特許業務へのAIエージェント活用、RAG・ローカルLLMの構築と精度向上の方策

弁理士の方へ:<日本弁理士会 継続研修認定予定対象講座>
当講座は日本弁理士会の継続研修としての認定予定講座です。研修を受講し、所定の申請をすると、外部機関研修として外部機関研修として4.5単位が認められる予定です。
単位申請をご希望の方は「受講証明書の発行希望の旨」と「弁理士登録番号」をお申込み時の
備考欄にご記載ください。詳細はこちら

生成AIは使用できても、見落としや漏洩リスクが心配・精度が出ない・回答が正しいのか検証できない・判断がつかない等々、活用に不安を抱えている・実践的に使いこなせていない、とお考えの方に!
実測に基づく検索精度向上のポイントや評価基盤の構築など、AIエージェント・RAG等を用いAIを本当に有効活用するための実際の方策や、社内導入に向けた段階的ロードマップを示します!

【項目】※クリックするとその項目に飛ぶことができます

    セミナー趣旨

      生成AIの急速な普及により、特許調査や明細書読解の現場にもAI活用の期待が一気に高まっている。一方で、実際に導入を検討した企業からは「ベクトル検索を導入したが、期待したほど精度が出ない」「AIの回答が正しいのか検証できない」「未公開の発明提案書を外部サービスに入力してよいのか判断がつかない」といった声が相次いでいる。特許調査は、見落としが事業リスクに直結する業務であり、“それらしい答え”を返すだけの仕組みでは実務に載らない。
      問題の所在は、多くの場合、生成(LLM)の側ではなく検索の側にある。誤った、あるいは網羅性を欠いた検索結果の上にいくら高性能なLLMを重ねても、調査の信頼性は確保できない。
      本セミナーでは、日本語特許を対象とした大規模な検索実験(特許庁公開データによる自己完結型コーパス、審査官引用に基づく正解データ、CPUのみで動作するオフライン構成まで含む)で得られた実測結果をもとに、(1)特許業務のどの工程にAIを使うべきか、(2)RAG検索の精度は何によって決まるのか、(3)効果を証明するための評価基盤をどう自前で作るか、(4)機密性を担保するローカルLLM/AIエージェントをどう設計するか、を一日かけて体系的に解説する。うまくいった手法だけでなく、期待に反して効かなかった手法(負の結果)も併せて提示することで、投資すべき箇所と投資してはいけない箇所を明確にする。導入判断の材料として、ツール選定基準・PoC設計・段階的ロードマップまで持ち帰っていただくことを狙いとする。

    受講対象・レベル

    ・企業知財部において、先行技術調査・無効資料調査・侵害予防調査(FTO)・SDIに携わっている方
    ・研究開発部門で、自ら先行技術調査や技術動向調査を行っている研究者・技術者
    ・特許事務所の調査担当者・弁理士で、調査業務へのAI導入を検討している方

    習得できる知識

    ・AIエージェント・RAG・ローカルLLM・ファインチューニングの違いと、特許業務における適用範囲の切り分け
    ・特許文書がRAGにとって難しい理由(長文・階層構造・上位概念表現)と、その構造に合わせた設計の考え方
    ・特許RAGシステムの全体アーキテクチャと、各構成要素の選択基準
    ・キーワード検索(BM25)と密検索(ベクトル検索)の実力差、および日本語特許での使い分けの指針
    ・ハイブリッド検索の設計方法と、調査目的(無効資料調査/出願前調査)に応じた重み設定の考え方
    ・分類コード(FI・Fターム・IPC)の正しい使い方と、事前フィルタとして使ってはいけない理由
    ・商用データベースに依存せず、公開データのみから検索用特徴語を生成する手法
    ・検索精度を評価するための正解データの作り方と、その際に必ず踏む落とし穴

    セミナープログラム

    第1部 特許業務におけるAI活用の現在地
    1.生成AIブームの整理
     - 何が実際に変わり、何が変わっていないのか
    2.特許業務のどの工程にAIが効くか
     (母集団形成/スクリーニング/精読/対比表作成/報告書)
    3.「読む調査」から「判断する調査」へ
     - 人とAIの役割分担の再設計
    4.外部AIサービス利用に立ちはだかる三つの壁
     - 機密性・ハルシネーション・再現性
    5.未公開の発明提案書をクラウドに入力してよいか
     - 秘密保持と調査実務の現実的制約
    6.商用データベースへの依存とコスト構造、内製との住み分け
    7.本セミナーの問題提起
     - 「ベクトル検索を入れれば賢くなる」はなぜ誤りか


    第2部 RAG・ローカルLLM・AIエージェントの基礎
    1.用語整理
     - LLM/RAG/ファインチューニング/AIエージェントの関係
    2.RAGパイプラインの全体像
     (コーパス構築→索引→検索→再ランキング→生成)
    3.なぜ「学習させる」のではなく「読ませる」のか
     - RAGを選ぶ理由
    4.特許文書の特殊性①
     :長文と階層構造(独立項・従属項・実施形態)
    5.特許文書の特殊性②
     :意図的に上位概念化された独自の言い回し
    6.チャンク分割の設計
     - 固定長分割がなぜ失敗するか
    7.請求項単位チャンクと親子チャンク(Small-to-Big)の考え方
    8.メタデータ(分類・日付・出願人)の保持とトレーサビリティ確保
    9.AIエージェントの構成要素
     - ツール定義・計画・反復・停止条件・人の介在点


    第3部 検索精度を決める要素 ― 実測に基づく設計判断
    1.疎検索(BM25)と密検索(ベクトル)の原理・得手不得手
    2.【実測】日本語特許では密検索がBM25に及ばない
     - 一般論の反証とその理由
    3.日本語形態素解析器の選択(MeCab/Sudachi)が精度に与える影響
    4.埋め込みモデルの選定基準
     - 精度・索引構築時間・容量・応答速度のトレードオフ
    5.モデル固有の作法(クエリ用プレフィックス等)を外すと精度が落ちる
    6.ハイブリッド検索の設計
     - スコア線形融合と順位融合(RRF)
    7.融合の重みはクエリごとではなく「調査タイプ」で決まる
     (無効資料調査/出願前調査)
    8.精度向上の要素①
     :親子チャンク―従属項・構成要件を取り込む
    9.精度向上の要素②
     :分類コード(FI・Fターム)のソフトスコア融合
    10.【重要】分類コードでハードフィルタしてはいけない
     - 実務の常識との衝突
    11.分野を絞ると精度が上がるのはなぜか
     - フィルタ効果と母集団縮小効果の分離
    12.精度向上の要素③
     :自前特徴語生成―商用DBの索引語に依存しない
    13.クエリ拡張(擬似関連フィードバック・同義語辞書)の効果と限界
    14.積み上げの実際
     - 各要素は加法的に効くのか、天井はどこにあるのか
    15.【重要】本当のボトルネックは再ランキングではなく「候補プール」
    16.効かなかった手法から学ぶ
     - 細かく分ければ良くなる、という直観の落とし穴


    第4部 評価基盤の自前構築 ― 「精度が上がった」を証明する
    1.評価なくして改善なし
     - 感覚的な「良くなった気がする」から脱却する
    2.評価指標の読み方
     - MRR/Recall@k/Success@k の意味と使い分け
    3.調査目的別の主指標選択
     - 網羅性を問う調査で見るべき数字
    4.正解データ(グランドトゥルース)の作り方
     - 審査官引用の活用
    5.落とし穴①
     :引用文献欄には拒絶理由以外の引用が混在している
    6.落とし穴②
     :番号正規化の失敗が大量の「偽の正解」を生む
    7.過去の自社調査案件を教師データ化する方法と、その限界
    8.有意差の判断とプラトー
     - 小さな改善に投資しないための基準
    9.回帰評価の運用
     - 更新のたびに壊れていないかを測る仕組み
    10.三位一体の構想
     - コーパス・特徴語・評価データをすべて公開データで自己完結させる


    第5部 ローカルLLMとAIエージェントの構築
    1.なぜローカルLLMか
     - 機密性・コスト・可用性の三点から
    2.モデル候補の絞り込み手順とライセンスの一次情報確認
    3.実測での選定
     - 出力形式の妥当性・分解粒度・処理速度・VRAM消費
    4.「思考モード」の設定を誤ると出力が壊れる
     - モデルごとに最適点が異なる
    5.極端に悪い結果はモデルの実力ではなく環境・配布物の破損を疑う
    6.ハードウェア見積り
     - GPUの要否、CPUのみでどこまで実用になるか
    7.三層デプロイ設計(ベンダーGPUサーバー/社内サーバー/端末オフライン可搬)
    8.エージェント設計の勘所
     - 与えてよい自由度と、与えてはいけない自由度
    9.反復検索(ディープリサーチ型)による候補プール拡大と、その効果測定の設計
    10.構成要件分解と対比表(クレームチャート)自動ドラフト
     - 非対称設計という解
    11.Human-in-the-Loopを「検証工程」ではなく「教師データ生成装置」として設計する
    12.再現性・監査性をどう測るか
     - 順位一致度・判定一致度の記録
    13.【デモ】オフライン・CPUのみで動作する特許検索環境の実演


    第6部 導入設計と段階的ロードマップ
    1.AI特許調査ツールの選定基準
     (検索方式・評価の開示・機密保持・根拠提示)
    2.ベンダー提示の精度値をどう読むか
     - 必ず確認すべき条件項目
    3.内製・外製・併用の判断軸とコスト構造
    4.PoCの設計
     - 何を測れば導入可否を判断できるか
    5.スモールスタートの進め方
     - 単一工程から始める
    6.社内合意形成と教育、運用ルール
     (AI出力の取扱い規程)
    7.段階的ロードマップの描き方
     - 半年・一年・三年の視点
    8.まとめ
     - 失敗しないためのチェックリスト
    <質疑応答>


    *途中、お昼休みや小休憩を挟みます。

    セミナー講師

     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
     ソフィア・リサーチラボ 代表   安藤 俊幸 氏

    ■ご略歴
     1985年 花王(株)入社、情報事業関連の研究開発に従事。
     2000年頃から知財関係。
     2011年 アジア特許情報研究会所属。
     2025年 ソフィア・リサーチラボ設立。
    ■ご専門および得意な分野・ご研究
     知財情報解析、テキストマイニング、機械学習、AI
    ■本テーマ関連のご活動
     2015年よりJapio YEAR BOOKに毎年寄稿
     情報科学技術協会(INFOSTA)、人工知能学会、データサイエンティスト協会 各会員

    セミナー受講料

    【オンライン受講(見逃し視聴なし)】:1名 50,600円(税込(消費税10%)、資料付)
    *1社2名以上同時申込の場合、1名につき39,600円

    【オンライン受講(見逃し視聴あり)】:1名 56,100円(税込(消費税10%)、資料付)
    *1社2名以上同時申込の場合、1名につき45,100円
    *「見逃し視聴あり」でお申込の場合、当日のご参加が難しい方も後日セミナー動画の視聴が可能です。

    *学校法人割引:学生、教員のご参加は受講料50%割引。

    主催者

    開催場所

    全国

    受講について

    • 配布資料はPDF等のデータで送付予定です。受取方法はメールでご案内致します。
      (開催1週前~前日までには送付致します)
      ※準備の都合上、開催1営業日前の12:00までにお申し込みをお願い致します。
      (土、日、祝日は営業日としてカウント致しません。)
    • 受講にあたってこちらをご確認の上、お申し込みください。

    ※セミナーに申し込むにはものづくりドットコム会員登録が必要です

    開催日時


    10:30 ~

    受講料

    50,600円(税込)/人

    ※本文中に提示された主催者の割引は申込後に適用されます

    ※銀行振込、コンビニ払い

    関連記事

    もっと見る