top of page

Патентний пошук із ШІ: чим розумніший алгоритм, тим небезпечніша ілюзія повноти

Oct 23
3 min read



Штучний інтелект навчився знаходити патенти за змістом, аналізувати тисячі документів і порівнювати технічні рішення за лічені хвилини.


Здавалося б, проблему патентного пошуку майже вирішено.


Але є одна цікава обставина: ШІ може переконливо пояснити, чому знайдений документ є релевантним, і водночас нічого не повідомити про документ, який він пропустив.


Саме ця проблема дедалі частіше опиняється в центрі наукових досліджень.


Що показують останні наукові праці?


Дослідження DAPFAM (Ayaou та співавтори, 2026) звертає увагу на проблему міжгалузевого патентного пошуку. За наведеними авторами результатами, ефективність пошуку між різними технологічними галузями може бути приблизно вп'ятеро нижчою, ніж у межах однієї галузі.


Наприклад, технічне рішення для медичного обладнання може вже використовуватися в сільськогосподарській техніці. Принцип однаковий, термінологія різна. І навіть сучасний ШІ не завжди встановлює цей зв'язок.


Інше дослідження — Rethinking Patent Retrieval with Language Models (2026) — демонструє можливості покращення якості ранжування патентних документів за допомогою мовних моделей.


Проте якісне ранжування знайдених документів ще не означає повноти пошуку.


А робота Is It Novel and Why? (2026) представляє інший напрям: перехід від пошуку схожих патентів до аналізу конкретних ознак формули винаходу та їх зіставлення з документами рівня техніки.


Оглядові дослідження 2025–2026 років також охоплюють застосування RAG, графових моделей, мультимодального аналізу та спеціалізованих інструментів пошуку.


І тут виникає несподіваний висновок: розвиток ШІ не усуває необхідності перевірки результатів. Навпаки, він робить питання надійності пошуку ще актуальнішим.


А якщо головне питання не в алгоритмі?


Ми звикли запитувати: яка модель краща, швидша, точніша?


Але для професійного патентного пошуку важливіше інше.


Як організовано сам пошук? Де його початкова точка? Як перевіряються результати? І головне — як оцінити те, що могло залишитися поза результатами?


Саме на цих питаннях зосереджений розвиток методології X/Y/A та системи 6П у межах проєкту AI Protect.


Йдеться про перехід від окремих пошукових запитів до системної процедури пошуку, зіставлення та перевірки інформації.


Сучасні наукові дослідження підтверджують актуальність такого напряму, хоча ефективність кожної конкретної методології потребує окремого експериментального оцінювання.


Що далі?


ШІ ставатиме швидшим, точнішим і потужнішим. Він краще аналізуватиме креслення, технічні ознаки та зв'язки між різними галузями.


Але один пропущений документ іноді важливіший за сотню правильно знайдених.


Можливо, наступним великим досягненням патентного пошуку стане не ШІ, який знаходить більше, а система, яка дозволяє перевірити, наскільки можна довіряти знайденому.


І це вже питання не лише технології, а й методології.


---


Наукові джерела


1. Chikkamath R. et al. (2026). Rethinking Patent Retrieval with Language Models: Toward Scalable and Efficient Search. World Patent Information. DOI: "10.1016/j.wpi.2026.102433" (https://doi.org/10.1016/j.wpi.2026.102433).


2. Knappich V. et al. (2026). Is It Novel and Why? Fine-Grained Patent Novelty Prediction Based on Passage Retrieval. "arXiv:2605.02392" (https://arxiv.org/abs/2605.02392).


3. Poce S., Cerro G. (2026). A Survey on Automated and AI-Based Tools for Patent Retrieval with a Special Focus on the Life Sciences Domain. World Patent Information. DOI: "10.1016/j.wpi.2026.102439" (https://doi.org/10.1016/j.wpi.2026.102439).


4. Shomee H. H. et al. (2025). A Survey on Patent Analysis: From NLP to Multimodal AI. ACL 2025. DOI: "10.18653/v1/2025.acl-long.419" (https://doi.org/10.18653/v1/2025.acl-long.419).


5. Jiang L., Goetz S. M. (2025). Natural Language Processing in the Patent Domain: A Survey. Artificial Intelligence Review. DOI: "10.1007/s10462-025-11168-z" (https://doi.org/10.1007/s10462-025-11168-z).


6. Daniell K. et al. (2025). Efficient Patent Searching Using Graph Transformers. "arXiv:2508.10496" (https://arxiv.org/abs/2508.10496).


7. Ding Y. et al. (2025). An Automatic Patent Literature Retrieval System Based on LLM-RAG. "arXiv:2508.14064" (https://arxiv.org/abs/2508.14064).


8. Ayaou I., Cavallucci D. (2025). PatenTEB: A Comprehensive Benchmark and Model Family for Patent Text Embedding. "arXiv:2510.22264" (https://arxiv.org/abs/2510.22264).


9. Wang Z. et al. (2025). DesignCLIP: Multimodal Learning with CLIP for Design Patent Understanding. EMNLP 2025. DOI: "10.18653/v1/2025.findings-emnlp.553" (https://doi.org/10.18653/v1/2025.findings-emnlp.553).


10. Ayaou I. et al. (2026). DAPFAM: A Domain-Aware Family-level Dataset to Benchmark Cross-Domain Patent Retrieval. Array. DOI: 10.1016/j.array.2026.100720.


---


Лариса Гаврилей

Патентна повірена України, засновниця та керівниця «Патентпром Київ», співзасновниця AI Protect, авторка методології X/Y/A та системи 6П.

Comments

Rated 0 out of 5 stars.
No ratings yet

Add a rating
bottom of page