Carl Rost, Patsnapin pääkonsultti – Haastattelusarja

Carl Rost on Patsnapin tekoälykäyttöisten patenttihakutyökalujen mastermind.

Patsnap on innovaatioälymäärän eturintamassa, hyödyntäen tekoälyä ja koneoppimista, jotta innovaattorit voivat tehdä tärkeitä yhteyksiä. Heidän viimeisimmän LLM-tekniikan ansiosta, joka on suunniteltu R&D- ja IP-ammattilaisten tarpeisiin, voidaan helposti navigoida miljardien sivujen patenttien läpi päivittäin. Patsnapin tekoälyavustaja osallistuu keskusteluihin uuden luovan ja patentin kysymyksiin ja voi osoittaa tarkat vastaukset laajoissa teksteissä. Esimerkiksi se voi tarkasti määritellä, onko tietty widget-tyyppi jo patentoituna.

Voitko antaa yleiskatsauksen Patsnapin tekoälyavustajan toiminnasta ja sen pääfunktiosta?

Toki! Se on tekoälyavustaja nimeltä Hiro, joka sallii kysymyksiä tietystä patentista tai jopa tuloksesta tai koko tietokannastamme! Se on koulutettu ymmärtämään innovaatioon ja patentteihin liittyviä kysymyksiä ja vastaamaan tavalla, joka tyydyttää sekä teknisiä asiantuntijoita että IP-ammattilaisia. Viimeaikainen edistysaskel on, että Hiro voi jopa auttaa ratkaisemaan teknisiä ongelmia ja ehdottaa uusia suuntia uusille keksinnöille soveltamalla keksintöperiaatteita teknisiin ratkaisuihin ja ongelmiihin, jotka on löydetty patentti- ja kirjallisuustietokannastamme. Hiro toimii hieman eri tavoin riippuen siitä, käytätkö sitä R&D- tai IP-ammattilaisten tuotteissamme.

Luulen, että se, mikä tekee Hirosta ainutlaatuisen, on se, että se on Patsnapin omistaman LLM:n voimalla, ja vastaukset linkittävät viitteet ja lähteet Patsnapin 200 miljoonan patentin, 190 miljoonan kirjallisuuden, 254 miljoonan kemiallisen rakenteen, 879 miljoonan biologisen sekvenssin ja 2 miljardin uutisartikkelin kirjastosta.

Mitä ongelmia tämä sovellus ratkaisee yrityksille?

Suuret innovaattorit kuuluisivat käyttää aikaansa innovoimiseen, eikä määritellä tuotteiden uudelleen tai tehdä markkinatutkimusta. Patenttitiedot ovat yksi rikkaimmista teknistä tietoa sisältävistä lähteistä, kilpaillen jopa tieteellisten artikkeleiden kanssa, erityisesti tiettyjen teknologia-alojen osalta. R&D:n osalta aika, joka kuluu tällaisen tiedon etsimiseen ja tutkimiseen, on ollut valtava este sen hyödyntämiselle, mutta työkalut kuten Hiro voivat todella demokratisoida tällaista tietoa ensimmäistä kertaa.

Lakiammattilaisten osalta on yleistä viettää tunteja, päiviä, viikkoja, etsimässä aiempaa taustatutkimusta ja vapautta toimia. Tekoälytyökalujen avulla tämä voidaan tehdä nopeammin ja tarkemmin, vapauttaen kaistanleveyttä strategisemmalle työlle.

Olemassa olevat tekoälytyökalut ovat joko liian yleisiä ja siten sopimattomia älyomaisuuden tilaan, tai ne ovat mustia laatikoita, joissa ei ole läpinäkyvyyttä lähteiden suhteen, mikä vähentää luottamusta ja estää päätöksentekoa. Hirossa me linkitämme lähteet ja viitteet ja varmistamme täydellisen näkyvyyden kehitysprosessin kaikissa vaiheissa.

Mitä haasteita tiimisi kohtasi kehittäessään Patsnapin tekoälyominaisuuksia, ja miten niitä voitiin voittaa?

Tiedämme, että ihmiset, jotka rakentavat uusia keksintöjä, haluavat pitää ne suojattuina, joten turvallisuus oli ensisijainen asia Hiroa kehitettäessä. Koska malli, joka pyörittää Hiroa, on paikallinen ja sisäänrakennettu sovellukseemme, ei tieto jää kolmansille osapuolille, joita on vaikea luottaa. Kilpailijamme eivät tehneet perustyötä ja kiinnittivät kolmannen osapuolen malleja, jotka eivät kestä tarkastelua. Kun sanomme, ettemme kouluta malleja asiakastietojen avulla, tiedämme sen olevan totta ja voimme näyttää asiakkaillemme sen ja mitä teemme sen sijaan. Vastakohtaisesti kilpailijoiden ratkaisut altistavat sinut riskille kolmansien osapuolien kautta, joilla on vähemmän kuin mainio maine läpinäkyvyyden ja tietojen käsittelyn suhteen.

Voitko selittää tarkemmin, miten Hiro vastaa tiettyihin uudelleenluontiin liittyviin kysymyksiin ja mitä vaikutusta tämä on R&D- ja IP-työnkulkuun?

Hiron avulla käyttäjät voivat kysyä kysymyksiä kuten “Mitkä tämän keksinnön osat tekevät siitä uudenluonteen?” tai “Miten tämä patentti pitäisi eri oikeusjärjestelmissä?” tai jopa “miten rakentaa lentävä reppu” ja saada vastauksia, jotka puhuvat keksintöprosessin jokaiselle vaiheelle. Yleisten mallien verrattuna Hiro todella ymmärtää, mitä tekee patentin erityisen. Käyttäjien ei tarvitse olla patenttiasiantuntijoita, jotta he voivat päästä selville, mikä osa heidän tuotteestaan tai työkalustaan tarvitsee suojaa, ja he voivat ymmärtää sekunneissa, mikä osa heidän tuotteestaan tai työkalustaan tarvitsee suojaa.

Miten Hiro käsittelee valtavan määrän tietoa patenteista ja ei-patenttiliteratuurista, jotta se voi antaa tarkat ja relevantit vastaukset?

Teimme laajan koulutuksen tietokannasta ja arvioimme vastaukset asiantuntijoiden kanssa. Sitten koulutimme tekoälyä asiantuntijoiden vastauksilla, ja tekoäly arvioi tuotokset, ja asiantuntijat tarkastivat ne. Kaiken kaikkiaan olemme arvioineet miljoonia tietopisteitä, jotta vastaukset ovat merkityksellisiä teknisiä asiantuntijoita ja patenttiasiantuntijoita varten.

Miten Hiro hyödyntää suuria kielen malleja (LLM) parantaakseen patenttihakujen ja IP-analyysin tehokkuutta? Mitä tietoja on käytetty kouluttamaan Patsnapin omistamaa LLM:ää, ja miten varmistatte sen tarkkuuden ja luotettavuuden?

Patsnap kehitti teollisuuskohtaisen LLM:n, joka pyörittää Hiroa. LLM on koulutettu patenttien, tieteellisten artikkeleiden ja muiden innovaatioon liittyvien tietojen avulla, mikä auttaa sitä ymmärtämään ja kertomaan tietoa tavalla, joka on ammattilaisille hyödyllisempää kuin yleiset mallit. Varmistaaksemme tarkkuuden ja luotettavuuden, käytimme tiukkoja tietojen esikäsittelymenetelmiä, mukaan lukien matalanlaatuisen tiedon suodattamisen, duplikaattien poistamisen ja uudelleenkirjoittamisen. Lisäksi syntetisoimme uusia tietoja yhdistämällä eri lähteitä, jotta malli ymmärtäisi IP-kohtaisia nuansseja paremmin. Valvomme jatkuvasti koulutusta ja vahvistamme oppimista ihmisten palautteen avulla.

PatsnapGPT on testattu laajasti ja on suorittanut paremmin kuin GPT-4 IP-kohtaisissa tehtävissä, osoittaen paremmat kyvyt luonnostelussa, luokittelussa, tiivistämisessä ja päättelyssä patenttialalla.

Omistautunut LLM on läpinäkyvä, linkittäen lähteet ja viitteet, ja se ei ole koulutettu asiakastietojen avulla. Se on ainoa alan toimija, joka käyttää sisäisesti sääteltyä LLM:ää, alalla, joka on erityisen riippuvainen tietosuojasta ja luottamuksellisuudesta.

Miten Patsnapin omistama LLM vertautuu muihin yleisiin LLM-malleihin, kuten GPT-4:ään, IP-kohtaisissa tehtävissä suorituskyvyn ja tarkkuuden suhteen?

Patsnapin omistama LLM suorittaa paremmin kuin GPT-4 älyomaisuuteen liittyvissä kysymyksissä. Yhdysvaltain patentti- ja tavaramerkkiviraston patenttibarikokeen avulla PatsnapGPT-1.0 suoritti IP-asiantuntijan tasolla, kun taas yleiset mallit eivät saavuttaneet patenttilakimiehille asetettua kynnysehtoa.

PatsnapGPT erottuu erityisesti, kun tarkastelet sen suorituskykyä IP-kohtaisissa mittareissa. Hiro saavuttaa jatkuvasti korkeamman pisteytyksen kuin yleiset mallit, kuten GPT-4, Yhdysvaltain patentti- ja tavaramerkkiviraston patenttibarikokeessa. Yleiset mallit eivät pääse 70 pisteen kynnysehtoon, kun taas PatsnapGPT 1.0 saavutti IP-asiantuntijan tasolla. Tämä osoittaa, että se ymmärtää IP-perusteet paremmin. Lisäksi PatentBenchissä, joka on kattava mittari IP-tehtäville, PatsnapGPT menestyi useilla alueilla. Se tuotti tarkemmat ja relevantimmat tekstit patenttien kirjoittamiseen, saavutti korkeamman pisteytyksen patenttien luokittelussa Kansainvälisen patenttiluokitusjärjestelmän mukaan, ja sen tiivistelmät teknisistä vaikutuksista, ongelmista, menetelmistä ja abstrakteista saivat jatkuvasti korkeamman arvostelun arvioijilta. Se myös osoitti nopeamman suorituskyvyn ja vähemmän muistinvarausta kuin GPT-4 pitkille patenttidokumenteille.

Miten näet tekoälyn roolin kehittyvän älyomaisuuden ja tutkimus- ja kehitystoiminnan alalla seuraavan kymmenen vuoden aikana?

Näen tekoälyn pelaavan yhä keskeisemmän roolin älyomaisuuden ja tutkimus- ja kehitystoiminnan alalla seuraavan kymmenen vuoden aikana. Ensinnäkin tekoäly parantaa merkittävästi patenttihakujen ja -analyysin tehokkuutta. Edistyneet tekoälymallit, kuten PatsnapGPT, tulevat olemaan vielä parempia ymmärtämään ja luokittelemaan monimutkaisia teknisiä asiakirjoja, laativat korkealaatuisia patenttispesifikaatioita ja tunnistavat mahdollisia rikkomuksia tai päällekkäisyyksiä olemassa olevissa patenteissa. Tämä säästää valtavan määrän aikaa ja vähentää virheiden mahdollisuutta.

Lisäksi tekoäly vallankumouksellisesti muuttaa, miten käsittelemme ja tulkkaamme valtavat määrät IP-tietoja. Tekoälyn pystyessä prosessoimaan ja analysoimaan suuria tietoja nopeasti, se voi paljastaa trendejä ja oivalluksia, jotka muuten jäisivät huomaamatta. Tämä voi informoida parempaa päätöksentekoa ja strategiaa IP-hallinnassa ja R&D:ssä, kuten tunnistamalla nousussa olevia teknologioita, potentiaalisia innovaatioalueita ja strategisia kumppanuuksia.

R&D:ssä tekoäly ajaa innovaatiota auttamalla löytöprosessissa. Koneoppimisalgoritmit voivat analyysoida aiempaa tutkimusta, ennustaa tuloksia ja jopa ehdottaa uusia tutkimussuuntia, kiihdyttäen löytöjen ja kehityksen vauhtia. Tekoäly voi myös simuloida kokeita ja mallintaa monimutkaisia järjestelmiä, vähentäen tarvetta kalliille ja aikaa vieville fyysisille kokeille.

Kun tekoälyteknologia jatkaa kehittymistään, sen integrointi IP:hen ja R&D:hen parantaa luovuutta, tehokkuutta ja strategista suunnittelua.

Kiitos hienosta haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla Patsnapissa.