定義AI-related技術是以機器學習通過IoT技術收集到的大數據，機器學習如一種深度學習演算法，用以訓練模型，可以針對已知/未知的數據產生結果。
列舉三個範例，分別是針對可實施性、可專利性，以及明確性的案例。
Case 5:可實施性、說明書支持要件
發明提出一個通過機器學習法學習化學結構與已知成分（Fluorescent Compoun）的特性形成的訓練集，預測出一些具有特定特性的新的成分(A, B)，其中成分A已經獲得驗證，但成分B沒有。
Claim 1描述的是通過模型預測出具有特定特性的新的成分，附屬項界定A與B兩個不同的成分。而這樣的發明專利被駁回，駁回理由是說明書並未敘明產生這些成分的方法，相關領域技術人員基於已知技術也無法理解，因此違反可實施性要件。也就是通過訓練得出的模型預測出的成分並非一般知識可以達成。
下圖顯示發明關於利用機器學習法學習化學結構與特性形成的訓練集，形成模型，經輸入螢光特性後，可以輸出新的成分。
核駁理由主要是以申請時該領域知識無法理解如何以訓練出的模型預測新的模型的技術，因此有部分是不符可實施性要件，然而有一項範圍是沒有遭遇核駁的，即Claim 2，主要理由是Claim 2描述的成分A有經過實驗證實，並且說明書的描述是可以據以實施Claim 2。
Case 8:專利適格性要件
一開始即說明AI相關發明中Claim 1所描述的“訓練集/training data”本身僅是資訊表示(mere presentation of information)，不滿足專利適格性要求。而Claim 2描述了產生形成訓練集的影像的方法，可以理解的是運用硬體以軟體處理資訊是具體的技術，也就滿足專利適格性要求。以下圖式中的流程圖就是Claim 2特徵。
(編按，也就是說，至少日本專利局，認為只要講清楚AI如何運作就會具備專利適格性，如以下示意圖。)
Claim 1僅屬於資訊表示，因此不具專利適格性。Claim 2描述了產生訓練集的方法，其中需要軟硬體一起完成，具有專利適格性。
列舉Claim 2：
[Claim 2] A method for generating images for training data for training a discriminator that determines the area of surgical instruments in target images when the target images are input, the method comprising
a step of obtaining radiological images including the human body and surgical instrument images indicating surgical instruments; and a step of generating images for training data corresponding to the target images by combining the surgical instrument images with the radiological images, performed by an image generation device for training data.
Case 10:明確性要件
專利請求項僅記載訓練模型，但沒有提到電腦，不清楚這個訓練集是一個程式指令，且沒有描述一個方法範圍或是產品範圍，因此不明確。
以下有專利範圍的解釋，也就是此例的Claim 1或2界定一個訓練集是不明確的。
此案例要克服明確性，請求項可以改寫："The computer incorporated in the copier comprises a CPU and a memory that stores the trained model trained by the learning device, and if the trained model is a program module, the trained model may be stored in the memory."，這解決了專利標的不明確的問題。
Ron
沒有留言:
張貼留言