:::

【109年 應用案例】 企業專利監控之AI數據分析平台,一鍵搞定專利分析與發展趨勢!

如何有效率地分析海量增長的專利資訊,挖掘潛在價值?

專利是技術、市場和競爭資訊的寶貴來源。然而,公開的專利文獻總數已高達1.2億件,僅去年一年就新增630萬件。如何才能讓這些海量專利文獻為己所用?

專利分析為充分挖掘專利資訊的價值,提供了一條不可或缺且切實可行的途徑。通過專利分析,可以瞭解自身與競爭對手各自專利組合的優勢、不足和機會,以及全球專利申請趨勢、技術全景及可能存在的空白領域等。

然而專利分析要求透徹理解底層資料,包含:資料的用法和用途,以及能夠解決的問題等,如何才能有效運用及分析海量資訊,正是最讓人頭痛的問題……

非結構化的資料型態,只能透過人工閱讀整理,十足惱人!

「專利說明書」是融合法律與科技用語且具有法律效力的文件,屬於非結構化的資料,過去各項檢索分析都是以人工閱讀內文與整理,實乃曠日廢時,且經常發生追趕不上訴訟時程的情況。在協助企業進行專利佈局時,常面臨無法量化競爭對手與客戶之訴訟風險程度,也難以量化專利之品質與價值,造成國內某企業智權管理公司之業務範圍無法進一步地擴大,也無法促進外界對專利加值應用的瞭解程度。

近年來,企業智權管理公司也開始協助企業中的研發人員,提前掌握影響產業未來發展的重要科技及其專利競爭情報,能使相關人員更從容地進行專利佈局,並提高專利品質與價值。然而,大部份業務範圍在代理專利軟體,如:知識產權運營管理資訊系統 (IPServ),主要是協助企業或個人進行智慧財產權管理,但目前並無為企業或個人提供「專利監控」類數據分析的服務。

知識產權運營管理資訊系統(IPServ)

▲知識產權運營管理資訊系統(IPServ)

這些專利軟體包含專利檢索、管理與維護等,而專利大數據是否能夠成功輔助企業掌握市場現況、專利價值、訴訟威脅及監控競爭對手的不法侵權行為,全是仰賴專利數據之取得。但專利數據之清理非常費時,所以一直是個讓人頭痛不已的問題,直到台灣資料科學股份有限公司研發出「企業專利監控之AI數據分析平台」,才終於出現曙光……

傳統專利分析曠日廢時,改用「企業專利監控之AI數據分析平台」, 一鍵搞定!

「企業專利監控之AI數據分析平台」的發想,是使用專利申請的案件中之「專利編碼」與「公司產業別」等具鑑別力的影響因子,透過大數據分析,並增加相關新聞資料,再以機器學習方式透過AI輔助專家,分析市場現況、避免訴訟威脅以及監控競爭對手的不法侵權行為。

這些最後萃取出來的因子也將影響個股的表現,對此可以根據不同的企業屬性和發展方向,朝向「客製化大數據分析」提升企業的戰略位置。希望透過平台的搜尋可以快速讓企業於新增產品線時,了解競爭對手的專利佈局,避免侵權的情況發生;或廠商要找合作夥伴時,也可以從有高度研發的公司來篩選,將此平台作為競合關係的好工具。

系統操作流程圖

▲系統操作流程圖

傳統上專利分析曠日廢時,需透過人工檢索專利、閱讀專利資料,才能產出一份專利分析報告,現在只要藉由「企業專利監控之數據分析平台」,使用者可輸入某年度或自己與競爭對手的公司名稱,經過系統分析後,即可快速得知該年度及公司間的技術布局、變化趨勢監控等結果,節省作業時間及人力。

例如,若要知道市場上對於物理、化學、電學的相關技術發展現況,可分析IPC專利號碼,檢視哪些公司的持有專利有群聚現象,藉此研判該群聚專利為相關技術或相互依賴的技術,了解公司之間在專利布局上的相似度、產業趨勢,縮短決策時間,搶先布局或做專利迴避設計。

透過人工智慧改善傳統的人工專利檢索的作業以提高工作效能,「專利監控平台」幫助專利分析人員更方便了解特定技術領域的專利發展現況,以預測未來技術研發方向。而「專利布局」是企業針對專利組合,透過整合市場、產業、法律等因素,構建嚴密的保護網,形成有利的研發方向、降低侵權風險。

嚴謹的專利布局可幫助公司在戰略規劃時避開地雷區,避免不必要的訴訟戰;或可透過搶先申請專利及購買專利,擴大自身技術的保護範圍,而要達成此目的,關鍵是經由分析大量的專利資料,領先同業找出趨勢。以本公司開發之產品線人流資訊流天線為例,專利監控平台可針對產品之專利組合,達到上述目標。

人流資訊流天線產品圖

▲人流資訊流天線產品圖

未來,將針對專利文件內容之標題與摘要進行文字探勘(Text Mining)。前期人工輔助,後期採機器學習方式,建立「專利詞庫自動斷詞系統」。應用此斷詞系統將標題與摘要進行斷詞,計算字詞頻率(TF)與反轉文件頻率(IDF)。透過統計方法(如相關相數),擷取專利文件特徵,找出專利之間強關聯性之相關字詞。提升探勘專利之相似度,更進一步了解專利訴訟之風險。

協同專利業者,打造更便利的「企業專利監控AI數據分析平台」!

經由「企業專利監控之AI數據分析平台」的「平台網絡圖」查詢,可讓公司或事務所快速看到其相關的產業公司佈局在哪些專利上。對於「專利」而言,各公司可以思索應全由自家研發申請,或直接從產業龍頭單獨購買專利授權。對於「公司產品」而言,要商品化時可因應時代變遷採取不同的策略,前幾年也許是敵對的,隨著產品發展的差異而是今日的盟友。

專利監控平台顯示2009年度大立光電與其相關產業之網絡圖

▲專利監控平台顯示2009年度大立光電與其相關產業之網絡圖

而在「公司交叉比對」功能查詢中,可一次選擇多年,對於和主要公司相似度較高的對比公司,從年度變化可了解雙方是否發展太過相似的專利,而使二者處於高風險侵權的風暴範圍之中。當數據庫資料更多時,還可以進一步計算「專利風險率」,讓習慣讀數字或圖表的使用者能從另一角度快速知彼知己。甚至未來增添更多參數後,可以估計「侵權金額」,但取得參數內容,還需與專利業者協同合作,一同打造更便利的專利風險監控平台。

台積電與華亞科技、力晶科技之間相似度指標的走趨圖

▲台積電與華亞科技、力晶科技之間相似度指標的走趨圖

推薦案例

這是一張圖片。 This is a picture.
基於人工智慧的PCBA表面瑕疵檢測改善

隨著AOIAI系統的導入,我們將能提高產品良率、降低成本,從業務面來看,更可提高客戶的信任度,增加營業收益。而且AI具有難以被模仿的優勢,並非如其它設備只要花錢就買的到,讓我們的競爭對手難以追上我們。 組弘發展現況 我們致力於IOT智慧製造上,自行開發的系統已有智慧物料系統、環境溫溼度監控系統、防錯料系統、智能採購算料系統、智慧物料盤點系統、錫膏管理系統、生管系統。過去我們曾詢問過其他廠商,有關AI檢驗PCBA表面瑕疵的可能性,每個廠商都希望我們能夠購買其設備,但實際驗證後都無法達到效果,此次與資服業者討論過後,定調為AOIAI的運作模式,方覺得有可行性。 組弘科技投入AOIAI檢測計畫,用於檢查SMT零件上的文字、焊點、極性、缺件hellip等,用AI替代人工來學習AOI檢測後定義為rdquo可能是不良品rdquo的部份,提升人員產值與降低誤判率。 產業痛點 nbspnbspnbsp 台灣缺工情形嚴重,尤其願意從事目視檢查的人更少,而且年齡相對較大,檢查遺漏的狀況越來越嚴重。所以在追求高品質電子產業中,最關鍵的瓶頸已經是生產後的檢查。過去的消費性產品,異常未能被檢出,只要在一定比例下,也可被接受。現在的汽車產業如果有不良未被檢出,即有可能造成人員死亡,所以汽車產業對於品質的要求極高。要想在汽車產業的供應鏈中生存,就必須解決異常無法被檢出的問題。 nbspnbspnbsp 而且隨著台灣工資越來越高,只能設法以AI技術,取代傳統人力,否則就算解決了異常流出,但相對高的人力成本依然無法在此產業中競爭。 應用技術與說明 nbspnbspnbsp 原本過程圖一,PCB從出來Reflow後,會經過AOI檢測,分出「疑似不良品」與良品,這時「疑似不良品」的部分約為20,再由人工針對這20的部分來做複判,再將「疑似不良品」的部分區分為良品與不良品。 nbspnbspnbsp 我們想要藉由AI的技術,將原本由人工複判這20的「疑似不良品」改由AI來做,複判出來一樣會有良品與「疑似不良品」,結果一樣會有「良品」與「疑似不良品」的產生,但此時「疑似不良品」約只剩下3,也就是說組弘作業人員的工作量會從20降到只有3。理論上是AOI檢查完後,再由AI來做複判,但從表面看起來似乎只有經過AOI而已,所以我們才將這個技術稱之為A0IAI檢測圖二。 原本AOI檢測過程 操作員將待測PCB板放入AOI檢測設備,輸出AOI 檢測不良品資訊,再經由人工逐一覆判是否為不良品。 AOIAI檢測過程 操作員將待測PCB板放入AOI檢測設備,輸出AOI檢測不良品資訊後, 進由AI先進行AOI檢測不良品的覆判,輸出AI檢測不良資訊後, 再經由人工逐一覆判是否為不良品。 流程差異 nbspnbspnbsp 藉由AOIAI系統的導入,我們除了能夠提升目視檢查人員的效率與良率外,我們有了這次AI的導入經驗,以後也可將AI與大數據的運用加入到組弘原有的智慧製造系統,使我們的智慧製造系統的效能更提升,更進一步的減輕員工的工作壓力。 導入前後差異說明 推廣策略 1nbspnbspnbspnbspnbspnbsp 同領域擴散:所有SMT製造業皆會遇到檢查瓶頸導致延誤出貨的狀況,導入此系統可解決目前缺工嚴重問題並提升出貨速度與品質,自行向客戶推廣或透過設備商銷售給相關需求者。 2nbspnbspnbspnbspnbspnbsp 異業擴散規劃:與AOI製造商洽談直接將AI系統掛在AOI系統內,增加其市場競爭力。 nbsp 獲利策略 1nbspnbspnbspnbspnbspnbsp 與AOI製造商合作收取授權金。 2nbspnbspnbspnbspnbspnbsp 與SMT製造業直接銷售AI系統。 3nbspnbspnbspnbspnbspnbsp 提供SMT製造業AOIAI系統訂閱制

【解決方案】佐翼科技無人機導入高爾夫球場域 可節省一半人力
佐翼科技無人機導入高爾夫球場域 可節省一半人力

對於大多數的高爾夫球場而言,場務的營運及管理是一個令人頭疼的問題。「球場就是在賣草皮,場地一定要顧好」,一位高球場負責人不諱言指出。面臨球場場務人力短缺、老年化及成本高昂的市場痛點,導入AI無人機進行農藥噴灑及防蟲害,將可節省球場一半以上的人力成本,並大幅提升整體營運效率。 初夏晌午,位於桃園的台北高爾夫俱樂部,AI智慧無人機緩緩升空,其主要的任務是進行高爾夫球場AI 智慧無人機施肥噴藥的測試。事實上,執行此項任務的佐翼科技,其無人機普遍使用於稻田、香蕉、茶樹等農作物,來從事施肥施藥及防治病蟲害的工作,對於動輒數十到上百公頃的高爾夫球草坪,要運用AI無人機協助草皮維護作業,現階段將進行資料蒐集、建立施藥AI模型及多光譜影像分析測試等,未來將進一步進行大規模的技術落地驗證,為無人機導入高爾夫球場域建立典範。 透過AI無人機施肥灑藥 可節省一半人力 傳統高爾夫球場維護草坪的作業方式,是以人工揹著藥桶,或是駕駛施藥車逐一分區進行噴灑。「國內高爾夫球場於2001年起開始種植超矮性百慕達草種品系,此一草種喜好涼爽的氣候,台灣高溫潮濕的天氣型態並不適宜」,佐翼科技執行長進一步指出,為避免草皮遭受病蟲害,就必須進行農藥噴灑工作,以18洞球場而言,相當於每周要噴灑一次殺菌劑,T台及球道每兩個月噴藥一次。對於高爾夫球場而言,噴灑農藥耗時費力,重要的是,大規模噴灑將增加人員中毒與農藥量增加的風險。 農用無人機在高爾夫球場應用之效益 根據佐翼科技研究,高爾夫球場的蟲害包括夜盜蟲、斜紋夜盜蛾等,其生活習性是傍晚會出來覓食,因此,噴藥的工作必須傍晚施作。依據傳統作業方式,每次施藥估計需要兩台車三個人力,共耗費45小時的時間。若透過AI無人機施肥灑藥,操作人力僅需1人,20分鐘可以噴灑08公頃土地,約可節省三分之二的人力,也可減少營運成本30左右。 高爾夫球場草坪透過AI無人機施肥灑藥,約可節省一半人力 啟用農用無人機應用於高爾夫球場的草皮維護,除了顯著的效益顯現外,佐翼科技也特別導入AI多光譜影像辨識建立NDVI標準化植被指數分析,「所謂的多光譜是將不同的波長波段光線打在草坪的植株上,蒐集反射回來的影像進行分析」,佐翼科技劉姓執行長接著解釋,因為不同光譜,每一種植物在光的波長吸收程度不一,透過多光譜可以掌握草種生長狀況。同時再結合AI影像辨識,可以精準偵測病蟲害分布情況,據此決定施藥量的多寡。 跨領域協作 建立無人機草坪多源影像資料庫 運用AI多光譜影像辨識技術,佐翼科技將蒐集包括可見光譜、多光譜、熱影像和高光譜影像等,建立無人機草坪多源影像資料庫,完整掌握百慕達草種生長週期。 佐翼科技累積豐富的農業AI無人機噴灑藥劑經驗,但要將AI解決方案導入大面積的高爾夫球場仍有諸多問題需要克服。例如需要建立全新施藥模型及測試飛行方式,尤其是多光譜影像辨識運用,概念驗證並不困難,但實際執行則需要更多的測試實證,反覆推論,並與植物專家建立協同作業才能完成,這部分則須仰賴資策會等法人單位跨域整合,集結更多場域投入實證,建立典範,才能在高爾夫球場場域擴散。 智慧無人機導入高爾夫球場的國際案例文獻並不多,在驗證的過程中,能否快速複製至下一個球場尚未可知,但佐翼科技劉姓執行長認為,透過跨領域協作的方式,將問題定義清楚,一一臚列,供需雙方取得共識,針對每一個問題提出可以解決的方案,並找尋內外部的資源合作,才能逐步完成高爾夫球場智慧化的目標,順利協助產業轉型。 佐翼科技執行長劉峻麟

【導入案例】巨量遙測空間數據AI分析雲端服務平台 使衛星遙測影像順利落地應用
巨量遙測空間數據AI分析雲端服務平台 使衛星遙測影像順利落地應用

衛星遙測影像雖然可以讓地面景物無所遁形,然真正要能落地應用至產業面,還需要耗費大量時間與人力。為有效解決客戶面臨巨量影像資料消化困難及消除跨領域用戶對衛星遙測影像處理的技術障礙等問題,興創知能研發「巨量遙測空間數據AI分析雲端服務平台」,作為智慧空間資訊跨域AI應用導入的新開端。 近年來,為了因應產業全球化衝擊,臺灣農業轉型持續走向科技化與精緻化,紛紛從微氣候衝擊、病蟲害防治等問題的解決,來提升農作物的產量與品質。為了精確掌握作物的生長環境、農業對於影像的使用,有了無限擴張的需求。 在早年UAV無人機尚未盛行的年代,人工田野調查是最基本、卻也最消耗人力的工作,有了UAV無人機的出現,航拍操作也許不太困難,但能拍的範圍受限,要精確地擷取空間資訊,還需要測量專業。此時,衛星遙測數據的使用可能就此跳脫過去使用影像資料的想像。 國家太空中心TASA資料倉儲服務 在近十年,現代衛星遙測應用技術的突破,數位地球成了全球資料採集的新趨勢、各國紛紛發展資料立方的影像倉儲技術,各國發展智慧農業成了最大的影像用戶之一,掌握作物的栽種分佈,就是掌握作物產量的第一步,有了免費的衛星遙測影像、強大的資料倉儲支援,以及團隊穩健的影像辨識技術,是加速農業轉型的重要支持。 運用衛星遙測影像數據 可加速智慧農業發展 然而,在過去,想透過衛星遙測影像來萃取大面積作物分布,也是困難重重,所需要花費的費用不說,若想使用免費的資訊,必須逛透國際太空機構的網站,在琳瑯滿目的衛星產品規格表中,審慎評估感測器規格、影像解析度以及再訪週期,找到適合的影像後,還得一幅一幅的看,去蕪存菁,接下來,動輒數百MegabyteMB的影像資料、連續幾十張的影像下載存檔,所用的電腦容量恐不堪負荷。 還有,當克服影像存取、備好資料後,接著必須開始確認下載的影像產品,哪些才是想要的波段,因為眼前看到的影像並不只是一個圖檔jpg或png,複雜的多光譜資訊、屬性欄位和座標資訊,光是確認正確的資訊,就耗費龐大心力。 而面對功能複雜的GIS套裝軟體,又是另一個麻煩的開始,複雜的影像前處理流程,以及缺乏彈性的機器學習套件,大幅降低分析資料的效率。好不容易做出作物辨識的結果,才發現可能已經過了圖資使用的黃金時期。上述複雜耗時的衛星影像處理問題,恰恰就是市場的痛點, 興創知能從傳統的機器學習擴展到現代的深度學習應用,研發在GeoAI框架下的「巨量遙測空間數據AI分析雲端服務平台」,為客戶突破這些空間資訊的魔鬼細節。 AI分析雲端服務平台流程導入前後之差異 興創知能表示,在我國國家太空中心TASA, Taiwan Space Agency的多年努力下,屬於臺灣的ODCOpen Data Cube系統也已打造完成啟動服務,與國際趨勢正式接軌,強大的倉儲技術讓使用者可以輕易的根據需求,擷取並使用特定時間與空間範圍的影像資料,倉儲收納了國際太空機構旗下的多個衛星影像資源,包含ESA的Sentinel-1每隔6日一幅、Sentinel-2每隔6日一幅,USGS的Landsat-7每隔16日一幅、Landsat-8每隔16日一幅,以及國內自有的Formosat-2每日一幅與Formosat-5每隔2日一幅。 以Python語言為基礎 興創知能開發衛星影像辨識工具 擺脫GISGeographic Information System套裝軟體的侷限,興創知能以Python語言為基礎,整合GDALGeospatial Data Abstraction Library,並考慮運算效率與平行處理,完成所有衛星影像處理與影像辨識建模所需的工具開發,包含座標系統與資料格式的轉換、網格與向量資料互動,以及資料內差與正規化等工具,都是以AI應用為考量進行設計,而部分常用的工具更以TronGisPy為名,打包為開源套件造福技術社群。 興創知能善用團隊對衛星遙測影像的了解,以及透過所蒐集的標記資料作物分佈圖資,預設好影像辨識建模過程,所需的訓練資料規格與資料集定義,套用事先完成的機器學習LightGBM或深度學習CNN框架,並讓整個訓練過程在Web GIS的介面中,提供使用者部分的彈性,自由篩選影像、確認時空範圍、選用模型與超參數調整。除了訓練模型的操作,也提供歷史模型的運用產出辨識結果,最終讓作物分佈的辨識結果展示在Web GIS圖台。 事實上,不僅只是農業才會有衛星遙測的應用需求,隨著各行各業為了提升企業全球性的競爭能力,空間資訊的智慧化應用也大幅度的出現在各種領域之中。舉例而言,擁有大量圖資的測繪業者,能夠透過AI分析雲端服務平台 ,收納圖資的同時也加速數化製圖的效率;在全球氣候劇烈變化與致災性地震風險之下,產業保險類別豐富,農業保險、金融保險或是災害保險,都與空間資訊脫離不了關係,透過遙測影像辨識掌握保險標的早已成為國際趨勢。 巨量遙測空間數據AI分析雲端服務架構