自主研修を企画しています。
　今回は弁理士会の自主研修のスキームを使わせていただいています。先日、参加者募集の告知が行われましたが、おかげさまで数名の申し込みをいただいています。弁理士会の広報の力をお借りして良かったです。このブログでも告知内容を掲載致します。興味のある方がいらっしゃいましたら是非ご参加ください。

　当研修では、弁理士のクレームドラフティングスキルを向上させることを目指しています。
　特許クレームのドラフティングスキルが多くの弁理士にとって最も重要なスキルであることに疑いはないと思います。
しかしながら、日々の業務において、クレームの質や書き方等を振り返ったり、他の弁理士の意見を聞いたりする機会は意外に少ないのではないでしょうか。
　特に、一定の経験がある方や、議論が発生しにくい環境にいらっしゃる方、知人の弁理士が少ない方などにおかれましては、クレームの質を向上させる機会を設けたくても難しいと思います。
　そこで、今回、クレームドラフティングスキルを向上させるための自主研修会を企画致しました。
　基本的には、予め用意されたサンプル明細書に基づいて参加者が討論会までにクレーム案を作成し、何人かのクレーム案を討論対象とします。討論対象のクレーム案の執筆者がクレーム案の作成意図等を発表した後に、各参加者が討論することでクレームの質を向上させるためのアイディア、テクニック、多面的な視点等を共有したいと考えています。批判し合うのではなく、建設的な提案をし合う同僚、友人のような関係を目指したいと思っています。

　技術分野は限定しませんが、初回は自動運転関係の明細書をサンプル明細書にします。参加希望を表明していただいた方には事前にサンプル明細書をお送りしますので、お申し込みの際には参加を希望する旨とご自身のメールアドレスとを記載したメールを下記宛先に送信してください。クレーム案は開催日の３日前までに下記宛先に送信してください。送信していただいたクレーム案は、開催日の２日前に参加者全員に配布します。参加者は一通り目を通した上で研修会にご参加ください。
　開催日時は平日夜を想定しており、可能な限り２ヶ月に１回程度のペースで続けたいと考えています。

　第１回研修会は以下の予定です。
●日時
２０１８年８月３日（金）１８：３０～２０：３０頃　
●場所
弁理士会東海支部
●サンプル明細書
自動運転関係
●メール宛先：岩上アットマークを小文字のアルファベットに置換してください（ウェブサイトのcontactからお申し込みいただくことも可能です）。
岩上アットマークknowledgepartners.jp
Knowledge Partners特許業務法人
岩上渉：052-223-2116

　2018年3月に特許・実用新案審査ハンドブックの改訂が公表されました。
　主に、コンピュータソフトウェア関連発明の審査基準の改訂とそれに伴う審査ハンドブックの改訂が行われたようです。
　特許庁のウェブサイトには改訂ポイントがまとめられています。
http://www.jpo.go.jp/shiryou/kijun/kijun2/pu-kijun_kaitei_h27.htm

　審査ハンドブックの付属書Bに関する今回の改訂で私が注目した点をメモしておきたいと思います。
●付属書B第1章2.1.1.2
　留意事項(iii)には、「請求項に、使用目的に応じた特有の情報の演算又は加工が記載されている場合には、ハードウェア資源として「コンピュータ（情報処理装置）」のみが記載されている場合であっても、、、ハードウェア資源とソフトウェアとが協働した具体的手段が記載されていると解釈される」という趣旨の記述があります。要するに、処理が具体化されていれば、請求項にハードウェア資源としてコンピュータを登場させることでコンピュータソフトウェア関連発明として認められると考えて良いようです。これは、実務家の感覚としては当然で、以前の審査基準に書かれていた例のようにCPUやメモリ等を登場させることに違和感がありました。コンピュータを登場させずに、どのように請求項を書くのか考えることはありましたが、CPUやメモリ等を請求項に登場させようと考える実務家は少なかったのではないでしょうか。いずれにしても、今回の留意事項(iii)によれば、「コンピュータ＋具体的な処理」で「ハードウェア資源とソフトウェアとの協働」を表現できることが明示されたため、この書き方にしておけば無用な拒絶を受けないことは確認できました。

●付属書B第1章2.1.2
　例１の（説明）において、請求項の「末尾に「キャラクタ」と記載されていても「データ」であることは明らかである。」と記述されています。特許庁としては、データ構造クレームの末尾が「キャラクタ」となっているような「データ構造」クレームを作成可能と考えているようです。

●付属書B第1章2.2.3.3
　ここでは、いくつかの例について進歩性が肯定又は否定される例が説明されています。例１，２，４，５が人工知能関連の技術でした。
・例１
　請求項：鋳造された鋼片を再加熱した後に、圧延、冷却して製造する鋼板の溶接特性を予測する方法であり、鋼の成分及び製造条件を入力値とし、ニューラルネットワークによって鋼板の溶接特性を推定する
　主引用発明：鋼の成分及び製造条件の実績値を入力値とした数式モデルを用いて鋼板の溶接特性を予測する方法
　副引用発明：所定の入力値を用いてニューラルネットワークモデルによってガラスの材質を推定する方法
・例２
　請求項：心筋断面の心筋壁を小領域に分割した画像を入力し、ニューラルネットワークによって壊死心筋組織を含んでいるか否かを判定する
　主引用発明：心筋断面の心筋壁を小領域に分割し、小領域の画像から各小領域に壊死心筋組織を含んでいるか否かを小領域の画像の平均濃度により判定するシステム
　副引用発明：画像を小領域に分割し、当該小領域に対して所定の特徴の有無を判定するように学習させたニューラルネットワーク
・例４
　請求項：内燃機関の振動センサで検出した振動検出信号を入力値としたときニューラルネットワークから出力されるシリンダ内圧推定信号をシリンダ内圧とみなす内圧検出方法において、学習時及び学習後の入力値のサンプリングレートを内燃機関の回転速度に応じて変更する
　引用発明：学習時及び学習後のサンプリングレートを一致させることは特定するものの、内燃機関の回転速度に応じて変更することは特定しない
・例５
　請求項：加熱炉内の圧力のデータと、煤煙の温度のデータと、煤煙中のCO2濃度及びO2濃度のデータとをニューラルネットワークの入力データとして煤煙中のNOx濃度を推定する
　引用発明：煤煙の温度のデータと、煤煙中のCO2濃度及びO2濃度のデータとを入力データとすることは特定するものの、加熱炉の圧力データを入力データとすることは特定しない

　結論としては、例１，２において進歩性なし、例４，５において進歩性ありとなっています。
　例１，２では、主引用発明と副引用発明との間で課題が共通、機能又は作用も共通であり、有利な効果や阻害要因は存在しないとされています。この前提のもとで、主引用発明と副引用発明とを組み合わせることができ、当業者であれば容易に請求項に想到するというロジックです。例１，２では、主引用発明と副引用発明とを組み合わせると請求項と同等の構成になりますので、進歩性が否定されるのは当然ですね。主引用発明と副引用発明との組み合わせがこれほど請求項と一致していれば進歩性がないのも当然であり、人工知能特有の論点があるというわけでもありません。
　ただし、例１，２においては、ある入力値をニューラルネットワークに入力して特定の特性を推定するという点を権利化する請求項となっており、私自身は、以前も述べましたように、このような請求項が人工知能関連技術の権利化において有効であると考えています。ブラックボックスの部分ではなく、侵害特定容易な部分を請求項にすべきと思うからです。例１，２は、主引用発明と副引用発明の組み合わせが請求項そのものでしたが、多くの場合は、主引用発明と副引用発明の組み合わせと請求項との間に僅かであっても差異があると考えられます。差異があるならば、この差異によって生じる効果が引用文献から予想できない効果であるといえるように請求項を作成することで、進歩性ありとされる可能性を高められると考えます。
　例５は、まさにこの例と言えますね。請求項においては、圧力のデータをニューラルネットワークに入力しますが、引用発明では圧力のデータを入力データとすることは特定していません。このように、入力データの内容が先行技術と異なれば、その点で進歩性を獲得する可能性があります。従って、人工知能関連技術の権利化実務においては、入力データに特徴があるか否かを明らかにし、特徴があるならば請求項とするという作業が重要になると考えられます。
　なお、例５の場合、発明者さんは機械学習に関する技術のみを発明したのでしょうか。私は、この場合においてより広い権利の確保を検討すべきと考えています。例えば、例５であれば、加熱炉内の圧力のデータと、煤煙の温度のデータと、煤煙中のCO2濃度及びO2濃度のデータとを入力データとし、煤煙中のNOx濃度を出力する数式モデル等の発明を完成させることが可能かもしれません。つまり、機械学習の発明においては、機械学習を使って入出力関係を明らかにしたが、入出力関係が明らかになった後には、機械学習を使わなくてもこの関係を自然界に適用可能である場合があり得ます。私は、このような発明の権利化も常に視野に入れておくべきと考えています。機械学習のみですと権利としては狭いですし、侵害特定も容易ではないと考えるからです。

　例４は、ニューラルネットワークへの入力値をサンプリングする際の工夫を請求項で表現しており、引用発明には同等の工夫が見られないという例です。ニューラルネットワークに対する入力値と、ニューラルネットワークからの出力値とが公知である場合、入力や出力のみに着目した請求項で進歩性を獲得するのは当然困難になると考えられます。この場合、例４のように、入力データの準備として工夫した点など、入力値自体と異なる要素に着目して権利化するのも一つの良い実務になると考えられます。特に、CNN(Convolutional Neural Network)などにおいては、多くの場合、入力データのフォーマットが単なるRGBデータであり、特徴のない画像データであるという状況であると考えられます。このような場合、入力データの加工や出力データの解釈などにおける特徴を探さざるを得ないことは多いように思えます。人工知能関連技術を権利化する際には、検討すべき方向性として常に念頭に入れておくべきと考えられます。

　先日参加したＩＮＴＡのミーティングにおいて、私の主な仕事は人に会うことでした。大半は弁理士です。会場で名刺交換をしたり事務所を訪問したり。
　そんな中、データサイエンティストの方とお話しさせて頂く機会がありました。この方は、ＡＩの開発に携わっており、データさえあれば何でも学習できるという主旨でお話しをされていました。ＡＩに明細書は書けると思うか？と聞いてみたところ、「データさえあれば」確実にできるということでした。例えば、クレームから明細書を作成するとか、発明提案書から明細書を作成するとか、そういうことが可能であると考えていらっしゃるようです。
　また、ＩＮＴＡ期間中には夜も人と会う機会がたくさんあり、お酒を飲みながらたくさんの人に会ってきたのですが、その際、明細書の自動作成ＡＩを開発している企業があるという話も聞きました。現在の所、使えるアウトプットが得られるものにはなっていないという話でしたが、世界中で明細書の作成を自動化するための開発を行っていると仰っている方もいました。

　私自身は、以前も書きましたように、「データセットを用意することが不可能」であるため、弁理士の仕事を代替可能なＡＩを近い将来に開発するのは不可能と考えているのですが、明細書の作成を支援するＡＩなら開発できるかもしれないとも考えています。例えば、特定のクライアント様の明細書を書く際に、装置の基本構成などを既存の明細書から流用し、適切な表現となるように修正する「作業」を行うことがありますが、このような「作業」であれば「正解」と見なして良い文書が存在し得るため、データセットを用意することも不可能ではないように思えます。従って、このような「作業」を行うＡＩであれば機械学習によって開発できるように思えます。もちろん、ＡＩのアウトプットを適宜修正するのは必須になると思いますが、むしろ、「作業」を弁理士の代わりに実施してくれるＡＩがあるなら是非使いたいです。作業的な部分はＡＩに任せておき、クライアント様の個別の事情に合わせるべきクレームやクレームのサポート部分に注力できるようになれば、限られた時間で作成できるクレームや明細書の品質を高められるように思えます。１０年後には我々の業界も今とは仕事の内容が大きく変わっているかもしれませんね。