AI・機械学習による特許調査に興味のある知財担当はもちろん、他社の特許を効率的に調査・把握したいR&D担当者やエンジニアにもおすすめ！　AIによる特許調査の基礎、応用方法から、現状や将来の動向、オープンソースのツールの使いこなし方までをデモを交えて解説します。

～AI・機械学習の『できること』『できないこと』を理解し"人"と役割分担できるようになる～

AI・機械学習で効率化する特許調査の実務ノウハウと
生成AI利用の最新動向

アジア特許情報研究会／元花王株式会社 研究開発部門 研究戦略・企画部 安藤 俊幸氏

1985年　現花王株式会社入社、研究開発に従事、1999年　研究所の特許調査担当（新規プロジェクト）、2009年　研究開発部門　知的財産部、2011年　アジア特許情報研究会入会、知財情報解析グループで活動、2020年　特許情報普及活動功労者表彰 日本特許情報機構理事長賞「技術研究功労者」受賞、2021年　4月より研究開発部門　研究戦略・企画部。アジア特許情報研究会、情報科学技術協会、人工知能学会、データサイエンティスト協会等に所属。ご専門は、知財情報解析、機械学習、テキストマイニング、分析化学。

Ⅰ．はじめに
　１．講師自己紹介
　２．アジア特許情報研究会紹介

Ⅱ．特許調査と検索の基礎
　１．調査対象と調査範囲の特定・明確化
　２．マッチングと適合
　３．特許調査における再現率（網羅性）と適合率（効率）
　４．先行技術調査と侵害防止調査の検索モデルの違い
　５．「完全一致」⇔「最良一致」検索モデルの比較
　６．特許調査システムとその評価方法

Ⅲ．ＡＩの概要と特許調査への応用
　１．人工知能（AI:Artificial Intelligence）とは
　２．AI、機械学習、深層学習について
　３．AI活用特許調査システムへの過剰な期待
　　　～現時点でできること／できないこと、性能レベルなど～
　４．特許調査への機械学習適応時の留意点
　５．人とAIの役割分担
　６．問題の定式化
　７．AIの使用と情報要求
　８．シンボルグランディング（記号接地）問題
　９．ノーフリーランチ（NFL）定理
　10．フレーム問題
　11．過学習（汎化性能）
　12．特徴量選択（醜いアヒルの子の定理）
　13．データサイエンスベースの特許調査

Ⅳ．商用ＡＩ特許調査ツールの活用事例
　１．AI特許調査ツールへの要求性能とその選択の考え方
　２．Patentfieldの活用事例
　３．PatentfieldのAIセマンティック検索
　４．PatentfieldのAI分類予測
　５．THE調査力AI（Deskbee５）のSDI調査事例
　６．PatentSQUAREのAI検索

Ⅴ．オープンソースを用いた機械学習の特許調査への応用
　１．機械学習プラットプラットホームの構成
　２．機械学習の特許調査への応用時の３要素
　３．機械学習概要（分類、回帰、クラスタリング、次元圧縮）
　４．特許分野における自然言語処理導入のメリット
　５．特許調査用学習済モデルの作成とその評価方法
　６．先行技術調査の流れ（進め方）
　７．分散表現（単語埋め込み）とは
　８．分布仮説に基づいた文脈中の単語の重み学習(word2vec)
　９．doc2vecによる公報（文書）単位の類似度計算
　10．doc2vecによる発明の要素（文）単位の類似度計算

Ⅵ．機械学習のクラス分類の応用事例
　１．ディープラーニングの基礎検討
　２．文書のベクトル化検討
　３．one hotベクトル（BoW、TF・IDF等）
　４．分散表現ベクトル（word2vec、doc2vec、fastText等）
　５．機械学習による文書分類
　６．SDI調査への応用

Ⅶ．教師無し機械学習（クラスタリング、次元圧縮）の応用
　１．単語・文書のクラスタリングによる動向調査への応用
　２．文書ベクトルの次元圧縮による特許公報の俯瞰可視化
　３．文書分類との組み合わせによるパテントマップの自動作成

Ⅷ．特許実務への生成ＡＩ利用の現状のまとめと将来展望
　１．各国特許庁における人工知能（AI）技術の活用動向
　２．特許調査分野における生成AI技術の活用動向
　３．生成AIを活用した検索の利点・課題
　４．AIを利用した特許調査ツールの最新動向

【付録】　自分でできる特許情報解析ツール紹介
　① キーワード抽出関係
　　・word2vec,doc2vecによる単語・文書の類似度計算と類似単語・文書抽出
　　・termextractによる専門用語（キーワード）自動抽出
　　・Cytoscapeによる文脈語のネットワーク分析
　② pythonで始める機械学習
　　・python環境構築の概要
　　・doc2vecによる文書・単語の類似度計算と類似文書・単語抽出の解説