Carl Rost, Principal Consultant at Patsnap – Interview Serie

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 datasæt, hvilket giver innovatorer mulighed for at etablere afgørende forbindelser. Deres avancerede LLM-teknologi, tilpasset til FoU- og IP-professionelle, navigerer ubesværet gennem milliarder af sider med patenter dagligt. Patsnaps AI-assistent deltager i konversationelle svar på 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?

Selvfølgelig! Det er en AI-assistent kaldet Hiro, som giver dig mulighed for at stille spørgsmål om et bestemt patent eller endda et resultat eller vores hele database! Den er blevet trænet til at forstå innovations- 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 opfindsomme principper til tekniske løsninger og problemer, der er fundet i vores patent- og litteraturdatabase. Hiro fungerer lidt anderledes, afhængigt af, om du bruger den i vores produkter, der er til FoU eller til IP-professionelle.

Jeg tror, hvad der gør Hiro unik, er, at den er drevet af Patsnaps proprietære LLM, og svarene linker også henvisninger 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 ansøgning for virksomheder?

Store innovatører skal bruge deres tid på at innovere, ikke på at afgøre nytænkning af produkter eller foretage preliminær markedsforskning. Patentdata er en af vores rigeste kilder til teknisk information, der kan sammenlignes med tidsskriftsdata, især inden for visse teknologiske områder. For FoU har det taget lang tid at finde og afhøre denne type data været en enorm blokeringsfaktor for at udnytte dette, 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 operere-søgninger. Med AI-værktøjer kan dette gøres hurtigere og mere præcist, hvilket frigør kapacitet 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 tillid og hindrer beslutningstagning. Med Hiro linker vi tilbage til kilder og sikrer fuld gennemsigtighed på alle stadier af udviklingsprocessen.

Hvilke var de største udfordringer, dit hold stod over for under udviklingen af 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 integreret i vores app, forlader ingen data miljøet til tredjeparter, der er svære at stole på. Vores konkurrenter gjorde ikke grundarbejdet og monterede på tredjepartsmodeller, der ikke kan stå distancen. Når vi siger, at vi ikke træner modeller på kundedata, ved vi, at det er sandt, og vi kan vise vores kunder, at og hvad vi gør i stedet. I modsætning hertil udsætter vores konkurrenters løsninger dig for risiko gennem tredjeparter, der har en mindre end strålende rygte, når det kommer til gennemsigtighed og håndtering af data.

Kunne du uddybe, hvordan Hiro besvarer specifikke nytænkningsspørgsmål, og hvilken indvirkning dette har på FoU- og IP-arbejdsgange?

Med Hiro kan brugere stille spørgsmål som “Hvad er det, der gør denne opfindelse ny?” eller “Hvordan vil dette 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 et patent specielt. 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 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 datasæt og vurderede svarene med eksperter. Derefter trænede vi AI på ekspertsvarene, 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 patentfagfolk.

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 opbyggede en branche-specifik LLM til at drive Hiro. LLM’en er blevet trænet på patentoptegnelser, videnskabelige artikler og anden innovationsdata, hvilket hjælper den med at forstå og gensende information på en måde, der er mere nyttig for fagfolk end generalistmodeller. For at sikre nøjagtighed og pålidelighed anvendte vi strenge datapraecisionsmetoder, 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 af læring 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 udarbejdelse, klassificering, sammenfattende og begrundelse inden for patentdomænet.

Den proprietære LLM er gennemsigtig, linker kilder og henvisninger, og den er ikke trænet på kundedata. Det er den eneste industripiger, der bruger en intern justeret LLM, i en industri, der er særligt afhængig af dataprivatliv og fortrolighed.

Hvordan sammenligner Patsnaps proprietære LLM sig 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 intellektuelt ejendomsrelaterede 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 klarer ikke 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-fundamenterne. Derudover udførte PatsnapGPT også på PatentBench, der er en omfattende benchmark for IP-opgaver, og PatsnapGPT udførte på flere områder. Den producerede mere præcise og relevante tekster til patentskrivning, scorede højere i klassificering af patenter efter den internationale patentklassifikationssystem, og dens sammenfattende af tekniske effekter, problemer, metoder og abstrakter blev konsekvent vurderet højere af evaluatore. Den viser også hurtigere hastighed og lavere hukommelsesforbrug i forhold til GPT-4 for lange patentdokumenter.

Hvordan forestiller du dig, at AI’s rolle vil udvikle sig i feltet intellektuel ejendom og forskning og udvikling over de næste ti år?

Jeg ser AI spille en stadig mere central rolle i intellektuel ejendom og forskning og udvikling over de næste ti år. For det første vil AI stærkt 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 datasæt hurtigt kan AI afsløre tendenser og indsigt, der ellers ville være gået ubemærket hen. Dette kan informere bedre beslutningstagning og strategi i IP-styring og FoU, såsom at identificere fremvoksende teknologier, potentielle områder for innovation og strategiske partnerskaber.

I FoU vil AI drive innovation ved at hjælpe med opdagelsesprocessen. Maskinelæringsalgoritmer kan analysere tidligere forskning, forudsige resultater og endda foreslå nye undersøgelsesretninger, hvilket accelererer tempoet i opdagelse og udvikling. AI kan også simulere eksperimenter og modelkomplekse systemer, hvilket reducerer behovet for dyre og tidskrævende fysiske tests.

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

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