如何利用AI對專利數據進行分類和標引？

對專利數據進行分類和標引是專利工作的重要組成部分。在進行專利信息分析的過程中，不管是專利導航、專利地圖、專利全景分析等，對專利數據進行分類和標引是基礎工作，常常占專利分析工作的一半以上的時間。比如我們要了解下自動駕駛這個領域的專利，那就需要對自動駕駛這個領域的專利數據進行分類標引，給每個專利打上標簽。例如分成感測、導航、高精度地圖、決策，規劃，其中高精度地圖有可能分成點云地圖、靜態高精度地圖、動態高精度地圖，每個技術點有時候需要分成好幾個層次。

在很多專利分析項目中，分析人員需要專利打上多個技術層級以及效果標簽等，在專利分析中，對一項專利打上三四個層級標簽和效果標簽是很常見的。

但是對專利分類標引或打標簽真是費時費力的事情，一個專利分析項目，需要標引的專利動輒成千上萬，打標簽相當于分析人員要去閱讀每一份專利，對于打多個標簽的情況下，不僅去讀專利的摘要，有時候還要看專利的說明書和權利要求才能確定，對于大型的專利分析項目，有時標引時間就要花幾個月。

如果標引分類工作變得簡單準確，專利的應用范圍會擴大很多。企業可以對自己感興趣的領域的專利進行實時標引，讓技術人員和IP人員隨時查看，促進企業的創新和專利布局。

當AI一出現的時候，知識產權界就希望通過AI解決專利標引的問題。最初的技術路線是通過向量標引，比如需要標引1000項專利，先人工標引100項，剩下的900項與已經標引過的100項進行向量匹配，根據向量匹配的程度進行標引。這種標引方式理論上是用戶標引的越多，剩余的部分越少，標引就越準確。但這種標引方式的缺陷是非常明顯的，本質上這種標引相當于做了多次語義搜索，標引的準確度完全依賴embedding的優劣，最大的缺陷是標引的精度取決于數據本身的技術領域分布情況，假設標引的1000項專利中分布有藥品、汽車、小家電，用這種方式標引效果較好，因為數據相互之間的差距大，很容易區分。

Maxipat基礎版的標引就是采用這種方式，比如筆者標引一份量子糾錯的專利，一共422項專利，用戶標引20項-40項，剩余300多項專利都用AI標引。但是這種標引的缺點也是很明顯的：

首先、標引的準確率取決于數據本身的技術領域分布程度，如果分布得很廣，比如1000項數據中有藥品、汽車、小家電，就會標引得準確。如果1000項專利中數據全部是量子糾錯，要在量子糾錯中再細分，對于這樣的標引任務，這種標引方式缺陷就出來了。

其次，在標引之前，人工先要標引一定量的數據，一般要標引20%左右，這對于很多大型的標引項目，這樣的標引數據量也是很費時費力的。

第三、一旦發現標引錯誤，糾正非常麻煩，糾正了一部分錯誤，很可能導致另一部分錯誤，而且糾錯只能繼續標引具體數據，無法通過指令操作。

Maxipat的AI深度標引系統完全改變過去的標引模式。采用新的標引系統后，標引完全在用戶可控的基礎上實現。

我們以一個很小的案例來看Maxipat深度標引系統的強大。假設我們要標引下一個自動駕駛的數據包，這個數據包括506項專利。用戶需要將這些數據標引為感測、高精度地圖、導航、決策、規劃，其中感測分為攝像頭感測、激光雷達感測。這時候用戶需要做的很簡單，只需要把這個指令輸入到Maxipat的標引系統中，如下所示：

Maxipat的標引系統會自動將標引輸入分成若干層級：

用戶根據自己的理解，對相應層級進行適當的解釋，也可以不解釋，系統就會進行第一次標引。

在系統進行第一次標引之后，用戶可以進行確認，確認之后刷新一次，相當于帶著人工監督的數據進行標引。

假如在系統標引之后，用戶發現還有需要糾正的，直接啟動自然語言糾正程序，讓Maxipat修改。比如有的數據既涉及到規劃也涉及到決策，用戶通過指令要求系統將所有標引為規劃的這部分數據修改為決策。系統得到指令后會自動對已經標引的數據進行糾正。

Maxipat的標引系統克服傳統AI標引的幾大缺陷，能夠在用戶可控的基礎上實現大規模的專利數據標引，而且根據用戶的指令隨時調整。

當用戶需要對大規模專利數據進行分類標引，按照技術領域進行預警時，只要啟動Maxipat的AI標引系統，可以輕松可控地實現，最大限度節約用戶的時間和成本。

Maxipat致力于作為成為科技創新和知識產權工作的AI加速，主要包括輔助創新：提高研發的科技創新效率，通過problem-solution算法深層關聯到的真實技術方案，能夠跨領域進行技術方案的深層挖掘和關聯；智能搜索與分析：將專利搜索和報告制作借助AI實現智能化，包括智能查新、無效、FTO、Landscaping報告，采用GT搜索算法（graph transformer）（），系統真正做到理解概念后再搜索。目前開放注冊中。

感興趣的朋友可以通過以下三種方式填寫申請信息：

1. 請發郵件到郵箱：info@maxipat.com

2. 點擊文末閱讀全文；

3. 掃描以下二維碼

感興趣的朋友可以加筆者微信patentlight