2021年04月27日（火）
10:30～16:30
Tel：03-5857-4811 E-mail：info@rdsc.co.jp
問い合わせフォーム
非会員：
35,200円
（本体価格：32,000円）
会員：
33,440円
（本体価格：30,400円）
学生：
35,200円
（本体価格：32,000円）
定 価 ：1名につき 35,200円（税込）
会員価格：1名につき 33,440円 2名の場合 49,500円、3名の場合 74,250円（税込）
※上記会員価格は受講者全員の会員登録が必須となります。
※同一法人内(グループ会社でも可)による2名同時申込みのみ適用いたします。
※受講券、請求書は、代表者に郵送いたします。
※請求書および領収証は1名様ごとに発行可能です。
(申込みフォームの通信欄に「請求書１名ごと発行」と記入ください。)
※他の割引は併用できません。
アーカイブ(見逃し)配信付き
視聴期間：終了翌日から10日間［4/28～5/7］を予定
※資料付：・PDFテキスト(印刷可)のみ
【ZoomによるLive配信】
・本セミナーはビデオ会議ツール「Zoom」を使ったライブ配信セミナーとなります。
・お申し込み後、接続確認用URL( https://zoom.us/test )にアクセスして接続できるか等ご確認下さい。
・後日、別途視聴用のURLをメールにてご連絡申し上げます。
・セミナー開催日時に、視聴サイトにログインしていただき、ご視聴ください。
・リアルタイムで講師へのご質問も可能です。
・タブレットやスマートフォンでも視聴できます。
研究開発者、エンジニア、知財部員等で特許調査調査の効率化に関心がある方。予備知識は特に必要ありません。
・機械学習による先行技術・技術動向調査の効率化
・特許調査におけるAI利用の現状と注意点
特許調査でのＡＩ活用と主に先行技術・技術動向調査の効率化について特許調査と機械学習の観点から講演します。最近では商用のAIを利用した特許調査ツールも複数登場しています。現在は、AIへの過剰な期待の時期から冷静な判断が求められる時期に移行中です。
最初に特許調査と検索の基礎について概観します。第３章ではＡＩの概要と特許調査への応用について留意点と原理的な制限事項について述べます。第４章では、商用AI特許調査ツールの活用事例を紹介します。第５～７章では、デモを交えてオープンソースを用いた機械学習の特許調査への応用事例を単語・文書のベクトル化、文書分類、文書ベクトルの次元圧縮による特許公報の俯瞰可視化と技術動向調査への応用を紹介します。
調査目的に応じたアルゴリズムと特徴量の選択が重要であり、また教師あり機械学習には良質な教師データの準備が重要です
１．はじめに
1.1 講師自己紹介
1.2 アジア特許情報研究会紹介
２．特許調査と検索の基礎
2.1 調査対象と調査範囲の特定・明確化
2.2 マッチングと適合
2.3 特許調査における再現率（網羅性）と適合率（効率）
2.4 先行技術調査と侵害防止調査の検索モデルの違い
2.5 「完全一致」⇔「最良一致」検索モデルの比較
2.4 特許調査システムとその評価方法
３．ＡＩの概要と特許調査への応用
3.1 人工知能（AI:Artificial Intelligence）とは
3.2 AI、機械学習、深層学習について
3.3 AI活用特許調査システムへの過剰な期待
3.4 特許調査への機械学習適応時の留意点
3.5 人とAIの役割分担
3.6 問題の定式化
3.7 AIの使用と情報要求
3.8 シンボルグランディング（記号接地）問題
3.9 ノーフリーランチ（NFL）定理
3.10 フレーム問題
3.11 過学習（汎化性能）
3.12 特徴量選択（醜いアヒルの子の定理）
４．商用AI特許調査ツールの活用事例
4.1 AI特許調査ツールへの要求性能
4.2 Patentfieldの活用事例
4.3 PatentfieldのAIセマンティック検索
4.4 PatentfieldのAI分類予測
4.5 特許調査分野における人工知能（AI）技術の活用動向
５．オープンソースを用いた機械学習の特許調査への応用
5.1 機械学習の概要と特許調査への応用
5.2 特許調査分野における人工知能（AI）技術の活用動向
5.3 機械学習概要（分類、回帰、クラスタリング、次元圧縮）
5.4 特許分野における自然言語処理導入のメリット
5.5 特許調査用学習済モデルの作成とその評価方法
5.6 先行技術調査の流れ（進め方）
5.7 分散表現（単語埋め込み）とは
5.8 分布仮説に基づいた文脈中の単語の重み学習(word2vec)
5.9 doc2vecによる公報（文書）単位の類似度計算
5.10 doc2vecによる発明の要素（文）単位の類似度計算
６．機械学習のクラス分類の応用事例
6.1 ディープラーニングの基礎検討
6.2 文書のベクトル化検討
6.3 one hotベクトル（BoW、TF・IDF等）
6.4 分散表現ベクトル（word2vec、doc2vec、fastText等）
6.5 機械学習による文書分類
6.6 SDI調査への応用
７．教師無し機械学習（クラスタリング、次元圧縮）の応用
7.1 単語・文書のクラスタリングによる動向調査への応用
7.2 文書ベクトルの次元圧縮による特許公報の俯瞰可視化
7.3 文書分類との組み合わせによるパテントマップの自動作成
８．特許実務へのＡＩ利用の現状のまとめと将来展望
□質疑応答□
【付録】 自分でできる特許情報解析ツール紹介
１．キーワード抽出関係
1.1 word2vec,doc2vecによる単語・文書の類似度計算と類似単語・文書抽出
1.2 termextractによる専門用語（キーワード）自動抽出
1.3 Cytoscapeによる文脈語のネットワーク分析
２．pythonで始める機械学習
2.1 python環境構築の概要
2.2 doc2vecによる文書・単語の類似度計算と類似文書・単語抽出の解説
