学得模型提供方法和学得模型提供装置与流程

本公开涉及一种根据从用户侧装置获取到的利用请求来从数据库中预先保管的多个学得模型中选择一个或多个学得模型并提供给用户侧装置的学得模型提供方法和学得模型提供装置。

背景技术

以往，已知如下一种技术(参照专利文献1)：以在利用感测数据的传感器网络中使感测数据的流通优化为目的，通过进行传感器侧元数据与应用侧元数据的匹配，来提取能够提供满足应用要求的感测数据的传感器，该传感器侧元数据是与输出感测数据的传感器相关的信息，该应用侧元数据是与利用感测数据来提供服务的应用相关的信息。

专利文献1：日本专利第5445722号公报

技术实现要素：

本公开的主要目的在于从预先保管的多个学得模型中选择并提供符合用户侧的需求的学得模型。

本公开的学得模型提供方法的特征在于，预先将多个学得模型与模型信息一起进行保管，该模型信息是各个学得模型的功能和生成环境中的至少一方的信息，从用户侧装置获取需求信息，该需求信息是该用户侧装置所要求的学得模型的功能和利用环境中的至少一方的信息，参照所述模型信息从所述多个学得模型中选择符合所述需求信息的学得模型。

根据本公开，能够从预先保管的多个学得模型中选择并提供符合用户侧的需求的学得模型。

附图说明

图1是本公开的学得模型提供系统的整体结构图。

图2a是示出服务器装置的概要结构的框图。

图2b是示出服务器装置的存储部的概要结构的框图。

图3是示出用户侧装置的概要结构的框图。

图4是表示学得模型提供系统的动作过程的序列图。

具体实施方式

为了解决上述问题而完成的第一公开的特征在于，预先将多个学得模型与模型信息一起进行保管，该模型信息是各个学得模型的功能和生成环境中的至少一方的信息，从用户侧装置获取需求信息，该需求信息是该用户侧装置要求的学得模型的功能和利用环境中的至少一方的信息，参照所述模型信息，从所述多个学得模型中选择符合所述需求信息的学得模型。

根据该第一公开所涉及的学得模型提供方法，能够基于用户侧装置要求的学得模型的功能和利用环境中的至少一方的信息即需求信息，来从预先保管的多个学得模型中选择向用户侧装置提供的学得模型，因此能够从预先保管的多个学得模型中选择并提供符合用户侧的需求的学得模型。

另外，第二公开的特征在于，在上述第一公开中，所述模型信息包含保管模型信息，该保管模型信息是与所述学得模型的使用目的、所述学得模型的性能、所述学得模型的利用对价以及生成所述学得模型所使用的学习数据的数据数量中的至少一方相关的信息，所述需求信息包含要求模型信息，该要求模型信息是与所述用户侧装置要求的所述学得模型的使用目的、所述用户侧装置要求的所述学得模型的性能、所述用户侧装置要求的所述学得模型的利用对价以及在所述用户侧装置中利用所述学得模型时使用的用户侧数据的数据数量中的至少一方相关的信息。

根据该第二公开所涉及的学得模型提供方法，能够基于与用户侧装置要求的学得模型的功能等相关的信息即要求模型信息来选择学得模型，因此能够选择更符合用户侧的需求的学得模型。

另外，第三公开的特征在于，在上述第一公开或第二公开中，所述模型信息包含生成环境信息，该生成环境信息是与生成所述学得模型所使用的学习数据的获取条件和获取所述学习数据所使用的装置的设置环境中的至少一方相关的信息，所述需求信息包含利用环境信息，该利用环境信息是与在所述用户侧装置中利用所述学得模型时使用的用户侧数据的获取条件和获取所述用户侧数据所使用的装置的设置环境中的至少一方相关的信息。

根据该第三公开所涉及的学得模型提供方法，能够基于与用户侧数据的获取环境相关的信息即利用环境信息来选择学得模型，因此能够选择更符合用户侧的需求的学得模型。

另外，第四公开的特征在于，在上述第一公开中，所述模型信息包含必要资源信息，该必要资源信息是与利用所述学得模型所需要的装置的资源或能力相关的信息，所述需求信息包含用户侧资源信息，该用户侧资源信息是与所述用户侧装置和获取在该用户侧装置中利用所述学得模型时使用的用户侧数据所使用的装置中的至少一方的装置的资源或能力相关的信息。

根据该第四公开所涉及的学得模型提供方法，能够基于与用户侧装置和获取用户侧数据所使用的装置中的至少一方的装置的资源或能力相关的信息即用户侧资源信息来选择学得模型，因此能够选择更符合用户侧的需求的学得模型。

另外，第五公开的特征在于，在上述第一公开中，将所选择的所述学得模型的所述模型信息呈现给所述用户侧装置，在从所述用户侧装置获取到表示决定在该用户侧装置中利用的所述学得模型的信息时，将决定在所述用户侧装置中利用的所述学得模型提供给所述用户侧装置。

根据该第五公开所涉及的学得模型提供方法，用户侧装置的用户能够基于所选择的所述学得模型的模型信息来决定在用户侧装置中利用的学得模型。

另外，第六公开的特征在于，在上述第一公开中，针对所选择的所述学得模型赋予该学得模型的推荐等级，并且将表示所选择的所述学得模型的所述推荐等级的信息呈现给所述用户侧装置，在从所述用户侧装置获取到表示决定在该用户侧装置中利用的所述学得模型的信息时，将决定在所述用户侧装置中利用的所述学得模型提供给所述用户侧装置。

根据该第六公开所涉及的学得模型提供方法，用户侧装置的用户能够基于所选择的所述学得模型的推荐等级来决定在用户侧装置中利用的学得模型。

另外，第七公开的特征在于，在上述第六公开中，基于所述学得模型的实际利用状况、所述学得模型的评价、生成所述学得模型所使用的学习数据数量中的至少一方来决定所述推荐等级。

根据该第七公开所涉及的学得模型提供方法，能够容易且适当地决定所述奖励等级。

另外，第八公开的特征在于，具备：一个或多个处理器；数据库，其预先将多个学得模型与模型信息一起进行保管，该模型信息是各个学得模型的功能和生成环境中的至少一方的信息；以及通信部，其与用户侧装置之间进行通信，其中，所述处理器从所述用户侧装置获取需求信息，该需求信息是该用户侧装置要求的学得模型的功能和利用环境中的至少一方的信息，所述处理器参照所述模型信息，从所述多个学得模型中选择符合所述需求信息的学得模型。

根据该第八公开所涉及的学得模型提供装置，能够基于用户侧装置要求的学得模型的功能和利用环境中的至少一方的信息即需求信息，来从预先保管的多个学得模型中选择向用户侧装置提供的学得模型，因此能够从预先保管的多个学得模型中选择并提供符合用户侧的需求的学得模型。

另外，第九公开的特征在于，在上述第八公开中，所述模型信息包含保管模型信息，该保管模型信息是与所述学得模型的使用目的、所述学得模型的性能、所述学得模型的利用对价以及生成所述学得模型所使用的学习数据的数据数量中的至少一方相关的信息，所述需求信息包含要求模型信息，该要求模型信息是与所述用户侧装置要求的所述学得模型的使用目的、所述用户侧装置要求的所述学得模型的性能、所述用户侧装置要求的所述学得模型的利用对价以及在所述用户侧装置中利用所述学得模型时使用的用户侧数据的数据数量中的至少一方相关的信息。

根据该第九公开所涉及的学得模型提供装置，能够基于与用户侧装置要求的学得模型的功能等相关的信息即要求模型信息来选择学得模型，因此能够选择更符合用户侧的需求的学得模型。

另外，第十公开的特征在于，在上述第八公开或第九公开中，所述模型信息包含生成环境信息，该生成环境信息是与生成所述学得模型所使用的学习数据的获取条件和获取所述学习数据所使用的装置的设置环境中的至少一方相关的信息，所述需求信息包含利用环境信息，该利用环境信息是与在所述用户侧装置中利用所述学得模型时使用的用户侧数据的获取条件和获取所述用户侧数据所使用的装置的设置环境中的至少一方相关的信息。

根据该第十公开所涉及的学得模型提供装置，能够基于与用户侧数据的获取环境相关的信息即利用环境信息来选择学得模型，因此能够选择更符合用户侧的需求的学得模型。

另外，第十一公开的特征在于，在上述第八公开中，所述模型信息包含必要资源信息，该必要资源信息是与利用所述学得模型所需要的装置的资源或能力相关的信息，所述需求信息包含用户侧资源信息，该用户侧资源信息是与所述用户侧装置和获取在该用户侧装置中利用所述学得模型时使用的用户侧数据所使用的装置中的至少一方的装置的资源或能力相关的信息。

根据该第十一公开所涉及的学得模型提供装置，由于能够基于与用户侧装置和获取用户侧数据所使用的装置中的至少一方的装置的资源或能力相关的信息即用户侧资源信息来选择学得模型，因此能够选择更符合用户侧的需求的学得模型。

另外，第十二公开的特征在于，在上述第八公开中，所述处理器将所选择的所述学得模型的所述模型信息呈现给所述用户侧装置，在从所述用户侧装置获取到表示决定在该用户侧装置中利用的所述学得模型的信息时，将决定在所述用户侧装置中利用的所述学得模型提供给所述用户侧装置。

根据该第十二公开所涉及的学得模型提供装置，用户侧装置的用户能够基于所选择的所述学得模型的模型信息，来决定在用户侧装置中利用的学得模型。

另外，第十三公开的特征在于，在上述第八公开中，所述处理器将所选择的所述学得模型的所述模型信息呈现给所述用户侧装置，在从所述用户侧装置获取到表示决定在该用户侧装置中利用的所述学得模型的信息时，将决定在所述用户侧装置中利用的所述学得模型提供给所述用户侧装置。

根据该第十三公开所涉及的学得模型提供装置，用户侧装置的用户能够基于所选择的所述学得模型的推荐等级，来决定在用户侧装置中利用的学得模型。

另外，第十四公开的特征在于，在上述第十三公开中，基于所述学得模型的实际利用状况、所述学得模型的评价、生成所述学得模型所使用的学习数据数量中的至少一方来决定所述推荐等级。

根据该第十四公开所涉及的学得模型提供装置，能够容易且适当地决定所述奖励等级。

下面，参照附图来说明本公开的实施方式。

近年来，在图像识别、声音识别等领域中，利用神经网络的机器学习技术的研究开发的发展异常显著。特别是，报告有使用深度学习(deeplearning)这样的技术能够实现通过以往的基于特征量库的图像识别/声音识别技术所无法获得的识别精度的例子，还研究了在工业中的各种应用。在深度学习中，在将学习用的图像数据、声音数据输入到多层型神经网络的输入层之后，进行学习处理以使输出层输出作为正确的识别结果的输出数据(正确数据)。典型的输出数据是针对输入数据的注释、元数据，例如，如果是图像，则能够是拍摄到的对象物的名称、种类/属性等，如果是声音，则能够是说出的单词、句子等。使用已知的算法来更新构建神经网络的各节点间的连接(突触连接)的权重值(例如在误差逆传播法中，对权重值进行调整/更新以使输出层中的与正确值之间的误差等减小)，由此进行深度学习的学习处理。完成学习处理的节点间的权重值的集合体被称为“学得模型”，针对与在学习处理中使用的神经网络具有相同结构的神经网络应用学得模型(设定为节点间连接的权重值)，由此，在将未知的输入数据、即在学习处理中没有使用的新的输入数据输入到该神经网络之后，作为输出数据(识别结果)而能够以固定的精度输出正确数据。因而，在与进行学得模型的生成(即，学习处理)的装置不同的装置中，构建使用了学得模型的神经网络来执行识别处理，由此能够以学习所得到的识别精度进行图像识别、声音识别。

本发明的发明人们认为，在要进行图像识别、声音识别等时，从多个学得模型中选择特定的学得模型是较复杂的问题。原因在于，关注到存在以下问题中的至少一个问题：(1)由于学得模型的特性具有较大程度地受获得学习用的数据的感测设备的设置环境所影响的倾向，因此需要深入地理解模型；以及(2)由于学得模型的功能涉及多方面，因此要搜索发挥期望功能的模型比较困难。

本公开所涉及的学得模型提供系统1是用于根据从用户侧装置获取到的利用请求来从数据库中预先保管的多个学得模型中选择符合用户侧装置的利用目的的一个或多个学得模型并提供给用户侧装置的系统。本说明书中提及的学得模型是指通过基于学习数据和正确数据(教授数据)进行机器学习(例如，使用多层构造的神经网络的深度学习、支持向量机、提升算法(boosting)、强化学习等)而生成的模型。

图1是本公开所涉及的学得模型提供系统1的整体结构图。如图1所示，本公开所涉及的学得模型提供系统1构成为，具备预先保管有多个学得模型的学得模型提供装置2(以后称为“服务器装置”)以及从服务器装置2接受学得模型的提供的用户侧装置3。服务器装置2与用户侧装置3经由因特网等网络相互连接。

服务器装置2是一般的计算机装置，将多个学得模型保管在后述的学得模型数据库27(参照图2b)中。而且，服务器装置2在从用户侧装置3接收到包含利用目的的利用请求时，从学得模型数据库27中保管的多个学得模型中选择符合该利用目的的学得模型并发送到用户侧装置3。像这样，服务器装置2也可以构成为用于将预先保管的学得模型提供给用户侧装置3的云服务器。

图2a是示出服务器装置2的概要结构的框图，图2b是示出服务器装置2的存储部的概要结构的框图。如图2a所示，服务器装置2具备存储部21、处理器22、显示部23、输入部24、通信部25以及将它们连接的总线26。

存储部21例如是rom(readonlymemory：只读存储器)、硬盘等存储装置(存储单元)，保存有用于实现服务器装置2的各功能的各种程序和各种数据。另外，如图2b所示，存储部21保存有学得模型数据库27。处理器22例如是cpu(centralprocessingunit：中央处理器)，将各种程序和各种数据从存储部21读出到未图示的ram(randomaccessmemory：随机存取存储器)中，来执行服务器装置2的各处理。显示部23由液晶显示面板等显示器等构成，用于显示处理器22的处理结果等。输入部24由键盘、鼠标等输入设备等构成，用于操作服务器装置2。通信部25经由因特网等网络而与用户侧装置3之间进行通信。

在学得模型数据库27中预先保管有多个学得模型。

另外，在学得模型数据库27中，关于多个学得模型的各个学得模型预先存储有模型信息，该模型信息是该学得模型的功能和生成环境中的至少一方的信息。模型信息包含保管模型信息、生成环境信息以及必要资源信息。

保管模型信息包含与该学得模型的功能、该学得模型的性能、该学得模型的利用对价以及生成该学得模型所使用的学习数据(感测数据)的数据数量中的至少一方相关的信息。

学得模型的功能是指该学得模型的使用目的或使用用途。例如，在该学得模型是根据包含人物的摄像图像来进行关于所述人物的一些估计的学得模型的情况下，作为学得模型的功能的例子，列举面部检测功能、人体检测功能、运动检测功能、姿势检测功能、人物属性估计功能、人物行动预测功能等。此外，学得模型的功能不限定于这些，根据学得模型的使用目的而能够是各种各样的功能。学得模型的性能例如是利用该学得模型进行图像分析处理等处理时的正确率(正确度)、匹配率、再现率、神经网络模型的种类、层数等。学得模型的利用对价例如是虚拟货币、积分等。

生成环境信息是与生成学得模型所使用的学习数据(感测数据)的获取环境相关的信息，具体地说，是包含与学习数据的获取条件以及获取学习数据所使用的装置的设置环境中的至少一方相关的信息。例如，在学习数据为摄像图像、获取学习数据所使用的装置为摄像机的情况下，作为学习数据的获取条件的例子，列举摄像时刻(例如白天、夜晚等)、摄像环境(例如天气、照度等)、摄像机的数量、摄像机的各种摄像参数(例如设置高度、摄像角度、焦距、变焦倍率、分辨率等)等，作为获取学习数据所使用的装置(摄像机)的设置环境的例子，列举摄像机的设置场所(例如便利店、车站、购物中心、工厂、机场等)、摄像机周围的环境(例如室外、室内等)等。

必要资源信息是与利用该学得模型所需要的装置的资源或能力相关的信息，具体地说，包含与利用该学得模型进行处理的计算机装置的资源和能力(resourcesandspecifications)以及为了获取在该计算机装置中利用该学得模型时使用的用户侧数据而使用的装置(例如摄像机)的资源和能力(resourcesandspecifications)相关的信息。在计算机装置的资源或能力中还包含该计算机装置所具有的cpu的种类、gpu的种类(或个数)、os、神经网络模型的种类、层数等。

用户侧装置3是一般的计算机装置，用于利用从服务器装置2提供的学得模型进行图像分析处理、新的机器学习等处理。如前述的那样，通过用户侧装置3对服务器装置2发送利用请求，来从服务器装置2向用户侧装置3提供学得模型。

图3是示出用户侧装置3的概要结构的框图。如图3所示，用户侧装置3具备存储部31、处理器32、显示部33、输入部34、通信部35以及将它们连接的总线36。

存储部31例如是rom、硬盘等存储装置(存储单元)，保存有用于实现用户侧装置3的各功能的各种程序和各种数据。处理器32例如是cpu，将各种程序和各种数据从存储部31读出到未图示的ram中，来执行用户侧装置3的各处理。显示部33由液晶显示面板等显示器等构成，用于显示处理器32的处理结果等。输入部34由键盘、鼠标等输入设备等构成，用于操作用户侧装置3。通信部35经由因特网等网络而与服务器装置2之间进行通信。

此外，学得模型提供系统1的上述各装置不限于计算机装置，也能够使用能够发挥同样功能的其它的信息处理装置(例如服务器等)。另外，也可以通过利用其它公知的硬件进行的处理来代替学得模型提供系统1的上述各装置的功能的至少一部分。

图4是表示学得模型提供系统1的动作过程的序列图。下面，参照图4的序列图来说明学得模型提供系统1的服务器装置2和用户侧装置3的动作过程。

首先，用户侧装置3的用户操作输入部34来向用户侧装置3输入需求信息，该需求信息是用户要求的学得模型的功能和利用环境中的至少一方的信息(步骤st101)。需求信息包含要求模型信息、利用环境信息、用户侧装置3以及用户侧资源信息。

要求模型信息包含与用户侧装置3要求的学得模型的功能、用户侧装置3要求的学得模型的性能、用户侧装置3要求的学得模型的利用对价以及在用户侧装置3中利用该学得模型时使用的用户侧数据(感测数据)的数据数量中的至少一方相关的信息。

用户侧装置3要求的学得模型的功能是指该学得模型的使用目的或使用用途。例如，在该学得模型是根据包含人物的摄像图像来进行关于所述人物的一些估计的学得模型的情况下，作为学得模型的功能的例子，列举面部检测功能、人体检测功能、运动检测功能、姿势检测功能、人物属性估计功能、人物行动预测功能等。此外，学得模型的功能不限定于这些，根据学得模型的使用目的而能够是各种各样的功能。用户侧装置3要求的学得模型的性能例如是利用该学得模型进行图像分析处理等处理时的正确率(正确度)、匹配率、再现率、神经网络模型的种类、层数等。学得模型的利用对价例如是虚拟货币、积分等。

利用环境信息是在用户侧装置3中利用学得模型时使用的用户侧数据(感测数据)的获取环境的信息，具体地说，包含与用户侧数据的获取条件以及为了获取用户侧数据而使用的装置的设置环境中的至少一方相关的信息。例如，在用户侧数据为摄像图像、为了获取用户侧数据而使用的装置为摄像机的情况下，作为用户侧数据的获取条件的例子，列举摄像时刻(例如白天、夜晚等)、摄像环境(例如天气、照度等)、摄像机的数量、摄像机的各种摄像参数(例如设置高度、摄像角度、焦距、变焦倍率、分辨率等)等，作为获取用户侧数据所使用的装置(摄像机)的设置环境的例子，列举摄像机的设置场所(例如便利店、车站、购物中心、工厂、机场等)、摄像机周围的环境(例如室外、室内等)等。

具体地说，用户侧资源信息包含与用户侧装置3的资源和能力(resourcesandspecifications)以及为了获取在用户侧装置3中利用该学得模型时使用的用户侧数据而使用的装置(例如摄像机)的资源和能力(resourcesandspecifications)相关的信息。在用户侧装置3的资源或能力中还包含用户侧装置3所具有的cpu的种类、gpu的种类(或个数)、os、神经网络模型的种类、层数等。

经由因特网等网络将被输入到用户侧装置3的要求模型信息、利用环境信息以及用户侧资源信息发送到服务器装置2(步骤st102)。

服务器装置2当从用户侧装置3接收到要求模型信息、利用环境信息以及用户侧资源信息时，分别进行要求模型信息与保管模型信息的匹配(以后称为“功能匹配”)、利用环境信息与生成环境信息的匹配(以后称为“环境匹配”)以及用户侧资源信息与必要资源信息的匹配(以后称为“资源匹配”)(步骤st103)。如前述的那样，保管模型信息、生成环境信息以及必要资源信息预先存储在学得模型数据库27中。利用公知的匹配方法来进行功能匹配、环境匹配以及资源匹配的各匹配。例如，基于标准化后的各信息的参数间距离(相似度)的方法是典型的方法，但是也可以使用统计匹配、分层匹配、倾向评分分析等各种匹配方法。

接着，服务器装置2基于功能匹配、环境匹配以及资源匹配各自的结果，从学得模型数据库27中保管的多个学得模型中选择向用户侧装置3提供的学得模型(步骤st104)。例如，选择功能匹配、环境匹配以及资源匹配各自的结果超过关于各匹配预先决定的阈值或位次的学得模型来作为向用户侧装置3提供的学得模型即可。

接着，服务器装置2针对上述所选择的学得模型赋予该学得模型的推荐等级(步骤st105)。在所选择的学得模型存在多个的情况下，针对所选择的学得模型的各个学得模型赋予推荐等级。基于该学得模型的实际利用状况、该学得模型的评价以及生成该学得模型所使用的学习数据数量中的至少一方来决定推荐等级。另外，在决定推荐等级时，可以使用功能匹配、环境匹配以及资源匹配中的至少一方。关于实际利用状况，使用该学得模型的利用历史记录即可。关于评价，使用经由因特网等网络从外部获取到的评价、评论等即可。预先将利用历史记录及评价与该学得模型相关联地存储到学得模型数据库27中即可。

然后，服务器装置2将上述所选择的学得模型的保管模型信息、生成环境信息、必要资源信息以及推荐等级发送到用户侧装置3(步骤st106)。如前述的那样，预先将保管模型信息和生成环境信息存储到学得模型数据库27中。由此，能够对用户侧装置3的用户呈现在服务器装置2中选择的学得模型的保管模型信息、生成环境信息以及推荐等级。

当用户侧装置3从服务器装置2接收到上述所选择的学得模型的保管模型信息、生成环境信息、必要资源信息以及推荐等级时，用户侧装置3将示出接收到的信息的画面显示于显示部33。用户侧装置3的用户确认显示部33中显示的这些信息，来决定在用户侧装置3中利用的学得模型(步骤st107)。具体地说，在上述所选择的学得模型为一个的情况下，用户侧装置3的用户决定是否同意利用该学得模型，在上述所选择的学得模型存在多个的情况下，决定利用该多个学得模型中的哪一个学得模型，或者决定不利用任一个学得模型。

通过输入部34将用户侧装置3的用户的决定结果输入到用户侧装置3。将被输入到用户侧装置3的决定结果作为决定通知从用户侧装置3发送到服务器装置2(步骤st108)。然后，服务器装置2基于从用户侧装置3接收到的决定通知，将在用户侧装置3中决定的学得模型发送到用户侧装置3(步骤st109)。

通过这样，在本公开所涉及的学得模型提供系统1中，服务器装置2能够基于从用户侧装置3获取到的需求信息来从学得模型数据库27中保管的多个学得模型中选择向用户侧装置3提供的学得模型，因此能够选择符合用户侧的需求的学得模型。

另外，在本公开所涉及的学得模型提供系统1中，能够对用户侧装置3的用户呈现在服务器装置2中选择的学得模型的模型信息和推荐等级，因此用户侧装置3的用户能够基于这些信息来决定在用户侧装置3中利用的学得模型。

以上基于特定的实施方式对本公开进行了说明，但是这些实施方式只是例示，本公开不限定于这些实施方式。另外，上述实施方式中示出的本公开所涉及的学得模型提供方法和学得模型提供装置的各构成要素并不都是必须的，只要至少不脱离本公开的范围，就能够适当地进行取舍选择。

例如，在本实施方式中，在选择了学得模型之后，向用户侧装置3呈现模型信息和推荐等级这双方，但是也可以仅呈现模型信息和推荐等级中的一方。另外，也可以省略在选择了学得模型之后呈现模型信息和推荐等级中的一方或双方的步骤。

另外，在本实施方式中，作为学习数据和用户侧数据(感测数据)的例子，列举了图像数据，但是学习数据和用户侧数据不限定于图像数据，例如也可以是声音、温度、湿度、振动、天气等数据。本公开所涉及的学得模型提供方法和学得模型提供装置例如能够应用于制造、物流、公共服务、交通、医疗、教育、金融等各种领域中的使用各种数据的学得模型。

产业上的可利用性

本公开所涉及的学得模型提供方法和学得模型提供装置作为能够从预先保管的多个学得模型中选择并提供符合用户侧的需求的学得模型的学得模型提供方法和学得模型提供装置而言是有用的。

附图标记说明

1：学得模型提供系统；2：学得模型提供装置(服务器装置)；3：用户侧装置；22：处理器；25：通信部；27：学得模型数据库。