ＡＩに関する特許の進歩性については特許庁の審査基準に事例が挙がっています。進歩性の事例については、次の①から③に分けられています。
①単純なＡＩの適用に関するもの
②教師データの変更に関するもの
③教師データに対して前処理を行うもの
ＡＩと特許－進歩性 進歩性なしの事例 （ＡＩの特許のクレームの書き方）
進歩性なしと判断されるＡＩ関連発明の事例です。
ＡＩと特許 事例 癌レベル算出装置
Ａ．癌レベル算出装置（事例33）
事例33の癌レベル算出装置は、上記①についてのもので、人間が行っている る業務の人工知能を用いた 単純なシステム化であるため、進歩性が否定される事例です。
（１）請求項１の記載は、次の通りです。
【請求項１】
被験者から採取した血液を用いて、当該被験者が癌である可能 性を示すレベルを算出する癌レベル算出装置であって、
前記被験者の血液を分析して得られるAマーカーの測定値及びBマーカ ーの測定値が入力されると、前記被験者が癌である可能性を示すレベルを算出する癌レベル算出部を備え、
前記癌レベル算出 部は、Aマーカーの測定値とBマーカーの測定値が入力された際に、推定される癌レベルを算出するように、教師データを用いた機械学習処理が施された学習済みニューラルネットワークを有する、
癌レベル算出装置。
（２）引用発明および周知技術は次の通りです。
【引用発明１】
被験者から採取した血液を用いて、医師により、当該被験者が癌で ある可能性を示すレベルを算出する癌レベル算出方法であって、
前 記被験者の血液を分析して得られたAマーカー及びBマーカーの測 定結果を用いて、前記被験者が癌である可能性を示すレベルを算 出する癌レベル算出段階を備える、
癌レベル算出方法。
【周知技術】
機械学習の技術分野において、複数の者から収集した各者に関連する所定の入力データ(生体データ等)とその者が病気である可能性 を示す出力データからなる教師データを用いてニューラルネットワークに機械学習処理を施し、当該学習済みニューラルネットワークを用い て、被験者に関連する所定の入力データに基づいて当該被験者が病気である可能性を示す出力データの算出処理を行うこと。
（３）拒絶理由の概要は、次の通りです。
［拒絶理由の概要］
請求項１に係る発明と引用発明１とを対比すると、両者は以下の点で相違する。
(相違点)
請求項１に係る発明は、癌レベル算出装置であって、Aマーカーの測定値とBマーカーの測定値が入力された際に、癌である可能性を示 すレベルを算出するように、教師データを用いた学習処理が施された学習済みのニューラルネットワークを用いて癌である可能性を示すレ ベルを算出するのに対し、引用発明１は、癌レベル算出方法であって、医師がAマーカーとBマーカーの測定結果を用いて癌である可能性を示すレベルを算出する点。
上記相違点について検討する。
・・・・・・
引用発明１と周知技術とは、ともに病気の可能性の推定を行うためのものであるから、課題が共通する。そして、医療の分野において医 師が行っている推定方法を、コンピュータ等を用いて単にシステム化することは、当業者の通常の創作能力の発揮にすぎない。
以上の事情に基づけば、引用発明１に周知技術を適用して医師が行っていた癌レベルを算出する方法をシステム化し、Aマーカーの測 定値とBマーカーの測定値が入力された際に、癌である可能性を示すレベルを算出するように、教師データを用いた学習処理が施された学習済みのニューラルネットワークを用いて癌である可能性を示すレベルを算出する構成とすることは、当業者が容易に想到することができ たことである。
そして、請求項１に係る発明の効果は当業者が予測し得る程度のものであり、引用発明1に周知技術を適用するに当たり、特段の阻害 要因は存在しない。
（４）ＡＩ特有のものでなく、通常のソフトウエア関連発明と同様に、単に人間が行っていたものをコンピュータに行わせるものは進歩性が無いとの判断と同じです。
ＡＩと特許－進歩性 進歩性なし/ありの事例 （ＡＩの特許のクレームの書き方）
請求項１は進歩性なし、請求項２は進歩性ありと判断されるＡＩ関連発明の事例です。
ＡＩと特許 事例 水力発電量推定システム
Ｂ．水力発電量推定システム（事例34）
事例34の水力発電量推定システムは、 請求項１が 上記 ①単純なＡＩの適用に関するもので推定手法の単純な変更のために進歩性が否定され、請求項２が上記②教師データの変更に関するもので、顕著な効果があるために進歩性が肯定されるものです。
（１）請求項１および２は、次の通りです。
【請求項１】
情報処理装置によりニューラルネットワークを実現するダムの水力発電量推定システムであって、
入力層と出力層とを備え、前記入力層 の入力データを基準時刻より過去の時刻から当該基準時刻までの所定期間の上流域の降水量、上流河川の流量及びダムへの流入量 とし、前記出力層の出力データを前記基準時刻より未来の水力発電量とするニューラルネットワークと、
前記入力データ及び前記出力デ ータの実績値を教師データとして前記ニューラルネットワークを学習させる機械学習部と、
前記機械学習部にて学習させたニューラルネッ トワークに現在時刻を基準時刻として前記入力データを入力し、現在時刻が基準時刻である出力データに基づいて未来の水力発電量の 推定値を求める推定部と、
により構成されたことを特徴とする水力発電量推定システム。
【請求項２】
請求項１に係る水力発電量推定システムであって、
前記入力層の入力データに、さらに、前記基準時刻より過去の時刻から当該基準時 刻までの所定期間の上流域の気温を含むこと、
を特徴とする水力発電量推定システム。
（３）引用発明および周知技術は、次の通りです。
【引用発明１】
情報処理装置により重回帰分析を行うダムの水力発電量推定システムであって、
説明変数を基準時刻より過去の時刻から当該基準時 刻までの所定期間の上流域の降水量、上流河川の流量及びダムへの流入量とし、目的変数を前記基準時刻より未来の水力発電量とする回帰式モデルと、
前記説明変数及び前記目的変数の実績値を用いて前記回帰式モデルの偏回帰係数を求める分析部と、
前記分 析部にて求められた偏回帰係数を設定した回帰式モデルに現在時刻を基準時刻として前記説明変数にデータを入力し、現在時刻が基 準時刻である前記目的変数の出力データに基づいて未来の水力発電量の推定値を求める推定部と、
により構成されたことを特徴とす る水力発電量推定システム。
【周知技術】
機械学習の技術分野において、過去の時系列の入力データと将来の一の出力データからなる教師データを用いてニューラルネットワー クを学習させ、当該学習させたニューラルネットワークを用いて過去の時系列の入力に対する将来の一の出力の推定処理を行うこと。
（３）拒絶理由の概要は、次の通りです。
［拒絶理由の概要］
請求項１に係る発明と引用発明１とを対比すると、両者は以下の点で相違する。
(相違点)
請求項１に係る発明は、入力層と出力層とを備えたニューラルネットワークにより水力発電量推定を実現するのに対し、引用発明１では、 回帰式モデルにより水力発電量推定を実現する点。
上記相違点について検討する。
・・・・・・、引用発明１と周知技術とは、データ間の相関関係に基づき、過去の時系列の入力から将来の一の出力を推定するという点で機 能が共通する。 以上の事情に基づけば、引用発明１に周知技術を適用し、回帰モデルに代えて学習済みニューラルネットワークを利用して、水力発電 量推定を実現する構成とすることは、当業者が容易に想到することができたことである。
(拒絶理由がないことの説明)
請求項２に係る発明と引用発明１とを対比すると、両者は以下の点でも相違する。
請求項２に係る発明は、入力層の入力データに、基準時刻より過去の時刻から当該基準時刻までの所定期間の上流域の気温を含むのに 対して、引用発明１ではそのような構成になっていない点。
上記相違点について検討する。
請求項２に係る発明は、水力発電量の推定に上流域の気温を用いているが、水力発電量の推定に上流域の気温を用いることを開示する 先行技術は発見されておらず、両者の間に相関関係があることは、出願時の技術常識でもない。
一般に、機械学習においては相関関係が明らかでないデータを入力データに加えるとノイズが生じる可能性があるところ、本願の請求項２ に係る発明では、入力データに、基準時刻より過去の時刻から当該基準時刻までの所定期間の上流域の気温を用いることにより、春のシーズ ンにおいて「雪解け水」による流入量増加に対応した高精度の水力発電量を推定することが可能である。この効果は、引用発明１からは予測 困難な、顕著な効果であるといえる。よって、水力発電量の推定における入力データに、基準時刻より過去の時刻から当該基準時刻までの所 定期間の上流域の気温を含めるという事項は、引用発明１に周知技術を適用する際に行い得る設計変更ということはできない。
（４）請求項１では、ニューラル・ネットワークを利用しようが回帰式モデルを利用しようが当業者にとっては容易であるため進歩性が否定されている。
請求項２では、気温を利用することにより高精度の推定ができることに対して顕著な効果があるとして進歩性が肯定されている。もっとも、気温を利用することが周知でないことが前提となっている。
ＡＩと特許－進歩性 進歩性なしの事例 （ＡＩの特許のクレームの書き方）
進歩性なしと判断されるＡＩ関連発明の事例です。
ＡＩと特許 事例 ネジ 締付品質推定装置
Ｃ．ネジ締付品質推定装置（事例35）
事例35のネジ締付品質推定装置は、 上記②の教師データの変更に関するものですが、事例34の請求項４とは異なり、顕著な効果が認められないために進歩性が否定されるものです。
（１）請求項１は次の通りです。
【請求項１】
ドライバにより自動ネジ締付作業が行われたときのネジ締付品質を評価するネジ締付品質推定装置において、
前記ドライバの回転 速度、角加速度、位置及び傾きから構成される状態変数セットを測定する状態測定部と、
前記状態測定部により測定された前記 状態変数セットと、当該状態変数セットで自動ネジ締付作業が行われたときの前記ネジの締付品質とを関連付けてニューラルネットワークを機械学習させる機械学習部と、
ドライバにより自動ネジ 締付作業が行われたときに測定された状態変数セットを、前記機 械学習部によって学習させた前記ニューラルネットワークに入力 すると、ネジ締付品質を推定するネジ締付品質推定部と、
を具備 するネジ締付品質推定装置。
（２）引用発明および技術常識は、次の通りです。
【引用発明１】
ドライバにより自動ネジ締付作業が行われたときのネジ締付品質 を評価するネジ締付品質推定装置において、
前記ドライバの回転 速度及び角加速度から構成される状態変数セットを測定する状 態測定部と、
前記状態測定部により測定された前記状態変数 セットと、当該状態変数セットで自動ネジ締付作業が行われたときの前記ネジの締付品質とを関連付けてニューラルネットワークを機械学習させる機械学習部と、
ドライバにより自動ネジ締付作 業が行われたときに測定された状態変数セットを、前記機械学習 部によって学習させた前記ニューラルネットワークに入力すると、 ネジ締付品質を推定するネジ締付品質推定部と、
を具備するネジ 締付品質推定装置。
【引用発明２】
ネジの締付品質の評価方法において、
ドライバの位置及び傾きを 測定し、前記測定された前記ドライバの位置及び傾きに基づき、 ネジの締付品質を評価するネジの締付品質の評価方法。
【技術常識】
機械学習装置の技術分野において、機械学習装置の出力の信頼性や精度を高めるために、出力と相関関係を有する可能性が高い各種変数を、機械学習装置の入力として採用することは技術常識である。
（３）拒絶理由通知の概要は、次の通りです。
［拒絶理由の概要］
請求項１に係る発明と引用発明１とを対比すると、両者は以下の点で相違する。
(相違点)
請求項１に係る発明は、状態測定部が、ドライバの回転速度、角加速度、位置及び傾きの、４つの状態変数から構成される状態変数セットを測定し、前記４つの状態変数から構成される状態変数セットを用いて、ニューラルネットワークの機械学習とネジ締付品質の推定とを行うのに対し、引用発明１では、状態測定部が、ドライバの回転速度及び角加速度の、２つの状態変数から構成される状態変数セットを 測定し、前記２つの状態変数から構成される状態変数セットを用いて、ニューラルネットワークの機械学習及びネジ締付品質の推定を行う点。
上記相違点について検討する。
引用発明２は、ドライバの位置及び傾きに基づき、ネジの締付品質を評価するものであるから、ドライバの位置及び傾きとネジの締付品質との間に、評価に係る相関関係があることを示している。引用発明１と引用発明２とは、ともにネジの締付品質の評価を行うものであるか ら、その技術分野が共通する。また、引用発明１と引用発明２とは、ともにドライバのいくつかの状態に基づいてネジの締付品質の評価を行 うためのものであるから、課題が共通する。そして、機械学習装置の技術分野において、機械学習装置の出力の信頼性や精度を高めるた めに、出力と相関関係を有する可能性が高い各種変数を、機械学習装置の入力として採用することは技術常識である。
以上の事情に基づけば、引用発明１に、機械学習装置の出力の信頼性や精度を高めるために、ドライバの回転速度、角加速度に加えて、ネジの締付品質と相関関係を有する引用発明２のドライバの位置及び傾きについても状態変数として採用し、４つの状態変数から構成される状態変数セットを用いて、ニューラルネットワークの機械学習及びネジ締付品質の推定を行う構成とすることは、当業者が容易に想到し得たことである。
そして、請求項１に係る発明の効果は当業者が予測し得る程度のものであり、引用発明１に引用発明2を適用するに当たり、特段の阻害要因は存在しない。 ×請求項1に係る発明は、進歩性を有しない。
（４）引用発明１には、「回転速度」および「角加速度」の記載があり、引用発明２には、「位置」および「傾き」の記載があるので、技術常識を鑑みると、それらのパラメータを用いて本願発明を構成するのは容易であるから進歩性が否定されると判断されている。
ＡＩと特許－進歩性 進歩性ありの事例 （ＡＩの特許のクレームの書き方）
進歩性ありと判断されるＡＩ関連発明の事例です。
ＡＩと特許 事例 認知症レベル推定装置
Ｄ．認知症レベル推定装置（事例36）
事例36の認知症レベル推定装置は、 上記③の教師データに対して前処理を行うものであり、進歩性が肯定されるものです。
（１）請求項１は、次の通りです。
【請求項１】
回答者と質問者の会話に係る音声情報を取得する音声情報取得手段と、
前記音声情報の音声分析を行って、前記質問者の発話区間と、 前記回答者の発話区間とを特定する音声分析手段と、
前記質問者の発話区間及び前記回答者の発話区間の音声情報を音声認識によ りそれぞれテキスト化して文字列を出力する音声認識手段と、
前記質問者の発話区間の音声認識結果から、質問者の質問種別を特定 する質問内容特定手段と学習済みのニューラルネットワークに対して、前記質問者の質問種別と、該質問種別に対応する前記回答者の 発話区間の文字列とを関連付けて入力し、前記回答者の認知症レベルを計算する認知症レベル計算手段と、
を備え、
前記ニューラルネ ットワークは、前記回答者の発話区間の文字列が対応する前記質問者の質問種別に関連付けて入力された際に、推定認知症レベルを 出力するように、教師データを用いた機械学習処理が施された、
認知症レベル推定装置。
（２）引用発明は、次の通りです。
【引用発明１】
回答者と質問者の会話に係る音声情報を取得する音声情報取得手段と、
前記音声情報を音声認識によりテキスト化して文字列を出力 する音声認識手段と、
学習済みのニューラルネットワークに対して、前記音声認識手段によりテキスト化された文字列を入力し、前記回 答者の認知症レベルを計算する認知症レベル計算手段と、
を備え、
前記ニューラルネットワークは、前記文字列が入力された際に、推定 認知症レベルを出力するように、教師データを用いた機械学習処理が施された、
認知症レベル推定装置。
（３）拒絶理由がないことの説明は、次の通りです。
(拒絶理由がないことの説明)
請求項１に係る発明と引用発明１とを対比すると、両者は以下の点で相違する。
(相違点)
請求項１に係る発明は、前記音声情報の音声分析を行って、前記質問者の発話区間と、前記回答者の発話区間とを特定すると共に、 特定された前記質問者の発話区間及び前記回答者の発話区間の音声情報を音声認識によりテキスト化して文字列を得、前記質問者の発 話区間の音声認識結果から、質問者の質問種別を特定し、ニューラルネットワークは、前記質問者の質問種別と、該質問種別に対応する 前記回答者の発話区間の文字列とを関連付けて入力し、認知症レベルを出力するように機械学習処理が施されるのに対して、引用発明１ のニューラルネットワークでは、質問者及び回答者の発話区間の区別なく、音声認識によりテキスト化された文字列をそのまま入力し、認 知症レベルを出力するように機械学習処理が施される点。
上記相違点１について検討する。
教師データを用いてニューラルネットワークを学習させる際に、入力となる教師データに一定の前処理を施すことで教師データの形式を 変更し、ニューラルネットワークの推定精度の向上を試みることは、当業者の常套手段である。
しかし、認知症レベルの評価手法として回答者と質問者の会話に係る音声情報のテキスト化された文字列に対して、質問者の質問種別を特定し、当該質問種別に対応する回答者の回答内容とを関連付けて評価に用いるという具体的な手法を開示する先行技術は発見され ておらず、そのような評価手法は、出願時の技術常識でもない。
したがって、引用発明１のニューラルネットワークに回答者と質問者の会話に係る音声情報を学習させるに当たり、質問者の質問種別を 特定し、当該質問種別に対応する回答者の回答内容とを関連付けて教師データとして用い学習をさせることは、当業者が容易に想到し得 ないことである。また、引用発明１に識別子の推定精度を向上させるための単なる設計変更や設計的事項の採用ということもできない。
さらに、請求項１に係る発明では、質問者の質問種別を特定し、当該質問種別の質問に対応する回答者の回答（文字列）を関連付ける ことによって、ニューラルネットワークは、教師データから熟練した専門医の知見を効果的に学習することができるので、精度の高い認知症 レベルの推定を実現することができるという、顕著な効果が得られる。
（４） 質問者の質問種別を特定し、当該質問種別に対応する回答者の回答内容とを関連付けて評価に用いる ことにより、顕著な効果が生じ、進歩性が肯定されている。
（弁理士 井上 正）
