Семантический поиск патентов: новые горизонты оценки интеллекта AI

Автор: Денис Аветисян

Исследование представляет комплексный подход к созданию датасетов и оценке эффективности систем автоматизированного поиска патентной документации на основе семантических кластеров.

Предложен фреймворк для генерации данных и оценки качества поиска, позволяющий повысить точность и скорость экспертизы патентов.

Автоматизация поиска предшествующего уровня техники в патентных исследованиях требует не только алгоритмов искусственного интеллекта, но и адекватных обучающих данных. В данной работе, посвященной созданию ‘Datasets for machine learning and for assessing the intelligence level of automatic patent search systems’, предложен комплексный подход к формированию инфраструктуры для исследований в этой области, включающий генератор наборов данных и инструменты оценки качества поиска. Ключевым элементом является концепция семантических кластеров патентных документов, определяющих современное состояние техники в конкретной области. Позволит ли предложенный подход существенно повысить точность и эффективность автоматизированного патентного поиска и, как следствие, качество патентных экспертиз?

Поиск Иголки в Стоге Патентов: Вызовы Современного Патентного Поиска

Эффективный поиск предшествующего уровня техники имеет решающее значение для получения патента, однако традиционные методы сталкиваются с огромным объемом доступной документации. В условиях экспоненциального роста научных публикаций и патентных заявок, ручной анализ и простые поисковые запросы по ключевым словам становятся все менее эффективными. Поиск в миллионах документов требует значительных временных затрат и часто приводит к упущению действительно релевантной информации, что может поставить под угрозу патентную заявку. Поэтому, исследователям и патентным поверенным необходимы более совершенные инструменты, способные справляться с этим информационным потоком и выявлять наиболее значимые источники, определяющие новизну изобретения.

Поиск релевантных предшествующих разработок — задача, выходящая за рамки простого сопоставления ключевых слов. Для определения истинной новизны изобретения необходимо понимать семантические связи между различными техническими решениями. Исследователи отмечают, что современные системы часто не способны уловить контекст и смысл, скрытые за формулировками, что приводит к ложноположительным или ложноотрицательным результатам. Вместо анализа лексических совпадений, требуется учитывать функциональное назначение, принципы работы и область применения изобретений, чтобы выявить действительно близкие аналоги. Такой подход, основанный на понимании смысла, позволяет более эффективно оценивать патентоспособность и избегать дублирования уже существующих решений, способствуя прогрессу в различных областях науки и техники.

Семантические Кластеры: Организация Хаоса Патентной Информации

Семантические кластеры представляют собой объединения патентных документов, сформированные на основе конкретных технологических концепций и опирающиеся на экспертные знания в соответствующей области. В отличие от простых агрегаций документов по ключевым словам, семантические кластеры создаются с целью отражения целостных технологических решений и взаимосвязанных изобретений. Кластеризация осуществляется на основе анализа содержания документов и их соответствия определенным технологическим направлениям, что позволяет обеспечить более точное и содержательное представление о состоянии техники в данной области.

Для обеспечения точных и надежных границ технологических концепций, семантические кластеры формируются на основе двух ключевых элементов: патентных семейств и экспертных цитирований. Патентные семейства, объединяющие документы, описывающие одну и ту же технологию в разных юрисдикциях, предоставляют широкую основу для определения концепта. Дополнительно, экспертные цитирования — ссылки, которые специалисты в данной области делают между патентами, — служат для уточнения и подтверждения принадлежности документов к конкретному технологическому кластеру, а также для отделения схожих, но различных концепций. Комбинация этих двух подходов позволяет создать более объективную и обоснованную классификацию патентной информации.

Использование семантических кластеров принципиально отличается от традиционных поисков по ключевым словам. В то время как ключевые слова идентифицируют документы, содержащие определенные термины, семантические кластеры объединяют патенты, представляющие конкретные технологические концепции, независимо от используемой терминологии. Такой подход позволяет выявить взаимосвязи и тенденции в технологическом ландшафте, которые могли бы быть упущены при поиске по ключевым словам, обеспечивая более полное и глубокое понимание развития технологий и инноваций.

Автоматизация Кластеризации: Генератор Данных для Машинного Обучения

Генератор наборов данных автоматизирует процесс создания размеченных семантических кластеров на основе больших объемов патентной документации. Этот инструмент осуществляет автоматическую группировку патентных документов по тематической близости, формируя кластеры, каждый из которых представляет собой определенную техническую область. Автоматизация позволяет существенно сократить время и ресурсы, необходимые для создания структурированных данных, пригодных для обучения и оценки моделей машинного обучения, используемых в патентном анализе и интеллектуальной собственности. Процесс включает в себя предварительную обработку текста, извлечение признаков и применение алгоритмов кластеризации для организации документов в тематические группы.

Генератор данных использует как коллекцию патентов США, так и российскую коллекцию патентов для создания комплексного многоязычного набора данных. В результате формируется 12,4 миллиона семантических кластеров на основе американских патентов и 1 миллион кластеров на основе российских патентов. Данный подход позволяет охватить широкий спектр технологических направлений и обеспечить лингвистическое разнообразие для задач обучения и оценки моделей обработки естественного языка в патентной сфере.

Сгенерированный набор данных состоит из 420 миллионов американских и 11 миллионов российских патентных документов, объединенных в семантические кластеры. Это обеспечивает значительный ресурс для обучения и оценки моделей машинного обучения, используемых в патентном анализе и поиске. Объем данных позволяет проводить статистически значимые исследования и разрабатывать более точные алгоритмы классификации и поиска патентной информации, учитывая как американские, так и российские источники.

Хранение и управление данными, полученными в процессе генерации семантических кластеров, осуществляется посредством использования реляционной базы данных SQL. Вся инфраструктура, включая базу данных и компоненты обработки, развернута на платформе Роспатента, что обеспечивает централизованный доступ и контроль над данными. Это решение позволяет эффективно масштабировать систему для обработки больших объемов патентной информации, а также гарантирует безопасность и сохранность данных в соответствии с требованиями Роспатента.

Искусственный Интеллект в Поиске: Преодоление Ограничений Ключевых Слов

Для обучения моделей семантическому пониманию данных используются методы машинного обучения, в частности, глубокие нейронные сети и архитектура Transformers. Глубокие нейронные сети, состоящие из множества слоев, позволяют извлекать сложные признаки из обучающих наборов данных. Архитектура Transformers, основанная на механизмах внимания, обеспечивает эффективную обработку последовательностей и выявление взаимосвязей между элементами данных. В результате, модели способны формировать векторные представления, отражающие семантическое значение документов и запросов, что позволяет оценивать их концептуальное сходство независимо от используемых ключевых слов.

Модель “Searchformer” использует глубокие нейронные сети и архитектуру Transformers для повышения точности и релевантности результатов поиска. В отличие от традиционных методов, основанных на сопоставлении ключевых слов, “Searchformer” анализирует семантическое значение запроса и документов, выявляя концептуальное сходство. Это достигается путем обучения модели на больших объемах данных и использования многослойных нейронных сетей для извлечения признаков и построения векторных представлений запросов и документов. В результате, модель способна находить более релевантные результаты, даже если в них отсутствуют точные ключевые слова из запроса, что существенно повышает эффективность поиска.

Использование искусственного интеллекта значительно повышает эффективность поиска предшествующего уровня техники (Prior Art Search) за счет акцента на концептуальном сходстве, а не на простом сопоставлении ключевых слов. Традиционные методы поиска часто не могут выявить релевантные документы, если они используют синонимы или описывают концепции иными словами. Наша система, используя алгоритмы глубокого обучения, анализирует семантическое значение запроса и документов, определяя концептуальную близость независимо от используемой лексики. Это позволяет находить более полный и точный набор релевантных источников, что критически важно для оценки патентоспособности и избежания нарушения прав интеллектуальной собственности.

Оценка Эффективности: Измерение Качества Поиска

Для оценки эффективности разработанной системы поиска используется набор стандартных метрик качества поиска, включающий $S@K$, $H@K$, $MPF@K$ и $MRF@K$. Метрика $S@K$ (Success at K) измеряет долю запросов, для которых хотя бы один релевантный документ находится среди первых $K$ результатов. $H@K$ (Hit Rate at K) оценивает, сколько релевантных документов находится в первых $K$ результатах поиска, в то время как $MPF@K$ (Mean Precision at K) и $MRF@K$ (Mean Recall at K) предоставляют усредненные показатели точности и полноты соответственно, учитывая первые $K$ результатов. Применение этих метрик позволяет объективно сравнить производительность системы с существующими подходами и подтвердить её способность находить наиболее значимую патентную информацию.

Для объективной оценки эффективности разработанной системы поиска и сопоставления с существующими методами используются стандартные метрики качества поиска, такие как S@K, H@K, MPF@K и MRF@K. Эти метрики позволяют количественно измерить способность системы находить релевантные патентные документы, предшествующие рассматриваемому изобретению. Сравнение результатов, полученных с использованием новой системы, с результатами, полученными с использованием традиционных подходов, демонстрирует её превосходство в выявлении наиболее значимой патентной информации. В частности, повышенная точность и полнота поиска позволяют существенно улучшить качество патентного поиска и снизить вероятность упущения важного предшествующего уровня техники, что в конечном итоге способствует более качественной экспертизе и стимулирует инновации.

Повышенное качество поиска, достигаемое благодаря данной системе, открывает значительные перспективы для оптимизации процесса патентного поиска и, как следствие, снижения сопутствующих затрат и временных ресурсов. Более точное и быстрое выявление релевантных предшествующих разработок позволяет экспертам по патентам более эффективно оценивать новизну и изобретательский уровень новых заявок. Это, в свою очередь, ведет к ускорению процедуры выдачи патентов и стимулированию инновационной деятельности, поскольку изобретатели получают более оперативный доступ к информации о существующих технологиях и могут избежать дублирования уже известных решений. В конечном итоге, оптимизация процесса поиска способствует снижению рисков, связанных с нарушением патентных прав, и повышает общую эффективность системы интеллектуальной собственности.

Исследование, представленное в статье, неумолимо напоминает о неизбежном. Создание датасетов для оценки систем поиска по патентной документации, основанных на семантических кластерах, — это, конечно, благородно. Однако, стоит помнить, что даже самая элегантная архитектура датасета не гарантирует защиты от неожиданных ошибок в реальных условиях эксплуатации. Как однажды заметила Грейс Хоппер: «Лучший способ предсказать будущее — это создать его». В данном случае, «создание» подразумевает не только разработку датасета, но и осознание того, что любой инструмент, даже самый тщательно продуманный, рано или поздно потребует адаптации и исправления. Ведь, в конечном итоге, продакшен всегда найдёт способ проверить теорию на прочность, особенно когда дело касается сложных семантических поисков.

Что дальше?

Представленный подход к генерации наборов данных для оценки систем поиска по патентной документации, безусловно, логичен. Однако, не стоит забывать, что «семантические кластеры» — это всего лишь очередная попытка навести порядок в хаосе человеческой мысли. История показывает, что любая элегантная классификация неизбежно сталкивается с реальностью — патентные заявители всегда найдут способ описать изобретение так, чтобы запутать даже самый продвинутый алгоритм. Вспомните, как прекрасно работали ключевые слова, пока не появился нейросетевой поиск… и всё равно приходится ручками проверять выдачу.

Попытки автоматизировать поиск патентов, конечно, заслуживают внимания, но упускают из виду главную проблему: патентные поверенные — это не машины. Они не ищут «ближайший аналог», они ищут аргументы для защиты интересов клиента. Поэтому, даже если удастся создать идеальный алгоритм, он столкнётся с творческой интерпретацией нормативных актов и, как следствие, с неизбежными спорами. Скорее всего, всё сведётся к тому, что система станет инструментом для подготовки к судебным разбирательствам, а не средством предотвращения их.

В конечном итоге, всё новое — это просто старое с худшей документацией. И не стоит удивляться, если через десять лет окажется, что самый эффективный способ поиска патентов — это опытный специалист с доступом к базе данных и чашкой крепкого чая. Впрочем, возможно, к тому времени появится искусственный интеллект, способный варить чай и понимать юриспруденцию. Тогда можно будет и поговорить.

Оригинал статьи: https://arxiv.org/pdf/2512.18384.pdf

Связаться с автором: https://www.linkedin.com/in/avetisyan/

Смотрите также:

2025-12-23 23:55

🚀 Квантовые новости