Écrit par Ahmed Elmallah

Ce blog est la deuxième partie d’une série en deux parties sur les brevets et la technologie de l’IA. La première partie, Exponential Increases In Artificial Intelligence Patent Filings, a discuté du nombre croissant de brevets d’IA déposés et délivrés, y compris quelques exemples récents.

Dans ce blog, nous examinons les défis liés au brevetage de l’intelligence artificielle (IA) et les principales considérations que les entreprises devraient prendre en compte lors de la rédaction de demandes de brevet d’IA solides.

Challenges In AI Patenting

Similar à la plupart des brevets liés aux logiciels, les applications d’IA sont confrontées à un certain nombre d’obstacles importants. Trois défis communs sont décrits ci-dessous.

Est-ce un objet brevetable?

Les algorithmesmatiques ne sont pas brevetables dans de nombreuses juridictions. La mise en œuvre d’un algorithme mathématique à l’aide d’un ordinateur ne convertit pas, en soi, l’algorithme en objet brevetable. À un certain niveau, les modèles d’apprentissage automatique sont simplement des algorithmes mathématiques incorporés dans un ordinateur.

Est-ce nouveau et non évident?

Machine learning models- and their use or application- should be new, and/or otherwise an un-obvious extension of previous work.

Est-il suffisamment décrit?

Il est peu probable que le fait de déclarer qu’une méthode et un système utilisent « tout apprentissage automatique », sans plus de détails, satisfasse à l’exigence préliminaire selon laquelle une demande de brevet doit fournir une divulgation suffisante pour étayer une invention revendiquée.

Qu’est-ce qu’il faut prendre en compte lors de la rédaction d’applications d’IA fortes

Les éléments suivants sont un certain nombre de considérations clés pour la rédaction d’applications d’IA plus solides afin d’atténuer les obstacles mentionnés ci-dessus:

Solving a Real-World Problem

Demonstrating how the AI solves a real-world problem is an important factor to representing patentable subject-matter in many jurisdictions.

La pratique européenne en matière de brevets, par exemple, met l’accent sur l'«IA appliquée », qui montre comment le modèle d’IA est appliqué pour améliorer ou résoudre un problème technique spécifique. Cela permet d’établir que l’invention apporte une contribution technique et n’est pas un simple algorithme mathématique.

À cette fin, démontrer comment les modèles d’apprentissage automatique connus sont adaptés aux nouveaux cas d’utilisation peut également montrer de la nouveauté.

Example technical applications for AI include:

• l’application de l’IA au traitement d’image; ou
• l’application de l’IA pour la surveillance médicale des battements cardiaques.

Improving a Computer Function

Même si l’IA n’est pas appliquée de manière pratique, une invention d’IA peut présenter d’autres types d’améliorations pour la rendre brevetable. Par exemple, si l’amélioration est liée à l’amélioration du fonctionnement de l’ordinateur, cela peut également démontrer un résultat physique au-delà d’une simple formule mathématique. Ce type de cadrage est mieux adapté aux inventions de type « Core AI ». C’est-à-dire une invention dans le modèle d’IA réel, plutôt que son application à un cas d’utilisation spécifique.

Les exemples d’améliorations informatiques incluent:

• l’adaptation d’un modèle d’IA pour s’adapter à des applications matérielles uniques à faible traitement; ou
• réduire ou optimiser certains paramètres du modèle pour générer des sorties informatiques plus rapides tout en maintenant ou en améliorant l’exactitude prédictive (p. ex., réduire la taille ou les couches de réseaux, générer des sorties en utilisant moins de données d’entraînement, etc.).

Surrounding Hardware Environment

Machine learning models are not usually applied in a vacuum, but are often applied in a specific environment context. Par exemple, les modèles sont appliqués dans des contextes impliquant la réception de données physiques à partir de capteurs et le traitement de ces données. Ceci est lié au cas d’utilisation spécifique du modèle.

Notably, décrire cet environnement matériel peut ajouter une dimension physique à l’invention revendiquée, ce qui aide également à surmonter l’obstacle de l’objet brevetable. En outre, il peut ajouter une dimension de nouveauté au concept global.

Les exemples des environnements matériels environnants incluent :

• obtenir l’ECG et d’autres données biométriques à partir de capteurs physiques, attachés au patient, et les alimenter dans une IA de surveillance du rythme cardiaque en temps réel; ou
• acquérir des images d’une caméra physique montée sur un véhicule et les alimenter dans une IA de détection d’objets en temps réel.

Post-Processing of Model Output

Still encore, la façon dont les résultats du modèle sont traités peut également résoudre les obstacles brevetables en matière d’objet et de nouveauté. Par exemple, si la sortie est utilisée pour transmettre un changement physique unique dans le monde réel, cela peut démontrer quelque chose de plus qu’un algorithme mathématique et peut également contribuer à la nouveauté du concept global.

Les exemples de post-traitement des sorties du modèle incluent:

• l’utilisation de la sortie d’une IA de traitement d’image pour effectuer le contrôle de la rétroaction sur le mouvement d’un véhicule; ou
• utiliser la sortie d’une IA de reconnaissance vocale, par exemple, dans un système d’aide à domicile, pour effectuer le contrôle de la rétroaction sur la température ou l’éclairage à l’intérieur d’une maison.

Describing the Trained Model

Despite la tentation, il est souvent insuffisant de décrire largement que « n’importe quel » modèle d’apprentissage automatique peut mettre en œuvre l’idée. Même si cela est généralement vrai, la demande devrait au moins décrire une mise en œuvre possible pour satisfaire aux exigences de divulgation dans de nombreuses juridictions. De plus, comme il a été mentionné ci-dessus, il peut également y avoir de la nouveauté dans l’élaboration et la description d’une nouvelle architecture de modèle.

Les considérations d’exemple ici incluent:

• décrire la configuration des couches du modèle (p. ex., l’utilisation et la disposition de certains types de couches);
• s’il s’agit d’un modèle « prêt à l’emploi », alors décrire toute adaptation pour tenir compte de cas d’utilisation ou d’applications spécifiques;
• décrire le type de données d’entrée requises pour le modèle, ainsi que tout prétraitement des données d’entrée (p. ex., étiquetage des données); et/ou
• décrire les types de données de sortie générées.

Comment le modèle est-il formé?

Finalement, expliquer comment le modèle d’apprentissage automatique est formé peut également, dans certains cas, être un facteur important pour satisfaire à l’exigence de divulgation suffisante. En outre, il peut à nouveau y avoir une nouveauté supplémentaire dans la façon dont le modèle est formé pour s’adapter à un cas d’utilisation spécifique, ou sinon, comment il est formé pour générer un modèle formé plus précisément.

Les considérations d’exemple ici incluent:

• pour l’apprentissage supervisé, le type de modèle d’apprentissage supervisé utilisé et/ou les facteurs pour déterminer quand le modèle est formé;
• le type et/ou la sélection des données d’entraînement (p. ex., la sélection d’ensembles de données uniques);
• tout prétraitement spécial des données d’entraînement afin de produire un modèle mieux entraîné (p. ex., filtrage ou étiquetage des données); et/ou
• la méthode et/ou les circonstances dans lesquelles les points du jeu de données d’apprentissage sont acquis.

Si vous avez des questions sur les brevets d’IA, veuillez contacter le groupe Bennett Jones Intellectual Property Law group. 

Télécharger le PDF