Патенты на ИИ: объекты охраны и подготовка заявки

Патентные заявки на технологии искусственного интеллекта не ограничиваются новыми модельными структурами. Возможность защиты может быть рассмотрена на нескольких этапах системы, включая предварительную обработку данных, подготовку генерации и отбора данных, метод обучения, комбинацию поиска и генерации, управление выводными ресурсами, распределенное обучение и управление устройством. Даже если используется уже известная модель или публичная библиотека, если есть дополнительные технические улучшения, обзор может сосредоточиться на этих улучшениях.

Работа над патентной заявкой начинается с конкретного технического решения, а не с названия функции. Необходимо описать входные данные, этапы их обработки, взаимодействие компонентов и ограничения известных методов, которые устраняет решение. Затем оцениваются новизна и изобретательский уровень относительно уровня техники, а также соответствие предполагаемого объёма формулы изобретения раскрытию в описании.

Руководство предназначено для исследователей, разработчиков и технических руководителей, знакомых с обучением и инференсом моделей ИИ, дообучением, эмбеддингами и RAG. Основное внимание уделено патентным заявкам в Корее. Примеры реализации носят гипотетический характер и поясняют возможные объекты охраны. Патентоспособность конкретной разработки оценивается индивидуально с учётом уровня техники, реализации и формулы изобретения на дату подачи.

В Корее изобретения в области ИИ оцениваются с учётом критериев экспертизы компьютерных изобретений. Помимо математического принципа или абстрактной идеи необходимо показать, как программная обработка информации конкретно реализуется с использованием аппаратных средств. Одного упоминания компьютера или сервера в формуле изобретения недостаточно.

Например, цель «рекомендовать контент с учётом предпочтений пользователя» отличается от конкретной структуры обработки, которая преобразует историю входных данных в заданное представление, формирует кандидатов и отбирает их с учётом задержек или ресурсных ограничений. Даже при раскрытой технической реализации новизна и изобретательский уровень оцениваются отдельно.

Новизна оценивается относительно уровня техники, раскрытого до подачи заявки. Помимо патентных документов значение могут иметь научные статьи, доклады на конференциях, техническая документация, открытый исходный код и сведения о продуктах. Технология, впервые реализованная в компании, не обязательно является новой с точки зрения патентного права. 

При оценке изобретательского уровня рассматривается, мог ли специалист очевидным образом получить заявленные отличия из уровня техники. Выбора известной модели, добавления известных модулей или автоматизации существующей задачи с помощью ИИ может оказаться недостаточно. Следует раскрыть сочетание признаков, решённую техническую проблему и эффекты, обусловленные именно этими отличиями.

Улучшение показателей само по себе не подтверждает изобретательский уровень. Нужно установить, связано ли оно с дополнительными данными и вычислениями или с заявленными техническими признаками. Точность — не единственный показатель: значение могут иметь задержка ответа, использование памяти, объём передаваемых данных, восстановление после ошибок и устойчивость управления устройством, если они связаны с решаемой задачей.

Описание должно позволять специалисту осуществить изобретение. Для этого раскрываются необходимые входные и выходные данные, характеристики данных, предварительная обработка, модель или способ обучения и процесс инференса. Формула изобретения должна основываться на описании и ясно определять заявляемое решение. 

Это не означает, что каждая заявка требует раскрытия всего исходного кода и всех обученных весов модели. Однако нельзя опускать сведения, необходимые для осуществления существа изобретения. Глубину раскрытия определяют с учётом того, какие элементы относятся к известным технологиям, а какие представляют собой собственные усовершенствования.

Различия в частоте опроса датчиков и задержках связи могут приводить к объединению данных, относящихся к разным моментам времени. Например, при совместном анализе вибрации и тока вращающегося оборудования можно выявлять опорные события изменения рабочего состояния, выравнивать сигналы по времени и маскировать неопределённые интервалы.

Анализируются обнаружение опорных событий, оценка временных смещений, расчёт достоверности выравнивания, формирование масок и их использование последующими моделями. Вместо общего указания на выравнивание данных следует раскрыть условия и критерии обработки. Полезно сопоставить решение с известными методами интерполяции и синхронизации, в том числе при пропусках данных датчиков и смене рабочих задач.

Для подготовки заявки могут потребоваться виды исходных сигналов, интервалы выборки, диапазоны задержек, действия при сбое выравнивания и порядок применения метода при обучении и инференсе. Если сущность изобретения заключается в предварительной обработке, важно показать, как исходные данные преобразуются во входные данные для обучения или инференса.

При обнаружении мелких дефектов необходимо учитывать соотношение разрешения изображения и скорости обработки. Возможный подход — выделять области-кандидаты по изменениям текстуры и условиям съёмки, повторно анализировать только эти области с высоким разрешением и объединять глобальные и локальные признаки.

Значение имеет не общая идея использования областей интереса, а критерии их отбора, расширения, устранения перекрытий и объединения признаков. Можно сравнивать вычислительные затраты и долю пропущенных дефектов определённого размера при сопоставимом качестве обнаружения. При сравнении необходимо учитывать различия в разрешении исходных изображений и характеристиках оборудования.

При активном обучении для разметки выбираются данные с высокой неопределённостью, однако оценке подлежат конкретные механизмы отбора и обновления. Например, система может учитывать неопределённость прогноза, редкость примера в группе продукции, сходство с имеющимися примерами и состояние датчика, а затем корректировать бюджет отбора следующего цикла.

Следует описать расчёт оценок отбора, критерии исключения кандидатов, распределение бюджета и порядок включения выбранных примеров в обучение. При одинаковом бюджете разметки можно сопоставить качество модели и сокращение повторных выборок. Патентный анализ касается отличий от известных методов отбора, а не самого названия «активное обучение».

При дополнении ограниченного набора данных с помощью генеративной модели важно проверять пригодность полученных примеров. В гипотетической системе условия процесса и сведения о материале задают условия генерации, а к обучению допускаются только примеры, в которых форма и расположение дефекта находятся в физически допустимых пределах.

Возможные объекты охраны не ограничиваются сгенерированным изображением. Ими могут быть формирование условий генерации, правила проверки, отклонение или повторная генерация непригодных примеров и их смешивание с реальными данными. Сравнение результатов на реальных тестовых данных с проверкой и без неё помогает объяснить назначение каждого этапа.

При объединении изображений, звука и вибрационных сигналов качество входных данных может различаться. Отдельный контур оценки качества может определять веса признаков или выбирать путь обработки. Для случаев отсутствия данных датчика могут предусматриваться альтернативные пути.

Следует описать представление каждого входа, расчёт показателей качества, этап объединения признаков, работу механизмов гейтирования и связи при обучении. Необходимо сопоставить решение с простой конкатенацией, усреднением и обычным механизмом внимания. Полезно оценить качество при ухудшении части входных данных и дополнительные вычислительные затраты.

Важнее раскрыть взаимодействие компонентов, чем дать архитектуре новое название. При подготовке формулы изобретения полезно отличать взаимозаменяемые модули от связей, без которых нарушается принцип работы решения.

Изменение целевой функции обучения также может быть предметом патентного анализа. Например, система анализирует ошибки на недавнем участке обучения и обновляет веса слагаемых функции потерь, ограничивая величину обновления при признаках нестабильности. Такой подход может учитывать различную значимость ошибок для разных видов продукции или состояний процесса.

Для каждой переменной в формулах необходимо пояснить её смысл и связь с реальным циклом обучения: источник статистики, периодичность обновлений и порядок их применения до завершения обучения. Решение следует сопоставить с выбором известной функции потерь и обычной настройкой параметров.

Дообучение открытой модели может включать самостоятельные изобретения. Однако одного применения LoRA к определённой модели недостаточно для подтверждения технических отличий. Следует проанализировать собственные механизмы выбора, совместного использования, загрузки и переключения адаптеров для разных задач.

Например, система может классифицировать поступающие задачи, загружать в память только необходимые адаптеры, повторно использовать общие компоненты и проверять актуальность кэша при переключении. Обучение адаптеров и их выбор во время работы следует описывать отдельно: технические признаки и участники этих процессов могут различаться.

Вместо переноса всего выхода большой модели в малую возможен отбор значимых для задачи признаков и изменение сигналов модели-учителя на этапах, где модель-ученик работает хуже. Анализируются критерии отбора признаков, соответствие между моделями и сочетание слагаемых функции потерь.

Для объяснения эффекта сжатия полезно сравнивать не только размер файла модели, но и задержки, потребление памяти и снижение качества по отдельным задачам на одном устройстве. Данные о том, какие ошибки возрастают при усилении сжатия и какие признаки решения их уменьшают, помогают раскрыть технический вклад.

При поиске по корпоративным документам разбиение на фрагменты может отделить правило от исключений. Возможная система связывает разделы по иерархии заголовков, идентификаторам ссылок и сведениям о применимости к продуктам, а затем извлекает группы разделов, соответствующие типу вопроса.

Предмет анализа — не сам факт использования RAG, а правила определения границ фрагментов, хранения связей, расширения поиска и исключения лишнего контекста. Решение сравнивают с разбиением фиксированного размера и известными методами иерархического поиска. Полнота извлечения подтверждающих материалов, длина контекста и задержка должны оцениваться применительно к практической задаче.

Сходство документа с запросом ещё не означает, что он подтверждает ответ. Возможный подход — отбирать документы по версии продукта и периоду применимости, сопоставлять утверждения в ответе с подтверждающими фрагментами, а затем искать дополнительные сведения или не выводить неподтверждённый результат.

Анализируются извлечение условий применимости, проверка актуальности документа, выделение утверждений, критерии сопоставления, область дополнительного поиска и условия его остановки. Самой цели повысить точность или устранить галлюцинации недостаточно. Нужно раскрыть затраты на проверку и механизм предотвращения необоснованного отказа от ответа.

Следует отличать попытку монополизировать определённую инструкцию или формулировку от компьютерного способа формирования промптов. Например, система классифицирует ошибки во входных данных, выбирает для каждого типа описания инструментов и примеры, размещает их в пределах токенового бюджета и по результатам проверки структуры ответа формирует следующий запрос.

Необходимо раскрыть связь анализа входных данных с выбором примеров, приоритеты контекста, проверку нарушений формата и изменения при повторном запросе. Важно установить, выходит ли решение за рамки иной формулировки или обычного сочетания известных приёмов работы с промптами. Назначение продукта и техническую реализацию следует рассматривать отдельно.

При вызове внешних инструментов повторная попытка может привести к дублированию операции, а частичный сбой — к несогласованному состоянию. Возможная архитектура связывает вызовы с идентификаторами выполнения и записями состояния, проверяет завершение после обрыва ответа и определяет, какие этапы повторить или как восстановить заданное состояние.

Такой подход следует сопоставить с известными методами распределённой обработки и управления транзакциями. Само подключение LLM не придаёт известному механизму восстановления изобретательский уровень. Нужно показать, как планирование, выполнение инструментов и проверка состояния совместно решают конкретную задачу.

Если снижение точности вычислений увеличивает ошибки в отдельных слоях или на определённых входах, распределение точности может учитывать чувствительность слоёв и условия работы устройства. Например, при обнаружении сигнала ошибки во время инференса система повторно вычисляет выбранные этапы с более высокой точностью.

Анализируются оценка чувствительности, распределение точности, условия переключения и объём повторных вычислений. Эти признаки сопоставляют с известными методами смешанной точности и оценивают затраты на преобразования. Самого изменения разрядности недостаточно для подтверждения технических отличий.

При повторном использовании одного контекста кэширование влияет на вычислительные затраты. Чтобы после изменения документа не использовать устаревшие представления, система может отслеживать версии фрагментов контекста и зависимости между ними, аннулируя только затронутые записи кэша.

Следует описать зависимости, обнаружение изменений, область инвалидации, порядок повторных вычислений и действия при смене модели или адаптера. Необходимо выявить отличия от обычного кэширования. Значимыми эффектами могут быть сокращение ошибочного повторного использования, потребления памяти и задержек.

Место выполнения инференса может выбираться с учётом температуры устройства, заряда батареи и сетевых задержек. Например, система оценивает вычислительные затраты и передачу данных для возможных точек разделения модели, выбирает подходящее разделение и при сбое связи переходит к обработке на устройстве.

Разделение инференса и общая оптимизация ресурсов могут быть известны. Поэтому следует рассмотреть промежуточные представления модели, организацию памяти устройства и сохранение состояния при переключении. Важно описать задержку непосредственно после перехода и поведение при восстановлении связи.

Гипотетический робот использует камеры и тактильные датчики для прогнозирования скольжения и корректировки силы захвата в пределах, исключающих повреждение объекта. Анализируются объединение сенсорных признаков, достоверность прогноза, расчёт допустимого усилия и обновление управления. Необходимо показать, как оценка модели влияет на физическое действие.

При обучении с подкреплением раскрываются связи между агентом, средой, состояниями, действиями и вознаграждениями в контексте изобретения. Следует объяснить, как допустимый режим работы устройства ограничивает исследование среды при обучении и как система выбирает траекторию в условиях неопределённости.

Прогнозирование состояния процесса и управление производством по результатам прогноза могут иметь самостоятельные технические особенности. Если управляющее воздействие проявляется с задержкой, система может включать историю управления и задержки в представление состояния, ограничивая величину изменений с учётом неопределённости прогноза.

Необходимо описать связи между выходом модели, управляющими командами, реакцией устройства и последующими входными данными. Анализ должен касаться устойчивости реального управления, а не только отображения прогноза. Полезны показатели колебаний качества, управляющего сигнала и времени восстановления после отклонений.

В медицинской визуализации возможны решения, связанные с коррекцией условий съёмки, выделением областей интереса, совмещением изображений разных модальностей и оценкой неопределённости. Например, устройство обработки информации может выбирать модель коррекции по условиям съёмки и выдавать результат анализа вместе с оценкой достоверности.

В Корее хирургические, терапевтические и диагностические методы, выполняемые в отношении человека, требуют отдельной оценки промышленной применимости. Устройства и технологии обработки информации следует отличать от методов медицинского воздействия по содержанию формулы изобретения: само название «устройство» не определяет результат экспертизы. Патентоспособность также рассматривается отдельно от допуска медицинского изделия и его клинической эффективности.

При объединении обновлений от разных организаций необходимо учитывать различия в распределениях данных и условиях связи. Возможная архитектура определяет веса агрегации по отклонениям обновлений и достоверности проверки, а для участников с нестабильным соединением корректирует передаваемые параметры.

Следует раскрыть критерии агрегации, отбора и исключения обновлений, обработку задержек и условия повторной передачи. Важно указать, какие этапы выполняет центральный сервер, а какие — участвующие организации. Локальное хранение исходных данных само по себе не гарантирует конфиденциальность: необходимо определить возможные утечки и конкретные меры защиты.

Качество работающей модели может снижаться из-за неисправности датчиков, временных изменений среды или новых типов данных. Система может совместно анализировать статистику входов, состояние датчиков и ошибки по поступающим с задержкой эталонным меткам, определять причину и выбирать проверку оборудования, изменение предварительной обработки или частичное повторное обучение.

Технический вклад может заключаться в связи между оценкой причины и выбором действия, выходящей за рамки информационной панели. Новую модель можно вводить в работу только после выполнения критериев проверки, а при нарушении рабочих условий возвращаться к прежней версии. Следует выделить специфичные для ИИ оценки состояния или связи обработки данных, отличающие решение от обычной автоматизации развёртывания.

Необходимо различать математические формулы или абстрактные алгоритмы и изобретения, использующие их в конкретной обработке информации. Соответствие решения понятию изобретения оценивается по формуле в целом; наличие математической формулы само по себе не определяет вывод. Следует объяснить её применение к реальным входным данным через обработку, хранение, вычисления или управление. 

Большой объём данных или отличающиеся обученные числовые значения сами по себе не обеспечивают патентную охрану всего набора данных или файла весов. Анализ может касаться создания, преобразования, отбора и использования данных либо конкретной структуры и функции модели. Для формулы, направленной на обученную модель, отдельно оцениваются определённость объекта, соответствие понятию изобретения и достаточность раскрытия. 

Договорные права на использование данных, авторские права, охрана коммерческой тайны и патентование — самостоятельные вопросы. Подача патентной заявки не предоставляет права использовать обучающие данные или внешние модели.

Формулировки «консультации с помощью ИИ», «ценообразование с ИИ» или «рекомендации ИИ» не раскрывают технических отличий. Следует рассмотреть обработку входов, взаимодействие моделей и использование результатов. Даже для решения, ориентированного на бизнес, оценивается фактическая архитектура обработки информации; коммерческие показатели не заменяют технический вклад.

Если с помощью ИИ найден новый материал, соединение или механическая конструкция и заявляется сам полученный продукт, применяются критерии патентоспособности и раскрытия соответствующей области. Нужно оценить, достаточно ли одних прогнозов для подтверждения возможности изготовления или заявленных эффектов. Использование ИИ не заменяет проверку новизны, изобретательского уровня и осуществимости. 

Зафиксируйте условия, в которых известные подходы не работают. Вместо общего указания на низкую точность опишите данные и рабочие условия, при которых возникают ошибки. Научные статьи, открытый код и процессы работы существующих продуктов помогают сформировать основу сравнения.

Затем выделите внесённые изменения: критерии предварительной обработки, связи между моделями, пути инференса и другие признаки. Общую функцию системы следует отличать от существенных признаков каждого потенциального изобретения.

Зафиксируйте типы данных, условия сбора, определения меток, предварительную обработку и критерии разделения выборок. Объясните, как характеристики данных связаны с прогнозированием или управлением. Простого перечня входов недостаточно для раскрытия связи между входом и выходом.

Если вклад заключается в архитектуре модели, опишите связи модулей, входы и выходы, различия между обучением и инференсом. Если он связан с обучением — функцию потерь, отбор примеров, порядок обновлений и критерии остановки. Когда ключевым является применение модели, подготовка входов и использование результатов могут требовать более подробного раскрытия, чем сама известная модель.

Выбирайте показатели, позволяющие проверить заявленный эффект. Для обнаружения дефектов это могут быть пропуски и ложные срабатывания, для RAG — подтверждённость ответа источниками и задержка, для распределённой обработки — потребление памяти и объём передачи данных. Одного показателя точности не всегда достаточно.

Фиксируйте условия сравнения. Различия в размере модели, длительности обучения, оборудовании, длине входа, размере пакета и разделении данных затрудняют интерпретацию. Удаление или замена нового компонента помогает выявить его вклад. Измеренные результаты следует ясно отличать от ожидаемых эффектов.

Оцените, сохраняется ли принцип решения при использовании других моделей, датчиков и сред развёртывания. Разделение обязательных признаков и вариантов реализации помогает избежать неоправданного сужения описания. Однако перечисление вариантов без достаточных сведений об их осуществлении не обосновывает более широкую охрану.

Если числовой параметр имеет ключевое значение, объясните его выбор и применимый диапазон. Отличайте значение, случайно выбранное для одного продукта, от условия, существенного для решения технической задачи.

Объём патентной охраны определяется формулой изобретения. Следует проверить, отражают ли её признаки описанные преимущества технологии. Отсутствие существенных признаков или включение лишних этапов может ослабить охрану, необходимую бизнесу. 

Следует различать признаки, используемые только на сервере обучения, и признаки, реализуемые при инференсе на устройстве клиента. Если обучение модели, её предоставление и эксплуатацию сервиса осуществляют разные лица, выбор объектов формулы может различаться. В зависимости от реализации рассматриваются способ, устройство, система и носитель записи.

В распределённой системе необходимо установить, разделены ли ключевые этапы между операторами или странами. Пригодность формулы, объединяющей все этапы, для защиты прав — отдельный вопрос. Процессы на сервере и на устройстве с самостоятельным техническим значением могут потребовать отдельного анализа.

Один сервис может содержать несколько потенциальных изобретений, но их не обязательно включать в одну заявку. Группирование и разделение оцениваются с учётом технических связей, единства изобретения, сроков выпуска и планов разработки. Цель — охватить ключевые технические признаки, а не просто увеличить число заявок.

Подача и представление научных статей, технические блоги, открытые репозитории и демонстрации продуктов могут влиять на патентоспособность в зависимости от раскрытой информации и её доступности. До публикации следует определить потенциальные изобретения и сроки подачи. Предусмотренные в Корее исключения для отдельных случаев раскрытия имеют условия и процедурные требования; аналогичный подход нельзя автоматически переносить на зарубежные заявки. 

Если раскрытие уже состоялось, сохраните материалы, дату, сведения о раскрывшем информацию лице, аудитории и ограничениях доступа. Следует отличать конфиденциальное сотрудничество от публичного раскрытия, а раскрытую технологию — от усовершенствований, которые остаются конфиденциальными.

Выбор между патентованием и коммерческой тайной зависит от возможности изучить технологию извне, её значения для продукта, последствий раскрытия и вероятности независимой разработки. Нельзя рассчитывать на широкую патентную охрану, опуская необходимые сведения в описании изобретения.

Да. Использование открытой модели не исключает патентного анализа. Следует искать самостоятельные технические усовершенствования в обработке входных данных, обучении, объединении моделей или инференсе. При этом известную архитектуру открытой модели нельзя заявлять как собственное изобретение. Условия лицензии и патентные вопросы проверяются отдельно.

Хорошие результаты сами по себе не определяют патентоспособность. Необходимо выявить конкретные отличия в подготовке данных, процессе обучения или выборе адаптеров. Оценивается, сводится ли решение к обычному применению известного метода к новым данным или содержит самостоятельный механизм решения технической задачи.

Следует различать формулировку промпта и способы его формирования и использования. Конкретное сочетание анализа входа, отбора контекста, описаний инструментов, проверки ответа и управления повторными попытками может подлежать патентному анализу. Одна лишь определённая фраза вряд ли обеспечит широкую охрану.

Возможность подать заявку и соответствие условиям выдачи патента — разные вопросы. Необходимо выявить отличия от обычной архитектуры RAG: например, поиск с учётом структуры документов, проверку актуальности версий, подтверждение ответа источниками или дополнительный поиск при заданных условиях.

Это не универсальное требование для каждого изобретения. Однако раскрытие должно позволять специалисту осуществить решение. Необходимая детализация зависит от характеристик данных, меток, предварительной обработки, связи с моделью и условий обработки. 

Готовый продукт не является обязательным условием подачи для всех изобретений. Но техническая идея должна быть достаточно проработана, чтобы описать осуществимое решение. Если имеются только цели и ожидаемые результаты, может потребоваться дальнейшая разработка или проверка. Необходимые подтверждения также зависят от предсказуемости области и заявленного эффекта.

Необходимо оперативно зафиксировать, что, когда и кем раскрыто, и определить страны предполагаемой подачи. Следует проверить применимость корейского исключения для предшествующего раскрытия и возможность соблюдения процедурных требований, а также выявить ещё не раскрытые усовершенствования. Нельзя считать, что после публикации заявку можно подать в любой момент.

В корейской практике изобретателем признаётся физическое лицо. Использование инструмента ИИ само по себе не подтверждает и не исключает авторство человека. Следует определить лиц, внёсших вклад в постановку задачи, создание конкретного решения, его доработку и проверку. Принадлежность к организации, должность или одни лишь указания не определяют статус изобретателя. 

Патентоспособность и возможность использовать технологию без нарушения чужих прав — разные вопросы. Усовершенствование может быть патентоспособным, но зависеть от более ранних прав. До выхода продукта на рынок следует отдельно провести анализ патентной чистоты на ключевых рынках и проверить договоры и лицензии.

Да. В одном сервисе могут быть самостоятельные усовершенствования обработки данных, обучения, поиска, оптимизации инференса и управления устройствами. Вместо механического деления по функциям оцениваются техническая самостоятельность компонентов и связи между ними. Стратегия подачи также должна учитывать дальнейшие доработки и планы публикаций.

Начинать с юридических формулировок не требуется. Подготовьте технические сведения об ограничениях существующих методов, внесённых изменениях, потоках входных и выходных данных, сравнительных результатах и альтернативных реализациях. Добавьте релевантные статьи, открытый код, планируемые даты раскрытия, сведения об участниках сотрудничества и их ролях.

Потенциальные изобретения в области ИИ выявляются в конкретных решениях, возникающих при разработке, а не в названии сервиса. Это могут быть входы с учётом достоверности данных, адаптивное обучение, генерация с проверкой источников, инференс при ресурсных ограничениях и связь прогнозирования с физическим управлением. Сопоставление этих решений с уровнем техники и подготовка достаточного описания и формулы изобретения составляют основу работы над заявкой.