Revolutionierung der Patentanalyse: Eine neue Ära mit dem LLM-KI-Tagger von Patsnap 

Carl Röst

Leiter Beratung, Patsnap

Sie haben diesen Satz wahrscheinlich schon unzählige Male gehört: Patentinformationen in Geschäftsstrategien umwandeln. Seit Jahrzehnten kursiert dieser eingängige Slogan in der Patentanalyse-Branche, doch dieses Ziel zu erreichen, ist nach wie vor frustrierend schwer. Die traditionell verwendeten Tools und Methoden zur Gewinnung von Geschäftsinformationen aus Patentdaten haben sich durchweg als unzureichend erwiesen, egal ob es sich um Klassifizierungen, Landschaftsanalysen, maschinelles Lernen oder manuelles Tagging handelt. 

Als Leiter der Beratungsabteilung bei Patsnap habe ich viel Zeit damit verbracht, darüber nachzudenken, warum diese Methoden scheitern und was wirklich nötig ist, um Patentkenntnisse umsetzbar zu machen. Lassen Sie mich das näher erläutern. 

Der grundlegende Mangel der Klassifikationen des Patentamts 

Das Problem mit Klassifizierungssystemen von Patentämtern wie IPC oder CPC ist, dass sie ursprünglich für rechtliche und archivarische Zwecke entwickelt wurden und nicht für strategische Geschäftsanalysen. Sie sind oft zu weit gefasst, schwer zu interpretieren und stehen selten in einem klaren Zusammenhang mit tatsächlichen Produkten oder spezifischen Geschäftsinitiativen. Einfach ausgedrückt bieten Klassifizierungen von Patentämtern in der Regel keinen praktischen Wert für die Gewinnung umsetzbarer Geschäftseinblicke. Wenn Ihr Klassifizierungssystem nicht zwischen grundlegend unterschiedlichen Anwendungen derselben Kerntechnologie unterscheiden kann, ist eine strategische Analyse unmöglich. 

Die Illusion der Landschaftsgestaltung 

Landschaftsgestaltungswerkzeuge versprachen, die Patentanalyse zu vereinfachen, selbst solche mit ausgefeilten 3D-Visualisierungen. Diese Werkzeuge basieren jedoch auf veralteten Datenklassifizierungs- und Clustering-Algorithmen, die voreilig als „KI” bezeichnet wurden. Diese älteren Methoden schaffen oft Verbindungen, die Menschen als unlogisch empfinden, sodass die Nutzer trotz der ansprechenden Optik häufig eher verwirrt als informiert sind. 

Selbst angesehene Institutionen wie die WIPO verlassen sich bei ihren Landschaftsberichten auf veraltete, auf maschinellem Lernen basierende Suchstrategien, wodurch die Daten unbeabsichtigt verfälscht und ihr Wert für strategische Geschäftsentscheidungen erheblich gemindert werden. Der GenAI-Patentbericht 2024 der WIPO verdeutlicht diese Herausforderung. Die Suchanfragen weisen häufig eine zu hohe Trefferquote auf und umfassen breite Anwendungsbereiche des maschinellen Lernens wie Bildklassifizierung, Spracherkennung, prädiktive Analysen und Betrugserkennung, anstatt sich streng auf generative KI zu konzentrieren. 

Die Fallstricke der manuellen Tagging 

Auf den ersten Blick scheint manuelles Tagging die ideale Lösung zu sein. Menschen lesen Patente und erstellen maßgeschneiderte Taxonomien, die genau auf ihre geschäftlichen Anforderungen zugeschnitten sind. Dieser Ansatz erfordert jedoch enorme personelle Ressourcen und viel Zeit, und selbst dann bleibt die Konsistenz eine große Herausforderung. 

Nehmen wir etwas so Einfaches wie die Unterscheidung verschiedener Apfelsorten. Das scheint einfach zu sein, oder? Aber was ist, wenn Sie ein Patent haben, das eine Apfelsorte beschreibt, die sowohl zum Backen als auch zum Frischverzehr verwendet wird? Sollte sie in erster Linie unter Kochäpfel oder Tafeläpfel eingeordnet werden? Verschiedene Personen könnten sie aufgrund ihrer persönlichen Erfahrungen oder Vorurteile unterschiedlich klassifizieren. 

Hier ist ein weiteres anschauliches Beispiel: Patente für Smartphone-Technologie. Bezieht sich ein Patent in erster Linie auf die Bildschirmtechnologie, die Batterieeffizienz oder die Kameraqualität, insbesondere wenn es um subtile Verbesserungen geht, die für mehrere Kategorien relevant sind? Diese feinen Unterschiede führen zu erheblichen Herausforderungen und Inkonsistenzen bei der manuellen Kennzeichnung von Patenten. 

Die manuelle Kategorisierung ist zudem schnell veraltet. Stellen Sie sich vor, Sie kategorisieren Fahrzeuge streng nach Privatwagen und Taxis, nur um dann mit neuen Kategorien wie Mitfahrgelegenheiten oder selbstfahrenden Autos konfrontiert zu werden. Die Aktualisierung von Taxonomien, um solchen Veränderungen Rechnung zu tragen, kann unpraktisch und zeitaufwändig sein. 

Veraltetes, auf maschinellem Lernen basierendes „KI-Tagging“: Nicht gut genug 

Um die Einschränkungen der manuellen Tagging-Verfahren zu umgehen, haben viele Unternehmen ältere, auf maschinellem Lernen basierende Tagging-Lösungen wie Cipher eingeführt. Diese Lösungen zielten darauf ab, den manuellen Aufwand zu reduzieren, waren jedoch in hohem Maße auf große Mengen manuell getaggter Trainingsdaten angewiesen, was die Implementierung langwierig und ressourcenintensiv machte. 

Die meisten älteren Machine-Learning-Tools bieten nur begrenzte Intelligenz. Sie liefern entweder zu wenig Erkenntnisse, um Patente effektiv bestimmten Produkten und Geschäftsinitiativen zuzuordnen, oder, schlimmer noch, sie führen den Nutzer in die Irre.  

Um auf unser Apfelbeispiel zurückzukommen: Die herkömmliche, auf maschinellem Lernen basierende Patentklassifizierung kann zwar leicht zwischen Äpfeln und Bananen unterscheiden, hat jedoch erhebliche Schwierigkeiten, zwischen verschiedenen Apfelsorten zu unterscheiden. Solche nuancierten Fälle sind keine seltenen Ausnahmen, sondern machen einen erheblichen Teil der Patentdaten aus. Die Unfähigkeit, diese Nuancen zu verarbeiten, hat erhebliche Auswirkungen auf die Genauigkeit und Qualität der Analyse. 

Darüber hinaus haben Lösungen auf Basis von maschinellem Lernen aufgrund ihrer Starrheit Schwierigkeiten, sich schnell an neue Markttrends oder aufkommende Technologien anzupassen. 

Der revolutionäre Ansatz von Patsnap: LLM-basierter KI-Klassifikator 

Genau aus diesem Grund stellt der neue, auf einem Large Language Model (LLM) basierende KI-Klassifikator von Patsnap einen bahnbrechenden Fortschritt dar. Im Gegensatz zu herkömmlichen Methoden des maschinellen Lernens nutzt das LLM von Patsnap umfangreiches Allgemeinwissen und erfordert keine aufwendige manuelle Kennzeichnung oder umfangreiche Trainingsdaten. Stattdessen versteht es von Natur aus nuancierte Unterschiede, was es zur ersten wirklich KI-basierten Softwarelösung für die Patentklassifizierung macht. 

Um noch einmal auf unser Apfelbeispiel zurückzukommen: Der LLM-KI-Tagger von Patsnap versteht mühelos die feinen Unterschiede zwischen Apfelsorten, d. h. er kategorisiert Patente konsistent und präzise. In ähnlicher Weise identifiziert und kategorisiert er im Smartphone-Beispiel intuitiv nuancierte technische Verbesserungen in verschiedenen Funktionsbereichen. 

Wie sich der LLM-basierte KI-Klassifikator von Patsnap bei der differenzierten Analyse auszeichnet 

Der LLM-KI-Tagger von Patsnap liest und interpretiert Patentansprüche, Zusammenfassungen und Beschreibungen umfassend. Er nutzt außerdem die einzigartigen synthetischen KI-Daten von Patsnap, darunter KI-generierte Titel, Probleme, Methoden und Vorteile, um das Verständnis zu verbessern. Durch die Kombination dieser Eingaben kann der LLM komplexe Szenarien präzise durchdenken. 

Die Lösung ist äußerst intuitiv und anpassungsfähig. Benutzer können auf einfache Weise Kategorien definieren, die Interpretation des LLM steuern und Klassifizierungen schnell anpassen, um sie an sich verändernde Marktbedingungen oder Wettbewerbsanalysen anzupassen. Dieser transparente, benutzerfreundliche Ansatz gewährleistet konsistente Genauigkeit und praktische Anwendbarkeit für reale Geschäftsanforderungen. 

Skalierbare und kosteneffiziente Implementierung 

Skalierbarkeit ist für große Unternehmen, die umfangreiche Patentportfolios analysieren, von entscheidender Bedeutung. Der Einsatz externer APIs oder großer Allzweck-KI-Modelle in dieser Größenordnung kann unerschwinglich teuer sein. 

Patsnap löst dieses Problem durch den Einsatz lokaler, domänenspezifischer Modelle, die speziell für die Patentanalyse optimiert sind. Diese zielgerichteten Modelle verarbeiten effizient umfangreiche Patentmengen und reduzieren gleichzeitig Fehler im Vergleich zu Allzwecklösungen erheblich. 

Die weltweit erste echte Plattform für Einblicke von Patenten in die Geschäftswelt 

Mit dem LLM-KI-Tagger von Patsnap hat das Unternehmen endlich sein langjähriges Versprechen eingelöst, Patentdaten in umsetzbare, strategische Erkenntnisse umzuwandeln. Zum ersten Mal überhaupt können Unternehmen mühelos Patentanalysen nutzen, ohne dass dafür erhebliche personelle Ressourcen, technische Komplexität oder die Inflexibilität und Ungenauigkeiten älterer Lösungen erforderlich sind. 

Dies ist keine schrittweise Verbesserung, sondern ein revolutionärer Fortschritt in der Patentanalyse. Mit Patsnap wird die Patentanalyse nun so schnell, intuitiv und zugänglich, dass jeder komplexe Patentdaten mühelos in aussagekräftige Geschäftsstrategien umwandeln kann. 

Verpassen Sie nicht Ihre Chance, den LLM-Tagger von Patsnap in Aktion zu sehen. Sichern Sie sich Ihren Platz bei unserem kommenden Webinar.