AI och maskininlärning

Det svåraste är att beskriva vad modellen faktiskt gör.

Ansökningar inom maskininlärning ligger på den skarpaste kanten av både patenterbarhet och utförbarhet. Ett patentkrav på ”ett neuralt nätverk som förutsäger X” är ett krav på ett resultat. Det som håller är ett patentkrav på arkitekturen, träningsupplägget eller den systemkonstruktion som gjorde resultatet nåbart.

Publicerade patent inom detta område: 409
Yrkesverksamma: 21

Vi arbetar med modellarkitekturer och träningsmetoder, datapipelines och infrastruktur för annotering, system för inferens och acceleratorer, datorseende, språk- och talbehandling, samt den tillämpade maskininlärningen inuti medicinska och finansiella produkter. När en tränad modell styr en anläggning, en robot eller ett fordon formuleras patentkraven på modellen här och patentkraven på dess användning inom Industriell automation, Robotik eller Autonoma fordon.

Det här området skär tvärs igenom byråns övriga tekniska grupper i stället för att ligga bredvid dem: en inferensaccelerator är ett halvledarärende, en träningsplattform är ett ärende om distribuerade system, och en diagnostisk modell är ett ärende om medicintekniska produkter. Vi bemannar det därefter.

Att formulera patentkrav på metoden, inte på resultatet

Ett patentkrav på en modell som uppnår ett utfall är ett krav på utfallet, och det kommer att mötas av invändningar både om patenterbarhet och om utförbarhet. Det som håller är arkitekturen, träningsupplägget, förlustfunktionens utformning, det databehandlingssteg som gjorde utfallet nåbart, eller den systemkonstruktion som gjorde det ekonomiskt hållbart vid inferens.

Det får en praktisk konsekvens för hur ansökningar fångas in. Det patenterbara bidraget är ofta något som forskargruppen ser som en implementationsdetalj snarare än det resultat de är stolta över, vilket innebär att det inledande samtalet måste gå bortom artikelns sammanfattning.

Utförbarhet när artefakten är en tränad modell

Skriftlig beskrivning och utförbarhet sätts på prov av uppfinningar vars beteende uppstår ur träning snarare än ur konstruktion. En patentbeskrivning som bara beskriver arkitekturen och påstår resultatet gör kanske ingenting utförbart; redogörelsen måste nå fram till träningsdatans egenskaper, hyperparametrarna och den utvärdering som gör beteendet reproducerbart – samtidigt som den förblir ett dokument som klienten är beredd att publicera.

Att väga det mot skyddet för företagshemligheter är ett strategiskt beslut, och det bör vara ett medvetet beslut snarare än en slentrian.

Belägg

Patent vi har upprättat inom detta område

Patent som byrån har drivit igenom, hämtade ur byråns egen publicerade förteckning och ur USPTO:s ombudsregister. Dokumenterat, inte påstått.

Alla patentförteckningar

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