IA y aprendizaje automático

Lo más difícil es describir qué hace realmente el modelo.

Las solicitudes de aprendizaje automático se sitúan en el filo más afilado tanto de la elegibilidad como de la suficiencia de la descripción. Una reivindicación de «una red neuronal que predice X» es una reivindicación de un resultado. Lo que sobrevive es una reivindicación de la arquitectura, del régimen de entrenamiento o de la ingeniería de sistemas que hizo alcanzable ese resultado.

Patentes publicadas en esta área: 409
Profesionales: 21

Trabajamos en arquitecturas de modelos y métodos de entrenamiento, en infraestructura de canalización y etiquetado de datos, en sistemas de inferencia y aceleradores, en visión por computador, en procesamiento del lenguaje natural y del habla, y en el aprendizaje automático aplicado dentro de productos médicos y financieros. Cuando un modelo entrenado controla una planta, un robot o un vehículo, el modelo se reivindica aquí y su uso, en Automatización industrial, Robótica o Vehículos autónomos.

Esta área atraviesa los demás grupos técnicos del despacho en lugar de situarse junto a ellos: un acelerador de inferencia es un asunto de semiconductores, una plataforma de entrenamiento es un asunto de sistemas distribuidos y un modelo de diagnóstico es un asunto de dispositivos médicos. Formamos los equipos en consecuencia.

Reivindicar el método, no el resultado

Una reivindicación de un modelo que logra un resultado es una reivindicación del resultado, y recibirá objeciones tanto de elegibilidad como de suficiencia de la descripción. Lo que se sostiene es la arquitectura, el régimen de entrenamiento, la formulación de la función de pérdida, el paso de tratamiento de datos que hizo alcanzable el resultado o la ingeniería de sistemas que lo hizo asequible en el momento de la inferencia.

Esto tiene una consecuencia práctica para el modo en que se recogen las solicitudes. La aportación patentable es con frecuencia algo que el equipo de investigación considera un detalle de implementación y no el resultado del que se enorgullece, lo que significa que la conversación inicial tiene que ir más allá del resumen del artículo.

La suficiencia de la descripción cuando el artefacto es un modelo entrenado

La descripción escrita y la suficiencia de la descripción se ven forzadas por invenciones cuyo comportamiento emerge del entrenamiento y no del diseño. Una memoria descriptiva que describe solo la arquitectura y afirma el resultado puede no habilitar nada; la divulgación tiene que alcanzar las características de los datos de entrenamiento, los hiperparámetros y la evaluación que hace reproducible el comportamiento, sin dejar de ser un documento que el cliente esté dispuesto a publicar.

Equilibrar eso frente a la protección del secreto comercial es una decisión estratégica, y debería ser deliberada y no un valor por defecto.

Pruebas

Patentes que hemos redactado en esta área

Patentes tramitadas por el despacho, extraídas de su propio listado publicado y del índice de representantes acreditados de la USPTO. Un registro, no una afirmación.

Todos los listados de patentes

12,725,608Automatic speech recognition with multilingual scalability and low-resource adaptation
12,725,451Artificial intelligence video analysis enhanced with text generation
12,725,406Task-oriented clustering using prompt learning
12,725,076Artificial intelligence model learning introspection
12,725,075Training data generation via reinforcement learning fault-injection
12,725,036Explainable deep interpolation of missing pixels via non-contiguous interpolation neighborhoods
12,718,797Label smoothing technique for improving generalization of deep neural network acoustic models
12,718,138Quantum-enhanced features for classical machine learning