Carl Rost, Principal Consultant hos Patsnap – Intervieuserie

Carl Rost er hjernen bag de AI-drevne patentsøgetjenester hos Patsnap.

Patsnap står i spidsen for innovationsintelligens, og udnytter kraften fra AI og maskinel læring til at gennemgå milliarder af datasets, hvilket giver innovatorer mulighed for at oprette vigtige forbindelser. Deres avancerede LLM-teknologi, tilpasset til R&D- og IP-professionelle, navigerer let gennem milliarder af sider med patenter dagligt. Patsnaps AI-assistent deltagere i konversationsbesvaringer til nytænkningsspørgsmål og kan pege på specifikke svar inden for omfattende tekster. For eksempel kan den nøjagtigt bestemme, om en bestemt widget-type allerede er patenteret.

Kan du give en oversigt over, hvordan Patsnaps AI-assistent fungerer, og dens primære funktioner?

Ja! Det er en AI-assistent kaldet Hiro, som giver dig mulighed for at stille spørgsmål om et bestemt patent eller endda et resultatsæt eller vores hele database! Det er blevet trænet til at forstå innovation og patentrelaterede spørgsmål og svare på en måde, der tilfredsstiller tekniske fagfolk og IP-professionelle. En seneste udvikling er, at Hiro også kan hjælpe dig med at løse tekniske problemer og foreslå nye retninger for nye opfindelser ved at anvende opfindelsesprincipper til tekniske løsninger og problemer, der er fundet i vores patent- og litteraturdatabase. Hiro fungerer lidt anderledes, afhængigt af, om du bruger det i vores produkter, der er til R&D eller til IP-professionelle.

Jeg tror, hvad der gør Hiro unik, er, at det er drevet af Patsnaps proprietære LLM, og svarene linker også references og kilder fra Patsnaps bibliotek på 200 millioner patenter, 190 millioner stykker litteratur, 254 millioner kemiske strukturer, 879 millioner biologiske sekvenser og 2 milliarder nyhedsartikler.

Hvilke problemer løser denne anvendelse for virksomheder?

Store innovatører skal bruge deres tid på at innovere, ikke på at bestemme nytænkning af produkter eller foretage præliminær markedsforskning. Patentdata er en af vores rigeste kilder til teknisk information, der kan sammenlignes med tidsskriftsdata, især inden for visse teknologiske områder. For R&D har det taget lang tid at finde og afhøre denne type data, men værktøjer som Hiro kan virkelig demokratisere denne type information for første gang.

For juridiske professionelle er det almindeligt at bruge timer, dage, uger på at køre prior art- og frihed-til-at-funktionere-søgninger. Med AI-værktøjer kan dette gøres hurtigere og mere præcist, hvilket frigør bandwidth til mere strategisk arbejde.

Eksisterende AI-værktøjer er enten for generelle og derfor ikke egnede til det intellektuelle ejendomsområde, eller de er sorte kasser med ingen gennemsigtighed i forhold til ressourcer, hvilket reducerer tilliden og forhindrer beslutningstagning. Med Hiro linker vi tilbage til kilder og sikrer fuld gennemsigtighed på alle stadier af udviklingsprocessen.

Hvilke var de største udfordringer, dit team stod overfor, mens I udviklede AI-funktionerne til Patsnap, og hvordan overvandede I dem?

Vi ved, at personer, der bygger nye opfindelser, ønsker at beskytte dem, så sikkerhed var toppen af vores liste, da vi byggede Hiro. Da modellen, der driver Hiro, er lokal og bygget ind i vores app, forlader ingen data miljøet til tredjeparter, der er svære at stole på. Vores konkurrenter gjorde ikke grundarbejdet og tilføjede tredjepartsmodeller, der ikke kan stå til skud. Når vi siger, at vi ikke træner modeller på kundedata, ved vi, at det er sandt, og vi kan vise vores kunder det og hvad vi gør i stedet. Til gengæld eksponerer vores konkurrenters løsninger dig for risiko gennem tredjeparter, der har en mindre end strålende rygte, hvad angår gennemsigtighed og håndtering af data.

Kan du uddybe, hvordan Hiro besvarer specifikke nytænkningsspørgsmål, og hvilken indvirkning dette har på R&D- og IP-arbejdsgange?

Med Hiro kan brugere stille spørgsmål som “Hvad er det, der gør denne opfindelse ny?” eller “Hvordan vil denne patent holde i forskellige retssystemer?” eller endda “hvordan man bygger en bærbart jetpack” og få svar, der taler til hvert trin i opfindelsesprocessen. I sammenligning med generalistmodeller forstår Hiro virkelig, hvad der gør en patent speciel. Brugere behøver ikke at være patenteksperter for at komme til bunds i, hvad der er eller ikke er nytænkning inden for deres opfindelse, og kan forstå på få sekunder, hvilken del af deres produkt eller værktøj, der skal beskyttes.

Hvordan håndterer Hiro den enorme mængde data fra patenter og ikke-patentlitteratur for at give præcise og relevante svar?

Vi udførte omfattende træning på dette dataset og vurderede svarene med eksperter. Vi trænede derefter AI på eksperternes svar, fik AI til at vurdere output og fik eksperter til at gennemgå det. I alt har vi vurderet millioner af datapunkter på denne måde for at sikre, at svarene er meningsfulde for tekniske eksperter og patentproffessionelle.

Hvordan udnytter Hiro store sprogmodeller (LLM’er) til at forbedre effektiviteten af patentsøgninger og IP-analyse? Hvad slags data blev brugt til at træne Patsnaps proprietære LLM, og hvordan sikrer I dens nøjagtighed og pålidelighed?

Patsnap byggede en branche-specifik LLM til at drive Hiro. LLM’en er blevet trænet på patentoptegnelser, akademiske artikler og anden innovationsdata, hvilket hjælper den med at forstå og gensende information på en måde, der er mere nyttig for professionelle end generalistmodeller. For at sikre nøjagtighed og pålidelighed anvendte vi strenge datapraecesseringsmetoder, herunder filtrering af lavkvalitetsdata, deduplikation og omskrivning. Vi syntetiserede også nye data ved at kombinere forskellige kilder for at forbedre modellens forståelse af IP-specifikke nuancer. Vi overvågede finjustering og forstærkning fra menneskelig feedback for at kontinuerligt forbedre dens præstation.

PatsnapGPT er blevet testet omfattende og har overgået GPT-4 i IP-specifikke opgaver, hvilket demonstrerer overlegne evner i udarbejdning, klassificering, sammenfatning og begrundelse inden for patentdomænet.

Den proprietære LLM er gennemsigtig, linker til kilder og references, og det er ikke trænet på kundedata. Det er den eneste industripartner, der bruger en intern tilpasset LLM, i en branche, der er særligt afhængig af dataintegritet og fortrolighed.

Hvordan sammenligner Patsnaps proprietære LLM med andre generelle formål LLM’er som GPT-4 i forhold til præstation og nøjagtighed for IP-relaterede opgaver?

Patsnaps proprietære LLM overgår GPT-4, når det kommer til IP-relaterede forespørgsler. Ved hjælp af USPTO Patent Bar Exam udførte PatsnapGPT-1.0’s på niveau med en IP-ekspert, mens generelle LLM’er ikke nåede grænsen for patentadvokater, der tager eksamen.

PatsnapGPT står virkelig ud, når du ser på, hvordan den præsterer i IP-specifikke benchmarks. Hiro scorer konsekvent højere end generelle modeller som GPT-4 på USPTO Patent Bar Exam. Generelle LLM’er fejler at nå 70-point-grænsen på eksamen, mens PatsnapGPT 1.0 scorede på niveau med en IP-ekspert. Dette viser, at den har en bedre forståelse af IP-grundlag. Desuden udførte PatsnapGPT i PatentBench, som er en omfattende benchmark for IP-opgaver, og excellerede i flere områder. Den producerede mere præcise og relevante tekster til patentudarbejdning, scorede højere i klassificering af patenter ifølge den internationale patentklassificeringssystem, og dens sammenfatninger af tekniske virkninger, problemer, metoder og abstrakter blev konsekvent vurderet højere af evaluatorene. Den viser også hurtigere hastigheder og lavere hukommelsesforbrug i forhold til GPT-4 for lange patentdokumenter.

Hvordan forestiller du dig, at AI’s rolle vil udvikle sig inden for det intellektuelle ejendomsområde og forskning og udvikling over de næste ti år?

Jeg ser AI spille en stadig mere central rolle inden for det intellektuelle ejendomsområde og forskning og udvikling over de næste ti år. For det første vil AI i høj grad forbedre effektiviteten og nøjagtigheden af patentsøgninger og -analyse. Avancerede AI-modeller som PatsnapGPT vil blive endnu bedre til at forstå og kategorisere komplekse tekniske dokumenter, udarbejde højkvalitetspatentspecifikationer og identificere potentielle krænkelser eller overlap i eksisterende patenter. Dette vil spare en enorm mængde tid og reducere marginen for menneskeligt fejl.

Desuden vil AI revolutionere, hvordan vi håndterer og fortolker enorme mængder IP-data. Med evnen til at behandle og analysere store datasets hurtigt kan AI afsløre tendenser og indsigt, der ellers ville gå ubemærket hen. Dette kan informere bedre beslutningstagning og strategi i IP-styring og R&D, såsom identificering af fremvoksende teknologier, potentielle områder for innovation og strategiske partnerskaber.

I R&D vil AI drive innovation ved at hjælpe med opdagelsesprocessen. Maskinel læring kan analysere tidligere forskning, forudsige resultater og endda foreslå nye retninger for undersøgelse, hvilket accelererer opdagelses- og udviklingshastigheden. AI kan også simulere eksperimenter og modellere komplekse systemer, reducerer behovet for dyre og tidskrævende fysiske tests.

Da AI-teknologien fortsætter med at udvikle sig, vil dens integration i IP og R&D forbedre kreativitet, effektivitet og strategisk planlægning.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Patsnap.