予測的請求項分析:AIは特許出願を事前にモデル化できるのか?
特許出願は本質的に不確実です。出願時に、出願人は請求項がどのように審査されるか分からないまま、ポートフォリオ、ライセンス、クリアランス、投資の決定を下すことが多いです。
AIは今、実用的な問いを提起しています。請求項、先行技術、起訴履歴の相互作用を十分にモデル化し、オフィスアクションが届く前に請求範囲を推定できるかどうかです。
予測的請求項分析の概念は、その狭まり過程をモデル化しようとします。抽象的に許容度を予測するのではなく、初期請求項が先行技術、審査官の解釈、申請者の戦略に直面するにつれてどのように変化するかを推定することを目的としています。その結果は検察判断の代替にはなりませんが、申請者に請求範囲の可能性を早期に把握させることができます。
AIと特許の現実が出会う
チェスを指すAIは、ルールや駒、盤面が固定されているため、何百万もの将来の取締役会ポジションを評価できます。特許審査は異なります。法的枠組みは確立されますが、結果は先行技術の変更、請求項の修正、審査官の判断、出願者の戦略にかかっています。これが予測的請求項分析を困難かつ有用にしている理由です。審査においては、審査委員会自体がプレイ中に変化する可能性があるからです。
一つのフレームワークとしては、3つのAI関数を反復ループで使うものがあります。
有用な予測枠組みは、請求項が実際に何を求めているのか、先行技術は何を明らかにしているのか、そして類似の請求項は審査中にどのように修正される可能性があるのか、という三つの問いに答える必要があります。
1. 技術的枠組み:反復ループにおける3つのAIモデル
そのフレームワークは、3つの異なるAI機能が反復的に動作することに依存します。
モデル1:NLP解析と先行技術の検索
このプロセスは、初期の独立した請求項の自然言語処理から始まるかもしれません。NLPモデルは、入力、操作、出力、機能関係、そしてどこの節(wherein clauses)を含む請求項の制限を特定し分類し、請求項を法的テキストのブロックとしてではなく、構造化された技術的成果物として検索・マッピングできるようにします。
多くのソフトウェアやプロセス関連の発明において、請求項要素をこれらのカテゴリーに整理することで、解析の構造化や先行技術との制限マッピングの促進に役立ちます。
構造化された請求項データは特許データベースの照会に用いられます。データベースは技術分野、分類、審査傾向ごとにインデックス化され、USPTOが検索にどのように取り組むかを概算できます。その結果、関連する可能性のある先行技術の初期参照ができます。
モデル2:先行技術の要約と索引付け
2つ目のAIモデルは、取得した参考文献を分析し、その開示の構造化された要約を生成します。
各参照を単一の文書として扱うのではなく、開示を以下のようなカテゴリーに分類できます。
- 要約と要約
- 図の説明
- 例と具体例
- 代替実装
- 技術的利点と結果
これらの構造化された出力は階層的な先行技術索引にまとめられ、個々の請求項の制限を文書全体ではなく特定の開示と比較できるようになった。
モデル3:起訴シミュレーションと請求修正
第三のモデルは、過去の起訴データ、例えば事務所の行動、修正、現行検査官統計、特定の技術センターや芸術ユニットに関連する手当率などを学習できます。
モデルは、キーワード分析と意味分析の両方を用いて解析された請求項と先行技術インデックスを比較します。各請求項の制限について、類似した入力、操作、出力、または技術的関係が先行技術に現れているかどうかを評価します。
その比較に基づき、モデルは次のような修正を提案できます:
- 明確化文言は、最も広範な合理解釈(BRI)基準に基づく既存技術と区別することを意図していました。
- 開示された実例、例、またはその他の仕様サポートから得られた狭め制限をサポートしました。
- 異なる技術的区別を強調しつつ、仕様書に支持される代替請求項の定式化。
修正された請求項は、先行技術検索プロセスにフィードバックされる可能性があります。各反復では、修正された請求項が特定された先行技術から意味のある分離を果たすか、単に脆弱性を別の制限に移すだけかを検証します。
このループは、追加の修正が既存技術との意味のある差別を生み出さなくなるまで続くかもしれません。その時点で、出力は単一の予測というよりも、請求範囲、先行技術リスク、利用可能な仕様支持に結びついた複数の妥当な起訴エンドポイントの集合となります。
モデルはまた、特定の技術センター、芸術部門、その他の試験トレンドに関連する過去の検察パターンを取り入れ、分析を洗練させることも可能です。
- AIを用いた起訴モデリングの2つの戦略的応用
A. 事前申請ポートフォリオ管理
予測的請求分析の潜在的な用途の一つは、ポートフォリオ管理の事前提出です。これは、提案された請求セットが審査後に商業的に意味のある範囲を保持できるかどうかを評価することです。
審査中に請求項がどのように進化するかを見積もることで、申請者は起草作業のどこに投資するか、発明をどの程度広く主張するか、そして期待される請求範囲が出願戦略を正当化するかどうかについて、より良い事前出願判断ができるようになります。
- 申請前に請求項の文言を洗練させ、予見可能な特許性の問題に対処してください
- 追加の仕様支援、フォールバックポジション、または代替実装が必要となる箇所を特定する
- 予測される請求範囲が申請の商業目的を支持しているかどうかを評価する
- より強制力があり、ビジネスに関連する保護を生み出す可能性のある申請を優先してください
目的は起訴戦略を機械化することではありません。申請者に対して、提案された請求セットが商業的に重要な保護に成熟するかどうかについて、より早期かつ規律ある視点を提供することです。
B. 自由度とクリアランス分析
もう一つの潜在的な出願は、出願中の特許出願に関するものです。公開された特許出願は、企業が自由自営業(FTO)分析を通じて製品やサービスを評価する際に、将来の重大な知的財産リスクを示す可能性があります。
従来のFTO分析は、出願中に大きく変化する可能性のある公表された請求項を評価することが多いです。予測モデルは、先行技術や過去の審査パターンに基づいて、出願中の請求項が審査中にどのように縮小されるかを推定し、企業が潜在的な侵害曝露を評価し、自社製品に影響を与える可能性が高い特許出願の監視を優先できるようにします。
このような予測は法的分析や請求の解釈に代わるものではありません。しかし、保留中の申請の評価、競争状況の評価、設計戦略の策定において追加のデータポイントを提供する可能性があります。
- 実用的な影響
概念的枠組みとしてであっても、予測的請求項分析は長年の特許出願原則をいくつか強化します。
A. 請求構造の重要性
多くのソフトウェアやプロセスベースの発明において、請求項を入力、操作、出力、機能的関係に分解することで、先行技術のマッピングを改善し、制限がどのように相互作用するかを明確にすることができます。
構造化された請求は、起訴時に分析、検索、防御が容易なことが多いです。
B. 仕様の深さが戦略的柔軟性を生み出します
サポート付き狭め制限を導入できるかどうかは、申請時に開示される内容に完全に依存します。
複数の実例、代替案、例、フォールバックポジションを含む詳細な仕様は、先行技術への対応において大幅に柔軟性を提供します。
その意味で、予測的請求項分析はよくある教訓を強化します。強力な特許はしばしば起草段階で勝ち取られたり失われたりします。
C. 歴史的試験データの重要性
起訴結果は技術分野や審査グループによって異なる場合があります。したがって、過去の起訴データは特定の請求タイプがどのように扱われるかについて有用な洞察を提供する可能性があります。
すべての調査官の決定や起訴戦略をモデルがすべてカバーすることはできませんが、これらの歴史的パターンを取り入れることで、あらゆる予測フレームワークの有用性を高める可能性があります。
結論
予測的請求項分析は依然として概念的な枠組みであり、標準的な特許実務ツールではありません。それでも、これはデータやAIを活用して、請求項が審査中にどのように進化するかを理解する方向への広範なシフトを反映しています。
どのモデルも、審査官の裁量、出願戦略、面接、控訴、継続実務、新たに発見された先行技術など、特許審査のすべての変数を捉えることはできません。それでも、分析主導のアプローチは、特許ライフサイクルの早期段階で出願戦略、仕様支援、ポートフォリオ価値、競争特許活動を評価するのに役立つ可能性があります。
特許リスク、投資判断、イノベーション戦略を管理する企業にとって、請求の結果を完璧に推定する能力がなくても、従来の特許助言の有意義な補完となり得ます。
