本講座では、1日目に特許調査に役立つテキストマイニング・機械学習の基礎を学び、2日目にOSSを使った自分でできる特許情報解析の実践へ進みます。AIを単なる流行としてではなく、実務にどう活用し、どう見極め、どう内製化していくかを、特許調査・解析の視点から体系的に理解することを目指します。

ツールを評価・把握し使いこなす地力が《2日間》で身につけられる！

小規模組織(個人)でもできる
AI・機械学習・OSSを活用した特許情報の読み方・調べ方
＜基礎編＞
テキストマイニング・機械学習の基礎

― テキストマイニングとAI・機械学習による効率的な特許調査 ―

アジア特許情報研究会　知財情報解析グループ グループリーダー 安藤 俊幸氏

1985年　現花王株式会社入社、研究開発に従事、1999年　研究所の特許調査担当（新規プロジェクト）、2009年　研究開発部門　知的財産部、2011年　アジア特許情報研究会入会、知財情報解析グループで活動、2020年　特許情報普及活動功労者表彰 日本特許情報機構理事長賞「技術研究功労者」受賞、2024年第49回「情報科学技術協会賞」研究発表賞受賞、2024年花王を定年退職。アジア特許情報研究会、情報科学技術協会、人工知能学会、データサイエンティスト協会等に所属。ご専門は、知財情報解析、機械学習、テキストマイニング、分析化学。

Ⅰ．はじめに
いま、なぜ特許調査にテキストマイニングとAI・機械学習なのか

近年の特許調査・解析分野におけるAI活用の広がりを概観し、本講座で扱うテーマの位置づけを整理します。
生成AIと従来型AIの違いにも触れながら、なぜ今この分野を学ぶ意義があるのかを確認します。

0. 講師自己紹介／アジア特許情報研究会紹介
1. 特許調査・解析分野におけるAI活用の最新動向
2. 特許実務におけるテキストマイニング導入の背景
3. 従来型の調査手法とAI活用型調査の違い
4. 生成AIと機械学習、それぞれの得意分野
5. 本講座のねらいと全体像
6. 基礎編から実践編へつながる学びのポイント


Ⅱ．特許調査とテキストマイニングの基礎
特許文献を“読む”から“分析する”へ

特許調査の目的や特許文献の構造を確認し、特許文献を分析対象データとして扱うための基礎を学びます。
キーワード検索だけでは捉えにくい課題と、テキストマイニングが果たす補完的役割を整理します。

1. 特許調査の種類と目的の整理
2. 特許文献の特徴と一般文書との違い
3. 特許公報を構成する主要データの基礎理解
4. キーワード検索・分類検索の限界と補完手法
5. テキストデータとして見た特許文献の扱い方
6. テキストマイニング導入で何が変わるのか


Ⅲ．テキストマイニングの概要と特許調査への応用
頻出語・共起・類似性から技術の姿を捉える

形態素解析、頻度分析、共起分析、類似度計算など、テキストマイニングの基本技法を学びます。
それらを特許調査にどう結びつけるかを、検索補助・俯瞰・技術テーマ把握の観点から理解します。

1. テキストマイニングとは何か
2. 形態素解析・分かち書き・前処理の基本
3. 頻度分析・特徴語抽出の考え方
4. 共起分析による技術テーマの把握
5. 文書ベクトル化と類似文献探索の基礎
6. 特許調査における具体的応用場面


Ⅳ．各種ツールのテキストマイニング関連機能活用事例
市販ツール・特許DB・生成AIをどう使い分けるか

市販の特許データベースや各種分析ツール、生成AIのテキスト処理機能をどのように実務で使い分けるかを考えます。
便利さの裏にあるブラックボックス性や検証の必要性についても触れます。

1. 特許データベースにおける分析支援機能の概要
2. 頻出語分析・共起ネットワークの活用事例
3. 出願人別・時系列別の技術動向分析事例
4. 請求項・要約・全文の使い分け
5. 生成AIを活用した要約・分類・論点整理事例
6. ツール利用時に押さえるべき注意点


Ⅴ．オープンソースを用いた機械学習の特許調査への応用
自分で試せる機械学習の基本と実務への接続

OSSを使って機械学習を実務へ取り込む考え方を学びます。
教師あり・教師なし学習の基礎を押さえながら、特許文献を扱う際の前処理や特徴量化の考え方を理解します。

1. OSSを活用するメリットと導入意義
2. 機械学習の基本構造と特許分野での位置づけ
3. 教師あり学習・教師なし学習の基礎
4. 特許文献の前処理と特徴量化の考え方
5. OSSを用いた分類・抽出・分析の基本フロー
6. 実務適用にあたっての留意点


Ⅵ．AI・機械学習のクラス分類の応用事例
文献の自動仕分け・絞り込み・分類をどう実務に生かすか

技術分野分類、関連／非関連の絞り込み、ノイズ除去など、クラス分類の実務的な用途を扱います。
分類精度の見方や教師データ設計の考え方も含めて、実装・運用の勘所を整理します。

1. クラス分類の基本概念と特許調査での用途
2. 技術分類・ノイズ除去・文献選別への応用
3. ラベル設計と教師データ作成の考え方
4. 分類精度の見方と評価指標の基礎
5. 特許調査実務における分類モデル活用事例
6. 生成AIと分類モデルの組み合わせ方


第Ⅶ章　教師なし機械学習（クラスタリング・次元圧縮）の応用
技術の広がりとまとまりを“見える化”する

クラスタリングや次元圧縮を用いることで、文献群のまとまりや技術領域の位置関係を可視化する方法を学びます。
技術動向把握やランドスケープ分析への展開可能性も視野に入れて解説します。

1. 教師なし学習とは何か
2. クラスタリングによる文献群の自動整理
3. 次元圧縮による技術分布の可視化
4. 周辺技術・新規テーマ探索への応用
5. 特許ランドスケープへの展開可能性
6. 解釈・検証における人の役割