A chi sta leggendo questo articolo: se state redigendo una bozza di memoria utilizzando un'intelligenza artificiale generativa come ChatGPT, vi invitiamo a utilizzare anche la pagina dedicata alla bozza generata dall'IA e alla revisione da parte di un consulente in brevetti.
«Come ottenere la risposta ottimale quando si pone una domanda a ChatGPT?» — Questo è un dubbio che molti utenti si pongono. Questo settore tecnologico, denominato «prompt engineering», sta acquisendo sempre maggiore importanza anche in ambito aziendale e sta attirando l’attenzione come oggetto di domande di brevetto. Tuttavia, le strategie relative all’utilizzo degli strumenti di IA possono effettivamente essere riconosciute come brevettabili?In questo articolo, sulla base del caso n. 38 pubblicato dall’Ufficio Brevetti, illustreremo in dettaglio, dal punto di vista di un consulente in brevetti, le condizioni necessarie affinché la tecnologia di generazione di prompt dei modelli linguistici su larga scala (LLM), come ChatGPT, possa essere brevettabile.
Indice
Nel marzo 2024, l’Ufficio Brevetti ha ampliato la raccolta di casi di esame relativi alle tecnologie di intelligenza artificiale (IA) e ha pubblicato il caso n. 38 riguardante il «metodo di generazione di testi per prompt».Questo caso dimostra che anche il «modo in cui si utilizzano» strumenti di IA come ChatGPT può essere oggetto di brevetto e riveste un’importanza fondamentale non solo per le aziende che sviluppano IA, ma anche per le imprese in generale che utilizzano tali strumenti.
Nel presente articolo si analizzerà in dettaglio il caso n. 38, chiarendo la differenza tra il “semplice utilizzo dell’IA” e le “tecniche di applicazione dell’IA brevettabili”. Leggendolo, potrete comprendere la possibilità che il modo in cui la vostra azienda utilizza l’IA possa essere brevettato, nonché i rischi legati ai brevetti della concorrenza. Inoltre, potrete trarne spunti su come strutturare la strategia in materia di proprietà intellettuale in vista dei futuri sviluppi aziendali.
Il caso n. 38, intitolato «Metodo di generazione di testi per prompt da inserire in modelli linguistici su larga scala», è stato pubblicato come esempio relativo alla valutazione del carattere di innovazione. Questo caso riguarda una tecnologia volta a ottimizzare l’input nei modelli linguistici su larga scala (LLM), in particolare il metodo per generare prompt efficaci nel rispetto di vincoli tecnici quali il limite di caratteri.
Attualmente, molti LLM, a cominciare dalla serie GPT di OpenAI, presentano un limite massimo di token (numero di caratteri) che è possibile inserire in una singola sessione.Ad esempio, in GPT-4, a seconda del modello, il limite massimo di input è pari a 8.192 o 32.768 token. All’interno di tali vincoli, la capacità di creare prompt di alta qualità rappresenta una sfida tecnica fondamentale per un utilizzo efficace degli LLM.
In particolare, mentre la tecnologia RAG (Retrieval-Augmented Generation), che migliora la precisione delle risposte degli LLM aggiungendo contesto e informazioni di riferimento, sta attirando grande attenzione, le tecniche che consentono di integrare informazioni in modo efficiente ed efficace con un numero limitato di token di input rivestono un elevato valore pratico.
Nel caso 38 sono riportate le seguenti due rivendicazioni.
Metodo di generazione di testi per prompt, in cui il computer genera un prompt da inserire in un modello linguistico su larga scala aggiungendo informazioni di riferimento alla domanda inserita, e
Il suddetto modello linguistico su larga scala è dotato di un limite massimo di caratteri per i prompt che è possibile inserire; si tratta di un modello linguistico su larga scala che, quando viene inserito un prompt contenente una domanda, genera una risposta relativa a tale domanda, e
Il suddetto computer,
una fase di generazione di testo aggiuntivo, in cui, sulla base della domanda precedentemente inserita, viene generato un testo aggiuntivo correlato a tale domanda, in modo tale che il numero totale di caratteri, comprensivo di quelli della domanda stessa, non superi il limite di caratteri sopra indicato, e
una fase di generazione del prompt che genera il prompt aggiungendo, come informazione di riferimento, la frase aggiuntiva generata mediante la suddetta fase di generazione della frase aggiuntiva in risposta alla domanda precedentemente inserita, e
Metodo di generazione di testi per prompt caratterizzato dall’esecuzione di tale operazione.
La suddetta fase di generazione di un testo aggiuntivo consiste, sulla base della domanda inserita, nell’acquisire una pluralità di testi correlati a tale domanda e, tra i suddetti testi correlati acquisiti, estrae una pluralità di parole chiave idonee a fungere da informazioni di riferimento e, utilizzando dette parole chiave, genera il testo aggiuntivo in modo che il numero totale di caratteri non superi il limite prestabilito.
Dalla descrizione dettagliata dell’invenzione del caso 38 si evincono i seguenti problemi tecnici e relativi mezzi di soluzione.
I modelli linguistici su larga scala possono talvolta prevedere un limite al numero di caratteri dell’input; ciò comportava la difficoltà di non poter aggiungere informazioni di riferimento illimitate alle domande inserite. La presente invenzione ha lo scopo di fornire un metodo per aggiungere informazioni di riferimento valide alle domande e generare un testo di prompt entro un determinato limite di caratteri.
La soluzione di cui alla rivendicazione 1 consiste nel generare, sulla base della domanda inserita, un testo aggiuntivo in modo tale che il numero totale di caratteri, compreso quello della domanda, non superi il limite stabilito, e nell’aggiungere tale testo alla domanda per generare il prompt.
Nella rivendicazione 2, come soluzione più specifica, viene adottato un metodo che consiste nell’acquisire più testi correlati alla domanda, estrarre da essi parole chiave idonee come informazioni di riferimento e generare il testo aggiuntivo utilizzando tali parole chiave.Per quanto riguarda l’acquisizione dei testi correlati, viene illustrato, ad esempio, un metodo che consiste nell’estrarre informazioni altamente correlate alla domanda da database quali la cronologia delle domande, la cronologia delle azioni e la cronologia degli acquisti dell’utente.
Tra gli effetti della rivendicazione 1 si cita la possibilità di generare un prompt che aggiunge, come informazioni di riferimento, un testo aggiuntivo valido alla domanda inserita entro il limite di caratteri prestabilito.
Tra gli effetti della rivendicazione 2 si indica, inoltre, la possibilità di generare, entro un determinato limite di caratteri, un prompt a cui siano state aggiunte frasi aggiuntive altamente correlate alla domanda e idonee come informazioni di riferimento, consentendo così di ottenere risposte più affidabili e appropriate.
Sebbene l’esempio 38 non contenga disegni dettagliati, dalle descrizioni presenti nella memoria si ipotizza, a livello concettuale, una configurazione di sistema come quella illustrata di seguito.
Nel caso n. 38 sono riportate la seguente invenzione citata n. 1 e le conoscenze tecniche comuni.
Metodo di generazione di testi per prompt, in cui il computer genera un prompt da inserire in un modello linguistico su larga scala aggiungendo informazioni di riferimento alla domanda inserita, e
Il suddetto modello linguistico su larga scala è un modello che, quando viene fornito in ingresso un prompt contenente una domanda, genera in uscita una risposta relativa a tale domanda, e
Il suddetto computer,
una fase di generazione di frasi aggiuntive, volta a generare frasi aggiuntive correlate alla frase di domanda precedentemente inserita, e
una fase di generazione del prompt che genera il prompt aggiungendo, come informazione di riferimento, la frase aggiuntiva generata mediante la suddetta fase di generazione della frase aggiuntiva in risposta alla domanda precedentemente inserita, e
Metodo di generazione di testi per prompt caratterizzato dall’esecuzione di tale operazione.
Nel campo delle tecnologie di elaborazione del linguaggio, evitare che il volume di elaborazione delle informazioni diventi eccessivo costituisce una sfida ovvia che gli esperti del settore tengono normalmente in considerazione, e inoltre, come soluzione a tale problema, è una tecnica nota al momento del deposito della domanda quella di impostare un limite massimo di caratteri per il testo inseribile e, qualora il testo superi tale limite, eliminare la parte in eccesso, in modo da garantire che il testo effettivamente inserito non superi il limite stabilito.
Confrontando la rivendicazione 1 con l’invenzione citata 1, si riscontrano le seguenti differenze.
Il modello linguistico su larga scala oggetto dell’invenzione di cui alla rivendicazione 1 è dotato di un limite massimo di caratteri per i prompt immessi, denominato “limite di caratteri”, e mentre la fase di generazione di frasi aggiuntive genera frasi aggiuntive correlate alla domanda in modo tale che il numero totale di caratteri, compreso quello della domanda, non superi il suddetto limite di caratteri; al contrario, non è chiaro se nel modello linguistico su larga scala dell’invenzione citata n. 1 sia stato impostato o meno un limite di caratteri, ovvero il numero massimo di caratteri consentiti per il prompt in ingresso, non è chiaro se la fase di generazione di frasi aggiuntive effettui o meno la generazione di frasi aggiuntive come sopra descritto.
L’esaminatore, in merito a tali differenze e tenendo conto delle conoscenze tecniche comuni sopra menzionate, ha ritenuto che la generazione di un testo aggiuntivo tale da rientrare nel limite di caratteri fosse un’idea a cui un esperto del settore avrebbe potuto giungere facilmente.
Nello specifico, nel campo dell’elaborazione del linguaggio, tenere conto del volume di elaborazione delle informazioni costituisce una sfida ovvia; pertanto, l’applicazione di una tecnica nota che consiste nel fissare un limite di caratteri e scartare la parte in eccesso non rappresenta altro che l’esercizio della normale capacità creativa di un esperto del settore.
Per quanto riguarda la rivendicazione 2, oltre ai punti di divergenza precedentemente indicati, sono stati riconosciuti i seguenti punti di divergenza.
La fase di generazione di un testo aggiuntivo relativa all’invenzione di cui alla rivendicazione 2 consiste nel recuperare, sulla base della domanda inserita, una pluralità di testi correlati a tale domanda; nell’estrarre, dai testi correlati recuperati, una pluralità di parole chiave idonee a fungere da informazioni di riferimento; e nel generare, utilizzando tali parole chiave, un testo aggiuntivo il cui numero totale di caratteri non superi il limite stabilito; al contrario, nella fase di generazione di frasi aggiuntive dell’invenzione citata n. 1 non è prevista tale specificazione.
Riguardo a questa differenza, l’esaminatore ha formulato il seguente giudizio.
Non è stata individuata alcuna tecnica anteriore che divulghi una configurazione volta a recuperare più testi correlati, estrarre da essi parole chiave idonee come informazioni di riferimento e utilizzarle per generare un testo aggiuntivo entro il limite di caratteri prestabilito, né tale configurazione rientra nelle conoscenze tecniche comuni al momento del deposito della domanda.
L’invenzione oggetto della rivendicazione 2, grazie a tale struttura, consente di «generare, entro un determinato limite di caratteri, un prompt arricchito da un testo aggiuntivo altamente pertinente alla domanda e idoneo come informazione di riferimento, ottenendo così una risposta più affidabile e appropriata»; ciò produce un effetto vantaggioso rispetto all’invenzione citata n. 1.
Non si tratta di una semplice modifica progettuale, bensì di un’invenzione dotata di carattere di progressività.
La rivendicazione 1 del caso 38 presenta solo una soluzione astratta, ovvero «generare un testo aggiuntivo in modo che non superi il limite di caratteri», pertanto la sua innovatività è stata negata. Ciò è dovuto al fatto che tenere conto del limite di caratteri rientra nelle conoscenze tecniche comuni e che l’idea di limitarsi semplicemente a rientrare in tale limite è stata ritenuta facilmente intuibile da un esperto del settore.
D’altra parte, la rivendicazione 2 specifica concretamente le seguenti tre fasi:
La descrizione di questa soluzione concreta ha portato a una valutazione positiva dell’originalità.
Anche nelle invenzioni relative agli LLM, non è sufficiente limitarsi a «utilizzare un LLM», ma è importante presentare mezzi tecnici concreti. In particolare, è efficace ai fini della rivendicazione dell’attività inventiva apportare soluzioni originali, ad esempio nella pre-elaborazione dei dati di input o nella post-elaborazione dei dati di output, e specificare il flusso di elaborazione concreto.
Questo approccio di «identificazione di un flusso di elaborazione specifico» non si limita alle invenzioni che utilizzano l’intelligenza artificiale. Nel campo della misurazione dell’efficacia pubblicitaria, vi sono esempi di brevetti registrati che riguardano la misurazione dell’efficacia della posta diretta cartacea, pur mantenendo una struttura che non ricorre all’intelligenza artificiale né all’apprendimento automatico.La misurazione dell’efficacia di volantini, direct mail e pubblicità televisiva, analizzata fino alle rivendicazioni di tre brevetti registrati che collegano la pubblicità offline e la misurazione digitale, è oggetto di brevetto | Si prega di consultare anche i tre brevetti registrati che collegano la pubblicità offline e quella digitale.
Uno dei motivi per cui la rivendicazione 2 è stata giudicata dotata di carattere di innovatività è che l’effetto di «ottenere risposte più affidabili e appropriate» è stato valutato come un risultato difficilmente prevedibile sulla base dell’invenzione citata n. 1.
Tale effetto non consiste semplicemente in un risultato quantitativo, ovvero nel condensare le informazioni entro un limite di caratteri prestabilito, ma si concentra sul fatto che, utilizzando parole chiave estratte da testi correlati, sia possibile generare testi aggiuntivi di qualità superiore. In altre parole, si sostiene un miglioramento qualitativo all’interno di un vincolo quantitativo (limite di caratteri).
Anche nelle invenzioni relative agli LLM, è efficace sostenere effetti che vadano oltre la semplice automazione o l’ottimizzazione dell’efficienza, in particolare gli effetti indicati di seguito.
Nel caso n. 38, rispetto alla tecnica nota che consiste nel «fissare un limite al numero di caratteri e scartare la parte in eccesso», è stato ritenuto che il nuovo metodo, consistente nell’«estrarre parole chiave da testi correlati per generare testi aggiuntivi», possieda un carattere innovativo.
Da tale valutazione si evince che, anche nel caso delle invenzioni relative ai modelli di linguaggio di grandi dimensioni (LLM), è fondamentale chiarire i punti di differenziazione rispetto alle tecniche note, come illustrato di seguito.
I punti chiave per la redazione delle rivendicazioni relative alle invenzioni concernenti gli LLM, desumibili dall’esempio 38, sono i seguenti:
Si definiscono problemi tecnici specifici legati all’utilizzo degli LLM, andando oltre la semplice ottimizzazione o automazione. Ad esempio:
Si descrivono le fasi concrete della soluzione, anziché misure astratte. È efficace descrivere una soluzione che combini più fasi (acquisizione di testi correlati → estrazione di parole chiave → generazione di testi aggiuntivi), come nella rivendicazione 2 dell’esempio 38.
È importante includere nelle rivendicazioni caratteristiche tecniche che confermino gli effetti, quali «l’estrazione di parole chiave idonee come informazioni di riferimento». In questo modo è possibile sostenere che non si tratta di una semplice modifica progettuale, bensì di un’innovazione tecnica mirata al raggiungimento di effetti specifici.
Sebbene nell’esempio 38 sia illustrata solo un’invenzione relativa a un metodo, nelle domande di brevetto effettive si dovrebbe prendere in considerazione la preparazione di più rivendicazioni indipendenti come quelle riportate di seguito.
I punti di particolare importanza nella redazione della descrizione delle invenzioni relative agli LLM sono i seguenti.
Si indicano concretamente i punti critici della tecnica precedente e si illustra chiaramente il problema tecnico che la presente invenzione intende risolvere. Nell’esempio 38 è chiaramente indicato il problema della «presenza di limiti al numero di caratteri». Nelle invenzioni relative agli LLM, è importante descrivere concretamente problemi quali quelli riportati di seguito.
Si descriveranno forme di realizzazione concrete, anziché limitarsi a spiegazioni astratte. È importante illustrare in dettaglio le modalità di acquisizione dei testi pertinenti, l’algoritmo di estrazione delle parole chiave e il processo di generazione dei testi.
In particolare, risulta efficace descrivere i seguenti contenuti:
È efficace corroborare effetti quali «ottenere risposte più affidabili e appropriate» mediante risultati sperimentali concreti e dati comparativi. Ad esempio, si dovrebbe prendere in considerazione l’inserimento delle seguenti prove a sostegno.
Chiarendo i settori tecnologici specifici in cui trovano applicazione le invenzioni relative agli LLM (ad esempio: assistenza clienti, diagnosi mediche, consulenza legale, ecc.) e descrivendo le sfide e gli effetti specifici di tali settori, è possibile migliorare la brevettabilità.
Dall’analisi del caso 38, i punti chiave per la protezione dei diritti sulle invenzioni relative agli LLM sono i seguenti:
Nelle domande di brevetto relative alle invenzioni connesse agli LLM, è difficile che venga riconosciuta l’attività inventiva se ci si limita semplicemente all’utilizzo degli LLM. Tuttavia, come illustrato dal caso 38, introducendo specifici accorgimenti tecnici, quali la pre-elaborazione dei dati di input o l’ottimizzazione dei dati di output, è possibile ottenere la protezione brevettuale per un’invenzione che presenti attività inventiva.
Negli ultimi anni sono stati introdotti vari servizi che sfruttano modelli linguistici su larga scala (LLM) quali ChatGPT e Gemini; tuttavia, per garantire la differenziazione e il vantaggio competitivo di tali servizi, è indispensabile una strategia di protezione brevettuale delle invenzioni relative agli LLM. In particolare, le tecnologie che consentono un utilizzo di qualità superiore degli LLM, ottenute introducendo soluzioni ingegnose nella pre-elaborazione dei dati di input, come illustrato nel caso n. 38, acquisiranno un’importanza sempre maggiore in futuro.
Il nostro studio vanta una vasta esperienza nella presentazione di domande di brevetto relative a invenzioni nel campo dell’IA e degli LLM e fornisce assistenza nell’elaborazione di strategie di protezione dei diritti che tengano conto delle più recenti tendenze nell’esame dei brevetti. Se avete dubbi in merito alla protezione brevettuale di nuove attività commerciali che utilizzano modelli linguistici su larga scala, non esitate a contattarci.
🤖 A coloro che hanno redatto una bozza di descrizione di brevetto con ChatGPT
Saremo lieti di ricevere le vostre bozze generate dall’IA. I nostri avvocati specializzati in brevetti nel settore IT e IA riscriveranno le bozze generate dall’IA trasformandole in «documenti di tutela dei diritti solidi a difesa della vostra attività».
Affidate il controllo finale della qualità della descrizione a professionisti con oltre 15 anni di esperienza nel settore della proprietà intellettuale.
AUTORE / Autore
Takefumi Sugiura (SUGIURA Takefumi)
EVORIX (Studio di proprietà intellettuale) – Consulente in brevetti e rappresentante legale
Assiste clienti in un’ampia gamma di settori, tra cui IT, produzione, startup, moda e sanità, occupandosi di tutto il processo, dalla presentazione delle domande di brevetto, marchio, disegno industriale e diritto d’autore fino ai procedimenti di ricorso e alle cause per violazione.È inoltre esperto in strategie di proprietà intellettuale nei settori all’avanguardia quali IA, IoT, Web3 e FinTech. È membro di diverse associazioni, tra cui l’Ordine dei Consulenti in Proprietà Industriale del Giappone, l’Associazione Asiatica dei Consulenti in Proprietà Industriale (APAA) e l’Associazione Giapponese dei Marchi (JTA).