Yapay Zeka Patent Ön Araştırması: Bir Fizibilite Çalışması

Yapay zeka, patent inceleme uzmanlarına patentlerin önceki teknik (prior art) araştırmasında gerçekten yardımcı olabilir mi? Bu, Birleşik Krallık Fikri Mülkiyet Ofisi'nin (UK IPO), Cardiff Üniversitesi'ne özel bir fizibilite çalışması yaptırarak yanıtını aradığı temel sorudur. Amaç, yapay zeka tabanlı araçların patent önceki teknik araştırmasında ne kadar uygulanabilir, teknik açıdan zorlu ve etkili olduğunu değerlendirmek ve IPO'nun çevrimiçi başvuru sistemi ile inceleme uzmanlarının arama iş akışına entegre edilebilecek yapay zeka destekli bir arama veya durum tespiti (due diligence) kontrolü için bir kavram kanıtı (proof-of-concept) geliştirmekti.

Önceki teknik araştırması basit bir sorgulama işlemi olmaktan çok uzaktır. Genellikle birden fazla arama yapmayı, farklı arama stratejileri uygulamayı ve bu aramaların nasıl geliştiğini aktif olarak yönetmeyi içeren etkileşimli, çok adımlı bir süreçtir. Bu çalışmayı desteklemeye çalışan herhangi bir yapay zeka sistemi için en büyük dilsel ve anlamsal engeller, patent dilinin kendi doğasından kaynaklanır: resmi hukuki ifadeler, alışılmadık derecede uzun cümleler, yoğun kısaltmalar ve patent istemlerinin teknik özgüllüğü.

Çalışmanın hedefleri üç yönlüydü: farklı yapay zeka teknolojilerinin bu tür bir arama için gerçekte ne kadar uygulanabilir olduğunu değerlendirmek, hangi algoritmaların en iyi performansı gösterdiğini belirlemek için farklı yöntemleri karşılaştırmak ve öne çıkan yaklaşımı kapsamlı bir şekilde değerlendirmek. Bunu yapmak için araştırmacılar, modern denetimli ve denetimsiz makine öğrenimi yöntemlerinin geniş bir yelpazesinden yararlandı; bunları patent metninden ilgili özellikleri çıkarma, arama sorgularını genişletme, belgeleri sınıflandırma, kümeleme ve altta yatan konuları modelleme gibi görevlere uyguladı. Araç seti; metin bölütleme, normalleştirme, lemmatizasyon, kök bulma, kelime birlikte görülme durumlarını belirleme ve çok kelimeli terimleri tespit etme gibi doğal dil işleme yöntemlerini; destek vektör makineleri, naif Bayes sınıflandırıcıları, karar ağaçları ve rastgele ormanlar gibi denetimli öğrenme modellerini; kelime gömmeleri, dağılımsal anlambilim ve derin öğrenme dahil sinir ağları gibi denetimsiz yaklaşımları; ve sözcük-anlamsal bilgi ile gizli Dirichlet ayrımı (LDA) etrafında inşa edilmiş anlamsal teknolojileri içeriyordu.

Çalışmanın en net sonuçlarından biri, günümüzde mevcut olan yapay zeka araçlarıyla patent başvuru süreci için tam otomatik, uçtan uca bir çözümün henüz mümkün olmadığıdır. Bununla birlikte araştırma son derece umut verici bir sonucu ortaya çıkardı: inceleme uzmanları şu anda patentleri teknoloji kategorilerine manuel olarak ayırırken, bu çalışmada test edilen otomatik sınıflandırma yaklaşımı dikkate değer ölçüde yüksek bir doğruluk elde etti. Bu, bu tür bir sınıflandırmanın doğrudan çevrimiçi başvuru öncesi sürecine yerleştirilmesinin önünü açmakta ve potansiyel başvuru sahiplerine henüz başvuru yapmadan önce durum tespiti kontrolleri yapmaları için daha kolay bir yol sunmaktadır.

Test edilen farklı yapay zeka teknolojilerine bakıldığında araştırmacılar; sınıflandırma, arama sorgusu oluşturma, belgeleri getirme, sıralama, benzerlikleri tespit etme veya konuları görselleştirme olsun, tek bir algoritmanın önceki teknik arama sürecinin her aşamasını tek başına üstlenemeyeceğine dair tutarlı kanıtlar buldular. Önemli bir nokta olarak, proje üretime hazır, eksiksiz bir bilgi erişim sistemi inşa etmeyi amaçlamıyordu. Bunun yerine hedef, ekibin farklı yaklaşımları yan yana deneysel olarak karşılaştırmasına olanak tanıyacak kadar esnek bir kavram kanıtı oluşturmaktı. Ortaya çıkan tablo, son teknoloji farklı algoritmaların yapbozun farklı bir parçasını üstlendiği bir yapı oldu: en ilgili belgeleri getirmek, bunları sıralamak, faydalı eş anlamlılar önermek, sınıflandırmalar tavsiye etmek ve ortaya çıkan kavramları kümelemek veya görselleştirmek.

Kavram modelinin kendisi, süreç boyunca patent inceleme uzmanlarının gerçek ihtiyaçları, tercihleri ve kısıtlamaları doğrultusunda şekillendirilen kullanıcı odaklı bir tasarım felsefesi etrafında oluşturuldu. Bu, yapay zekanın inceleme uzmanının yerini alması yerine yapay zeka ile insan muhakemesinin birlikte çalıştığı insan döngüde (human-in-the-loop) bir sistem ortaya çıkardı. Altta yatan algoritmalar; akla yatkın arama terimlerini yüzeye çıkararak ve patentleri yorumlanması kolay konu kategorilerine ayırarak, inceleme uzmanlarının büyük hacimli patent verileri arasında daha verimli bir şekilde gezinmesine yardımcı olmak için oradadır. Süreç boyunca inceleme uzmanı asıl karar verici olarak direksiyonda kalırken, yapay zeka tamamen akıllı bir destek katmanı olarak işlev görür.

Tüm bunları hayata geçirmek için ekip, kavram modellerine dayalı olarak Python'da çalışan bir sistem inşa etti. Test ve doğrulama çalışmaları; son on yılda IPO'da en yüksek başvuru hacmine sahip üç alanı temsil ettikleri için özel olarak seçilen inşaat mühendisliği, bilgisayar teknolojisi ve ulaşım olmak üzere üç teknoloji alanında gerçekleştirildi. Temeldeki kavram kanıtı, çeşitli kaynaklardan çekilen İngilizce patent verileriyle eğitildi: PATSTAT dünya çapındaki bibliyografik veri tabanının yanı sıra İngiltere, Avrupa ve ABD patent ofislerinden alınan tam metin patentler. Buradan hareketle, üç alanın her birindeki temsili "sorgu" patentleri üzerinde çalışan gerçek patent inceleme uzmanlarıyla nitel testler yürütüldü.

Uzmanlar öncülüğünde yapılan bu deneylerin sonuçları oldukça cesaret vericiydi. Sonuçlar, yapay zekanın önceki teknik araştırmasında harcanan zamanı ve maliyeti, özellikle de elde edilen çok sayıdaki patent arasından seçim yapma gibi emek yoğun bir görevi hafifletme yeteneğine güçlü bir şekilde işaret etti. Deneylerdeki kesinlik (precision) %30 ile %50 arasında değişti; bu da döndürülen ilk on sonuçtan üç ila beşinin gerçekten ilgili olduğu anlamına geliyordu. Teste katılan inceleme uzmanları, bu isabet oranının mevcut arama araçlarıyla tipik olarak elde ettiklerinin üzerinde olduğunu doğruladı; bu da yapay zeka destekli aramanın gelecekte inceleme uzmanlarını desteklemek için gerçek bir potansiyele sahip olduğunun güçlü bir göstergesiydi.

Bununla birlikte çalışma, sınırların nerede olduğunu da açıkça ortaya koymaktadır. Yapay zeka destekli arama, ilk arama ifadesini manuel olarak hazırlayan inceleme uzmanına bütünüyle bağımlı kalmaya devam etmektedir. Şu anda bir patent başvurusunu güvenilir şekilde okuyup bu ifadeyi otomatik olarak oluşturabilecek hiçbir yapay zeka algoritması mevcut değildir ve bu, tüm arama sürecinin en zorlu, uzmanlık gerektiren kısımlarından biri olmayı sürdürmektedir. Güçlü bir arama ifadesi oluşturmak; başvurunun ana konusunu ve potansiyel yeniliğini gerçek anlamda kavramayı gerektirir; bu muhakeme kararları yalnızca deneyimli bir insan inceleme uzmanının getirdiği özel tecrübeye dayanır. Araştırmacılar, hem yapay zekanın arama kapsamını doğru belirlemek hem de bunun otomasyona uygun bir görev olmaması nedeniyle, bu görevin bir insan sorumluluğu olarak kalması gerektiğini açıkça belirtmektedir.

Kavram kanıtını test eden inceleme uzmanları ayrıca sistemi daha da geliştirmek için bir dizi fikir sundular. Öneriler arasında, aramanın farklı noktalarında patent metninin farklı bölümlerinden yararlanmak, aramayı keskinleştirmek için buluşun merkezinde yer alan paragraflara odaklanmak veya arama parametrelerinin nasıl ağırlıklandırıldığını ayarlamak gibi daha esnek arama stratejileri yer alıyordu. Diğer fikirler, metin tabanlı ve görüntü tabanlı aramayı birleştiren hibrit stratejileri ve alana özgü ontolojilerle birlikte yöntem veya süreç kategorileri gibi yapılandırılmış bilgi türlerini getiren bilgi tabanlı stratejileri içeriyordu.

Deneyler ayrıca münferit inceleme uzmanlarının aramalarına ne kadar farklı yaklaştıklarını da ortaya koydu; bu da gelecekte çeşitli arama stratejilerine uyum sağlayabilecek daha esnek araçlara duyulan gerçek ihtiyacın altını çizdi. Araştırmacılar; görsel tabanlı patentleri aramak, durum tespiti kanıtları toplamak, başvurulardaki belirsizlikleri yakalamak, çelişkileri tespit etmek ve belgelerin birbiriyle nasıl ilişkili olduğunu görselleştirmek gibi görevler için mevcut sürecin yeni araçlarla genişletilebileceği alanlar görmektedir.

Birlikte ele alındığında bu çalışma, hem denetimli hem de denetimsiz makine öğrenimini kapsayan farklı yapay zeka teknolojilerinin önceki teknik araştırması için gerçekte ne kadar uygulanabilir olduğuna dair kapsamlı bir değerlendirme sunmaktadır. En net bulgu, mevcut hiçbir algoritmanın sürecin tüm genişliğini tek başına kapsayamayacağıdır. Bu araştırma için oluşturulan kavram kanıtı, bunun yerine aramanın farklı aşamalarında farklı son teknoloji teknikleri katmanlandırmaktadır. Elde edilen isabet oranı inceleme uzmanlarının mevcut araçlarından daha iyi performans göstererek yapay zekanın gelecekte patent inceleme uzmanlarını desteklemek için gerçek bir potansiyele sahip olduğu tezini güçlendirmiştir. Çalışma ayrıca yapay zekayı NLP ve hesaplamalı anlambilim ile birleştiren umut verici gelecek yönlerine işaret ederken insan merkezli karar desteğinin süregelen önemini vurgulamaktadır. Aynı zamanda araştırmacılar bunun sadece bir başlangıç noktası olduğu konusunda açıktır: daha büyük bir patent seti, daha fazla inceleme uzmanı, daha geniş bir teknoloji alanı yelpazesi ve daha esnek, yinelemeli arama stratejilerini destekleyebilecek algoritmalar üzerine daha fazla araştırma içeren daha büyük ölçekli ve daha titiz testlere hâlâ ihtiyaç duyulmaktadır.

Bu araştırmadan bu yana yapay zeka destekli önceki teknik araştırmasının nasıl geliştiğini merak ediyorsanız, WOIPS'in kendi yenilik araştırma aracı, buluş sahiplerine ve başvuru sahiplerine başvuru yapmadan önce buluşlarının yeniliği hakkında hızlı ve pratik bir değerlendirme sunmak için benzer yapay zeka ilkelerine (erişim, sıralama ve benzerlik analizi) dayanmaktadır.