Executive Summary
- 特許検索は他の科学的調査とは異なります。なぜなら、特許データは標準化されておらず、多種多様な文書に分散しており、必ずしも明確で一貫した言語が使われているわけではないからです。
- 標準的なAIツールや大規模言語モデルは、情報源や表現の多様性ゆえに、関連するすべての特許関連データを網羅的に抽出することに苦戦します。
- 意味論的および文書的な差異を正規化した、構造化されインデックス化されたデータこそが、AIを活用した特許検索を成功させるための重要な要素です。
- STN™を基盤とするCAS IP Finderは、人間が収集・インデックス化したデータと最先端のAI検索機能を組み合わせた例であり、関連する特許情報を確実に特定できます。
画期的な発見や新しいイノベーションを実現するには、特定の物質が特許取得済みかどうかを確認する必要があります。特許情報は多くの情報源に分散しており、時間との勝負です。例えば、「文献の中で、CO₂からメタノールへの変換において90%以上の選択性を達成した触媒はどれか？」という問いを立てたとします。これを汎用的な大規模言語モデル（LLM）に入力して結果を待つべきでしょうか？
直感に反するかもしれませんが、答えは「いいえ」です。標準的なLLMは膨大な出版物を素早く検索できますが、特許情報や先行技術の検索には、AIツールが必ずしも対応できるとは限らない特有の複雑さが伴います。これは単なる「ゴミを入れればゴミが出てくる（garbage in, garbage out）」という問題ではありません。特許検索を成功させるためには、研究者は インデックス化され構造化されたデータ と、特許文献の複雑さを読み解き、実行可能な洞察を明らかにできるAI搭載ソリューションを使用する必要があります。
特許検索が他と異なる理由
特許は、ジャーナル論文やその他の科学出版物とは異なる目的、すなわち知的財産（IP）を保護するために書かれています。ジャーナル論文のように内容を広く公開し、発見され引用されることを目指すのではなく、特許出願の著者は、特許を取得するために絶対に必要な最小限のデータのみを提供しようとします。そのため、これらの出願書類では、新しい発見について秘密が保持されたり、意図的に曖昧にされたりすることさえあります。
特許資料の冒頭部分には、長い説明や関連資料、あるいは化合物リストなど、新しいイノベーションそのものには影響を与えない「ノイズ」が多く含まれていることがあります。こうした広範なリストは、通常、代替案を作成したり、些細なバリエーションを明示したりするために含まれるもので、発明の小さな最適化が後から発明として主張されるのを防ぐ目的があります。しかし、これにより、ある物質やトピックを表面上記述しているだけの資料が関連性の高いものに見えてしまい、検索プロセスを混乱させる原因となります。
さらに、特許文献には科学出版のような標準化が欠けています。資料の構成は管轄区域、出願人、分類システムによって異なり、その用語は共通の慣習ではなく、組織独自の専門用語や歴史的な癖を反映していることがよくあります。例えば、査読付きの科学文献において「共重合体（コポリマー）」という言葉は、多くの場合、2種類以上のモノマーからなるあらゆるポリマーを指します。一方、特許文献では、多くの場合 正確に 2種類のモノマーからなるポリマーを指し、「インターポリマー」という用語が、複数のモノマーからなるポリマーを指すより広義の言葉として使用されます。
したがって、特許情報は希薄、つまり広範囲に散らばった資料に分散しており、研究者は、一貫性のない用語や曖昧な言語（さらなるソリューションの基盤となる手法や技術を広範にカバーしようとするプラットフォーム特許を考えてみてください）が混在する広大なセットを検索するために、「希薄な」質問を使用しなければなりません。先ほどの触媒に関する質問の例に戻り、それを「濃縮された」質問と比較してみましょう。
- 濃縮された質問： アセトニトリルの沸点は何度ですか？
- 希薄な質問： 文献全体の中で、CO₂から‑メタノールへの変換において90%以上の選択性を達成した触媒はどれですか？
AIは特許検索をどのように促進し、また、どのように促進できないのか
特許検索は生成AIやLLMにとって最適なユースケースのように思えるかもしれません。これらのツールは、あらゆるデータベースやインターネット全体にわたる膨大な資料セットをレビューできるからです。しかし、特許文献の複雑さは、標準的なLLMが質の高い結果を返すことを困難にしています。これらのプラットフォームはパターンを探しますが、前述の通り、特許はパターンに従うことは少なく、同じものを説明するのに同じ言語さえ使用しないことが多々あります。
LLMは希薄な質問を苦手とすることがよくあります。LLMはもっともらしい回答を返すかもしれませんが、研究者は、LLMが確認すべきすべてのソースタイプを理解したのか、あるいは意味論的な違いに惑わされていないのかを完全に確信することはできません。特許性を検証するために、研究者は特許出願と科学文献を併せて評価する必要があります。これを行うには、人間が到底不可能な速さでより多くのソース資料を横断できるAIツールが、すべての関連情報をレビューできるように、データの統合（ハーモナイゼーション）が不可欠です。
AIを活用したソリューションが機能するためには、構造化され一貫性のあるインデックス化された情報が不可欠です。AIツールが検索する対象にインデックスがなければ、デューイ十進分類法のない図書館に放り込まれ、特定のトピックに関する本を探すよう求められるようなものです。
人間の専門知識とテクノロジーによる効率性
なぜAIを活用した特許検索において、インデックス化されたデータが重要なのでしょうか。構造化されインデックス化されたデータがあれば、LLMやAI検索ツールは、時間やエネルギーを浪費することなく、反応物、触媒、その他の重要なデータポイントをより迅速に識別できます。また、データの整合性は、異なるソース間で関連情報を検索する際にも役立ちます。
例えば、CASは以下をインデックス化しています。 CAS Content CollectionTMTMこれは、人間がキュレーションした科学情報の最大のレポジトリであり、特許検索のための統合データレイヤーを構築します。この統合レイヤーは、異なる用語を正規化することで、特許と科学文献の比較を可能にします。非特許文献には、研究者が自身のイノベーションを既存の特許と比較するために知っておくべき回避策や非侵害的な手法が含まれていることがよくあります。統合データレイヤーは、業界を超えたつながりや無効化資料を表面化させることもできます。これらはすべて特許検索に不可欠ですが、異なるソース資料やその意味論の中に埋もれてしまう可能性があります。
オントロジーは、標準的な用語、同義語、ドメイン関係、文脈上の意味を定義するため、この統合データレイヤーの鍵となります。オントロジーがなければ、あらゆるドメイン、さらにはあらゆる企業や組織が独自の科学的方言を話すことになってしまいます。AIがハルシネーション（幻覚）や誤ったパターン認識を回避するには、オントロジーが提供する一貫性が必要です。しかし、オントロジーを開発し、データがクリーンで構造化され、一貫性のある状態であることを保証して、AIツールがそのデータを適切に活用できるようにするには、人間の力が必要です。
これこそが、CASのデータが他のデータベースや検索エンジンと一線を画す理由です。人間の専門知識を適用してデータの整合性を確保することで、強力なテクノロジーツールが以下を明らかにできるようになります。 正確な洞察 をより迅速に。例えば、 CAS IP Finder™は、高度に構造化されたコンテンツ全体で無比の精度を実現します。さらに、 CAS Newton℠ は、特許および知的財産検索に会話型AIをもたらします。平易な言葉で質問を投げかけることができ、100以上の特許および非特許文献ソースから回答を抽出し、次のステップに向けたスマートな提案も行います。
AIによる特許検索の未来
人工知能を活用したツールや大規模言語モデル（LLM）は、膨大なデータを迅速に検索できる能力を備えており、今日の特許検索において標準的、あるいは不可欠な存在となっています。しかし、特許検索における質問の希薄さや特許資料そのものの性質からもわかるように、AIは関連するすべての情報を網羅することや、用語の差異を克服することに苦戦する場合があります。オントロジーやその他の形式のキュレーションを通じたデータの整合性がなければ、どれほど強力なAIツールであっても、重要な先行技術を見落とす可能性があります。
AIは、探索的な検索や侵害予防調査（FTO）の判断から、侵害分析の実行や異議申し立ての特定に至るまで、特許ライフサイクルのあらゆる部分で今後も役割を果たし続けるでしょう。今まさにブレークスルーを前進させようとしている研究者にとって、人間の専門知識と最先端技術のスピードを融合させた構造化データこそが、イノベーションを推進するために必要な触媒であり続けます。
