# 인공지능 특허, 보호 대상과 출원 준비의 핵심

AI 기술의 특허를 준비할 때 살펴볼 보호 대상과 출원 준비 사항을 안내합니다.

Source: https://www.iplexlaw.co.kr/forum/view/1538326

HOME / NEWS & INSIGHTS NEWS & INSIGHTS 인공지능 특허, 보호 대상과 출원 준비의 핵심 AI 기술의 특허를 준비할 때 살펴볼 보호 대상과 출원 준비 사항을 안내합니다. 인공지능 2026.09.17 게시 IPLEX 22분 읽기 인공지능 기술의 특허 출원은 새로운 모델 구조에만 한정되지 않습니다. 데이터 전처리, 학습 데이터 생성과 선별, 학습 방법, 검색과 생성의 결합, 추론 자원 관리, 분산학습, 장치 제어 등 시스템의 여러 단계에서 보호 가능성을 검토할 수 있습니다. 이미 알려진 모델이나 공개 라이브러리를 사용하더라도 별도의 기술적 개선이 있다면 그 개선을 중심으로 검토할 수 있습니다. 출원의 출발점은 기능의 이름보다 구체적인 해결수단입니다. 어떤 입력을 어떤 절차로 처리하고, 구성들이 어떻게 협력하며, 기존 방식의 한계를 어떻게 해결하는지 정리해야 합니다. 이후 선행기술과 비교하여 신규성과 진보성을 살피고, 명세서의 설명이 청구하려는 범위를 충분히 뒷받침하는지 확인합니다. 이 안내는 인공지능 모델의 학습과 추론, 파인튜닝, 임베딩, RAG의 기본 개념을 이해하는 연구자·개발자·기술책임자를 대상으로 합니다. 한국 출원을 중심으로 설명하며, 제시하는 구현 사례는 보호 포인트를 이해하기 위한 가상 사례입니다. 특정 기술의 등록 가능성은 출원 시점의 선행기술, 구체적인 구현, 청구범위에 대한 개별 검토가 필요합니다. 인공지능 특허의 기본 판단 기준 발명의 성립성과 구체적인 정보처리 한국에서 인공지능 관련 발명은 컴퓨터 관련 발명의 판단 기준과 연결하여 검토합니다. 수학적 원리나 추상적인 아이디어를 제시하는 수준을 넘어, 소프트웨어에 의한 정보처리가 하드웨어를 이용해 구체적으로 실현되는지 살펴야 합니다. 단순히 청구항에 컴퓨터나 서버를 추가했다는 형식만으로 충분하다고 볼 수는 없습니다. 예를 들어 ‘사용자의 취향에 맞는 콘텐츠를 추천한다’는 목적을 제시하는 것과, 입력 이력을 정해진 표현으로 변환하고 후보를 생성한 뒤 지연이나 자원 제약을 고려하여 선택하는 구체적인 처리 구조를 설명하는 것은 다릅니다. 기술적 구현을 구체화한 뒤에도 신규성과 진보성 판단은 별도로 이루어집니다. 신규성과 진보성 신규성은 출원 전에 공개된 선행기술과 대비하여 판단합니다. 특허문헌뿐 아니라 논문, 학회 발표, 기술문서, 공개 코드, 제품 공개 자료도 관련될 수 있습니다. 기업 내부에서 처음 구현한 기술인지와 특허법상 새로운 기술인지는 구분해야 합니다. 진보성 검토에서는 선행기술과의 차이를 통상의 기술자가 쉽게 도출할 수 있는지 살핍니다. 공지 모델을 선택하거나, 알려진 모듈을 부가하거나, 기존 업무를 AI로 자동화한 정도라면 충분한 차별성을 인정받기 어려울 수 있습니다. 구성의 결합 관계, 해결한 기술적 어려움, 해당 차이로 발생하는 효과를 함께 설명해야 합니다. 효과가 좋다는 사실만으로 진보성이 자동으로 인정되지는 않습니다. 더 많은 데이터나 연산량을 투입한 결과인지, 주장하는 구성의 차이에서 발생한 결과인지 확인해야 합니다. 반대로 성능 향상이 정확도 하나로 나타나야 하는 것도 아닙니다. 응답 지연, 메모리 점유, 통신량, 오류 복구, 장치의 제어 안정성도 발명의 문제와 관련된다면 검토 자료가 될 수 있습니다. 실시가능성과 청구범위의 뒷받침 명세서는 해당 기술분야의 통상의 기술자가 발명을 실시할 수 있는 수준으로 작성되어야 합니다. 입력과 출력, 데이터의 특성, 전처리, 모델 또는 학습 방법, 추론 과정 중 발명의 구현에 필요한 내용이 드러나야 합니다. 청구항은 발명의 설명에 의해 뒷받침되고 명확하게 이해될 수 있어야 합니다. 모든 출원에서 소스코드 전체와 학습 가중치 전체를 일률적으로 공개해야 한다는 의미는 아닙니다. 다만 발명의 핵심을 구현하는 데 필요한 사항을 생략하면 문제가 될 수 있습니다. 공지 기술을 사용하는 부분과 독자적인 개선 부분을 구분하여 설명의 깊이를 정하는 것이 중요합니다. 보호를 검토할 수 있는 기술 유형 1 데이터 수집과 시간 정합 센서의 수집 주기나 통신 지연이 다르면 서로 다른 시점의 정보가 하나의 입력으로 결합될 수 있습니다. 회전 설비의 진동과 전류를 함께 분석하는 경우, 작업 상태가 변하는 기준 사건을 검출하여 시간축을 정렬하고 불확실한 구간에 마스크를 부여하는 방법을 생각할 수 있습니다. 검토할 구성은 기준 사건의 검출, 시간차 추정, 보정 신뢰도 산정, 마스크의 생성과 후속 모델 활용입니다. 입력 데이터를 단순히 정렬했다는 설명보다 어떤 조건에서 어떤 기준을 적용하는지 밝혀야 합니다. 기존 보간이나 동기화 방법과의 차이, 센서 누락과 작업 전환 상황에서의 효과를 확인하면 좋습니다. 출원 준비 자료에는 원시 신호의 종류, 샘플링 주기, 지연의 범위, 정합 실패 시 처리, 학습 단계와 추론 단계에서 동일하게 적용되는 부분을 포함할 수 있습니다. 데이터 전처리가 핵심인 발명이라면 원시 데이터가 학습 또는 추론 입력으로 바뀌는 관계를 구체화해야 합니다. 2 영상 전처리와 관심 영역 선택 작은 결함을 검출하는 시스템에서는 해상도와 처리 속도의 균형이 문제가 됩니다. 영상의 질감 변화와 촬영 조건을 이용해 후보 영역을 선정하고, 선정된 영역만 높은 해상도로 재분석하며, 전역 특징과 국소 특징을 결합하는 방법을 검토할 수 있습니다. 관심 영역을 사용한다는 일반적인 발상보다 후보 선정 기준, 영역 확장과 중복 제거, 두 종류의 특징을 결합하는 관계가 중요합니다. 동일한 검출 성능을 유지하면서 처리량을 줄이는지, 특정 크기의 결함을 놓치는 비율이 달라지는지 비교할 수 있습니다. 입력 영상의 해상도나 장치 조건을 달리한 결과를 혼합하지 않도록 해야 합니다. 3 학습 표본 선택과 라벨링 제어 불확실한 데이터를 선택하여 라벨링하는 능동학습에서도 구체적인 선택 및 갱신 방법이 검토 대상입니다. 예측 불확실성과 제품군별 희귀도, 기존 표본과의 중복도, 센서 상태를 함께 평가하여 표본을 선택하고, 결과에 따라 다음 주기의 표본 예산을 조정하는 구조를 예로 들 수 있습니다. 발명자가 정리할 사항은 선택 점수의 계산, 후보 제외 조건, 표본 예산의 배분, 선택 결과를 학습에 반영하는 순서입니다. 같은 라벨링 예산에서의 성능이나 중복 선택 감소를 살펴볼 수 있습니다. 능동학습이라는 용어 자체보다 알려진 표본 선택 방법과 구분되는 관계를 찾아야 합니다. 4 합성 데이터의 생성과 검증 생성형 모델로 부족한 데이터를 보충할 때에는 생성 결과의 적합성을 검증하는 방법도 중요합니다. 공정 조건과 재질 정보를 생성 조건으로 제공하고, 생성된 결함의 형상과 위치를 물리적으로 가능한 범위와 대조하여 통과한 데이터만 학습에 사용하는 구조를 가정할 수 있습니다. 보호 후보는 생성 이미지 자체의 외형에 머물지 않습니다. 생성 조건을 만드는 과정, 검증 규칙, 부적합 데이터의 제거 또는 재생성, 실데이터와의 혼합 절차를 검토할 수 있습니다. 실제 시험 데이터에서 검증 절차의 유무에 따른 차이가 나타나는지 확인하면 각 단계의 필요성을 설명하기 쉽습니다. 5 멀티모달 특징 결합과 모델 구조 영상, 음향, 진동처럼 서로 다른 입력을 결합할 때 각 입력의 품질은 일정하지 않을 수 있습니다. 입력 품질을 평가하는 별도 경로를 두고 그 결과에 따라 특징의 가중치 또는 처리 경로를 선택하는 구조를 생각할 수 있습니다. 센서가 누락된 경우에 사용하는 대체 경로도 함께 설계할 수 있습니다. 발명 설명에는 각 입력의 표현, 품질 신호의 계산, 결합 위치, 게이트의 동작, 학습 시의 연결 관계가 필요합니다. 단순 연결, 평균화, 통상적인 어텐션과 어떤 차이가 있는지 살펴야 합니다. 일부 입력이 열화되었을 때의 성능과 추가 연산 비용을 함께 비교하는 것이 적절합니다. 새로운 아키텍처라는 이름을 붙이는 것보다 구성 요소의 상호작용을 설명하는 편이 중요합니다. 동일한 역할을 수행하는 다른 모듈로 대체할 수 있는 부분과, 해결 원리를 유지하는 데 필수적인 연결을 구분하면 청구범위 검토에 도움이 됩니다. 6 손실함수와 학습 일정 학습 목표의 조절 방법도 출원 검토 대상이 될 수 있습니다. 예를 들어 최근 학습 구간의 오류 유형을 분석하여 손실 항의 가중치를 갱신하고, 특정 불안정성 지표가 나타나면 갱신 폭을 제한하는 구조입니다. 제품군이나 공정 상태에 따라 오류의 중요도가 달라지는 문제를 해결하려는 경우를 생각할 수 있습니다. 수식이 포함된다면 각 변수의 의미와 실제 학습 루프의 관계를 설명해야 합니다. 어떤 데이터에서 통계치를 구하고, 어느 주기로 갱신하며, 학습이 종료될 때까지 어떻게 적용되는지 밝혀야 합니다. 알려진 손실함수의 단순 선택이나 통상적인 파라미터 조정에 해당하는지도 비교해야 합니다. 7 파인튜닝과 어댑터 운영 공개 기반 모델을 파인튜닝한 경우에도 추가적인 발명이 있을 수 있습니다. 다만 특정 모델에 LoRA 등을 적용했다는 사실만으로 차별성이 충분하다고 보기 어렵습니다. 업무별 어댑터의 선택, 공유, 로딩, 전환과 관련한 독자적인 구성을 살펴야 합니다. 예를 들어 입력 작업을 분류하여 필요한 어댑터만 메모리에 올리고, 공유 부분을 재사용하며, 어댑터 전환에 따라 캐시의 유효성을 검사하는 방법을 검토할 수 있습니다. 어댑터를 학습하는 방법과 운영 중 어댑터를 선택하는 방법은 기술적 특징과 실행 주체가 다를 수 있으므로 나누어 정리하는 편이 좋습니다. 8 지식 증류와 모델 압축 대형 모델의 전체 출력을 소형 모델에 전달하는 대신 과제와 관련된 특징 영역을 선택하고, 소형 모델이 취약한 단계에 맞추어 참조할 교사 층을 바꾸는 방법을 가정할 수 있습니다. 특징을 선택하는 기준과 교사·학생 모델 사이의 대응, 손실 항의 결합이 검토 대상입니다. 압축 효과를 설명할 때에는 모델 파일 크기만 제시하기보다 동일한 장치에서의 지연, 메모리 사용, 과제별 성능 손실을 함께 확인하면 좋습니다. 압축률을 높이는 과정에서 어느 오류가 증가했으며 그 오류를 어떤 구성으로 완화했는지 설명하는 자료가 유용합니다. 9 RAG의 문서 분할과 검색 구조 기업 문서 검색에서는 문서가 나뉘는 방식 때문에 본문과 예외 조건이 분리될 수 있습니다. 제목 계층과 참조 식별자, 제품의 적용 정보를 활용하여 관련 구간을 연결하고, 질문 유형에 맞는 구간 묶음을 검색하는 구조를 예로 들 수 있습니다. 발명 포인트는 RAG를 도입했다는 사실보다 청크의 경계를 정하는 기준, 연결 관계의 저장, 검색 시 확장 규칙, 불필요한 문맥을 제외하는 조건입니다. 고정 길이 청킹이나 알려진 계층형 검색과의 차이를 확인해야 합니다. 평가에서는 근거 회수율과 문맥 길이, 응답 지연 등 실제 문제에 대응하는 지표를 선택할 수 있습니다. 10 생성 답변의 근거 검증과 재검색 유사도가 높은 문서가 항상 유효한 근거인 것은 아닙니다. 제품 버전과 적용 시점이 다른 문서를 걸러내고, 생성된 답변의 진술을 근거 구간과 대응시킨 뒤, 대응되지 않는 부분에 대해 추가 검색하거나 출력을 보류하는 절차를 생각할 수 있습니다. 검토할 사항은 적용 조건의 추출, 문서 유효성 판단, 진술 단위의 분리, 대응 기준, 재검색의 범위와 종료 조건입니다. ‘정확한 답변을 제공한다’거나 ‘환각을 제거한다’는 목표만으로는 부족합니다. 검증에 드는 비용과 불필요한 출력 보류를 어떻게 제어하는지도 기술적 설명에 포함할 수 있습니다. 11 프롬프트의 자동 구성과 출력 형식 제어 특정 지시문이나 문장 표현 자체를 넓게 독점하려는 접근과, 프롬프트를 구성하는 컴퓨터 처리 기술은 구분해야 합니다. 입력의 오류 유형을 분류하고, 유형별 도구 명세와 예시를 선택하며, 토큰 예산에 맞추어 배치한 뒤, 출력 구조의 검사 결과를 다음 입력 생성에 반영하는 방법을 가정할 수 있습니다. 발명 설명에서는 입력 분석과 예시 선택의 관계, 문맥의 우선순위, 형식 위반 판단, 재시도 시 변경되는 요소를 구체화합니다. 단순한 프롬프트 문구의 변경인지, 알려진 프롬프트 기법의 통상적인 결합인지 검토해야 합니다. 제품의 목적과 기술적 구성의 차이를 분명히 하는 것이 중요합니다. 12 AI 에이전트의 실행 상태와 복구 에이전트가 외부 도구를 호출하는 환경에서는 재시도로 인한 중복 실행이나 부분 실패 후의 상태 불일치가 문제가 될 수 있습니다. 도구 호출에 실행 식별자와 상태 정보를 연결하고, 응답이 끊겼을 때 완료 여부를 확인하여 재실행 범위를 결정하며, 충돌 시 정해진 상태로 복귀하는 구조를 검토할 수 있습니다. 이 영역에서는 기존 분산 처리와 트랜잭션 기술의 선행기술을 함께 살펴야 합니다. LLM을 연결했다는 사실만으로 기존 복구 기술이 새로운 발명이 되지는 않습니다. 계획 생성, 도구 실행, 상태 확인이 특정 문제를 해결하기 위해 어떤 독자적인 관계로 결합하는지 확인해야 합니다. 13 양자화와 선택적 재계산 정밀도를 낮추는 과정에서 특정 층이나 입력의 오류가 커진다면, 층별 민감도와 장치의 연산 조건을 함께 반영하여 정밀도를 배정하는 기술을 생각할 수 있습니다. 추론 중 일정한 오류 신호가 감지되면 일부 구간만 높은 정밀도로 다시 계산하는 방식도 예시가 됩니다. 차별점을 검토하려면 민감도의 산정, 정밀도 배정, 전환 조건, 재계산 범위를 밝혀야 합니다. 알려진 혼합 정밀도 기법과의 차이를 확인하고, 정밀도 전환에 드는 비용까지 측정하는 편이 좋습니다. 단순히 사용 비트 수가 다르다는 이유만으로 충분한 기술적 차이라고 단정하지 않습니다. 14 문맥 캐시와 메모리 관리 같은 문맥을 반복 사용하는 서비스에서는 캐시가 처리 비용에 영향을 줍니다. 문서가 변경되었을 때 이전 문맥 표현이 남는 문제를 해결하기 위해 문맥 조각의 버전과 의존 관계를 저장하고, 영향받는 캐시만 무효화하는 방법을 설계할 수 있습니다. 발명자가 설명할 부분은 의존 관계의 정의, 변경의 검출, 무효화 범위, 재계산 순서, 모델 또는 어댑터가 바뀌었을 때의 처리입니다. 캐시를 사용한다는 일반적인 구성과 구분되는 방식이 있어야 합니다. 메모리 사용량과 지연뿐 아니라 잘못된 재사용의 감소도 검토할 수 있습니다. 15 온디바이스와 서버의 추론 분할 단말의 열 상태, 배터리, 통신 지연을 반영하여 추론의 실행 위치를 바꾸는 기술도 검토 대상입니다. 후보 분할점별 연산량과 전송량을 산정하고 현재 조건에 맞는 분할을 선택하며, 통신 장애 시 단말 내부의 대체 경로를 실행하는 구조를 예로 들 수 있습니다. 추론 분할 자체와 일반적인 자원 최적화는 알려진 기술일 수 있습니다. 특정 모델의 중간 표현, 장치의 메모리 구조, 전환 시의 상태 유지 문제를 어떻게 해결하는지 살펴야 합니다. 전환 직후의 지연과 네트워크 복구 시의 처리까지 포함하면 실제 구현을 설명하는 데 도움이 됩니다. 16 로봇의 인식과 제어 카메라와 촉각 센서로 미끄러짐을 예측하고 물체의 손상 한계를 고려하여 파지력을 조절하는 로봇을 가정할 수 있습니다. 센서 특징의 결합, 예측 신뢰도, 허용 힘의 산정, 제어량 갱신이 검토 대상입니다. 예측 점수와 실제 동작 사이의 관계를 구체화해야 합니다. 강화학습을 사용하는 경우에는 에이전트, 환경, 상태, 행동, 보상의 상호관계를 발명의 특징에 맞추어 설명합니다. 실제 장치에서 허용할 동작 범위와 학습 과정의 탐색 범위가 어떻게 연결되는지, 불확실할 때 어떤 경로를 선택하는지도 정리해야 합니다. 17 공정 품질 예측과 폐루프 제어 공정 상태를 예측하는 기술과 그 결과로 생산 조건을 조절하는 기술은 각각의 특징을 가질 수 있습니다. 제어 입력의 효과가 지연되어 나타나는 공정에서는 과거 제어 이력과 지연을 상태 표현에 포함하고, 예측의 불확실성에 따라 변경 폭을 제한하는 구조를 생각할 수 있습니다. 모델의 출력, 제어 명령, 장치의 반응, 다음 입력이 어떻게 연결되는지 설명해야 합니다. 단순한 예측 결과 표시와 달리 실제 제어의 안정성을 해결한 방식이 있는지 검토합니다. 품질 변동, 제어량의 진동, 이상 상황의 복구 시간처럼 기술적 문제와 가까운 지표가 도움이 됩니다. 18 의료 영상 분석과 진단 보조 의료 영상 분야에서는 촬영 조건 보정, 관심 영역 분할, 이종 영상의 정합, 불확실성 표시 등 여러 구성을 검토할 수 있습니다. 예를 들어 촬영 조건에 따라 보정 모델을 선택하고, 분석 결과와 신뢰도를 함께 제공하는 정보처리 장치가 후보가 될 수 있습니다. 한국에서는 사람을 대상으로 하는 수술·치료·진단 방법의 산업상 이용가능성을 별도로 검토해야 합니다. 장치 또는 정보처리 기술과 의료행위에 관한 방법을 실제 청구내용에 따라 구분해야 하며, 명칭만 장치로 바꾼다고 판단이 자동으로 달라지는 것은 아닙니다. 특허 등록 가능성과 의료기기 인허가·임상적 유효성은 별개의 검토사항입니다. 19 연합학습과 분산 업데이트 기관별 데이터 분포와 통신 상태가 다른 환경에서 업데이트를 집계하는 방법도 검토할 수 있습니다. 업데이트의 편차와 검증 신뢰도를 평가하여 집계 비중을 정하고, 통신이 불안정한 기관에는 전송할 파라미터 부분을 조정하는 구조를 예로 들 수 있습니다. 집계 기준, 업데이트의 선택과 제외, 지연된 업데이트 처리, 재전송 조건을 설명해야 합니다. 중앙 서버와 참여 기관 중 누가 각 단계를 실행하는지도 중요합니다. 원시 데이터를 공유하지 않는다는 사실만으로 개인정보 보호가 완성되는 것은 아니므로, 발명이 해결하는 정보 노출 문제와 그 수단을 구체적으로 특정해야 합니다. 20 성능 저하 감지와 재학습 배포 운영 중 성능이 나빠지는 원인은 센서 고장, 일시적인 환경 변화, 새로운 데이터 유형 등으로 나뉠 수 있습니다. 입력 통계와 센서 상태, 지연된 정답의 오류 패턴을 함께 사용하여 변화 유형을 판단하고, 유형에 따라 점검·전처리 갱신·부분 재학습을 선택하는 기술을 생각할 수 있습니다. 발명 포인트는 단순한 모니터링 화면보다 원인 판단과 대응 선택의 연결에 있습니다. 새 모델이 검증 조건을 통과했을 때만 배포하고, 운영 조건을 벗어나면 이전 모델로 복귀하는 절차도 검토할 수 있습니다. 일반적인 배포 자동화와 구별되는 AI 특유의 상태 판단이나 데이터 처리 관계가 있는지 확인해야 합니다. 보호 대상의 경계를 구분할 필요가 있는 사항 알고리즘과 수학적 원리 수학적 공식이나 추상적인 알고리즘 자체를 제시하는 것과, 이를 이용하여 구체적인 정보처리를 실현하는 발명은 구분해야 합니다. 발명의 성립성은 청구항 전체의 내용을 기준으로 검토하며, 수식이 들어 있다는 이유만으로 일괄적으로 가능 또는 불가능을 판단하지 않습니다. 수식이 실제 입력 처리와 저장, 연산, 제어에 어떻게 사용되는지 설명해야 합니다. 데이터셋과 학습 가중치 데이터를 많이 보유하고 있다는 사실이나 학습된 숫자 값이 다르다는 사실만으로 데이터 또는 가중치 파일 전체에 대한 특허 독점권이 생기지는 않습니다. 데이터의 생성·변환·선별·활용 방법이나 모델의 구체적 구조와 기능을 중심으로 검토할 수 있습니다. 학습모델을 청구대상으로 삼는 경우에는 그 대상을 특정하는 방식과 성립성·기재요건을 별도로 살펴야 합니다. 데이터에 대한 계약상 이용권, 저작권 관련 권리, 영업비밀 관리와 특허는 서로 다른 문제입니다. 특허 출원을 했다고 해서 학습 데이터나 외부 모델을 사용할 권한까지 확보되는 것은 아닙니다. 서비스 아이디어와 업무 규칙 ‘AI로 상담한다’, ‘AI로 가격을 정한다’, ‘AI로 추천한다’는 설명만으로 구체적인 기술적 차이가 특정되지는 않습니다. 입력 정보의 처리와 모델 연계, 결과 활용 구조를 살펴야 합니다. 사업 목적이 포함된 기술이라도 실제 정보처리 구성을 기준으로 검토하며, 사업 성과만으로 기술적 차별성을 대신하지 않습니다. AI가 제안한 물질과 구조 AI를 이용하여 새로운 재료, 화합물, 기계 구조를 찾았더라도 청구대상이 해당 결과물이라면 그 분야의 특허요건과 기재요건에 따라 검토합니다. 예측 결과만으로 제조 가능성이나 작용 효과가 충분히 뒷받침되는지 확인해야 합니다. AI 사용 사실은 결과물의 신규성과 진보성, 실시가능성에 대한 판단을 대체하지 않습니다. 출원 준비 과정에서 정리할 자료 기술적 문제와 기존 접근 먼저 기존 방식이 실패하는 상황을 구체적으로 정리합니다. ‘정확도가 낮다’는 표현보다 어떤 데이터와 환경에서 어떤 오류가 발생하는지 적는 편이 좋습니다. 비교 대상이 되는 논문, 공개 코드, 기존 제품의 처리 흐름을 함께 정리하면 차별점을 확인하기 쉽습니다. 다음으로 직접 변경한 구성을 표시합니다. 전처리 기준을 바꾼 것인지, 모델의 연결을 바꾼 것인지, 추론 경로를 바꾼 것인지 나누어 봅니다. 시스템 전체의 기능 설명과 각 발명 후보의 핵심 구성을 구분해야 합니다. 학습 데이터와 모델의 관계 데이터의 종류, 수집 환경, 라벨 정의, 전처리, 데이터 분리 기준을 정리합니다. 데이터의 어떤 특성이 예측하거나 제어하려는 대상과 연결되는지 설명해야 합니다. 입력을 여러 개 나열하는 것만으로 입력과 출력의 관계가 충분히 설명되는 것은 아닙니다. 모델 구조가 특징이라면 모듈 간 연결과 각 입출력, 학습 단계와 추론 단계의 차이를 표시합니다. 학습 방식이 특징이라면 손실함수, 표본 선택, 갱신 순서, 종료 조건 등을 실제 구현에 맞춰 정리합니다. 응용 관계가 핵심인 경우에는 공지 모델의 세부사항보다 입력 구성과 출력 활용을 더 자세히 설명할 필요가 있을 수 있습니다. 비교 실험과 기술적 효과 주장하는 효과를 확인할 수 있는 지표를 선택합니다. 결함 검출이라면 미검출과 오검출, RAG라면 근거의 적합성과 응답 지연, 배포 기술이라면 메모리와 통신량처럼 문제에 맞는 지표가 필요합니다. 모든 효과를 정확도 한 가지로 설명하려고 할 필요는 없습니다. 비교 조건도 함께 기록합니다. 모델 크기, 학습시간, 장치, 입력 길이, 배치 크기, 데이터 분할이 달라지면 결과의 해석이 어려워질 수 있습니다. 새로 도입한 구성을 제거하거나 대체한 결과가 있다면 각 구성의 기여를 설명하는 데 사용할 수 있습니다. 실제 측정값과 예상 효과를 명확히 구분해야 합니다. 대체 구현과 적용 범위 같은 해결 원리가 다른 모델이나 센서, 배포 환경에서도 작동하는지 살펴봅니다. 필수적인 구성과 선택적인 구현을 구분하면 불필요하게 좁은 설명을 피하는 데 도움이 됩니다. 다만 실시 가능하게 설명할 수 없는 변형을 무작정 추가한다고 권리범위가 넓어지는 것은 아닙니다. 특정 수치가 핵심이라면 선택 이유와 적용 가능한 범위도 정리합니다. 제품 하나에서 우연히 사용한 값인지, 기술적 문제를 해결하는 데 의미가 있는 조건인지 구분해야 합니다. 청구범위와 사업 구조를 함께 설계하는 이유 특허발명의 보호범위는 청구범위에 적힌 사항을 기준으로 정해집니다. 따라서 제품 소개에 있는 장점과 실제 청구한 구성이 일치하는지 확인해야 합니다. 핵심 특징을 빠뜨리거나 불필요한 단계를 과도하게 포함하면 원하는 사업적 보호와 거리가 생길 수 있습니다. 학습 서버에서만 실행되는 특징과 고객 단말의 추론에서 나타나는 특징을 구분할 필요가 있습니다. 모델을 학습하는 주체, 모델을 공급하는 주체, 서비스를 운영하는 주체가 다르면 검토할 청구대상도 달라질 수 있습니다. 방법, 장치, 시스템, 기록매체 등 적절한 형식을 기술의 실제 실행 구조와 함께 살펴야 합니다. 분산 환경에서는 핵심 단계가 여러 사업자나 여러 국가에 나뉘는지도 확인해야 합니다. 모든 단계를 하나의 청구항에 모으는 방식이 실제 권리 행사에 적합한지는 별도 문제입니다. 서버 측 처리와 단말 측 처리 중 독립적인 기술적 의미가 있는 부분을 나누어 검토할 수 있습니다. 하나의 서비스에서 여러 발명 후보가 나올 수 있지만 반드시 하나의 출원에 모두 담아야 하는 것은 아닙니다. 서로의 기술적 연관성, 발명의 단일성, 공개 일정, 제품의 발전 계획을 고려하여 묶거나 나누는 전략을 검토합니다. 단순히 출원 수를 늘리는 것보다 핵심 구조를 빠짐없이 포착하는 것이 중요합니다. 공개와 특허 출원의 일정 관리 논문 제출과 발표, 기술 블로그, 공개 저장소, 제품 시연 등은 공개 내용과 접근 가능성에 따라 특허 검토에 영향을 줄 수 있습니다. 공개 전에 발명 후보와 출원 일정을 확인하는 것이 기본적인 준비입니다. 한국의 공지예외 제도가 있더라도 적용 요건과 절차를 확인해야 하며, 해외 출원까지 동일하게 해결되는 것은 아닙니다. 이미 공개한 경우에는 자료의 원본, 공개 날짜, 공개 주체, 대상자, 접근 제한 여부를 확보합니다. 비밀유지약정이 체결된 협업인지, 누구나 볼 수 있는 공개였는지에 따라 검토해야 할 사실이 달라집니다. 공개한 기술과 아직 공개하지 않은 개선 부분도 구분할 필요가 있습니다. 특허와 영업비밀 중 어떤 방식이 적합한지는 기술의 외부 관찰 가능성, 제품에서의 중요성, 공개에 따른 영향, 독자 개발 가능성을 함께 고려하여 판단합니다. 특허 명세서에 필요한 내용을 생략하면서 넓은 권리를 기대하는 방식은 적절하지 않습니다. 인공지능 특허 출원에 관한 자주 묻는 질문 공개 모델을 사용해도 특허 출원을 검토할 수 있나요 가능합니다. 공개 모델을 사용한다는 사실만으로 검토가 배제되지는 않습니다. 입력 처리, 학습 방식, 모델 결합, 추론 운영 등에서 별도의 기술적 개선이 있는지 살펴야 합니다. 공개 모델 자체의 알려진 구조를 자신의 독점 기술처럼 청구할 수 있다는 의미는 아닙니다. 라이선스 조건과 특허 문제도 구분하여 확인해야 합니다. 파인튜닝 결과가 좋으면 특허가 되나요 좋은 결과만으로 판단하지 않습니다. 데이터 구성과 학습 절차, 어댑터 선택 등 구체적인 차이가 무엇인지 확인해야 합니다. 알려진 파인튜닝 방법을 새로운 데이터에 통상적으로 적용한 것인지, 기술적인 어려움을 해결하는 별도 구조가 있는지 비교합니다. 프롬프트도 보호할 수 있나요 문구 자체와 그 문구를 구성하고 활용하는 처리 기술을 구분해야 합니다. 입력 분석, 문맥 선택, 도구 명세 배치, 응답 검증, 재시도 제어가 구체적으로 결합한 기술이라면 검토할 수 있습니다. 특정 표현을 사용했다는 사실만으로 넓은 권리 확보를 기대하기는 어렵습니다. RAG를 구축한 것만으로 출원할 수 있나요 출원서를 제출할 수 있다는 것과 등록요건을 충족한다는 것은 다릅니다. 통상적인 RAG 구성에서 무엇을 바꿨는지 확인해야 합니다. 문서 구조를 반영한 검색, 버전 유효성 판단, 근거 검증, 조건부 재검색처럼 구체적인 차별점을 정리하는 것이 먼저입니다. 구현 코드나 학습 데이터 전체가 필요한가요 모든 발명에 대해 전체 코드와 전체 데이터의 제출이 일률적으로 요구되는 것은 아닙니다. 그러나 통상의 기술자가 실시할 수 있을 정도의 설명은 필요합니다. 데이터의 특성과 라벨, 전처리, 모델과의 관계, 처리 조건 중 무엇이 핵심인지를 기준으로 필요한 자료를 판단합니다. 아직 제품이 완성되지 않아도 출원할 수 있나요 완성품의 존재 자체가 모든 발명에서 출원의 전제는 아닙니다. 다만 구체적인 기술적 사상이 완성되어 있고 이를 실시 가능하게 설명할 수 있어야 합니다. 목표와 예상 결과만 있는 단계라면 추가적인 설계나 검증이 필요할 수 있습니다. 분야의 예측 가능성과 주장하는 효과에 따라 필요한 뒷받침도 달라집니다. 논문이나 코드가 이미 공개되었다면 어떻게 하나요 공개 내용과 날짜, 공개 주체, 국가별 출원 계획을 즉시 정리하여 검토해야 합니다. 한국에서 공지예외를 적용할 여지가 있는지, 필요한 절차를 갖출 수 있는지 확인합니다. 아직 공개되지 않은 추가 개선이 있는지도 나누어 살펴야 하며, 공개 후에도 언제든 출원하면 된다고 생각해서는 안 됩니다. AI를 개발 도구로 쓰면 발명자는 누구인가요 현행 한국 실무는 자연인을 발명자로 전제합니다. AI 도구를 사용한 사실만으로 사람의 발명자성이 인정되거나 부정되는 것은 아닙니다. 문제 정의, 구체적 해결수단의 착상, 수정과 검증 등에서 실제 창작에 기여한 사람을 확인해야 합니다. 소속이나 직급, 단순한 지시만으로 일률적으로 정하는 문제가 아닙니다. 특허를 받으면 사업을 자유롭게 할 수 있나요 자신의 발명이 등록될 수 있는지와 타인의 권리를 침해하지 않는지는 별개의 문제입니다. 기존 특허를 이용하는 개선발명이라면 자체 특허가 등록되어도 선행 권리와의 관계가 남을 수 있습니다. 제품 출시 전에는 주요 시장에서의 특허 실시 가능성 검토와 계약·라이선스 확인을 별도로 진행할 필요가 있습니다. 하나의 AI 서비스에서 여러 특허가 나올 수 있나요 가능합니다. 예를 들어 데이터 처리, 학습 기술, 검색 구조, 추론 최적화, 장치 제어에 서로 다른 개선이 있을 수 있습니다. 다만 기능별로 기계적으로 나누기보다 각 구성의 독립적인 기술적 의미와 상호 연관성을 검토해야 합니다. 후속 개선과 공개 일정까지 고려한 출원 구성이 필요합니다. 발명 검토를 시작하는 방법 출원 검토를 위해 처음부터 법률 문장으로 정리할 필요는 없습니다. 기존 방식이 실패하는 조건, 직접 바꾼 구성, 입력과 출력의 흐름, 비교 결과, 대체 구현을 기술 자료로 준비하면 됩니다. 참고한 논문과 공개 코드, 공개 예정일, 협업 참여자와 역할도 함께 정리하면 검토의 정확도를 높일 수 있습니다. 인공지능 특허의 보호 후보는 서비스의 이름보다 개발 과정의 구체적인 해결책에서 발견됩니다. 데이터의 신뢰도를 반영한 입력, 조건에 따라 바뀌는 학습, 근거를 검사하는 생성 절차, 장치의 제약에 맞춘 추론, 예측을 실제 제어로 연결하는 구조가 그 예입니다. 이러한 후보를 선행기술과 비교하고 실시 가능한 설명과 청구범위로 정리하는 과정이 출원 준비의 핵심입니다. 이 글은 표시된 게시일을 기준으로 작성된 자료입니다. 개별 사안에 대한 검토는 상담을 통해 안내합니다. 관련 업무 상담 ↗ 전체 글 보기 TALK TO IPLEX 우리 기업에 맞는 IP 전략이 필요하다면 기술과 사업의 상황에 맞춰 필요한 업무를 함께 살펴봅니다. ↗ 상담 문의 최근 글 호주 상표 출원과 등록: 절차·기간·TM Headstart ↗ 이전 글 상표 불사용 취소심판: 사례로 살펴보는 대응 ↗ 함께 읽을 인사이트 인공지능 2026.10.15 거리에서 경로로, PaTH Attention PaTH Attention의 입력 의존 Householder형 변환과 상태 추적 원리, 장문·모델 전환 실험의 효과와 한계를 분석합니다. ↗ 본문 읽기 인공지능 2026.10.14 화웨이 Pangu Weather AI 특허 쉽게 읽기: 시간 간격별 모델로 예보를 이어 가는 원리 화웨이 공개출원 US20250258318A1의 시간 간격별 모델 선택, 예측 상태 전달과 기상 데이터 결합 원리를 분석합니다. ↗ 본문 읽기 인공지능 2026.10.13 큰 묶음으로 갱신하는 AI의 기억, LaCT LaCT 논문의 큰 청크 갱신, 비선형 빠른 가중치, 윈도 어텐션 및 실험 조건과 한계를 분석합니다. ↗ 본문 읽기

- https://www.iplexlaw.co.kr/
- https://www.iplexlaw.co.kr/%EC%9D%B8%EC%82%AC%EC%9D%B4%ED%8A%B8-%EB%B0%8F-%EB%89%B4%EC%8A%A4/category/ai
- https://www.iplexlaw.co.kr/%EC%97%B0%EB%9D%BD%ED%95%98%EA%B8%B0
- https://www.iplexlaw.co.kr/%EC%9D%B8%EC%82%AC%EC%9D%B4%ED%8A%B8-%EB%B0%8F-%EB%89%B4%EC%8A%A4
- https://www.iplexlaw.co.kr/%EC%97%B0%EB%9D%BD%ED%95%98%EA%B8%B0
- https://www.iplexlaw.co.kr/forum/view/1538373
- https://www.iplexlaw.co.kr/forum/view/1538124
- https://www.iplexlaw.co.kr/ko/blog/path-attention-householder-transformations
- https://www.iplexlaw.co.kr/ko/blog/path-attention-householder-transformations
- https://www.iplexlaw.co.kr/ko/blog/huawei-pangu-weather-time-interval-models
- https://www.iplexlaw.co.kr/ko/blog/huawei-pangu-weather-time-interval-models
- https://www.iplexlaw.co.kr/ko/blog/lact-large-chunk-test-time-training
- https://www.iplexlaw.co.kr/ko/blog/lact-large-chunk-test-time-training