されるタスクに基づいて、メンバー１１８に関する最新の履歴情報を与えるためにメンバープロファイルを継続的に更新することができる。メンバー１１８またはシステムが代理１０６と対話するにつれて、また、タスクが経時的にメンバー１１８のために考案され、提案され、実施されるにつれて、自動的および動的に更新され得る、この履歴情報は、メンバー１１８のクエリ、要求、および／または目標に対する適切なまたはインテリジェントな応答を予測し、識別し、提示するために、タスク推奨システム１１２によって使用され得る。

【0084】

[0094]図２は、本開示の態様による、代理および／またはサードパーティサービスによる実施のためにメンバーに推奨され得る１つまたは複数のタスクを識別するためにタスク関連のデータがメンバーエリアから収集およびアグリゲートされる環境の例示的な例を示す。環境２００では、メンバーは、コンピューティングデバイス１２０（たとえば、ラップトップコンピュータ、スマートフォンなど）を介して、メンバーのために実施され得る１つまたは複数のタスクを識別するためにメンバーに割り当てられた代理１０６にタスク関連のデータを送信し得る。たとえば、メンバーは、実施のために代理１０６に委任することをメンバーが望む１つまたは複数のタスクを手動で入力することができる。タスク容易化サービス１０２は、メンバーにタスク容易化サービス１０２によって与えられるアプリケーションを介して、代理１０６に委任され得るか、あるいはメンバーのタスクのリストに追加され得るタスクの手動入力２０４のためのオプションを与え得る。

【0085】

[0095]メンバーがタスクの手動入力２０４のためのオプションを選択する場合、タスク容易化サービス１０２は、アプリケーションまたはウェブポータルのインターフェースを介して、メンバーがタスクに関係する様々な詳細を入力し得るタスクテンプレートを与え得る。タスクテンプレートは、メンバーが、タスクのための名前、タスクの説明（たとえば、「私は、今度の嵐の前に雨樋を清掃させる必要がある」、「私は、塗装工に化粧室を補修塗りさせることを望む」など）、タスクの実施のための時間枠（たとえば、特定の締め切り日、日付範囲、緊急度のレベルなど）、タスクの実施のための予算（たとえば、無制限の予算、特定の最大額など）などを与え得る様々なフィールドを含み得る。

【0086】

[0096]いくつかの例では、メンバーがタスクの手動入力３０４のためのオプションを選択する場合、タスク容易化サービス１０２は、新しいタスクを生成するために使用され得る異なるタスクテンプレートをメンバーに与え得る。上記のように、タスク容易化サービスは、異なるタスクカテゴリ（たとえば、車両保守タスク、自宅保守タスク、家族関連イベントタスク、介護タスク、体験関連タスクなど）に対応する異なるタスクテンプレートのためのリポジトリとして働くリソースライブラリを維持し得る。タスクテンプレートは、メンバーのために実施され得るタスクを定義するために使用され得る複数のタスク定義フィールドを含み得る。たとえば、車両保守タスクに対応するタスク定義フィールドは、メンバーの車両の型およびモデル、車両の使用年数、最後に車両を保守した時に対応する情報、車両に関連するあらゆる報告された事故、車両に関連するあらゆる問題の説明などを定義するために使用され得る。したがって、リソースライブラリ中で維持された各タスクテンプレートは、タスクテンプレートに関連するタスクカテゴリに固有であるフィールドを含み得る。

【0087】

[0097]リソースライブラリを通して、メンバーは、メンバーが作成することを望む新しいタスクに緊密に関連付けられ得る特定のタスクテンプレートを選択するために利用可能なタスクテンプレートの各々を評価し得る。メンバーが特定のタスクテンプレートを選択すると、メンバーは、メンバーのために実施され得るタスクを定義するために使用され得る１つまたは複数のタスク定義フィールドをポピュレートし得る。これらのフィールドは、タスクテンプレートに関連するタスクカテゴリに固有であり得る。いくつかの例では、選択されたタスクテンプレートに基づいて、タスク容易化サービス１０２は、上記で説明されたように、メンバープロファイル内に指定された情報に基づいて１つまたは複数のタスク定義フィールドを自動的にポピュレートし得る。

【0088】

[0098]いくつかの例では、メンバーに与えられたタスクテンプレートは、タスク容易化サービス１０２によって識別されるメンバーの特性に従って特別に調整され得る。上記のように、タスク容易化サービス１０２は、メンバーのオンボーディングプロセス中に、時間とともにタスクおよび提案を識別し、それらをメンバーに推奨するために使用され得るメンバーのためのメンバープロファイルまたはモデルを生成し得る。メンバープロファイルまたはモデルは、会話する際に、メンバーにタスクおよび提案を推奨する際に、およびメンバーのためにタスクを実施する際にメンバーにどのように接近するのが最適であるのかを決定するために代理１０６によって使用され得るメンバーの属性のセットを定義し得る。これらの属性は、他のものにいくつかのカテゴリのタスクを委任する際のまたは自身でいくつかのカテゴリのタスクを実施する際のメンバーの行動または選好の測度を含み得る。これらのメンバー属性は、メンバーが予算に関心があるのか、ブランド認知に関心があるのか、レビュー（たとえば、レストランのレビュー、製品のレビューなど）に関心があるのか、時間厳守に関心があるのか、応答速度に関心があるのかなどを示し得る。これらのメンバー属性に基づいて、タスク容易化サービス１０２は、タスクテンプレートから特定のフィールドを省略し得る。たとえば、メンバーがタスクの完了のための予算に関心がないことをメンバー属性が指定する場合、タスク容易化サービス１０２は、タスクについてメンバーの予算に対応するタスクテンプレートからフィールドを省略し得る。別の例示的な例として、メンバーがそれのタスクの実施のためにハイエンドのまたは一流のブランドに選好を有するとタスク容易化サービス１０２が決定する場合、タスク容易化サービス１０２が、タスクの実施のためにハイエンドのまたは一流のブランドを識別するためにリソースライブラリを利用し得るので、タスク容易化サービス１０２は、タスクの実施のためにブランドの選択または識別に対応する１つまたは複数のフィールドを省略し得る。

【0089】

[0099]メンバーが、コンピューティングデバイス１２０を介してまたはタスク容易化サービス１０２によって与えられたインターフェースを通して、メンバーに対する利益のために実施されることになるタスクに対応するタスクテンプレートを提出する場合、メンバーに割り当てられた代理１０６は、完了したタスクテンプレートを取得し評価し、メンバーのためにどのようにタスクを実施するのが最適であるのかについて決定し得る。たとえば、代理１０６は、完了したタスクテンプレートを評価し、完了したタスクテンプレートによって与えられたタスク関連の詳細に対応するメンバーのための新しいタスクを生成し得る。さらに、（たとえば、メンバーとの対話からの、メンバープロファイルからのなどの）メンバーについての代理の知識に基づいて、代理１０６は、タスクをどのように実施するのが最適であるのかについて決定するために使用され得る追加情報をメンバーに促すのかどうかを決定し得る。たとえば、メンバーは、完了したタスクテンプレートを介してメンバーがメンバーの雨樋を清掃してほしいことを示したが、雨樋がいつ清掃されなければならないのかを示さなかった場合、代理１０６は、雨樋の清掃のための時間枠に関して照会するためにアクティブ通信セッションを介してメンバーと通信し得る。別の例として、メンバーが、タスクの実施のための特定の予算なしにタスクを提出し、代理１０６が（たとえば、メンバープロファイル、メンバーについての個人的知識などに基づいて）メンバーが予算にこだわることを知っている場合、代理１０６は、タスクの実施のためにどんな予算でなければならないのかを決定するためにメンバーと通信し得る。取得されたあらゆる情報は、メンバープロファイルを補足するために使用され得、したがって、将来のタスクについて、この新たに取得された情報が、メンバーへの追加のプロンプトを必要とすることなしにメンバープロファイルから自動的に取り出され得る。

【0090】

[0100]いくつかの例では、メンバーは、１つまたは複数のタスクが代理１０６によっておよび／もしくはタスク推奨システム１１２によって決定され得るプロジェクトまたはプロジェクトのために完了される必要がある１つもしくは複数のタスクを含み得るプロジェクトを生成することを求める要求を代理１０６に提出することができる。たとえば、メンバーと割り当てられた代理１０６との間に確立されるチャットセッションを介して、メンバーは、プロジェクトを開始することを望むことを示し得る。例示的な例として、メンバーは、メンバーが８月のデンバーへの引っ越しを計画するのを助けることを望むメッセージを代理１０６に送信し得る。このメッセージに応答して、代理１０６は、このプロジェクト（たとえば、デンバーへの引っ越し）に関与し得る１つまたは複数のタスクを識別し、メンバーへの提示のためにこれらの１つまたは複数のタスクを生成し得る。たとえば、代理１０６は、限定はしないが、引っ越しの予算を定義すること、引っ越し会社を見つけること、あらゆる不要な所有物を処分すること、現在のロケーションと新しいロケーションとにおける公共サービスを調整することなどを含むタスクを生成し得る。これらのタスクは、メンバーが、プロジェクトに関連するこれらの各々タスクを評価し、これらのタスクの各々がどのように実施され得るのかを決定する（たとえば、メンバーが自身でいくつかのタスクを実施する、メンバーが代理にいくつかのタスクを委任する、メンバーがタスクの実施のためのパラメータを定義するなど）ために代理１０６と調整することを可能にするためにプロジェクトに固有のインターフェースを介してメンバーに提示され得る。

【0091】

[0101]プロジェクトの部分として実施されることになる１つまたは複数のタスクを含むプロジェクトの作成をメンバーが要求する場合、プロジェクトに固有のインターフェースが作成され得る。プロジェクトインターフェースは、プロジェクトに関連するタスクの各々に対応するリンクまたは他のグラフィカルユーザインターフェース（ＧＵＩ）要素を含み得る。プロジェクトに関連する特定のタスクに対応する特定のリンクまたは他のＧＵＩ要素の選択は、タスク容易化サービス１０２に、特定のタスクに固有のインターフェースを提示させ得る。このインターフェースを通して、メンバーは、特定のタスクに関係するメッセージを交換すること、特定のタスクに関係する提案を検討すること、特定のタスクの実施を監視することなどを行うために代理１０６と通信し得る。

【0092】

[0102]いくつかの例では、メンバーと代理１０６との間で交換されるメッセージは、メンバーへの提示のために代理１０６に推奨され得る潜在的なプロジェクトおよび／またはタスクを識別するためにタスク推奨システム１１２によって処理され得る。上記のように、タスク推奨システム１１２は、メンバーに推奨され得る可能なタスクを識別するためにメンバーからの交換されたメッセージまたは他の通信を評価するためにＮＬＰまたは他の人工知能を利用し得る。たとえば、タスク推奨システム１１２は、メンバーが解決することを望む新しいプロジェクト、新しいタスク、または他の問題を検出するためにＮＬＰまたは他の人工知能を使用してメンバーからのあらゆる着信メッセージを処理し得る。いくつかの例では、タスク推奨システム１１２は、可能なタスクを識別するためにＮＬＰまたは他の人工知能をトレーニングするためにタスクデータストアからの履歴タスクデータと対応するメッセージとを利用し得る。タスク推奨システム１１２がメンバーに推奨され得る１つまたは複数の可能なプロジェクトおよび／またはタスクを識別する場合、タスク推奨システム１１２は、代理１０６にこれらの可能なタスクを提示し得、代理１０６は、チャットセッションを介してメンバーと共有され得るプロジェクトおよび／またはタスクを選択し得る。

【0093】

[0103]いくつかの例では、タスク推奨システム１１２が、メンバーと代理１０６との間で交換されるメッセージに基づいてメンバーに提案され得るプロジェクトを識別する場合、タスク推奨システム１１２は、代理１０６に推奨され得るプロジェクトに関連する１つまたは複数のタスクを識別するためにタスク容易化サービス１０２によって維持されるリソースライブラリを利用することができる。たとえば、タスク推奨システム１１２が、デンバーに引っ越す準備をしているというメンバーの表示に関係するプロジェクトを識別する場合、タスク推奨システム１１２は、新しいロケーションへの引っ越しに関連するあらゆるタスクを識別するためにリソースライブラリに問い合わせ得る。いくつかの例では、リソースライブラリへのクエリは、メンバープロファイルからのメンバー属性を含み得る。これにより、タスク推奨システム１１２は、同様のプロジェクトについて実施されていることがあるあるいは同様の状況にあるメンバー（たとえば、同様の地理的ロケーションにいるメンバー、現在のメンバーの属性と同様の属性を有するメンバーなど）に提案されていることがあるあらゆるタスクを識別することが可能になり得る。

【0094】

[0104]いくつかの例では、タスク推奨システム１１２は、識別されたプロジェクトのために代理１０６に推奨され得るタスクを識別するために機械学習アルゴリズムまたは他の人工知能を使用する。たとえば、タスク推奨システム１１２は、上述のリソースライブラリから、識別されたプロジェクトに関連付けられ得るあらゆるタスクを識別し得る。タスク推奨システム１１２は、識別されたタスクのどれがメンバーへの提示のために代理１０６に推奨され得るのかを決定するために機械学習アルゴリズムまたは他の人工知能を使用して識別されたタスクとメンバープロファイルとを処理し得る。さらに、タスク推奨システム１１２は、代理１０６に、タスクの完了のために代理１０６に委ねるオプションをもつメンバーのために実施される必要があり得るあらゆるタスクを与え得る。たとえば、タスク推奨システム１１２は、メンバープロファイルに基づいて、メンバーが任意の他の入力を検討または提供する必要なしに代理１０６にタスクを完全に委任する可能性があると決定する場合、タスク推奨システム１１２は、（「そのまま実行する（Run With It）」ボタンを通してなど）代理１０６にタスクの実施を委ねるオプションをメンバーに提示する推奨をもつタスクを代理１０６に与え得る。

【0095】

[0105]いくつかの例では、タスク推奨システム１１２は、チャットセッションを介してどのタスクがメンバーに提示され得るのかについての最終的な決定のために代理１０６にメンバーに推奨され得るタスクのセットのリストを与え得る。上記のように、タスク推奨システム１１２は、メンバーが、タスク容易化サービス１０２と提携したサードパーティサービス１１６または他のサービス／エンティティの実施およびそれらとの調整のための代理への委任のためのタスクを選択する可能性に基づいてタスクのセットのリストをランク付けすることができる。代替的に、タスク推奨システム１１２は、各タスクの完了のための緊急度のレベルに基づいてタスクのセットのリストをランク付けし得る。たとえば、引っ越し会社の雇用に対応するタスクが公共サービスの調整に対応するタスクより大きい緊急度のものであるとタスク推奨システム１１２が決定する場合、タスク推奨システム１１２は、前者のタスクを後者のタスクよりも高くランク付けし得る。

【0096】

[0106]いくつかの例では、タスク推奨システム１１２が、メンバーと代理１０６との間で交換されるメッセージに基づいて作成され得るプロジェクトを識別し、タスク推奨システム１１２が、識別されたプロジェクトに関連する１つまたは複数のタスクを識別する場合、タスク推奨システム１１２は、代理１０６を介して、プロジェクトを進めるメンバーの承認を取得するためにプロジェクトの定義と識別されたプロジェクトに関連するタスクとをメンバーに与え得る。たとえば、タスク容易化サービス１０２によって与えられるアプリケーションまたはウェブポータル、およびコンピューティングデバイス１２０を通したアクセスを介して、メンバーは、提案されたプロジェクトを進めるべきかどうかを決定するために提案されたプロジェクトと関連するタスクとを検討し得る。メンバーは、プロジェクトの範囲およびプロジェクトの完了のために提案されるタスクのいずれかを定義することを含むプロジェクトおよび／またはプロジェクトに関連する任意のタスクをさらに定義するために代理１０６と通信し得る。例示的な例として、代理１０６がプロジェクトに固有の通信セッションを通してメンバーの今度のデンバーへの引っ越しに対応するプロジェクトとこの提案されたプロジェクトに関連するあらゆるタスクとを提案する場合、メンバーは、提案されたプロジェクトと関連するタスクとを検討する（たとえば、タイムラインに関して照会する、予算に関して照会するなどの）ために代理１０６と通信し得る。代理１０６とのメンバーの通信に基づいて、代理１０６および／またはタスク推奨システム１１２は、プロジェクトの範囲およびあらゆる関連するタスクをさらに定義するためにメンバーに与えられ得るあらゆる質問を識別し得る。たとえば、代理１０６は、今度のデンバーへの引っ越しに対応するプロジェクトのために必要とされ得る引っ越しサービスの範囲を決定する際に有用であり得るメンバーの既存の自宅の面積の量を示すようにメンバーを促し得る。これらのプロンプトに対するメンバーの応答を通して取得された情報は、メンバープロファイルを補足するために使用され得る。

【0097】

[0107]いくつかの例では、メンバーのために実行されるべき特定のプロジェクトをメンバーが承認すると、タスク推奨システム１１２は、メンバーからの入力（たとえば、最終期限、所望の優先度など）に基づいてプロジェクトおよび関連するタスクに優先度を割り当てる。たとえば、今度のデンバーへの引っ越しに関連するプロジェクトが車両保守に関係するプロジェクトよりも急を要することをメンバーが示した場合、タスク推奨システム１１２は、車両保守に関係する他のプロジェクトよりも今度のデンバーへの引っ越しに関連するプロジェクトに優先度を付け得る。これにより、コンピューティングデバイス１２０を介してメンバーによってアクセスされるアプリケーション、ウェブポータルに、これらの他のプロジェクトよりも今度のデンバーへの引っ越しに関係するプロジェクトをより顕著に表示させ得る。いくつかの例では、特定のプロジェクトに割り当てられた優先度は、プロジェクトに関連するタスクにさらに割り当てられ得る。たとえば、タスク推奨システム１１２は、代理１０６および／またはタスク推奨システム１１２によって識別される様々なタスクをランク付けする際の別のファクタとしてメンバーのために作成されたプロジェクトの各々の優先度を使用し得る。

【0098】

[0108]プロジェクトに関連するタスクは、代理１０６がどのタスクをメンバーのために取り組むのかを決定するためにタスク推奨システム１１２によって使用され得るアクティブキューに追加され得る。たとえば、代理１０６は、タスク推奨システム１１２によって実施されるタスクの優先度付けまたはランク付けに基づいてタスクの限定されたセットを提示され得る。タスクの限定されたセットの選択は、所与の時間に代理１０６によって取り組まれ得るタスクの数を限定し得、これは、代理１０６がメンバーのタスクリストに取り組むことに大いに悩まされるリスクを低減し得る。

【0099】

[0109]いくつかの例では、タスク容易化サービス１０２は、メンバーのコンピューティングデバイス１２０上に実装されたアプリケーションまたはタスク容易化サービス１０２によって与えられるウェブポータルを介してアクセスされるアプリケーションを介して、メンバーの現在のおよび今度のタスクに対応するタスクリストをメンバーに提示し得る。タスク容易化サービス１０２は、タスクリストを介して、各タスクのステータス（たとえば、作成済み、進行中、定期、完了済みなど）を与え得る。いくつかの例では、タスク容易化サービス１０２により、メンバーは、必要に応じてタスクをフィルタ処理することが可能になり得、したがって、メンバーは、どのタスクがアプリケーションまたはウェブポータルを介してメンバーに提示されることになるのかをカスタマイズし、決定することができる。

【0100】

[0110]タスク容易化サービス１０２は、メンバーの現在のおよび今度のタスクに対応するタスクリストを提示することに加えて、これらのタスクのうちのどれがメンバーにまたは代理１０６に割り当てられるのかをシグナリングし得る。たとえば、タスク容易化サービス１０２は、アプリケーションまたはウェブポータルを介してメンバーに提示される各タスクに割当てタグを表示し得る。割当てタグは、対応するタスクがメンバーに割り当てられるのかまたは代理１０６に割り当てられるのかを明示的に示し得る。追加または代替として、タスクは、色コーディングを使用してアプリケーションまたはウェブポータルを介してメンバーに提示され得、ここにおいて、タスクのために使用される色は、タスクがメンバーに割り当てられるのかまたは代理１０６に割り当てられるのかをさらに示し得る。例示的な例として、タスクが代理１０６に割り当てられる場合、タスクは、「代理」属性タグを提示され、タスクが代理１０６に割り当てられたことをさらに示すためにオレンジ色の色合いを使用してタスクバブル内に提示され得る。代替的に、タスクがメンバーに割り当てられる場合、タスクは、「メンバー」属性タグを提示され、タスクがメンバーに割り当てられたことをさらに示すために緑色の濃淡を使用してタスクバブル内に提示され得る。属性は、属性タグと色インジケータとが例示のために本開示全体にわたって使用されているが、メンバーに割り当てられたタスクと代理１０６に割り当てられたタスクとを区別するために他の割当てインジケータが利用され得ることに留意されたい。

【0101】

[0111]いくつかの例では、タスク容易化サービス１０２は、アプリケーションまたはウェブポータルを介して、タスクリストから特定のタスクに関するさらなる情報を取得するオプションをメンバーに与え得る。たとえば、タスクリストを介して提示される各タスクは、タスクに関係するさらなる情報を取得するオプションを含み得る。いくつかの例では、メンバーが特定のタスクのためのさらなる情報を取得するオプションを選択する場合、タスク容易化サービス１０２は、メンバーのための認知的過負荷の可能性を増加させることなしにどのくらいの情報がメンバーに与えられるべきであるのかを決定するためにメンバーのプロファイルを評価することができる。たとえば、メンバーが代理１０６にタスクを委任する傾向を有し、概して、代理１０６にタスクのすべての態様を委任する場合、タスク容易化サービス１０２は、タスクに関連する基本情報（たとえば、短いタスクの説明、タスクのための推定完時間など）を与え得る。しかしながら、メンバーが、より詳細を重視し、タスクの完了に高度に関与する場合、タスク容易化サービス１０２は、タスクに関連するさらなる情報（たとえば、詳細なタスクの説明、タスクを完了するために実施されるステップ、タスクのためのあらゆる予算情報など）を与え得る。いくつかの例では、タスク容易化サービス１０２は、タスクに関係するどのくらいの情報がメンバー１０２に提示されなければならないのかを決定するために機械学習アルゴリズムまたは人工知能を利用することができる。たとえば、タスク容易化サービス１０２は、機械学習アルゴリズムまたは人工知能への入力としてタスクに対応するメンバープロファイルおよびデータを使用し得る。得られた出力は、タスクに関するどんな情報がメンバーに提示されなければならないのかについての推奨を与え得る。いくつかの例では、推奨は、推奨を評価し、選択されたタスクについてどんな情報がメンバーに提示され得るのかを決定し得る代理１０６に与えられ得る。タスクのための情報がメンバーに与えられるとき、タスク容易化サービス１０２は、情報の提示に対するメンバーの応答を識別するために代理１０６とのメンバーの対話を監視し得る。応答は、タスク容易化サービス１０２のメンバーに提示され得るタスク情報に関するより良い推奨を与えるために機械学習アルゴリズムまたは人工知能をさらにトレーニングするために使用され得る。

【0102】

[0112]いくつかの例では、メンバーは、コンピューティングデバイス１２０を介して、メンバーのために実施され得るタスクを識別するために使用され得る１つまたは複数のユーザの記録２０６を提出することができる。たとえば、メンバーは、タスク容易化サービス１０２に、タスクが作成され得るメンバーエリア２０２内の問題を示し得るメンバーエリア２０２の１つまたは複数のデジタル画像をアップロードし得る。例示的な例として、メンバーは、修理を必要とする壊れた幅木の画像をキャプチャし得る。別の例示的な例として、メンバーは、詰まった雨樋の画像をキャプチャし得る。代理１０６は、これらのデジタル画像を取得し、アップロードされたデジタル画像中に表される問題を解決するために実施され得る１つまたは複数のタスクを手動で識別し得る。たとえば、代理１０６が壊れた幅木を示すデジタル画像を受信する場合、代理１０６は、壊れた幅木の修理に対応する新しいタスクを生成し得る。同様に、代理１０６が詰まった雨樋を示すデジタル画像を受信する場合、代理１０６は、メンバーの雨樋の清掃に対応するタスクを生成し得る。

【0103】

[0113]ユーザの記録２０６は、タスクが生成され得る可能な問題に対応するメンバーエリア２０２内のオーディオおよび／またはビデオ記録をさらに含み得る。たとえば、メンバーは、問題を解決するために実施され得る１つまたは複数のタスクを生成するために使用され得る問題を強調するためにメンバーエリア２０２の異なる部分のオーディオおよび／またはビデオ記録を生成するためにそのメンバーのスマートフォンまたは他の記録デバイスを利用し得る。例示的な例として、代理１０６とのチャットセッション中に、メンバーは、そのメンバーのスマートフォンとともにメンバーエリア２０２を通って歩き得、タスク容易化サービス１０２によってメンバーが解決されることを望む問題を強調するビデオを記録し得る。メンバーエリア２０２を通って歩く間に、メンバーは、（たとえば、スマートフォンに話すこと、問題を指摘することなどによって）これらの問題が何であるのか、およびこれらの問題を解決するための可能な命令または他のパラメータ（たとえば、時間枠、予算、緊急度のレベルなど）を示し得る。上記で説明された壊れた幅木の例を使用して、メンバーは、「我々は家を販売する準備しているので、私はすぐにこの幅木を修理させることを望む」と示しながら壊れた幅木を強調するビデオを記録し得る。したがって、このビデオは、壊れた幅木に関係する問題とメンバーがメンバーの自宅を販売するために短い時間枠内で幅木を修理させることの緊急度のレベルとを強調し得る。

【0104】

[0114]メンバーは、コンピューティングデバイス１２０を介して、ユーザの記録２０６中にメンバーによって示された問題のいずれかを解決するためにメンバーに推奨され得る任意のタスクを識別するためにユーザの記録２０６を検討し得る代理１０６にユーザの記録２０６を与え得る。たとえば、代理１０６は、与えられたユーザの記録２０６を分析し、ユーザの記録２０６中でメンバーによって識別されたおよび／またはユーザの記録２０６の代理１０６の分析に基づいて代理１０６によって検出された任意の問題を解決するために実施され得るタスクを識別し得る。例示的な例として、メンバーが修理されることを望む壊れた幅木があることをメンバーが示すユーザの記録２０６をメンバーが与える場合、代理１０６は、ユーザの記録２０６に基づいて、メンバーの自宅がシロアリ問題（たとえば、壊れた幅木中のシロアリまたはシロアリ被害の存在）を有し得るとさらに決定し得る。したがって、代理１０６は、追加の問題を示し、追加の問題を解決するためにタスクを推奨するためにチャットセッションを介してメンバーと通信し得る。

【0105】

[0115]いくつかの例では、代理１０６は、メンバーのために実施され得る１つまたは複数のタスクを定義する際に代理１０６を支援するために使用され得る１つまたは複数のユーザの記録２０６（たとえば、１つまたは複数の画像、オーディオセグメント、ビデオセグメント、英数字列など）を生成するようにメンバーを促し得る。たとえば、メンバーが、チャットセッションを介して、デンバーに引っ越す準備をしていることを示す場合、代理１０６がこのプロジェクトに関連付けられ得るタスクを識別し得るように、代理１０６は、メンバーエリア２０２（たとえば、自宅、アパートなど）に関係する１つまたは複数のユーザの記録２０６をメンバーが生成することを要求し得る。たとえば、メンバーによって与えられたユーザの記録２０６を使用して、代理１０６は、メンバーエリア２０２の面積を決定すること、プロジェクトの完了のためのあらゆる特殊な引っ越し要件（たとえば、壊れ物のための特殊な引っ越し命令、保険など）を識別すること、プロジェクトのために解決される必要があり得るあらゆる修理または保守項目を識別することなどを行い得る。いくつかの例では、代理１０６は、メンバーのために実施されることになるタスクを定義する際に使用され得る１つまたは複数のタスクパラメータを識別するためにユーザの記録２０６を使用し得る。たとえば、メンバーの壊れた幅木を修理することに関係する新しいタスクをメンバーが手動で入力した場合、代理１０６は、修理されることになっている幅木のタイプ、修理の範囲、修理のための時間枠などを識別するために壊れた幅木に関連するあらゆるユーザの記録２０６を使用し得る。

【0106】

[0116]いくつかの例では、代理１０６は、メンバーに推奨され得る任意のプロジェクトおよび／またはタスクを識別するためにタスク推奨システム１１２にメンバーによって提出されたユーザの記録２０６を与えることができる。上記のように、タスク推奨システム１１２は、実施のためにメンバーに推奨され得るタスクのセットを識別するために機械学習アルゴリズムまたは人工知能への入力としてメンバー固有のデータ（たとえば、特性、人口統計、ロケーション、推奨および提案に対する過去の応答など）、同様の状況にあるメンバーに対応するデータ、およびメンバーおよび他の同様の状況にあるメンバーのために前に実施されたタスクに対応する履歴データを使用し得る。さらに、タスク推奨システム１１２は、メンバーに推奨され得る何らかの可能なタスクを識別するためにメンバーによって与えられたユーザの記録２０６を処理するためにコンピュータビジョン、ＮＬＰ、および／または他の人工知能を利用し得る。たとえば、（ビデオ記録を処理するためにコンピュータビジョンまたは他の人工知能を使用する）タスク推奨システム１１２が、損傷された幅木に加えて、メンバーが幅木内にシロアリ問題を経験していることがあることを検出する場合、タスク推奨システム１１２は、検出されたシロアリの根絶に対応するタスクを推奨し得る。

【0107】

[0117]別の例として、メンバーが、ユーザの記録２０６中で、「この部屋を塗装することについて考えていたが、それを行うための時間がまだ見つからない」と述べる場合、タスク推奨システム１１２は、識別された部屋の塗装に関係する可能なタスクを識別するためにＮＬＰまたは他の人工知能を利用し得る。ユーザの記録２０６を使用して、タスク推奨システム１１２は、塗装タスクに関連する１つまたは複数のパラメータ（たとえば、必要とされ得る塗料の量、メンバーに推奨され得る色、塗装タスクの完了のための可能な予算など）を識別するために識別された部屋（たとえば、面積、部屋中の家具、部屋中の照明など）を評価するためにコンピュータビジョンまたは他の人工知能をさらに利用し得る。したがって、タスク推奨システム１１２は、可能なタスクとこれらの識別された可能なタスクに関連するパラメータとを識別するためにユーザの記録２０６を処理するためにコンピュータビジョン、ＮＬＰ、および／または他の機械学習アルゴリズムもしくは人工知能を利用し得る。

【0108】

[0118]いくつかの例ではまた、タスク容易化サービス１０２は、メンバーエリア２０２内の様々なＩｏＴデバイスおよび／またはセンサ２０８からタスク関連のデータを取得することができる。たとえば、メンバーが、メンバーの暖房、換気、および空調（ＨＶＡＣ）システムの実施を監視するスマートサーモスタットをメンバーエリア２０２内に維持する場合、スマートサーモスタットは、ＨＶＡＣシステムの実施および保守に関係するデータをタスク容易化サービス１０２に送信し得る。たとえば、スマートサーモスタットは、メンバーがメンバーエリア２０２内でエアフィルタを変更することが推奨されることを示す通知をタスク容易化サービス１０２に送信し得る。別の例として、スマートサーモスタットは、ＨＶＡＣシステムに関係する障害または他の問題（たとえば、炉の機能不全、コンプレッサの破損など）を示すために通知を送信し得る。さらに、スマートサーモスタットは、メンバーエリア２０２中の環境に関係するデータ（たとえば、温度の読取り値、湿度レベルの読取り値、エネルギー使用量の読取り値など）を送信し得る。

【0109】

[0119]タスク容易化サービス１０２は、メンバーに推奨され得る何らかの潜在的なタスクを識別すること、および／または既存のタスク（たとえば、メンバーエリア２０２中の温度を維持することに関係する循環タスク、部屋内で特定の光レベルを維持することに関係するタスクなど）をサポートすることを行うために様々なＩｏＴデバイスおよび／またはセンサ２０８からのタスク関連のデータを利用し得る。たとえば、タスク容易化サービス１０２が、メンバーのＨＶＡＣシステムのためのエアフィルタをメンバーが交換する時期であるという通知をメンバーエリア２０２内のＩｏＴデバイスから受信する場合、タスク容易化サービス１０２は、タスク推奨システム１１２を介して、メンバーの既存のエアフィルタの交換について代理１０６に提示され得るタスク推奨を自動的に生成し得る。別の例として、タスク容易化サービス１０２が、メンバーのＨＶＡＣシステムが故障した（たとえば、炉の機能不全、コンプレッサの破損など）という通知を１つまたは複数のＩｏＴデバイスおよび／またはセンサ２０８から受信する場合、タスク推奨システム１１２は、メンバーのＨＶＡＣシステムを修理するために代理１０６に提示され得るタスク推奨を自動的に生成し得る。メンバーへのタスクと対応するパラメータとの提示は、上記で説明されたように、代理１０６および／またはタスク推奨システム１１２によって決定され得る。

【0110】

[0120]いくつかの例では、タスク容易化システム１０２は、メンバーエリア２０２内の様々なＩｏＴデバイスおよび／またはセンサ２０８と、メンバーによって利用されるアプリケーション（たとえば、スマートフォンアプリケーションなど）と、タスク容易化サービス１０２との間の通信を有効化するために使用され得るデータモデルを実装する。データモデルは、様々なＩｏＴデバイスおよび／またはセンサ２０８と、メンバーによって利用されるアプリケーションと、タスク容易化サービス１０２との間での共通のデータ表現を与え得る。たとえば、メンバーエリア２０２内の照明設備、ブラインド、煙探知器、およびテレビジョンはすべて、周辺光センサを含み得る。これらのデバイスの各々は、センサの読取り値の同じデータ表現を利用し得、これにより、タスク容易化サービス１０２は、自動化された照明調整アルゴリズムを介して、デバイスタイプに関する問題なしにすべてのデバイスからのこれらのセンサの読取り値を処理することが可能になり得る。さらに、アルゴリズムへのいかなる変更もなしに入力への寄与のために新しいデバイスの追加が可能であり得る。

【0111】

[0121]いくつかの例では、様々なＩｏＴデバイスおよび／またはセンサ２０８ならびにエコシステム中のすべての他のデバイスおよびサービス（たとえば、メンバーのモバイルデバイス、タスク容易化サービス１０２など）は、それがいかなるデバイス通信の間でもデータ変換の必要がないことを保証するためにデータモデルを利用する。例示的な例として、メンバーは、任意のロケーションからＩｏＴデバイスを制御するためにローカルネットワークを介してまたはタスク容易化サービス１０２を介してＩｏＴデバイスと通信するためにメンバーのモバイルデバイス上のアプリケーションを利用し得る。ＩｏＴデバイスおよび／またはセンサ２０８と、これらのＩｏＴデバイスおよび／またはセンサ２０８を制御するためにメンバーのコンピューティングデバイス１２０上に実装されたアプリケーションと、タスク容易化サービス１０２とは、したがって、エコシステムのこれらの要素の間の通信を可能にするためにデータモデルに依拠し得る。

【0112】

[0122]いくつかの例では、タスク容易化サービス１０２は、各ＩｏＴデバイスおよび／もしくはセンサ２０８、アプリケーション、または任意の他のアクター（たとえば、特徴をホストするクラウドサービスなど）に一意の識別子を割り当てるためにデータモデルを使用することができる。タスク容易化サービス１０２は、いくつかの特徴を容易にするためにデバイスの論理グルーピングを生成するためにこれらの一意の識別子を利用し得る。これらの論理グルーピングは、ロケーション（たとえば、ベッドルーム、キッチンなど）および／または空間（たとえば、屋内、屋外、車両など）に基づいて生成され得る。これらのグループ化は、グループ制御を可能にし得る。たとえば、メンバーが眠るためにベッドルームを準備するタスクを提出する場合、タスク容易化システム１０２は、ベッドルームに関連するデバイスを識別し、眠る準備のためにメンバーによって定義された任意の動作を実施し得る。これらのグループは、データ分析をさらに可能にし得、それによって、タスク容易化サービス１０２は、周囲の環境に関する決定を行うために論理グルーピング中のデバイスからの読取り値を使用し得る。たとえば、メンバーのリビングルーム中のデバイスからの読取り値に基づいて、タスク容易化サービス１０２は、窓が開かれている可能性があるのかどうかを決定し、メンバーのＨＶＡＣシステムの実施に影響を及ぼし得る。

【0113】

[0123]いくつかの例では、タスク容易化サービス１０２は、データモデルを介して、すべてのパブリッシュされたデータがデータの生成の時間を指定するメタデータを含むことになることを指示することができる。これは、データのパブリケーションの何らかの遅延がこのデータに依拠する任意のアルゴリズムをスキューしないことを保証し得る。たとえば、占有データを生成するデバイスが短い期間の間ネットワーク接続性を喪失する場合、この短い期間中に生成されたデータは、メタデータとして、占有イベントが発生した時間に対応するタイムスタンプを含み得る。データは、保存され、接続性が復元されるとすぐにパブリッシュされ得る。これにより、このデータの消費者は、これらの占有イベントがいつ発生したのかを決定し、相応に反応することが可能になる。

【0114】

[0124]いくつかの例では、タスク容易化サービス１０２によって実装されたデータモデルはまた、すべてのパブリッシュされたデータのための連続番号付けシステムを与える。この連続番号付けシステムは、データの何らかの損失を検出し、何らかの損失データを取り出す機構を与え得る。たとえば、データが移動中に損失された場合、データの消費者は、データの損失を示し得る番号付けのギャップを検出することが可能であり得る。データモデルは、何らかの欠落したデータの再発行することを要求するためにデータの消費者にプロトコルを与え得る。たとえば、消費者は、消費者によって取得されたデータのギャップに対応する数を有する何らかのデータを取り出すことを求める要求をＩｏＴデバイスおよび／またはセンサに提出し得る。

【0115】

[0125]いくつかの例では、代理１０６は、タスク容易化サービス１０２によって与えられたアプリケーションまたはウェブポータルを介してメンバーに提示される所与のタスクの完了のために１つまたは複数の提案を生成することができる。提案は、所与のタスクを調査する間に代理１０６によって作成および／または収集され得るメンバーに提示される１つまたは複数のオプションを含み得る。いくつかの例では、代理１０６は、これらの１つまたは複数の提案を生成するために使用され得る１つまたは複数のテンプレートを与えられ得る。たとえば、タスク容易化サービス１０２は、異なるタスクタイプのための提案テンプレートを維持し得、それによって、特定のタスクタイプのための提案テンプレートは、タスクタイプに関連する様々なデータフィールドを含み得る。例示的な例として、誕生会を計画することに関連するタスクの場合、代理１０６は、イベントプランニングに対応する提案テンプレートを利用し得る。イベントプランニングに対応する提案テンプレートは、会場オプション、ケータリングオプション、エンターテインメントオプションなどに対応するデータフィールドを含み得る。

【0116】

[0126]いくつかの例では、提案テンプレート内のデータフィールドは、どんな情報が提案中でメンバーに提示されるかについて決定する能力を代理１０６に与えるためにオンまたはオフにトグルされ得る。たとえば、パーティのためにボールルームジャンプハウスをレンタルすることに関連するタスクの場合、対応する提案テンプレートは、レンタル会社のロケーション／住所、レンタル会社の業務時間および利用可能性、推定コスト、レンタル会社の評価／レビューなどに対応するデータフィールドを含み得る。代理１０６は、メンバーの選好についての代理の知識に基づいて、これらのデータフィールドのいずれかをオンまたはオフにトグルし得る。たとえば、代理１０６は、メンバーとの関係を確立しており、それによって、代理１０６がメンバーのタスクのために評判が良い会社を選択するのをメンバーが信用することを代理１０６が高信頼度で知っている場合、代理１０６は、提案テンプレートから対応する会社のための評価／レビューに対応するデータフィールドをオフにトグルし得る。同様に、メンバーが提案の目的でレンタル会社のロケーション／住所に関心がないことを代理１０６が知っている場合、代理１０６は、提案テンプレートから対応する会社のためのロケーション／住所に対応するデータフィールドをオフにトグルし得る。いくつかのデータフィールドが提案テンプレート内でオフにトグルされ得るが、代理１０６は、本明細書でより詳細に説明されるように、提案のリソースライブラリを補足するためにタスク容易化サービス１０２によって使用され得る追加情報を与えるためにこれらのデータフィールドを完了し得る。

【0117】

[0127]いくつかの例では、タスク容易化サービス１０２は、提案中でメンバーに提示され得るデータフィールドに関する代理１０６のための推奨を生成するために機械学習アルゴリズムまたは人工知能を利用する。たとえば、タスク容易化サービス１０２は、機械学習アルゴリズムまたは人工知能への入力として、メンバーに関連するメンバープロファイルまたはモデル、メンバーのための履歴タスクデータ（たとえば、前に完了したタスク、提案が与えられたタスクなど）、および提案が生成されているタスクに対応する情報（たとえば、タスクのタイプまたはカテゴリなど）を使用し得る。機械学習アルゴリズムまたは人工知能の出力は、提案テンプレートのどのデータフィールドがオンまたはオフにトグルされなければならないのかを定義し得る。たとえば、メンバープロファイルまたはモデル、メンバーのための履歴タスクデータ、および提案が生成されているタスクに対応する情報の評価に基づいて、メンバーが会社の評価／レビューに関係する情報を閲覧することにも会社のロケーション／住所に関係する情報を閲覧することにも関心がない可能性があるとタスク容易化サービス１０２が決定する場合、タスク容易化サービス１０２は、提案テンプレートからこれらのデータフィールドを自動的にオフにトグルし得る。タスク容易化サービス１０２は、いくつかの例では、提案中でメンバーにこれらのデータフィールドを提示する能力を代理１０６に与えるためにこれらのデータフィールドをオンにトグルするオプションを保持し得る。たとえば、タスク容易化サービス１０２が、特定の会社からのバルーンジャンプハウスのレンタルのための推定コストに対応するデータフィールドを自動的にオフにトグルしたが、メンバーが、関与する可能なコストへの関心を表した場合、代理１０６は、推定コストに対応するデータフィールドをオンにトグルし得る。

【0118】

[0128]いくつかの例では、提案がメンバーに提示されるとき、タスク容易化サービス１０２は、機械学習アルゴリズムまたは人工知能をさらにトレーニングするために使用され得るデータを取得するために代理１０６および提案とのメンバーの対話を監視し得る。たとえば、代理１０６は、機械学習アルゴリズムまたは人工知能によって生成された推奨に基づいて特定の会社のためのいかなる評価／レビューなしに提案を提示し、メンバーは、（たとえば、代理１０６へのメッセージを通して、特定の会社のための評価／レビューを閲覧する提案中のオプションの選択を通してなど）メンバーが特定の会社の評価／レビューに関心があることを示す場合、タスク容易化サービスは、同様のタスクまたはタスクタイプのために選択された会社の評価／レビューの提示を推奨する可能性を増加させるために機械学習アルゴリズムまたは人工知能をさらにトレーニングするためにこれらのフィードバックを利用し得る。

【0119】

[0129]いくつかの例では、タスク容易化サービス１０２は、タスク調整システム１１４を介して、特定の提案テンプレートの１つまたは複数のデータフィールドを自動的にポピュレートするために使用され得るリソースライブラリを維持する。リソースライブラリは、特定のタスクもしくはタスクタイプに関係する提案または、そうでない場合、特定のタスクもしくはタスクタイプに関連付けられる提案のために代理によって前に使用された会社および／または製品に対応するエントリを含み得る。たとえば、ワシントン州リンウッドの近くで屋根を修理することに関係するタスクに関する提案を代理１０６が生成するとき、タスク調整システム１１４は、タスクのために代理１０６によって選択される屋根工事業者に関連する情報を取得し得る。タスク調整システム１１４は、リソースライブラリ中に屋根工事業者に対応するエントリを生成し、「屋根の修理」および「ワシントン州リンウッド」にこのエントリを関連付け得る。したがって、ワシントン州リンウッドの近く（たとえば、ワシントン州エヴェレット）に位置するメンバーのための屋根を修理することに対応するタスクを別の代理が受信する場合、他の代理は、ワシントン州リンウッドの近くの屋根工事業者についてリソースライブラリに問い合わせ得る。リソースライブラリは、クエリに応答して、代理１０６によって前に選択された屋根工事業者に対応するエントリを戻し得る。他の代理がこの屋根工事業者を選択する場合、タスク調整システム１１４は、リソースライブラリから屋根工事業者のために利用可能な情報で提案テンプレートのデータフィールドを自動的にポピュレートし得る。

【0120】

[0130]いくつかの例では、タスク容易化サービス１０２は、提案の準備に関係していることがある任意のリソースを動的に識別するためにメンバー１１８に関連するメンバープロファイルと、選択された提案テンプレートと、リソースライブラリとを自動的に処理するために機械学習アルゴリズムまたは人工知能を利用することができる。機械学習アルゴリズムまたは人工知能は、教師つきトレーニング技法を使用してトレーニングされ得る。たとえば、サンプルメンバープロファイルと、提案テンプレートおよび／またはタスクと、利用可能なリソース（たとえば、サードパーティのサービス、他のサービス／エンティティ、小売業者、商品などに対応するエントリ）と、完了した提案とのデータセットは、機械学習モデルのトレーニングのために選択され得る。機械学習モデルは、機械学習モデルに供給されるサンプル入力に基づいて、機械学習モデルが提案の提示のための提案テンプレートを自動的に完了するために使用され得る適切なリソースを識別しているのかどうかを決定するために評価され得る。この評価に基づいて、機械学習モデルは、機械学習モデルが所望の結果を生成する可能性を高めるために修正され得る。機械学習モデルは、リソースライブラリからのリソースの識別とこれらのリソースを使用してタスク容易化サービス１０２によって自動的に生成される提案とに関するタスク容易化サービスの代理およびメンバーからのフィードバックを要請することによってさらに動的にトレーニングされ得る。たとえば、タスク容易化サービス１０２が、メンバー１１８に関連するメンバープロファイルとリソースライブラリからの選択されたリソースとに基づいて、メンバー１１８に訴求していない提案（たとえば、提案がタスクに関係していない、提案がメンバー１１８に利用可能でないリソースに対応している、提案がメンバー１１８が承認しないリソースを含むなど）を生成する場合、タスク容易化サービス１０２は、同様のリソースおよび提案が同様の状況にあるメンバーのために生成される可能性を低減するためにこのフィードバックに基づいて機械学習アルゴリズムまたは人工知能を更新し得る。

【0121】

[0131]代理１０６は、提案テンプレートを介して、タスクの完了のために使用され得る会社および／または製品のための追加の提案オプションを生成し得る。たとえば、特定の提案について、代理１０６は、代理１０６がタスクの完了のための推奨している会社または製品に対応し得る推奨されるオプションを生成し得る。さらに、追加のオプションまたは選択肢をメンバーに与えるために、代理１０６は、タスクを完了し得る他の会社または製品に対応する追加のオプションを生成することができる。いくつかの例では、メンバーが代理１０６にタスクの完了に関する意思決定を委任したことを代理１０６が知っている場合、代理１０６は、推奨されるオプションの外の追加の提案オプションの生成を控え得る。しかしながら、代理１０６は、メンバーに、タスクのステータスに関する情報をメンバーに欠かさないようにするためにタスクの完了のために選択された提案オプションを依然として提示し得る。

【0122】

[0132]いくつかの例では、代理１０６が提案テンプレートの使用を介して提案を定義することを完了すると、タスク容易化サービス１０２は、タスク容易化サービス１０２によって与えられたアプリケーションまたはウェブポータルを通してメンバーに提案を提示し得る。いくつかの例では、代理１０６は、提案が特定のタスクのために準備されたことおよび提案がタスク容易化サービス１０２によって与えられたアプリケーションまたはウェブポータルを介したレビューの準備ができていることを示すためにメンバーに通知を送信し得る。メンバーに提示される提案は、提案が準備されたタスク、ならびにメンバーに与えられている１つまたは複数のオプションの表示を示し得る。たとえば、提案は、推奨される提案オプションと特定のタスクのために代理１０６によって準備された他のオプション（もしあれば）とへのリンクを含み得る。これらのリンクにより、メンバーは、アプリケーションまたはウェブポータルを介して代理１０６によって準備された１つまたは複数のオプションの間をナビゲートすることが可能になり得る。

【0123】

[0133]提案オプションごとに、メンバーは、代理１０６によって選択された会社（たとえば、タスク容易化サービス１０２に関連するサードパーティサービスもしくは他のサービス／エンティティ）または製品に対応する情報と、提案テンプレートを介した代理１０６による提示のために選択されたデータフィールドに対応する情報とを提示され得る。たとえば、メンバーの自宅の屋根検査に関連するタスクの場合、代理１０６は、特定の屋根工事業者（たとえば、提案オプション）のために、屋根工事業者のための１つまたは複数のレビューまたは証言、メンバーのタスク完了時間枠の対象となる屋根工事業者の料金および利用可能性（もしあれば）、屋根工事業者のウェブサイト、屋根工事業者の連絡先情報、任意の推定コスト、およびメンバーがタスクのためにこの特定の屋根工事業者を選択しなければならない場合における代理１０６の次のステップの表示を提示し得る。いくつかの例では、メンバーは、特定の提案に関連するどんな詳細またはデータフィールドがアプリケーションまたはウェブポータルを介して提示されるのかを選択し得る。たとえば、提案オプションごとに推定総額をメンバーが提示され、提案オプションごとに推定総額を検討することにメンバーが関心がない場合、メンバーは、アプリケーションまたはウェブポータルを介して提案からこの特定のデータフィールドをオフにトグルし得る。代替的に、各提案オプションに関するさらなる詳細（たとえば、追加のレビュー、追加の会社または製品情報など）を検討することにメンバーが関心がある場合、メンバーは、このさらなる詳細が提案を介して提示されることを要求し得る。

【0124】

[0134]いくつかの例では、与えられた提案とのメンバーの対話に基づいて、タスク容易化サービス１０２は、どんな情報がメンバーに提示されなければならないのかと、どんな情報が同様のタスクまたはタスクタイプの場合に同様の状況にあるメンバーに提示されなければならないのかとを決定または推奨するために使用される機械学習アルゴリズムまたは人工知能をさらにトレーニングすることができる。上記のように、タスク容易化サービス１０２は、提案中でメンバーに提示され得るデータフィールドに関する代理１０６のための推奨を生成するために機械学習アルゴリズムまたは人工知能を使用し得る。タスク容易化サービス１０２は、特定のタスクに関する提案で提示される情報に関するメンバーの選好を決定するために提案とのメンバーの対話を監視または追跡し得る。さらに、タスク容易化サービス１０２は、メンバーの選好をさらに識別するために提案に関係するメンバーと代理１０６との間で交換されるあらゆるメッセージを監視または追跡し得る。たとえば、提案中に指定される会社の各々によって提供されるサービスに関するさらなる情報を参照することをメンバーが望むことを示すメッセージをメンバーが代理１０６に送る場合、タスク容易化サービス１０２は、メンバーが特定のタスクまたはタスクタイプに関連する会社によって提供されるサービスに関する追加情報を参照したいと望み得ると決定し得る。いくつかの例では、タスク容易化サービス１０２は、メンバーの選好を識別するために代理１０６によって与えられた提案に関するメンバーからのフィードバックを要請し得る。提案に関する代理１０６とのメンバーの対話または提案自体とのメンバーの対話を通して得られるこのフィードバックおよび情報は、メンバーにおよび同様のタスクまたはタスクタイプの場合に提案中で同様の状況にあるメンバーに提示されなければならない情報のためのより正確なまたはより改善された推奨を与えるために機械学習アルゴリズムまたは人工知能を再トレーニングするために使用され得る。

【0125】

[0135]いくつかの例では、メンバーに提示される各提案は、各提案オプションに関連するあらゆるコストを指定し得る。これらのコストは、関連するタスクまたはプロジェクトの要件に基づいて異なるフォーマットで提示され得る。たとえば、タスクまたはプロジェクトが航空券の購入に対応する場合、対応する提案のための各提案オプションは、航空券の固定価格を提示し得る。別の例示的な例として、代理１０６は、提案オプションごとに、選択されたオプション（たとえば、「パーティのためにハロウィン装飾に最高１５０ドルを費やすつもり」）に従ってタスクの完了のために予算を与えることができる。さらに別の例示的な例として、支払いスケジュールが関与し得るタスクまたはプロジェクトについて、タスクまたはプロジェクトに関係する提案のための提案オプションは、これら提案オプションの各々のための支払いスケジュール（たとえば、「最初の協議のための１００ドルと後に続くサービスのための３００ドル」、「会場を予約するための１，５００ドルの前金とイベント後の１，５００ドルの使用料」など）を指定し得る。

【0126】

[0136]メンバーが、タスクまたはプロジェクトのための特定の提案オプションを受け入れる場合、代理１０６は、メンバーが特定の提案オプションのための提示されたコストとあらゆる関連する税および料金との支払いに同意していることを保証するためにメンバーと通信し得る。いくつかの例では、提案オプションが静的な支払い額（たとえば、固定価格、「最高Ｘドル」、静的な額をもつ段階的な支払いスケジュールなど）を用いて選択される場合、提案オプションの履行に必要な実際の支払い額が最初に提示された静的な支払い額を超えてしきい値割合または額を超える場合、メンバーは、代理１０６によって通知され得る。たとえば、メンバーが選択された提案オプション中に指定されているコストの１２０％より多く費やす必要があり得ると代理１０６が決定する場合、代理１０６は、提案オプションを進める前に支払い額を再確認するようにメンバーに通知を送信し得る。

【0127】

[0137]いくつかの例では、提示された提案からの提案オプションをメンバーが受け入れる場合、タスク容易化サービス１０２は、提示された提案に関連するタスクを実行状態に移動し、代理１０６は、選択された提案オプションに従って提案を実行することに進むことができる。たとえば、代理１０６は、メンバーによって受け入れられた提案において定義されているパラメータに従ってタスクの実施を調整するために１つまたは複数のサードパーティサービス１１６に連絡し得る。

【0128】

[0138]いくつかの例では、代理１０６は、メンバーによって受け入れられた提案において定義されているパラメータに従ってタスクの実施の調整を支援するためにタスク調整システム１１４を利用する。たとえば、サードパーティサービス１１６との調整が自動的に実施され得る場合（たとえば、サードパーティサービス１１６が発注、スケジューリング、支払いのための自動化されたシステムを与えるなど）、タスク調整システム１１４は、選択された提案オプションに従ってタスクの実施を調整するためにサードパーティサービス１１６と直接対話し得る。タスク調整システム１１４は、代理１０６に任意の情報（たとえば、確認、発注ステータス、予約ステータスなど）を与え得る。代理１０６は、次に、タスク容易化サービス１０２にアクセスするためにメンバーによって利用されるアプリケーションまたはウェブポータルを介してメンバーにこの情報を与え得る。代替的に、代理１０６は、サードパーティサービス１１６が選択された提案オプションに従ってタスクの実施を開始したことを示すために他の通信方法（たとえば、電子メールメッセージ、テキストメッセージなど）を介してメンバーに情報を送信し得る。代理１０６がメンバー１１８のためにタスクを実施している場合、代理１０６は、タスク容易化サービス１０２によって与えられたアプリケーションまたはウェブポータルを介してメンバー１１８にタスクの代理の実施に関するステータス更新を与え得る。

【0129】

[0139]いくつかの例では、タスク調整システム１１４は、メンバーのためにタスク容易化サービス１０２に関連する代理１０６、サードパーティサービス１１６、および／または他のサービス／エンティティによるタスクの実施を監視することができる。たとえば、タスク調整システム１１４は、タスクの実施のための時間枠、タスクの実施に関連するコスト、タスクの実施に関するあらゆるステータス更新などに関してサードパーティサービス１１６によって与えられたあらゆる情報を記録し得る。タスク調整システム１１４は、この情報を実施されているタスクに対応するデータレコードに関連付け得る。サードパーティサービス１１６によって与えられたステータス更新は、タスク容易化サービス１０２によって与えられるアプリケーションまたはウェブポータルを介してメンバーにおよび代理１０６に自動的に与えられ得る。代替的に、ステータス更新は、特定のタスク／プロジェクトのためにメンバーと代理１０６との間に確立されるチャットセッションを介してまたは他の通信方法を通してメンバーにこれらのステータス更新を与え得る代理１０６に与えられ得る。いくつかの例では、タスクが代理１０６によって実施されることになる場合、タスク調整システム１１４は、代理１０６によるタスクの実施を監視し、アプリケーションまたはウェブポータルを介してメンバーに代理１０６によって与えられたあらゆる更新を記録し得る。

【0130】

[0140]タスクが完了すると、メンバーは、メンバーによって選択された提案オプションに従ってタスクを実施したタスク容易化サービス１０２に関連する代理１０６および／もしくはサードパーティサービス１１６、ならびに／または他のサービス／エンティティの実施に関するフィードバックを与え得る。たとえば、メンバーは、タスクの完了に関するメンバーのフィードバックを示すために完了されている特定のタスク／プロジェクトに対応するチャットセッションを介して代理１０６と１つまたは複数のメッセージを交換し得る。たとえば、メンバーは、どのようにタスクが完了したのかについてメンバーが喜んでいることを示し得る。メンバーは、追加または代替として、タスクの実施についての改善のエリアを示すフィードバックを与える。たとえば、メンバーが、タスクの実施のための最終的なコストに満足しないおよび／または実施の品質（たとえば、適時性、成果物の品質、サードパーティサービス１１６のプロフェッショナリズムなど）に関する何らかの入力を有する場合、メンバーは、代理１０６への１つまたは複数のメッセージ中でそのように示し得る。いくつかの例では、タスク容易化サービスは、提案オプションのためのタスク容易化サービス１０２によって与えられる推奨、サードパーティサービス１１６もしくは他のサービス／エンティティ、および／または同様のタスクの完了のために実施され得るプロセスを改善するためにメンバーによって与えられたフィードバックを処理するために機械学習アルゴリズムまたは人工知能を使用する。たとえば、メンバーが特定のタスクについてサードパーティサービス１１６または他のサービス／エンティティによって与えられた結果に満足していないことをタスク容易化サービス１０２が検出する場合、タスク容易化サービス１０２は、サードパーティサービス１１６または他のサービス／エンティティが同様のタスクのためにおよび同様の状況にあるメンバーに推奨される可能性を低減するために機械学習アルゴリズムまたは人工知能をさらにトレーニングするためにこのフィードバックを利用し得る。別の例として、メンバーが特定のタスクのために代理１０６によって与えられた結果に喜んでいることをタスク容易化サービス１０２が検出する場合、タスク容易化サービス１０２は、同様のタスクのためにおよび／または同様の状況にあるメンバーのために代理によって実施される動作を補強するために機械学習アルゴリズムまたは人工知能をさらにトレーニングするためにこのフィードバックを利用し得る。

【0131】

[0141]図３は、本開示の態様による、タスク推奨システムがメンバーのために実施されることになるタスクの推奨を生成し、ランク付けする環境３００の例示的な例を示す。環境３００では、メンバー１１８および／または代理１０６は、メンバー１１８のために実施され得る新しいタスクまたはプロジェクトを生成するためにタスク推奨システム１１２のタスク作成サブシステム３０２と対話する。タスク作成サブシステム３０２は、コンピュータシステムを使用して、またはタスク推奨システム１１２のコンピュータシステム上に実装されたアプリケーションもしくは他の実行可能コードとして実装され得る。

【0132】

[0142]いくつかの例では、メンバー１１８は、タスク容易化サービスによって実装されるオンボーディングプロセスの部分として１つまたは複数のタスクの作成を要求するためにタスク作成サブシステム３０２にアクセスすることができる。たとえば、オンボーディングプロセス中に、メンバー１１８は、メンバー１１８が代理１０６に場合によっては委任することを望む１つまたは複数のタスクに関係する情報を与えることができる。タスク作成サブシステム３０２は、タスクの実施のためにメンバー１１８が代理１０６に委任することを望むタスクに関係するパラメータを識別するためにこの情報を利用し得る。たとえば、これらのタスクに関係するパラメータは、これらのタスクの性質（たとえば、雨樋の清掃、一酸化炭素検出器の設置、パーティのプランニングなど）、これらのタスクの完了のための緊急度のレベル（たとえば、タイミング要件、最終期限、今度のイベントに対応する日付など）、これらのタスクの完了のためのあらゆるメンバー選好などを指定し得る。タスク作成サブシステム３０２は、オンボーディングプロセス中にメンバー１１８に割り当てられると代理１０６に提示され得るタスクを自動的に作成するためにこれらのパラメータを利用し得る。

【0133】

[0143]メンバー１１８は、オンボーディングプロセスの完了後の任意の時間に新しいタスクまたはプロジェクトを生成するためにタスク作成サブシステム３０２にさらにアクセスし得る。たとえば、タスク容易化サービスは、タスク容易化サービスのアプリケーションまたはウェブポータルを介して、メンバー１１８が新しいタスクまたはプロジェクトを手動で生成し得るウィジェットまたは他のユーザインターフェース要素を与え得る。いくつかの例では、タスク作成サブシステム３０２は、新しいタスクまたはプロジェクトを生成するためにメンバー１１８によって使用され得る様々なタスクテンプレートを与える。タスク作成サブシステム３０２は、タスクデータストア１１０中に、異なるタスクタイプまたはカテゴリのためのタスクテンプレートを維持し得る。各タスクテンプレートは、タスクを定義するための異なるデータフィールドを含み得、それによって、異なるタスクフィールドは、定義されているタスクのためのタスクタイプまたはカテゴリに対応し得る。メンバー１１８は、処理のためにタスク作成サブシステム３０２または代理１０６に提出され得るタスクを定義するためにこれらの異なるタスクフィールドを介してタスク情報を与え得る。タスクデータストア１１０は、いくつかの例では、リソースライブラリに関連付けられ得る。このリソースライブラリは、新しいタスクの作成のために様々なタスクテンプレートを維持し得る。

【0134】

[0144]タスクテンプレートは、特定のタスクカテゴリに関連付けられ得る。特定のタスクテンプレート内の複数のタスク定義フィールドは、タスクテンプレートに割り当てられたタスクカテゴリに関連付けられ得る。たとえば、車両保守タスクに対応するタスク定義フィールドは、メンバーの車両の型およびモデル、車両の使用年数、最後に車両を保守した時に対応する情報、車両に関連するあらゆる報告された事故、車両に関連するあらゆる問題の説明などを定義するために使用され得る。いくつかの例では、特定のタスクテンプレートにアクセスするメンバーは、メンバーがタスクを定義し、完了する際に有用であり得る追加情報を供給し得るタスクテンプレートのためのカスタムフィールドをさらに定義し得る。これらのカスタムフィールドは、タスクテンプレートに追加され得、したがって、メンバーおよび／または代理が同様のタスクを作成するために将来タスクテンプレートを取得する場合、これらのカスタムフィールドが、メンバーおよび／または代理に利用可能であり得る。

【0135】

[0145]いくつかの例では、新しいタスクを手動で定義するためにメンバー１１８によって使用されるタスクテンプレート中に提示されるデータフィールドは、人工知能の機械学習アルゴリズムを使用して生成された決定に基づいて選択され得る。たとえば、タスク作成サブシステム３０２は、機械学習アルゴリズムまたは人工知能への入力として、新しいタスクまたはプロジェクトの定義のためにメンバー１１８に提示されるときにどのデータフィールドがタスクテンプレートから省略され得るのかを識別するためにユーザデータストア１０８からのメンバープロファイルとタスクデータストア１１０からの選択されたタスクテンプレートとを使用することができる。たとえば、メンバー１１８が、代理１０６に保守タスクを委任することが知られており、予算の検討に無関心である場合、タスク作成サブシステム３０２は、メンバー１１８に、具体的に、タスクの完了のために命令を定義し得るあらゆる予算関連のデータフィールドおよび他のデータフィールドを省略するタスクテンプレートを提示し得る。いくつかの例では、タスク作成サブシステム３０２により、メンバー１１８は、タスクテンプレートのためのデータフィールドを追加、除去、および／または修正することが可能になり得る。たとえば、タスク作成サブシステム３０２が、メンバープロファイルの評価に基づいてタスクのための予算に対応するデータフィールドを除去する場合、メンバー１１８は、メンバー１１８がタスクのための予算を定義することを可能にするためにタスクテンプレートにデータフィールドを追加させることを要求し得る。タスク作成サブシステム３０２は、いくつかの例では、メンバー１１８が新しいタスクを定義するためにタスクテンプレートにいかなる修正も行う必要なしにメンバー１１８にタスクテンプレートを与える可能性を改善するために機械学習アルゴリズムまたは人工知能を再トレーニングするためにタスクテンプレートにこのメンバー変更を利用し得る。

【0136】

[0146]いくつかの例では、メンバーが体験に関連するタスクの作成のために特定のタスクテンプレートを選択する場合、タスク作成サブシステム４０２は、選択されたタスクテンプレートをポピュレートするために使用され得るメンバープロファイルの部分を自動的に識別することができる。たとえば、メンバーがレストランに出かけた晩に対応するタスクテンプレートを選択する場合、タスク作成サブシステム４０２は、メンバーによって選択されるタスクテンプレート内の１つまたは複数のフィールドをポピュレートするために使用され得るメンバーの食事の選好および制限に対応するあらゆる情報を識別するためにメンバープロファイルを自動的に処理し得る。メンバーは、これらのデータフィールドが正確にポピュレートされたことを保証するためにこれらの自動的にポピュレートされたデータフィールドを検討し得る。メンバーが、自動的にポピュレートされたデータフィールド内の情報に何らかの変更を行う場合、タスク作成サブシステム４０２は、これらの変更を組み込むためにメンバープロファイルを自動的に更新するためにこれらの変更を使用し得る。

【0137】

[0147]いくつかの例では、タスク作成サブシステム３０２により、代理１０６が、メンバー１１８に代わって新しいタスクまたはプロジェクトを作成することもまた可能になり得る。代理１０６は、タスク作成サブシステム３０２に、定義されているタスクのためのタスクタイプまたはカテゴリに対応するタスクテンプレートを要求し得る。代理１０６は、タスクテンプレートを介して、（たとえば、代理１０６、メンバー１１８などへの）タスクの割当てを含む新しいタスクまたはプロジェクトに関連する様々なパラメータを定義し得る。いくつかの例では、タスク作成サブシステム３０２は、どのデータフィールドが新しいタスクまたはプロジェクトの作成のために代理１０６へのタスクテンプレート中に提示されることになるのかを識別するために機械学習アルゴリズムまたは人工知能を使用し得る。たとえば、タスクまたはプロジェクトのメンバー作成に関係する上記で説明されたプロセスと同様に、タスク作成サブシステム３０２は、機械学習アルゴリズムまたは人工知能への入力として、ユーザデータストア１０８からのメンバープロファイルとタスクデータストア１１０からの選択されたタスクテンプレートとを使用し得る。しかしながら、どのデータフィールドがタスクテンプレートから省略され得るのかを識別するのではなく、タスク作成サブシステム３０２は、タスク容易化サービスによって与えられたアプリケーションまたはウェブポータルを介してメンバー１１８に提示されるときどのデータフィールドがタスクから省略され得るのかを示し得る。したがって、代理１０６は、すべての情報がメンバー１１８に提示されるのかどうかにかかわらず新しいタスクまたはプロジェクトのためのすべての必要な情報を与える必要があり得る。

【0138】

[0148]タスク作成サブシステム４０２は、選択されたタスクテンプレートのフィールドをポピュレートするために使用され得るメンバープロファイルの部分を自動的に識別し得る。代理１０６は、これらのデータフィールドが正確にポピュレートされたことを保証するためにこれらの自動的にポピュレートされたデータフィールドを検討し得る。代理１０６が、（メンバー１１８についての代理の個人的知識などに基づいて）自動的にポピュレートされたデータフィールド内の情報に何らかの変更を行う場合、タスク作成サブシステム４０２は、これらの変更を組み込むためにメンバープロファイルを自動的に更新するためにこれらの変更を使用し得る。いくつかの例では、代理１０６によってタスクテンプレートに行われた変更の結果としてメンバープロファイルに変更が行われることになる場合、タスク作成サブシステム４０２は、メンバープロファイルへの提案された変更が正確であることを検証するようにメンバー１１８を促し得る。メンバー１１８は、提案された変更が不正確であることを示すか、またはメンバー１１８が代替の変更を与える場合、タスク作成サブシステム４０２は、メンバー１１８によって示された正確な情報を反映するためにタスクテンプレート中の対応するデータフィールドとメンバープロファイルとを自動的に更新し得る。

【0139】

[0149]いくつかの例では、タスク作成サブシステム３０２は、自動的にリアルタイムで、メンバー１１８に推奨され得るタスクを識別するためにメンバー１１８と代理１０６との間で交換されるメッセージを監視することができる。たとえば、タスク作成サブシステム３０２は、メンバー１１８に推奨され得る可能なタスクを識別するためにメンバー１１８からの受信されたメッセージまたは他の通信を評価するために自然言語処理（ＮＬＰ）または他の人工知能を利用し得る。たとえば、タスク作成サブシステム３０２は、メンバー１１８が解決することを望む新しいタスクまたは他の問題を検出するためにＮＬＰまたは他の人工知能を使用してメンバー１１８からのあらゆる着信メッセージを処理し得る。いくつかの例では、タスク作成サブシステム３０２は、可能なタスクを識別するためにＮＬＰまたは他の人工知能をトレーニングするためにタスクデータストア１１０からの履歴タスクデータとタスクデータストア１１０からの対応するメッセージとを利用し得る。タスク作成サブシステム３０２がメンバー１１８に推奨され得る１つまたは複数の可能なタスクを識別する場合、タスク作成サブシステム３０２は、代理１０６にこれらの可能なタスクを提示し得、代理１０６は、チャットセッションを介してメンバー１１８と共有され得るタスクを選択し得る。

【0140】

[0150]いくつかの例では、タスク作成サブシステム３０２は、完了のためにメンバー１１８に推奨され得る潜在的なタスクを識別するために画像、オーディオ、ビデオ、自然言語コミュニケーション、センサデータなどを処理するためにコンピュータビジョンまたは他の人工知能を利用することができる。たとえば、（たとえば、メンバー１１８に関連する）自宅の画像またはビデオが、メンバー１１８のために完了され得る潜在的なタスクを識別するために処理され得る。これらの画像またはビデオは、メンバーの自宅内の問題を検出し、これらの問題に対処するために実施され得る可能なタスクを識別するためにリアルタイムにタスク作成サブシステム３０２によって処理され得る。さらに、デジタル画像またはビデオが特定の問題に関連され得るが、タスク作成サブシステム３０２は、タスクが推奨され得る追加のおよび／または代替の問題を識別するためにデジタル画像またはビデオをさらに処理し得る。したがって、タスク作成サブシステム３０２は、コンピュータビジョンまたは他の人工知能を使用して、メンバー１１８が気づいていないことがある可能な問題を検出し得る。

【0141】

[0151]タスク推奨システム１１２は、メンバー１１８または代理１０６による完了のためにメンバー１１８に推奨され得るタスクを含むメンバー１１８のタスクのセットをランク付けするように構成され得るタスクランク付けサブシステム３０６をさらに含み得る。タスクランク付けサブシステム３０６は、コンピュータシステムを使用して、またはタスク推奨システム１１２のコンピュータシステム上に実装されたアプリケーションもしくは他の実行可能コードとして実装され得る。いくつかの例では、タスクランク付けサブシステム３０６は、メンバー１１８が、タスク容易化サービスに関連するサードパーティサービスおよび／または他のサービス／エンティティの実施およびそれらとの調整のための代理への委任のためのタスクを選択する可能性に基づいてタスクのセットのリストをランク付けすることができる。代替的に、タスクランク付けサブシステム３０６は、各タスクの完了のための緊急度のレベルに基づいてタスクのセットのリストをランク付けし得る。緊急度のレベルは、ユーザデータストア１０８からのメンバー特性（たとえば、いくつかのタスクまたはタスクのカテゴリのメンバーの自身の優先度付けに対応するデータ）および／またはタスクが実施されない場合のメンバー１１８への潜在的なリスクに基づいて決定され得る。

【0142】

[0152]いくつかの例では、タスクランク付けサブシステム３０６は、タスク選択サブシステム３０４にメンバー１１８に推奨され得るタスクのセットのランク済みリストを与える。タスク選択サブシステム３０４は、コンピュータシステムを使用して、またはタスク推奨システム１１２のコンピュータシステム上に実装されたアプリケーションもしくは他の実行可能コードとして実装され得る。タスク選択サブシステム３０４は、タスクのセットのランク済みリストから、どのタスクが代理１０６によってメンバー１１８に推奨され得るのかを選択するように構成され得る。たとえば、タスク容易化サービスによって与えられたアプリケーションまたはウェブポータルが、メンバー１１８に、タスクのセットのランク済みリストから限られた数のタスク推奨を提示するように構成される場合、タスク選択サブシステム３０４は、どのタスク推奨がメンバー１１８に提示されなければならないのかを決定するためにランク済みリストとユーザデータストア１０８からのメンバープロファイルとを処理し得る。いくつかの例では、タスク選択サブシステム３０４によって行われる選択は、リスト中のタスクのセットのランキングに対応し得る。代替的に、タスク選択サブシステム３０４は、どのタスクがメンバー１１８に推奨され得るのかを決定するためにタスクのセットのランク済みリストならびにメンバーのプロファイルおよびメンバーの既存のタスク（たとえば、進行中のタスク、メンバー１１８によって受け入れられたタスクなど）を処理し得る。たとえば、タスクのセットのランク済みリストが雨樋の清掃に対応するタスクを含むが、メンバー１１８が最近の嵐により雨樋の修理に対応する進行中のタスクをすでに有する場合、これは、雨樋の修理と併せて実施され得るので、タスク選択サブシステム３０４は、雨樋の清掃に対応するタスクの選択を控え得る。したがって、タスク選択サブシステム３０４は、メンバー１１８への提示のためにタスクのセットのランク済みリストをさらに改良するために別のレイヤを与え得る。

【0143】

[0153]タスク選択サブシステム３０４は、代理１０６に、メンバー１１８に推奨され得るタスクの新しいリストを与え得る。代理１０６は、タスク容易化サービスによって与えられるアプリケーションまたはウェブポータルを介してどのタスクがメンバー１１８に提示され得るのかを決定するためにタスクのこの新しいリストを検討し得る。たとえば、代理１０６は、タスク選択サブシステム３０４によって推奨されるタスクのセットを検討し、これらの１つまたは複数のタスクに対応する個々のインターフェースを介してメンバー１１８への提示のためにこれらのタスクのうちの１つまたは複数を選択し得る。さらに、上記で説明されたように、代理１０６は、（たとえば、タスクの実施のために代理１０６に委ねるためにメンバーの選好を示すためにボタンまたは他のＧＵＩ要素を用いて）タスクの実施のために代理１０６に委ねるオプションをタスクが提示されることになるのかどうかを決定し得る。いくつかの例では、１つまたは複数のタスクは、タスクランク付けサブシステム３０６によって生成され、タスク選択サブシステム３０４によって改良されたランキングに従ってメンバー１１８に提示され得る。代替的に、１つまたは複数のタスクは、タスクの優先度付けのためのメンバー自体の選好についての代理の理解に従って提示され得る。メンバー１１８に推奨される１つまたは複数のタスクに対応するインターフェースを通して、メンバー１１８は、代理１０６の支援を受けて実施され得る１つまたは複数のタスクを選択し得る。メンバー１１８は、代替的に、メンバー１１８が個人的に実施したいあるいはメンバー１１８が実施されたくない任意の提示されたタスクを却下することができる。

【0144】

[0154]いくつかの例では、タスク選択サブシステム３０４は、実施のための代理１０６への委任のためのタスクのメンバー選択に関するデータを収集するためにメンバー１１８と代理１０６との間の任意の対応するチャットまたは他の通信セッションを含む推奨されるタスクに対応する異なるインターフェースを監視する。たとえば、タスク選択サブシステム３０４は、各タスクに対応する極性または感情を決定するために推奨されるタスクに対応する異なるインターフェースを介して代理１０６によってメンバー１１８に提示されるタスクに対応するメッセージを処理し得る。たとえば、メンバー１１８が、特定のタスクに関連する通信セッションを通して送信される代理１０６へのメッセージ中で、車両保守に対応するあらゆるタスク推奨を受信しないことを選好することを示す場合、タスク選択サブシステム３０４は、否定極性または感情を車両保守に対応するタスクのせいにし得る。代替的に、メンバー１１８が、（メンバー１１８に提示される雨樋の清掃タスクに関連する通信セッションを通すなどして）代理１０６への委任のために雨樋の清掃に関係するタスクを選択するおよび／またはこのタスクの推奨が良いアイデアであったことを代理１０６へのメッセージ中で示す場合、タスク選択サブシステム３０４は、肯定極性または感情をこのタスクのせいにし得る。いくつかの例では、タスク選択サブシステム３０４は、タスク容易化サービスのメンバー１１８および他の同様の状況にあるメンバーに提示され得るタスク推奨を生成するためにタスクランク付けサブシステム３０６によって利用される機械学習アルゴリズムまたは人工知能をさらにトレーニングまたは補強するためにメンバー１１８に推奨されるタスクへのこれらの応答を使用することができる。さらに、タスク選択サブシステム３０４は、代理１０６によって推奨されたタスクからのタスクのメンバーの選択および／または代理１０６によって推奨されるタスクに関する感情に基づいてメンバーの選好および知られている行動特性を更新するためにメンバーのプロファイルまたはモデルを更新し得る。

【0145】

[0155]図４は、本開示の態様による、タスク容易化サービス内でメンバーとの通信を確立する際に使用するように構成された（本明細書ではレップモデルとも呼ばれる）代理モデルを生成する代理モデル化システム４００のブロック図を示す。代理モデル化システム４００は、代理モデルを生成し、管理するタスク容易化サービス１０２の構成要素であり得る。代理モデルは、複数のソースからキャプチャおよび／または導出された特定の代理１０６に対応する情報をカプセル化し得る。代替的に、代理モデルは、メンバーの共通セットに割り当てられた１つまたは複数の代理（または１つもしくは複数の共通の属性または相補型の属性を有する１つもしくは複数の代理）に対応する情報をカプセル化し得る。たとえば、代理のセットは、（たとえば、多対多の対応で）メンバーのセットに割り当てられ得る。代理モデル化システム４００は、個々の代理ではなく代理のセットに対応する代理モデルを生成し得る。代理モデル化システム４００は、限定はしないが、人口統計学的属性、割り当てられたメンバー、タスク容易化サービスとのサービスの長さ、（限定はしないが、物理特性、関心、趣味、メディアの選好などの）代理の特性などの代理のセットの属性に基づいて代理のセットのための代理モデルを生成し得る。

【0146】

[0156]タスク容易化は、（たとえば、タスク容易化サービスなどとの対話を通して）代理１０６から、代理１０６に割り当てられたまたは代理１０６と対話していたメンバーから（たとえば、代理との対話および／またはそれの実施に基づいてメンバーからのフィードバックから）、タスク容易化サービス１０２（たとえば、代理によって生成されたタスク推奨、代理のために生成された提案、代理１０６とタスク容易化サービスとの間の対話、代理１０６と他の代理との間の対話、メンバーと代理に関連する他のタスク容易化サービスとの間の対話など）などから受信された情報を記憶し得る。受信された情報は、代理、メンバー、予想されるメンバー、タスク容易化サービスなどに関連する情報を記憶するリソースライブラリ中に記憶され得る。代理１０６に関連するリソースライブラリの情報は、処理され（たとえば、情報から追加のデータおよび／またはデータタイプを導出し）、代理モデルを生成するために使用され得る。

【0147】

[0157]代理モデルは、記憶されている情報の１つまたは複数の特性に基づき得る構造化されたフォーマットでリソースライブラリからの代理に関連する情報の一部または全部を記憶し得る。たとえば、記憶されている各離散データポイントは、データポイントの間の関係に基づいて記憶されている１つまたは複数の他のデータポイントにリンクされ得る。リンクは、単方向であることも、全方向であることもある。代理モデルが情報について問い合わされるとき、要求されたデータポイントは、１次リンク、２次リンク、ｎ次リンクなどを介して接続されたデータ（たとえば、識別されたデータポイントに直接接続されているデータに接続されたデータ）とともに戻され得る。リンクされたデータは、識別されたデータのためのコンテキストを与えること、識別されたデータを詳細に示すこと、識別されたデータにさらなる詳細を与えることなどを行い得る。

【0148】

[0158]いくつかの例では、代理モデルは、リソースライブラリからの情報を使用して生成されると、後で使用するために記憶され得る。他の例では、情報は、代理またはメンバーに関連する機密情報が漏洩されることを防げるためにリソースライブラリによって維持され得る。それらの例では、代理モデルは、代理モデル内に含まれることになる情報を記憶するリソースライブラリ内のメモリアドレスへのポインタを記憶し得る。代替的に、代理モデルは、代理モデルのデータポイントごとに、データアクセス要求を作成し得る。

【0149】

[0159]データアクセス要求は、アクセスされるべきデータポイントを識別すること、データポイントにアクセスを要求するシステムまたはユーザの証明を識別すること、データポイントの目的または意図された使用を識別すること、それらの組合せなどを行うリソースライブラリへの実行可能な呼出しであり得る。たとえば、データアクセス要求は、データポイントを取り出すこと、データポイントを提示することなどを行うために実行され得る（たとえば、アプリケーションプログラミングインターフェース、リモート手続き呼出し、別のインターフェースなどへの）関数呼出し、ユニフォームリソースロケータなどによって表され得る。データアクセス要求は、直接データへのアクセスを与えることなしに本明細書で説明される代理モデルの機能（たとえば、データへの不正アクセスを防げること、一部のデータのみが要求されるときにデータのすべてへのアクセスを防げること、データを区分すること、新しいデータの認証されていない記憶を防げること、データの認証されていない修正または削除を防げることなど）を与えるために連続して、平行して、階層などで実行され得る。いくつかの例では、リソースライブラリの一部のデータが（たとえば、低いセキュリティのデータなどの）代理モデルとともに記憶され得ること、一部のデータがリソースライブラリのメモリアドレスへのポインタとして記憶され得ること、一部のデータがデータアクセス要求として記憶され得ること、それらの組合せなどになるように、代理モデルは複数のタイプのセキュリティを含み得る。

【0150】

[0160]代理モデルは、限定はしないが、メンバーに代理１０６を割り当てること、タスクおよび／またはタスク推奨を生成すること、提案を生成すること、メンバーとの通信を構成すること、タスク容易化サービス１０２にアクセスするためにメンバーによって使用可能なアプリケーションを構成すること（たとえば、グラフィカルユーザインターフェース、通信インターフェース、アプリケーションプログラミングインターフェースなどを構成すること）、それらの組合せなどのタスク容易化サービス１０２の機能を容易にするために（代理１０６に関連する情報について問い合わされることに加えて）使用され得る。いくつかの例では、代理モデルは、関心、意図、選好、通信路、通信プロトコルなどのメンバーに関連する予測を生成するように構成された実行可能命令を含み得る。

【0151】

[0161]代理モデル化システム４００は、限定はしないが、１つまたは複数のユーザモデル４０４、リソースライブラリ、レップデータ４０８、（たとえば、代理１０６に関連する情報を記憶する）データベース、手動入力４１２（たとえば、代理１０６によって与えられた情報）などの１つまたは複数の情報ソースからの入力を受信することができる。ユーザモデル４０４は、代理１０６が割り当てられたメンバーに対応するユーザモデルを含み得る。代理１０６は、（たとえば、最初にタスク容易化サービスに登録するときは）０個のメンバーにまたはより多くのメンバーに割り当てられ得る。ユーザモデルは、割り当てられたメンバーのタスクを管理する上で代理１０６がどれくらい有効であり得るのかおよび代理１０６に関する割り当てられたメンバーの認識についての指示を与え得る。たとえば、ユーザモデルは、生成されたタスクの量および／または品質、（たとえば、タスク推奨がメンバーによって承認された頻度などに基づいて）生成されたタスク推奨の量および／または品質、（たとえば、メンバーが提案に変更を加えた、提案を承認したなどの頻度に基づいて）提案の量および／または品質、メンバーとの対話の量および／または品質、メンバーとの対話のタイプなどの指示を与え得る。ユーザモデルはまた、割り当てられたメンバーによって与えられたフィードバック（たとえば、代理１０６のメンバーの認識、代理１０６がメンバーにあらかじめ決定された品質のサービスおよび／または機能を与えているというメンバーの認識、代理１０６が対話するのが容易であるかまたは困難であるというメンバーの認識、代理１０６がメンバーによって要求および／または必要とされたときに利用可能であるというメンバーの認識など）に関する指示を与え得る。

【0152】

[0162]レップデータ４０８は、代理がタスク容易化サービス１０２に登録してから受信および／または生成された代理に関連するあらゆる情報を含み得る。いくつかの例では、レップデータ４０８は、リソースライブラリのデータベース、データ構造、または構成要素であり得る。タスク容易化サービス１０２に（「オンボーディングする」などとも呼ばれる）登録することは、代理に関連する情報を要求する代理に関連するデバイスにクエリのセットを送信することを含むことができる。要求された情報は、人口統計情報、（たとえば、タスク容易化サービスにアクセスすること、タスク推奨および／または提案の生成を容易にすること、メンバーとの通信を容易にすることなどために使用され得る）デバイスの識別情報、代理によって生成された過去のタスクおよび／または提案の識別情報、代理であることの資格の識別情報、人格検査（たとえば、マイヤーズ－ブリッグスなど）の結果の識別情報、代理の関心および／または趣味、代理の（たとえば、音楽、映画などの）メディアの選好などを含むことができる。この情報は、処理され得、そのバージョンが、レップデータ４０８中に記憶され得る。レップデータ４０８はまた、代理がタスク容易化サービス１０２に登録した後に代理によって生成された過去のタスク、タスク推奨、および／または提案の識別情報、他の代理、割り当てられたメンバー、タスク容易化サービス１０２などによって与えられたフィードバック、割り当てられたメンバーとの対話に関連する情報、タスク容易化サービス１０２との対話に関連する情報などを含み得る。より長く代理１０６がタスク容易化サービスに登録されると、代理１０６に関連するより多くの情報がレップデータ４０８中に記憶され得る。

【0153】

[0163]手動入力３０４は、メンバーおよび／または代理モデル化システム４００に代理１０６によって与えられた情報を含み得る。情報は、テキスト、オーディオ、および／またはビデオを介して与えられ得る。いくつかの例では、テキスト、オーディオ、および／またはビデオは、（図６に関してさらに説明されるように）自然言語プロセッサによって処理され得る。自然言語プロセッサは、任意の特定の形態またはフォーマットで自然言語入力を処理するように構成された１つまたは複数の機械学習モデルを含み得る。たとえば、１つのそのような機械学習モデルは、オーディオを等価なテキストに変換するためにトレーニングされ得る。別のそのような機械学習モデルは、前に説明された機械学習モデルを用いてまたはビデオ内のジェスチャおよび／もしくは手話を識別することによってオーディオチャネルを処理することによってビデオを等価なテキストに変換するためにトレーニングされ得る。別のそのような機械学習モデルは、（たとえば、元は入力だったおよび／または前に説明された機械学習モデルのうちの１つまたは複数からの出力だった）テキストを使用して実行し得る。この機械学習モデルは、テキストの意味論的意味を識別し、テキスト中の１つまたは複数の意図を分類し、テキスト中の１つまたは複数の関心を分類し、テキスト中の１つまたは複数の選好を分類し、テキスト中の１つまたは複数のタスクを分類し、および／または代理モデル化システム４００によって使用可能であり得る任意の他の情報を識別し得る。代替的に、１つまたは複数の機械学習モデルは、手動入力４１２をパースし、機械学習モデルによって出力されるものとして前に説明された出力を生成し得る１つまたは複数の代理（たとえば、代理１０６以外の代理、代理１０６など）によって補足され、および／または置き換えられ得る。手動入力４１２は、代理１０６によって与えられる情報ならびに代理１０６の環境を識別する情報を識別するために処理され得る。

【0154】

[0164]代理モデル化システム４００は、代理１０６が代理モデル化システム４００、タスク容易化サービス１０２、他の代理、メンバーなどと対話し得る（たとえば、グラフィカルユーザインターフェース、アプリケーションプログラミングインターフェース、通信インターフェースなどの）インターフェースを与え得る。代理１０６は、代理１０６がタスク容易化サービス１０２にアクセスしようとするデバイスおよび／またはアプリケーションを識別し得る。代理モデル化システム４００は、次いで、そのようなアクセスを使用可能にするためにインターフェースを識別し得る。インターフェースが利用可能でない場合、代理モデル化システム４００は、デバイスおよび／またはアプリケーションの仕様を使用し、そのようなアクセス１０２を使用可能にするために１つまたは複数のインターフェースを生成し得る。インターフェースは、代理１０６が、タスク容易化サービス１０２にアクセスすること、タスク容易化サービス１０２と通信および／または対話すること、代理および／またはメンバーと通信および／または対話することなどを可能にし得る。代理１０６とタスク容易化サービス１０２、メンバー、他の代理、代理モデル化システム４００、タスク容易化サービス１０２の他のシステムなどのいずれかとの間の通信および／または対話は、（たとえば、英数字テキストなどを介した）テキスト、オーディオ、ビデオ、（たとえば、プログラミング言語コード、アセンブリコード、機械コード、バイトコードなどを介した）プログラミング命令を含み得る。

【0155】

[0165]ユーザモデル４０４、レップデータ４０８、手動入力４１２などから取得されたデータは、レップデータベース４１２中に記憶され得る。データベースは、非構造化または構造化データとしてデータを記憶し得る。構造化データの場合、データは、代理モデル化システム４００、タスク容易化サービス１０２、代理１０６によって選択されたまたはデフォルトの分類法として選択されたあらかじめ決定された分類法に従って編成され得る。デフォルトの分類法は、データが最初に第１の分類法に従って編成され、次いで、第１の分類法の各カテゴリ内のデータが第２の分類法に従って編成されるなどのような分類の階層に従って受信されたデータを編成し得る。たとえば、データは、データが、情報ソースによって編成され、各情報ソースのデータが、時間によって（たとえば、データが生成、受信などされたタイムスタンプに従って）編成され得るように、第１の分類法として情報ソースに従って編成され、第２の分類法として時間に従って編成され得る。

【0156】

[0166]代理１０６がタスク容易化サービス１０２に最初に登録するとき、代理に関してほとんど知られていないことがある（たとえば、少量のデータがレップデータ４０８とレップデータベース４１６との中に記憶されていることがある）。基本情報は、代理１０６によって与えられ、レップデータベース４１６中に記憶され得るが、レップデータベース４１６中に記憶された情報の量は、代理モデルを生成するおよび／または代理モデルの機能を使用可能にするには小さすぎることがある。代理モデル化システム４００は、他の代理に対応するデータを追加すること、トレーニングデータ４３２データベースからのデータをトレーニングすること、および／または代理１０６に対応する代理データを手続的に生成することによってレップデータベース４１６によって記憶されたデータを増強し得る。代理１０６がタスク容易化サービス１０２と対話するとき（たとえば、追加情報を与えること、割り当てられたおよび／または割り当てられていないメンバーと対話すること、他の代理と対話すること、タスク推奨を生成すること、提案を生成すること、タスク容易化サービス１０２と対話することなど）、さらなる情報が代理１０６に関して知られることあり、代理１０６に対応するレップデータベース４１６中に記憶された情報の量が増加し得る。したがって、レップデータベース４１６の増強された部分が徐々に除去され得る。たとえば、レップデータベース４１６は、あらかじめ決定された量のデータを含み得る。最初に、そのデータの小さい部分が代理１０６に対応し得る。残りのデータは、前に説明されたように、代理１０６と同様の１つまたは複数の他の代理、トレーニングデータ４３２、手続的に生成されたデータから導出され得る。レップデータベース４１６が代理１０６に関連するデータを受信するたびに、新しいデータは、レップデータベース４１６中に記憶され得、代理１０６に対応しないほぼ等しい量（および／または同じタイプ）のデータが除去され得る。言い換えれば、ユーザデータ４１２データベースは、ほぼ同じ量のデータを維持し得る。代理１０６に関連するデータが受信されるとき、代理１０６に対応しないデータ（たとえば、手続的に生成された他の代理に対応するデータ、トレーニングデータ４３２など）の増強された部分は、レップデータベース４１６中に記憶されたデータの量を変更させる（または実質的に変更させる）ことなしに削除され得る。

【0157】

[0167]機械学習モデル４３６は、レップデータベース４１６から代理モデルを生成するためにトレーニングされた１つまたは複数の機械学習モデルを含み得る。機械学習モデル４３６は、トレーニングデータ４３２を使用した教師つきおよび／または教師なしトレーニングを介してトレーニングされ得る。トレーニングデータ４３２は、代理１０６からのデータ、他の代理からのデータ、手動で生成されたデータ（および／または標示）、手続的に生成されたデータ、タスク容易化サービス１０２によって生成された過去のタスク、タスク容易化サービス１０２によって生成された過去の提案などを含み得る。他の代理は、代理１０６と同様である代理であり得、そのようなものは、同様のデータを有する可能性があるか、または代理モデル化システムが複製を意図する１つまたは複数のメトリック（たとえば、代理が、割り当てられたメンバー、割り当てられたメンバーに与えられたサービスの品質、対話の品質などに対する良好なマッチングである程度を示すメトリック）を有するタスク容易化サービス１０２に前に登録した任意の代理であり得る。代理モデル化システム４００は、代理１０６、代理１０６と同様である他の代理の他の特性、１つまたは複数の他のメトリック、それらの組合せなどと同様である人口統計情報（たとえば、同様の年齢、性別、地理的ロケーション、配偶者の有無など）に基づいて他の代理を識別し得る。

【0158】

[0168]他の代理からのデータは、他の代理、他の代理のために生成された代理モデル、他のメンバーのために実施された過去のタスク、他のメンバーのために生成された過去の提案などに対応するレップデータベース４１６を含み得る。たとえば、トレーニングデータプロセッサ４２０は、他の代理、タスク容易化サービスによって実施された過去のタスク４２４の識別情報、タスク容易化サービスによって生成された過去の提案４２８の識別情報、トレーニングデータ４３２などからユーザデータ４１２を受信し得る。トレーニングデータプロセッサ４２０は、入力データから特徴を識別する。特徴は、代理、タスク、提案などの個々のプロパティまたは特性に対応し得る。トレーニングデータプロセッサ４２０は、代理モデルを生成するために機械学習モデル４３６をトレーニングするために使用可能であり得る特徴を識別し得る。

【0159】

[0169]ある事例では、トレーニングデータプロセッサ４２０は、欠落したデータ（たとえば、空のまたは欠落したフィールド、壊れたデータなど）のための特徴を生成し、および／または（たとえば、特徴抽出などと同様に）他の特徴から特徴を導出し得る。いくつかの例では、トレーニングデータプロセッサ４２０は、トレーニングに有用であり得る特徴（たとえば、正確な機械学習モデルをトレーニングすることが知られている特徴など）のみを識別することによって入力データをフィルタ処理し得る。代理モデル化システム４００がより多くのメンバーのための代理モデルを生成すると、代理モデル化システム４００は、（たとえば、代理モデル、トレーニングされた機械学習モデル４２６の生成物製品などの評価を通して）機械学習モデル４３６の精度を改善する可能性がある特徴を識別し得る。代理モデル化システム４００は、特徴のセットの識別情報を記憶し、特徴のセット中に含めるか、またはそれから除外するために特徴のセットと新しい特徴とを連続的に評価し得る。

【0160】

[0170]識別された特徴は、機械学習モデル４３６をトレーニングするために使用され得る。識別された特徴はまた、他の機械学習モデルをトレーニングするおよび／または機械学習モデル４３６を再トレーニングする際に使用するために（トレーニングデータセットとして）トレーニングデータ４３２中に記憶され得る。いくつかの例では、機械学習モデル４３６は、教師つき学習を使用してトレーニングされ得る。それらの例では、トレーニングデータプロセッサは、機械学習モデル４３６をトレーニングするために使用される特徴のための標示として特徴が導出された他の代理のために生成された代理モデルを使用し得る。他の例では、機械学習モデルは、教師なしトレーニングを使用してトレーニングされ得る。それらの例では、特徴は、複数のデータセットに分割され、複数の反復にわたって機械学習モデル４３６を徐々にトレーニングするために使用され得る。各反復中に、機械学習モデル４３６は、（機械学習モデルのアルゴリズムに基づいておよび）現在入力されているデータセットと前のデータセットとに基づいて内部重みを改良し得る。トレーニング中の機械学習モデル４３６の出力は、教師なしトレーニングをさらに改善するためにランク付けされるか、または採点され得る。スコアリングは、所与の入力されたデータセットが前のデータセットよりも高いスコアもしくはランクまたはそれよりも低いスコアもしくはランクをもつ出力を生じたのかどうかを機械学習モデル４３６に示し得る。機械学習モデル４３６は、次いで、後続のデータセットより高いスコアまたはランクを有しさせようと試みるために内部重みを改良し得る。

【0161】

[0171]代理モデル化システム４００の動作中に、機械学習モデル４３６は、強化学習を使用してさらにトレーニングされ得る。強化学習は、機械学習モデル４３６の後続の実行を改善するためにトレーニングされた機械学習モデル４３６の実行からのフィードバックを使用する段階的なトレーニングステップであり得る。代理モデル化システム４００は、代理モデルが代理情報を正確にカプセル化するのかどうかを示す入力をメンバーおよび／または代理１０６から受信し得る。生成された代理モデルとメンバーおよび／または代理１０６からの入力とは、機械学習モデル４３６を周期的にトレーニングするために（たとえば、正式なトレーニングフェーズが終了した後に機械学習モデルをトレーニングするために）機械学習モデル４３６によって処理され得る。いくつかの例では、タスク容易化プロセス１０２の他のプロセス、代理モデル化システム４００の他のプロセス、および／または他の代理は、代理１０６のための代理モデルを生成するために前に説明された動作のいずれかによってトレーニングされ得る。

【0162】

[0172]機械学習モデル４３６は、代理モデル４４０のデータベースに生成された代理モデルを出力し得、これは、（たとえば、リソースライブラリなどの）タスク容易化サービス１０２のメモリ中に記憶され得る。代理モデル４４０のデータベースは、代理１０６および／または他の代理の代理モデルを記憶し得る。いくつかの例では、代理モデル４４０は、各代理のための複数の代理モデルを記憶し得る。たとえば、機械学習モデル４３６は、代理モデル４４０に代理に関連する最も最近取得されたデータに対応する代理モデルを含ませるためにあらかじめ決定された時間間隔中に新しい代理モデルを生成し得る。いくつかの例では、他のイベントは、限定はしないが、レップデータベース４１６中であらかじめ決定された量の新しいデータが受信されるとき、あらかじめ決定された量のタスクおよび／または提案が代理１０６によって生成されているとき、機械学習モデルが再トレーニングされたことおよび／または機械学習モデル４３６に関連する精度メトリックがしきい値量だけ改善していたことに基づいて、代理モデルが損なわれた場合／とき、代理モデルが不正確になった場合／とき、それらの組合せなどに新しい代理モデルの生成をトリガし得る。

【0163】

[0173]代理モデルは、代理モデル化システム４００および／またはタスク容易化サービス１０２が代理１０６のために最も最近生成された代理モデルを識別することを可能にするためにバージョン識別子および／またはタイムスタンプに関連付けられ得る。バージョン識別子および／またはタイムスタンプはまた、代理モデルが壊れた、実施不可能になった、古くなった、不正確な予測を生成するなどの場合に前のバージョンに代理モデルをロールバックするために使用され得る。その例では、機械学習モデル４３６が新しい代理モデルを生成するまで前のバージョンの代理モデルは使用され得、その時点において、新しい代理モデルが前の代理モデルの代わりに使用され得る。いくつかの例では、特定のメンバーに関連する新情報が受信されるときに新しい代理モデルを生成するのではなく、機械学習モデル４３６は、既存の代理モデルを修正し得る。それらの例では、代理モデルは、依然として、代理モデルデータが壊れた、実施不可能になった、古くなった、不正確な予測を生成するなどの場合／ときに置き換えられ得る。

【0164】

[0174]いくつかの例では、機械学習モデル４３６は、更新されたトレーニングデータ４３２を使用して再トレーニングされ得る。最初の代理モデルが他の代理に関連するデータ、手動でおよび／または手続的に生成されたデータなどを使用して生成され得るので、最初の代理モデルは、代理１０６を正確に反映しないことがある。代理モデル化システム４００の動作中に、代理１０６に対応する新情報が受信され得る。代理モデル化システム４００は、他の代理に対応するレップデータベース４１６の部分、手動でまたは手続的に生成されたデータなどを代理１０６に対応する新しいデータと徐々に置き換え得る。たとえば、他の代理に関連した（および／または手動入力から生成されたおよび／または手続的に生成された）過去のタスク４２４は、除去され、代理１０６によって生成されたタスクと置き換えられ得る。機械学習モデル４３６は、次いで、更新されたトレーニングデータ４３２を使用して再トレーニングされ得る。新たにトレーニングされた機械学習モデル４３６は、新しい代理モデルを生成するために使用され得る。代理モデル化システム４００は、代理１０６に対応するトレーニングデータ４３２の割合を示すメトリックを記憶し得る。（たとえば、あらかじめ決定され得る、メンバー入力、代理１０６の入力、タスク容易化サービス、代理モデル化システム４００によって決定され得るなどの）１つまたは複数のしきい値は、メトリックがしきい値をパスするたびに、機械学習モデル４３６が再トレーニングされ得、新しい代理モデルが代理１０６のために生成され得るように確立され得る。

【0165】

[0175]たとえば、１つまたは複数のしきい値は、５０％、７５％、９０％、および１００％に設定され得る。トレーニングデータ４３２の少なくとも５０％が代理１０６に対応することをメトリックが示すとき、機械学習モデル４３６が、再トレーニングされ得、新しい代理モデルが、代理１０６のために生成され得る。トレーニングデータ４３２の少なくとも７５%が代理１０６に対応することをメトリックが示すとき、機械学習モデル４３６が、再トレーニングされ得、新しい代理モデルが、代理１０６のために生成され得る。いくつかの例では、代理モデル化システム４００が、代理１０６に関連するデータを連続的に受信し、代理１０６に対応しないユーザデータ４１２、過去のタスク４２４、過去の提案４２８、トレーニングデータ４３２などの部分を代理１０６と対応する新たに受信されたデータと連続的に置き換え得るので、メトリックは、同じままにとどまるかまたは（たとえば、１００％の最大割合まで）増加し得る。

【0166】

[0176]機械学習モデル４３６によって生成された代理モデルは、データが、タスク容易化サービス１０６、代理１０６、および／または他の代理に（プログラム的におよび／または手動で）アクセス可能であり得るように編成されたレップデータベース４１６中に記憶されたデータの一部または全部を含み得る。たとえば、データは、（たとえば、自然言語探索文字列、論理演算子などを介して）探索され得る。いくつかの例では、代理モデルは、代理モデル内のデータ、代理モデル中に記憶されたデータの論理構造を示すメタデータ、外部デバイスおよび／またはユーザが代理モデルのデータにアクセスすることを可能にする１つまたは複数のインターフェース、代理１０６および／または代理１０６に割り当てられたメンバーとの通信を確立するためのインターフェース、それらの組合せなどにアクセスするための命令を含み得る。それらの例では、代理モデルの部分は、代理１０６、タスク容易化サービス１０２などによって実行され得る。たとえば、タスク容易化サービス１０２は、代理１０６に特定のメンバーを割り当てるために代理モデルに問い合わせ得る。代理モデルはまた、代理１０６に割り当てられた特定のメンバーに調整されたタスク、タスク推奨、および／または提案を生成するために使用され得る。たとえば、代理１０６は、新しいタスク推奨を生成するためにそのメンバーのために代理１０６が生成した前のタスク推奨を識別し得る。別の例では、代理１０６は、新しいメンバーのための提案を生成するためにメンバーのために生成された前の提案を識別し得る。代理モデルは、タスク容易化サービス１０２、代理１０６、および／または他の代理が、他のメンバーにカスタム調整されたサービスを与え、他の代理にトレーニングを与えるために代理１０６によって生成されたデータ（たとえば、知識、経験など）を適用することを可能にする。

【0167】

[0177]いくつかの例では、代理モデルは、代理１０６の機能に対応する予測を生成するためにトレーニングされた機械学習モデルであるか、またはそれを含み得る。それらの例では、代理モデルは、機械学習モデル４３６のトレーニングされたインスタンスであり得る。代替的に、代理モデルは、機械学習モデル４３６を使用しておよび／または機械学習モデル４３６の出力によってトレーニングされた機械学習モデルを含み得る。機械学習モデルは、単または多変量予測を生成するように構成された分類器であり得る。機械学習モデルは、メンバーの意図、メンバーの行動、メンバーの関心、メンバーの選好、通信路（たとえば、メンバーに到達可能である可能性がある選択されたデバイスへの経路）、通信プロトコルを予測すること、メンバーのための特定のタスクまたはタスクテンプレートを識別すること、（たとえば、選好などを含む）メンバーに関連する特性を識別および／または予測すること、メンバーのための提案を識別すること、タスク推奨を自動化すること、提案生成を自動化することなどを行うように構成され得る。たとえば、代理１０６は、修理タスクの識別情報を含む入力（たとえば、特徴のセット）を生成し得る。代理モデルは、代理によって選択可能な１つまたは複数の修理タスクの識別情報を出力し得る。いくつかの例では、１つまたは複数の修理タスクは、値が提案を生成するために与えられることになるフィールドの識別情報を含み得る。いくつかの例では、１つまたは複数の修理タスクは、デフォルト値または予測値（たとえば、割り当てられたメンバーが選択する可能性がある値）とすでに含まれている値とを含み得る。代理１０６は、メンバーへの提示のためにまたは提案を生成するために１つまたは複数のタスクのうちの１つまたは複数を選択し得る。たとえば、代理１０６は、特定の修理タスクを選択し、残りの欠落したフィールドに基づいて、メンバーから入力された値および／または要求を与え得る。代理は、次いで、メンバーへの提示のために選択された修理タスクに基づいて提案を生成し得る。

【0168】

[0178]代理モデルは、代理１０６に割り当てられたメンバーのためにカスタマイズされるタスクおよび／または提案を生成するために使用可能であり得る。いくつかの例では、代理モデルの機能の一部または全部は、代理１０６、タスク容易化サービス１０２、タスク容易化サービス１０２の他の代理、タスク容易化サービス１０２の他のプロセスなどによって与えられ得る。それらの例では、代理１０６および／または他の代理はまた、機械学習モデル４３６（ならびに同じくタスク生成器６２８および／または提案生成器８２４）の機能の一部または全部を与え得る。

【0169】

[0179]図５は、本開示の態様による、メンバーに代理を割り当てるマッチメイキングシステム５００のブロック図を示す。マッチメイキングシステム５００は、特定の代理（たとえば、代理１０６）に新しいメンバーを割り当てること、（たとえば、代理がタスク容易化サービス１０２に登録されていないときまたは代理が割り当てられたメンバーとマッチングしないとき）異なる代理にメンバーを割り当てることを行うように構成され得る。マッチメイキングシステム５００は、ユーザモデル５０４、ユーザデータ５０８、レップモデル４４０、および／またはレップデータ４０８からの入力を受信し得る。いくつかの例では、マッチメイキングシステム５００は、不完全な情報（たとえば、割り当てられることになるメンバーおよび／または代理に関して知られている最小量の情報）に基づいて代理にメンバーを割り当て得る。たとえば、マッチメイキングシステム５００は、レップデータ４０８と、代理１０６に対応するレップモデルと、最小限のユーザデータ５０８とを受信し得る。これは、メンバーがタスク容易化サービスに新たに登録され、メンバーに関連するデータがほとんど記憶されていないときに発生し得る。メンバーおよび／または代理１０６に関するさらなる情報が知られると、代理１０６と割り当てられたメンバーとの間の関係は、メンバーがタスク容易化サービス１０２の別の代理１０６に再割り当てされなければならないのかどうかを決定するために再評価され得る。それらの例では、マッチメイキングシステム５００は、新しいメンバーのためにメンバーを代理に割り当てるために一度と、同じく、追加の情報がそのメンバーのためのマッチメイキングの精度を改善し得る一度との２回実行し得る。

【0170】

[0180]ユーザモデル５０４は、特定のメンバーに対応するデータ構造を含み得る。ユーザモデルは、特定のメンバーに関連するデータの一部または全部をカプセル化し得る。たとえば、ユーザモデルは、メンバーから受信された情報、メンバーに関連するデバイス、メンバーによって実行されるアプリケーション、メンバーによって購読されるサードパーティサービス、メンバーによって使用されるサードパーティサービスプロバイダ、他のソースから受信された情報、（たとえば、タスクを識別すること、タスク推奨を生成すること、提案を生成すること、メンバーと対話することの部分として）タスク容易化サービスによって生成された情報、（メンバーに割り当てられている場合）代理によって生成された情報、メンバーとメンバーに割り当てられた代理との間の対話から導出された情報などを含み得る。ユーザモデルは、意図、関心、過去のタスクなどに関する情報などのメンバーに関連する情報を取得するために使用可能であり得る。ユーザモデルは、タスク容易化サービス１０２がメンバーにカスタマイズされたあるいは調整されたタスクを生成することを可能にし得る。

【0171】

[0181]たとえば、ユーザモデルは、後続のタスクのために使用可能であり得る前のタスク中にメンバーによって使用された特定のサードパーティサービスプロバイダを識別するために使用可能であり得る。いくつかの例では、ユーザモデルは、メンバーに関して何が知られていることがあるのかに基づいて予測を生成するように構成された論理を含み得る。たとえば、ユーザモデルは、タスクおよび／または提案の値を予測するように構成された（たとえば、単または多変量分類器などの）実行可能命令および／または機械学習モデル、メンバーおよび／または代理との対話、メンバーに割り当てられなければならない代理の識別情報、（たとえば、好適な方式でユーザとの通信を可能にするなどの）通信プロトコルおよび／またはフォーマットなどを含み得る。一例では、タスク容易化サービスおよび／または代理は、（たとえば、タスクのための特定のサードパーティサービスプロバイダ、旅行施設、価格しきい値などの）メンバーが選択する可能性があるであろう欠落したフィールドの値を予測するために部分的に完了したタスクに対してユーザモデル実行することができる。

【0172】

[0182]ユーザデータ５０８は、メンバーに関連するデータを含み得る。ユーザデータ５０８は、それらのメンバーのための対応するユーザモデルの生成より前に新しいメンバーから受信されたデータを記憶し得る。ユーザデータ５０８は、代理にメンバーを割り当てるためにマッチメイキングシステム５００によって使用可能な最小量の情報（たとえば、メンバーに関連する情報を要求するクエリの最初のセットへの応答のセット）を含み得る。いくつかの例では、ユーザデータ５０８は、メンバーのためにユーザモデル５０４を生成するために使用されるデータを含み得る。たとえば、ユーザデータ５０８中に記憶されたデータの量がしきい値よりも大きくなると、データは、メンバーのためにユーザモデルを生成するために使用され得る。ユーザデータ５０８は、次いで、（たとえば、データがこれでユーザモデル中に記憶されたので）削除され得、しきい値が再び超えられるまで、新しいデータがユーザデータ５０８中に受信され得る。しきい値が再び超えられるとき、ユーザデータ５０８中に記憶されたデータが、対応するユーザモデルを更新するために使用され得るか、または新しいユーザモデルを生成するために対応するユーザモデルとともに使用され得る。ユーザデータ５０８中のデータは、次いで、再び削除され得、プロセスが続く。代替的に、ユーザデータ５０８中のデータは、メンバーのための対応するユーザモデルが生成されるまでマッチメイキングシステム５００によって使用され得る。対応するユーザモデルが生成されるとき、マッチメイキングシステム５００は、ユーザデータ５０８からの情報ではなく対応するユーザモデルを使用し得る。したがって、ユーザデータ５０８は、マッチメイキングシステム５００から削除されるか、あるいは切断され得る。メンバーに関連する新しいデータが受信されると、対応するユーザモデルは、ユーザデータ５０８中にデータを記憶するのではなく更新され得る。

【0173】

[0183]レップモデル４４０は、タスク容易化サービス１０２の代理のセットのための代理モデルを記憶し得る。代理モデルは、代理に対応するタスク容易化サービス１０２によって受信および／または生成されたデータをカプセル化し得る。タスク容易化サービス１０２は、代理のセットに関連する情報（たとえば、代理と割り当てられたメンバー、他の代理、およびタスク容易化サービス１０２との間の対話の記録、対話の記録に関連するメタデータ、生成されたタスク、推奨されたタスク、生成された提案などの識別情報）、それらの組合せなどを連続的に生成し得る。連続的に生成された情報は、リアルタイムで代理モデルを連続的に修正および／または更新するために使用され得る。代理モデルは、メンバーとメンバーにサービスを与える代理との間での正の長期接続を可能にするために特定のメンバーへの良好なマッチングであり得る代理を識別するために使用され得る。いくつかの例では、代理モデルは、代理または代理に割り当てられることになる潜在的なメンバーに関して何が知られていることがあるのかに基づいて予測を生成するように構成された論理を含み得る。たとえば、代理モデルは、タスクおよび／または提案の値を予測するように構成された（たとえば、単または多変量分類器などの）実行可能命令および／または機械学習モデル、メンバーおよび／または代理との対話、代理に割り当てられなければならないメンバーの識別情報、（たとえば、好適な方式でメンバーとの通信を可能にする）通信プロトコルおよび／またはフォーマットなどを含み得る。

【0174】

[0184]レップデータ４０８は、前に説明したように、代理がタスク容易化サービス１０２に登録してから受信および／または生成された代理に関連するあらゆる情報を含み得る。レップデータ４０８は、ユーザデータ５０８と同様に、（代理モデルがレップデータ４０８中に記憶されたデータを含み得るので）対応する代理モデルが生成されるとパージされ得る。代替的に、レップデータ４０８は、データの冗長性および／またはセキュリティのためにレップモデル４４０に並行して維持され得る。

【0175】

[0185]いくつかの例では、ユーザモデル５０４、ユーザデータ５０８、レップモデル、および／またはレップデータ４０８は、リソースライブラリ中に記憶された構成要素であり得る。上述のデータまたはモデルのいずれもリソースライブラリを通してアクセスされ得る。それらの例では、リソースライブラリは、メンバーの機密情報（たとえば、個人を特定できる、恥ずかしい情報、財務情報など）を保護するためにデータおよび／またはモデルの一部または全部へのアクセスを制限すること、データおよび／またはモデルへのセキュアなアクセスを与えることなどを行い得る。

【0176】

[0186]マッチメイキングシステム５００は、１）新しい代理がタスク容易化システム１０２に登録するとき、２）新しい代理が確立された代理になる（たとえば、代理に関連する新情報および／またはあらかじめ決定された量の情報が代理モデル中に記憶されると代理がもはや見なされない）とき、３）新しいメンバーがタスク容易化システムに登録するとき、４）新しいメンバーが確立されたメンバーになる（たとえば、メンバーに関連する新情報および／またはあらかじめ決定された量の情報が対応するユーザモデル中に記憶されるとメンバーがもはや見なされない）ときなどに実行し得る。マッチメイキングシステム５００の機能は、各シナリオに対して同様または同じであり得る。シナリオ間の差は、マッチングを識別するためにマッチメイキングシステム５００によって処理される情報の量および／またはタイプであり得る。

【0177】

[0187]たとえば、代理１０６が新しいとき、マッチメイキングシステム５００は、レップモデル４４０でなくレップデータ４０８中に（たとえば、情報のためのクエリに対する応答などの）代理１０６に関連する何らかの情報を含み得る。したがって、マッチメイキングシステム５００は、レップモデル４４０を使用せず、レップデータ４０８を使用して実行し得る。代理が、タスク容易化サービス１０２と確立され、さらなる情報が受信されると、マッチメイキングシステム５００は、（レップモデルがレップデータ４０８中にとどまる任意のデータをカプセル化し得るので）代理に対応するレップモデルを使用し、レップデータ４０８を使用しないことがある。同様に、メンバーがタスク容易化サービス１０２に登録するとき、マッチメイキングシステム５００は、メンバーのための対応するユーザモデル５０４でなくユーザデータ５０８中に（たとえば、情報のためのクエリに対する応答などの）メンバーに関連する何らかの情報を含み得る。したがって、マッチメイキングシステム５００は、ユーザモデル５０４を使用せず、ユーザデータ５０８を使用して実行し得る。メンバーが、タスク容易化サービス１０２と確立され、メンバーに関連するさらなる情報が受信されると、マッチメイキングシステム５００は、（ユーザモデルがユーザデータ５０８中にとどまる任意のデータをカプセル化し得るので）メンバーに対応するユーザモデルを使用し、ユーザデータ５０８を使用しないことがある。１つの例示的な例では、マッチメイキングシステム５００は、確立された代理に対する新しいメンバーのために、（ユーザモデルが新しいメンバーのためにまだ利用可能でないことがあるので）新しいメンバーに対応するユーザデータ５０８からのデータを受信し、（確立された代理が対応する代理モデルを有するので）レップモデル４４０からの代理モデルを受信し得る。

【0178】

[0188]代替的に、マッチメイキングシステム５００は、限定はしないが、割り当てられることになるメンバーに対応するユーザモデル５０４中に記憶されたユーザモデル、割り当てられることになるメンバーに対応するユーザデータ５０８中に記憶されたデータ、メンバーが割り当てられることになる代理に対応するレップモデル４４０中に記憶された代理モデル、メンバーが割り当てられることになる代理に対応するレップデータ４０８中に記憶されたデータなどのマッチメイキングシステム５００に利用可能な、接続されたデータベース中に記憶された情報の一部または全部を使用し得る。

【0179】

[0189]ユーザモデル５０４、ユーザデータ５０８、レップモデル４４０、および／またはレップデータ４０８からのデータは、マッチメイキングが実施され得る特徴のセットを導出し得る特徴抽出器５１２によって受信され得る。特徴抽出器５１２は、割り当てられることになるメンバーに対応する特徴のセットと利用可能であり得る代理のセット（たとえば、少なくとも１つのメンバーを割り当てられるように構成された代理）とを導出し得る。特徴は、受信されたデータの個々の測定可能なプロパティまたは特性（たとえば、割り当てられることになるメンバーまたは代理のセットのいずれか）に対応し得る。

【0180】

[0190]いくつかの例では、特徴のセットは、マッチメイキング５１６によって使用可能であり得るより多くの特徴を含み得る。たとえば、特徴のセットは、追加の特徴、重複特徴、代理とメンバーとの間のマッチングの品質を示さないまたは予測しないことがある特徴などを含み得る。特徴のセットへの使用不可能な特徴の包含は、信号雑音を生じること、特徴の重みを不適当に修正することなどを行うことによってタスク識別の精度を低減し得る。いくつかの例では、特徴抽出器５１２は、マッチメイキング５１６の精度を改善するために特徴のセットを低減し得る。たとえば、特徴抽出器５１２は、特徴のセットのうちの１つまたは複数から新しい特徴を導出し得、これは、１つまたは複数の特徴が特徴のセットから除去されることを可能にし得る。代替または追加として、次元削減アルゴリズムは、特徴の量を低減するために特徴のセットに対して実行され得る。たとえば、特徴抽出器５１２および／またはマッチメイキングシステム５００は、主成分分析、判別分析（線形、一般など）などを実施し得る。他の例では、特徴抽出器５１２は、不平衡な特徴重みを補償する（たとえば、低く重み付けされた特徴に追加の特徴を追加することがそれらの重みを増加させ得る）などのために特徴のセット中に特徴から導出された新しい特徴を追加し得る。

【0181】

[0191]特徴のセットは、トレーニングデータプロセッサ５２０にパスされ得、これは、マッチメイキング５１６をトレーニングするための（たとえば、トレーニングデータ５２４のデータベース中に記憶されることになる）トレーニングデータを生成し得る。トレーニングデータプロセッサ５２０は、マッチメイキングシステム５００の各実行（たとえば、代理へのメンバーの割当て）から離散データセットを定義し得る。各データセットは、マッチメイキングシステム５００にパスされた入力に対応し得る。教師つき学習が採用される場合、各データセットは、マッチメイキングシステム５００の対応する結果（たとえば、メンバーがペアリングされた代理の識別情報）および／または（たとえば、割り当てられたメンバーまたは代理からのフィードバック、マッチメイキング５１６の精度を示すマッチメイキングシステム５００の１つまたは複数のメトリック、タスク容易化システム１０２などに基づいて）マッチングの品質の識別情報とペアリングされ得る。対応する結果は、教師つき学習中に使用される標示であり得る。データセットが教師なし学習において使用するように構成される場合、データセットは、複数のトレーニング反復の単一のトレーニング反復として使用され得る。各反復中に、マッチメイキング５１６は、（マッチメイキング５１６によって使用されるアルゴリズムに基づいておよび／または）現在の反復の入力データセットに基づいて内部重みを改良し得る。トレーニング中のマッチメイキング５１６の出力は、教師なしトレーニングをさらに改善するために採点され得る。スコアリングは、現在の反復の入力データセットが前の反復中のデータセット入力よりも高いまたは低いスコアをもつ出力を生じたのかどうかをマッチメイキング５１６に示し得る。マッチメイキング５１６は、次いで、次の反復中に（および／またはマッチメイキング５１６の非トレーニング動作中に）後続のデータセットのスコアを改善するために内部重みを改良し得る。

【0182】

[0192]いくつかの例では、トレーニングデータプロセッサ５２０は、強化学習のための特徴抽出器からデータセットを定義し得る。強化学習は、マッチメイキング５１６の後続の実行を改善するためにマッチメイキング５１６の実行からのフィードバックを使用する段階的なトレーニングステップであり得る。マッチメイキングシステム５００は、代理１０６および／またはメンバーからマッチングの品質を示すフィードバックを受信し得る。フィードバックは、限定はしないが、代理のメンバーの認識、メンバーの代理の認識、代理１０６によって生成された（たとえば、対応する機械学習モデルの精度メトリック、承認または拒否されたタスクおよび／または提案の量、メンバーによって修正されたタスクおよび／または提案の量、それらの組合せなどによって決定された）タスクおよび／または提案に対応する品質メトリック、（たとえば、対話における積極性および／または消極性の程度を決定する自然言語プロセッサなどに基づく）メンバーと代理１０６との間の対話に対応する品質メトリック、それらの組合せなどを含み得る。マッチメイキング５１６にパスされた特徴のセットおよびフィードバックは、マッチメイキング５１６のトレーニングを補強するために（たとえば、正式なトレーニングフェーズが終了した後にマッチメイキング５１６をトレーニングするために）機械学習モデルによって処理され得る。

【0183】

[0193]トレーニングデータプロセッサ５２０から出力されたデータセットは、記憶のためにトレーニングデータ５２４のデータベースにパスされ得る。トレーニングデータ５２４は、マッチメイキング５１６の最初のトレーニングに使用するための（たとえば、教師つきまたは教師なし学習などに使用するための）トレーニングデータと強化学習に使用するためのデータセットとを記憶し得る。トレーニングデータ５２４のデータベースは、マッチメイキングシステム５００の複数の実行にわたって受信された複数の代理およびメンバーからのトレーニングデータを含み得る。いくつかの例では、トレーニングデータ５２４はまた、手動で生成されたおよび／または手続的に生成されたデータを含み得る。手動で生成されたデータは、タスク容易化サービス１０２の代理または他の代理人によって生成および／または注釈を付けられたデータを含み得る。手動で生成されたデータは、（たとえば、代理へのメンバーの）現実のマッチングに関連するデータ、合成マッチング（たとえば、マッチメイキング５１６をトレーニングする際に使用するための偽のマッチング）に関連するデータ、マッチメイキング５１６の実行に関連する標示、合成マッチングに関連する標示、注釈、それらの組合せなどを含み得る。手続的に生成されたトレーニングデータは、タスク容易化サービス１０２のアルゴリズムによって生成されたデータを含み得る。手続的に生成されたデータは、手動で生成されたトレーニングデータと同様のおよび／または同じデータタイプを含み得る。

【0184】

[0194]マッチメイキング５１６は、代理へのメンバーの特定のマッチングが（マッチング品質メトリックによって示される）有効な正の接続を生じることになる可能性を予測するように構成された１つまたは複数の機械学習モデルを含み得る。有効な接続は、代理がメンバーの認知的負荷を低減することを生じる代理とメンバーとのマッチングに対応し得る。代理へのメンバーの有効なマッチングを示すメトリックの例は、限定はしないが、しきい値よりも大きい時間単位ごとにメンバーのために生成されるタスク、タスク推奨、および／または提案の量、しきい値よりも大きい（メンバーのために代理によって生成されるタスク、タスク推奨、および／または提案の合計量に対する）承認されるタスク、タスク推奨、および／または提案の割合、しきい値よりも小さい（メンバーのために代理によって生成されるタスク、タスク推奨、および／または提案の合計量に対する）メンバーによって修正されるタスク、タスク推奨、および／または提案の割合、メンバーに代理によって与えられるサービス品質を示す任意の他のメトリック、それらの組合せなどを含む。

【0185】

[0195]正の接続は、代理へのメンバーの認識およびメンバーへの代理の認識に対応し得る。正の接続は、メンバーと代理との間の対話によって決定または特徴づけされ得る。代理へのメンバーの認識およびメンバーへの代理の認識は、正、中立、負（および／または０～１０の間の数値スコア、Ａ～Ｆの間の等級、または任意の他のメトリックなどの任意の他のメトリック）として決定され得る。いくつかの例では、認識は、メンバーと代理との間の対話を処理する自然言語プロセッサによって決定され得る。（タスク作成サブシステム６００に関して以下でさらに説明されるように）自然言語プロセッサは、特定のワードまたはフレーズによって表明される積極性および／または消極性の程度を示すワードまたはフレーズに積極性スコアを割り当てる。高い程度の積極性をもつワードおよび／またはフレーズは、低い程度の積極性をもつワードおよび／またはフレーズよりも高く重み付けされ得る。同様に、高い程度の消極性をもつワードおよび／またはフレーズは、低い程度の消極性をもつワードおよび／またはフレーズよりも高く重み付けされ得る。代替または追加として、メンバーおよび／または代理の認識は、明示的なフィードバック（たとえば、メンバーと代理との間の接続のメンバーの認識された積極性に関係するメンバーの記述および／またはメンバーと代理との間の接続の代理の認識された積極性に関係する代理の記述）によって決定され得る。たとえば、タスク容易化サービス１０２および／またはマッチメイキングシステム５００は、各対話の後の、ｎ回の対話の後の、マッチメイキング後にあらかじめ決定された時間間隔が経過した後の、通常の間隔での、それらの組合せなどのマッチングおよび／または各対話のメンバーのおよび／または代理の認識を要求し得る。自然言語プロセッサは、メンバーと代理との間の各対話に全体的な積極性スコアを割り当て、メンバーと代理との間の対話の大部分（またはすべて）を表す全体的な積極性スコアを割り当て得る。

【0186】

[0196]いくつかの例では、有効な接続メトリックと積極性スコアとは、代理へのメンバーのマッチングの品質を示すマッチング品質メトリックに組み合わされ得る。マッチング品質メトリックは、代理が新しいタスク、タスク推奨、および／または提案を生成するたびに、およびメンバーと代理とが対話するたびに連続的に更新され得る。

【0187】

[0197]機械学習モデルは、メンバーが検討されている代理のセットのうちの代理に割り当てられた場合に生じるであろうマッチング品質メトリックを予測することによって代理に割り当てられることになるメンバーのためのマッチングを決定し得る。機械学習モデルは、メンバーに関連するユーザモデル（またはユーザモデルが生成されない場合はユーザデータ）と代理モデル（または代理モデルが生成されない場合はレップデータ）との間の対応を決定することによってマッチング品質メトリックを予測し得る。機械学習モデルは、代理モデルとユーザモデルとに共通であり得る特徴の量を決定し得る。機械学習モデルは、代理モデルとユーザモデルとの両方に共通である特徴のタイプに基づいて特徴の量を重み付けし得る。たとえば、関心に対応する特徴の共通のペアは、ロケーションに対応する特徴の共通のペアよりも高く重み付けされ得る。機械学習モデルは、次いで、重み付けされた共通の特徴に基づいてマッチング品質メトリックを生成し得る。

【0188】

[0198]機械学習モデルは、メンバーが割り当てられ得る代理のセットのうちの各代理のための予想されるマッチング品質メトリックを生成し得る。機械学習モデルは、次いで、最も高い（たとえば、最良の）マッチング品質メトリックに対応し、代理にメンバーを割り当てるその代理を識別し得る。代替的に、機械学習モデルは、（メンバーが代理に割り当てられる場合）複数のメンバーの各メンバーのためのマッチング品質メトリックを予測することによってメンバーのセットのうちのどれが特定の代理に割り当てられることになるのかを決定し得る。機械学習モデルは、次いで、最も高いマッチング品質メトリックに対応し、代理にメンバーを割り当てるそのメンバーを識別し得る。

【0189】

[0199]いくつかの例では、代理１０６（たとえば、マッチングされている代理）、別の代理（マッチングされることになる代理以外）、自動プロセス、ならびに／またはタスク容易化サービス１０２および／もしくはマッチメイキングシステム５００の別のプロセスは、マッチメイキング５１６、トレーニングデータプロセッサ５２０、トレーニングデータ５２４などに関して説明された上述のトレーニングプロセスのいずれかに従ってトレーニングされ得る。さらに、代理１０６、別の代理（マッチングされることになる代理以外の代理）、自動プロセス、ならびに／またはタスク容易化サービス１０２および／もしくはマッチメイキングシステム５００の別のプロセスは、マッチメイキング５１６に関して説明されるプロセスのいずれか（またはすべて）を実施し得る。

【0190】

[0200]マッチメイキング５１６の出力は、代理のセットのうちの代理１０６へのメンバーデバイス１２０（たとえば、デバイス１２０を動作させるメンバー１１８）の特定のマッチングを示し得る。いくつかの例では、マッチメイキング５１６の出力は、インターフェース５２８を使用してメンバーデバイス１２０と代理１０６との間の（自動的な、部分的に自動的な、または手動での）接続を容易にし得る。インターフェース５３２は、メンバーデバイス１２０と代理１０６との間の通信を管理し得る。いくつかの例では、インターフェース５２８は、代理１０６によって送信される通信を構成し得る。さらに、インターフェース５２８は、メンバーデバイス１２０から代理１０６によって受信された通信を代理１０６によって使用可能なフォーマットに変換し得る。たとえば、インターフェース５２８は、代理１０６が代理１０６とは異なる言語を話し得るメンバーと通信することを可能にするために（たとえば、翻訳などを行うことが可能な機械学習および／または話しをする翻訳者を使用して）異なる言語に通信を変換し得る。通信はまた、異なる通信プロトコル、異なる通信フォーマットなどに変換され得る。たとえば、インターフェース５２８は、代理１０６によって生成された通信をメンバーデバイス１２０が受信し、メンバー１１８に提示するように構成される通信プロトコルおよび／またはフォーマットに変換するために通信プロトコル５３６と通信アプリケーションプログラミングインターフェース（ＡＰＩ）とを使用し得る。同様に、代理１０６は、メンバーデバイス１２０から受信された通信を代理１０６に提示され得るフォーマットに変換するためにインターフェース５２８にメンバーデバイス１２０から受信された通信をパスし得る。

【0191】

[0201]通信プロトコル５３６は、異なるデバイスタイプおよび／または通信チャネル（たとえば、ＳＭＳ、電子メール、電話会議、テレビ会議、ビデオ会議、ダイレクトメッセージングなど）の間で通信を送信するための１つまたは複数の通信インターフェース（たとえば、アプリケーションプログラミングインターフェース、通信インターフェースなど）を含み得る。いくつかの例では、メンバーデバイス１２０は、好適な通信プロトコル、通信フォーマット、および／または通信が送信されることになる通信チャネルを示し得る。それに応答して、インターフェース５２８は、代理１０６がメンバーデバイス１２０の示された選好のうちの選好を使用して通信することを可能にするために通信プロトコル５３６中の通信インターフェースを識別し得る。通信インターフェースのうちの１つまたは複数が欠落している場合、インターフェース５２８は、メンバーデバイス１２０および／またはそのような通信インターフェースのリポジトリ、メンバーデバイス１２０の製造業者などに欠落した通信インターフェースを要求し得る。

【0192】

[0202]通信ＡＰＩ５４０は、メンバーデバイス１２０によって選好され得る通信フォーマットおよび／または通信チャネルに対応する通信を生成するためのアプリケーションプログラミングインターフェース（ＡＰＩ）を含む。たとえば、メンバーデバイス１２０は、複数の異なるタイプの通信の各々のための通信フォーマットの識別および／または選択を送信し得る。代理１０６によって送信される通信のタイプの例は、限定はしないが、タスク、タスク推奨、クエリまたは情報要求、提案、会話などの識別を含む。メンバーデバイス１２０は、メンバーデバイス１２０との会話が（たとえば、テキスト、オーディオ、ビデオなどの）第１の通信フォーマットを有することになっており、提案が第２の、異なる通信フォーマット（たとえば、テキストなど）を有することになっていることを示し得る。

【0193】

[0203]通信ＡＰＩ５４０はまた、インターフェース５２８が、特定の通信チャネルに調整された通信を生成することを可能にし得る。たとえば、ダイレクトメッセージングまたはＳＭＳを介した通信は、文字制限を有し得るか、あるいは長すぎるときにパースすることが困難であり得る。通信ＡＰＩ５４０は、メンバーデバイス１２０の選好と選択された通信チャネルとの両方に基づき得るカスタマイズされた通信フォーマッティングを生成し得る。たとえば、多くのテキストを含み、ＳＭＳまたはダイレクトメッセージングを介することになっている通信の場合、通信ＡＰＩは、通信のパース可能性を増加させるためにより少ないテキストをもつ複数のＳＭＳメッセージまたはダイレクトメッセージを生成するために使用され得る。いくつかの例では、インターフェース５２８は、メンバー１１８および代理１０６の選好とメンバー１１８および／または代理１０６からのフィードバックとに基づいて通信プロトコル、通信フォーマット、および／または通信チャネルを自動的にカスタマイズし得る。他の例では、通信プロトコルのカスタマイズは、代理１０６、インターフェース５２８、マッチメイキングシステム５００、タスク容易化サービス１０２、および／または任意の他の代理によって与えられ得る。

【0194】

[0204]通信テンプレート５３２は、メンバー１１８および／またはメンバーデバイス１２０との通信を確立および／または維持するためテンプレートを代理１０６に与え得る。通信テンプレート５３２は、会話を初期化すること、メンバー１１８に情報を要求すること、タスクを提案すること、タスク推奨を提案すること、提案を送信するかまたは提案の生成を要求すること、メンバー１１８が代理１０６に追加のタスクを委任することを要求すること、より多くのサービスを与えるために代理１０６への委任を要求すること、および／または代理１０６がメンバー１１８と有し得る何らかの対話のためのテンプレートを与えることを行うために代理１０６が使用し得る記述を含み得る。いくつかの例では、通信テンプレート５３２は、メンバー１１８と代理１０６との間の通信および／または対話をさらに調整するために、限定はしないが、年齢、性別、ロケーション、言語、文化的背景などのメンバー１１８の人口統計学的属性にカスタマイズされ得るテンプレートを含み得る。

【0195】

[0205]あらかじめ決定された時間間隔および／または１つもしくは複数のイベントの発生の後に、マッチメイキングシステム５００は、代理１０６へのメンバー１１８のマッチングを再評価し得る。１つまたは複数のイベントの例は、限定はしないが、メンバー１１８との対話の量、メンバー１１８のために生成されたタスクの量、メンバー１１８のために生成された提案の量、メンバー１１８のために生成されたタスク推奨の量、メンバー１１８によって与えられたフィードバック、代理１０６によって与えられたフィードバック、それらの組合せなどを含むことができる。いくつかの例では、マッチメイキングシステム５００は、（たとえば、メンバー１１８に対応するユーザモデル、代理１０６に対応する代理モデルなどから）新しい特徴を受信および／または導出し、新しいマッチング品質メトリックを生成するためにマッチメイキング５１６を実行し得る。この新しいマッチング品質メトリックは、代理１０６へのメンバー１１８のマッチングの品質の更新された予測であり得る。他の例では、マッチメイキングシステム５００は、新しいマッチング品質メトリックを導出するためにメンバー１１８、代理１０６、および／またはタスク容易化サービス１０２から受信された情報を使用し得る。この例では、新しいマッチング品質メトリックは、代理１０６へのメンバー１１８のマッチングの後に取得された定量化可能なメトリックに基づき得る。

【0196】

[0206]新しいマッチング品質メトリックが、前のマッチング品質メトリックよりも小さいおよび／またはしきい値マッチング品質メトリックよりも小さい場合、マッチメイキングシステム５００は、メンバー１１８が新しい代理に割り当てられなければならないと決定し得る。マッチメイキングシステム５００は、次いで、（マッチメイキングシステム５００が悪いマッチングとしてすでに評価した代理にメンバー１１８をマッチングするのを防げるために代理１０６を除外する）利用可能な代理のセットからの新しい代理にメンバー１１８をマッチングするために実行し得る。新しいマッチング品質メトリックが前のマッチング品質メトリックよりも大きいおよび／またはしきい値マッチング品質メトリックよりも大きい場合、マッチメイキングシステム５００は、代理１０６へのメンバー１１８のマッチングが良好なマッチングであると決定し得る。マッチメイキングシステム５００は、マッチングを再び再評価する前に別のあらかじめ決定された時間間隔の間および／または１つもしくは複数のイベントの発生まで待ち得る。

【0197】

[0207]図６は、本開示の態様による、メンバーのために実施されるように構成された推奨されるタスクを生成し、ランク付けするための環境６００の例示的な例を示す。環境６００は、その実施がタスク容易化サービス１０２、それらの１つまたは複数の代理、１つまたは複数のサードパーティサービスプロバイダなどによって容易にされ得る推奨されるタスクを生成するためにタスク容易化サービス１０２によって動作され得る。いくつかの例では、生成されたタスクは、メンバーによって要求され得る。たとえば、メンバーは、今度のショーへのチケットを要求し得る。それらの例では、メンバーは、タスクを定義し得る。代替または追加として、メンバーに割り当てられた代理は、メンバーに代わってタスクを定義し得る。代理は、メンバーにタスクを送信し、タスクを容易にすること（たとえば、ショーへのチケットを取得すること、旅行または宿泊施設を用意することなど）を行うための承認を要求し得る。別の代替構成では、タスク容易化サービス１０２は、自然言語プロセッサ、音声プロセッサ、画像プロセッサなどを使用してメンバーと代理との間の通信セッション（たとえば、チャットセッション、オーディオ通信セッション、ビデオ通信セッションなど）を処理し得る。タスク容易化サービス１０２は、ショーに参加することへの関心を検出し、メンバーのためのタスク推奨を自動的に生成し得る。いくつかの例では、代理は、メンバーに自動的に生成されたタスク推奨を提示すべきかどうかを決定し得る。他の例では、タスク容易化サービスは、メンバーが推奨されるタスクを承認することになる可能性を決定し得る。可能性がしきい値よりも大きい場合、タスク容易化サービス１０２は、自動的に生成された推奨されるタスクをメンバーに自動的に提示し得る。

【0198】

[0208]タスク容易化サービス１０２は、メンバーによって与えられた他のタスクに関連するタスク推奨を生成し得る。たとえば、メンバーは、今度のデンバーへの引っ越しに関連するタスクの要求を示し得る。タスク容易化サービス１０２は、引っ越しに関連付けられるタスクを推奨し得る。たとえば、タスク容易化サービス１０２は、限定はしないが、メンバーの現在の住所でのメンバーの公共サービスをキャンセルすること、引っ越し業者を取得すること、オートトランスポートを取得すること、新しい住所への旅行施設を取得すること、新しい住所での公共サービスを取得すること、引っ越し用品を取得すること、それらの組合せなどに対応するタスク推奨を生成し得る。タスク容易化サービス１０２によって生成されたいくつかのタスク推奨は、メンバーによって与えられたかまたは示唆されたタスクに基づかないことがある。たとえば、メンバーに関連するカレンダアプリケーションは、今度の誕生日を示し得る。タスク容易化サービス１０２は、限定はしないが、誕生会を開くこと、ケーキを取得すること、バースデープレゼントまたはカードを取得すること、家族を訪問すること、家族または他の家族と通信すること、それらの組合せなどの今度のイベントに関連するタスク推奨を生成し得る。

【0199】

[0209]タスク推奨は、タスクとタスクを実装するために実行し得る任意のサブタスクとの識別情報を含み得る。たとえば、タスク推奨は、ショーに参加することであり、限定はしないが、特定の日付の特定のショーのチケットを取得すること、旅行施設を取得すること、食事施設を識別することなどのサブタスクを含み得る。いくつかの例では、タスク推奨は、タスクおよび／またはそれらのサブタスクを実行するのに必要な実装詳細の一部または全部を含むことができる。たとえば、ショーのためのチケットを取得することに対応するタスク推奨は、ショーの識別情報、取得されるチケットのタイプ、チケットのコスト、チケットをどのように取得するのかの識別情報、ショーの時刻／日付、ショーまでの何らかの旅行施設の識別情報、何らかの食事施設の識別情報などを含み得る。

【0200】

[0210]タスク作成サブシステム３０２は、メンバー入力６０８、代理入力６１６、機械学習モデル６１２からの出力などを含み得るタスクの仕様６０４に基づいてタスク推奨を生成し得る。タスクの仕様６０４は、タスクが識別され得る情報を含み得る。情報は、タスク作成サブシステム３０２のあらかじめ定義されたタスク（たとえば、前に生成されたおよび／または実行されたタスク、前に識別されたタスク、ハードコーディングされたタスクなど）に対応し得るタスクの識別情報に対応するか、あらかじめ定義されたタスクに関連付けられないことがあるタスク（たとえば、未知のタスク）の識別情報に対応するか、または特定のタスクを識別しないことがある。タスクの仕様６０４は、タスク容易化サービス１０２によって（たとえば、代理、サードパーティサービスプロバイダなどによって）実行され得るタスクを識別するためにタスク作成サブシステム３０２によって処理され得る。

【0201】

[0211]いくつかの例では、タスクの仕様６０４は、タスクを識別するまたはタスクが識別され得るデータを与えるメンバーからの入力（たとえば、メンバー入力６０８など）を含み得る。他の例では、タスクの仕様６０４は、タスクを識別するまたはタスクが識別され得るデータを与える代理からの入力（たとえば、代理入力６１６など）を含み得る。さらにまた他の例では、タスクの仕様６０４は、タスクを識別するおよび／またはタスクが識別され得るメンバーに関連するタスクデータセットを含む（たとえば、限定はしないが、メンバーに関連するユーザモデル、メンバー入力６０８、代理入力６１６、機械学習モデル６１２などのメンバーに関連するデータセットおよび／またはデータを使用した）機械学習モデル６１２からの出力を含み得る。タスクデータセットは、メンバーに関連するデータから（たとえば、メンバー、メンバー入力６０８、代理入力６１６、機械学習モデル６１２などに関連するユーザモデルから）受信および／または導出されたデータを含み得る。たとえば、タスクの仕様６０４は、１つまたは複数のタスクがタスク容易化サービスによる実施のためにユーザに識別され推奨され得るあらかじめ決定された時間間隔の間（たとえば、前の日の間）メンバーに関連するデータ（たとえば、メンバーと代理との間の通信、ユーザモデルなど）を含み得る。タスクの仕様６０４は、メンバーに関連するすべてのデータ、あらかじめ決定された量のデータ、特定の時間間隔の間に受信されおよび／または生成されたデータなどを含み得る。いくつかの例では、タスクの仕様６０４は、メンバー入力６０８、機械学習モデル６１２からの出力、および／または代理入力６１６の組合せを含み得る。

【0202】

[0212]いくつかの例では、タスクの仕様６０４は、メンバーに関連する追加のデータ、タスクの仕様６０４の識別されたタスクなどで増強され得る。たとえば、タスクが（たとえば、メンバーと代理との間の通信セッションの間に、メンバーと別の個人との間の会話の間になど）示唆されるか、（たとえば、メンバーまたは代理によって）明確に定義されるとき、タスクの仕様６０４は、定義されたまたは示唆されたタスクに対応するデータセットをカプセル化するために生成され得る。デバイスからのデータは、メンバー、センサ、カメラ、メンバーに関連するアプリケーションデータ、メンバーに関連するサードパーティサービス、他のメンバー、メンバーに関連する他の個人、それらの組合せなどに関連付けられる。

【0203】

[0213]メンバー入力６０８は、タスクに関係し得るメンバーからの任意のタイプの入力に対応し得る。代理入力６１６は、メンバーのためのタスクに関係し得る代理からの任意のタイプの入力に対応し得る。メンバー入力６０８および／または代理入力６１６は、他のソース（たとえば、メンバーに関連するデバイス、アプリケーション、および／またはセンサなど）からのテキスト、オーディオ、ビデオ、データ、それらの組合せなどを含み得る。たとえば、メンバー入力６０８は、「私は、今度のデンバーへの引っ越しに助けを必要とする」という入力を与えることによってタスクを直接定義し得る。別の例では、「私はビーチが本当に好き」を示すメンバー入力６０８は、ビーチイベント（たとえば、ビーチへの旅、休暇、ビーチ活動など）に対応するタスクの仕様６０８を定義し得る。

【0204】

[0214]（メンバー、代理、または他のソースからの）何らかの入力は、機械学習モデル６１２によって処理され得る。たとえば、センサデータは、メンバーのための可能なタスク推奨を識別するために機械学習モデルによって処理され得る。たとえば、センサデータは、メンバーのＨＶＡＣシステムが効率を失っているかあるいはあるべきとおりに動作していないことがあることを示すために処理され得る。同様に、（たとえば、自然言語入力などの）メンバーまたは代理からの何らかの入力は、可能なタスクを識別するために処理され得る。たとえば、メンバーは、メンバーが関心がある活動について説明するために代理と対応し得る。活動は、タスクとして明確に定義されないが、メンバーが承認し得るタスクを示し得る。

【0205】

[0215]機械学習モデル６１２は、可能なタスクを示す入力を識別するためにメンバー入力６０８（たとえば、テキスト、オーディオ、ビデオなど）、代理入力６１６（たとえば、テキスト、オーディオ、ビデオなど）、メンバーに関連する１つまたは複数の他のソースからの入力などを処理するように構成され得る。たとえば、他のソースは、限定はしないが、メンバーに関連するデバイス（たとえば、ＩｏＴデバイス、モバイルデバイス、センサ、ホームオートメーションデバイスなど）から生成された情報、メンバーに関連する（たとえば、友人および／または家族などの）他のメンバーからの情報、メンバーに関連するアプリケーションまたはソフトウェアサービス（たとえば、カレンダ、連絡先、ＳＭＳまたはダイレクトメッセージング、電子メール、やることリスト、買物リストなど）からの情報、メンバーによって購読されたサービス（たとえば、料理代行サービス、メディアサービスなど）からの情報、それらの組合せなどの入力を含み得る。

【0206】

[0216]いくつかの例では、メンバーは、タスク容易化サービス１０２に入力されるか、またはタスク容易化サービス１０２によって処理され得る情報の量、情報のタイプ、情報のソースなどを決定し得る。一部のメンバーは、タスク容易化サービス１０２にすべての情報を与え、および／またはタスク容易化サービス１０２がその情報に基づいて何らかの推奨されるタスクを与えることができることを示し得る。他のメンバーは、タスク容易化サービス１０２に与えられる情報ならびに／またはタスク容易化サービス１０２が生成することができるタスクの量および／もしくはタイプを限定し得る。これは、タスク容易化サービス１０２が一部のメンバーに破壊的になりすぎること（たとえば、メンバーがサードパーティに意図しないことがある情報へのアクセスを有することおよび／またはタスクを推奨することなど）を妨げ得る。タスク容易化サービス１０２は、情報、情報のタイプ、情報のソースなどの選択を可能にするためのインターフェースをメンバーに与え得る。いくつかの例では、メンバーに割り当てられた代理１０６は、一部の情報へのアクセスが制限されたままであることなどを確認する入力を要求し得る。同様に、タスク容易化サービス１０２は、タスク作成サブシステム３０２のためのタスクの量、タスクのタイプ、タスクを推奨する頻度などの選択を可能にするためのインターフェースをメンバーに与え得る。

【0207】

[0217]機械学習モデル６１２は、入力の特定のセットを処理すること、特定の出力を生成すること、特定のタイプの予測を生成することなどを行うようにそれぞれ構成されている複数の機械学習モデルを含み得る。機械学習モデル６１２は、モデルが特定の順序で実行し得る階層設計に従って入力データを処理し得る。いくつかの例では、（たとえば、しきい値よりも大きい可能性をもつ）タスクを示す入力データのセットが識別されるとき、データ処理は、処理リソースを浪費することおよび／または多すぎる可能なタスクを識別することならびにメンバーまたは代理に過負荷をかけることを妨げるために一時的に休止し得る。他の例では、データ処理は、データが処理されるまで（たとえば、何個のタスクが識別されたかにかかわらず）続き得る。それらの例では、代理および／またはタスク容易化サービス１０２は、機械学習モデルによって識別されたどのタスクがメンバーに提示されることになるのかを決定し得る。

【0208】

[0218]機械学習モデル６１２中の機械学習モデルの例は、メンバーのための可能なタスクに対応するデータを識別するためにメンバーからの自然言語入力を構文解析するように構成された１つまたは複数の機械学習モデルを含む。１つまたは複数の機械学習モデルは、オーディオおよび／またはビデオをテキストに変換し、テキストを構文解析して、関心または意図などの意味論的意味を導出することができる１つまたは複数の自然言語プロセッサを含み得る。１つまたは複数の機械学習モデルはまた、メンバーが特定のタスクを選択することになる可能性を予測し得る分類器を含み得る。可能性がしきい値よりも大きい場合、タスクによるタスクの仕様が生成され得る。いくつかの例では、しきい値は、メンバーに与えられ得る可能なタスクの量を増加させるために低く（たとえば、約６０％に）設定され得る。しきい値は、生成されているタスクの量とメンバーのフィードバックとに基づいて動的に決定され得る。

【0209】

[0219]自然言語プロセッサは、メンバーの可能な意図および／または関心を決定するためにメンバーのテキスト、オーディオ、および／またはビデオの会話をパースするレイヤのセットを含み得る。たとえば、自然言語プロセッサは、入力の構造と意味論的意味とを導出するために入力をパースする第１のレイヤを含み得る。自然言語プロセッサは、特定の意図、関心、タスクタイプ、カテゴリ、ロケーション、タイムスタンプ（たとえば、日付および／または時間）、イベント、それらの組合せなどに従って構造と意味論的意味とを分類する第２のレイヤを含み得る。いくつかの例では、別の機械学習モデル（たとえば、別の分類器など）が、特定のタスク、タスクタイプなどに対応するものとして自然言語プロセッサからの出力をカテゴリ分類するために使用され得る。

【0210】

[0220]自然言語プロセッサの第１のレイヤは、最初に、音声認識機械学習モデル、（たとえば、顔の表情、手話、それらの組合せなどのジェスチャからテキストを定義するための）ジェスチャベースの機械学習モデルを使用して（たとえば、入力がまだテキスト形態にない場合）入力からテキストを導出し得る。テキストは、次いで、句読点およびストップワード（たとえば、冠詞などの意味論的意味を与えないワード）を除去することによって処理される。ワードをルート形態に簡約化する（たとえば、活用、接尾辞などを除去する）見出し語化プロセスが、次いで、実行される。いくつかの例では、ワードの変形形態は、ワードを特定の類義語と置き換えることによってさらに簡約化され得る。たとえば、「有効化すること（enabling）」および「容易にすること（facilitating）」というワードは、「有効化する（enable）」および「容易にする（facilitate）」のベース形態に処理され得、「容易にする（facilitate）」は、分類される必要があるワードの量を削減するために「有効化する（enable）」に置き換えられ得る。データは、次いで、ベクトル（たとえば、残りの処理されるワードの順序サブセットを備える入力ベクトル）に変換され得、ベクトルは、意味論的分類器によって分類され得る。

【0211】

[0221]一例では、「私は、コーコービーチの近くでハイキングまたはサーフィンすることが好きです」は、「私」、「好き」、「ハイキングする」、「サーフィンする」、「コーコービーチ」として処理され得る。意味論的分類器にパスされると、意味論的分類器は、メンバーがハイキングおよびサーフィンを含む関心を有すると識別し得る。分類器は、入力中で識別された他の情報に基づいて関心をさらに限定し得る。たとえば、コーコービーチという用語は、ハイキングするという関心をビーチの近くでハイキングすること、大西洋の近くでハイキングすること、またはフロリダでハイキングすることを含むように修正するために使用され得る。自然言語プロセッサのレイヤのセットの最後のレイヤは、潜在的なタスクとして関心および／または意図を分類する別の分類器を含み得る。前の例に戻ると、最後のレイヤは、フロリダ州コーコービーチの近くでのハイキングベースの活動を識別することによって「ハイキングする」、「コーコービーチ」という関心を分類し得る。

【0212】

[0222]いくつかの例では、自然言語プロセッサは、モデルがメンバーからの入力を分類することにより階層中で実行するための機械学習モデル６１２の第１の機械学習モデルであり得る。他の機械学習モデルは、自然言語プロセッサの後に（またはそれと並列して）実行し得る。一例として、階層中の機械学習モデルの次のセットは、（たとえば、対処される必要があり得るメンバーの環境内の異常などを識別し得る）センサデータを処理する機械学習モデルを含むことができる。たとえば、機械学習モデルは、タスク容易化サービス１０２にとってアクセス可能なセンサデータＩｏＴデバイスまたは他のセンサベースのデバイスを処理し得る。機械学習モデルによって検出可能なイベントの例は、限定はしないが、過剰なエネルギー使用イベント、（たとえば、湿度および温度センサなどからの）水イベント、（たとえば、１つまたは複数の温度センサなどからの）ＨＶＡＣイベント、セキュリティイベント（たとえば、マイクロフォンおよび／またはコンピュータビジョンからの侵入、ドアまたは窓の開放など）、（たとえば、ビデオデータのコンピュータビジョンの画像処理などを通して検出された）環境修復イベント、および／またはメンバーに関連するデバイスからのデータの処理を通して検出され得る任意の他のイベントを含む。

【0213】

[0223]階層中の機械学習モデルの次のセットは、限定はしないが、カレンダ、電子メール、ダイレクトメッセージングサービス（たとえば、ＳＭＳなど）、ソーシャルメディアサービス、音楽ストリーミングサービス、ビデオストリーミングサービス、やることリスト、買物リスト、および／またはメンバーにとって興味深いものであるタスクを提案するために使用可能であり得るメンバーに関連するデバイス上で実行される任意のアプリケーションなどのサードパーティサービスからのアプリケーションデータおよび／またはデータを処理するように構成された機械学習モデルを含み得る。たとえば、これらの機械学習モデルは、今度の誕生日を識別するためにメンバーのカレンダを処理するか、またはメンバーがライブを見ることを望み得るなどメンバーにとって興味深いミュージシャンを決定するためにストリーミングサービスを処理し得る。追加の機械学習モデルは、他のタイプのデータまたは他の情報ソースからのデータを処理するために追加され得る。

【0214】

[0224]いくつかの例では、メンバーおよび／または代理は、機械学習モデルの階層を定義し得る。他の例では、機械学習モデルの階層は、タスク容易化サービスによって定義され得る。メンバーおよび／または代理は、ユーザインターフェースを通して任意の時間に階層を修正し得る。たとえば、メンバーは、最初に提示されたよりも階層中で高くまたは低くなるように特定の機械学習モデルを選択し得る。メンバーおよび／または代理はまた、機械学習モデルの階層をどのように実行すべきか、処理が終了される前の潜在的なタスクの量などを示し得る。

【0215】

[0225]潜在的なタスクが、メンバーによって定義されるか、代理によって定義されるか、メンバーによって示唆されるか、代理によって示唆されるか、機械学習モデル６１２によって識別されるかなどすると、タスクに関連するデータをカプセル化するタスクの仕様６０４が生成され得る。データは、（たとえば、タイプ、ソース、時間などに従って）構造化されるか、または非構造化され得る（たとえば、それがそれぞれの情報ソースから受信されたときと同じまたは同様のフォーマットで記憶され得る）。いくつかの例では、タスクの仕様６０４は、メンバー入力６０８、機械学習モデル６１２、代理６１６、および／または他のソースからのあらかじめ決定された量の情報を含み得る。あらかじめ決定された量の受信された情報中に含まれる情報は、情報（たとえば、前に説明された意味論的分類器、自然言語プロセッサなどを使用して示唆されたタスクに関連する情報）、（たとえば、潜在的なタスクが識別された最後のｘ時間にわたって受信された情報のタイムスタンプなどの）タイムスタンプ、データタイプ、データソースなどの意味論的分類に基づいて選択され得る。

【0216】

[0226]タスクの仕様６０４は、代理または別の機械学習モデルがあらかじめ決定されたタスクを識別することができる特徴のセットを導出し得る特徴抽出器６２０にパスされ得る。いくつかの例では、特徴のセット中の多すぎる特徴は、タスク識別情報の精度を低減し得る。多すぎる特徴は、特徴セットを処理することの結果の品質および／または精度に影響を及ぼすことができる雑音、不適当な特徴重みなどを生じ得る。いくつかの例では、特徴抽出器６２０は、識別されるタスクの品質を改善するために特徴のセットを低減し得る。たとえば、特徴抽出器は、２つ以上の特徴に対応する特徴のセットから新しい特徴を導出し得る。代替または追加として、次元削減アルゴリズムは、特徴の量を低減するために特徴のセットまたはタスクの仕様６０４に対して実行され得る。たとえば、タスクの仕様６０４は、主成分分析、判別分析（線形、一般など）などを実施し得る。他の例では、特徴抽出器６２０は、不平衡な特徴重みを補償する（たとえば、低く重み付けされた特徴に追加の特徴を追加することがそれらの重みを増加させ得る）などのために特徴のセット中に特徴から導出された新しい特徴を追加し得る。

【0217】

[0227]特徴抽出器６２０は、特徴のセットから特徴ベクトルを生成し得る。特徴ベクトルは、特徴のセットからの特徴の順序付きシーケンスであり得る。特徴は、特定の次元（たとえば、タスクタイプ、データタイプ、時間、情報ソースなど）に従って順序付けされ得る。

【0218】

[0228]タスク作成サブシステム３０２は、特徴ベクトルが（たとえば、知られているタスク、前に生成されたタスクなどの）作成サブシステム３０２のあらかじめ定義されたタスクタイプに対応するタスクタイプの識別情報を含むのかどうかを決定し得る。特徴ベクトルがタスク作成サブシステム３０２のあらかじめ定義されたタスクタイプに対応するタスクタイプの識別情報を含まない場合、特徴ベクトルは、タスク生成器に直接パスされ得る。

【0219】

[0229]特徴ベクトルが作成サブシステム３０２のあらかじめ定義されたタスクタイプに対応するタスクタイプの識別情報を含む場合、特徴ベクトルは、タスクテンプレート６２４にパスされ得る。タスクテンプレート６２４は、タスクテンプレートのデータベースを含み得る。タスクテンプレートは、特徴ベクトルからの特徴でポピュレートされ得るおよび／またはタスク生成器６２８によって特徴ベクトルから導出され得る空のフィールドのセットを含むことができる。たとえば、「物を買う」というタスクテンプレートは、特徴ベクトル中に含まれたまたはそれから導出された特定の物と置き換えられることになる「物」というフィールドを含む。より具体的なタスクテンプレートは、タスクテンプレートに挿入され得る多くのフィールド（たとえば、特定の物、ベンダー、タイムスタンプ、ロケーション、サードパーティサービス、活動など）を含み得る。

【0220】

[0230]タスクテンプレート６２４は、増加する特異性の階層に従って編成され得る。階層は、ベースタイプ（たとえば、物、サービス、イベントなど）に対応するタスクテンプレートで開始し得る。階層の次のレイヤは、前のレイヤのタスクテンプレートのより具体的な変形形態であるタスクテンプレートを含み得る。たとえば、物のタスクテンプレートの後の後続のレイヤは、物を購入する、物を販売する、物をレンタルするなどの物に関連する行為を含み得る。後続のレイヤは、特定の時間に特定のベンダーから特定の物を買うなどのさらにより具体的であるタスクテンプレートを含み得る。タスク作成サブシステム３０２は、タスク作成サブシステム３０２によって識別された可能なタスクに最も近いタスクテンプレートを識別し得る。識別されたタスクテンプレートは、特徴ベクトルとともにタスク生成器にパスされ得る。

【0221】

[0231]タスク生成器６２８は、特徴ベクトル（とタスクテンプレート６２４から受信された場合はタスクテンプレートと）を分析し、タスク推奨を出力する機械学習モデル、自動プロセス、代理によって駆動されたソフトウェアプロセスなどを含み得る。タスク生成器６２８は、特定のメンバーに調整されたタスク推奨の生成を改善するためにトレーニングデータ６３２と（タスク推奨が生成されることおよび／または特定のメンバーと類似の特性を有する他のメンバーに関連付けられることなどになる特定のメンバーに関連する）ユーザモデル６３６とを使用してトレーニングされ得る。機械学習モデルのコンテキストでは、タスク生成器６２８をトレーニングすることは、教師つき学習、教師なし学習、半教師つき学習、強化学習などを使用して機械学習モデルをトレーニングすることを含む。機械学習モデルは、反復のセットにわたって、あらかじめ決定された時間間隔にわたって、および／またはあらかじめ決定された精度メトリックが到達されるまでトレーニングされ得る。

【0222】

[0232]非機械学習モデルのコンテキストでは、タスク生成器６２８をトレーニングすることは、（タスクテンプレートが前に識別されなかった場合は）特徴ベクトルに対応するタスクテンプレートの自動選択、タスクテンプレートのフィールドの値の自動選択などを使用可能にするためにメンバーに関連するデータを処理することを含み得る。たとえば、（たとえば、特徴ベクトル、ユーザモデルなどからの）メンバーに関連する特徴は、タスクを定義するときに特徴が特定のフィールドタイプのために使用され得る可能性を定義するために使用可能な使用メトリックに関連付けられ得る。タスク生成器６２８は、タスクテンプレートのフィールドごとに、特定のフィールドに関連する最も高い使用メトリックを有する特徴を提案し得る。たとえば、「バースデーケーキを注文する」に対応するタスク推奨は、各特徴が使用メトリックに関連付けられた状態でケーキが注文されなければならない日付（たとえば、メンバー、メンバーの家族、メンバーの友人などに対応するユーザモデル中に記憶された誕生日）に対応し得る特徴のセットを含み得る。タスク生成器６２８は、「バースデーケーキを注文する」タスク推奨の日付フィールドの値であるものとして提案するために最も高い使用メトリックをもつ特徴（たとえば、メンバーがバースデーケーキを前に購入した近しい家族の日付、ユーザモデルに基づいてメンバーが選択する可能性が最も高い日付など）を識別し得る。代替的に、タスク生成器６２８は、最も高い使用メトリックを有する特徴をもつ日付フィールドを自動的にポピュレートし得る。代理および／またはメンバーは、日付特徴を承認するか、または必要な場合は異なる日付特徴を選択し得る。

【0223】

[0233]トレーニングデータ６３２は、メンバー（またはメンバーと同様の特性を有するメンバー）のために生成された過去のタスクの仕様６０４と、タスクテンプレート６２４と、タスク推奨とを含み得る。トレーニングデータ６３２はまた、限定はしないが、他のメンバーのために生成された過去のタスクの仕様、他のメンバーのために生成された過去のタスクテンプレート、他のメンバーのユーザモデル、他のメンバーのために生成されたタスク推奨、手続的に生成されたデータなどの追加のデータを含み得る。トレーニングデータ６３２は、メンバーにとって興味深いものであり得るタスク推奨を生成するタスク生成器６２８および／または代理の機械学習モデルをトレーニングするために使用され得る。

【0224】

[0234]トレーニングデータ６３２は、メンバーの選好、関心などを示すデータを含み得る。たとえば、トレーニングデータ６３２は、メンバーが面白いと思う可能性があるイベント、タスクを実施する際に使用するための特定のベンダーまたはサードパーティサービスなどを示し得る。トレーニングデータはまた、タスク生成器６２８および／または代理にメンバーに好ましいフォーマットに準拠するタスク推奨を生成すること、メンバーの選好に対応するフィールドのための１つもしくは複数の値を含ませること、および／またはメンバーに好ましいフォーマットで通信することを行わせ得る。たとえば、トレーニングデータは、メンバーがＳＭＳまたは電子メールではなくプッシュ通知を介して通信されるのを選好することを示し得る。タスク生成器６２８は、メンバーに好ましい方式でメンバーに調整されたタスク推奨を生成するためにトレーニングデータ６３２中のこれらの詳細を識別し得る。

【0225】

[0235]ユーザモデル６３６は、（たとえば、限定はしないが、メンバーの過去のタスク、同様の特性を有するメンバー過去のタスクなどの）タスク容易化サービスによって生成または受信された（たとえば、メンバープロファイルなどの）メンバーに関連する情報、（たとえば、限定はしないが、調査の質問に応答を与えたメンバー、メンバーによって与えられた入力、メンバーがアクセスを与えたメンバーに関連するデバイス、タスク容易化サービスにとってアクセス可能なデバイス、メンバーに関連するアプリケーション、メンバーに接続されたサードパーティサービスなどの）メンバー、メンバーと対話する代理、メンバーと対話する他のメンバー、メンバーと対話する他の個人、それらの組合せなどを含み得る。

【0226】

[0236]いくつかの例では、特徴は、メンバー情報から抽出および／または導出され得る。特徴は、メンバーに対応するトレーニング済みモデルを生成するためにトレーニングされた機械学習モデルへの入力としてパスされ得る。モデルは、メンバーに関連する予測（たとえば、特定のタスクに対する関心の可能性、予測された選好の識別情報、知られている選好の識別情報など）を生成すること、メンバーの特性を識別すること、メンバーによって要求および／または実行された過去のタスクを識別すること、メンバーに関連する情報を識別すること、（たとえば、メンバーに関連する上述の情報のいずれかに基づいて）ユーザに関連する新情報を導出することなどを行うために問合せ、実行、および／またはパースが行われ得る。ユーザモデルは、（たとえば、メンバーが前に使用したまたは選好を示した特定のベンダーの選択、メンバーが前に使用したまたは選好を示した旅行施設の選択、特定の通信プロトコルおよび／またはフォーマットの選択、特定のタスク推奨フォーマットの選択などを介して）特定のメンバーへのタスク推奨を調整するために使用され得る。

【0227】

[0237]トレーニングされたタスク生成器６２８は、特定のメンバーに調整された特徴ベクトルからタスク推奨を生成し得る。前述のように、タスク生成器６２８はまた、メンバーによって承認される可能性がある、メンバーに好ましいフォーマットの、メンバーに好ましい通信プロトコルを使用して送信または提示されるなどのタスク推奨を生成し得る。いくつかの例では、タスク生成器６２８は、特徴ベクトル中の特徴でタスクテンプレート（存在する場合）中のフィールドをポピュレートすることによってタスク推奨を生成し得る。何らかの情報が未知であるか、欠落している場合、タスク生成器６２８および／または代理は、（たとえば、チャットインターフェース、ＳＭＳ、電子メール、タスク容易化サービスなどを通して）メンバーに情報を要求し得る。

【0228】

[0238]タスクテンプレートが識別されない場合、タスク生成器６２８および／または代理は、特徴ベクトルを処理し、メンバーに推奨され得るタスクを予測し得る。タスク生成器６２８は、メンバーにとって興味深いものである可能性がある、メンバーの選好に基づく、および／またはメンバーに関連する他の基準に基づくタスクを生成し得る。たとえば、タスク生成器６２８および／または代理は、メンバーにとって興味深いものであり得る活動のタスク推奨を生成し得、これは、タスクの仕様６０４、メンバーに関連するユーザモデル、および／またはトレーニングデータ６３２（たとえば、メンバーによってまたはメンバーのために実施されたユーザモデルおよび／または過去のタスクなど）に基づき得る。いくつかの例では、タスク生成器６２８および／または代理は、タスクのリストからタスクを選択し得る。リストは、メンバーによって実施された前のタスク、メンバーによって前に選択されたタスク、メンバーにとって興味深いものであると予測されるタスク（たとえば、メンバーに関連するユーザモデル）などに基づいて特定のメンバーのために生成され得る。他の例では、タスク生成器６２８および／または代理は、メンバーにとって興味深いものである可能性があるとタスク生成器６２８および／または代理が予測する任意のタスクを選択し得る。（リストから、機械学習モデルまたは代理によってなど）タスクが選択されると、タスク生成器６２８は、メンバーのためのタスク推奨を定義するためにタスクに対応するタスクテンプレートを取り出し得る。タスク生成器６２８は、次いで、特徴ベクトル、メンバーに関連するユーザモデル、メンバーの入力６０８および／または他の入力、代理の入力６１６および／または他の入力などを使用してタスクテンプレートのフィールドをポピュレートし得る。

【0229】

[0239]いくつかの例では、タスク生成器６２８は、タスク推奨ならびに精度メトリックを出力し得る。精度メトリックは、生成されたタスク推奨が、特徴ベクトルおよび／もしくはユーザモデル、タスク生成器６２８の内部データ、ならびに／またはメンバーのために生成された過去のタスク推奨にうまく対応するのかを示し得る。言い換えれば、精度メトリックは、生成されたタスク推奨がメンバーによって承認される可能性がある可能性を示し得る。可能性がしきい値よりも小さい場合、タスク推奨はパージされ得る。可能性がしきい値よりも大きい場合、タスク推奨は、タスク６４０に送信され得る。

【0230】

[0240]タスク６４０は、（たとえば、代理１０６および／またはメンバーによる）選択のための代理１０６への提示のためにタスクのセットを記憶するバッファであり得る。タスク６４０は、代理１０６および／またはメンバー１１８にタスク生成器６２８によって生成されたタスクを提示することができる（たとえば、ディスプレイインターフェース、通信インターフェース、アプリケーションプログラミングインターフェースなどの）インターフェースを含み得る。タスク６３６は、タスク生成器６２８によって、（たとえば、ユーザ入力、ユーザモデルなどを介して）メンバー１１８によって、および／または代理１０６によって決定された順序でタスクをランク付けし得る。たとえば、ランキングは、タスク生成６２８からの出力（たとえば、精度メトリックおよび／またはタスク推奨がメンバーによって承認されることになる可能性を示すメトリックなど）に基づき得る。

【0231】

[0241]いくつかの例では、代理１０６は、メンバーに送信される（または、メンバーによって表示される）ことになる１つまたは複数のタスク推奨を選択すること、（２つ以上の場合に）タスク推奨をランク付けすること、１つまたは複数のタスク推奨を修正すること、１つまたは複数のタスク推奨を削除すること、それらの組合せなどを行うためにインターフェースを介してタスク推奨を検討し得る。たとえば、タスク推奨は、メンバーによりよく適合させるために代理１０６によって修正され得る。いくつかの例では、タスク推奨は、選択のためにメンバーに提示され得る。それらの例では、タスク推奨は、タスク作成サブシステム３０４によって自動的に生成され、（たとえば、代理１０６による介入なしに）メンバーによって選択され得る。選択されたタスク推奨は、次いで、承認／選択のためにメンバーに提示され得る。

【0232】

[0242]タスク作成サブシステム３０４の態様は、強化学習を通してさらにトレーニングされ得る。タスク生成器６２８からの出力（たとえば、タスク推奨、精度メトリックなど）は、タスク６４０に加えてトレーニングデータ６３２に送信され得る。時間とともに、トレーニングデータ６３２は、最近のタスク推奨に関連するより多くのデータを含み得、これは、より古いタスク推奨よりもメンバーにとって興味深いものである可能性が高くなり得る。トレーニングデータ６３２はまた、どのタスク推奨が選択されたのか（たとえば、メンバーへの提示のために承認されたのか）、どのタスク推奨が選択されなかったのか、（たとえば、それらの修正の識別情報を含む）どのタスク推奨が修正されたのか、タスクを実施したおよび／または実行したエンティティ（たとえば、タスク容易化サービス、サードパーティサービスプロバイダ、代理、他の代理それらの組合せなど）に関連する情報などを示すフィードバックをメンバー１１８から、および／またはそれを示す入力を代理１０６から受信し得る。トレーニングデータ６３２は、タスク生成器６２８によって生成されたタスク推奨の間の関連する標示と代理１０６からの入力に基づく割り当てられた標示とを記憶し得る。一例では、承認されたタスク推奨には、「真」、「１」などの標示が割り当てられ得、承認されなかったタスク推奨には、「偽」、「０」などが割り当てられ得る。修正されたタスク推奨には、中立値（たとえば、「．５」、ヌルなど）または承認されなかったタスク推奨に割り当てられた値と同じ値が割り当てられ得る。

【0233】

[0243]強化学習の場合、タスク生成器６２８は、周期的に（たとえば、タスク推奨が生成された後ごとに、ｎ個のタスク推奨が生成された後ごとに、ｎ時間後になど）、タスク生成器６２８もしくは代理の機械学習モデルまたは他のプロセスを改良するために１つまたは複数のタスク推奨とそれらの対応する標示とを処理するトレーニングステップを実行し得る。強化学習は、タスク生成器６２８から出力されたタスク推奨を徐々に改善し得る（たとえば、精度メトリックをも増加させ得る）。

【0234】

[0244]いくつかの例では、精度メトリック（または精度、対数損失、曲線下面積、Ｆ１スコア、平均２乗誤差、などのタスク生成器６２８から出力された他のメトリック）は、機械学習モデルまたは代理１０６の精度がしきい値精度を下回ること（または他のメトリックに基づいて定義されたしきい値を超えること）を示し得る。一例では、メンバーは、タスク作成サブシステム３０４が高品質のタスク推奨を生成していないことがあることを示し得る。タスク生成器６２８が適切なタスク推奨を生成していないことがあるという指示（たとえば、エラーをもつタスク推奨、承認されないタスク推奨の高い頻度など）。それらの例では、タスク生成器、代理１０６、および／またはタスク作成サブシステムは、再トレーニングされ得る。たとえば、（タスク生成器６２８からの最近の出力と対応する標示とを含み得る）トレーニングデータ６３２は、より正確な（たとえば、メンバーにとって興味深いものである可能性が高い、メンバーの期待を満たすなどの）タスク推奨の生成を可能にするためにタスク生成器６２８および／または代理１０６を再トレーニングするために使用され得る。いくつかの例では、タスク生成器６２８は、パージされ（たとえば、訓練されていない状態に戻され）、再トレーニングされ得る。他の例では、タスク生成器６２８は、トレーニングフェーズを再実行し得る。

【0235】

[0245]トレーニングデータ６３２が最後のトレーニングフェーズ以来のタスク生成器６２８の実行からの追加のデータを含むので、トレーニングフェーズが作業タスク生成器６２８に対してトリガされるときでも、タスク生成器６２８をトレーニングまたは再トレーニングすることは、タスク生成器６２８（および／または代理１０６）の実施を改善し得る。いくつかの例では、タスク生成器６２８は、周期的に再トレーニングされ得る。再トレーニングは、強化学習に加えて実行され得る。たとえば、タスク生成器６２８は、ｘ日ごとに再トレーニングされ得るが、強化学習は、ｎ時間ごとに（またはｎ個のタスク推奨が生成された後にまたは前に説明されたように）強化トレーニングをトリガし得る。

【0236】

[0246]タスク生成器６２８からの出力はまた、特徴抽出器６２０に送信され得る。いくつかの例では、タスク生成器６２８および／または代理１０６は、タスクの識別情報を示すまたはタスク推奨を生成する際に使用可能であり得る特徴ベクトルの特徴を決定し得る。特徴ベクトル中の他の特徴は、あまり有用でないことがあるか、まったく使用されないことがあるか、雑音を誘起し得るか、あるいはタスク生成器６２８および／または代理１０６の精度を低減するなどであり得る。たとえば、対応が生じたときに対応する特徴は、対応中にまたはタスクが実施されることになるときに識別されたタスクを示さないことがある。タスク生成器６２８からの出力は、特徴抽出を改良すること（たとえば、特徴を除去すること、特徴を追加すること、特徴を修正すること、新しい特徴を導出することなど）を行うために特徴抽出器６２０および／または代理１０６によって使用され得る。いくつかの例では、特徴抽出器６２０は、将来のメンバー入力６０８を改善すること、（たとえば、再トレーニング、強化学習などを通して）機械学習モデル６１２を改善すること、および／または代理入力６１６を改善することを行うためにタスクの仕様６０４に改良の指示を送信し得る。改善は、（たとえば、雑音などを生じ得る）不要なまたは余分なデータを除去すること、（たとえば、タスク生成器６２８などによって生成された特徴抽出器６２０、得られた特徴ベクトル、および／またはタスク推奨を改善し得る）情報ソースを追加または除去すること、それらの組合せなどによってより良いタスクの仕様を与え得る。

【0237】

[0247]図７は、本開示の態様による、代理１０６および／または１つもしくは複数のサードパーティサービス１１６によるメンバー１１８のためのタスクの実施をタスク調整システム１１４が割り当て、監視する環境７００の例示的な例を示す。環境７００では、代理１０６は、メンバー１１８のためにタスクの完了に関する提案を生成するためにタスク調整システム１１４の提案作成サブシステム７０２にアクセスし得る。提案作成サブシステム７０２は、コンピュータシステムを使用して、またはタスク調整システム１１４のコンピュータシステム上に実装されたアプリケーションもしくは他の実行可能コードとして実装され得る。代理１０６が、メンバー１１８からおよび／またはタスク推奨システム（たとえば、同様の状況にあるメンバーのために実施されたタスクの評価を介して得られたタスクパラメータなど）を通して必要なタスク関連情報を取得すると、代理１０６は、タスクの解決に関する１つまたは複数の提案を生成するために提案作成サブシステム７０２を利用することができる。

【0238】

[0248]上記のように、提案は、所与のタスクを調査する間に代理１０６によって作成および／または収集され得るメンバー１１８に提示される１つまたは複数のオプションを含み得る。いくつかの例では、代理１０６は、提案作成サブシステム７０２を介して、これらの１つまたは複数の提案を生成するために使用され得る１つまたは複数のテンプレートにアクセスし得る。たとえば、提案作成サブシステム７０２は、タスクデータストア１１０内でまたは内部的に、異なるタスクタイプのための提案テンプレートを維持し得、それによって、特定のタスクタイプのための提案テンプレートは、タスクタイプに関連する様々なデータフィールドを含み得る。タスクデータストア１１０は、リソースライブラリに関連付けられ得る。リソースライブラリは、タスク、異なるタスクの完了のための提案などの作成のために様々なタスクテンプレート、提案テンプレート、代理モデル（および／またはそれに関連するあらゆる情報）、ユーザモード（および／またはそれに関連するあらゆる情報）などを維持し得る。

【0239】

[0249]いくつかの例では、提案テンプレート内のデータフィールドは、どんな情報が提案中でメンバー１１８に提示されるかについて決定する能力を代理１０６に与えるためにオンまたはオフにトグルされ得る。代理１０６は、メンバーの選好についての代理の知識に基づいて、テンプレート内のこれらのデータフィールドのいずれかをオンまたはオフにトグルし得る。たとえば、代理１０６は、メンバー１１８との関係を確立しており、それによって、代理１０６がメンバーのタスクのために評判が良い会社を選択するのをメンバーが信用することを代理１０６が高信頼度で知っている場合、代理１０６は、提案テンプレートから対応する会社のための評価／レビューに対応するデータフィールドをオフにトグルし得る。同様に、メンバー１１８が提案の目的で会社のロケーション／住所に関心がないことを代理１０６が知っている場合、代理１０６は、提案テンプレートから対応する会社のためのロケーション／住所に対応するデータフィールドをオフにトグルし得る。いくつかのデータフィールドが提案テンプレート内でオフにトグルされ得るが、代理１０６は、リソースライブラリ内にタスク調整システム１１４によって維持された提案を補足するために提案作成サブシステム７０２によって使用され得る追加情報を与えるためにこれらのデータフィールドを完了し得る。

【0240】

[0250]いくつかの例では、提案作成サブシステム７０２は、提案中でメンバー１１８に提示され得るデータフィールドに関する代理１０６のための推奨を生成するために機械学習アルゴリズムまたは人工知能を利用し得る。提案作成サブシステム７０２は、機械学習アルゴリズムまたは人工知能への入力として、ユーザデータストア１０８からのメンバー１１８に関連するメンバープロファイルまたはモデルと、タスクデータストア１１０からのメンバー１１８のための履歴タスクデータと、提案が生成されているタスクに対応する情報（たとえば、タスクタイプまたはカテゴリなど）とを使用し得る。機械学習アルゴリズムまたは人工知能の出力は、提案テンプレートのどのデータフィールドがオンまたはオフにトグルされなければならないのかを指定し得る。提案作成サブシステム７０２は、いくつかの例では、代理１０６のために、提案中でメンバー１１８にこれらのデータフィールドを提示する能力を代理１０６に与えるためにこれらのデータフィールドをオンにトグルするオプションを維持し得る。たとえば、提案作成サブシステム７０２が、タスクの完了のための推定コストに対応するデータフィールドを自動的にオフにトグルしたが、メンバー１１８が、関与する可能なコストへの関心を表した場合、代理１０６は、推定コストに対応するデータフィールドをオンにトグルし得る。

【0241】

[0251]代理１０６がメンバー１１８に関する新しい提案を生成すると、代理１０６は、メンバー１１８に提案と任意の対応する提案オプションとを提示し得る。さらに、提案作成サブシステム７０２は、メンバープロファイル（および／またはユーザモデルなど）に関連するユーザデータストア１０８中に新しい提案を記憶し得る。いくつかの例では、提案がメンバー１１８に提示されるとき、提案作成サブシステム７０２は、機械学習アルゴリズムまたは人工知能をさらにトレーニングするために使用され得るデータを取得するために代理１０６および提案とのメンバーの対話を監視し得る。たとえば、代理１０６は、提案作成サブシステム７０２によって生成された推奨に基づいて特定の会社のためのいかなる評価／レビューなしに提案を提示し、メンバー１１８は、（たとえば、代理１０６へのメッセージを通して、特定の会社のための評価／レビューを閲覧する提案中のオプションの選択を通してなど）メンバーが特定の会社の評価／レビューに関心があることを示す場合、提案作成サブシステム７０２は、同様のタスクまたはタスクタイプのために選択された会社の評価／レビューの提示を推奨する可能性を増加させるために機械学習アルゴリズムまたは人工知能をさらにトレーニングするためにこのフィードバックを利用し得る。

【0242】

[0252]上記のように、タスク調整システム１１４は、特定の提案テンプレートの１つまたは複数のデータフィールドを自動的にポピュレートするために使用され得るリソースライブラリを維持する。リソースライブラリは、特定のタスクもしくはタスクタイプに関係する提案または、そうでない場合、特定のタスクもしくはタスクタイプに関連付けられる提案のために代理によって前に使用された会社および／または製品に対応するエントリを含み得る。たとえば、ワシントン州リンウッドの近くで屋根を修理することに関係するタスクに関する提案を代理１０６が生成するとき、提案作成サブシステム７０２は、タスクのために代理１０６によって選択される屋根工事業者に関連する情報を取得し得る。提案作成サブシステム７０２は、リソースライブラリ中に屋根工事業者に対応するエントリを生成し、「屋根の修理」および「ワシントン州リンウッド」にこのエントリを関連付け得る。したがって、ワシントン州リンウッドの近くに位置するメンバーのための屋根を修理することに対応するタスクを別の代理が受信する場合、他の代理は、ワシントン州リンウッドの近くの屋根工事業者についてリソースライブラリに問い合わせ得る。リソースライブラリは、クエリに応答して、代理１０６によって前に選択された屋根工事業者に対応するエントリを戻し得る。他の代理がこの屋根工事業者を選択する場合、提案作成サブシステム７０２は、リソースライブラリから屋根工事業者のために利用可能な情報で提案テンプレートのデータフィールドを自動的にポピュレートし得る。

【0243】

[0253]代理１０６は、タスクの完了のために見積りを要請するタスク容易化サービス１０２と提携した１つまたは複数のサードパーティサービスおよび他のサービス／エンティティを識別するためにリソースライブラリに問い合わせることができる。たとえば、新たに作成されたタスクのために、代理１０６は、これらの１つまたは複数のサードパーティサービス１１６および他のサービス／エンティティに仕事の要求を送信し得る。タスク容易化サービス１０２によって与えられたアプリケーションまたはウェブポータルを通して、サードパーティサービスまたは他のサービス／エンティティは、仕事の申し出を検討し、タスクの完了のために見積りを提出すべきかまたは仕事の要求を拒絶すべきかを決定し得る。サードパーティサービスまたは他のサービス／エンティティが仕事の申し出を拒否することを選択する場合、代理１０６は、サードパーティサービスまたは他のサービス／エンティティが仕事の要求を拒絶したことを示す通知を受信し得る。

【0244】

[0254]代替的に、サードパーティサービスまたは他のサービス／エンティティがタスクを実施するために入札することを選択する場合、サードパーティサービスまたは他のサービス／エンティティは、タスクの完了のために見積りを提出し得る。代理１０６は、タスクの完了のために異なる提案オプションを生成するためにサードパーティサービス１１６および／または他のサービス／エンティティからの任意の与えられた見積りを使用し得る。これらの異なる提案オプションは、完了されるべきである特定のタスクに対応するタスクに固有のインターフェースを通してメンバー１１８への提案として提示され得る。タスクに固有のインターフェースを通して提示された提案オプションのセットから特定の提案オプションをメンバー１１８が選択する場合、代理１０６は、それがタスクの完了のために選択されたことを示すために選択された提案オプションに関連する見積りを提出したサードパーティサービスまたは他のサービス／エンティティに通知を送信し得る。

【0245】

[0255]上記のように、代理１０６は、提案テンプレートを介して、タスクの完了のために使用され得る会社および／または製品のための追加の提案オプションを生成し得る。たとえば、特定の提案について、代理１０６は、代理１０６がタスクの完了のための推奨している会社または製品に対応し得る推奨されるオプションを生成し得る。さらに、追加のオプションまたは選択肢をメンバー１１８に与えるために、代理１０６は、タスクを完了し得る他の会社または製品に対応する追加のオプションを生成することができる。いくつかの例では、メンバー１１８が代理１０６にタスクの完了に関する意思決定を委任したことを代理１０６が知っている場合、代理１０６は、推奨されるオプションの外の追加の提案オプションの生成を控え得る。しかしながら、代理１０６は、メンバー１１８に、タスクのステータスに関する情報をメンバー１１８に欠かさないようにするためにタスクの完了のために選択された提案オプションを依然として提示し得る。

【0246】

[0256]代理１０６が提案テンプレートの使用を介して提案を定義することを完了すると、代理１０６は、タスク容易化サービスによって与えられたアプリケーションまたはウェブポータルを通してメンバー１１８に提案を提示し得る。いくつかの例では、代理１０６は、提案が特定のタスクのために準備されたことおよび提案がタスク容易化サービスによって与えられたアプリケーションまたはウェブポータルを介したレビューの準備ができていることを示すためにメンバー１１８に通知を送信し得る。メンバー１１８に提示される提案は、提案が準備されたタスク、ならびにメンバー１１８に与えられている１つまたは複数のオプションの表示を示し得る。たとえば、提案は、推奨される提案オプションと特定のタスクのために代理１０６によって準備された他のオプション（もしあれば）とへのリンクを含み得る。これらのリンクにより、メンバー１１８は、アプリケーションまたはウェブポータルを介して代理１０６によって準備された１つまたは複数のオプションの間をナビゲートすることが可能になり得る。いくつかの例では、代理１０６は、電子メール、テキストメッセージを介してなど、他の通信チャネルを介してメンバー１１８に提案を送信し得る。

【0247】

[0257]提案オプションごとに、メンバーは、代理１０６によって選択された会社または製品に対応する情報と提案作成サブシステム７０２を介した代理１０６による提示のために選択されたデータフィールドに対応する情報とを提示され得る。いくつかの例では、メンバー１１８は、特定の提案に関連するどんな詳細またはデータフィールドがアプリケーションまたはウェブポータルを介して提示されるのかを選択し得る。たとえば、提案オプションごとに推定総額をメンバー１１８が提示され、提案オプションごとに推定総額を検討することにメンバー１１８が関心がない場合、メンバー１１８は、アプリケーションまたはウェブポータルを介して提案からこの特定のデータフィールドをオフにトグルし得る。代替的に、各提案オプションに関するさらなる詳細（たとえば、追加のレビュー、追加の会社または製品情報など）を検討することにメンバー１１８が関心がある場合、メンバー１１８は、このさらなる詳細が提案を介して提示されることを要求し得る。

【0248】

[0258]上記のように、与えられた提案とのメンバーの対話に基づいて、提案作成サブシステム７０２は、どんな情報がメンバー１１８に提示されなければならないのかと、どんな情報が同様のタスクまたはタスクタイプの場合に同様の状況にあるメンバーに提示されなければならないのかとを決定または推奨するために使用される機械学習アルゴリズムまたは人工知能をさらにトレーニングし得る。提案作成サブシステム７０２は、特定のタスクに関する提案で提示される情報に関するメンバーの選好を決定するために提案とのメンバーの対話を監視または追跡し得る。さらに、提案作成サブシステム７０２は、メンバーの選好をさらに識別するために提案に関係するメンバー１１８と代理１０６との間で交換されるあらゆるメッセージを監視または追跡し得る。いくつかの例では、提案作成サブシステム７０２は、メンバーの選好を識別するために代理１０６によって与えられた提案に関するメンバー１１８からのフィードバックを要請し得る。提案に関する代理１０６とのメンバーの対話または提案自体とのメンバーの対話を通して得られるこのフィードバックおよび情報は、メンバー１１８におよび同様のタスクまたはタスクタイプの場合に提案中で同様の状況にあるメンバーに提示されなければならない情報のためのより正確なまたはより改善された推奨を与えるために機械学習アルゴリズムまたは人工知能を再トレーニングするために使用され得る。提案作成サブシステム７０２は、提案中でメンバー１１８に提示されなければならない情報のための推奨を決定する際に使用するためにユーザデータストア１０８内のメンバープロファイルまたはモデルを更新するために代理１０６とのメンバーの対話を通して得られたフィードバックおよび情報をさらに使用し得る。

【0249】

[0259]いくつかの例では、メンバー１１８に提示される各提案は、各提案オプションに関連するあらゆるコストを指定し得る。これらのコストは、関連するタスクまたはプロジェクトの要件に基づいて異なるフォーマットで提示され得る。たとえば、タスク容易化サービス１０２に関連するサードパーティサービスまたは他のサービス／エンティティによるタスクの実施に提案が対応する場合、提案は、代理１０６からの仕事の申し出に応答してサードパーティサービスまたは他のサービス／エンティティによって提出される見積りを含み得る。見積りは、タスクの異なる態様に関連するあらゆるコストならびにタスクの実施のために必要とされ得るあらゆる追加の料金（たとえば、税、材料コストなど）を示し得る。メンバー１１８が、タスクまたはプロジェクトのための特定の提案オプションを受け入れる場合、代理１０６は、メンバーが特定の提案オプションのための提示されたコストとあらゆる関連する税および料金との支払いに同意していることを保証するためにメンバー１１８と通信し得る。いくつかの例では、提案オプションが静的支払い額を用いて選択される場合、提案オプションの履行に必要な実際の支払い額が最初に提示された静的支払い額を超えてしきい値割合または額を超える場合、メンバー１１８は、代理１０６によって通知され得る。

【0250】

[0260]いくつかの例では、提示された提案からの提案オプションをメンバー１１８が受け入れる場合、タスク調整システム１１４は、提示された提案に関連するタスクを実行状態に移動し、代理１０６は、選択された提案オプションに従って提案を実行することに進むことができる。たとえば、代理１０６は、メンバー１１８によって受け入れられた提案において定義されているパラメータに従ってタスクの実施を調整するためにタスク容易化サービス１０２に関連する１つまたは複数のサードパーティサービス１１６および／または他のサービス／エンティティに連絡し得る。代替的に、代理１０６がメンバー１１８のためにタスクを実施することになっている場合、代理１０６は、メンバー１１８によって受け入れられた提案において定義されているパラメータに従ってタスクの実施を開始し得る。

【0251】

[0261]いくつかの例では、代理１０６は、メンバー１１８によって受け入れられた提案において定義されているパラメータに従ってタスクの実施の調整を支援するためにタスク調整システム１１４のタスク監視サブシステム７０４を利用する。タスク監視サブシステム７０４は、コンピュータシステムを使用して、またはタスク調整システム１１４のコンピュータシステム上に実装されたアプリケーションもしくは他の実行可能コードとして実装され得る。サードパーティサービス１１６との調整が自動的に実施され得る場合（たとえば、サードパーティサービス１１６が発注、スケジューリング、支払いのための自動化されたシステムを与えるなど）、タスク監視サブシステム７０４は、選択された提案オプションに従ってタスクの実施を調整するためにサードパーティサービス１１６と直接対話し得る。タスク監視サブシステム７０４は、代理１０６にサードパーティサービス１１６からのあらゆる情報を与え得る。代理１０６は、次に、タスク容易化サービスにアクセスするためにメンバーによって利用されるアプリケーションまたはウェブポータルを介してメンバー１１８にこの情報を与え得る。代替的に、代理１０６は、サードパーティサービス１１６が選択された提案オプションに従ってタスクの実施を開始したことを示すために他の通信方法（たとえば、電子メールメッセージ、テキストメッセージなど）を介してメンバー１１８に情報を送信し得る。タスクがメンバー１１８のために代理１０６によって実施されることになる場合、タスク監視サブシステム７０４は、メンバー１１８によって受け入れられた提案において定義されているパラメータに従ってタスクの実施を調整するために代理１０６を監視し、それと対話し得る。たとえば、タスク監視サブシステム７０４は、タスクの実施のために必要とされ得るあらゆるリソース（たとえば、支払い情報、タスク情報、購入のための好適なソースなど）を代理１０６に与え得る。

【0252】

[0262]いくつかの例では、タスク監視サブシステム７０４は、メンバー１１８のために代理１０６および／またはサードパーティサービス１１６によるタスクの実施を監視することができる。たとえば、タスク監視サブシステム７０４は、タスクの実施のための時間枠、タスクの実施に関連するコスト、タスクの実施に関するあらゆるステータス更新などに関してサードパーティサービス１１６によって与えられたあらゆる情報を記録し得る。タスク監視サブシステム７０４は、この情報をタスクデータストア１１０内で実施されているタスクに対応するデータレコードに関連付け得る。サードパーティサービス１１６によって与えられたステータス更新は、タスク容易化サービス１０２によって与えられるアプリケーションまたはウェブポータルを介してメンバー１１８におよび代理１０６に自動的に与えられ得る。代替的に、ステータス更新は、メンバーと代理１０６との間に確立されるチャットセッションを介してまたは他の通信方法を通してメンバーにこれらのステータス更新を与え得る代理１０６に与えられ得る。代理１０６がメンバー１１８のためにタスクを実施している場合、代理１０６は、タスク容易化サービス１０２によって与えられたアプリケーションまたはウェブポータルを介してメンバー１１８にタスクの代理の実施に関するステータス更新を与え得る。タスク監視サブシステム７０４は、これらのステータス更新をタスクデータストア１１０内で実施されているタスクに対応するデータレコードに関連付け得る。

【0253】

[0263]いくつかの例では、タスク監視サブシステム７０４により、タスクを実施することに関与するサードパーティサービスまたは他のサービス／エンティティは、タスクに関係するステータス更新を与えるためにメンバー１１８と直接通信することが可能になり得る。たとえば、タスク監視サブシステム７０４は、メンバー１１８とサードパーティサービスまたは他のサービス／エンティティが実施されているタスクに関係するメッセージを交換し得るメンバー１１８とサードパーティサービスまたは他のサービス／エンティティとの間の通信チャネルを容易にし得る。この通信チャネルは、タスクに固有のインターフェースを通して与えられ得るので、通信チャネルが、メンバー１１８と代理１０６との間の一般的な通信チャネルおよびメンバー１１８と代理１０６との間の任意の他のタスク関連の通信チャネルとは別個である。いくつかの例では、サードパーティサービスまたは他のサービス／エンティティは、メンバー１１８と代理１０６との間の既存のタスクに固有の通信チャネルに追加され得る。サードパーティサービスまたは他のサービス／エンティティが割り当てられたタスクを実施するので、これにより、メンバー１１８および代理１０６は、サードパーティサービスまたは他のサービス／エンティティにアクティブに関与することが可能になり得る。

【0254】

[0264]上記のように、タスクが完了すると、メンバー１１８は、メンバー１１８によって選択された提案オプションに従ってタスクを実施した代理１０６および／またはタスク容易化サービスに関連するサードパーティサービス１１６もしくは他のサービス／エンティティの実施に関するフィードバックを与え得る。たとえば、メンバー１１８は、タスクの完了に関するそれのフィードバックを示すためにタスクに固有のチャットセッションまたは他の通信チャネルを介して代理１０６と１つまたは複数のメッセージを交換し得る。いくつかの例では、タスク監視サブシステム７０４は、提案作成サブシステム７０２にフィードバックを与え、これは、提案オプションのために提案作成サブシステム７０２によって与えられる推奨、タスクを実施し得るサードパーティサービス１１６もしくは他のサービス／エンティティ、ならびに／または同様のタスクの完了のために代理１０６および／もしくはサードパーティサービス１１６もしくは他のサービス／エンティティによって実施され得るプロセスを改善するためにメンバー１１８によって与えられたフィードバックを処理するために機械学習アルゴリズムまたは人工知能を使用し得る。たとえば、メンバーが特定のタスクについてサードパーティサービス１１６または他のサービス／エンティティによって与えられた結果に満足していないことを提案作成サブシステム７０２が検出する場合、提案作成サブシステム７０２は、サードパーティサービス１１６または他のサービス／エンティティが同様のタスクのためにおよび同様の状況にあるメンバーに推奨される可能性を低減するために機械学習アルゴリズムまたは人工知能をさらにトレーニングするためにこのフィードバックを利用し得る。別の例として、メンバーが特定のタスクのために代理１０６によって与えられた結果に喜んでいることを提案作成サブシステム７０２が検出する場合、提案作成サブシステム７０２は、同様のタスクのためにおよび／または同様の状況にあるメンバーのために代理によって実施される動作を補強するために機械学習アルゴリズムまたは人工知能をさらにトレーニングするためにこのフィードバックを利用し得る。

【0255】

[0265]図８は、本開示の態様による、メンバーのために実施されるように構成された推奨されるタスクの提案を生成し、ランク付けする提案作成サブシステム７０２の例示的な例を示す。いくつかの例では、提案は、（たとえば、メンバー、代理、１つまたは複数のサードパーティサービスプロバイダなどによって実施可能な）実行のために構成されたタスクの実装であり得る。たとえば、夜の活動のための提案は、（限定はしないが）活動の識別情報、活動のコストの識別情報、チケットを取得するための１つまたは複数のベンダーまたはサービスプロバイダの識別情報、旅行施設（たとえば、フライト、タクシー、公共交通機関、ホテルなど）の識別情報、旅行施設のコスト、旅行施設の予約（たとえば、航空券、ホテルの予約、メトロカードなど）、食事施設（レストランの予約など）などを含み得る。別の例では、屋根の修理のための提案は、屋根の修理のベンダーの識別情報、コストの識別情報、修復が行われることになる時間の識別情報などを含み得る。いくつかの例では、提案は、メンバーがタスクの実施を容易にするために提案の実施を認証するだけでよいようにタスクの完了実装であり得る。他の例では、提案は、メンバーによって選択されることになるオプションおよび／またはフィールドを含み得る。

【0256】

[0266]提案の仕様８０４は、限定はしないが、代理入力８０８、機械学習モデル８１２、タスク識別子８１６などの提案を生成するために提案作成サブシステム７０２によって使用可能なデータを含み得る。いくつかの例では、提案の仕様８０４は、（たとえば、ユーザモデルなどの）メンバーに関連するデータ、メンバーによるタスクの選択または生成に関連するデータ、代理１０６によるタスクの選択または生成に関連するデータ、タスク作成サブシステム３０４によるタスクの選択または生成に関連するデータなどの追加のデータを含み得る。タスクの仕様８０４は、（たとえば、前に説明したように）メンバーによるタスク推奨による選択、（たとえば、そうするようにメンバーおよび／またはタスク容易化サービス１０２によって認証された場合）代理１０６による選択、（たとえば、アプリケーションまたはウェブポータルなどの）自動化されたサービスによる選択などに応答して生成され得る。

【0257】

[0267]タスクＩＤ８１６は、提案が生成されることになるタスクを識別し得る。タスクテンプレートまたはタスク推奨は、タスクＩＤ８１６を使用して取り出され得る。代替的に、代理１０６は、タスクＩＤ８１６に対応するタスクテンプレートを選択し得る。タスクテンプレートまたはタスク推奨は、情報が実装を定義するために含まれ得る１つまたは複数のフィールド（たとえば、タイムスタンプ、サードパーティサービスプロバイダ、コスト、活動など）を含み得る。

【0258】

[0268]代理入力８０８は、タスクに関連する情報、タスクテンプレート、タスク推奨、それらの任意のフィールドなどを含み得る。いくつかの例では、代理入力８０８は、（たとえば、代理１０６とメンバーとの間、代理１０６と別の代理との間、代理１０６と他のメンバーとの間、代理１０６とタスク容易化サービス１０２との間などの）自然言語の対応を含み得る。いくつかの例では、自然言語入力は、提案の仕様８０４中に含まれ得る。他の例では、自然言語入力は、機械学習モデル８１２によって処理され得、その処理の出力は、提案の仕様８０４中に含まれ得る。機械学習モデル８１２は、フィールドに追加されることになるフィールドのコンテンツを識別するためにメンバーデータ（たとえば、タスクの仕様８０４に関連して説明されたデータのいずれか）を処理するためにトレーニングされた１つまたは複数の機械学習モデルを含み得る。機械学習モデルは、限定はしないが、自然言語プロセッサ、画像プロセッサ（たとえば、物体認識、コンピュータビジョンなど）、（たとえば、入力特徴などに基づいて単変量または多変量予測を生成する）分類器、それらの組合せなど含み得る。

【0259】

[0269]提案の仕様８０４は、提案生成器５２４が提案を生成することができる特徴のセットを導出し得る特徴抽出器８２０にパスされ得る。特徴抽出器８２０は、生成されている特定の提案に対応するデータのセットのサブセットに提案の仕様８０４のデータの未加工のセットを改良するフィルタとして動作し得る。たとえば、データのセット中のすべてのデータポイントのための特徴を導出することは、多すぎる特徴（たとえば、提案生成器８２４および／または代理１０６によって使用不可能であるよりも多くの特徴、矛盾するかまたは雑音が多いことがある特徴など）を生成し得、提案の生成の精度を低減し得る。いくつかの例では、特徴抽出器８２０は、データのセットを分析し、提案生成器８２４によって使用可能であることが知られているかまたはその可能性があるデータから特徴を生成および／または導出することによって生成される特徴の量を低減し得る。いくつかの例では、（たとえば、分類器などの）機械学習モデルは、識別タスクを改善するために提案生成器８２４に使用可能である可能性に従ってデータポイントおよび／または特徴を分類するために使用され得る。

【0260】

[0270]特徴抽出器８２０は、提案生成器８２４によって使用可能である可能性が低い（たとえば、しきい値可能性を下回るなど）特徴を除去すること、２つ以上の特徴から特徴を導出すること、次元削減アルゴリズム（たとえば、主成分分析、線形または一般などの判別分析など）を適用すること、それらの組合せなどによって生成される特徴の量を低減し得る。他の例では、特徴抽出器８２０は、不平衡な特徴重みを補償する（たとえば、低く重み付けされた特徴に追加の特徴を追加することが等しい表現を保証するためにそれらの重みを増加させ得る）などのために特徴のセット中に特徴から導出された新しい特徴を追加し得る。

【0261】

[0271]特徴抽出器８２０によって抽出された特徴は、提案生成器８２４にパスされ得る。提案生成器８２４は、提案を生成するように構成された１つまたは複数の機械学習モデルを含み得る。代替的に、提案生成器８２４は、自動的におよび／または代理１０６によって動作される１つまたは複数のプロセスを含み得る。機械学習モデルは、提案の特定のフィールド（たとえば、特定の日付、ベンダー、コストなど）がメンバーによって承認されることになる可能性を予測することによって提案の各態様を識別し得る。たとえば、機械学習モデルは、メンバーが選択するであろう特定のフライトおよび座席指定を予測し得る。各予測は、対応する精度メトリック（たとえば、予測がモデル、トレーニングデータ８２８、入力特徴、および／または予測がメンバーによって選択されるもしくは承認されることになる可能性に適合する程度）に関連付けられ得る。機械学習モデルはまた、全体的な提案が入力特徴、トレーニングデータ８２８、モデルなどにどのくらい対応するのかに関するアイデアを代理１０６および／またはメンバーに与えるために全体的な提案に対応する精度メトリックを出力し得る。

【0262】

[0272]機械学習モデルおよび／または代理１０６は、その後強化学習を用いる教師なし学習を使用してトレーニングされ得る。メンバーが代理１０６および／またはタスク容易化サービスとの接続を確立するときに、メンバーに関してほとんど知られていないので、特定のメンバーに対応するトレーニングデータ８２８は、教師つき学習には小さすぎることがある。トレーニングデータ８２８は、他の代理、他のメンバー、手続的に生成されたデータなどに対応する追加のデータでパディングされ得る。機械学習モデルがトレーニングされると、機械学習モデルは、（たとえば、提案が生成され、提案を承認する、承認しない、および／または修正するユーザ入力が受信されるときなどに通常の間隔で提案生成器の中間の再トレーニングを実行する）強化学習を使用して改良され得る。たとえば、承認される生成された提案は、入力特徴の同様のセットが承認された提案を生成する可能性が高いことになることを保証するために機械学習モデル（たとえば、内部重みなど）を改良し得る。いくつかの例では、強化学習はまた、実行情報（たとえば、タスク容易化サービス１０２、代理１０６、他の代理、サードパーティサービスプロバイダなどのタスクおよび／またはその一部分を実施したエンティティに関連する情報）を使用し得る。

【0263】

[0273]トレーニングされると、機械学習モデルおよび／または代理１０６は、（たとえば、ｎ日ごとに、メンバー入力に基づいて、代理の入力に基づいて、精度メトリックに基づいてなど）周期的に再トレーニングされ得る。それぞれの生成された提案に関連する情報と提案が承認されたのか、承認されなかったのか、および／または修正されたのかに関する指示とがトレーニングデータ８２８中に記憶されるので、提案作成サブシステム７０２が特定のメンバーのためにより長く動作するほど、トレーニングデータ８２８は、特定のメンバーに関連付けられるより多くの情報を含む。

【0264】

[0274]いくつかの例では、トレーニングデータ８２８は、あらかじめ決定された量のデータを記憶し得る。最初に、メンバーに関してほとんど知られていないことがあるとき、トレーニングデータ８２８は、主に、代理１０６、他の代理、他のメンバー、手続的に生成されたデータなどに関連する情報を含み得る。新しいデータがトレーニングデータ８２８（たとえば、特定のメンバーのために生成された提案）中に記憶されるので、より古いデータは、データ制限（たとえば、あらかじめ決定された量のデータ）を保存するためにトレーニングデータ８２８から除去され得る。提案作成サブシステム７０２が十分に長く動作する場合、トレーニングデータ８２８は、特定のメンバーに対応するデータのみで充填され、次いで特定のメンバーに対応する最近のデータのみで充填され得る。再トレーニングが行われるとき、得られた機械学習モデルは、最初のデータに対してトレーニングされた機械学習モデルよりも正確であり得る。

【0265】

[0275]生成された提案は、提案カスタマイズ８３２に出力され得る。提案カスタマイズ８３２は、代理１０６および／またはメンバーに提案を提示するためのインターフェース（たとえば、グラフィカルユーザインターフェース、アプリケーションプログラミングインターフェースなど）を含む。提案カスタマイズ８３２はまた、代理１０６から、および／または提案の部分および／または提案全体を承認する、承認しない、および／または修正するための入力を受信することができるインターフェースを含み得る。たとえば、ＨＶＡＣシステムを修理するタスクのための提案は、修理を与えるサードパーティサービスプロバイダの識別情報と、部品の識別情報と、部品をいくらかで取得するためのベンダーの識別情報と、コストの識別情報と、修理がスケジュールされる時間間隔の識別情報とを含み得る。メンバーは、異なるサードパーティサービスプロバイダ、部品を取得するための異なるベンダーおよび／もしくは異なる部品、ならびに／または修理を行う異なる時間間隔を選択するための入力を与え得る。

【0266】

[0276]提案カスタマイズ８３２は、ユーザモデル５０４および／または代理モデル４４０から入力を受信し得る。ユーザモデル４２６は、特定のメンバーに対応するユーザモデルを記憶し得、これは、特定のメンバーへの提案を調整するために使用可能であり得る。いくつかの例では、提案カスタマイズ８３２は、ユーザモデル５０４および／または代理モデル４４０に基づいて提案を自動的に（たとえば、自動化されたサービスを通して）修正し得る。他の例では、代理１０６（および／またはメンバー１１８）は、ユーザモデル４３６（および／または代理モデル４４０）を使用して提案を修正し得る。ユーザモデル５０４は、提案のフィールドの値を予測するために問合せおよび／または実行が行われ得る。予測値は、メンバーによって選好される値（たとえば、メンバーが提案を生成していた場合にメンバーによって選択されているであろう値など）に対応し得る。予測された選好は、（たとえば、メンバーが物を前に取得したベンダーなどの）前に実行された提案、メンバーに関連する情報、メンバーに関連するデバイスおよび／またはアプリケーションから取得された情報、サードパーティサービスから取得された情報、（たとえば、メンバー１１８、代理１０６、他の代理などからの）ユーザ入力、代理１０６とメンバー１１８との間の対応、それらの組合せなどに基づき得る。

【0267】

[0277]ユーザモデルは、提案がメンバーによって承認されることになる可能性の指示、提案のフィールドのための予測値（たとえば、メンバーが提案を生成していた場合にメンバーが選択したであろうことをユーザモデルが予測する値）、提案のフィールドがメンバーの選好に対応するかまたはメンバーによって承認されるであろう値でポピュレートされる予測された可能性、フィールドの値とメンバーによって承認されるであろう値との間の差異の指示（たとえば、信頼度スコア、予測された偏差など）、精度メトリック、それらの組合せなどを含む単または多変量出力を生成または出力し得る。たとえば、予測値は、メンバーが前の提案で選択または承認した値またはメンバーに関して知られている情報に基づく可能性が高い値（過去の値がユーザモデル中に位置しない場合）に対応し得る。いくつかの例では、提案生成器８２４、代理１０６、および／またはユーザモデル５０４は、ユーザモデル５０４によって生成された予測の精度を増強および／または改善するためにレップモデル４４０からの情報を使用し得る。レップモデル４４０は、ユーザモデル５０４中に記憶されたデータから暗示および／または推測される情報を含み得る代理１０６によって生成された情報を含み得る。

【0268】

[0278]提案カスタマイズ８３２が終了すると、提案カスタマイズ８３２の結果は、提案生成器８２４の実施を改善すること（たとえば、機械学習モデルおよび／または代理１０６をトレーニングすること、機械学習モデルおよび／または代理１０６を再トレーニングすること、機械学習モデルおよび／または代理１０６の強化学習など）を行うためにトレーニングデータ８２８にパスされ得る。

【0269】

[0279]提案８４０は、（たとえば、代理１０６および／またはメンバーによる）選択のための代理１０６への提示のために提案のセットを記憶するバッファであり得る。提案８４０は、代理１０６および／またはメンバーに提案生成器８２８によって生成された提案を提示することができる（たとえば、ディスプレイインターフェース、通信インターフェース、アプリケーションプログラミングインターフェースなどの）インターフェースを含み得る。いくつかの例では、提案８４０は、（たとえば、精度メトリックなどに基づいて）提案生成器８２８によって、（たとえば、ユーザ入力、ユーザモデルなどを介して）メンバーによって、および／または代理１０６によって決定された順序で提案をランク付けし得る。提案のセットは、複数のタスクのための提案または単一のタスクのための複数の提案を含み得る。たとえば、提案生成器８２４および／または代理１０６は、メンバー１１８のために提案の複数の変形形態を生成し得る。ＨＶＡＣの修理に対応するタスクのための第１の提案は、第１の時間間隔にわたって修理を与える第１のサードパーティサービスプロバイダの識別情報を含み得る。そのタスクのための第２の提案は、異なる時間間隔および／または修理を与える異なるサードパーティサービスプロバイダなどを含み得る。提案生成器８２４および／または代理１０６は、所与のタスクのために単一の提案を生成するか、（たとえば、メンバーに過負荷をかけるのを防げるために）所与のタスクのためにあらかじめ決定された量の提案を生成するか、または所与のタスクのために任意の量の提案を生成し得る。

【0270】

[0280]代理は、メンバーの承認のためにメンバーに提示するために提案８３６から提案を選択し得る。いくつかの例では、メンバーは、特定の提案のさらなるカスタマイズを要求し得る。それらの例では、プロセスは、提案カスタマイズ８３２に戻り得、ここで、提案は、メンバー入力に従ってカスタマイズされ得る。承認された提案は、提案を実行するように割り当てられた当事者（たとえば、タスクの一部または全部を実装するものとして提案によって識別された代理１０６、別の代理、タスク容易化サービス、サードパーティサービスプロバイダなど）に送信され得る。タスク容易化サービスは、（たとえば、タスク容易化サービスと割り当てられた当事者との間の通信を有効化するように構成されたアプリケーションプログラミングインターフェースを使用するなどして）割り当てられた当事者に提案を送信し得る。提案８３６の提案のセットの承認、非承認、および／または修正の指示は、（たとえば、提案生成器８２４および／もしくは代理１０６をさらに改良するために）トレーニングデータ８２８にならびに／またはユーザモデル４３６および／もしくは代理モデル（図示せず）に送信され得る。

【0271】

[0281]図９は、本開示の態様による、代理のセットに対応する代理モデルに基づいて代理にメンバーを割り当てるための例示的なプロセスのフローチャートを示す。ブロック９０４において、クエリのセットは、（たとえば、代理モデル化システム４００、タスク容易化サービス１０２、マッチメイキングシステム５００、コンピューティングシステム、モバイルデバイス、サーバなどによって）送信され得る。クエリのセットを受信するコンピューティングデバイスは、クエリのセットに対する応答のセットを生成するように構成され得る。クエリのセットは、タスク容易化サービスのユーザ（たとえば、前に説明した代理１０６などの代理）に関連する情報についての要求に対応し得る。いくつかの例では、タスク容易化サービスによって受信および／または生成された情報をカプセル化する代理モデルを生成するための情報が要求され得る。情報は、（限定はしないが、クエリのセットへの応答を含む）ユーザによって与えられた情報、（たとえば、限定はしないが、人口統計情報、前に生成されたタスクの識別情報、前に生成されたタスク推奨の識別情報、前に生成されたタスク提案の識別情報などの）ユーザに関連する情報を記憶し得る１つまたは複数の情報ソース（たとえば、他の代理、データベース、サーバなど）の識別情報、（たとえば、家族、友人、同僚、推薦人、他の代理、メンバーなどの）ユーザに関連する１つまたは複数の他のユーザによって与えられた情報、それらの組合せなどを含み得る。

【0272】

[0282]ブロック９０８において、特徴ベクトルは、応答のセットから生成され得る。特徴のセットは、応答のセット、情報ソースのうちの１つまたは複数などから導出され得る。特徴ベクトルは、特徴のセットから生成され得る。特徴ベクトルは、特徴のセットのうちの特徴が値またはデータタイプの予測（たとえば、機械学習モデルによって生成された出力への寄与）であり得る可能性に基づいて決定された特徴のセットのサブセットを含み得る。代替または追加として、特徴のセットのサブセットは、（たとえば、特徴のセットのサブセットが特徴のセット、クエリのセットに対する応答、および／またはタスク容易化サービスの他のメトリックにマッピングする程度に基づく）しきい値精度を維持しながら処理されることになる特徴の量を低減するために選択され得る。そのようなプロセスの例は、限定はしないが、（たとえば、２つ以上の特徴を２つ以上の特徴から導出された新しい特徴に置き換える）特徴抽出、次元削減アルゴリズム、雑音低減重み分散などを含む。

【0273】

[0283]特徴ベクトル中に含まれる特徴のセットのサブセットは、特定の分類法または分類法の階層に従って編成され得る。分類法の例は、限定はしないが、時間（たとえば、基礎をなすデータが受信および／または生成された時間に従って特徴が編成される）、データタイプ、ユーザ識別子、ユーザタイプ、代理の識別子、機械学習モデルタイプ、および／また機械学習モデルによって予想される任意の分類法または構造を含む。分類法の階層は、１つの分類法に従って特徴を編成し、その分類法の内で、より低い優先度をもつ別の分類法に従って特徴を編成するなどであり得る。

【0274】

[0284]ブロック９１２において、代理モデルは、特徴ベクトルから生成され得る。代理モデルは、図４のレップモデル４４０に関して前に説明された代理モデルであり得る。いくつかの例では、１つまたは複数の機械学習モデルは、（たとえば、図４の機械学習モデル４３６に関して説明されたように）代理モデルを生成するために実行し得る。いくつかの例では、代理モデルは、タスク容易化サービス１０２の別のユーザ（たとえば、別の代理など）、（たとえば、自動プロセス、手動プロセス、それらの組合せなどの）タスク容易化サービス１０２の他のプロセス、それらの組合せなどによって生成され得る。他の例では、代理モデルは、機械学習モデルを含み得る。それらの例では、代理モデルは、特徴ベクトルを使用して機械学習モデルをトレーニングすることによって生成され得る。

【0275】

[0285]いくつかの例では、代理モデルは、ユーザの特性に関連する情報を含むユーザに関連するデータ（たとえば、人口統計情報、物理的な特性、関心、および／または趣味など）、ユーザとタスク容易化サービスとの間の対話に関連する情報（たとえば、ユーザによって容易にされた生成されたタスク、推奨されるタスク、生成された提案、実行されたタスク／提案などに関連するおよび／またはそれから導出された情報）、ユーザとユーザに現在または前に割り当てられた１つまたは複数のメンバーとの間の対話に関連する情報（たとえば、ユーザと１つまたは複数のメンバーの間の通信に関連するおよび／またはそれから導出された情報、ユーザに関連する１つまたは複数のメンバーから受信されたフィードバックなど）、（たとえば、メンバーのためにタスクおよび／または提案を生成すること、メンバーにタスクおよび／または提案を調整することなどを行うためにユーザによって使用可能なあらゆる情報などの）ユーザに割り当てられたメンバーに関連する情報、それらの組合せなどの一部または全部を含み得る。情報は、クエリへの応答からおよび／またはタスク容易化サービスの情報を記憶、管理、分散するように構成されたリソースライブラリから受信され得る。

【0276】

[0286]いくつかの例では、代理モデルによって記憶および／または使用される情報は、（たとえば、財務情報、個人を特定できる情報などの）メンバーに関連する機密情報を含み得る。リソースライブラリは、代理モデル中に含まれる情報の一部または全部へのアクセス制限を定義し得る。情報は、ユーザの役割、アクセス証明、アクセスされる情報の使用事例などに基づいて制限され得る。いくつかの例では、アクセス制限を定義することは、代理モデルが制限された情報の値を直接記憶するのを防げることを含み得る。代わりに、代理モデルは、リソースライブラリによって制御されるメモリ中でアドレスへのポインタを記憶し得る。代替または追加として、代理モデルは、アクセスが制限されたものとして分類されている情報の代わりにデータアクセス要求（たとえば、アクセスを要求するおよび／またはリソースライブラリもしくは他のセキュアなストアから制限された情報を取り出すために実行し得る実行可能命令）を記憶し得る。データアクセス要求は、ランタイム時に、代理モデルを使用するデバイスまたはユーザのアクセス証明、（たとえば、代理モデルの現在の使用などに基づく）要求された情報の使用事例などを含むように構成され得る。リソースライブラリは、代理モデルの機能を与えるために代理モデルとともに動作し得る。

【0277】

[0287]代理モデルは、代理にタスク容易化サービス１０２の１つまたは複数のユーザ（たとえば、メンバー）を割り当てること、タスク容易化サービスの１つまたは複数の他のメンバーとの接続を確立することなどを行うために使用可能であり得る。代理モデルはまた、１つまたは複数の他のメンバーとの対話、タスクの生成、タスク推奨の生成、提案の生成などを自動化および／または支援するために使用され得る。

【0278】

[0288]いくつかの例では、代理モデルは、代理モデルによって記憶されたまたはそれに関連するデータを取り出すこと、代理および／または代理によって与えられたサービスに関連する予測を生成することなどを行うように構成された論理、命令、および／または機械学習モデルを含み得る。たとえば、代理モデルは、通信、タスク、タスク推奨、提案などの分野の値を予測するために実行され得る。予測値は、予測が行われているメンバーによって承認される、メンバーの選好および／または特性に調整されるなどの可能性がある値に対応し得る。一例では、代理は、メンバーのためのスペインへの旅行のための提案を定義しており、メンバーのための特定の航空会社施設を識別するために代理モデルを実行し得る。代理モデルは、特定のメンバーまたは特定のメンバーと同様の特性を共有する他のメンバーのために生成された提案を含む代理によって生成された前の提案、代理によってメンバーに関して知られている情報、代理に知られている情報などに基づいて航空会社施設を予測し得る。

【0279】

[0289]ブロック９１６において、代理モデルと１つまたは複数のユーザモデルとの間の対応が決定され得る。タスク容易化サービスは、１つまたは複数のメンバーに対応するユーザモデルを記憶し得る。（たとえば、図５のマッチメイキングシステム５００などの）マッチメイキングシステムは、代理にメンバーを割り当てるために１つまたは複数のユーザモデルと代理モデルとを使用して実行し得る。代理は、次いで、（たとえば、タスク、タスク推奨、提案などを生成する）タスク容易化サービスをメンバーに与え得る。マッチメイキングシステムは、１つまたは複数のユーザモデルと代理モデルとから特徴のセットを導出し、１つまたは複数のユーザモデルと代理モデルとの間の対応を決定するために特徴のセットを使用し得る。いくつかの例では、マッチメイキングシステムは、図５のマッチメイキング５１６に関して説明された機械学習モデルなどの（たとえば、ブロック９１２において使用され得る機械学習モデルとは異なる）１つまたは複数の機械学習モデルを使用し得る。代替的に、マッチメイキングシステムのプロセスおよび／または機能は、代理、他の代理、自動プロセス、および／またはタスク容易化サービスの他のプロセスによって与えられ得る。

【0280】

[0290]いくつかの例では、マッチメイキングシステムは、代理モデルとユーザモデルとの両方の中に存在する共通の特徴を決定することによって代理モデルとユーザモデルとの間の対応を決定し得る。マッチメイキングシステムは、代理モデルとユーザモデルとの両方に共通である特徴のデータタイプに基づいて特徴の量を重み付けし得る。たとえば、関心に対応する特徴の共通のペアは、ロケーションに対応する特徴の共通のペアよりも高いが、言語の流暢さに対応する特徴の共通のペアよりも低く重み付けされ得る。マッチメイキングシステムは、次いで、ユーザモデルと代理モデルとの両方に共通である特徴の重み付けされた量に基づいてマッチング品質メトリックを導出し得る。マッチング品質スコアは、代理にメンバーを割り当てることが、代理とメンバーとの両方のための有効で正の接続に対応することになるという可能性の予測であり得る。

【0281】

[0291]いくつかの例では、ユーザモデルがメンバーのために生成されていないかまたは不完全であるとき（たとえば、新しいメンバーがタスク容易化サービスに登録し、ユーザモデルがまだ生成されていないか、または最小限度のデータを使用して生成されているとき）などに、マッチメイキングシステムは、代理モデルと（たとえば、アンケートまたはクエリへの応答、メンバー入力などの）メンバーに関連する情報との間の対応を決定し得る。特徴は、（たとえば、自然言語分類器、代理１０６または別の代理、自動プロセス、それらの組合せなどを使用して）メンバーに関連する情報から抽出され、正規化され得る。抽出された特徴は、次いで、前に説明されたように、特徴ベクトルと比較され得る。

【0282】

[0292]ブロック９２０において、１つまたは複数のモデルからの特定のユーザモデルの選択が受信され得る。いくつかの例では、特定のユーザモデルは、マッチング品質メトリックに基づいて自動的に選択され得る。それらの例では、マッチメイキングシステムは、１つまたは複数のユーザモデルから、最高のマッチング品質メトリックに対応するユーザモデルを選択し得る。他の例では、マッチメイキングシステムは、複数のユーザモデルを選択し得る。それらの例では、マッチメイキングシステムは、１つまたは複数のユーザモデルから、（たとえば、１つまたは複数のメンバー、マッチメイキングシステム、代理、他の代理、タスク容易化サービスなどによって決定された）あらかじめ決定されたしきい値よりも大きい対応するマッチング品質メトリックをもつユーザモデルを選択し得る。さらにまた他の例では、代理は、１つまたは複数のユーザモデルの検討と対応するマッチング品質メトリックとに基づいて特定のユーザモデルを選択し得る。

【0283】

[0293]ブロック９２４において、特定のユーザモデルに関連するクライアントデバイスへの通信が容易にされ得る。マッチメイキングシステムが代理モデルと特定のユーザモデルをマッチングすると、マッチメイキングシステムは、（たとえば、メンバーデバイス１２０などの）特定のユーザモデルに関連するクライアントデバイスへの通信を容易にし得る。いくつかの例では、通信は、代理に関連するデバイスによって生成および／または送信され得る。他の例では、通信は、マッチメイキングシステムによって生成および／または送信され得る。

【0284】

[0294]通信は、特定のユーザモデルに基づいてカスタマイズされ得る。たとえば、通信は、クライアントデバイスタイプのタイプ（たとえば、コンピューティングデバイス、モバイルデバイスなど）、代理モデル、特定のユーザモデルによって識別された人口統計情報、（たとえば、限定はしないが、特定の通信プロトコル、特定の通信チャネル、特定の通信フォーマット、通信文言などの）特定のユーザモデル中で識別された選好、それらの組合せなどに基づき得る。いくつかの例では、マッチメイキングシステムは、代理および／またはマッチメイキングシステムが（たとえば、代理と特定のユーザプロファイルに対応するメンバーとの間の第１の通信であり得る）通信を生成するのを支援し得る１つまたは複数の通信テンプレートを含み得る。

【0285】

[0295]いくつかの例では、代理が特定のユーザモデルに対応するメンバーにマッチングされると、代理モデルは、代理モデルがユーザモデルにマッチングされたという指示を含めるために更新され得る。代理モデルは、（たとえば、代理に割り当てられた）代理モデルに接続された各ユーザモデル（たとえば、および対応するメンバー）の識別情報を含み得る。代理モデルは、限定はしないが、特定のユーザモデルに関連するクライアントデバイスおよび／または別のデバイスに通信を生成すること、タスクを生成すること、タスク推奨を生成すること、提案を生成することなどを含むメンバーにタスク容易化サービスを与えるために代理によって使用され得る。たとえば、代理モデルは、メンバーのために代理によって生成された前の提案を識別するために使用され得る。代理は、メンバーのための特定の提案を生成するために前の提案を使用し得る。特定の提案は、（たとえば、それはメンバーのために生成された前の提案に基づき得るので）メンバーのためにカスタマイズされ得る。いくつかの例では、代理モデルは、タスク容易化サービスを与えるために別の代理モデルにアクセスし得る。たとえば、第１の代理に前に割り当てられたメンバーが代理に再割り当てされる場合、代理モデルは、前の代理の代理モデルにアクセスするために使用され得る。いくつかの例では、代理モデルは、特定のユーザモデルに対応する前の代理の代理モデルのデータをダウンロードし得る。他の例では、前に割り当てられた代理からのデータを含む新しい代理モデルが生成され得る。

【0286】

[0296]図９の代替プロセスでは、単一のメンバーは、代理のセットのうちの代理にマッチングされ得る。そのプロセスでは、マッチメイキングシステムは、メンバーに対応するユーザプロファイルにマッチングされ得る特定の代理モデルを識別するために代理のセットに対応する代理モデルのセットのためのマッチング品質メトリックを生成し得る。

【0287】

[0297]マッチメイキングシステムは、代理とメンバーとの間のマッチングを定期的に再評価し得る。いくつかの例では、マッチメイキングシステムは、通常の間隔で（たとえば、代理、メンバー、マッチメイキングシステム、タスク容易化システムなどによって選択された３か月または任意のあらかじめ決定された時間間隔ごとに）マッチングを再評価し得る。いくつかの例では、マッチメイキングシステムは、限定はしないが、メンバーからのフィードバック、代理からのフィードバック、メンバーのために代理によってあらかじめ決定された量のタスク推奨および／または提案が生成された後など１つまたは複数のイベントを検出するとマッチングを再評価し得る。

【0288】

[0298]いくつかの例では、代理モデルが追加、除去、および／または作り直され得る（たとえば、新しい代理モデルが生成され得る）。代理に対応するデータ、代理に割り当てられたメンバー、および代理によって与えられたサービスは、代理がタスク容易化サービスと対話するおよび／またはメンバーが代理に割り当てられるたびに受信および／または生成され得る。代理モデルは、新しいデータが受信および／または生成されるときにそれを追加することによって修正され得る。代替的に、新しい代理モデルは、（ブロック９０８および９１２ならびに／または図４のプロセスに従って）生成され得る。いくつかの例では、限定はしないが、あらかじめ決定された量の新しいデータが利用可能になること、あらかじめ決定された量のタスク推奨が生成されたこと、あらかじめ決定された量の提案が生成されたこと、代理モデルに割り当てられたメンバーからのフィードバック、代理および／または他の代理からのフィードバック、タスク容易化サービスからのフィードバック、あらかじめ決定された時間間隔が経過したこと、それらの組合せなどのあらかじめ決定されたイベントに基づいて、代理モデルが修正され得るか、または新しいモデルが生成され得る。

【0289】

[0299]図１０は、本開示の態様による、タスク実行を容易にするための例示的な環境１０００のブロック図を示す。いくつかの例では、代理１００４によって実施される動作は、１つまたは複数の機械学習アルゴリズム、人工知能システムおよび／または計算モデルを使用して部分的におよび／または完全に実施される。たとえば、代理１００４がメンバー１０１２に代わってタスクを実施するかまたはそれの実施を調整するときに、タスク容易化サービス１００２は、メンバー１０１２のプロファイルおよび／またはメンバー１０１２のプロファイルの計算モデルを更新し得る。

【0290】

[0300]いくつかの例では、代理１００４がメンバー１０１２に代わってタスクを実施するかあるいはそれの実施を調整するときに、タスク容易化サービス１００２は、メンバー１０１２のプロファイルおよび／またはメンバー１０１２のプロファイルの計算モデルを連続的に更新する。たとえば、メンバー１０１２がタスク容易化サービス１００２のシステムと通信するとき、タスク容易化サービス１００２は、対話中に連続的にメンバー１０１２のプロファイルおよび／またはメンバー１０１２のプロファイルの計算モデルを更新し得る。

【0291】

[0301]いくつかの例では、代理１００４がメンバー１０１２に代わってタスクを実施するかまたはそれの実施を調整するときに、タスク容易化サービス１００２は、メンバー１０１２のプロファイルおよび／またはメンバー１０１２のプロファイルの計算モデルを動的に更新する。たとえば、タスクがメンバー１０１２に代わって実施されるとき、タスクを実施するベンダーは、タスク容易化サービス１００２に通常の更新を与え得、タスク容易化サービス１００２は、ベンダーからの各更新時に動的にメンバー１０１２のプロファイルおよび／またはメンバー１０１２のプロファイルの計算モデルを更新し得る。

【0292】

[0302]いくつかの例では、代理１００４がメンバー１０１２に代わってタスクを実施するかあるいはそれの実施を調整するときに、タスク容易化サービス１００２は、メンバー１０１２のプロファイルおよび／またはメンバー１０１２のプロファイルの計算モデルを自動的に更新する。たとえば、提案がメンバーのために生成されるとき、タスク容易化サービス１００２は、提案の生成プロセスの部分として自動的にメンバー１０１２のプロファイルおよび／またはメンバー１０１２のプロファイルの計算モデルを更新し得る。

【0293】

[0303]いくつかの例では、代理１００４がメンバー１０１２に代わってタスクを実施するかあるいはそれの実施を調整するときに、タスク容易化サービス１００２は、メンバー１０１２のプロファイルおよび／またはメンバー１０１２のプロファイルの計算モデルをリアルタイムに更新する。たとえば、メンバー１０１２が提案を受け入れるとき、タスク容易化サービス１００２は、更新を遅延させるのではなく、提案の受入れが与えられたときにメンバー１０１２のプロファイルおよび／またはメンバー１０１２のプロファイルの計算モデルを更新し得る。

【0294】

[0304]いくつかの例では、タスク容易化サービス１００２は、タスク容易化サービス１００２の機械学習サブシステム１００６を使用してメンバー１０１２のプロファイルおよび／またはメンバー１０１２のプロファイルの計算モデルを更新する。いくつかの例では、機械学習サブシステム１００６は、機械学習アルゴリズム、人工知能システム、および／または計算モデルを実装するために構成されたタスク容易化サービス１００２の構成要素である。一例では、機械学習サブシステム１００６は、サンプルおよび／またはライブデータを使用して機械学習モデルをトレーニングするために様々なアルゴリズムを使用し得る。さらに、機械学習サブシステム１００６は、新しいデータが受信されるときに機械学習モデルを更新し得る。別の例では、機械学習サブシステム１００６は、様々な人工知能システムをトレーニングおよび／もしくは更新するか、または様々な計算モデルを生成、トレーニング、および／または更新し得る。たとえば、メンバー１０１２のプロファイルの計算モデルは、新情報がメンバー１０１２に関して受信されるときに機械学習サブシステム１００６によって、生成、トレーニングおよび／または更新され得る。

【0295】

[0305]いくつかの例では、メンバー１０１２のプロファイルおよび／またはメンバー１０１２のプロファイルの計算モデルがある時間期間（たとえば、６か月、一年など）にわたっておよび／またはタスクのセット（たとえば、２０個のタスク、３０個のタスクなど）を介して更新された後、タスク容易化サービス１００２のシステム（たとえば、タスク推奨システム）は、新しいタスクを連続的で、自動的で、動的で、リアルタイムに生成するために１つまたは複数の機械学習アルゴリズム、人工知能システム、および／または計算モデルを利用する。たとえば、タスク推奨システムは、代理の対話有りでまたは無しでメンバーのプロファイルの様々な属性（たとえば、メンバーと代理との間の通信に対応する履歴データ、代理の実施および提示されたタスク／提案に対応するメンバーのフィードバックなど）に基づいて新しいタスクを生成し得る。いくつかの例では、タスク容易化サービス１００２のシステム（たとえば、タスク推奨システム）は、何らかの追加情報を取得するためにメンバー１０１２と自動的に通信し、これらのタスクの実施のためにメンバー１０１２に提示され得る提案を生成することもできる。

【0296】

[0306]図１０に示されている例では、メンバー１０１２とタスク容易化サービス１００２との間の通信は、タスク容易化サービス１００２内の１つまたは複数のエンティティにルーティングされ得る。図１０に示されている例は、（図中で「ルータ」と呼ばれる）通信ルータ１０１４を示すが、企図されるように、図１０に示されているように、ルータ１０１４は、エンティティ間の通信をルーティングするための１つまたは複数の技法の抽象的な表現である。したがって、メンバー１０１２からタスク容易化サービス１００２への通信は、タスク容易化サービスの１つまたは複数のエンティティにルーティングされ得、タスク容易化サービス１００２の１つまたは複数のエンティティからの通信は、メンバー１０１２にルーティングされて戻され得る。

【0297】

[0307]図１０に示されている例では、通信が代理１００４にルーティングされ１０１６、タスク容易化サービスシステムおよび／またはサブシステム１００８にもルーティングされ得る１０１８ので、代理１００４は、対話が本明細書で説明されるように肯定極性を維持することを保証するためにタスク容易化サービスシステムおよび／またはサブシステム１００８とメンバー１０１２との間の通信を監視することができる。たとえば、メンバー１０１２がタスク推奨システムと対話している場合、代理１００４は、メンバー１０１２が対話に満足しているのかどうかを決定することができる。会話が否定極性を有すると（たとえば、メンバー１０１２が対話に満足していないと）代理１００４が決定する場合、代理１００４は、対話を改善するために介入し得る。

【0298】

[0308]同様に、タスク容易化サービスシステムおよび／またはサブシステム１００８とメンバー１０１２との間の他の対話は、タスク容易化サービスシステムおよび／またはサブシステム１００８とメンバー１０１２との間の対話を監視するように構成され得るメンバー通信サブシステム１０２２にルーティングされ得る１０２０。いくつかの例では、メンバー通信サブシステム１０２２は、（たとえば、ルータ１０１４を使用して）タスク容易化サービスシステムおよび／またはサブシステム１００８とメンバー１０１２との間の対話をインターセプトするように構成され得る。それらの例では、すべてのそのような対話は、メンバー１０１２とメンバー通信サブシステム１０２２との間でルーティングされ得１０２０、メンバー通信サブシステム１０２２とタスク容易化サービスシステムおよび／またはサブシステム１００８との間でルーティングされ得る１０２４。それらの例では、タスク容易化サービスシステムおよび／またはサブシステム１００８とメンバー１０１２との間の対話は、直接ルーティングされないことがある１０１８。それらの例では、代理１００４は、対話が（たとえば、対話を代理１００４にルーティングする１０１６ことによって）上記で説明されたように肯定極性を維持することを保証するためにタスク容易化サービスシステムおよび／またはサブシステム１００８とメンバー１０１２との間の対話を依然として監視し得る。

【0299】

[0309]いくつかの例では、代理１００４は、代理１００４とメンバー１０１２との間の対話に基づいてメンバー選好を変更することを示すメンバーのプロファイルを更新するために機械学習サブシステム１００６と対話することができる。いくつかの例では、タスク容易化サービスシステムおよび／またはサブシステム１００８は、たとえば、提案が受け入れられるかまたは拒否されるときにメンバーのプロファイルを更新するために機械学習サブシステム１００６と対話することができる。さらに、図１０に示されているように、タスク容易化サービス１００２とメンバー１０１２との間の対話は、メンバー通信サブシステム１０２２と機械学習サブシステム１００６との間でさらにルーティングされ得る１０２６。したがって、メンバー１０１２と、たとえば、提案作成サブシステムとの間の対話は、提案が作成されるときにメンバーのプロファイルを更新するために使用され得る。

【0300】

[0310]したがって、システムおよび環境が、エージェントおよび／または他の自動化されたシステムとのユーザの対話についてほとんどまたはまったく知識を有し得ない自動化された顧客サービスシステムおよび環境とは異なり、タスク容易化サービスシステムおよび／またはサブシステム１００８は、メンバー１０１２のプロファイルおよび／またはメンバー１０１２のプロファイルの計算モデルを連続的に、動的に、自動的に、および／またはリアルタイムに更新することができる。たとえば、タスク容易化サービスシステムおよび／またはサブシステム１００８は、本明細書で説明されるように機械学習サブシステム１００６を使用してメンバー１０１２のプロファイルおよび／またはメンバー１０１２のプロファイルの計算モデルを更新することができる。したがって、タスク容易化サービスシステムおよび／またはサブシステム１００８は、タスク容易化サービス１００２とのメンバーの自動対話に基づいて、代理１００４とのメンバーの対話に基づいて、および／または時間とともにメンバー１０１２に代わって実施されたタスクに基づいてメンバーに関する最新の情報を与えるためにメンバー１０１２のプロファイルおよび／またはメンバー１０１２のプロファイルの計算モデルを更新することができる。この情報はまた、タスクおよび／または提案が、メンバー１０１２のために作成され、提案され、実施されるときに連続的に、自動的に、動的に、および／またはリアルタイムに更新され得る。この情報はまた、（たとえば、メンバー１０１２のクエリ、要求、および／または目標に応答して）メンバー１０１２との適切なまたはインテリジェントな対話を予期し、識別し、提示するためにタスク容易化サービス１００２によって使用され得る。

【0301】

[0311]図１１は、本開示の態様による、接続を使用して互いに電気通信している様々な構成要素を含む例示的なコンピューティングシステムアーキテクチャを示す。図１１に示されている例示的なコンピューティングシステムアーキテクチャ１１００は、いくつかの実装形態による、バスなどの接続１１０６を使用して互いに電子通信している様々な構成要素を有するコンピューティングデバイス１１０２を含む。例示的なコンピューティングシステムアーキテクチャ１１００は、接続１１０６を使用して様々なシステム構成要素と電子通信し、システムメモリ１１１４を含む処理ユニット１１０４を含む。いくつかの実施形態では、システムメモリ１１１４は、読取り専用メモリ（ＲＯＭ）と、ランダムアクセスメモリ（ＲＡＭ）と、限定はしないが、本明細書で説明されるメモリを含む他のそのようなメモリ技術とを含む。いくつかの実施形態では、例示的なコンピューティングシステムアーキテクチャ１１００は、プロセッサ１１０４と直接接続された、プロセッサ１１０４に極めて近接した、またはプロセッサ１１０４の一部として統合された、高速メモリのキャッシュ１１０８を含む。システムアーキテクチャ１１００は、プロセッサ１１０４による迅速なアクセスのために、メモリ１１１４および／または記憶デバイス１１１０からキャッシュ１１０８にデータをコピーすることができる。このようにして、キャッシュ１１０８は、データを待つことによるプロセッサ１１０４中でのプロセッサの遅延を減少または除去する性能の向上を与えることができる。本明細書で説明されるものなどのモジュール、方法およびサービスを使用して、プロセッサ１１０４は、様々な行為を実施するように構成され得る。いくつかの実施形態では、キャッシュ１１０８は、たとえば、レベル１（Ｌ１）キャッシュとレベル２（Ｌ２）キャッシュとを含む複数のタイプのキャッシュを含み得る。メモリ１１１４は、本明細書ではシステムメモリまたはコンピュータシステムメモリと呼ばれることがある。メモリ１１１４は、いろいろな時に、オペレーティングシステムの要素、１つもしくは複数のアプリケーション、オペレーティングシステムまたは１つもしくは複数のアプリケーションに関連するデータ、またはコンピューティングデバイス１１０２に関連する他のそのようなデータを含み得る。

【0302】

[0312]他のシステムメモリ１１１４も、使用のために利用可能であり得る。メモリ１１１４は、異なる性能特性をもつ、複数の異なるタイプのメモリを含むことができる。プロセッサ１１０４は、任意の汎用プロセッサと、プロセッサ１１０４ならびに専用プロセッサを制御するように構成された、ストレージデバイス１１１０中に記憶されたサービス１１１２などの１つまたは複数のハードウェアまたはソフトウェアサービスとを含むことができ、ここで、ソフトウェア命令は、実際のプロセッサ設計に組み込まれる。プロセッサ１１０４は、複数のコアまたはプロセッサ、コネクタ（たとえば、バス）、メモリ、メモリコントローラ、キャッシュなどを含んでいる完全な自己完結型のコンピューティングシステムであり得る。いくつかの実施形態では、複数のコアをもつそのような自己完結型のコンピューティングシステムは対称的である。いくつかの実施形態では、複数のコアをもつそのような自己完結型のコンピューティングシステムは非対称的である。いくつかの実施形態では、プロセッサ１１０４は、マイクロプロセッサ、マイクロコントローラ、デジタル信号プロセッサ（「ＤＳＰ」）、またはこれらのおよび／もしくは他のタイプのプロセッサの組合せであり得る。いくつかの実施形態では、プロセッサ１１０４は、コア、１つまたは複数のレジスタ、および論理演算装置（ＡＬＵ）、浮動小数点ユニット（ＦＰＵ）、グラフィックス処理ユニット（ＧＰＵ）、物理処理ユニット（ＰＰＵ）、デジタルシステム処理（ＤＳＰ）ユニット、またはこれらのおよび／もしくは他のそのような処理ユニットの組合せなどの１つまたは複数の処理ユニットなどの複数の要素を含むことができる。

【0303】

[0313]コンピューティングシステムアーキテクチャ１１００とのユーザ対話を可能にするために、入力デバイス１１１６は、スピーチのためのマイクロフォン、ジェスチャまたはグラフィカル入力のためのタッチセンシティブスクリーン、キーボード、マウス、モーション入力、ペン、および他のそのような入力デバイスなど、任意の数の入力機構を表すことができる。出力デバイス１１１８はまた、限定はしないが、モニタ、スピーカ、プリンタ、触覚デバイス、および他のそのような出力デバイスを含む当業者に知られているいくつかの出力機構のうちの１つまたは複数であり得る。いくつかの事例では、マルチモーダルシステムは、ユーザが、コンピューティングシステムアーキテクチャ１１００と通信するために複数のタイプの入力を提供することを可能にすることができる。いくつかの実施形態では、入力デバイス１１１６および／または出力デバイス１１１８は、たとえば、本明細書で説明されるネットワークインターフェース１１２０などの通信インターフェースなどの遠隔接続デバイスを使用してコンピューティングデバイス１１０２に結合され得る。そのような実施形態では、通信インターフェースは、付属の入力デバイス１１１６および／または出力デバイス１１１８から受信された入力および出力を統制および管理することができる。企図されるように、任意の特有のハードウェア構成上で動作することに対する制限はなく、したがって、ここでの基本的特徴は、他のハードウェア構成、ソフトウェア構成、またはファームウェア構成が開発されるにつれて、それらで容易に代用され得る。

【0304】

[0314]いくつかの実施形態では、ストレージデバイス１１１０は、不揮発性記憶装置または不揮発性メモリとして説明され得る。そのような不揮発性メモリまたは不揮発性記憶装置は、磁気カセット、フラッシュメモリカード、固体メモリデバイス、デジタル多用途ディスク、カートリッジ、ＲＡＭ、ＲＯＭ、およびそれらのハイブリッドなど、コンピュータによってアクセス可能であるデータを記憶することができるハードディスクまたは他のタイプのコンピュータ可読媒体であり得る。

【0305】

[0315]上記で説明されたように、ストレージデバイス１１１０は、限定はしないが、様々な実施形態において本明細書で説明される方法、プロセス、機能、システム、およびサービスを含む１つまたは複数の機能を実施するようにプロセッサ１１０４を制御または構成することができるサービス１１１２などのハードウェアサービスおよび／またはソフトウェアサービスを含むことができる。いくつかの実施形態では、ハードウェアサービスまたはソフトウェアサービスは、モジュールとして実装され得る。例示的なコンピューティングシステムアーキテクチャ１１００に示されているように、ストレージデバイス１１１０は、システム接続１１０６を使用してコンピューティングデバイス１１０２の他の部分に接続され得る。一実施形態では、機能を実施するサービス１１１２などのハードウェアサービスまたはハードウェアモジュールは、プロセッサ１１０４、接続１１０６、キャッシュ１１０８、ストレージデバイス１１１０、メモリ１１１４、入力デバイス１１１６、出力デバイス１１１８などの必要なハードウェア構成要素とともに、本明細書で説明される機能など機能を実行することができる非一時的コンピュータ可読媒体中に記憶されたソフトウェア構成要素を含むことができる。

【0306】

[0316]タスク容易化サービス（たとえば、少なくとも図１に関して本明細書で説明されるタスク容易化サービス１０２）の開示されるシステムおよびサービスは、例示的なコンピューティングシステムアーキテクチャ１１００の１つまたは複数の構成要素を使用する、図１１に示されている例示的なコンピューティングシステムなどのコンピューティングシステムを使用して実施され得る。例示的なコンピューティングシステムは、プロセッサ（たとえば、中央処理ユニット）と、メモリと、不揮発性メモリと、インターフェースデバイスとを含むことができる。メモリは、データおよび／または１つまたは複数のコードセット、ソフトウェア、スクリプトなどを記憶し得る。コンピュータシステムの構成要素は、バスを介してまたは何らかの他の知られているまたは好都合のデバイスを通して一緒に結合され得る。

【0307】

[0317]いくつかの実施形態では、プロセッサは、たとえば、プロセッサ１１０４などのプロセッサを使用してコードを実行することによって本明細書で説明されるタスク容易化サービス（たとえば、少なくとも図１に関して本明細書で説明されるタスク容易化サービス１０２）に関連する提案を生成するための方法およびシステムの一部または全部を実行するように構成され得、ここにおいて、コードは、本明細書で説明されるように、メモリ１１１４などのメモリ中に記憶される。ユーザデバイス、プロバイダサーバもしくはシステム、データベースシステム、または他のそのようなデバイス、サービスもしくはシステムのうちの１つまたは複数は、本明細書で説明される例示的なコンピューティングシステムアーキテクチャ１１００の１つまたは複数の構成要素を使用する図１１に示されている例示的なコンピューティングシステムなどのコンピューティングシステムの構成要素の一部または全部を含み得る。企図されるように、そのようなシステムの変形形態は本開示の範囲内にあると見なされ得る。

【0308】

[0318]本開示は、任意の好適な物理的形態をとるコンピュータシステムを企図する。限定ではなく例として、コンピュータシステムは、組込み型コンピュータシステム、システムオンチップ（ＳＯＣ）、（たとえば、コンピュータオンモジュール（ＣＯＭ）またはシステムオンモジュール（ＳＯＭ）などの）シングルボードコンピュータシステム（ＳＢＣ）、デスクトップコンピュータシステム、ラップトップもしくはノートブックコンピュータシステム、タブレットコンピュータシステム、ウェアラブルコンピュータシステムもしくはインターフェース、対話型キオスク、メインフレーム、コンピュータシステムのメッシュ、携帯電話、携帯情報端末（ＰＤＡ）、サーバ、またはこれらのうちの２つまたはそれ以上の組合せであり得る。適切な場合、コンピュータシステムは、コンピューティングリソースプロバイダ１１２８に関連して本明細書で説明されるように、ユニタリーであるかまたは分散された、複数のロケーションにわたる、複数の機械にわたる、および／あるいは１つまたは複数のネットワーク中の１つまたは複数のクラウド構成要素を含み得るクラウドコンピューティングシステム中に存在する１つまたは複数のコンピュータシステムを含み得る。適切な場合、１つまたは複数のコンピュータシステムは、実質的な空間的または時間的限定なしに本明細書で説明または例示されている１つまたは複数の方法の１つまたは複数のステップを実施し得る。限定ではなく例として、１つまたは複数のコンピュータシステムは、リアルタイムでまたはバッチモードで本明細書で説明または例示されている１つまたは複数の方法の１つまたは複数のステップを実施し得る。１つまたは複数のコンピュータシステムは、適切な場合、異なる時間にまたは異なるロケーションで本明細書で説明または例示されている１つまたは複数の方法の１つまたは複数のステップを実施し得る。

【0309】

[0319]プロセッサ１１０４は、Ｉｎｔｅｌ（登録商標）マイクロプロセッサ、ＡＭＤｌ（登録商標）マイクロプロセッサ、Ｍｏｔｏｒｏｌａｌ（登録商標）マイクロプロセッサ、または他のそのようなマイクロプロセッサなどの従来のマイクロプロセッサであり得る。「機械可読（記憶）媒体」または「コンピュータ可読（記憶）媒体」という用語がプロセッサによってアクセス可能である任意のタイプのデバイスを含むことを、当業者は認識されよう。

【0310】

[0320]メモリ１１１４は、たとえば、コネクタ１１０６などのコネクタまたはバスによってプロセッサ１１０４に結合され得る。本明細書で使用されるコネクタ１１０６などのコネクタまたはバスは、コンピューティングデバイス１１０２内の構成要素の間でデータを転送する通信システムであり、いくつかの実施形態では、コンピューティングデバイスの間でデータを転送するために使用され得る。コネクタ１１０６は、データバス、メモリバス、システムバス、または他のそのようなデータ転送機構であり得る。そのようなコネクタの例は、限定はしないが、業界標準アーキテクチャ（ＩＳＡ）バス、拡張ＩＳＡ（ＥＩＳＡ）バス、パラレルＡＴアタッチメント（ＰＡＴＡ）バス（たとえば、統合ドライブエレクトロニクス（ＩＤＥ）もしくは拡張ＩＤＥ（ＥＩＤＥ）バス）、または様々なタイプの周辺構成要素相互接続（ＰＣＩ）バス（たとえば、ＰＣＩ、ＰＣＩｅ、ＰＣＩ－１０４など）を含む。

【0311】

[0321]メモリ１１１４は、限定はしないが、ダイナミックＲＡＭ（ＤＲＡＭ）、スタティックＲＡＭ（ＳＲＡＭ）、同期ダイナミックＲＡＭ（ＳＤＲＡＭ）、不揮発性ランダムアクセスメモリ（ＮＶＲＡＭ）、および他のタイプのＲＡＭを含むＲＡＭを含むことができる。ＤＲＡＭは、誤り訂正符号（ＥＥＣ）を含み得る。メモリはまた、限定はしないが、プログラマブルＲＯＭ（ＰＲＯＭ）、消去可能プログラマブルＲＯＭ（ＥＰＲＯＭ）、電気的消去可能プログラマブルＲＯＭ（ＥＥＰＲＯＭ（登録商標））、フラッシュメモリ、マスクＲＯＭ（ＭＲＯＭ）、および他のタイプのＲＯＭを含むＲＯＭを含むことができる。メモリ１１１４はまた、読取り専用記憶媒体（たとえば、ＣＤ ＲＯＭおよびＤＶＤ ＲＯＭ）または別の記憶媒体（たとえば、ＣＤまたはＤＶＤ）を含む磁気または光学データ記憶媒体を含むことができる。メモリは、ローカルであるか、リモートであるか、または分散され得る。

【0312】

[0322]上記で説明されたように、コネクタ１１０６（またはバス）はまたプロセッサ１１０４を、不揮発性メモリまたは記憶装置を含み得、ドライブユニットをも含み得るストレージデバイス１１１０に結合することができる。いくつかの実施形態では、不揮発性メモリまたは記憶装置は、磁気フロッピー（登録商標）もしくはハードディスク、磁気光ディスク、光ディスク、ＲＯＭ（たとえば、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、ＥＰＲＯＭ、もしくはＥＥＰＲＯＭ）、磁気もしくは光学カード、または別の形態のデータのための記憶装置である。このデータの一部は、直接メモリアクセスプロセスによって、コンピュータシステム中のソフトウェアの実行中にメモリに書き込まれ得る。不揮発性メモリまたは記憶装置は、ローカルであるか、リモートであるか、または分散され得る。いくつかの実施形態では、不揮発性メモリまたは記憶装置は随意である。企図されるように、コンピューティングシステムは、メモリ中で利用可能なすべての適用可能なデータを用いて作成され得る。典型的なコンピュータシステムは、通常、少なくとも１つのプロセッサと、メモリと、メモリをプロセッサに結合するデバイス（たとえば、バス）とを含むことになる。

【0313】

[0323]ソフトウェアおよび／またはソフトウェアに関連するデータは、不揮発性メモリおよび／またはドライブユニットに記憶され得る。いくつかの実施形態では（たとえば、大きいプログラムの場合）、メモリ中にプログラムおよび／またはデータ全体を常時記憶することが可能でないことがある。そのような実施形態では、プログラムおよび／またはデータは、たとえば、ストレージデバイス１１１０などの追加のストレージデバイスからメモリ内外に移動され得る。それにもかかわらず、ソフトウェアが稼働するために、必要な場合、処理に適したコンピュータ可読ロケーションに移動され、説明のために、そのロケーションは、本明細書ではメモリと呼ばれることを理解されたい。ソフトウェアが実行のためにメモリに移動されたときでも、プロセッサは、ソフトウェアに関連する値を記憶するためにハードウェアレジスタと、理想的には、実行を高速化するように働くローカルキャッシュとを利用することができる。本明細書で使用されるソフトウェアプログラムは、そのソフトウェアプログラムが「コンピュータ可読媒体において実装される」と呼ばれるとき、任意の知られているまたは好都合なロケーション（不揮発性記憶装置からハードウェアレジスタまで）に記憶されると仮定される。プログラムに関連する少なくとも１つの値がプロセッサによって読取り可能なレジスタに記憶されるとき、プロセッサは、「プログラムを実行するように構成される」と見なされる。

【0314】

[0324]接続１１０６はまた、ネットワークインターフェース１１２０などのネットワークインターフェースデバイスにプロセッサ１１０４を結合することができる。インターフェースは、限定はしないが、モデムまたは本明細書で説明されるものを含む他のそのようなネットワークインターフェースのうちの１つまたは複数を含むことができる。ネットワークインターフェース１１２０が、コンピューティングデバイス１１０２の部分であると見なされ得るか、またはコンピューティングデバイス１１０２とは別個のものであり得ることを諒解されよう。ネットワークインターフェース１１２０は、アナログモデム、統合サービスデジタルネットワーク（ＩＳＤＮ）モデム、ケーブルモデム、トークンリングインターフェース、衛星送信インターフェース、または他のコンピュータシステムにコンピュータシステムを結合するための他のインターフェースのうちの１つまたは複数を含むことができる。いくつかの実施形態では、ネットワークインターフェース１１２０は、１つまたは複数の入力および／または出力（Ｉ／Ｏ）デバイスを含むことができる。入出力デバイスは、限定ではなく例として、入力デバイス１１１６などの入力デバイスおよび／または出力デバイス１１１８などの出力デバイスを含むことができる。たとえば、ネットワークインターフェース１１２０は、キーボードと、マウスと、プリンタと、スキャナと、ディスプレイデバイスと、他のそのような構成要素とを含み得る。本明細書では、入力デバイスと出力デバイスとの他の例について説明される。いくつかの実施形態では、通信インターフェースデバイスは、完全で別個のコンピューティングデバイスとして実装され得る。

【0315】

[0325]動作中、コンピュータシステムは、ディスクオペレーティングシステムなどのファイル管理システムを含むオペレーティングシステムソフトウェアによって制御され得る。関連するファイル管理システムソフトウェアをもつオペレーティングシステムソフトウェアの一例は、Ｗｉｎｄｏｗｓ（登録商標）オペレーティングシステムのファミリおよびそれらの関連するファイル管理システムである。それの関連するファイル管理システムソフトウェアをもつオペレーティングシステムソフトウェアの別の例は、限定はしないが、Ｌｉｎｕｘ（登録商標）オペレーティングシステムおよびそれらの関連するファイル管理システムの様々なタイプおよび実装形態を含むＬｉｎｕｘオペレーティングシステムおよびそれの関連するファイル管理システムである。ファイル管理システムは、不揮発性メモリおよび／または駆動ユニット中に記憶され得、データを入力および出力することと、不揮発性メモリおよび／または駆動ユニット上にファイルを記憶することを含むメモリ中にデータを記憶することとをオペレーティングシステムが行うために必要とされる様々な行為を実行することをプロセッサに行わせることができる。企図されるように、たとえば、ＭａｃＯＳ（登録商標）、他のタイプのＵＮＩＸ（登録商標）オペレーティングシステム（たとえば、ＢＳＤ（登録商標）および子孫、Ｘｅｎｉｘ（登録商標）、ＳｕｎＯＳ（登録商標）、ＨＰ－ＵＸ（登録商標）など）、モバイルオペレーティングシステム（たとえば、ｉＯＳ（登録商標）および変形形態、Ｃｈｒｏｍｅ（登録商標）、Ｕｂｕｎｔｕ Ｔｏｕｃｈ（登録商標）、ｗａｔｃｈＯＳ（登録商標）、Ｗｉｎｄｏｗｓ １０ Ｍｏｂｉｌｅ（登録商標）、Ｂｌａｃｋｂｅｒｒｙ（登録商標）ＯＳなど）、およびリアルタイムオペレーティングシステム（たとえば、ＶｘＷｏｒｋｓ（登録商標）、ＱＮＸ（登録商標）、ｅＣｏｓ（登録商標）、ＲＴＬｉｎｕｘなど）などの他のタイプのオペレーティングシステムは、本開示の範囲内であると見なされ得る。企図されるように、本明細書に記載するオペレーティングシステム、モバイルオペレーティングシステム、リアルタイムオペレーティングシステム、言語、およびデバイスの名前は様々な関連するエンティティの登録商標、サービスマーク、または設計であり得る。

【0316】

[0326]いくつかの実施形態では、コンピューティングデバイス１１０２は、ネットワークインターフェース１１２０などの接続を使用してネットワーク１１２２を介してコンピューティングデバイス１１２４などの１つまたは複数の追加のコンピューティングデバイスに接続され得る。そのような実施形態では、コンピューティングデバイス１１２４は、コンピューティングデバイス１１０２上で動作するプログラムおよび／またはサービスの制御下でまたはそれに代わって１つまたは複数の機能を実施するために１つまたは複数のサービス１１２６を実行し得る。いくつかの実施形態では、コンピューティングデバイス１１２４などのコンピューティングデバイスは、限定はしないが、プロセッサ１１０４などのプロセッサと、接続１１０６などの接続と、キャッシュ１１０８などのキャッシュと、ストレージデバイス１１１０などのストレージデバイスと、メモリ１１１４などのメモリと、入力デバイス１１１６などの入力デバイスと、出力デバイス１１１８などの出力デバイスとを含むコンピューティングデバイス１１０２に関して説明された構成要素のタイプのうちの１つまたは複数を含み得る。そのような実施形態では、コンピューティングデバイス１１２４は、コンピューティングデバイス１１０２に関して本明細書で説明された機能などの機能を実行することができる。いくつかの実施形態では、コンピューティングデバイス１１０２は、コンピューティングデバイス１１２４などの複数のコンピューティングデバイスに接続され得、その各々は、同じく、コンピューティングデバイス１１２４などの複数のコンピューティングデバイスに接続され得る。そのような実施形態は、本明細書では分散コンピューティング環境と呼ばれることがある。

【0317】

[0327]ネットワーク１１２２は、インターネット、イントラネット、エクストラネット、セルラーネットワーク、Ｗｉ－Ｆｉ（登録商標）ネットワーク、ローカルエリアネットワーク（ＬＡＮ）、ワイドエリアネットワーク（ＷＡＮ）、衛星ネットワーク、Ｂｌｕｅｔｏｏｔｈ（登録商標）ネットワーク、バーチャルプライベートネットワーク（ＶＰＮ）、公衆交換電話網、赤外線（ＩＲ）ネットワーク、モノのインターネット（ＩｏＴネットワーク）、または任意の他のそのようなネットワークもしくはネットワークの組合せを含む任意のネットワークであり得る。ネットワーク１１２２を介した通信は、ワイヤード接続、ワイヤレス接続、またはそれらの組合せであり得る。ネットワーク１１２２を介した通信は、限定はしないが、伝送制御プロトコル／インターネットプロトコル（ＴＣＰ／ＩＰ）、ユーザデータグラムプロトコル（ＵＤＰ）、開放型システム間相互接続（ＯＳＩ）モデルの様々なレイヤ中のプロトコル、ファイル転送プロトコル（ＦＴＰ）、ユニバーサルプラグアンドプレイ（ＵＰｎＰ）、ネットワークファイルシステム（ＮＦＳ）、サーバメッセージブロック（ＳＭＢ）、共通インターネットファイルシステム（ＣＩＦＳ）、および他のそのような通信プロトコルを含む様々な通信プロトコルを介して行われ得る。

【0318】

[0328]ネットワーク１１２２を介した通信は、コンピューティングデバイス１１０２内に、コンピューティングデバイス１１２４内に、またはコンピューティングリソースプロバイダ１１２８内に本明細書ではコンテンツと呼ばれることもある情報を含むことができる。情報は、コンピューティングデバイス１１０２などのコンピューティングデバイスのユーザに与えられ得るテキスト、グラフィックス、オーディオ、ビデオ、触覚、および／または任意の他の情報を含み得る。一実施形態では、情報は、ハイパーテキストマークアップ言語（ＨＴＭＬ）、拡張可能マークアップ言語（ＸＭＬ）、Ｊａｖａ（登録商標）Ｓｃｒｉｐｔ、カスケーディングスタイルシート（ＣＳＳ）、ＪａｖａＳｃｒｉｐｔ（登録商標）Ｏｂｊｅｃｔ Ｎｏｔａｔｉｏｎ（ＪＳＯＮ）、ならびに他のそのようなプロトコルおよび／または構造化言語などの転送プロトコルを使用して配信され得る。情報は、最初に、コンピューティングデバイス１１０２によって処理され、視覚、音、嗅覚、味覚、触覚、または他のそのような機構を介して知覚可能である形態を使用してコンピューティングデバイス１１０２のユーザに提示され得る。いくつかの実施形態では、ネットワーク１１２２を介した通信は、サーバとして構成されたコンピューティングデバイスによって受信および／または処理され得る。そのような通信は、ＰＨＰハイパーテキストプリプロセッサ（「ＰＨＰ」）、Ｐｙｔｈｏｎ（登録商標）、Ｒｕｂｙ、Ｐｅｒｌ（登録商標）および変形形態、Ｊａｖａ、ＨＴＭＬ、ＸＭＬ、または別のそのようなサーバ側の処理言語を使用して送信および受信され得る。

【0319】

[0329]いくつかの実施形態では、コンピューティングデバイス１１０２および／またはコンピューティングデバイス１１２４は、本明細書で説明されるネットワークインターフェース（たとえば、ネットワークインターフェース１１２０）などのネットワークインターフェースを使用してネットワーク１１２２を介してコンピューティングリソースプロバイダ１１２８に接続され得る。そのような実施形態では、（本明細書では「コンピューティングリソースプロバイダ環境」内にとも呼ばれる）コンピューティングリソースプロバイダ１１２８内にホストされる１つまたは複数のシステム（たとえば、サービス１１３０およびサービス１１３２）は、コンピューティングデバイス１１０２および／またはコンピューティングデバイス１１２４上で動作するプログラムおよび／またはサービスの制御下でまたはそれに代わって１つまたは複数の機能を実施するために１つまたは複数のサービスを実行し得る。サービス１１３０およびサービス１１３２などのシステムは、コンピューティングデバイス１１０２および／またはコンピューティングデバイス１１２４上で動作するプログラムおよび／またはサービスの制御下でまたはそれに代わって１つまたは複数の機能を実施するためにコンピュータコードを実行するために本明細書で説明されるコンピューティングデバイスなどの１つまたは複数のコンピューティングデバイスを含み得る。

【0320】

[0330]たとえば、コンピューティングデバイス１１０２のためのデータの量がストレージデバイス１１１０の容量を超えるとき、たとえば、コンピューティングリソースプロバイダ１１２８は、コンピューティングデバイス１１０２のためのデータを記憶するためにサービス１１３０上で動作するサービスを与え得る。別の例では、コンピューティングリソースプロバイダ１１２８は、最初に、サービス１１３２上に仮想マシン（ＶＭ）をインスタンス化し、サービス１１３２上に記憶されたデータにアクセスするためにそのＶＭを使用し、そのデータに対して１つまたは複数の動作を実施し、コンピューティングデバイス１１０２にそれらの１つまたは複数の動作の結果を与えるためにサービスを与え得る。そのような動作（たとえば、データの記憶およびＶＭのインスタンス化）は、本明細書では「クラウド中で」、「クラウドコンピューティング環境内で」、または「ホストされた仮想マシン環境内で」動作することと呼ばれることがあり、コンピューティングリソースプロバイダ１１２８は、本明細書では「クラウド」と呼ばれることもある。そのようなコンピューティングリソースプロバイダの例は、限定はしないが、Ａｍａｚｏｎ（登録商標）ウェブサービス（ＡＷＳＲ）、ＭｉｃｒｏｓｏｆｔのＡｚｕｒｅ（登録商標）、ＩＢＭ Ｃｌｏｕｄ（登録商標）、Ｇｏｏｇｌｅ Ｃｌｏｕｄ（登録商標）、オラクルＣｌｏｕｄ（登録商標）などを含む。

【0321】

[0331]コンピューティングリソースプロバイダ１１２８によって与えられるサービスは、限定はしないが、データアナリティクス、データストレージ、アーカイブストレージ、ビッグデータストレージ、（様々なスケーラブルＶＭアーキテクチャを含む）仮想コンピューティング、ブロックチェーンサービス、コンテナ（たとえば、アプリケーションカプセル化）、データベースサービス、（サンドボックス開発環境を含む）開発環境、ｅコマースソリューション、ゲームサービス、メディアおよびコンテンツ管理サービス、セキュリティサービス、サーバレスホスティング、仮想現実（ＶＲ）システム、および拡張現実（ＡＲ）システムを含む。そのようなサービスを容易にする様々な技法は、限定はしないが、仮想マシン、仮想ストレージ、データベースサービス、システムスケジューラ（たとえば、ハイパーバイザ）、リソース管理システム、様々なタイプの短期、中間、長期、およびアーカイバルストレージデバイスなどを含む。

【0322】

[0332]企図されるように、サービス１１３０およびサービス１１３２などのシステムは、コンピューティングデバイス１１０２および／またはコンピューティングデバイス１１２４に代わって、またはそれの制御下で様々なサービス（たとえば、サービス１１１２またはサービス１１２６）のバージョンを実装し得る。様々なサービスのそのようは実装されたバージョンは、たとえば、サービスがたとえばサービス１１３０上で実行しているときにサービス１１１２がコンピューティングデバイス１１０２上で実行しているようにコンピューティングデバイス１１０２のユーザに見え得るように１つまたは複数の仮想化技法を伴い得る。同じく企図され得るように、コンピューティングリソースプロバイダ１１２８環境内で動作する様々なサービスは、環境内の様々なシステムの間に分散され、ならびにコンピューティングデバイス１１２４および／またはコンピューティングデバイス１１０２上に部分的に分散され得る。

【0323】

[0333]クライアントデバイス、ユーザデバイス、コンピュータリソースプロバイダデバイス、ネットワークデバイス、および他のデバイスは、特に、１つまたは複数の集積回路、入力デバイス、出力デバイス、データ記憶デバイス、および／またはネットワークインターフェースを含むコンピューティングシステムであり得る。集積回路は、特に、たとえば、本明細書で説明されるものなど、１つまたは複数のプロセッサ、揮発性メモリ、および／または不揮発性メモリを含むことができる。入力デバイスは、たとえば、限定はしないが、本明細書で説明される入力デバイスを含むキーボード、マウス、キーパッド、タッチインターフェース、マイクロフォン、カメラ、および／または他のタイプの入力デバイスを含むことができる。出力デバイスは、たとえば、限定はしないが、本明細書で説明される出力デバイスを含むディスプレイスクリーン、スピーカ、触覚フィードバックシステム、プリンタ、および／または他のタイプの出力デバイスを含むことができる。ハードドライブまたはフラッシュメモリなどのデータ記憶デバイスは、コンピューティングデバイスが、一時的にまたは永続的にデータを記憶することを可能にすることができる。ワイヤレスまたはワイヤードインターフェースなどのネットワークインターフェースは、コンピューティングデバイスがネットワークと通信することを可能にすることができる。コンピューティングデバイスの例（たとえば、コンピューティングデバイス１１０２）は、限定はしないが、デスクトップコンピュータ、ラップトップコンピュータ、サーバコンピュータ、ハンドヘルドコンピュータ、タブレット、スマートフォン、携帯情報端末、デジタル自宅アシスタント、ウェアラブルデバイス、スマートデバイス、ならびにこれらおよび／または他のそのようなコンピューティングデバイスの組合せ、ならびにコンピューティングデバイスが組み込まれているおよび／または仮想的に実装されている機械および装置を含む。

【0324】

[0334]本明細書で説明された技法はまた、電子ハードウェア、コンピュータソフトウェア、ファームウェア、またはそれらの任意の組合せで実装され得る。そのような技法は、汎用コンピュータ、ワイヤレス通信デバイスハンドセット、またはワイヤレス通信デバイスハンドセットおよび他のデバイスにおける適用を含む複数の用途を有する集積回路デバイスなど、様々なデバイスのいずれかにおいて実装され得る。モジュールまたは構成要素として説明された特徴は、集積論理デバイスに一緒に、または個別であるが相互運用可能な論理デバイスとして別個に実装され得る。ソフトウェアにおいて実装される場合、技法は、命令を含むプログラムコードを備えるコンピュータ可読データ記憶媒体であって、命令は、実行された場合に、上述した方法のうちの１つまたは複数を実行する、コンピュータ可読データ記憶媒体によって少なくとも部分的に実現され得る。コンピュータ可読データ記憶媒体は、パッケージング材料を含み得るコンピュータプログラム製品の一部を形成し得る。コンピュータ可読媒体は、本明細書で説明されたものなど、メモリまたはデータ記憶媒体を備え得る。本技法は、追加または代替として、伝搬信号または電波など、命令またはデータ構造の形態でプログラムコードを搬送または通信し、コンピュータによってアクセスされ、読み取られ、および／または実行され得るコンピュータ可読通信媒体によって少なくとも部分的に実現され得る。

【0325】

[0335]プログラムコードは、１つまたは複数のデジタル信号プロセッサ（ＤＳＰ）、汎用マイクロプロセッサ、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブル論理アレイ（ＦＰＧＡ）、あるいは他の等価の集積回路またはディスクリート論理回路など、１つまたは複数のプロセッサを含み得るプロセッサによって実行され得る。そのようなプロセッサは、本開示で説明された技法のいずれかを実施するように構成され得る。汎用プロセッサはマイクロプロセッサであり得るが、代替として、プロセッサは、任意の従来のプロセッサ、コントローラ、マイクロコントローラ、または状態機械であり得る。プロセッサは、コンピューティングデバイスの組合せ、たとえば、ＤＳＰとマイクロプロセッサとの組合せ、複数のマイクロプロセッサ、ＤＳＰコアと連携する１つまたは複数のマイクロプロセッサ、または、任意の他のそのような構成としても実装され得る。したがって、本明細書で使用される「プロセッサ」という用語は、上記の構造のいずれか、上記の構造の任意の組合せ、あるいは本明細書で説明された技法の実装に好適な任意の他の構造または装置を指し得る。さらに、いくつかの態様では、本明細書で説明される機能は、中断されたデータベース更新システムを実装するために構成された専用のソフトウェアモジュールまたはハードウェアモジュール内に与えられ得る。

【0326】

[0336]本明細書で使用する「機械可読媒体」という用語および「機械可読記憶媒体」、「コンピュータ可読媒体」、および「コンピュータ可読記憶媒体」という等価の用語は、限定はしないが、命令および／またはデータを記憶、包含、または搬送することが可能なポータブルなまたはポータブルでないストレージデバイス、光ストレージデバイス、取外し可能なまたは取外し不可能なストレージデバイス、および様々な他の媒体を含む媒体を指す。コンピュータ可読媒体は、データがそこに記憶され得る非一時的媒体を含み得、それは、ワイヤレスにまたはワイヤード接続を介して伝搬する搬送波および／または一時的電子信号を含まない。非一時的媒体の例は、限定はしないが、磁気ディスクまたはテープ、コンパクトディスク（ＣＤ）またはデジタル多用途ディスク（ＤＶＤ）などの光記憶媒体、ソリッドステートドライブ（ＳＳＤ）、フラッシュメモリ、メモリまたはメモリデバイスを含み得る。

【0327】

[0337]機械可読媒体または機械可読記憶媒体は、プロシージャ、関数、サブプログラム、プログラム、ルーチン、サブルーチン、モジュール、ソフトウェアパッケージ、クラス、あるいは命令、データ構造、またはプログラムステートメントの任意の組合せを表し得る、コードおよび／または機械実行可能命令をその上に記憶していることがある。コードセグメントは、情報、データ、引数、パラメータ、またはメモリ内容をパスおよび／または受信することによって、別のコードセグメントまたはハードウェア回路に結合され得る。情報、引数、パラメータ、データなどは、メモリ共有、メッセージパッシング、トークンパッシング、ネットワーク送信などを含む、任意の好適な手段を介してパス、フォワーディング、または送信され得る。機械可読記憶媒体、機械可読媒体、またはコンピュータ可読（記憶）媒体のさらなる例は、限定はしないが、特に、揮発性および不揮発性メモリデバイス、フロッピーおよび他のリムーバブルディスク、ハードディスクドライブ、光ディスク（たとえば、ＣＤ、ＤＶＤなど）などの記録可能タイプ媒体と、デジタルおよびアナログ通信リンクなどの送信タイプ媒体とを含む。

【0328】

[0338]企図されるように、本明細書の例は、単一の媒体として機械可読媒体または機械可読記憶媒体を示すかまたは言及し得るが、「機械可読媒体」および「機械可読記憶媒体」という用語は、命令の１つまたは複数のセットを記憶する単一の媒体または複数の媒体（たとえば、集中もしくは分散データベースならびに／または関連するキャッシュおよびサーバ）を含むものと解釈されるべきである。「機械可読媒体」および「機械可読記憶媒体」という用語はまた、システムが実行するための命令のセットを記憶、符号化、または搬送することが可能であり、システムに本明細書で開示する方法またはモジュールのうちの任意の１つまたは複数を実行させる任意の媒体を含むものとする。

【0329】

[0339]本明細書における詳細な説明のいくつかの部分は、コンピュータメモリ内のデータビットに対する動作のアルゴリズムおよび記号表現に関して提示され得る。これらのアルゴリズムの説明および表現は、データ処理分野の当業者によって、自身の仕事の本質を他の当業者に最も効果的に伝達するために使用される手段である。アルゴリズムは、本明細書では、および一般には、所望の結果をもたらす自己無撞着な一連の動作であると想到される。動作は、物理量の物理的操作を必要とするものである。通常、必ずしも必要とは限らないが、これらの量は、記憶、転送、結合、比較、および他の方法で操作されることが可能な電気信号または磁気信号の形態をとる。主に一般的な用法という理由で、これらの信号をビット、値、要素、記号、文字、項、数、などと呼ぶことが時々便利であることがわかっている。

【0330】

[0340]ただし、これらおよび同様の用語のすべては、適切な物理量に関連付けられるべきものであり、これらの量に適用される便利なラベルにすぎないことに留意されたい。別段に明記されていない限り、以下の説明から明らかなように、説明全体にわたって、「処理する」または「計算する」または「算出する」または「決定する」または「表示する」または「生成する」などの用語を利用する説明は、コンピュータシステムのレジスタおよびメモリ内の物理（電子）量として表されるデータを操作し、コンピュータシステムのメモリまたはレジスタまたは他のそのような情報記憶、送信もしくはディスプレイデバイス内の物理量として同様に表される他のデータに変換するコンピュータシステムまたは同様の電子コンピューティングデバイスの行為およびプロセスを指すことを諒解されたい。

【0331】

[0341]個々の実装形態は、フローチャート、流れ図、データフロー図、構造図、またはブロック図として示されるプロセス（たとえば、図７に示されている、新しいタスクを生成することと、どんなタスクがメンバーに提示されることになるのかを決定するために使用され得るそれらのタスクのランキングを生成することとを行うための例示的なプロセス７００）として説明される場合があることにも留意されたい。フローチャート、流れ図、データフロー図、構造図、またはブロック図は、動作を逐次的なプロセスとして説明し得るが、動作の多くは、並行してまたは同時に実施され得る。さらに、動作の順序は並べ替えられ得る。図に示されているプロセスは、それの動作が完了したときに終了されるが、図に含まれていない追加のステップを有し得る。プロセスは、方法、関数、プロシージャ、サブルーチン、サブプログラムなどに対応し得る。プロセスが関数に対応するとき、それの終了は呼出し関数またはメイン関数への関数の復帰に対応することができる。

【0332】

[0342]いくつかの実施形態では、本明細書で説明されるアルゴリズムなどのアルゴリズムの１つまたは複数の実装形態は、機械学習または人工知能アルゴリズムを使用して実装され得る。そのような機械学習または人工知能アルゴリズムは、教師つき、教師なし、強化、または他のそのようなトレーニング技法を使用してトレーニングされ得る。たとえば、データのセットは、監視およびフィードバック（たとえば、教師なしトレーニング技法）なしにデータのセットの異なる要素の間の相関を識別するために様々な機械学習アルゴリズムのうちの１つを使用して分析され得る。機械学習データ分析アルゴリズムはまた、潜在的な相関を識別するためにサンプルまたはライブデータを使用してトレーニングされ得る。そのようなアルゴリズムは、ｋ平均クラスタリングアルゴリズム、ファジーｃ平均（ＦＣＭ）アルゴリズム、期待値最大化（ＥＭ）アルゴリズム、階層クラスタリングアルゴリズム、ノイズのあるアプリケーションの密度ベースの空間クラスタリング（ＤＢＳＣＡＮ）アルゴリズムなどを含み得る。機械学習または人工知能アルゴリズムの他の例は、限定はしないが、遺伝的アルゴリズム、バックプロパゲーション、強化学習、決定木、ライナー分類、人工ニューラルネットワーク、異常検出などを含む。より一般的には、機械学習または人工知能方法は、回帰分析、次元削減、メタ学習、強化学習、ディープラーニング、ならびに他のそのようなアルゴリズムおよび／または方法を含み得る。企図されるように、「機械学習」および「人工知能」という用語は、これらの分野の間の重複の程度により頻繁に互換的に使用され、開示される技法およびアルゴリズムの多くは同様の手法を有する。

【0333】

[0343]教師つきトレーニング技法の一例として、データのセットは、データのセットのメンバーの間の相関の識別を容易にするために機械学習モデルのトレーニングのために選択され得る。機械学習モデルは、機械学習モデルに供給されるサンプル入力に基づいて、機械学習モデルがデータのセットのメンバーの間の正確な相関を生成しているのかどうかを決定するために評価され得る。この評価に基づいて、機械学習モデルは、機械学習モデルが所望の相関を識別する可能性を高めるために修正され得る。機械学習モデルは、機械学習アルゴリズムまたは人工知能アルゴリズムによって与えられた相関の効力に関するシステムのユーザからのフィードバック（すなわち、監視）を要請することによってさらに動的にトレーニングされ得る。機械学習アルゴリズムまたは人工知能は、相関を生成するためのアルゴリズムを改善するためにこのフィードバックを使用し得る（たとえば、フィードバックは、より正確な相関を与えるために機械学習アルゴリズムまたは人工知能をさらにトレーニングするために使用され得る）。

【0334】

[0344]本明細書で説明されるフローチャート、流れ図、データフロー図、構造図またはブロック図の様々な例は、ハードウェア、ソフトウェア、ファームウェア、ミドルウェア、マイクロコード、ハードウェア記述言語、またはそれらの任意の組合せによって実装され得る。ソフトウェア、ファームウェア、ミドルウェアまたはマイクロコードで実装されるとき、必要なタスクを実施するためのプログラムコードまたはコードセグメント（たとえば、コンピュータプログラム製品）は、本明細書で説明されるものなどのコンピュータ可読または機械可読記憶媒体（たとえば、プログラムコードまたはコードセグメントを記憶するための媒体）に記憶され得る。集積回路中に実装されるプロセッサが、必要なタスクを実施し得る。

【0335】

[0345]本明細書で開示される実装形態に関連して説明される、様々な例示的な論理ブロック、モジュール、回路、およびアルゴリズムステップは、電子ハードウェア、コンピュータソフトウェア、ファームウェア、またはそれらの組合せとして実装され得る。ハードウェアとソフトウェアとのこの互換性を明確に示すために、様々な例示的な構成要素、ブロック、モジュール、回路、およびステップが、概して、それらの機能に関して上記で説明された。そのような機能がハードウェアとして実装されるのか、ソフトウェアとして実装されるのかは、特定の適用例および全体的なシステムに課される設計制約に依存する。当業者は、説明された機能を特定の適用例ごとに様々な方法で実装し得るが、そのような実装の決定は、本開示の範囲からの逸脱を生じるものと解釈されるべきではない。

【0336】

[0346]しかしながら、本明細書で提示されるアルゴリズムおよびディスプレイは、任意の特定のコンピュータまたは他の装置に本質的に関係しないことに留意されたい。様々な汎用システムは、本明細書の教示に従ってプログラムとともに使用され得るか、またはいくつかの例の方法を実施するためにより特殊な装置を構築するのに便利であることがわかり得る。様々なこれらのシステムのために必要とされる構造が以下の説明から明らかになるであろう。さらに、技法は、任意の特定のプログラミング言語を参照しながら説明されず、したがって、様々な例は、様々なプログラミング言語を使用して実装され得る。

【0337】

[0347]様々な実装形態では、システムは、スタンドアロンデバイスとして動作するか、または他のシステムに接続（たとえば、ネットワーク化）され得る。ネットワーク化された展開では、システムは、クライアントサーバネットワーク環境におけるサーバまたはクライアントシステムの容量で、あるいはピアツーピア（または分散）ネットワーク環境におけるピアシステムとして動作し得る。

【0338】

[0348]システムは、サーバコンピュータ、クライアントコンピュータ、パーソナルコンピュータ（ＰＣ）、タブレットＰＣ（たとえば、ｉＰａｄ（登録商標）、Ｍｉｃｒｏｓｏｆｔ Ｓｕｒｆａｃｅ（登録商標）、Ｃｈｒｏｍｅｂｏｏｋ（登録商標）など）、ラップトップコンピュータ、セットトップボックス（ＳＴＢ）、携帯情報端末（ＰＤＡ）、モバイルデバイス（たとえば、セルラー電話、ｉＰｈｏｎｅ（登録商標）、およびＡｎｄｒｏｉｄ（登録商標）デバイス、Ｂｌａｃｋｂｅｒｒｙ（登録商標）など）、ウェアラブルデバイス、埋込みコンピュータシステム、電子ブックリーダ、プロセッサ、電話、ウェブ機器、ネットワークルータ、スイッチまたはブリッジ、あるいはそのシステムによってとられるべきアクションを指定する命令のセット（連続またはそれ以外）を実行することが可能な任意のシステムであり得る。システムはまた、コンピュータデバイス１１０２などの別のコンピュータデバイス上にホストされ得る上述のデバイスのうちの１つの仮想バージョンなどの仮想システムであり得る。

【0339】

[0349]概して、本開示の実装形態を実装するために実行されるルーチンは、オペレーティングシステムの部分または特定のアプリケーション、構成要素、プログラム、オブジェクト、モジュールまたは「コンピュータプログラム」と呼ばれる一連の命令として実装され得る。コンピュータプログラムは一般に、コンピュータ中の１つまたは複数の処理ユニットまたはプロセッサによって読み取られ、実行されたときに、コンピュータに、本開示の様々な態様に関与する要素を実行するために動作を実行させる、コンピュータ中の様々なメモリおよび記憶デバイス中のいろいろな時点での１つまたは複数の命令セットを備える。

【0340】

[0350]さらに、完全に機能するコンピュータおよびコンピュータシステムの文脈で例を説明したが、様々な例が様々な形態のプログラムオブジェクトとして分散されることが可能であること、および分散に実際に影響を及ぼすために使用される特定のタイプの機械またはコンピュータ可読媒体にかかわらず本開示が等しく適用されることを、当業者は諒解されよう。

【0341】

[0351]いくつかの状況では、バイナリ１からバイナリ０への、またはその逆の状態の変化などの、メモリデバイスの動作は、たとえば、物理的変換などの変換を備え得る。特定のタイプのメモリデバイスでは、そのような物理的変換は、異なる状態または物への物品の物理的変換を備え得る。たとえば、限定はしないが、いくつかのタイプのメモリデバイスの場合、状態の変化は、電荷の累積および蓄積、あるいは蓄積された電荷の解放を伴い得る。同様に、他のメモリデバイスでは、状態の変化は、磁気方位の物理的変化もしくは変換または結晶状からアモルファスへのもしくはその逆の分子構造の物理的変化もしくは変換を備え得る。上記は、メモリデバイスにおけるバイナリ１のバイナリ０へのまたはその逆への状態の変化が物理的変換などの変換を備え得る、すべての例の網羅的なリストになるように意図されていない。むしろ、上記は説明のための例として意図されている。

【0342】

[0352]記憶媒体は、一般に、非一時的であるか、または非一時的デバイスを備え得る。このコンテキストでは、非一時的記憶媒体は、有形であるデバイスを含み得、これは、デバイスが具体的な物理的形態を有することを意味するが、デバイスはそれの物理的状態を変化し得る。したがって、たとえば、非一時的は、状態のこの変化にもかかわらず有形にとどまるデバイスを指す。

【0343】

[0353]上記の説明および図面は、例示的なものであり、主題を開示される正確な形態に限定または制限するものと解釈されるべきではない。多くの修正および変更が、上記の開示に照らして可能であり、本明細書に記載の実施形態のより広い範囲から逸脱することなくそれに行われ得ることを当業者には諒解されよう。開示の完全な理解を提供するために、多数の具体的な詳細について説明される。しかしながら、いくつかの事例では、説明を不明瞭にすることを回避するために、よく知られているまたは従来の詳細について説明されない。

【0344】

[0354]本明細書で使用される「接続された」、「結合された」という用語またはそれの任意の変形態は、システムのモジュールに適用されるときに、２つまたはそれ以上の要素の間での直接的または間接的な任意の接続または結合を意味し、要素間の接続の結合は、物理的、論理的、またはそれらの任意の組合せであり得る。さらに、「本明細書で（herein）」、「上記で（above）」、「以下で（below）」という用語、および同様の意味の用語は、本明細書で使用されるとき、本明細書の任意の特定の部分ではなく、本明細書を全体として指すものとする。文脈が許せば、単数または複数を使用する、上記の発明を実施するための形態における用語は、それぞれ複数または単数をも含み得る。２つまたはそれ以上の項目のリストに関する「または（or）」という用語は、リスト中の項目のうちのいずれか、リスト中の項目のうちのすべて、またはリスト中の項目の任意の組合せという用語の解釈のうちのすべてをカバーする。

【0345】

[0355]本明細書で使用される「１つの（a）」および「１つの（an）」および「その（the）」および他のそのような単数形の指示対象は、本明細書に別段に指示されていないか、またはコンテキストによってはっきり否定されていない限り、単数と複数の両方を含むと解釈されるべきである。

【0346】

[0356]本明細書で使用される「備える（comprising）」、「有する（having）」、「含む（including）」、および「含んでいる（containing）」という用語は、別段に指示されていないか、またはコンテキストによってはっきり否定されていない限り、開放型であると解釈されるべきである（たとえば、「含む（including）」は、「限定はしないが、含む（including, but not limited to）」と解釈されるべきである）。

【0347】

[0357]本明細書で使用されるように、値の範囲の具陳は、別段に指示されていないか、またはコンテキストによってはっきり否定されていない限り、範囲内に入るそれぞれ別個の値を個々に言及することの短縮された方法として働くものである。したがって、範囲のそれぞれ別個の値は、それが本明細書に個々に記載されたかのように本明細書に組み込まれる。

【0348】

[0358]本明細書で使用されるように、「セット」（たとえば、「アイテムのセット」）および「サブセット」（たとえば、「アイテムのセットのサブセット」）という用語の使用は、別段に指示されていないか、またはコンテキストによってはっきり否定されていない限り、１つまたは複数のメンバーを含む非空コレクションとして解釈されるべきである。さらに、別段に指示されていないか、またはコンテキストによってはっきり否定されていない限り、対応するセットの「サブセット」という用語は、対応するセットの真部分集合を必ずしも示すとは限らないが、サブセットとセットとは同じ要素を含み得る（すなわち、セットとサブセットとは同じであり得る）。

【0349】

[0359]本明細書で使用されるように、「Ａ、Ｂ、およびＣのうちの少なくとも１つ」などの接続的な文言の使用は、別段に指示されていないか、またはコンテキストによってはっきり否定されていない限り、Ａ、Ｂ、およびＣのうちの１つまたは複数（たとえば、セット｛Ａ、Ｂ、Ｃ｝の以下の非空サブセットのうちのいずれか１つ、すなわち、｛Ａ｝、｛Ｂ｝、｛Ｃ｝、｛Ａ，Ｂ｝、｛Ａ，Ｃ｝、｛Ｂ，Ｃ｝、または｛Ａ，Ｂ，Ｃ｝）を示すものとして解釈されるべきである。したがって、「Ａ、Ｂ、およびＣのうちの少なくとも１つ」などの接続的な文言は、Ａのうちの少なくとも１つ、Ｂのうちの少なくとも１、およびＣのうちの少なくとも１つの要件を暗示しない。

【0350】

[0360]本明細書で使用されるように、例または例示的な文言（たとえば、「など」または「一例として」）の使用は、実施形態をより明確に示すものであり、別段の主張がない限り範囲に限定を課さない。本明細書中のそのような文言は、任意の非請求の要素が本開示において説明され、主張される実施形態の実施のために必要とされることを示すものとして解釈されてはならない。

【0351】

[0361]本明細書で使用されるように、構成要素がいくつかの動作を実施する「ように構成される」ものとして説明される場合、そのような構成は、たとえば、動作を実施するように電子回路または他のハードウェアを設計することによって、動作を実施するようにプログラマブル電子回路（たとえば、マイクロプロセッサ、または他の好適な電子回路）をプログラムすることによって、あるいはそれらの任意の組合せで達成され得る。

【0352】

[0362]開示される主題が、以下に示されていない他の形態および様式で具現され得ることを、当業者は諒解されよう。第１の（first）、第２の（second）、上部の（top）および下部の（bottom）などの関係を示す用語の使用は、もしあれば、１つのエンティティまたはアクションを、そのようなエンティティまたはアクションの間のいかなるそのような実際の関係または順序を必ずしも必要とするかまたは暗示することなしに、別のものと区別するためにのみ使用されることを理解されたい。

【0353】

[0363]プロセスまたはブロックが所与の順序で提示されているが、代替実装形態は、異なる順序で、ステップを有するルーチンを実施するか、またはブロックを有するシステムを採用し得、いくつかのプロセスまたはブロックは、代替または部分組合せを提供するために削除、移動、追加、再分割、置換、結合、および／または修正され得る。これらのプロセスまたはブロックの各々は、様々な異なる方法で実装され得る。また、プロセスまたはブロックは、時々連続して実施されているように示されているが、これらのプロセスまたはブロックは、代わりに並行して実施され得るか、または異なる時間に実施され得る。さらに、本明細書において言及された任意の特定の数は例にすぎず、代替実装形態は、異なる値または範囲を採用し得る。

【0354】

[0364]本明細書で提供される開示の教示は、必ずしも上記で説明されたシステムに限らず他のシステムに適用され得る。上記で説明された様々な例の要素および行為は、さらなる例を与えるために組み合わされ得る。

【0355】

[0365]添付の出願書類中にリストされ得るものを含む上記で言及された任意の特許および出願および他の参考文献は、参照により本明細書に組み込まれる。本開示の態様は、必要な場合、本開示のまたさらなる例を与えるために上記で説明された様々な参考文献のシステム、機能、および概念を採用するために修正され得る。

【0356】

[0366]これらおよび他の変更は、上記の発明を実施するための形態に照らして本開示に行われ得る。上記の説明がいくつかの例について説明し、企図される最良の態様について説明するが、文章中でいかに詳述されているように見えたとしても、教示は多くの方法で実施され得る。システムの詳細は、本明細書で開示される主題によって依然として包含されるが、それの実装詳細において大幅に変動し得る。上記のように、本開示のいくつかの特徴または態様について説明するときに使用される特定の用語は、その用語が関連付けられる開示の任意の特定の特性、特徴、または態様に制限されるように、その用語が本明細書で再定義されていることを暗示するものととられるべきではない。概して、以下の特許請求の範囲において使用される用語は、上記の発明を実施するための形態セクションがそのような用語を明示的に定義しない限り、本明細書において開示される特定の実装形態に本開示を制限するものと解釈されるべきではない。したがって、本開示の実際の範囲は、開示される実装形態だけでなく、特許請求の範囲の下で本開示を実施または実装するすべての等価な方法をも包含する。

【0357】

[0367]本開示のいくつかの態様がいくつかの請求項の形式で以下に提示されているが、発明者は、任意の数の請求項の形式で本開示の様々な態様を企図する。米国特許法１１２条（ｆ）の下で扱われることを意図するあらゆる請求は、「ための手段（means for）」という用語で開始するものになる。したがって、出願人は、本開示の他の態様のためのそのような追加の請求項の形式を遂行するために本出願を出願した後に追加の請求項を追加する権利を留保する。

【0358】

[0368]本明細書において使用される用語は、概して、本開示のコンテキスト内で各用語が使用される特定のコンテキストにおいて当技術分野におけるそれらの通常の意味を有する。本開示について説明するために使用されるいくつかの用語は、本開示の説明に関して実務家に追加の案内を与えるために上記でまたは本明細書の他の場所で説明される。便宜上、いくつかの用語は、たとえば、大文字化、イタリック体、および／または引用符を使用して強調され得る。強調の使用は、用語の範囲および意味に対して影響を及ぼさず、用語の範囲および意味は、それが強調されているか否かにかかわらず、同じコンテキストにおいて同じである。同じ要素が２つ以上の方法で説明され得ることが諒解されよう。

【0359】

[0369]したがって、代替的な文言および同義語が本明細書で説明される用語のうちのいずれか１つまたは複数について使用され得、また、用語が本明細書で詳述または説明されるか否かにいかなる特別な重要性も置かれるべきではない。いくつかの用語のための類義語が与えられる。１つまたは複数の類義語の詳述が他の類義語の使用を除外しない。本明細書で説明されるあらゆる用語の例を含む本明細書の任意の場所での例の使用は、例示的なものにすぎず、本開示またはあらゆる例示された用語の範囲および意味をさらに限定することは意図されない。同様に、本開示は、本明細書で与えられる様々な例に限定されない。

【0360】

[0370]本開示の範囲をさらに限定する意図なしに、本開示の例による機器、装置、方法およびそれらの関連する結果の例を以下に与える。タイトルまたはサブタイトルが読者の便宜のために例中で使用され得、いかなる場合も、これは、本開示の範囲を限定するべきでないことに留意されたい。別段に定義されていない限り、本明細書で使用されるすべての技術的なおよび科学的な用語は、本開示が関係する当業者によって一般に理解されるものと同じ意味を有する。矛盾する場合、定義を含めて、本開示が優先することにする。

【0361】

[0371]本明細書のいくつかの部分は、情報に対する動作のアルゴリズムおよび記号表現に関して例について説明する。これらのアルゴリズムの説明および表現は、データ処理分野の当業者によって、自身の仕事の本質を他の当業者に効果的に伝達するために一般的に使用される。これらの動作は、機能的に、計算量的に、または論理的に説明されているが、コンピュータプログラムまたは等価な電気回路、マイクロコードなどによって実装されると理解される。さらに、一般性を失うことなく、モジュールとして動作のこれらの構成に言及することが時々好都合であることもわかっている。説明された動作およびそれらの関連するモジュールは、ソフトウェア、ファームウェア、ハードウェア、またはそれらの任意の組合せで具現され得る。

【0362】

[0372]本明細書で説明されるステップ、動作、またはプロセスのいずれかは、単独でまたは他のデバイスと組み合わせて、１つまたは複数のハードウェアまたはソフトウェアモジュールを用いて実施または実装され得る。いくつかの例では、ソフトウェアモジュールは、コンピュータプログラムコードを含んでいるコンピュータ可読媒体を備えるコンピュータプログラムオブジェクトで実装され、これにより、説明されたステップ、動作、またはプロセスのうちのいずれかまたはすべてを実行するためのコンピュータプロセッサによって実行され得る。

【0363】

[0373]例はまた、本明細書における動作を実行するための装置に関し得る。この装置は、必要とされる目的のために特別に構築され得る、および／またはコンピュータ中に記憶されたコンピュータプラグラムにより選択的に起動もしくは再構成される汎用コンピューティングデバイスを備え得る。そのようなコンピュータプログラムは、コンピュータシステムバスに結合され得る非一時的、有形コンピュータ可読記憶媒体または電子命令を記憶するのに好適な任意のタイプの媒体中に記憶され得る。さらに、本明細書に記載の任意のコンピューティングシステムは、単一のプロセッサを含み得るか、または増加した計算能力のための複数のプロセッサ設計を採用するアーキテクチャであり得る。

【0364】

[0374]例はまた、本明細書で説明されるコンピューティングプロセスによって生成されるオブジェクトに関係し得る。そのようなオブジェクトは、コンピューティングプロセスから生じる情報を備えてもよく、この情報は、非一時的有形コンピュータ可読記憶媒体上に記憶され、本明細書で説明されるコンピュータプログラムオブジェクトまたは他のデータの組合せの任意の実装形態を含んでもよい。

【0365】

[0375]本明細書において使用される言語は、読みやすさおよび指導上の目的で主に選択されてきており、主題を線引きしまたは制限するために選択されてきていない場合がある。したがって、本開示の範囲が、この詳細な説明によってではなく、本明細書に基づく出願上に公表された特許請求の範囲によって限定されることが意図される。したがって、例の開示は、以下の特許請求の範囲に記載されている主題の範囲の限定ではなく、説明のためのものであることが意図される。

【0366】

[0376]コンテキスト接続システムのためのシステムおよび構成要素の様々な実装形態の完全な理解を与えるために具体的な詳細が前の説明で与えられた。しかしながら、上記で説明された実装形態がこれらの具体的な詳細なしに実施され得ることを当業者は理解されよう。たとえば、回路、システム、ネットワーク、プロセス、および他の構成要素は、実施形態を不要な詳細で不明瞭にしないように、ブロック図の形式において構成要素として示され得る。他の事例では、実施形態を不明瞭にすることを回避するために、よく知られている回路、プロセス、アルゴリズム、構造、および技法が不要な詳細なしに示され得る。

【0367】

[0377]本技術の上記の詳細な説明は、例示および説明のために提示された。それは、網羅的なものでも、開示された形態そのものに本技術を限定するものでもない。上記の教示に照らして、多くの修正形態および変形形態が可能である。本技術の原理およびそれの実際的適用例について最良に説明し、他の当業者が、様々な実施形態において、企図された特定の用途に好適であるような様々な修正を加えて本技術を最良に利用することを可能にするために、説明される実施形態が選定された。本技術の範囲が特許請求の範囲によって定義されることが意図される。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【国際調査報告】