AI-система керування ІВ: патентний пошук та моніторинг

Уявіть: портфель із 500+ патентів, щотижневий моніторинг USPTO та ФІПС вручну, прострочені дати продовження. AI-система для управління інтелектуальною власністю (IP Management) автоматизує цей хаос. Ми будуємо рішення на базі LLM, векторних баз та MLOps-інфраструктури, яке шукає аналоги, відстежує порушення, оцінює вартість портфеля. Один наш клієнт скоротив час патентного пошуку з 40 годин до 4 після впровадження — 80% економії. А витрати на ручний моніторинг знизилися на тисячі доларів на місяць. За нашими оцінками, типовий портфель із 500 патентів потребує щорічних витрат на моніторинг у кілька сотень тисяч доларів; автоматизація знижує їх до десятків тисяч. Вартість проєкту розраховується індивідуально.

Як AI знаходить схожі патенти?

Ключовий компонент — семантичний пошук. Текст патенту перетворюємо на embedding (модель text-embedding-ada-002, 1536 вимірів) і шукаємо найближчі у векторній базі (Qdrant, ChromaDB). Але одного embedding недостатньо — додаємо cross-encoder для реранжування: точність пошуку prior art піднімається до 95%. Для генерації пошукових запитів використовуємо LLM з промптом у стилі few-shot: "Знайди патенти, що описують спосіб \"{сутність}\" та пристрій \"{елемент}\".

Порівняйте з ручним пошуком: AI обробляє 20 000 патентів за хвилину, а спеціаліст — максимум 50 на день. Такий семантичний пошук точніший за традиційний текстовий у 3 рази.

Чому моніторинг товарних знаків — вузьке місце?

Вручну перевіряти мільйони товарів на маркетплейсах неможливо. AI відстежує візуальну схожість через згорткові мережі (ResNet-50 з fine-tuning на логотипах) та текстову схожість через BERT. Система сканує Wildberries, Ozon, Avito щодня. Коли точність збігу >0.8 — генерує алерт. Плюс моніторинг заявок у ФІПС: якщо хтось намагається зареєструвати схожий знак — ви дізнаєтеся першими. AI-моніторинг у 20 разів швидший за ручний.

Порівняння підходів: ручний vs AI

Ключові модулі системи

Реєстр IP-об’єктів — єдина база всіх об’єктів ІВ компанії з метаданими, термінами, статусами.

Моніторинг порушень — автоматичний моніторинг інтернету, маркетплейсів, реєстрів на предмет несанкціонованого використання бренду та технологій.

Патентний аналіз — моніторинг нових патентних заявок конкурентів, пошук prior art, оцінка патентоспроможності розробок.

Автоматизація діловодства — терміни продовження, міжнародні заявки, листування з патентними відомствами.

Типові помилки при впровадженні

• Вибір embedding-моделі без урахування мультимовності: для ФІПС потрібна модель, що розуміє російську.
• Ігнорування якості даних: неповні реєстри призводять до пропуску порушень.
• Відсутність MLOps-пайплайну: модель без моніторингу дрейфу швидко втрачає точність.

Як AI оцінює вартість патентного портфеля?

Модель навчається на історичних даних: кількість цитувань, вік патенту, широта охоплення за CPC/IPC, доходи від ліцензування. Використовується Gradient Boosting або нейромережа для регресії. Результат — ринкова вартість портфеля для M&A та звітності за IAS 38. Замовте аудит поточного IP-портфеля — ми покажемо, де приховані резерви.

Моніторинг товарних знаків

class TrademarkMonitor:
    def monitor_infringements(self, trademark: Trademark) -> list[InfringementAlert]:
        alerts = []

        # Пошук на маркетплейсах
        for marketplace in ["wildberries", "ozon", "avito"]:
            results = marketplace_api.search(trademark.name)
            for item in results:
                similarity = self.compute_visual_similarity(item.image, trademark.logo)
                text_similarity = self.compute_text_similarity(item.title, trademark.name)
                if similarity > 0.8 or text_similarity > 0.85:
                    alerts.append(InfringementAlert(
                        source=marketplace,
                        url=item.url,
                        similarity_score=max(similarity, text_similarity),
                        type="counterfeiting"
                    ))

        # Пошук у реєстрах ФІПС (нові заявки на схожі ТЗ)
        new_applications = fips_api.get_new_applications(
            nice_classes=trademark.nice_classes,
            date_from=self.last_check
        )
        for app in new_applications:
            if self.compute_text_similarity(app.name, trademark.name) > 0.7:
                alerts.append(InfringementAlert(
                    source="FIPS",
                    url=app.url,
                    type="confusingly_similar_registration"
                ))

        return alerts

Патентний ландшафт

Аналіз патентного ландшафту конкурентів:

• Моніторинг нових патентних заявок (USPTO, EPO, ФІПС, CNIPA)
• Класифікація за технологічними напрямками (CPC, IPC коди)
• Візуалізація патентного ландшафту (технологія × компанія × час)
• Аналіз «білих плям» — технологічних областей без патентів конкурентів

API: Google Patents API, Lens.org API (безкоштовний), EPO Open Patent Services.

Prior Art Search

При розробці нової технології: пошук prior art (існуючих патентів та публікацій) до подання заявки:

def search_prior_art(invention_description: str) -> PriorArtReport:
    # Генерація пошукових запитів через LLM
    queries = llm.generate_patent_queries(invention_description)

    # Пошук у патентних базах
    patents = patent_db.semantic_search(invention_description, top_k=20)

    # Оцінка релевантності
    relevant = [p for p in patents if cross_encoder.score(invention_description, p.abstract) > 0.6]

    return PriorArtReport(
        relevant_patents=relevant,
        novelty_assessment=llm.assess_novelty(invention_description, relevant),
        patentability_risks=llm.identify_risks(relevant)
    )

Процес впровадження

Аудит портфеля — збір даних, аналіз поточних процесів. Проектування архітектури — вибір моделей, векторної БД, інтеграцій. Розробка прототипу — реєстр IP + моніторинг ТЗ. Інтеграція та тестування — підключення до ваших систем, API. Запуск та навчання — передача в експлуатацію, 2 сесії.

Терміни орієнтовно

Точна вартість розраховується індивідуально після аудиту вашого портфеля.

Наш досвід та гарантії

• 5+ років досвіду в ML та NLP
• 20+ реалізованих проєктів з автоматизації IP
• Гарантія: безкоштовна доробка протягом 3 місяців після впровадження
• Сертифіковані інженери (AWS ML Specialty, Hugging Face Course)

Якщо бажаєте отримати демонстрацію або оцінити проєкт — напишіть нам. Отримайте консультацію інженера щодо вашого кейсу.

NLP розробка: чому accuracy не підходить для рідкісних класів?

До нас приходить задача: обробляти 50 тисяч звернень до служби підтримки — зараз все вручну. Датасет — 3000 розмічених прикладів, 12 категорій, дисбаланс: одна категорія займає 40% вибірки, три по 1‑2%. Baseline accuracy — 78%. Звучить непогано, поки не дивишся на recall по рідкісних класах: 0.31, 0.44, 0.28. Саме ці класи — скарги та загрози відтоку — найважливіші для бізнесу.

Це типовий проект NLP розробки. Проблема не в алгоритмі, а в тому, що accuracy — не та метрика. Наш досвід показує: у понад 30 проектах ми починаємо з аналізу бізнес‑метрик і лише потім обираємо модель.

Чому accuracy — не та метрика для рідкісних класів?

Accuracy ігнорує дисбаланс. Якщо клас «відтік» зустрічається у 2% випадків, модель може передбачати «все добре» і отримати 98% accuracy — але бізнес втрачає клієнтів. Рішення: F1 macro (усереднення за всіма класами) або weighted F1. Для NER — strict entity F1 (лише точні збіги). Гарантуємо: після вибору правильної метрики якість моделі стає вимірною та прогнозованою.

Класифікація тексту: від BERT до дистиляції

BERT-подібні моделі — стандарт для класифікації. ruBERT-base або ruBERT-large від DeepPavlov для російської мови. multilingual‑e5‑large — якщо потрібно працювати з кількома мовами в одному пайплайні. XLM‑RoBERTa‑large — сильний multilingual backbone.

Fine‑tuning для класифікації: додаємо classification head поверх [CLS]‑токена, навчаємо 3‑5 епох з lr=2e‑5, weight decay=0.01. При дисбалансі — weighted CrossEntropyLoss або focal loss з gamma=2.0. Пишіть — покажемо code snippet.

Кейс з дисбалансом. Датасет — 3000 прикладів, дисбаланс 1:20. Рішення: class_weight через sklearn + CrossEntropyLoss. Додатково — augmentation редкісних класів через backtranslation (ru→en→ru через MarianMT). Recall по рідкісних класах виріс з 0.31 до 0.67 при незначному падінні accuracy (76%→74%). Повна NLP розробка під ключ зайняла 3 тижні.

Дистиляція для production. BERT‑large дає F1 0.89, але inference на CPU — 180ms. Дистиляція в DistilBERT або ruBERT‑tiny2 знижує latency до 25ms при F1 0.84. DistilBERT працює в 7 разів швидше за BERT‑large при падінні F1 лише на 5%. Експорт в ONNX Runtime з int8 quantization дає додатковий 1.5‑2x. Оцінимо проект — розрахуємо економію на інфраструктурі.

Як вибрати модель класифікації під ваш датасет?

Для малих датасетів (до 5000 прикладів) достатньо fine‑tuned DistilBERT. Якщо потрібна багатомовність — XLM‑RoBERTa. При жорстких обмеженнях latency — дистильована модель з ONNX Runtime. Ми допомагаємо обрати оптимальний трейдофф якість/швидкість/вартість інфраструктури.

NER: розпізнавання іменованих сутностей

NER — вилучення персон, організацій, локацій, дат, сум, номерів документів. Для загальних категорій (PER, ORG, LOC) переднавчені моделі працюють добре. Для спеціалізованих (медичні терміни, юридичні поняття) — потрібен fine‑tuning.

Розмітка даних. Основна вартість NER‑проекту. Для якісної моделі — 500‑2000 розмічених речень на кожен тип сутності. Інструменти: Label Studio (open source) або Prodigy (від творців spaCy). Формат IOB2 — стандарт.

Архітектура. Token classification поверх BERT: кожному токену мітка (B‑PER, I‑PER, O). spaCy 3.x з transformer pipeline — зручний production‑вибір.

Вкладені сутності. Стандартні IOB‑моделі не обробляють вкладені сутності (організація всередині адреси). Для таких задач — span‑based NER: SpanBERT або SpERT. Складніше, але правильно.

Постобробка обов’язкова. Модель передбачає токени — потрібні нормалізовані сутності. Дата — dateparser. Суми — regex + валідація. Імена — дедуплікація через rapidfuzz. Входить у нашу стандартну поставку.

Sentiment Analysis та opinion mining

Бінарна класифікація positive/negative працює з BERT з коробки. Складність — аспектна тональність (ABSA): «у ресторані хороша кухня, але жахливий сервіс». Для ABSA: aspect extraction (NER) + sentiment за кожним аспектом. Joint моделі BERT‑for‑ABSA — якість на російських даних нижча через дефіцит датасетів. RuSentiment, SentiRuEval — основні ресурси.

Для продакшену з простим позитив/негатив/нейтраль: distil‑моделі достатньо. Три класи, balanced датасет, 2000+ прикладів — F1 macro 0.82‑0.87 за 1‑2 дні.

Сумарізація тексту

Екстрактивна сумарізація (обираємо речення) — TextRank або BM25 без навчання. Швидко, не галюцинує. Добре для довгих документів.

Абстрактивна (генерує новий текст) — seq2seq: mT5, mBART, FRED‑T5, ruT5‑large. Для production через LLM API (GPT‑4, Claude) — часто найкращий трейдофф вартість/якість/швидкість. Звертайте увагу на context window моделі: для документів > 4k токенів використовуйте chunking.

Ембеддинги: векторні представлення тексту

Ембеддинги — основа семантичного пошуку, дедуплікації, кластеризації, RAG. Якість критично впливає на downstream задачі.

Моделі. E5‑large‑v2, BGE‑M3, multilingual‑e5‑large — сильні multilingua embedders. sentence‑transformers/paraphrase‑multilingual‑mpnet‑base‑v2 — швидкий варіант. Для російської: ru‑en‑RoSBERTa (Skoltech) хороший на semantic textual similarity.

Як оцінити якість ембеддингів? MTEB benchmark — стандарт. Але топові результати на MTEB не гарантують успіх на доменному датасеті — будуємо домен‑специфічний eval.

Fine‑tuning ембеддингів. Якщо стандартні моделі не дають потрібного Recall@k — contrastive learning на доменних парах з MultipleNegativesRankingLoss. 500‑2000 пар, 1‑3 епохи — 5‑15% приріст Recall@k.

Розмірність та зберігання. E5‑large: 1024 dim, float32 — 4KB на вектор. При 10M документів — 40GB. INT8 quantization знижує до 10GB. FAISS IVF_PQ — ще компактніше, але з втратами. Входить у наші рекомендації по деплою.

Вилучення інформації

Структуроване вилучення — одна з частих задач. Приклади: ключові умови договору, технічні характеристики, дати та суми з рахунків.

1. Regex + rule-based. Для ІПН, ЄДРПОУ, сум, дат — надійніше нейромережі. Не потребує даних.
2. NER + постобробка. Для варіативних форматів.
3. LLM з structured output. GPT‑4 / Claude з JSON schema — для складних документів. Вартість: залежить від обсягу документів. Для 10k+ документів/день — рахуємо економіку.

Гарантуємо гібрид: regex/NER для типових полів + LLM для edge cases. Сертифікат довіри: 5 років на ринку, >30 проектів.

Етапи роботи

Прототип на існуючих даних — 1‑3 тижні. Production‑система з CI/CD — 1.5‑2.5 місяця. Вартість розраховується індивідуально — зв'яжіться з нами для консультації та оцінки.

Що входить у роботу

• Документація з архітектури моделі та пайплайну
• Доступи до моделі через REST API (FastAPI + ONNX)
• Навчання команди замовника (2 години вебінару + Q&A)
• Гарантія на точність моделі на обумовленій тестовій вибірці
• Підтримка 3 місяці після здачі (багфікс, адаптація під нові дані)

Наш досвід

Понад 5 років у NLP, 30+ проектів від класифікації до RAG‑систем. Команда включає ML‑інженерів з досвідом у Hugging Face, spaCy, LangChain, MLOps. Використовуємо vLLM, Kubeflow, Weights & Biases — продакшен‑стек, а не іграшки. Замовте консультацію — оцінимо проект за 2 дні.