Révolutionner l'analyse des brevets : une nouvelle ère avec le LLM AI Tagger de Patsnap 

Carl Röst

Responsable du conseil, Patsnap

Vous avez probablement entendu cette phrase à maintes reprises : transformer les informations issues des brevets en stratégie commerciale. Depuis des décennies, ce slogan accrocheur circule dans le secteur de l'analyse des brevets, mais cet objectif reste malheureusement difficile à atteindre. Les outils et méthodes traditionnellement utilisés pour extraire des informations commerciales à partir des données sur les brevets se sont toujours révélés insuffisants, qu'il s'agisse de classifications, de cartographie, d'apprentissage automatique ou de balisage manuel. 

En tant que responsable du conseil chez Patsnap, j'ai longuement réfléchi aux raisons pour lesquelles ces méthodes échouent et à ce qu'il faut vraiment faire pour que les informations issues des brevets soient exploitables. Je vais vous expliquer mon point de vue. 

La faille fondamentale des classifications des offices des brevets 

Voici ce qu'il en est des systèmes de classification des offices des brevets tels que l'IPC ou le CPC : ils ont été initialement conçus à des fins juridiques et d'archivage, et non pour l'analyse stratégique des entreprises. Ils sont souvent trop généraux, difficiles à interpréter et rarement en corrélation claire avec les produits réels ou les initiatives commerciales spécifiques. En termes simples, les classifications des offices des brevets n'apportent généralement aucune valeur pratique pour générer des informations commerciales exploitables. Lorsque votre système de classification ne permet pas de distinguer entre des applications fondamentalement différentes d'une même technologie de base, l'analyse stratégique devient impossible. 

L'illusion paysagère 

Les outils d'aménagement paysager promettaient de simplifier l'analyse des brevets, même ceux comportant des visualisations 3D sophistiquées. Cependant, ces outils s'appuient sur des algorithmes hérités de classification et de regroupement des données qui ont été prématurément qualifiés d'« IA ». Ces anciennes méthodes créent souvent des liens que les humains trouvent illogiques, laissant fréquemment les utilisateurs plus confus qu'informés malgré leur attrait visuel. 

Même des institutions respectées telles que l'OMPI s'appuient sur des stratégies de recherche traditionnelles basées sur l'apprentissage automatique pour leurs rapports sur le paysage technologique, compromettant ainsi involontairement les données et réduisant considérablement leur valeur pour les décisions stratégiques des entreprises. Le rapport 2024 GenAI Patent Report de l'OMPI illustre bien ce défi. Les requêtes présentent souvent un rappel excessif, englobant des applications générales d'apprentissage automatique telles que la classification d'images, la reconnaissance vocale, l'analyse prédictive et la détection des fraudes, plutôt que de se concentrer strictement sur l'IA générative. 

Les pièges du balisage manuel 

À première vue, le balisage manuel semble être la solution idéale. Des personnes lisent les brevets et créent des taxonomies personnalisées, adaptées précisément aux besoins de leur entreprise. Cependant, cette approche nécessite d'énormes ressources humaines et beaucoup de temps, et même dans ce cas, la cohérence reste un défi important. 

Prenons un exemple aussi simple que la distinction entre différentes variétés de pommes. Cela semble facile, n'est-ce pas ? Mais que faire si vous avez un brevet décrivant une variété de pomme couramment utilisée à la fois pour la cuisson et la consommation fraîche ? Doit-elle être classée principalement dans la catégorie des pommes à cuire ou dans celle des pommes à consommer fraîches ? Différentes personnes pourraient la classer différemment en fonction de leurs expériences personnelles ou de leurs préjugés. 

Voici un autre exemple pertinent : les brevets liés à la technologie des smartphones. Un brevet concerne-t-il principalement la technologie d'écran, l'efficacité de la batterie ou la qualité de l'appareil photo, en particulier lorsqu'il s'agit d'améliorations subtiles relevant de plusieurs catégories ? Ces distinctions nuancées créent des défis et des incohérences importants lors du marquage manuel des brevets. 

La catégorisation manuelle devient également rapidement obsolète. Imaginez que vous classiez les véhicules strictement en deux catégories : voitures particulières et taxis, alors que de nouvelles catégories telles que le covoiturage ou les voitures autonomes font leur apparition. La mise à jour des taxonomies pour refléter ces changements peut s'avérer peu pratique et fastidieuse. 

L'« étiquetage IA » traditionnel basé sur l'apprentissage automatique : insuffisant 

Pour pallier les limites du marquage manuel, de nombreuses entreprises ont adopté des solutions de marquage traditionnelles basées sur l'apprentissage automatique, telles que Cipher. Ces solutions visaient à réduire l'intervention humaine, mais dépendaient fortement de grands volumes de données d'apprentissage marquées manuellement, ce qui rendait leur mise en œuvre longue et gourmande en ressources. 

La plupart des outils traditionnels d'apprentissage automatique offrent une intelligence limitée. Soit ils fournissent trop peu d'informations pour associer efficacement les brevets à des produits et initiatives commerciales spécifiques, soit, pire encore, ils induisent l'utilisateur en erreur.  

Pour revenir à notre exemple des pommes, la classification des brevets traditionnelle basée sur l'apprentissage automatique peut facilement différencier les pommes des bananes, mais a beaucoup de mal à distinguer les différentes variétés de pommes. Ces cas nuancés ne sont pas des exceptions mineures ; ils représentent une part importante des données relatives aux brevets. L'incapacité à gérer ces nuances a un impact significatif sur la précision et la qualité de l'analyse. 

De plus, la rigidité des solutions basées sur l'apprentissage automatique les empêche de s'adapter rapidement aux nouvelles tendances du marché ou aux technologies émergentes. 

L'approche révolutionnaire de Patsnap : un classificateur IA basé sur le LLM 

C'est précisément pour cette raison que le nouveau classificateur IA basé sur un modèle linguistique à grande échelle (LLM) de Patsnap représente une avancée révolutionnaire. Contrairement aux anciens systèmes d'apprentissage automatique, le LLM de Patsnap exploite des connaissances générales étendues et ne nécessite pas de balisage manuel exhaustif ni de données d'entraînement volumineuses. Au contraire, il comprend intrinsèquement les nuances, ce qui en fait la première solution logicielle véritablement basée sur l'IA pour la classification des brevets. 

Pour revenir à notre exemple des pommes, le système de balisage IA LLM de Patsnap comprend sans difficulté les distinctions subtiles entre les variétés de pommes, c'est-à-dire qu'il catégorise les brevets de manière cohérente et précise. De même, dans l'exemple des smartphones, il identifie et catégorise intuitivement les améliorations techniques nuancées dans différents domaines fonctionnels. 

Comment le classificateur IA basé sur le LLM de Patsnap excelle dans l'analyse nuancée 

Le tagger IA LLM de Patsnap lit et interprète de manière exhaustive les revendications, les résumés et les descriptions des brevets. Il utilise également les données synthétiques IA uniques de Patsnap, notamment les titres, les problèmes, les méthodes et les avantages générés par l'IA, afin d'améliorer la compréhension. En combinant ces informations, le LLM raisonne avec précision dans des scénarios complexes. 

La solution est très intuitive et adaptable. Les utilisateurs peuvent facilement définir des catégories, guider l'interprétation du LLM et ajuster rapidement les classifications afin de s'aligner sur l'évolution des conditions du marché ou les analyses de la concurrence. Cette approche transparente et conviviale garantit une précision constante et une utilisation pratique pour répondre aux besoins réels des entreprises. 

Mise en œuvre évolutive et rentable 

L'évolutivité est cruciale pour les grandes entreprises qui analysent des portefeuilles de brevets volumineux. L'utilisation d'API externes ou de grands modèles d'IA à usage général à cette échelle peut s'avérer extrêmement coûteuse. 

Patsnap résout ce problème en déployant des modèles locaux spécifiques à un domaine, spécialement optimisés pour l'analyse des brevets. Ces modèles ciblés traitent efficacement des volumes importants de brevets tout en réduisant considérablement les erreurs par rapport aux solutions polyvalentes. 

La première véritable plateforme au monde permettant de transformer les brevets en opportunités commerciales 

Grâce au tagger LLM AI de Patsnap, l'entreprise a enfin tenu sa promesse de longue date de transformer les données relatives aux brevets en informations stratégiques exploitables. Pour la première fois, les entreprises peuvent facilement tirer parti de l'analyse des brevets sans avoir à mobiliser d'importantes ressources humaines, sans complexité technique et sans la rigidité et les imprécisions des solutions traditionnelles. 

Il ne s'agit pas d'une amélioration progressive, mais d'une avancée révolutionnaire dans le domaine de l'analyse des brevets. Patsnap rend désormais l'analyse des brevets si rapide, intuitive et accessible que n'importe qui peut facilement transformer des données complexes sur les brevets en stratégies commerciales pertinentes. 

Ne manquez pas l'occasion de voir le tagger LLM de Patsnap en action. Réservez votre place pour notre prochain webinaire.