Генетические алгоритмы уже давно используются в искусственном интеллекте и оптимизации. Это алгоритм, который имитирует эволюцию природы таким образом, что генерирует несколько ответов кандидатов одновременно, а затем постепенно дает лучшие ответы, повторяя рекомбинации и преобразования вокруг высокопроизводительных кандидатов.
В прошлом он использовался в основном для научных исследований и экспериментальных систем, но в последние годы он быстро стал применяться для решения реальных промышленных проблем. В результате технологии, использующие генетические алгоритмы, применяются и регистрируются в качестве патентов, а генетические алгоритмы теперь управляются в качестве основных технологических активов для компаний, выходящих за рамки простых теоретических методов.
Самым большим преимуществом генетических алгоритмов является то, что они могут эффективно решать очень большие проблемы в поисковом пространстве. С ростом числа, таких как планирование рабочей силы, планирование производственных процессов и оптимизация логистических маршрутов, трудно найти оптимальное решение традиционным способом. Поскольку генетические алгоритмы могут исследовать несколько возможностей одновременно, они служат практическим решением этих проблем.
Однако при применении к реальной промышленной площадке ограничения также очевидны. Из-за случайных вариаций и рекомбинации, поиски, как правило, повторяются только вокруг относительно хорошего решения на ранней стадии. Это может привести к ранним проблемам конвергенции, когда навигация останавливается рано, несмотря на наличие лучших решений, и является одним из наиболее заметных недостатков применения генетических алгоритмов в промышленной области.
Предложен подход к устранению этих ограничений для объединения детерминированной логики с генетическими алгоритмами. Патент KR 2022-0066982 является конкретной реализацией этой идеи, принимая структуру, которая устанавливает критерии отбора для целей проблемы, прежде чем запустить генетический алгоритм сразу.
В этом патенте мы отмечаем, что в зависимости от цели проблемы требуются различные критерии, такие как скорость, снижение затрат и стабильность. Определите его как детерминированную логическую структуру, выберите соответствующую структуру на основе ваших целей и выберите ресурсы для использования на основе этих критериев. Затем он использует выбранные ресурсы в качестве входных данных для генетического алгоритма, давая направление к исходной точке самого поиска.
Важной концепцией в этом процессе является геном ресурса. Геном ресурса относится к комбинации ресурсов, выбранных для достижения конкретной задачи или цели, а ресурсы включают в себя все элементы, необходимые для выполнения задачи, включая людей, машины, инструменты, пространство и программное обеспечение. С точки зрения генетического алгоритма, геном ресурса соответствует одному кандидату ответа, и результаты оценки того, насколько эффективно комбинация выполнила фактическую задачу, рассчитываются как оценка стоимости. Это соответствует концепции фитнеса в общем генетическом алгоритме.
Когда вы применяете его в реальной промышленной среде, структура становится яснее. Например, при производстве продукции на заводе есть несколько машин и несколько рабочих, каждый с разной скоростью, стоимостью и стабильностью. Если ваша цель состоит в том, чтобы сократить время доставки, установите критерии для выбора ресурса, который быстрее работает, настройте геном ресурса в соответствии с этими критериями и улучшите свой график с помощью генетического алгоритма. И наоборот, если целью является снижение затрат, то этот же процесс осуществляется вокруг недорогих ресурсов. Установка отправной точки для навигации в соответствии с вашими целями является ключевой особенностью этого патента.
Вместо того, чтобы удалять случайность генетического алгоритма, эта структура направлена на то, чтобы дать поиску четкое направление. Это уменьшает потребность в широком пространстве поиска и позволяет более эффективно решать поставленные задачи. Чтобы сократить вычислительное время и потребление ресурсов, а также достичь реальных результатов, патентная стратегия защиты генетических алгоритмов в качестве основной логики службы или системы расширяется.
Генетические алгоритмы и другие технологии ИИ основаны на сложных математических и программных решениях. Для патентования важно показать решаемую техническую задачу и отличия от уровня техники. При экспертизе особое внимание может уделяться абстрактности заявленного объекта, ясности раскрытия и изобретательскому уровню.
В этой среде юридическая фирма IPLEX разработала патент на различные технологии искусственного интеллекта, такие как генетические алгоритмы, машинное обучение, обработка данных и системы автоматизации. Случай патента на генетический алгоритм, который сочетает в себе детерминированную логику, также характеризуется специфическими техническими проблемами планирования и размещения ресурсов и четкой структурой его решений.
Патент на искусственный интеллект требует глубокого понимания технологии и патентной практики. Если вы не полностью понимаете технологию, легко пропустить ядро изобретения, и, наоборот, если вам не хватает практического опыта, трудно надежно разработать ряд прав. Юридическая фирма IPLEX уравновешивает эти два элемента, чтобы помочь технологии искусственного интеллекта привести к реальным патентным правам, а не только идеям.
По мере усложнения технологий ИИ и расширения областей применения патентная стратегия должна становиться точнее. IPLEX учитывает техническую сущность решений и практику экспертизы, помогая компаниям и исследователям превращать разработки в долгосрочное конкурентное преимущество.
Материал отражает ситуацию на дату публикации. Обратитесь в IPLEX, чтобы обсудить обстоятельства вашего дела.