JPH05308406A - 予測ダイヤル呼出し方法及び装置 - Google Patents
予測ダイヤル呼出し方法及び装置Info
- Publication number
- JPH05308406A JPH05308406A JP3326014A JP32601491A JPH05308406A JP H05308406 A JPH05308406 A JP H05308406A JP 3326014 A JP3326014 A JP 3326014A JP 32601491 A JP32601491 A JP 32601491A JP H05308406 A JPH05308406 A JP H05308406A
- Authority
- JP
- Japan
- Prior art keywords
- current
- call
- neural network
- dial
- group
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M3/00—Automatic or semi-automatic exchanges
- H04M3/42—Systems providing special services or facilities to subscribers
- H04M3/50—Centralised arrangements for answering calls; Centralised arrangements for recording messages for absent or busy subscribers ; Centralised arrangements for recording messages
- H04M3/51—Centralised call answering arrangements requiring operator intervention, e.g. call or contact centers for telemarketing
- H04M3/523—Centralised call answering arrangements requiring operator intervention, e.g. call or contact centers for telemarketing with call distribution or queueing
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks
- G06N3/105—Shells for specifying net layout
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M3/00—Automatic or semi-automatic exchanges
- H04M3/22—Arrangements for supervision, monitoring or testing
- H04M3/36—Statistical metering, e.g. recording occasions when traffic exceeds capacity of trunks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M3/00—Automatic or semi-automatic exchanges
- H04M3/42—Systems providing special services or facilities to subscribers
- H04M3/50—Centralised arrangements for answering calls; Centralised arrangements for recording messages for absent or busy subscribers ; Centralised arrangements for recording messages
- H04M3/51—Centralised call answering arrangements requiring operator intervention, e.g. call or contact centers for telemarketing
- H04M3/5158—Centralised call answering arrangements requiring operator intervention, e.g. call or contact centers for telemarketing in combination with automated outdialling systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q3/00—Selecting arrangements
- H04Q3/0016—Arrangements providing connection between exchanges
- H04Q3/002—Details
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q3/00—Selecting arrangements
- H04Q3/42—Circuit arrangements for indirect selecting controlled by common circuits, e.g. register controller, marker
- H04Q3/54—Circuit arrangements for indirect selecting controlled by common circuits, e.g. register controller, marker in which the logic circuitry controlling the exchange is centralised
- H04Q3/545—Circuit arrangements for indirect selecting controlled by common circuits, e.g. register controller, marker in which the logic circuitry controlling the exchange is centralised using a stored program
- H04Q3/54575—Software application
- H04Q3/54591—Supervision, e.g. fault localisation, traffic measurements, avoiding errors, failure recovery, monitoring, statistical analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S379/00—Telephonic communications
- Y10S379/904—Auto-calling
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Exchange Systems With Centralized Control (AREA)
Abstract
(57)【要約】 （修正有）
【目的】効率的なダイヤル呼出し技術を提供する。
【構成】電話スイッチ１７に接続されるコンピュータ・
システム１０を有し内部記憶装置１２に呼出し記録グル
ープを記憶する。各呼出し記録は日付、時間及び１つ或
いはそれ以上の負荷要素を含む入力パラメータのグルー
プを含む。負荷要素は保留呼出し回数、使用可能なオペ
レータ数、平均遊休時間、接続遅延、完了レート、迷惑
呼出しレート等を示す。これらの呼出し記録は神経網４
０により分析されて、入力パラメータと各呼出し記録内
に記憶されるダイヤル・アクションとの間の関係を決定
する。この関係が決定されると、コンピュータ・システ
ムは現在の入力パラメータのグループを神経網に送信
し、神経網は以前の呼出し記録の分析に基づいて、呼出
しを開始させるかどうかを決定する。神経網はトレーニ
ング・データから学んだ複雑な関係に基づき、この決定
を下す。
システム１０を有し内部記憶装置１２に呼出し記録グル
ープを記憶する。各呼出し記録は日付、時間及び１つ或
いはそれ以上の負荷要素を含む入力パラメータのグルー
プを含む。負荷要素は保留呼出し回数、使用可能なオペ
レータ数、平均遊休時間、接続遅延、完了レート、迷惑
呼出しレート等を示す。これらの呼出し記録は神経網４
０により分析されて、入力パラメータと各呼出し記録内
に記憶されるダイヤル・アクションとの間の関係を決定
する。この関係が決定されると、コンピュータ・システ
ムは現在の入力パラメータのグループを神経網に送信
し、神経網は以前の呼出し記録の分析に基づいて、呼出
しを開始させるかどうかを決定する。神経網はトレーニ
ング・データから学んだ複雑な関係に基づき、この決定
を下す。
Description
【０００１】
【産業上の利用分野】本発明はデータ処理分野に関し、
更に詳細には神経網を使用する予測ダイヤル呼出しのた
めの先読み方法及び装置に関する。
更に詳細には神経網を使用する予測ダイヤル呼出しのた
めの先読み方法及び装置に関する。
【０００２】
【従来の技術】１９９０年代の通信は従来と比較すると
非常に複雑である。石器時代にはネアンデルタール人は
他のネアンデルタール人と連絡を取りたいときに、その
人のところへ歩いて行き２、３の音声を発して伝えた。
次第に通信は書かれたメッセージへと進化し、最初は使
者により、後には郵便により配達された。
非常に複雑である。石器時代にはネアンデルタール人は
他のネアンデルタール人と連絡を取りたいときに、その
人のところへ歩いて行き２、３の音声を発して伝えた。
次第に通信は書かれたメッセージへと進化し、最初は使
者により、後には郵便により配達された。
【０００３】ついには電話が発明され、これにより人は
受話器を取り上げて話したい人の電話番号をダイヤルす
ることにより、他人と簡単に且つ効率的に連絡を取れる
ようになった。
受話器を取り上げて話したい人の電話番号をダイヤルす
ることにより、他人と簡単に且つ効率的に連絡を取れる
ようになった。
【０００４】セールスマン達も同様にして進歩してき
た。セールスマンはある物を他人に売りたい場合に、ド
アからドアへと訪問してそこにいる人に対して自分が売
ろうとする物を買うように説得に努めた。しかし、セー
ルスマンの眼前で多くのドアが締められてしまい、こう
したセールスが非効率的であることが分かると、彼らは
手紙やパンフレット、また他の斡旋用の書類を見込みの
ある顧客に対して郵送するようになった。しかし、これ
もまた受取人により多くが不要郵便として扱われる結果
となり、非効率的であり、実際にセールスにつながるメ
ールの確率は小さかった。
た。セールスマンはある物を他人に売りたい場合に、ド
アからドアへと訪問してそこにいる人に対して自分が売
ろうとする物を買うように説得に努めた。しかし、セー
ルスマンの眼前で多くのドアが締められてしまい、こう
したセールスが非効率的であることが分かると、彼らは
手紙やパンフレット、また他の斡旋用の書類を見込みの
ある顧客に対して郵送するようになった。しかし、これ
もまた受取人により多くが不要郵便として扱われる結果
となり、非効率的であり、実際にセールスにつながるメ
ールの確率は小さかった。
【０００５】セールスマン達が電話を利用するようにな
るのには時間を要さなかった。セールスマンは、迅速に
また安価に、見込みのある顧客を呼出して自分が売ろう
とする物の説明ができるようになった。たいていの呼出
しはすぐに終了するために（潜在的顧客は様々な方法に
より興味がないことを表現して電話を切るので）、時間
の大半は今後誰に電話をして付き合いを維持していくべ
きかを見分けるために費やされた。電話は度々通話中で
あったり不在であったりするために、セールスマンは後
に再度電話して他の見込みのある顧客を捜した。
るのには時間を要さなかった。セールスマンは、迅速に
また安価に、見込みのある顧客を呼出して自分が売ろう
とする物の説明ができるようになった。たいていの呼出
しはすぐに終了するために（潜在的顧客は様々な方法に
より興味がないことを表現して電話を切るので）、時間
の大半は今後誰に電話をして付き合いを維持していくべ
きかを見分けるために費やされた。電話は度々通話中で
あったり不在であったりするために、セールスマンは後
に再度電話して他の見込みのある顧客を捜した。
【０００６】セールスマン達はこのアプローチがまた非
効率的であることを悟り始めた。彼らはコンピュータ
が、見込みのある顧客とのつながりを持つことに纏わる
無駄を迅速に達成することを発見した。セールスマン
（今日ではテレマーケッタとして知られる）は呼出しを
終了すると、コンピュータに対して記憶された番号リス
トから次の番号をダイヤルするように指示する。これは
アウトバウンド・テレマーケッティングとして知られる
ようになった。
効率的であることを悟り始めた。彼らはコンピュータ
が、見込みのある顧客とのつながりを持つことに纏わる
無駄を迅速に達成することを発見した。セールスマン
（今日ではテレマーケッタとして知られる）は呼出しを
終了すると、コンピュータに対して記憶された番号リス
トから次の番号をダイヤルするように指示する。これは
アウトバウンド・テレマーケッティングとして知られる
ようになった。
【０００７】しかし、非常に効率的且つ慣習的なアウト
バウンド・テレマーケッティングにもまだ問題があっ
た。テレマーケッタは多くの時間を頻繁な信号或いは応
対されることのない電話に奪われた。更に、テレマーケ
ッタはしばしば高い頻度の拒否に飽き飽きし、コンピュ
ータに他の呼出しを指示することを躊躇した。この問題
を解決するために、予測ダイヤル呼出しが開発された。
典型的な予測ダイヤル呼出し装置では、潜在的な顧客が
コンピュータにより呼び出される。もしも誰かが電話に
答えれば、コンピュータは適宜テレマーケッタを見つ
け、このテレマーケッタに電話をつなぐ。
バウンド・テレマーケッティングにもまだ問題があっ
た。テレマーケッタは多くの時間を頻繁な信号或いは応
対されることのない電話に奪われた。更に、テレマーケ
ッタはしばしば高い頻度の拒否に飽き飽きし、コンピュ
ータに他の呼出しを指示することを躊躇した。この問題
を解決するために、予測ダイヤル呼出しが開発された。
典型的な予測ダイヤル呼出し装置では、潜在的な顧客が
コンピュータにより呼び出される。もしも誰かが電話に
答えれば、コンピュータは適宜テレマーケッタを見つ
け、このテレマーケッタに電話をつなぐ。
【０００８】予測ダイヤル呼出し分野における従来の試
みは、予測呼出しのダイアリング（dialing）部分は得
意としていたが、予測（predicting） 部分が不得手で
あった。しばしばコンピュータは顧客への呼出しを行
い、電話を取るオペレータが不在であることを発見する
のみで呼出しを終了する。これを迷惑呼出し（nuisance
call）と称する。顧客はその時、録音されたアナウンス
メント、呼出し信号、沈黙或いはハング・アップに遭遇
する。また、従来の試みでは、コンピュータが顧客にダ
イヤルする間にオペレータが無駄に座っていなければな
らない逆の問題もしばしば発生した。これはオペレータ
遊休時間（operator idle time）と称される。
みは、予測呼出しのダイアリング（dialing）部分は得
意としていたが、予測（predicting） 部分が不得手で
あった。しばしばコンピュータは顧客への呼出しを行
い、電話を取るオペレータが不在であることを発見する
のみで呼出しを終了する。これを迷惑呼出し（nuisance
call）と称する。顧客はその時、録音されたアナウンス
メント、呼出し信号、沈黙或いはハング・アップに遭遇
する。また、従来の試みでは、コンピュータが顧客にダ
イヤルする間にオペレータが無駄に座っていなければな
らない逆の問題もしばしば発生した。これはオペレータ
遊休時間（operator idle time）と称される。
【０００９】Crockett等による米国特許番号第４８２９
５６３号では、短期間における呼出しの重み付け予測数
とオペレータの予測数との比較、及び周期的な重み付け
係数の調整に基づいてダイヤル呼出しの数を動的に調整
することにより、これらの迷惑呼出し及びオペレータ遊
休時間の問題を解決しようとしている。Crockettの短期
間（short term）の比較は常に再活動的（reactive）で
あり、変更は迷惑呼出し或いはオペレータ遊休時間が受
諾不可能なレベルに達した後のみ実施される。従って、
Crockettの再活動的ダイヤル（reactive dialing）呼出
しのアプローチは前述の迷惑呼出し及びオペレータ遊休
時間の問題を解決するのに十分ではない。
５６３号では、短期間における呼出しの重み付け予測数
とオペレータの予測数との比較、及び周期的な重み付け
係数の調整に基づいてダイヤル呼出しの数を動的に調整
することにより、これらの迷惑呼出し及びオペレータ遊
休時間の問題を解決しようとしている。Crockettの短期
間（short term）の比較は常に再活動的（reactive）で
あり、変更は迷惑呼出し或いはオペレータ遊休時間が受
諾不可能なレベルに達した後のみ実施される。従って、
Crockettの再活動的ダイヤル（reactive dialing）呼出
しのアプローチは前述の迷惑呼出し及びオペレータ遊休
時間の問題を解決するのに十分ではない。
【００１０】
【発明が解決しようとする課題】本発明の第１の目的
は、効率的な予測ダイヤル呼出し技術を提供することで
ある。
は、効率的な予測ダイヤル呼出し技術を提供することで
ある。
【００１１】本発明の別の目的は、迷惑呼出し及びオペ
レータ遊休時間を受諾可能なレベル以内に維持するため
の予測ダイヤル呼出し技術を提供することである。
レータ遊休時間を受諾可能なレベル以内に維持するため
の予測ダイヤル呼出し技術を提供することである。
【００１２】本発明の別の目的は、呼出しパターンにお
ける変更を先読み及び予測し、それに従って、迷惑呼出
し或いはオペレータ遊休時間が受諾不可能なレベルに達
する以前に調整を可能とする予測ダイヤル呼出し技術を
提供することである。
ける変更を先読み及び予測し、それに従って、迷惑呼出
し或いはオペレータ遊休時間が受諾不可能なレベルに達
する以前に調整を可能とする予測ダイヤル呼出し技術を
提供することである。
【００１３】本発明の別の目的は、神経網が学習した内
容に基づいて呼出しパターンにおける変更を先読み及び
予測し、それに従って、迷惑呼出し或いはオペレータ遊
休時間が受諾不可能なレベルに達する以前に調整を可能
とする、神経網を使用する予測ダイヤル呼出し技術を提
供することである。
容に基づいて呼出しパターンにおける変更を先読み及び
予測し、それに従って、迷惑呼出し或いはオペレータ遊
休時間が受諾不可能なレベルに達する以前に調整を可能
とする、神経網を使用する予測ダイヤル呼出し技術を提
供することである。
【００１４】これらの及び他の目的が、本発明で開示さ
れる神経網を使用する予測ダイヤル呼出しのための先読
み方法及び装置により達成される。
れる神経網を使用する予測ダイヤル呼出しのための先読
み方法及び装置により達成される。
【００１５】予測ダイヤル呼出しシステムは電話スイッ
チに接続されるコンピュータを有し、その内部記憶に呼
出し用記録グループを記憶している。各呼出し記録は日
付、時間、１つ或いはそれ以上の負荷要素パラメータを
含む入力パラメータのグループを含んでいる。負荷要素
パラメータは保留呼出し数、利用できるオペレータ数、
平均遊休時間、接続遅延、完了レート、会話距離、迷惑
呼出しレート等を示す。実施例では各呼出し記録は、呼
出しが開始されたかどうかを示すダイヤル・アクション
も含む。
チに接続されるコンピュータを有し、その内部記憶に呼
出し用記録グループを記憶している。各呼出し記録は日
付、時間、１つ或いはそれ以上の負荷要素パラメータを
含む入力パラメータのグループを含んでいる。負荷要素
パラメータは保留呼出し数、利用できるオペレータ数、
平均遊休時間、接続遅延、完了レート、会話距離、迷惑
呼出しレート等を示す。実施例では各呼出し記録は、呼
出しが開始されたかどうかを示すダイヤル・アクション
も含む。
【００１６】これらの呼出し記録は神経網により分析さ
れて、入力パラメータと各呼出し記録に記憶されている
ダイヤル・アクションとの関係が決定される。この分析
は神経網のトレーニング処理の１部として実行される。
この関係が決定の後に、コンピュータ・システムは現在
の入力パラメータのグループを神経網に送り、神経網は
以前の呼出し記録の分析に基づいて、呼出しが開始され
るべきかどうかを決定する。神経網はその決定をトレー
ニング・データより学んだ複雑な関係に基づいて行う。
多分、数千の呼出し記録は数日、数カ月もしくは数年に
及ぶことになろう。神経網は先読み及び先行学習方式に
より、日、週、月、年の緩急な期間に自動的に対応可能
である。
れて、入力パラメータと各呼出し記録に記憶されている
ダイヤル・アクションとの関係が決定される。この分析
は神経網のトレーニング処理の１部として実行される。
この関係が決定の後に、コンピュータ・システムは現在
の入力パラメータのグループを神経網に送り、神経網は
以前の呼出し記録の分析に基づいて、呼出しが開始され
るべきかどうかを決定する。神経網はその決定をトレー
ニング・データより学んだ複雑な関係に基づいて行う。
多分、数千の呼出し記録は数日、数カ月もしくは数年に
及ぶことになろう。神経網は先読み及び先行学習方式に
より、日、週、月、年の緩急な期間に自動的に対応可能
である。
【００１７】
【課題を解決するための手段】本発明は上記課題を次の
ような手段によって解決するものである。即ち、各々が
日付、時間及び負荷要素を含む入力パラメータのグルー
プを有する、複数の呼出し記録を記憶する手段（又はス
テップ）と、前記記憶された複数の呼出し記録から、入
力パラメータの前記グループと複数のダイヤル・アクシ
ョンとの関係を学習する手段（又はステップ）と、を具
備した予測ダイヤル呼出しのためのコンピュータ・シス
テム（又は先読み方法）
ような手段によって解決するものである。即ち、各々が
日付、時間及び負荷要素を含む入力パラメータのグルー
プを有する、複数の呼出し記録を記憶する手段（又はス
テップ）と、前記記憶された複数の呼出し記録から、入
力パラメータの前記グループと複数のダイヤル・アクシ
ョンとの関係を学習する手段（又はステップ）と、を具
備した予測ダイヤル呼出しのためのコンピュータ・シス
テム（又は先読み方法）
【００１８】
【実施例】図１は本発明の予測ダイヤル呼出しシステム
５のブロック図である。コンピュータ・システム１０は
記憶装置１２に接続されるメイン或いは中央処理装置
（ＣＰＵ）１１により構成される。記憶装置１２はＲＡ
Ｍ等の１次メモリ及び／もしくは磁気或いは光学式記憶
装置等の２次メモリである。プロセサ１１はコプロセサ
１３に接続される。コプロセサ１３は総称数理計算機能
（数理コプロセサ）或いは特殊化された神経網ハードウ
ェア支援機能（神経網プロセサ）を提供する。コプロセ
サ１３は、ＣＰＵ１１が許容できない程度の性能の低下
を伴うことなく拡張計算負荷を扱うのに十分な処理能力
を有していれば必要ではない。また、ＣＰＵ１１はユー
ザ・インタフェース１４に接続される。ユーザ・インタ
フェース１４により、開発者及びユーザは通常、ワーク
ステーション或いは端末を通じてコンピュータ・システ
ム１０と通信することができる。
５のブロック図である。コンピュータ・システム１０は
記憶装置１２に接続されるメイン或いは中央処理装置
（ＣＰＵ）１１により構成される。記憶装置１２はＲＡ
Ｍ等の１次メモリ及び／もしくは磁気或いは光学式記憶
装置等の２次メモリである。プロセサ１１はコプロセサ
１３に接続される。コプロセサ１３は総称数理計算機能
（数理コプロセサ）或いは特殊化された神経網ハードウ
ェア支援機能（神経網プロセサ）を提供する。コプロセ
サ１３は、ＣＰＵ１１が許容できない程度の性能の低下
を伴うことなく拡張計算負荷を扱うのに十分な処理能力
を有していれば必要ではない。また、ＣＰＵ１１はユー
ザ・インタフェース１４に接続される。ユーザ・インタ
フェース１４により、開発者及びユーザは通常、ワーク
ステーション或いは端末を通じてコンピュータ・システ
ム１０と通信することができる。
【００１９】実施例では、コンピュータ・システム１０
はIBM Application System/400ミッドレンジ・コンピュ
ータであるが、どのコンピュータ・システムも使用可能
である。コプロセサ１３はApplication System/400ミッ
ドレンジ・コンピュータ上のプロセサが望ましいが、IB
M PS/2等のパーソナル・コンピュータ上の数理コプロセ
サ（Intel 80387 数理コプロセサなど）でもよい。この
場合、ＣＰＵ１１及びコプロセサ１３はIBM PC Support
を介して互いに通信する。
はIBM Application System/400ミッドレンジ・コンピュ
ータであるが、どのコンピュータ・システムも使用可能
である。コプロセサ１３はApplication System/400ミッ
ドレンジ・コンピュータ上のプロセサが望ましいが、IB
M PS/2等のパーソナル・コンピュータ上の数理コプロセ
サ（Intel 80387 数理コプロセサなど）でもよい。この
場合、ＣＰＵ１１及びコプロセサ１３はIBM PC Support
を介して互いに通信する。
【００２０】コンピュータ・システム１０は電話イネー
ブラ２０を通じて、ライン１５上を電話スイッチ１７に
接続される。実施例では、電話イネーブラ２０はＩＢＭ
が権利を有するプログラム製品CallPath/400であるが、
他の市販されている電話イネーブラも使用可能である。
実施例では電話スイッチ１７はTeleos IRX9000である
が、コンピュータと通信可能であり、予測ダイヤル呼出
しアプリケーションを支援する他のスイッチであれば使
用可能である。スイッチ１７はコンピュータ・システム
１０の方向指示の下で、外部電話１９等の外部電話とオ
ペレータ電話１８等のオペレータ電話とを従来方式によ
り接続することができる。コンピュータ・システム１０
はまた、ユーザ・インタフェース１４を介して、オペレ
ータ端末１６等の複数のオペレータ端末と通信できる。
予測ダイヤル呼出しシステム５により生成される呼出し
に関連するデータ（呼び出されるパーティに関するスク
リプト或いは情報など）はオペレータ端末１６上に表示
される。
ブラ２０を通じて、ライン１５上を電話スイッチ１７に
接続される。実施例では、電話イネーブラ２０はＩＢＭ
が権利を有するプログラム製品CallPath/400であるが、
他の市販されている電話イネーブラも使用可能である。
実施例では電話スイッチ１７はTeleos IRX9000である
が、コンピュータと通信可能であり、予測ダイヤル呼出
しアプリケーションを支援する他のスイッチであれば使
用可能である。スイッチ１７はコンピュータ・システム
１０の方向指示の下で、外部電話１９等の外部電話とオ
ペレータ電話１８等のオペレータ電話とを従来方式によ
り接続することができる。コンピュータ・システム１０
はまた、ユーザ・インタフェース１４を介して、オペレ
ータ端末１６等の複数のオペレータ端末と通信できる。
予測ダイヤル呼出しシステム５により生成される呼出し
に関連するデータ（呼び出されるパーティに関するスク
リプト或いは情報など）はオペレータ端末１６上に表示
される。
【００２１】図２は神経網（並列）コンピュータがVon
Neumann （直列）プロセサ・システム上においてシュミ
レートされる様子を示す。異なる接続トポロギ及び処理
単位属性を有する数多くの異なる神経網モデルが存在す
る。しかし、これらは一般的に、適正（可変）重み２２
により接続されるたくさんの（数十、数百、数千の）単
一処理単位２１からなるコンピューティング・システム
として分類される。プロセサ及び重みに加えて、神経網
モデルは学習機構２３を有さねばならず、この学習機構
は各トレーニングの反復の後に、重みを更新することに
より作用する。
Neumann （直列）プロセサ・システム上においてシュミ
レートされる様子を示す。異なる接続トポロギ及び処理
単位属性を有する数多くの異なる神経網モデルが存在す
る。しかし、これらは一般的に、適正（可変）重み２２
により接続されるたくさんの（数十、数百、数千の）単
一処理単位２１からなるコンピューティング・システム
として分類される。プロセサ及び重みに加えて、神経網
モデルは学習機構２３を有さねばならず、この学習機構
は各トレーニングの反復の後に、重みを更新することに
より作用する。
【００２２】神経網モデルはデジタル・コンピュータ上
において、プログラム及びデータによりシュミレートさ
れる。プログラム２６は神経網処理単位２１により達成
される処理機能をシュミレートする。適正接続重み２２
はデータ２７内に含まれる。プログラム２８は学習或い
は接続重み適応化機構２３を実施するために使用され
る。
において、プログラム及びデータによりシュミレートさ
れる。プログラム２６は神経網処理単位２１により達成
される処理機能をシュミレートする。適正接続重み２２
はデータ２７内に含まれる。プログラム２８は学習或い
は接続重み適応化機構２３を実施するために使用され
る。
【００２３】図３Ａは本発明の神経網の概念的レイアウ
トを示し、また予測ダイヤル呼出しアプリケーション・
ソフトウェアとの関係を示している。最も高度なレベル
にはアプリケーション・プログラミング・インタフェー
ス３１（ＡＰＩ）がある。ＡＰＩ３１は正式に叙述され
たインタフェースであり、神経網に関する専門知識を欠
いたアプリケーション開発者が自己のアプリケーション
・プログラムにおいてユーティリティ・プログラム及び
神経網シェル３２のデータ構造をアクセス及び使用する
ことを許可する。
トを示し、また予測ダイヤル呼出しアプリケーション・
ソフトウェアとの関係を示している。最も高度なレベル
にはアプリケーション・プログラミング・インタフェー
ス３１（ＡＰＩ）がある。ＡＰＩ３１は正式に叙述され
たインタフェースであり、神経網に関する専門知識を欠
いたアプリケーション開発者が自己のアプリケーション
・プログラムにおいてユーティリティ・プログラム及び
神経網シェル３２のデータ構造をアクセス及び使用する
ことを許可する。
【００２４】神経網シェル３２はユーティリティ・プロ
グラムのセット及び神経網データ構造５０により構成さ
れる。シェル３２は従来のコンピューティング・システ
ム上のアプリケーションにおいて、簡単且つ効率的に神
経網を定義、作成、トレーニング及び実行する能力を提
供する。
グラムのセット及び神経網データ構造５０により構成さ
れる。シェル３２は従来のコンピューティング・システ
ム上のアプリケーションにおいて、簡単且つ効率的に神
経網を定義、作成、トレーニング及び実行する能力を提
供する。
【００２５】例証モデル３５−３８等の神経網モデル
は、総称神経網データ構造５０を定義することにより神
経網シェル３２により支援され、この総称神経網データ
構造５０は神経網シェル３２内の全てのユーティリティ
・プログラムによりアクセスされる。各神経網モデルは
図４で更に詳細に述べられるように、この総称神経網デ
ータ構造上にマップ化される。各神経網モデルに特有な
プログラムは、後に説明されるように、神経網ユーティ
リティ・プログラム３３により呼び出される。
は、総称神経網データ構造５０を定義することにより神
経網シェル３２により支援され、この総称神経網データ
構造５０は神経網シェル３２内の全てのユーティリティ
・プログラムによりアクセスされる。各神経網モデルは
図４で更に詳細に述べられるように、この総称神経網デ
ータ構造上にマップ化される。各神経網モデルに特有な
プログラムは、後に説明されるように、神経網ユーティ
リティ・プログラム３３により呼び出される。
【００２６】図３Ｂは予測ダイヤル呼出しアプリケーシ
ョン・プログラム４１が、神経網シェル３２内の１つ或
いはそれ以上の神経網ユーティリティ・プログラム４５
−４８とインタフェースを行うことにより、神経網アプ
リケーション・プログラム４０になる様子を示す。ユー
ティリティ・プログラム４５−４８はデータ構造５０と
インタフェースを行う。神経網アプリケーション・プロ
グラム４０（ここでは神経網とも称する）により処理さ
れるデータは入力４２上に入力される。データは神経網
を通じて実行された後に、結果がライン４４上をアプリ
ケーション・プログラム４１に戻される。アプリケーシ
ョン・プログラム４１及びユーティリティ・プログラム
４６−４８は、プログラムされたＣＰＵ１１及び／或い
はコプロセサ１３内に適当に存在する（図１）。データ
構造５０は記憶装置１２内及び／或いはＣＰＵ１１及び
／或いはコプロセサ１３の内部記憶装置内に存在する。
ョン・プログラム４１が、神経網シェル３２内の１つ或
いはそれ以上の神経網ユーティリティ・プログラム４５
−４８とインタフェースを行うことにより、神経網アプ
リケーション・プログラム４０になる様子を示す。ユー
ティリティ・プログラム４５−４８はデータ構造５０と
インタフェースを行う。神経網アプリケーション・プロ
グラム４０（ここでは神経網とも称する）により処理さ
れるデータは入力４２上に入力される。データは神経網
を通じて実行された後に、結果がライン４４上をアプリ
ケーション・プログラム４１に戻される。アプリケーシ
ョン・プログラム４１及びユーティリティ・プログラム
４６−４８は、プログラムされたＣＰＵ１１及び／或い
はコプロセサ１３内に適当に存在する（図１）。データ
構造５０は記憶装置１２内及び／或いはＣＰＵ１１及び
／或いはコプロセサ１３の内部記憶装置内に存在する。
【００２７】図４は本発明の神経網データ構造５０を示
す。データ構造５０は共通な構成を提供し、どの神経網
モデルでもアプリケーション・プログラム用に定義され
る。この共通な構成は、モデル特有のパラメータ用にデ
ータ構造５０内にいくつかのフィールドを用意すること
により達成される。ＩＢＭ社発行のマニュアル“AS/400
Neural Network Utility: User^s Guide and Referenc
e PRPQ P84189”（注文番号ＳＣ２１−８２０２−０）
の第１０３〜１０５ページには、データ構造５０のモデ
ル特有のフィールドが、逆方向伝播、ＡＲＴ、自己組織
機構マップ、ＴＳＰ及びＢＡＭ神経網モデルに使用され
る様子が示されている。
す。データ構造５０は共通な構成を提供し、どの神経網
モデルでもアプリケーション・プログラム用に定義され
る。この共通な構成は、モデル特有のパラメータ用にデ
ータ構造５０内にいくつかのフィールドを用意すること
により達成される。ＩＢＭ社発行のマニュアル“AS/400
Neural Network Utility: User^s Guide and Referenc
e PRPQ P84189”（注文番号ＳＣ２１−８２０２−０）
の第１０３〜１０５ページには、データ構造５０のモデ
ル特有のフィールドが、逆方向伝播、ＡＲＴ、自己組織
機構マップ、ＴＳＰ及びＢＡＭ神経網モデルに使用され
る様子が示されている。
【００２８】データ構造５０はヘッダ部６０及びボディ
ー部９０で構成される。ヘッダ部６０にはフィールド６
１−７９が含まれる。フィールド６１及び６２は他の神
経網データ構造に対するポインタである。神経網がデー
タのシリアル処理用にリンク・リスト内に配置される
と、第１のポインタが以前の網にリンクする。このリン
クは、より大きな網内の以前のサブ網から出力を得るた
めに使用される。第２のポインタは次の網に対するポイ
ンタである。サブ網の収集に依存して、これらのリンク
の一方もしくは両方がいくつかのサブ網からなる複雑
（混成）網において利用される。
ー部９０で構成される。ヘッダ部６０にはフィールド６
１−７９が含まれる。フィールド６１及び６２は他の神
経網データ構造に対するポインタである。神経網がデー
タのシリアル処理用にリンク・リスト内に配置される
と、第１のポインタが以前の網にリンクする。このリン
クは、より大きな網内の以前のサブ網から出力を得るた
めに使用される。第２のポインタは次の網に対するポイ
ンタである。サブ網の収集に依存して、これらのリンク
の一方もしくは両方がいくつかのサブ網からなる複雑
（混成）網において利用される。
【００２９】神経網データ構造は連鎖されることによ
り、アプリケーション・プログラムに対して更に増強さ
れた柔軟性と機能を提供する。２つの追加される神経網
へのリンクにより、網のモジュールにより構成される超
（ｓｕｐｅｒ）網が形成される。
り、アプリケーション・プログラムに対して更に増強さ
れた柔軟性と機能を提供する。２つの追加される神経網
へのリンクにより、網のモジュールにより構成される超
（ｓｕｐｅｒ）網が形成される。
【００３０】フィールド６３はボディー部９０内の次の
自由空間へのバイト単位のオフセットである。フィール
ド６４は神経網データ構造の終わりへのバイト単位のオ
フセットである。ボディー部９０は可変長データ領域で
あるので、フィールド６３及び６４はデータ構造のサイ
ズ及びボディー部９０内の次の使用可能な自由空間に関
する情報を得ておく必要がある。
自由空間へのバイト単位のオフセットである。フィール
ド６４は神経網データ構造の終わりへのバイト単位のオ
フセットである。ボディー部９０は可変長データ領域で
あるので、フィールド６３及び６４はデータ構造のサイ
ズ及びボディー部９０内の次の使用可能な自由空間に関
する情報を得ておく必要がある。
【００３１】フィールド６５は神経網の名称を含む。後
に詳述される予測ダイヤル呼出し神経網の名称がこのフ
ィールドに入力される。この網の名称はＮＮＰＡＣＥＲ
であり、この名称が後に説明される神経網作成ユーティ
リティ・プログラムによりフィールド６５に設定され
る。
に詳述される予測ダイヤル呼出し神経網の名称がこのフ
ィールドに入力される。この網の名称はＮＮＰＡＣＥＲ
であり、この名称が後に説明される神経網作成ユーティ
リティ・プログラムによりフィールド６５に設定され
る。
【００３２】フィールド６６はライブラリ名を含み、こ
こには本実施例では神経網が配置要求される。ＡＳ／４
００ではプログラムはライブラリ内に記憶される。ライ
ブラリはパーソナル・コンピューティング環境における
サブ・ディレクトリに類似する。フィールド６６はライ
ブラリを有さないコンピューティング環境においては不
要である。フィールド６７は網バージョン識別子を含
む。この情報は神経網シェル・プログラムと神経網デー
タ構造との間のミスマッチを防止するために使用され
る。ソフトウェアの新たなバージョンもしくはリリース
が発表されると、現存する網との互換性が望まれる。何
らかの拡張が基本的網データ構造の変更を要求する場合
には、このフィールドはソフトウェアとデータのミスマ
ッチを許可する。ソフトウェアはデータ構造フォーマッ
トを更新するための変換ルーチンを呼び出すか、或いは
下級のデータ構造を受け入れる。
こには本実施例では神経網が配置要求される。ＡＳ／４
００ではプログラムはライブラリ内に記憶される。ライ
ブラリはパーソナル・コンピューティング環境における
サブ・ディレクトリに類似する。フィールド６６はライ
ブラリを有さないコンピューティング環境においては不
要である。フィールド６７は網バージョン識別子を含
む。この情報は神経網シェル・プログラムと神経網デー
タ構造との間のミスマッチを防止するために使用され
る。ソフトウェアの新たなバージョンもしくはリリース
が発表されると、現存する網との互換性が望まれる。何
らかの拡張が基本的網データ構造の変更を要求する場合
には、このフィールドはソフトウェアとデータのミスマ
ッチを許可する。ソフトウェアはデータ構造フォーマッ
トを更新するための変換ルーチンを呼び出すか、或いは
下級のデータ構造を受け入れる。
【００３３】フィールド７９は神経網モデル名もしくは
タイプ名を含む。本実施例において予測ダイヤル呼出し
神経網により使用される神経網モデル名は逆方向伝播
（BackPropagation）を示す“＊ＢＫＰ”である。
タイプ名を含む。本実施例において予測ダイヤル呼出し
神経網により使用される神経網モデル名は逆方向伝播
（BackPropagation）を示す“＊ＢＫＰ”である。
【００３４】フィールド６８は網の現在の状態を含む。
可能な状態としては、網が作成される時の“初期化”、
網が教育を受けている時の“トレーニング”或いは教育
が完了して実行準備状態の時の“ロック”とがある。
可能な状態としては、網が作成される時の“初期化”、
網が教育を受けている時の“トレーニング”或いは教育
が完了して実行準備状態の時の“ロック”とがある。
【００３５】フィールド６９はモデル特有の英数字フィ
ールドを記憶するための任意選択フィールドである。フ
ィールド７０は網のトレーニング経過時間を秒で示す。
ールドを記憶するための任意選択フィールドである。フ
ィールド７０は網のトレーニング経過時間を秒で示す。
【００３６】フィールド７１−７４は特有の神経網モデ
ルにより使用される異なるタイプのパラメータを含む。
フィールド７１は最高４つまでの網ブール・パラメータ
を含む。例えば、逆方向伝播神経網モデルはこれらの内
の２つのパラメータを用いることにより、エポックの更
新及びランダム入力が許可或いは禁止されているかどう
かを判断する。網ブール・パラメータは網フラグとして
も知られている。もちろん、フィールド７１は（データ
構造の他のフィールドと同様）、本実施例で使用される
パラメータの数よりも多い少ないに応じて、その領域が
適宜調整可能である。フィールド７２は網サイズ・パラ
メータを含む。このフィールドは最高５つまでのモデル
特有の網サイズ整数パラメータを含む。フィールド７３
は最高５つまでのモデル特有の網インデックス整数パラ
メータを含む。フィールド７４は最高６つまでのモデル
特有の網トレーニング実数パラメータ、例えば学習レー
ト、運動量、エポック・エラー等を含む。
ルにより使用される異なるタイプのパラメータを含む。
フィールド７１は最高４つまでの網ブール・パラメータ
を含む。例えば、逆方向伝播神経網モデルはこれらの内
の２つのパラメータを用いることにより、エポックの更
新及びランダム入力が許可或いは禁止されているかどう
かを判断する。網ブール・パラメータは網フラグとして
も知られている。もちろん、フィールド７１は（データ
構造の他のフィールドと同様）、本実施例で使用される
パラメータの数よりも多い少ないに応じて、その領域が
適宜調整可能である。フィールド７２は網サイズ・パラ
メータを含む。このフィールドは最高５つまでのモデル
特有の網サイズ整数パラメータを含む。フィールド７３
は最高５つまでのモデル特有の網インデックス整数パラ
メータを含む。フィールド７４は最高６つまでのモデル
特有の網トレーニング実数パラメータ、例えば学習レー
ト、運動量、エポック・エラー等を含む。
【００３７】フィールド７５は神経網のトレーニング・
エポック（エポックはトレーニング・データの完全セッ
トを通じた反復）の数を保持する。フィールド７６はボ
ディー部９０内の各モデル特有の配列の開始までのバイ
ト単位のオフセット配列を含む。フィールド７７はボデ
ィー部９０内の各モデル特有の配列の開始を指示するポ
インタ配列を含む。フィールド７８は各配列内のデータ
のタイプを示すパラメータ配列を含む。例えば、いくつ
かの神経モデルは２進入力だけを受諾する。本実施例で
は、フィールド７８内のパラメータが“１”を含む場合
は、これに対応する配列はビットマップ・データを有す
る。もしもパラメータが“２”の場合には、対応する配
列は単精度浮動小数点データ（デフォルト）を含む。
“３”の場合には、対応する配列は固定小数点ゾーン１
０進データを含む。これらのパラメータにより記憶装置
を効率的に利用することが可能となる。
エポック（エポックはトレーニング・データの完全セッ
トを通じた反復）の数を保持する。フィールド７６はボ
ディー部９０内の各モデル特有の配列の開始までのバイ
ト単位のオフセット配列を含む。フィールド７７はボデ
ィー部９０内の各モデル特有の配列の開始を指示するポ
インタ配列を含む。フィールド７８は各配列内のデータ
のタイプを示すパラメータ配列を含む。例えば、いくつ
かの神経モデルは２進入力だけを受諾する。本実施例で
は、フィールド７８内のパラメータが“１”を含む場合
は、これに対応する配列はビットマップ・データを有す
る。もしもパラメータが“２”の場合には、対応する配
列は単精度浮動小数点データ（デフォルト）を含む。
“３”の場合には、対応する配列は固定小数点ゾーン１
０進データを含む。これらのパラメータにより記憶装置
を効率的に利用することが可能となる。
【００３８】データ構造５０のボディー部９０の内容に
ついて次に説明する。ボディー部９０は可変長データ領
域であり、多くの（本発明では１６個）モデル特有の配
列を含む。Attachment Iのページ１０３−１０５におい
て、各模範的神経網モデルに対応してヘッダ部６０及び
ボディー部９０にマップされた配列が示されている。例
えば、逆方向伝播モデルではボディー部９０に１１の配
列をマップしている。これらはページ１０３の表題“Ar
ray Mapping”で示されるように活動化、重み、しきい
値、重みデルタ等である。
ついて次に説明する。ボディー部９０は可変長データ領
域であり、多くの（本発明では１６個）モデル特有の配
列を含む。Attachment Iのページ１０３−１０５におい
て、各模範的神経網モデルに対応してヘッダ部６０及び
ボディー部９０にマップされた配列が示されている。例
えば、逆方向伝播モデルではボディー部９０に１１の配
列をマップしている。これらはページ１０３の表題“Ar
ray Mapping”で示されるように活動化、重み、しきい
値、重みデルタ等である。
【００３９】データ構造５０は後述されるように神経網
作成ユーティリティ・プログラムにより作成される（図
７Ａ−図７Ｂ）。教示及び実行ユーティリティ・プログ
ラムはヘッダ情報をアクセスして、データ領域配列を指
示するポインタを初期化する。次にデータ領域配列内の
データが神経網のトレーニング及び計算処理のシュミレ
ーションに使用される。
作成ユーティリティ・プログラムにより作成される（図
７Ａ−図７Ｂ）。教示及び実行ユーティリティ・プログ
ラムはヘッダ情報をアクセスして、データ領域配列を指
示するポインタを初期化する。次にデータ領域配列内の
データが神経網のトレーニング及び計算処理のシュミレ
ーションに使用される。
【００４０】図５−図９はプログラム化されたＣＰＵ１
１及び／或いはコプロセサ１３により達成される本発明
のフロー図を示す。図５は神経網アプリケーション・プ
ログラム開発過程における主要ステップの概要を示して
いる。ブロック１１０では新たに定義される神経網が存
在するかを問う。もし存在すれば、ブロック２００で神
経網モデル定義サブルーチン（図６）を呼び出す。存在
しない場合は、ブロック１２０でユーザが神経網データ
構造を作成したいかどうかを問う。神経網データ構造は
各神経網に対して作成される。例えば、本発明における
予測ダイヤル呼出し神経網に対して１つの神経網データ
構造が作成される。ブロック１２０が肯定されると、ブ
ロック３００は神経網データ構造作成サブルーチン（図
７）を呼び出す。否定の場合は、ブロック１３０でユー
ザが神経網を教育したいかどうかを問う。神経網はトレ
ーニング・データにより教育されて、入力データと目標
の出力結果との関係を学習すること、或いは入力データ
から関連する特徴を抽出することが必要となる。ブロッ
ク１３０が肯定の場合は、ブロック４００が神経網教示
サブルーチン（図８）を呼び出す。否定の場合は、ブロ
ック１４０でユーザが神経網を実行したいかどうかを問
う。実行したい場合には、ブロック５００で神経網モデ
ル実行サブルーチン（図９）を呼び出す。そうでない場
合は、プログラムはブロック１９０において終了する。
１及び／或いはコプロセサ１３により達成される本発明
のフロー図を示す。図５は神経網アプリケーション・プ
ログラム開発過程における主要ステップの概要を示して
いる。ブロック１１０では新たに定義される神経網が存
在するかを問う。もし存在すれば、ブロック２００で神
経網モデル定義サブルーチン（図６）を呼び出す。存在
しない場合は、ブロック１２０でユーザが神経網データ
構造を作成したいかどうかを問う。神経網データ構造は
各神経網に対して作成される。例えば、本発明における
予測ダイヤル呼出し神経網に対して１つの神経網データ
構造が作成される。ブロック１２０が肯定されると、ブ
ロック３００は神経網データ構造作成サブルーチン（図
７）を呼び出す。否定の場合は、ブロック１３０でユー
ザが神経網を教育したいかどうかを問う。神経網はトレ
ーニング・データにより教育されて、入力データと目標
の出力結果との関係を学習すること、或いは入力データ
から関連する特徴を抽出することが必要となる。ブロッ
ク１３０が肯定の場合は、ブロック４００が神経網教示
サブルーチン（図８）を呼び出す。否定の場合は、ブロ
ック１４０でユーザが神経網を実行したいかどうかを問
う。実行したい場合には、ブロック５００で神経網モデ
ル実行サブルーチン（図９）を呼び出す。そうでない場
合は、プログラムはブロック１９０において終了する。
【００４１】図６Ａ−図６Ｄは神経網モデル定義サブル
ーチン２００を示す。本実施例の予測ダイヤル呼出し神
経網のために、逆方向伝播神経網モデルを定義したい。
ブロック２０１では要望されれば網ストリング・フィー
ルド６９に対して、神経網モデル特有の意味を割り当て
る。本実施例の網においては、このフィールドは必要で
はなく、従って空ストリングが割り当てられる。ブロッ
ク２０２はブール・パラメータ・フィールド７１に対し
て神経網特有の意味を割り当てる。本実施例の網では、
２つのブール・パラメータ、エポック更新（Ｙ／Ｎ）及
びランダム入力（Ｙ／Ｎ）が割り当てられる。ブロック
２０３は網サイズ・パラメータ・フィールド７２に神経
網モデル特有の意味を割り当てる。本実施例の網では、
５つのパラメータが割り当てられる。これらは入力数、
隠れ層１内の単位数、隠れ層２内の単位数、出力数、処
理単位数である。ブロック２０４は網インデックス・パ
ラメータ・フィールド１３に神経網モデル特有の意味を
割り当てる。本実施例の網においては、次に示すパラメ
ータが割り当てられる。第１隠れ単位１、最終隠れ単位
１、第１隠れ単位２、最終隠れ単位２及び第１出力であ
る。ブロック２０５は網トレーニング・パラメータ・フ
ィールド７４に神経網モデル特有の意味を割り当てる。
本実施例の網では、次に示すパラメータが割り当てられ
る。学習レート、運動量、パターン・エラー、エポック
・エラー、許容範囲である。ブロック２０６は網配列オ
フセット・フィールド７６に神経網モデル特有の意味を
割り当てる。逆方向伝播神経網モデルには定義されるべ
き１１のデータ配列が存在するので、このフィールドは
ボディー部９０に配置されるこの１１の各配列の第１要
素へのバイト・オフセットを含む。
ーチン２００を示す。本実施例の予測ダイヤル呼出し神
経網のために、逆方向伝播神経網モデルを定義したい。
ブロック２０１では要望されれば網ストリング・フィー
ルド６９に対して、神経網モデル特有の意味を割り当て
る。本実施例の網においては、このフィールドは必要で
はなく、従って空ストリングが割り当てられる。ブロッ
ク２０２はブール・パラメータ・フィールド７１に対し
て神経網特有の意味を割り当てる。本実施例の網では、
２つのブール・パラメータ、エポック更新（Ｙ／Ｎ）及
びランダム入力（Ｙ／Ｎ）が割り当てられる。ブロック
２０３は網サイズ・パラメータ・フィールド７２に神経
網モデル特有の意味を割り当てる。本実施例の網では、
５つのパラメータが割り当てられる。これらは入力数、
隠れ層１内の単位数、隠れ層２内の単位数、出力数、処
理単位数である。ブロック２０４は網インデックス・パ
ラメータ・フィールド１３に神経網モデル特有の意味を
割り当てる。本実施例の網においては、次に示すパラメ
ータが割り当てられる。第１隠れ単位１、最終隠れ単位
１、第１隠れ単位２、最終隠れ単位２及び第１出力であ
る。ブロック２０５は網トレーニング・パラメータ・フ
ィールド７４に神経網モデル特有の意味を割り当てる。
本実施例の網では、次に示すパラメータが割り当てられ
る。学習レート、運動量、パターン・エラー、エポック
・エラー、許容範囲である。ブロック２０６は網配列オ
フセット・フィールド７６に神経網モデル特有の意味を
割り当てる。逆方向伝播神経網モデルには定義されるべ
き１１のデータ配列が存在するので、このフィールドは
ボディー部９０に配置されるこの１１の各配列の第１要
素へのバイト・オフセットを含む。
【００４２】ブロック２１０は図６Ｂの神経網モデル作
成プログラム組み込みサブルーチンを呼び出す。図６Ｂ
を参照すると、サブルーチン２１０ではモデル特有のル
ーチンが作成されて、これが後に神経網データ構造作成
サブルーチン（図７）により実行されることを要求す
る。ブロック２１１はユーザに神経網に特有なパラメー
タ情報を促し、誤りのまた矛盾するパラメータ値をチェ
ックする単純なルーチンを提供する。例えば、ブロック
２１１は図１２に類似の表示画面を準備し、その他にも
以下に示すパラメータに関する情報をユーザに促す。そ
れらは入力単位数、隠れ単位Ｌ１の数、隠れ単位Ｌ２の
数及び出力単位の数である。
成プログラム組み込みサブルーチンを呼び出す。図６Ｂ
を参照すると、サブルーチン２１０ではモデル特有のル
ーチンが作成されて、これが後に神経網データ構造作成
サブルーチン（図７）により実行されることを要求す
る。ブロック２１１はユーザに神経網に特有なパラメー
タ情報を促し、誤りのまた矛盾するパラメータ値をチェ
ックする単純なルーチンを提供する。例えば、ブロック
２１１は図１２に類似の表示画面を準備し、その他にも
以下に示すパラメータに関する情報をユーザに促す。そ
れらは入力単位数、隠れ単位Ｌ１の数、隠れ単位Ｌ２の
数及び出力単位の数である。
【００４３】ブロック２１２は総称神経網データ構造を
デフォルト・パラメータ値により初期化し、この神経網
モデル用のデフォルト神経網データ構造を作成するルー
チンを提供する。全ての神経網モデルは同一の総称神経
網データ構造を有する。各個々の神経網モデルは自己特
有のデフォルト・データ構造を有する。従って、同一の
神経網モデル（例えば逆方向伝番など）を使用する全て
の神経網アプリケーション・プログラムは、同一のデフ
ォルト神経網データ構造に唯一のパラメータ値を入力す
ることになる。
デフォルト・パラメータ値により初期化し、この神経網
モデル用のデフォルト神経網データ構造を作成するルー
チンを提供する。全ての神経網モデルは同一の総称神経
網データ構造を有する。各個々の神経網モデルは自己特
有のデフォルト・データ構造を有する。従って、同一の
神経網モデル（例えば逆方向伝番など）を使用する全て
の神経網アプリケーション・プログラムは、同一のデフ
ォルト神経網データ構造に唯一のパラメータ値を入力す
ることになる。
【００４４】ブロック２１３はサブルーチン２１０に組
み込まれた神経網モデル作成プログラムに唯一の名称を
与えて、これを記憶装置１２（図１）に書き込むことに
より保管する。本実施例では、このプログラムはデータ
構造をアクセス可能な任意の言語により書くことが可能
である。ブロック２１９では図６Ａのブロック２３０に
戻る。
み込まれた神経網モデル作成プログラムに唯一の名称を
与えて、これを記憶装置１２（図１）に書き込むことに
より保管する。本実施例では、このプログラムはデータ
構造をアクセス可能な任意の言語により書くことが可能
である。ブロック２１９では図６Ａのブロック２３０に
戻る。
【００４５】ブロック２３０は図６Ｃの神経網モデル教
示プログラム組み込みサブルーチンを呼び出す。図６Ｃ
を参照すると、サブルーチン２３０はモデル特有のルー
チンが、後に神経網教示サブルーチン（図８）により実
行されるように書かれることを要求する。ブロック２３
１は図４のフィールド７７の網配列ポインタを初期化す
る単純なルーチンを提供する。ブロック２３２は網サイ
ズ、インデックス及びトレーニング・パラメータ（フィ
ールド７２−７４）をローカル変数にコピーするルーチ
ンを提供する。これは性能及びプログラムの信頼性を向
上するために行われる。ブロック２３３は神経網を初期
化するルーチンを提供する。ブロック２３３は神経網教
示プログラムで使用されるカウンタ及び変数を初期化す
る。網ステータス・フィールド６８が“初期化”であれ
ば、ブロック２３３はデータ配列値（接続重み）を初期
化して、フィールド６８のステータスを“初期化”から
“トレーニング”に変更する。
示プログラム組み込みサブルーチンを呼び出す。図６Ｃ
を参照すると、サブルーチン２３０はモデル特有のルー
チンが、後に神経網教示サブルーチン（図８）により実
行されるように書かれることを要求する。ブロック２３
１は図４のフィールド７７の網配列ポインタを初期化す
る単純なルーチンを提供する。ブロック２３２は網サイ
ズ、インデックス及びトレーニング・パラメータ（フィ
ールド７２−７４）をローカル変数にコピーするルーチ
ンを提供する。これは性能及びプログラムの信頼性を向
上するために行われる。ブロック２３３は神経網を初期
化するルーチンを提供する。ブロック２３３は神経網教
示プログラムで使用されるカウンタ及び変数を初期化す
る。網ステータス・フィールド６８が“初期化”であれ
ば、ブロック２３３はデータ配列値（接続重み）を初期
化して、フィールド６８のステータスを“初期化”から
“トレーニング”に変更する。
【００４６】ブロック２３４はこの神経網モデルのため
の単一教示ステップを実行するルーチンを提供する。こ
のルーチンはボディー部９０のデータ配列内のデータ値
を調整する、神経網モデルに高度に依存する機構を提供
し、これにより神経網は目標の機能を学習することがで
きる。この分野の技術に精通するものは、神経網モデル
の重み調整手順の説明（付録IのページVIIIからIXで参
照される学術的論説において記載されている）を理解
し、自分達の選択によるコンピュータ言語を使用するこ
とにより、この説明を本発明のデータ構造をアクセスす
るプログラムに容易に変換することであろう。
の単一教示ステップを実行するルーチンを提供する。こ
のルーチンはボディー部９０のデータ配列内のデータ値
を調整する、神経網モデルに高度に依存する機構を提供
し、これにより神経網は目標の機能を学習することがで
きる。この分野の技術に精通するものは、神経網モデル
の重み調整手順の説明（付録IのページVIIIからIXで参
照される学術的論説において記載されている）を理解
し、自分達の選択によるコンピュータ言語を使用するこ
とにより、この説明を本発明のデータ構造をアクセスす
るプログラムに容易に変換することであろう。
【００４７】ブロック２３５はトレーニング・エポック
処理が完了した際に実行されるルーチンを提供する。こ
のルーチンは変数のリセットのような単純な終結処理か
ら、もっと複雑なデータ配列値の調整に至るまで、神経
網モデルに依存して複雑に変化する。技術に精通するも
のは、神経網モデル特有のエポック終了処理の説明を理
解し、自分達の選択によるコンピュータ言語を使用する
ことにより、この説明を本発明のデータ構造をアクセス
するプログラムに容易に変換することであろう。
処理が完了した際に実行されるルーチンを提供する。こ
のルーチンは変数のリセットのような単純な終結処理か
ら、もっと複雑なデータ配列値の調整に至るまで、神経
網モデルに依存して複雑に変化する。技術に精通するも
のは、神経網モデル特有のエポック終了処理の説明を理
解し、自分達の選択によるコンピュータ言語を使用する
ことにより、この説明を本発明のデータ構造をアクセス
するプログラムに容易に変換することであろう。
【００４８】ブロック２３６はサブルーチン２３０に組
み込まれた神経網モデル教示プログラムに唯一の名称を
与え、これを記憶装置１２（図１）に書き込むことによ
り保管する。ブロック２３９は図６Ａのブロック２５０
に戻る。
み込まれた神経網モデル教示プログラムに唯一の名称を
与え、これを記憶装置１２（図１）に書き込むことによ
り保管する。ブロック２３９は図６Ａのブロック２５０
に戻る。
【００４９】ブロック２５０は図６Ｄの神経網モデル実
行プログラム組み込みサブルーチンを呼び出す。図６Ｄ
を参照すると、このサブルーチン２５０はモデル特有の
ルーチンが、後に神経網実行サブルーチン（図８）によ
り実行されるように書かれることを要求する。ブロック
２５１は図４のフィールド７７の網配列ポインタを初期
化する単純なルーチンを提供する。ブロック２５２は網
サイズ、インデックス及びトレーニング・パラメータ
（フィールド７２−７４）をローカル変数にコピーする
ルーチンを提供する。ブロック２５３は入力データに神
経網をパスさせるルーチンを提供する。ブロック２５４
は出力結果を神経網実行サブルーチンに戻すルーチンを
提供する。ブロック２５５はサブルーチン２５０に組み
込まれた神経網モデル実行プログラムに唯一の名称を与
え、これを記憶装置１２（図１）に書き込むことにより
保管する。ブロック２５９は図６Ａのブロック２６０に
戻る。
行プログラム組み込みサブルーチンを呼び出す。図６Ｄ
を参照すると、このサブルーチン２５０はモデル特有の
ルーチンが、後に神経網実行サブルーチン（図８）によ
り実行されるように書かれることを要求する。ブロック
２５１は図４のフィールド７７の網配列ポインタを初期
化する単純なルーチンを提供する。ブロック２５２は網
サイズ、インデックス及びトレーニング・パラメータ
（フィールド７２−７４）をローカル変数にコピーする
ルーチンを提供する。ブロック２５３は入力データに神
経網をパスさせるルーチンを提供する。ブロック２５４
は出力結果を神経網実行サブルーチンに戻すルーチンを
提供する。ブロック２５５はサブルーチン２５０に組み
込まれた神経網モデル実行プログラムに唯一の名称を与
え、これを記憶装置１２（図１）に書き込むことにより
保管する。ブロック２５９は図６Ａのブロック２６０に
戻る。
【００５０】ブロック２６０は神経網モデル名（例えば
逆方向伝番に対応する“＊ＢＫＰ”など）及びブロック
２１３、２３６及び２５５で保管されたこのモデルの作
成、教示及び実行プログラムの名称を記憶装置１２に記
憶されるモデル定義ファイルに入力する。ブロック２７
０は図５のブロック１２０に戻る。
逆方向伝番に対応する“＊ＢＫＰ”など）及びブロック
２１３、２３６及び２５５で保管されたこのモデルの作
成、教示及び実行プログラムの名称を記憶装置１２に記
憶されるモデル定義ファイルに入力する。ブロック２７
０は図５のブロック１２０に戻る。
【００５１】本実施例では５つの神経網モデルがアプリ
ケーション開発者或いはユーザのために予め定義され
る。定義されるモデルは逆方向伝播、適正反響理論、自
己組織機構マップ、自己組織ＴＳＰ網及び両方向連想記
憶装置である。従って、これらのモデルはユーザが神経
網モデル定義サブルーチンを使用して定義する必要はな
い。本発明の予測ダイヤル呼出しアプリケーション・プ
ログラムは予め定義された逆方向伝播モデルをその神経
網モデルとして使用するが、他のモデルも使用可能であ
る。
ケーション開発者或いはユーザのために予め定義され
る。定義されるモデルは逆方向伝播、適正反響理論、自
己組織機構マップ、自己組織ＴＳＰ網及び両方向連想記
憶装置である。従って、これらのモデルはユーザが神経
網モデル定義サブルーチンを使用して定義する必要はな
い。本発明の予測ダイヤル呼出しアプリケーション・プ
ログラムは予め定義された逆方向伝播モデルをその神経
網モデルとして使用するが、他のモデルも使用可能であ
る。
【００５２】残りのフロー図は本発明の予測ダイヤル呼
出し神経網と関連して説明される。ユーザは図５のブロ
ック１２０に肯定して返答し、ブロック３００（図７）
において神経網データ構造作成サブルーチンを呼び出す
ことにより、この神経網を作成する。図７Ａを参照する
と、ブロック３０１ではユーザにこの神経網の名称及び
図１１に示すテキスト説明情報を促す。ユーザは神経網
名として“ＮＮＰＡＣＥＲ”、またテキスト説明として
“予測ダイヤル呼出しのための神経網ペーサ”と入力す
る。ブロック３０２はユーザに神経網モデル名を促す。
図１１に示すように、ユーザは逆方向伝播神経網モデル
に対応して略字“＊ＢＫＰ”を入力する。ブロック３０
３はモデル“＊ＢＫＰ”が図６Ａのブロック２６０のモ
デル定義ファイルに定義されているかどうかをチェック
する。定義されていない場合は、ブロック３０４でエラ
ー・メッセージを通知し、ユーザはブロック３０１で再
度神経網モデル名を入力するか問われる。本実施例の網
では、モデル定義ファイルは“＊ＢＫＰ”を含んでお
り、ブロック３３０は図７Ｂに示すこのモデル用のモデ
ル作成プログラム実行サブルーチンを呼び出す。このモ
デル作成プログラムは既に述べたように、図６Ｂのモデ
ル作成プログラム組み込みサブルーチンにより用意され
る。このプログラム名はこのモデル用の教示及び実行プ
ログラム名と共に、全てモデル定義ファイル内に含まれ
る。
出し神経網と関連して説明される。ユーザは図５のブロ
ック１２０に肯定して返答し、ブロック３００（図７）
において神経網データ構造作成サブルーチンを呼び出す
ことにより、この神経網を作成する。図７Ａを参照する
と、ブロック３０１ではユーザにこの神経網の名称及び
図１１に示すテキスト説明情報を促す。ユーザは神経網
名として“ＮＮＰＡＣＥＲ”、またテキスト説明として
“予測ダイヤル呼出しのための神経網ペーサ”と入力す
る。ブロック３０２はユーザに神経網モデル名を促す。
図１１に示すように、ユーザは逆方向伝播神経網モデル
に対応して略字“＊ＢＫＰ”を入力する。ブロック３０
３はモデル“＊ＢＫＰ”が図６Ａのブロック２６０のモ
デル定義ファイルに定義されているかどうかをチェック
する。定義されていない場合は、ブロック３０４でエラ
ー・メッセージを通知し、ユーザはブロック３０１で再
度神経網モデル名を入力するか問われる。本実施例の網
では、モデル定義ファイルは“＊ＢＫＰ”を含んでお
り、ブロック３３０は図７Ｂに示すこのモデル用のモデ
ル作成プログラム実行サブルーチンを呼び出す。このモ
デル作成プログラムは既に述べたように、図６Ｂのモデ
ル作成プログラム組み込みサブルーチンにより用意され
る。このプログラム名はこのモデル用の教示及び実行プ
ログラム名と共に、全てモデル定義ファイル内に含まれ
る。
【００５３】図７Ｂを参照すると、ブロック３３１は図
６Ｂのブロック２１２で提供されるルーチンを実行する
ことにより、この神経モデル用のデフォルト神経網デー
タ構造を作成する。ブロック３３２ではユーザに図１２
で示される神経網特有のパラメータを促す。実施例で
は、ユーザは１６の入力単位（月、日、年、曜日、時、
分、秒、保留呼出し、使用可能オペレータ、平均接続遅
延、平均遊休時間、迷惑呼出しレート、平均完了レー
ト、平均会話長、遊休時間デルタ及び迷惑呼出しデル
タ）、３５の隠れ単位及び１つの出力単位（呼出しアク
ション）を規定する。実施例では、隠れ単位の数は２＊
（入力数＋出力数）＋１である。ブロック３３３はユー
ザが入力したパラメータが受諾可能かどうかをチェック
する。ここで図６Ｂのブロック２１１で提供されるルー
チンは、ユーザにユーザが入力するこれらパラメータに
対する限界値を促す点にも注意する必要がある。例え
ば、出力単位では１−１０００である。もしもユーザが
これらの範囲外の値を入力した場合は、ブロック３３３
は否定となり、エラー・メッセージがブロック３３４で
通知される。そしてユーザはブロック３３２でデータを
再入力するかどうかを問われる。更に、ユーザが矛盾す
るパラメータ情報を入力した場合にも、エラー・メッセ
ージが通知される。本実施例では、ユーザが入力したパ
ラメータは全て受諾可能であるとし、ブロック３３５は
ユーザが入力した全てのパラメータをブロック３３１で
作成されるデフォルト・データ構造に書き込む。ブロッ
ク３３６はデータ構造に存在するデータに基づき、網イ
ンデックス・パラメータ・フィールド７３及び網配列オ
フセット・フィールド７６に書き込むための計算を実行
する。ブロック３３７はフィールド７１（本実施例では
両者とも“Ｎ”）のブール・パラメータ及びフィールド
７４のトレーニング・パラメータ（本実施例では図１５
にその値が示されている）を初期化する。ブロック３３
８はボディー部９０に配置されるデータ配列フィールド
を割り振り及び初期化する。逆方向伝播神経網モデルに
おいては、次に示す配列が割り振られる。それらは活動
化、重み、しきい値、重みデルタ、しきい値デルタ、教
示、エラー、デルタ、網入力、重み微分及びしきい値微
分である。これらの値は全てブロック３３８で（神経網
モデルにより決定されるように）初期化される。ブロッ
ク３３８が実行された後に、神経網データ構造は神経網
に予測ダイヤル呼出しの実行方法を教示するのに必要な
全ての情報を含むことになる。サブルーチンはブロック
３３９において、図７Ａのブロック３０５に戻る。ま
た、ブロック３０５は図５のブロック１３０に戻る。
６Ｂのブロック２１２で提供されるルーチンを実行する
ことにより、この神経モデル用のデフォルト神経網デー
タ構造を作成する。ブロック３３２ではユーザに図１２
で示される神経網特有のパラメータを促す。実施例で
は、ユーザは１６の入力単位（月、日、年、曜日、時、
分、秒、保留呼出し、使用可能オペレータ、平均接続遅
延、平均遊休時間、迷惑呼出しレート、平均完了レー
ト、平均会話長、遊休時間デルタ及び迷惑呼出しデル
タ）、３５の隠れ単位及び１つの出力単位（呼出しアク
ション）を規定する。実施例では、隠れ単位の数は２＊
（入力数＋出力数）＋１である。ブロック３３３はユー
ザが入力したパラメータが受諾可能かどうかをチェック
する。ここで図６Ｂのブロック２１１で提供されるルー
チンは、ユーザにユーザが入力するこれらパラメータに
対する限界値を促す点にも注意する必要がある。例え
ば、出力単位では１−１０００である。もしもユーザが
これらの範囲外の値を入力した場合は、ブロック３３３
は否定となり、エラー・メッセージがブロック３３４で
通知される。そしてユーザはブロック３３２でデータを
再入力するかどうかを問われる。更に、ユーザが矛盾す
るパラメータ情報を入力した場合にも、エラー・メッセ
ージが通知される。本実施例では、ユーザが入力したパ
ラメータは全て受諾可能であるとし、ブロック３３５は
ユーザが入力した全てのパラメータをブロック３３１で
作成されるデフォルト・データ構造に書き込む。ブロッ
ク３３６はデータ構造に存在するデータに基づき、網イ
ンデックス・パラメータ・フィールド７３及び網配列オ
フセット・フィールド７６に書き込むための計算を実行
する。ブロック３３７はフィールド７１（本実施例では
両者とも“Ｎ”）のブール・パラメータ及びフィールド
７４のトレーニング・パラメータ（本実施例では図１５
にその値が示されている）を初期化する。ブロック３３
８はボディー部９０に配置されるデータ配列フィールド
を割り振り及び初期化する。逆方向伝播神経網モデルに
おいては、次に示す配列が割り振られる。それらは活動
化、重み、しきい値、重みデルタ、しきい値デルタ、教
示、エラー、デルタ、網入力、重み微分及びしきい値微
分である。これらの値は全てブロック３３８で（神経網
モデルにより決定されるように）初期化される。ブロッ
ク３３８が実行された後に、神経網データ構造は神経網
に予測ダイヤル呼出しの実行方法を教示するのに必要な
全ての情報を含むことになる。サブルーチンはブロック
３３９において、図７Ａのブロック３０５に戻る。ま
た、ブロック３０５は図５のブロック１３０に戻る。
【００５４】神経網データ構造は一度作成されると、他
のコンピュータ・システムに転送されて教示及び／或い
は実行される。他のコンピュータ・システムは全く異な
るアーキテクチャでもよく、また神経網データ構造を作
成したコンピュータ・システムとは全く異なるオペレー
ティング・システム上で実行されてもよい。こうした柔
軟性は、このデータ構造が異なるコンピュータ・システ
ム間において全般的に使用可能なデータを有することに
より達成される。
のコンピュータ・システムに転送されて教示及び／或い
は実行される。他のコンピュータ・システムは全く異な
るアーキテクチャでもよく、また神経網データ構造を作
成したコンピュータ・システムとは全く異なるオペレー
ティング・システム上で実行されてもよい。こうした柔
軟性は、このデータ構造が異なるコンピュータ・システ
ム間において全般的に使用可能なデータを有することに
より達成される。
【００５５】本実施例のユーザは自己の新たに作成した
神経網を教育することにより予測ダイヤル呼出しを実行
したいので、図５のブロック１３０を肯定で応答して、
ブロック４００で神経網教示サブルーチン（図８）を呼
び出す。図８Ａを参照すると、ブロック４０１は図１４
に示すようにユーザに神経網の名称及びライブラリを促
す。ユーザは神経網の名称として“ＮＮＰＡＣＥＲ”
を、またライブラリ名として“ＢＩＧＵＳ”を入力す
る。図１４はまたユーザが望む場合には、ユーザ独自の
神経網の有用性を向上させるために作成可能なカスタム
・インタフェース・プログラムの名称を入力する機会を
提供する。更に、ユーザはトレーニング結果を記録した
いか或いは表示したいかを問われ、また（カスタム・イ
ンタフェース・プログラムが存在する場合は）データ・
セットから自動的にトレーニング・データを獲得したい
か、或いはユーザが入力キーを押した場合には、一度に
１ステップをユーザから獲得したいかをを問う。ブロッ
ク４０２はブロック４０１で指定されたデータ構造が存
在するかどうかを確認する。もし存在しない場合は、エ
ラーが通知され、ユーザはブロック４０１に戻る。存在
する場合は、ブロック４０３でユーザにトレーニング・
データが配置されるデータ・セット名を促す。図１３に
示すように、ユーザはデータ・セットとして“ＮＮＤＡ
ＴＡ”を、またトレーニング・データが配置されるデー
タ・セット・メンバとして“ＮＮＰＡＣＥＲ”を入力す
る。
神経網を教育することにより予測ダイヤル呼出しを実行
したいので、図５のブロック１３０を肯定で応答して、
ブロック４００で神経網教示サブルーチン（図８）を呼
び出す。図８Ａを参照すると、ブロック４０１は図１４
に示すようにユーザに神経網の名称及びライブラリを促
す。ユーザは神経網の名称として“ＮＮＰＡＣＥＲ”
を、またライブラリ名として“ＢＩＧＵＳ”を入力す
る。図１４はまたユーザが望む場合には、ユーザ独自の
神経網の有用性を向上させるために作成可能なカスタム
・インタフェース・プログラムの名称を入力する機会を
提供する。更に、ユーザはトレーニング結果を記録した
いか或いは表示したいかを問われ、また（カスタム・イ
ンタフェース・プログラムが存在する場合は）データ・
セットから自動的にトレーニング・データを獲得したい
か、或いはユーザが入力キーを押した場合には、一度に
１ステップをユーザから獲得したいかをを問う。ブロッ
ク４０２はブロック４０１で指定されたデータ構造が存
在するかどうかを確認する。もし存在しない場合は、エ
ラーが通知され、ユーザはブロック４０１に戻る。存在
する場合は、ブロック４０３でユーザにトレーニング・
データが配置されるデータ・セット名を促す。図１３に
示すように、ユーザはデータ・セットとして“ＮＮＤＡ
ＴＡ”を、またトレーニング・データが配置されるデー
タ・セット・メンバとして“ＮＮＰＡＣＥＲ”を入力す
る。
【００５６】図１０Ａは本実施例で使用する初期トレー
ニング・データを示す。初期トレーニング・データは予
測ダイヤル呼出し環境における既知の、また予測される
条件を考慮しながらマニュアルで生成される。例えば、
トレーニング・データの初めの２つの記録では、金曜日
の午後４時以降の呼出しは、水曜日の午前１０：３０に
おける呼出しよりも完了レートが低いことを示す。従っ
て、他の全ての同等な負荷要素を考慮した上で、神経網
は金曜日の午後４時に呼出しを行うべきであり、水曜日
の午前１０：３０に行うべきではないことを学ぶ。すな
わち、目標の迷惑レートが越えるからである。第３番目
の記録は平均遊休時間が低すぎるために、呼出しを行う
べきでないことを示す。第４番目の記録は平均迷惑呼出
しレートが高すぎるために、呼出しを行うべきでないこ
とを示す。第５番目の記録は保留呼出し回数が高すぎる
ために、呼出しを行うべきでないことを示す。第４番目
の記録は使用可能なオペレータ数が十分多いので、呼出
しを実施すべきであることを示す。
ニング・データを示す。初期トレーニング・データは予
測ダイヤル呼出し環境における既知の、また予測される
条件を考慮しながらマニュアルで生成される。例えば、
トレーニング・データの初めの２つの記録では、金曜日
の午後４時以降の呼出しは、水曜日の午前１０：３０に
おける呼出しよりも完了レートが低いことを示す。従っ
て、他の全ての同等な負荷要素を考慮した上で、神経網
は金曜日の午後４時に呼出しを行うべきであり、水曜日
の午前１０：３０に行うべきではないことを学ぶ。すな
わち、目標の迷惑レートが越えるからである。第３番目
の記録は平均遊休時間が低すぎるために、呼出しを行う
べきでないことを示す。第４番目の記録は平均迷惑呼出
しレートが高すぎるために、呼出しを行うべきでないこ
とを示す。第５番目の記録は保留呼出し回数が高すぎる
ために、呼出しを行うべきでないことを示す。第４番目
の記録は使用可能なオペレータ数が十分多いので、呼出
しを実施すべきであることを示す。
【００５７】入力パラメータ８１１−８１４は日付パラ
メータ８１０を構成する。入力パラメータ８２１−８２
３は時間パラメータ８２０を構成する。実施例では、時
間パラメータ８２０は呼出しパーティーの時間ゾーンを
考慮する。入力パラメータ８３１−８３８は負荷要素パ
ラメータ８３０を構成する。図１０Ｂに示す別の実施例
では、日付パラメータ８１０は単一入力パラメータから
成る。時間パラメータ８２０も単一入力パラメータより
成る。負荷要素パラメータ８３０もまた単一入力パラメ
ータより成る。負荷要素パラメータ８３０には、例え
ば、遊休時間デルタ或いは迷惑呼出しデルタなどのアプ
リケーション開発者が最も重要と見なす内容が選択され
る。出力パラメータ８５０は呼出しが行われる記録だけ
が記憶される場合には必要ではない。
メータ８１０を構成する。入力パラメータ８２１−８２
３は時間パラメータ８２０を構成する。実施例では、時
間パラメータ８２０は呼出しパーティーの時間ゾーンを
考慮する。入力パラメータ８３１−８３８は負荷要素パ
ラメータ８３０を構成する。図１０Ｂに示す別の実施例
では、日付パラメータ８１０は単一入力パラメータから
成る。時間パラメータ８２０も単一入力パラメータより
成る。負荷要素パラメータ８３０もまた単一入力パラメ
ータより成る。負荷要素パラメータ８３０には、例え
ば、遊休時間デルタ或いは迷惑呼出しデルタなどのアプ
リケーション開発者が最も重要と見なす内容が選択され
る。出力パラメータ８５０は呼出しが行われる記録だけ
が記憶される場合には必要ではない。
【００５８】ブロック４０４はデータ・セットが存在す
るかどうかを判断し、存在する場合にブロック４０５
は、ユーザにカスタム・インタフェース・プログラム名
があればそれを促す。記号データがデータ・セットに記
憶されていれば、ユーザにより指定されるカスタム・イ
ンタフェース・プログラムは（人間が理解するための）
記号データを（神経網が理解するための）数字データに
変換するよう要求される。カスタム・インタフェース・
プログラムはまた要求に応じて、全てのデータに０と１
の間の範囲を取らせるために、入力データを正規化する
ためにも使用される。本実施例の網では、カスタム・イ
ンタフェース・プログラムは図１３で指定され、このプ
ログラムは従来方式により全てのデータを正規化して計
算効率を向上させる。ブロック４２０は図８Ｂに示す本
モデルのためのモデル教示プログラム実行サブルーチン
を呼び出す。前述のようにモデル教示プログラムは図６
Ｃのモデル教示プログラム組み込みサブルーチンにより
用意される。
るかどうかを判断し、存在する場合にブロック４０５
は、ユーザにカスタム・インタフェース・プログラム名
があればそれを促す。記号データがデータ・セットに記
憶されていれば、ユーザにより指定されるカスタム・イ
ンタフェース・プログラムは（人間が理解するための）
記号データを（神経網が理解するための）数字データに
変換するよう要求される。カスタム・インタフェース・
プログラムはまた要求に応じて、全てのデータに０と１
の間の範囲を取らせるために、入力データを正規化する
ためにも使用される。本実施例の網では、カスタム・イ
ンタフェース・プログラムは図１３で指定され、このプ
ログラムは従来方式により全てのデータを正規化して計
算効率を向上させる。ブロック４２０は図８Ｂに示す本
モデルのためのモデル教示プログラム実行サブルーチン
を呼び出す。前述のようにモデル教示プログラムは図６
Ｃのモデル教示プログラム組み込みサブルーチンにより
用意される。
【００５９】図８Ｂを参照すると、ブロック４３３は図
６Ｃのブロック２３１、２３２及び２３３で組み込まれ
た初期化ルーチンを実行する。ブロック４２１はカスタ
ム・インタフェース・プログラムが指定されたかどうか
を確認する。指定されれば、ブロック４２２でそのカス
タム・インタフェース・プログラムからデータを取得す
る。指定されない場合は、ブロック４２３でデータ・セ
ットから直接データを取得する。ブロック４２４は、図
６Ｃのブロック２３４で提供される神経網モデルに依存
するルーチンを実行することにより、１教示ステップを
実行する。実施例ではボディー９０のデータ配列内のデ
ータ値は、目標の網出力と実際の網出力との間の誤差を
最小化するように調整される。ブロック４２５は再びカ
スタム・インタフェース・プログラムをチェックする。
存在する場合は、ブロック４２６でユーザがデータ構造
内のデータ値の表示を望むかどうかを確認する。望む場
合は、カスタム・インタフェース・プログラムにより生
成されるカスタム画面がブロック４２７で表示される。
カクタム画面の例を図１７に示す。カスタム・インタフ
ェース・プログラムが存在しないがユーザがデータ表示
を望む場合は、ブロック４２８においてデフォルト画面
が表示される。デフォルト画面の例を図１５に示す。
６Ｃのブロック２３１、２３２及び２３３で組み込まれ
た初期化ルーチンを実行する。ブロック４２１はカスタ
ム・インタフェース・プログラムが指定されたかどうか
を確認する。指定されれば、ブロック４２２でそのカス
タム・インタフェース・プログラムからデータを取得す
る。指定されない場合は、ブロック４２３でデータ・セ
ットから直接データを取得する。ブロック４２４は、図
６Ｃのブロック２３４で提供される神経網モデルに依存
するルーチンを実行することにより、１教示ステップを
実行する。実施例ではボディー９０のデータ配列内のデ
ータ値は、目標の網出力と実際の網出力との間の誤差を
最小化するように調整される。ブロック４２５は再びカ
スタム・インタフェース・プログラムをチェックする。
存在する場合は、ブロック４２６でユーザがデータ構造
内のデータ値の表示を望むかどうかを確認する。望む場
合は、カスタム・インタフェース・プログラムにより生
成されるカスタム画面がブロック４２７で表示される。
カクタム画面の例を図１７に示す。カスタム・インタフ
ェース・プログラムが存在しないがユーザがデータ表示
を望む場合は、ブロック４２８においてデフォルト画面
が表示される。デフォルト画面の例を図１５に示す。
【００６０】再び図８Ｂを参照すると、ブロック４２９
はユーザがデータのログを望むかどうかを確認する。望
む場合は、ブロック４３０でデータのカスタム或いはデ
フォルト・ロギングを実行する。何れの場合にも、ブロ
ック４３４は１つのエポックが完了したかを確認する。
データ・セット内の全てのトレーニング・データが一度
処理されれば、エポックは完了する。そうでない場合
は、制御はブロック４２１にループ・バックして、次の
トレーニング・データを取得する。１つのエポックが完
了すると、ブロック４３５は図６Ｃのブロック２３５で
組み込まれたエポック終了処理ルーチンを実行する。実
施例では、このエポック終了処理ルーチンは全てのトレ
ーニング・データに対して、出力単位（呼出しアクショ
ン）における実際と目標の出力との間の差が、指定した
許容範囲（フィールド７４のトレーニング・パラメータ
の１つ）よりも小さいかどうかを判断する。小さい場合
には、フィールド６８の網ステータスを“ｌｏｃｋｅ
ｄ”にセットする。神経網のステータスが“ｌｏｃｋｅ
ｄ”となると、データ配列の値は変更が許可されない。
はユーザがデータのログを望むかどうかを確認する。望
む場合は、ブロック４３０でデータのカスタム或いはデ
フォルト・ロギングを実行する。何れの場合にも、ブロ
ック４３４は１つのエポックが完了したかを確認する。
データ・セット内の全てのトレーニング・データが一度
処理されれば、エポックは完了する。そうでない場合
は、制御はブロック４２１にループ・バックして、次の
トレーニング・データを取得する。１つのエポックが完
了すると、ブロック４３５は図６Ｃのブロック２３５で
組み込まれたエポック終了処理ルーチンを実行する。実
施例では、このエポック終了処理ルーチンは全てのトレ
ーニング・データに対して、出力単位（呼出しアクショ
ン）における実際と目標の出力との間の差が、指定した
許容範囲（フィールド７４のトレーニング・パラメータ
の１つ）よりも小さいかどうかを判断する。小さい場合
には、フィールド６８の網ステータスを“ｌｏｃｋｅ
ｄ”にセットする。神経網のステータスが“ｌｏｃｋｅ
ｄ”となると、データ配列の値は変更が許可されない。
【００６１】ブロック４３１はユーザにより指定された
反復回数が完了したかを確認する。完了するまでブロッ
ク４３１は否定で応答され、制御はブロック４２１に戻
りトレーニング・データを通じて他の反復が実行され
る。トレーニング期間が完了すると、ブロック４３１が
肯定される。このサブルーチンはブロック４３９で図８
Ａのブロック４０７に戻る。更にブロック４０７は図５
のブロック１４０に戻る。
反復回数が完了したかを確認する。完了するまでブロッ
ク４３１は否定で応答され、制御はブロック４２１に戻
りトレーニング・データを通じて他の反復が実行され
る。トレーニング期間が完了すると、ブロック４３１が
肯定される。このサブルーチンはブロック４３９で図８
Ａのブロック４０７に戻る。更にブロック４０７は図５
のブロック１４０に戻る。
【００６２】ユーザは自身の新たに教育された神経網を
実行して、予測ダイヤル呼出しを実行したいと思うの
で、図５のブロック１４０は肯定で応答される。そして
神経網実行サブルーチン（図９）がブロック５００で呼
ばれる。同様に、予測ダイヤル呼出しアプリケーション
・プログラム４１（図３Ｂ）も神経網実行サブルーチン
を直接呼び出すことができる。その時は図５をバイパス
する。
実行して、予測ダイヤル呼出しを実行したいと思うの
で、図５のブロック１４０は肯定で応答される。そして
神経網実行サブルーチン（図９）がブロック５００で呼
ばれる。同様に、予測ダイヤル呼出しアプリケーション
・プログラム４１（図３Ｂ）も神経網実行サブルーチン
を直接呼び出すことができる。その時は図５をバイパス
する。
【００６３】図９Ａを参照すると、ブロック５０１は図
６Ｄのブロック２５１及び２５２により組み込まれた初
期化ルーチンを実行する。ブロック５０２は神経網の名
称を決定する。ブロック５３０は図９Ｂに示す本モデル
のためのモデル実行プログラム実行サブルーチンであ
る。モデル実行プログラムは前述のように、図６Ｄに示
すモデル実行プログラム組み込みサブルーチンにより用
意される。
６Ｄのブロック２５１及び２５２により組み込まれた初
期化ルーチンを実行する。ブロック５０２は神経網の名
称を決定する。ブロック５３０は図９Ｂに示す本モデル
のためのモデル実行プログラム実行サブルーチンであ
る。モデル実行プログラムは前述のように、図６Ｄに示
すモデル実行プログラム組み込みサブルーチンにより用
意される。
【００６４】図９Ｂを参照すると、ブロック５３１は日
付、曜日、保留呼出し回数及び使用可能なオペレータ数
をシステムから取得する。次に平均接続遅延、平均完了
レート、平均遊休時間、平均迷惑呼出しレート及び平均
会話長を計算する。これらの平均値はいくつかの方法に
よって計算可能であるが、活動の最後の５分間の走行カ
ウントを保持し、この間の様々な平均値を決定すること
が望ましい。ブロック５３３は遊休時間デルタ及び迷惑
呼出しデルタを計算する。遊休時間デルタは目標の遊休
時間（ユーザによりコンピュータ・システムに入力され
る変数）と実際の遊休時間との１時間当たりの差を秒で
表したものである。例えば１時間当たり２０５秒が目標
の遊休時間であり、実際の遊休時間が２４０秒の場合
は、遊休時間デルタは−３５秒（２０５−２４０＝−３
５）となる。迷惑呼出しデルタは目標の迷惑呼出し割合
から実際の迷惑呼出し割合を引いた値である。例えば、
目標の迷惑呼出し割合０.６４％で実際の迷惑呼出し割
合が０.２％の場合には、迷惑呼出しデルタは＋０.４％
（０.６％−０.２％＝０.４％）となる。図１０Ａの最
初の記録では遊休時間デルタが−３５秒で、迷惑呼出し
デルタが０.４％である。ブロック５３１及び５３３の
入力データは“現在の呼出し記録”として見なされる。
付、曜日、保留呼出し回数及び使用可能なオペレータ数
をシステムから取得する。次に平均接続遅延、平均完了
レート、平均遊休時間、平均迷惑呼出しレート及び平均
会話長を計算する。これらの平均値はいくつかの方法に
よって計算可能であるが、活動の最後の５分間の走行カ
ウントを保持し、この間の様々な平均値を決定すること
が望ましい。ブロック５３３は遊休時間デルタ及び迷惑
呼出しデルタを計算する。遊休時間デルタは目標の遊休
時間（ユーザによりコンピュータ・システムに入力され
る変数）と実際の遊休時間との１時間当たりの差を秒で
表したものである。例えば１時間当たり２０５秒が目標
の遊休時間であり、実際の遊休時間が２４０秒の場合
は、遊休時間デルタは−３５秒（２０５−２４０＝−３
５）となる。迷惑呼出しデルタは目標の迷惑呼出し割合
から実際の迷惑呼出し割合を引いた値である。例えば、
目標の迷惑呼出し割合０.６４％で実際の迷惑呼出し割
合が０.２％の場合には、迷惑呼出しデルタは＋０.４％
（０.６％−０.２％＝０.４％）となる。図１０Ａの最
初の記録では遊休時間デルタが−３５秒で、迷惑呼出し
デルタが０.４％である。ブロック５３１及び５３３の
入力データは“現在の呼出し記録”として見なされる。
【００６５】目標の遊休時間及び目標の迷惑呼出し割合
は設計の選択に依存し、個々のアプリケーションにより
変化する。１時間当たり３００秒から６００秒（５−１
０分）の遊休時間がオペレータの疲労を最小化し、また
オペレータの退屈及び低生産性を回避するために望まし
い。通常は迷惑呼出し割合を可能な限り０％に近づけ
て、使用可能なオペレータがいない場合にコンピュータ
に接続されて迷惑する顧客を最小化することが望まし
い。
は設計の選択に依存し、個々のアプリケーションにより
変化する。１時間当たり３００秒から６００秒（５−１
０分）の遊休時間がオペレータの疲労を最小化し、また
オペレータの退屈及び低生産性を回避するために望まし
い。通常は迷惑呼出し割合を可能な限り０％に近づけ
て、使用可能なオペレータがいない場合にコンピュータ
に接続されて迷惑する顧客を最小化することが望まし
い。
【００６６】ブロック５３１及び５３３で使用されるデ
ータは通常、電話イネーブラ２０から検索される情報に
より決定される。実施例では、この情報はCallPath/400
アプリケーション・プログラミング・インタフェースに
より支援される一連のコマンドを使用することにより、
CallPath/400電話イネーブラから検索される。このイン
タフェースはＩＢＭ文書ＧＣ２１−９８６７、CallPath
/400Programmer^sReference にその詳細が述べられてい
る。この技術に精通した者により使用されるいくつかの
特定のコマンドとしては、Make_Call、Receive、Add_Pa
rty及びDisconnectがある。これらのコマンドは、ブロ
ック５３１及び５３３で使用されるデータの決定に必要
となる情報を次に示す事象形式に戻す。それらはCall_A
lerting、Call_Connected、Call_Rejected、Disconnect
ed、 （及び上記事象と共に含まれる関連するタイムス
タンプ情報）である。また、Feature_Invoked 事象もオ
ペレータ或いはエージェントのステータスを決定する際
に使用される。
ータは通常、電話イネーブラ２０から検索される情報に
より決定される。実施例では、この情報はCallPath/400
アプリケーション・プログラミング・インタフェースに
より支援される一連のコマンドを使用することにより、
CallPath/400電話イネーブラから検索される。このイン
タフェースはＩＢＭ文書ＧＣ２１−９８６７、CallPath
/400Programmer^sReference にその詳細が述べられてい
る。この技術に精通した者により使用されるいくつかの
特定のコマンドとしては、Make_Call、Receive、Add_Pa
rty及びDisconnectがある。これらのコマンドは、ブロ
ック５３１及び５３３で使用されるデータの決定に必要
となる情報を次に示す事象形式に戻す。それらはCall_A
lerting、Call_Connected、Call_Rejected、Disconnect
ed、 （及び上記事象と共に含まれる関連するタイムス
タンプ情報）である。また、Feature_Invoked 事象もオ
ペレータ或いはエージェントのステータスを決定する際
に使用される。
【００６７】ブロック５３５は現在の呼出し記録内に含
まれる全ての入力データを教育された神経網を通じて実
行する。神経網は教育されると、呼出し記録内の入力デ
ータと呼出しアクション（呼出しを行うか行わないか）
との関係を決定する。この関係に基づき、神経網は現在
の呼出し記録内の入力データをチェックし、実施例では
ライン４４（図３Ｂ）を介して予測ダイヤル呼出しアプ
リケーション・プログラム４１に０と１の間の数値をパ
スする。この数値が１に近いほど、神経網が呼出しを行
うべきであることをより確実に示す。実施例では、予測
ダイヤル呼出しアプリケーション・プログラム４１は大
き過ぎるにしろ少な過ぎるにしろ、しきい値として０.
５を獲得する。従って、神経網から獲得する０.５或い
はそれ以上の数値は呼出しを行うべきことを示し、０.
５より小さい数値は呼出しを行うべきでないことを示
す。
まれる全ての入力データを教育された神経網を通じて実
行する。神経網は教育されると、呼出し記録内の入力デ
ータと呼出しアクション（呼出しを行うか行わないか）
との関係を決定する。この関係に基づき、神経網は現在
の呼出し記録内の入力データをチェックし、実施例では
ライン４４（図３Ｂ）を介して予測ダイヤル呼出しアプ
リケーション・プログラム４１に０と１の間の数値をパ
スする。この数値が１に近いほど、神経網が呼出しを行
うべきであることをより確実に示す。実施例では、予測
ダイヤル呼出しアプリケーション・プログラム４１は大
き過ぎるにしろ少な過ぎるにしろ、しきい値として０.
５を獲得する。従って、神経網から獲得する０.５或い
はそれ以上の数値は呼出しを行うべきことを示し、０.
５より小さい数値は呼出しを行うべきでないことを示
す。
【００６８】ブロック５４０は神経網が呼出しを行うべ
きことを示したかどうかを問う。もしそうであれば、ブ
ロック５４１はスイッチに呼出しを指示する。実施例で
は、これは電話イネーブラ２０に呼出しを行う旨を通知
することにより実行される。電話イネーブラ２０は通信
プロトコルを呼出しに必要なスイッチで取り扱う。
きことを示したかどうかを問う。もしそうであれば、ブ
ロック５４１はスイッチに呼出しを指示する。実施例で
は、これは電話イネーブラ２０に呼出しを行う旨を通知
することにより実行される。電話イネーブラ２０は通信
プロトコルを呼出しに必要なスイッチで取り扱う。
【００６９】ブロック５４２は後述するように、将来の
分析のために、現在の呼出し記録を一時データセット内
に保管する。実施例では、呼出しが行われたかに関わら
ず、ブロック５４２は呼出しアクションを呼出し記録に
付加し、全ての呼出し記録を保管する。他の実施例では
呼出しアクションは付加されず、呼出しが行われたとき
の呼出し記録だけがブロック５４２で保管される。
分析のために、現在の呼出し記録を一時データセット内
に保管する。実施例では、呼出しが行われたかに関わら
ず、ブロック５４２は呼出しアクションを呼出し記録に
付加し、全ての呼出し記録を保管する。他の実施例では
呼出しアクションは付加されず、呼出しが行われたとき
の呼出し記録だけがブロック５４２で保管される。
【００７０】ブロック５４５はアプリケーション・プロ
グラムが呼出しを停止することを望むかどうかをチェッ
クする。１日の特定の時間において或いは全てのオペレ
ータが帰宅した場合には、アプリケーション・プログラ
ムは一定の経過時間の後に自動的に呼出しを停止する。
こうした呼出し停止の指示が受信されない場合は、制御
はブロック５３１に戻り、新たな入力データが検索され
る。呼出し停止の指示が受信されると、ブロック５５０
は神経網が更にトレーニングを必要とするかどうかを確
認するために、ブロック５４２の多数の繰り返しを通じ
て保管された呼出し記録を分析すべきかを問う。分析が
必要でない場合は、サブルーチンはブロック５９０にお
いてブロック５１９に、更にここから図５のブロック１
９０に戻る。ブロック１９０でこのプログラムは終了す
るか、或いは処理を続行するためにこのプログラムを呼
出した予測ダイヤル呼出しアプリケーション・プログラ
ム４１に戻る。
グラムが呼出しを停止することを望むかどうかをチェッ
クする。１日の特定の時間において或いは全てのオペレ
ータが帰宅した場合には、アプリケーション・プログラ
ムは一定の経過時間の後に自動的に呼出しを停止する。
こうした呼出し停止の指示が受信されない場合は、制御
はブロック５３１に戻り、新たな入力データが検索され
る。呼出し停止の指示が受信されると、ブロック５５０
は神経網が更にトレーニングを必要とするかどうかを確
認するために、ブロック５４２の多数の繰り返しを通じ
て保管された呼出し記録を分析すべきかを問う。分析が
必要でない場合は、サブルーチンはブロック５９０にお
いてブロック５１９に、更にここから図５のブロック１
９０に戻る。ブロック１９０でこのプログラムは終了す
るか、或いは処理を続行するためにこのプログラムを呼
出した予測ダイヤル呼出しアプリケーション・プログラ
ム４１に戻る。
【００７１】ブロック５５０が肯定されると、図９Ｃの
呼出し記録分析サブルーチンが呼び出される。図９Ｃを
参照すると、ブロック６０１は処理する呼出し記録が存
在するかどうかを問う。存在すれば、ブロック６０５は
平均遊休時間が目標よりも大きいかどうかを問う。大き
い場合は、ブロック６０６は呼出しが行われたかどうか
を問う。遊休時間が目標よりも大きい場合にはオペレー
タが暇な状態であることを示すので、呼出しが実行され
たはずである。ブロック６０６が呼出しが行われなかっ
たことを示す場合は、神経網は誤った判断をしたことに
なる。ブロック６０７は呼出し記録内のダイヤル・アク
ション・フィールドを０（呼出しが実施されなかったこ
とを示す）から１（呼出しが実施されたことを示す）に
変更する。この変更は呼出し記録に目標の結果を反映さ
せて、神経網が後にその結果から学ぶことが可能となる
ようにする。ブロック６０６が呼出しが実施されたこと
を示す場合は、神経網は正しい判断をしたことになる。
どちらの場合にも、制御はブロック６０１に戻り、他に
処理するべき記録を捜す。
呼出し記録分析サブルーチンが呼び出される。図９Ｃを
参照すると、ブロック６０１は処理する呼出し記録が存
在するかどうかを問う。存在すれば、ブロック６０５は
平均遊休時間が目標よりも大きいかどうかを問う。大き
い場合は、ブロック６０６は呼出しが行われたかどうか
を問う。遊休時間が目標よりも大きい場合にはオペレー
タが暇な状態であることを示すので、呼出しが実行され
たはずである。ブロック６０６が呼出しが行われなかっ
たことを示す場合は、神経網は誤った判断をしたことに
なる。ブロック６０７は呼出し記録内のダイヤル・アク
ション・フィールドを０（呼出しが実施されなかったこ
とを示す）から１（呼出しが実施されたことを示す）に
変更する。この変更は呼出し記録に目標の結果を反映さ
せて、神経網が後にその結果から学ぶことが可能となる
ようにする。ブロック６０６が呼出しが実施されたこと
を示す場合は、神経網は正しい判断をしたことになる。
どちらの場合にも、制御はブロック６０１に戻り、他に
処理するべき記録を捜す。
【００７２】ブロック６０５が否定されると、ブロック
６１５は平均遊休時間が目標よりも小さいかを問う。小
さい場合は、ブロック６１６で呼出しが実行されたかを
問う。遊休時間が目標よりも小さい場合は、オペレータ
が多忙なことを示すため、呼出しは実行されなかったは
ずである。ブロック６１６が呼出しが実行されたことを
示す場合は、神経網は誤った決定をしたことになる。ブ
ロック６１７は呼出し記録内のダイヤル・アクション・
フィールドを１（呼出しが実行されたことを示す）から
０（呼出しが実行されなかったことを示す）に変更す
る。以前と同様、この変更は呼出し記録に目標の結果を
反映させて、神経網が後にそれから学ぶことを目的とす
る。ブロック６１６が呼出しが実行されなかったことを
示す場合は、神経網は正しい判断をしたことになる。ど
ちらの場合も、制御はブロック６０１に戻り、他の処理
すべき記録を捜す。
６１５は平均遊休時間が目標よりも小さいかを問う。小
さい場合は、ブロック６１６で呼出しが実行されたかを
問う。遊休時間が目標よりも小さい場合は、オペレータ
が多忙なことを示すため、呼出しは実行されなかったは
ずである。ブロック６１６が呼出しが実行されたことを
示す場合は、神経網は誤った決定をしたことになる。ブ
ロック６１７は呼出し記録内のダイヤル・アクション・
フィールドを１（呼出しが実行されたことを示す）から
０（呼出しが実行されなかったことを示す）に変更す
る。以前と同様、この変更は呼出し記録に目標の結果を
反映させて、神経網が後にそれから学ぶことを目的とす
る。ブロック６１６が呼出しが実行されなかったことを
示す場合は、神経網は正しい判断をしたことになる。ど
ちらの場合も、制御はブロック６０１に戻り、他の処理
すべき記録を捜す。
【００７３】ブロック６１５が否定されると、ブロック
６２５は平均迷惑呼出しレートが目標よりも大きいかを
問う。大きい場合は、ブロック６２６で呼出しが実行さ
れたかを問う。迷惑呼出しレートが目標よりも大きい場
合は、電話を取るオペレータがいない可能性が高いこと
を示すため、呼出しが実行されなかったはずである。ブ
ロック６２６が呼出しが実行されたことを示すと、神経
網は誤った判断をしたことになる。ブロック６２７は呼
出し記録内のダイヤル・アクション・フィールドを１
（呼出しが実行されたことを示す）から０（呼出しが実
行されなかったことを示す）に変更する。以前と同様
に、この変更は呼出し記録に目標の結果を反映させて、
神経網が後にそれから学ぶことを目的とする。ブロック
６２６が呼出しが実行されなかったことを示す場合は、
神経網は正しい判断をしたことになる。どちらの場合に
も、制御はブロック６０１に戻り、他の処理すべき記録
を捜す。
６２５は平均迷惑呼出しレートが目標よりも大きいかを
問う。大きい場合は、ブロック６２６で呼出しが実行さ
れたかを問う。迷惑呼出しレートが目標よりも大きい場
合は、電話を取るオペレータがいない可能性が高いこと
を示すため、呼出しが実行されなかったはずである。ブ
ロック６２６が呼出しが実行されたことを示すと、神経
網は誤った判断をしたことになる。ブロック６２７は呼
出し記録内のダイヤル・アクション・フィールドを１
（呼出しが実行されたことを示す）から０（呼出しが実
行されなかったことを示す）に変更する。以前と同様
に、この変更は呼出し記録に目標の結果を反映させて、
神経網が後にそれから学ぶことを目的とする。ブロック
６２６が呼出しが実行されなかったことを示す場合は、
神経網は正しい判断をしたことになる。どちらの場合に
も、制御はブロック６０１に戻り、他の処理すべき記録
を捜す。
【００７４】ブロック６０１がこれ以上処理する記録が
ないことを示す場合には、このサブルーチンはブロック
６５０で図９Ｂのブロック５６０に戻る。ブロック５６
０は呼出し記録（これらのいくつかはサブルーチン６０
０により変更された可能性がある）をトレーニング・デ
ータセットに追加する。また、一時データセットは消去
される。これらの記録をトレーニング・データセットに
保管することにより、図５のフロー図を再スタートし
て、神経網が教育されることを指示することにより神経
網は再教育される。このようにして神経網は学習過程を
改善し、将来において誤りをなくすことになる。この学
習の数回の反復の後に、神経網は一貫して目標の遊休レ
ート及び迷惑呼出し割合パラメータ以内に維持されるこ
ととなり、呼出しパターンにおける変化を先読み及び予
測することが可能となり、これに従って、迷惑呼出しレ
ート或いはオペレータ遊休時間が受諾不可能なレベルに
達する以前に適応が可能となる。
ないことを示す場合には、このサブルーチンはブロック
６５０で図９Ｂのブロック５６０に戻る。ブロック５６
０は呼出し記録（これらのいくつかはサブルーチン６０
０により変更された可能性がある）をトレーニング・デ
ータセットに追加する。また、一時データセットは消去
される。これらの記録をトレーニング・データセットに
保管することにより、図５のフロー図を再スタートし
て、神経網が教育されることを指示することにより神経
網は再教育される。このようにして神経網は学習過程を
改善し、将来において誤りをなくすことになる。この学
習の数回の反復の後に、神経網は一貫して目標の遊休レ
ート及び迷惑呼出し割合パラメータ以内に維持されるこ
ととなり、呼出しパターンにおける変化を先読み及び予
測することが可能となり、これに従って、迷惑呼出しレ
ート或いはオペレータ遊休時間が受諾不可能なレベルに
達する以前に適応が可能となる。
【００７５】これまで本発明は実施例に関して述べられ
てきたが、関連技術者においては、本発明の精神及び範
中を逸脱することなしに、詳細における様々な変更が可
能であることが容易に理解されよう。例えば、選択され
るパラメータを本実施例とは全く異なって選択すること
が可能である。失業レート或いは国民総生産等の経済要
素や現在の気候状態などを加えてもよい。更に、目標の
遊休時間或いは迷惑呼出し割合が実施例の場合の値より
も大きいか或いは小さいことも可能である。本実施例に
おいては神経網が使用されたが、入力パラメータの選択
グループと目標の出力との間の関係をエキスパート・シ
ステム或いは他のプログラミング或いは論理回路を通じ
て決定することも可能である。
てきたが、関連技術者においては、本発明の精神及び範
中を逸脱することなしに、詳細における様々な変更が可
能であることが容易に理解されよう。例えば、選択され
るパラメータを本実施例とは全く異なって選択すること
が可能である。失業レート或いは国民総生産等の経済要
素や現在の気候状態などを加えてもよい。更に、目標の
遊休時間或いは迷惑呼出し割合が実施例の場合の値より
も大きいか或いは小さいことも可能である。本実施例に
おいては神経網が使用されたが、入力パラメータの選択
グループと目標の出力との間の関係をエキスパート・シ
ステム或いは他のプログラミング或いは論理回路を通じ
て決定することも可能である。
【００７６】
【発明の効果】本発明によれば、神経網が先読み及び先
行学習を行うことにより、効率的な予測ダイヤル呼出し
技術及び装置が達成できる。
行学習を行うことにより、効率的な予測ダイヤル呼出し
技術及び装置が達成できる。
【図１】本発明の予測ダイヤル呼出しシステムのブロッ
ク図である。
ク図である。
【図２】並列ハードウェアで実行される神経網が直列Vo
n Neumann 形コンピュータ・システム上でシュミレート
される様子を示す図である。
n Neumann 形コンピュータ・システム上でシュミレート
される様子を示す図である。
【図３Ａ】本発明の計算環境の概念的構成図である。
【図３Ｂ】本発明の計算環境の概念的構成図である。
【図４】本発明の神経網データ構造である。
【図５】本発明の神経網ユーティリティのフロー図であ
る。
る。
【図６Ａ】本発明の神経網ユーティリティのフロー図で
ある。
ある。
【図６Ｂ】本発明の神経網ユーティリティのフロー図で
ある。
ある。
【図６Ｃ】本発明の神経網ユーティリティのフロー図で
ある。
ある。
【図６Ｄ】本発明の神経網ユーティリティのフロー図で
ある。
ある。
【図７Ａ】本発明の神経網ユーティリティのフロー図で
ある。
ある。
【図７Ｂ】本発明の神経網ユーティリティのフロー図で
ある。
ある。
【図８Ａ】本発明の神経網ユーティリティのフロー図で
ある。
ある。
【図８Ｂ】本発明の神経網ユーティリティのフロー図で
ある。
ある。
【図８Ｃ】本発明の神経網ユーティリティのフロー図で
ある。
ある。
【図９Ａ】本発明の神経網ユーティリティのフロー図で
ある。
ある。
【図９Ｂ】本発明の神経網ユーティリティのフロー図で
ある。
ある。
【図９Ｃ】本発明の神経網ユーティリティのフロー図で
ある。
ある。
【図１０Ａ】本発明の実施例及び他の実施例で使用され
るトレーニング・データの例である。
るトレーニング・データの例である。
【図１０Ｂ】本発明の実施例及び他の実施例で使用され
るトレーニング・データの例である。
るトレーニング・データの例である。
【図１１】本発明の予測ダイヤル呼出し神経網を作成、
トレーニング及び実行するためにユーザに表示される画
面である。
トレーニング及び実行するためにユーザに表示される画
面である。
【図１２】本発明の予測ダイヤル呼出し神経網を作成、
トレーニング及び実行するためにユーザに表示される画
面である。
トレーニング及び実行するためにユーザに表示される画
面である。
【図１３】本発明の予測ダイヤル呼出し神経網を作成、
トレーニング及び実行するためにユーザに表示される画
面である。
トレーニング及び実行するためにユーザに表示される画
面である。
【図１４】本発明の予測ダイヤル呼出し神経網を作成、
トレーニング及び実行するためにユーザに表示される画
面である。
トレーニング及び実行するためにユーザに表示される画
面である。
【図１５】本発明の予測ダイヤル呼出し神経網を作成、
トレーニング及び実行するためにユーザに表示される画
面である。
トレーニング及び実行するためにユーザに表示される画
面である。
【図１６】本発明の予測ダイヤル呼出し神経網を作成、
トレーニング及び実行するためにユーザに表示される画
面である。
トレーニング及び実行するためにユーザに表示される画
面である。
【図１７】本発明の予測ダイヤル呼出し神経網を作成、
トレーニング及び実行するためにユーザに表示される画
面である。
トレーニング及び実行するためにユーザに表示される画
面である。
───────────────────────────────────────────────────── フロントページの続き (72)発明者 リチャード・アラン・ディードリック アメリカ合衆国ミネソタ州、ローチェスタ ー、ノース・ウェスト、フィフティーン ス・アヴェニュー 3414番地 (72)発明者 チャールズ・アーネスト・スミス アメリカ合衆国フロリダ州、ボカ・レイト ン、フィフス・レーン、ノース・ウェスト 4800番地
Claims (35)
- 【請求項１】各々が日付、時間及び負荷要素を含む入力
パラメータのグループを有する、複数の呼出し記録を記
憶するステップと、 前記記憶された複数の呼出し記録から、入力パラメータ
の前記グループと複数のダイヤル・アクションとの関係
を学習するステップと、 を具備することを特徴とする予測ダイヤル呼出しの先読
み方法。 - 【請求項２】現在の日付、現在の時間及び現在の負荷要
素を含む現在の呼出し記録を作成するステップを具備す
ることを特徴とする請求項１記載の予測ダイヤル呼出し
の先読み方法。 - 【請求項３】前記学習ステップにより学ぶ前記関係に基
づき、前記現在の時間、前記現在の日付及び前記現在の
負荷要素において、呼出しが開始されるべきかどうかを
決定するステップを具備することを特徴とする請求項２
記載の予測ダイヤル呼出しの先読み方法。 - 【請求項４】入力パラメータの前記グループと前記複数
のダイヤル・アクションとの前記関係が、前記現在の時
間、前記現在の日付及び前記現在の負荷要素において前
記呼出しを開始すべきことを示す場合に、呼出しを開始
するステップを具備することを特徴とする請求項３記載
の予測ダイヤル呼出しの先読み方法。 - 【請求項５】前記呼出しが行われた場合に、前記現在の
呼出し記録を前記複数の呼出し記録の１つとして記憶す
るステップを具備することを特徴とする請求項４記載の
予測ダイヤル呼出しの先読み方法。 - 【請求項６】各々が日付、時間及び負荷要素を含む入力
パラメータのグループ及びダイヤル・アクションを含
む、複数の呼出し記録を記憶するステップと、 前記記憶された複数の呼出し記録から、入力パラメータ
の前記グループと前記ダイヤル・アクションとの関係を
学習するステップと、 を具備することを特徴とする予測ダイヤル呼出しの先読
み方法。 - 【請求項７】現在の日付、現在の時間及び現在の負荷要
素を含む現在の呼出し記録を作成するステップを具備す
ることを特徴とする請求項６記載の予測ダイヤル呼出し
の先読み方法。 - 【請求項８】前記学習ステップにより学ぶ前記関係に基
づき、前記現在の時間、前記現在の日付及び前記現在の
負荷要素において、呼出しが開始されるべきかどうかを
決定するステップを具備することを特徴とする請求項７
記載の予測ダイヤル呼出しの先読み方法。 - 【請求項９】入力パラメータの前記グループと前記ダイ
ヤル・アクションとの前記関係が、前記現在の時間、前
記現在の日付及び前記現在の負荷要素において前記呼出
しを開始すべきことを示す場合に、呼出しを開始するス
テップを具備することを特徴とする請求項８記載の予測
ダイヤル呼出しの先読み方法。 - 【請求項１０】前記決定ステップに応じて、現在のダイ
ヤル・アクションを前記現在の呼出し記録、前記現在の
ダイヤル・アクションに付加するステップと、 前記現在の呼出し記録を前記複数の呼出し記録の１つと
して記憶するステップと、 を具備することを特徴とする請求項８記載の予測ダイヤ
ル呼出しの先読み方法。 - 【請求項１１】各々が日付、時間及び負荷要素を含む入
力パラメータのグループを有する、複数の呼出し記録を
記憶するステップと、 神経網が前記記憶された複数の呼出し記録から、入力パ
ラメータの前記グループと前記ダイヤル・アクションと
の関係を学習するステップと、 を具備することを特徴とする神経網を使用する予測ダイ
ヤル呼出しの先読み方法。 - 【請求項１２】現在の日付、現在の時間及び現在の負荷
要素を含む現在の呼出し記録を作成するステップを具備
することを特徴とする請求項１１記載の予測ダイヤル呼
出しの先読み方法。 - 【請求項１３】前記神経網が前記学習ステップにより前
記記憶された複数の呼出し記録から学ぶ入力パラメータ
の前記グループと前記ダイヤル・アクションとの関係に
基づき、前記現在の時間、前記現在の日付及び前記現在
の負荷要素において、呼出しが開始されるべきかどうか
を決定するステップを具備することを特徴とする請求項
１２記載の予測ダイヤル呼出しの先読み方法。 - 【請求項１４】入力パラメータの前記グループと前記ダ
イヤル・アクションとの前記関係が、前記現在の時間、
前記現在の日付及び前記現在の負荷要素において前記呼
出しを開始すべきことを示す場合に、呼出しを開始する
ステップを具備することを特徴とする請求項１３記載の
予測ダイヤル呼出しの先読み方法。 - 【請求項１５】前記決定ステップに応じて、現在のダイ
ヤル・アクションを前記現在の呼出し記録、前記現在の
ダイヤル・アクションに付加するステップと、 前記現在の呼出し記録を前記複数の呼出し記録の１つと
して記憶するステップと、 を具備することを特徴とする請求項１３記載の予測ダイ
ヤル呼出しの先読み方法。 - 【請求項１６】前記複数の呼出し記録を分析して、正し
いダイヤル・アクションが行われたかどうかを判断する
ステップと、 前記正しいダイヤル・アクションが行われなかった場合
に、前記ダイヤル・アクションを前記正しいダイヤル・
アクションに変更するステップと、 を具備することを特徴とする請求項１５記載の予測ダイ
ヤル呼出しの先読み方法。 - 【請求項１７】前記神経網が前記複数の呼出し記録から
入力パラメータの前記グループと前記ダイヤル・アクシ
ョンとの関係を再学習するステップを具備することを特
徴とする請求項１６記載の予測ダイヤル呼出しの先読み
方法。 - 【請求項１８】各々が日付、時間及び負荷要素を含む入
力パラメータのグループを有する、複数の呼出し記録を
記憶する手段と、 前記記憶された複数の呼出し記録から、入力パラメータ
の前記グループと前記ダイヤル・アクションとの関係を
学習する手段と、 を具備することを特徴とする予測ダイヤル呼出しのため
のコンピュータ・システム。 - 【請求項１９】現在の日付、現在の時間及び現在の負荷
要素を含む現在の呼出し記録を作成する手段を具備する
ことを特徴とする請求項１８記載のコンピュータ・シス
テム。 - 【請求項２０】前記学習ステップにより学ぶ前記関係に
基づき、前記現在の時間、前記現在の日付及び前記現在
の負荷要素において、呼出しが開始されるべきかどうか
を決定する手段を具備することを特徴とする請求項１９
記載のコンピュータ・システム。 - 【請求項２１】入力パラメータの前記グループと前記ダ
イヤル・アクションとの前記関係が、前記現在の時間、
前記現在の日付及び前記現在の負荷要素において前記呼
出しを開始すべきことを示す場合に、呼出しを開始する
手段を具備することを特徴とする請求項２０記載のコン
ピュータ・システム。 - 【請求項２２】前記決定ステップに応じて、現在のダイ
ヤル・アクションを前記現在の呼出し記録、前記現在の
ダイヤル・アクションに付加する手段と、 前記現在の呼出し記録を前記複数の呼出し記録の１つと
して記憶する手段と、 を具備することを特徴とする請求項２０記載のコンピュ
ータ・システム。 - 【請求項２３】前記複数の呼出し記録を分析して、正し
いダイヤル・アクションが行われたかどうかを判断する
手段と、 前記正しいダイヤル・アクションが行われなかった場合
に、前記ダイヤル・アクションを前記正しいダイヤル・
アクションに変更する手段と、 を具備することを特徴とする請求項２２記載のコンピュ
ータ・システム。 - 【請求項２４】前記神経網が前記複数の呼出し記録から
入力パラメータの前記グループと前記ダイヤル・アクシ
ョンとの関係を再学習する手段を具備することを特徴と
する請求項２３記載のコンピュータ・システム。 - 【請求項２５】各々が日付、時間及び負荷要素を含む入
力パラメータのグループ及びダイヤル・アクションを含
む、複数の呼出し記録と、 前記複数の呼出し記録から、入力パラメータの前記グル
ープと前記ダイヤル・アクションとの関係を学習する手
段と、 を具備することを特徴とする予測ダイヤル呼出しのため
のプログラム製品。 - 【請求項２６】現在の日付、現在の時間及び現在の負荷
要素を含む現在の呼出し記録を作成する手段を具備する
ことを特徴とする請求項２５記載のプログラム製品。 - 【請求項２７】前記学習ステップにより学ぶ前記関係に
基づき、前記現在の時間、前記現在の日付及び前記現在
の負荷要素において、呼出しが開始されるべきかどうか
を決定する手段を具備することを特徴とする請求項２６
記載のプログラム製品。 - 【請求項２８】入力パラメータの前記グループと前記ダ
イヤル・アクションとの前記関係が、前記現在の時間、
前記現在の日付及び前記現在の負荷要素において前記呼
出しを開始すべきことを示す場合に、呼出しを開始する
手段を具備することを特徴とする請求項２７記載のプロ
グラム製品。 - 【請求項２９】前記決定ステップに応じて、現在のダイ
ヤル・アクションを前記現在の呼出し記録、前記現在の
ダイヤル・アクションに付加する手段と、 前記現在の呼出し記録を前記複数の呼出し記録の１つと
して記憶する手段と、 を具備することを特徴とする請求項２７記載のプログラ
ム製品。 - 【請求項３０】前記複数の呼出し記録を分析して、正し
いダイヤル・アクションが行われたかどうかを判断する
手段と、 前記正しいダイヤル・アクションが行われなかった場合
に、前記ダイヤル・アクションを前記正しいダイヤル・
アクションに変更する手段と、 を具備することを特徴とする請求項２９記載のプログラ
ム製品。 - 【請求項３１】前記神経網が前記複数の呼出し記録から
入力パラメータの前記グループと前記ダイヤル・アクシ
ョンとの関係を再学習する手段を具備することを特徴と
する請求項３０記載のプログラム製品。 - 【請求項３２】プロセサ及び記憶装置を有するコンピュ
ータ・システムと、 該コンピュータに接続される電話スイッチと、 各々が日付、時間及び負荷要素を含む入力パラメータの
グループ及びダイヤル・アクションを含む、複数の呼出
し記録を記憶する手段と、 前記記憶された複数の呼出し記録から、入力パラメータ
の前記グループと前記ダイヤル・アクションとの関係を
学習する手段と、 現在の日付、現在の時間及び現在の負荷要素を含む現在
の呼出し記録を作成する手段と、 前記学習ステップにより学ぶ前記関係に基づき、前記現
在の時間、前記現在の日付及び前記現在の負荷要素にお
いて、呼出しが開始されるべきかどうかを決定する手段
と、 入力パラメータの前記グループと前記ダイヤル・アクシ
ョンとの前記関係が、前記現在の時間、前記現在の日付
及び前記現在の負荷要素において、オペレータ電話と外
部電話との接続を開始すべきことを示す場合に、前記電
話スイッチに対して前記接続を指示する手段と、 を具備することを特徴とする予測ダイヤル呼出しシステ
ム。 - 【請求項３３】前記決定ステップに応じて、現在のダイ
ヤル・アクションを前記現在の呼出し記録、前記現在の
ダイヤル・アクションに付加する手段と、 前記現在の呼出し記録を前記複数の呼出し記録の１つと
して記憶する手段と、 を具備することを特徴とする請求項３２記載の予測ダイ
ヤル呼出しシステム。 - 【請求項３４】プロセサ、記憶装置、神経網、及び接続
される電話スイッチからなるコンピュータ・システムに
よる予測ダイヤル呼出しシステムであって、 前記神経網は、 各々が日付、時間及び負荷要素を含む入力パラメータの
グループ及びダイヤル・アクションを含む、複数の呼出
し記録を記憶する手段と、 前記記憶された複数の呼出し記録から、入力パラメータ
の前記グループと前記ダイヤル・アクションとの関係を
学習する手段と、 現在の日付、現在の時間及び現在の負荷要素を含む現在
の呼出し記録を作成する手段と、 前記学習ステップにより学ぶ前記関係に基づき、前記現
在の時間、前記現在の日付及び前記現在の負荷要素にお
いて、呼出しが開始されるべきかどうかを決定する手段
と、 入力パラメータの前記グループと前記ダイヤル・アクシ
ョンとの前記関係が、前記現在の時間、前記現在の日付
及び前記現在の負荷要素において、オペレータ電話と外
部電話との接続を開始すべきことを示す場合に、前記電
話スイッチに対して前記接続を指示する手段と、 を具備することを特徴とする予測ダイヤル呼出しシステ
ム。 - 【請求項３５】前記決定ステップに応じて、現在のダイ
ヤル・アクションを前記現在の呼出し記録、前記現在の
ダイヤル・アクションに付加する手段と、 前記現在の呼出し記録を前記複数の呼出し記録の１つと
して記憶する手段と、 を具備することを特徴とする請求項３４記載の予測ダイ
ヤル呼出しシステム。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US626670 | 1990-12-11 | ||
| US07/626,670 US5155763A (en) | 1990-12-11 | 1990-12-11 | Look ahead method and apparatus for predictive dialing using a neural network |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH05308406A true JPH05308406A (ja) | 1993-11-19 |
| JP2823100B2 JP2823100B2 (ja) | 1998-11-11 |
Family
ID=24511338
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP3326014A Expired - Fee Related JP2823100B2 (ja) | 1990-12-11 | 1991-12-10 | 予測ダイヤル呼出しの先読み方法及びシステム |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US5155763A (ja) |
| EP (1) | EP0493292A3 (ja) |
| JP (1) | JP2823100B2 (ja) |
| CA (1) | CA2054631C (ja) |
Families Citing this family (133)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5327490A (en) * | 1991-02-19 | 1994-07-05 | Intervoice, Inc. | System and method for controlling call placement rate for telephone communication systems |
| US5295184A (en) * | 1991-05-30 | 1994-03-15 | Davox Corporation | Dynamically adjustable call pacing system |
| WO1994009585A1 (en) * | 1992-10-21 | 1994-04-28 | Digital Systems International, Inc. | Integrated intelligent call blending |
| US5436963A (en) * | 1992-12-30 | 1995-07-25 | International Business Machines Corporation | Telephone answering method and apparatus |
| US5343518A (en) * | 1993-01-14 | 1994-08-30 | Davox Corporation | System and method for controlling the dialing order of call record lists in an automated dialing system |
| US5461699A (en) * | 1993-10-25 | 1995-10-24 | International Business Machines Corporation | Forecasting using a neural network and a statistical forecast |
| US5436965A (en) * | 1993-11-16 | 1995-07-25 | Automated Systems And Programming, Inc. | Method and system for optimization of telephone contact campaigns |
| US5444820A (en) * | 1993-12-09 | 1995-08-22 | Long Island Lighting Company | Adaptive system and method for predicting response times in a service environment |
| US5561711A (en) * | 1994-03-09 | 1996-10-01 | Us West Technologies, Inc. | Predictive calling scheduling system and method |
| US5592543A (en) * | 1994-06-01 | 1997-01-07 | Davox Corporation | Method and system for allocating agent resources to a telephone call campaign |
| US5570419A (en) * | 1995-10-13 | 1996-10-29 | Intervoice Limited Partnership | System and method for an improved predictive dialer |
| US5953393A (en) * | 1996-07-15 | 1999-09-14 | At&T Corp. | Personal telephone agent |
| US5905789A (en) * | 1996-10-07 | 1999-05-18 | Northern Telecom Limited | Call-forwarding system using adaptive model of user behavior |
| US6167117A (en) * | 1996-10-07 | 2000-12-26 | Nortel Networks Limited | Voice-dialing system using model of calling behavior |
| US5917891A (en) * | 1996-10-07 | 1999-06-29 | Northern Telecom, Limited | Voice-dialing system using adaptive model of calling behavior |
| US5912949A (en) * | 1996-11-05 | 1999-06-15 | Northern Telecom Limited | Voice-dialing system using both spoken names and initials in recognition |
| JP3767954B2 (ja) * | 1996-11-07 | 2006-04-19 | 富士通株式会社 | 需要予測装置 |
| US6208713B1 (en) | 1996-12-05 | 2001-03-27 | Nortel Networks Limited | Method and apparatus for locating a desired record in a plurality of records in an input recognizing telephone directory |
| US6005927A (en) * | 1996-12-16 | 1999-12-21 | Northern Telecom Limited | Telephone directory apparatus and method |
| GB2321364A (en) * | 1997-01-21 | 1998-07-22 | Northern Telecom Ltd | Retraining neural network |
| GB2321362A (en) * | 1997-01-21 | 1998-07-22 | Northern Telecom Ltd | Generic processing capability |
| GB2321363A (en) * | 1997-01-21 | 1998-07-22 | Northern Telecom Ltd | Telecommunications |
| US6021191A (en) * | 1997-03-05 | 2000-02-01 | At&T Corp. | Automatic routing technique |
| US6401080B1 (en) | 1997-03-21 | 2002-06-04 | International Business Machines Corporation | Intelligent agent with negotiation capability and method of negotiation therewith |
| US6085178A (en) * | 1997-03-21 | 2000-07-04 | International Business Machines Corporation | Apparatus and method for communicating between an intelligent agent and client computer process using disguised messages |
| TW504632B (en) | 1997-03-21 | 2002-10-01 | Ibm | Apparatus and method for optimizing the performance of computer tasks using intelligent agent with multiple program modules having varied degrees of domain knowledge |
| US6192354B1 (en) | 1997-03-21 | 2001-02-20 | International Business Machines Corporation | Apparatus and method for optimizing the performance of computer tasks using multiple intelligent agents having varied degrees of domain knowledge |
| US6016342A (en) * | 1997-06-18 | 2000-01-18 | At&T Corp. | Telecommunications apparatus for initiating calls based on past calling patterns |
| US6782087B1 (en) | 1997-09-19 | 2004-08-24 | Mci Communications Corporation | Desktop telephony application program for a call center agent |
| US6192121B1 (en) | 1997-09-19 | 2001-02-20 | Mci Communications Corporation | Telephony server application program interface API |
| US6084954A (en) * | 1997-09-30 | 2000-07-04 | Lucent Technologies Inc. | System and method for correlating incoming and outgoing telephone calls using predictive logic |
| US6490350B2 (en) | 1997-09-30 | 2002-12-03 | Mci Communications Corporation | Monitoring system for telephony resources in a call center |
| US6954529B2 (en) * | 1997-10-17 | 2005-10-11 | Debra Ann Marie Gill | Recordal of call results in a predictive dialing application |
| GB2347583B (en) * | 1997-12-19 | 2003-03-12 | Blake Rice | Automated right-party contact telephone system |
| JPH11239220A (ja) * | 1998-02-24 | 1999-08-31 | Fujitsu Ltd | 交換機 |
| US6137862A (en) * | 1998-03-16 | 2000-10-24 | Mci Communications Corporation | Failover mechanism for computer/telephony integration monitoring server |
| US6665271B1 (en) * | 1998-03-17 | 2003-12-16 | Transnexus, Llc | System for real-time prediction of quality for internet-based multimedia communications |
| DE19923622A1 (de) * | 1998-08-31 | 2000-03-02 | Ralf Steiner | Neuronales Netz zum rechnergestützten Wissenmanagement |
| US7110526B1 (en) | 1998-10-14 | 2006-09-19 | Rockwell Electronic Commerce Technologies, Llc | Neural network for controlling calls in a telephone switch |
| CA2256119C (en) | 1998-12-16 | 2002-02-12 | Ibm Canada Limited-Ibm Canada Limitee | Time slot based call pacing method and apparatus |
| DE10081401D2 (de) * | 1999-05-24 | 2002-12-05 | Ipcentury Ag | Neuronales Netz zum Computergestützten Wissensmanagement |
| US7444407B2 (en) | 2000-06-29 | 2008-10-28 | Transnexus, Inc. | Intelligent end user devices for clearinghouse services in an internet telephony system |
| US7203956B2 (en) | 1999-12-22 | 2007-04-10 | Transnexus, Inc. | System and method for the secure enrollment of devices with a clearinghouse server for internet telephony and multimedia communications |
| US6556671B1 (en) * | 2000-05-31 | 2003-04-29 | Genesys Telecommunications Laboratories, Inc. | Fuzzy-logic routing system for call routing with-in communication centers and in other telephony environments |
| AU2001291007A1 (en) | 2000-09-11 | 2002-03-26 | Transnexus, Inc. | Clearinghouse server for internet telephony and multimedia communications |
| US6754236B1 (en) * | 2000-10-03 | 2004-06-22 | Concerto Software, Inc. | System and method for dialing in a telephony system using a common channel signaling protocol in which the use of bearer channels is maximized |
| US20020082912A1 (en) * | 2000-12-22 | 2002-06-27 | Leon Batachia | Transactions between vendors and customers using push/pull model |
| US7047227B2 (en) * | 2000-12-22 | 2006-05-16 | Voxage, Ltd. | Interface between vendors and customers that uses intelligent agents |
| US7525956B2 (en) | 2001-01-11 | 2009-04-28 | Transnexus, Inc. | Architectures for clearing and settlement services between internet telephony clearinghouses |
| US20020172349A1 (en) * | 2001-05-17 | 2002-11-21 | Shea Phillip N. | Neural net-call progress tone detector |
| US6757694B2 (en) * | 2001-10-03 | 2004-06-29 | International Business Machines Corporation | System and method for logically assigning unique names to devices in a storage system |
| CA2403043A1 (en) * | 2002-09-10 | 2004-03-10 | Keith Gill | Multiline dialing apparatus with interchangeable subscriber service capability |
| CA2407991A1 (en) * | 2002-10-15 | 2004-04-15 | Keith Gill | Expandable multiline dialing apparatus |
| DE10322634A1 (de) * | 2003-05-20 | 2004-12-23 | TOS Team für Organisation und Systeme GmbH | Verfahren und Vorrichtung zur Steuerung einer Kommunikation |
| US7072460B2 (en) * | 2003-05-27 | 2006-07-04 | Vtech Telecommunications Limited | System and method for retrieving telephone numbers |
| US6929507B2 (en) * | 2003-12-30 | 2005-08-16 | Huang Liang Precision Enterprise Co., Ltd. | Coaxial connector structure |
| WO2005089147A2 (en) * | 2004-03-11 | 2005-09-29 | Transnexus, Inc. | Method and system for routing calls over a packet switched computer network |
| US8238329B2 (en) | 2005-12-13 | 2012-08-07 | Transnexus, Inc. | Method and system for securely authorizing VoIP interconnections between anonymous peers of VoIP networks |
| GB2435587B (en) * | 2004-12-13 | 2008-10-01 | Transnexus Inc | Method and system for securely authorizing VOIP interconnections between anonymous peers of VOIP networks |
| WO2007027427A2 (en) * | 2005-08-29 | 2007-03-08 | Wms Gaming Inc. | On-the-fly encryption on a gaming machine |
| US8903079B2 (en) | 2008-01-28 | 2014-12-02 | Satmap International Holdings Limited | Routing callers from a set of callers based on caller data |
| US9787841B2 (en) | 2008-01-28 | 2017-10-10 | Afiniti Europe Technologies Limited | Techniques for hybrid behavioral pairing in a contact center system |
| US9300802B1 (en) | 2008-01-28 | 2016-03-29 | Satmap International Holdings Limited | Techniques for behavioral pairing in a contact center system |
| US9712676B1 (en) | 2008-01-28 | 2017-07-18 | Afiniti Europe Technologies Limited | Techniques for benchmarking pairing strategies in a contact center system |
| US8670548B2 (en) | 2008-01-28 | 2014-03-11 | Satmap International Holdings Limited | Jumping callers held in queue for a call center routing system |
| US20090232294A1 (en) * | 2008-01-28 | 2009-09-17 | Qiaobing Xie | Skipping a caller in queue for a call routing center |
| US9692898B1 (en) | 2008-01-28 | 2017-06-27 | Afiniti Europe Technologies Limited | Techniques for benchmarking paring strategies in a contact center system |
| US9654641B1 (en) | 2008-01-28 | 2017-05-16 | Afiniti International Holdings, Ltd. | Systems and methods for routing callers to an agent in a contact center |
| US10750023B2 (en) | 2008-01-28 | 2020-08-18 | Afiniti Europe Technologies Limited | Techniques for hybrid behavioral pairing in a contact center system |
| US10708431B2 (en) | 2008-01-28 | 2020-07-07 | Afiniti Europe Technologies Limited | Techniques for hybrid behavioral pairing in a contact center system |
| US9712679B2 (en) | 2008-01-28 | 2017-07-18 | Afiniti International Holdings, Ltd. | Systems and methods for routing callers to an agent in a contact center |
| US10567586B2 (en) | 2008-11-06 | 2020-02-18 | Afiniti Europe Technologies Limited | Pooling callers for matching to agents based on pattern matching algorithms |
| US10708430B2 (en) | 2008-01-28 | 2020-07-07 | Afiniti Europe Technologies Limited | Techniques for benchmarking pairing strategies in a contact center system |
| US8824658B2 (en) | 2008-11-06 | 2014-09-02 | Satmap International Holdings Limited | Selective mapping of callers in a call center routing system |
| US8718271B2 (en) | 2008-01-28 | 2014-05-06 | Satmap International Holdings Limited | Call routing methods and systems based on multiple variable standardized scoring |
| US8781100B2 (en) | 2008-01-28 | 2014-07-15 | Satmap International Holdings Limited | Probability multiplier process for call center routing |
| US8879715B2 (en) | 2012-03-26 | 2014-11-04 | Satmap International Holdings Limited | Call mapping systems and methods using variance algorithm (VA) and/or distribution compensation |
| US9781269B2 (en) | 2008-01-28 | 2017-10-03 | Afiniti Europe Technologies Limited | Techniques for hybrid behavioral pairing in a contact center system |
| US9774740B2 (en) | 2008-01-28 | 2017-09-26 | Afiniti Europe Technologies Limited | Techniques for benchmarking pairing strategies in a contact center system |
| US20100020961A1 (en) * | 2008-07-28 | 2010-01-28 | The Resource Group International Ltd | Routing callers to agents based on time effect data |
| US8644490B2 (en) | 2008-08-29 | 2014-02-04 | Satmap International Holdings Limited | Shadow queue for callers in a performance/pattern matching based call routing system |
| US8781106B2 (en) | 2008-08-29 | 2014-07-15 | Satmap International Holdings Limited | Agent satisfaction data for call routing based on pattern matching algorithm |
| US8472611B2 (en) | 2008-11-06 | 2013-06-25 | The Resource Group International Ltd. | Balancing multiple computer models in a call center routing system |
| USRE48412E1 (en) | 2008-11-06 | 2021-01-26 | Afiniti, Ltd. | Balancing multiple computer models in a call center routing system |
| EP2364545B1 (en) * | 2008-11-06 | 2019-06-12 | Afiniti International Holdings, Ltd. | Two step routing procedure in a call center |
| US8634542B2 (en) * | 2008-12-09 | 2014-01-21 | Satmap International Holdings Limited | Separate pattern matching algorithms and computer models based on available caller data |
| US8295471B2 (en) | 2009-01-16 | 2012-10-23 | The Resource Group International | Selective mapping of callers in a call-center routing system based on individual agent settings |
| US10594870B2 (en) | 2009-01-21 | 2020-03-17 | Truaxis, Llc | System and method for matching a savings opportunity using census data |
| US10504126B2 (en) * | 2009-01-21 | 2019-12-10 | Truaxis, Llc | System and method of obtaining merchant sales information for marketing or sales teams |
| US8699694B2 (en) | 2010-08-26 | 2014-04-15 | Satmap International Holdings Limited | Precalculated caller-agent pairs for a call center routing system |
| US8724797B2 (en) | 2010-08-26 | 2014-05-13 | Satmap International Holdings Limited | Estimating agent performance in a call routing center system |
| US8750488B2 (en) | 2010-08-31 | 2014-06-10 | Satmap International Holdings Limited | Predicted call time as routing variable in a call routing center system |
| US9025757B2 (en) | 2012-03-26 | 2015-05-05 | Satmap International Holdings Limited | Call mapping systems and methods using bayesian mean regression (BMR) |
| US8792630B2 (en) | 2012-09-24 | 2014-07-29 | Satmap International Holdings Limited | Use of abstracted data in pattern matching system |
| JP6648277B2 (ja) | 2015-12-01 | 2020-02-14 | アフィニティ ヨーロッパ テクノロジーズ リミテッド | 事例分配のための技法 |
| US10142473B1 (en) | 2016-06-08 | 2018-11-27 | Afiniti Europe Technologies Limited | Techniques for benchmarking performance in a contact center system |
| US9692899B1 (en) | 2016-08-30 | 2017-06-27 | Afiniti Europe Technologies Limited | Techniques for benchmarking pairing strategies in a contact center system |
| US9723144B1 (en) | 2016-09-20 | 2017-08-01 | Noble Systems Corporation | Utilizing predictive models to improve predictive dialer pacing capabilities |
| US9888121B1 (en) | 2016-12-13 | 2018-02-06 | Afiniti Europe Technologies Limited | Techniques for behavioral pairing model evaluation in a contact center system |
| US11831808B2 (en) | 2016-12-30 | 2023-11-28 | Afiniti, Ltd. | Contact center system |
| US9955013B1 (en) | 2016-12-30 | 2018-04-24 | Afiniti Europe Technologies Limited | Techniques for L3 pairing in a contact center system |
| US10320984B2 (en) | 2016-12-30 | 2019-06-11 | Afiniti Europe Technologies Limited | Techniques for L3 pairing in a contact center system |
| US10326882B2 (en) | 2016-12-30 | 2019-06-18 | Afiniti Europe Technologies Limited | Techniques for workforce management in a contact center system |
| US10257354B2 (en) | 2016-12-30 | 2019-04-09 | Afiniti Europe Technologies Limited | Techniques for L3 pairing in a contact center system |
| US11100932B2 (en) * | 2017-02-10 | 2021-08-24 | Synaptics Incorporated | Robust start-end point detection algorithm using neural network |
| US11080600B2 (en) * | 2017-02-10 | 2021-08-03 | Synaptics Incorporated | Recurrent neural network based acoustic event classification using complement rule |
| US11087213B2 (en) * | 2017-02-10 | 2021-08-10 | Synaptics Incorporated | Binary and multi-class classification systems and methods using one spike connectionist temporal classification |
| US10762891B2 (en) * | 2017-02-10 | 2020-09-01 | Synaptics Incorporated | Binary and multi-class classification systems and methods using connectionist temporal classification |
| US10762417B2 (en) * | 2017-02-10 | 2020-09-01 | Synaptics Incorporated | Efficient connectionist temporal classification for binary classification |
| US11853884B2 (en) * | 2017-02-10 | 2023-12-26 | Synaptics Incorporated | Many or one detection classification systems and methods |
| US10135986B1 (en) | 2017-02-21 | 2018-11-20 | Afiniti International Holdings, Ltd. | Techniques for behavioral pairing model evaluation in a contact center system |
| US10762427B2 (en) * | 2017-03-01 | 2020-09-01 | Synaptics Incorporated | Connectionist temporal classification using segmented labeled sequence data |
| US10970658B2 (en) | 2017-04-05 | 2021-04-06 | Afiniti, Ltd. | Techniques for behavioral pairing in a dispatch center system |
| US9930180B1 (en) | 2017-04-28 | 2018-03-27 | Afiniti, Ltd. | Techniques for behavioral pairing in a contact center system |
| US10122860B1 (en) | 2017-07-10 | 2018-11-06 | Afiniti Europe Technologies Limited | Techniques for estimating expected performance in a task assignment system |
| US10509669B2 (en) | 2017-11-08 | 2019-12-17 | Afiniti Europe Technologies Limited | Techniques for benchmarking pairing strategies in a task assignment system |
| US10110746B1 (en) | 2017-11-08 | 2018-10-23 | Afiniti Europe Technologies Limited | Techniques for benchmarking pairing strategies in a task assignment system |
| US11399096B2 (en) | 2017-11-29 | 2022-07-26 | Afiniti, Ltd. | Techniques for data matching in a contact center system |
| US10509671B2 (en) | 2017-12-11 | 2019-12-17 | Afiniti Europe Technologies Limited | Techniques for behavioral pairing in a task assignment system |
| US10623565B2 (en) | 2018-02-09 | 2020-04-14 | Afiniti Europe Technologies Limited | Techniques for behavioral pairing in a contact center system |
| US11250359B2 (en) | 2018-05-30 | 2022-02-15 | Afiniti, Ltd. | Techniques for workforce management in a task assignment system |
| US10496438B1 (en) | 2018-09-28 | 2019-12-03 | Afiniti, Ltd. | Techniques for adapting behavioral pairing to runtime conditions in a task assignment system |
| US10867263B2 (en) | 2018-12-04 | 2020-12-15 | Afiniti, Ltd. | Techniques for behavioral pairing in a multistage task assignment system |
| US11144344B2 (en) | 2019-01-17 | 2021-10-12 | Afiniti, Ltd. | Techniques for behavioral pairing in a task assignment system |
| US10757261B1 (en) | 2019-08-12 | 2020-08-25 | Afiniti, Ltd. | Techniques for pairing contacts and agents in a contact center system |
| US11445062B2 (en) | 2019-08-26 | 2022-09-13 | Afiniti, Ltd. | Techniques for behavioral pairing in a task assignment system |
| US10757262B1 (en) | 2019-09-19 | 2020-08-25 | Afiniti, Ltd. | Techniques for decisioning behavioral pairing in a task assignment system |
| CN111325382B (zh) * | 2020-01-23 | 2022-06-28 | 北京百度网讯科技有限公司 | 停车场空闲车位预测方法、装置、电子设备及存储介质 |
| US11611659B2 (en) | 2020-02-03 | 2023-03-21 | Afiniti, Ltd. | Techniques for behavioral pairing in a task assignment system |
| WO2021158437A1 (en) | 2020-02-04 | 2021-08-12 | Afiniti, Ltd | Techniques for error handling in a task assignment system with an external pairing system |
| WO2021158793A1 (en) | 2020-02-05 | 2021-08-12 | Afiniti, Ltd. | Techniques for sharing control of assigning tasks between an external pairing system and a task assignment system with an internal pairing system |
| KR102837496B1 (ko) | 2020-02-05 | 2025-07-23 | 아피니티, 엘티디. | 외부 페어링 시스템과의 태스크 할당 시스템에서의 페어링을 위한 기술들 |
| KR102785123B1 (ko) | 2020-02-05 | 2025-03-20 | 아피니티, 엘티디. | 외부 페어링 시스템과의 태스크 할당 시스템에서의 행동 페어링을 위한 기술들 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS63104596A (ja) * | 1986-10-21 | 1988-05-10 | Canon Inc | ボタン電話装置 |
| JPH0211051A (ja) * | 1988-06-29 | 1990-01-16 | Mitsubishi Electric Corp | 学習機能付電話設備 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4858120A (en) * | 1987-03-18 | 1989-08-15 | International Telesystems Corp. | System for regulating arrivals of customers to servers |
| US4881261A (en) * | 1988-06-29 | 1989-11-14 | Rockwell International Corporation | Method for predictive pacing of calls in a calling system |
| US4933964A (en) * | 1989-07-25 | 1990-06-12 | International Telesystems Corporation | Pacing of telephone calls for call origination management systems |
-
1990
- 1990-12-11 US US07/626,670 patent/US5155763A/en not_active Expired - Fee Related
-
1991
- 1991-10-31 CA CA002054631A patent/CA2054631C/en not_active Expired - Fee Related
- 1991-11-15 EP EP19910480171 patent/EP0493292A3/en not_active Withdrawn
- 1991-12-10 JP JP3326014A patent/JP2823100B2/ja not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS63104596A (ja) * | 1986-10-21 | 1988-05-10 | Canon Inc | ボタン電話装置 |
| JPH0211051A (ja) * | 1988-06-29 | 1990-01-16 | Mitsubishi Electric Corp | 学習機能付電話設備 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP0493292A2 (en) | 1992-07-01 |
| CA2054631C (en) | 1996-07-23 |
| US5155763A (en) | 1992-10-13 |
| CA2054631A1 (en) | 1992-06-12 |
| EP0493292A3 (en) | 1993-08-18 |
| JP2823100B2 (ja) | 1998-11-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2823100B2 (ja) | 予測ダイヤル呼出しの先読み方法及びシステム | |
| EP0962088B1 (en) | Call-forwarding system using adaptive model of user behavior | |
| CA2441195C (en) | Voice response system | |
| US5444824A (en) | Enhanced neural network shell for application programs | |
| US11663598B2 (en) | Authentication question topic exclusion based on response hesitation | |
| US20050169452A1 (en) | Method and apparatus for self-evaluation and randomization for predictive models | |
| CN110969441A (zh) | 基于深度学习的反欺诈模型处理方法及装置 | |
| US20070234362A1 (en) | Virtualized network | |
| EP0405876B1 (en) | Apparatus and method for computer-aided decision making | |
| CN112818100A (zh) | 一种融合题目难度的知识追踪方法及系统 | |
| CN114679341B (zh) | 结合erp系统的网络入侵攻击分析方法、设备及介质 | |
| KR102174608B1 (ko) | 기계 학습 기반의 채무불이행 예측 장치 및 방법 | |
| Martin et al. | Learning user models for an intelligent telephone assistant | |
| CN117472431A (zh) | 代码注释生成方法、装置、计算机设备、存储介质和产品 | |
| CN113688223A (zh) | 一种任务型对话管理方法和装置 | |
| Gibson | A multi-agent systems approach to microeconomic foundations of macro | |
| US11086914B2 (en) | Archiving of topmost ranked answers of a cognitive search | |
| KR102885596B1 (ko) | 대형 언어 모델을 위한 학습 데이터를 생성하는 방법 및 시스템 | |
| Hallen | Can Large Language Models Mimic Human Decision-Making Behavior? A Study of 10 Experiments with Human and Synthetic Participants on Choice Behavior | |
| Hooker | Adaptation in systems: a review essay | |
| CN120952852A (zh) | 一种营销敏感人员分析方法、装置、电子设备和储存介质 | |
| HK40039479A (en) | Identity verification method and device based on user privacy protection | |
| CN121188491A (zh) | 一种数据处理方法及相关装置 | |
| CN120892544A (zh) | 基于大语言模型的智能客服处理方法、装置及设备 | |
| KR20250057448A (ko) | 교육 플랫폼 관리 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| LAPS | Cancellation because of no payment of annual fees |