Carl Rost, Principal Consultant at Patsnap – Intervju-serie

Carl Rost er hjernen bak AI-drevne patentsøk-verktøyene hos Patsnap.

Patsnap står i forkant av innovasjonsintelligens, og utnytter kraften fra AI og maskinlæring til å gå gjennom milliarder av datasett, og muliggjør at innovatører kan gjøre avgjørende tilkoblinger. Deres banebrytende LLM-teknologi, tilpasset for FoU- og IP-proff, navigerer lett gjennom milliarder av sider med patenter daglig. Patsnaps AI-assistent engasjerer i konversasjonelle responser til nyskapningsspørsmål og kan peke på spesifikke svar innen omfattende tekster. For eksempel kan den nøyaktig bestemme om en bestemt widget-type allerede er patentert.

Kan du gi en oversikt over hvordan Patsnaps AI-assistent fungerer og dens primære funksjoner?

Ja! Det er en AI-assistent som heter Hiro som lar deg stille spørsmål om et bestemt patent eller selv et resultatsett eller vår hele database! Det er blitt trent til å forstå innovasjon og patent-relaterte spørsmål og svare på en måte som tilfredsstiller tekniske fagfolk og IP-proff. En ny utvikling er at Hiro også kan hjelpe deg med å løse tekniske problemer og foreslå nye retninger for nye oppfinnelser ved å anvende oppfinnelsesprinsipper til tekniske løsninger og problemer som er funnet i vår patent- og litteraturdatabase. Hiro fungerer litt annerledes avhengig av om du bruker det i våre produkter som er for FoU eller for IP-proff.

Jeg tror det som gjør Hiro unikt er at det er drevet av Patsnaps proprietære LLM, og svarene linker også referanser og kilder fra Patsnaps bibliotek på 200 millioner patenter, 190 millioner litteraturstykker, 254 millioner kjemiske strukturer, 879 millioner biologiske sekvenser og 2 milliarder nyhetsartikler.

Hvilke problemer løser denne applikasjonen for bedrifter?

Store innovatører bør bruke sin tid på å innovere, ikke på å bestemme nyskaping av produkter eller gjøre forhåndsforskning av markedet. Patentdata er en av våre rikeste kilder til teknisk informasjon, som rivaliserer med tidsskriftdata, spesielt i visse teknologifelter. For FoU har tiden det tar å finne og avhøre denne typen data vært en massiv blokkering for å utnytte dette, men verktøy som Hiro kan virkelig demokratisere denne typen informasjon for første gang.

For juridiske proff er det vanlig å bruke timer, dager, uker, på å kjøre prior art og frihet til å operere-søk. Med AI-verktøy kan dette gjøres raskere og med mer nøyaktighet, og frigjøre bredbånd for mer strategisk arbeid.

Eksisterende AI-verktøy er enten for generelle og derfor ikke egnet for det intellektuelle eiendomsrommet, eller de er svarte bokser, uten noen transparens om ressurser, og reduserer tillit og hindrer beslutningstaking. Med Hiro linker vi tilbake til kilder og sikrer full visibilitet på alle stadia av utviklingsprosessen.

Hva var de største utfordringene din team møtte mens de utviklet AI-funksjonene for Patsnap, og hvordan overvant de dem?

Vi vet at personer som bygger nye oppfinnelser ønsker å holde dem beskyttet, så sikkerhet var topp prioritert når vi bygde Hiro. Da modellen som driver Hiro er lokal og bygget inn i vår app, forlater ingen data miljøet til tredje parter som er vanskelige å stole på. Våre konkurrenter gjorde ikke grunnarbeidet og festet på tredjepartsmodeller som ikke holder mål. Når vi sier at vi ikke trener modeller på kundedata, vet vi at det er sant og kan vise våre kunder det og hva vi gjør i stedet. I motsetning til våre konkurrenters løsninger, som utsetter deg for risiko gjennom tredje parter som har en mindre enn strålende rykte, når det gjelder transparens og håndtering av data.

Kunne du utdype hvordan Hiro svarer på spesifikke nyskapingsspørsmål og hva dette har for innvirkning på FoU- og IP-arbeidsflyter?

Med Hiro kan brukerne stille spørsmål som “Hva gjør denne oppfinnelsen spesiell?” eller “Hvordan kan dette patentet holde seg i forskjellige rettssystemer?” eller selv “hvordan bygge en bærbærbar jetpack” og få svar som taler til hvert steg av oppfinnelsesprosessen. I sammenligning med generelle modeller, forstår Hiro virkelig hva som gjør et patent spesielt. Brukerne trenger ikke å være patent-ekspert for å komme til bunns i hva som er eller ikke er nyskapt innen deres oppfinnelse, og kan forstå på sekunder hvilken del av deres produkt eller verktøy som må beskyttes.

Hvordan håndterer Hiro den enorme mengden data fra patenter og ikke-patentlitteratur for å gi presise og relevante svar?

Vi gjorde omfattende trening på denne datasetten, og vurderer svarene med eksperter. Vi trente så AI på ekspertsvarene, lot AI vurdere utgangen, og lot eksperter vurdere det. Til sammen har vi vurderer millioner av datapunkter på denne måten for å sikre at svarene er meningsfulle for tekniske eksperter og IP-proff.

Hvordan utnytter Hiro store språkmodeller (LLM) for å forbedre effektiviteten av patentsøk og IP-analyse? Hvilke typer data ble brukt til å trene Patsnaps proprietære LLM, og hvordan sikrer dere dens nøyaktighet og pålitelighet?

Patsnap bygde en bransjespesifikk LLM for å drive Hiro. LLM er trent på patentopptak, akademiske papirer og andre innovasjonsdata, som hjelper det med å forstå og fortelle informasjon på en måte som er mer nyttig for proff enn generelle modeller. For å sikre nøyaktighet og pålitelighet, anvendte vi strenge datapreprosesseringsmetoder, inkludert å filtrere ut lavkvalitetsdata, duplikat og omskrivning. Vi syntetiserte også nye data ved å kombinere forskjellige kilder for å forbedre modellens forståelse av IP-spesifikke nyanser. Vi overvåket finjustering og forsterkingslæring fra menneskelig tilbakemelding for å kontinuerlig forbedre dens ytelse.

PatsnapGPT er testet omfattende og har overgått GPT-4 i IP-spesifikke oppgaver, og demonstrerer overlegen evne i å utarbeide, klassifisere, summerere og resonere innen patentdomenet.

Den proprietære LLM er transparent, linker kilder og referanser, og er ikke trent på kundedata. Det er den eneste bransjespilleren som bruker en intern justert LLM, i en bransje som er spesielt avhengig av datavern og konfidensialitet.

Hvordan sammenligner Patsnaps proprietære LLM seg med andre generelle LLM som GPT-4 når det gjelder ytelse og nøyaktighet for IP-relaterte oppgaver?

Patsnaps proprietære LLM overgår GPT-4 når det gjelder intellektuell eiendomsspørsmål. Ved å bruke USPTO Patent Bar Exam, utførte PatsnapGPT-1.0 på samme nivå som en IP-ekspert, mens generelle LLM ikke nådde grenseverdien for patentadvokater som tok eksamen.

PatsnapGPT skiller seg virkelig ut når du ser på hvordan det utfører seg i IP-spesifikke benchmark. Hiro scorer jevnt høyere enn generelle modeller som GPT-4 på USPTO Patent Bar Exam. Generelle LLM klarer ikke å nå 70-poengsgrensen på eksamen, mens PatsnapGPT 1.0 scoret på samme nivå som en IP-ekspert. Dette viser at det har en bedre forståelse av IP-grunnleggende prinsipper. I tillegg, i PatentBench, som er en omfattende benchmark for IP-oppdrag, utførte PatsnapGPT utmerket i flere områder. Det produserte mer nøyaktige og relevante tekst for patentskriving, scoret høyere i klassifisering av patenter i henhold til den internasjonale patentklassifiseringssystemet, og summeringene av tekniske effekter, problemer, metoder og abstrakter ble jevnt vurdert høyere av evaluatorene. Det viser også raskere hastighet og lavere minnebruk sammenlignet med GPT-4 for lange patentdokumenter.

Hvordan ser du for deg rollen til AI utvikle seg i feltet intellektuell eiendom og FoU over de neste ti årene?

Jeg ser at AI spiller en stadig mer sentral rolle i intellektuell eiendom og FoU over de neste ti årene. For det første vil AI kraftig forbedre effektiviteten og nøyaktigheten av patentsøk og -analyse. Avanserte AI-modeller som PatsnapGPT vil bli enda bedre til å forstå og kategorisere komplekse tekniske dokumenter, utarbeide høykvalitetspatentspesifikasjoner og identifisere potensielle overtredelser eller overlapp i eksisterende patenter. Dette vil spare en enorm mengde tid og redusere marginen for menneskelig feil.

Videre vil AI revolusjonere hvordan vi håndterer og tolker store mengder IP-data. Med evnen til å prosessere og analysere store datasett raskt, kan AI avdekke trender og innsikter som ellers ville gå uoppdaget. Dette kan informere bedre beslutningstaking og strategi i IP-håndtering og FoU, som å identifisere nye teknologier, potensielle områder for innovasjon og strategiske partnerskap.

I FoU vil AI drive innovasjon ved å hjelpe med oppdagelsesprosessen. Maskinlæringsalgoritmer kan analysere tidligere forskning, forutsi resultater og til og med foreslå nye undersøkelsesretninger, og akselerere tempoet av oppdagelse og utvikling. AI kan også simulere eksperimenter og modellere komplekse systemer, og redusere behovet for kostbare og tidskrevende fysiske forsøk.

Ettersom AI-teknologien fortsetter å utvikle seg, vil dens integrasjon i IP og FoU forbedre kreativitet, effektivitet og strategisk planlegging.

Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke Patsnap.