搭建專利授權(quán)的橋梁——教會(huì)發(fā)明人撰寫AI專利交底書

#本文僅代表作者觀點(diǎn)，不代表IPRdaily立場(chǎng)，未經(jīng)作者許可，禁止轉(zhuǎn)載#

“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(qǐng)文件的基礎(chǔ)。那么，如何將一些專業(yè)術(shù)語(yǔ)轉(zhuǎn)化為發(fā)明人能聽懂的語(yǔ)言，教會(huì)發(fā)明人寫一份合格的AI技術(shù)交底書呢？”

來(lái)源：IPRdaily中文網(wǎng)（iprdaily.cn）

作者：陳會(huì)紅

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(qǐng)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(qǐng)文件的基礎(chǔ)，直接影響專利申請(qǐng)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(duì)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(duì)涉及“算法特征的專利申請(qǐng)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(duì)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(qǐng)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(yǔ)，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(yǔ)轉(zhuǎn)化為發(fā)明人能聽懂的語(yǔ)言，教會(huì)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(guó)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(lái)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(chǎng)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(chǎng)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(chǎng)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(duì)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(huì)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(cè)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(lái)輔助訓(xùn)練……。

3.技術(shù)手段：對(duì)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(chǎng)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(qǐng)文件時(shí)亦無(wú)法知曉算法中各數(shù)據(jù)的含義，則專利申請(qǐng)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?jī)?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(chǎng)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(duì)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(duì)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

其中，代表用戶u對(duì)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(duì)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(duì)判別模型D，可表示為：

其中，代表用戶u對(duì)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(duì)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(shì)，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(jí)會(huì)改善生成模型 G 的損失，反之亦然，因此無(wú)法根據(jù)損失函數(shù)的值來(lái)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(wú)法繼續(xù)學(xué)習(xí)。當(dāng)生成模型崩潰時(shí)，判別模型也會(huì)對(duì)相似的樣本點(diǎn)指向相似的方向，訓(xùn)練無(wú)法繼續(xù)。

本方案使用模型預(yù)訓(xùn)練來(lái)優(yōu)化GAN網(wǎng)絡(luò)的訓(xùn)練問題，即分別對(duì)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(duì)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(duì)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(qǐng)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(duì)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(huì)發(fā)明人撰寫AI專利交底書）

來(lái)源：IPRdaily中文網(wǎng)（iprdaily.cn）

作者：陳會(huì)紅

編輯：IPRdaily趙甄          校對(duì)：IPRdaily縱橫君

注：原文鏈接：搭建專利授權(quán)的橋梁——教會(huì)發(fā)明人撰寫AI專利交底書（點(diǎn)擊標(biāo)題查看原文）

「關(guān)于IPRdaily」

IPRdaily是全球領(lǐng)先的知識(shí)產(chǎn)權(quán)綜合信息服務(wù)提供商，致力于連接全球知識(shí)產(chǎn)權(quán)與科技創(chuàng)新人才。匯聚了來(lái)自于中國(guó)、美國(guó)、歐洲、俄羅斯、以色列、澳大利亞、新加坡、日本、韓國(guó)等15個(gè)國(guó)家和地區(qū)的高科技公司及成長(zhǎng)型科技企業(yè)的管理者及科技研發(fā)或知識(shí)產(chǎn)權(quán)負(fù)責(zé)人，還有來(lái)自政府、律師及代理事務(wù)所、研發(fā)或服務(wù)機(jī)構(gòu)的全球近100萬(wàn)用戶（國(guó)內(nèi)70余萬(wàn)+海外近30萬(wàn)），2019年全年全網(wǎng)頁(yè)面瀏覽量已經(jīng)突破過億次傳播。

（英文官網(wǎng)：iprdaily.com  中文官網(wǎng)：iprdaily.cn） 

本文來(lái)自IPRdaily中文網(wǎng)（iprdaily.cn）并經(jīng)IPRdaily.cn中文網(wǎng)編輯。轉(zhuǎn)載此文章須經(jīng)權(quán)利人同意，并附上出處與作者信息。文章不代表IPRdaily.cn立場(chǎng)，如若轉(zhuǎn)載，請(qǐng)注明出處：“http://m.jupyterflow.com”