ＡI特許調査
事例紹介
通信工学に関する特許調査をしてみた！
テーマ：通信工学に関するAI特許調査
・調査観点
画像認識において、複数の撮影角度と被写体距離から得られた画像データを入力とし、畳み込みニューラルネットワークによる特徴抽出と再帰型ニューラルネットワークによる時系列処理を組み合わせ、各画像間の空間的・時間的な相関関係を学習することで、物体の三次元的な把握と動的な状態変化の予測を実現し、さらに検出された物体の属性情報をデータベースと照合して物体の詳細な分類と状態判定を行い、その結果に基づいて物体追跡及び異常検知を実施することを特徴とする画像認識システム。
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：通信工学と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。
通信工学 × 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.マルチモーダル画像認識システム
画像認識において、複数の撮影角度と被写体距離から得られた画像データを入力とし、畳み込みニューラルネットワークによる特徴抽出と再帰型ニューラルネットワークによる時系列処理を組み合わせ、各画像間の空間的・時間的な相関関係を学習することで、物体の三次元的な把握と動的な状態変化の予測を実現し、さらに検出された物体の属性情報をデータベースと照合して物体の詳細な分類と状態判定を行い、その結果に基づいて物体追跡及び異常検知を実施することを特徴とする画像認識システム。
・アイデアの特徴
①複数の撮影角度と被写体距離から得られた画像データを入力として使用する
②畳み込みニューラルネットワークと再帰型ニューラルネットワークを組み合わせて特徴抽出を行う
③画像間の空間的・時間的な相関関係を学習する
④検出された物体の属性情報をデータベースと照合して分類・判定を行う
⑤物体の追跡と異常検知を実施する
2.階層型知識蒸留学習システム
複数の専門分野に特化した教師モデルから知識を抽出し、階層型混合エキスパートモデルを用いて統合することで、各分野の専門的知識を保持しつつ効率的な推論を可能とし、EMアルゴリズムと因子化漸近ベイズ推論を組み合わせた学習により、モデルの汎化性能を向上させ、さらに逆強化学習を用いて対象者の意思決定履歴から最適な行動方策を学習することを特徴とする知識統合型学習システム。
・アイデアの特徴
①複数の専門分野特化型教師モデルから知識を抽出する
②階層型混合エキスパートモデルにより知識を統合する
③EMアルゴリズムと因子化漸近ベイズ推論を組み合わせて学習を行う
④逆強化学習により対象者の意思決定履歴から学習する
⑤専門的知識を保持しつつ効率的な推論を実現する
3.感情認識マルチモーダル学習システム
音声、表情、生体信号等の複数のデータモダリティから感情を推定するシステムにおいて、再帰型ニューラルネットワークと変分オートエンコーダを組み合わせた半教師あり学習により、ラベリングコストを削減しつつ高精度な感情推定を実現し、さらにデータの欠損に対してロバストな推論を可能とすることを特徴とする感情認識システム。
・アイデアの特徴
①複数のデータモダリティを入力として使用する
②再帰型ニューラルネットワークと変分オートエンコーダを組み合わせる
③半教師あり学習によりラベリングコストを削減する
④データ欠損に対してロバストな推論を実現する
⑤複数の感情状態を高精度に推定する
4.深層強化学習型インフラ制御システム
社会インフラの制御において、モデルベースとモデルフリーの深層強化学習を組み合わせ、状態の価値とリスクを予測しつつ最適な制御値を生成し、目標指標の予測モデルと現実世界のデータを活用した学習により、自律的かつ安定的な制御を実現することを特徴とするインフラ制御システム。
・アイデアの特徴
①モデルベースとモデルフリーの深層強化学習を組み合わせる
②状態の価値とリスクを予測する
③目標指標の予測モデルを作成して学習に活用する
④現実世界のデータからサンプリングにより重み量を調整する
⑤自律的かつ安定的な制御を実現する
5.処方箋データ傷病名推論システム
処方箋データから傷病名を推論するシステムにおいて、医薬品の組み合わせパターンと投与期間の時系列分析を行い、深層学習により薬剤間の相互作用と症状の関連性を学習し、さらに医学的知識ベースとの照合により推論結果の妥当性を検証することを特徴とする傷病名推論システム。
・アイデアの特徴
①処方箋データから医薬品の組み合わせパターンを分析する
②投与期間の時系列分析を実施する
③深層学習により薬剤間の相互作用と症状の関連性を学習する
④医学的知識ベースと照合して推論結果を検証する
⑤高精度な傷病名推論を実現する
6.物体検出型車両損傷判定システム
車両の損傷状態を判定するシステムにおいて、深層学習による物体検出アルゴリズムを用いて車両部品の領域抽出と属性分類を単一のニューラルネットワークで実行し、部品ごとの損傷状態を判定するとともに、過去の修理データとの照合により修理必要度を推定することを特徴とする車両損傷判定システム。
・アイデアの特徴
①深層学習による物体検出アルゴリズムを使用する
②単一のニューラルネットワークで領域抽出と属性分類を実行する
③部品ごとの損傷状態を判定する
④過去の修理データと照合して修理必要度を推定する
⑤効率的な損傷判定処理を実現する
7.マルチモーダルFusion DNNシステム
複数のモーダル情報を処理するシステムにおいて、各モーダルに対応する個別のDNNと、それらの一部を融合したFusion層を組み合わせ、知識蒸留技術により教師モデルの知識を生徒モデルに転移させることで、効率的な学習と高精度な推論を実現することを特徴とするマルチモーダル処理システム。
・アイデアの特徴
①各モーダルに対応する個別のDNNを使用する
②DNNの一部を融合したFusion層を構成する
③知識蒸留技術により教師モデルの知識を転移する
④効率的な学習を実現する
⑤高精度な推論を実現する
8.視覚特性考慮型画像認識システム
画像認識システムにおいて、人間の視覚特性を考慮し、情報量を選択的に削減した学習用データを用いて畳み込みニューラルネットワークを学習させ、視覚的に重要な特徴を効率的に抽出することで、計算コストを削減しつつ認識精度を維持することを特徴とする画像認識システム。
・アイデアの特徴
①人間の視覚特性を考慮した学習用データを使用する
②情報量を選択的に削減する
③畳み込みニューラルネットワークによる特徴抽出を行う
④視覚的に重要な特徴を効率的に抽出する
⑤計算コストを削減しつつ認識精度を維持する
9.タスク抽出型会話分析システム
会話情報からタスクを抽出するシステムにおいて、畳み込みニューラルネットワークによる自然言語処理と再帰型ニューラルネットワークによる文章生成を組み合わせ、会話の文脈を考慮したタスク抽出を実現し、抽出されたタスクを適切なアプリケーションに提供することを特徴とするタスク抽出システム。
・アイデアの特徴
①畳み込みニューラルネットワークによる自然言語処理を実行する
②再帰型ニューラルネットワークによる文章生成を行う
③会話の文脈を考慮したタスク抽出を実現する
④抽出されたタスクを適切なアプリケーションに提供する
⑤効率的なタスク抽出処理を実現する
10.階層型ニューラルネットワーク学習システム
複数のニューラルネットワークを階層的に構成し、第一階層の隠れ層のデータを第二階層の入力データとして使用することで、特徴抽出の効率化と学習精度の向上を実現し、さらに各階層間の重み更新を最適化することを特徴とする階層型学習システム。
・アイデアの特徴
①複数のニューラルネットワークを階層的に構成する
②第一階層の隠れ層データを第二階層の入力として使用する
③特徴抽出の効率化を実現する
④学習精度の向上を実現する
⑤階層間の重み更新を最適化する
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）
画像認識において、複数の撮影角度と被写体距離から得られた画像データを入力とし、畳み込みニューラルネットワークによる特徴抽出と再帰型ニューラルネットワークによる時系列処理を組み合わせ、各画像間の空間的・時間的な相関関係を学習することで、物体の三次元的な把握と動的な状態変化の予測を実現し、さらに検出された物体の属性情報をデータベースと照合して物体の詳細な分類と状態判定を行い、その結果に基づいて物体追跡及び異常検知を実施することを特徴とする画像認識システム。
■技術的特徴
①複数の撮影角度と被写体距離から得られた画像データを入力とする
②畳み込みニューラルネットワークによる特徴抽出と再帰型ニューラルネットワークによる時系列処理を組み合わせている
③画像間の空間的・時間的な相関関係を学習する
④物体の属性情報をデータベースと照合して詳細な分類と状態判定を行う
⑤物体追跡及び異常検知を実施する
1.関連公報の抽出結果
- JPWO2023135621（三菱電機、監視カメラ画像解析システム）
- JPWO2020071559（Arithmer、車両状態判定装置）
- JP2018152004（富士フイルム、情報処理装置及びプログラム）
- JP2021189595（コニカミノルタ、画像認識装置）
- JPWO2023074235（パナソニック、運搬システム）
- JP2023001747（大成建設、物体位置学習装置）
- JP2018136632（オムロン、形状推定装置及び方法）
- JP2023032609（キヤノン、画像処理装置）
2.特徴別の該否結果
※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 |
|---|---|---|---|---|---|---|
| WO2023135621(三菱電機) | 85 | 〇 | △ | 〇 | △ | 〇 |
| WO2020071559(Arithmer) | 80 | △ | 〇 | △ | 〇 | 〇 |
| JP2018152004(富士フイルム) | 75 | × | 〇 | 〇 | △ | △ |
| JP2021189595(コニカミノルタ) | 70 | △ | △ | 〇 | 〇 | △ |
| WO2023074235(パナソニック) | 65 | 〇 | △ | △ | △ | 〇 |
| JP2023001747(大成建設) | 60 | 〇 | △ | △ | × | △ |
| JP2018136632(オムロン) | 55 | 〇 | △ | × | △ | × |
| JP2023032609(キヤノン) | 50 | △ | △ | △ | △ | × |
3.抽出公報の詳細レビュー
■1件目：類似度 85%
- 公開番号: JPWO2023135621
- 出願日: 2022-01-11
- 公開日: 2023-07-20
- 出願人: 三菱電機株式会社
- 名称: 監視カメラ画像解析システム
- 結果：類似度85%、①〇、②△、③〇、④△、⑤〇
- 要点：(産業分野)監視カメラシステム。(課題)複数の監視カメラから得られる画像データを効率的に解析し、高精度な物体検出と追跡を実現する。(解決手段)第1監視カメラを含み、深層学習推論処理部を備え、撮影角度と被写体距離によって分類された教師用学習データにより学習を行う。(効果・特徴)異なる撮影条件下での物体検出精度が向上し、効率的な監視システムを実現。
- 公報リンク: https://patents.google.com/patent/JPWO2023135621
〇特徴別の該否結果と判定理由
①複数の撮影角度と被写体距離から得られた画像データを入力：〇
※判定理由：「撮影角度と被写体距離とによって分かれている」との記載があり、完全に一致。
②畳み込みNNと再帰型NNの組み合わせ：△
※判定理由：深層学習推論処理部の記載はあるが、具体的なネットワーク構成の記載なし。
③画像間の空間的・時間的な相関関係を学習：〇
※判定理由：「教師用学習データにより学習」との記載があり、空間的関係性の学習が含まれる。
④物体の属性情報のDB照合による分類・状態判定：△
※判定理由：物体検出の記載はあるが、データベース照合の具体的記載なし。
⑤物体追跡及び異常検知の実施：〇
※判定理由：「物体検出と追跡を実現する」との記載があり、一致。
■2件目：類似度 80%
- 公開番号: JPWO2020071559
- 出願日: 2019-10-04
- 公開日: 2021-10-07
- 出願人: Arithmer株式会社
- 名称: 車両状態判定装置
- 結果：類似度80%、①△、②〇、③△、④〇、⑤〇
- 要点：(産業分野)車両状態判定システム。(課題)車両の損傷状態を柔軟性をもって高速かつ精度よく判定する。(解決手段)深層学習による物体検出アルゴリズムを用い、車両部品に関するデータを教師データとした教師あり学習によって構築。(効果・特徴)単一のニューラルネットワーク系による回帰問題的アプローチで、車両部品の領域抽出と状態判定を実現。
- 公報リンク: https://patents.google.com/patent/JPWO2020071559
■3件目：類似度 75%
- 公開番号: JP2018152004
- 出願日: 2017-03-15
- 公開日: 2018-09-27
- 出願人: 富士フイルムビジネスイノベーション株式会社
- 名称: 情報処理装置及びプログラム
- 結果：類似度75%、①×、②〇、③〇、④△、⑤△
- 要点：(産業分野)情報処理システム。(課題)複数のデータから潜在的要因を推定する際のラベリング作業を削減し、欠損データがあっても推定可能にする。(解決手段)再帰型ニューラルネットワークと変分オートエンコーダの組合せにより機械学習を実行。(効果・特徴)半教師あり学習により、データの欠損にロバストな推定を実現。
- 公報リンク: https://patents.google.com/patent/JP2018152004
4.総括（考察・コメント）
1.産業分野の比較：
- アイデアは汎用的な画像認識システムを提案
- 抽出公報は監視カメラ、車両検査、情報処理など特定分野への応用が中心
- より汎用的なアプローチを取っている点で、アイデアの方が適用範囲が広い
2.課題の比較：
- アイデアは物体の3次元的把握と動的状態変化の予測を主眼
- 抽出公報は各分野での具体的な課題（監視、車両状態判定など）に注力
- アイデアの方がより本質的な画像認識の課題に取り組んでいる
3.解決手段の比較：
- アイデアはCNNとRNNの組み合わせによる統合的なアプローチ
- 抽出公報は個別の技術要素（深層学習、RNN+VAEなど）に焦点
- アイデアは空間的・時間的相関の同時学習という新規性のある手法を提案
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複数の撮影角度と被写体距離から得られた画像データを入力とする
②畳み込みニューラルネットワークによる特徴抽出と再帰型ニューラルネットワークによる時系列処理を組み合わせている
③画像間の空間的・時間的な相関関係を学習する
④物体の属性情報をデータベースと照合して詳細な分類と状態判定を行う
⑤物体追跡及び異常検知を実施する
・抽出公報
公報番号：JPWO2023135621（出願日：2022-01-11、公開日：2023-07-20、出願人：三菱電機株式会社、名称：監視カメラ画像解析システム）
・該否結果
| 公報番号(出願人) | 類似度(%) | ① | ② | ③ | ④ | ⑤ |
|---|---|---|---|---|---|---|
| JPWO2023135621(三菱電機) | 40% | 〇 | × | × | × | × |
特徴①と抽出公報との比較
・該否結果：〇
・特徴①に対応する箇所と内容：
要約：「教師用学習データは、撮影角度と被写体距離とによって分かれている」
請求項1：「前記教師用学習データは、撮影角度と被写体距離とによって分かれている」
・補足：
特徴①は「複数の撮影角度と被写体距離から得られた画像データを入力とする」ですが、抽出公報Ⅰでは教師用学習データが撮影角度と被写体距離によって分かれていることが明確に記載されています。これは実質的に同じ特徴を示しています。
特徴②と抽出公報との比較
・該否結果：×
・特徴②に対応する箇所と内容：
関連する記載無し
・補足：
特徴②は「畳み込みニューラルネットワークによる特徴抽出と再帰型ニューラルネットワークによる時系列処理を組み合わせている」ですが、抽出公報Ⅰでは具体的なニューラルネットワークの構造や種類についての記載がありません。
特徴③と抽出公報との比較
・該否結果：×
・特徴③に対応する箇所と内容：
関連する記載無し
・補足：
特徴③は「画像間の空間的・時間的な相関関係を学習する」ですが、抽出公報Ⅰでは画像間の相関関係の学習に関する具体的な記載がありません。
特徴④と抽出公報との比較
・該否結果：×
・特徴④に対応する箇所と内容：
関連する記載無し
・補足：
特徴④は「物体の属性情報をデータベースと照合して詳細な分類と状態判定を行う」ですが、抽出公報Ⅰではデータベースとの照合や具体的な判定方法についての記載がありません。
特徴⑤と抽出公報との比較
・該否結果：×
・特徴⑤に対応する箇所と内容：
関連する記載無し
・補足：
特徴⑤は「物体追跡及び異常検知を実施する」ですが、抽出公報Ⅰでは物体追跡や異常検知に関する具体的な記載がありません。
総括（アイデアと抽出公報の比較）
1.産業分野の比較：
両者とも監視カメラシステムにおける画像解析技術という点で共通していますが、アイデアはより高度な画像処理と分析機能を備えた総合的なシステムを提案しています。
2.課題の比較：
抽出公報は主に撮影角度と被写体距離による画像認識の精度向上に焦点を当てているのに対し、アイデアは物体追跡や異常検知など、より広範な監視システムの課題解決を目指しています。
3.解決手段の比較：
抽出公報では深層学習を用いた基本的な画像解析手法を提案していますが、アイデアは複数の先進的なニューラルネットワーク技術を組み合わせ、より高度な解析機能を実現する手段を提案しています。
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：複数の撮影角度と被写体距離から得られた画像データを入力とする | 要約、請求項1 | 教師用学習データは、撮影角度と被写体距離とによって分かれている | 撮影角度と被写体距離を考慮した画像データの使用 | 具体的な入力方法の詳細な記載なし | 高い | 〇 |
| ②：畳み込みニューラルネットワークによる特徴抽出と再帰型ニューラルネットワークによる時系列処理を組み合わせている | 関連記載なし | - | なし | ニューラルネットワークの具体的構造についての記載なし | なし | × |
| ③：画像間の空間的・時間的な相関関係を学習する | 関連記載なし | - | なし | 画像間の相関関係学習に関する記載なし | なし | × |
| ④：物体の属性情報をデータベースと照合して詳細な分類と状態判定を行う | 関連記載なし | - | なし | データベース照合や判定方法の記載なし | なし | × |
| ⑤：物体追跡及び異常検知を実施する | 関連記載なし | - | なし | 物体追跡や異常検知に関する記載なし | なし | × |
■総括（考察、コメント）
- 基本アプローチ：両者とも画像処理技術を用いた監視システムに関するものですが、具体的な実装方法には大きな違いがあります。
- データ入力方式：アイデアと抽出公報は共に撮影角度と被写体距離を考慮している点で一致していますが、抽出公報ではデータの具体的な処理方法についての詳細な記載がありません。
- 技術的実装：アイデアは畳み込みニューラルネットワークや再帰型ニューラルネットワークなど、具体的な技術実装方法を明確に示していますが、抽出公報にはこれらの技術的詳細への言及がありません。
- 機能性の範囲：アイデアは物体追跡や異常検知など、より広範な機能を提供していますが、抽出公報はこれらの機能について具体的な記載がありません。
- 総合評価：類似度は約40%と評価され、これは主に基本的なデータ入力方式の類似性に起因しています。しかし、具体的な技術実装や機能面では大きな違いが見られます。
これらの違いは、各システムの目的や用途の違い、さらには技術的アプローチの違いを反映している可能性があります。アイデアの方がより包括的かつ具体的な技術実装を提案していると言えます。
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 |
|---|---|---|
| 2016年 | 4件 | 生成モデル学習、リスクベース認証、ニューラルネットワーク学習 |
| 2017年 | 4件 | 画像認識、音声認識、感情推定、行動分析 |
| 2018年 | 8件 | 行動推定、画像認識、医療画像処理、評価技術 |
| 2019年 | 14件 | 機械学習モデルの最適化、アンサンブル学習、敵対的学習 |
| 2020年 | 16件 | 学習データ生成、モデル保護、連合学習、異常検知 |
| 2021年 | 22件 | 因果関係抽出、ドメイン適応、マルチモーダル学習、転移学習 |
| 2022年 | 18件 | 自己教師あり学習、説明可能AI、分散学習、セキュリティ強化 |
| 2023年 | 14件 | プライバシー保護学習、効率的な学習手法、ロバスト性向上 |
・補足説明
2019年から2022年にかけて出願件数が大きく増加しており、特に2021年がピークとなっています。近年は、データやモデルの品質向上に加えて、セキュリティやプライバシー保護、説明可能性など、AIシステムの信頼性向上に関する技術開発が活発化しています。また、効率的な学習手法や分散学習など、実用化を見据えた技術開発も進んでいます。
1-2. 主要出願人別の技術領域:
| 出願人 | 件数 | 主な技術領域 |
|---|---|---|
| 富士通 | 12件 | 因果関係抽出、行動推定、学習効率化 |
| 日本電気 | 9件 | モデル防御、分散学習、プライバシー保護 |
| 三菱電機 | 4件 | 画像認識、モデル最適化、再学習 |
| 日立製作所 | 4件 | ニューラルネットワーク構造、システム連携 |
| その他 | 71件 | 各種応用技術、ドメイン特化型学習 |
・補足説明
大手IT企業が多くの特許を出願している一方で、その他の企業や研究機関からも多様な技術領域で出願がされています。富士通は因果関係抽出や行動推定など基盤技術、日本電気はセキュリティ関連技術、三菱電機と日立製作所はシステム実装に関する技術に強みを持っています。また、特定のドメインに特化した応用技術の開発も活発化しています。
1-3. 技術分野別の分類:
| 技術分野 | 件数 | 主な特徴 |
|---|---|---|
| 学習アルゴリズム | 28件 | 効率的学習、転移学習、マルチタスク学習 |
| モデル構造 | 22件 | ネットワーク最適化、アンサンブル手法 |
| データ処理 | 18件 | 前処理、特徴抽出、データ拡張 |
| セキュリティ | 16件 | プライバシー保護、敵対的学習対策 |
| 応用技術 | 16件 | 画像認識、自然言語処理、音声処理 |
・補足説明
学習アルゴリズムの改良や効率化に関する技術が最も多く、次いでモデル構造の最適化に関する技術が続いています。また、データ処理技術やセキュリティ関連技術も重要な位置を占めています。近年は、これらの基盤技術を組み合わせた応用技術の開発も活発化しています。
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 | 32件 | アルゴリズム改良、データ品質向上 |
| 効率化 | 24件 | モデル軽量化、学習高速化 |
| 信頼性向上 | 22件 | セキュリティ強化、説明可能性向上 |
| 汎用性向上 | 22件 | ドメイン適応、転移学習 |
・補足説明
精度向上は依然として最重要課題として位置づけられていますが、効率化や信頼性向上、汎用性向上など、実用化に向けた多面的な技術課題への取り組みが進んでいます。特に、説明可能性やセキュリティなど、AIシステムの社会実装に必要な要素技術の開発が重視されています。
1-5. 総括
機械学習関連の特許出願は2019年以降大きく増加し、特に2021年がピークとなっています。技術領域としては、従来からの精度向上や効率化に加えて、セキュリティやプライバシー保護、説明可能性など、AIシステムの信頼性向上に関する技術開発が活発化しています。また、大手IT企業による基盤技術の開発と並行して、特定のドメインに特化した応用技術の開発も進んでいます。今後は、これらの技術を組み合わせた実用的なAIシステムの開発が更に加速すると予想されます。
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 |
|---|---|---|
| 機械学習基盤技術 | モデル学習最適化、損失関数設計、学習アルゴリズム | 35件 |
| 画像認識/処理 | 物体検出、異常検知、セグメンテーション | 20件 |
| 自然言語処理 | 質問応答、文書生成、意図理解 | 12件 |
| 音声認識/処理 | 音声認識、音声合成、音響モデル | 8件 |
| 行動分析 | 行動予測、パターン認識、シーケンス解析 | 15件 |
| データ分析/予測 | 異常検知、需要予測、リスク分析 | 10件 |
補足説明：機械学習基盤技術に関する出願が最も多く、特に学習モデルの最適化や効率化に関する技術が注目されています。また画像認識分野でも多くの出願があり、製造業や医療分野での応用を想定した技術開発が活発です。行動分析分野では人の行動パターンを分析・予測する技術の開発が進んでいます。
2-2. 産業分野による分類
| 産業分野 | 応用例 | 該当特許数 |
|---|---|---|
| 製造業 | 品質検査、異常検知、工程最適化 | 25件 |
| IT/ソフトウェア | 機械学習プラットフォーム、自然言語処理 | 30件 |
| 医療/ヘルスケア | 医療画像診断、患者データ分析 | 15件 |
| 自動車/運輸 | 自動運転、運行管理 | 10件 |
| セキュリティ | 認証、不正検知 | 12件 |
| 金融 | リスク分析、与信判断 | 8件 |
補足説明：IT/ソフトウェア分野での出願が最も多く、次いで製造業分野での応用が目立ちます。製造業では特に品質管理や異常検知への応用が多く見られます。医療分野では画像診断支援や患者データ分析など、高度な判断支援システムの開発が進められています。
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 | 機械学習フレームワーク、分析ツール | 40件 |
| 組込みシステム | エッジAI、IoTデバイス向け | 20件 |
| 検査/監視システム | 品質検査、異常検知 | 25件 |
| 認識/分析システム | 画像認識、音声認識 | 15件 |
補足説明：ソフトウェアシステムに関する出願が最も多く、特に機械学習フレームワークや分析ツールの開発が活発です。また、エッジAIなど組込みシステム向けの軽量化技術や、製造現場での検査システムなど実用的なシステムの開発も進んでいます。
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 | 30件 |
| 処理効率化 | 計算コスト削減、高速化要求 | 25件 |
| 精度向上 | 認識・予測精度の改善要求 | 28件 |
| リアルタイム性 | リアルタイム処理の要求 | 17件 |
補足説明：大規模データの効率的な処理や、モデルの軽量化・高速化に関する技術背景が多く見られます。また、AIシステムの実用化に向けて、精度向上やリアルタイム性の要求も高まっています。
2-5. 用途による分類
| 用途 | 具体例 | 件数 |
|---|---|---|
| 予測/診断支援 | 異常予測、診断補助 | 35件 |
| 自動化/省力化 | 作業自動化、省人化 | 30件 |
| 品質管理 | 検査、品質保証 | 20件 |
| データ分析 | パターン分析、傾向把握 | 15件 |
補足説明：予測・診断支援や自動化・省力化に関する用途が多く、特に製造業や医療分野での実用化が進められています。品質管理への応用も多く、画像認識技術を活用した検査システムの開発が活発です。
2-6. 課題による分類
| 課題 | 具体的内容 | 件数 |
|---|---|---|
| 精度向上 | 認識精度、予測精度の改善 | 35件 |
| 処理効率化 | 計算コスト削減、高速化 | 30件 |
| データ不足 | 学習データ不足への対応 | 20件 |
| 汎化性能 | モデルの汎化性能向上 | 15件 |
補足説明：精度向上と処理効率化が主要な課題となっており、特に実用化に向けた性能改善が重視されています。また、学習データの不足や汎化性能の向上も重要な課題として認識されています。
2-7. 解決手段による分類
| 解決手段 | アプローチ | 件数 |
|---|---|---|
| アーキテクチャ改善 | モデル構造の最適化 | 30件 |
| 学習手法改善 | 学習アルゴリズムの改良 | 25件 |
| データ拡張 | データ増強、生成 | 20件 |
| ハイブリッド化 | 複数手法の組み合わせ | 25件 |
補足説明：モデルアーキテクチャの改善や学習手法の改良が主要な解決手段となっています。また、データ拡張技術や複数手法を組み合わせたハイブリッドアプローチも多く採用されています。
2-8. 効果による分類
| 効果 | 具体的な改善点 | 件数 |
|---|---|---|
| 性能向上 | 認識精度向上、予測精度向上 | 35件 |
| 効率化 | 処理時間短縮、リソース削減 | 30件 |
| コスト削減 | 開発コスト、運用コスト低減 | 20件 |
| 汎用性向上 | 適用範囲拡大、再利用性向上 | 15件 |
補足説明：性能向上と効率化に関する効果が多く報告されており、実用化に向けた具体的な改善が達成されています。また、コスト削減や汎用性向上といった実務的な効果も重視されています。
2-9. 総括
本分析対象の特許出願では、機械学習基盤技術や画像認識分野を中心に、実用化に向けた技術開発が活発に行われています。特に注目すべき傾向として、モデルの性能向上と効率化の両立を目指す技術や、データ不足問題への対応技術の開発が進んでいます。産業分野別では、IT/ソフトウェア分野と製造業分野での応用が多く、特に品質管理や異常検知といった具体的な用途での実用化が進められています。また、エッジAIやリアルタイム処理といった新しい技術要件に対応する研究開発も増加しており、AIの実用化に向けた技術革新が着実に進展していることが伺えます。
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. 学習モデル基盤技術 | 1.1 ネットワーク構造 | 1.1.1 階層型構造 | 複数のDNNを階層的に構成する技術 |
| 1.1.2 マルチヘッド | 複数の出力ヘッドを持つネットワーク構造 | ||
| 1.1.3 混合エキスパート | 複数の専門モデルを組み合わせる構造 | ||
| 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手法 | |
| 1.2.2 教師なし学習 | ラベルなしデータからの特徴抽出学習 | ||
| 1.2.3 半教師あり学習 | ラベル付き・なしデータを組み合わせた学習 | ||
| 1.3 最適化手法 | 1.3.1 勾配学習 | 勾配降下法による重み最適化技術 | |
| 1.3.2 敵対的学習 | 生成モデルと識別モデルの対立的学習 | ||
| 1.3.3 転移学習 | 既存モデルの知識を新タスクに転用 | ||
| 2. データ処理技術 | 2.1 前処理 | 2.1.1 データクレンジング | 不正・異常値の除去や補正処理 |
| 2.1.2 正規化 | データのスケール調整や標準化 | ||
| 2.1.3 特徴抽出 | 有効な特徴量の抽出・生成 | ||
| 2.2 データ拡張 | 2.2.1 オーグメンテーション | データの人工的な増強技術 | |
| 2.2.2 合成データ生成 | 新規データの自動生成技術 | ||
| 2.2.3 ノイズ付加 | ロバスト性向上のためのノイズ導入 | ||
| 2.3 データ選択 | 2.3.1 サンプリング | 効果的な学習データの選択手法 | |
| 2.3.2 クラスタリング | データの類似性に基づくグループ化 | ||
| 2.3.3 フィルタリング | 不要データの除外処理 | ||
| 3. モデル評価・改善 | 3.1 性能評価 | 3.1.1 精度評価 | モデルの予測精度の評価手法 |
| 3.1.2 汎化性評価 | 未知データへの適用性評価 | ||
| 3.1.3 ロバスト性評価 | ノイズ耐性などの安定性評価 | ||
| 3.2 モデル改善 | 3.2.1 パラメータ調整 | ハイパーパラメータの最適化 | |
| 3.2.2 アンサンブル化 | 複数モデルの組み合わせ強化 | ||
| 3.2.3 モデル圧縮 | モデルの軽量化・効率化 | ||
| 3.3 検証手法 | 3.3.1 交差検証 | データ分割による性能検証 | |
| 3.3.2 異常検知 | 予測誤りの検出と分析 | ||
| 3.3.3 説明可能性 | モデルの判断根拠の解析 | ||
| 4. 応用技術 | 4.1 画像処理 | 4.1.1 物体検出 | 画像からの物体位置特定技術 |
| 4.1.2 セグメンテーション | 画像の領域分割技術 | ||
| 4.1.3 画質改善 | 画像の品質向上処理 | ||
| 4.2 自然言語処理 | 4.2.1 文章生成 | 自然言語テキストの生成技術 | |
| 4.2.2 感情分析 | テキストからの感情抽出技術 | ||
| 4.2.3 機械翻訳 | 言語間の自動翻訳技術 | ||
| 4.3 時系列処理 | 4.3.1 予測モデル | 将来値の予測技術 | |
| 4.3.2 異常検知 | 時系列データの異常検出 | ||
| 4.3.3 パターン認識 | 時系列パターンの識別技術 | ||
| 5. システム構築 | 5.1 アーキテクチャ | 5.1.1 分散処理 | 複数ノードでの並列処理構成 |
| 5.1.2 GPU活用 | GPU演算の効率的利用技術 | ||
| 5.1.3 メモリ最適化 | メモリ使用効率の改善技術 | ||
| 5.2 運用管理 | 5.2.1 モニタリング | システム状態の監視技術 | |
| 5.2.2 バージョン管理 | モデル・データの版管理技術 | ||
| 5.2.3 障害対策 | システム復旧・冗長化技術 | ||
| 5.3 セキュリティ | 5.3.1 データ保護 | 学習データの機密保護技術 | |
| 5.3.2 攻撃対策 | 敵対的攻撃への防御技術 | ||
| 5.3.3 アクセス制御 | システム利用の権限管理 | ||
| 6. 開発支援 | 6.1 学習支援 | 6.1.1 自動パラメータ調整 | ハイパーパラメータの自動設定 |
| 6.1.2 進捗モニタリング | 学習過程の監視・可視化 | ||
| 6.1.3 デバッグ支援 | エラー検出・原因分析支援 | ||
| 6.2 評価支援 | 6.2.1 性能分析 | モデル性能の詳細分析支援 | |
| 6.2.2 比較検証 | 複数モデルの性能比較支援 | ||
| 6.2.3 可視化 | 分析結果の図表化支援 | ||
| 6.3 運用支援 | 6.3.1 デプロイ管理 | モデルの展開・配置管理 | |
| 6.3.2 リソース管理 | 計算資源の割当最適化 | ||
| 6.3.3 ログ管理 | システムログの収集分析 | ||
| 7. 品質保証 | 7.1 テスト | 7.1.1 単体テスト | モデル個別機能の検証 |
| 7.1.2 統合テスト | システム全体の動作検証 | ||
| 7.1.3 性能テスト | 処理性能・応答性の検証 | ||
| 7.2 検証 | 7.2.1 妥当性確認 | 予測結果の正当性確認 | |
| 7.2.2 安定性確認 | 動作の安定性評価 | ||
| 7.2.3 信頼性確認 | システムの信頼性評価 | ||
| 7.3 保守 | 7.3.1 モデル更新 | 定期的なモデル再学習 | |
| 7.3.2 バグ修正 | 不具合の検出・修正 | ||
| 7.3.3 性能改善 | システム性能の継続的改善 | ||
| 8. 協調学習 | 8.1 分散学習 | 8.1.1 データ分散 | データの分散配置による学習 |
| 8.1.2 モデル分散 | モデルの分散配置による学習 | ||
| 8.1.3 パラメータ同期 | 分散モデル間の同期制御 | ||
| 8.2 連合学習 | 8.2.1 プライバシー保護 | データ秘匿性を確保した学習 | |
| 8.2.2 モデル統合 | 分散モデルの統合手法 | ||
| 8.2.3 通信最適化 | データ転送量の削減技術 | ||
| 8.3 マルチエージェント | 8.3.1 協調学習 | 複数エージェントの協調動作 | |
| 8.3.2 競争学習 | エージェント間の競争的学習 | ||
| 8.3.3 役割分担 | タスクの分散処理制御 |
\
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。
