Patenty.aiをまだ導入されていない皆様へ、以下の内容をお伝えいたします。
AI関連発明の出願代理をされている先生方であれば、拒絶理由通知書で以下の定型文を嫌というほど目にされているかと思います。
「引用文献１（公知の課題）に対し、引用文献２（公知のAIモデル）を適用することは、当業者が容易になし得たことであり、単なる周知技術の転用、または設計事項にすぎない。」
クライアントが膨大なデータを収集し、試行錯誤の末にモデルをチューニングした努力も、審査官の目には「既存のツールを使っただけ」と映りがちです。
しかし、ResNetやTransformerといった「モデル構造」自体の新規性で戦うのは得策ではありません。AI発明において進歩性を勝ち取るための主戦場は、アルゴリズムではなく**「データ前処理（Preprocessing）」と「学習の制約条件」**にあります。
今回は、JPOの「AI関連技術に関する審査事例」のロジックを踏まえ、「単なるAI適用」の拒絶を「特許すべき発明」へと覆すための実務的アプローチを共有します。
審査官が「モデルは公知である」と指摘してきた場合、そこは認めつつ、議論を**「入力データの特殊性」**にシフトさせます。
単なる生データ（Raw Data）の入力ではなく、**「機械学習に適した形態への特定の変換処理」**こそが、当業者が容易に想定し得ない技術的特徴であると主張するのです。
一般的なデータをそのまま入力しても学習が収束しない、あるいは過学習（Overfitting）するという技術的課題を、特定の前処理によって解決した点を強調します。
【事例：医療画像診断】
拒絶の認定: 「X線画像をCNNに入力して腫瘍を検知することは周知。」
補正・反論: 単に画像をCNNに入れるのではなく、以下のような処理を構成要件に追加します。
「X線画像をHSV色空間に変換し、明度（V）チャネルに対して**コントラスト制限適応ヒストグラム均等化（CLAHE）**を適用した画像を、CNNへの入力とする。」
進歩性の主張:
「引用文献の手法では、撮影時の照度変化により認識精度が低下する課題があった。」
「本願発明は、特定の前処理（CLAHE等）を行うことで、照度変化にロバストな特徴抽出を可能にしたものであり、これは当業者が予測し得ない顕著な効果である。」
単に Learning rate = 0.001 といった数値をクレームしても、日本では「最適値の選定（設計事項）」として一蹴されます。その数値や設定が選ばれた**「必然性（技術的意義）」**を持たせる必要があります。
パラメータそのものではなく、**「学習を成功させるための戦略」**をクレームに落とし込みます。
独自の損失関数（Custom Loss Function）:
一般的なCross-Entropyではなく、データのクラス不均衡（Imbalance）を解消するために重み付けされた損失関数を使用している場合、それは単なる選択ではなく**「課題解決手段」**となります。
転移学習の凍結（Freezing）戦略:
「特徴抽出部の下位N層の重みを固定し、分類器のパラメータのみを更新する」といった具体的な学習手順を記載します。
これにより、発明は「汎用AI」から**「計算リソースと精度を最適化した具体的情報処理装置」**へと昇華され、進歩性のハードルが下がります。
審査官はしばしば、「入力Aと出力Bがあれば、AIで相関を見つけるのは当たり前」と考えがちです。しかし、**「その入力Aに着目したこと」**自体が進歩性の源泉になり得ます。
【ロジック構成】
課題: 「当業者の常識では、データA（例：工場の微細振動）から事象B（例：3日後の故障）を予測することは、ノイズが多すぎて困難だと考えられていた。」
解決手段: 「本願は、データAを周波数領域（FFT）に変換してLSTMに入力することで、これまで人間が感知できなかった予兆パターンを特定可能にした。」
結論: 「単なるAIの適用ではなく、データAと事象Bの間に技術的な因果関係を見出し、それを具現化した点に進歩性が認められる。」
意見書だけで「効果がある」と主張しても、証拠がなければ説得力に欠けます。明細書作成段階での仕込みが重要です。
JPOの審査において、進歩性（特に顕著な効果）の主張には定量的なデータが最強の武器になります。
比較例: 前処理なし＋汎用モデル＝正解率 70%
実施例: 特定の前処理＋汎用モデル＝正解率 92%
このグラフや表が明細書にあるだけで、意見書での「効果の顕著性」の主張が通りやすくなります。
独立項は広めに取るとしても、従属項には以下のような「保険」をかけておきましょう。
具体的な前処理ステップ（正規化、オーグメンテーションの手法）
損失関数の数式的限定
学習データの構造的特徴
Why? 拒絶理由通知が来た際、これらの従属項を独立項に繰り上げることで、審査官と妥協点（Allowable subject matter）を探る交渉材料になります。
AI発明において、「エンジン（モデル）」が同じ車であっても、「燃料（データ）」と「チューニング（前処理）」が異なれば、車の性能（発明の効果）は別物です。
審査官に対して**「これは単なるAIの利用ではなく、データを制御する具体的技術である」**と説得するためには、アルゴリズムの名称よりも、データパイプラインの工夫を明細書に厚く記載することが、登録への近道となります。
次回は、**「DABUS判決以降のAI発明者性に関する議論と、実務家が取るべき契約・出願戦略」**について深掘りします。
[ ] 進歩性の主張ポイントを「モデル」から**「データ前処理」**にずらしたか？
[ ] パラメータや学習設定について、単なる数値限定ではなく**「技術的意義」や「課題解決性」**を説明できているか？
[ ] 明細書中に、従来手法（単なるAI適用）と本願手法を比較した**定量的なデータ（実施例）**が含まれているか？
[ ] 独自の損失関数や学習手順を規定した従属項を準備しているか？
生成型ドラフティングから自律型（エージェンティック）ワークフロー管理への運用シフトに関する分析。本レポートでは、AI主導のペース配分と認知コスト（Cognitive Drag）分析が、いかにして大量の特許案件を扱う実務におけるリスク軽減の重要インフラとなりつつあるかを考察します。
AIで明細書を作成する際、詳細な説明から書き始めると、クレームにない構成が追加される「ハルシネーション」や、特許法第36条（サポート要件）違反のリスクが高まります。本記事では、確定したクレームを起点に明細書を逆生成する「クレーム中心プロセス」を解説。システム、方法、機能的クレームなど、5つの類型別プロンプト事例を通じて、論理的矛盾のない高品質な明細書を作成するノウハウを公開します。
特に、異業種融合技術や、自分が得意とする技術分野以外の案件が来たとき、点滅するカーソルを見つめながら途方に暮れた経験は誰にでもあるはずです。私たちが恐れているのは「検索」そのものではありません。**「自分が思いつかなかった『同義語』のせいで、致命的な先行文献を取りこぼすこと（Y文献の見落とし）」**への不安です。 「締結部材」で検索したのに、引用文献には「結合手段」と書かれていて見つけられなかった悪夢。今日は、この厄介な同義語のブレインストーミングを生成AI（ChatGPT, Claude等）を活用して劇的に短縮する方法を共有します。 単に「AIに聞いてみる」のではありません。ノイズを減らし、実務で即戦力となるキーワードだけを抽出するプロンプト戦略です。
