ＡI特許調査
事例紹介
モバイル通信に関する特許調査をしてみた！
テーマ：モバイル通信に関するAI特許調査
・調査観点
複数の入力データ形式に対応する変換モジュールと深層学習モデルを組み合わせ、商品の画像データ、テキストデータ、および数値データを入力として受け付け、各データ形式に応じた特徴抽出を行い、抽出された特徴ベクトルを統合して商品カテゴリの分類を行う商品分類システムにおいて、複数の分類器の出力を重み付け結合し、分類結果の信頼度に基づいて重みを動的に調整することを特徴とする商品分類システム。
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：モバイル通信と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。
モバイル通信 × 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. マルチモーダルデータ処理による商品分類システム
複数の入力データ形式に対応する変換モジュールと深層学習モデルを組み合わせ、商品の画像データ、テキストデータ、および数値データを入力として受け付け、各データ形式に応じた特徴抽出を行い、抽出された特徴ベクトルを統合して商品カテゴリの分類を行う商品分類システムにおいて、複数の分類器の出力を重み付け結合し、分類結果の信頼度に基づいて重みを動的に調整することを特徴とする商品分類システム。
・アイデアの特徴
①複数のデータ形式（画像、テキスト、数値）に対応する変換モジュールを備える
②各データ形式から特徴ベクトルを抽出し統合する
③複数の分類器を用いて商品カテゴリを判定する
④分類結果の信頼度を計算する
⑤信頼度に基づいて分類器の重みを動的に調整する
2. 自己最適化ネットワーク制御システム
通信ネットワークの運用データを収集し、時系列パターンの分析を行い、ネットワーク障害の予兆を検出し、障害発生前に最適な制御パラメータを自動設定するネットワーク制御システムにおいて、過去の制御パラメータの調整履歴と障害発生状況の相関分析に基づき、制御パラメータの調整範囲を自動的に学習することを特徴とするネットワーク制御システム。
・アイデアの特徴
①通信ネットワークの運用データを継続的に収集する
②時系列データからネットワーク障害の予兆を検出する
③制御パラメータと障害発生の相関を分析する
④最適な制御パラメータを自動的に設定する
⑤制御パラメータの有効な調整範囲を学習する
3. 学習モデル最適化システム
複数の学習済みモデルの性能評価を行い、入力データの特性に応じて最適なモデルを選択し、選択されたモデルの出力結果を組み合わせて最終的な予測結果を生成する学習モデル最適化システムにおいて、入力データの品質評価結果に基づいてモデルの選択基準を動的に更新することを特徴とする学習モデル最適化システム。
・アイデアの特徴
①複数の学習済みモデルの性能を評価する
②入力データの特性を分析する
③データ特性に基づいて最適なモデルを選択する
④選択されたモデルの出力を組み合わせる
⑤データ品質に応じてモデル選択基準を更新する
4. 行動パターン認証システム
ユーザの操作履歴データから特徴的な行動パターンを抽出し、抽出された行動パターンと既存の行動パターンデータベースとの比較により、ユーザ認証を行う行動パターン認証システムにおいて、行動パターンの時間的変化を考慮した類似度計算を行い、認証精度を向上させることを特徴とする行動パターン認証システム。
・アイデアの特徴
①ユーザの操作履歴から行動パターンを抽出する
②行動パターンデータベースと比較を行う
③時間的変化を考慮した類似度を計算する
④類似度に基づいてユーザ認証を実行する
⑤認証結果の信頼度を評価する
5. 画像特徴量抽出システム
入力画像から特徴量を抽出し、抽出された特徴量を用いて画像の分類を行う画像特徴量抽出システムにおいて、画像の局所的特徴と大域的特徴を階層的に抽出し、特徴量の重要度に基づいて特徴量の選択を行い、選択された特徴量を用いて画像分類を行うことを特徴とする画像特徴量抽出システム。
・アイデアの特徴
①画像から局所的特徴を抽出する
②画像から大域的特徴を抽出する
③特徴量の重要度を計算する
④重要度に基づいて特徴量を選択する
⑤選択された特徴量で画像分類を実行する
6. データセット品質評価システム
学習用データセットの品質を評価し、データセットに含まれるノイズや異常値を検出し、検出された問題箇所を自動的に修正するデータセット品質評価システムにおいて、データ分布の統計的分析結果に基づいて異常値の判定基準を動的に設定することを特徴とするデータセット品質評価システム。
・アイデアの特徴
①データセットの品質を統計的に評価する
②ノイズや異常値を検出する
③データ分布を分析する
④異常値の判定基準を動的に設定する
⑤問題箇所を自動的に修正する
7. ネットワーク異常検知システム
通信ネットワークのトラフィックデータを監視し、正常時のトラフィックパターンを学習し、学習されたパターンとの差異を検出することで異常を検知するネットワーク異常検知システムにおいて、検知された異常の種類と重要度に応じて通知先を自動的に振り分けることを特徴とするネットワーク異常検知システム。
・アイデアの特徴
①トラフィックデータを継続的に監視する
②正常時のトラフィックパターンを学習する
③パターンの差異から異常を検知する
④異常の種類と重要度を判定する
⑤重要度に応じて通知先を振り分ける
8. データセット類似度評価システム
複数のデータセット間の類似度を計算し、類似度に基づいてデータセットのグループ化を行うデータセット類似度評価システムにおいて、データセットの構造的特徴と内容的特徴の両方を考慮した類似度計算を行い、類似度に基づくデータセットの階層的分類を実現することを特徴とするデータセット類似度評価システム。
・アイデアの特徴
①データセットの構造的特徴を抽出する
②データセットの内容的特徴を抽出する
③特徴に基づいて類似度を計算する
④類似度に基づいてグループ化を行う
⑤データセットを階層的に分類する
9. 特徴量次元圧縮システム
高次元の特徴量データを低次元に圧縮し、圧縮された特徴量を用いてデータ分析を行う特徴量次元圧縮システムにおいて、データの分布特性に応じて最適な圧縮手法を選択し、圧縮後のデータの品質を評価することを特徴とする特徴量次元圧縮システム。
・アイデアの特徴
①高次元特徴量データを入力として受け付ける
②データの分布特性を分析する
③最適な圧縮手法を選択する
④特徴量の次元を圧縮する
⑤圧縮後のデータ品質を評価する
10. マルチヘッド学習システム
複数の出力層を持つニューラルネットワークを用いて、単一の入力データから複数の予測タスクを同時に実行するマルチヘッド学習システムにおいて、各タスクの学習進捗に応じて学習率を動的に調整し、タスク間の相互作用を考慮した重み更新を行うことを特徴とするマルチヘッド学習システム。
・アイデアの特徴
①複数の出力層を持つネットワークを構築する
②単一入力から複数のタスクを実行する
③各タスクの学習進捗を監視する
④タスクごとに学習率を調整する
⑤タスク間の相互作用を考慮して重みを更新する
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）
複数の入力データ形式に対応する変換モジュールと深層学習モデルを組み合わせ、商品の画像データ、テキストデータ、および数値データを入力として受け付け、各データ形式に応じた特徴抽出を行い、抽出された特徴ベクトルを統合して商品カテゴリの分類を行う商品分類システムにおいて、複数の分類器の出力を重み付け結合し、分類結果の信頼度に基づいて重みを動的に調整することを特徴とする商品分類システム。
■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複数の入力データ形式（画像、テキスト、数値データ）に対応する変換モジュールを有する
②各データ形式に応じた特徴抽出を行う
③抽出された特徴ベクトルを統合する
④複数の分類器の出力を重み付け結合する
⑤分類結果の信頼度に基づいて重みを動的に調整する
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。
- JP2024135440 (富士通株式会社) - 機械学習プログラム、機械学習方法、及び機械学習装置
- JP2021157792 (富士通株式会社) - 事前トレーニングされた分類器に基づく深層ニューラル・ネットワーク（ＤＮＮ）予測の検証
- JP2018165926 (株式会社NTTドコモ) - 類似画像検索装置
- JP2021082154 (オムロン株式会社) - モデル生成装置、推定装置、モデル生成方法、及びモデル生成プログラム
- JP2021140362 (オムロン株式会社) - モデル生成装置、推定装置、モデル生成方法、及びモデル生成プログラム
- JPWO2022249415 (日本電信電話株式会社) - 情報提供装置、情報提供方法及び情報提供プログラム
- JP2024031110 (カラクリ株式会社) - プログラム、方法、およびシステム
- JP2022135390 (LINEヤフー株式会社) - 情報処理装置、情報処理方法及び情報処理プログラム
2.特徴別の該否結果
上記で抽出した特許公報について、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 |
|---|---|---|---|---|---|---|
| JP2024135440(富士通) | 85 | 〇 | 〇 | 〇 | 〇 | △ |
| JP2021157792(富士通) | 80 | △ | 〇 | 〇 | 〇 | 〇 |
| JP2018165926(NTTドコモ) | 75 | 〇 | 〇 | △ | 〇 | × |
| JP2021082154(オムロン) | 70 | △ | 〇 | 〇 | 〇 | × |
| JP2021140362(オムロン) | 65 | △ | 〇 | 〇 | △ | × |
| JPWO2022249415(NTT) | 60 | △ | 〇 | 〇 | × | × |
| JP2024031110(カラクリ) | 55 | △ | 〇 | × | △ | △ |
| JP2022135390(LINEヤフー) | 50 | △ | 〇 | × | △ | × |
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 85%
- 公開番号: JP2024135440
- 出願日: 2023-03-23
- 公開日: 2024-10-04
- 出願人: 富士通株式会社
- 名称: 機械学習プログラム、機械学習方法、及び機械学習装置
- 結果：類似度85%、①〇、②〇、③〇、④〇、⑤△
- 要点：（産業分野）機械学習・自然言語処理。（課題）単語間の因果関係の特徴を効果的に抽出し、高精度な分類を実現すること。（解決手段）単語埋め込みと関係性に基づく特徴量の生成、複数の対応情報の統合、ニューラルネットワークによる学習を組み合わせたシステム。（効果・特徴）異なる種類の特徴量を効果的に組み合わせることで、高精度な分類を実現。
- 公報リンク: https://patents.google.com/patent/JP2024135440
〇特徴別の該否結果と判定理由
①複数の入力データ形式に対応：〇
※判定理由：単語埋め込みと関係性という異なる形式の入力データに対応する記載あり。
②各データ形式に応じた特徴抽出：〇
※判定理由：単語埋め込みと関係性それぞれに対応した特徴抽出方法の記載あり。
③特徴ベクトルの統合：〇
※判定理由：第1の対応情報と第2の対応情報を統合して第3の対応情報を生成する記載あり。
④複数分類器の重み付け結合：〇
※判定理由：複数の特徴量を組み合わせて分類を行う記載あり。
⑤信頼度による重み動的調整：△
※判定理由：特徴量の組み合わせに関する記載はあるが、信頼度に基づく動的調整の記載なし。
■2件目：類似度 80%
- 公開番号: JP2021157792
- 出願日: 2021-03-18
- 公開日: 2021-10-07
- 出願人: 富士通株式会社
- 名称: 事前トレーニングされた分類器に基づく深層ニューラル・ネットワーク（ＤＮＮ）予測の検証
- 結果：類似度80%、①△、②〇、③〇、④〇、⑤〇
- 要点：（産業分野）機械学習・予測検証。（課題）DNN予測の信頼性を検証し、予測結果の確からしさを評価すること。（解決手段）事前学習された分類器を用いて特徴と重みを抽出し、予測結果の信頼スコアを決定。（効果・特徴）予測結果の信頼性を定量的に評価可能。
- 公報リンク: https://patents.google.com/patent/JP2021157792
〇特徴別の該否結果と判定理由
①複数の入力データ形式に対応：△
※判定理由：データポイントの入力に関する記載はあるが、複数形式への対応は明確でない。
②各データ形式に応じた特徴抽出：〇
※判定理由：DNN予測からの特徴抽出に関する具体的な記載あり。
③特徴ベクトルの統合：〇
※判定理由：抽出された特徴と重みの組み合わせに関する記載あり。
④複数分類器の重み付け結合：〇
※判定理由：事前学習された分類器と予測モデルの組み合わせに関する記載あり。
⑤信頼度による重み動的調整：〇
※判定理由：信頼スコアに基づく予測の検証と評価に関する明確な記載あり。
■3件目：類似度 75%
- 公開番号: JP2018165926
- 出願日: 2017-03-28
- 公開日: 2018-10-25
- 出願人: 株式会社NTTドコモ
- 名称: 類似画像検索装置
- 結果：類似度75%、①〇、②〇、③△、④〇、⑤×
- 要点：（産業分野）画像処理・検索。（課題）精度の高い類似画像検索の実現。（解決手段）異なる複数の分類器を用いて入力画像の特徴量ベクトルを算出し、検索対象画像との類似度を計算。（効果・特徴）複数の分類器を組み合わせることで高精度な類似画像検索を実現。
- 公報リンク: https://patents.google.com/patent/JP2018165926
〇特徴別の該否結果と判定理由
①複数の入力データ形式に対応：〇
※判定理由：画像データに対する複数の異なる分類器での処理に関する記載あり。
②各データ形式に応じた特徴抽出：〇
※判定理由：各分類器による特徴量ベクトルの算出方法の記載あり。
③特徴ベクトルの統合：△
※判定理由：特徴量ベクトルの算出に関する記載はあるが、統合方法は明確でない。
④複数分類器の重み付け結合：〇
※判定理由：複数の分類器を用いた処理の記載あり。
⑤信頼度による重み動的調整：×
※判定理由：重みの動的調整に関する記載なし。
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：
・アイデアは商品分類に特化しているのに対し、抽出公報は機械学習、画像処理、自然言語処理など、より広範な技術分野をカバーしています。
・特に富士通の特許（JP2024135440、JP2021157792）は、異なる入力データの処理と分類という点で類似性が高いです。
2.課題の比較：
・アイデアは複数のデータ形式を統合した商品分類の精度向上を目指しているのに対し、抽出公報は各々の技術分野における特定の課題（因果関係の抽出、予測の信頼性検証、画像検索精度向上など）に焦点を当てています。
・特に信頼度に基づく重み調整という点では、富士通の特許JP2021157792が最も近い技術を開示しています。
3.解決手段の比較：
・アイデアは複数のデータ形式に対応する変換モジュールと分類器の組み合わせという包括的なアプローチを採用しています。
・抽出公報は特定のデータ形式や処理に特化した解決手段を提示しており、アイデアのような統合的なアプローチは見られません。
・特に技術的特徴⑤（信頼度に基づく重みの動的調整）については、完全に一致する開示は見られませんでした。
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複数のデータ形式（画像、テキスト、数値）に対応する変換モジュールを備える
②各データ形式から特徴ベクトルを抽出し統合する
③複数の分類器を用いて商品カテゴリを判定する
④分類結果の信頼度を計算する
⑤信頼度に基づいて分類器の重みを動的に調整する
・抽出公報
公報番号：JP2024135440（出願日：2023-03-23、公開日：2024-10-04、出願人：富士通株式会社、名称：機械学習プログラム、機械学習方法、及び機械学習装置）
・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 |
|---|---|---|---|---|---|---|
| JP2024135440(富士通) | 30% | △ | △ | × | × | × |
特徴①と抽出公報との比較
・該否結果：△
・特徴①の定義：
複数のデータ形式（画像、テキスト、数値）に対応する変換モジュールを備える
・特徴①に対応する箇所と内容：
【要約】
「単語間の因果関係の特徴を因果関係抽出モデルに入力し、機械学習を実行する」
・補足：
特徴①は複数のデータ形式に対応する変換モジュールを備えることですが、抽出公報Ⅰではテキストデータのみを扱う構成となっており、画像や数値データへの対応については言及がありません。そのため、部分的な一致と評価しました。
特徴②と抽出公報との比較
・該否結果：△
・特徴②の定義：
各データ形式から特徴ベクトルを抽出し統合する
・特徴②に対応する箇所と内容：
【請求項１】
「単語埋め込みに基づいて単語とベクトルとが対応付けられた第１の対応情報と、…単語ペアの関係性に基づいて単語とベクトルとが対応付けられた第２の対応情報と、に基づいて生成された第３の対応情報を取得し」
・補足：
特徴②は各データ形式からの特徴ベクトル抽出と統合を行うことですが、抽出公報Ⅰではテキストデータから単語ベクトルを生成する点のみが一致しています。複数のデータ形式からの特徴抽出とその統合については記載がないため、部分的な一致と評価しました。
特徴③と抽出公報との比較
・該否結果：×
・特徴③の定義：
複数の分類器を用いて商品カテゴリを判定する
・特徴③に対応する箇所と内容：
関連する記載無し。抽出公報では単語間の因果関係の抽出に関する記載はありますが、商品カテゴリの判定や複数分類器の使用については言及がありません。
特徴④と抽出公報との比較
・該否結果：×
・特徴④の定義：
分類結果の信頼度を計算する
・特徴④に対応する箇所と内容：
関連する記載無し。抽出公報では分類結果の信頼度計算に関する記載はありません。
特徴⑤と抽出公報との比較
・該否結果：×
・特徴⑤の定義：
信頼度に基づいて分類器の重みを動的に調整する
・特徴⑤に対応する箇所と内容：
関連する記載無し。抽出公報では分類器の重み調整に関する記載はありません。
総括（アイデアと抽出公報の比較）
1.産業分野の比較：
アイデアと抽出公報はいずれも機械学習技術の分野に属していますが、アイデアはマルチモーダルな商品分類システムを対象としているのに対し、抽出公報は自然言語処理における因果関係抽出に特化しており、応用分野が異なります。
2.課題の比較：
アイデアは複数のデータ形式を統合して高精度な商品分類を実現することを課題としているのに対し、抽出公報は単語間の因果関係を効率的に抽出することを課題としており、解決すべき技術的課題が異なります。
3.解決手段の比較：
アイデアは複数のデータ形式に対応する変換モジュールと複数の分類器を組み合わせた適応的なシステムを提案しているのに対し、抽出公報は単語埋め込みと関係性ベクトルを組み合わせた因果関係抽出モデルを提案しており、技術的アプローチが大きく異なります。
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 | 関連評価 |
|---|---|---|---|---|---|---|
| ①：複数のデータ形式に対応する変換モジュール | 【要約】 | 単語間の因果関係の特徴を因果関係抽出モデルに入力し、機械学習を実行する | テキストデータの処理機能を有する | 画像、数値データへの対応について言及なし | 低い | △ |
| ②：特徴ベクトルの抽出と統合 | 【請求項１】 | 単語埋め込みに基づいて単語とベクトルとが対応付けられた第１の対応情報と、単語ペアの関係性に基づいて単語とベクトルとが対応付けられた第２の対応情報と、に基づいて生成された第３の対応情報を取得し | テキストデータからのベクトル生成 | 複数データ形式からの特徴抽出と統合の記載なし | 部分的 | △ |
| ③：複数分類器による商品カテゴリ判定 | なし | 関連する記載なし | なし | 商品カテゴリ判定や複数分類器に関する記載なし | なし | × |
| ④：分類結果の信頼度計算 | なし | 関連する記載なし | なし | 信頼度計算に関する記載なし | なし | × |
| ⑤：分類器の重み動的調整 | なし | 関連する記載なし | なし | 分類器の重み調整に関する記載なし | なし | × |
■総括（考察、コメント）
- 基本技術アプローチ：
両者とも機械学習を活用したデータ処理システムを提案していますが、その具体的なアプローチは大きく異なります。アイデアが複数データ形式への対応と商品分類に焦点を当てているのに対し、抽出公報は単語間の因果関係抽出に特化しています。 - データ処理の範囲：
アイデアは画像、テキスト、数値など複数のデータ形式を扱う包括的なアプローチを提案していますが、抽出公報はテキストデータのみを対象としており、処理範囲が限定的です。 - 特徴ベクトル生成：
両者ともベクトル生成を行いますが、その目的と方法が異なります。アイデアは複数データ形式からの特徴統合を目指すのに対し、抽出公報は単語間の関係性に基づくベクトル生成に焦点を当てています。 - システムの柔軟性：
アイデアは信頼度計算と重み調整による動的な制御を特徴としていますが、抽出公報にはそのような適応的な制御機構は含まれていません。 - 応用領域：
アイデアは商品カテゴリ判定という具体的な応用を想定していますが、抽出公報は因果関係抽出という基礎的な言語処理技術に焦点を当てています。
総じて、両者は機械学習を活用するという点で共通点を持ちますが、その具体的なアプローチ、目的、応用領域において大きく異なります。アイデアはより包括的で実用的なシステムを提案しているのに対し、抽出公報は特定の言語処理タスクに特化したソリューションを提供しています。
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 |
|---|---|---|
| 2015年 | 2件 | 投稿情報分類、意味ネットワーク学習 |
| 2016年 | 1件 | 属性推定 |
| 2017年 | 3件 | 音響モデル学習、運転者行動予測、類似画像検索 |
| 2018年 | 4件 | 学習済モデル提案、異常検知、動物行動予測 |
| 2019年 | 8件 | 生成モデル構築、データ分類、画像認識 |
| 2020年 | 10件 | 通信システム、異常検知、機械学習高速化 |
| 2021年 | 12件 | 楽曲生成、金銭取引分析、機械診断 |
| 2022年 | 11件 | マルチタスク学習、自然言語処理、通信制御 |
| 2023年 | 14件 | 電波伝搬推定、画像処理、倫理的AI |
| 2024年 | 5件 | 半導体特性予測、異常検知、通信管理 |
・補足説明
2019年以降、出願件数が大幅に増加しており、特に2021-2023年に集中している。技術領域も通信、画像処理、自然言語処理など多岐にわたり、より高度な応用分野への展開が進んでいる。近年は特にマルチタスク学習や倫理的AIなど、より複雑な課題に対応する技術開発が増加している傾向が見られる。
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 | 15件 | 通信システム、音声認識、異常検知 |
| 富士通 | 8件 | 自然言語処理、ソースコード分析、倫理的AI |
| 楽天グループ | 6件 | 画像処理、マルチタスク学習、顔認識 |
| オムロン | 5件 | 生成モデル、異常検知、データ分類 |
| NTTドコモ | 4件 | 通信制御、需要予測、類似画像検索 |
| その他 | 62件 | IoT、機械学習、画像認識など |
・補足説明
主要出願人は通信関連企業が中心で、特にNTTグループが全体の約20%を占める。各社の技術領域は自社の事業領域に密接に関連しており、通信インフラ、画像処理、自然言語処理などの分野で特許出願を行っている。近年は楽天グループなどの新興企業も積極的に特許出願を行っている。
1-3. 技術分野別の分類:
| 技術分野 | 件数 | 主な特徴 |
|---|---|---|
| 通信・ネットワーク | 25件 | 異常検知、通信制御、品質予測 |
| 画像処理・認識 | 18件 | 物体検出、顔認識、類似画像検索 |
| 自然言語処理 | 12件 | テキスト分類、対話システム、翻訳 |
| 音声処理 | 8件 | 音声認識、音響モデル、楽曲生成 |
| 機械学習基盤 | 22件 | モデル最適化、マルチタスク学習、転移学習 |
| 異常検知・予測 | 15件 | システム監視、故障予測、不正検知 |
・補足説明
通信・ネットワーク関連の特許が最も多く、次いで機械学習基盤技術が続く。近年は画像処理や自然言語処理など、より応用分野に特化した技術開発が増加している。また、異常検知・予測の分野も重要な技術領域として確立されつつある。
1-4. 技術課題別の分類:
| 技術課題 | 件数 | 主なアプローチ |
|---|---|---|
| 性能向上 | 35件 | モデル最適化、マルチタスク学習、転移学習 |
| リアルタイム処理 | 20件 | 軽量化、分散処理、エッジコンピューティング |
| 汎化性能 | 15件 | データ拡張、ドメイン適応、敵対的学習 |
| 異常検知 | 18件 | 統計的手法、深層学習、アンサンブル学習 |
| 倫理的AI | 12件 | 説明可能性、公平性、プライバシー保護 |
・補足説明
性能向上に関する技術課題が最も多く、次いでリアルタイム処理や異常検知に関する課題が続く。近年は倫理的AIに関する技術課題も増加傾向にあり、AIの社会実装に向けた取り組みが進められている。
1-5. 総括
2019年以降、AIに関する特許出願が急増しており、特に通信・ネットワーク分野での活用が顕著である。主要出願人はNTTグループを中心とした通信関連企業が中心だが、近年は様々な業種からの参入も見られる。技術的には性能向上やリアルタイム処理に関する課題解決が主流だが、倫理的AIやプライバシー保護など、社会実装に向けた新たな課題への取り組みも増加している。また、マルチタスク学習や転移学習など、より効率的な学習方法の開発も進んでおり、AIの実用化に向けた技術開発が加速している。
特許出願の内容を複数の観点から分析しました。
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 |
|---|---|---|
| 機械学習基盤技術 | モデル学習・最適化、損失関数設計、特徴量抽出 | 28件 |
| 自然言語処理 | 翻訳、質問応答、文書分類、因果関係抽出 | 15件 |
| コンピュータビジョン | 画像認識、物体検出、行動認識 | 14件 |
| 音声・音響処理 | 音声認識、音響モデル、感情認識 | 8件 |
| ネットワーク・通信 | 通信制御、異常検知、リソース最適化 | 20件 |
| セキュリティ | データ保護、異常検出、プライバシー保護 | 15件 |
補足説明: 機械学習基盤技術に関する特許が最も多く、特にモデル学習や最適化に関する基本特許が目立ちます。次いでネットワーク・通信分野での応用が多く、5G/6G時代を見据えた通信制御やリソース最適化技術の開発が活発です。自然言語処理や画像認識技術も着実に進展しており、実用化に向けた特許出願が増加傾向にあります。
2-2. 産業分野による分類
| 産業分野 | 応用例 | 該当特許数 |
|---|---|---|
| IT/通信 | 通信制御、ネットワーク最適化 | 35件 |
| 製造業 | 品質管理、異常検知、工程最適化 | 20件 |
| 金融/決済 | 不正検知、リスク分析 | 10件 |
| エンターテインメント | ゲーム、音楽、コンテンツ生成 | 15件 |
| ヘルスケア | 行動分析、健康管理 | 8件 |
| セキュリティ | データ保護、認証 | 12件 |
補足説明: IT/通信分野での出願が最も多く、特に通信事業者による通信制御や最適化に関する特許が目立ちます。製造業では品質管理や異常検知への応用が進んでおり、製造現場でのAI活用が本格化しています。エンターテインメント分野では、ゲームやコンテンツ生成への応用が増加しており、新しい価値創造への取り組みが見られます。
2-3. 製品分野による分類
| 製品分野 | 具体例 | 件数 |
|---|---|---|
| ソフトウェアシステム | AI基盤システム、分析ツール | 30件 |
| 通信インフラ | 基地局制御、ネットワーク管理 | 25件 |
| 産業機器/装置 | 検査装置、制御システム | 15件 |
| コンテンツサービス | ゲーム、音楽生成 | 12件 |
| セキュリティ製品 | データ保護システム、認証装置 | 10件 |
| プラットフォーム | クラウドサービス、開発環境 | 8件 |
補足説明: ソフトウェアシステム分野が最も多く、特にAI基盤システムや分析ツールの開発が活発です。通信インフラ関連の特許も多く、5G/6G時代に向けた技術開発が進んでいます。産業機器/装置分野では、製造業向けの検査装置や制御システムへの応用が目立ちます。
2-4. 技術背景による分類
| 技術背景 | 内容 | 関連特許数 |
|---|---|---|
| データ量増大 | 大規模データ処理の必要性 | 25件 |
| 処理効率化要求 | リソース最適化、高速化 | 30件 |
| 自動化ニーズ | 人手作業の自動化 | 20件 |
| 精度向上要求 | 認識・予測精度の改善 | 15件 |
| セキュリティ要求 | データ保護、プライバシー確保 | 10件 |
補足説明: 処理効率化要求に関連する特許が最も多く、特にリアルタイム処理や省リソース化に関する技術開発が進んでいます。データ量増大に対応するための技術も多く出願されており、大規模データの効率的な処理が課題となっています。自動化ニーズも高く、人手作業の自動化に向けた技術開発が活発です。
2-5. 用途による分類
| 用途 | 具体例 | 件数 |
|---|---|---|
| 業務効率化 | 自動化、最適化 | 35件 |
| 品質管理 | 検査、異常検知 | 20件 |
| サービス向上 | パーソナライズ、推薦 | 15件 |
| セキュリティ強化 | データ保護、認証 | 18件 |
| コスト削減 | リソース最適化 | 12件 |
補足説明: 業務効率化に関する特許が最も多く、特に自動化や最適化に関する技術が目立ちます。品質管理への応用も多く、製造業での活用が進んでいます。セキュリティ強化に関する特許も増加傾向にあり、データ保護やプライバシー保護への関心の高さが伺えます。
2-6. 課題による分類
| 課題 | 具体的内容 | 件数 |
|---|---|---|
| 処理効率 | 高速化、リソース最適化 | 30件 |
| 精度向上 | 認識精度、予測精度改善 | 25件 |
| コスト削減 | 運用コスト、計算コスト削減 | 20件 |
| セキュリティ | データ保護、プライバシー | 15件 |
| 自動化 | 人手作業の自動化 | 10件 |
補足説明: 処理効率に関する課題が最も多く、特に高速化やリソース最適化が重要視されています。精度向上も重要な課題として認識されており、認識精度や予測精度の改善に向けた技術開発が進んでいます。コスト削減も大きな課題となっており、運用コストや計算コストの削減に向けた取り組みが見られます。
2-7. 解決手段による分類
| 解決手段 | アプローチ | 件数 |
|---|---|---|
| モデル最適化 | アーキテクチャ改善、パラメータ調整 | 35件 |
| 特徴量設計 | 効率的な特徴抽出 | 25件 |
| アルゴリズム改善 | 学習方法の改善 | 20件 |
| システム構成 | アーキテクチャ設計 | 15件 |
| データ処理 | データ前処理、後処理 | 5件 |
補足説明: モデル最適化に関する解決手段が最も多く、特にニューラルネットワークのアーキテクチャ改善やパラメータ調整に関する技術が目立ちます。特徴量設計も重要な解決手段として位置付けられており、効率的な特徴抽出方法の開発が進んでいます。アルゴリズム改善も多く、学習方法の改善による性能向上が図られています。
2-8. 効果による分類
| 効果 | 具体的な改善点 | 件数 |
|---|---|---|
| 性能向上 | 処理速度向上、精度改善 | 40件 |
| 効率化 | リソース削減、自動化 | 30件 |
| コスト削減 | 運用コスト、開発コスト削減 | 15件 |
| 安定性向上 | 信頼性向上、ロバスト性向上 | 10件 |
| セキュリティ強化 | データ保護、プライバシー保護 | 5件 |
補足説明: 性能向上に関する効果が最も多く、特に処理速度の向上や精度の改善が多く報告されています。効率化も重要な効果として挙げられており、リソース削減や自動化による業務効率の向上が実現されています。コスト削減効果も多く、運用コストや開発コストの削減に貢献しています。
2-9. 総括
人工知能・機械学習技術の特許出願動向を分析すると、基盤技術の開発が着実に進む一方で、実用化に向けた応用技術の開発も活発化していることが分かります。特に通信・IT分野での活用が進んでおり、5G/6G時代に向けた技術開発が注目されています。また、製造業での活用も進んでおり、品質管理や異常検知などの実用的な応用が増加しています。処理効率化やコスト削減といった実務的な課題に対する解決策の開発も進んでおり、AIの実用化が着実に進展していることが伺えます。セキュリティやプライバシー保護に関する技術開発も重要視されており、AIの社会実装に向けた取り組みが総合的に進められています。
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. 機械学習基盤技術 | 1.1 学習モデル構築 | 1.1.1 ディープニューラルネットワーク | 多層のニューラルネットワークを用いた深層学習技術 |
| 1.1.2 マルチタスク学習 | 複数のタスクを同時に学習させる技術 | ||
| 1.1.3 転移学習 | 既存モデルの知識を新しいタスクに転用する技術 | ||
| 1.2 データ処理 | 1.2.1 特徴量抽出 | 入力データから有効な特徴を抽出する技術 | |
| 1.2.2 データ前処理 | 学習データの正規化や加工を行う技術 | ||
| 1.2.3 データ拡張 | データ量を人工的に増やす技術 | ||
| 1.3 モデル評価 | 1.3.1 性能評価 | モデルの精度や効率を評価する技術 | |
| 1.3.2 汎化性能 | 未知データへの対応力を向上させる技術 | ||
| 1.3.3 モデル最適化 | モデルのパラメータを調整する技術 | ||
| 2. 自然言語処理 | 2.1 言語解析 | 2.1.1 形態素解析 | テキストを最小単位に分割して解析する技術 |
| 2.1.2 構文解析 | 文の構造を解析する技術 | ||
| 2.1.3 意味解析 | テキストの意味を理解する技術 | ||
| 2.2 対話処理 | 2.2.1 質問応答 | ユーザの質問に適切に応答する技術 | |
| 2.2.2 文章生成 | 自然な文章を生成する技術 | ||
| 2.2.3 感情分析 | テキストから感情を抽出する技術 | ||
| 2.3 多言語処理 | 2.3.1 機械翻訳 | 異なる言語間の翻訳を行う技術 | |
| 2.3.2 言語横断 | 複数言語に対応する技術 | ||
| 2.3.3 文字認識 | 異なる文字体系を認識する技術 | ||
| 3. 画像・音声処理 | 3.1 画像認識 | 3.1.1 物体検出 | 画像から対象物を検出する技術 |
| 3.1.2 セグメンテーション | 画像を領域分割する技術 | ||
| 3.1.3 特徴マッチング | 画像間の類似性を判定する技術 | ||
| 3.2 音声認識 | 3.2.1 音声変換 | 音声信号を解析・変換する技術 | |
| 3.2.2 話者認識 | 話者の特定を行う技術 | ||
| 3.2.3 音響モデル | 音声の特徴をモデル化する技術 | ||
| 3.3 マルチモーダル | 3.3.1 データ融合 | 異なる種類のデータを統合する技術 | |
| 3.3.2 クロスモーダル学習 | 複数のモダリティ間で学習を行う技術 | ||
| 3.3.3 同期処理 | 異なる種類のデータを同期させる技術 | ||
| 4. 予測・推論 | 4.1 時系列分析 | 4.1.1 傾向予測 | 時間的な変化を予測する技術 |
| 4.1.2 異常検知 | 異常なパターンを検出する技術 | ||
| 4.1.3 系列モデリング | 時系列データをモデル化する技術 | ||
| 4.2 確率推論 | 4.2.1 ベイズ推定 | 確率的な推論を行う技術 | |
| 4.2.2 確率モデル | 不確実性を考慮したモデリング技術 | ||
| 4.2.3 リスク評価 | リスクを定量的に評価する技術 | ||
| 4.3 最適化 | 4.3.1 パラメータ最適化 | モデルのパラメータを最適化する技術 | |
| 4.3.2 制約条件処理 | 制約付き最適化を行う技術 | ||
| 4.3.3 多目的最適化 | 複数の目的を同時に最適化する技術 | ||
| 5. システム構成 | 5.1 分散処理 | 5.1.1 並列学習 | 複数のリソースで並列に学習を行う技術 |
| 5.1.2 負荷分散 | 処理負荷を分散させる技術 | ||
| 5.1.3 同期制御 | 分散システムの同期を制御する技術 | ||
| 5.2 データ管理 | 5.2.1 データベース連携 | データベースとの連携技術 | |
| 5.2.2 キャッシュ制御 | データのキャッシュを管理する技術 | ||
| 5.2.3 セキュリティ管理 | データのセキュリティを確保する技術 | ||
| 5.3 インターフェース | 5.3.1 API設計 | アプリケーションインターフェースの設計技術 | |
| 5.3.2 プロトコル制御 | 通信プロトコルを制御する技術 | ||
| 5.3.3 エラー処理 | システムエラーを適切に処理する技術 | ||
| 6. アプリケーション | 6.1 業務支援 | 6.1.1 業務自動化 | 業務プロセスを自動化する技術 |
| 6.1.2 意思決定支援 | 意思決定を支援する技術 | ||
| 6.1.3 リソース最適化 | リソースの効率的な活用を行う技術 | ||
| 6.2 ユーザ支援 | 6.2.1 レコメンド | ユーザへの推薦を行う技術 | |
| 6.2.2 パーソナライズ | 個人に適応したサービスを提供する技術 | ||
| 6.2.3 インタラクション | ユーザとの対話を行う技術 | ||
| 6.3 産業応用 | 6.3.1 品質管理 | 製品品質を管理する技術 | |
| 6.3.2 異常診断 | 設備や製品の異常を診断する技術 | ||
| 6.3.3 予防保全 | 故障を予防する技術 | ||
| 7. データ活用 | 7.1 データ収集 | 7.1.1 センサ連携 | 各種センサからデータを収集する技術 |
| 7.1.2 データクレンジング | データの品質を向上させる技術 | ||
| 7.1.3 データ統合 | 異なるソースのデータを統合する技術 | ||
| 7.2 分析手法 | 7.2.1 統計分析 | 統計的手法によるデータ分析技術 | |
| 7.2.2 パターン認識 | データのパターンを認識する技術 | ||
| 7.2.3 相関分析 | データ間の関係性を分析する技術 | ||
| 7.3 活用支援 | 7.3.1 可視化 | データを視覚的に表現する技術 | |
| 7.3.2 レポーティング | 分析結果を報告する技術 | ||
| 7.3.3 知識抽出 | データから知識を抽出する技術 | ||
| 8. 実装技術 | 8.1 モデル実装 | 8.1.1 軽量化 | モデルを軽量化する技術 |
| 8.1.2 高速化 | 処理速度を向上させる技術 | ||
| 8.1.3 省メモリ化 | メモリ使用量を削減する技術 | ||
| 8.2 運用管理 | 8.2.1 バージョン管理 | モデルのバージョンを管理する技術 | |
| 8.2.2 性能監視 | システムの性能を監視する技術 | ||
| 8.2.3 障害対応 | システムの障害に対応する技術 | ||
| 8.3 品質保証 | 8.3.1 テスト自動化 | テストを自動化する技術 | |
| 8.3.2 品質評価 | システムの品質を評価する技術 | ||
| 8.3.3 継続的改善 | システムを継続的に改善する技術 |
\
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。
