人工知能の特許:主な課題と重要な考慮事項

このブログは、特許と AI 技術に関する 2 部構成のシリーズの第 2 部です。 第 1 部、指数関数的に増加する人工知能特許出願。最近議論されたいくつかの例を含む、出願および付与された AI 特許の数の増加。

このブログでは、人工知能 (AI) の特許を取得する際の課題と、強力な AI 特許出願を起草する際に企業が考慮すべき主な考慮事項について考察します。

AI特許の課題

ほとんどのソフトウェア関連の特許と同様に、AI アプリケーションは多くの重要なハードルに直面しています。 3 つの一般的な課題を以下に概説します。

それは特許可能な主題ですか?

数学的アルゴリズムは いいえ 多くの法域で特許可能です。 コンピュータを使用して数学的アルゴリズムを実装すること自体は、アルゴリズムを特許可能な主題に変換しません。 あるレベルでは、機械学習モデルはコンピューターに組み込まれた単なる数学的アルゴリズムです。

それは新しく、自明ではありませんか?

機械学習モデル、およびその使用または適用は、新しいものである必要があり、そうでなければ、以前の研究の自明でない拡張である必要があります。

十分に説明されていますか?

方法とシステムが「任意の機械学習」を使用していると述べるだけで、それ以上の詳細がない場合、特許出願がクレームされた発明をサポートするのに十分な開示を提供するというしきい値要件を満たす可能性は低い.

強力な AI アプリケーションを作成する際の考慮事項

以下は、上記のハードルを軽減するために、より強力な AI アプリケーションを作成するための重要な考慮事項です。

現実の問題を解決する

デモンストレーション どうやって 現実世界の問題を解決する AI は、多くの法域で特許可能な主題を表す重要な要素です。

たとえば、ヨーロッパの特許実務では、特定の技術的問題を改善または解決するために AI モデルがどのように適用されるかを示す「応用 AI」が強調されています。 これは、本発明が技術的貢献を提供し、単なる数学的アルゴリズムではないことを立証するのに役立ちます。

そのために、機械学習モデルがどのように知られているかを示します。 適合しました新しいユースケース 目新しさを示すこともできます。

AI の技術的応用例には、次のようなものがあります。

  • 画像処理への AI の適用。 また
  • 医療用心拍モニタリングに AI を適用。

コンピュータ機能の改善

AIが実用的な方法で適用されていない場合でも、AIの発明は、特許可能な主題にするために他の種類の改善を提示できます。 たとえば、改善がコンピューター機能の強化に関連している場合、これは単なる数式を超えた物理的な結果を示すこともあります。 このタイプのフレーミングは、「コア AI」タイプの発明により適しています。 つまり、特定のユースケースへの適用ではなく、実際の AI モデルの発明です。

コンピューターの改善の例は次のとおりです。

  • 独自の低処理ハードウェア アプリケーションに対応するように AI モデルを適応させる。 また
  • モデルの特定のパラメーターを削減または最適化して、予測精度を維持または向上させながら、より高速なコンピューター出力を生成する (たとえば、ネットワークのサイズまたは層を縮小する、より少ないトレーニング データを使用して出力を生成するなど)。

周辺ハードウェア環境

通常、機械学習モデルは単独で適用されるのではなく、特定の環境コンテキストで適用されることがよくあります。 たとえば、モデルは、センサーからの物理データの受信とそのデータの処理を含むコンテキストで適用されます。 これは、モデルの特定のユースケースに関連しています。

特に、このハードウェア環境を説明することで、クレームされた発明に物理的な側面を加えることができ、特許可能な主題のハードルを克服するのにも役立ちます。 さらに、全体的なコンセプトに斬新さを加えることができます。

周囲のハードウェア環境の例は次のとおりです。

  • 患者に取り付けられた物理センサーから心電図やその他の生体認証データを取得し、それをリアルタイムの心拍監視 AI に供給します。 また
  • 車両に取り付けられた物理的なカメラから画像を取得し、それをリアルタイムの物体検出 AI にフィードします。

モデル出力の後処理

さらに、モデルの出力がどのように さらに処理された また、特許可能な主題と新規性のハードルに対処することもできます。 たとえば、出力を使用して現実世界に固有の物理的変化を与える場合、これは数学的アルゴリズム以上のものを示すことができ、全体的なコンセプトの斬新さに貢献することもできます。

モデル出力の後処理の例は次のとおりです。

  • 画像処理 AI の出力を使用して、車両の動きをフィードバック制御します。 また
  • 音声認識 AI の出力を使用して、たとえばホーム アシスタンス システムで、家の中の温度や照明をフィードバック制御します。

トレーニング済みモデルの説明

誘惑にもかかわらず、「任意の」機械学習モデルがアイデアを実装できることを広く説明するだけでは不十分なことがよくあります。 これが一般的に正しいとしても、アプリケーションは、多くの法域での開示要件を満たすために、少なくとも 1 つの可能な実装を説明する必要があります。 さらに、前述のように、新しいモデル アーキテクチャの開発と記述にも新規性がある場合があります。

ここでの考慮事項の例は次のとおりです。

  • モデル層の構成を記述する (例: 特定の種類の層の使用と配置)。
  • モデルが「市販の」モデルである場合、特定のユースケースまたはアプリケーションに対応するための適応について説明します。
  • モデルに必要な入力データの種類、および入力データの前処理 (データのラベル付けなど) を記述する。 および/または
  • 生成された出力データのタイプを記述します。

モデルのトレーニング方法

最後に、機械学習モデルがどのようにトレーニングされるかを説明することも、場合によっては、十分な開示要件を満たすための重要な要素になる可能性があります。 さらに、特定のユースケースに対応するためにモデルをトレーニングする方法、またはより正確にトレーニングされたモデルを生成するためにモデルをトレーニングする方法に、再び目新しさが追加される場合があります。

ここでの考慮事項の例は次のとおりです。

  • 教師あり学習の場合、使用される教師あり学習モデルのタイプおよび/またはモデルのトレーニング時期を決定する要因。
  • トレーニングデータのタイプおよび/または選択 (例: 固有のデータセットの選択);
  • より適切なトレーニング済みモデルを生成するためのトレーニング データへの特別な前処理 (データのフィルタリングやラベル付けなど)。 および/または
  • トレーニング データセット ポイントが取得される方法および/または状況。

.

Leave a Comment

Your email address will not be published. Required fields are marked *