信息处理设备和非临时性计算机可读介质制造技术

信息处理设备和非临时性计算机可读介质。一种信息处理设备包括控制器，所述控制器使人工智能所学习的学习数据按照对人工智能的性能有影响的有影响学习数据与对人工智能的性能没有影响的无影响学习数据能够区别开的方式被记录在记录单元中。

【技术实现步骤摘要】
信息处理设备和非临时性计算机可读介质
本公开涉及信息处理设备和非临时性计算机可读介质。
技术介绍
通常，学习数据是由人工智能学习的。日本未经审查的专利申请公开No.2010-223824描述了一种用于防止重复学习错误的新路径的设备。
技术实现思路
因此，本公开的目的是弄清楚学习数据是否对人工智能的性能有影响。根据本公开的第一方案，提供了一种信息处理设备，该信息处理设备包括控制器，所述控制器使人工智能所学习的学习数据按照对人工智能的性能有影响的有影响学习数据与对人工智能的性能没有影响的无影响学习数据能够区别开的方式被记录在记录单元中。根据本公开的第二方案，所述信息处理设备被配置为使得所述控制器使所述学习数据按照使人工智能的性能提高的提高数据与使人工智能的性能降低的降低数据能够区别开的方式被记录在所述记录单元中。根据本公开的第三方案，所述信息处理设备被配置为使得所述控制器使所述学习数据按照不同的人工智能学习了的学习数据能够区别开的方式被记录在所述记录单元中。根据本公开的第四方案，所述信息处理设备被配置为使得所述控制器使所述学习数据按照不同的人工智能学习了的学习数据能够区别开的方式被记录在所述记录单元中。根据本公开的第五方案，所述信息处理设备被配置为使得所述控制器使所述学习数据按照所述有影响学习数据与所述人工智能的被所述有影响学习数据影响了的受影响的功能关联的方式被记录在所述记录单元中。根据本公开的第六方案，所述信息处理设备被配置为使得所述控制器使所述学习数据与学习了所述学习数据的所述人工智能的学习历史关联地被记录在所述记录单元中。根据本公开的第七方案，所述信息处理设备被配置为使得所述控制器使所述学习数据按照学习数据集的有影响组合与学习数据集的无影响组合能够区别开的方式被记录在所述记录单元中。根据本公开的第八方案，所述信息处理设备被配置为使得取决于另一人工智能的学习目的，所述控制器使所述另一人工智能学习所述有影响学习数据或所述无影响学习数据。根据本公开的第九方案，所述信息处理设备被配置为使得取决于另一人工智能的学习目的，所述控制器使所述另一人工智能学习提高学习数据或无提高学习数据。根据本公开的第十方案，所述信息处理设备被配置为使得所述控制器使另一人工智能学习对功能与所述另一人工智能的功能对应的人工智能的性能有影响的有影响学习数据。根据本公开的第十一方案，提供了一种信息处理设备，该信息处理设备包括控制器，所述控制器使人工智能所学习的学习数据按照使人工智能的性能提高的提高学习数据与没有使人工智能的性能提高的无提高学习数据能够区别开的方式被记录在记录单元中。根据本公开的第十二方案，所述信息处理设备被配置为使得所述控制器使所述学习数据按照所述提高学习数据与所述人工智能的因所述提高学习数据而提高的提高功能关联的方式被记录在所述记录单元中。根据本公开的第十三方案，所述信息处理设备被配置为使得所述控制器使另一人工智能学习使功能与所述另一人工智能的功能对应的人工智能的性能提高的提高学习数据。根据本公开的第十四方案，提供了一种非临时性计算机可读介质，该非临时性计算机可读介质存储有使计算机执行图像处理的过程的程序，所述过程包括使人工智能所学习的学习数据按照对人工智能的性能有影响的有影响学习数据与对人工智能的性能没有影响的无影响学习数据能够区别开的方式被记录在记录单元中。根据本公开的第十五方案，提供了一种非临时性计算机可读介质，该非临时性计算机可读介质存储有使计算机执行图像处理的过程的程序，所述过程包括使人工智能所学习的学习数据按照使人工智能的性能提高的提高学习数据与没有使人工智能的性能提高的无提高学习数据能够区别开的方式被记录在记录单元中。根据本公开的第一方案、第三方案和第十四方案，能够清楚学习数据是否对人工智能的性能有影响。根据本公开的第二方案、第四方案、第十一方案和第十五方案，能够清楚学习数据是否使人工智能的性能提高。根据本公开的第五方案，能够清楚对于人工智能的每种功能而言，学习数据是否对人工智能的性能有影响。根据本公开的第六方案，能够管理人工智能的学习历史。根据本公开的第七方案，能够清楚不同学习数据集的组合是否对人工智能的性能有影响。根据本公开的第八方案和第九方案，能够使另一人工智能根据学习的目的来学习学习数据。根据本公开的第十方案，能够通过另一人工智能获得因学习有影响学习数据而获得的学习效果。根据本公开的第十二方案，能够清楚对于人工智能的每种功能而言，学习数据是否使人工智能的性能提高。根据本公开的第十三方案，能够提高另一人工智能的性能。附图说明将基于以下附图来详细地描述本公开的示例性实施方式，其中：图1是例示了根据第一示例性实施方式的信息处理设备的配置的框图；图2例示了根据第一示例性实施方式的学习数据；图3例示了根据第一示例性实施方式的内容数据；图4是例示了根据第二示例性实施方式的信息处理设备的配置的框图；图5例示了根据第二示例性实施方式的学习数据集；图6例示了根据第二示例性实施方式的学习数据集；图7例示了根据第二示例性实施方式的学习数据集；图8例示了确定结果的数据库；图9例示了根据第二示例性实施方式的第一修改的学习数据集；图10例示了根据第二示例性实施方式的第一修改的学习数据集；图11例示了根据第二示例性实施方式的第一修改的学习数据集；图12例示了确定结果的数据库；图13例示了根据第二示例性实施方式的第二修改的学习数据集；以及图14例示了根据第二示例性实施方式的第二修改的学习数据集。具体实施方式第一示例性实施方式将参照图1来描述根据本公开的第一示例性实施方式的信息处理设备。图1例示了根据第一示例性实施方式的信息处理设备的示例。根据第一示例性实施方式的信息处理设备10被配置为接收学习数据并且控制人工智能根据附加到学习数据的信息来学习，该信息指示是否准许人工智能(即，AI)学习学习数据。信息处理设备10是例如个人计算机(下文中被称为“PC”)、平板PC、智能电话、移动电话或任何其它种类的设备(例如，具有诸如打印功能这样的功能的多功能打印机)。毋庸置疑，信息处理设备10可以是除了这些设备之外的设备。人工智能中使用的算法不受特别限制，并且可以是任何算法。例如，该算法可以是机器学习。机器学习可以是监督学习、非监督学习或强化学习。具体地，可以使用深度学习(例如，多层感知器、卷积神经网络、递归神经网络、自编码器、受限玻尔兹曼机)、感知器、反向传播、关联器、支持向量机、决策树、k最近邻算法、线性回归、自组织图、玻尔兹曼机、主成分分析、聚类分析、Q学习等。可以使用作为除了机器学习之外的算法的遗传算法、爬山方法等。毋庸置疑，可以使用除了这些算法之外的算法。学习数据是用于人本文档来自技高网...

【技术保护点】
1.一种信息处理设备，该信息处理设备包括控制器，所述控制器使人工智能所学习的学习数据按照对人工智能的性能有影响的有影响学习数据与对人工智能的性能没有影响的无影响学习数据能够区别开的方式被记录在记录单元中。/n

【技术特征摘要】
20190604 JP 2019-1041561.一种信息处理设备，该信息处理设备包括控制器，所述控制器使人工智能所学习的学习数据按照对人工智能的性能有影响的有影响学习数据与对人工智能的性能没有影响的无影响学习数据能够区别开的方式被记录在记录单元中。


2.根据权利要求1所述的信息处理设备，其中，
所述控制器使所述学习数据按照使人工智能的性能提高的提高数据与使人工智能的性能降低的降低数据能够区别开的方式被记录在所述记录单元中。


3.根据权利要求1所述的信息处理设备，其中，
所述控制器使所述学习数据按照不同的人工智能学习了的学习数据能够区别开的方式被记录在所述记录单元中。


4.根据权利要求2所述的信息处理设备，其中，
所述控制器使所述学习数据按照不同的人工智能学习了的学习数据能够区别开的方式被记录在所述记录单元中。


5.根据权利要求1所述的信息处理设备，其中，
所述控制器使所述学习数据按照所述有影响学习数据与所述人工智能的被所述有影响学习数据影响了的受影响的功能关联的方式被记录在所述记录单元中。


6.根据权利要求1和2中的任一项所述的信息处理设备，其中，
所述控制器使所述学习数据与学习了所述学习数据的所述人工智能的学习历史关联地被记录在所述记录单元中。


7.根据权利要求1、3和5中的任一项所述的信息处理设备，其中，
所述控制器使所述学习数据按照学习数据集的有影响组合与学习数据集的无影响组合能够区别开的方式被记录在所述记录单元中。


8.根据权利要求1、3和5中的任一项所述的信息处理设备，其中，
取决于另一人工智能的学习目的，所述控制器使所述另一人工智能学习所述...

【专利技术属性】
技术研发人员：得地贤吾，
申请(专利权)人：富士施乐株式会社，
类型：发明
国别省市：日本;JP