机器学习方法与流程

1.本公开涉及一种机器学习方法。


背景技术：

2.如日本专利特开2020-184167号公报所公开的那样，作为酿酒分析系统，已知有通过输入多个检索条件来缩减检索结果的系统。


技术实现要素：

3.感官测量结果(以下称作感官结果)多为仅在各自的组织内使用，但所述感官结果越多，研究/开发的精度以及效率越提高，因此迫切期望想要使用组织外的感官结果。但是，关于感官结果的公开的态度，私企或研究机构大不相同。日本专利特开2020-184167号公报所公开的系统并未考虑在一个公司或组织中将包含作为食品试样的酒的感官结果的信息设为公开或隐藏。
4.而且，在食品领域的研究开发中，尚无公司或研究机构在各自的组织的范围内对食品试样的感官结果进行管理，并作为公开信息来管理感官结果的系统。
5.本公开是为了解决此问题而完成，其目的在于提供一种考虑到感官结果的公开或隐藏的机器学习方法。
6.本公开涉及一种机器学习方法，由系统管理公司所提供的运算装置所执行。运算装置执行下述步骤：获取分析机器对试样的分析结果与第一感官结果；获取与分析结果以及第一感官结果的公开或隐藏相关的公开设定信息；将公开设定信息与分析结果以及第一感官结果相关联地予以存储；使用进行了公开的设定的分析结果或第一感官结果的至少其中任一者作为教学数据(teacher data)来进行用于预测第一感官结果的机器学习，生成学习完毕模型；以及将进行了隐藏的设定的分析结果输入至机器学习完毕模型，输出第二感官结果。
7.根据本公开，能够提供一种考虑到感官结果的公开或隐藏的机器学习方法。
8.本发明的所述目的以及其他目的、特征、方面以及优点当根据与附图相关联而理解的与本发明相关的下述详细说明而明确。
附图说明
9.图1是表示实施方式1的分析系统的整体结构的图。
10.图2是用于说明实施方式1的分析系统的流程的图。
11.图3是表示实施方式1的分析系统的各装置的结构的图。
12.图4是实施方式1的分析系统的序列图。
13.图5是用于说明学习阶段中的推测模型的学习的图。
14.图6是表示运用阶段中的分析系统的结构的图。
15.图7是表示食品试样中的感官结果以及分析结果的图。
16.图8是表示基于顾客信息的分析结果公开数、解析结果公开数以及金额信息的图。
具体实施方式
17.一边参照附图，一边详细说明本实施方式。另外，对于图中的相同或相当的部分标注相同的符号，原则上不再重复其说明。
18.＜实施方式1＞
19.一边参照图1至图4，一边说明实施方式1的分析系统1000中的机器学习方法。图1是表示实施方式1的分析系统1000的整体结构的图。图2是用于说明实施方式1的分析系统1000的流程的图。图3是表示实施方式1的分析系统1000的各装置的结构的图。图4是实施方式1的分析系统1000的序列图。
20.如图1所示，分析系统1000中，顾客100、系统管理公司200、受托分析公司300与服务器400所提供的各装置经由网络5而连接。顾客100为委托食品试样的分析的立场，例如为1至n。系统管理公司200为对分析系统1000的整体进行管理的立场，例如为一个。受托分析公司300为对食品试样进行分析的立场，例如为1至m。受托分析公司300也可为一个。服务器400为存储、公开各种数据的立场，例如为一个。服务器400也可为多个。
21.参照图2来说明一组顾客100、系统管理公司200、受托分析公司300以及服务器400之间的分析系统1000的流程。顾客100将食品试样送交给受托分析公司300。受托分析公司300使用分析机器来进行食品试样的分析。受托分析公司300将分析结果通知给系统管理公司200。
22.系统管理公司200向受托分析公司300支付对分析委托的金额。系统管理公司200使所属的感官测量评估者进行食品试样的感官测试。所谓感官测试，是指使用人的感觉(视觉、听觉、味觉、嗅觉、触觉等)来判定制品品质的测试，是针对食品、香料、工业产品等所使用的测试。通过感官测试，获得感官结果。
23.系统管理公司200获取分析结果。系统管理公司200对所获取的分析结果进行解析，获取解析结果，所述解析结果为第一感官结果或者第二感官结果。解析结果例如是基于分析结果与感官结果而制作的研讨结果。系统管理公司200将分析结果、解析结果通知给顾客100。
24.顾客100设定分析结果的公开或隐藏，并且设定解析结果的公开或隐藏，将选择结果通知给系统管理公司200。系统管理公司200将金额信息发送给顾客100。顾客100基于金额信息来向系统管理公司200支付金额。系统管理公司200基于选择结果，将要公开的公开数据发送给服务器400。
25.参照图3来说明分析系统1000中所用的各种装置的结构。分析系统1000中，顾客100所提供的第一装置1、系统管理公司200所提供的第二装置2、受托分析公司300所提供的第三装置3与服务器400所提供的服务器装置4经由网络5而连接。
26.第一装置1、第二装置2以及第三装置3是依据通用的计算机架构而构成。本实施方式中，第一装置1、第二装置2以及第三装置3包含台式计算机。第一装置1、第二装置2以及第三装置3也可为便携式计算机、平板型计算机、智能手机等移动终端等的台式计算机以外的装置。
27.服务器装置4是依据通用的计算机架构而构成。本实施方式中，服务器装置4为系
统管理公司200所有。
28.第一装置1包括处理器11、主存储器12、输入/输出接口13、通信接口14以及存储体15。这些组件经由总线而连接。
29.处理器11是依据各种程序来执行各种处理的运算主体(计算机)。处理器11例如包含中央处理器(central processing unit，cpu)、现场可编程门阵列(field programmable gate array，fpga)、图形处理器(graphics processing unit，gpu)以及多处理器(multi processing unit，mpu)中的至少任一种。另外，处理器11也可包含运算电路(processing circuitry)。处理器11进行读出存储在存储体15中的程序并在主存储器12中展开而执行的处理等。
30.主存储器12例如包含随机存取存储器(random access memory，ram)、动态随机存取存储器(dynamic ram，dram)、静态随机存取存储器(static random access memory，sram)等的易失性存储装置、只读存储器(read only memory，rom)等的非易失性存储装置。
31.输入/输出接口13将用户借助按钮、触摸屏等的输入信号、向液晶显示器等显示装置的输出信号传递给各机器。
32.通信接口14通过有线连接或无线连接来与其他装置之间收发数据(信息)。本实施方式中，通信接口14通过经由网络5的无线通信来与其他通信接口之间收发数据(信息)。
33.存储体15例如包含硬盘驱动器(hard disk drive，hdd)或固态硬盘(solid state drive，ssd)等的非易失性存储装置等。在存储体15中，存储包含与食品试样的感官测试的感官评估项目以及感官评估项目对应的分析评估项目等的分析信息151、选择公开的数据与设为隐藏的数据的信息即选择信息152等。
34.第二装置2包括处理器21、主存储器22、输入/输出接口23、通信接口24以及存储体25。这些组件经由总线而连接。
35.第二装置2中的处理器21、主存储器22、输入/输出接口23、通信接口24以及存储体25的结构与第一装置1中的处理器11、主存储器12、输入/输出接口13、通信接口14以及存储体15的结构同样。
36.在存储体25中，存储顾客信息251、标识符(identifier，id)信息252、推测模型253、分析结果信息254、解析结果信息255以及公开/隐藏信息256等。
37.顾客信息251是与顾客100相关的信息。id信息252是用于与对顾客信息251相关联地附注的顾客进行识别的信息。推测模型253是被用于机器学习的模型，详细将后述。分析结果信息254是与食品试样的分析结果相关的信息。解析结果信息255是基于分析结果信息254与感官结果而制作的作为第一感官结果或第二感官结果的信息。公开/隐藏信息256是表示关于分析结果信息254、解析结果信息255设定为公开或隐藏的项目的信息。
38.第三装置3包括处理器31、主存储器32、输入/输出接口33、通信接口34、存储体35以及分析机器接口36。这些组件经由总线而连接。
39.第三装置3中的处理器31、主存储器32、输入/输出接口33、通信接口34以及存储体35的结构与第一装置1中的处理器11、主存储器12、输入/输出接口13、通信接口14以及存储体15的结构同样。
40.分析机器接口36与受托分析公司300所包括的用于对食品试样进行分析的分析机器之间进行信息的输入/输出。在存储体35中，存储与食品试样的分析结果相关的分析结果
信息351等。
41.服务器装置4包括处理器41、主存储器42、通信接口44以及存储体45。这些组件经由总线而连接。
42.服务器装置4中的处理器41、主存储器42、通信接口44以及存储体45的结构与第一装置1中的处理器11、主存储器12、通信接口14以及存储体15的结构同样。
43.在存储体45中，存储与从第二装置2发送的分析结果信息254、解析结果信息255以及公开/隐藏信息256对应的分析结果信息454、解析结果信息455以及公开/隐藏信息456等。
44.使用图4来说明顾客100的第一装置1、系统管理公司200的第二装置2、受托分析公司300的第三装置3与服务器400的服务器装置4之间的处理的流程。图4的“sq”是指序列。
45.sq11中，第一装置1将分析信息发送至第三装置3。sq12中，第三装置3基于所收到的分析信息中所含的分析项目信息，使用分析机器来分析食品试样。随后，sq12中，第三装置3制作分析结果信息。sq13中，第三装置3将分析结果信息发送至第二装置2。
46.sq14中，第二装置2登记所收到的分析结果信息，并且对分析结果信息进行解析，获取作为第一感官结果的解析结果信息。解析结果信息包含基于从感官测量评估者获得的感官测试的结果而制作的感官结果信息、根据使用推测模型253的机器学习而获得的感官结果预测信息、根据分析结果信息以及感官结果信息(或者感官预测结果信息)获得的研讨结果信息中的任一个。
47.sq15中，第二装置2将分析结果信息以及解析结果信息发送至第一装置1。另外，在分析结果信息以及解析结果信息中，关联有用于识别顾客的id。sq16中，第一装置1进行对于所收到的分析结果信息以及解析结果信息是公开还是隐藏的设定。
48.sq17中，第一装置1将进行了对于分析结果信息以及解析结果信息是公开还是隐藏的选择的选择信息发送至第二装置2。sq18中，第二装置2对于分析结果信息的各项目以及解析结果信息的各项目进行公开或隐藏的标记。sq19中，第二装置2进行设定，以使用进行了公开的标记的分析结果信息以及解析结果信息作为教学数据来进行预测解析结果信息的机器学习。具体而言，通过进行机器学习，生成学习完毕模型。并且，通过将进行了公开或隐藏的设定的分析结果输入至学习完毕模型，能够获取作为第二感官结果的解析结果信息。
49.sq20中，第二装置2将进行了公开的标记的分析结果信息以及解析结果信息发送至服务器装置4。sq21中，第二装置2进行根据与顾客信息关联的公开、隐藏的标签来变更用于向顾客100索取的金额信息的计算。sq21中，第二装置2将基于在sq21中计算出的值的索取金额信息发送至第一装置1。索取金额例如包含机器学习方法的使用费用、作为订阅(subscription)而索取的定额费用、用于获取解析结果信息的解析费用等。
50.参照图5、图6，对本实施方式的推测模型253的学习阶段、运用阶段进行说明。图5是用于说明学习阶段中的推测模型的学习的图。图6是表示运用阶段中的分析系统的结构的图。
51.如图5所示，学习阶段是在将分析结果或者分析结果及感官结果提供给第二装置2之前使推测模型253学习的事先学习阶段。推测模型253进行学习，以通过学习装置51而由分析结果来推测作为第二感官结果的感官结果，或者根据分析结果以及感官结果来预测作
为第二感官结果的研讨结果。
52.用于使推测模型253学习的学习算法可使用有教学学习、无教学学习以及强化学习等的公知的算法。本实施方式中，学习装置51通过使用学习用数据40的有教学学习来使推测模型253进行学习。
53.学习用数据40是为了推测模型253的学习而预先准备，包含分析结果和与分析结果对应的感官结果。例如，程序的设计者将食品试样的过去的多个分析结果和与分析结果对应的感官结果(正解数据)相关联而作为学习用数据(教学数据)40。设计者预先准备多个此种学习用数据40。
54.推测模型253包含神经网络2531与由神经网络2531使用的参数2532。神经网络2531适用卷积神经网络(convolution neural network，cnn)、循环神经网络(重现神经网络)(recurrent neural network，rnn)或长短期记忆(long short term memory，lstm)网络等在基于深度学习的处理中所用的公知的神经网络。
55.推测模型253通过使用如上所述的神经网络2531来进行深度学习。参数2532包含被用于神经网络2531所进行的计算中的加权系数等。另外，推测模型253并不限于通过使用神经网络的深度学习来进行学习，也可通过其他机器学习来进行学习。此处，将学习前的推测模型253以及学习完毕的推测模型253总称为“推测模型”，另一方面，尤其学习完毕的推测模型253也称作“学习完毕模型”。
56.学习装置51受理学习用数据40中的分析结果的输入或者分析结果以及感官结果的输入。学习装置51执行下述处理，即，用于基于所输入的分析结果或者分析结果以及感官结果与包含神经网络2531的推测模型253，来推测感官结果或者研讨结果。
57.学习装置51基于感官结果的推测结果与学习用数据40中所含的正解数据(与分析结果对应的感官结果)，使推测模型253进行学习。具体而言，学习装置51调整参数2532(例如加权系数)，以使通过推测模型253而获得的感官结果的推测结果接近正解数据，由此来使推测模型253进行学习而生成学习完毕模型。
58.或者，学习装置51基于研讨结果的推测结果与学习用数据40中所含的正解数据(与分析结果以及感官结果对应的研讨结果)，使推测模型253进行学习。具体而言，学习装置51调整参数2532(例如加权系数)，以使通过推测模型253而获得的研讨结果的推测结果接近正解数据，由此来使推测模型253进行学习而生成学习完毕模型。
59.图6所示的运用阶段是在提供了分析结果或者分析结果以及解析结果后使用作为学习完毕模型的推测模型253，来推测感官预测结果或者研讨结果以作为第二感官结果的阶段。如图6所示，第二装置2将通过图5所示的学习装置51而学习的推测模型253保存至存储体25。例如，第二装置2从学习装置51获取推测模型253，并将所获取的推测模型253保存至存储体25。另外，学习装置51也可为第二装置2，所述学习装置51的功能也可为第二装置2的处理器21所具有的功能。
60.第二装置2的处理器21包括输入部211、处理部212以及输出部213。输入部211受理分析结果或者分析结果以及解析结果的输入。处理部212执行下述处理，即，用于基于从输入部211输入的分析结果或者分析结果以及解析结果与包含神经网络2531的推测模型253，来推测感官预测结果或者研讨结果。另外，如上所述，推测模型253并不限于通过使用神经网络的深度学习来进行学习，也可通过其他的机器学习来进行学习。输出部213输出由处理
部212所获得的结果来作为感官预测结果或者研讨结果。
61.图7是表示食品试样的感官结果以及分析结果的图。图7中，表示了使用多个日本酒来作为食品试样时的感官结果与分析结果的具体例。在日本酒的情况下，例如通过感官测量评估者进行感官测试，从而将作为感官评估项目的“香气的强度”、“味道的浓淡”、“味道的苦甜”以及“熟度”数值化。作为与感官评估项目对应的分析项目，通过分析机器对“乙醇量”、“日本酒度”、“酸度”、“氨基酸度”、“乙酸异戊酯”、“异戊醇”、“己酸乙酯”、“柠檬酸”、“丙酮酸”、“苹果酸”、“琥珀酸”、“乳酸”、“乙酸”以及“葡萄糖”进行分析并数值化。
62.更具体而言，例如分析项目“己酸乙酯”以及“葡萄糖”的量会影响到感官评估项目“香气的强度”。若它们的量多，则可判断为“香气的强度”强。
63.第二装置2中，基于图7所示的分析结果与感官结果来制作表示分析结果与感官结果的关系的研讨结果。研讨结果例如是表示分析结果的色谱的某峰值对应于感官评估的某味道的项目的数据。
64.图8是表示基于顾客信息的分析结果公开数、解析结果公开数以及金额信息的图。顾客100对于所获取的分析结果的各项目进行设为公开或隐藏的设定，并且对于所获取的解析结果的各项目进行设为公开或隐藏的设定。与分析结果以及解析结果的公开或隐藏相关的信息也称作公开设定信息。公开设定信息包含与分析结果的公开或隐藏相关的第一信息、以及与解析结果(第一感官结果以及第二感官结果)的公开或隐藏相关的第二信息。
65.系统管理公司200的第二装置2基于从顾客100的第一装置1发送的公开或隐藏的公开设定信息，来计算向顾客100索取的金额。如图8所示，例如，顾客a进行将合计十四个分析结果的项目中的十四个项目予以公开的第一信息的设定，且进行将合计四个解析结果的项目中的四个项目予以公开的第二信息的设定。此时，顾客a的索取金额的折扣率为15％。顾客b进行将合计十四个分析结果的项目中的十个项目予以公开的第一信息的设定，且进行将合计四个解析结果的项目中的三个项目予以公开的第二信息的设定。此时，顾客b的索取金额的折扣率为7％。
66.顾客c进行将合计十四个分析结果的项目中的八个项目予以公开的第一信息的设定，且进行将合计四个解析结果的项目中的两个项目予以公开的第二信息的设定。此时，顾客c的索取金额的折扣率为5％。顾客d进行将合计十四个分析结果的项目中的五个项目予以公开的第一信息的设定，且进行将合计四个解析结果的项目中的一个项目予以公开的第二信息的设定。此时，顾客d的索取金额的折扣率为3％。顾客e进行将合计十四个分析结果的项目中的0个项目予以公开的第一信息的设定，且进行将合计四个解析结果的项目中的0个项目予以公开的第二信息的设定。此时，顾客e的索取金额的折扣率为0％。
67.如图8所示，根据分析结果的公开数与解析结果的公开数将作为所索取的金额信息的折扣率设定为不同。公开数越多，则索取金额的折扣率越高。若这样，则存在下述优点，即，公开的一方通过增多公开数，能够多享受索取金额的折扣。
68.本实施方式的机器学习方法中，顾客100关于针对所获取的分析结果以及解析结果的各项目是设为公开还是设为隐藏，可进行选择。系统管理公司200的第二装置2进行公开或隐藏的标记，并进行设定，以使用进行了公开的标记的分析结果信息以及解析结果信息作为教学数据来进行机器学习。
69.若这样，则能够使用进行了公开的标记的分析结果信息以及解析结果信息来提高
精度以及效率。根据进行了公开的标记的分析结果信息以及解析结果信息的数量，索取金额的折扣率不同，因此能够使顾客100积极地公开。
70.＜变形例＞
71.所述实施方式中，索取金额的折扣率被设定为根据公开数而变化。但是，索取金额的折扣率也可被设定为根据所公开的项目的内容而变化。例如也可设定为，公开了公开数据少的项目的顾客的折扣率比其他顾客的折扣率高。
72.所述实施方式中，第二装置2的处理器21根据所输入的分析结果来输出感官预测结果。处理器21也可根据所输入的分析结果与感官评估结果来输出研讨结果，还可根据所输入的分析结果与感官预测结果来输出研讨结果。
73.所述实施方式中，对感官测试是由系统管理公司200执行的情况进行了说明。感官测试也可由顾客100、具有分析机器的受托分析公司300执行。例如在由顾客100执行感官测试的情况下，也可减少相应的索取金额。
74.所述实施方式中，受托分析公司300的第三装置3也可不将分析结果发送至系统管理公司200的第二装置2，而是直接发送至顾客100的第一装置1。若这样，则能够省略系统管理公司200的第二装置2接收分析结果的处理以及发送分析结果的处理。
75.所述实施方式中，也可针对每个顾客来设定可参照的公开范围。例如只要如下即可，即，在顾客a与顾客b为关联公司的情况下，使可参照的公开范围广，在顾客a与顾客c为竞争公司的情况下，相比于与顾客b的关系，使可参照的公开范围窄。
76.所述实施方式中，也可并非根据信息的公开状况来变更索取金额，而是设定为，在公开数多的情况下，使信息的检索范围广，在公开数少的情况下，使信息的检索范围变窄。
77.所述实施方式中，也可设为：即便是进行委托的顾客以外的其他企业，也可通过支付费用来检索服务器上的信息。
78.所述实施方式中，也可设为：在从第一装置1发送至第二装置2的分析信息中包含食品试样的制造年月日、食品试样的种类等的信息。
79.[形态]
[0080]
本领域技术人员当理解，以上所述的多个例示性的实施方式为以下形态的具体例。
[0081]
(第一项)一形态的机器学习方法涉及一种由系统管理公司所提供的运算装置所执行的机器学习方法。运算装置执行下述步骤：获取分析机器对试样的分析结果与第一感官结果；获取与分析结果以及第一感官结果的公开或隐藏相关的公开设定信息；将公开设定信息与分析结果以及第一感官结果相关联地予以存储；使用进行了公开的设定的分析结果或第一感官结果的至少其中任一者作为教学数据来进行用于预测第一感官结果的机器学习，生成学习完毕模型；以及将进行了隐藏的设定的分析结果输入至机器学习完毕模型，输出第二感官结果。
[0082]
根据第一项所述的机器学习方法，可提供一种考虑到感官结果的公开或隐藏的机器学习方法。
[0083]
(第二项)第一感官结果是下述中的任一个：试样的感官评估结果、基于分析结果由运算装置输出的感官预测结果、根据分析结果与感官评估结果或分析结果与感官预测结果而相关联的研讨结果。
[0084]
根据第二项所述的机器学习方法，可提供一种关于感官评估结果、感官预测结果，以及研讨结果中的任一者考虑到公开或隐藏的机器学习方法。
[0085]
(第三项)感官评估结果是由感官测量评估者关于试样进行评估所得的结果。
[0086]
根据第三项所述的机器学习方法，对于由感官测量评估者所评估的感官评估结果，可进行公开或隐藏的设定。
[0087]
(第四项)运算装置执行对所输入的分析结果进行运算并输出感官预测结果的步骤。
[0088]
根据第四项所述的机器学习方法，可根据分析结果而输出感官预测结果，因此可提高感官预测结果的精度。
[0089]
(第五项)运算装置执行对所输入的分析结果与所输入的感官评估结果或所输入的感官预测结果进行运算并输出研讨结果的步骤。
[0090]
根据第五项所述的机器学习方法，可根据分析结果与感官评估结果或感官预测结果来输出研讨结果，因此可提高研讨结果的精度。
[0091]
(第六项)公开设定信息是与系统管理公司的顾客信息相关联地予以存储。
[0092]
根据第六项所述的机器学习方法，可针对每个顾客信息来适当地管理设为公开或隐藏的信息。
[0093]
(第七项)运算装置执行根据与顾客信息相关联的公开设定信息来变更向顾客索取的索取金额信息的步骤。
[0094]
根据第七项所述的机器学习方法，可根据顾客设为公开或隐藏的信息来进行适当的金额的索取。
[0095]
(第八项)运算装置执行下述步骤：将公开设定信息中进行了公开的设定的分析结果、第一感官结果以及第二感官结果设定为经由网络而公开到服务器上，且不将进行了隐藏的设定的分析结果、第一感官结果以及第二感官结果公开到服务器上。
[0096]
根据第八项所述的机器学习方法，可仅将进行了公开的设定的分析结果、第一感官结果以及第二感官结果适当地公开到服务器上。
[0097]
(第九项)公开设定信息包含：与分析结果的公开或隐藏相关的第一信息；以及与第一感官结果以及第二感官结果的公开或隐藏相关的第二信息。
[0098]
根据第九项所述的机器学习方法，可各别地设定第一信息以及第二信息。
[0099]
对本发明的实施方式进行了说明，但应认为，此次公开的实施方式在所有方面为例示而非限制者。本发明的范围是由权利要求书所示，且意图包含与权利要求书均等的含义以及范围内的所有变更。

技术特征：
1.一种机器学习方法，由系统管理公司所提供的运算装置所执行，所述运算装置执行下述步骤：获取分析机器对试样的分析结果与第一感官结果；获取与所述分析结果以及所述第一感官结果的公开或隐藏相关的公开设定信息；将所述公开设定信息与所述分析结果以及所述第一感官结果相关联地予以存储；使用进行了公开的设定的所述分析结果或所述第一感官结果的至少其中任一者作为教学数据来进行用于预测所述第一感官结果的机器学习，生成学习完毕模型；以及将进行了隐藏的设定的所述分析结果输入至所述机器学习完毕模型，输出第二感官结果。2.根据权利要求1所述的机器学习方法，其中所述第一感官结果是下述中的任一个：所述试样的感官评估结果、基于所述分析结果由所述运算装置输出的感官预测结果、根据所述分析结果与所述感官评估结果或所述分析结果与所述感官预测结果而相关联的研讨结果。3.根据权利要求2所述的机器学习方法，其中所述感官评估结果是由感官测量评估者关于所述试样进行评估所得的结果。4.根据权利要求2或3所述的机器学习方法，其中所述运算装置执行对所输入的所述分析结果进行运算并输出所述感官预测结果的步骤。5.根据权利要求2或3所述的机器学习方法，其中所述运算装置执行对所输入的所述分析结果与所输入的所述感官评估结果或所输入的所述感官预测结果进行运算并输出所述研讨结果的步骤。6.根据权利要求2或3所述的机器学习方法，其中所述公开设定信息是与所述系统管理公司的顾客信息相关联地予以存储。7.根据权利要求6所述的机器学习方法，其中所述运算装置执行根据与所述顾客信息相关联的所述公开设定信息来变更向顾客索取的索取金额信息的步骤。8.根据权利要求2或3所述的机器学习方法，其中所述运算装置执行下述步骤：进行设定，以将所述公开设定信息中进行了公开的设定的所述分析结果、所述第一感官结果以及所述第二感官结果经由网络而公开到服务器上，且不将进行了隐藏的设定的所述分析结果、所述第一感官结果以及所述第二感官结果公开到所述服务器上。9.根据权利要求2或3所述的机器学习方法，其中所述公开设定信息包含：与所述分析结果的公开或隐藏相关的第一信息；以及与所述第一感官结果以及所述第二感官结果的公开或隐藏相关的第二信息。

技术总结
本发明的第二装置执行下述步骤：接收分析机器对食品试样的分析结果；对分析结果进行解析而获取解析结果；获取与分析结果的公开或隐藏相关的第一信息以及与解析结果的公开或隐藏相关的第二信息；将第一信息与分析结果相关联地予以存储，并且将第二信息与所述解析结果相关联地予以存储；以及使用进行了公开的设定的分析结果或解析结果的至少其中任一者作为教学数据来进行用于预测解析结果的机器学习。教学数据来进行用于预测解析结果的机器学习。教学数据来进行用于预测解析结果的机器学习。


技术研发人员：松本恵子
受保护的技术使用者：株式会社岛津制作所
技术研发日：2023.02.03
技术公布日：2023/8/9