AI・機械学習

最も難しいのは、そのモデルが実際に何をしているのかを記述することだ。

機械学習の出願は、適格性と実施可能要件の双方において、最も鋭い縁の上にあります。「Xを予測するニューラルネットワーク」という請求項は、結果そのものに対する請求項です。生き残るのは、アーキテクチャ、学習の進め方、あるいはその結果を到達可能にしたシステム設計に対する請求項です。

この分野で掲載している特許: 409
プロフェッショナル: 21

当事務所は、モデルアーキテクチャと学習手法、データパイプラインとラベリングの基盤、推論システムとアクセラレータ、コンピュータビジョン、自然言語処理と音声処理、そして医療用・金融用の製品に組み込まれた応用機械学習を扱っています。学習済みモデルがプラント、ロボット、車両を制御する場合、モデルはこの分野でクレームし、その利用は産業オートメーション、ロボティクス、自動運転車の各分野でクレームします。

この分野は、当事務所の他の技術グループと並んで存在するのではなく、それらを横断しています。推論アクセラレータは半導体の案件であり、学習プラットフォームは分散システムの案件であり、診断モデルは医療機器の案件です。人員の配置もそれに合わせています。

結果ではなく、方法を権利化する

ある成果を達成するモデルに対する請求項は、その成果そのものに対する請求項であり、適格性と実施可能要件の双方について指摘を受けます。持ちこたえるのは、アーキテクチャ、学習の進め方、損失関数の設計、その成果を到達可能にしたデータ処理の工程、あるいは推論時にそれを現実的な費用に収めたシステム設計です。

このことは、出願案件をどう拾い上げるかに実際上の帰結をもたらします。特許になりうる貢献は、研究チームが誇りにしている結果ではなく、実装上の細部と見なしているものであることが少なくありません。つまり、最初の聞き取りは論文の要旨の先まで進まなければならないのです。

成果物が学習済みモデルである場合の実施可能要件

設計からではなく学習から挙動が立ち現れる発明は、明細書の記載要件と実施可能要件に負荷をかけます。アーキテクチャだけを記載して結果を主張する明細書は、何も実施可能にしていない可能性があります。開示は、学習データの性質、ハイパーパラメータ、そして挙動を再現可能にする評価にまで届かなければなりません。しかも同時に、依頼者が公開してもよいと考える文書であり続ける必要があります。

これを営業秘密としての保護との間でどう釣り合わせるかは戦略的な判断であり、成り行きに任せるのではなく、意識して選ぶべきものです。

根拠

この分野で当事務所が作成した特許

当事務所が出願手続を行った特許です。当事務所が公表している一覧と、USPTO の記録上の代理人索引に基づいています。主張ではなく、記録です。

すべての特許一覧

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