인공지능 및 머신러닝

가장 어려운 일은 그 모델이 실제로 무엇을 하는지 기술하는 것입니다.

머신러닝 관련 출원은 특허적격성과 실시가능요건 양쪽에서 가장 날카로운 경계 위에 놓여 있습니다. “X를 예측하는 신경망”이라는 청구항은 결과에 대한 청구항입니다. 살아남는 것은 아키텍처, 학습 방식, 또는 그 결과에 도달할 수 있게 만든 시스템 엔지니어링에 대한 청구항입니다.

이 분야의 공개 특허: 409
전문가: 21

저희는 모델 아키텍처와 학습 방법, 데이터 파이프라인과 라벨링 인프라, 추론 및 가속기 시스템, 컴퓨터 비전, 자연어·음성 처리, 그리고 의료·금융 제품 안에 들어가는 응용 머신러닝을 다룹니다. 학습된 모델이 플랜트나 로봇, 차량을 제어하는 경우, 모델은 이 분야에서 청구하고 그 활용은 산업 자동화, 로보틱스 또는 자율주행차 분야에서 청구합니다.

이 분야는 로펌의 다른 기술 그룹 옆에 나란히 놓이는 것이 아니라 그들을 가로지릅니다. 추론 가속기는 반도체 사안이고, 학습 플랫폼은 분산 시스템 사안이며, 진단 모델은 의료기기 사안입니다. 인력 배치도 그에 맞추어 합니다.

결과가 아니라 방법을 청구하기

어떤 성과를 달성하는 모델에 대한 청구항은 결국 그 성과에 대한 청구항이며, 특허적격성과 실시가능요건 양쪽에서 거절을 받게 됩니다. 버텨 내는 것은 아키텍처, 학습 방식, 손실함수의 구성, 그 성과에 도달할 수 있게 만든 데이터 처리 단계, 또는 추론 시점에 그것을 감당할 만한 비용으로 만들어 준 시스템 엔지니어링입니다.

이는 출원을 어떻게 발굴하느냐에 실질적인 영향을 미칩니다. 특허를 받을 수 있는 기여는 연구팀이 자랑스러워하는 결과가 아니라 구현상의 세부사항쯤으로 여기는 부분인 경우가 많고, 그래서 초기 면담은 논문 초록을 넘어선 곳까지 들어가야 합니다.

결과물이 학습된 모델일 때의 실시가능요건

명세서 기재요건과 실시가능요건은 설계가 아니라 학습에서 동작이 창발하는 발명 앞에서 팽팽하게 당겨집니다. 아키텍처만 기술하고 결과를 주장하는 명세서는 아무것도 실시 가능하게 하지 못할 수 있습니다. 개시 내용은 학습 데이터의 특성, 하이퍼파라미터, 그리고 그 동작을 재현할 수 있게 만드는 평가 방법에까지 닿아야 합니다 — 그러면서도 의뢰인이 공개할 의사가 있는 문서로 남아 있어야 합니다.

이를 영업비밀 보호와 어떻게 균형 잡을지는 전략적 판단이며, 관행에 떠밀린 선택이 아니라 의식적으로 내려야 하는 결정입니다.

근거

이 분야에서 저희가 작성한 특허

이 로펌이 출원 절차를 수행한 특허로, 이 로펌이 공개한 목록과 미국 특허상표청(USPTO)의 기록상 대리인 색인에서 가져왔습니다. 주장이 아니라 기록입니다.

전체 특허 목록

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