US2020395099(QUANTUM SI INC [US])
[0132] In some embodiments, the model training(*モデルに学習させる(=モデルを訓練する))system 504 may be configured to train the machine learning model by applying a supervised learning training algorithm to labelled training data.
【0106】
いくつかの実施形態では、モデル学習システム504は、ラベル付けされた学習データに教師付き学習学習アルゴリズムを適用することで、機械学習モデルを学習するように構成されてもよい。
As an example, the model training system 504 may be configured to train a deep learning model(*モデルが学習する) (e.g., a neural network) by using stochastic gradient descent.
一例として、モデル学習システム504は、確率的勾配降下法を用いて深層学習モデル(例えば、ニューラルネットワーク)を学習するように構成されてもよい。
As another example, the model training system 504 may train a support vector machine (SVM) to identify decision boundaries of the SVM by optimizing a cost function.
別の例として、モデル学習システム504は、コスト関数を最適化することでSVMの決定境界を同定するべく、サポートベクターマシン(SVM)を学習し(*に学習させる、を訓練する)てもよい。
In some embodiments, the model training system 504 may be configured to train the machine learning model by applying an unsupervised learning algorithm to training data.
いくつかの実施形態では、モデル学習システム504は、教師なし学習アルゴリズムを学習データに適用することで、機械学習モデルを学習する(*に学習させる、を訓練する)ように構成されてもよい。
As an example, the model training system 504 may identify clusters of a clustering model by performing k-means clustering.
一例として、モデル学習システム504は、k-meansクラスタリングを実行することで、クラスタリングモデルのクラスタを同定してもよい。
In some embodiments, the model training system 504 may be configured to train the machine learning model by applying a semi-supervised learning algorithm to training data.
いくつかの実施形態では、モデル学習システム504は、半教師付き学習アルゴリズムを学習データに適用することで、機械学習モデルを学習するように構成されてもよい。
As an example, the model training system 504 may
一例として、モデル学習システム504は、
(1) label a set of unlabeled training data by applying an unsupervised learning algorithm (e.g., clustering) to training data; and
(1)教師なし学習アルゴリズム(例えば、クラスタリング)を学習データに適用することで、ラベル付けされていない学習データセットをラベル付けし、
(2) applying a supervised learning algorithm to the labelled training data.
(2)ラベル付けされた学習データに教師あり学習アルゴリズムを適用する、ようにしてもよい。
WO2020227429(STRONG FORCE IOT PORTFOLIO 2016 LLC [US])
|0344] Intelligent systems may include machine learning systems 122, such as for learning on one or more data sets.
[0344] インテリジェントシステムは、1つまたは複数のデータセットで学習するためなどに、機械学習システム122を含んでもよい。
The one or more data sets may include information collected using local data collection systems 102 or other information from input sources 1 16, such as to recognize states, objects, events, patterns, conditions, or the like
1つ以上のデータセットは、状態、オブジェクト、イベント、パターン、条件などを認識するために、ローカルデータ収集システム102または入力ソース1 16から他の情報を使用して収集された情報を含んでもよく、
that may, in turn, be used for processing by the host system 1 12 as inputs to components of the platform 100 and portions of the industrial loT data collection, monitoring and control sy stem 10, or the like.
それは、順に、プラットフォーム100のコンポーネントおよび産業IoTデータ収集、監視および制御システム10の部分などへの入力としてホストシステム112による処理に使用されてもよい。
Learning may be human-supervised or fully-automated, such as using one or more input sources 1 16 to provide a data set, along with information about the item to be learned.
学習は、学習すべき項目に関する情報とともにデータセットを提供するために1つまたは複数の入力ソース16を使用するなど、人間による教師付きまたは全自動で行われてもよい。
Machine learning
機械学習は、
may use one or more models, rales, semantic understandings, workflows, or other structured or semi-structured understanding of the world,
such as for automated optimization of control of a system or process based on feedback or feed forward to an operating model for the system or process.
システムまたはプロセスの動作モデルへのフィードバックまたはフィードフォワードに基づくシステムまたはプロセスの制御の自動最適化のためなどに、
1つまたは複数のモデル、レアル、意味的理解、ワークフロー、または世界の他の構造化または半構造化された理解を使用してもよい。
One such machine learning technique for semantic and contextual understandings, workflows, or other structured or semi-structured understandings
意味的および文脈的な理解、ワークフロー、またはその他の構造化または半構造化された理解のためのそのような機械学習技術の1つは、
is disclosed in U.S. Patent Number 8,200,775 to Moore, issued 12 June 2012, and hereby incorporated by reference as if fully set forth herein.
2012年6月12日に発行されたMooreに対する米国特許番号8,200,775に開示されており、本明細書に完全に記載されているかのように参照により組み込まれる。
Machine learning may be used to improve the foregoing, such as by adjusting one or more weights, structures, rales, or the like (such as changing a function within a model) based on feedback (such as regarding the success of a model in a given situation) or based on iteration (such as in a recursive process).
機械学習は、(与えられた状況でのモデルの成功に関するものなどの)フィードバックに基づいて、または(再帰的プロセスにおけるものなどの)反復に基づいて、1つまたは複数の重み、構造、ラレなどを調整する(モデル内の関数を変更するなど)など、前述のものを改善するために使用することができる。
Where sufficient understanding of the underlying structure or behavior of a system is not known, insufficient data is not available, or in other cases where preferred for various reasons,
システムの基本的な構造や動作について十分な理解が得られない場合、十分なデータが得られない場合、または様々な理由で好ましいと思われるその他の場合には、
machine learning may also be undertaken in the absence of an underlying model;
基本的なモデルがない状態でも機械学習を行うことができる。
that is, input sources may be weighted, structured, or the like within a machine learning facility without regard to any a priori understanding of structure,
すなわち、構造についての先験的な理解を考慮することなく、機械学習施設内で入力ソースに重み付け、構造化などを行い、
and outcomes (such as those based on measures of success at accomplishing various desired objectives) can be serially fed to the machine learning system to allow it to learn how to achieve the targeted objectives.
結果(様々な所望の目的を達成するための成功の尺度など)を機械学習システムに連続的に供給して、目標とする目的を達成する方法を学習させることができる。
////////////
[4025] For example, an inventory quality control application 35024
[4025] 例えば、在庫品質管理アプリケーション35024は、
may use the robotic process automation system 35042 for automation of an inspection process that is normally performed or supervised by a human.
通常は人間によって実行または監督される検査プロセスの自動化のためにロボットプロセス自動化システム35042を使用することができる。
The process could involve visual inspection using video or still images from a camera or other imaging device that displays images of an entity 34930,
このプロセスは、実体34930の画像を表示するカメラまたは他の撮像装置からのビデオまたは静止画像を使用した視覚的検査を含み得るが、
such as where the robotic process automation 35042 system
例えば、ロボットプロセスオートメーション35042システムは、
is trained to automate the inspection by
observing interactions of a set of human inspectors or supervisors with an interface that is used to identify, diagnose, measure, parameterize, or otherwise characterize possible defects in an item.
アイテムの可能性のある欠陥を識別、診断、測定、パラメータ化、またはその他の方法で特徴付けるために使用されるインタフェースと、一組の人間の検査員または監督者の相互作用を観察すること
によって、検査を自動化するように訓練される。
In aspects, the interactions of the human inspectors or supervisors may include a labeled data set where labels or tags indicate types of defects or other characteristics
人間の検査員や監督者のやり取りには、ラベルやタグが欠陥の種類やその他の特性を示すラベル付きデータセットが含まれており、
such that a machine learning system can learn, using the training data set, to identify the same characteristics.
機械学習システムが学習データセットを使用して同じ特性を識別するように学習することができる。