FRONTEOのKIBITは、専門家が選んだ文書をお手本となる教師データとして使い、大量の特許公報などを関連性の高い順番に並べ替える自然言語・文書解析AIです。生成AIのように新しい文章を作るのではなく、調査担当者が読むべき文献の候補と、その順番を作ることが主な役割です。
AIが示すのは、あくまで文献を確認する優先順位です。特許の新しさや進歩性、無効にする理由などをAIが自動で確定するわけではありません。見つかった文献の公開日や、請求項のすべての要素を満たしているかといった法的な判断は、知財担当者や弁理士が直接読んで確かめる必要があります。
製品の世代や過去の事例は、対象と時点を分けて読みます。Patent Explorer X発表では、2021年にAIエンジンを従来のKIBITからConcept Encoderへ切り替えたと説明されています。
特許庁（JPO）の実証研究や、処理時間に関するFRONTEOの利用例も、第三者が同じ条件で再現した性能値とは分けます。
この記事では、KIBITが特許調査のどの作業を支援し、人がどのような判断を引き継ぐ必要があるのかを整理します。そのうえで、実際にシステムを導入する前に、自社データを使って確かめるべきポイントを順番に解説します。
FRONTEOのKIBITとは？
特許公報や業務メールなど、表のように項目が決まっていない文章を非構造化データと呼びます。FRONTEOはKIBITを、自然言語や非構造化データを扱う自社開発AIと説明しています。
KIBIT公式ページは、専門家の判断や暗黙知を取り入れ、文章から重要な情報を探す用途を示しています。分類や関係の把握を支援する専門用途の仕組みです。
FRONTEO KIBIT Englishは、KIBITを文章生成ではなく、専門家の知識を使って既存情報を見つけるAIと説明しています。
特許調査では、調査者が重要と判断した文書を教師データに使います。その教師データをもとに他の文書へ関連性スコアを付け、確認順を作ります。
KIBITを質問応答用のチャットボットと捉えると、特許調査での役割を取り違えます。公開資料が示す中心機能は、文書の検索・分類と候補の絞り込みです。
内部の数式や学習済みモデルの詳細は、公開資料から確認できません。次に、KIBIT Patent Explorerで分類と順位付けを使う流れを確認します。
KIBIT Patent Explorerの仕組み
特許調査の現場でKIBITの順位付け機能を使うとき、最初のステップは「見つけたい発明」に近い文章を選ぶことです。調査者が特許公報や発明提案書、請求項などを教師データとして設定します。するとAIが、調査対象となる特許文書の集まり全体に関連性スコアを付け、スコアの高い順に並べ替えます。
2016年のNRI Cyber Patentとの共同プロジェクト資料は、当時の手順例を示しています。調査者が検索式やキーワードで母集団を作り、教師データを選びます。KIBITが文書を順位付けし、調査者が上位文献から確認する流れです。
これは2016年の共同プロジェクトで示された手順であり、現在の全プランに共通する操作仕様ではありません。
この仕組みの狙いは、単語が完全に一致していなくても、意味が近い文献を上位に引き上げることです。キーワードだけでは確認する順番を決めにくい場合でも、AIのスコアを使うことで重要と思われる文献から手をつけることができます。
ただし、AIが示すのはあくまで確認の優先順位です。上位の文献が、そのまま特許法上の先行技術になるわけではありません。この順位付けの仕組みを踏まえて、実際の特許調査においてどの工程をAIに任せ、どこから人が判断する必要があるのかを次に整理します。
特許調査で任せられる範囲
KIBIT Patent Explorerが支援するのは、特許文書を読む前に候補を並べ、確認の優先順位を作る工程です。FRONTEOの特許調査ソリューションは、検索式の作成、本検索、スクリーニングを支援対象として説明しています。
AIが候補を関連性順に示すことで、調査者は読む順番を決められます。読む量や時間がどれだけ減るかは、この機能説明だけでは確定しません。
AIが付けた順位を、そのまま法的な結論には使いません。公開資料で確認できる機能は、文書間の関連性をスコア化して確認順を作ることです。先行技術に当たるかという法的判断まで行うとは説明されていません。
この記事では、AIによる候補の発見と、知財担当者や弁理士による証拠確認を別工程として扱います。
たとえば、無効資料調査でスコアの高い文献が見つかったとします。新規性を検討する場合は、一つの文献が請求項の全要素を含むか、基準日より前に公開されたかを人が確認します。進歩性や他の無効理由には別の判断軸があります。
FRONTEOの特許調査ソリューションは、技術動向、先行技術、クリアランス、無効資料の調査用途を示しています。この用途説明は、法的判断の手順を定めるものではありません。
特許調査にシステムを導入するかどうかは、重要文献を見つけられた割合、確認した文献の数、かかった時間などを従来の検索方法と比較して決めます。こうしたAIと人の役割分担を踏まえた上で、製品を選ぶ際に注意したいシステムの世代や導入事例の読み方を次に説明します。
製品世代と導入事例の読み方
KIBITに関する過去の説明を、現在の製品仕様や導入実績とそのまま結びつけてしまうと、システムができることを誤解するおそれがあります。公開されている発表を読むときは、対象となる製品の世代や、実証実験の範囲を切り分けて確認することが大切です。
Patent Explorer XのAIエンジン
FRONTEOの発表資料を読むと、すべての世代の製品でKIBITが使われているわけではないことがわかります。FRONTEOは2021年のPatent Explorer X発表のなかで、従来のKIBITからConcept Encoderという別のAIエンジンへ切り替えたと説明しています。
この発表は、文章を数値の並びに変換するベクトル化という処理を取り入れ、解析精度などを検証段階で改善したという内容です。つまり、Patent Explorer Xの機能はKIBITの説明だけでは測れません。現在の提供プランでどのAIエンジンが動いているかは公開資料だけでは断定できないため、製品名だけでなくAIエンジンの種類を確認する必要があります。
JPO案件と企業PoCの適用範囲
公的機関や企業の導入事例についても、どこまでが確認された事実かを慎重に読む必要があります。例えば、特許庁（JPO）に関する2017年のFRONTEO発表では、商標審査における類似群コードの自動付与を目的として、KIBITを使った実証研究が委託されたと説明されています。
この契約の目的や約4,000万円という予算上限は、独立した法律事務所のOBWBによる解説でも同じように確認できます。しかし、資料から読み取れるのはあくまで研究を始めたという事実までです。コードの付与率がどの程度改善したのかや、本番の運用に採用されたのかといった最終的な結果までは公開されていません。
ISID・FRONTEO・北陸銀行の共同資料は、業務記録の分類などを約2か月で検証する計画を示しています。PoCの計画であり、本番成果ではありません。
2018年のFRONTEOの資料は、導入企業が50社を超えたと説明しています。これは会社発表の導入数であり、各社の効果を示す値ではありません。
こうした製品世代の違いや過去の実証研究の範囲を踏まえて、現在提供されているシステムを検討する際、自社でどのような条件を事前に確かめるべきかを次に整理します。
KIBITを導入するときの確認項目
公開資料から機能は確認できますが、現在の価格、AIエンジン、顧客別の性能は確認できません。製品デモの印象だけでなく、自社の特許調査データを使って評価します。
既知の重要文献を含む評価セットを用意し、確認範囲から外れた重要文献の割合を測ります。
最初に、教師データの選び方と調査母集団を確認します。発明提案書や請求項など、何を教師データに使い、誰が選んだかを記録します。
対象国と公報種別を固定し、評価対象の範囲を明示します。母集団に含めなかった文書は、順位付けの評価とは別に対象範囲の不足として扱います。
次に、AIが付けた関連性スコアの意味と、人が確認する範囲を確かめます。スコアが高い文献を何件まで読むのか、同じ教師データでやり直したときに結果がどれくらい一致するのかを測ります。上位の文献を読むだけでなく、下位から無作為に抽出して重要な特許が残っていないかを調べることも必要です。
製品の世代やデータ管理の仕様も重要な確認項目です。現在契約するプランで動くAIエンジンが何か、データベースがどの頻度で更新されるかを確かめます。FRONTEOのセキュリティ説明資料には、クラウド分析の前に教師文書を暗号化する方式が説明されています。しかし、この方式が現在のすべてのプランに適用されるとは限らないため、実際の契約仕様書で確かめてください。
Patent Explorer製品ページには、3,000件の公報を通常50時間で確認する作業を5時間にする例があります。FRONTEOによる利用例であり、第三者が同条件で再現した値ではありません。
導入判断では、処理時間だけでなく、自社データに含めた既知の重要文献を確認範囲内で何件拾えたかも測ります。
処理速度だけで採用を決めず、教師データの選定者、調査母集団、順位付け後の確認者を定めます。教師データの設定から法的確認までを社内で記録できるかも、導入判断に含めます。
よくある質問
Q1. 評価セットには何を入れますか？
過去の調査で重要と確認した文献と、紛らわしいが重要ではない文献を入れます。対象国、公報種別、基準日も固定し、どの範囲で順位付けを評価したかを残します。
Q2. 教師データはいつ見直しますか？
対象技術、調査目的、母集団のいずれかが変わったときに見直します。変更前後の教師データを混ぜず、誰が何を追加・削除したかを記録します。
Q3. 順位付けの再現に何を残しますか？
製品名・AIエンジン・教師データ・対象母集団・実行日・スコア・確認範囲を一組で残します。どれかが欠ける試験は、過去結果との比較に使いません。
Q4. 現行仕様は何で確認しますか？
過去の発表資料だけで判断せず、契約するプランの仕様書でAIエンジン、対象国、更新頻度、教師データの保存場所を確認します。
Q5. 会社公表の時間短縮例はどう検証しますか？
同じ母集団と確認終了条件を決め、従来手順とKIBIT利用時の所要時間を測ります。時間だけでなく、既知の重要文献を確認範囲内で拾えた割合も比べます。
Q6. 人が残す判断は何ですか？
調査目的に応じた法的判断です。新規性を検討する場合は、請求項の全要素と基準日前の公開を人が確認します。進歩性、クリアランス、無効理由には、それぞれの判断軸を別に定めます。
調査手法について
こちらの記事はグラフAIリサーチプラットフォームのSnorbeを使って作られています。Snorbeは研究開発・新規事業向けの調査テーマに応じた幅広い項目のオートリサーチや、ナレッジグラフの構築、構造化レポートの生成ができるAIリサーチツールです。
Screenshot
調査したいテーマを入力するだけで、AIが深堀りすべき観点や広げるべき調査項目をレコメンドしながら、自動でリサーチを進めます。収集した情報はナレッジグラフとして蓄積され、未調査領域（ホワイトスペース）を可視化しながら調査の網羅性を高めていけます。
また、観点マトリクスを30秒・構造化レポートを10分で自動生成する機能があり、出典付きのレポートをMarkdown/PDF形式でエクスポートできます。調査の元データも保存されるため、ファクトチェックや社内共有も容易です。
ご利用をご希望の方は、こちらよりお申し込みください。
また、グラフAIを活用した社内ナレッジ管理や、研究開発・新規事業のリサーチ支援、セルフホスト導入のご相談も受け付けています。お困りの方はお気軽にご連絡ください。
市場調査やデスクリサーチの生成AIエージェントを作っています 仲間探し中 / Founder of AI Desk Research Agent @deskrex , https://deskrex.ai
コメント