弁理士Tajの発明研究ブログ

『発明にこだわる弁理士』を目指したいと考えています。
※掲載内容についての完全性・正確性は保証しておりません。

カテゴリ:その他 > AI勉強メモ

#AI

先日受験したディープラーニングの検定試験(G検定)の推薦図書①。
AIがどのように利用されているかについての取組例と関連する日本企業名を抽出した。
とりあえず、これらの企業のAI関連特許についてチェックする予定。


表題(取組例) 日本企業
177 表1 自動走行関連用途にディープラーニングを応用する取組例 デンソー、モルフォ、ZMP
179 表2 医療画像認識関連用途にディープラーニングを応用する取組例 エルピクセル、カシオ計算機、キヤノン、プリファードネットワークス
182 表3 音声認識・対話関連用途にディープラーニングを応用する取組例  
183 表4 機械翻訳用途にディープラーニングを応用する取組例 KDDI
184 表5 文章生成関連用途にディープラーニングを応用する取組例 NTTデータ
185 表6 運動の習熟関連用途にディープラーニングを応用する取組例 トヨタ自動車
188 表7 開発設計にAIを利用する取組例 富士通
189 表8 生産工程にAIを利用する取組例 ファナック、ブリヂストン
190 表9 ※取組例ではない (自動走行システムの定義)  
191 表10 自動走行の取組例 トヨタ自動車、日産自動車、本田技研工業
192 表11 ロボットタクシーの取組例 DeNA、SBドライブ、ZMP
193 表12 異常検知にAIを利用する取組例 首都高速道路、千葉市、日本国土開発、東日本高速道路、福田道路+NEC、NTTコムウェア
194 表13 設備運用にAIを利用する取組例  
195 表14 農業自動化にAIを利用する取組例 クボタ、須藤物産、パナソニック
196 表15 栽培管理の効率化にAIを利用する取組例  
197 表16 診断支援にAIを利用する取組例 桶狭間病院藤田こころセンター、自治医科大学、FRONTEOヘルスケア
198 表17 新薬開発にAIを利用する取組例 システムバイオロジー研究機構+SBX Technologies、武田薬品工業 +富士フイルム+塩野義製薬等
200 表18 サイバーセキュリティ対策にAIを利用する取組例 トレンドマイクロ
201 表19 災害対策・予測にAIを利用する取組例 産業技術総合研究所+NEC、情報通信研究機構、国土技術政策総合研究所+産業技術総合研究所
202 表20 映像監視・犯罪リスク予測にAIを利用する取組例 日立製作所、富士通、NEC
203 表21 電力需要予測にAIを利用する取組例 グリッド、安藤ハザマ、清水建設、三菱重工業
204 表22 運用効率化にAIを利用する取組例 東京電力カフュエル&パワー
205 表23 適応学習にAIを利用する取組例 サイトビジット
205 表24 採点にAIを利用する取組例 EduLab
206 表25 株式取引にAIを利用する取組例 野村證券、みずほ証券、三菱UFJ信託銀行
207 表26 資産管理・運用にAIを利用する取組例 お金のデザイン、ソニー銀行、野村アセットマネジメント、みずほ銀行、三菱UFJ国際投信、楽天証券、WealthNavi
209 表27 融資審査にAIを利用する取組例 住信SBIネット銀行+日立製作所、東京センチュリー、みずほ銀行+ソフトバンク
210 表28 セキュリティ・詐欺特定にAIを利用する取組例 三井住友フィナンシャルグループ
211 表29 調達物流にAIを利用する取組例 商船三井、新日鉄住金、ヤマト運輸
212 表30 拠点内物流にAIを利用する取組例 日立物流、Doog、GROUND、ZMP
213 表31 販売物流にAIを利用する取組例 アスクル、楽天、ZMP


その他、気になるのは、157頁の「1.9.4.1 特許動向」の記載。
AIが様々な領域に影響を与え始めている変革期においては、広い範囲で特許権を取得できるケースは少なくない。また、AIの発展は著しく、自社技術として秘匿しても、優位性を維持できる期間は短い。そのため、国内外の主要企業等では、開発した技術に関わる特許出願を進めている状況にある。
優位性を維持できる期間が短いなら、特許出願しなくても良いのではと思ってしまう。前提として、AI特許は侵害を指摘するのが困難なので特許制度に馴染まないという側面がある。ベンチャー企業が資金調達の際の評価を上げるために特許件数を増やすというのはあるようだが本質的ではないだろう。いずれにせよ、弁理士としては権利行使しやすい請求項の表現を検討する必要があるし、その検討はすぐにでもしないといけないと思う。自分も勉強スピードを上げねばと思う。

続きを読む
このエントリーをはてなブックマークに追加

#AI

久々のブログ更新。

急遽予定が空いたので、ディープラーニングに関する検定試験(G検定)を6月8日に申し込みをし、6月16日に受験した。受験料12960円+推薦図書①3564円+推薦図書②1512円+推薦図書③3024円。トータルで21060円。少し高く感じてしまった。

○推薦図書
・推薦図書① 「AI白書2017」3564円
・推薦図書③ 「深層学習」(岡谷貴之著) 3024円


○勉強した内容
 6月8日  申し込み。この日は友人と飲みに行き無勉強。
 6月9日  推薦図書②を購入。1日で読破。
 6月10日 推薦図書③を読む。あまり理解できず。推薦図書②の復習。
 6月11日 推薦図書③を読む。あまり理解できず。
 6月12日 推薦図書③を読む。あまり理解できず。
 6月13日 推薦図書①を読む。推薦図書③の復習。急に推薦図書③の内容が理解できるようになってきた。
 6月14日 推薦図書①を読む。80頁ぐらい読んで、残りは読まずに眺めて強引に終了。推薦図書③の復習。
 6月15日 推薦図書②③の復習。
 6月16日 推薦図書②を復習してから13ー15時で受験。
 6月20日 合格通知(試験自体は簡単ではないが合格率が高い)

○コメント
 この検定は「一般社団法人日本ディープラーニング協会」により行われている。当初、この協会の理事長が推薦図書②の著者で、理事が推薦図書③の著者ということで、頭の良い人達を儲けさせるために金と時間を使って勉強するのかよと思ってしまった。ただ、推薦図書はいずれも一読の価値があり、結果として受験したことは有意義だった。
 なお、AI勉強メモ2でみたPKSHA Technologyという会社の人達は、この協会の理事長の教え子なのかと思われる。

○備忘録
AI発明について考えるときには、どのレベルの話をしているのかを意識しないと混乱する。推薦図書②に記載されている以下の分類は頭の整理に役立つと思う。

--------
○人工知能と呼ばれるもの(P50)

<レベル1> 単純な制御プログラムを「人工知能」と称している
 →「制御工学」や「システム工学」という名前で既に長い歴史のある分野
  ・マーケティング的に「人工知能」「AI」と名乗っているもの

<レベル2> 古典的な人工知能
 →入力と出力を関係付ける方法が洗練されており、入力と出力の組み合わせの数が極端に多い
  ・推論、探索

<レベル3> 機械学習を取り入れた人工知能
 →機械学習というのは、サンプルとなるデータをもとに、ルールや知識を自ら学習するもの
  ・検索エンジンに内蔵
  ・ビッグデータをもとに自動的に判断

<レベル4> ディープラーニングを取り入れた人工知能
 →機械学習をする際のデータを表すために使われる変数(特徴量と呼ばれる)自体を学習するもの

--------

○追記
・上述の松尾先生のスライドがあった。
 「人工知能は人間を超えるか


続きを読む
このエントリーをはてなブックマークに追加

#AI

早くも1月が終わる。
今年の抱負(2018年元旦)を述べたのが昨日のことのようだが、この間、世の中は激しく動いている。AI関連発明を意識していると、Preferred Networksという会社が目に付く。検索してみたら、日経でこの会社の記事が連載がされていた。天才集団といった感じで、創業期のソニーを彷彿させるような印象を受ける。特許情報については別途確認するとして、とりあえずリンクをメモ。


★日経記事
巨人が群がるAI集団 プリファード・ネットワークス(2018/1/12)

〇リンク(2017年のもので気になったもの)
 岡野原氏は「現実世界において、全てに正解のある教師データがそろっていることはまれだ。少量の教師ありデータと大量の教師なしデータから学習モデルを導き出す半教師あり学習を実現できれば、さらなる進歩が得られる」と述べる。
 この他のトレンドとしては、「個別のタスク学習からメタ学習へ」「複雑なタスクの実現に向け記憶、注意機構が重要に」「実利用へ向けた手法開発」などがあるという。
 膨大なIoTデータをデバイスに近い場所で処理する“エッジコンピューティング”に注力している点も同社の特徴。「IoTデータは量が多いのでクラウドに集約するとネットワークがボトルネックになる。だからデバイスに近いところ、データが生まれたところで処理する」(西川氏)。

 実を言うと私はAIという言葉はあまり好きではないのですが、AIとは何かと聞かれたら「ディープラーニングとほぼ同義」と答えています。もっとも、一般的にはディープラーニング以外の技術、例えばルールベースエンジンなども含めてAIと称している場合が多いようですが、そうした風潮も特に否定はしません。ただ、現時点ではディープラーニングの成長なくしてAIが進化していくことはありえないといえます。
 機械学習を応用したAIの開発工程は、大ざっぱに言えば「アルゴリズムを設計すること」と「データを入力して学習させること」に分かれる。深層学習でいえば、ニューラルネットワークの基本構成を決めるのが「設計」。そこにデータを大量に入力し、正しい出力が得られるようパラメータを調整するのが「学習」に当たる。
 日本では、学習済みモデルの保護について、内閣府や経済産業省などで議論が進んでいる。学習用データの扱いについては、日本の著作権法は第47条の7で、コンピュータなどを用いて情報解析を行う場合は必要な範囲で著作物を複製・翻案できる、としている。「この条項からすれば、AIにデータを読み込ませる工程自体に著作権侵害がないのは明らか。AI開発の自由度を高めるもので、世界に誇っていい条項だ」(丸山氏)。

〇リンク(社長)
こうしたアプリケーションを実現していくうえでは、ネットワーク自体の進化も重要になってきます。IoT時代は、データ量やデータの種類の増大により、クラウドにデータを集めることが困難になるとともに、人手による処理の限界が課題としてあげられます。



〇リンク(社員他)
米辻:だから、色の推測よりも、むしろ画像生成なんです。答えを当てるのではなく、答えをでっち上げるに近い。そのため、正解に属するグループと偽物に属するグループを見分けられるようにネットワークをトレーニングさせ、違和感を感じないモノに仕上げる感じです。人間もいったん色を塗ってみて、違和感を感じたら、また塗り直して仕上げるので、似たような作業をやっていると思うんです。
米辻:あとGPUのオートスケーリングですかね。AWSやAzureでGPUのオートスケールを使うと、コスト的にちょっと厳しい。とはいえ、今のさくらさんだと1枚ずつセットアップしなければならないので、いい知見にはなりましたが、しんどいのも事実です。



(追記)
こんな記事もあった。1年前の毎日新聞。


続きを読む
このエントリーをはてなブックマークに追加

#AI

最近やたらとメルカリ(HP)という会社の名前を聞く。少しチェックしたが、ものすごいパワフルな会社という印象を受けた。まだ設立から5年程度しか経っていない(wiki)。AIにもすごく力をいれているようで、この先どんな発明が生まれるのかが興味深い。なお、現時点では、特許出願が一件だけしか公開されていない(AI関連発明というわけでもない)。


〇ニュース
メルカリが協業型の研究開発組織、慶大村井教授などと共同研究(2017/12/22)
 ・シャープとは「8Kを活用した多拠点コミュニケーション」
 ・慶応大学の村井教授とは「ブロックチェーンを用いたトラストフレームワーク」
 ・筑波大学の落合準教授とは「類似画像検索のためのDeep Hashing Network」
 ・東京大学の川原圭博准教授とは「無線給電によるコンセントレス・オフィス」
 ・京都造形芸術大学のクロステック研究室とは「Internet of Thingsエコシステム」
 ・東北大学の大関真之純教授とは「量子アニーリング技術のアート分野への応用」 


〇創業者
メルカリの変節、山田進太郎CEOの反省(2017/12/8)
そこで山田CEOは、主体的に取り組みたいことの一つとして、「AI(人工知能)」の活用に大きな期待を寄せている。
「例えば、急に同じコミックの最新刊を5冊出品するのは怪しいなど、盗品や偽物を出す人の行動には特徴があると思っているんですね。チケットなどを連続出品する業者も同様です。AIがそれらの行動を学習し、特徴を浮き彫りにし、出品を検知した時点でさらに高度な本人確認を要求するなどすれば、かなりの不正を未然に防げると思っています」
AIによる機械学習というのは、データがないと何もできない。メルカリには膨大な出品があるという点で、すごくいいポジションにいると思っていますし、そこに魅力を感じて、優秀な機械学習のエンジニアが次々と入ってきてくれている。だから、偽物判定や盗品判定という分野では、相当いい性能が出せるはずですし、もしかしたら世界最高峰のものができるかもしれません」
僕らとしては、すべてを自分たちでやろうとするのではなく、良いサービスがあるなら積極的に提携をしていく。独占したいというよりも、シェアリングエコノミーというもの自体を広げていきたいという思いが強いです。すべてを自前で独占してやるとは考えていません。


〇幹部

機械学習などを使った不正取引の防止機能は「米国市場で特に重要になる」(名村CTO)。米国はクレジットカードの偽造が横行しており、「偽造カードが日本よりもカジュアル(気軽)に使われる」(同)からだ。
経済産業省によれば2016年の国内フリマアプリ市場は3052億円。メルカリの流通総額は1カ月当たり100億円超なので年間では1000数百億円と、国内フリマアプリ市場の3分の1超に相当する。
a host of secondhand marketplace apps (including OfferUp, Letgo, Poshmark, and Depop, to name just a few) 
Lagerling, who was vice president of business development, mobile, and product partnerships at Facebook and previously held several leadership roles at Google, tells TechCrunch that Mercari sees the U.S. as a top priority, instead of secondary to its domestic market.




〇その他
Submission to Mercari Price Suggestion Challenge
 ⇒ Kaggleについては別途チェックしようと思う。 


とりあえず、現時点でのメルカリの特許情報をチェック。



【発明の名称】個人間取引支援システム、個人間取引支援方法及び個人間取引支援プログラム
【出願日】平成28年1月29日(2016.1.29)
【出願人】株式会社メルカリ

【請求項1】
 端末機と、投稿カテゴリー内の種々のサービスを提供する管理サーバとを備え、
 前記管理サーバは、
 前記端末機の前記管理サーバに対する設定情報を登録するための設定登録手段と、
 前記端末機から位置情報を指定する位置情報指定手段と、
 前記位置情報指定手段によって指定された前記位置情報から設定された範囲である第1の地域情報による前記端末機を閲覧可能とし、前記第1の地域情報以外の範囲の地域情報による前記端末機を閲覧不可とする振り分けを実行する振り分け手段と、
を有することを特徴とする個人間取引支援システム。

【請求項10】
 端末機と、投稿カテゴリー内の種々のサービスを提供する管理サーバとを組み合わせたシステムを用いて個人間取引を支援するためのプログラムであって、
 前記管理サーバのコンピュータに、
 前記端末機からの設定情報を登録するための設定登録機能と、
 前記端末機からの位置情報を指定する位置情報指定機能と、
 前記指定された前記位置情報から設定された範囲である第1の地域情報による前記端末機を閲覧可能とし、前記第1の地域情報以外の範囲の地域情報による前記端末機を閲覧不可とする振り分けを実行する振り分け機能と、
を実行させることを特徴とする個人間取引支援プログラム。

【0007】
  そこで、本発明は、地域情報に基づく出品者と落札者の手渡し等による取引を行うことを実現する。

続きを読む
このエントリーをはてなブックマークに追加

引き続きAI関係。
パテントでこんな記事があった。見落としていた。

●月刊「パテント」2017年2月

また,上記の工夫に関して,一部はプログラムのコード中に現れるものの,一部は設定ファイルに箇条書きになっていたり,特にデータの前処理に関する部分については,ソースコード中には現れなかったりするものもある。


(この記事に出てくる資料のリンク)
 『AIによって生み出される創作物の取扱い(討議用)』(平成28年1月)
  ⇒公立はこだて未来大学(松原仁教授)、欧州「データベース指令(96/9/EC)」15年



さて、著者はForbesでも取り上げられているようだ。
Naofumi Yamada (Forbes)

そして、PKSHA Technologyという会社のCo-founderのようだ。
起業家なのか、技術者なのか、弁理士なのかよくわからないが大したものだ。


ただ、創業者が弁理士であるにもかかわらず、この会社はあまり特許出願をしていないようだ。弁理士であるが故に技術公開より秘匿化した方がメリットがあると考えているのだろうか。

おそらく上記著者が発明者の特許出願で、東京電力ホールディングス株式会社が出願人のものがあった(特開2017-120519)。実質的に発明の創作に寄与したのかと思うが、共同出願でないのに、発明者に名を連ねているのは興味深い。また、仮にこの特許出願が権利化できたとして、どのように使えるのかも気になる。あまり有効活用できないような気がしてならない。なお、この特許出願の「特徴量」の関するデータは図4に示されているものかと思う。この辺から有益な示唆が得られそうな気がするのだが。
【0026】
  図4に示す通り、需要家CS1は、家族人数が3人である(属性ATTa:3人)。また、需要家CS1は、住宅形態が戸建である(属性ATTb:戸建)。また、需要家CS1が居住する住宅には、太陽光パネルが設置されている(属性ATTc:あり)。また、需要家CS1は、契約形態が従量電灯Bの10Aである(属性ATTd:従量電灯B  10A)。また、需要家CS1は、例日が26例日である(属性ATTe:26例日)。また、需要家CS1は、関東に居住している(属性ATTf:関東)。
 ⇒家族人数/住宅形態/太陽光パネルが設置されているか否か/契約形態/例日/関東に居住しているか否か




【発明の名称】平均電力使用量提供装置、平均電力使用量提供方法および平均電力使用量提供プログラム
【出願日】平成27年12月28日(2015.12.28)
【氏名又は名称】東京電力ホールディングス株式会社

【請求項1】
  電力の供給を受ける需要家の属性を示す属性情報を取得する取得手段と、
  前記取得手段が取得した前記属性情報と、前記属性に応じて予め定められた特徴量とに基づいて、前記需要家の前記属性情報の特徴量である需要家特徴量を算出する特徴量算出手段と、
  前記特徴量算出手段が算出した前記需要家特徴量に基づいて、予め定められたクラスタに前記需要家を分類する属性分類手段と、
  前記需要家が過去に使用した電力の使用量を取得する電力使用量取得手段と、
  前記属性分類手段が前記需要家を分類したクラスタと、前記電力使用量取得手段が取得した前記需要家が過去に使用した電力の使用量とに基づいて、前記クラスタに分類される前記需要家が過去に使用した電力の使用量の前記クラスタ毎の平均を前記クラスタ毎に算出する平均電力使用量算出手段と、
  前記平均電力使用量算出手段が前記クラスタ毎に算出した前記需要家が過去に使用した電力の使用量の平均を示す情報を、前記需要家に提供する平均電力使用量提供手段と
  を備えることを特徴とする平均電力使用量提供装置。
続きを読む
このエントリーをはてなブックマークに追加

↑このページのトップヘ