第1章 DXの導入により知財業務はどう変わるか?

第1節 人工知能時代の知財業務と今後の人材に求められること

• 1.知財業務の効率化を図るための人工知能およびその他技術
• 2.知財業務と生成AI
• 3.生成AIを用いた知財ツール・ソリューション
• 4.イーパテントにおける生成AIの活用
• 5.イーパテントにおいて無料公開しているカスタムGPT (GPTs)
• 6.生成AIと人のすみ分け
• 7.本格的な生成AI時代を迎えるにあたって重要なこと

第2節 知財DXによる効率化とデジタルツールの選定

• 1.知財業務へのDX導入の背景と意義
  • 1.1 知財業務になぜDXが必要なのか
  • 1.2 DX導入による解決の可能性
• 2.知財DXによる効率化の概観
  • 2.1 知財DXの基盤技術
  • 2.2 知財DXの適用領域
• 3.各業務におけるデジタルツールの活用
  • 3.1 特許調査・分析のDX化ポイント
  • 3.2 特許評価のDX化ポイント
  • 3.3 特許明細書の作成のDX化ポイント
  • 3.4 翻訳のDX化ポイント
• 4.デジタルツール導入の課題と解決策
  • 4.1 ぶつかりがちな課題
  • 4.2 課題を乗り越えるための対策例
• 5.知財DXの未来展望
  • 5.1 技術の進化とその影響
  • 5.2 組織全体でのDX推進
• 6.知財DXの推進・普及に向けて

第3節 生成AIを活用した近未来の知財戦略

• 1.生成AIの基盤技術と知財戦略への影響
  • 1.1 生成AIの基盤技術
    • 1.1.1 生成AIを支える基盤技術
    • 1.1.2 生成AIの特性
    • 1.1.3 生成AIの知財戦略への応用
    • 1.1.4 生成AIの課題
    • 1.1.5 小括
  • 1.2 生成AIが知財戦略に与える影響
    • 1.2.1 発明の質と速度の向上
    • 1.2.2 コスト削減
    • 1.2.3 新たな競争優位性
    • 1.2.4 小括
• 2.生成AIがもたらす知財制度への挑戦
  • 2.1 特許制度の課題
    • 2.1.1 発明者の定義
    • 2.1.2 新規性・進歩性の判断
    • 2.1.3 特許の濫用防止
    • 2.1.4 小括
  • 2.2 著作権制度の課題
    • 2.2.1 著作権帰属問題
    • 2.2.2 二次利用の制限緩和
    • 2.2.3 知財のグローバル化への対応
    • 2.2.4 小括
• 3.生成AIを活用した知財戦略の実践
  • 3.1 特許戦略の実践
    • 3.1.1 特許調査の効率化
    • 3.1.2 クレーム作成の最適化
    • 3.1.3 特許ポートフォリオ管理
    • 3.1.4 小括
  • 3.2 生成AIを用いた事業戦略・経営戦略に基づく知財戦略ポートフォリオの作成と知財マネジメントの変革
    • 3.2.1 はじめに
    • 3.2.2 生成AIを活用した知財戦略ポートフォリオの作成
    • 3.2.3 生成AIを活用した知財ポートフォリオ管理業務の変革
    • 3.2.4 生成AIによる知財業務の効率化の実例
    • 3.2.5 課題と展望
    • 3.2.6 小括
  • 3.3 生成AIを活用した経営戦略に基づく知財戦略の効率化:安全保障・輸出管理・倫理の視点
    • 3.3.1 はじめに
    • 3.3.2 安全保障と知財戦略
    • 3.3.3 輸出管理と知財戦略
    • 3.3.4 倫理対応と知財戦略
    • 3.3.5 生成AIがもたらす知財戦略の未来
  • 3.4 小括
  • 3.5 生成AIを用いた特許に依拠しない知財戦略
    • 3.5.1 特許に依拠しない知財戦略の背景
• 4.生成AI時代における未来予測と課題
  • 4.1 知財戦略の未来予測
    • 4.1.1 自動化された知財管理
    • 4.1.2 グローバルな法制度調和
    • 4.1.3 新たなビジネスモデル
  • 4.2 倫理的・社会的課題
    • 4.2.1 データバイアスの影響
    • 4.2.2 プライバシー問題
    • 4.2.3 社会的受容性
    • 4.2.4 小括
• 5.各国の生成AI関連の審査動向
  • 5.1 はじめに
  • 5.2 各国のAI発明に関する特許審査基準
    • 5.2.1 日本
    • 5.2.2 米国
    • 5.2.3 欧州

第4節 AI技術の進化で変わる知的財産戦略

• 1.AI技術の進化が知的財産戦略に与える影響
• 2.AI時代をIPランドスケープで俯瞰する
• 3.AI技術に関する特許の出願動向
• 4.日本政府のAI技術の対応動向
• 5.AI技術の進化への経営者目線での対応イメージ

第5節 AI、生成AI時代の知財戦略と今後の課題

• 1.AI、生成AIを用いた研究開発
• 2.AI、生成AI技術を活用した特許出願についての現状の問題点の有無
• 3.AI、生成AI技術を活用した特許出願についての未来
• 3.知財活動の進め方
  • 3.1 事業における知的財産活動の位置づけ
  • 3.2 産業財産権の調査の徹底
  • 3.3 産業財産権及び、ノウハウ秘匿の限界
    • 3.3.1 産業財産権の限界
    • 3.3.2 ノウハウ秘匿とその限界
  • 3.4 産業財産権の権利化とノウハウ秘匿の組み合わせ
    • 3.4.1 侵害検証できること
    • 3.4.2 特許網の構築
    • 3.4.3 ノウハウ秘匿
    • 3.4.4 権利の維持/放棄、ノウハウの管理
    • 3.4.5 産業財産権の継続的整理と、他社問題特許の対応
  • 3.5 経営、事業部との知的財産状況の共有

第2章 知財DXの導入、推進と人材育成のポイント

第1節 知財DXの導入ステップとポイント

• 1.知財DXとは何か
  • 1.1 DX導入の背景と意義
  • 1.2 「人間の腕」とITを融合させる
• 2.知財管理システム導入の目的を明確化する
  • 2.1 目的の明確化の重要性
  • 2.2 仕事内容を可視化し、自動化可能な領域を見極める
• 3.システム選定のポイント
  • 3.1 目利きとAPI連携の重要性
  • 3.2 クラウド/SaaS型とオンプレミス型の特徴
  • 3.3 生成AIを活用した自社開発の可能性
• 4.組織に合わせたシステムカスタマイズと生成AI活用
  • 4.1 中核機能と拡張機能の整理
  • 4.2 生成AIを活用したDX促進の具体例
• 5.経営層のリーダーシップとプロジェクト体制
  • 5.1 組織規模に応じた導入期間と注意点
  • 5.2 データ移行と初期設定のポイント
• 6.定着化に向けた運用上の注意点
  • 6.1 繁忙期を避けたスケジューリングと十分なテスト
  • 6.2 旧システムとの切り替え管理
  • 6.3 サポート体制と属人化の回避

第2節 RAGの社内導入における3つの壁とその突破方法

• 1.RAG導入の社内支持の壁とその乗り越え方
  • 1.1 RAG導入の社内支持の壁
  • 1.2 RAG導入の社内支持の壁の乗り越え方
• 2.RAG導入の実現性確信の壁とその乗り越え方
  • 2.1 RAG導入の実現性確信の壁
  • 2.2 RAG導入の実現性確信の壁の乗り越え方
• 3.RAG導入の実用化の壁とその乗り越え方
  • 3.1 RAG導入の実用化の壁
  • 3.2 RAG導入の実用化の壁の乗り越え方
    • 3.2.1 RAG実用化のための業務設計
    • 3.2.2 RAG実用化のためのセキュリティ設計
    • 3.2.3 RAG実用化のための改善サイクル設計

第3節 生成AIとRAGによる社内の知財検索

• 1.RAG技術の仕組みと特徴
  • 1.1 RAG技術の動作フロー
  • 1.2 RAG技術の基本的な仕組み
  • 1.3 RAG技術の主な特徴
  • 1.4 RAG技術の限界と課題
• 2.RAGの活用シーンと効果
  • 2.1 RAGの活用シーン
    • 2.1.1 社内用語の問い合わせ対応
    • 2.1.2 複数の情報源からの情報整理・要約
    • 2.1.3 問い合わせ先や対応方法の案内
    • 2.1.4 専門知識を持つ人材の特定 (Know-Who機能)
    • 2.1.5 曖昧な質問への対応
  • 2.2 RAGの効果
    • 2.2.1 RAGの導入における業務効率化
    • 2.2.2 社内ナレッジの活用促進
    • 2.2.3 イノベーションの促進
    • 2.2.4 意思決定の質の向上
  • 2.3 RAGの留意点
    • 2.3.1 ハルシネーション (幻覚) への対応
    • 2.3.2 情報の更新と管理
    • 2.3.3 ユーザーの利用スキル向上
    • 2.3.4 組織文化への影響の考慮
• 3.RAGの精度向上に必要なこと
  • 3.1 ライトな学びによる知財拡充
    • 3.1.1 フェーズ振り返り (サンセット)
    • 3.1.2 日々の学びの言語化
    • 3.1.3 オープンな場での質問対応
  • 3.2 改善サイクルを回す
    • 3.2.1 RAGの利用状況のモニタリングと改善
    • 3.2.2 ユーザーフィードバックの収集と活用
    • 3.2.3 定期的な知識ベースの見直しと更新
    • 3.2.4 RAGの活用事例の共有
• 4.まとめと課題
  • 4.1 社内情報検索にもたらすRAGの改革
  • 4.2 RAGの課題
  • 4.3 RAGの将来展望

第4節 RPAやLLMに関する自動化技術

• 1.歴史と技術
• 2.RPA
  • 2.1 RPAの基礎技術
  • 2.2 活用される場面、懸念点
    • 2.3.1 サービス事例1 UiPath (ユーアイパス)
    • 2.3.2 サービス事例2 Blue Prism (ブループリズム)
    • 2.3.3 サービス事例3 Automation Anywhere (オートメーション・エニウェア)
    • 2.3.4 サービス事例4 WinActor (ウィンアクター)
    • 2.3.5 サービス事例5 生理学的データ統合システム
• 3.LLM
  • 3.1 LLMの基礎技術
  • 3.2 LMMの基礎技術
  • 3.3 活用される場面、懸念点
    • 3.4.1 サービス事例1 GPT-4 (OpenAI)
    • 3.4.2 サービス事例2 Gemini (Google DeepMind)
    • 3.4.3 サービス事例3 Claude (Anthropic)
    • 3.4.4 サービス事例4 LLaMA (Meta)
    • 3.4.5 サービス事例4 LLM勉強会 (NII)

第5節 クラウドストレージを活用した知財DXの導入、推進のポイント

• 1.クラウドストレージを活用したDXの全体スケジュール
  • 1.1 企画・提案
  • 1.2 操作方法の確認
  • 1.3 クラウド構築・ルール策定
    • 1.3.1 デジタルワーキングスペースのアウトラインの検討
    • 1.3.2 デジタルワーキングスペースの下層フォルダの作成
    • 1.3.3 ルール策定
    • 1.4.1 社内マニュアルの作成
    • 1.4.2 社外マニュアルの作成
    • 1.4.3 説明会の開催
  • 1.5 トライアル
  • 1.6 クラウド移行
  • 1.7 フォローアップ
• 2.クラウドのフォルダ構成について
  • 2.1 機能ごとに上層フォルダを作成する
  • 2.2 下層フォルダを作成する
    • 2.2.1 社外フォルダ
    • 2.2.2 社内フォルダ
    • 2.2.3 作業グループのフォルダ
    • 2.2.4 マニュアル
    • 2.2.5 保管フォルダ
  • 2.3 クラウドのメンテナンス
• 3.ファイル名について
• 4.Boxについて
  • 4.1 Boxを用いたデータの共有方法
    • 4.1.1 共有機能 (フォルダでもファイルでも利用できる)
    • 4.1.2 @mention (メンション) 機能 (ファイルのみ利用できる)
    • 4.1.3 タグ機能 (フォルダでもファイルでも利用できる)
  • 4.2 Boxを用いたワークフロー

第6節 レゾナックにおける知財DXの導入と実践

• 1.特許読解の課題
• 2.特許読解/特許分析効率化のためのDX/AI導入例
  • 2.1 全体像
  • 2.2 重要特許検出システム ai-SRT (エーアイソート)
  • 2.3 特許読解支援システム ai-PAT (エーアイパット)
  • 2.4 IP Analysis -知財情報解析
  • 2.5 Chat IP (チャットアイピー)

第7節 富士通における知財インテリジェンス活動

• 1.富士通のビジネス概要
  • 1.1 「Fujitsu Uvance」
  • 1.2 重点技術領域「5 Key Technologies」
• 2.富士通の知財産戦略
• 3.富士通における知財インテリジェンス活動の歴史
  • 3.1 知財インテリジェンス活動の導入
  • 3.2 研究所をターゲットとした技術開発支援の開始
  • 3.3 統合による新サービスブランド「IP InsightR (登録商標) 」の立上げ
  • 3.4 ビジネスインパクトの変化
  • 3.5 知財インテリジェンス活動の位置づけ・貢献
• 4.当社の知財インテリジェンスサービス「IP Insight」
  • 4.1 IP Insightサービスの定義
  • 4.2 IP Insightのサービスメニュー
  • 4.3 「IP Insight」を支える情報ソース
  • 4.4 「IP Insight」のサービス提供の流れ
  • 4.4 「IP Insight」の組織・体制
  • 4.5 人材育成
    • 4.5.1 多様なバックグラウンド
    • 4.5.2 スキルアップ
  • 4.6 知財インテリジェンス活動の民主化
  • 4.7 ビジネス加速に向けた新たな取り組み
    • 4.7.1 グローバルビジネス支援
  • 4.8 今後の課題
• 5.社内広報
  • 5.1 社内サイトを活用した広報
  • 5.2 調査チームをハブとした拡散
  • 5.3 社内イベントでの紹介
  • 5.4 社内図書館との連携
• 6.パフォーマンス指標
  • 6.1 ハイプ・サイクル
  • 6.2 インテリジェンスサービスのパフォーマンス指標

第8節 改訂CGCで求められる知財業務のガバナンス強化と知財DXの活用

• 1.知財に関するCGC改訂と知財業務のガバナンス強化
  • 1.1 改訂CGC
  • 1.2 CGCの改訂を受けた知財業務の変化
  • 1.3 求められる知財ガバナンスの強化
  • 1.4 従前の知財業務との関係
• 2.知財DXの動き
  • 2.1 知財DXとは
  • 2.2 知財各業務と知財DXの状況
    • 2.2.1 特許調査
    • 2.2.2 特許明細書作成
    • 2.2.3 特許翻訳
    • 2.2.4 意匠,商標での活用
    • 2.2.6 IPランドスケープ
    • 2.2.7 知財管理
  • 2.3 今後の知財DX
• 3.改訂CGCで求められる知財業務のガバナンス強化と知財DXの活用
  • 3.1 IPランドスケープ
  • 3.2 知財戦略

第9節 東レエンジニアリングにおける知財DXの導入と運用

• 1.東レエンジニアリングについて
• 2.RPA導入のいきさつ
• 3.実施内容
• 4.効果
• 5.今後の展望

第10節 特許庁における人工知能 (AI) 活用の取組について

• 1.特許行政事務の高度化・効率化実証的検証の開始のための調査事業
  • 1.1 調査範囲
  • 1.2 調査の流れ
  • 1.3 検討すべき業務の選定 (フェーズ1)
    • 1.3.1 業務方式要件抽出
    • 1.3.2 課題定義
  • 1.4 業務課題を解決・軽減するソリューション案の検討 (フェーズ2)
    • 1.4.1 AI技術の適用可能性
    • 1.4.2 関連データの収集状況
  • 1.5 AI技術の適用可能性の概念実証 (フェーズ3)
• 2.人工知能 (AI) 技術の活用に向けたアクション・プラン
  • 2.1 アクション・プランの策定・公表
  • 2.2 アクション・プランの変遷
    • 2.2.1 アクション・プラン (2018年度改訂版)
    • 2.2.2 アクション・プラン (2020年度改訂版)
    • 2.2.3 アクション・プラン (2021年度改定版)
    • 2.2.4 アクション・プラン (令和4~8年度版)
    • 2.2.5 アクション・プラン (2024年度改訂版)
• 3.特許審査実務におけるAI技術の適用状況
  • 3.1 特許審査における従前のAI技術の活用状況
  • 3.2 転移学習可能なモデルの活用
    • 3.2.1 機械分類付与タスク
    • 3.2.2 類似文章ランキングタスク
  • 3.3 今後の活用について
• 4.商標審査におけるAI活用の取組について
  • 4.1 イメージサーチツール
  • 4.2 文字商標検索
  • 4.3 不明確な商品・役務
  • 4.4 まとめ
• 5.アジャイル型開発の導入と定着に向けた取組

第3章 AI、生成AI活用のため社内ルールの設定と留意点

第1節 生成AIの法務・ガバナンスのあり方

_{生成AIに関する政府の方針と事業者の求められる対応}

• 1.日本における生成AIの法務・ガバナンスの全般的な動向
• 2.日本はソフトロー路線を維持できるか
• 3.既存法令の観点からみた生成AI特有のリスク
  • 3.1 生成AIにまつわる法的リスク
  • 3.2 著作権法
  • 3.3 個人情報保護法
• 4.ガイドラインの策定状況
  • 4.1 AI事業者ガイドラインの概要
  • 4.2 AI倫理
  • 4.3 その他の参照すべき政府の公表したAI関連ドキュメント
  • 4.4 民間団体・地方公共団体によるガイドライン
• 5.AI規制法案の立法に向けた動き

第2節 生成AI利用ガイドライン作成のための手引き

• 1.社内業務への生成AI導入と対応ポイント
  • 2.2種類の社内AIガイドライン
• 3.生成AIをそのまま業務で利用するユーザー向けガイドライン (利用ガイドライン)
  • 3.1 利用ガイドラインの基本的な内容
  • 3.2 社内生成AIガイドライン (利用ガイドライン) と既存の社内規程の関係
  • 3.3 社内生成AIガイドライン (利用ガイドライン) の具体例
• 4.社内向けシステムとして追加学習・ファインチューニングを行ったり RAGを構築するユーザー向けのガイドライン (開発ガイドライン)
  • 4.1 追加学習・ファインチューニングを行ったり RAGを構築するユーザー向けのガイドライン (開発ガイドライン) の基本的な内容
  • 4.2 利用対象データの分類
  • 4.3 社内生成AIガイドライン (開発ガイドライン) の具体例
    第3部 生成AI活用のリスクと富士通のAIガバナンスの取り組み
• 1.富士通のAIガバナンス構築の歩み
  • 1.1 富士通のAIに関するビジネス戦略
  • 1.2 AIのリスクに関する外部動向
  • 1.3 富士通のAI倫理に対するアプローチ
    • 1.3.1 富士通グループAIコミットメント策定
    • 1.3.2 富士通グループAI倫理外部委員会の設置
    • 1.3.3 AIガバナンスに関する組織体制の構築
    • 1.3.4 AI倫理の全社浸透のための施策の実践
• 2.富士通のAIガバナンスの特長
  • 2.1 階層に応じたガバナンス
    • 2.1.1 国際・国家レベルのガバナンス
    • 2.1.2 企業・組織レベルのガバナンス
    • 2.1.3 ITシステムレベルのガバナンス
  • 2.2 グローバル視点のアジャイルガバナンス
  • 2.3 リスクレベルに応じたガバナンス
• 3.進化する技術とAIガバナンスのチャレンジ
  • 3.1 新しい技術に対するアプローチ
  • 3.2 生成AIへ
    • 3.2.1 リスクの特定と低減策の周知
    • 3.2.2 生成AIが倫理判断に与える脅威
  • 3.3 進化するAIへの対応
• 4.AI倫理の浸透に関する課題
  • 4.1 ビジネススピードを損なわないためのAI倫理審査の見直し
  • 4.2 AI倫理に関するリテラシーのさらなる向上
  • 4.3 関係部門との連携強化

第4節 コニカミノルタにおけるAIガバナンス体制と生成AI活用の取り組み

• 1.コニカミノルタについて
• 2.コニカミノルタのAI利活用に関する基本方針
  • 2.1 AIガバナンス体制
  • 2.2 リスクアセスメント
  • 2.3 社内教育・周知活動
• 4.生成AI活用に関するコニカミノルタの取り組み

第4章 AIによる知財調査、分析の仕方

第1節 AIを用いた特許調査と活用法

• 1.特許調査DB・ツールの変遷
• 2.特許調査におけるAI
  • 2.1 特許調査におけるAIの応用領域
  • 2.2 特許調査の種類とAI
    • 2.2.1 技術動向調査/IPL
    • 2.2.2 特許出願前調査
    • 2.2.3 侵害予防調査/クリアランス調査
    • 2.2.4 無効資料調査
  • 2.3 AIを搭載した特許調査DB・ツール
• 3.特許調査におけるAIの利用
  • 3.1 AIの特性
  • 3.2 先行技術調査の事例
  • 3.3 技術動向調査の事例

第2節 AIを用いた特許調査の種類、場面と活用事例

• 1.AIを用いた特許調査の意義
  • 1.1 知財DXにおける特許調査の役割
  • 1.2 AIの技術的進化と特許調査ーLLM以前とLLM以後の次元の違いー
  • 1.3 特許調査プロセスにおけるAIの位置づけ
• 2.AIを用いた特許調査の4つの主要カテゴリ
  • 2.1 技術動向調査
  • 2.2 先行技術調査
  • 2.3 侵害防止調査
  • 2.4 無効資料調査
  • 2.5 技術融合調査
  • 2.6 未公開特許探索
  • 2.7 特許ポートフォリオ最適化調査
  • 2.8 知財戦略シミュレーション調査
• 3.AIとLLMが拓く知財調査の未来

第3節 生成AIによって変わる知財戦略・特許調査

• 1.生成AIが特許戦略に与える影響
• 2.生成AIが特許関連業務に与える影響
• 3.生成AIとは何か
• 4.ドメイン特化で生成AIを利用するための仕組み:RAG (Retrieval Augmented Generation)
• 5.カスタムGPTによる生成AIサービスの実現
• 6.生成AI・カスタムGPTの特許調査への活用

第4節 知財AIの活用による効率的な特許調査手法

• 1.効率的調査フローの説明
  • 1.1 知財AIがサーチ/ノイズに分離する仕組み
  • 1.2 モデル法における調査フローとAI判定パターンについての説明
  • 1.3 定率法における調査フローとAI判定パターンについての説明
• 2.検証用の調査サンプル集合
  • 2.1 検証用の調査サンプルについて
• 3.サーチ抽出特性とROC曲線の関係
  • 3.1 ロジスティック関数によるROC曲線のモデル化
  • 3.2 ROC曲線とサーチ抽出特性について
  • 3.3 教師率と許容偽陽性率のパラメータ最適化
  • 3.4 教師率と許容偽陽性率のAI判定結果の関係
• 4.モデル法と定率法の時間短縮率比較
  • 4.1 モデル法と定率法の時間短縮効果比較
  • 4.2 モデル法と定率法の調査効率比較
• 5.種々の技術分野での調査結果
  • 5.1 種々の技術分野での通常調査
  • 5.2 種々の技術分野でのSDI (JP)
  • 5.3 種々の技術分野でのSDI (USEP)

第5節 特許情報と生成AIを活用した情報調査分析の実践ノウハウ

• 1.価値創造型情報調査分析の基本概念
  • 1.1 価値創造型情報調査分析の構成要素とプロセス
    • 1.1.1 3ステージプロセス
    • 1.1.2 特許情報と生成AIの補完的活用
    • 1.1.3 自社技術の強みを顧客価値につなげるiMap
  • 1.2 価値創造型情報調査分析を実践するための主要課題
    • 1.2.1 スキル向上に関する課題
    • 1.2.2. システムと環境整備に関する課題
• 2.特許情報の価値
  • 2.1 特許情報の価値フレームワーク
    • 2.1.1 技術の価値化と市場の価値化
    • 2.1.2 戦略的価値と戦術的価値
  • 2.2 市場・顧客視点での実践的活用
    • 2.2.1 市場理解の深化
    • 2.2.2 顧客の特定
    • 2.2.3 顧客の理解
    • 2.2.4 発明者情報の活用
    • 2.2.5 競合分析における顧客視点
  • 2.3 特許情報の限界と補完的活用
• 3.生成AIの活用ノウハウ
  • 3.1 生成AIの活用プロセス
  • 3.2 タスク別の生成AI
• 4.用途探索のプロセス
  • 4.1 用途探索選定の背景~用途調査との違い
  • 4.2 用途探索プロセス概要
  • 4.3 用途探索プロセス詳細
    • 4.3.1 準備 (課題設定) ステージ
    • 4.3.2 調査分析ステージ
    • 4.3.3 価値創出ステージ
• 5.用途探索事例
  • 5.1 事例の紹介
  • 5.2 用途探索プロセスの実践事例
    • 5.2.1 準備 (課題設定) ステージ
    • 5.2.2 調査分析ステージ
    • 5.2.3 価値創出ステージ

第6節 生成AIを用いた特許・論文解析による技術動向分析と意思決定への活用

• 1.広義なAI
• 2.技術動向分析と意思決定の位置付け
• 3.研究段階から開発段階への進展を捉える
• 4.視野を広げて自社周辺の技術領域を俯瞰し、新しい商品コンセプトを得る
  • 4.1 紅茶ブランドのあらたな特徴づけ
  • 4.2 テアニンを活用した商品アイディアの俯瞰的創出

第7節 次世代イノベーション戦略IPランドスケープ分析における

生成AIとデータサイエンスの融合:競争優位の未来イントロダクション

• 1.従来のIPランドスケープ分析の課題と生成AIによる解決策
  • 1.1 従来のIPランドスケープ分析の課題
  • 1.2 生成AIによる分析プロセスの効率化と橋渡し
  • 1.3 データセットの枯渇問題とその対策
  • 1.4 IPランドスケープ分析への応用
• 2.生成AIを活用した先進的なIPランドスケープ分
  • 2.1 高度なLLMと検索エージェントによる分析の進化
  • 2.2 カスタム生成AIとAI支援ツールによる分析の最適化
  • 2.3 本稿の目的と構成
  • 2.4 はじめに:マーケティング戦略とIPランドスケープ分析の進化
  • 2.5 マーケティングにおける知財活用のトレンド
  • 2.6 従来のマーケティング手法の限界とIPランドスケープ分析の革新性
  • 2.7 生成AIとデータサイエンスを活用したリアルタイムモニタリング
  • 2.8 データサイエンスの視点を取り入れたIPランドスケープ分析の可能性
• 3.IPランドスケープ分析とデータサイエンスの統合によるマーケティング戦略への活用
  • 3.1 緒言
    • 3.1.1 データサイエンスを活用して顧客データと特許情報を組み合わせたマーケティング戦略
    • 3.1.2 データセットと前処理
  • 3.2 特許データと顧客データの統合分析
    • 3.2.1 分析手法
    • 3.2.2 生成AIを用いた分析
• 4.未来に向けたロードマップと展望

第8節 AIアシスタント「サマリア」による特許文献の解析支援

• 1.生成AIとは
  • 1.1 生成AIと深層学習 (ディープラーニング) の違い
  • 1.2 生成AI活用の上での問題点
• 2.生成AI利活用のポイント
  • 2.1 なぜ生成AIは「使えない」といわれてしまうのか?
  • 2.2 生成AIの業務利活用におけるポイント
  • 2.3 まとめ
• 3.AIサービスを活用した知財情報解析の展望
  • 3.1 生成AIが可能にしたこと
  • 3.2 知財情報解析における課題
  • 3.3 まとめ
• 4.特許読解アシスタントサマリア
  • 4.1 サマリアとは
  • 4.2 サマリアが提供する利点
  • 4.3 サマリアを利用した知財情報解析

第9節 生成AIを使った特許クリアランス調査

• 1.特許クリアランス調査の基礎
  • 1.1 特許クリアランスの概念
  • 1.2 特許クリアランスが必要となる場面
  • 1.3 従来の特許クリアランス調査の課題
  • 1.4 クレームの意義と重要性
• 2.生成AIの概要と可能性
  • 2.1 生成AIとは
  • 2.2 生成AIが有効な領域
  • 2.3 分類作成支援・技術動向調査支援
    • 2.3.1 特許文献の抽出
    • 2.3.2 侵害可能性評価
• 3.生成AIを用いた特許クリアランス調査の手法
  • 3.1 データの収集と整形
    • 3.1.1 特許データの収集元
    • 3.1.2 テキスト整形
  • 3.2 検索クエリ生成と検索
    • 3.2.1 検索クエリの作成
    • 3.2.2 検索結果のフィードバックループ
  • 3.3 特許リストのフィルタリングと分類
    • 3.3.1 AIによるスコアリング
    • 3.3.2 カテゴリ分類
  • 3.4 クレームチャートの自動生成・サマライズ
    • 3.4.1 クレームチャート自動生成の仕組み
    • 3.4.2 要点サマライズ
• 4.実運用におけるワークフロー例
  • 4.1 ワークフローの全体像
  • 4.2 第1段階:特許文献の抽出
  • 4.3 第2段階:侵害可能性評価
  • 4.4 まとめ:2段階比較による全体像
• 5.AIモデル選択と運用上のポイント
  • 5.1 AIモデル選択と学習
    • 5.1.1 既存の大規模言語モデル (LLM) の活用
    • 5.1.2 特化モデルのファインチューニング
    • 5.1.3 オンプレミス環境での学習
  • 5.2 実施上のポイントと注意点
    • 5.2.1 入力データの品質
    • 5.2.2 プロンプトエンジニアリング
    • 5.2.3 専門家レビュー
    • 5.2.4 セキュリティ・機密情報の取扱い
  • 5.3 チーム構成・役割分担
• 6.生成AI活用におけるリスクと課題
  • 6.1 正確性・信頼性の問題
  • 6.2 プロンプト依存性とバイアス
  • 6.3 法的責任と知財リスク
  • 6.4 データプライバシーとセキュリティ
• 7.実際の利用例
  • 7.1 特許検索式作成
  • 7.2 特許検索
  • 7.3 特許検索

第10節 テキストマイニングを使用した特許データ分析

• 1.テキストマイニングによる特許データ分析の目的:質的データ分析というアプローチ
  • 1.1 テキストマイニングを用いた特許データ分析の概要
  • 1.2 量的データ分析と質的データ分析
  • 1.3 量的データ分析 (定量分析) の詳細
  • 1.4 質的データ分析 (定性分析) の詳細
  • 1.5 量的データ分析と質的データ分析の相互関係
• 2.KH Coder:テキストマイニングのための強力なツール
  • 2.1 主な特徴と機能
  • 2.2 KH Coderの基本的な操作手順
  • 2.3 学習リソース
• 3.テキスト分析:特許データの客観的解析と洞察の発見
  • 3.1 テキスト分析の概要
  • 3.2 分析用データの構造
  • 3.3 抽出語リスト
  • 3.4 共起ネットワーク
• 4.コンセプト分析:生成AIを活用した新しいアプローチ
  • 4.1 コンセプト分析とは
  • 4.2 コーディングルールについて
  • 4.3 ChatGPTによる課題分類作成
  • 4.4 ChatGPTによる解決手段分類作成
  • 4.5 コーディングルール完成
  • 4.6 対応分析
    • 4.6.1 課題コードの対応分析
    • 4.6.2 解決手段コードの対応分析
    • 4.6.3 対応分析のまとめ
  • 4.7 課題・解決手段マトリクス
    • 4.7.1 方法論
    • 4.7.2 ChatGPT (Advanced Data Anaiysis) により作成した課題・解決手段マトリクス
    • 4.7.3 課題・解決手段マトリクスの分析
    • 4.7.4 各社の製品戦略分析

第11節 トピックモデルとベイジアンネットワークを応用した特許文書分析

• 1.特許の文書情報を用いた従来のパテントマップ分析とその課題
  • 1.1 テキストマイニングという分析手法
  • 1.2 テキストマイニングを適用したパテントマップの可視化
  • 1.3 テキストマイニングを適用した従来の分析の課題
• 2.トピックモデル
  • 2.1 トピックモデルの適用効果
  • 2.2 トピックモデルの各手法
    • 2.2.1 LSA
    • 2.2.2 NMF
    • 2.2.3 PLSA
    • 2.2.4 LDA
  • 2.3 テキストマイニングに適用するトピックモデルの考察
  • 2.4 PLSAの適用によるトピック抽出
• 3.ベイジアンネットワーク
  • 3.1 ベイジアンネットワークの概要
  • 3.2 ベイジアテキストマイニングにベイジアンネットワークを適用するメリット
  • 3.3 テキストマイニング×ベイジアンネットワークの課題
• 4.テキストマイニング×PLSA×ベイジアンネットワークの分析手法:Nomolytics
  • 4.1 Nomolyticsという分析手法
  • 4.2 Nomolyticsにおける各手法の連携の工夫
    • 4.2.1 PLSAの共起行列の構成の工夫
    • 4.2.2 トピックの確率変数化の工夫
• 5.Nomolyticsを特許文書データに適用した分析事例 (その1)
  • 5.1 分析で用いるデータ
  • 5.2 分析の全体像
  • 5.3 PLSAの適用による用途と技術のトピック抽出
  • 5.4 トピックのスコアリング
  • 5.5 トピックのトレンド分析
  • 5.6 トピックを用いた競合他社の分析
  • 5.7 ベイジアンネットワークの適用による用途と技術の関係分析
    • 5.7.1 用途⇒技術の関係分析
    • 5.7.2 技術⇒用途の関係分析
  • 5.8 Nomolyticsを適用した特許文書データ分析のまとめ
• 6.Nomolyticsを特許文書データに適用した分析事例 (その2)
  • 6.1 分析で用いるデータ
  • 6.2 分析の全体像
  • 6.3 テキストマイニング×PLSAによる要約トピックの抽出
  • 6.4 トピックのスコアリング
  • 6.5 トピックのトレンド分析
  • 6.6 トピックを用いた競合他社の分析
• 7.インサイト獲得のためのPLSAの展開技術
• 8.課題のターゲットに特化したトピックの抽出手法:PCSA
  • 8.1 課題となるターゲットの要因の探索
  • 8.2 PCSAという手法
  • 8.3 PCSAを適用した分析事例
    • 8.3.1 ターゲットの設定と共起行列の作成
    • 8.3.2 トピックの抽出と解釈
    • 8.3.3 トピックのスコアリング
    • 8.3.4 PLSAとPCSAの結果の比較
    • 8.3.5 トレンドが上昇傾向にあるトピックの確認
    • 8.3.6 PCSAのまとめ
• 9.個性的なトピックの抽出手法:differential PLSA
  • 9.1 典型的でない個性的なトピックの抽出
  • 9.2 differential PLSAという手法
  • 9.3 differential PLSAを適用した分析事例
    • 9.3.1 共起行列の作成
    • 9.3.2 トピックの抽出と解釈
    • 9.3.3 トピックのスコアリング
    • 9.3.4 PLSAとdifferential PLSAの結果の比較
    • 9.3.5 differential PLSAのまとめ
• 10.Nomolytics、PCSA、differential PLSAの比較
  • 10.1 各手法の違い
  • 10.2 各手法で共通する分析のコンセプト

第12節 商標調査におけるAI活用の問題点および可能性

• 1.商標調査の現状
• 2.商標調査の課題
  • 2.1 文字類否調査の課題
    • 2.1.1 類似指標の不存在
    • 2.1.2 文字結合商標処理の未対応
  • 2.2 図形類否調査の課題
  • 2.3 商標業務フローにおける課題
    • 2.3.1 商標業務分業に伴う非効率さ
    • 2.3.2 二段階調査実現の困難性
• 3.商標調査におけるAI活用への期待
• 4.商標調査におけるAI活用の技術的課題
  • 4.1 称呼類否調査のAI化における技術的課題
    • 4.1.1 文字類否判断データの桁違いの不足
    • 4.1.2 文字類否判断データの信頼性欠如
  • 4.2 図形類否調査のAI化における技術的課題
• 5.商標調査におけるAI活用の法的課題
• 6.商標調査におけるAI活用の可能性と現状
  • 6.1 海外における商標調査AIサービスの現状
  • 6.2 我が国における商標調査AIサービスの現状
    • 6.2.1 出願業務付随ツールとしての商標調査AIサービス
    • 6.2.2 純粋な調査ツールとしての商標調査AIサービス

第13節 THE調査力AIのAI機能による特許調査と効果的な活用法

• 1.THE調査力AI
  • 1.1 R&D知財調査の効率化
    • 1.1.1 調査査読順の見える化
    • 1.1.2 文章中の使用単語・要約・キーワードの抽出
    • 1.1.3 国内・海外特許の区別なく日本語で査読
  • 1.2 効果的な知財調査
    • 1.2.1 動的なR&Dランドスケープ
    • 1.2.2 4つの目
  • 1.3 情報の共有化
    • 1.3.1 グループウェア
    • 1.3.2 基盤ローカルデータベース
    • 1.3.3 情報セキュリティ
  • 1.4 使いやすいシステム
    • 1.4.1 やり方を押し付けない、使い方自由
    • 1.4.2 業務進捗の見える化
• 2.人工知能AIの特性について
  • 2.1 過去の様々な取組み
    • 2.1.2 各ベンダーにおける人工知能技術の商品化
    • 2.1.3 AI活用における注意点
    • 2.1.4 第4世代AI
    • 2.1.5 生成系AI
• 3.THE調査力AIのAI機能について
  • 3.1 教師de判定
  • 3.2 シン・ハイライトソート機能
  • 3.3 AIクロス集計
  • 3.4 評価品質自動検証機能
    • 3.4.1 評価のズレの検証
    • 3.4.2 教師データの質の向上
    • 3.4.3 「評価品質自動検証」操作
  • 3.5 ChatGPTによる日本語要旨、キーワード抽出機能
  • 3.6 ワードクラウド、ワードチャート機能

第14節 特許調査、分析への生成AI活用とノイズ除去

• 1.特許調査・分析の現状と課題
• 2.生成AI技術の概要と進化
  • 2.1 生成AIとは
  • 2.2 基本的な概念と技術の歴史的背景
  • 2.3 自然言語処理 (NLP) や機械学習の応用事例
  • 2.4 最近の進化と事例
  • 2.5 GPTやBERTなどの大規模言語モデルの登場とその特徴
  • 2.6 生成AIがもたらす情報抽出・生成能力の進化
• 3.特許調査・分析への生成AIの活用法
  • 3.1 特許調査における生成AIの利用形態
  • 3.2 特許の自動要約と分類
  • 3.3 関連性の高い情報抽出
  • 3.4 ダッシュボードの構築
• 4.ノイズ除去のアプローチとその効果
  • 4.1 査読 (必要) 文献とノイズ (不要) 文献の定義と識別法
  • 4.2 ノイズの少ない検索のポイント
    • 4.2.1 「完全一致」検索モデル
    • 4.2.2 「最良一致」検索モデル
  • 4.3 生成AIによるノイズ除去手法
  • 4.4 評価方法と効果測定
• 5.ケーススタディ:生成AI活用事例
  • 5.1 BERT による文書ベクトルの可視化
  • 5.2 テキストのEmbeddingsを使用した特許文書の分類

第15節 深層距離学習の特許図面検索への適用

• 1.関連研究
  • 1.1 機械学習の特許文献への適用
  • 1.2 従来の特許検索及び課題
• 2.手法
  • 2.1 提案する特許図面検索
  • 2.2 深層距離学習
    • 2.2.1 Triplet ネットワーク
    • 2.2.2 infoNCE
    • 2.2.3 ArcFace
  • 2.3 Patent Image Dataset
  • 2.4 距離学習手法の検討
• 3.実験
  • 3.1 実験設定
  • 3.2 評価指標
  • 3.3 最先端手法との比較
  • 3.4 手法検討実験
    • 3.4.1 学習手法の比較
    • 3.4.2 画像特徴抽出バックボーンネットワークの比較
    • 3.4.3 画像サイズの比較
  • 3.5 定性的評価
    • 3.5.1 推論・検索アーキテクチャ
    • 3.5.2 検索結果の定性的評価

第5章 AIによる特許文書の生成、特許文書の評価

第1節 生成AIを利用した特許書類作成の戦略的な活用方法

• 1.生成AIの導入について
• 2.AIによる発明創出と評価
  • 2.1 クレームチャートと技術アドバイス
  • 2.2 AIを用いた発明会議
  • 2.3 生成AIの不得手
• 3.AIによる特許書類作成
  • 3.1 AIによる対話型明細書作成
  • 3.2 AIによる記述型明細書作成
• 4.AIによる明細書作成の質
• 5.AIによる図面解読
  • 5.1 赤ちゃんロボットに関する特許図面
  • 5.2 化学式に関する特許図面
  • 5.3 手書きに関する特許図面
  • 5.4 特許教育と活動の取り組み
• 6.IPランドスケープと生成AIによる特許作成
• 7.AIが特許書類を作成するのは違法か?
  • 7.1 弁理士法第75条
  • 7.2 グレーゾーン解消制度の結果

第2節 生成AIを活用した明細書作成・中間処理の効率化

• 1.明細書作成の効率化
  • 1.1 図面から説明文を生成
    • 1.1.1 Mermaid記法
    • 1.1.2 図面からMermaid記法を介した説明文の生成
    • 1.1.3 フローチャートから説明文を生成
    • 1.1.4 シーケンス図から説明文を生成
    • 1.1.5 モード遷移図から説明文を生成
  • 1.2 説明文から図面を生成
    • 1.2.1 フローチャートの説明文からフローチャートを生成
    • 1.2.2 シーケンス図の説明文からシーケンス図を生成
    • 1.2.3 モード遷移図の説明文からモード遷移図を生成
  • 1.3 図面に付与された符号と実施形態に記載された符号の整合性のチェック
    • 1.3.1 具体的な手順とプロンプト
  • 1.4 請求の範囲と実施形態との対応チェック
• 2.中間処理の効率化
  • 2.1 中間処理とは
  • 2.2 クレームチャートの作成
  • 2.3 クレームアップ
  • 2.4 手続補正書の補正部分のチェック
  • 2.5 拒絶理由通知書と意見書の対応チェック

第3節 外国出願における機械翻訳と生成AIの活用

• 1.機械翻訳の概要
  • 1.1 機械翻訳の技術的変遷
  • 1.2 機械翻訳の特徴と課題
  • 1.3 機械翻訳とポストエディット
  • 1.4 ポストエディットの課題
  • 1.5 MTPEを導入するまでの流れ
  • 1.6 まとめ
• 2.生成AI (Generative AI) の利用
  • 2.1 生成AIの概要
  • 2.2 生成AIの注意事項
  • 2.3 生成AIとNMTどちらを利用すべきか?
  • 2.4 生成AIの活用
    • 2.4.1 abstractの要約と翻訳
    • 2.4.2 生成AIを用いた品質のチェック
    • 2.4.3 生成AIを用いたMTPEの効率化 (品質チェックの見える化)
  • 2.5 まとめ

第4節 AIによる特許文書評価と特許分類

• 1.AIによる特許文書評価
  • 1.1 特許文書評価のための特許文章品質特性
  • 1.2 パテントメトリクスを用いた特許文書品質の定量的評価
    • 1.2.1 パテントメトリクス
    • 1.2.2 機械学習を用いた特許文書品質の定量的評価 (PVA-SVM)
    • 1.2.3 演算式を用いた特許文書品質の定量的評価 (PVA-cf)
• 2.AIによる特許分類
  • 2.1 特許分類を自動化する機械学習と課題
  • 2.2 PatentNoiseFilterRを用いた特許自動分類
    • 2.2.1 最適学習モデル構築技術
    • 2.2.2 PatentNoiseFilter (PNF) の概要
    • 2.2.3 PNFの処理結果
  • 2.3 PNFのSDI調査への応用 (AI-SDI機能)
    • 2.3.1 最適学習モデルを用いたSDI調査
    • 2.3.2 学習モデル自動更新機能

第5節 AIを活用した拒絶理由通知書の分析による特許出願戦略と明細書作成スキル向上策の提供

• 1.拒絶理由通知書の分析
  • 1.1 拒絶理由通知書とは
  • 1.2 拒絶理由の種類
  • 1.3 従来の人手による分析と限界
  • 1.4 新たに開発したAIによる分析
    • 1.4.1 分析手法
  • 1.5 分析結果の一例
    • 1.5.1 主要拒絶項目の件数分析
    • 1.5.2 記載不備 (第36条) の「色」による類型整理
• 2.AIによる拒絶理由分析技術を用いた知財戦略構築事例
  • 2.1 競合との比較と自社知財戦略の見直し
  • 2.2 自社特許担当者の育成
  • 2.3 特許経費の削減
  • 2.4 アカデミアにおける学術調査での活用
    • 2.4.1 技術分野別の拒絶理由傾向の分析
    • 2.4.2 大学間の拒絶理由傾向の分析

第6章 電子契約の導入と実務上のポイント

第1節 知財関連契約の電子契約と実務上のポイント

• 1.電子契約に関する法律上の基本的な考え方
  • 1.1 紙の契約書の重要性やコスト等
    • 1.1.1 契約成立の要件と証拠化の重要性
    • 1.1.2 「押印」の法律上の意味
    • 1.1.3 紙の契約書を作成するコスト
  • 1.2 電子契約の意味や種類
    • 1.2.1 そもそも電子契約とは何か
    • 1.2.2 電子契約の具体的な種類
    • 1.2.3 電子署名の種類に応じた法的効果
  • 1.3 電子契約サービスの種類
• 2.知財関連契約における電子契約の活用
  • 2.1 はじめに
  • 2.2 知財関連契約の種類及び電子契約を活用する場合の留意点
    • 2.2.1 知財関連契約の種類
    • 2.2.2 知財関連契約に電子契約を活用する場合の留意点
    • 2.2.3 クロスボーダー案件における留意点

第2節 AI契約レビューサービスの知的財産業務への活用

• 1.はじめに – 知的財産戦略と契約
  • 1.1 知的財産戦略
  • 1.2 知的財産戦略と契約
• 2.リーガルテック
  • 2.1 知財部門でのリーガルテックの活用の可能性
  • 2.2 リーガルテックとは
  • 2.3 リーガルテックのサービスの種類
• 3.AI契約レビューサービス
  • 3.1 AI契約レビューサービスとは
  • 3.2 AI契約レビューサービスの機能
  • 3.3 契約リスク特定の手法
  • 3.4 チェックリスト
  • 3.5 その他の契約レビューを支援する機能
  • 3.6 契約レビューサービスにおけるLLMの活用
• 4.知財関連契約業務におけるAI契約レビューサービスの活用
  • 4.1 知財関連契約業務の特徴
    • 4.1.1 知財担当者のスキルセットの偏り
    • 4.1.2 知財関連契約の重要性、複雑さ、交渉の困難性
    • 4.1.3 契約関連部門間の連携の困難性
  • 4.2知財業務におけるAI契約レビューサービス活用の意義
    • 4.2.1 知財担当者のスキルのサポート、教育、知財部門内におけるナレッジの蓄積
    • 4.2.2 契約レビュー業務の効率化
    • 4.2.3 社内連携の効率化
    • 4.2.4 AI契約レビューサービスの活用の効果
• 5.AI契約レビューサービスの導入・運用における留意点
  • 5.1 AIの限界の認識
  • 5.2 必要な機能の把握
  • 5.3 セキュリティとプライバシー保護
  • 5.4 データの開示範囲
  • 5.5 他部門との連携
• 6.今後の展望

第3節 Contract Lifecycle Managementがもたらす可能性

~リスク管理、業務効率化だけにとどまらない変革の実現へ

• 1.CLMとは?従来型の契約業務との違い
  • 1.1 従来の契約業務の課題
  • 1.2 CLMが提供する主たる機能
  • 1.3 従来型の契約業務との比較に見るCLMの意義
• 2.CLMがもたらす意義?日本特有の契約リスクマネジメント
  • 2.1 CLMによるリスクマネジメント
  • 2.2 法的リスクに限られないリスクマネジメントの可能性
• 3.CLMがもたらす意義?業務効率化と工数削減
  • 3.1 契約プロセス全体の効率化
  • 3.2 データ活用と業務の可視化
  • 3.3 共通認識の形成と透明性の向上
• 4.CLMがもたらす意義?単なるリスク管理・業務効率化に止まらない変革
  • 4.1 法務部門の役割の発展へ
  • 4.2 契約リテラシーの向上・意識改革
• 5.さらなる活用可能性?アジャイルガバナンスへの対応とCLMの活用
• 6.CLM導入から活用までのステップ
  • 6.1 現状分析と導入目的の明確化
  • 6.2 ソリューション選定とベンダーの比較
  • 6.3 経営層と関係部門への提案
  • 6.4 運用後の活用と改善
  • 6.5 小括
• 7.CLMの未来と可能性

第4節 リーガルテック投資成功へのカギとは~予算確保のためのROI算出の考え方とその方法

• 1.なぜ予算確保が難しいのか
• 2.リーガルテック導入におけるROI算出の考え方
• 3.「費用」対効果の価値:短期的成果が生む確かな利益
  • 3.1 業務効率化
  • 3.2 売上向上・費用削減
  • 3.3 小括~費用対効果の明確さゆえの落とし穴
• 4.「投資」対効果の価値?中長期的な戦略的意義
  • 4.1 データに基づく業務改善環境の構築
  • 4.2 コンプライアンス遵守の可能性向上やリスク管理の強化
  • 4.3 従業員エンゲージメントの向上と人材確保への寄与
  • 4.4 その他
  • 4.5 小括~投資対効果の視点が導入成功のカギ
• 5. 最後に~リーガルテック導入を契機とした法務部門の再考

第7章 AIによる発明創出活動

第1節 AIを活用した発明創出活動について

• 1.発明創出活動の現状と課題
  • 1.1 日本企業における発明創出活動の変遷
  • 1.2 世代交代による知識・経験の継承問題
  • 1.3 グローバル競争下における革新的発明の重要性
  • 1.4 従来型発明創出プロセスの限界
• 2.AIによる発明創出支援の基礎
  • 2.1 AI技術の発展と特許分野への応用可能性
  • 2.2 生成AIの仕組みと特徴
    • 2.2.1 生成AIの学習データと知識表現
    • 2.2.2 知識の一般化と転用
  • 2.3 AIによる発明創出支援の利点と限界
    • 2.3.1 AIによる発明創出支援の利点
    • 2.3.2 AIによる発明創出支援の限界
• 3.AIを活用した発明創出プロセスの設計
  • 3.1 従来型プロセスとAI活用プロセスとの比較
  • 3.2 AI活用による「量の追求」の実現方法
  • 3.3 AI活用による「外部視点の導入」の実現方法
  • 3.4 人間とAIの役割分担の最適化
• 4.AI支援ツールの実践的活用法
  • 4.1 発明の着想段階でのAI活用
  • 4.2 先行技術調査におけるAI活用
  • 4.3 特許請求の範囲の検討におけるAI活用
• 5.AI活用時の法的・倫理的考慮事項
  • 5.1 AI生成発明の特許性
  • 5.2 AI活用に関する契約上の留意点
  • 5.3 営業秘密管理とデータ保護
• 6.組織的な取り組みと人材育成
  • 6.1 AI活用体制の構築
  • 6.2 従来型発明創出ノウハウの継承
  • 6.3 AI活用スキルの育成
  • 6.4 評価・報奨制度の見直し
• 7.事例研究とベストプラクティス
  • 7.1 業界別のAI活用の特徴
  • 7.2 成功要因の分析
  • 7.3 失敗事例から学ぶ教訓
  • 7.4 将来展望

第2節 生成AIの技術発想への利用

• 1.技術発想と生成AIの相性
• 2.アイデアを求める
  • 2.1 情報収集
  • 2.2 アイデアの創出
  • 2.3 アイデアを次第に掘り下げる手順
• 3.テーマ探索への利用
• 4.トラブル対策への利用
• 5.発想法と組み合わせたアイデア創出
  • 5.1 ブレインストーミングの補助
  • 5.2 新しいアイデアを求める指示
  • 5.3 連想法と生成AIの利用
• 6.マーケターの資料作成支援
• 7.実際の利用にあたって