搭建專利授權的橋梁——教會發(fā)明人撰寫AI專利交底書

#本文僅代表作者觀點，不代表IPRdaily立場，未經作者許可，禁止轉載#

“技術交底書作為發(fā)明人與企業(yè)IPR及專利代理師溝通的橋梁，其質量不僅影響溝通效率，更是撰寫一份優(yōu)質專利申請文件的基礎。那么，如何將一些專業(yè)術語轉化為發(fā)明人能聽懂的語言，教會發(fā)明人寫一份合格的AI技術交底書呢？”

來源：IPRdaily中文網（iprdaily.cn）

作者：陳會紅

人工智能（AI）領域的專利容易存在保護客體的問題，馬上消費金融股份有限公司深耕AI領域多年，申請了近千件相關的專利。通過大量案例的實踐研究，總結出一套企業(yè)IPR與發(fā)明人溝通的方法論，詳細介紹如下：

技術交底書作為發(fā)明人與企業(yè)IPR及專利代理師溝通的橋梁，其質量不僅影響溝通效率，更是撰寫一份優(yōu)質專利申請文件的基礎，直接影響專利申請的授權率，甚至會影響專利的穩(wěn)定性、維權及許可的價值。

AI領域的技術方案通常涉及算法，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“權利要求包含技術特征、記載了對要解決的技術問題采用了利用自然規(guī)律的技術手段、并且由此獲得符合自然規(guī)律的技術效果”的專利申請才有可能獲得授權。然而，“技術特征，技術問題、技術手段、技術效果、自然規(guī)律”這些術語，如果直接給到發(fā)明人，估計大部分發(fā)明人都暈菜了。

那么，如何將這些專業(yè)術語轉化為發(fā)明人能聽懂的語言，教會發(fā)明人寫一份合格的AI技術交底書呢？由于目前在中國的相關法規(guī)中，沒有非常明確的關于“技術”、“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，來給發(fā)明人撰寫技術交底書指明方向。

1.技術領域：技術應用的具體技術領域，建議與技術實際應用的至少一個應用場景結合闡述。若為前瞻性的預研類技術，建議與可能應用到的至少一個應用場景結合闡述。

示例如下：信息檢索和推薦……

2.技術問題：結合上述場景，先闡述現有的算法、模型在實際應用中或預研過程中存在的問題，進而從技術的角度推導出本方案能解決什么問題。

示例如下：將GAN應用于信息檢索，為了解決IGRAN的問題，CFGAN以Vector-Wise Training的方式進行訓練：對于每個用戶，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的損失函數并不足以充分訓練生成器，這樣將會導致GAN不能完全捕獲文本信息，導致訓練GAN的預測能力較低。本方案通過添加G重構后Vector的生成損失(Reconstruction Loss)來輔助訓練……。

3.技術手段：對于上述的問題，闡述具體的解決方案。包括不限于：算法應與具體技術領域（應用場景）緊密結合闡述，緊密結合指的是至少算法的輸入、輸出數據應在該具體技術領域中有技術含義。涉及到公式，寫明公式中各參數的技術含義。若算法的輸入、輸出數據是沒有技術含義的數據，如僅為“樣本”、“訓練數據”等，專利代理師在撰寫申請文件時亦無法知曉算法中各數據的含義，則專利申請存在較大的駁回風險。

示例如下：（基于篇幅問題，僅示出部分內容以做克服客體問題示例說明，不是發(fā)明的全部內容，亦不涉及創(chuàng)造性問題）

DPGAN的整體架構及流程：如下圖所示，DPGAN模型包含生成模型G和判別模型D兩個部分。其中，G采用DeepFM模型，D采用BPR模型，目的是在歷史數據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:與具體應用場景結合】

tips：附圖可以更直觀的幫助理解技術方案

在數據方面，使用用戶基本數據和對象數據，用戶基本數據包含……等結構化數據及隱式信息，對象數據包含……等。推薦過程方面，輸入某一用戶數據信息，G生成該用戶的偏好序列，即圖中的生成向量；把生成向量和真實向量組成三元組的形式，即

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：公式中各參數有具體的技術含義】

由此可得生成模型G的目標函數為：

其中，是G的正則化系數，是真實數據的序列，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)分真實數據和生成數據。在BPR算法中，把用戶u對應的物品進行標記，如果用戶u在同時有物品i和j的時候點擊了i，那么就得到了一個三元組

假設

其中，是正則化參數，表示排序序列，表示與j相比用戶更偏愛i，是采樣獲得的數據集。

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的目標函數為：

其中，是D的正則化系數。

生成模型G訓練、優(yōu)化：
……
判別模型D訓練、優(yōu)化：
……

4.技術效果：從技術角度推導出的效果，即技術手段和技術效果之間是強關聯的，需結合技術手段闡述技術效果的產生原因。技術效果若有實驗數據證明，效果更直觀，如本方案的模型與現有模型的結果對比數據。若效果和技術手段是孤立的，或者僅為數學意義上、用戶體驗上的效果，則不能被認定為本方案的技術效果。

示例如下：如前所述，GAN網絡具有許多優(yōu)勢，但是，GAN網絡也存在著訓練過程復雜的問題。其一，訓練不穩(wěn)定問題，容易出現震蕩和收斂假象。因為判別模型 D 損失降級會改善生成模型 G 的損失，反之亦然，因此無法根據損失函數的值來判斷收斂。其二，模型崩潰問題，GAN的訓練過程可能發(fā)生崩潰問題，生成模型開始退化，總是生成同樣的樣本點，無法繼續(xù)學習。當生成模型崩潰時，判別模型也會對相似的樣本點指向相似的方向，訓練無法繼續(xù)。

本方案使用模型預訓練來優(yōu)化GAN網絡的訓練問題，即分別對生成模型G和判別模型D進行預訓練。生成模型G是在DeepFM算法基礎上完成的，該算法既可以作為特征提取器，也可以獨立使用完成推薦過程，因此可以預訓練生成模型G；判別模型D是在BPR算法基礎上完成的，依據采樣數據對的特點，可采用矩陣分解的方式預訓練判別模型D。當生成模型G和判別模型D處于穩(wěn)定狀態(tài)時，DPGAN模型再依據對應的優(yōu)化方式不斷迭代持續(xù)優(yōu)化，進一步提升網絡的效果，解決了訓練困難的問題，進一步提升了模型性能。

本方案基于GAN網絡思想的DPGAN網絡架構，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“權利要求包含技術特征、記載了對要解決的技術問題采用了利用自然規(guī)律的技術手段、并且由此獲得符合自然規(guī)律的技術效果”。

（原標題：搭建專利授權的橋梁——教會發(fā)明人撰寫AI專利交底書）

來源：IPRdaily中文網（iprdaily.cn）

作者：陳會紅

編輯：IPRdaily趙甄          校對：IPRdaily縱橫君

注：原文鏈接：搭建專利授權的橋梁——教會發(fā)明人撰寫AI專利交底書（點擊標題查看原文）

「關于IPRdaily」

IPRdaily是全球領先的知識產權綜合信息服務提供商，致力于連接全球知識產權與科技創(chuàng)新人才。匯聚了來自于中國、美國、歐洲、俄羅斯、以色列、澳大利亞、新加坡、日本、韓國等15個國家和地區(qū)的高科技公司及成長型科技企業(yè)的管理者及科技研發(fā)或知識產權負責人，還有來自政府、律師及代理事務所、研發(fā)或服務機構的全球近100萬用戶（國內70余萬+海外近30萬），2019年全年全網頁面瀏覽量已經突破過億次傳播。

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

本文來自IPRdaily中文網（iprdaily.cn）并經IPRdaily.cn中文網編輯。轉載此文章須經權利人同意，并附上出處與作者信息。文章不代表IPRdaily.cn立場，如若轉載，請注明出處：“http://jupyterflow.com”