Специальные вопросы регулирования и охраны цифровых технологий
Special issues of regulation and protection of digital technologies
Специальные вопросы регулирования и охраны цифровых технологий
Special issues of regulation and protection of digital technologies
382
Список литературы
1. Александров А. С., Андреева О. И., Зайцев О. А. О перспективах развития
российского уголовного судопроизводства в условиях цифровизации // Вестник
Томского государственного университета. 2019. № 448. С. 199–207.
2. Журавлев М. М. Либерально-юридические аспекты правового государства.
Вестник Томского государственного университета. Право. 2016. №1 (19). С. 5-12.
3. Полякова Т. А., Филатова Л. В. Влияние глобализации на построение ин-
формационного общества в России // Вестник РУДН. Серия: Информатизация об-
разования. 2008. № 1. С. 20–26.
4. Полякова Т. А, Минбалеев А. В. Новые вызовы и угрозы в информацион-
ном пространстве: правовые проблемы обеспечения информационной безопасно-
сти // Информационное право. 2018. № 4. С. 44–46.
5. Химченко А. И. Информационное общество: правовые проблемы в усло-
виях глобализации: дис. ... канд. юрид. наук. М., 2014.
6. Чеджемов С. Р., Золоева З. Т. Ресурс информационного права в профилак-
тике коррупционных проявлений в учебном процессе вузов на основе применения
блокчейн-технологий. Юридическое образование и наука. 2019. № 3. С. 22–25.
7. Чеджемов С. Р., Золоева З. Т. Глобальное информационное общество – зло
или благо человечества? // Государственная власть и местное самоуправление.
2022. № 7. С. 10–14.
8. Кучерявый М. М. К осознанию информационного суверенитета в тенден-
циях глобального информационного пространства // Наука, новые технологии
и инновации Кыргызстана. 2015. № 12. С. 22–27.
А. М. Черненко,
кандидат физико-математических наук,
Институт космических исследований
Российской академии наук
АКТУАЛЬНЫЕ ВОЗМОЖНОСТИ И ПЕРСПЕКТИВЫ
ПРИМЕНЕНИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
В ПАТЕНТНЫХ ИССЛЕДОВАНИЯХ
Аннотация.
Искусственный интеллект в патентных исследованиях ис-
пользуется для автоматизации процессов анализа патентных данных, выявления
тенденций развития технологий, прогнозирования патентоспособности и опре-
деления классов МПК. В статье рассмотрены различные аспекты применения ис-
кусственного интеллекта (ИИ) в области патентного исследования: использование
алгоритмов обработки естественного языка (NLP) для анализа текстовых описа-
ний патентов и выделения ключевых слов, фраз и терминов, методы машинного
обучения для анализа признаков патентов, связанных с патентоспособностью,
и прогнозирования вероятности патентоспособности. Обсуждаются подходы
к идентификации семантически схожих патентов, создание структурированных
Специальные вопросы регулирования и охраны цифровых технологий
Special issues of regulation and protection of digital technologies
Специальные вопросы регулирования и охраны цифровых технологий
Special issues of regulation and protection of digital technologies
383
отчетов на основе результатов и анализ с помощью ИИ больших объемов патент-
ных данных для построения патентных ландшафтов. Проведен обзор и сравнение
наиболее известных сервисов для патентных исследований с функциями ИИ.
Ключевые слова
: искусственный интеллект, машинное обучение, патенты,
патентные исследования, патентный поиск, патентоспособность, уровень тех-
ники, патентоведение, патентная чистота, патентоспособность, тенденции раз-
вития, результаты интеллектуальной деятельности, РИД, ИИ, интеллектуальная
собственность
CURRENT OPPORTUNITIES AND PROSPECTS OF ARTIFICIAL
INTELLIGENCE APPLICATION IN PATENT RESEARCH
Abstract.
Artificial Intelligence (AI) is utilized in patent research to automate
processes of patent data analysis, identify technology trends, forecast patentability,
and determine IPC classes. This article explores various aspects of AI application in
patent research. It covers the use of Natural Language Processing (NLP) algorithms
to analyze patent text descriptions, extract keywords, phrases, and terms. It also delves
into machine learning methods for analyzing patent features related to patentability
and predicting patent eligibility. Other aspects include identifying semantically similar
patents, generating structured reports based on the results, and using AI to analyze large
volumes of patent data to construct patent landscapes. An overview and comparison
of the main patent research systems with artificial intelligence functionalities have been
conducted.
Keywords
: artificial intelligence, AI, machine learning, ML, deep learning, prior
art, search queries, search strategies, patentability, technology trends, patent law, patent
research, patent intelligence, intellectual property
Введение.
Патентные исследования играют ключевую роль в современном
мире, особенно в области инноваций и технологического развития. Патенты пред-
ставляют собой юридические документы, которые защищают интеллектуальную
собственность и права инноваторов на их изобретения, технические решения
и технологии.
Важность патентных исследований обусловлена несколькими факторами:
– Стимулирование инноваций: Патенты предоставляют инноваторам эконо-
мические стимулы для создания новых технологий и изобретений. Они обеспечи-
вают монопольные права на использование, продажу и распространение изобре-
тений, что способствует привлечению инвестиций в исследования и разработки.
– Защита интеллектуальной собственности: Патенты предоставляют юриди-
ческую защиту авторским правам и интеллектуальной собственности.
– Повышение конкурентоспособности компаний: благодаря патентам ком-
пании могут предлагать уникальные и инновационные продукты или услуги, что
помогает улучшить их позицию на рынке, привлечь новых клиентов.
– Исследование и анализ технической информации: Патенты содержат де-
тальные технические описания изобретений. Исследователи и инженеры могут
Специальные вопросы регулирования и охраны цифровых технологий
Special issues of regulation and protection of digital technologies
Специальные вопросы регулирования и охраны цифровых технологий
Special issues of regulation and protection of digital technologies
384
использовать патентные базы для доступа к информации о существующих техно-
логиях и тенденциях развития в различных отраслях.
– Предотвращение нарушений: Патентные исследования позволяют предот-
вратить нарушение чужих патентных прав.
Использование искусственного интеллекта для анализа текстовых опи-
саний патентов.
Современные патентные исследования сталкиваются с огром-
ными объемами текстовых данных, содержащихся в патентных документах.
Искусственный интеллект предоставляет мощные инструменты для обработки
и анализа этих текстовых описаний, что существенно улучшает процесс извлече-
ния значимой информации из патентных документов.
Обработка естественного языка (NLP) [11] позволяет ИИ понимать и анали-
зировать человеческий язык. В контексте патентных исследований, NLP исполь-
зуется для извлечения ключевых слов и фраз из текстовых описаний патентов [3].
Алгоритмы NLP автоматически определяют существенные термины, которые
описывают технические особенности и инновационные аспекты изобретения. Это
позволяет исследователям быстро и точно определить суть патентных докумен-
тов и выявить ключевые понятия, связанные с темой исследования.
При анализе текстовых описаний патентов, часто возникает необходимость
обработки словоформ для улучшения качества и точности анализа. ИИ использу-
ет методы лемматизации и стемминга для приведения слов к их базовой форме
или корню [2]. Так, лемматизация – это процесс приведения слова к его базовой,
словарной форме, которая называется «леммой». Лемма представляет собой ос-
новной корень слова, без приставок, окончаний и других словоизменительных
форм. Применение лемматизации позволяет свести различные формы одного сло-
ва к единой форме, что облегчает анализ текста и уменьшает размер словаря.
Пример:
Лемма слова «бежит» – «бежать»
Лемма слова «мыли» – «мыть»
Стемминг – это процесс обрезания аффиксов (приставок и суффиксов) у сло-
ва для получения его корневой формы, которая называется «стем». В отличие от
лемматизации, стемминг может приводить к получению не всегда правильной
формы слова, но при этом он работает гораздо быстрее.
Пример:
Стем слова «бежит» – «беж»
Стем слова «мыли» – «мыл»
Оба метода лемматизации и стемминга используются для предварительной
обработки текста перед его анализом, классификацией, поиском или другими за-
дачами NLP. Выбор между лемматизацией и стеммингом зависит от конкретной
задачи и требований к точности обработки текста.
Далее при помощи процесса Part-of-Speech Tagging (POS-тегирование) про-
изводится определение частей речи каждого слова в тексте (например, существи-
тельное, глагол, прилагательное и т. д.) [14]. POS-тегирование позволяет сравни-
вать и искать патенты на основе их лингвистических характеристик. Например,
можно искать патенты, в которых определенные типы слов или части речи
Специальные вопросы регулирования и охраны цифровых технологий
Special issues of regulation and protection of digital technologies
Специальные вопросы регулирования и охраны цифровых технологий
Special issues of regulation and protection of digital technologies
385
встречаются в близком контексте. Также POS- тегирование может помочь выде-
лить и классифицировать технические характеристики и элементы в патентных
текстах, такие как материалы, процессы и устройства.
Последний этап анализа – извлечение именованных сущностей (Named Entity
Recognition, NER), таких как названия компаний, местоположения, персоны, даты
и т. д. [9].
Задача NER состоит в том, чтобы идентифицировать и выделить в тексте упо-
минания именованных сущностей, а также классифицировать их по предопреде-
ленным категориям, таким как «Person» (Личность), «Organization» (Организация),
«Location» (Локация), «Date» (Дата) и т. д. Это позволяет автоматически распозна-
вать именованные сущности в больших объемах текста, что может быть полезно
для анализа информации, поиска, категоризации данных и других задач.
Пример: В предложении «Apple Inc. была основана Стивом Джобсом
и Стивом Возняком в 1976 году в городе Купертино», задачей NER будет иденти-
фицировать следующие именованные сущности:
«Apple Inc.» – Организация
«Стивом Джобсом» – Личность
«Стивом Возняком» – Личность
«1976 году» – Дата
«Купертино» – Локация
NER широко применяется в обработке текстов для множества приложений,
таких как информационный поиск, анализ социальных медиа, автоматическая
обработка текстовых данных, извлечение информации, обработка документов,
анализ настроений и другие задачи анализа и классификации текста. Благодаря
тому, что основной вид патентной документации – описания изобретений – имеют
унифицированную структуру, извлечение из нее именованных сущностей легко
поддается автоматизации и осуществляется с гораздо более высокой степенью на-
дежности чем из непатентной документации.
Итак, из описания изобретения можно извлечь различные типы именован-
ных сущностей, включая:
– Имена авторов, изобретателей, патентообладателей, патентных поверен-
ных, названия компаний или других организаций, связанных изобретением.
– Специализированные и технические термины, описывающие изобретения.
– Местоположения, связанные с исследованиями, тестированием или вне-
дрением изобретения. Страны приоритета.
– Даты подачи заявки, даты публикаций и другие важные сроки.
– Числовые значения, параметры, характеристики изобретения.
– Товарные знаки и бренды.
– Названия продуктов, технологий или процессов, которые являются частью
изобретения.
– Классы Международной патентной классификации (МПК) и/или Совмест-
ной патентной классификации (СПК).
– Регистрационные номера заявок и свидетельств.
– Прочие элементы библиографической и технической патентной информа-
ции, являющиеся обязательными компонентами патентного документа.
Специальные вопросы регулирования и охраны цифровых технологий
Special issues of regulation and protection of digital technologies
Специальные вопросы регулирования и охраны цифровых технологий
Special issues of regulation and protection of digital technologies
386
Извлечение именованных сущностей из описания изобретения может быть
полезным для автоматической индексации, поиска по патентным базам данных,
анализа технических тенденций и обнаружения новых технологических решений.
Идентификация семантически схожих патентов с помощью ИИ.
Искусственный интеллект применяет методы семантического анализа и машинно-
го обучения для автоматического выявления семантических связей между патент-
ными документами. В процессе идентификации семантически схожих патентов,
системы ИИ строят векторные представления для каждого текстового описания
патента [13]. Эти векторы содержат числовую информацию о смысловой струк-
туре текста и его содержании. Одним из наиболее распространенных методов яв-
ляется преобразование текстовых описаний патентов в числовые векторы с по-
мощью методов word2vec, GloVe или FastText (см., например, [12]). Эти методы
позволяют представить слова в виде векторов в многомерном пространстве, где
близкие по смыслу слова имеют близкие векторы.
Затем, используя алгоритмы кластеризации, такие как k-means, hierarchical
clustering, DBSCAN и другие ИИ группирует патентные документы на основе
схожести их векторных представлений [7]. Патенты, которые имеют близкие век-
торные представления, считаются семантически схожими и объединяются в один
кластер. Таким образом, системы ИИ выявляют группы патентов, которые отно-
сятся к общей тематике или имеют схожие инновационные решения.
Дополнительно, ИИ может использовать методы сравнения текста, такие как
TF-IDF (Term Frequency-Inverse Document Frequency), для выявления наиболее
схожих фрагментов между патентными документами [8]. Это позволяет выделить
общие технические концепции и ключевые слова, которые характеризуют семан-
тически схожие патенты.
Искусственный интеллект как вспомогательный инструмент в предва-
рительном поиске непатентных источников информации.
Искусственный ин-
теллект активно используется для улучшения процесса поиска информации в раз-
личных системах, включая поиск патентов и научных статей. Одним из методов,
где применяется ИИ, является «Query Expansion» (расширение запроса).
Query Expansion – это техника, которая позволяет автоматически расширить
или дополнить исходный поисковый запрос, чтобы улучшить качество и точность
результатов поиска. При использовании Query Expansion система автоматически
анализирует и понимает содержание исходного запроса и затем расширяет его,
добавляя синонимы, близкие по смыслу термины, и другие связанные ключевые
слова.
Как работает Query Expansion:
– Анализ запроса: Система анализирует исходный запрос, идентифицирует
ключевые слова и термины, которые важны для пользователя.
– Синонимы и близкие термины: Используя методы обработки естественного
языка (NLP) и машинного обучения, система определяет синонимы и близкие по
смыслу термины для каждого ключевого слова.
– Расширение запроса: Система добавляет найденные синонимы и близкие
термины к исходному запросу, чтобы расширить его.
Специальные вопросы регулирования и охраны цифровых технологий
Special issues of regulation and protection of digital technologies
Специальные вопросы регулирования и охраны цифровых технологий
Special issues of regulation and protection of digital technologies
387
– Поиск расширенного запроса: Расширенный запрос используется для по-
иска информации, и система возвращает результаты, которые могут быть более
полезны и точны для пользователя.
Использование ИИ в Query Expansion позволяет системам автоматически об-
рабатывать большие объемы данных и анализировать сложные связи между тер-
минами, что повышает эффективность и качество поиска информации.
Применение искусственного интеллекта для прогнозирования патен-
тоспособности.
В современных патентных исследованиях ИИ активно приме-
няется для предсказания вероятности отказа в регистрации изобретения. Этот
процесс включает анализ различных признаков патентов, применение мето-
дов машинного обучения и предоставляет значительные преимущества в оценке
патентоспособности.
Анализ признаков патентов, связанных с патентоспособностью.
Первый
шаг в прогнозировании патентоспособности – это анализ признаков, которые мо-
гут влиять на решение о выдаче патента. Такие признаки могут включать техни-
ческие аспекты изобретения, степень новизны, изобретательский уровень, патен-
тоспособность по сравнению с уже существующими патентами и многое другое.
ИИ способен автоматически извлечь и классифицировать эти признаки из тексто-
вых описаний патентов, что значительно облегчает и ускоряет процесс анализа.
Анализ признаков патентов, связанных с патентоспособностью, является
ключевым шагом в использовании ИИ для прогнозирования вероятности успеш-
ного получения патента для конкретного изобретения. Для этого необходимо вы-
делить релевантные признаки из текстовых описаний патентов и структурирован-
ных данных, которые могут оказывать влияние на решение патентного офиса.
Искусственный интеллект применяет описанные выше методы обработки
естественного языка (NLP) для анализа текстовых описаний патентов.
Построение и валидация модели прогнозирования.
Собранные признаки
и данные используются для построения модели прогнозирования. Модель обу-
чается на исторических данных, которые содержат информацию о патентах, вы-
данных или отклоненных офисом по интеллектуальной собственности. Модель
ищет закономерности и зависимости между признаками и исходом получения па-
тента для создания прогноза для нового изобретения [6].
После построения модели необходимо провести ее валидацию на новых дан-
ных, чтобы убедиться в ее точности и надежности. Модель проверяется на тесто-
вой выборке, которая не использовалась при обучении, для оценки ее производи-
тельности и способности обобщать знания на новые данные.
Методы машинного обучения для прогнозирования вероятности патен-
тоспособности.
Для прогнозирования вероятности патентоспособности конкрет-
ного изобретения ИИ использует различные методы машинного обучения [4].
Эти методы позволяют анализировать обширные объемы патентных данных и вы-
являть закономерности, которые сложно обнаружить вручную. Ниже представле-
ны основные методы машинного обучения, применяемые для этой цели:
– Логистическая регрессия является одним из наиболее распространен-
ных методов машинного обучения для задач классификации. Она используется
Специальные вопросы регулирования и охраны цифровых технологий
Special issues of regulation and protection of digital technologies
Специальные вопросы регулирования и охраны цифровых технологий
Special issues of regulation and protection of digital technologies
388
для предсказания вероятности принадлежности объекта к одному из двух клас-
сов – в данном случае, к патентоспособному или непатентоспособному классу.
Логистическая регрессия строит линейную модель, которая оценивает влияние
различных признаков на вероятность патентоспособности.
– Случайный лес (Random Forest) является ансамблевым методом машинно-
го обучения, который объединяет несколько деревьев решений для принятия окон-
чательного решения. Каждое дерево строится на случайной подвыборке данных
и случайных признаках, что позволяет избежать переобучения модели. Случайный
лес обладает высокой точностью и устойчив к шумам в данных, что делает его эф-
фективным методом для прогнозирования патентоспособности.
– Нейронные сети – это глубокие модели машинного обучения, которые
имитируют работу человеческого мозга. Они состоят из множества связанных
между собой нейронов, которые обрабатывают данные и выдают результат.
Нейронные сети обладают высокой гибкостью и способностью обучаться на боль-
ших объемах данных, что позволяет достичь высокой точности прогнозирования
патентоспособности.
– Градиентный бустинг – это еще один ансамблевый метод машинного обу-
чения, который объединяет несколько слабых моделей в одну сильную. Он рабо-
тает поэтапно, последовательно обучая модели и исправляя ошибки предыдущих
моделей. Градиентный бустинг способен эффективно моделировать сложные за-
висимости в данных и обеспечивает высокую точность прогнозирования.
– Метод опорных векторов (Support Vector Machines, SVM) используется
для задач классификации и регрессии. Он находит оптимальное разделение клас-
сов в пространстве признаков с помощью опорных векторов, что позволяет достичь
высокой разделяющей способности. SVM подходит для прогнозирования вероятно-
сти патентоспособности на основе множества признаков из патентных данных.
Использование указанных методов машинного обучения позволяет с высо-
кой точностью прогнозировать вероятность патентоспособности конкретного
изобретения.
Автоматизация процесса создания структурированных отчетов о патент-
ном исследовании на основе полученных результатов помощью искусствен-
ного интеллекта.
Создание структурированных отчетов является важным этапом
в патентных исследованиях, поскольку предоставление информации в удобной
и понятной форме является ключевым для принятия обоснованных решений.
Полученные результаты анализа патентных данных структурируются и ор-
ганизуются в соответствии с предопределенным шаблоном отчета. Используя
методы семантического анализа и машинного обучения, система ИИ определяет
связи и зависимости между различными элементами информации, что позволяет
создать целостный и логически связанный отчет. Здесь следует отметить, что на
данный момент нет конкретных систем или программных решений, которые обе-
спечивающий автоматизацию процесса создания отчетов по патентным исследо-
ваниям в соответствии с ГОСТом.
Одним из важных аспектов создания структурированных отчетов является
визуализация данных. Система ИИ использует различные методы визуализации,
Специальные вопросы регулирования и охраны цифровых технологий
Special issues of regulation and protection of digital technologies
Специальные вопросы регулирования и охраны цифровых технологий
Special issues of regulation and protection of digital technologies
389
такие как графики, диаграммы и таблицы, чтобы наглядно представить получен-
ные результаты. Визуализация помогает сделать отчет более понятным и удоб-
ным для восприятия, а также выявить тенденции и закономерности в патентных
данных.
После завершения процесса анализа и структурирования данных, система ИИ
генерирует пользовательский отчет. В отчете содержатся все полученные резуль-
таты, представленные в понятной и удобной для пользователя форме. Отчет мо-
жет включать краткое описание найденных патентов, ключевые слова, классифи-
кацию по МПК, связанные патентные документы и другую важную информацию.
Анализ больших объемов патентных данных с помощью искусствен-
ного интеллекта – инструмент построения патентных ландшафтов.
Анализ
больших объемов патентных данных является критическим аспектом патентных
исследований, поскольку позволяет выявить тенденции развития технологий, об-
наружить новые технические решения и оценить конкурентное положение в опре-
деленной области.
Обнаружение тенденций развития технологий и выявление новых техниче-
ских решений с помощью ИИ является одним из ключевых преимуществ его при-
менения в анализе патентных данных. ИИ обладает уникальными возможностями
обработки и анализа больших объемов информации, что позволяет исследовате-
лям и бизнес-аналитикам выявлять важные тенденции и инновационные направ-
ления в различных отраслях.
Используя методы машинного обучения, ИИ способен выявлять инноваци-
онные направления в патентных данных [5]. Алгоритмы кластеризации и класси-
фикации помогают группировать похожие патенты и выделить наиболее перспек-
тивные технологические решения. Это позволяет исследователям определить,
какие области технологий находятся в стадии активного развития и являются при-
оритетными для дальнейшего изучения.
С помощью ИИ можно осуществлять прогнозирование будущих технологи-
ческих трендов на основе анализа патентных данных (см., например, [10]). ИИ
способен определить, какие технологии и инновации находятся в стадии активно-
го развития, и предсказать их будущее развитие. Это позволяет компаниям и орга-
низациям принимать информированные решения о направлении своих исследова-
тельских и разработочных проектов.
Искусственный интеллект помогает выявить потенциальных партнеров для
сотрудничества и инвестиционных возможностей на основе анализа патентных
данных [1]. Алгоритмы анализа позволяют выделить компании и организации, ко-
торые активно разрабатывают новые технологии и имеют перспективные патен-
ты. Это позволяет исследователям и бизнес-аналитикам находить потенциальных
партнеров для сотрудничества, а инвесторам – инноваторов.
Обзор и сравнение основных систем патентных исследований с функ-
циями искусственного интеллекта.
На рынке существует несколько платных
сервисов для патентных исследований, которые используют ИИ и машинное об-
учение для обработки и анализа патентных данных. Вот наиболее известные из
них, условно ранжированные по популярности: PatSnap, Clarivate Analytics (ранее
Специальные вопросы регулирования и охраны цифровых технологий
Special issues of regulation and protection of digital technologies
Специальные вопросы регулирования и охраны цифровых технологий
Special issues of regulation and protection of digital technologies
390
Derwent Innovation), Questel Orbit, PatentSight, Cipher, PatSeer, IP.com. Любая из
этих систем предоставляет набор востребованных патентоведом инструмен-
тов высокого уровня, опирающихся на ИИ, однако каждая имеет свои отличитель-
ные особенности, описанные ниже:
Искусственный интеллект играет ключевую роль в сервисе PatSnap, предо-
ставляя разнообразные функции для патентных исследований и анализа интеллек-
туальной собственности:
Патентный поиск и классификация: PatSnap использует ИИ для выполнения
быстрого и точного поиска патентов по ключевым словам, классам, компаниям,
авторам и другим параметрам. Также платформа предоставляет автоматическую
классификацию патентов, что позволяет пользователю систематизировать патент-
ные данные для дальнейшего анализа.
Анализ технических трендов и патентных портфелей: ИИ в PatSnap позво-
ляет проводить анализ технических трендов, выявлять новые разработки и опре-
делять важные сегменты рынка. Также сервис помогает анализировать патентные
портфели компаний и конкурентов для оценки их стратегий интеллектуальной
собственности.
Определение патентоспособности: PatSnap использует ИИ для определения
вероятности успешного получения патента на новое изобретение, анализируя его
уникальность и сходство с существующими патентами.
Поиск технологических аналогов и патентной литературы: Платформа ис-
пользует ИИ для поиска технологических аналогов и схожих патентов, что помо-
гает понять уровень конкуренции и особенности технических решений.
Прогнозирование технологических трендов: ИИ в PatSnap может использо-
ваться для прогнозирования технологических трендов и оценки развития опреде-
ленных технологий в будущем.
Систематизация и анализ данных: ИИ позволяет PatSnap обрабатывать и си-
стематизировать большие объемы патентных данных, что делает анализ и сравне-
ние информации более эффективным и удобным для пользователей.
Патентные алерты и уведомления: Сервис предоставляет возможность уста-
навливать алерты и уведомления на основе заданных пользователем критериев, что-
бы быть в курсе новых патентных заявок и изменений в технологической области.
В августе 2023 г. PatSnap представила пользователям чат-бот PatSnapGPT
с сервисами “Patent Search Expert,” “Patent Technical Disclosure Assistant,” and
“R&D Assistant”, которые позволяют патентоведу вести диалог с ИИ на естествен-
ном языке Clarivate Analytics предоставляет широкий спектр сервисов для анализа
интеллектуальной собственности, и многие из них включают функции ИИ:
Патентный поиск и классификация: ИИ используется для выполнения точного
поиска патентов и иных документов по различным параметрам, таким как ключе-
вые слова, классы МКПО, авторы, даты и другие характеристики. Автоматическая
классификация патентов также помогает быстро организовать данные для даль-
нейшего анализа.
Анализ технических трендов и конкурентной активности: С использовани-
ем ИИ, Clarivate Analytics может проанализировать большие объемы патентных
Специальные вопросы регулирования и охраны цифровых технологий
Special issues of regulation and protection of digital technologies
Специальные вопросы регулирования и охраны цифровых технологий
Special issues of regulation and protection of digital technologies
391
данных и выявить технические тренды, определить активность конкурентов,
а также предоставить обзоры по определенным технологическим областям.
Определение патентоспособности: С помощью ИИ сервис может предска-
зывать вероятность успешного получения патента на основе анализа сходства су-
ществующих патентов и других факторов, что помогает принять обоснованное
решение о патентовании.
Рекомендации по патентам и техническим аналогам: Clarivate Analytics мо-
жет использовать ИИ для предоставления рекомендаций по патентам, связан-
ным с интересующей вас областью, а также для нахождения технических анало-
гов и сходных решений.
Прогнозирование технологических трендов: ИИ может быть задействован
для прогнозирования технологических трендов и предсказания развития опреде-
ленных технических областей.
Анализ портфеля патентов и оценка конкурентоспособности: Clarivate
Analytics позволяет проводить анализ патентного портфеля компании или кон-
курента с использованием ИИ, что помогает оценить их интеллектуальную соб-
ственность и конкурентоспособность на рынке.
Патентные алерты и мониторинг: ИИ позволяет настраивать автоматические
патентные алерты и мониторинг новых патентных заявок, чтобы быть в курсе по-
следних разработок в выбранных областях.
Помощь в подборе наименований и названий бренда: алгоритм ИИ генери-
рует предложения для названий на основе заданных, одновременно анализируя их
существующие доменные имена и имена в социальных сетях. Затем составляется
список вариантов, включая семантические и фонетические альтернативы с линг-
вистическими комментариями, которые помогают выбрать оптимальный вариант.
PatentSight. Преимущество этого сервиса – высокое качество исходных па-
тентных данных и их верификация. Например, система отображает исторические
изменения названий компаний, учитывает слияния и поглощения, а также исправ-
ляет орфографические ошибки и ошибки при переводе.это Эта платформа для
анализа интеллектуальной собственности включает различные функции ИИ для
более точного и эффективного патентного анализа:
Автоматическая классификация и кластеризация патентов: ИИ в PatentSight
позволяет автоматически классифицировать и группировать патенты по сходству
и тематике. Это упрощает организацию и анализ больших объемов патентных
данных.
Анализ технических трендов и прогнозирование: PatentSight использует ИИ
для выявления технических трендов и прогнозирования развития определенных
технологических областей на основе анализа патентных данных.
Оценка патентного портфеля и конкурентоспособности: С помощью ИИ
PatentSight позволяет оценить стоимость и конкурентоспособность патентного
портфеля компании или конкурента, проводя анализ и сравнение патентных данных.
Поиск технологических аналогов и партнеров: PatentSight использует ИИ
для поиска технологических аналогов и партнеров, что помогает выявить новые
возможности для сотрудничества и развития бизнеса.
Специальные вопросы регулирования и охраны цифровых технологий
Special issues of regulation and protection of digital technologies
Специальные вопросы регулирования и охраны цифровых технологий
Special issues of regulation and protection of digital technologies
392
Анализ рисков и возможностей в патентных данных: ИИ позволяет выявлять
риски и возможности в патентных данных, что помогает принимать обоснован-
ные решения по интеллектуальной собственности.
Патентные алерты и мониторинг: PatentSight предоставляет возможность уста-
навливать автоматические патентные алерты и мониторинг новых патентных зая-
вок, чтобы быть в курсе последних разработок и изменений в выбранных областях.
Интеграция данных: PatentSight может интегрироваться с другими внутрен-
ними источниками данных компании, что позволяет получать более полное пред-
ставление о патентном портфеле и его влиянии на бизнес.
Cipher – это платформа для анализа интеллектуальной собственности, силь-
ной стороной которой является использование технологий машинного обучения
для построения патентных ландшафтов. Данные платформа предлагает и другие
функции ИИ для обработки и анализа патентных данных:
Патентный поиск и классификация: ИИ в Cipher обеспечивает эффективный
патентный поиск, используя различные параметры, такие как ключевые слова,
классы МКПО, авторы, компании и даты. Также платформа предлагает автомати-
ческую классификацию патентов, что упрощает организацию данных.
Анализ технических трендов и конкурентной активности: Cipher исполь-
зует ИИ для проведения анализа технических трендов и выявления конкурентной
активности на основе данных патентов. Это позволяет получить представление
о технических разработках в отрасли и оценить деятельность конкурентов.
Оценка патентной ценности и рисков: С помощью ИИ Cipher проводит оцен-
ку патентной ценности, выявляет риски нарушения патентных прав и помогает
принимать обоснованные решения о стратегии интеллектуальной собственности.
Поиск технологических аналогов и партнеров: Cipher использует ИИ для поиска
технологических аналогов и потенциальных партнеров, что помогает выявить но-
вые возможности для сотрудничества и развития бизнеса.
Прогнозирование технологических трендов: ИИ в Cipher может быть задей-
ствован для прогнозирования технологических трендов и оценки развития опре-
деленных технических областей в будущем.
Автоматическая обработка данных и аналитика: Cipher использует ИИ для ав-
томатической обработки больших объемов патентных данных и предоставляет ана-
литические отчеты и графики для наглядного представления результатов анализа.
Патентные алерты и мониторинг: Сервис предоставляет возможность уста-
навливать автоматические патентные алерты и мониторинг новых патентных зая-
вок, чтобы быть в курсе последних разработок в выбранных областях.
Questel Orbit – это патентный информационный сервис, состоящий из ядра
и ряда дополнительных специализированных модулей. Основанный на алго-
ритмах машинного обучения модуль автоматической патентной классификации
AI-Classifier использует ИИ, чтобы быстро искать и классифицировать патентные
документы в соответствии с конкретными задачами. Поддерживается возмож-
ность создания неограниченного количества ИИ-классификаторов, и их интегра-
ции с сервисом патентных алертов. Сервис предоставляет также и полный набор
стандартных инструментов ИИ для анализа и обработки патентных данных:
Специальные вопросы регулирования и охраны цифровых технологий
Special issues of regulation and protection of digital technologies
Специальные вопросы регулирования и охраны цифровых технологий
Special issues of regulation and protection of digital technologies
393
Патентный поиск и классификация: Questel Orbit использует ИИ для вы-
полнения точного и быстрого патентного поиска по ключевым словам, классам
МКПО, авторам, компаниям и другим параметрам. Платформа также предостав-
ляет автоматическую классификацию патентов, что облегчает организацию и ана-
лиз данных.
Анализ технических трендов и конкурентоспособности: Questel Orbit ис-
пользует ИИ для выявления технических трендов и анализа конкурентной актив-
ности на основе патентных данных. Это помогает пользователям быть в курсе по-
следних разработок и действий конкурентов.
Оценка патентной ценности и прогнозирование: С помощью ИИ Questel
Orbit позволяет оценивать стоимость патентов и предсказывать их будущую цен-
ность на основе анализа технических тенденций.
Поиск технологических аналогов и партнеров: Questel Orbit использует ИИ
для поиска технологических аналогов и потенциальных партнеров, что помо гает
пользователям выявить новые возможности для сотрудничества и развития бизнеса.
Патентные алерты и мониторинг: Сервис предоставляет возможность на-
стройки автоматических патентных алертов и мониторинга новых патентных зая-
вок, чтобы быть в курсе последних разработок в выбранных областях.
Автоматическая обработка данных и аналитика: Questel Orbit использует
ИИ для автоматической обработки больших объемов патентных данных и пре-
доставляет аналитические отчеты и графики для более удобного визуализации
результатов анализа.
Интеллектуальный поиск и аналитика текста: ИИ в Questel Orbit обеспечи-
вает интеллектуальный поиск и аналитику текста, что позволяет пользователям
находить более точные и соответствующие результаты поиска.
PatSeer – это патентный информационный сервис, который предоставляет
различные функции ИИ, которые можно использовать как в рамках автоматизи-
рованного поиска, так и индивидуально – на каждом этапе анализа и обработки
патентных данных. Вот некоторые из основных функций ИИ, предоставляемых
сервисом PatSeer:
Патентный поиск и классификация: PatSeer использует ИИ для выполнения
точного и быстрого патентного поиска, по ключевым словам, классам МКПО, ав-
торам, компаниям и другим параметрам. Платформа также предоставляет автома-
тическую классификацию патентов, что облегчает организацию и анализ данных.
Анализ технических трендов и конкурентоспособности: PatSeer использует
ИИ для выявления технических трендов и анализа конкурентной активности на
основе патентных данных. Это помогает пользователям быть в курсе последних
разработок и действий конкурентов.
Оценка патентной ценности и прогнозирование: С помощью ИИ PatSeer по-
зволяет оценивать стоимость патентов и предсказывать их будущую ценность на
основе анализа технических тенденций.
Поиск технологических аналогов и партнеров: PatSeer использует ИИ для по-
иска технологических аналогов и потенциальных партнеров, что помогает пользо-
вателям выявить новые возможности для сотрудничества и развития бизнеса.
Специальные вопросы регулирования и охраны цифровых технологий
Special issues of regulation and protection of digital technologies
Специальные вопросы регулирования и охраны цифровых технологий
Special issues of regulation and protection of digital technologies
394
Патентные алерты и мониторинг: Сервис предоставляет возможность на-
стройки автоматических патентных алертов и мониторинга новых патентных зая-
вок, чтобы быть в курсе последних разработок в выбранных областях.
Автоматическая обработка данных и аналитика: PatSeer использует ИИ
для автоматической обработки больших объемов патентных данных и предо-
ставляет аналитические отчеты и графики для более удобной визуализации
результатов анализа.
Интеллектуальный поиск и аналитика текста: ИИ в PatSeer обеспечивает ин-
теллектуальный поиск и аналитику текста, что позволяет пользователям находить
более точные и соответствующие результаты поиска.
IP.com – это патентный информационный сервис, который предоставляет
различные функции ИИ для анализа и обработки патентных данных. Среди дру-
гих сервисов IP.com выделяется качеством и глубиной проработки обучаемых мо-
делей, как в части алгоритмов, так и качества и разноплановости используемых
для обучения патентных данных. Вот некоторые из основных функций ИИ, пре-
доставляемых сервисом IP.com:
Автоматический патентный поиск: IP.com использует ИИ для выполнения
автоматического патентного поиска, основанного на ключевых словах, классах
МКПО и других параметрах. Это позволяет быстро найти патенты, относящиеся
к интересующимся областям.
Анализ технических трендов: ИИ в IP.com позволяет выявлять технические
тренды на основе анализа патентных данных. Это помогает пользователям быть
в курсе последних разработок и инноваций в выбранных областях.Определение
патентоспособности: IP.com использует ИИ для оценки патентоспособности изо-
бретений, анализируя их уникальность и сходство с существующими патентами.
Прогнозирование технологических трендов: С помощью ИИ IP.com мо-
жет предсказывать будущие технологические тренды на основе анализа данных
патентов.
Оценка конкурентной активности: IP.com использует ИИ для анализа патент-
ных данных конкурентов, что позволяет пользователям оценить их активность
и стратегию в области интеллектуальной собственности.
Поиск технологических аналогов и партнеров: IP.com использует ИИ для по-
иска технологических аналогов и потенциальных партнеров, что помогает поль-
зователям выявить новые возможности для сотрудничества и развития бизнеса.
Интеллектуальный анализ текста: ИИ в IP.com обеспечивает интеллектуаль-
ный анализ текста патентных документов, что позволяет пользователям находить
более точные и соответствующие результаты поиска.
Также некоторые функции ИИ постепенно интегрируются в патентные сер-
висы стран и организаций. Например, в системе поиска SearchPlatform Роспатента
реализован «Поиск похожих документов с использованием искусственного интел-
лекта» (searchplatform.rospatent.gov.ru/equal_docs), который принимает на вход не
поисковый запрос, а текстовое описание изобретения. В сервисе Google Patents
поиск патентов осуществляется по обычным запросам, однако далее система по-
зволяет использовать ИИ для анализа уровня техники для найденных патентов и
Специальные вопросы регулирования и охраны цифровых технологий
Special issues of regulation and protection of digital technologies
Специальные вопросы регулирования и охраны цифровых технологий
Special issues of regulation and protection of digital technologies
395
поиска их аналогов. Текст статьи должен содержать введение, основную часть
статьи и заключение.
Заключение.
Искусственный интеллект предоставляет ряд ключевых техно-
логий, революционизирующих патентные исследования. Методы обработки есте-
ственного языка (NLP) позволяют анализировать текстовые описания патентов,
выделяя ключевые слова и термины. Алгоритмы машинного обучения способ-
ствуют более точному анализу признаков патентов, связанных с патентоспособ-
ностью, и предсказывают вероятность патентоспособности. Кластерный анализ
с применением алгоритмов, таких как k-means и DBSCAN, позволяет группиро-
вать патентные документы на основе схожести их векторных представлений.
В итоге, применение ИИ в патентных исследованиях обеспечивает высокую
точность и эффективность анализа патентных данных. Это включает в себя авто-
матическую классификацию патентов, прогнозирование патентоспособности, со-
здание структурированных отчетов и анализ крупных объемов данных. Сервисы,
основанные на ИИ, такие как PatSnap и Clarivate Analytics, предоставляют со-
временные инструменты для эффективной работы с патентами. Использование
Google Patents и Lens.org дополняет этот арсенал с бесплатными исследователь-
скими ресурсами. Разработки в этой области обещают новые перспективы для
улучшения патентных исследований и инновационных разработок в целом.
Список литературы
1. Aristodemou L., Tietze F.. The state-of-the-art on Intellectual Property Analytics
(IPA): A literature review on artificial intelligence, machine learning and deep learning
methods for analysing intellectual property (IP) data. // World Patent Information. 2020.
№ 55. Pp. 37–51.
2. Arts S., Jianan H., and Gomez J. K. Natural language processing to identify the
creation and impact of new technologies in patent text: Code, data, and new measures //
Research Policy. 2021. Vol. 50, №. 2. Art. 104144.
3. Cascini G. and Neri F., Natural Language Processing for patents analysis and
classification // ETRIA World Conf., TRIZ Future, 2004. Pp. 199–212.
4. Jiang H., Fan S., Zhang N., Zhu B., Deep learning for predicting patent application
outcome: The fusion of text and network embeddings // Journal of Informetrics. 2023.
Vol. 17. Iss. 2. Art. 101402.
5. Kwon, U., Geum, Y. Identification of promising inventions considering the quality
of knowledge accumulation: a machine learning approach // Scientometrics. 2020. Vol.
125. Pp. 1877–1897.
6. Lee C-W, Tao F, Ma Y-Y, Lin H-L. Development of Patent Technology Prediction
Model Based on Machine Learning // Axioms. 2022. Vol. 11. № 6 Art. 253.
7. Lei L., Qi J. and Zheng K., Patent Analytics Based on Feature Vector Space
Model: A Case of IoT // IEEE Access. 2019. Vol. 7, Pp. 45705-45715.
8. Niemann H., Moehrle M. G., Frischkorn J, Use of a new patent text-mining
and visualization method for identifying patenting patterns over time: Concept, method
and test application // Technological Forecasting and Social Change. 2017. Vol. 115,
Pp. 210–220.
Специальные вопросы регулирования и охраны цифровых технологий
Special issues of regulation and protection of digital technologies
Специальные вопросы регулирования и охраны цифровых технологий
Special issues of regulation and protection of digital technologies
396
9. Puccetti G,, Giordano V., Spada I., Chiarello F., Fantoni G., Technology
identification from patent texts: A novel named entity recognition method // Technological
Forecasting and Social Change. 2023. Vol. 186. Art. 122160
10. Shibata M., Ohtsuka Y., Takahashi M. and Okamoto K., “Advanced FPGA
technology trend based on patent analysis with link mining,” // 2018 International
Conference on Electronics Packaging and iMAPS All Asia Conference (ICEP-IAAC),
Mie, Japan, 2018, Pp. 147–151.
11. Souili A., Cavallucci D., Rousselot F., Natural Language Processing (NLP) – A
Solution for Knowledge Extraction from Patent Unstructured Data // Procedia Engineering.
2015. Vol. 131. Pp. 635–643.
12. Trappey AJC, Liang C-P, Lin H-J. Using Machine Learning Language Models
to Generate Innovation Knowledge Graphs for Patent Mining // Applied Sciences. 2022.
Vol. 12. № 19. Art. 9818.
13. Villa A. M., Wirz M., A sequential patent search approach combining semantics
and artificial intelligence to identify initial State-of-the-Art documents // World Patent
Information. 2022. Vol. 68. Art. 102096.
14. Wang, B., Liu, S., Ding, K. et al. Identifying technological topics and institution-
topic distribution probability for patent competitive intelligence analysis: a case study
in LTE technology // Scientometrics. 2014. Vol. 101. Pp. 685–704.
М. Н. Чирагов,
руководитель направления цифрового права,
Общество с ограниченной ответственностью «ЛигалПикс»
АВТОМАТИЗАЦИЯ ЮРИДИЧЕСКОЙ ФУНКЦИИ (LEGALTECH)
КАК СТИМУЛ РАЗВИТИЯ ПРАВА
Аннотация.
В статье предпринята попытка дать определение LegalTech,
обозначить ключевые направления и исследовать оказываемого эффекта на пра-
во. Проанализированы возможные способы использовании LegalTech в частном
секторе. Выделены основной набор мотивации использовать LegalTech в бизнесе.
Кроме того, рассмотрен запрос рынка на специалистов в сфере LegalTech и необ-
ходимые навыки, и знания для таких работников.
Ключевые слова
: LegalTech, LawTech, LegalOps, технологии в праве, циф-
ровизация, автоматизация юридической функции, оптимизация юридический
процессов
AUTOMATION OF LEGAL FUNCTION (LEGALTECH)
AS AN INCENTIVE FOR THE DEVELOPMENT OF LAW
Abstract.
The article attempts to define LegalTech, identify key areas and explore
the effect it has on the law. Possible ways to use LegalTech in the private sector are
analyzed. The main set of motivations to use LegalTech in business are highlighted.
