예시로 본 인공지능 심사실무가이드 요약

한국특허청이 최근 인공지능 등 특정 기술에 대한 심사실무 가이드를 발간했다. 이 중에서 인공지능 심사실무가이드는 최근 출원이 급증하고 있는 인공지능발명의 심사에 관한 명확한 가이드라인을 제시한다. 특히, 타국 특허청에서도 인공지능발명의 심사에 대한 논의는 있었지만 한국특허청에서 전세계 최초로 기존의 심사기준과는 독립된 인공지능발명에 관한 심사실무를 제시했다는 점에 의의가 있다. 참고로, 유럽특허청은 인공지능발명을 유럽특허법(EPC) 제52조제2항에 비특허대상으로 규정한 수학적인 방법(G-II, 3.3)의 하부 카테고리로 배치해 놓았다. (참고자료: 유럽에서의 인공지능특허 취득의 팁) 이하에서는 예시를 통하여 인공지능 심사실무가이드에 대해 설명한다.

 

1. 인공지능발명의 정의

“발명의 실시에 기계 학습(Machine Learning) 기반의 인공지능기술을 필요로 하는 발명”

인공지능 심사실무가이드를 적용하기 위해서는 인공지능발명에 대한 정의가 필요하다. 즉, 인공지능발명의 정의에 부합하는 출원발명에 한해서만 인공지능 심사실무가이드를 적용하기 위해서이다. 문제는 인공지능기술이 사실상 1960년대에 등장한 퍼지이론부터 시작되었다는 것이다. 따라서 인공지능기술의 범위를 어떻게 적용할지 여부의 문제가 있다. 이에 대해서는 “머신 러닝 기반”인 경우에만 인공지능 심사실무가이드를 적용한다. 청구대상이 물질(의약품)인 경우에는 화학분야 물질발명 또는 의약의 용도발명 관련 심사기준을 따른다. 예를 들면, 인공지능을 이용해 추출한 치료제 후보 물질을 그 예로 들 수 있다. 한편, 머신 러닝 기반의 기술이 아닌 경우, 컴퓨터 관련 발명 심사기준을 적용한다. 이는 아래의 우측 그림에 나타낸 바와 같이, 인공지능발명을 1976년부터로 규정한 미국특허청의 입장과는 다르다. (출처: Inventing AI 보고서) 그러나 현실적으로 한국 특허청의 지침이 현실에 더 부합해 보인다.

 

2. 인공지능발명의 기본 개요

그림 출처: 인공지능분야 심사실무가이드

인공지능발명의 유형은 위 그림으로 간략히 설명된다. 인공지능발명은 AI 학습 모델링 발명과 AI 응용발명으로 나누어진다. 실제 출원비율은 AI 학습 모델링 발명은 10-15%이고, AI 응용발명은 85-90%에 달한다. 세부 구성에서 인공지능발명은, ① 데이터, ② 데이터 전처리, ③ 학습 모델, ④ AI 물리적 소자, ⑤ 학습 완료 모델로 나누어진다. 여기서, 데이터 전처리는 지도/준지도 학습에만 적용되고, 강화학습에는 적용되지 않는다. (∴ 점선도시) 이를 기본으로 발명의 설명 및 특허청구범위의 기재요건과 진보성 판단 요건을 설명하면 아래와 같다. (성립성, 신규성, 특허청구범위 기재방법은 기존의 컴퓨터 관련 발명 심사기준과 큰 차이가 없어서 제외)

 

3. 발명의 설명의 기재 요건

가. 기본사례

기본원칙
인공지능 발명을 구현하기 위한 구체적인 수단을 기재할 것 입력 데이터와 학습된 모델의 출력 데이터간의 상관관계를 구체적으로 기재할 것
요건
학습 데이터, 데이터 전처리 방법, 학습 모델, 손실 함수(loss function) 등을 구체적으로 기재 요 1. 학습 데이터가 특정될 것
2. 학습데이
터의 특성 상호간에 발명의 기술적 과제를 해결하기 위한 상관 관계가 존재할 것
3. 학습데이터를 이용해 학습시키고자 하는 학습 모델 또는 학습 방법이 구체적으로 기재될 것
4. 이러한 학습데이터 및 학습 방법에
의해 기술적 과제를 해결하기 위한 학습 모델이 생성될 것
예외
단, 출원시의 기술상식을 감안시 당업자에게 명확히 이해되면 명시적 기재 불요 단, 출원시의 기술상식을 감안시 당업자가 실시예를 통해 그 상관 관계를 추정 또는 파악시 명시적 기재 불요
부적절한

청구항 복수개의 인공 신경망들의 앙상블을 이용하여 질병 예측용 학습 완료 모델을 생성 기상 데이터(온도 정보, 습도 정보 등)와 환경 데이터(미세먼지 정보 등)를 학습 데이터로 하고 기계학습모델을 이용하여 주택의 온도를 자동으로 제어 발명의 기능 기재
발명의
설명
• 질병 예측용 학습 완료 모델의 앙상블에 이용되는 복수개의 인공 신경망들이 특정되지 않음
• 인공 신경망들의 앙상블을
이용해 질병 예측용 학습 완료 모델을 생성하기 위한 ‘수단’ 또는 ‘공정’이 구체적으로 기재되어 있지 않음
• 기상 데이터와 기계학습 모델을 이용하여 주택의 온도를 자동으로 제어하는 정보간의 상관관계가 구체적으로 기재되어 있음
• 그러나 환경 데이터는 입력 데이터로 나열되어 있을 뿐 환경 데이터와 출력 데이터(주택의 온도를 자동으로 제어하는 정보)간의 상관관계를 구체적으로 미기재
• 발명의 기능을 실현하는 하드웨어 또는 소프트웨어를 단순히 「기능 블록도(block diagram)」 또는 「순서도(flowchart)」만으로 표현
• 「기능 블록도」 또는 「순서도」로부터 어떻게 하드웨어 또는 소프트웨어가 구현되는지 명확히 파악 불가
해설 앙상블: 전체적인 어울림이나 통일 (복수의 인공신경망들의 결합)  –

 

나. 구체적인 발명 사례

응용 ② 데이터 전처리 발명 ③ 강화 학습 발명 ⑤ AI 응용 발명
설명 수집된 원시(raw) 데이터를 학습용 데이터로 변경하는 데이터 전처리가 발명의 특징인 경우 머신러닝발명과는 차이 출원발명이 기계학습의 응용에 특징
적절한 기재 당업자가 발명의 설명의 실시예를 통해 데이터 전처리 관련 발명을 명확하게 파악할 수 있는 경우 당업자가 발명의 설명의 실시예를 통해 강화 학습 발명을 명확하게 파악할 수 있는 경우 통상의 기계학습방법을 활용해 발명의 기술적 과제를 해결할 수 있고 발명의 효과를 확인 可 (학습모델 또는 학습방법이 구체적으로 기재되어 있지 않고 단순히 통상의 기계학습방법만 기재되어 있더라도)
부적절한 기재

• 수집된 원시 데이터를 학습용 데이터로 생성, 변경, 추가, 또는 삭제하기 위하여 데이터 전처리 단계나 기능의 실행/실현 방법 미기재
• 수집된 원시 데이터와 학습용
데이터 간의 상관관계를 구체적으로 미기재

에이전트(agent), 환경(environment), 상태(state), 행동(action), 보상(reward)들간의 상관관계를 포함한 강화학습방법을 구체적으로 기재하지 않은 경우

 

4. 진보성 판단 요건

가. 기본적인 진보성 결여 사례

NO 케이스 청구항 내용 인용예의 내용 해설
1 출원전 공지된 인공지능기술의 단순 부가의 예시 “인공지능 기술을 이용하는” 정도로만 기재하고, 인공지능 관련 발명을 구현하기 위한 기술적 구성(데이터 전처리, 학습모델 등)을 구체적으로 특정하지 않은 경우 과제해결을 위한 구체적 수단으로서 출원전 공지된 인공지능기술을 단순 부가한 것에 불과해 통상의 기술자의 통상의 창작 능력 발휘에 해당
2 주가 기조의 상승/하락을 판단하는 인공지능 알고리즘에 따라 색깔을 달리하여 표시하는 인공 지능 차트를 이용한 주식 정보 제공 방법 • ‘인공지능 알고리즘’에서 채택하는 ‘주가 기조의 상승/하락을 판단하는 기준’ 및 ‘주가 기조의 상승/하락에 따라 색깔을 달리하여 표시하는 것’은 주식투자 또는 차트분석 분야에서 널리 활용되는 주지관용기술에 불과
• 청구항에 기재된 발명이 특정의 과제를 수행하도록 학습된 모델에서 얻어지는 특유의 정보처리에 관하여 특정하지 않은 채 단순히 주지관용 기술을 인공지능 알고리즘으로 구현하는 것만으로는 그 발명의 진보성이 인정되지 않음 (특허법원 2013허1788 판결)
3 특정 기간 동안 사용자가 온라인 검색에 사용한 용어들에 근거하여 사용자 관심 분야를 예측하고, 해당 사용자의 관심 분야와 연관된 콘텐츠를 추천하는 인공지능을 이용한 콘텐츠 추천 장치 SNS 상에서 특정 기간 동안 사용자가 입력한 검색 용어들에 근거해 사용자 선호도를 조사하고, 해당 사용자 선호도와 관련된 콘텐츠를 추천하는 사용자 선호 콘텐츠 추천 장치 사용자 관심 분야를 예측하고 관심 분야와 연관된 콘텐츠를 추천하는 과제해결에 대해 인공지능기술의 구현 방안을 구체적으로 특정하지 않는 경우,  출원시의 기술수준을 고려할 때 사용자 관심 분야를 예측하는 수단으로 출원전 공지된 인공지능 기술을 단순히 부가한 것에 불과해 통상의 기술자의 통상의 창작 능력 발휘에 해당
4 오프라인의 온라인화예시 대출 신청자들의 과거 금융 거래내역을 입력데이터로 하여 인공신경망을 통해 대출 신청자들에 대한 신용도를 평가하는 인공지능 기반 신용 평가 시스템 신용 평가 시스템이 대출 신청자의 과거 금융 거래내역을 기반으로 대출 신청자의 현재 신용도를 평가하는 방법 대출신청자의 신용도를 평가하는 방법(사람이 수행하는 업무 또는 비즈니스)을 시스템화하기 위하여 컴퓨터 등을 대체해 출원전 공지된 인공신경망으로 단순히 시스템화하는 것은 통상의 기술자의 통상의 창작 능력 발휘에 해당
 5  인공지능기술의 구체적 적용에 따른 단순 설계변경

컴퓨터가 카메라로 촬영된 문서 이미지를 입력받는 단계;
합성곱 신경망(CNN)을 이용하여 문서 영역을 추론하는 단계; 합성곱 신경망을 이용하여 문서 영역에 포함된 문서 제목별로 문서를 분류하는 문서 분류단계;
를 포함하는 문서 종류 자동 분류 방법.
컴퓨터가 스캐너를 통해 문서를 읽어들인 후 문서 영역만을 구분하고, 순환 신경망(RNN)을 이용하여 상기 문서 영역으로부터 특징을 추출하고 문서를 자동 분류하는 방법 • 출원발명은 학습모델로 합성곱 신경망(CNN)을 채택하고 있고 인용발명은 순환 신경망(RNN)을 채택하는 바, 양 발명은 학습 모델의 차이가 있음
• 그러나 출원발명이 합성곱 신경망에 관하여 구체적으로 특정하고 있지 않고, 해당 기술 분야에서 단순히 순환 신경망을 합성곱 신경망으로 대체하는 것은 통상의 기술자에 의한 단순 설계변경 사항에 해당하고, 출원발명이 인용발명에 비하여 예측되는 효과 이상의 더 나은 효과가 발생하지 않음
6 전력설비의 전력 예측 시스템에 있어서,
해당 전력설비 주변의 기상 데이터 및 과거 전력 사용량 데이터를 수집하는 데이터 수집부;
인공신경망(ANN)을 이용하여, 데이터 수집부를 통해 수집한 기상 데이터 및 과거 전력 사용량 데이터를 통해 전력설비의 전력 사용량을 예측하는 예측부;
를 포함하는 전력관리 예측 시스템.
과거의 기상 데이터와 전력 수요 데이터와의 상관관계를 기초로 하여 중회귀 분석(multiple regression analysis)을 이용하여 미래의 전력 수요를 예측하는 시스템.
• 출원발명은 학습모델로 인공 신경망(ANN)을 채택하고 있고 인용발명은 중회귀분석을 채택하여 양 발명은 학습 모델의 차이가 있음
• 그러나 출원발명이 인공신경망(ANN)을  구체적으로 특정하고 있지 않으므로, 전력 사용량 예측 분야에서 단순히 중회귀 분석 모델을 인공 신경망으로 대체하는 것은 통상의 기술자에 의한 단순 설계변경 사항에 해당하고, 예측되는 효과 이상의 더 나은 효과가 있는 것으로 볼 수 없음
7 주지•관용 수단의
단순부과
인공지능 기반의 도로 노면 인식 시스템에서 카메라 영상 데이터를 이진화(컬러 영상의 흑백 영상 변환)하는 전처리를 하고, 상기 이진화된 영상 데이터를 인공지능 학습 모델에 입력하는 방법. 출원발명과 인용발명의 구성상 차이가 ‘카메라 영상 데이터를 이진화하는 데이터 전처리’인 경우, 출원시의 기술수준을 고려시 컬러 영상 데이터를 이진화하는 구성은 연산량을 줄이기 위한 주지ㆍ관용 수단에 불과

 

나. 구체적인 발명의 진보성 판단

NO 항목 원칙 청구항 내용 인용예의 내용 해설
1 데이터


• 출원발명에서 채택한 학습 데이터에 관한 특유의 정보처리가 특정되어 있는지, 학습데이터의 차이로 말미암아 예측되는 효과 이상의 더 나은 효과가 발생하였는지 등을 고려
모바일 디바이스를 통해 사용자 대화를 수집하는 음성 데이터 수집부;
수집된 음성 데이터에서 운율 데이터(피치, 크기, 억양)와 음성언어 데이터 및 비언어 데이터(한숨소리, 웃음소리 등)를 추출하는 특징 추출부;
특징 추출부에서 추출한 데이터를 학습데이터로 하여 LSTM 모델을 이용한 사용자 감정을 학습하는 딥러닝 학습부;
를 포함하는 사용자 대화로부터 감정을 인식하는 장치.
사용자가 SNS 게시 문장 또는 문서로부터 감성 단어만을 추출하고, 해당 감성 단어를 훈련 데이터로 하여 LSTM 모델을 통해 사용자의 감성을 판단하는 장치

• 전제조건 – 운율 데이터, 비언어 데이터를 특징으로 추출하는 기술은 출원전 미공지
• 출원발명은 사용자의 음성 데이터 고유의 특징인 운율 데이터와 언어데이터를 학습데이터로 하고, 인용발명은 문자로부터 인식된 감성 단어 텍스트를 학습데이터로 하고 있어 기술적 구성의 차이가 있고, 음성데이터의 특징을 학습함으로써 감정 인식율이 향상되는 효과가 발생하므로, 인용발명에 비해 예측되는 효과 이상의 더 나은 효과로 판단되어 진보성 有

2 토마토에 관한 영상을 입력받는 입력부;
상기 토마토 영상에서 추출한 토마토의 색상(Hue), 채도(Chroma), 형상(Shape) 정보를 딥러닝 모델에 입력하여 토마토의 숙도 분류값을 각각 출력하는 숙도 판별부;
상기 각각의 숙도 분류값을 종합하여 토마토의 상품성을 최종 분류하는 상품성 판단부;
를 포함하는 토마토 상품성 자동 판별 장치.
• 딸기를 촬영한 영상으로부터 연산한 딸기의 색상 및 채도 데이터를 딥러닝 모델에 입력하고, 각각의 출력값을 결합하여 딸기의 숙도를 분류하는 장치.
• 컴퓨터가 토마토의 상품성을 분류하는 방법에 있어서, 토마토 영상으로부터 토마토의 에지에 기반한 형상정보를 추출하여 편평도, 이형도, 기형도의 등급 구간으로 상품성을 분류하는 방법.

• 인용발명 1은 색상 및 채도 데이터를 학습 데이터로 하고 있는 바, 출원발명과 형상 이미지에 관한 학습 데이터의 사용 여부에 차이가 있으나, 인용발명 2에 형상 데이터를 사용하여 토마토의 상품성을 분류하는 구성이 개시됨
• 당업자가 인용발명 1을 통해 인용발명 2의 구성을 인용발명 1에 결합하는데 특별한 어려움이 없고, 효과에 현저한 차이가 없다고 판단되어 진보성 無

3 데이터
전처리

• 청구항에 인공지능 관련 발명을 구현하기 위한 기술적 구성에 데이터 전처리를 구체적으로 특정하고, 그 기술적 구성에 의해 인용발명에 비하여 예측되는 효과 이상의 더 나은 효과를 갖는 경우 진보성
• 데이터 전처리를 구체적으로 특정한 경우 – 입력 데이터로부터 주요 특징을 도출하는 구성, 특정 규격화(벡터화, 정규화, 표준화)된 학습 데이터를 생성하는 구성 등을 구체적으로 기재하는 경우
• 단순히 데이터 전처리를 수행하는 정도로만 기재된 경우 – 출원전 공지된 인공지능 기술의 단순한 부가에 불과해 진보성
CCTV가 촬영한 영상을 입력받아 모션 추적에 관한 특징벡터를 학습데이터로 하고, CNN 학습모델을 이용하여 영상 객체를 인식하는 인공지능 기반 보안관리 시스템 CCTV가 촬영한 영상을 학습데이터로 하고, ANN 학습모델을 이용하여 영상 객체를 식별하는 인공지능 기반 영상 시스템

• ‘모션추적’ 분석 기능을 수행하는 기술은 출원전 공지된 기술이 아닌 것으로 가정
• 출원발명은 CCTV 촬영 영상에 모션 추적에 관한 데이터 전처리 과정을 더 수행함으로써 영상 속 객체의 움직임을 고려할 정도로 객체 인식의 정확도가 향상되는 효과가 발생하고, 이는 인용발명에 비하여 예측되는 효과 이상의 더 나은 효과로 판단되므로 진보성이 인정됨

4 시스템 장애 예측을 위하여 시스템 로그 데이터에 대하여 정규 표현식으로 이벤트 구문을 분석하여 이벤트를 분류하고, 이벤트 간의 상관관계 값에 따라 중복 이벤트를 필터링하는 데이터 전처리 과정을 거쳐 이를 장애 예측용 인공 신경망 모델(ANN)에 입력하여 학습·추론하는 시스템 장애 예측 장치 시스템 로그 데이터에 대하여 이벤트별로 분석하여 분류하고, 분류된 시스템 로그 데이터를 장애 예측용 인공 신경망 모델(ANN)에 입력하여 학습·추론하는 시스템 장애 예측 장치 출원발명과 인용발명과의 구성상 차이가 ‘시스템 장애 예측을 위한 입력 데이터의 데이터 전처리 과정’에 있고, 이로 인해 인공 신경망 모델(ANN)에 의한 학습·추론 결과의 정확도, 재현율 등의 성능 향상이 예상되
는 경우 진보성 無
5 학습 모델
• 청구항에 기재된 발명이 학습모델을 구체적으로 특정하고, 기계 학습에 의한 학습모델의 생성 속도, 생성된 학습모델에 따른 예측의 정확도 등에서 인용발명에 비하여 예측되는 효과 이상의 더 나은 효과를 갖는 경우 진보성 有
• 학습모델의 구체적 특정 – 학습 환경 구성, 학습 모델 검증, 복수의 학습모델들의 연계, 분산 또는 병렬 처리, 하이퍼 파라미터 최적화를 구현하는 구성 등을 구체적으로 기재
• 단순히 학습 모델을 이용하는 정도로만 기재된 경우는 출원전 공지된 인공지능기술의 단순 부가에 불과해 진보성 無
신경망 연산장치에 의해 수행되는 신경망 파라미터 최적화 방법으로서,
 파라미터 최적화부를 구성하는 부호 파라미터 변환부와 크기 파라미터 변환부를 이용해 신경망의 기존 파라미터를 부호 파라미터 및 채널당 단일의 값을 가지는 크기 파라미터로 형태 변환하는 단계; 및
 파라미터 최적화부를 구성하는 파라미터 프루닝부를 이용해 상기 형태 변환된 크기 파라미터를 프루닝하여 최적화된 파라미터를 생성하는 단계;
를 포함하고,
 상기 파라미터 프루닝부는 입력 및 출력 채널별 크기 파라미터의 평균값에 채널별 크기 분포를 반영한 레이어별 상수를 곱한 값으로 기준값을 설정하고, 설정된 기준값보다 적은 값을 가진 크기 파라미터 값을 0으로 만들어 해당 채널의 컨볼루션 연산을 생략하는 것을 특징으로 하는 신경망 파라미터 최적화 방법.
 신경망 연산장치에 의해 수행되는 신경망 가속화 방법으로서, 복수의 인공 뉴런들 사이의 연결에 관한 파라미터들에 대한 크기를 계산하는 단계;
 상기 파라미터들의 크기가 임계값보다 작은 경우, 상기 복수의 연결들의 파라미터를 0으로 설정하는 단계; 그리고
상기 파라미터들의 크기가 상기 임계값보다 작지 않은 경우 상기 연결의 파라미터를 변경하지 않는 단계;
를 포함하는 신경망 가속화 방법.
• 출원발명은 프루닝의 임계값을 입력 및 출력 채널별 크기 파라미터의 평균값에 채널별 크기 분포를 반영한  레이어별 상수를 곱한 값으로 설정한 점에서 인용발명의 임계값과 차이
• 출원발명은 한정된 하드웨어 자원내에서 연산 속도가 향상되는 효과가 발생되고, 이는 인용발명에 비해 예측되는 효과 이상의 더 나은 효과로 판단되므로 진보성 有
6 • 청구항에 인공지능발명의 학습 결과물(결과 데이터)의 활용이 구체적으로 특정되고, 그 기술적 구성에 의해 발생되는 효과가 인용발명에 비해 예측되는 효과 이상의 더 나은 효과를 갖는 경우 진보성 有
• 인공지능발명의 학습 결과물(결과 데이터)의 활용 등이 구체적으로 특정된 경우 – 학습 완료 모델을 통해 출력된 결과물(결과 데이터)을 활용하는 구성, 출력된 결과물에 기반한 생산물, 출력 결과물에 기반한 처리 방법 등을 구체적으로 기재한 경우
•  단순히 ‘학습 결과물을 활용하는’ 정도로만 기재한 경우는 기술의 구체적 적용에 따른 단순한 설계변경에 불과해 진보성 無
 사고차량을 촬영한 복수의 이미지를 입력받는 입력부;
 상기 복수의 이미지를 CNN 레이어에 입력하여 파손부위와 대응되는 적어도 하나의 부품을 검출하고, 검출된 각 부품의 파손레벨을 출력하는 학습모델 출력부;
 상기 출력된 파손레벨로부터 수리 유형별 비용을 산출하고, 사용자의 과거사고이력을 조회하여 상기 수리 유형별 비용의 보험 처리시 예상되는 사용자 보험요율 변동 예측값을 도출하여, 수리 유형별 비용에 보험요율 변동 예측값을 반영한 수리 유형별 최종 예상비용을 사용자 단말에 제공하는 최종 예상비용 산출부;
 상기 출력된 파손레벨 및 상기 사용자 단말로부터 수신한 최종 예상 비용을 정비 공장의 서버로 전송하는 수리비용 제공부;
를 포함하는 사고차량 수리비 자동 산정 시스템.
자동차 보험사 고객이 촬영하여 전송한 차량 사고 영상을 딥러닝 모델에 입력하여 파손된 부품, 부품별 파손상태의 정도를 산출하는 보험사 서버. • 출원발명은 결과 데이터인 파손레벨로부터 산출한 수리 유형별 비용에 사용자의 과거 사고이력에 따른
보험요율 변동 예측값을 반영하여, 수리 유형별 최종 예상비용을 사용자 단말에 제공하고, 사용자 단말로부터 수신한 최종예상비용을 정비 공장의 서버로 전송하는 구성에서 인용발명과 차이
•  청구항의 기재된 발명은 사용자가 선택하는 수리 유형에 따라 예상되는 보험료 상승을 미리 예측
할 수 있도록 함으로써 사용자 편의를 높이는 효과가 발생
7 • 특정의 학습완료 모델을 포함하는 인공지능발명이 그 적용 산업 분야에 따라 그 발명의 결과물 또는 효과가 달라지는 경우
• 인공지능발명으로 인하여 특정 산업 분야의 장기 미해결 과제를 해소, 기술적 곤란성의 극복, 또는 산업분야의 변경에 따른 예측 효과 이상의 더 나은 효과 발생

 

다. 학습 데이터 → 학습 모델 → 출력 데이터의 진보성 판단

학습 데이터는 학습 모델에 적용되고 이로부터 출력 데이터가 나온다. 선행기술 대비 출원발명의 학습 데이터, 학습 모델 및 출력 데이터의 동일/상이 여부에 따라 진보성 판단 기준을 설명하면 아래와 같다. 즉, 학습 데이터와 학습 모델 중 어느 하나 이상이 상이한 경우 더 나은 효과가 발생한다면 진보성이 인정된다. 만약, 학습 데이터와 학습 모델이 모두 동일하더라도 출력 데이터 활용에 차이가 있고 더 나은 효과가 발생한다면 진보성을 인정받을 수 있다. 

5. 시사점

금번 신설된 인공지능 심사실무가이드로부터 아래와 같은 시사점 도출이 가능하다.

가. 발명의 설명의 명확화

발명의 설명에는 반드시 i) 인공지능 발명을 구현하기 위한 구체적인 수단과 ii) 입력 데이터와 학습된 모델의 출력 데이터간의 상관관계를 구체적으로 기재할 필요가 있다. 또한, 강화학습과 관련된 발명인 경우, 강화학습의 5가지 구성요소인 에이전트, 환경, 상태, 행동, 보상들간의 상관관계를 기재해야 한다.

나. 발명의 설명 기재요건 강화에 따른 대응

발명의 설명에 인공지능발명을 상세하게 기재하지 않더라도 출원시에 당업자가 용이하게 이해할 수 있을 정도라면 해당 거절이유를 극복할 수 있다. 이를 위해서는 인공지능발명에 대해 상세하게 기재한 선행문헌을 미리 알고 있는 것이 바람직하다. 물론, 출원발명의 진보성을 부정할 정도로 강력한 선행기술어어서는 안되는 점을 유의할 필요가 있다.  

다. 발명의 효과 기재

인공지능발명의 진보성 판단에서는 더나은 효과를 요구한다. ‘신속하게 처리할 수 있다’, ‘대량의 데이터를 처리할 수 있다’, ‘오류를 줄일 수 있다’, ‘정확한 예측을 할 수 있다’ 등의 효과 기재는 인공지능발명의 통상적인 효과에 불과해 진보성 확보에 전혀 도움이 안된다. 따라서 효과를 정량화하거나 기존에 존재하지 않던 정성적인 효과를 명세서에 기재할 필요가 있다.

 

참고자료:
한국특허청 기술분야별 심사실무가이드
인공지능(AI)과 사물인터넷(IoT) 서비스 발명의 IP5 특허요건 및 심사사례 비교에 관한 연구
Inventing AI 보고서
한국특허청의 AI 심사사례로 본 AI 발명의 특허성 확보 방안
유럽에서의 인공지능특허 취득의 팁

원일 이

이원일 변리사

유미특허법인의 파트너 변리사로서 스타트업과 중소기업을 위한 다양한 IP 컨설팅과 IP 강의 등을 해오고 있습니다. YOUME IP 블로그를 통하여 고객들께서 IP 금융 등 기업경영에 활용할 수 있는 IP 전략을 전해드리겠습니다. 이 컨텐츠와 관련된 문의사항은 아래의 이메일 계정을 통해 연락주시면 답변드리겠습니다.

댓글 남기기

이 사이트는 스팸을 줄이는 아키스밋을 사용합니다. 댓글이 어떻게 처리되는지 알아보십시오.

%d 블로거가 이것을 좋아합니다: