承繼前一篇：機器學習方法的專利適格性有解方嗎？ - Recentive案的功課（https://enpan.blogspot.com/2025/11/recentive.html），前篇討論的是Recentive案中系爭專利US11,386,367的答辯歷史，即便案件到CAFC不被認同其具有符合專利適格性的“進步概念（inventive concept）”，但仍可以學到一些機器學習專利適格性的想法，本篇繼續討論，啟發於"https://ipwatchdog.com/2025/06/11/ai-machine-learning-patents-doomed-recentive/"一文，這裏提供這類應用機器學習方法的發明可專利性（專利適格性）筆記。
根據Recentive Analytics, Inc. v. Fox Corp. (CAFC 2025)的結果可知，僅將機器學習方法/模型應用（可說是"轉用"）在特定領域，並不足以克服不具專利適格性的101審查意見。如前篇討論到USPTO審查委員認同在專利範圍中加入“迭代訓練機器學習模型使其提升精確度”可以獲准專利，即便申請人修正時補上了在相關領域的重要特徵，但整體上仍被認為沒有“轉換”抽象概念為可專利的發明。
功課一：這裡提醒申請人/發明人，在機器學習方法普遍被認為是數學方法的情況下，要具有專利適格性，需要在專利範圍中引入「特定、非通常電腦技術的改進，以及描述如何達成」的有意義元件。
功課二：IPwatchdog文章中提出幾個撰寫專利說明書與專利範圍的建議：
(1)描述具體的先前技術問題。
(2)呈現出特定解決方案，應跳脫習知機器學習的方法，提出新的機器學習模型架構、特徵擷取的技術、改善的模型訓練方法等。
(3)描述機器如何不同於人類執行的方法，不能僅說明機器可以更快、更有效率、更準確等效果。
(4)證明結果與技術上的影響，而且是專利範圍就要反映出達到這個結果與其影響的技術手段。
功課三：如果發明本身確實是機器學習演算法，如果沒有特定用途，或是特定機器執行發明，其實，這裡提到，如果發明本質上是數學方法，將此列為營業秘密也是不錯的方式；如果，如此案例Recentive的系爭專利，其實在USPTO審查都克服了101核駁意見，也都取得專利，但卻又無法度過法院審查的考驗，因此申請人/發明人要從法院角度來看101議題。
功課四：專利說明書寫好細節，習知的問題、解決問題的手段（方法步驟、資料結構、訓練技術），與達成的技術效果，避免僅有功能性描述與效果。即便一切看來有重重障礙，至少準備好說明書才有機會面對挑戰。
Ron
沒有留言:
張貼留言