人工智能(AI)領(lǐng)域的專利容易存在保護(hù)客體的問題，馬上消費(fèi)金融股份有限公司深耕AI領(lǐng)域多年，申請了近千件相關(guān)的專利。通過大量案例的實(shí)踐研究，總結(jié)出一套企業(yè)IPR與發(fā)明人溝通的方法論，詳細(xì)介紹如下：
技術(shù)交底書作為發(fā)明人與企業(yè)IPR及專利代理師溝通的橋梁，其質(zhì)量不僅影響溝通效率，更是撰寫一份優(yōu)質(zhì)專利申請文件的基礎(chǔ)，直接影響專利申請的授權(quán)率，甚至?xí)绊憣＠姆€(wěn)定性、維權(quán)及許可的價(jià)值。
AI領(lǐng)域的技術(shù)方案通常涉及算法，對于一名AI方向的企業(yè)IPR，你已熟知專利法、及專利審查指南中對涉及“算法特征的專利申請的審查規(guī)定”，了解到只有“權(quán)利要求包含技術(shù)特征、記載了對要解決的技術(shù)問題采用了利用自然規(guī)律的技術(shù)手段、并且由此獲得符合自然規(guī)律的技術(shù)效果”的專利申請才有可能獲得授權(quán)。然而，“技術(shù)特征，技術(shù)問題、技術(shù)手段、技術(shù)效果、自然規(guī)律”這些術(shù)語，如果直接給到發(fā)明人，估計(jì)大部分發(fā)明人都暈菜了。
那么，如何將這些專業(yè)術(shù)語轉(zhuǎn)化為發(fā)明人能聽懂的語言，教會發(fā)明人寫一份合格的AI技術(shù)交底書呢?由于目前在中國的相關(guān)法規(guī)中，沒有非常明確的關(guān)于“技術(shù)”、“自然規(guī)律”等概念的定義，需要通過典型審查案例的研究和總結(jié)，來給發(fā)明人撰寫技術(shù)交底書指明方向。
1.技術(shù)領(lǐng)域：技術(shù)應(yīng)用的具體技術(shù)領(lǐng)域，建議與技術(shù)實(shí)際應(yīng)用的至少一個(gè)應(yīng)用場景結(jié)合闡述。若為前瞻性的預(yù)研類技術(shù)，建議與可能應(yīng)用到的至少一個(gè)應(yīng)用場景結(jié)合闡述。
示例如下：信息檢索和推薦……
2.技術(shù)問題：結(jié)合上述場景，先闡述現(xiàn)有的算法、模型在實(shí)際應(yīng)用中或預(yù)研過程中存在的問題，進(jìn)而從技術(shù)的角度推導(dǎo)出本方案能解決什么問題。
示例如下：將GAN應(yīng)用于信息檢索，為了解決IGRAN的問題，CFGAN以Vector-Wise Training的方式進(jìn)行訓(xùn)練：對于每個(gè)用戶，以他的歷史交互序列Vector作為模型輸入。但這一做法的問題在于Vector的粒度過大，僅僅依靠GAN的損失函數(shù)并不足以充分訓(xùn)練生成器，這樣將會導(dǎo)致GAN不能完全捕獲文本信息，導(dǎo)致訓(xùn)練GAN的預(yù)測能力較低。本方案通過添加G重構(gòu)后Vector的生成損失(Reconstruction Loss)來輔助訓(xùn)練……。
3.技術(shù)手段：對于上述的問題，闡述具體的解決方案。包括不限于：算法應(yīng)與具體技術(shù)領(lǐng)域(應(yīng)用場景)緊密結(jié)合闡述，緊密結(jié)合指的是至少算法的輸入、輸出數(shù)據(jù)應(yīng)在該具體技術(shù)領(lǐng)域中有技術(shù)含義。涉及到公式，寫明公式中各參數(shù)的技術(shù)含義。若算法的輸入、輸出數(shù)據(jù)是沒有技術(shù)含義的數(shù)據(jù)，如僅為“樣本”、“訓(xùn)練數(shù)據(jù)”等，專利代理師在撰寫申請文件時(shí)亦無法知曉算法中各數(shù)據(jù)的含義，則專利申請存在較大的駁回風(fēng)險(xiǎn)。
示例如下：(基于篇幅問題，僅示出部分內(nèi)容以做克服客體問題示例說明，不是發(fā)明的全部內(nèi)容，亦不涉及創(chuàng)造性問題)
DPGAN的整體架構(gòu)及流程：如下圖所示，DPGAN模型包含生成模型G和判別模型D兩個(gè)部分。其中，G采用DeepFM模型，D采用BPR模型，目的是在歷史數(shù)據(jù)中獲得更多的有效信息，更好的完成商品或者信息的推薦。【tips:與具體應(yīng)用場景結(jié)合】
tips：附圖可以更直觀的幫助理解技術(shù)方案
在數(shù)據(jù)方面，使用用戶基本數(shù)據(jù)和對象數(shù)據(jù)，用戶基本數(shù)據(jù)包含……等結(jié)構(gòu)化數(shù)據(jù)及隱式信息，對象數(shù)據(jù)包含……等。推薦過程方面，輸入某一用戶數(shù)據(jù)信息，G生成該用戶的偏好序列，即圖中的生成向量;把生成向量和真實(shí)向量組成三元組的形式，即
生成模型G：
DeepFM算法有效的結(jié)合了因子分解機(jī)與神經(jīng)網(wǎng)絡(luò)在特征學(xué)習(xí)中的優(yōu)點(diǎn)，聯(lián)合訓(xùn)練FM模型和DNN模型，同時(shí)學(xué)習(xí)低階特征組合和高階特征組合。其中，F(xiàn)M算法負(fù)責(zé)對一階特征以及由一階特征兩兩組合而成的二階特征進(jìn)行特征的提取;DNN算法負(fù)責(zé)對由輸入的一階特征進(jìn)行全連接等操作形成的高階特征進(jìn)行特征的提取。結(jié)合深度和廣度的特征提取方式，可以更好的獲取用戶的偏好信息。DeepFM的輸入為用戶基本數(shù)據(jù)和對象數(shù)據(jù)，使用softmax作為輸出層，輸出的概率值代表用戶對物品的喜愛程度：【tips: 算法的輸入、輸出數(shù)據(jù)有具體的含義】
其中，
代表用戶u對物品i的喜愛程度。生成模型G得到的用戶偏好序列與真實(shí)序列的近似程度，決定著生成模型G性能的優(yōu)劣?！総ips：公式中各參數(shù)有具體的技術(shù)含義】
由此可得生成模型G的目標(biāo)函數(shù)為：
其中，
是G的正則化系數(shù)，
是真實(shí)數(shù)據(jù)的序列，
是G的生成序列。
判別模型D：
使用BPR作為判別模型，用于區(qū)分真實(shí)數(shù)據(jù)和生成數(shù)據(jù)。在BPR算法中，把用戶u對應(yīng)的物品進(jìn)行標(biāo)記，如果用戶u在同時(shí)有物品i和j的時(shí)候點(diǎn)擊了i，那么就得到了一個(gè)三元組
假設(shè)
其中，
是正則化參數(shù)，
表示排序序列，
表示與j相比用戶更偏愛i，
是采樣獲得的數(shù)據(jù)集。
對判別模型D，可表示為：
其中，
代表用戶u對物品i的喜愛程度，
表示與j相比用戶更偏愛i的概率，
和
分別是用戶和物品的隱向量，
是物品的偏置表示。
由此可得生成模型G的目標(biāo)函數(shù)為：
其中，
是D的正則化系數(shù)。
生成模型G訓(xùn)練、優(yōu)化：
……
判別模型D訓(xùn)練、優(yōu)化：
……
4.技術(shù)效果：從技術(shù)角度推導(dǎo)出的效果，即技術(shù)手段和技術(shù)效果之間是強(qiáng)關(guān)聯(lián)的，需結(jié)合技術(shù)手段闡述技術(shù)效果的產(chǎn)生原因。技術(shù)效果若有實(shí)驗(yàn)數(shù)據(jù)證明，效果更直觀，如本方案的模型與現(xiàn)有模型的結(jié)果對比數(shù)據(jù)。若效果和技術(shù)手段是孤立的，或者僅為數(shù)學(xué)意義上、用戶體驗(yàn)上的效果，則不能被認(rèn)定為本方案的技術(shù)效果。
示例如下：如前所述，GAN網(wǎng)絡(luò)具有許多優(yōu)勢，但是，GAN網(wǎng)絡(luò)也存在著訓(xùn)練過程復(fù)雜的問題。其一，訓(xùn)練不穩(wěn)定問題，容易出現(xiàn)震蕩和收斂假象。因?yàn)榕袆e模型 D 損失降級會改善生成模型 G 的損失，反之亦然，因此無法根據(jù)損失函數(shù)的值來判斷收斂。其二，模型崩潰問題，GAN的訓(xùn)練過程可能發(fā)生崩潰問題，生成模型開始退化，總是生成同樣的樣本點(diǎn)，無法繼續(xù)學(xué)習(xí)。當(dāng)生成模型崩潰時(shí)，判別模型也會對相似的樣本點(diǎn)指向相似的方向，訓(xùn)練無法繼續(xù)。
本方案使用模型預(yù)訓(xùn)練來優(yōu)化GAN網(wǎng)絡(luò)的訓(xùn)練問題，即分別對生成模型G和判別模型D進(jìn)行預(yù)訓(xùn)練。生成模型G是在DeepFM算法基礎(chǔ)上完成的，該算法既可以作為特征提取器，也可以獨(dú)立使用完成推薦過程，因此可以預(yù)訓(xùn)練生成模型G;判別模型D是在BPR算法基礎(chǔ)上完成的，依據(jù)采樣數(shù)據(jù)對的特點(diǎn)，可采用矩陣分解的方式預(yù)訓(xùn)練判別模型D。當(dāng)生成模型G和判別模型D處于穩(wěn)定狀態(tài)時(shí)，DPGAN模型再依據(jù)對應(yīng)的優(yōu)化方式不斷迭代持續(xù)優(yōu)化，進(jìn)一步提升網(wǎng)絡(luò)的效果，解決了訓(xùn)練困難的問題，進(jìn)一步提升了模型性能。
本方案基于GAN網(wǎng)絡(luò)思想的DPGAN網(wǎng)絡(luò)架構(gòu)，DPGAN具備更好的特征抓取能力以及更加精確的推薦性能，解決了現(xiàn)有模型并不能完全捕獲文本信息，且模型精度較低，以及這些模型忽略了用戶的輔助信息以及隱式信息，因而不能更加準(zhǔn)確的獲取用戶的喜好的問題。
綜上，若發(fā)明人能參考上述建議撰寫算法類(AI)的技術(shù)交底書，專利代理師撰寫出的專利申請文件，通常都能滿足客體要求，即“權(quán)利要求包含技術(shù)特征、記載了對要解決的技術(shù)問題采用了利用自然規(guī)律的技術(shù)手段、并且由此獲得符合自然規(guī)律的技術(shù)效果”。
(原標(biāo)題：搭建專利授權(quán)的橋梁——教會發(fā)明人撰寫AI專利交底書)
中企檢測認(rèn)證網(wǎng)提供iso體系認(rèn)證機(jī)構(gòu)查詢，檢驗(yàn)檢測、認(rèn)證認(rèn)可、資質(zhì)資格、計(jì)量校準(zhǔn)、知識產(chǎn)權(quán)貫標(biāo)一站式行業(yè)企業(yè)服務(wù)平臺。中企檢測認(rèn)證網(wǎng)為檢測行業(yè)相關(guān)檢驗(yàn)、檢測、認(rèn)證、計(jì)量、校準(zhǔn)機(jī)構(gòu)，儀器設(shè)備、耗材、配件、試劑、標(biāo)準(zhǔn)品供應(yīng)商，法規(guī)咨詢、標(biāo)準(zhǔn)服務(wù)、實(shí)驗(yàn)室軟件提供商提供包括品牌宣傳、產(chǎn)品展示、技術(shù)交流、新品推薦等全方位推廣服務(wù)。這個(gè)問題就給大家解答到這里了，如還需要了解更多專業(yè)性問題可以撥打中企檢測認(rèn)證網(wǎng)在線客服13550333441。為您提供全面檢測、認(rèn)證、商標(biāo)、專利、知識產(chǎn)權(quán)、版權(quán)法律法規(guī)知識資訊，包括商標(biāo)注冊、食品檢測、第三方檢測機(jī)構(gòu)、網(wǎng)絡(luò)信息技術(shù)檢測、環(huán)境檢測、管理體系認(rèn)證、服務(wù)體系認(rèn)證、產(chǎn)品認(rèn)證、版權(quán)登記、專利申請、知識產(chǎn)權(quán)、檢測法、認(rèn)證標(biāo)準(zhǔn)等信息，中企檢測認(rèn)證網(wǎng)為檢測認(rèn)證商標(biāo)專利從業(yè)者提供多種檢測、認(rèn)證、知識產(chǎn)權(quán)、版權(quán)、商標(biāo)、專利的轉(zhuǎn)讓代理查詢法律法規(guī)，咨詢輔導(dǎo)等知識。
本文內(nèi)容整合網(wǎng)站：中國政府網(wǎng)、百度百科、最高人民法院、知乎、國家認(rèn)證認(rèn)可監(jiān)督管理委員會、國家知識產(chǎn)權(quán)局、市場監(jiān)督總局
免責(zé)聲明：本文部分內(nèi)容根據(jù)網(wǎng)絡(luò)信息整理，文章版權(quán)歸原作者所有。向原作者致敬！發(fā)布旨在積善利他，如涉及作品內(nèi)容、版權(quán)和其它問題，請跟我們聯(lián)系刪除并致歉！
