年金判断支援AIサービスとは？

年金判断支援AIサービスの特徴

メリット その1：効率化

過去の判断をAIで再現し、
業務工数を最大7割削減

年金判断支援AIサービスは、AIにより過去の判断事例を元にした
維持要否を評価し、AIの判断を採用することで業務を効率化します。
専門性の高い人材の工数削減により、他の知財活動への取り組みが可能となります。

導入前 ： 特定技術領域の有知見者が、一定時間占領されてしまう…

導入後 ： AIの判断を採用することで業務を効率化

メリット その2：高度化

外部のデータを用いたより客観的な判断基準の構築や、
特許に関する新たな知見の獲得

各技術エリアや、市場毎に維持判断の最適化推進へ

PatentSight社が提供するLexis Nexis PatentSightRの特許価値評価指標（PAI:PatentAssetIndex）データを併せて用いることで、第三者の特許の価値評価を年金維持判断のロジックに組み入れることが可能です。
これにより、第三者の市場評価・技術評価情報をモデルに組み込み、客観性を確保できます。
また、市場別や事業別にモデルを構築することで、それぞれに最適化されたモデルを構築することも可能です。（十分な学習データが必要となります）

特許の戦略的活用へ

他社の公知データとPAIから他社の判断傾向を分析する、複数年の棚卸履歴から自社の棚卸しの傾向の変化を可視化するなど、分析により様々な知見を得ることが可能です。
また、当該年の特許維持コストから、維持判断の優先度付け等も運用上可能です

サービス内容

概要

PoC（モデル構築）と本モデルの業務適用

PoC

概要

過去の事例を元に年金最適化予測モデルを
構築し、実現可能性を評価。
要望に応じて、当該年の年金判断をAIで支援。

サービス内容

コンサルティング・業務分析を行い年金最適化予測モデルを作成

初年度

翌年度以降の
予測モデル・実行環境ご提供

概要

PoCで構築したモデルをご提供。

サービス内容

年金判断支援として3か月間の提供を想定。

翌年度以降～

プロセス例

〈　PoCスコープ例　〉
AIによる年金判断モデルを構築し、
判断対象年の維持要否判断を実施

• 分析の前処理、データ加工
• Aiモデルを構築し、精度を評価実施

〈　翌年度以降　〉
PoC作成時の分析ロジック・実行環境の提供

• PoCで開発した学習済みモデルをご提供。PoCと同様のロジックでAI予測可能
• 弊社RPA製品のBizRobo!による自動評価実行なども可能
  （ライセンス未契約の場合は別途オプション。関連するシステムとの接続要確認）

価格体制

AIを適用するのに、何年分のデータが必要ですか？

可能であれば長い期間のデータが必要です（3～5年程度）が、現在あるデータで作成することも可能です。
長期のデータがある方がこのましい理由は、AIは過去の事例を再現するロジックを構築するため、
例えば事業環境による判断基準が変わってくる際に学習と予測で傾向が異なる場合、
精度が低下するなどの問題があります。

過去のデータがあまりなかったり、細かい項目まできちんと入力されていないが可能か︖

過去の事例では、1年分のデータでモデルを構築し、翌年度の予測を行った事例もあります。
事例数によりますので、お問い合わせください。
また、欠損が多いケースは例えば親となる特許の情報で埋める等の事例がございます。
欠損が多い場合、分析が困難になるケースが多いですが、
何かしかのルールで入力する事で対応するなどの検討が可能ですのでお問い合わせください。

年金判断は維持に偏ることが多く、偶然でも当たってしまうことについてはどう考えるか︖

分析内で、「交差検証」および「ホールドアウト検証」を行うことで、評価結果の妥当性を検証しております。

〈交差検証〉

• 複数回に渡って異なる分割をしたデータで検証。

〈ホールドアウト検証〉

• 事前に学習用データ、検証用データを用意し精度の検証を行います。
• 通常ランダムに学習用検証用に分割しますが、例えば、「維持」「放棄」の比率が等しくなるように、ランダムに分類します。

そもそも、「維持」「放棄」の2つの選択肢であり確率的に正解する確率が高いことが懸念されるケースでは、カッパ係数（予測と実測の一致度を測る指標）を参考に算出し提示します。また、現時点では、まずは人の作業量を減らす・棚卸しできる件数を増やすことに注力しつつ、放棄判断の最適化を進めていく、ことがこのサービスの目的です。