IA et apprentissage automatique

Le plus difficile est de décrire ce que le modèle fait réellement.

Les applications d'apprentissage automatique se situent sur l'arête la plus vive de l'éligibilité comme de la suffisance de description. Une revendication portant sur « un réseau de neurones qui prédit X » est une revendication portant sur un résultat. Ce qui survit, c'est une revendication portant sur l'architecture, sur le régime d'entraînement ou sur l'ingénierie des systèmes qui a rendu ce résultat atteignable.

Brevets publiés dans ce domaine: 409
Professionnels: 21

Nous travaillons sur les architectures de modèles et les méthodes d'entraînement, les chaînes de traitement de données et l'infrastructure d'annotation, les systèmes d'inférence et les accélérateurs matériels, la vision par ordinateur, le traitement du langage naturel et de la parole, ainsi que l'apprentissage automatique appliqué au sein de produits médicaux et financiers. Lorsqu'un modèle entraîné commande une installation industrielle, un robot ou un véhicule, le modèle est revendiqué ici, et son utilisation l'est dans les domaines Automatisation industrielle, Robotique ou Véhicules autonomes.

Ce domaine traverse les autres groupes techniques du cabinet au lieu de se tenir à côté d'eux : un accélérateur d'inférence est une affaire de semi-conducteurs, une plateforme d'entraînement une affaire de systèmes distribués, et un modèle de diagnostic une affaire de dispositifs médicaux. Nous le dotons en conséquence.

Revendiquer la méthode, pas le résultat

Une revendication portant sur un modèle qui atteint un résultat est une revendication portant sur ce résultat, et elle se heurtera à des objections d'éligibilité comme de suffisance de description. Ce qui tient, c'est l'architecture, le régime d'entraînement, la formulation de la fonction de perte, l'étape de traitement des données qui a rendu le résultat atteignable, ou l'ingénierie des systèmes qui l'a rendu abordable au moment de l'inférence.

Cela a une conséquence pratique sur la manière dont les inventions sont recueillies. La contribution brevetable est fréquemment quelque chose que l'équipe de recherche tient pour un détail de mise en œuvre plutôt que pour le résultat dont elle est fière, ce qui oblige l'entretien de collecte à aller au-delà du résumé de l'article.

La suffisance de description lorsque l'objet est un modèle entraîné

La description écrite et la suffisance de description sont mises à rude épreuve par des inventions dont le comportement émerge de l'entraînement plutôt que de la conception. Une description du brevet qui n'expose que l'architecture et affirme le résultat peut ne rien rendre réalisable ; la divulgation doit atteindre les caractéristiques des données d'entraînement, les hyperparamètres et l'évaluation qui rendent le comportement reproductible — tout en restant un document que le client accepte de publier.

Arbitrer cela au regard de la protection par le secret d'affaires est une décision stratégique, et elle doit être délibérée plutôt que subie par défaut.

Preuves

Brevets que nous avons rédigés dans ce domaine

Brevets dont le cabinet a conduit la procédure d'obtention, issus de son propre répertoire publié et de l'index des mandataires inscrits au dossier tenu par l'USPTO. Un relevé, non une affirmation.

Tous les répertoires de brevets

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