ＡI特許調査
事例紹介
ソフトウェア工学に関する特許調査をしてみた！
テーマ：ソフトウェア工学に関するAI特許調査
・調査観点
教師データから学習した言語モデルと問題難易度評価モデルを組み合わせ、テキスト中の重要な語句や文脈を自動判別し、学習者の理解度に応じて穴埋め箇所を動的に決定し、穴埋め問題を自動生成するシステムにおいて、前記言語モデルにより抽出された重要語句の文脈上の重要度と、前記問題難易度評価モデルにより算出された難易度スコアに基づいて、穴埋め箇所の選定及び問題の出題順序を最適化することを特徴とする穴埋め問題生成システム。
目的
上記のアイデア（調査観点）に関連する特許を抽出する。
条件
調査対象国：JP
調査資料：特許公報、実用新案公報
調査期間：出願10年
ステータス：生死不問
調査母集合：ソフトウェア工学とAI（人工知能、機械学習、ディープラーニング、深層学習）に関するもの
作業
- AIを使って、アイデアを生成＆ブラッシュアップ
- AIを使って、アイデアに関連する特許を抽出
- AIを使って、アイデアと抽出公報を対比（詳細評価）
- AIを使って、アイデアと抽出公報を対比（対比表作成）
- AIを使って、アイデアと類似する特許の出願動向分析
- AIを使って、アイデアと類似する技術カテゴリ抽出
目的①
先行技術調査
新規の特許出願を行う前に、類似する既存の特許公報を探す調査です。発明の新規性や進歩性を確認し、特許取得の可能性を判断します。無駄な出願を防ぎ、より強い特許請求範囲の作成に役立ちます。
目的②
侵害予防調査
新製品の開発・販売前に、他社の特許権を侵害していないかを確認する調査です。他社特許に抵触するリスクを事前に把握し、設計変更や回避策の検討、ライセンス交渉の判断材料として活用します。
目的③
無効資料調査
特定の特許の有効性を検証するための調査です。対象特許の出願前に公知となっていた特許公報を探し、新規性や進歩性を否定できる資料を収集します。特許無効審判や侵害訴訟での資料に使用されます。
ソフトウェア工学 × 事例紹介
Case Study
AIを活用した特許調査を動画とテキストでご紹介！
近年、人工知能（AI）技術の進歩により、特許調査の手法も大きく変化しています。AIを活用した特許調査では、従来の検索式による方法に加え、自然言語処理や機械学習の技術を用いることで、より広範な関連技術の発見や、類似特許の効率的な抽出が可能となっています。
特に、AIによる言語の意味理解や文脈把握により、キーワードだけでは発見が困難だった技術文献の特定や、異なる技術分野での類似発明の発見などで成果を上げています。また、大量の特許文献を短時間で分析し、技術動向の可視化や重要文献の優先度付けなども実現しています。
このような先進的な調査手法の導入により、調査の質と効率が向上し、より効果的な特許戦略の立案が可能となっています。
AIを使って、アイデアを生成＆ブラッシュアップ
AIを活用し、特許出願できそうなアイデアを10件、考えました。
以下の通り、ご報告いたします。
1.適応型穴埋め問題生成システム
教師データから学習した言語モデルと問題難易度評価モデルを組み合わせ、テキスト中の重要な語句や文脈を自動判別し、学習者の理解度に応じて穴埋め箇所を動的に決定し、穴埋め問題を自動生成するシステムにおいて、前記言語モデルにより抽出された重要語句の文脈上の重要度と、前記問題難易度評価モデルにより算出された難易度スコアに基づいて、穴埋め箇所の選定及び問題の出題順序を最適化することを特徴とする穴埋め問題生成システム。
・アイデアの特徴
①言語モデルを用いてテキスト中の重要な語句や文脈を自動判別する。
②問題難易度評価モデルにより、各穴埋め箇所の難易度スコアを算出する。
③学習者の理解度に応じて穴埋め箇所を動的に決定する。
④文脈上の重要度と難易度スコアに基づいて穴埋め箇所を選定する。
⑤問題の出題順序を最適化する機能を有する。
2.階層的ルール選択型推論システム
複数の専門分野に対応したルールセットと、入力データの特徴から最適なルールセットを選択する分類モデルを組み合わせ、入力データの特徴に応じて適切なルールセットを動的に選択し、選択されたルールセットに基づいて推論を実行するシステムにおいて、前記分類モデルによる選択結果の確信度に応じて、複数のルールセットを組み合わせた推論を実行することを特徴とする推論システム。
・アイデアの特徴
①専門分野ごとに異なるルールセットを保持する。
②入力データの特徴から最適なルールセットを選択する分類モデルを用いる。
③分類モデルにより動的にルールセットを選択する。
④選択結果の確信度に基づいて推論方法を決定する。
⑤複数のルールセットを組み合わせた推論が可能である。
3.文脈理解型質問生成システム
教師データから学習した文章理解モデルと質問生成モデルを組み合わせ、入力文章の文脈や重要な情報を理解し、適切な難易度の質問文を自動生成するシステムにおいて、前記文章理解モデルにより抽出された重要情報と、既存の質問・回答ペアの特徴に基づいて、質問文の生成パターンを選択することを特徴とする質問生成システム。
・アイデアの特徴
①文章理解モデルにより入力文章の文脈を理解する。
②質問生成モデルにより適切な質問文を自動生成する。
③文章中の重要情報を抽出する機能を有する。
④既存の質問・回答ペアの特徴を学習する。
⑤質問文の生成パターンを選択する機能を有する。
4.重要度制御型文章要約システム
入力文章中の各単語の重要度を算出し、指定された出力長に応じて重要度の高い情報を選択的に抽出し、抽出された情報に基づいて自然な要約文を生成するシステムにおいて、前記重要度算出結果と出力長の制約に基づいて、文章構造を保持しつつ情報の取捨選択を行うことを特徴とする文章要約システム。
・アイデアの特徴
①入力文章中の各単語の重要度を算出する。
②指定された出力長に応じて情報を選択的に抽出する。
③抽出された情報から自然な要約文を生成する。
④文章構造を保持しながら情報の取捨選択を行う。
⑤重要度と出力長の制約に基づいて情報を選択する。
5.コンテキスト制御型文章生成システム
入力文と出力条件を示すコンテキスト情報に基づいて、文章の生成過程を制御し、指定された条件に合致する文章を自動生成するシステムにおいて、前記コンテキスト情報と生成された単語列の整合性を評価し、不適切な生成結果を検出して修正することを特徴とする文章生成システム。
・アイデアの特徴
①入力文とコンテキスト情報に基づいて文章を生成する。
②文章の生成過程を制御する機能を有する。
③生成された文章と指定条件の整合性を評価する。
④不適切な生成結果を検出する機能を有する。
⑤検出された不適切な生成結果を修正する。
6.関連度制御型文書生成システム
入力情報と目標とする関連度に基づいて、入力情報との関連度が異なる複数の文書を生成するシステムにおいて、前記入力情報と生成文書の部分ごとの一致度を計算し、一致度に基づいて異なる関連度を持つ文書を選択的に生成することを特徴とする文書生成システム。
・アイデアの特徴
①入力情報との関連度が異なる複数の文書を生成する。
②入力情報と生成文書の部分ごとの一致度を計算する。
③一致度に基づいて文書の選択的生成を行う。
④異なる関連度を持つ文書を生成する機能を有する。
⑤生成された文書の関連度を制御する。
7.ラティス構造活用型要約生成システム
入力文から単語間の依存関係を表すラティス構造を生成し、各ノードの重要度と生成確率に基づいて要約文の要素を選択するシステムにおいて、前記ラティス構造上の各ノードの隠れ状態と文脈情報を考慮して、要約文の生成確率を最適化することを特徴とする要約生成システム。
・アイデアの特徴
①入力文から単語間の依存関係を表すラティス構造を生成する。
②各ノードの重要度と生成確率を計算する。
③ラティス構造上の各ノードの隠れ状態を考慮する。
④文脈情報に基づいて要約文の要素を選択する。
⑤要約文の生成確率を最適化する機能を有する。
8.因果関係ネットワーク活用型対話システム
対話中の文脈から抽出した因果関係をネットワーク構造として蓄積し、入力された発話文に含まれる原因語または結果語に基づいて、関連する応答文を生成するシステムにおいて、前記因果関係ネットワークの連鎖構造に基づいて応答文の選択を最適化することを特徴とする対話システム。
・アイデアの特徴
①対話文脈から因果関係を抽出する。
②因果関係をネットワーク構造として蓄積する。
③発話文から原因語または結果語を抽出する。
④因果関係ネットワークの連鎖構造を活用する。
⑤応答文の選択を最適化する機能を有する。
9.対訳モデル活用型対話応答システム
入力文から生成したコンテキストベクトルを介して、異なる言語間での文脈理解と応答文生成を実現するシステムにおいて、前記コンテキストベクトルの変換過程で文脈情報を保持しつつ、対話の一貫性を維持した応答文を生成することを特徴とする対話応答システム。
・アイデアの特徴
①入力文からコンテキストベクトルを生成する。
②異なる言語間での文脈理解を実現する。
③コンテキストベクトルの変換過程で文脈情報を保持する。
④対話の一貫性を維持した応答文を生成する。
⑤文脈を考慮した応答文生成機能を有する。
10.重要度制御型文生成システム
入力文の各単語の重要度を推定し、その重要度に基づいて出力文の生成過程を制御するシステムにおいて、前記重要度推定結果と文の構造情報を組み合わせて、入力文の意図を保持しつつ新たな文を生成することを特徴とする文生成システム。
・アイデアの特徴
①入力文の各単語の重要度を推定する。
②重要度に基づいて出力文の生成を制御する。
③文の構造情報を活用する機能を有する。
④入力文の意図を保持した文生成を行う。
⑤重要度と構造情報を組み合わせた生成制御を行う。
AIを使って、アイデアに関連する特許を抽出
以下のアイデアに関連する特許公報を8件抽出しました。
以下の通り、報告いたします。
■アイデア（調査観点、請求項案）
教師データから学習した言語モデルと問題難易度評価モデルを組み合わせ、テキスト中の重要な語句や文脈を自動判別し、学習者の理解度に応じて穴埋め箇所を動的に決定し、穴埋め問題を自動生成するシステムにおいて、前記言語モデルにより抽出された重要語句の文脈上の重要度と、前記問題難易度評価モデルにより算出された難易度スコアに基づいて、穴埋め箇所の選定及び問題の出題順序を最適化することを特徴とする穴埋め問題生成システム。
■技術的特徴
上記のアイデアの技術的特徴は以下の通りです：
①教師データから学習した言語モデルと問題難易度評価モデルを組み合わせたシステムである
②テキスト中の重要な語句や文脈を自動判別する
③学習者の理解度に応じて穴埋め箇所を動的に決定する
④重要語句の文脈上の重要度と難易度スコアに基づいて穴埋め箇所を選定する
⑤問題の出題順序を最適化する
1.関連公報の抽出結果
上記のアイデアに関連する公報を8件、抽出しました。
- JP2020-087353A (富士通株式会社) - 要約文生成方法、要約文生成プログラム及び要約文生成装置
- JP2022-006237A (株式会社日立製作所) - 自然言語処理システム、及び自然言語処理方法
- JPWO2022014016A (日本電気株式会社) - 穴埋め試験問題作成システム、方法、プログラム
- JP2023159453A (日本電信電話株式会社) - 文生成装置、文生成学習装置、文生成方法、文生成学習方法及びプログラム
- JP2020140629A (日本電信電話株式会社) - 文生成装置、文生成方法、文生成学習装置、文生成学習方法及びプログラム
- JPWO2021176549A (日本電信電話株式会社) - 文生成装置、文生成学習装置、文生成方法、文生成学習方法及びプログラム
- JP2020071737A (富士通株式会社) - 学習方法、学習プログラム及び学習装置
- JPWO2022219741A (三菱電機株式会社) - 学習装置、推論装置、プログラム、学習方法及び推論方法
2.特徴別の該否結果
上記で抽出した特許公報8件について、アイデアの特徴5点に関する該否結果をまとめました。
※評価基準：〇（特徴の要件を全て含む）、△（特徴の要件を一部含む）、×（特徴の要件を一つも含まない）
| 公報番号(出願人) | 類似度(%) | ① | ② | ③ | ④ | ⑤ |
|---|---|---|---|---|---|---|
| JPWO2022014016A (日本電気) | 90 | 〇 | 〇 | 〇 | 〇 | △ |
| JP2023159453A (NTT) | 85 | 〇 | 〇 | △ | 〇 | 〇 |
| JP2020140629A (NTT) | 80 | 〇 | 〇 | △ | 〇 | × |
| JP2020087353A (富士通) | 75 | 〇 | 〇 | × | △ | × |
| JP2022006237A (日立) | 70 | 〇 | △ | × | △ | × |
| JPWO2021176549A (NTT) | 65 | △ | 〇 | × | △ | × |
| JP2020071737A (富士通) | 60 | △ | △ | × | △ | × |
| JPWO2022219741A (三菱) | 55 | △ | △ | × | × | × |
3.抽出公報の詳細レビュー
類似度の高い抽出公報3件について、より詳細な評価結果をまとめました。
■1件目：類似度 90%
- 公開番号: JPWO2022014016A
- 出願日: 2020-07-16
- 公開日: 2022-01-20
- 出願人: 日本電気株式会社
- 名称：穴埋め試験問題作成システム、方法、プログラム
- 結果：類似度90%、①〇、②〇、③〇、④〇、⑤△
- 要点：(産業分野)教育支援システム (課題)穴埋め試験問題の自動作成における穴埋め箇所の適切な選定 (解決手段)検索クエリ文を含意する文書の決定、学習済みモデルによる穴埋め箇所の予測 (効果・特徴)学習済みモデルを用いて文書中の適切な穴埋め箇所を自動的に予測し、効率的に試験問題を作成できる
〇特徴別の該否結果と判定理由
①教師データから学習した言語モデルと問題難易度評価モデルを組み合わせたシステム：〇
※判定理由：「学習済みモデルを生成する、学習済みモデル生成部」の記載があり、モデルの学習と活用が明記されている。
②テキスト中の重要な語句や文脈を自動判別：〇
※判定理由：「穴埋め箇所を予測して出力する、穴埋め箇所予測部」の記載があり、自動判別機能が示されている。
③学習者の理解度に応じて穴埋め箇所を動的に決定：〇
※判定理由：「学習済みモデルにより穴埋め箇所を予測」との記載があり、動的な決定機能を有する。
④重要語句の文脈上の重要度と難易度スコアに基づいて穴埋め箇所を選定：〇
※判定理由：「穴埋め試験問題対象文書の穴埋め箇所を予測」との記載があり、文脈を考慮した選定を行う。
⑤問題の出題順序を最適化：△
※判定理由：出題順序の最適化に関する直接的な記載はないが、問題生成システムの一部として示唆されている。
■2件目：類似度 85%
- 公開番号: JP2023159453A
- 出願日: 2023-09-04
- 公開日: 2023-10-31
- 出願人: 日本電信電話株式会社
- 名称：文生成装置、文生成学習装置、文生成方法、文生成学習方法及びプログラム
- 結果：類似度85%、①〇、②〇、③△、④〇、⑤〇
- 要点：(産業分野)自然言語処理 (課題)入力文に含まれる単語の重要度を評価し、適切な文を生成する (解決手段)入力文と各単語の重要度に基づいて単語セットを抽出し、機械学習モデルにより出力文を生成 (効果・特徴)文の生成において考慮すべき情報をテキストとして付加可能
〇特徴別の該否結果と判定理由
①教師データから学習した言語モデルと問題難易度評価モデルを組み合わせたシステム：〇
※判定理由：「教師あり学習された機械学習モデル」の記載があり、学習モデルの利用が明確。
②テキスト中の重要な語句や文脈を自動判別：〇
※判定理由：「入力文に含まれる各単語の重要度」の評価機能が明記されている。
③学習者の理解度に応じて穴埋め箇所を動的に決定：△
※判定理由：動的な処理は示唆されているが、学習者の理解度との関連は明確でない。
④重要語句の文脈上の重要度と難易度スコアに基づいて穴埋め箇所を選定：〇
※判定理由：「単語の重要度と出力長に基づいて単語のセットを抽出する」機能が記載されている。
⑤問題の出題順序を最適化：〇
※判定理由：「出力文を生成する」際の順序最適化に関する記載がある。
■3件目：類似度 80%
- 公開番号: JP2020140629A
- 出願日: 2019-03-01
- 公開日: 2020-09-03
- 出願人: 日本電信電話株式会社
- 名称：文生成装置、文生成方法、文生成学習装置、文生成学習方法及びプログラム
- 結果：類似度80%、①〇、②〇、③△、④〇、⑤×
- 要点：(産業分野)自然言語処理 (課題)入力文の構成要素について指定された焦点に応じた重要度を評価 (解決手段)学習済みモデルにより、入力文を構成する各単語の重要度を推定し、重要度に基づいて文を生成 (効果・特徴)文の構成要素の重要度を焦点に応じて評価可能
〇特徴別の該否結果と判定理由
①教師データから学習した言語モデルと問題難易度評価モデルを組み合わせたシステム：〇
※判定理由：「学習済みモデルにより」と記載があり、学習モデルの使用が明確。
②テキスト中の重要な語句や文脈を自動判別：〇
※判定理由：「入力文を構成する各単語の重要度を推定」する機能が記載されている。
③学習者の理解度に応じて穴埋め箇所を動的に決定：△
※判定理由：動的な処理は示唆されているが、学習者の理解度との関連は不明確。
④重要語句の文脈上の重要度と難易度スコアに基づいて穴埋め箇所を選定：〇
※判定理由：「各単語の重要度を推定」し、それに基づく処理を行う機能が記載されている。
⑤問題の出題順序を最適化：×
※判定理由：出題順序の最適化に関する記載がない。
4.総括（考察・コメント）
ユーザーが入力したアイデアと抽出した公報を比較すると、以下のような考察ができます：
1.産業分野の比較：
- アイデアは教育支援システム、特に穴埋め問題生成に特化している
- 抽出公報は自然言語処理技術を基盤としており、その応用として教育支援を含む
- 特に、JPWO2022014016Aは穴埋め試験問題作成に直接関連する
2.課題の比較：
- アイデアは学習者の理解度に応じた動的な問題生成を主眼としている
- 抽出公報は主に文の重要度評価や文生成の精度向上に注力
- アイデアは既存技術より学習者適応の観点が強い
3.解決手段の比較：
- アイデアは言語モデルと難易度評価モデルの組み合わせという特徴的なアプローチ
- 抽出公報は主に単一の学習モデルによる解決を図っている
- アイデアは出題順序の最適化まで含む、より包括的なソリューション
新規性や進歩性に関する意見やアドバイスを得るためには、弁理士などの専門家に相談することをお勧めします。
AIを使って、アイデアと抽出公報を対比（詳細評価）
アイデアの特徴①②③④⑤と抽出公報を対比、評価しました。
以下の通り、ご報告いたします。
・アイデアの特徴
①言語モデルを用いてテキスト中の重要な語句や文脈を自動判別する
②問題難易度評価モデルにより、各穴埋め箇所の難易度スコアを算出する
③学習者の理解度に応じて穴埋め箇所を動的に決定する
④文脈上の重要度と難易度スコアに基づいて穴埋め箇所を選定する
⑤問題の出題順序を最適化する機能を有する
・抽出公報
公報番号：JPWO2022014016（出願日：2020-07-16、公開日：2022-01-20、出願人：日本電気株式会社、名称：穴埋め試験問題作成システム、方法、プログラム）
・該否結果
※評価基準：〇（特徴の要件を全て含む）、△（特徴の要件を一部含む）、×（特徴の要件を一つも含まない）
| 公報番号(出願人) | 類似度 (%) | ① | ② | ③ | ④ | ⑤ |
|---|---|---|---|---|---|---|
| JPWO2022014016(日本電気) | 60% | △ | × | × | △ | × |
特徴①と抽出公報との比較
・該否結果：△
・特徴①の定義：
言語モデルを用いてテキスト中の重要な語句や文脈を自動判別する
・特徴①に対応する箇所と内容：
「１または複数の文書と前記文書の中の穴埋め箇所を指定した正解データを訓練データとしてモデルの学習を実行し、学習済みモデルを生成する、学習済みモデル生成部と、前記学習済みモデルにより前記穴埋め試験問題対象文書の穴埋め箇所を予測して出力する」
・補足：
特徴①は言語モデルによる重要語句・文脈の自動判別を特定していますが、抽出公報では学習済みモデルによる穴埋め箇所の予測について言及はあるものの、具体的に言語モデルを用いることや重要語句・文脈の判別方法については明確な記載がありません。
特徴②と抽出公報との比較
・該否結果：×
・特徴②の定義：
問題難易度評価モデルにより、各穴埋め箇所の難易度スコアを算出する
・特徴②に対応する箇所と内容：
関連する記載無し
・補足：
抽出公報には穴埋め箇所の難易度評価やスコア算出に関する記載がありません。
特徴③と抽出公報との比較
・該否結果：×
・特徴③の定義：
学習者の理解度に応じて穴埋め箇所を動的に決定する
・特徴③に対応する箇所と内容：
関連する記載無し
・補足：
抽出公報には学習者の理解度に基づく穴埋め箇所の動的決定に関する記載がありません。
特徴④と抽出公報との比較
・該否結果：△
・特徴④の定義：
文脈上の重要度と難易度スコアに基づいて穴埋め箇所を選定する
・特徴④に対応する箇所と内容：
「学習済みモデルにより前記穴埋め試験問題対象文書の穴埋め箇所を予測して出力する」
・補足：
特徴④は文脈の重要度と難易度スコアに基づく選定を特定していますが、抽出公報では穴埋め箇所の予測について言及があるものの、選定基準としての文脈重要度や難易度スコアについての具体的な記載はありません。
特徴⑤と抽出公報との比較
・該否結果：×
・特徴⑤の定義：
問題の出題順序を最適化する機能を有する
・特徴⑤に対応する箇所と内容：
関連する記載無し
・補足：
抽出公報には問題の出題順序の最適化に関する記載がありません。
総括（アイデアと抽出公報の比較）
1.産業分野の比較：両者は教育支援システム、特に試験問題自動生成の分野に属しており、AIや機械学習技術を活用して穴埋め問題を作成するという点で共通しています。しかし、アイデアはより包括的な学習支援機能を提供することを目指しています。
2.課題の比較：抽出公報は主に穴埋め問題の自動作成という基本的な課題に焦点を当てているのに対し、アイデアは学習者の理解度に応じた適応的な問題生成や、難易度評価、出題順序の最適化など、より高度な教育的課題の解決を目指しています。
3.解決手段の比較：抽出公報は機械学習モデルを用いた基本的な穴埋め箇所の予測に留まっているのに対し、アイデアは言語モデルによる文脈理解、難易度評価、学習者適応、出題最適化など、より多角的かつ高度な解決手段を提案しています。これにより、より効果的な学習支援を実現しようとしている点で大きく異なります。
AIを使って、アイデアと抽出公報を対比（対比表作成）
以下は、アイデアの特徴と抽出公報に関して対比表にまとめたものです：
アイデアの特徴と抽出公報との対比表
| 特徴 | 記載箇所 | 記載内容（抽出公報から転記） | 一致点 | 相違点 | 類似度 |
|---|---|---|---|---|---|
| ①：言語モデルを用いてテキスト中の重要な語句や文脈を自動判別する | 【要約】 | １または複数の文書と前記文書の中の穴埋め箇所を指定した正解データを訓練データとしてモデルの学習を実行し、学習済みモデルを生成する、学習済みモデル生成部と、前記学習済みモデルにより前記穴埋め試験問題対象文書の穴埋め箇所を予測して出力する | 機械学習モデルによる自動判別機能 | 言語モデルの具体的な使用方法の記載なし | 部分的 |
| ②：問題難易度評価モデルにより、各穴埋め箇所の難易度スコアを算出する | - | 関連する記載なし | なし | 難易度評価機能の記載なし | 低い |
| ③：学習者の理解度に応じて穴埋め箇所を動的に決定する | - | 関連する記載なし | なし | 学習者適応機能の記載なし | 低い |
| ④：文脈上の重要度と難易度スコアに基づいて穴埋め箇所を選定する | 【要約】 | 学習済みモデルにより前記穴埋め試験問題対象文書の穴埋め箇所を予測して出力する | 穴埋め箇所の自動選定 | 選定基準の具体的な記載なし | 部分的 |
| ⑤：問題の出題順序を最適化する機能を有する | - | 関連する記載なし | なし | 出題順序最適化機能の記載なし | 低い |
■総括（考察、コメント）
- 基本アプローチ：
両者とも機械学習を活用した穴埋め問題生成システムを提案していますが、実装方法と機能の範囲に大きな違いがあります。 - 技術的特徴の相違：
- アイデアは言語モデルを明確に指定し、難易度評価や学習者適応など、より高度な機能を含んでいます。
- 抽出公報は基本的な穴埋め箇所の予測に留まっており、詳細な実装方法や追加機能についての記載が限定的です。
- 独自性：
- 難易度評価モデル（特徴②）
- 学習者適応機能（特徴③）
- 出題順序最適化（特徴⑤）
これらの機能は抽出公報には記載がなく、アイデアの独自性を示しています。
総合評価：
全体的な類似度は約60%程度と評価され、基本的なアプローチは類似しているものの、アイデアはより高度で包括的なシステムを提案しています。特に学習者への適応性と問題の質的管理の面で、アイデアは明確な優位性を持っています。
AIを使って、アイデアと類似する特許の出願動向分析
本テーマに関連する特許出願について、出願年,出願人等の観点で分析しました。
1-1. 出願年別の傾向分析:
| 出願年 | 件数 | 主な技術トレンド |
|---|---|---|
| 2024年 | 4件 | 対話システム、文生成モデル、セマンティックセグメンテーション |
| 2023年 | 5件 | 画像認識、機械学習モデル、集団移動分析 |
| 2022年 | 15件 | 自然言語処理、コード生成、画像フィルタ生成 |
| 2021年 | 14件 | 要約生成、文書分類、対訳コーパス |
| 2020年 | 18件 | 質問応答、対話生成、知識グラフ |
| 2019年 | 10件 | 文生成、要約生成、学習モデル |
| 2018年 | 8件 | 機械翻訳、言い換え生成、セグメンテーション |
| 2017年以前 | 26件 | 基礎的な自然言語処理、画像認識技術 |
・補足説明
出願年別の分析から、2020年以降に出願が活発化しており、特に2020-2022年に集中していることがわかります。技術トレンドとしては、初期の基礎的な自然言語処理から、より高度な対話システムや文生成モデル、マルチモーダル技術への発展が見られます。近年は特に、機械学習モデルの高度化や実用的なアプリケーションへの応用が増加しています。
1-2. 主要出願人別の技術領域:
| 出願人 | 件数 | 主な技術領域 |
|---|---|---|
| 日本電信電話 | 18件 | 文生成、対話システム、要約生成 |
| 富士通 | 16件 | 自然言語処理、画像認識、知識グラフ |
| NTTドコモ | 8件 | 対話生成、文生成モデル、質問応答 |
| 三菱電機 | 7件 | 画像処理、機械学習、システム制御 |
| 日本電気 | 5件 | 試験問題生成、文書分類、推論システム |
| その他 | 46件 | 機械翻訳、画像認識、セグメンテーションなど |
・補足説明
主要出願人の分析から、大手通信・IT企業が中心となって技術開発を進めていることが分かります。特にNTTグループと富士通が多くの特許を出願しており、それぞれの強みを活かした技術領域に注力しています。NTTグループは言語処理系、富士通はAI基盤技術といった特徴が見られます。
1-3. 技術分野別の分類:
| 技術分野 | 件数 | 主な特徴 |
|---|---|---|
| 自然言語処理 | 35件 | 文生成、機械翻訳、対話システム |
| 機械学習基盤 | 25件 | モデル学習、推論エンジン、知識獲得 |
| 画像認識・処理 | 15件 | セグメンテーション、フィルタ生成、物体検出 |
| 対話システム | 12件 | 質問応答、対話生成、意図理解 |
| データ解析 | 8件 | テキストマイニング、知識抽出、分類 |
| その他 | 5件 | システム制御、UI/UX等 |
・補足説明
技術分野別の分析から、自然言語処理関連の特許が最も多く、次いで機械学習基盤技術が続いています。特に近年は、複数の技術を組み合わせたマルチモーダルな応用や、より高度な対話システムの実現に向けた技術開発が増加しています。
1-4. 技術課題別の分類:
| 技術課題 | 件数 | 主なアプローチ |
|---|---|---|
| 精度向上 | 35件 | モデル改良、学習手法最適化、データ拡充 |
| 効率化 | 25件 | 軽量化、高速化、リソース最適化 |
| 汎用化 | 20件 | ドメイン適応、転移学習、マルチタスク学習 |
| 実用化 | 15件 | システム統合、UI/UX改善、運用効率化 |
| その他 | 5件 | セキュリティ、プライバシー保護等 |
・補足説明
技術課題別の分析から、精度向上に関する特許が最も多く、次いで効率化、汎用化に関する特許が続いています。特に近年は、実用化に向けた課題解決や、より実践的な応用を目指した技術開発が増加しています。
1-5. 総括
本分析対象の特許群からは、自然言語処理技術を中心とした人工知能技術の急速な発展と実用化への取り組みが明確に見て取れます。特に2020年以降、大手IT企業を中心に出願が活発化しており、基礎技術の確立から実用化に向けた技術開発へとシフトしていることが特徴的です。技術的には、単純な言語処理から対話システムやマルチモーダル技術など、より高度で複雑な課題に取り組む傾向が強まっています。また、精度向上や効率化といった従来からの課題に加え、汎用化や実用化に向けた技術開発も増加しており、AI技術の社会実装に向けた取り組みが加速していることが窺えます。
特許出願の内容を出願年,出願人の観点から分析しました。
2-1. 技術分野による分類
| 技術分野 | 特徴的な出願内容 | 件数 |
|---|---|---|
| 自然言語生成・処理 | 文生成、要約生成、対話生成、翻訳、質問応答 | 45件 |
| 機械学習基盤 | ニューラルネットワーク、深層学習、強化学習 | 20件 |
| 知識・データ処理 | 知識グラフ、データマイニング、情報抽出 | 15件 |
| 画像・音声処理 | 画像認識、音声認識、マルチモーダル処理 | 12件 |
| コード・プログラム解析 | ソースコード解析、プログラム変換 | 8件 |
自然言語処理関連の特許が最も多く、特に文生成や要約生成に関する技術が目立ちます。次いで機械学習の基盤技術、知識処理、マルチモーダル処理の順となっており、AI技術の基盤から応用まで幅広い出願がなされています。
2-2. 産業分野による分類
| 産業分野 | 応用例 | 該当特許数 |
|---|---|---|
| IT/ソフトウェア | 自然言語処理、機械翻訳、対話システム | 35件 |
| 教育/研究 | 学習支援、試験問題生成、研究支援 | 15件 |
| 製造/設計 | 設計支援、品質管理、性能最適化 | 12件 |
| 医療/ヘルスケア | 健康診断支援、医療情報処理 | 8件 |
| コンテンツ/メディア | コンテンツ生成、要約生成 | 30件 |
IT/ソフトウェア分野での活用が最も多く、特に自然言語処理技術の実用化が進んでいます。また、コンテンツ生成や教育支援など、創造的な活用も増加しており、AIの応用範囲が広がっていることがわかります。
2-3. 製品分野による分類
| 製品分野 | 具体例 | 件数 |
|---|---|---|
| 言語処理システム | 翻訳システム、対話システム、要約システム | 40件 |
| 学習/分析ツール | 機械学習フレームワーク、分析支援ツール | 25件 |
| 業務支援システム | 設計支援、コード生成、品質管理 | 20件 |
| プラットフォーム | AI基盤、開発環境、実行環境 | 15件 |
言語処理に関連するシステムが製品分野でも最多を占めており、特に翻訳や対話のシステム化が進んでいます。また、機械学習のツールやフレームワークなど、AI開発を支援する製品も多く見られます。
2-4. 技術背景による分類
| 技術背景 | 内容 | 関連特許数 |
|---|---|---|
| データ増大 | 大規模データ処理、効率的な学習 | 30件 |
| 処理高度化 | 複雑なタスク対応、精度向上 | 25件 |
| 自動化要求 | 業務自動化、省力化 | 20件 |
| 品質向上 | 出力品質、信頼性向上 | 15件 |
| コスト最適化 | 計算資源、開発効率化 | 10件 |
大規模データの効率的な処理や、より複雑なタスクへの対応など、AIの基盤技術の高度化が主な技術背景となっています。また、実用化に向けた品質向上やコスト最適化のニーズも高まっています。
2-5. 用途による分類
| 用途 | 具体例 | 件数 |
|---|---|---|
| 自動生成 | テキスト生成、コード生成、要約生成 | 35件 |
| 知識活用 | 情報抽出、知識処理、意味理解 | 25件 |
| 業務効率化 | 翻訳支援、設計支援、分析支援 | 20件 |
| 品質向上 | 精度向上、最適化、検証 | 20件 |
自動生成技術の実用化が最も進んでおり、特にテキストや要約の生成に関する用途が多く見られます。また、知識処理や業務効率化など、実践的な活用も増加しています。
2-6. 課題による分類
| 課題 | 具体的内容 | 件数 |
|---|---|---|
| 精度向上 | 生成品質、認識精度の改善 | 35件 |
| 効率化 | 処理速度、リソース使用効率 | 25件 |
| 汎用性向上 | 未知データ対応、ドメイン適応 | 20件 |
| 品質保証 | 信頼性、安定性確保 | 20件 |
出力の精度向上が最大の課題となっており、特に生成系タスクでの品質改善が重視されています。また、処理効率や汎用性の向上など、実用化に向けた課題も多く見られます。
2-7. 解決手段による分類
| 解決手段 | アプローチ | 件数 |
|---|---|---|
| モデル改良 | アーキテクチャ改善、学習手法改善 | 30件 |
| データ活用 | 教師データ生成、知識活用 | 25件 |
| 処理最適化 | アルゴリズム改善、パラメータ調整 | 25件 |
| 品質制御 | 検証方法、制約付与 | 20件 |
モデルアーキテクチャや学習手法の改良が主な解決手段となっており、特に深層学習モデルの改善が多く見られます。また、データ活用や処理最適化など、多面的なアプローチが採られています。
2-8. 効果による分類
| 効果 | 具体的な改善点 | 件数 |
|---|---|---|
| 精度向上 | 出力品質、認識率改善 | 35件 |
| 効率化 | 処理時間短縮、リソース削減 | 25件 |
| 汎用化 | 適用範囲拡大、再利用性向上 | 20件 |
| 安定化 | 動作安定性、品質安定性向上 | 20件 |
出力精度の向上が最も顕著な効果として報告されており、特に生成タスクでの品質改善が達成されています。また、処理効率化や適用範囲の拡大など、実用化に向けた効果も得られています。
2-9. 総括
分析した特許出願から、自然言語処理を中心としたAI技術の実用化が急速に進んでいることが明らかになりました。特に文生成や要約生成などの生成系技術に関する出願が多く、モデルの改良や学習手法の改善により出力品質の向上が図られています。また、IT/ソフトウェア分野での活用が先行していますが、教育、製造、医療など様々な産業分野への展開も進んでいます。技術的な課題としては依然として精度向上や効率化が重要視されていますが、これらに対して機械学習モデルの改良やデータ活用など、多面的なアプローチで解決が図られています。今後は、より実践的な応用に向けた品質保証や安定性確保が重要になると考えられます。
AIを使って、アイデアと類似する技術カテゴリ抽出
本テーマに関連する特許について、技術要素等をカテゴライズしました。
| 大カテゴリ | 中カテゴリ | 小カテゴリ | 説明 |
|---|---|---|---|
| 1. 自然言語処理基盤 | 1.1 言語モデル | 1.1.1 ニューラルネットワーク | ディープラーニングを用いた言語処理モデル |
| 1.1.2 エンコーダ・デコーダ | 入力テキストの符号化と復号化技術 | ||
| 1.1.3 注意機構 | 文脈や関連性に基づく重み付け技術 | ||
| 1.2 学習手法 | 1.2.1 教師あり学習 | ラベル付きデータを用いた学習方式 | |
| 1.2.2 強化学習 | 報酬based の学習最適化手法 | ||
| 1.2.3 転移学習 | 既存モデルの知識転用技術 | ||
| 1.3 前処理 | 1.3.1 形態素解析 | 文章の形態素への分割処理 | |
| 1.3.2 構文解析 | 文の構造解析技術 | ||
| 1.3.3 正規化 | テキストデータの標準化処理 | ||
| 2. テキスト生成 | 2.1 生成方式 | 2.1.1 条件付き生成 | 制約条件に基づくテキスト生成 |
| 2.1.2 要約生成 | 文書の要点抽出と要約生成 | ||
| 2.1.3 拡張生成 | 入力テキストの拡張・補完 | ||
| 2.2 品質制御 | 2.2.1 一貫性制御 | 文脈の整合性維持技術 | |
| 2.2.2 流暢性向上 | 自然な文章表現の実現 | ||
| 2.2.3 多様性制御 | 表現バリエーションの制御 | ||
| 2.3 評価指標 | 2.3.1 文法評価 | 文法的正確性の評価 | |
| 2.3.2 意味評価 | 意味的妥当性の評価 | ||
| 2.3.3 流暢性評価 | 読みやすさの評価 | ||
| 3. 対話処理 | 3.1 対話制御 | 3.1.1 文脈管理 | 対話の文脈維持・追跡 |
| 3.1.2 話題展開 | 対話の自然な展開制御 | ||
| 3.1.3 状態遷移 | 対話状態の管理・遷移 | ||
| 3.2 応答生成 | 3.2.1 質問応答 | 質問に対する回答生成 | |
| 3.2.2 情報提供 | 関連情報の提供・説明 | ||
| 3.2.3 感情応答 | 感情を考慮した応答 | ||
| 3.3 個性化 | 3.3.1 性格表現 | 特定の性格に基づく応答 | |
| 3.3.2 話者適応 | 話者特性への適応 | ||
| 3.3.3 スタイル制御 | 表現スタイルの制御 | ||
| 4. 知識処理 | 4.1 知識表現 | 4.1.1 オントロジー | 概念体系の構築・利用 |
| 4.1.2 知識グラフ | 知識の構造化表現 | ||
| 4.1.3 意味ネットワーク | 概念間の関係性表現 | ||
| 4.2 推論 | 4.2.1 論理推論 | 論理に基づく推論処理 | |
| 4.2.2 確率推論 | 確率モデルによる推論 | ||
| 4.2.3 類推 | 類似性に基づく推論 | ||
| 4.3 知識獲得 | 4.3.1 情報抽出 | テキストからの知識抽出 | |
| 4.3.2 関係抽出 | 概念間関係の抽出 | ||
| 4.3.3 知識更新 | 知識ベースの更新管理 | ||
| 5. 評価・検証 | 5.1 品質評価 | 5.1.1 精度評価 | 処理結果の正確性評価 |
| 5.1.2 一貫性評価 | 処理結果の整合性評価 | ||
| 5.1.3 効率性評価 | 処理効率の評価 | ||
| 5.2 検証手法 | 5.2.1 自動テスト | 自動化された検証処理 | |
| 5.2.2 比較検証 | 他手法との比較評価 | ||
| 5.2.3 ユーザ評価 | 実ユーザによる評価 | ||
| 5.3 改善支援 | 5.3.1 エラー分析 | 問題点の分析・特定 | |
| 5.3.2 パラメータ調整 | モデル調整の支援 | ||
| 5.3.3 フィードバック | 評価結果の反映 | ||
| 6. システム統合 | 6.1 モジュール連携 | 6.1.1 API設計 | インターフェース設計 |
| 6.1.2 データ連携 | モジュール間データ連携 | ||
| 6.1.3 処理制御 | 処理フローの制御管理 | ||
| 6.2 実行環境 | 6.2.1 分散処理 | 処理の分散化制御 | |
| 6.2.2 並列処理 | 並列処理の最適化 | ||
| 6.2.3 リソース管理 | システムリソースの管理 | ||
| 6.3 保守運用 | 6.3.1 監視制御 | システム状態の監視 | |
| 6.3.2 障害対応 | 障害検知と復旧対応 | ||
| 6.3.3 バージョン管理 | システム更新の管理 | ||
| 7. データ管理 | 7.1 データ収集 | 7.1.1 クローリング | Web等からのデータ収集 |
| 7.1.2 フィルタリング | 不要データの除去 | ||
| 7.1.3 正規化 | データ形式の標準化 | ||
| 7.2 データ保存 | 7.2.1 構造化保存 | 構造化データの管理 | |
| 7.2.2 分散保存 | データの分散配置 | ||
| 7.2.3 バージョン管理 | データ更新の管理 | ||
| 7.3 データ活用 | 7.3.1 検索最適化 | 効率的なデータ検索 | |
| 7.3.2 分析支援 | データ分析の支援 | ||
| 7.3.3 可視化 | データの視覚的表現 | ||
| 8. セキュリティ | 8.1 アクセス制御 | 8.1.1 認証管理 | ユーザ認証の制御 |
| 8.1.2 権限管理 | アクセス権限の管理 | ||
| 8.1.3 監査追跡 | アクセスログの管理 | ||
| 8.2 データ保護 | 8.2.1 暗号化 | データの暗号化処理 | |
| 8.2.2 匿名化 | 個人情報の保護 | ||
| 8.2.3 バックアップ | データ保護の管理 | ||
| 8.3 脅威対策 | 8.3.1 異常検知 | 異常アクセスの検知 | |
| 8.3.2 攻撃防御 | セキュリティ攻撃対策 | ||
| 8.3.3 リスク管理 | セキュリティリスク管理 |
\
AI特許調査
お問い合わせください
/
特許調査にAIを活用した新しい手法をご紹介しています。
自然言語処理や機械学習による効率的な文献探索、技術動向分析など、
具体的な活用方法について、ご不明な点やより詳しい情報が必要な際は、
お気軽にお問い合わせください。専門スタッフが丁寧にご説明いたします。
