ＡI特許調査
事例紹介
電気機器に関する特許調査をしてみた！
テーマ：電気機器に関するAI特許調査
・調査観点
複数の専門分野別ニューラルネットワークを階層的に接続し、第一階層で患者の基本的な症状と検査データから疾患の大分類を行い、第二階層で詳細な検査結果と時系列データを用いて具体的な診断名を推定し、第三階層で治療方針の選択肢を提示する階層型診断支援システムにおいて、各階層間でのデータの受け渡しに重要度スコアを付与し、診断根拠となった特徴量の重要度に応じて診断確信度を算出することを特徴とする医療診断支援システム。
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：電気機器と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。
電気機器 × 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. 階層型ニューラルネットワークによる医療診断支援システム
複数の専門分野別ニューラルネットワークを階層的に接続し、第一階層で患者の基本的な症状と検査データから疾患の大分類を行い、第二階層で詳細な検査結果と時系列データを用いて具体的な診断名を推定し、第三階層で治療方針の選択肢を提示する階層型診断支援システムにおいて、各階層間でのデータの受け渡しに重要度スコアを付与し、診断根拠となった特徴量の重要度に応じて診断確信度を算出することを特徴とする医療診断支援システム。
・アイデアの特徴
①複数の専門分野別ニューラルネットワークを階層的に構成し、段階的な診断を実現する。
②第一階層で基本データから疾患の大分類を行う。
③第二階層で詳細検査データから具体的な診断名を推定する。
④第三階層で治療方針の選択肢を提示する。
⑤階層間のデータ連携時に重要度スコアを付与し、診断確信度を算出する。
2. 分散型深層学習による協調学習システム
複数のクライアント端末がそれぞれ保持する学習データを用いて独立して深層学習を実行し、各クライアントで得られた学習モデルのパラメータを暗号化して中央サーバへ送信し、中央サーバにて各クライアントのモデルパラメータを統合して新たな学習モデルを生成し、生成された学習モデルを各クライアントへ配信することを特徴とする分散型協調学習システム。
・アイデアの特徴
①各クライアント端末が独立して深層学習を実行する。
②学習モデルのパラメータを暗号化して中央サーバへ送信する。
③中央サーバでモデルパラメータを統合し新たな学習モデルを生成する。
④統合された学習モデルを各クライアントへ配信する。
⑤クライアント間でデータを共有せずにモデルの精度向上を実現する。
3. 敵対的特徴生成による少数データ学習システム
入力された少数の学習データから特徴を抽出し、抽出された特徴に基づいて敵対的特徴を生成し、生成された敵対的特徴と元の学習データを組み合わせて学習を行い、学習済みモデルの認識精度が所定の閾値を超えるまで特徴抽出と敵対的特徴生成を繰り返すことを特徴とする機械学習システム。
・アイデアの特徴
①少数の学習データから特徴を抽出する。
②抽出された特徴に基づいて敵対的特徴を生成する。
③敵対的特徴と元の学習データを組み合わせて学習を行う。
④認識精度が閾値を超えるまで特徴抽出と生成を繰り返す。
⑤少数データでも高精度な学習を実現する。
4. マルチモーダル情報融合型学習システム
画像、音声、テキストなど異なる種類の入力データを個別のニューラルネットワークで処理し、各ネットワークの中間層で得られる特徴量を統合して新たな特徴量を生成し、生成された特徴量を用いて最終的な認識結果を出力することを特徴とする情報融合型学習システム。
・アイデアの特徴
①異なる種類の入力データを個別のニューラルネットワークで処理する。
②各ネットワークの中間層で特徴量を抽出する。
③抽出された特徴量を統合して新たな特徴量を生成する。
④統合特徴量を用いて最終的な認識結果を出力する。
⑤複数種類のデータを組み合わせて認識精度を向上させる。
5. 時系列パターン予測システム
時系列データから特徴的なパターンを抽出し、抽出されたパターンの類似度に基づいてクラスタリングを行い、各クラスタの代表パターンを用いて将来の変動を予測し、予測結果の信頼度を計算して出力することを特徴とする時系列パターン予測システム。
・アイデアの特徴
①時系列データから特徴的なパターンを抽出する。
②パターンの類似度に基づいてクラスタリングを行う。
③クラスタの代表パターンを用いて将来予測を行う。
④予測結果の信頼度を計算する。
⑤類似パターンの分析により高精度な予測を実現する。
6. モデル更新型推論システム
学習済みモデルを用いて推論を行う際に、入力データと推論結果を記録し、記録されたデータが一定量蓄積された時点で学習済みモデルの更新を行い、更新前後のモデルの性能を比較して更新の採用可否を判断することを特徴とするモデル更新型推論システム。
・アイデアの特徴
①学習済みモデルを用いて推論を行う。
②入力データと推論結果を記録する。
③一定量のデータ蓄積後にモデルを更新する。
④更新前後のモデル性能を比較する。
⑤性能比較結果に基づき更新採用を判断する。
7. 逆強化学習による意思決定モデル生成システム
対象者の意思決定履歴から行動パターンを抽出し、抽出されたパターンに基づいて報酬関数を推定し、推定された報酬関数を用いて最適な意思決定モデルを生成し、生成されたモデルの妥当性を検証することを特徴とする意思決定モデル生成システム。
・アイデアの特徴
①意思決定履歴から行動パターンを抽出する。
②行動パターンから報酬関数を推定する。
③報酬関数を用いて意思決定モデルを生成する。
④生成されたモデルの妥当性を検証する。
⑤人間の意思決定過程を機械学習で再現する。
8. 自己組織化ニューラルネットワークシステム
入力データの特性に応じて最適なネットワーク構造を自動的に決定し、決定された構造に基づいてニューラルネットワークを構築し、構築されたネットワークの学習効率と認識精度を評価し、評価結果に基づいて構造を動的に修正することを特徴とする自己組織化ニューラルネットワークシステム。
・アイデアの特徴
①入力データの特性に応じて最適な構造を決定する。
②決定された構造でネットワークを構築する。
③構築されたネットワークの性能を評価する。
④評価結果に基づいて構造を修正する。
⑤データに適した構造を自動的に構築する。
9. 知識蒸留型モデル軽量化システム
大規模な教師モデルの知識を小規模な生徒モデルに転移させ、転移された知識を用いて生徒モデルの学習を行い、学習された生徒モデルの性能を評価し、評価結果に基づいて知識転移の方法を調整することを特徴とするモデル軽量化システム。
・アイデアの特徴
①教師モデルの知識を生徒モデルに転移する。
②転移された知識を用いて生徒モデルを学習する。
③学習された生徒モデルの性能を評価する。
④評価結果に基づいて転移方法を調整する。
⑤モデルの軽量化と性能維持を両立する。
10. プライバシー保護型機械学習システム
学習データから個人を特定可能な情報を検出し、検出された情報をマスキングまたは置換して匿名化を行い、匿名化されたデータを用いて機械学習を実行し、学習結果から個人情報の復元が不可能であることを検証することを特徴とするプライバシー保護型機械学習システム。
・アイデアの特徴
①学習データから個人特定可能情報を検出する。
②検出された情報を匿名化する。
③匿名化データで機械学習を実行する。
④学習結果から個人情報復元不可能性を検証する。
⑤プライバシー保護と学習精度を両立する。
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）
複数の専門分野別ニューラルネットワークを階層的に接続し、第一階層で患者の基本的な症状と検査データから疾患の大分類を行い、第二階層で詳細な検査結果と時系列データを用いて具体的な診断名を推定し、第三階層で治療方針の選択肢を提示する階層型診断支援システムにおいて、各階層間でのデータの受け渡しに重要度スコアを付与し、診断根拠となった特徴量の重要度に応じて診断確信度を算出することを特徴とする医療診断支援システム。
■技術的特徴
アイデアの技術的特徴は以下の通りです：
①複数の専門分野別ニューラルネットワークを階層的に接続する構成
②第一階層で基本症状・検査データから疾患の大分類を行う
③第二階層で詳細検査結果・時系列データから具体的診断名を推定
④第三階層で治療方針の選択肢を提示
⑤階層間データ受け渡しに重要度スコアを付与し、特徴量重要度に応じた診断確信度を算出
1.関連公報の抽出結果
- JPWO2017187516 (日立製作所) - 2018-07-19
- JP2021043857 (キヤノン) - 2021-03-18
- JP2022126373 (ソニーグループ) - 2022-08-30
- JP2021060932 (イーエムシステムズ) - 2021-04-15
- JP2020074211 (日立製作所) - 2020-05-14
- JP2023033182 (キヤノンメディカル) - 2023-03-09
- JP2024101861 (キヤノンメディカル) - 2024-07-30
- JP2018183601 (キヤノン) - 2018-11-22
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 |
|---|---|---|---|---|---|---|
| JPWO2017187516(日立) | 90 | 〇 | 〇 | 〇 | × | △ |
| JP2021043857(キヤノン) | 85 | △ | 〇 | 〇 | × | 〇 |
| JP2022126373(ソニー) | 80 | △ | 〇 | 〇 | × | 〇 |
| JP2021060932(イーエム) | 75 | △ | 〇 | 〇 | × | △ |
| JP2020074211(日立) | 70 | 〇 | △ | △ | × | × |
| JP2023033182(キヤノン) | 65 | × | 〇 | 〇 | × | △ |
| JP2024101861(キヤノン) | 60 | △ | 〇 | × | × | △ |
| JP2018183601(キヤノン) | 55 | × | 〇 | △ | × | △ |
3.抽出公報の詳細レビュー
■1件目：類似度 90%
- 公開番号: JPWO2017187516
- 出願日: 2016-04-26
- 公開日: 2018-07-19
- 出願人: 株式会社日立製作所
- 名称：情報処理システム、情報処理システムの運用方法、および機械学習演算器
- 結果：類似度90%、①〇、②〇、③〇、④×、⑤△
- 要点：(産業分野)医療診断支援。(課題)ニューラルネットワークの効率的な学習を実現する。(解決手段)複数のDNNを階層的に構成し、第一階層機械学習・認識装置のDNNの隠れ層のデータを、第二階層機械学習・認識装置のDNNの入力データとする階層構造により、効率的な学習と認識を実現。(効果・特徴)階層的なDNN構造により、各層での特徴抽出と認識の精度を向上。
- 公報リンク(GooglePatents)：https://patents.google.com/patent/JPWO2017187516
〇特徴別の該否結果と判定理由
①複数の専門分野別ニューラルネットワークを階層的に接続する構成：〇
※判定理由：複数のDNNを階層的に構成することが明確に記載されている。
②第一階層で基本症状・検査データから疾患の大分類を行う：〇
※判定理由：第一階層機械学習・認識装置での基本的な特徴抽出と分類が記載されている。
③第二階層で詳細検査結果・時系列データから具体的診断名を推定：〇
※判定理由：第二階層での詳細な認識処理が記載されている。
④第三階層で治療方針の選択肢を提示：×
※判定理由：治療方針の選択肢提示に関する記載がない。
⑤階層間データ受け渡しに重要度スコアを付与：△
※判定理由：階層間でのデータ受け渡しは記載されているが、重要度スコアの付与は明確でない。
■2件目：類似度 85%
- 公開番号: JP2021043857
- 出願日: 2019-09-13
- 公開日: 2021-03-18
- 出願人: キヤノン株式会社
- 名称：診断支援装置、診断支援システム、診断支援方法およびプログラム
- 結果：類似度85%、①△、②〇、③〇、④×、⑤〇
- 要点：(産業分野)医療診断支援。(課題)連続値と離散値を適切に組み合わせて推論精度の向上を支援する。(解決手段)医用画像を用いた機械学習により作成された分類モデルを用いて所見情報を導出し、所見項目の確からしさを表す値のデータ形式を設定する。(効果・特徴)異なるデータ形式を組み合わせることで、より正確な診断支援を実現。
■3件目：類似度 80%
- 公開番号: JP2022126373
- 出願日: 2021-02-18
- 公開日: 2022-08-30
- 出願人: ソニーグループ株式会社
- 名称：情報処理装置及び情報処理方法、コンピュータプログラム、並びに医療診断システム
- 要点：(産業分野)医療診断支援。(課題)医用画像の鑑別診断を支援する。(解決手段)学習済みの機械学習モデルを用いて、医用画像に対して正解となる第1の疾患と、第1の疾患に関連する鑑別診断の対象となる第2の疾患を推論する。(効果・特徴)鑑別診断すべき疾患を示す鑑別ラベル情報に基づいて関連する疾患を特定可能。
4.総括（考察・コメント）
1.産業分野の比較：
・アイデアと抽出公報は、いずれも医療診断支援システムの分野に属している。
・抽出公報は主に画像診断支援や特定疾患の診断に特化しているのに対し、アイデアはより包括的な診断支援システムを提案している。
2.課題の比較：
・抽出公報は、個別の診断精度向上や効率的な学習に焦点を当てている。
・アイデアは、診断プロセス全体を階層的に構造化し、診断根拠の透明性も確保する点で、より包括的な課題解決を目指している。
3.解決手段の比較：
・抽出公報は、主にDNNの階層構造や特徴量抽出に注力している。
・アイデアは、診断プロセスの各段階（大分類→具体的診断→治療方針）を明確に分離し、各階層間の関連性を重要度スコアで定量化する点で独自性がある。
・特に、技術的特徴④（治療方針の選択肢提示）と⑤（重要度スコアに基づく診断確信度算出）は、抽出公報には明確に開示されていない特徴である。
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複数の専門分野別ニューラルネットワークを階層的に接続する構成
②第一階層で基本症状・検査データから疾患の大分類を行う
③第二階層で詳細検査結果・時系列データから具体的診断名を推定
④第三階層で治療方針の選択肢を提示
⑤階層間データ受け渡しに重要度スコアを付与し、特徴量重要度に応じた診断確信度を算出
・抽出公報Ⅰ
公報番号：JP2021043857（出願日：2019-09-13、公開日：2021-03-18、出願人：キヤノン株式会社、名称：診断支援装置、診断支援システム、診断支援方法およびプログラム）
・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 |
|---|---|---|---|---|---|---|
| JP2021043857(キヤノン) | 40% | △ | △ | × | × | △ |
特徴①と抽出公報との比較
・該否結果：△
・特徴①に対応する箇所と内容：
【要約】「医用画像を用いた機械学習により作成された分類モデルを用いて、取得された医用画像から所見情報を導出する所見導出手段」
・補足：
特徴①は「複数の専門分野別ニューラルネットワークを階層的に接続する構成」ですが、抽出公報Ⅰでは機械学習による分類モデルの使用は記載されているものの、複数の専門分野別ネットワークの階層的接続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に対応する箇所と内容：
【要約】「医用画像から所見情報を導出する所見導出手段」
・補足：
特徴②は「第一階層で基本症状・検査データから疾患の大分類を行う」ですが、抽出公報Ⅰでは医用画像から所見情報を導出する点は共通していますが、疾患の大分類を行うという具体的な処理については言及されていません。
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「第二階層で詳細検査結果・時系列データから具体的診断名を推定」ですが、抽出公報Ⅰには時系列データの活用や具体的診断名の推定に関する記載はありません。
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「第三階層で治療方針の選択肢を提示」ですが、抽出公報Ⅰには治療方針の選択肢提示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に対応する箇所と内容：
【要約】「所見情報における所見項目の確からしさを表す値のデータ形式を、第１のデータ形式と第２のデータ形式のいずれかのデータ形式に設定する」
・補足：
特徴⑤は「階層間データ受け渡しに重要度スコアを付与し、特徴量重要度に応じた診断確信度を算出」ですが、抽出公報Ⅰでは所見項目の確からしさを表す値は記載されているものの、階層間のデータ受け渡しや特徴量重要度との関連付けについては明確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：
両者とも医療診断支援の分野に属しており、機械学習技術を活用して医療診断の精度向上を目指している点で共通している。抽出公報は主に医用画像の分析に特化している一方、アイデアはより広範な医療データを扱う総合的な診断支援システムを提案している。
2.課題の比較：
抽出公報は連続値と離散値の適切な組み合わせによる推論精度の向上という具体的な課題に焦点を当てている。一方、アイデアは診断プロセス全体の効率化と精度向上という、より包括的な課題解決を目指している。
3.解決手段の比較：
抽出公報は医用画像の分析と所見情報の確からしさの評価に重点を置いた比較的シンプルな構成を提案している。これに対しアイデアは、複数の専門分野別ネットワークを階層的に接続し、段階的な診断プロセスを実現する、より複雑で総合的なアプローチを採用している。
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：複数の専門分野別ニューラルネットワークを階層的に接続する構成 | 【要約】 | 医用画像を用いた機械学習により作成された分類モデルを用いて、取得された医用画像から所見情報を導出する所見導出手段 | 機械学習による分類モデルの使用 | 複数の専門分野別ネットワークの階層的接続の記載なし | 低い | △ |
| ②：第一階層で基本症状・検査データから疾患の大分類を行う | 【要約】 | 医用画像から所見情報を導出する所見導出手段 | 医用画像からの情報導出 | 疾患の大分類に関する具体的な記載なし | 部分的 | △ |
| ③：第二階層で詳細検査結果・時系列データから具体的診断名を推定 | - | 関連する記載なし | なし | 時系列データ活用や具体的診断名推定の記載なし | なし | × |
| ④：第三階層で治療方針の選択肢を提示 | - | 関連する記載なし | なし | 治療方針の選択肢提示に関する記載なし | なし | × |
| ⑤：階層間データ受け渡しに重要度スコアを付与し、特徴量重要度に応じた診断確信度を算出 | 【要約】 | 所見情報における所見項目の確からしさを表す値のデータ形式を、第１のデータ形式と第２のデータ形式のいずれかのデータ形式に設定する | 確からしさを表す値の使用 | 階層間データ受け渡しや特徴量重要度との関連付けの記載なし | 部分的 | △ |
■総括（考察、コメント）
- 基本アーキテクチャ：
両者とも機械学習を活用した医療診断支援システムを提案していますが、アーキテクチャの具体的な実装方法に大きな違いがあります。 - モデル構造の違い：
アイデアは階層的な専門分野別ネットワークを提案していますが、抽出公報では単一の分類モデルを使用する構成となっています。 - データ処理の範囲：
アイデアは基本症状から治療方針まで広範な診断プロセスをカバーしているのに対し、抽出公報は主に医用画像からの所見導出に特化しています。 - 確信度の取り扱い：
両者とも診断の確信度を考慮していますが、アイデアではより詳細な特徴量重要度との関連付けを行っている点で異なります。 - 全体的な類似度：
基本的なコンセプト（機械学習による医療診断支援）は共通していますが、具体的な実装方法や機能の範囲に大きな違いがあり、全体的な類似度は約40%と評価されます。
総じて、両者は医療診断支援という共通の目的を持ちながらも、アプローチ方法や機能の範囲に明確な違いがあり、それぞれ独自の特徴を持つシステムといえます。
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 |
|---|---|---|
| 2015年 | 1件 | ニューラルネットワークのリスク評価 |
| 2016年 | 3件 | ルールベース推論、モデル学習効率化 |
| 2017年 | 3件 | 小規模ハードウェア向けニューラルネットワーク |
| 2018年 | 5件 | 評価・分類機能の高度化 |
| 2019年 | 13件 | データ拡張、モデル選択、防御学習 |
| 2020年 | 16件 | 敵対的学習、マルチモーダル学習、転移学習 |
| 2021年 | 18件 | 半教師あり学習、マルチタスク学習、因果推論 |
| 2022年 | 22件 | モデル軽量化、分散学習、自動最適化 |
| 2023年 | 14件 | ドメイン適応、自己学習、堅牢化 |
| 2024年 | 5件 | エッジAI、継続学習 |
・補足説明
2019年以降、出願件数が大幅に増加しており、特に2020-2022年に集中している。これは機械学習技術の産業応用が本格化したことを示している。技術的には、単純な教師あり学習から、より高度な学習手法(半教師あり、マルチタスク、敵対的学習など)への移行が見られる。また、モデルの軽量化や堅牢化など実用化に向けた技術開発も増加している。
1-2. 主要出願人別の技術領域:
| 出願人 | 件数 | 主な技術領域 |
|---|---|---|
| 日本電気 | 12件 | 防御学習、敵対的学習、分散学習 |
| キヤノン | 8件 | 画像認識、モデル最適化 |
| 富士通 | 7件 | 自然言語処理、リスク評価 |
| 日本電信電話 | 6件 | 特徴選択、ドメイン適応 |
| NTTドコモ | 5件 | 音声認識、行動分析 |
| 富士フイルム | 5件 | 医用画像処理、転移学習 |
| その他 | 57件 | 各種産業応用 |
・補足説明
大手電機・通信企業が主要な出願人となっており、特に日本電気が防御学習や敵対的学習など先進的な技術分野で多くの出願を行っている。各社の事業領域に応じた技術開発が進められており、キヤノンは画像認識、富士通は自然言語処理、NTTグループは音声・通信関連技術に注力している。また、富士フイルムは医療分野への応用に重点を置いている。
1-3. 技術分野別の分類:
| 技術分野 | 件数 | 主な特徴 |
|---|---|---|
| モデル学習最適化 | 28件 | 学習効率化、精度向上、軽量化 |
| 画像・映像処理 | 22件 | 物体検出、セグメンテーション |
| 自然言語処理 | 15件 | 機械翻訳、質問応答 |
| 音声処理 | 12件 | 音声認識、話者識別 |
| セキュリティ | 10件 | 防御学習、プライバシー保護 |
| 産業応用 | 13件 | 異常検知、予測・診断 |
・補足説明
モデル学習の最適化に関する技術が最も多く、効率的な学習手法や精度向上のための手法が活発に研究されている。次いで画像・映像処理分野が多く、深層学習の代表的な応用分野となっている。また、セキュリティ関連技術の出願が増加傾向にあり、AIシステムの安全性・信頼性への関心の高まりを反映している。
1-4. 技術課題別の分類:
| 技術課題 | 件数 | 主なアプローチ |
|---|---|---|
| 学習効率向上 | 35件 | データ拡張、転移学習、半教師あり学習 |
| 精度向上 | 25件 | アンサンブル学習、マルチタスク学習 |
| 堅牢性向上 | 20件 | 防御学習、ドメイン適応 |
| リソース最適化 | 15件 | モデル圧縮、分散学習 |
| 説明可能性 | 5件 | 解釈可能モデル、特徴選択 |
・補足説明
学習効率の向上が最も重要な技術課題となっており、限られた学習データを効率的に活用するための様々な手法が提案されている。また、モデルの堅牢性向上も重要な課題として認識されており、敵対的攻撃への耐性強化やドメイン変化への適応能力の向上が図られている。近年は説明可能性への関心も高まっており、AIの判断根拠を説明できる技術の開発も進められている。
1-5. 総括
機械学習関連の特許出願は2019年以降急増しており、特に2020-2022年に集中している。技術的には、単純な教師あり学習から、半教師あり学習や敵対的学習など、より高度な学習手法への移行が見られる。主要な出願人は大手電機・通信企業であり、各社の事業領域に応じた技術開発が進められている。技術分野としては、モデル学習の最適化に関する技術が最も多く、次いで画像・映像処理分野が続く。技術課題としては、学習効率の向上が最重要視されており、限られた学習データを効率的に活用するための様々な手法が提案されている。また、AIシステムの堅牢性や説明可能性など、実用化に向けた課題への取り組みも増加している。
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 | ニューラルネットワーク学習手法、モデル最適化 | 35件 |
| 画像認識/処理 | 画像セグメンテーション、物体検出、異常検知 | 25件 |
| 自然言語処理 | 機械翻訳、テキスト分類、意図理解 | 15件 |
| 音声認識/処理 | 音声認識モデル、音声データ処理 | 10件 |
| データ分析 | 特徴量抽出、パターン認識、予測モデル | 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、特にニューラルネットワークの学習手法やモデル最適化に関する技術が中心となっています。次いで画像認識/処理分野が多く、画像セグメンテーションや物体検出などの技術が出願されています。また、自然言語処理や音声認識といった応用分野での出願も見られ、AI技術の幅広い活用が進んでいることがわかります。
2-2. 産業分野による分類
| 産業分野 | 応用例 | 該当特許数 |
|---|---|---|
| IT/ソフトウェア | 機械学習プラットフォーム、データ分析 | 40件 |
| 製造業 | 品質検査、異常検知、工程最適化 | 25件 |
| 医療/ヘルスケア | 医用画像診断、健康管理 | 15件 |
| 電力/エネルギー | 需要予測、設備監視 | 10件 |
| 金融/保険 | リスク評価、不正検知 | 10件 |
・補足説明
IT/ソフトウェア分野での出願が最も多く、機械学習プラットフォームやデータ分析ツールの開発が活発に行われています。製造業分野では、品質検査や異常検知などの実用的な応用が進んでいます。医療/ヘルスケア分野では医用画像の診断支援など、社会的ニーズの高い領域での技術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 | 45件 |
| 画像処理システム | 検査装置、監視システム | 25件 |
| 音声認識システム | 音声対話システム、音声変換 | 15件 |
| 制御システム | プロセス制御、運転支援 | 15件 |
・補足説明
ソフトウェアシステム、特に機械学習フレームワークや分析ツールに関する特許が最も多くなっています。画像処理システムでは検査装置や監視システムへの応用が進んでいます。音声認識システムや制御システムなど、実用化に向けた製品開発も活発に行われています。
2-9. 総括
本分析から、機械学習技術の特許出願は基盤技術から応用まで幅広い分野で行われていることがわかります。特に、ニューラルネットワークの学習手法やモデル最適化などの基盤技術に関する出願が多く、技術の確立に向けた研究開発が積極的に進められています。産業分野では、IT/ソフトウェア分野を中心に、製造業、医療、金融など様々な分野での実用化が進んでおり、AIの社会実装が着実に進展していることが示唆されています。今後は、さらなる技術の高度化と共に、よりユーザーフレンドリーなシステムの開発や、新たな応用分野の開拓が期待されます。
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. 機械学習基盤技術 | 1.1 ニューラルネットワーク構造 | 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 モデル最適化 | ネットワークの規模や構造を最適化する技術 | ||
| 1.1.3 特徴抽出 | 入力データから効率的に特徴を抽出する技術 | ||
| 1.2 学習アルゴリズム | 1.2.1 教師あり学習 | 正解データを用いた学習手法 | |
| 1.2.2 教師なし学習 | 正解データを使用しない自己組織化学習手法 | ||
| 1.2.3 半教師あり学習 | 一部のデータにのみ正解がある学習手法 | ||
| 1.3 モデル評価 | 1.3.1 精度評価 | 学習モデルの予測精度を評価する技術 | |
| 1.3.2 汎化性能 | 未知データへの対応能力を評価する技術 | ||
| 1.3.3 ロバスト性 | 外乱やノイズへの耐性を評価する技術 | ||
| 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 | 入力データのノイズ除去や正規化技術 |
| 2.1.2 特徴選択 | 有効な特徴量を選択する技術 | ||
| 2.1.3 次元削減 | データの次元を効率的に圧縮する技術 | ||
| 2.2 データ拡張 | 2.2.1 データ生成 | 人工的に学習データを生成する技術 | |
| 2.2.2 データ変換 | 既存データを変形して拡張する技術 | ||
| 2.2.3 データ融合 | 複数のデータソースを組み合わせる技術 | ||
| 2.3 データ管理 | 2.3.1 データ収集 | 効率的なデータ収集手法 | |
| 2.3.2 データ品質管理 | データの品質を維持・向上させる技術 | ||
| 2.3.3 データバージョン管理 | データの変更履歴を管理する技術 | ||
| 3. 学習最適化技術 | 3.1 パラメータ調整 | 3.1.1 自動チューニング | パラメータを自動的に最適化する技術 |
| 3.1.2 学習率制御 | 学習の速度を適切に制御する技術 | ||
| 3.1.3 正則化 | 過学習を防止する技術 | ||
| 3.2 計算効率化 | 3.2.1 分散処理 | 複数のリソースで並列処理を行う技術 | |
| 3.2.2 メモリ最適化 | メモリ使用を効率化する技術 | ||
| 3.2.3 演算最適化 | 計算処理を高速化する技術 | ||
| 3.3 学習制御 | 3.3.1 早期終了 | 適切なタイミングで学習を終了する技術 | |
| 3.3.2 学習スケジューリング | 効率的な学習順序を決定する技術 | ||
| 3.3.3 モデル選択 | 最適なモデルを選択する技術 | ||
| 4. モデル応用技術 | 4.1 転移学習 | 4.1.1 知識転移 | 学習済みモデルの知識を活用する技術 |
| 4.1.2 ドメイン適応 | 異なるドメインに適応させる技術 | ||
| 4.1.3 マルチタスク学習 | 複数のタスクを同時に学習する技術 | ||
| 4.2 アンサンブル学習 | 4.2.1 モデル結合 | 複数のモデルを組み合わせる技術 | |
| 4.2.2 投票方式 | 複数モデルの予測を統合する技術 | ||
| 4.2.3 バギング/ブースティング | モデルの多様性を確保する技術 | ||
| 4.3 継続学習 | 4.3.1 増分学習 | 新規データで追加学習する技術 | |
| 4.3.2 再学習制御 | モデルの更新タイミングを制御する技術 | ||
| 4.3.3 モデル保守 | 学習モデルを維持・管理する技術 | ||
| 5. セキュリティ技術 | 5.1 データ保護 | 5.1.1 匿名化 | 個人情報を保護する技術 |
| 5.1.2 暗号化 | データを暗号化する技術 | ||
| 5.1.3 アクセス制御 | データへのアクセスを制御する技術 | ||
| 5.2 モデル保護 | 5.2.1 攻撃検知 | 敵対的攻撃を検知する技術 | |
| 5.2.2 モデル堅牢化 | モデルの耐攻撃性を向上させる技術 | ||
| 5.2.3 権限管理 | モデルの使用権限を管理する技術 | ||
| 5.3 プライバシー保護 | 5.3.1 差分プライバシー | データのプライバシーを保護する技術 | |
| 5.3.2 連合学習 | 分散環境で安全に学習する技術 | ||
| 5.3.3 情報漏洩防止 | モデルからの情報漏洩を防ぐ技術 | ||
| 6. システム実装技術 | 6.1 推論処理 | 6.1.1 推論高速化 | 推論処理を高速化する技術 |
| 6.1.2 リソース最適化 | 計算リソースを効率的に使用する技術 | ||
| 6.1.3 モデル軽量化 | モデルサイズを削減する技術 | ||
| 6.2 ハードウェア連携 | 6.2.1 専用プロセッサ | AI処理に特化したハードウェア技術 | |
| 6.2.2 メモリ管理 | 効率的なメモリ使用を実現する技術 | ||
| 6.2.3 デバイス最適化 | 各種デバイスに最適化する技術 | ||
| 6.3 運用管理 | 6.3.1 性能監視 | システムの性能を監視する技術 | |
| 6.3.2 異常検知 | システムの異常を検知する技術 | ||
| 6.3.3 自動復旧 | 障害から自動的に復旧する技術 | ||
| 7. 評価・検証技術 | 7.1 性能評価 | 7.1.1 精度検証 | モデルの予測精度を検証する技術 |
| 7.1.2 速度評価 | 処理速度を評価する技術 | ||
| 7.1.3 リソース評価 | リソース使用効率を評価する技術 | ||
| 7.2 品質保証 | 7.2.1 テスト自動化 | 検証プロセスを自動化する技術 | |
| 7.2.2 バグ検出 | 不具合を検出する技術 | ||
| 7.2.3 品質指標 | 品質を定量的に評価する技術 | ||
| 7.3 モニタリング | 7.3.1 実行監視 | システムの実行状態を監視する技術 | |
| 7.3.2 性能分析 | システムの性能を分析する技術 | ||
| 7.3.3 改善提案 | システムの改善点を提案する技術 | ||
| 8. 応用分野技術 | 8.1 画像認識 | 8.1.1 物体検出 | 画像から物体を検出する技術 |
| 8.1.2 セグメンテーション | 画像を領域分割する技術 | ||
| 8.1.3 特徴マッチング | 画像の特徴を照合する技術 | ||
| 8.2 自然言語処理 | 8.2.1 文章分類 | テキストを分類する技術 | |
| 8.2.2 意味解析 | テキストの意味を解析する技術 | ||
| 8.2.3 言語生成 | テキストを生成する技術 | ||
| 8.3 音声処理 | 8.3.1 音声認識 | 音声を認識する技術 | |
| 8.3.2 話者識別 | 話者を識別する技術 | ||
| 8.3.3 音声合成 | 音声を合成する技術 |
\
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。
