ＡI特許調査
事例紹介
人口工学に関する特許調査をしてみた！
テーマ：人口工学に関するAI特許調査
・調査観点
複数のセンサから取得した時系列データと動画データを入力として、深層学習モデルによる特徴抽出を行い、抽出された特徴量を用いて行動パターンの分類及び認識を実行し、認識された行動パターンと既存の行動データベースとの照合を行い、行動の意図及び文脈を推定し、推定結果に基づいて次の行動を予測することで、人の行動を理解し支援するシステムにおいて、前記行動予測結果の確度に応じて支援内容を決定することを特徴とする行動認識支援システム。
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：人口工学と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。
人口工学 × 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.マルチモーダル行動認識システム
複数のセンサから取得した時系列データと動画データを入力として、深層学習モデルによる特徴抽出を行い、抽出された特徴量を用いて行動パターンの分類及び認識を実行し、認識された行動パターンと既存の行動データベースとの照合を行い、行動の意図及び文脈を推定し、推定結果に基づいて次の行動を予測することで、人の行動を理解し支援するシステムにおいて、前記行動予測結果の確度に応じて支援内容を決定することを特徴とする行動認識支援システム。
・アイデアの特徴
①複数のセンサによる時系列データと動画データの同時取得
②深層学習による特徴量抽出と行動パターン分類
③行動データベースとの照合による意図・文脈推定
④行動予測モデルによる次行動の予測
⑤予測確度に基づく支援内容の決定
2.教師データ自動生成学習システム
入力データから特徴を抽出し、抽出された特徴に基づいて擬似的な教師データを生成し、生成された教師データと実データを組み合わせて学習を行い、学習結果に基づいて教師データの生成パラメータを最適化し、最適化されたパラメータを用いて新たな教師データを生成することで、少量の実データから効率的に学習を行うシステムにおいて、前記生成された教師データの品質を評価し、品質に応じて重み付けを行うことを特徴とする機械学習システム。
・アイデアの特徴
①入力データからの特徴抽出機能
②特徴に基づく擬似教師データ生成
③実データと生成データの組み合わせ学習
④教師データ生成パラメータの最適化
⑤生成データの品質評価と重み付け
3.時系列データ異常検知システム
複数の時系列データを入力として、データ間の相関関係を学習し、学習された相関モデルに基づいて正常パターンを定義し、入力データと正常パターンの乖離度を計算し、乖離度が閾値を超えた場合に異常として検知し、検知された異常について原因推定を行うシステムにおいて、前記異常検知結果の信頼度に応じて通知優先度を設定することを特徴とする異常検知システム。
・アイデアの特徴
①複数時系列データ間の相関関係学習
②相関モデルによる正常パターン定義
③乖離度計算による異常検知
④検知異常の原因推定機能
⑤異常検知の信頼度に基づく優先度設定
4.マルチモデル協調学習システム
複数の異なる構造を持つ機械学習モデルを並列に学習させ、各モデルの予測結果を統合し、統合結果に基づいて各モデルの重要度を算出し、算出された重要度に応じて学習率を調整し、調整された学習率で再学習を行うことで、予測精度を向上させるシステムにおいて、前記モデルの予測結果の分散に基づいて統合方法を選択することを特徴とする機械学習システム。
・アイデアの特徴
①複数モデルの並列学習機能
②モデル予測結果の統合処理
③モデル重要度の動的算出
④重要度に基づく学習率調整
⑤予測分散に基づく統合方法選択
5.特徴量自動選択学習システム
入力データから多数の特徴量を生成し、生成された特徴量の重要度を評価し、評価結果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学習を実行し、学習結果に基づいて特徴量の評価基準を更新することで、最適な特徴量の組み合わせを自動的に選択するシステムにおいて、前記特徴量の組み合わせパターンを記録し、学習効率を向上させることを特徴とする機械学習システム。
・アイデアの特徴
①多数の特徴量生成機能
②特徴量重要度の評価処理
③評価に基づく特徴量選択
④学習結果による評価基準更新
⑤特徴量組み合わせパターンの記録
6.データ品質評価学習システム
学習データの品質を複数の観点から評価し、評価結果に基づいてデータの重要度を設定し、設定された重要度に応じて学習時の重み付けを行い、学習結果に基づいて評価基準を更新し、更新された基準で再評価を行うことで、データ品質を考慮した効率的な学習を実現するシステムにおいて、前記データ品質評価結果の履歴を保持し、品質変動を監視することを特徴とする機械学習システム。
・アイデアの特徴
①複数観点でのデータ品質評価
②評価に基づく重要度設定
③重要度による学習時重み付け
④学習結果による評価基準更新
⑤品質評価結果の履歴管理
7.モデル複雑度制御学習システム
学習モデルの複雑度を定量的に評価し、評価結果に基づいてモデル構造を最適化し、最適化されたモデルで学習を実行し、学習結果に基づいて複雑度の評価基準を更新することで、過学習を抑制しつつ高い予測精度を実現するシステムにおいて、前記モデル複雑度と予測精度の関係を記録し、最適な複雑度を推定することを特徴とする機械学習システム。
・アイデアの特徴
①モデル複雑度の定量評価
②評価に基づくモデル構造最適化
③最適化モデルによる学習実行
④学習結果による評価基準更新
⑤複雑度と精度の関係記録
8.適応的バッチサイズ制御学習システム
学習過程における損失関数の変化を監視し、変化率に応じてバッチサイズを動的に調整し、調整されたバッチサイズで学習を継続し、学習結果に基づいて調整基準を更新することで、学習効率を向上させるシステムにおいて、前記バッチサイズ調整履歴を保持し、学習の収束性を改善することを特徴とする機械学習システム。
・アイデアの特徴
①損失関数変化の監視機能
②変化率に基づくバッチサイズ調整
③調整バッチサイズでの学習継続
④学習結果による調整基準更新
⑤バッチサイズ調整履歴の管理
9.データ依存関係学習システム
入力データ間の依存関係を解析し、解析結果に基づいて学習順序を決定し、決定された順序で段階的に学習を実行し、学習結果に基づいて依存関係の評価を更新することで、効率的な学習を実現するシステムにおいて、前記データ依存関係の強度に応じて学習リソースを配分することを特徴とする機械学習システム。
・アイデアの特徴
①データ間の依存関係解析
②解析に基づく学習順序決定
③決定順序での段階的学習
④学習結果による依存関係更新
⑤依存強度によるリソース配分
10.モデル解釈性向上学習システム
学習モデルの決定過程を解析し、解析結果に基づいて決定要因を抽出し、抽出された要因の重要度を評価し、評価結果に基づいて説明可能な形式に変換することで、モデルの判断根拠を明確化するシステムにおいて、前記決定要因の関連性を可視化し、理解を促進することを特徴とする機械学習システム。
・アイデアの特徴
①モデル決定過程の解析機能
②決定要因の抽出処理
③要因重要度の評価
④説明可能形式への変換
⑤決定要因関連性の可視化
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）
複数のセンサから取得した時系列データと動画データを入力として、深層学習モデルによる特徴抽出を行い、抽出された特徴量を用いて行動パターンの分類及び認識を実行し、認識された行動パターンと既存の行動データベースとの照合を行い、行動の意図及び文脈を推定し、推定結果に基づいて次の行動を予測することで、人の行動を理解し支援するシステムにおいて、前記行動予測結果の確度に応じて支援内容を決定することを特徴とする行動認識支援システム。
■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複数のセンサから時系列データと動画データを入力として取得
②深層学習モデルによる特徴抽出を行う
③抽出特徴量を用いて行動パターンの分類及び認識を実行
④行動パターンと既存データベースの照合により行動の意図・文脈を推定
⑤行動予測結果の確度に応じて支援内容を決定
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。
- JP2022117766(株式会社NTTデータグループ、行動認識システム)
- JPWO2021064963(富士通株式会社、運動認識方法)
- JP2021189892(富士通株式会社、行動区間推定モデル構築装置)
- JP2022544047(NECラボラトリーズアメリカ、マルチモーダル検索方法)
- JP2023182222(コニカミノルタ、行動認識装置)
- JP2018028906(トヨタ自動車、運転者行動予測システム)
- JP2022055077(日立産業制御ソリューションズ、安全管理プログラム)
- JP2022158193(沖電気工業、制御装置)
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 |
|---|---|---|---|---|---|---|
| JP2022117766(NTTデータG) | 90 | 〇 | 〇 | 〇 | △ | △ |
| JPWO2021064963(富士通) | 85 | 〇 | 〇 | 〇 | △ | × |
| JP2021189892(富士通) | 80 | 〇 | 〇 | 〇 | △ | × |
| JP2022544047(NEC) | 75 | 〇 | 〇 | △ | △ | × |
| JP2023182222(コニカミノルタ) | 70 | △ | 〇 | 〇 | × | × |
| JP2018028906(トヨタ) | 65 | 〇 | △ | 〇 | △ | △ |
| JP2022055077(日立) | 60 | △ | △ | 〇 | × | △ |
| JP2022158193(OKI) | 55 | △ | △ | △ | 〇 | 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 90%
- 公開番号: JP2022117766
- 出願日: 2021-02-01
- 公開日: 2022-08-12
- 出願人: 株式会社NTTデータグループ
- 名称：行動認識システム
- 結果：類似度90%、①〇、②〇、③〇、④△、⑤△
- 要点：（産業分野）行動認識技術。（課題）多様な場面で行動推定可能な、ロバスト性のある行動認識技術を提供する。（解決手段）入力音声、映像のRGB情報、骨格情報から特徴ベクトルを抽出し、それらを結合して行動のクラスごとにスコアを算出する。（効果・特徴）複数のモダリティを組み合わせることで、ロバストな行動認識を実現。
- 公報リンク(GooglePatents)：https://patents.google.com/patent/JP2022117766A
〇特徴別の該否結果と判定理由
①複数のセンサからの時系列データと動画データの入力：〇
※判定理由：音声、映像、骨格情報を入力として取得する記載があり、一致。
②深層学習モデルによる特徴抽出：〇
※判定理由：学習済みモデルを用いて特徴ベクトルを算出する記載があり、一致。
③行動パターンの分類・認識：〇
※判定理由：行動のクラスごとにスコアを算出する記載があり、一致。
④行動の意図・文脈推定：△
※判定理由：行動認識はあるが、意図や文脈の推定に関する明確な記載がないため、部分一致。
⑤確度に応じた支援内容決定：△
※判定理由：スコア算出の記載はあるが、支援内容の決定に関する記載がないため、部分一致。
■2件目：類似度 85%
- 公開番号: JPWO2021064963
- 出願日: 2019-10-03
- 公開日: 2021-04-08
- 出願人: 富士通株式会社
- 名称：運動認識方法
- 結果：類似度85%、①〇、②〇、③〇、④△、⑤×
- 要点：（産業分野）運動認識技術。（課題）被写体の運動を効率的に認識する。（解決手段）時系列の骨格情報に基づき、特定の関節が位置する領域を推定し、運動を認識する。（効果・特徴）時系列の骨格情報と推定された関節位置を用いた効率的な運動認識を実現。
- 公報リンク(GooglePatents)：https://patents.google.com/patent/JPWO2021064963A
〇特徴別の該否結果と判定理由
①複数のセンサからの時系列データと動画データの入力：〇
※判定理由：時系列の骨格情報を取得する記載があり、一致。
②深層学習モデルによる特徴抽出：〇
※判定理由：位置情報から特徴を抽出する記載があり、一致。
③行動パターンの分類・認識：〇
※判定理由：運動認識を行う記載があり、一致。
④行動の意図・文脈推定：△
※判定理由：運動認識はあるが、意図や文脈の推定に関する記載がないため、部分一致。
⑤確度に応じた支援内容決定：×
※判定理由：支援内容の決定に関する記載がないため、不一致。
■3件目：類似度 80%
- 公開番号: JP2021189892
- 出願日: 2020-06-02
- 公開日: 2021-12-13
- 出願人: 富士通株式会社
- 名称：行動区間推定モデル構築装置
- 結果：類似度80%、①〇、②〇、③〇、④△、⑤×
- 要点：（産業分野）行動認識技術。（課題）行動区間推定モデルを効率的に構築する。（解決手段）隠れマルコフモデルを用いて、動作の種類ごとの観測確率を教師なし学習で学習し、動作の遷移確率を教師あり学習で学習する。（効果・特徴）効率的な行動区間推定モデルの構築を実現。
- 公報リンク(GooglePatents)：https://patents.google.com/patent/JP2021189892A
〇特徴別の該否結果と判定理由
①複数のセンサからの時系列データと動画データの入力：〇
※判定理由：時系列データを入力として使用する記載があり、一致。
②深層学習モデルによる特徴抽出：〇
※判定理由：教師なし学習と教師あり学習を組み合わせた学習モデルの記載があり、一致。
③行動パターンの分類・認識：〇
※判定理由：行動区間を推定する記載があり、一致。
④行動の意図・文脈推定：△
※判定理由：行動区間推定はあるが、意図や文脈の推定に関する記載がないため、部分一致。
⑤確度に応じた支援内容決定：×
※判定理由：支援内容の決定に関する記載がないため、不一致。
4.総括（考察・コメント）
1.産業分野の比較：
・アイデアは人の行動理解と支援を目的とする行動認識支援システムである。
・抽出公報は主に行動認識技術、運動認識技術の分野に属している。
・特に行動認識の基礎技術について多くの公報が存在する。
2.課題の比較：
・アイデアは行動予測の確度に基づく適切な支援の提供を課題としている。
・抽出公報は主に行動認識のロバスト性向上や効率化を課題としている。
・行動認識から支援までを包括的に扱う点で、アイデアはより発展的である。
3.解決手段の比較：
・アイデアは複数センサのデータ統合、深層学習による特徴抽出、行動パターン認識、意図推定、支援内容決定という一連の流れを提案している。
・抽出公報は主に特徴抽出や行動認識の要素技術に焦点を当てている。
・特に技術的特徴⑤（確度に応じた支援内容決定）は、既存技術には見られない新規な特徴である。
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複数のセンサによる時系列データと動画データの同時取得
②深層学習による特徴量抽出と行動パターン分類
③行動データベースとの照合による意図・文脈推定
④行動予測モデルによる次行動の予測
⑤予測確度に基づく支援内容の決定
・抽出公報
公報番号：JP2022117766（出願日：2021-02-01、公開日：2022-08-12、出願人：株式会社ＮＴＴデータグループ、名称：行動認識システム、行動認識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 |
|---|---|---|---|---|---|---|
| JP2022117766(NTTデータ) | 40% | 〇 | 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：
【請求項１】
「一対の音声データと映像データのうち、音声データを画像データに変換する前処理部と」
・補足：
特徴①は「複数のセンサによる時系列データと動画データの同時取得」です。抽出公報Ⅰでは、音声データ（時系列データ）と映像データを同時に取得することが記載されており、対応しています。
特徴②と抽出公報との比較
・該否結果：〇
・特徴②に対応する箇所：
【請求項１】
「前記生成された画像データを第１の学習済みモデルに入力して、第１の特徴ベクトルを算出する第１の特徴抽出部と」
「前記生成された第４の特徴ベクトルを第４の学習済みモデルに入力して、行動のクラスごとのスコアを算出する行動推定部」
・補足：
特徴②は「深層学習による特徴量抽出と行動パターン分類」です。抽出公報Ⅰでは、学習済みモデルによる特徴ベクトルの抽出と行動クラスの分類が記載されており、対応しています。
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：
関連する記載無し。
・補足：
特徴③は「行動データベースとの照合による意図・文脈推定」ですが、抽出公報Ⅰには行動データベースとの照合や意図・文脈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：
関連する記載無し。
・補足：
特徴④は「行動予測モデルによる次行動の予測」ですが、抽出公報Ⅰには現在の行動認識のみが記載されており、次行動の予測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：
関連する記載無し。
・補足：
特徴⑤は「予測確度に基づく支援内容の決定」ですが、抽出公報Ⅰには支援内容の決定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行動認識・解析の分野に属しており、センサデータと映像データを用いた人の行動理解という点で共通しています。ただし、アイデアはより包括的なシステムを提案している点で異なります。
2.課題の比較：
抽出公報は多様な場面でのロバストな行動認識という課題に焦点を当てているのに対し、アイデアは行動認識に加えて、意図推定や次行動予測、支援内容の決定まで含む包括的な課題解決を目指している点で異なります。
3.解決手段の比較：
抽出公報は音声・映像・骨格情報の統合による行動認識という解決手段を採用していますが、アイデアはそれに加えて行動データベースとの照合、次行動予測、支援内容決定という独自の解決手段を含んでおり、より広範な機能を実現しようとしている点で異なります。
AIを使って、アイデアと抽出公報を対比（対比表作成）
データに基づいて対比表を作成し、分析を行わせていただきます。
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：複数のセンサによる時系列データと動画データの同時取得 | 【請求項１】 | 一対の音声データと映像データのうち、音声データを画像データに変換する前処理部 | 複数データの同時取得という基本概念 | センサの種類と数が限定的 | 高い |
| ②：深層学習による特徴量抽出と行動パターン分類 | 【請求項１】 | 前記生成された画像データを第１の学習済みモデルに入力して、第１の特徴ベクトルを算出する第１の特徴抽出部…前記生成された第４の特徴ベクトルを第４の学習済みモデルに入力して、行動のクラスごとのスコアを算出する行動推定部 | 学習モデルを用いた特徴抽出と行動分類 | 具体的な深層学習手法の記載なし | 高い |
| ③：行動データベースとの照合による意図・文脈推定 | - | 関連する記載なし | なし | 行動DBや意図推定の概念がない | 低い |
| ④：行動予測モデルによる次行動の予測 | - | 関連する記載なし | なし | 次行動予測の概念がない | 低い |
| ⑤：予測確度に基づく支援内容の決定 | - | 関連する記載なし | なし | 支援内容決定の概念がない | 低い |
■総括（考察、コメント）
- 基本的なデータ取得手法：
両者とも複数のデータソースから情報を取得する点で共通していますが、アイデアの方がより包括的なセンサ利用を想定しています。 - 機械学習アプローチ：
両者とも機械学習を活用していますが、抽出公報は特徴抽出と行動分類に特化しており、アイデアはより広範な予測・推定機能を含んでいます。 - システムの目的と範囲：
抽出公報は主に行動認識に焦点を当てているのに対し、アイデアは行動予測から支援まで、より広範な機能を提供することを目指しています。 - 技術的な詳細度：
抽出公報は特定の処理手順について詳細に記載されていますが、アイデアが提案する高度な機能（意図推定、次行動予測等）については言及がありません。 - 実用性と革新性：
アイデアは予測と支援を組み合わせた革新的なアプローチを提案していますが、抽出公報はより確立された行動認識技術に基づいています。
全体として、基本的なデータ取得と機械学習による分析という点で部分的な重複がありますが、アイデアの提案する高度な予測・支援機能は抽出公報には含まれておらず、両者の類似度は約40%程度と評価されます。
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 |
|---|---|---|
| 2014-2016年 | 8件 | 医療データ解析、予測モデル構築、手振り認識 |
| 2017-2018年 | 12件 | 画像認識、行動分析、機械学習の評価・最適化 |
| 2019-2020年 | 28件 | 行動推定、異常検知、教師データ生成、対話制御 |
| 2021-2022年 | 32件 | 深層学習応用、マルチモーダル学習、敵対的学習 |
| 2023-2024年 | 20件 | 感情推定、倫理的AI、営業支援システム |
・補足説明
2019年以降、特許出願件数が大幅に増加しており、特に2021-2022年がピークとなっています。初期は基礎的な機械学習モデルの構築が中心でしたが、近年は感情推定やマルチモーダル学習など、より高度で実用的な応用技術への展開が見られます。また、AIの倫理的側面や説明可能性に関する技術も増加傾向にあります。
1-2. 主要出願人別の技術領域:
| 出願人 | 件数 | 主な技術領域 |
|---|---|---|
| 日本電気 | 12件 | 深層学習、異常検知、教師データ生成 |
| 富士通 | 8件 | 行動推定、倫理的AI、自然言語処理 |
| ソニーグループ | 6件 | 音声認識、対話制御、ニューラルネットワーク最適化 |
| KDDI | 5件 | 健康状態予測、医療データ解析 |
| キヤノン | 4件 | 画像認識、モデル学習最適化 |
| その他 | 65件 | 感情推定、営業支援、製造プロセス最適化など |
・補足説明
大手IT企業が主要な出願人となっており、それぞれの企業が得意分野に特化した技術開発を行っています。日本電気は深層学習と異常検知、富士通は行動推定と倫理的AI、ソニーグループは音声・対話関連技術に強みを持っています。また、通信事業者のKDDIは医療・健康分野での応用に注力しています。
1-3. 技術分野別の分類:
| 技術分野 | 件数 | 主な特徴 |
|---|---|---|
| 行動認識・推定 | 25件 | 人間の行動パターン分析、動作予測 |
| 画像・音声処理 | 20件 | 深層学習による認識、マルチモーダル学習 |
| 異常検知・予測 | 18件 | 製造プロセス、システム異常の検知 |
| 医療・健康 | 15件 | 健康状態予測、医療データ解析 |
| ビジネス応用 | 12件 | 営業支援、顧客分析 |
| その他 | 10件 | 倫理的AI、説明可能性など |
・補足説明
行動認識・推定技術が最も多く、次いで画像・音声処理技術が続いています。近年は、製造現場での異常検知や医療分野での応用など、実用的な領域への展開が進んでいます。また、AIの説明可能性や倫理的な側面に関する技術開発も増加傾向にあります。
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 | 深層学習、マルチモーダル学習、データ拡張 |
| 実用性向上 | 25件 | 軽量化、高速化、リアルタイム処理 |
| 汎用性向上 | 20件 | ドメイン適応、転移学習 |
| 説明可能性 | 12件 | 解釈可能なモデル、可視化技術 |
| 倫理的課題対応 | 8件 | 公平性、透明性、プライバシー保護 |
・補足説明
精度向上に関する技術が最も多く、深層学習やマルチモーダル学習の活用が主流となっています。一方で、実用化に向けた処理の効率化や汎用性の向上も重要な課題となっています。近年は、AIの説明可能性や倫理的な側面への対応も増加しており、社会実装に向けた総合的な技術開発が進められています。
1-5. 総括
本分析対象の特許群からは、AIの技術開発が基礎研究から実用化フェーズへと急速に移行していることが見て取れます。特に2019年以降、出願件数が大幅に増加し、技術の多様化が進んでいます。主要な技術トレンドとしては、行動認識・推定技術を中心に、画像・音声処理、異常検知など、実用的な応用分野での開発が活発化しています。また、AIの社会実装に向けて、説明可能性や倫理的な側面への配慮も重要視されており、これらに関する技術開発も増加傾向にあります。大手IT企業を中心に、各社が得意分野での技術開発を進めており、特に深層学習やマルチモーダル学習を活用した高度な応用技術の開発が注目されています。
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
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/深層学習 | ニューラルネットワーク学習、モデル最適化 | 35件 |
| 行動認識/分析 | 人の行動パターン認識、動作解析 | 25件 |
| 画像認識/処理 | 物体検出、画像分類、特徴抽出 | 15件 |
| 自然言語処理 | テキスト分析、言語モデル | 10件 |
| 予測/推定技術 | 状態予測、異常検知 | 15件 |
・補足説明
全体的に機械学習・深層学習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の最適化に関する技術が中心となっています。また行動認識/分析技術も多く、人の動作パターンの認識や解析に関する特許が目立ちます。画像認識や自然言語処理といった応用分野も一定数存在し、予測・推定技術との組み合わせも見られます。
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 | 品質管理、異常検知、作業分析 | 20件 |
| 医療・ヘルスケア | 健康状態予測、医療画像分析 | 18件 |
| IT・ソフトウェア | データ分析、モデル開発 | 35件 |
| 自動車・運輸 | 運転行動分析、安全管理 | 12件 |
| 金融・営業支援 | 予測分析、顧客分析 | 15件 |
・補足説明
IT・ソフトウェア分野が最も多く、機械学習モデルの開発やデータ分析基盤の構築に関する特許が中心です。製造業では品質管理や異常検知、作業分析など実用的な応用が目立ちます。医療・ヘルスケア分野も多く、特に健康状態の予測や医療画像の分析に関する特許が増加傾向にあります。
2-3. 製品分野による分類
| 製品分野 | 具体例 | 件数 |
|---|---|---|
| 分析ソフトウェア | データ分析、予測モデル | 30件 |
| 監視・検査システム | 異常検知、品質管理 | 25件 |
| 行動認識システム | 動作分析、姿勢推定 | 20件 |
| 医療支援システム | 診断支援、健康管理 | 15件 |
| 業務支援システム | 営業支援、設計支援 | 10件 |
・補足説明
分析ソフトウェアが最も多く、データ分析や予測モデルの実装に関する製品が中心です。監視・検査システムでは製造現場での異常検知や品質管理への応用が目立ちます。行動認識システムも増加傾向にあり、特に産業現場での作業分析や安全管理への応用が進んでいます。
2-4. 技術背景による分類
| 技術背景 | 内容 | 関連特許数 |
|---|---|---|
| データ活用ニーズ | ビッグデータ解析、予測分析 | 30件 |
| 自動化要求 | 作業の効率化、省人化 | 25件 |
| 品質向上 | 精度向上、信頼性確保 | 20件 |
| 安全性要求 | リスク低減、事故防止 | 15件 |
| コスト削減 | 効率化、リソース最適化 | 10件 |
・補足説明
データ活用ニーズが最も強く、ビッグデータ解析や予測分析の技術開発が活発です。また自動化要求も高く、作業の効率化や省人化に向けた技術開発が進んでいます。品質向上や安全性要求も重要な技術背景となっています。
2-5. 用途による分類
| 用途 | 具体例 | 件数 |
|---|---|---|
| 分析・予測 | データ解析、状態予測 | 35件 |
| 監視・検査 | 異常検知、品質管理 | 25件 |
| 行動認識 | 動作分析、パターン認識 | 20件 |
| 業務効率化 | プロセス改善、自動化 | 15件 |
| 安全管理 | リスク検知、事故防止 | 5件 |
・補足説明
分析・予測用途が最も多く、データ解析や状態予測に関する技術が中心です。監視・検査用途も多く、製造現場での異常検知や品質管理への応用が進んでいます。行動認識は新しい応用分野として成長しており、特に産業現場での活用が期待されています。
2-6. 課題による分類
| 課題 | 具体的内容 | 件数 |
|---|---|---|
| 精度向上 | 認識精度、予測精度の改善 | 30件 |
| 効率化 | 処理時間短縮、コスト削減 | 25件 |
| 汎用性向上 | 適用範囲拡大、柔軟性確保 | 20件 |
| データ品質 | ノイズ対策、欠損対応 | 15件 |
| 安全性確保 | リスク低減、信頼性向上 | 10件 |
・補足説明
精度向上が最も重要な課題として挙げられ、特に認識精度や予測精度の改善に関する取り組みが多く見られます。効率化も重要な課題であり、処理時間の短縮やコスト削減に向けた技術開発が進められています。また、汎用性の向上も重要視されています。
2-7. 解決手段による分類
| 解決手段 | アプローチ | 件数 |
|---|---|---|
| 学習方法改善 | モデル最適化、学習アルゴリズム | 35件 |
| データ処理 | 特徴抽出、前処理最適化 | 25件 |
| アーキテクチャ改善 | ネットワーク構造、処理方式 | 20件 |
| 統合アプローチ | 複数技術の組み合わせ | 15件 |
| 評価手法 | 性能評価、検証方法 | 5件 |
・補足説明
学習方法の改善が最も多く、モデルの最適化や学習アルゴリズムの改良に関する技術が中心です。データ処理の改善も重要な解決手段として挙げられ、特徴抽出や前処理の最適化に関する技術開発が進んでいます。アーキテクチャの改善も重要な要素となっています。
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、予測精度改善 | 35件 |
| 効率化 | 処理時間短縮、コスト削減 | 25件 |
| 汎用性向上 | 適用範囲拡大、応用性向上 | 20件 |
| 安定性向上 | 信頼性向上、ロバスト性確保 | 15件 |
| 運用性向上 | 管理容易性、メンテナンス性 | 5件 |
・補足説明
性能向上が最も顕著な効果として挙げられ、特に認識精度や予測精度の改善に関する成果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、処理時間の短縮やコスト削減が実現されています。また、汎用性の向上も重要な効果として認められています。
2-9. 総括
機械学習・深層学習を中心とする人工知能技術の特許出願が活発化しており、特にIT・ソフトウェア分野での基盤技術開発と、製造業や医療分野での応用開発が進んでいます。技術的には精度向上と効率化が主要な課題となっており、学習方法の改善やデータ処理の最適化によってこれらの課題解決が図られています。また、行動認識や自然言語処理など新しい応用分野も拡大しており、産業界での実用化が加速しています。特に注目すべき点として、単なる技術開発だけでなく、実用化・産業応用を見据えた特許出願が増加していることが挙げられ、今後さらなる技術革新と産業応用の発展が期待されます。
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. 機械学習手法 | 1.1 教師あり学習 | 1.1.1 画像認識 | 画像データを用いた物体検出・分類に関する技術 |
| 1.1.2 行動認識 | 人の動作や行動パターンの認識に関する技術 | ||
| 1.1.3 予測モデル | 特定の目標値を予測するための学習モデル構築技術 | ||
| 1.2 教師なし学習 | 1.2.1 クラスタリング | データの自動分類・グループ化に関する技術 | |
| 1.2.2 異常検知 | 正常パターンからの逸脱を検出する技術 | ||
| 1.2.3 特徴抽出 | データから特徴量を自動的に抽出する技術 | ||
| 1.3 強化学習 | 1.3.1 行動制御 | エージェントの行動最適化に関する技術 | |
| 1.3.2 方策学習 | 行動方策の学習に関する技術 | ||
| 1.3.3 報酬設計 | 学習のための報酬関数設計に関する技術 | ||
| 2. データ処理 | 2.1 前処理 | 2.1.1 ノイズ除去 | データのノイズや外れ値の除去に関する技術 |
| 2.1.2 正規化 | データの正規化・標準化に関する技術 | ||
| 2.1.3 欠損値処理 | 欠損データの補完や処理に関する技術 | ||
| 2.2 データ拡張 | 2.2.1 水増し手法 | 学習データの人工的な増加に関する技術 | |
| 2.2.2 データ生成 | 新規データの生成に関する技術 | ||
| 2.2.3 アノテーション | データへのラベル付けに関する技術 | ||
| 2.3 特徴工学 | 2.3.1 特徴選択 | 有効な特徴量の選択に関する技術 | |
| 2.3.2 次元削減 | データの次元数を削減する技術 | ||
| 2.3.3 特徴量設計 | 新しい特徴量の設計・生成に関する技術 | ||
| 3. モデル最適化 | 3.1 学習制御 | 3.1.1 パラメータ調整 | モデルパラメータの最適化に関する技術 |
| 3.1.2 過学習対策 | 過学習を防ぐための技術 | ||
| 3.1.3 収束制御 | 学習の収束性を改善する技術 | ||
| 3.2 性能評価 | 3.2.1 精度評価 | モデルの予測精度評価に関する技術 | |
| 3.2.2 汎化性能 | モデルの汎化性能評価に関する技術 | ||
| 3.2.3 計算効率 | 計算コストや処理効率に関する技術 | ||
| 3.3 モデル選択 | 3.3.1 アンサンブル | 複数モデルの組み合わせに関する技術 | |
| 3.3.2 モデル比較 | 異なるモデル間の比較評価技術 | ||
| 3.3.3 適応選択 | タスクに応じたモデル選択技術 | ||
| 4. 応用分野 | 4.1 ヘルスケア | 4.1.1 健康予測 | 健康状態の予測に関する技術 |
| 4.1.2 診断支援 | 医療診断の支援に関する技術 | ||
| 4.1.3 行動分析 | 健康関連の行動分析技術 | ||
| 4.2 産業応用 | 4.2.1 品質管理 | 製品品質の管理・予測に関する技術 | |
| 4.2.2 工程最適化 | 製造工程の最適化に関する技術 | ||
| 4.2.3 設備保全 | 設備の保守・管理に関する技術 | ||
| 4.3 ビジネス | 4.3.1 需要予測 | 市場需要の予測に関する技術 | |
| 4.3.2 リスク分析 | ビジネスリスクの分析技術 | ||
| 4.3.3 顧客分析 | 顧客行動の分析・予測技術 | ||
| 5. アーキテクチャ | 5.1 ネットワーク構造 | 5.1.1 層設計 | ニューラルネットワークの層構造設計技術 |
| 5.1.2 接続設計 | ネットワーク接続構造の設計技術 | ||
| 5.1.3 モジュール化 | 機能のモジュール化に関する技術 | ||
| 5.2 分散処理 | 5.2.1 並列化 | 処理の並列化に関する技術 | |
| 5.2.2 負荷分散 | 計算負荷の分散に関する技術 | ||
| 5.2.3 同期制御 | 分散処理の同期に関する技術 | ||
| 5.3 システム統合 | 5.3.1 インターフェース | システム間連携のインターフェース技術 | |
| 5.3.2 データ連携 | 異種システム間のデータ連携技術 | ||
| 5.3.3 プロトコル | システム間通信プロトコルに関する技術 | ||
| 6. セキュリティ | 6.1 データ保護 | 6.1.1 暗号化 | データの暗号化に関する技術 |
| 6.1.2 匿名化 | 個人情報の匿名化技術 | ||
| 6.1.3 アクセス制御 | データアクセスの制御技術 | ||
| 6.2 プライバシー保護 | 6.2.1 情報秘匿 | 機密情報の保護技術 | |
| 6.2.2 差分プライバシー | プライバシー保護のための統計処理技術 | ||
| 6.2.3 データマスキング | センシティブデータの加工技術 | ||
| 6.3 脆弱性対策 | 6.3.1 攻撃検知 | 不正アクセスの検知技術 | |
| 6.3.2 モデル保護 | 学習モデルの保護技術 | ||
| 6.3.3 セキュア学習 | セキュリティを考慮した学習技術 | ||
| 7. 評価・検証 | 7.1 性能評価 | 7.1.1 精度検証 | モデルの予測精度検証技術 |
| 7.1.2 速度評価 | 処理速度の評価技術 | ||
| 7.1.3 リソース評価 | 計算資源使用量の評価技術 | ||
| 7.2 品質保証 | 7.2.1 テスト設計 | 評価用テストケースの設計技術 | |
| 7.2.2 検証方法 | システムの検証手法に関する技術 | ||
| 7.2.3 品質基準 | 品質評価基準の設定技術 | ||
| 7.3 監視・分析 | 7.3.1 動作監視 | システムの動作状態監視技術 | |
| 7.3.2 障害検知 | 異常や障害の検知技術 | ||
| 7.3.3 性能分析 | システム性能の分析技術 | ||
| 8. ユーザビリティ | 8.1 インターフェース | 8.1.1 操作性 | システムの操作性向上技術 |
| 8.1.2 表示設計 | 情報表示の最適化技術 | ||
| 8.1.3 対話設計 | ユーザとの対話設計技術 | ||
| 8.2 使用性 | 8.2.1 習熟支援 | システム習熟のための支援技術 | |
| 8.2.2 エラー防止 | 操作ミス防止のための技術 | ||
| 8.2.3 カスタマイズ | 個別化・カスタマイズ技術 | ||
| 8.3 保守性 | 8.3.1 更新容易性 | システム更新の容易化技術 | |
| 8.3.2 互換性 | 異なるバージョン間の互換性技術 | ||
| 8.3.3 メンテナンス | システム保守に関する技術 |
\
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。
