Патенты

Условия патентной защиты в США моделей машинного обучения

Перевод обзора о патентоспособности решений в области машинного обучения в США через призму примеров USPTO.

Denis Dorotenko

Jul 23, 2024 • 5 min read

🖊️

это перевод текста "Patent Protection for Machine Learning Models: Can Training Get It Done?" авторства представителей McCoy Russell LLP

Если вы рассматриваете патентные заявки в области машинного обучения, вы, вероятно, сталкивались с их отклонениями по разделу 101^[1]. Одним из конкретных аспектов в этой области является обучение, а также вопрос о том, считает ли Ведомство по патентам и товарным знакам США (USPTO) обучение модели машинного обучения слишком абстрактным для патентной защиты в соответствии с разделом 101. Этот вопрос основан на концепции проверки абстрактной идеи, конкретной оценки, которая является одним из аспектов определения того, подпадает ли заявка на патент в рамки приемлемого объекта.

Хотя это и не является предметом обсуждения в этой статье, тест на абстрактную идею, установленный в Alice^[2], требует, чтобы изобретение, имеющее право на патент, включало в себя нечто большее, чем просто абстрактную идею или фундаментальную концепцию. Один из подходов к определению приемлемости заключается в том, чтобы изобретение продемонстрировало новое практическое применение идеи, которая решает техническую проблему, тем самым превращая её во что-то конкретное.

Здесь имеется в виду U.S. Copyright Act of 1976, Section 101. - прим. пер. ↩︎
Имеется в виду Alice Test, больше сведений о нём доступно в этих источниках: первый, второй, третий - прим. пер. ↩︎

USPTO признаёт трудности, связанные с поиском патентных решений для технологий машинного обучения. Хотя некоторые изобретения, связанные с машинным обучением, на первый взгляд могут показаться абстрактными, руководящие принципы USPTO представляют собой конкретный пример, когда обучение модели машинного обучения может быть признано патентоспособным. Этот пример включает в себя усовершенствование существующей технологии или технической области, например, улучшение обработки изображений или анализа данных с помощью нового метода машинного обучения.

В примере 39 руководства USPTO по патентоспособности приводится следующая формула изобретения:

Реализованный на компьютере способ обучения нейронной сети распознаванию лиц, включающий в себя:
сбор набора цифровых изображений лиц из базы данных;
применение одного или нескольких преобразований к каждому цифровому изображению лица, включая зеркальное отображение, поворот, сглаживание или уменьшение контрастности, для создания модифицированного набора цифровых изображений лиц;
создание первого обучающего набора, содержащего собранный набор цифровых изображений лица, модифицированный набор цифровых изображений лица и набор цифровых изображений без лиц;
обучение нейронной сети на первом этапе с использованием первого обучающего набора;
создание второго обучающего набора для второго этапа обучения, содержащего первый обучающий набор, и цифровые изображения без лиц, которые неправильно распознаются как изображения лица после первого этапа обучения; и обучение нейронной сети на втором этапе с использованием второго обучающего набора

В примере 39 в преамбуле описывается метод обучения нейронной сети, а в основной части подробно описывается, как обучается модель. В соответствии с руководящими принципами:

В иске не упоминается ни одно из судебных исключений, перечисленных в привязке к 2019 году. Например, в формуле изобретения не приводятся какие-либо математические соотношения, формулы или вычисления. Хотя некоторые из ограничений могут основываться на математических понятиях, математические понятия не приводятся в формуле изобретения. Кроме того, в формуле изобретения не описывается мыслительный процесс, поскольку эти шаги практически не выполняются в человеческом сознании. Наконец, в заявлении не говорится о каком-либо методе организации человеческой деятельности, таком как фундаментальная экономическая концепция или управление взаимодействиями между людьми. Таким образом, патентная заявка является приемлемым, поскольку в нем не говорится о судебном исключении.

Несмотря на это руководство, некоторые эксперты и Совет по судебным разбирательствам и апелляциям по патентам (PTAB) часто считают утверждения, в которых описывается обучение модели машинного обучения, абстрактными. В PTAB часто приводится пример USPTO, подчеркивающий, что конкретные усовершенствования и приложения должны быть чётко определены и не носить общего характера.

Рассмотрим недавний случай, когда PTAB отклонила заявку Siemens на патент на метод обучения модели машинного обучения. Апелляция 2022-004881, Заявление 16/381,131. Ниже приводится апелляционная жалоба, в которой изобретение относится к способу анализа кривых траектории сердца на медицинских изображениях в процессе принятия клинических решений:

Способ, включающий:
обучение модели машинного обучения для автоматической идентификации областей кривых траектории, соответствующих началу систолы, началу диастолы, середине диастолы и волне А, на основе идентифицированных вручную областей кривых траектории;
автоматическая идентификация областей одной или нескольких кривых траектории, соответствующих началу систолы, начало диастолы, середина диастолы и зубец А с использованием обученной модели машинного обучения, одна или несколько кривых траектории, представляющих сердечное движение;
определение представляющих интерес признаков, связанных с идентифицированными областями, причем представляющие интерес признаки включают геометрические размеры идентифицированных областей одной или нескольких кривых траектории; и
создание карты соответствия путем сопоставления определенных характеристик, представляющих интерес, с клиническими параметрами, при этом клиническое решение принимается на основе карты соответствия.

Siemens привел пример 39, но PTAB это не убедило. Из решения:

Мы не согласны с заявителем в том, что простое изложение обучения модели машинного обучения выводит пункт 1 из области абстрактных идей. Заявитель слишком широко трактует пример VII. Если бы мы довели доводы заявителя до логического завершения, каждая заявка, касающаяся машинного обучения, была бы патентоспособной. Однако, вопреки позиции заявителя, мы часто выделяем пример VII и обнаруживаем, что утверждения, в которых говорится о машинном обучении или нейронных сетях, действительно содержат абстрактные идеи. Смотрите, например, апелляцию стороны Петакова № 2022-004039, 2023 WL 4842002, *13 (PTAB от 10 июля 2023 г.); апелляцию стороны Уоллаха № 2018-006993, 2020 WL 2060453, *4-5 (PTAB от 23 апреля 2020 г.); апелляцию стороны Беддо № 2017-009809, 2019 WL 3059860, *4-5 (PTAB от 8 июля 2019 г.); апелляцию стороны Меделиуса № 2018-002393, 2019 WL 2318912, *7 (PTAB от 23 мая 2019 г.); апелляцию стороны Бремеля № 2018-007657, 2019 WL 2318982, *5 (PTAB от 20 мая 2019 г.); апелляцию стороны Вон № 2021-002149, 2022 WL 123230, *7-8 (PTAB от 11 января 2022).

Во-первых, PTAB необязательно объясняет, почему логический вывод из аргументации Siemens должен быть отвергнут сразу. Каждое утверждение, в котором излагается конкретная неабстрактная идея, может быть запатентовано, поэтому, если обучение модели машинного обучения не является слишком абстрактным (согласно рекомендациям), то, по-видимому, нет проблем с “логическим завершением”. Тем не менее, двигаясь далее, PTAB приводит ряд случаев, когда обучение модели машинного обучения оказывается слишком абстрактным и, следовательно, неприемлемым. Опять же, на самом деле это не логическое объяснение, а скорее просто подтверждение потенциально ложной посылки. Что касается фактических рассуждений, то PTAB приводит следующее:

...В разделе "Справочная информация" [к примеру 39], который не упоминается заявителем в апелляционной жалобе, объясняется, что известные методы распознавания лиц страдают из-за смещений, искажений и вариаций масштаба и поворота рисунка лица на изображении. В примере изобретения эта проблема решается путем использования расширенного обучающего набора изображений лиц для обучения нейронной сети. Расширенный обучающий набор разработан путем применения функций математического преобразования к полученному набору изображений лиц. Затем нейронные сети обучаются с помощью этого расширенного обучающего набора. Внедрение расширенного обучающего набора увеличило количество ложных срабатываний при классификации изображений, на которых нет лиц. Таким образом, вторая особенность предлагаемого в качестве примера изобретения сводит к минимуму эти ложноположительные срабатывания за счет выполнения итеративного алгоритма обучения, в котором система переобучается с помощью обновленного обучающего набора, содержащего ложноположительные срабатывания, полученные из изображений без лиц. Предлагаемое в качестве примера изобретение обеспечивает надежное распознавание лиц при одновременном ограничении количества ложных срабатываний. Там же.

В отличие от примера VII, моментальное приложение обучает модель машинного обучения, “основанную на определенных вручную областях кривых траектории”. Приложение к п.1 формулы изобретения. В заявке явно указывается, что идентификация областей кривых траекторий является мыслительным процессом. Там же. Заявленная модель машинного обучения просто учит машину делать то, что клиницист уже умеет делать. Эксперт не ошибся, установив, что в п.1 изложена абстрактная идея в форме мыслительного процесса.

Хотя это рассуждение не полностью отражает анализ, приведенный в руководстве, оно иллюстрирует, как заявитель может структурировать формулу изобретения и соответствующую аргументацию, чтобы проиллюстрировать, как формула изобретения решает техническую проблему, особенно в области обучения модели машинного обучения.

Чтобы повысить вероятность того, что ваши патентные заявки, связанные с машинным обучением, не будут сочтены слишком абстрактными в соответствии с разделом 101, рассмотрите следующее:

Конкретные технические усовершенствования: чётко опишите конкретные технические усовершенствования, достигнутые с помощью заявленной модели машинного обучения, адаптированной к существующей технологии или области применения, уделяя особое внимание новым и конкретным практическим применениям.
Подробные описания: предоставьте исчерпывающее и подробное описание того, как функционирует ваша модель машинного обучения (и её обучение), и как конкретные этапы обучения приводят к улучшениям, отмеченным выше.
Будьте внимательны к общему языку: использование слишком широких или общих функций, таких как общие этапы обучения, может быть истолковано как использование хорошо зарекомендовавших себя методов машинного обучения без каких-либо существенных улучшений.

Хотя конкретно заявляется, что обучение моделям машинного обучения является одним из способов получения патентной защиты изобретений в области машинного обучения, необходимо быть осторожным, чтобы иметь достаточное количество элементов, которые могут быть привязаны к конкретным техническим проблемам в данной области. Приведенный выше пример даёт общее представление, как используя факты из примера 39, представлять аргументы экспертам и PTAB при условии, что заявка содержит достаточно подробной информации об обучении.