아래 내용은 Patenty.ai를 사용하지 않는 분들을 위한 내용입니다.
AI 관련 특허 출원을 대리하다 보면, 의견제출통지서(OA)에서 지겹도록 마주하는 문구가 있습니다.
"본원발명은 인용발명 1(종래 기술)에 주지관용기술인 딥러닝 모델(CNN, RNN, Transformer 등)을 단순히 적용한 것으로, 이는 통상의 기술자가 용이하게 도출할 수 있는 단순한 설계 변경에 불과하며..."
이 문장을 접할 때마다 답답함이 밀려옵니다. 클라이언트는 수만 장의 데이터를 수집하고, 수없는 시행착오 끝에 모델을 최적화했는데, 심사관은 이를 "기존 기술 + AI = 뚝딱" 수준으로 치부해버리기 때문입니다.
하지만 심사관의 논리에도 일리는 있습니다. ResNet, BERT, GPT 등 모델의 아키텍처 자체는 이미 오픈소스로 공개되어 있으니까요. 그렇다면 우리는 어디서 승부를 봐야 할까요?
정답은 '모델'이 아닌 '데이터'에 있습니다. 오늘은 뻔해 보이는 AI 발명을 '특허 가능한 발명'으로 뒤집는, 데이터 전처리(Preprocessing)와 파라미터 한정을 이용한 진보성 대응 전략을 공유합니다.
심사관이 "모델 구조가 공지되었다"고 공격해오면, 굳이 그 프레임 안에서 싸울 필요가 없습니다. 우리는 "그 모델에 무엇을, 어떻게 집어넣었는지"로 시선을 돌려야 합니다.
일반적인 Raw Data를 그대로 넣으면 학습이 안 되거나 과적합(Overfitting)이 발생하는 문제를, '특정한 전처리'를 통해 해결했다는 점을 '구성의 곤란성'으로 주장해야 합니다.
[실전 예시: 의료 영상 진단]
Before (거절 예상): "X-ray 이미지를 CNN에 입력하여 폐암을 진단하는 방법." (심사관: 그냥 CNN 쓴 거잖아?)
After (등록 전략): "X-ray 이미지를 CLAHE(Contrast Limited Adaptive Histogram Equalization) 기법으로 전처리하여 폐 영역의 대비를 강조하고, 이를 CNN의 입력으로 사용하는 방법."
[의견서 작성 Tip]
"인용발명은 원본 이미지를 그대로 사용하여 조명 변화에 취약하지만, 본원발명은 'A 방식의 전처리'를 거침으로써 노이즈는 제거하고 특징(Feature)은 증폭시키는 이질적인 효과를 갖습니다."
청구항에 단순히 "학습된 모델"이라고 적는 것은 위험합니다. 학습 과정의 제약 조건(Hyperparameter constraints)을 한정하여 진보성을 확보해야 합니다.
단, 단순히 Learning rate = 0.001 같은 수치를 적는 것은 무의미합니다(단순 수치 한정으로 거절됨). "왜 그 수치여야만 했는지"에 대한 임계적 의의(Critical Significance)를 설명해야 합니다.
손실 함수(Loss Function)의 커스터마이징:
일반적인 Cross-Entropy가 아니라, 특정 클래스의 데이터 불균형을 해소하기 위해 가중치가 부여된 Custom Loss Function을 사용했다면 이는 강력한 진보성 근거가 됩니다.
학습 전략의 구체화:
"전이 학습(Transfer Learning) 시, 특징 추출기(Feature Extractor)의 가중치는 동결(Freezing)하고, 분류기(Classifier)의 파라미터만 미세 조정(Fine-tuning)한다"는 식의 구체적인 학습 전략을 청구항에 녹이십시오. 이는 단순 적용이 아닌 '최적화된 학습 방법론'으로 인정받을 수 있습니다.
심사관들이 간과하는 것은, "입력 데이터 A와 출력 데이터 B 사이에 상관관계가 있다는 것을 발견한 것" 자체가 발명이라는 점입니다.
AI는 블랙박스지만, 변리사는 그 블랙박스가 해결한 'Technical Problem'을 언어화해야 합니다.
[논리 구성]
문제 제기: "통상의 기술자는 데이터 A(예: 공장 모터의 미세 진동)만으로는 B(예: 3일 뒤의 고장 여부)를 예측할 수 없다고 생각했다."
해결 수단: "그러나 본원발명은 데이터 A를 주파수 도메인(FFT)으로 변환하여 시계열 모델(LSTM)에 학습시킴으로써, 인간이 인지하지 못하는 패턴을 찾아내어 B를 예측해냈다."
결론: "즉, 본원발명은 단순한 AI 적용이 아니라, '데이터 A와 B 사이의 새로운 기술적 인과관계를 규명한 것'에 진보성이 있다."
의견서 단계에서 말로만 "효과가 좋다"고 주장하는 것은 약합니다. 출원 시 명세서에 [비교 예] 데이터를 반드시 넣으세요.
비교 예 1: 전처리 없이 학습했을 때의 정확도 (70%)
실시 예 1: 본원발명의 전처리를 수행했을 때의 정확도 (92%)
이 그래프 하나가 백 마디 논리보다 심사관을 설득하기 쉽습니다.
독립항은 권리 범위를 위해 넓게 가더라도, 종속항에는 ① 데이터 전처리 단계, ② 데이터 증강(Augmentation) 기법, ③ 손실 함수의 수식 등을 구체적으로 쪼개서 배치해두어야 합니다. 거절이유 통지 시 이 종속항을 독립항으로 끌어올려 진보성을 방어할 '보험'이 됩니다.
"AI 기술은 다 거기서 거기 아닌가요?"라고 묻는 심사관에게, 우리는 명확히 답해야 합니다.
"엔진(모델)이 같은 차라고 해서, 튜닝(전처리/최적화)이 다른 차의 주행 성능까지 같다고 볼 수는 없습니다."
AI 특허의 진보성은 거창한 알고리즘의 발명에서 오는 것이 아니라, 데이터를 다루는 섬세한 노하우(Know-how)를 기술적 특징으로 승화시킬 때 확보됩니다.
다음 OA 대응 때는 심사관이 "단순 적용"이라는 말을 꺼내지 못하도록, 전처리의 특이성과 최적화의 디테일로 반격해 보시는 건 어떨까요?
[ ] 진보성 주장의 근거를 '모델 구조'에서 '데이터 전처리'나 '입력값의 특이성'으로 옮겼는가?
[ ] 파라미터 한정 시, 단순 수치가 아닌 임계적 의의(효과)를 명세서에 기재했는가?
[ ] 손실 함수(Loss Function)나 학습 전략(Freezing 등)을 종속항에 배치했는가?
[ ] 의견서 제출 시, 전처리 유무에 따른 성능 비교 데이터를 제시했는가?
생성형 명세서 작성에서 에이전트(Agentic) 기반 워크플로우 관리로의 운영 전환을 분석합니다. 본 리포트는 대량의 특허 업무 환경에서 리스크 완화를 위한 핵심 인프라로 자리 잡고 있는 AI 주도형 페이스 조절 및 인지 저항 분석의 중요성을 조명합니다.
AI로 명세서를 작성할 때 가장 큰 실수는 '상세한 설명'부터 쓰게 하는 것입니다. 이로 인해 청구항에 없는 내용이 추가되거나 논리가 꼬이는 문제를 막으려면, 변리사가 확정한 청구항을 기준으로 상세한 설명을 생성하는 '역방향 프로세스'가 필수입니다. 시스템 청구항, 방법 청구항, 기능식 청구항 등 5가지 유형별 실전 프롬프트를 통해, 특허법 제42조 제4항(청구항의 뒷받침)을 완벽하게 충족하는 고품질 명세서 작성 노하우를 공개합니다.
'체결 부재'를 검색했는데 선행문헌에는 '결합 수단'이라고 적혀 있어서 놓치는 악몽. 오늘은 이 지겨운 동의어 브레인스토밍 과정을 생성형 AI(ChatGPT, Claude 등)를 활용해 획기적으로 단축하는 방법을 공유합니다. 단순히 "AI한테 물어보세요"가 아닙니다. '노이즈'를 줄이고 실무에 즉시 투입 가능한 키워드만 뽑아내는 프롬프트 전략입니다.
