目次
第1章 AI導入時の社内体制構築
1．上層部や社内からの理解
1．1 上層部の理解
1．2 現場の理解
1．3 上層部の理解を得るためにどのような説明をすれば良いか？
2．データ解析の社内インフラ整備
3．社内教育の進め方、知財の立場の向上
3．1 社内教育の方法
3．2 知財の立場
3．3 導入時の失敗例
3．4 社内に専門知識のあるメンバーがいない場合の対応
3．4．1 社内教育時の注意点
第2章 機械学習を用いた知財調査手法と効率化技術
第1節 特許情報調査を始める前の基礎知識と調査業務の課題
はじめに
1．特許調査について
1．1 特許情報とは
1．2 特許情報の目的
1．3 明細書等の構成
1．4 発明を効率的に理解のための公報を読む順番
1．5 その他特許情報の特徴
1．6 特許情報調査データベース
1．7 特許情報調査の種類
1．8 特許情報調査別の主に読み込むべき項目
2． 特許情報分析について
2．1 特許情報調査・分析
2．2 特許情報分析ツール
2．3 三つの目
2．4 目的に応じた特許マップ
2．5 特許情報分析ツール
2．6 代表的特許マップ
3．さまざまな情報の中での特許情報の位置づけ
3．1 研究開発の着想、実施に重要な情報
3．2 情報の種類
3．3 情報の質
3．4 情報のタイムラグ
3．5 情報の網羅性
3．6 情報の構造化、検索性
3．7 情報の全体像
4．現状の情報調査の課題とAI導入への期待
4．1 情報調査の理想について
4．2 研究開発者にとっての情報調査の課題について
4．2．1 特許情報検索に対する苦手意識
4．2．2 特許情報の難解さ
4．2．3 特許情報調査ツール、環境について
4．3 知的財産部門にとっての情報調査の課題について
4．3．1 知的財産部門の力量不足
4．3．2 会社全体を視野に入れることのできる意識変革
4．4 「情報」と「データ」の違い
4．5 研究開発部門の知財調査へのAI導入への期待
おわりに
第2節 機械学習利用時の留意点と実務テクニック
はじめに 機械学習利用時の留意点
1．必要な環境の整備
2．バイアスとバリアンスのトレードオフ
3．オープンソースを用いた機械学習手法
4．リスク検出の網羅性と調査効率のバランスの取り方
5．特許調査システムの検証と評価方法～再現性と適合率でのAIの評価
6．問題の定式化
7．過学習による弊害と対策
8．データ量が少ない場合の機械学習方法～例：ドメイン知識を有する文章データの量が足りない
9．機械学習を用いたデータサイエンスベースの特許調査のプロセス
10．データ収集／整形時の注意点について
11．特許調査用学習済モデルの作成とその評価方法
12．期間とコストを意識した実装チューニング
13．検索精度向上のためのアプローチ～ランキング学習
おわりに
第3節 特許調査におけるAI の応用領域と利用方法
はじめに
1．特許調査DB・ツールの変遷
2．特許調査におけるAI の応用領域
2．1 特許調査におけるAI の応用領域
2．2 特許調査の種類とAI
2．2．1 技術動向調査/IPL
2．2．2 特許出願前調査
2．2．3 侵害予防調査/ クリアランス調査
2．2．4 無効資料調査
2．3 AI を搭載した特許調査DB・ツール
3．特許調査におけるAI の利用例と精度向上のための留意点
おわりに
第4節 AI を活用した特許調査・分析の考え方と留意点
1．AI を利用した特許調査・分析ツール
2．AI 特許調査・分析ツールを利用する際の考え方
2．1 先行技術調査、無効資料調査・有効性調査
2．2 侵害防止調査・FTO (Freedom To Operate)
2．3 特許分析・IP ランドスケープ
2．3．1 日本特許庁の取り組み―機械学習を活用した特許動向分析の調査―
2．3．2 特許分析・IP ランドスケープにおいてAI ツールを利用する際の留意点
3．AI 特許調査ツールとヒトの相互補完
3．1 ヒトが先行技術調査を行うメリット
3．2 AI で侵害防止調査・FTO を行うメリット
まとめ
第5節 特許調査とパテントマップを用いて自社が勝てる知財戦略を立案推進する方法
1．テーマ推進ステップと特許調査と知財戦略活動
1．1 企業における事業ステップと必要な特許調査
1．2 技術動向調査
1．3 先行技術調査
1．4 テーマ先行技術調査(日常ウォチング・SDI 調査)
2．パテントマップ
2．1 パテントマップ作成の目的
2．2 パテントマップの種類
2．2．1 マクロ分析
2．2．2 セミマクロ分析
2．2．3 ミクロ分析
2．3 パテントマップを用いたIP ランドスケープの進め方
3．自社が勝つ技術&知財戦略活動
3．1 技術& 知財戦略手法「U'Method」 概要
3．2 推進テーマの決定
3．3 機能鳥瞰マップの作成
3．3．1 機能キーワードによる発想
3．3．2 機能ツリーの作成
3．3．3 機能分類と構成分類
3．3．4 関連特許調査
3．3．5 一行要約の作成
3．3．6 機能ツリーと一行要約との結合
3．3．7 分担し機能ツリーの番地を付与
3．3．8 特許を機能ツリーに客観的に振分
3．4 攻め所を決める
3．4．1 関連情報調査
3．4．2 機能ツリー上の重要キーワードの特定
3．4．3 攻め所分析表
3．4．4 特許状況
3．4．5 技術状況
3．5 ソンブレロ型出願で自社が絶対優位の特許網を構築
3．6 可能性アイデアの多量発想
3．6．1 アイデア発想のやり方
3．6．2 出すべきアイデアとは
3．7 「U'Method」を用いた勝てる知財戦略
3．7．1 戦略的先行特許出願
3．7．2 アイデアの優先順位付け
3．7．3 クレームマップ
3．8 U'Method の機能鳥瞰マップの活用例
3．8．1 R&D テーマ推進の革新
3．8．2 R&D テーマの抽出
3．8．3 中長期計画策定
3．9 「U'Method」によって得られる特許の実力
3．9．1 U'Method によって得られる特許の先行特許実力
3．9．2 U'Method によって得られる特許の発想の先見力
3．9．3 U'Method によって得られる特許の発想の拡大力
4．パテントマップの活用
4．1 パテントマップを日常のR&D の場面で活用
4．2 パテントマップはテーマアップに必須
4．3 パテントマップをテーマ推進に定着させる実践例
4．4 テーマ別に自社他社特許群を管理するTHE 調査力クラウドを活用
4．5 パテントマップがあるのと無いのでは大違い！
おわりに
第3章 用途に応じた活用例と実務対応ノウハウ
第1節 類似商標画像の検索手法とAIコンペデータセットを用いた検索事例
はじめに
1．類似画像検索手法
1．1 深層学習による特徴量抽出
1．2 深層学習モデル構成
1．3 類似度の高いサンプル検索
2．類似商標画像検索の紹介
2．1 学習
2．2 検証
おわりに
第2節 特許文書のグループ分けと文書類似度の求め方及び実装コード解説
はじめに
1．文書分類の種類
1．1 教師あり学習・教師なし学習
1．2 2 クラス・多クラス分類、ハード・ソフトクラスタリング、重みづけ
1．3 回帰・分類
1．4 文書分類タスクとは
2．代表的な文書分類アルゴリズムとその実装
2．1 サポートベクターマシン(SVM)
2．2 コサイン類似度(内積)
2．3 勾配ブースティング木
2．4 ニューラルネットワーク
2．4．1 ニューラルネットワークのフレームワーク
2．4．2 畳み込みニューラルネットワーク(CNN)
2．4．3 Transformer モデル
2．5 過学習
2．6 その他
3．ベクトル化
3．1 形態素解析
3．1．1 n-gram
3．1．2 文法に基づいた形態素解析器
3．1．3 サブワード法(Sentencepiece)
3．2 ベクトル変換
3．2．1 Bag of Words
3．2．2 Tf-IDF
3．2．3 Hash 値
3．2．4 Word2Vec、Doc2Vec
3．2．5 Transformer モデル
3．2．6 Embedding 層
3．3 前処理
3．4 ラベル
3．5 文書ベクトルの応用
3．5．1 可視化
3．5．2 類似度ランキング
おわりに
第3節 概念検索の利用技術と使いこなし方
はじめに
1．概念検索とは何か
1．1 概念検索の利用例
1．2 検索式との相違点
1．3 検索内容の伝え方
2．概念検索はAI か？
2．1 AI とは何か？
2．2 概念検索は特化型AI
2．3 概念と意味
3．概念検索の上手な使い方
3．1 概念検索の役割
3．2 質問文の作り方
3．3 質問は短文、対象は全文
3．4 検索式との組み合わせ
3．5 マンマシン・システムとして
4．概念検索の役立つ仕事
4．1 絞り込んだ技術の検索
4．2 動向分析には不向き
おわりに
第4節 侵害予防調査を目的としたSDIへのAI導入とノイズ除去の方法
はじめに
1．目的
2．事例紹介
2．1 ツールの選定
2．2 目標
2．3 教師データの作成方法
2．3．1 精査済みの蓄積データ
2．3．2 教師データの作成手順
2．3．3 教師データ暫定版の作成
2．3．4 新規配信SDI での検証
2．3．5 言語の拡大
2．4 まとめおよび考察
3．今後の課題
第5節 特許文書のトピック分析と新たな技術戦略の切り口
はじめに
1．特許の文書情報を用いた従来のパテントマップ分析
2．従来の特許文書分析の課題とAI 技術の応用
3．PLSA( 確率的潜在意味解析)
3．1 PLSA の概要
3．2 PLSA の特長
3．3 トピックモデルの関連手法
3．4 PLSA の共起行列構成の工夫
4．ベイジアンネットワーク
4．1 ベイジアンネットワークの概要
4．2 ベイジアンネットワークの特長
4．3 テキストデータにおけるベイジアンネットワークの適用
5．テキストマイニング× PLSA ×ベイジアンネットワークによるテキストデータ分析手法：Nomolytics
5．1 Nomolytics の手法の概要
5．2 各手法の連携の工夫
6．Nomolytics を応用した特許文書分析事例
6．1 分析の全体像
6．2 分析で用いるデータ
6．3 PLSA の適用による用途と技術のトピックの抽出
6．4 トピック抽出の結果
6．5 トピックのスコアリング
6．6 トピックのトレンド分析
6．7 トピックの競合分析
6．8 ベイジアンネットワークの適用による用途と技術の関係分析
6．8．1 用途⇒技術の関係分析
6．8．2 技術⇒用途の関係分析
おわりに
第6節 機械学習を利用した特許分類
1．特許分類の局面とユーザニーズ
2．機械学習を利用した特許分類の課題
2．1 分類の精度が分からない点
2．2 分類対象の特許により使用すべきアルゴリズムやモジュールが異なる点
2．3 分類対象の特許により使用すべき特許情報が異なる点
3．最適学習モデル構築技術を導入したPatentNoiseFilter
3．1 PatentNoiseFilter (PNF) の概要
3．2 PatentNoiseFilter (PNF) の特徴
3．2．1 ユーザに安心を与えるための技術
3．2．2 精度向上のための各種の技術
3．2．3 ユーザ指向の最適アルゴリズム探索技術
3．2．4 PNF の出力例
4．SDI 調査におけるPNF の利用
おわりに
第7節 特許請求項の類似性判定技術
はじめに
1．特許請求項の類似性
2．請求項の類似性の判定
2．1 NTCIR 特許検索タスク
2．2 日本国特許を対象にした類似請求項の検出
2．3 米国特許を対象にした類似請求項の検出
おわりに
第8節 俯瞰図を用いた技術動向分析とその活用方法
1．目的と背景
2．俯瞰分析とは何か
2．1 俯瞰解析と二次元表現
2．2 俯瞰解析の流れ
3．客観的かつ俯瞰的な技術動向分析
3．1 目的に照らした技術動向分析
4．技術動向分析の活用方法
5．戦略策定のためのストーリーづくり
まとめ
第9節 AI による脱炭素・SDGs 特許情報の分析と活用
はじめに
1．社会課題と特許情報の関連付けの必要性
2．脱炭素・SDGs に関連する特許技術の可視化
3．脱炭素・SDGs の技術開発に特化した企業
4．主要国のグリーン技術開発の傾向
5．社会的課題と接続した特許情報の意義
6．分析結果の閲覧、データの入手方法
第10節 特許文書に特化したAI 翻訳技術とコスト削減のポイント
はじめに
1．機械翻訳の必要性
2．AI 翻訳の導入
2．1 最先端のAI 翻訳技術(Transformer 方式) で高精度な翻訳を実現
2．2 大規模・高品質な特許データを学習したAIが、複雑なテキストも正確な構文で読みやすく翻訳
2．3 独自開発の処理技術(X-STEPR) により、特許翻訳者のノウハウをAI に移植
2．4 AI 翻訳とSMT の併用により、訳抜け、訳語の繰り返し等のエラー文が少ない翻訳を実現
2．5 セキュアな通信規格(TLS 暗号化通信) と翻訳原文・訳文を保管しないシステムにより機密性を確保
3．利用シーンに合わせた機械翻訳エンジンの使い分け
4．機械翻訳研究の外部発信
