- Primjer 3. Analiza i klasifikacija pokreta pomoću podataka sa senzora gibanja
-
Pozadina izuma
Analiza gibanja objekta može se koristiti za identifikaciju određene aktivnosti. U nekim poznatim primjerima, poput sportskih događanja, analiza gibanja može biti korisna za trenere. Alternativno, u sustavima koji se temelje na gestama, prepoznata gesta može se koristiti kao mehanizam upravljanja ili za pokretanje alarma. U jednom poznatom primjeru, sustav za prestanak pušenja generira alarm u uređaju koji se nosi na zapešću kako bi odvratio korisnika od pušenja.
Obično ti poznati sustavi rade tako da uspoređuju podatke u stvarnom vremenu sa statističkim modelima kako bi utvrdili gibanje, a snažno ovise o točnosti statističkog modela. Zbog toga takvi sustavi mogu biti netočni.
Izumitelj je predložio sustav koji koristi vektore gibanja dobivene iz akceleracije, brzine i orijentacije u smjerovima X, Y i Z kao ulazne podatke za neuronsku mrežu radi klasifikacije gibanja. Sustav prima podatke o kretanju u stvarnom vremenu s uređaja kao što je sportski sat ili drugi senzori gibanja. Neuronska mreža obrađuje vektor gibanja koristeći klasifikacijsku biblioteku kako bi klasificirala gibanje kao određeni pokret.
Patentni zahtjev
Računalno implementiran uređaj za analizu gibanja koji obuhvaća:
- upravljačku jedinicu s podatkovnim sučeljem, neuronskom mrežom i bibliotekom za klasifikaciju pokreta;
- senzore uključujući žiroskop, magnetometar i akcelerometar, pri čemu podaci sa svakog senzora dolaze do upravljačke jedinice putem podatkovnog sučelja;
- naznačen time da je upravljačka jedinica podešena za:
- određivanje vektora gibanja iz primljenih podataka; i
- dostavu utvrđenog vektora gibanja neuronskoj mreži, pri čemu je neuronska mreža podešena za klasifikaciju tog vektora kao jednog od pokreta iz biblioteke klasifikacija.
Doprinos izuma je uređaj koji određuje vektor gibanja iz podataka prikupljenih senzorima (žiroskop, magnetometar, akcelerometar) te koristi neuronsku mrežu i klasifikacijsku biblioteku za klasifikaciju vektora gibanja kao pokreta iz te biblioteke.
Pitanje je pada li doprinos isključivo unutar isključenih kategorija prema čl. 6. st. 2 ZOP-a; i provjerava se ima li tehničku prirodu
Doprinos nije isključivo računalni program jer mu je zadatak izvršavanje postupka klasifikacije izmjerenih podataka senzora koji opisuju fizičko gibanje računalnog uređaja. Taj se postupak odvija izvan samog računala i provodi se tehničkim sredstvima. Riječ je o klasifikaciji stvarnih podataka senzora kao prepoznatog pokreta.
Zaključak
Prijavljeni izum je patentibilan.
- Primjer 4. Otkrivanje kavitacije u sustavu za pumpanje
-
Pozadina izuma
Kavitacija u sustavu za pumpanje označava stvaranje mjehurića pare u ulaznom protoku pumpe, što može uzrokovati ubrzano trošenje i mehanička oštećenja brtvi, ležajeva i drugih komponenti pumpe, mehaničkih spojki, prijenosnika i dijelova motora.
Sustav pumpe ima mjerni uređaj prilagođen za mjerenje protoka i tlaka u vezi sa sustavom pumpe. Sustav klasifikacije detektira kavitaciju prema podacima o protoku i tlaku. Sustav klasifikacije obuhvaća neuronsku mrežu treniranu metodom povratne propagacije. Mjerni uređaji obuhvaćaju senzore (1, 2) za mjerenje ulaznog i izlaznog tlaka na ulazu (3) i izlazu (4) sustava pumpe. Također se mjeri protok kroz pumpu.
Patentni zahtjevi
1.Način treniranja sustava klasifikacije temeljenog na neuronskoj mreži za detekciju kavitacije u sustavu pumpe, naznačen time da način uključuje korake:
- povezivanja svakog od više izmjerenih parova podataka o protoku i tlaku s jednom od više klasnih vrijednosti, čime se proizvodi skup podataka za treniranje, pri čemu svaka klasna vrijednost označava stupanj kavitacije u sustavu pumpe, a najmanje jedna klasna vrijednost označava da nema kavitacije u sustavu;
- treniranja sustava klasifikacije temeljenog na neuronskoj mreži korištenjem skupa podataka za treniranje i metode povratne propagacije.
2. Način otkrivanja kavitacije u sustavu pumpe koji uključuje:
- mjerenje podataka o protoku i tlaku pumpe;
- otkrivanje kavitacije prema tim podacima;
naznačen time da korak otkrivanja uključuje slanje podataka o protoku i tlaku u sustav klasifikacije koji koristi treniranu neuronsku mrežu, pri čemu neuronska mreža daje signal koji označava postojanje i opseg kavitacije u sustavu, a taj se signal ažurira tijekom rada sustava.
Doprinos izuma
Kod zahtjeva 1, doprinos je računalno implementirana metoda treniranja neuronske mreže za detekciju kavitacije u sustavu pumpe, gdje se koristi metoda povratne propagacije i skup podataka za treniranje koji uključuje mjerenja protoka i tlaka povezana s odgovarajućim klasifikacijama stupnja kavitacije.
Kod zahtjeva 2, doprinos je korištenje treniranog klasifikatora za tehničku svrhu detekcije kavitacije u sustavu pumpe.
Pitanje je pada li doprinos isključivo unutar isključenih područja prema čl. 6. st. 2. ZOP-a; i provjerava se ima li tehničku prirodu.
Iako doprinos uključuje računalni program, on je više od programa kao takvog. Riječ je o korištenju fizičkih podataka za treniranje klasifikatora u svrhu tehničkog otkrivanja kavitacije u sustavu pumpe. Ovo je tehničke prirode – postoji tehnički doprinos, odnosno tzv. veći tehnički učinak.
Zaključak
Prijavljeni izum definiran u zahtjevima 1 i 2 je patentibilan.
- Primjer 5. Upravljanje brizgaljkom goriva u motoru s unutarnjim izgaranjem
-
Pozadina izuma
Mnoga vozila imaju ugrađene katalizatore koji smanjuju količine plinova poput dušikovih oksida i ugljičnog monoksida u ispušnim plinovima. Problem s takvim katalizatorima je što njihova učinkovitost ovisi o omjeru goriva i zraka u komorama za izgaranje motora. Stoga je potrebno upravljati tim omjerom kako bi se održala učinkovita funkcija katalizatora.
Poznato je upravljati količinom goriva koja se ubrizgava u komoru za izgaranje korištenjem prediktivne kontrole u odnosu na položaj leptira gasa, uz dodatnu povratnu kontrolu temeljenu na senzorima kisika (ili senzoru zraka/goriva) koji se nalaze u ispuhu. Iako takav pristup funkcionira, teško je pravilno upravljati omjerom goriva i zraka kada motor ubrzava ili usporava.
Izumitelj je razvio sustav za upravljanje brizgaljkom koji koristi treniranu neuronsku mrežu za određivanje koliko treba prilagoditi zadanu količinu ubrizganog goriva tijekom ubrzavanja/usporavanja kako bi se održao ispravan omjer goriva i zraka te time i učinkovitost katalizatora. Neuronska mreža prima ulazne podatke o radnom stanju motora, poput broja okretaja motora (RPM), tlaka usisanog zraka, položaja leptira gasa, količine ubrizganog goriva, temperature usisanog zraka, temperature rashladne tekućine i podatke sa senzora ispušnih plinova. Neuronska mreža zatim generira izlazni signal koji označava koliko se količina goriva treba prilagoditi za upravljanje radom motora.
Patentni zahtjev
Računalno implementirana neuronska mreža za podešavanje količine goriva koja se ubrizgava u cilindar motora s unutarnjim izgaranjem, naznačen time da neuronska mreža obuhvaća:
ulazni sloj koji ima:
- ulaz za primanje broja okretaja motora (RPM);
- ulaz za primanje tlaka usisanog zraka;
- ulaz za primanje trenutnog položaja leptira gasa;
- ulaz za primanje trenutne količine ubrizganog goriva;
- ulaz za primanje temperature usisanog zraka;
- ulaz za primanje temperature rashladne vode;
- ulaz za primanje podataka sa senzora ispušnih plinova;
- najmanje jedan skriveni sloj povezan s ulaznim slojem;
- izlazni sloj povezan s barem jednim skrivenim slojem;
- pri čemu izlazni sloj ima izlaz koji označava za koliko se treba promijeniti količina ubrizganog goriva.
Doprinos izuma
Doprinos je neuronska mreža koja generira upravljački signal o prilagodbi količine ubrizganog goriva na temelju ulaznih podataka koji predstavljaju radno stanje motora, kako je definirano u zahtjevu.
Pitanje je pada li doprinos isključivo unutar isključenih kategorija prema čl. 6. st.2. ZOP-a; i provjerava se ima li tehničku prirodu
Doprinos je rješenje tehničkog problema izvan računala – konkretno, održavanje ispravnog omjera goriva i zraka u motoru. Neuronska mreža prima podatke o radu motora i generira upravljački signal koji je prikladan za upravljanje tehničkim procesom izvan računala na kojem mreža radi. To je tehnički doprinos, odnosno postiže se tzv. veći tehnički učinak.
Zaključak
Prijavljeni izum je patentibilan.
- Primjer 6. Mjerenje postotka krvi koja izlazi iz srca
-
Pozadina izuma
Korisno je mjeriti postotak krvi koji izlazi iz svake srčane klijetke prilikom procjene zdravstvenog stanja srca. Tu se mjerenje može procijeniti iskusni operator sustava za ultrazvučno snimanje srca, tako da snimi slike srca, označi i izmjeri granice klijetki u dva ekstremna položaja srčanog ciklusa. No, točnost procjene ovisi o znanju i procjeni samog operatora.
Izumitelj je osmislio metodu u kojoj se trenirana neuronska mreža koristi za procjenu postotka izbačene krvi analizom niza slika srca kroz jedan srčani ciklus. Neuronska mreža se trenira nadziranim učenjem.
Patentni zahtjev
Računalno implementirana metoda za određivanje postotka krvi izbačene iz određenog srca tijekom srčanog otkucaja, naznačena time da metoda uključuje:
- treniranje neuronske mreže s nizom podataka o snimanju srca, pri čemu svaki niz uključuje podatke o slikama klijetke kroz vrijeme i pridružene postotke izbačene krvi, a setovi su povezani s različitim srcima;
- korištenje trenirane neuronske mreže za:
- primanje niza slikovnih podataka o klijetki konkretnog srca;
- generiranje izlaza koji označava postotak izbačene krvi za to srce.
Doprinos izuma
Doprinos je metoda za procjenu postotka krvi izbačene iz srca treniranjem neuronske mreže pomoću slikovnih podataka o srcima s poznatim postocima izbačene krvi, te zatim dobivanje procjene za konkretno srce na temelju slika tog srca tijekom srčanog otkucaja.
Pitanje je pada li doprinos isključivo unutar isključenih kategorija prema čl. 6. st. 2. ZOP-a; i provjerava se ima li tehničku prirodu.
Doprinos je više od programa za računalo kao takvog jer se odnosi na poboljšano mjerenje postotka krvi izbačene iz srca tijekom otkucaja. Riječ je o tehničkom mjerenju fizičkog sustava. Ovo poboljšano mjerenje je primjer većeg tehničkog učinka nad procesom izvan računala koje implementira izum. Dakle, postoji tehnički doprinos.
Zaključak
Prijavljeni izum je patentibilan.
- Primjer 7. Automatizirano trgovanje financijskim instrumentima
-
Pozadina izuma
Trgovci na burzama prate učinak različitih dionica i trgovinskih instrumenata, uključujući robu poput valuta i metala, u pokušaju da prepoznaju prilike za povoljnu trgovinu. Potrebno je stručno znanje, razumijevanje i iskustvo za prepoznavanje obrazaca i trendova na tržištu. Zbog toga se trgovci često specijaliziraju za uski raspon instrumenata, npr. energetske dionice, financijske derivate ili robu.
Izumitelj je prepoznao da zbog toga mogu biti propuštene povoljne prilike za trgovinu. Trgovac može propustiti priliku za trgovanje instrumentima koje već posjeduje, ili priliku da smanji gubitak ili poveća dobit. Kako bi pomogao trgovcu, izumitelj je razvio sustav umjetne inteligencije koji može prepoznati obrasce i korelacije između cijena dionica i instrumenata, identificirati trgovine na temelju nedavnih rezultata i vremenskih razlika te predvidjeti buduće ponašanje. Sustav umjetne inteligencije može biti neuronska mreža. Jedna od prednosti takvog sustava je mogućnost „vidjeti“ povezanosti koje bi inače bile nevidljive i nejasne.
AI sustav je povezan s automatiziranom brokerskom platformom koja omogućuje izvršavanje trgovanja u skladu s granicama dobiti/gubitka koje je zadao trgovac.
Patentni zahtjev
Računalno implementirani sustav za trgovanje financijskim instrumentima koji uključuje tržište razmjene, trgovčev terminal, AI pomoćnika i automatizirani brokerski sustav, naznačen time da je AI pomoćnik podešen za:
- primanje aktualnih i povijesnih podataka o cijenama trgovinskih financijskih instrumenata s tržišta razmjene;
- usporedbu kombinacija financijskih instrumenata radi prepoznavanja koreliranih skupina instrumenata;
- prepoznavanje trendova unutar svake korelirane skupine;
- primanje pozicija trgovca s brokerskog terminala; i
- na temelju identificiranih trendova i pozicija trgovca, izdavanje automatskih naloga za transakcije prema brokerskom sustavu.
Doprinos izuma
Doprinos je računalno implementirani sustav za trgovanje financijskim instrumentima s umjetno inteligentnim pomoćnikom koji prati korelacije među instrumentima i provodi automatske transakcije u skladu s unaprijed određenim profitnim i gubitničkim pragovima.
Pitanje je pada li doprinos isključivo unutar isključenih kategorija prema čl. 6. st. 2. ZOP-a; i provjerava se ima li tehničku prirodu.
Doprinos se u potpunosti odnosi na način poslovanja. Svi ulazi i svi izlazi sustava odnose se isključivo na trgovanje financijskim instrumentima, bilo da je riječ o cijenama ili nalozima za trgovanje. Rezultat izuma je ništa više od sustava za trgovanje financijskim instrumentima. To ne predstavlja tehnički doprinos.
Zaključak
Prijavljeni izum nije patentibilan jer njegov doprinos ne ostvaruje veći tehnički učinak koji nadilazi uobičajenu interakciju programa i računala , tj. spada isključivo u isključenu kategoriju prema čl. 6. st. 2. ZOP-a, tj . radi se o metodi za obavljanje poslova, kao takvoj (per se).
- Primjer 8. Analiza zdravstvenih kartona pacijenata
-
Pozadina izuma
Identifikacija trenutnih i budućih zdravstvenih potreba ljudi velik je izazov. Sama priroda zdravstvenih problema često znači da je zdravstveni sustav reaktivan, a ne proaktivan. Zbog toga je često teško predvidjeti buduće potrebe, kako na razini pojedinca, tako i na razini populacije.
Izumitelj je otkrio da je moguće primjenom metoda strojnog učenja analizirati zdravstvene kartone pacijenata kako bi se pacijenti mogli rasporediti u rizične skupine ili podpopulacije kojima će možda trebati buduća medicinska intervencija. To može zdravstvenim planerima omogućiti da „procijene populaciju“ i prepoznaju odgovarajuće skupine pacijenata za klinička ispitivanja lijekova ili alternativne tretmane.
Sustav koristi AI uređaj za obradu zdravstvenih zapisa pacijentske populacije. AI uređaj identificira empirijske varijable u zapisima, traži korelacije među njima i na temelju tih korelacija stvara pokazatelje koji se koriste za određivanje grupacija pacijenata u populaciji. Zdravstveni kartoni pacijenata nužno uključuju administrativne zapise, ali i povijest liječenja i rezultate medicinskih testova.
Patentni zahtjev
Računalno implementirana metoda identifikacije budućih medicinskih potreba populacije, koju izvodi AI uređaj, naznačena time da metoda uključuje sljedeće korake:
- unos zdravstvenih kartona pacijenata u AI uređaj;
- agregiranje podataka iz zdravstvenih kartona;
- identifikaciju više varijabli iz agregiranih podataka;
- identifikaciju korelacija među tim varijablama;
- raspoređivanje pacijenata u skupine na temelju koreliranih varijabli;
- i ispis niza zdravstvenih mjernih pokazatelja za svaku skupinu.
Doprinos izuma
Doprinos izuma je: računalno implementirana metoda analize podataka o pacijentima i grupiranje pacijenata u skupine na temelju te analize.
Pitanje je pada li doprinos isključivo unutar isključenih kategorija prema čl. 6. st. 2. ZOP-a; i provjerava se ima li tehničku prirodu.
Doprinos se sastoji isključivo od isključenih kategorija. Radi se o programu koji jednostavno analizira informacijski sadržaj podataka o pacijentima i ne predstavlja ništa više od programa za računalo kao takvog. Izum ne predstavlja tehnički postupak izvan računala, niti doprinosi rješavanju tehničkog problema izvan računala. Nadalje, analiza podataka o pacijentima radi određivanja grupacija u potpunosti je administrativna aktivnost i ne predstavlja ništa više od metode poslovanja.
Zaključak
Prijavljeni izum isključen je iz patentibilnosti kao program za računalo kao takav i/ili kao metoda poslovanja kao takva prema članku 6. st. 2. ZOP-a.
- Primjer 9. Identifikacija neželjene e-pošte pomoću treniranog AI klasifikatora
-
Pozadina izuma
Neželjena ili promotivna e-pošta mnogim korisnicima predstavlja smetnju. Takve poruke često zatrpavaju poštanske sandučiće i mogu spriječiti korisnika da primijeti važne poruke. Kako bi se riješio ovaj problem, poznati su brojni sustavi temeljeni na pravilima koji identificiraju takve poruke kao neželjene i premještaju ih u mapu za neželjenu poštu (ili sličnu mapu niskog prioriteta).
Izumitelj je uočio ograničenja postojećih pristupa, jer jedan skup pravila neće odgovarati svim korisnicima. Ono što je za jednog korisnika neželjena pošta, za drugog možda nije. Također, pošiljatelji neželjene pošte često prilagođavaju sadržaj svojih poruka kako bi izbjegli pravila.
Kako bi se riješili ti problemi, izumitelj je razvio AI sustav koji uči putem povratnih informacija korisnika. Sustav funkcionira tako da analizira tekst svih dolaznih e-poruka koristeći trenirani AI klasifikator koji klasificira poruku na temelju njenog sadržaja i semantičke strukture. AI klasifikator je treniran na skupu prethodno klasificiranih poruka. Klasifikator svaku novu poruku razvrstava kao "neželjena", "nije neželjena" ili "neodređena". Poruke označene kao "neodređene" korisnik može ručno klasificirati, a ta klasifikacija se potom koristi za ažuriranje modela klasifikacije.
Cijeli sustav predstavlja filtriranje neželjene e-pošte koje se prilagođava korisnikovim potrebama i promjenjivom ponašanju pošiljatelja neželjene pošte.
Patentni zahtjev
Računalno implementirana metoda identifikacije primljene elektroničke poruke kao pripadnosti određenoj klasi poruka, naznačena time da metoda uključuje sljedeće korake:
analiziranje sadržaja poruke pomoću treniranog AI klasifikatora koji klasificira sadržaj, na temelju tekstualnog sadržaja i semantičke strukture, kao pripadnost prvoj klasi, drugoj klasi ili kao "neodređeno";
ako je poruka klasificirana kao "neodređena", primanje unosa od korisnika kojim se poruka klasificira kao pripadnost prvoj ili drugoj klasi;
ažuriranje treniranja AI klasifikatora pomoću poruke klasificirane od strane korisnika i te klasifikacije.
Doprinos izuma
Računalno implementirana metoda identifikacije primljene elektroničke poruke kao pripadnosti određenoj klasi poruka, naznačena time da metoda uključuje sljedeće korake:
- analiziranje sadržaja poruke pomoću treniranog AI klasifikatora koji klasificira sadržaj, na temelju tekstualnog sadržaja i semantičke strukture, kao pripadnost prvoj klasi, drugoj klasi ili kao "neodređeno";
- ako je poruka klasificirana kao "neodređena", primanje unosa od korisnika kojim se poruka klasificira kao pripadnost prvoj ili drugoj klasi;
- ažuriranje treniranja AI klasifikatora pomoću poruke klasificirane od strane korisnika i te klasifikacije.
Zaključak
Prijavljeni izum isključen je iz patentibilnosti prema čl. 6. st. 2. ZOP-a kao računalni program kao takav (per se).
- Primjer 10. Upravljanje predmemorijom pomoću neuronske mreže
-
Pozadina izuma
Visoko učinkovita predmemorijska memorija ili pohrana često se koristi u računalnim sustavima kako bi se poboljšala ukupna učinkovitost sustava ublažavanjem sporijeg rada povezanog spremišta podataka. Podaci koji se često pristupaju u spremištu podataka mogu se pohraniti (predmemorirati) u predmemorijsku memoriju, tako da se, kada su potrebni procesoru, mogu brzo dohvatiti.
Ukupna učinkovitost memorijskog sustava ovisi o odabiru podataka koji će se pohraniti u predmemoriju iz pripadajućeg spremišta podataka. Iako predmemorija može početi prazna, nakon što se u potpunosti popuni, sadržaj predmemorije mora se upravljati kako bi se održala učinkovitost, uklanjanjem i zamjenom podataka pohranjenih u njoj.
Postoje dva pristupa za identificiranje podataka koje treba ukloniti iz predmemorije prilikom dodavanja novih podataka. Prvi pristup uklanja podatke koji su najmanje nedavno korišteni (LRU – Least Recently Used). Drugi pristup uklanja podatke koji su najmanje često korišteni, ali nisu novi (LFU – Least Frequently Used). Jedan od ovih pristupa može dovesti do bolje ukupne učinkovitosti sustava ovisno o konkretnim podacima pohranjenim u predmemoriji.
Izumitelj je osmislio metodu upravljanja popunjavanjem predmemorije korištenjem naučene neuronske mreže koja identificira hoće li LRU ili LFU pristup dovesti do najbolje učinkovitosti sustava. Neuronska mreža kao ulaze prima podatke identificirane za uklanjanje prema LRU i LFU pristupima, kao i druge karakteristike predmemorije, na primjer njezinu veličinu i omjer broja puta kada su traženi podaci pronađeni u predmemoriji u odnosu na broj puta kada nisu pronađeni (poznat kao omjer pogodaka i promašaja predmemorije). Neuronska mreža tada daje na izlazu pokazatelj koji pristup treba koristiti kako bi se osigurala najbolja učinkovitost sustava. Neuronska mreža može biti uključena u kontroler dohvaćanja podataka i upravljanja predmemorijom u računalnom sustavu.
Patentni zahtjev
Metoda za upravljanje podacima pohranjenim u predmemoriji podataka za spremište podataka u računalnom sustavu koja koristi predmemoriju kao sredstvo za pohranu često pristupanih podataka iz spremišta podataka, naznačena time da metoda uključuje:
korištenje prvog algoritma uklanjanja za identifikaciju prvih podataka koje treba ukloniti iz predmemorije;
korištenje drugog algoritma uklanjanja za identifikaciju drugih podataka koje treba ukloniti iz predmemorije;
davanje prvih podataka, drugih podataka, vrijednosti veličine predmemorije i omjera pogodaka i promašaja predmemorije kao ulaza u naučenu neuronsku mrežu, pri čemu naučena neuronska mreža na izlazu daje izbor između prvog ili drugog algoritma koji će se koristiti za uklanjanje podataka iz predmemorije; i
prilikom dodavanja novih podataka iz spremišta u predmemoriju, korištenje odabranog algoritma za uklanjanje podataka iz predmemorije.
Doprinos izuma
Doprinos je upravljanje podacima u predmemoriji korištenjem neuronske mreže za odabir optimalnog algoritma uklanjanja podataka iz predmemorije, pri čemu je odabir temeljen na podacima odabranim za uklanjanje različitim algoritmima i karakteristikama učinkovitosti predmemorije.
Potrebno je ispitati pripada li doprinos isključivo isključenim kategorijama prema čl. 6. st. 2. ZOP-a i provjeriti da je doista tehničke prirode.
Doprinos je više od programa za računalo kao takvog jer se odnosi na rješavanje tehničkog problema vezanog uz unutarnji rad računala, primjerice poboljšanjem načina rada memorijske hijerarhije u računalu. Izum poboljšava rad računala neovisno o aplikacijama koje se pokreću ili prirodi podataka koji se obrađuju, čineći računalo učinkovitijim i djelotvornijim. Time se otkriva tzv. veći tehnički učinak.
Zaključak
Prijavljeni izum je patentibilan.
- Primjer 11. Kontinuirana autentifikacija korisnika
-
Pozadina izuma
Zlonamjerni akteri mogu dobiti pristup zaštićenim računalnim sustavima pribavljajući važeće autentifikacijske vjerodajnice ovlaštenih korisnika. Na primjer, mogu koristiti fishing napad na korisnika kako bi dobili njegovo korisničko ime i lozinku.
Izumitelj je osmislio metodu za prepoznavanje zlonamjernih aktera ukoliko uspiju pristupiti računalnom sustavu, čime se omogućuje provođenje korektivnih mjera. To se postiže usporedbom karakteristika korištenja zlonamjernih aktera s karakteristikama korisnika čijim su podacima pristupili ili kojeg imitiraju.
Metoda uključuje treniranje algoritma strojnog učenja na početnom skupu podataka koji predstavljaju karakteristično korištenje računalnog sustava od strane korisnika (na primjer aplikacije koje koristi, način tipkanja i korištenje miša). Nakon toga, kada se netko prijavi s tim korisničkim vjerodajnicama, trenirani algoritam strojnog učenja koristi se za ocjenu autentičnosti „korisnika“ prema novo izmjerenim karakteristikama korištenja računalnog sustava. Ako algoritam strojnog učenja ukaže da „korisnik“ najvjerojatnije nije autentični korisnik, sustav ga identificira kao zlonamjernog aktera i mogu se poduzeti korektivne mjere.
Patentni zahtjev
Računalno implementirana metoda naznačena time da uključuje:
autentifikaciju korisnika u prvom vremenu na računalnom sustavu;
kao odgovor na autentifikaciju korisnika u prvom vremenu, izračunavanje, korištenjem barem jednog modela strojnog učenja, ocjene ponašajnih karakteristika korisnika, pri čemu ocjena ponašajnih karakteristika opisuje interakcije korisnika s računalnim sustavom;
autentifikaciju korisnika u drugom vremenu na računalnom sustavu;
kao odgovor na autentifikaciju korisnika u drugom vremenu, izračunavanje, korištenjem modela strojnog učenja, ocjene ponašanja koja opisuje interakcije korisnika s računalnim sustavom; i
određivanje da je korisnik autentificiran u drugom vremenu zlonamjerni korisnik na temelju izračunatih ocjena ponašajnih karakteristika i ocjena ponašanja.
Doprinos izuma
Doprinos izuma je određivanje da je korisnik koji se prijavljuje u računalni sustav zlonamjerni korisnik na temelju ocjene ponašanja izračunate modelom strojnog učenja i poznate ocjene ponašajnih karakteristika autentičnog korisnika izračunate istim modelom.
Potrebno je ispitati pripada li doprinos isključivo isključenim kategorijama prema čl. 6. st. 2. ZOP-a i provjeriti da je doista tehničke prirode.
Doprinos je više od programa za računalo kao takvog jer predstavlja rješenje tehničkog problema unutar računalnog sustava, naime detekciju zlonamjernog proboja. To se postiže kontinuiranim praćenjem karakterističnog korištenja računalnog sustava od strane korisnika. To je primjer praćenja unutarnjeg rada računalnog sustava koji je tehničke prirode. Izum funkcionira neovisno o aplikacijama koje se pokreću i podacima koje sustav obrađuje. Postoji tzv. veći tehnički učinak.
Zaključak
Prijavljeni izum je patentibilan.
- Primjer 12. Virtualna tipkovnica s prediktivnim unosom teksta
-
Pozadina izuma
Poznato je da uređaji s dodirnim zaslonom omogućuju unos teksta prikazivanjem virtualne tipkovnice preko koje korisnik može unositi tekst u pripadajuće tekstualno polje. Unos teksta na taj način može biti naporan i vremenski zahtjevan, a zbog relativno malih dimenzija mnogih uređaja sklon je pogreškama korisnika uslijed pritiskanja više virtualnih tipki istovremeno.
Izumitelj je napisao program koji pomaže smanjiti napor unosa teksta korištenjem naučene rekurentne neuronske mreže (RNN) koja predviđa sljedeće najvjerojatnije riječi (ili niz znakova) na temelju prethodno unesenih riječi ili znakova interpunkcije. Predviđene riječi se rangiraju, a izbor najvjerojatnijih riječi prikazuje se korisniku. Korisnik zatim može odabrati neku od prikazanih riječi i koristiti je kao unos s virtualne tipkovnice. Prednost izuma je u tome što korisniku omogućuje točniji unos željenog teksta uz manje pritisaka virtualnih tipki.
Patentni zahtjev
Metoda unosa teksta na uređaju koji prikazuje interaktivnu virtualnu tipkovnicu, naznačena time da metoda uključuje:
primanje unosa s virtualne tipkovnice na uređaju;
davanje unosa naučenoj rekurentnoj neuronskoj mreži radi predviđanja i rangiranja izbora riječi koje su najvjerojatniji sljedeći unos korisnika;
prikazivanje najmanje dvije od najvjerojatnijih riječi koje će se sljedeće unijeti; i
primanje unosa koji odgovara odabiru jedne od prikazanih riječi.
Doprinos izuma
Doprinos je prediktivni unos teksta na uređaju s virtualnom tipkovnicom, gdje rekurentna neuronska mreža predviđa i rangira riječi koje je najvjerojatnije da će se sljedeće unijeti na temelju prethodno unesenog teksta, te omogućava korisniku uređaja da odabere jednu od predviđenih riječi za unos u uređaj.
Potrebno je ispitati pripada li doprinos isključivo isključenim kategorijama prema čl. 6. st. 2. ZOPa i provjeriti da je doista tehničke prirode.
Doprinos je više od programa za računalo kao takvog. Riječ je o rješenju tehničkog problema vezanog uz sam rad uređaja, primjerice poboljšanju brzine i točnosti unosa teksta putem tipkovnice. Izum to postiže predviđanjem riječi koje korisnik može odabrati za unos, čime se tekst unosi manjim brojem pritisaka tipki. Izum poboljšava virtualnu tipkovnicu, čineći uređaj učinkovitijim i djelotvornijim za korisnika. To je tehnički doprinos, odnosno postiže se tzv. veći tehnički učinak.
Zaključak
Prijavljeni izum je patentibilan
- Primjer 13. Optimizacija neuronske mreže
-
Pozadina izuma
Neuronske mreže mogu biti vrlo velike i složene, s velikim brojem parametara i mnogim izračunima. Upravljanje velikim brojem parametara i izračuna zahtijeva proporcionalno velike količine memorije i procesorskih resursa. Željeno je smanjiti te zahtjeve, zadržavajući pritom koristi naučene neuronske mreže.
Izum to postiže pružanjem početne neuronske mreže kreirane i naučene konvencionalnim pristupom kao baznog modela. Bazni model ima određeni skup čvorova i veza. Ta naučena neuronska mreža zatim se optimizira procesom racionalizacije kako bi se proizvela jednostavnija, optimizirana mreža koja daje približno iste izlaze kao početna mreža unutar unaprijed zadane razine tolerancije. Optimizirana mreža ima smanjen broj čvorova ili veza.
Proces racionalizacije uključuje uklanjanje selektivnih elemenata obrade, primjerice rezanjem težina ili čvorova iz mreže. Rezanje težine znači uklanjanje pojedinačne veze između čvorova mreže tako da se odgovarajuća težina postavi na nulu. Alternativno, može se izrezati cijeli čvor iz mreže, uklanjajući sve njegove veze postavljanjem svih težina tog čvora na nulu. Elementi se uklanjaju zato što su redundantni ili imaju mali utjecaj na ukupne rezultate mreže.
Patentni zahtjev
Računalno implementirana metoda generiranja naučene, optimizirane neuronske mreže, naznačena time, da uključuje sljedeće korake:
a) obrada ulaznih podataka korištenjem naučene bazne neuronske mreže za generiranje prvih izlaznih podataka;
b) generiranje optimizirane neuronske mreže racionalizacijom naučene neuronske mreže;
c) obrada ulaznih podataka korištenjem optimizirane mreže za generiranje drugih izlaznih podataka;
d) usporedba prvih i drugih izlaznih podataka radi određivanja razlike;
e) ako razlika prelazi unaprijed zadani prag, generiranje dalje optimizirane mreže procesom racionalizacije; i
f) ponavljanje koraka c) do e) dok razlika ne bude ispod praga.
Doprinos izuma
Doprinos je računalno implementirana metoda generiranja optimizirane neuronske mreže racionalizacijom naučene bazne neuronske mreže, pri čemu se izlaz optimizirane mreže uspoređuje s izlazom bazne mreže, a ako se izlazi razlikuju preko praga, iterativno se generiraju daljnje optimizirane mreže dok se ne pronađe mreža čiji je izlaz unutar zadanog praga u odnosu na baznu mrežu.
Potrebno je ispitati pripada li doprinos isključivo isključenim kategorijama prema čl. 6. st. 2. ZOP-a i provjeriti da je doista tehničke prirode.
Izum koji uključuje umjetnu neuronsku mrežu (ANN), bilo implementiranu u hardveru ili softveru, smatra se računalom. Težine neuronske mreže su njezin program.
Dakle, doprinos se može analizirati kao iterativni proces prilagodbe računalnog programa za neuronsku mrežu. Metoda počinje s baznom neuronskom mrežom koja ima početni skup čvorova i težina. Bazna mreža se zatim iterativno racionalizira, primjerice uklanjanjem težina, kako bi se proizvela optimizirana mreža. Optimizirana mreža ima smanjen skup čvorova i težina u usporedbi s baznom mrežom. Doprinos je efektivno stvaranje računalnog programa (smanjeni skup težina) iz drugog programa (početni skup težina).
Izum nije riješio tehnički problem vezan uz računala (neuronske mreže) same po sebi. Svako smanjenje opterećenja procesora ili upotrebe memorije rezultat je samo izvršavanja programa s manjim brojem instrukcija. To je zaobilaženje problema opterećenja procesora i memorije koje izum obrađuje. Nema tehničkog učinka izvan samog izvođenja boljeg ili optimiziranog programa, kao što je utvrđeno u predmetu Mitsubishi T 0702/20 Žalbenog vijeća EPO-a. Nema tehničkog doprinosa.
Zaključak
Izum definiran u zahtjevu isključen je iz patentibilnosti prema čl. 6. st. 2. ZOP-a kao program za računalo kao takav.
- Primjer 14. Izbjegavanje nepotrebne obrade korištenjem neuronske mreže
-
Pozadina izuma
Općenito se smatra poželjnim smanjiti količinu obrade potrebne za izvršavanje bilo kojeg računalnog zadatka. To je osobito važno kod neuronskih mreža. Obrada osobito velikih mreža može zahtijevati značajne računalne resurse.
Izumitelj je uočio da se u mnogim primjenama neuronska mreža koristi za obradu nekoliko vrlo sličnih podataka. Na primjer, kada su ulazni podaci u obliku vremenskog niza, može postojati vrlo mala promjena u podacima koji se pojavljuju u uzastopnim vremenskim prozorima tog niza. Primjeri uključuju uzastopne okvire video zapisa ili podatke o cijenama dionica uzorkovane na satnim intervalima. Ako je razlika između dva uzastopna vremenska prozora dovoljno mala, tada je vjerojatno da će klasifikacija podataka u svakom od tih prozora istom neuronskom mrežom dati isti rezultat. U takvim slučajevima klasifikacija podataka u uzastopnim vremenskim prozorima korištenjem neuronske mreže vodi do suvišnog ili nepotrebnog trošenja procesorskih resursa.
Inovativni sustav uvodi korake za predobradu podataka za neuronsku mrežu. Stvara indikator za svaki vremenski prozor, na primjer primjenom poznate hash funkcije na podatke sadržane u vremenskom prozoru. Sustav koristi indikator za provjeru razlika između vremenskih prozora. Ako je indikator za određeni prozor različit od indikatora za prethodni prozor, tada se podaci tog prozora šalju neuronskoj mreži na klasifikaciju. Međutim, ako je indikator za taj prozor isti kao za prethodni, tada se klasifikacija koju je neuronska mreža dala za prethodni prozor jednostavno ponovno koristi. Izum se može implementirati u jednom ili više slojeva za predobradu neuronske mreže.
Patentni zahtjev
Računalno implementirana metoda obrade toka kontinuiranih podataka s vremenskim oznakama korištenjem neuronske mreže, naznačena time da se odvija u sljedećim koracima:
- obrada prvog dijela ulaznih podataka s prvom vremenskom oznakom radi generiranja prvog indikatora podataka;
- korištenje neuronske mreže za generiranje prvog izlaza iz prvog dijela ulaznih podataka;
- pohrana prvog indikatora podataka u vezi s prvim izlazom;
- obrada drugog dijela ulaznih podataka sa sljedećom vremenskom oznakom radi generiranja drugog indikatora podataka;
- usporedba drugog indikatora podataka s prvim indikatorom podataka; pri čemu:
- ako je drugi indikator podataka različit od prvog indikatora podataka:
- korištenje neuronske mreže za generiranje drugog izlaza;
- pohrana drugog indikatora podataka u vezi s drugim izlazom;
- ako je drugi indikator podataka isti kao prvi indikator podataka:
- dohvaćanje prvog izlaza.
Doprinos izuma
Doprinos je identificiran kao metoda obrade toka podataka, koji sadrži prvi i drugi dio podataka, korištenjem neuronske mreže u kojoj se: prvi rezultat za prvi dio toka podataka generira obradom tim podacima neuronskom mrežom, generiraju se indikatori za prvi i drugi dio podataka, i ako su indikatori različiti, drugi rezultat za drugi dio generira se obradom tim podacima neuronskom mrežom, dok se ako su indikatori isti, drugi rezultat za drugi dio generira ponovnim korištenjem prvog rezultata za prvi dio.
Potrebno je utvrditi pripada li doprinos isključivo isključenim kategorijama prema čl. 6. st. 2. ZOP-a; i provjeriti je li doista tehničke prirode.
Doprinos potpada u potpunosti pod isključenu kategoriju kao program za računalo kao takav (per se).
Neuronska mreža se treba tretirati kao računalo koje ima program. Međutim, doprinos nije prvenstveno usmjeren na unutarnji rad neuronske mreže – „računala“. Umjesto toga, stvarni doprinos leži u koracima za predobradu podataka za neuronsku mrežu. Ti koraci imaju za cilj izbjeći nepotrebno izvođenje neuronske mreže. Neuronsku mrežu je potrebno izvršiti za klasifikaciju određenog vremenskog prozora samo ako se taj prozor podataka razlikuje od prethodnog.
Iako to može smanjiti opterećenje obradom, to se postiže samo izbjegavanjem izvršavanja neuronske mreže u nekim slučajevima. Ovo je primjer izbjegavanja tj. zaobilaženja tehničkog problema (problema smanjenja korištenja računalnih resursa) umjesto njegovog rješavanja. U ovom slučaju nema tehničkog učinka izvan same obrade podataka programom za računalo. Nema tehničkog doprinosa.
Zaključak
Izum definiran u patentnom zahtjevu isključen je iz patentibilnosti prema čl. 6. st. 2. ZOP-a kao program za računalo kao takav.
- Primjer 15. Aktivno treniranje neuronske mreže
-
Pozadina izuma
Aktivno treniranje neuronske mreže uključuje testiranje mreže kako bi se otkrila njezina područja slabosti. Primjeri podataka za treniranje u područjima slabosti zatim se koriste za dodatno treniranje mreže kako bi imala bolje ukupne performanse.
Kako bi se osigurala referentna točka za bilo koji proces treniranja, nužno je koristiti referentni (specimen) skup podataka. To je skup podataka za koji se zna da ima pouzdane i konzistentne očekivane rezultate.
Izumitelj je shvatio da se za svaki element referentnog skupa podataka koji obrađuje AI može izračunati razina povjerenja u točnost interpretacije. Na primjer, ako skup podataka sadrži slike životinja, može se dogoditi da je razina povjerenja za prepoznavanje pasa viša nego za mačke. Usporedbom razine povjerenja s pragom moguće je identificirati područja slabih performansi. Kad su ona identificirana, dodatni podaci za treniranje vezani za ta područja mogu se upotrijebiti za poboljšanje točnosti AI. Referentni skup podataka se nadograđuje samo u mjeri potrebnoj za rješavanje područja slabih performansi. U navedenom primjeru, skup podataka bi se nadogradio dodatnim slikama mačaka. Ovo je učinkovitije nego jednostavno proširivanje skupa podataka na sve elemente. Novi podaci za treniranje također se mogu dodati postojećem skupu kako bi se omogućila potpuna verzija za krajnjeg korisnika koji želi trenirati svoj model.
Patentni zahtjev
Računalno implementirana metoda treniranja neuronske mreže, naznačena time da uključuje:
početno treniranje neuronske mreže s kandidatskim skupom podataka za treniranje;
izvršavanje početno trenirane mreže nad referentnim skupom ulaznih podataka;
za svaki element referentnog skupa određivanje razine povjerenja u točnost interpretacije tog elementa od strane početno trenirane mreže;
i ako je razina povjerenja za dani element ispod unaprijed određenog praga točnosti, tada nadograđivanje skupa podataka za treniranje s podacima vezanim za taj element referentnog skupa i ponovno treniranje mreže koristeći nadograđeni skup podataka.
Doprinos izuma
Doprinos je metoda treniranja neuronske mreže, koja uključuje određivanje, pomoću početno trenirane mreže, razine povjerenja u točnost interpretacije za svaki element referentnog skupa podataka te, ako je razina povjerenja ispod praga, nadogradnju podataka za treniranje s dodatnim podacima vezanim za taj element i ponovno treniranje mreže s nadograđenim skupom podataka.
Potrebno je utvrditi pripada li doprinos isključivo isključenim kategorijama prema čl. 6. st. 2. ZOP-a; i provjeriti je li doista tehničke prirode.
Doprinos uključuje treniranje neuronske mreže identificiranjem potrebe za dodatnim podacima za treniranje radi poboljšanja točnosti mreže. Neuronska mreža je ‘računalo’ koje ima program. Treniranje neuronske mreže u biti je dio procesa stvaranja njezina programa. Stoga doprinos predstavlja programersku aktivnost koja podliježe isključenju programa za računalo kao takvog.
U ovom slučaju, metoda treniranja ne uključuje nikakav tehnički učinak koji proizlazi iz rješavanja tehničkog problema. Doprinos može biti „bolja“ metoda treniranja (stvaranja programa neuronske mreže) u smislu da teži poboljšanju „točnosti“ mreže. Međutim, time izum ne rješava specifični tehnički problem vezan za unutarnje funkcioniranje neuronske mreže. Također, doprinos ne uključuje treniranje mreže za specifičnu tehničku svrhu. Doprinos ne proizvodi nikakav tehnički učinak izvan isključenja računalnog programa kao takvog, kao što je utvrđeno u predmetima Mitsubishi T 0702/20 i Google T 1425/21 Žalbenog vijeća EPO-a. Ne postoji tehnički doprinos.
Zaključak
Izum definiran u patentnom zahtjevu isključen je iz patentibilnosti prema čl. 6. st. 2. ZOP-a kao program za računalo kao takav.
- Primjer 16. Obrada neuronske mreže na heterogenoj računalnoj platformi
-
Pozadina izuma
Mnogi moderni računalni uređaji, poput pametnih telefona, uključuju heterogene računalne resurse kao što su CPU (glavni procesor), grafički procesor (GPU) i akcelerator neuronskih mreža (NNA). Svaki od ovih heterogenih resursa ima različite mogućnosti za izvođenje potrebne obrade neuronske mreže. To znači da je ponekad potrebno podijeliti zadatke obrade jednog sloja neuronske mreže na dijelove i dodijeliti ih heterogenim računalnim resursima prema njihovim mogućnostima kako bi se optimizirala izvedba mreže na uređaju.
Željeno je da svi računalni resursi završe obradu svojih dijelova sloja u isto (ili približno isto) vrijeme (tzv. "rendezvous"), jer to omogućuje učinkovit rad svih resursa, primjerice izbjegavanje kašnjenja ili zastoja te smanjenje vremena mirovanja.
Kako bi se postigao taj cilj, izumitelj je shvatio da se vrijeme završetka obrade svakog dijela može uskladiti tako da se promijeni radni takt (clock frequency) pojedinog procesora.
Patentni zahtjev
Metoda rada neuronske mreže na računalnom sustavu koji se sastoji od više procesora, pri čemu svaki procesor ima različite sposobnosti za obradu neuronske mreže, naznačena time, da uključuje:
određivanje raspodjele obrade sloja neuronske mreže tako da je svakom od procesora dodijeljen dio obrade sloja prema njegovoj sposobnosti;
određivanje vremena koje će svaki procesor trebati za izvršenje svojeg dijela obrade;
određivanje treba li promijeniti radni takt bilo kojeg procesora kako bi se promijenilo vrijeme izvršenja njegovog dijela;
raspodjela dijelova obrade odgovarajućim procesorima;
te, ukoliko je utvrđeno da je potrebno, izmjena radnog takta procesora prilikom izvršenja njegovog dijela obrade.
Doprinos izuma
Doprinos je metoda rada neuronske mreže korištenjem heterogenih računalnih resursa, gdje se obrada sloja mreže raspoređuje među procesorskim resursima, a radni takt barem jednog procesora se prilagođava kako bi se uskladilo vrijeme završetka njegove obrade.
Potrebno je utvrditi pripada li doprinos isključivo isključenim kategorijama prema čl. 6. st. 2. ZOP-a i je li tehničke prirode.
Doprinos nije samo program za računalo kao takav i ima tehničku prirodu.
Doprinos se može analizirati kao implementacija na fizičkom računalu (koje ima heterogene procesorske sposobnosti) koje izvodi drugi oblik računala (neuronsku mrežu). Tehnički doprinos sastoji se u novom načinu upravljanja fizičkim računalom u relevantnom tehničkom smislu za implementaciju neuronske mreže. Primjerice, kontrolira se radni takt pojedinog procesora tako da svi heterogeni procesori završe izvršavanje svojih dijelova sloja neuronske mreže istovremeno. Postiže se tzv. veći tehnički učinak.
Zaključak
Prijavljeni izum je patentibilan.
- Primjer 17. Specijalizirana procesorska jedinica za izračune u strojnome učenju
-
Pozadina izuma
Modeli strojnog učenja, poput neuronskih mreža, mogu zahtijevati složene izračune koje izvršava procesorska jedinica (npr. hardverski akcelerator).
Na primjer, neuronska mreža može sadržavati jedan ili više slojeva konvolucijske neuronske mreže koji izvode konvolucijske izračune koristeći ulazne podatke. Obrada ovih slojeva obično uključuje brojna matriksna množenja vrlo velikih matrica ulaznih podataka. Ovi izračuni su računalno zahtjevni za izvođenje na postojećim procesorskim jedinicama.
Osim toga, zbog prirode nekih algoritama strojnog učenja, veliki dio ulaznih podataka za određeni sloj neuronske mreže ima vrijednost nula. To znači da postojeće procesorske jedinice izvršavaju velik broj nepotrebnih izračuna koji uključuju množenje neke vrijednosti (npr. vrijednosti jezgre konvolucije) s nulom.
Izumitelj je osmislio procesorsku jedinicu koja može preskočiti ili zaobići izračun kada se u ulaznim podacima pojave nule, čime se postiže veća računalna učinkovitost u odnosu na poznate procesorske jedinice.
Skup podataka za obradu sloja neuronske mreže prima se i pohranjuje u memoriju procesorske jedinice. Procesorska jedinica sadrži upravljačku jedinicu koja provjerava ulazne podatke na nulte i nenulte vrijednosti. Upravljačka jedinica generira adresni indeks koji identificira samo adrese u memoriji na kojima se nalaze nenulte ulazne vrijednosti. Zatim se te nenulte vrijednosti šalju preko podatkovne sabirnice u niz procesorskih elemenata radi obrade.
Patentni zahtjev
Računalno-implementirana metoda izvođenja izračuna za neuronsku mrežu sa slojevima, izvedena procesorskom jedinicom koja ima memoriju, podatkovnu sabirnicu, upravljačku jedinicu i niz procesorskih elemenata, naznačena time da uključuje:
primanje niza ulaznih podataka koje treba obraditi sloj neuronske mreže;
određivanje od strane upravljačke jedinice jesu li pojedine ulazne vrijednosti nula ili nenula;
pohranjivanje ulaznih podataka u memoriju;
generiranje adresnog indeksa kojim se identificiraju memorijske lokacije na kojima su pohranjene samo nenulte vrijednosti;
te pružanje nenultih vrijednosti iz memorije preko podatkovne sabirnice u niz procesorskih elemenata prema adresama identificiranim adresnim indeksom.
Doprinos izuma
Doprinos se odnosi na izvođenje izračuna strojnog učenja u procesorskoj jedinici koja ima upravljačku jedinicu koja određuje koje ulazne vrijednosti imaju nultu, a koje nenultu vrijednost, zatim generira adresni indeks koji identificira memorijske adrese s nenultim vrijednostima, i koristi taj indeks za pružanje nenultih vrijednosti nizu procesorskih elemenata.
Potrebno je utvrditi pripada li doprinos isključivo isključenim kategorijama prema čl. 6. st. 2. ZOP-a i je li tehničke prirode.
Doprinos se može analizirati kao implementacija na fizičkom računalu (koje ima niz procesorskih jedinica) koje implementira drugi tip računala (neuronsku mrežu). Tehnički doprinos je u novom načinu upravljanja fizičkim računalom u tehničkom smislu radi implementacije neuronske mreže.
Primjerice, doprinos uključuje generiranje adresnog indeksa kojim se kontrolira niz procesorskih elemenata da obrađuju samo nenulte ulazne vrijednosti pohranjene u memoriji. Ovo je primjer novog tehničkog načina rada računala. Doprinos je tehničko rješenje problema poboljšanja računalne učinkovitosti postojećih procesorskih jedinica. Izum je više od programa za računalo kao takvog.
Zaključak
Prijavljeni izum je patentibilan.
- Primjer 18. Topologija multiprocesora prilagođena za strojno učenje
-
Pozadina izuma
Dobro je poznato korištenje distribuiranog računanja za zadatke strojnog učenja. Na primjer, kod iterativnog treniranja neuronske mreže, skup podataka za treniranje može se podijeliti i raspodijeliti među procesorskim čvorovima distribuiranog računalnog sustava. Svaki čvor obrađuje svoje podatke za treniranje i proizvodi djelomični rezultat treniranja, primjerice koliko treba prilagoditi težine u neuronskoj mreži. Ti djelomični rezultati se potom reduciranjem (npr. primjenom računalne funkcije) spajaju u potpuni rezultat koji se zatim šalje nazad svim čvorovima radi ažuriranja modela strojnog učenja prije sljedeće iteracije treniranja.
Već postoje različite topologije (npr. prstenasta ili torus topologija) i metode razmjene podataka (npr. all-reduce i all-gather) koje su razvijene za optimizaciju učinkovitosti distribuiranih sustava pri obradi strojno-učnih radnih opterećenja. Izumitelj je osmislio novu topologiju i metodu razmjene podataka koja omogućuje učinkovitije izvršavanje zadataka strojnog učenja.
Topologija uključuje procesorske čvorove koji su organizirani u grupe. Svaki čvor u grupi povezan je s ostalim čvorovima u grupi dvjema komunikacijskim vezama (prvom i drugom vezom). Grupe su povezane u prstenove tako da je svaki čvor član samo jedne grupe i jednog prstena.
Metoda razmjene podataka radi iterativno. Svaki čvor u grupi razmjenjuje dvije podatkovne vrijednosti iz niza s ostalim čvorovima u grupi, preko prve i druge veze. Zatim svaki čvor reducira (spaja) primljene podatkovne vrijednosti sa svojim vrijednostima na odgovarajućim pozicijama u svom pohranjenom nizu podataka, kroz postupak sekvencijalne razmjene i kombiniranja podataka.
Patentni zahtjev
Metoda upravljanja računalom u kojem su procesorski čvorovi organizirani u grupe i prstenove, tako da su svi čvorovi u jednoj grupi povezani s ostalim čvorovima te grupe prvom i drugom vezom, a grupe su međusobno povezane u prstenove tako da je svaki čvor član jedne grupe i jednog prstena, naznačena time, da metoda uključuje:
upravljanje kolektivnim strojnim učenjem gdje svaki procesorski čvor obrađuje ulazne podatke da generira niz izlaznih podatkovnih elemenata;
razmjenu podatkovnih elemenata korištenjem koraka razmjene u kolektivu strojnog učenja;
pri čemu u svakom koraku razmjene procesorski čvorovi u svim grupama razmjenjuju, preko prve i druge veze, po dvije podatkovne vrijednosti s ostalim čvorovima u svojoj grupi, a zatim svi procesorski čvorovi reduciraju svaku primljenu vrijednost s vrijednošću na odgovarajućoj poziciji u svom nizu podataka.
Doprinos izuma
Doprinos je metoda strojnog učenja koja koristi novu topologiju i metodu razmjene podataka za optimizaciju performansi strojnog učenja na distribuiranom računalnom sustavu kroz način povezivanja čvorova i način razmjene podataka.
Potrebno je utvrditi pripada li doprinos isključivo isključenim kategorijama prema čl. 6. st. 2. ZOP-a i je li tehničke prirode.
Doprinos nije isključivo program za računalo kao takav jer se radi o novoj hardverskoj topologiji i metodi razmjene podataka. To je primjer novog načina organizacije hardvera koji na tehnički relevantan način upravlja računalnim sustavom. Doprinos predstavlja tehničko rješenje problema, tj. kako organizirati distribuirani sustav za učinkovito izvršavanje kolektivnih zadataka strojnog učenja.
Zaključak
Prijavljeni izum je patentibilan