随着人工智能的发展，人工智能技术的应用越来越广，相应的专利申请也越来越多。人工智能技术绝大部分都是涉及计算机程序的发明，而我国利法第二十五条第一款第（二）项规定对智力活动的规则和方法不授予专利权，很多人工智能发明会因为其计算机程序仅仅涉及智力活动的规则和方法，不属于专利保护的客体而被驳回。那么人工智能类的发明应该怎么样撰写才能得到专利的保护呢？文季老师针对此问题进行了如下分析，跟着小编一起进行学习吧！
本文主要内容：
概念分析
实审被驳回的案例1分析
2023年修改的《审查指南》中的案例2分析
得出结论
一种基于LightGBM指标模型的物资抽检方法，其特征在于，所述方法包括：
获取物资供应商的源数据，对所述源数据进行数据清洗，得到所述源数据的标准数据；
获取待构建的LightGBM指标模型，根据预设的目标函数对所述待构建的LightGBM指标模型进行配置，得到初始LightGBM指标模型，其中，所述预设的目标函数为：
案例1在实审时，因不构成专利法第2条第2款规定的技术方案，不属于专利保护的客体，被驳回。其驳回理由中提到：权1中LightGBM模型要处理的数据是供应商源数据，但该数据对象与LightGBM模型的各步骤并没有任何技术上的关联，LightGBM模型并没有因应用到物资抽检做出适应性修改，各步骤也没有体现出其各步骤具体如何与物资抽检相结合得到供应商的抽检合格清单，同时源数据与供应商抽检合格之间也未遵循自然规律，因此，采用的手段并非技术手段；……其实质是提高LightGBM指标模型的准确度的问题，是算法优化的问题，并非技术问题”。虽然，LightGBM模型在物资抽检上应用场景发生了变化，其训练数据“供应商源数据”也对应发生了变化，从技术上来说以“供应商源数据”训练得到的模型其模型参数也必然得到调整，但审查员却说数据对象与模型没有任何技术上关联，模型也没有因应用到物资抽检做出适应性修改。可见，单一的应用场景变化对应的训练数据的变化及单一的算法优化不属于可专利性的点。
获取待训练 CNN 模型的初始模型参数，所述初始模型参数包括各级卷积层的初始卷积核、所述各级卷积层的初始偏置矩阵、全连接层的初始权重矩阵和所述全连接层的初始偏置向量；
获取多个训练图像；
在所述各级卷积层上，使用所述各级卷积层上的初始卷积核和初始偏置矩阵，对每个训练图像分别进行卷积操作和最大池化操作，得到每个训练图像在所述各级卷积层上的第一特征图像；
对每个训练图像在至少一级卷积层上的第一特征图像进行水平池化操作，得到每个训练图像在各级卷积层上的第二特征图像；根据每个训练图像在各级卷积层上的第二特征图像确定每个训练图像的特征向量；
根据所述每个训练图像的类别概率向量及每个训练图像的初始类别，计算类别误差；
基于所述类别误差，对所述待训练 CNN 模型的模型参数进行调整；
将迭代次数达到预设次数时所得到的模型参数作为训练好的CNN 模型的模型参数。
案例2中，《审查指南》中认为其明确了模型训练方法的各步骤中处理的数据均为图像数据以及各步骤如何处理图像数据，体现出神经网络训练算法与图像信息处理密切相关。对比案例1和案例2权利要求的撰写，案例1中只写了供应商源数据到训练集的变换，而训练集进入模型后的变化缺失，案例2中训练图像进入模型后在卷积操作、池化操作、特征向量化以及误差计算中的演变过程均有撰写，可见，要让应用场景的输入数据与模型在技术上关联，撰写时需体现出模型算法对场景输入数据的具体处理过程，即使用模型算法改变场景数据的过程可视为技术手段。
综上，要想得到专利的保护，算法模型的权利要求撰写时，需将算法过程作用到场景数据上，使得算法特征与场景数据的变化相关联，从而彼此相互支持、存在相互作用关系，实现场景数据的技术手段化、算法优化的技术问题化，从而满足专利法第二条第二款的规定的，脱离利法第二十五条第一款第（二）项规定的智力活动规则和方法。在此前提下，说明书基于应用场景的不同，说明其对算法的训练数据、模型参数或其他方面进行了调整，解决了某应用场景下特定的技术问题并相应获得了有益的技术效果，以此体现所要保护的技术方案的创造性，从而最终获得专利授权。
--------
双十一秒杀通道已开启
0.01元即可秒杀满减优惠券
扫码立享折上折优惠吧！👇🏻
关于我们：
拥有国家知识产权局核发的专利代理执业资质，能够承接知识产权代理业务。
集中化管理，更有效地管控案件质量，为客户提供更专业、更贴合需求的知识产权服务。
擅长领域：新一代信息技术、智能制造、软件行业、高端装备制造业领域案件。
往期推荐
