학습 모델의 명칭보다 데이터가 들어오고 처리되어 결과로 이어지는 과정을 살펴봅니다. 학습과 추론 중 어떤 단계에 독자적인 개선이 있는지, 기존 방법과 비교해 어떤 기술적 효과가 나타나는지를 구체적으로 정리합니다.
학습 데이터의 선택·정제·증강 기준과 모델 구조, 손실함수·학습 순서의 연결을 검토합니다.
LLM·RAG는 검색 대상과 순위화, 문맥 구성, 도구 호출, 응답 검증의 연결을 확인합니다.
정확도뿐 아니라 지연시간·메모리 사용·오류 감소 등 구현과 연결되는 효과를 비교 자료로 정리합니다.
자료가 모두 갖춰지지 않았더라도 현재 개발 단계와 공개 계획부터 설명해 주시면 검토의 범위를 정리할 수 있습니다.
기술 설명을 정리한 뒤 조사할 범위와 핵심 쟁점을 정하고, 출원·심사 대응·권리 분석 중 필요한 업무를 구체화합니다. 실제 업무 범위와 제공 자료는 사안별 협의에 따라 정합니다.
학습 모델의 명칭보다 데이터가 들어오고 처리되어 결과로 이어지는 과정을 살펴봅니다. 학습과 추론 중 어떤 단계에 독자적인 개선이 있는지, 기존 방법과 비교해 어떤 기술적 효과가 나타나는지를 구체적으로 정리합니다.
기술별 상세 설명 ↗02 / IN DEPTH사용자에게 보이는 기능과 내부 시스템이 처리하는 기술을 구분합니다. 데이터 수집·변환·저장·조회, 권한 제어와 서버 간 상호작용을 따라가며 서비스의 구현 차이를 찾습니다. 화면 구성은 특허 검토와 함께 디자인 보호 대상이 될 수 있는지도 살펴봅니다.
기술별 상세 설명 ↗03 / IN DEPTH의료 데이터를 처리하는 알고리즘과 실제 사용 환경을 함께 살펴봅니다. 입력 정보의 특성, 판단 과정, 결과의 표현과 사용 주체를 명확히 하여 발명의 기술적 구성을 설명합니다. 특허 검토와 임상·인허가 검토는 목적과 판단 기준이 다르므로 준비 자료를 구분합니다.
기술별 상세 설명 ↗