Patent Uzmanları Önceki Teknik Araştırmasını Nasıl Yapar
Patent uzmanlarının önceki teknik araştırması, başvurunun istemlerinin incelenmesiyle başlayıp yenilik hakkında profesyonel bir değerlendirmeyle sonuçlanan, arama ifadesi, sınıflandırma kodları ve EpoqueNet gibi özel platformların kullanıldığı, çok aşamalı ve yapılandırılmış bir süreçtir.
Cardiff Üniversitesi araştırma ekibi, herhangi bir sistem geliştirmeden önce doğrudan kaynağa, yani her gün önceki teknik araştırması yapan patent uzmanlarına başvurdu. Ocak ve Şubat 2019'da akademik araştırmacılar, farklı teknik sektörlerde uzmanlaşmış İngiltere Fikri Mülkiyet Ofisi (IPO) patent uzmanlarıyla bir dizi görüşme gerçekleştirdi. Amaç basitti, gerçek bir aramanın nasıl yürütüldüğünü, varsayımlar üzerine değil bu iş akışına gerçekten uyacak bir yapay zeka sistemi tasarlamaya yetecek kadar ayrıntılı biçimde anlamak.
Uzmanın Adım Adım Arama Süreci
Herhangi bir önceki teknik araştırmasının temel amacı, bir patent başvurusunun kabul edilip edilmeyeceğini etkileyebilecek en yakın mevcut önceki tekniği bulmaktır. Ancak bu basit amacın arkasında şaşırtıcı derecede karmaşık, çok aşamalı bir süreç yatar. Araştırmacılar, görüşmelerine dayanarak uzmanların gerçekte izlediği süreci adım adım ortaya koydu. Süreç, başvurunun istemlerinin incelenmesi ve olası anahtar kelimelerle ilgili terimlerin belirlenmesiyle başlar. Ardından uzman, buluşun gerçekten tanımlayıcı ve yeni olan kısmının ne olduğunu netleştirir ve bunu "arama ifadesi" adı verilen şeyi oluşturmak için kullanır. Bir sonraki adım, hem belirlenmiş anahtar kelimelerden hem de uzmanın kendi alan bilgisinden yararlanarak en ilgili sınıflandırma kodlarının belirlenmesidir. Bu noktada uzmanlar, resmi bir sorguya geçmeden önce en uygun terimleri ve eş anlamlıları belirlemek amacıyla bazen isteğe bağlı bir ön araştırma da yapar.
Bu zemin oluşturulduktan sonra uzman, esas olarak Avrupa Patent Ofisi tarafından geliştirilen EpoqueNet adlı profesyonel bir araç kullanarak anahtar kelimeleri, sınıflandırma kodlarını ve Boolean mantığını birleştiren gerçek arama sorgularını oluşturur. Bu işlem, söz konusu başvuruyla en ilgili olduğu düşünülen aday patentlerden oluşan bir küme ortaya çıkarır. Sürecin devamında genellikle en yorucu kısım gelir, renkli vurgular, sanal "çekmeceler" ve yapışkan notlar gibi araçlar kullanılarak EpoqueNet içinde alınan belgelerin taranması ve bunlar arasından gerçekten en ilgili olanların ayıklanmasıdır. Bunun ardından uzmanlar, sonuçları daha da daraltarak genellikle patentlerdeki çizimlere başvurur ve örtüşen ya da benzer kavramları elle ayırt ederek gerçekten yakın kavramsal benzerlikleri belirler. Bazı uzmanlar, nihai kararlarına yani başvurunun gerçekten yeni ve buluş basamağı içerip içermediğine dair profesyonel değerlendirmelerine ulaşmadan önce yayımlanmış araştırmalarda veya diğer çevrimiçi kaynaklarda isteğe bağlı bir arama daha yapar.
Arama İfadesinin En Zor Adım Olmasının Nedeni
Bu adımlar arasında bir tanesi özellikle kritik öne çıkar, arama ifadesinin belirlenmesi. Bu tek adım, uzmanın hem başvurunun kritik konusunu hem de olası yeniliğini gerçekten net bir şekilde kavramasını gerektirir ve bu, tüm arama sürecinin belki de fikri özüdür. Ayrıca bunun tek seferlik bir adım olmadığını belirtmek gerekir. Uzmanlar, ilgili önceki teknik veya başvurunun potansiyel patentlenebilirliği hakkındaki anlayışları arama süresince geliştikçe arama ifadelerini defalarca gözden geçirir ve yeniden düzenler. İlginç bir şekilde, nihai arama ifadesi genellikle orijinal patent istemlerinde hiç geçmeyen kelimeler içerir, bu da doğru soruyu sormak için ne kadar çok yorumlayıcı, uzman değerlendirmesi gerektiğinin bir göstergesidir.
Arama Teknikleri ve En Çok Zaman Alan Aşama
Tüm bu adımlar arasında araştırmacılar, alınan patentlerin büyük hacmini taramanın sürecin en çok zaman alan kısmı olduğunu tutarlı biçimde tespit etti. Genel yaklaşım açısından uzmanlar oldukça sistematik çalışır, bu da patent bilgisinin kendisinin ne kadar yapılandırılmış olduğuyla şekillenen bir alışkanlıktır. Şu anda kullanılan arama teknikleri etkileyici biçimde çeşitlidir: anahtar kelime aramaları, sınıflandırmaya dayalı filtreleme, Boolean mantığı, yakınlık operatörleri (terimlerin birbirine yakın geçtiği yerleri arayan), kesme operatörleri (bir kelimenin sağ tarafını eşleştiren gibi), tam metin belgelere ve ilgili patent ailelerine bağlantı kurma, hem harici hem dahili belge depolarına erişim, anahtar kelime ve eş anlamlıların dikkatli seçimi, önceden kaydedilmiş arama sorgularının mantıklı biçimde birleştirilmesi, yeni ifade ve terminoloji ortaya çıktıkça kayıtlı sorguların yinelemeli olarak iyileştirilmesi, atıf tabanlı arama ve hatta birden çok dilde gezinme. Belgeler alındıktan sonra uzmanlar, arama sonrası analiz için daha küçük ama önemi az olmayan bir araç setine, esas olarak renklendirme, vurgulama ve EpoqueNet içindeki çekmece ve yapışkan not özelliklerine güvenir.
Yukarıda anlatılan manuel ve zaman alıcı tarama işi, tam olarak yapay zeka destekli araçların azaltmayı hedeflediği türden bir yüktür. Bu sıralama ve vurgulama işinin otomatik bir sistem tarafından nasıl ele alındığını görmek isterseniz, kendi buluşunuz için WOIPS ile ücretsiz bir yenilik araştırması deneyebilirsiniz.
Uzmanların Yapay Zeka Aracından Gerçekte Ne Beklediği
Bu gözlemlerden yola çıkan araştırmacılar, uzmanların gelecekteki bir yapay zeka destekli araçtan gerçekte ne beklediğine dair net bir tablo ortaya koydu. Temel kullanıcı gereksinimleri şunlardı: en yakın eşleşen belgelerin getirilmesi, ilgili belgelerin mantıklı biçimde sıralanması, yararlı eş anlamlıların önerilmesi, uygun sınıflandırmaların önerilmesi, hangi bölümlerin vurgulanması gerektiğinin önerilmesi ve alınan belgelerle kavramların tek bakışta anlaşılır olacak şekilde görselleştirilmesi ya da kümelenmesi. Bu temel gereksinimlerin ötesinde uzmanlar, bu fizibilite çalışmasının kapsamı dışında kalan ama gerçekten arzu edilir olacak bir dizi ek ve daha iddialı özellik de belirtti. Bunlar arasında yalnızca metne dayanmak yerine görsel tabanlı patentleri getirebilme, durum tespiti için kanıt toplamaya yardımcı araçlar, bir belge içindeki belirsizliği tespit edebilen özellikler, belgeler arasındaki çelişkileri bulan araçlar, kelime anlamı belirsizliğini gidermeye yönelik destek, birden çok belge arasındaki ilişkileri görselleştirme yolları ve hatta resim ve çizimler üzerinden doğrudan arama yapabilme yer aldı. Genel kapsam açısından çalışma, çeşitli teknik sektörlerdeki tescilli patentlerin ve yayımlanmış patent başvurularının aranması ve filtrelenmesi etrafında kurgulandı.
Yapay Zekayı Patent Aramasına Dahil Etmenin Temel Zorlukları
Bu gereksinimlerin yanı sıra görüşmeler, yapay zekayı bu alana getirmeye çalışan herkesin karşılaşacağı net bir dizi temel zorluğu da ortaya çıkardı. Araştırmacılara göre patent araması son derece etkileşimli ve gerçekten karmaşık bir süreçtir; genellikle birden çok arama, çeşitli arama stratejileri ve tüm arama çabasının sürekli yönetimini gerektirir. Dilbilimsel ve anlamsal açıdan temel zorluklar, literatür taramasının zaten işaret ettiği unsurlarla tutarlıdır: yoğun hukuki dil, alışılmadık derecede uzun cümleler, yoğun kısaltma kullanımı ve patent istemlerinin doğası gereği teknik yapısı.
Araştırmacılar ayrıca düşüncelerini, bilgi erişimi alanındaki yerleşik bir çerçeveye dayandırdı; bu çerçeveye göre herhangi bir bilgi erişim sisteminin kullanılabilirliği aslında üç ayrı unsura dayanır: etkinliği, verimliliği ve kullanan kişilerin memnuniyeti. Bu fizibilite çalışması kapsamında ekip, öncelikle etkinliğe odaklanmayı tercih etti, yani sistemin belirtilen ilgi kriterlerini gerçekten karşılayan belgeleri ne kadar iyi ortaya çıkardığına. Bunu ölçmenin olağan altın standardı, insan uzmanların manuel değerlendirmesidir. Ancak araştırmacılar burada, alandaki daha geniş araştırmalara dayanan önemli bir incelik ortaya koydu: insan değerlendiriciler her zaman "ilgili" sayılanın ne olduğu konusunda birbiriyle aynı fikirde değildir. İlginç olan şu ki insanlar, "bu iki belgeden hangisi sorguyla daha ilgili?" gibi karşılaştırmalı bir soru sorulduğunda, "bu belge sorguyla ilgili mi?" gibi mutlak ve bağımsız bir değerlendirme istendiğinde olduğundan çok daha kolay hemfikir olur. Bu ayrım, bir önceki teknik araştırma sisteminin değerlendirmesinin nasıl tasarlanıp yorumlanması gerektiği açısından büyük önem taşır.
Sıralı Erişimden Somut Teknik Gereksinimlere
Bilgi erişimi alanından gelen bir başka temel nokta, çalışmanın genel yaklaşımını şekillendirdi: modern arama teknolojilerinin neredeyse tamamı basit Boolean eşleştirme yerine sıralı erişime dayanır ve bilgi erişimi araştırma camiasında sıralı erişimin saf bir Boolean yaklaşımdan neredeyse her zaman daha etkili olduğu genel kabul görür. Bir sistemin, bir sorguyla eşleşip eşleşmediğini yalnızca işaretlemek yerine belgeleri olası ilgi düzeyine göre sıralayarak sunması gerektiği fikri, projenin sonraki aşamalarında izlenen teknik tasarımın büyük bölümünün temelini oluşturur.
Araştırmacılar, bu görüşme ve gözlemlere doğrudan dayanarak uzmanların ihtiyaçlarını gerçek sistem geliştirmeye yön verecek beş somut teknik gereksinime dönüştürdü. Birincisi, TR1, otomatik sorgu genişletmeydi; sistemin bir aramayı zenginleştirmek için eş anlamlılar, bütün-parça ilişkileri, daha özel terimler ve daha genel terimler önermesi. İkincisi, TR2, otomatik belge sınıflandırmasıydı, yani sistemin belirli bir başvuru için ek sınıflandırma kodları önermesi. Üçüncüsü, TR3, basit anahtar kelime eşleştirmesi yerine anlamsal benzerlik ölçütleri kullanılarak benzer belgelerin otomatik tespitiydi. Dördüncüsü, TR4, her belgenin sorguyla ne kadar benzer olduğuna dayalı olarak otomatik sıralı bir ilgili belge listesi üretmekti. Beşincisi, TR5, alınan belgelerin ayırt edici özelliklerinin konu modellemesi yoluyla görselleştirilmesiydi; bu da uzmanlara büyük bir sonuç kümesinde gerçekte neler olduğuna dair sezgisel, üst düzey bir bakış sağlar.
Arama Kalitesini Ölçmek: Kesinlik, Duyarlılık ve Ötesi
Son olarak, tüm bunların ne kadar işe yaradığını gerçekten ölçmek için araştırmacılar bilgi erişiminin iki klasik ölçütüne, kesinlik ve duyarlılığa başvurdu. Kesinlik, bir aramada gerçekten ilgili belgelerin yanında kaç ilgisiz belgenin de yakalandığını gösterir, yani esasen bir doğruluk veya kalite ölçütüdür. Duyarlılık ise gerçekten ilgili kaç belgenin tamamen gözden kaçtığını ölçer, yani bir bütünlük ölçütüdür. Matematiksel olarak kesinlik, alınan ilgili belge sayısının alınan toplam belge sayısına bölünmesiyle hesaplanırken duyarlılık, alınan ilgili belge sayısının tüm koleksiyonda var olan toplam ilgili belge sayısına bölünmesiyle hesaplanır.
Bu iki ölçütün de belgelerin insan uzmanlar tarafından elle etiketlenip ilgi düzeyi açısından değerlendirilmesini gerektirmesi, çok büyük bir koleksiyondaki her belgeyi değerlendirmeyi gerçekten pratik olmaktan çıkarır, bu tür durumlarda araştırmacılar genellikle yalnızca kesinliğe yönelir. Ayrıca gerçek bir önceki teknik araştırmasında tam duyarlılığa ulaşmanın aslında gerekli olmadığını belirtmek gerekir: bir uzmanın, başvurunun yeni olmadığını göstermek için yalnızca başvuru tarihinden önce var olan tek bir referans bulması yeterlidir. Uygulamada çoğu araştırmacı, tam kapsamlılık için birden fazla referans bulmaya çalışır ancak tüm koleksiyonda eksiksiz bir duyarlılığa ulaşma yönünde resmi bir zorunluluk yoktur.
Belgelerin sıralanmasının pratikte bu kadar önemli olması nedeniyle fizibilite çalışması, özellikle "k'da kesinlik" ya da precision@k olarak bilinen ölçütü kullanmayı tercih etti; burada k, sıralı sonuç listesi içindeki bir kesme noktasını, örneğin yalnızca ilk 10, 20 veya en fazla 100 sonuca bakmayı temsil eder. K değeri önceden sabitlenmedi, bunun yerine bir dizi olası değer test edildi. Bunun yanı sıra çalışma, sınıflandırma algoritmasının doğruluğunu değerlendirmek amacıyla kesinlik ve duyarlılığı birleştiren ağırlıklı bir harmonik ortalama olan F ölçütünü de kullandı. Araştırmacılar, tamamen sayısal ölçütlerin ötesinde, konu modelleme sonuçlarının gerçek kullanıcılar için ne kadar yorumlanabilir olduğunu değerlendiren bir uyum ölçütü ve sistemle çalışmanın daha geniş kullanıcı deneyimini incelemeyi amaçlayan bir odak grup görüşmesi gibi insan merkezli yöntemleri de kullandı.
Bu düzeydeki bir analizi manuel olarak yeniden yapmak, önceki teknik araştırmasını hem uzmanlar hem de başvuru sahipleri için bu kadar emek yoğun kılan şeyin ta kendisidir. Bu ilkelerin pratik bir araca nasıl dönüştüğünü görmek isterseniz, sıralı ve yapay zeka destekli erişimi kendi buluşunuza nasıl uyguladığını görmek için WOIPS Yenilik Araştırması hizmetini inceleyebilirsiniz.
Not: Türkiye'de patent uzmanları da benzer sıralı erişim ve sınıflandırma mantığıyla çalışan sistemler kullanır; ilgilenenler TÜRKPATENT'in resmi arama sistemi epats.turkpatent.gov.tr üzerinden benzer bir araştırma sürecini inceleyebilir.
Sıkça Sorulan Sorular
Patent incelemesinde önceki teknik araştırması nedir?
Önceki teknik araştırması, patent uzmanlarının yeni bir başvurunun yeni ve buluş basamağı içerip içermediğini etkileyebilecek mevcut patentleri, başvuruları veya yayınları bulmak için kullandığı süreçtir.
Patent uzmanları önceki teknik araştırmasını nasıl yapar?
Uzmanlar başvurunun istemlerini analiz eder, bir arama ifadesi oluşturur, sınıflandırma kodlarını belirler ve EpoqueNet gibi araçlarda sorgular çalıştırır, ardından vurgulama ve kümeleme özelliklerini kullanarak sonuçları elle tarayıp daraltır. Bu sürecin basitleştirilmiş bir örneğini ücretsiz yenilik araştırması ile kendiniz de deneyebilirsiniz.
Patent uzmanları önceki teknik araştırması için hangi aracı kullanır?
Avrupa ve İngiltere patent ofislerindeki uzmanların çoğu, Avrupa Patent Ofisi tarafından geliştirilen profesyonel bir arama platformu olan EpoqueNet'i, sınıflandırma veritabanları ve dahili depolarla birlikte kullanır.
Arama ifadesini belirlemek neden önceki teknik araştırmasının en zor kısmıdır?
Çünkü bu, uzmanın bir buluşun temel yeni yönünü, orijinal istemlerde hiç geçmeyen kelimeler kullanarak bile ilgili önceki tekniği kapsayacak şekilde yorumlamasını gerektirir ve arama sırasında genellikle defalarca gözden geçirilir.
Yapay zeka, patent önceki teknik araştırması sürecini iyileştirebilir mi?
Evet. Yapay zeka; sorgu genişletme, otomatik sınıflandırma, anlamsal benzerlik eşleştirmesi, sıralı erişim ve sonuçların görsel olarak kümelenmesi konularında destek sağlayarak uzmanların şu anda elle yaptığı taramayı azaltabilir. Bunun pratikte nasıl işlediğini önceki teknik araştırması sayfasında inceleyebilirsiniz.
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.