生成对与分析装置相关的问题的应答的方法、系统及装置与流程

1.本发明涉及一种生成对与分析装置相关的问题的应答的方法、系统及装置。


背景技术：

2.以往，已知有从装置的手册检索用户所需的与该装置相关的信息的构成。例如，在日本特开2019-125220号公报(专利文献1)中，公开了使用从检索终端输入的检索词而从电话机的手册数据检索该电话机的设定的手册检索系统。根据该手册检索系统学习多台电话机的各个设定的关联性，并计算该设定的分数值，由此能够减少在检索一系列的设定时的检索次数，并能够缩短用户的检索所需的时间及精力。
3.现有技术文献
4.专利文献
5.专利文献1：日本特开2019-125220号公报


技术实现要素：

6.发明要解决的技术问题
7.为实现由分析装置进行的精密分析，很多情况下需要许多流程。因此，在分析装置的手册数据中可能包含庞大的信息。另一方面，由于手册数据所包含的流程大多是在一般情况下的流程，因此与用户期望解决的情况相关的信息不一定被汇集在手册数据中。
8.在从分析装置的手册数据不能找到用户所期望的信息的情况下，有时会参照由各种用户实际所询问的问题与针对该问题的应答的组合(问题应答数据)汇总而成的问题应答收集数据(例如faq(frequently asked questions：常见问题解答))。然而，由于针对某个问题从问题应答收集数据获取的应答很多情况下是片段性的，因此为得到所期望的信息，用户需要重复对手册数据及问题应答收集数据的检索。
9.在分析装置的手册数据及问题应答收集数据中包含庞大的信息的情况下，分析装置的手册数据及问题应答收集数据各自、以及分析装置的手册数据及问题应答收集数据之间容易产生表述不统一(相同意思下所使用的用语不一致)。因此，用户需要使用各种检索关键词来检索所期望的信息。其结果为，有可能变得难以高效地获取所期望的信息。
10.本发明是为了解决上述技术问题而完成的，其目的在于自动地提供与分析装置相关的问题所对应的应答。
11.用于解决上述技术问题的方案
12.本发明的一方案的方法生成针对与分析装置相关的问题的应答。方法包括：通过计算机接受问题的输入的步骤；使用能够生成与手册数据相对应的特定自然语言的分布表示的学习完毕的应答推论模型，从问题推论出应答的步骤，所述手册数据包含与分析装置相关的流程；输出应答的步骤。学习完毕的应答推论模型通过使用手册数据、和与分析装置相关的问题及应答的组合即问题应答数据的机器学习而生成。
13.本发明的其他方案的系统生成针对与分析装置相关的问题的应答。系统具备终端
装置与服务器装置。终端装置接受问题的输入。服务器装置从终端装置接收问题，并将应答发送至终端装置。服务器装置包括推论部。推论部使用能够生成与手册数据相对应的特定自然语言的分布表示的学习完毕的应答推论模型，从问题推论出应答，所述手册数据包含与分析装置相关的流程。学习完毕的应答推论模型通过使用手册数据、和与分析装置相关的问题及应答的组合即问题应答数据的机器学习而生成。
14.本发明的其他方案的装置生成针对与分析装置相关的问题的应答。装置具备输入输出部与推论部。输入输出部接受问题的输入。推论部使用能够生成与手册数据相对应的特定自然语言的分布表示的学习完毕的应答推论模型，从问题推论出应答，并将应答输出至输入输出部，所述手册数据包含与分析装置相关的流程。学习完毕的应答推论模型通过使用手册数据、和与分析装置相关的问题及应答的组合即问题应答数据的机器学习而生成。
15.发明效果
16.根据本发明的方法、系统及装置，通过由使用手册数据及问题应答数据的机器学习生成的学习完毕的应答推论模型，能够自动提供与分析装置相关的问题所对应的应答。
附图说明
17.图1是示出作为实施方式的系统的一例的分析装置管理系统的构成的框图。
18.图2是示出图1的信息处理装置及输入输出部的硬件构成的框图。
19.图3是示出图1的液相色谱仪的构成的框图。
20.图4是示出在对转换模型的微调中所使用的教师数据的例子的图。
21.图5是示出通过图1的学习部而进行的学习处理的流程的流程图。
22.图6是示出在推论部中进行的推论处理的流程的流程图。
23.图7是示出图1的服务器装置的硬件构成的框图。
24.图8是示出图1的用户的问题及与该问题相对应的应答被显示在显示器的情形的图。
25.图9是示出实施方式的变形例的lc分析系统的构成的框图。
26.图10是示出图9的信息处理装置的硬件构成的框图。
具体实施方式
27.以下参照附图对实施方式进行详细说明。另外，以下对图中的相同或等同部分赋予相同的附图标记，原则上不再重复对其说明。
28.图1是示出作为实施方式的系统的一例的分析装置管理系统1000的构成的框图。如图1所示，分析装置管理系统1000包括液相色谱仪(lc：liquid chromatograph)分析系统100与分析装置管理服务器400。lc分析系统100包括液相色谱仪110(分析装置)、信息处理装置120(终端装置)与输入输出部130。分析装置管理服务器400包括服务器装置200与数据库300。
29.信息处理装置120包括个人计算机或工作站。信息处理装置120经由网络nw与服务器装置200连接。网络nw包括例如互联网、wan(wan area network：广域网)或lan(lan area network：局域网)。信息处理装置120与液相色谱仪110连接。在信息处理装置120中，安装有
进行液相色谱仪110的控制及与服务器装置200的通信的lc分析应用程序。用户rs1经由lc分析应用程序操作液相色谱仪110。另外，也可以将多台液相色谱仪110连接至信息处理装置120。也可以将液相色谱仪以外的分析装置(例如质量分析装置)连接至信息处理装置120。此外，也可以将多个分析系统连接至分析装置管理服务器400。由分析装置管理服务器400所管理的分析装置不限定于液相色谱仪，也可以是例如质量分析装置。
30.数据库300包括液相色谱仪110的手册数据301与液相色谱仪110的问题应答收集数据302。手册数据301包含与液相色谱仪110相关的流程。该流程包含与液相色谱仪110相关的被排序的多个操作。在问题应答收集数据302中包含由液相色谱仪110的各种用户实际所询问的内容汇总而成的faq。用户rs1能够经由lc分析应用程序来参照并检索手册数据301及问题应答收集数据302。另外，数据库300既可以在服务器装置200内形成，也可以经由网络nw连接至服务器装置200。
31.图2是示出图1的信息处理装置120及输入输出部130的硬件构成的框图。如图2所示，信息处理装置120包括处理器121、作为存储部的存储器122及硬盘123、通信接口124。这些经由总线125以可相互通信的方式连接。
32.硬盘123是一种非易失性的存储装置。在硬盘123中，保存有例如操作系统(os：operating system)的程序41及lc分析应用程序的程序42。除图2所示的数据之外，硬盘123中还保存有例如各种应用程序的设定及输出、以及来自检测器18的检测数据。存储器122是一种易失性的存储装置，包括例如dram(dynamic random access memory：动态随机存取存储器)。
33.处理器121包括cpu(central processing unit：中央处理器)。处理器121也可以进一步包括gpu(graphics processing unit：图形处理器)。处理器121将保存在硬盘123的程序读入存储器122并执行。处理器121经由通信接口124连接至网络nw。
34.输入输出部130包括显示器131、鼠标132、键盘133与扬声器电话134。扬声器电话134包括麦克风1341及扬声器1342。显示器131、鼠标132、键盘133及扬声器电话134各自与信息处理装置120连接。在显示器131中，显示有lc分析应用程序的gui(graphical user interface：图形用户接口)。用户rs1参照显示器131的显示的同时，通过键盘133的操作、鼠标132的操作、或对扬声器电话134的语音输入，向lc分析应用程序进行所期望的输入。lc分析应用程序能够经由扬声器电话134输出语音。
35.图3是示出图1的液相色谱仪110的构成的框图。如图3所示，液相色谱仪110包括控制部10、洗提液(流动相)槽11、送液泵12、自动采样器13、柱温箱16、检测器18与收集器19。在自动采样器13中设置有搭载了多个微量瓶15的样品架14。在柱温箱16内设置有色谱柱17。信息处理装置120经由控制部10分别控制送液泵12、自动采样器13、柱温箱16及检测器18，进行对液相色谱仪110的分析作业的管理、以及对在检测器18中得到的数据的解析等。
36.送液泵12从洗提液槽11以大致恒定流量抽吸洗提液，经由自动采样器13流向色谱柱17。在自动采样器13中，进行预处理后的微量瓶15内的试样溶液被注入至洗提液中。该试样溶液与洗提液一起被导入至色谱柱17。由于试样溶液中的多种成分各自通过色谱柱17的时间(保留时间)按成分而不同，因此在通过色谱柱17期间，试样溶液中的各成分随时间被分离。检测器18依次检测由色谱柱17分离而洗脱的成分，将检测出的数据经由控制部10发送至信息处理装置120。从检测器18流出的洗提液被排出至收集器19。从检测器18流出的洗
提液也可以被输入至其他的分析装置(例如质量分析装置)。
37.为实现由液相色谱仪110进行的精密分析，很多情况下需要许多流程。因此，液相色谱仪110的手册数据301中包含庞大的信息。另一方面，由于手册数据301所包含的流程大多是在一般情况下的流程，因此与用户rs1期望解决的情况相关的信息不一定被汇集在手册数据301。
38.例如，作为可由液相色谱仪110进行的分析方法，能够例举出将试样溶液中的离子种类成分分离并定量的离子色谱法。离子色谱法旨在测量环境水中的无机离子而开发，是可应用于环境水或废水等的水质管理、大气环境测量及食品领域等的品质管理等的分析方法。成为离子色谱法的分析对象的离子的种类很多，而且离子色谱法也需要进行预处理。因此，仅参照液相色谱仪110的手册数据301记住液相色谱仪110的操作，并不能通过液相色谱仪110实施离子色谱法。
39.在从液相色谱仪110的手册数据301不能找到用户rs1所期望的信息的情况下，有时会参照问题应答收集数据302。然而，由于针对某个问题从问题应答收集数据302获取的应答很多情况下是片段性的，因此为得到所期望的信息，用户rs1需要重复对手册数据301及问题应答收集数据302的检索。
40.在手册数据301及问题应答收集数据302中包含庞大的信息的情况下，手册数据301及问题应答收集数据302各自、以及液相色谱仪110的手册数据301及问题应答收集数据302之间容易产生表述不统一。因此，用户rs1需要使用各种检索关键词来检索所期望的信息。其结果为，有可能变得难以高效地获取所期望的信息。
41.因此，在分析装置管理系统1000中，使用由利用手册数据301及问题应答收集数据302的机器学习生成的学习完毕的应答推论模型，来推论针对用户rs1所输入的问题的适当的应答。根据分析装置管理系统1000，用户rs1不需要假设与问题内容相关的表述不统一，而是能够通过利用由对用户rs1来说易使用的用语生成的问题而自动得到包含所期望的信息的应答。
42.重新参照图1，lc分析应用程序具有生成针对与液相色谱仪110相关的问题的应答的功能(问题应答功能)。在显示器131中，显示有与lc分析应用程序的问题应答功能相关的gui即角色ac1及uc1。角色ac1与由服务器装置200实现的ai(artificial intelligence：人工智能)助手相对应。角色uc1与用户rs1相对应。用户rs1将与液相色谱仪110相关的问题“不知道色谱柱的安装方法。”语音输入至扬声器电话134。该问题也可以从键盘133进行文字输入。信息处理装置120接受该问题的输入并经由网络nw发送至服务器装置200。
43.服务器装置200包括通信部201、推论部202、转换部203与学习部204。推论部202使用应答推论模型44，根据从信息处理装置120接收到的问题来推论与该问题相对应的应答，并将该应答经由通信部201发送至信息处理装置120。转换部203使用转换模型45，将手册数据301中包含的与液相色谱仪110相关的流程转换为与该流程相对应的问题应答数据。应答推论模型44及转换模型45是事先准备的。具体来说，应答推论模型44及转换模型45各自包含事先学习了与手册数据301相对应的特定自然语言的分布表示(向量表示)的特定模型，作为神经网络而形成。另外，与手册数据301相对应的特定自然语言是指用于表示手册数据301中包含的信息的自然语言。由于特定模型得以事先学习，能够减少针对应答推论模型44及转换模型45的机器学习所需要的成本，并且能够提高应答推论模型44的推论精度。
44.在特定模型的事先学习中，使用了特定自然语言的大量文档数据被系统化的语言资料即语料库。该语料库也可以不包含像手册数据301及问题应答收集数据302那样的与液相色谱仪相关的信息。作为该特定模型，能够例举出例如bert(bidirectional encoder representations from transformers)模型、cbow(continuous bag-of-words)模型或skip-gram模型。
45.应答推论模型44及转换模型45各自是通过对特定模型的追加学习及微调(fine-tuning)而生成的学习完毕模型。通过对特定模型的追加学习，能够将手册数据及问题应答数据中包含的特定自然语言的词汇的倾向反映到由特定模型生成的分布表示中，因此能够进一步提高应答推论模型44的推论精度。此外，通过对特定模型的微调，能够进一步提高应答推论模型44的推论精度。
46.学习部204通过包含词素解析的自然语言处理，对应答推论模型44及转换模型45各自进行追加学习及微调，将应答推论模型44及转换模型45各自作为学习完毕模型。学习部204在自然语言处理中，学习部204在追加学习中，进行使用手册数据301及问题应答收集数据302的无监督学习。另外，词素解析是指将文档数据分割为最小的语言单位(词素或单词)的处理。
47.在对转换模型45的微调中，学习部204使用将手册数据301中包含的流程以及与该流程相对应的问题应答数据相关联的教师数据，进行将该教师数据的流程作为转换模型45的输入、将该教师数据的问题应答数据作为转换模型45的输出的正解数据的监督学习。该教师数据是事先准备的。该教师数据既可以自动生成，也可以通过手动作业来生成。
48.在对应答推论模型44的微调中，学习部204进行将从转换部203输出的问题应答数据所包含的问题作为应答推论模型44的输入、将该问题应答数据所包含的应答作为应答推论模型44的输出的正解数据的监督学习。另外，在对应答推论模型44的微调中，除来自转换模型45的输出之外，还可以使用问题应答收集数据302。此外，在该微调中，也可以使用问题应答收集数据302来代替来自转换模型45的输出。该情况下，服务器装置200也可以不包括转换部203。
49.图4是示出在对转换模型45的微调中所使用的教师数据的例子的图。在图4中，示出教师数据sd1、sd2、sd3。教师数据sd1～sd3各自的与液相色谱仪110相关的流程既可以包含在手册数据301，也可以不包含在其中。
50.如图4所示，在教师数据sd1中包含关于液相色谱仪110的“在柱温箱安装色谱柱。”这一流程。在该流程中，“1.停止送液。”、“2.打开柱温箱的门。”、“3.将色谱柱的出口侧朝向上方，安装至色谱柱夹具。”以及“4.关闭柱温箱的门。”这4个操作按该顺序被排序。作为与教师数据sd1的流程相对应的正解数据的问题应答数据是“如何安装色谱柱。”这一问题以及“停止送液，打开柱温箱的门，将色谱柱的出口侧朝向上方后将色谱柱安装至色谱柱夹具。然后关闭柱温箱的门。”这一应答的组合。
51.在教师数据sd2中包含关于液相色谱仪110的“准备试样瓶。”这一流程。在该流程中，“1.利用与流动相的组成同等的溶剂，使试样完全溶解。”、“2.用膜过滤器过滤试样。”以及“3.将试样填充至试样瓶或微孔板、深孔板的孔。”这3个操作按该顺序被排序。作为与教师数据sd2的流程相对应的正解数据的问题应答数据是“如何进行试样瓶的准备。”这一问题以及“利用与流动相的组成同等的溶剂，使试样完全溶解。用膜过滤器过滤试样。将试样
填充至试样瓶或微孔板、深孔板的孔。”这一应答的组合。
52.在教师数据sd3中包含关于液相色谱仪110的“将试样设置于自动采样器。”这一流程。在该流程中，“1.抽出样品架。”、“2.将填充了试样的样品板设置在样品架。”以及“3.将样品架沿着导向装置水平地插入至内部。”这3个操作按该顺序被排序。作为与教师数据sd3的流程相对应的正解数据的问题应答数据是“不知道将试样设置于自动采样器的流程。”这一问题以及“抽出样品架。将填充了试样的样品板设置在样品架。将样品架沿着导向装置水平地插入至内部。”这一应答的组合。
53.图5是示出通过图1的学习部204进行的学习处理的流程的流程图。以下将步骤仅记载为s。
54.如图5所示，学习部204在s101中对应答推论模型44及转换模型45进行追加学习，将处理推进至s102。学习部204在s102中对转换模型45进行微调，将处理推进至s103。学习部204在s103中将从转换模型45输出的问题应答数据作为教师数据并对应答推论模型进行微调，结束学习处理。另外，s101的追加学习不一定必须进行，学习处理也可以从s102开始。
55.图6是示出在推论部202中进行的推论处理的流程的流程图。如图6所示，推论部202在s201中从信息处理装置120接收问题，将处理推进至s202。推论部202在s202中使用应答推论模型44，来推论与从信息处理装置120接收到的问题相对应的应答，并将处理推进至s203。推论部202在s203中将推论出的应答经由通信部201发送至信息处理装置120，结束处理。
56.图7是示出图1的服务器装置200的硬件构成的框图。如图7所示，服务器装置200包括处理器210、作为存储部的存储器220及硬盘230、作为通信部201的通信接口240、与输入输出部250。这些经由总线260以可相互通信的方式连接。
57.硬盘230是一种非易失性的存储装置。在硬盘230中，保存有例如操作系统(os：operating system)的程序51、分析装置管理程序52、机器学习程序53、机器学习用的学习数据54、事先学习完毕的应答推论模型44及事先学习完毕的转换模型45。在学习数据54中包含如图4所示的教师数据。除图7所示的数据以外，在硬盘230中还保存有例如各种应用程序的设定及输出。存储器220是一种易失性的存储装置，包括例如dram(dynamic random access memory：动态随机存取存储器)。
58.处理器210包括cpu(central processing unit：中央处理器)。处理器210可以进一步包括gpu(graphics processing unit：图形处理器)。处理器210将保存在硬盘230的程序读入存储器220并执行，实现服务器装置200的各种功能。例如，执行分析装置管理程序52的处理器210作为推论部202发挥作用。执行机器学习程序53的处理器210作为转换部203及学习部204发挥作用。处理器210经由通信接口240连接至网络nw。
59.图8是示出图1的用户rs1的问题及与该问题相对应的应答被显示在显示器131的情形的图。如图8所示，从与用户rs1相对应的角色uc1发出“不知道色谱柱的安装方法。”的问题q1。问题q1与在图1中用户rs1向扬声器电话134语音输入的问题相对应。与ai助手相对应的角色ac1对于问题q1，发出“请停止送液，打开柱温箱的门，将色谱柱的出口侧朝向上方后将色谱柱安装至色谱柱夹具。然后请关闭柱温箱的门。”的应答a1。从角色ac1发出应答a1后，从角色uc1发出“如何在自动采样器设置试样？”的问题q2。角色ac1对于问题q2发出“请抽出样品架，将填充了试样的样品板设置在样品架。然后请将样品架沿着导向装置水平地
插入至内部。”的应答a2。
60.问题q1与图4的教师数据sd1的问题不一致，但根据学习完毕的应答推论模型44，与教师数据sd1的应答类似的应答a1作为与问题q1相对应的应答被推论出。问题q2与图4的教师数据sd3的问题不一致，但根据学习完毕的应答推论模型44，与教师数据sd3的应答类似的应答a2作为与问题q2相对应的应答被推论出。
61.在实施方式中，对于应答推论模型44及转换模型45各自包含使用不包含手册数据301及问题应答收集数据302的语料库而进行了事先学习的特定模型的情况进行了说明。应答推论模型44不需要包含该特定模型。在应答推论模型44不包含该特定模型的情况下，应答推论模型44及转换模型45通过使用手册数据301及问题应答收集数据302的无监督学习，学习与手册数据301相对应的特定自然语言的分布表示。
62.在实施方式中，对于信息处理装置120与服务器装置200经由网络nw连接、且推论部202、转换部203及学习部204形成于服务器装置200的系统进行了说明。推论部、转换部及学习部也可以形成于信息处理装置120。
63.图9是示出实施方式的变形例的lc分析系统100a的构成的框图。lc分析系统100a的构成在于图1的信息处理装置120被置换为120a、且数据库300与信息处理装置120a连接。除此之外相同，因此不再重复说明。
64.如图9所示，信息处理装置120a包括推论部202a、转换部203a及学习部204a。在信息处理装置120a中，输入输出部130接受用户rs1的问题的输入。推论部202a、转换部203a及学习部204a具有与图1的推论部202、转换部203及学习部204分别同样的功能，因此不再重复对该功能的说明。
65.图10是示出图9的信息处理装置120a的硬件构成的框图。信息处理装置120a的硬件构成为在图2的硬盘123添加图7的机器学习程序53、学习数据54、应答推论模型44及转换模型45，且lc分析应用程序42被置换为42a的构成。除此之外相同，因此不再重复说明。
66.如图10所示，执行lc分析应用程序42a的处理器121作为推论部202a发挥作用。执行机器学习程序53的处理器121作为转换部203a及学习部204a发挥作用。
67.以上，根据实施方式的系统及方法、以及变形例的装置，能够对与分析装置相关的问题自动地提供适当的应答。
68.[方案]
[0069]
本领域技术人员可以理解，上述示例性的实施方式是以下的方案的具体例。
[0070]
(第1项)一方案的方法生成针对与分析装置相关的问题的应答。方法包括：通过计算机接受问题的输入的步骤；使用能够生成与手册数据相对应的特定自然语言的分布表示的学习完毕的应答推论模型，从问题推论出应答的步骤，所述手册数据包含与分析装置相关的流程；输出应答的步骤。学习完毕的应答推论模型通过使用手册数据、和与分析装置相关的问题及应答的组合即问题应答数据的机器学习而生成。
[0071]
根据第1项记载的方法，通过由使用手册数据及问题应答数据的机器学习生成的学习完毕的应答推论模型，能够自动提供针对与分析装置相关的问题的应答。
[0072]
(第2项)第1项所述的方法还包括：准备转换模型的步骤，所述转换模型能够生成特定自然语言的分布表示，将手册数据中包含的流程转换为与该流程相对应的问题应答数据；准备将与分析装置相关的流程以及与该流程相对应的问题应答数据相关联的教师数据
的步骤；使用教师数据，将教师数据的流程作为转换模型的输入，将教师数据的问题应答数据作为转换模型的输出的正解数据，对转换模型进行监督学习的步骤；对应答推论模型进行监督学习的步骤，所述监督学习将从学习完毕的转换模型输出的问题应答数据中包含的问题作为应答推论模型的输入，将该问题应答数据中包含的应答作为应答推论模型的输出的正解数据。
[0073]
根据第2项记载的方法，通过对转换模型及应答推论模型的监督学习，能够提高应答推论模型的推论精度。
[0074]
(第3项)在第2项所述的方法中，转换模型及应答推论模型各自包含事先学习了特定自然语言的分布表示的特定模型。针对转换模型及应答推论模型各自的监督学习作为对于特定模型的微调而进行。
[0075]
根据第3项记载的方法，由于特定模型得以事先学习，能够减少针对转换模型及应答推论模型的机器学习所需的成本，并且能够进一步提高应答推论模型的推论精度。
[0076]
(第4项)第3项所述的方法还包括对特定模型进行使用手册数据和与分析装置相关的问题应答数据的追加学习的步骤。
[0077]
根据第4项记载的方法，能够将手册数据与问题应答数据中包含的特定自然语言的词汇的倾向反映到由特定模型生成的分布表示中，因此能够进一步提高应答推论模型的推论精度。
[0078]
(第5项)一方案的系统生成针对与分析装置相关的问题的应答。系统具备终端装置与服务器装置。终端装置接受问题的输入。服务器装置从终端装置接收问题，并将应答发送至终端装置。服务器装置包括推论部。推论部使用能够生成与手册数据相对应的特定自然语言的分布表示的学习完毕的应答推论模型，从问题推论出应答，所述手册数据包含与分析装置相关的流程。学习完毕的应答推论模型通过使用手册数据、和与分析装置相关的问题及应答的组合即问题应答数据的机器学习而生成。
[0079]
根据第5项记载的系统，通过由使用手册数据及问题应答数据的机器学习生成的学习完毕的应答推论模型，能够自动提供与分析装置相关的问题所对应的应答。
[0080]
(第6项)一方案的装置生成针对与分析装置相关的问题的应答。装置具备输入输出部与推论部。输入输出部接受问题的输入。推论部使用能够生成与手册数据相对应的特定自然语言的分布表示的学习完毕的应答推论模型，从问题推论出应答，并将应答输出至输入输出部，所述手册数据包含与分析装置相关的流程。学习完毕的应答推论模型通过使用手册数据、和与分析装置相关的问题及应答的组合即问题应答数据的机器学习而生成。
[0081]
根据第6项记载的装置，通过由使用手册数据及问题应答数据的机器学习生成的学习完毕的应答推论模型，能够自动提供与分析装置相关的问题所对应的应答。
[0082]
另外，关于上述的实施方式及变形例，从申请当初就预定了可在不产生不便或矛盾的范围内适当组合实施形态中所说明的构成，包括在说明书内没有提及的组合在内。
[0083]
应认为此次公开的实施方式在所有的方面均为示例而非限制性的内容。本发明的范围并不由上述说明示出，而是由权利要求书示出，旨在包括与权利要求书等同的意思及范围内的所有的变更。
[0084]
附图标记说明
[0085]
10控制部
[0086]
11洗提液槽
[0087]
12送液泵
[0088]
13自动采样器
[0089]
14样品架
[0090]
15微量瓶
[0091]
16柱温箱
[0092]
17色谱柱
[0093]
18检测器
[0094]
19收集器
[0095]
42，42a分析应用程序
[0096]
44应答推论模型
[0097]
45转换模型
[0098]
52分析装置管理程序
[0099]
53机器学习程序
[0100]
54学习数据
[0101]
100，100a lc分析系统
[0102]
110液相色谱仪
[0103]
120，120a信息处理装置
[0104]
121，210处理器
[0105]
122，220存储器
[0106]
123，230硬盘
[0107]
124，240通信接口
[0108]
125，260总线
[0109]
130，250输入输出部
[0110]
131显示器
[0111]
132鼠标
[0112]
133键盘
[0113]
134扬声器电话
[0114]
200服务器装置
[0115]
201通信部
[0116]
202，202a推论部
[0117]
203，203a转换部
[0118]
204，204a学习部
[0119]
300数据库
[0120]
301手册数据
[0121]
302问题应答收集数据
[0122]
400分析装置管理服务器
[0123]
1000分析装置管理系统
[0124]
1341麦克风
[0125]
1342扬声器
[0126]
a1，a2应答
[0127]
ac1，uc1角色
[0128]
nw网络
[0129]
q1，q2问题
[0130]
rs1用户
[0131]
sd1～sd3教师数据。