Çalışmanın Ardındaki Politika Bağlamı: Büyük Meydan Okuma Olarak Yapay Zeka
Bu yapay zeka destekli patent önceki teknik araştırması çalışması, İngiltere Hükümeti'nin yapay zekayı Sanayi Stratejisi'nin "Büyük Meydan Okumaları"ndan biri olarak belirlemesi ve patent inceleme uzmanlarının önceki teknik araması yapma biçimini gerçekten iyileştirip iyileştiremeyeceğini test etmek istemesi nedeniyle görevlendirildi. Çalışma, İngiltere Hükümeti'nin Daha İyi Düzenleme (Better Regulation) gündemi içinde yer alıyor; bu gündem, Fikri Mülkiyet Ofisi (IPO) gibi düzenleyici kurumları yenilikçi çerçeveler keşfetmeye aktif biçimde teşvik ediyor. Çalışma, bu yenilik gündemini ileriye taşımak ve Hükümetin modern Sanayi Stratejisi'nde belirlenen uzun vadeli ekonomik fırsatları ortaya çıkarmaya yardımcı olmak amacıyla 2018 yılında başlatılan 10 milyon sterlinlik Düzenleyiciler Öncü Fonu (Regulators' Pioneer Fund, RPF) aracılığıyla finanse edildi. Farklı sektörlerdeki düzenleyicilerden, başkalarıyla verimli iş birliğinin işletmelerin yenilikçi ürünleri pazara daha hızlı sunmasına yardımcı olabileceği yeni ve gelişmekte olan konulara bakmaları istendi.
IPO, kurumun yapay zeka teknolojilerini nasıl benimseyebileceğini araştırmak üzere, hem kendi iç operasyonlarını modernleştirmek hem de patent, marka ve tasarımları da kapsayan fikri mülkiyet hakları arayan müşteriler için başvuru sürecini iyileştirmek amacıyla özel olarak görevlendirilmiş bir iç çalışma grubu kurmuştu bile. Patentler burada özellikle ilginç bir zorluk teşkil ediyor: patent tarifnamelerinin yüksek düzeyde teknik doğası, patent başvurularında kullanılan yoğun hukuki dille birleştiğinde, bu tür bir metinle çalışmaya çalışan herhangi bir yapay zeka sistemi için kendine özgü bir dizi zorluk ortaya çıkarıyor.
IPO Bu Araştırmayı Neden Görevlendirdi
IPO'nun, patent başvurularının dosyalanması ve kovuşturulması sırasında müşterilerine fayda sağlayabilecek yapay zeka çözümlerinin fizibilitesini, teknik karmaşıklığını ve etkinliğini araştırmak üzere Cardiff Üniversitesi'ni görevlendirmesi, işte bu bağlam içinde gerçekleşti; finansman doğrudan 10 milyon sterlinlik Düzenleyiciler Öncü Fonu'ndan sağlandı. Daha spesifik olarak, IPO'nun ilgisi, hem çevrimiçi patent başvuru süreci hem de inceleme uzmanının kendi önceki teknik araştırması iş akışının bir parçası haline gelebilecek, yapay zeka destekli bir önceki teknik araştırması veya durum tespiti kontrolü için bir kavram kanıtı geliştirmek üzerine yoğunlaşıyordu. Buradaki düşünce gerçekten pratikti: eğer bir sistem, bir başvuru sahibine dosyalama yapmadan önce en ilgili önceki tekniği işaret edebilirse, başvurunun kabul edilmesini engelleyebilecek materyaller konusunda onu erkenden uyarabilirdi. Ve daha da önemlisi, aynı aramanın sonuçları daha sonra başvuruyu fiilen kovuşturan inceleme uzmanına aktarılabilir, bu da onun kendi arama sürecinde önemli ölçüde zaman ve dolayısıyla maliyet tasarrufu sağlayabilirdi.
Böylece projenin temel amacı, patent önceki teknik araştırmaları ve durum tespiti kontrollerinde harcanan zaman ve maliyeti azaltmak ve bunu yaparken patent inceleme sürecinin genel kalitesini artırmaktı. Bu başarılı olursa, fikri mülkiyet hakları için başvuran müşteriler, başvurularının belirgin biçimde daha hızlı işlenmesinden fayda sağlayabilirdi. Bu vizyon, Andlauer'in (2018) daha önceki çalışmasında yankılanan, patent inceleme uzmanlarının zaten sahip olduğu derin bilgi ve uzmanlıkla rekabet etmek yerine onu tamamlayan otomatik arama araçları geliştirme yönündeki daha geniş bir hedefle örtüşüyor. Araştırma ayrıca, patent tarifnamelerinin ne kadar teknik ve terminolojilerinin ne kadar özelleşmiş olduğu göz önüne alındığında, yapay zekanın patent aramasına gerçekten uygun olup olmadığı gibi, geniş fikri mülkiyet camiasının karşı karşıya olduğu gerçek anlamda açık teknolojik sorulara ışık tutmayı amaçlıyordu. Krishna ve arkadaşlarının (2016) daha önce işaret ettiği gibi, tamamen otomatikleştirilmiş önceki teknik erişim sistemleri, hem patentlerin son derece teknik içeriği hem de patent hukukunu yorumlamadaki incelikler nedeniyle gerçek zorluklarla karşılaşıyor; bu incelikler de kendileri gelişen mahkeme kararları tarafından şekilleniyor.
Çalışmanın Üç Hedefi
Tüm bunlar göz önüne alındığında, çalışmanın hedefleri kasıtlı olarak odaklanmış tutuldu. Üç hedef vardı: birincisi, çeşitli yapay zeka teknolojilerinin patent önceki teknik araştırması için ne kadar uygulanabilir olduğunu değerlendirmek; ikincisi, hangi algoritmaların en iyi performansı gösterdiğini belirlemek amacıyla farklı yaklaşımları test etmek; ve üçüncüsü, ortaya çıkan en güçlü aday çözümü kapsamlı biçimde test edip değerlendirmek. Bu üç hedef, araştırma ekibine geniş kapsamlı keşiften titizlikle test edilmiş bir sonuca uzanan net, yapılandırılmış bir yol sundu.
Arama Sorgusu Seçimi Hakkında Önceki Araştırmalar Ne Diyor
Araştırmacılar kendi deneylerine geçmeden önce, çalışmalarını patent araması üzerine mevcut literatüre dayandırdılar ve bulguları, bu sorunun gerçekte ne kadar zor olduğuna dair yararlı bir tablo çiziyor. Önceki araştırmacıların gösterdiği gibi, başarılı bir önceki teknik araştırması büyük ölçüde doğru arama sorgularının seçilmesine bağlıdır (Bashir ve Rauber, 2010) ve bunu doğru yapmanın kritik bir parçası, bir insan sorgusunu, yani inceleme uzmanının gerçekte bulmak istediği şeyi, arama sisteminin işlem yapabileceği biçimsel bir sorgu temsiline dönüştürme sürecidir (Crestani, 2003). Bu dönüştürme süreci, inceleme uzmanının belirli bir teknik alandaki kendi geçmişi ve deneyimi, iletişim ve sunum becerileri, zaman içinde inşa ettiği güven ve itibar, hatta meslektaşlarıyla çalışma biçimi gibi her türlü insani faktörden etkileniyor (Adams, 2018).
Pratikte, önceki teknik sorguları için kullanılan terimler genellikle incelenen patentin "istemler" bölümünden alınır. Ancak doğru terimleri seçmek gerçekten zor bir iş olarak ortaya çıkıyor; çünkü patentler bu kadar karmaşık teknik yapılara sahip ve sık sık uyuşmayan veya can sıkıcı derecede belirsiz terimler içeriyor, bu da inceleme uzmanlarının makul arama terimleri seçebilmek için ilgili teknik alanda ek araştırma yapmasını sıklıkla gerektiriyor.
Patent Metni Yapay Zeka İçin Neden Bu Kadar Zor
Bunu bu kadar zor kılan şeylerden biri de, patentlerin bir metin kategorisi olarak alışılmadık derecede zor belgeler olması, hatta tipik bilimsel literatürden bile muhtemelen daha erişilmez olmalarıdır. Anderson ve arkadaşları (2017) gibi araştırmacılar, patentlerin bir metin türü olarak sahip olduğu birkaç tanımlayıcı özelliği belgelemiştir: belge uzunluğunda büyük değişkenlik, hem anlamsal hem de sözdizimsel düzeyde sıkı biçimde resmileştirilmiş bir yapı, ve standart ile standart olmayan kısaltmaların yoğun teknik terminolojiyle birlikte ağırlıklı kullanımı. Bunun üzerine, patent yazarları genellikle sıra dışı kelime kombinasyonları seçer; yalnızca eş anlamlılar değil, gerçek anlamda yeniden ifade etme (paraphrasing), Atkinson'ın (2008) belgelediği bir uygulama. Başvuru sahipleri, buluşlarının ayrıntılarını tanımlamak için genellikle kendi kelime dağarcıklarını icat ediyor veya aradıkları hukuki korumanın kapsamını en üst düzeye çıkarmak amacıyla kasıtlı olarak soyut ve genel bir dil kullanıyor. İşleri daha da karmaşık hale getirmek için, patentler genellikle düz metnin ötesinde tamamen farklı içerik türleri içeriyor; çizimler, matematiksel formüller, biyolojik dizi listeleri veya kimyasal yapılar, bunların her biri kendine özgü uzmanlaşmış arama ve analiz tekniklerini gerektiriyor.
Bir patentin ana metninin ötesinde, meta veri sorunu da var. Patent ofisleri genellikle başlık, özet, yayın tarihi, başvuru sahipleri ve buluş sahipleri gibi standart meta verileri atar, ve bunun üzerine, inceleme iş yükünü yönetmeye ve aramayı desteklemeye yardımcı olması amaçlanan sınıflandırma kodları atarlar. Sorun şu ki, bu sınıflandırma kodları dünya genelindeki farklı patent ofisleri arasında tutarlı biçimde uygulanmıyor (Alberts ve arkadaşları, 2017), bu da herhangi bir arama sistemi için başa çıkılması gereken bir tutarsızlık katmanı daha ekliyor. Patent dilinin ayrıca "art zamanlı" (diachronic) bir boyutu da var, yani terminoloji zaman içinde gerçekten değişip evrim geçiriyor. Belirli bir terim, belirli bir dönemde bir teknik kavramı ifade edebilirken, daha sonra tamamen farklı bir şey ifade etmeye başlayabilir (Anderson ve arkadaşları, 2017; Harris ve arkadaşları, 2017). Patent külliyatındaki kelime dağarcığının büyük çeşitliliğiyle birleştiğinde, bu durum, patentlerle çalışmak üzere geliştirilen herhangi bir metin madenciliği uygulaması için temsili eğitim verisi örneklemeyi önemli ölçüde zorlaştırıyor (Oostdijk ve arkadaşları, 2017).
Tam Metin Araması ile Yapılandırılmış Dizinleme: Uzun Süredir Devam Eden Bir Tartışma
Patent mesleği içinde, tam metin araması ile denetimli, yapılandırılmış dizinleme arasındaki göreli üstünlükler konusunda uzun süredir devam eden bir tartışma da var (Adams, 2018). Bu tartışma temelde arama kalitesindeki şu ödünleşmeye dayanıyor: tam metin araması çok fazla ilgisiz materyal mi üretiyor ve kesinliği mi düşürüyor, yoksa kaynak belgelerin terminolojiyi kullanma biçimindeki beklenmedik değişkenlik nedeniyle gerçekten ilgili belgeleri kaçırmaya mı daha yatkın ve geri çağırmayı (recall) mı düşürüyor? Şu anda, çoğu patent inceleme uzmanı önceki teknik ararken büyük ölçüde Boolean mantığıyla birleştirilmiş anahtar kelime aramalarına dayanıyor. Ancak hem bilgi erişimi alanında hem de özel olarak patent alanında daha geniş araştırma fikir birliği, anahtar kelime tabanlı aramanın, en üst düzey profesyonel özenle yapılsa bile, genellikle optimal düzeyin altında sonuçlar ürettiği yönündedir (Helmers ve arkadaşları, 2019). Bu durum patent dünyasında başka yerlere göre daha fazla önem taşıyor, çünkü yanlış yapmanın sonuçları simetrik değil. Yanlış pozitif sonuç yalnızca ek iş yaratıyor, çünkü inceleme uzmanının ilgisiz belgeleri raporundan manuel olarak çıkarması gerekiyor. Ancak yanlış negatif sonuç, yani gerçekten ilgili bir önceki tekniğin kaçırılması, bir patentin hatalı biçimde verilmesine yol açabilir ve bu da ileride potansiyel olarak ciddi hukuki ve mali sonuçlar doğurabilir (Trippe ve arkadaşları, 2017).
Mevcut Kullanıcı Odaklı Arama Araçları: Sigma ve Diğerlerinden Alınan Dersler
Sevindirici biçimde, son dönemdeki birçok çalışma, uzman patent inceleme uzmanlarının ilgili literatürü belirlemesine ve önceki teknik hakkında sağlam kararlar almasına yardımcı olmak üzere tasarlanmış, onların muhakemesinin yerini almaya çalışmak yerine onu destekleyen kullanıcı odaklı bilgi erişim sistemlerinin geliştirilmesini teşvik etti. Bu tür sistemler genellikle etkileşimi ve şeffaflığı ön plana çıkarıyor, ikisi de kullanıcı güveni kazanmak için kritik önemde. Gerçek dünyadan bir örnek, halihazırda Amerika Birleşik Devletleri Patent ve Marka Ofisi'nde pilot olarak uygulanan Sigma sistemidir (Krishna ve arkadaşları, 2016). Sigma, basit anahtar kelime aramasının ötesine geçerek, inceleme uzmanlarının önlerindeki spesifik başvuruya özel arama stratejileri oluşturmasına olanak tanıyor. Showkatramani ve arkadaşlarının (2018) yaptığı bir başka ilgili çalışma, bu amaçla kelime gömme kullanımını araştırdı ve oldukça mütevazı bir sonuca vardı: tek başına hiçbir model, yetenekli bir insan uzmanın üretebileceği kelime genişletme kalitesine ulaşacak kadar gelişmiş değildi.
Cardiff Üniversitesi'nin Tasarım Felsefesi ve Çalışmanın Kapsamı
Tüm bu araştırma ve arka plan düşüncesi, çalışmanın kendi tasarım felsefesini doğrudan besledi. Cardiff Üniversitesi'nin yaklaşımı, "kullanıcı odaklı tasarım" olarak bilinen yöntemi izledi; yani sistemi gerçekte kullanacak kişilerin, hem patent başvuru sahiplerinin hem de inceleme uzmanlarının, ihtiyaçları, tercihleri ve gerçek sınırlamaları, sürecin tamamı boyunca merkezde tutuldu. Bu da "insan döngüde" (human-in-the-loop) modele dönüşüyor: hedef, yapay zekayı insan muhakemesiyle birleştirerek genel performansı en üst düzeye çıkarmak, ve yapay zeka açıkça uzman bilgisinin yerini almak yerine onu tamamlayacak biçimde tasarlanıyor. Bu yaklaşım altında, yapay zeka algoritmaları, en olası arama terimlerini önererek ve patentleri bir insanın tek bakışta yorumlayabileceği konulara ayırarak kullanıcıların büyük hacimli patent verilerinde gezinmesine yardımcı oluyor. Karar verici her zaman insan kullanıcı olarak kalıyor; yapay zekanın görevi ise sadece bu süreç boyunca akıllı karar desteği sağlamak.
Tüm bunlar göz önüne alındığında, fizibilite çalışmasının kapsamı oldukça özel biçimde tanımlandı. Çalışma, beş temel görevi desteklemesi amaçlanan geniş bir yelpazede son teknoloji denetimli ve denetimsiz makine öğrenmesi yaklaşımını kapsıyor: özellik çıkarımı, sorgu genişletme, belge sınıflandırma, belge kümeleme ve konu modelleme. Ve iddia ile gerçeklik arasındaki farkı tamamen netleştirmek gerekirse: amaç hiçbir zaman üretime hazır, tamamen işlevsel bir bilgi erişim sistemi inşa etmek değildi. Bunun yerine hedef, farklı yapay zeka yaklaşımları arasında anlamlı deneysel karşılaştırmalara olanak tanıyacak ve sonrasında gelecek her ne olursa olsun onun için zemin hazırlayacak, gerçek bir kavram kanıtı geliştirmekti.
Sıkça Sorulan Sorular
İngiltere IPO neden patent önceki teknik araştırması için yapay zekayı inceledi?
Çalışma, İngiltere Hükümeti'nin Daha İyi Düzenleme gündeminin bir parçası olarak görevlendirildi ve düzenleyicilerin yenilikçi yaklaşımlar keşfetmesine yardımcı olmak üzere kurulan 10 milyon sterlinlik Düzenleyiciler Öncü Fonu tarafından finanse edildi. IPO, yapay zekanın hem çevrimiçi başvuru süreci hem de inceleme uzmanının kendi iş akışının bir parçası olarak önceki teknik araştırmasını iyileştirip iyileştiremeyeceğini anlamak istiyordu. Daha fazlasını önceki teknik araştırması sayfamızda okuyabilirsiniz.
Patent metni yapay zeka sistemleri için neden bu kadar zor?
Patentler, yoğun hukuki dille birlikte yüksek düzeyde teknik dili, tutarsız terminolojiyi, kasıtlı olarak belirsiz veya icat edilmiş kelime dağarcığını ve çizimler, formüller ve kimyasal yapılar gibi metin dışı içerikleri bir araya getiriyor. Sınıflandırma kodları da patent ofisleri arasında farklılık gösteriyor ve terminolojinin kendisi zaman içinde değişiyor; tüm bunlar patentleri herhangi bir yapay zeka sistemi için alışılmadık derecede zor belgeler haline getiriyor.
Yalnızca anahtar kelime tabanlı patent aramasına güvenmenin riski nedir?
Anahtar kelime ve Boolean araması, çoğu inceleme uzmanı için hâlâ standart yaklaşım, ancak araştırmalar bunun genellikle optimal sonuçların altında kaldığını gösteriyor. Risk de simetrik değil: yanlış pozitif sonuç yalnızca ek manuel filtreleme anlamına gelirken, yanlış negatif sonuç, yani gerçek önceki tekniğin kaçırılması, bir patentin hatalı verilmesine ve gerçek hukuki ve mali sonuçlara yol açabilir. Yapay zeka destekli bir yaklaşımın nasıl karşılaştırıldığını görmek ister misiniz? WOIPS'in ücretsiz yenilik araştırmasını deneyebilir ve kendi buluşunuz için sonuçları görebilirsiniz.
Bunun gibi başka yapay zeka destekli patent arama araçları var mı?
Evet. Bir örnek, inceleme uzmanlarının basit anahtar kelime aramasına dayanmak yerine özel arama stratejileri oluşturmasına izin veren, Amerika Birleşik Devletleri Patent ve Marka Ofisi'nde pilot olarak uygulanan Sigma sistemidir. Diğer araştırmalar, sorgu genişletme için kelime gömmeyi test etti, ancak sonuçlar şimdiye kadar yetenekli bir insan uzmanın üretebileceği genişletme kalitesine ulaşamadı.
Bu araştırmada kullanılan insan döngüde yaklaşımı nedir?
Bu, yapay zekanın inceleme uzmanının yerini almak yerine onu desteklediği bir tasarım felsefesidir. Sistem arama terimleri önerir ve patentleri yorumlanabilir konulara ayırır, ancak karar verici her zaman inceleme uzmanı olarak kalır ve yapay zeka özerk bir araç değil, akıllı bir destek aracı olarak kullanılır.
Bu makale şu kaynaktan uyarlanmıştır: İngiltere Fikri Mülkiyet Ofisi, AI-assisted patent prior art searching – feasibility study, Nisan 2020, ISBN 978-1-910790-80-9, © Crown Copyright 2020, Open Government Licence v3.0 kapsamında lisanslanmıştır.