隨著 patlytics.ai 等 AI 專利檢索技術的出現，智慧財產權（IP）組合管理軟體已大幅提升，能為企業提供更深入的專利與商標洞察。這些進步的核心在於一種稱為「模型能力提取」（model capability extraction）的流程。微軟於 2022 年 10 月提交並在 2024 年 4 月公開的一項專利中，詳細說明了此流程。

什麼是模型能力提取？

模型能力提取涉及識別並分析機器學習模型的能力，以了解其優勢與侷限。正如該專利摘要所述，模型能力提取是「透過間接查詢模型，以確定該模型所具備的能力」。模型能力提取的關鍵面向包括：

1. 效能評估解釋性與可解釋性偏差檢測行為分析能力映射

將模型能力提取應用於 IP 組合管理軟體

1. 專利分類與分析中的效能評估：AI 模型被廣泛用於根據技術領域對專利進行分類。透過能力提取，我們可以衡量其分類準確度並找出改進機會。例如，針對識別相關先前技術所訓練的模型，可透過標準化基準進行評估，以確保軟體能適當輔助專利審查員或法律團隊。此效能評估在專利處理的準確度與速度直接影響創新週期及市場進入時間的環境下至關重要。透過系統性評估 AI 模型，企業能精確找出效能瓶頸並優化模型，進而提高處理量、減少錯誤，並簡化專利審查流程。策略決策的可解釋性：透過特徵重要性分析，企業能深入了解驅動模型建議的因素，例如識別具備授權價值的高價值專利。這種透明度對於制定符合商業目標的明智策略決策至關重要。例如，了解模型為何優先處理某些專利以進行訴訟支援或授權，能協助企業調整法律策略，以保護或利用特定的智慧財產。此外，可解釋性有助於建立利害關係人之間的信任，讓他們能看見並理解自動化決策背後的邏輯，進而減少衝突並促進運作順暢。專利估值中的偏差檢測：AI 模型可能會無意間繼承歷史專利數據中存在的偏差，進而影響估值預測。模型能力提取使企業能夠檢測並修正偏差，確保不同技術領域與地理區域的估值公平性。解決偏差不僅是公平問題，更是策略上的必要之舉。例如，識別並修正地理偏差可確保新興市場的創新獲得適當估值，協助企業識別並掌握全球機會。透過系統性解決這些偏差，企業能確保其估值演算法穩健、公平且符合全球標準。商標監控中的行為分析：商標侵權檢測需要能識別標誌或名稱細微差異的模型。透過能力提取，企業能識別對抗性漏洞或模型運作困難的情境，進而優化模型以提升檢測準確度。此分析對於在全球市場中保護品牌識別與智慧財產至關重要，因為侵權手法正不斷演變。透過了解模型的特定弱點，企業能實施針對性的改進，例如在更多樣化的數據集上進行訓練，或調整影像辨識演算法，以更有效地偵測細微的偽造。高效組合管理的能力映射：透過映射不同 AI 模型的優勢，企業能策略性地分配任務。例如，特別擅長先前技術檢索的模型可用於加速「自由實施」（FTO）分析。此映射確保 IP 組合管理軟體中的每個 AI 模型都能發揮最大潛力。能力映射讓企業能優化資源配置，專注於在 IP 管理的各個面向發揮每個模型的優勢。這種策略性方法不僅能提升效率，還能增強 IP 組合管理的整體效能，協助企業在各自產業中保持競爭優勢。

結論

模型能力提取是一項關鍵流程，能協助企業充分發揮 IP 組合管理軟體中 AI 模型的潛力。透過了解這些模型的優勢與侷限，企業能確保更準確的專利分類、策略決策與公正的估值，最終打造出更強大且管理更高效的 IP 組合。