この記事のポイント
AIによる特許分類の自動化を解説。IPC/CPCコードの自動付与、技術分野マッピング、AIの分類精度、特許庁の取り組み、実務での活用シナリオを紹介します。
特許分類とAI
特許分類（IPC: 国際特許分類、CPC: 共同特許分類）は、特許文献を技術分野ごとに整理するための体系です。正確な分類は先行技術調査やパテントランドスケープの基盤となりますが、約70,000以上のサブグループからなる分類体系を正確に適用するには高度な専門知識が必要です。
特許分類の課題
| 課題 | 内容 |
|---|---|
| 分類体系の複雑さ | IPC/CPC合わせて数十万の分類コード |
| 分類の属人性 | 審査官により分類が異なる場合がある |
| 融合技術の分類 | AI×医療等、複数分野にまたがる技術の分類が困難 |
| 分類の更新 | 技術進歩に伴い分類体系が改訂される |
AIによる自動分類の技術
機械学習アプローチ
AIによる特許自動分類は、以下の技術を活用しています。
- テキスト分類モデル: 特許明細書のテキストから適切な分類コードを予測
- 階層型分類: IPC/CPCの階層構造（セクション→クラス→サブクラス→グループ）に沿った多段階分類
- マルチラベル分類: 1つの特許に複数の分類コードを同時に付与
- 転移学習: 大規模言語モデルを特許分類タスクに微調整
各特許庁の取り組み
| 特許庁 | AI分類の取り組み | 現状 |
|---|---|---|
| JPO（日本） | AI分類付与支援ツール | 審査官の分類作業を支援 |
| USPTO（米国） | CPC自動分類システム | 参考分類の自動付与を実施 |
| EPO（欧州） | IPCCAT | IPCの自動分類サービスを公開 |
| WIPO | WIPO AI分類 | 多言語対応の自動分類研究 |
EPOのIPCCAT
EPO（欧州特許庁）が提供するIPCCATは、テキスト入力に対してIPC分類コードを自動付与するツールです。無料で利用可能であり、特許出願前の分類確認や先行技術調査の分類設定に活用できます。
IPCCATの使い方
- EPOのIPCCATウェブサイトにアクセス
- 技術説明のテキスト（英語・フランス語・ドイツ語）を入力
- 推奨されるIPC分類コードがランキング形式で表示
- 各分類コードの信頼度スコアを確認
技術マッピングへの応用
パテントランドスケープとの連携
AI自動分類は、パテントランドスケープ（特許の技術動向分析）において以下の応用が可能です。
- 技術トレンド分析: 分類別の出願数推移を自動集計
- ホワイトスペース発見: 出願の少ない分類領域（技術空白地帯）の特定
- 競合分析: 競合他社の出願分類分布を自動マッピング
- クロスドメイン分析: 複数分野にまたがる技術融合の傾向を可視化
可視化ツール
分類結果をバブルチャートやヒートマップで可視化することで、経営層にも理解しやすい技術マップを作成できます。
自動分類の精度
精度指標
学術研究によれば、AIの特許自動分類精度は以下の通りです。
| 分類レベル | 精度（Accuracy） | 備考 |
|---|---|---|
| セクション（8分類） | 95%以上 | 非常に高精度 |
| クラス（約130分類） | 85〜90% | 実用レベル |
| サブクラス（約640分類） | 75〜85% | 補助的に活用可能 |
| メイングループ | 65〜75% | 参考レベル |
| サブグループ | 50〜65% | 人間の確認が必須 |
細かい分類ほど精度が低下するため、サブグループレベルの分類は人間の確認が不可欠です。
実務家へのアクションポイント
- 出願前調査: AIで分類コードの候補を取得し、調査の網羅性を向上させる
- パテントランドスケープ: 大量の特許を自動分類し、技術動向マップを効率的に作成する
- ポートフォリオ管理: 自社特許の分類を再評価し、技術カバー範囲を可視化する
- 精度の理解: AIの分類は「参考」として活用し、重要な判断には人間の確認を入れる
AI特許分類は、特許情報の整理・分析を効率化する強力なツールであり、特に大量データの処理が必要なパテントランドスケープで真価を発揮します。