2023-12-01:

Den 21 november 2023 beslutade High Court of Justice i England och Wales att ett patentkrav avseende ett tränat ANN (Artificiellt Neuralt Nätverk) inte bara var ett ”program för en dator.” Domaren kom faktiskt fram till att det patentsökta föremålet inte alls var ett datorprogram. Därför kan inte heller datorpro¬gramundantaget åberopas. Naturligtvis är detta ett viktigt steg framåt för AI-patentering i Storbritannien, och kanske även i andra länder.

Klagande: Emotional Perception AI Ltd.

Svarande: Comptroller-General of Patents, Designs and Trade Marks

Domare: Sir Anthony Mann

Den aktuella patentansökan avser ett system för att tillhandahålla förbättrade mediafilrekommendationer till en slutanvändare, exempelvis i form av musikspår från en webbplats. Fördelen med det föreslagna systemet är att det ger förslag på liknande musik i termer av mänsklig uppfattning och känslor oavsett musikgenre och andra personers synbarligen liknande smak. Systemet kommer fram till sina förslag genom att bearbeta musik i ett tränat ANN.

I likhet med patentlagarna i de flesta länder utesluter patentlagen i Storbritannien patentskydd av ”datorprogram … som sådana.” Det aktuella överklagandet avser enbart datorprogramundantaget och handlar till exempel inte om beskrivningsvillkoret eller andra aspekter som kan vara avgörande för om patent kan beviljas baserat på den ingivna patentansökan.

Den patentsökta uppfinningen är tillämpbar på olika typer av media, inklusive musik, video, stillbilder och text. Patentkraven definierar ett system respektive en metod, vilka använder sig av ett tränat ANN. Sammanfattningsvis bygger uppfinningen på en klassificering av varje fil, t.ex. ett musikspår, i två olika domäner, nämligen ett semantisk rymd och en egenskapsrymd. Ett par av musikspår analyseras, där vart och ett av spåren bifogas en naturlig språkbeskrivning av hur musiken uppfattas av en människa. I sin enklaste form kan musiken beskrivas som glad, ledsen eller avkopplande. Dessa beskrivningar är i ordform, det vill säga ”semantiska” och härledningar därav används för att beskriva den typ av särdrag hos musiken och som analyseras av ett ANN via mjukvara för bearbetning av naturligt språk.

Ett första ANN ges instruktioner vilka möjliggör för ANN:et att karaktärisera varje musikspår och producera en respektive vektor i den semantiska rymden baserat på typen av musik för vart och ett av spåren i paret. Likheten eller skillnaden mellan de semantiska typerna av musik återspeglas av avståndet mellan dessa två vektorer i den semantiska rymden. Två musikspår som är semantiskt lika kommer att ha sina vektorer nära varandra; och ju längre ifrån varandra de är i likhet, desto längre ifrån varandra kommer deras vektorer att vara i den semantiska rymden.

Samma två spår analyseras även i ett andra ANN med avseende deras fysiska egenskaper, såsom ton, klangfärg, hastighet, ljudstyrka och många andra egenskaper som en människa har ansatt. Den analysen producerar vektorer i en egenskapsrymd. Här återspeglas skillnaderna eller likheterna mellan musikspåren också av närheten mellan respektive vektorer. Det andra ANN:et är också det som kommer att vara det operativa ANN:et i det implementerade systemet.

Det andra ANN:et tränas för att få avstånden mellan paren av egenskapskoordinater (dvs ovannämnda vektorer) att konvergera eller divergera i enlighet med avståndet mellan dem i den semantiska rymden. Om koordinaterna egenskapsrymden är längre ifrån varandra än de i den semantiska rymden, flyttas de närmare varandra i egenskapsrymden, och omvänt om avståndet är för nära varandra i egenskapsrymden för att återspegla semantisk olikhet. Träningen utförs genom så kallad bakåtutbredning (back-propagation), där ett ”fel” i egenskapsrymden korrigeras så att resultatet stämmer överens med träningens syfte. Algoritmen tillhandahålls av en människa och korrigeringen uppnås genom att ifrågavarande ANN justerar sina egna interna funktioner exempelvis genom att justera viktning och bias i noderna och bedömningsnivåerna. ANN:et lär sig av sina egna erfarenheter utan att få någon input från en människa.

Träningsprocessen upprepas många gånger med många olika par av musikspår och ANN:et lär sig, genom upprepad korrigering, hur man alstrar egenskapsvektorer vars relativa avstånd återspeglar semantisk likhet eller olikhet. Träningen fortsätter tills ANN ”gör rätt” då den ”fryses” och redo att utföra sin avsedda funktion.

Då ANN:et är färdigt kan den ta vilket musikspår som helst som tillhandahålls/föreslås av en användare, bestämma dess fysiska egenskaper och tillskriva det en egenskapsvektor. ANN:et relaterar sedan egenskapsvektorn till vektorerna i en övergripande databas och tar fram musik som är semantiskt lik genom att leta efter musikspår med närliggande fysiska vektorer och ger en rekommendation av ett liknande spår från de närliggande vektorerna.

I det aktuella fallet ställde domaren de mest grundläggande frågorna för att avgöra om datorprogramundantaget var aktuellt:

”Var är datorn?”

och

”Var är programmet?”

I denna process undersöktes olika ordboksdefinitioner av ett datorprogram, som alla var samstämmiga i det faktum att ett datorprogram innehåller: ”en uppsättning instruktioner som får en dator att göra en viss sak.”

ML (maskininlärning)/AI (artificiell intelligens) undanröjer emellertid behovet av att definiera regler som strikt följer en av en programmerare definierad specifikation. ML/AI-tekniken behandlar nämligen inte data på basis av steg-för-steg-instruktioner. Istället använder sig den här tekniken träningsdata för att lära sig logiken för att lösa ett specifikt problem. ML/AI följer alltså inte ett ”if-then”-angreppssätt.

Med detta som utgångspunkt diskuterade domaren de omständigheter under vilka den patentsökta uppfinningen fungerar. Domaren kom fram till att träningsstadiet inbegriper ett datorprogram, eftersom ett program är nödvändigt för att genomföra träningen. Programmeringen innebär att träningsmålet ställs upp i termer av ANN:s struktur och övergripande mål. Det går dock inte att definiera programmeringen längre än så.

Den interna träningen och den efterföljande driften av de tränade emulerade ANN:et inbegriper dock inget datorprogram. Vid denna tidpunkt finns det inget program, eftersom ingen person har givit någon uppsättning instruktioner till datorn som får att den ska göra vad den gör – ANN:et har tränat sig själv.

Följaktligen uppfylls inte villkoret för ett datorprogram. Datorprogramundantaget kan således inte heller vara aktuellt.

Detta i sanning en ny syn på hur AI-relaterade uppfinningar kan betraktas, som verkar öppna för nya och intressanta sätt att skydda den aktuella typen av materia.

Till följd av domen har UKIPO gjort en omedelbar ändring av praxis för granskning av ANN. Patentgranskarna bör inte längre invända mot uppfinningar som involverar ett ANN under ”datorprogramundantaget i paragraf 1(2)(c) av patentlagen.

Vi kommer att fortsätta att bevaka utvecklingen av AI-patenteringspraxis såväl i Storbritannien som i resten av världen och återkommer med en uppdatering så snart det finns något nytt att rapportera.

Text: Joakim Wihlsson

Källor:
Chancery Division of the High Court
Examination of patent applications involving artificial neural networks