Ein Problem bei Patenten – Voraussetzung für die Verwertung von geistigem Eigentum – ist die große Menge und die Komplexität von Erfindungen. Für Unternehmen, die Patente anmelden wollen, kann alleine schon die Anmeldung eines Patentes damit ein sehr kostspieliges Verfahren sein! Viele Unternehmen möchten daher schutzrechtliche Maßnahmen, wie etwa die Patentanmeldung in bestimmten Regionen oder die Verlängerung betriebswirtschaftlich und vor allem rasch bewerten können.
Die Idee:
Ein Verfahren entwickeln, das die zu erwartenden Kosten für Patente rasch und akkurat bewertet und so den Patentwerber bei der Entscheidungsfindung effizient unterstützt.
Das Ziel:
Durch den Einsatz von Machine Learning ein Verfahren entwickeln, das aus bekannten Bewertungen auf die Bewertung neuer, ähnlicher Schutzrechte schließen lässt und somit für Patentwerber rascher und kostengünstiger zu einem Ergebnis kommt.
„Wir wollten in diesem Projekt erste Erfahrungen mit maschinellen Lernverfahren sammeln und die beste Methode zur Durchführung von Kostenvorhersagen ermitteln. In beiden Punkten war das Know-Center der richtige Partner und hat uns hervorragend unterstützt. Dank dieser Kooperation konnten wir die Kostenvorhersage effektiv implementieren und die Vorhersagegenauigkeit erhöhen.“
Michael Kohlhuber, Manager Unycom Development
Unser Beitrag:
Durch den Einsatz der innovativsten Methoden und Algorithmen in Machine Learning Verfahren wurde es möglich, die drei wesentlichen Kostentreiber in Schutzrechts–Prozessen zu analysieren und Schritt für Schritt daraus immer akkuratere Voraussagen zu treffen:
(1) Länderentscheidung: Vorhersage der zu erwartenden Kosten für eine Anmeldung in bestimmten Ländern,
(2) Wartungsentscheidung: Unterstützung bei der Frage, ob ein Schutzrecht verlängert oder aufgegeben werden soll, insbesondere im Hinblick auf die erwarteten Kosten für die nächsten Jahre,
(3) Budgetierung: Vorhersage des zu erwartenden Budgets für ein gesamtes Schutzrechts-Portfolio für ein Folgejahr.
„Der vom Know-Center vorgeschlagene Ansatz basiert auf maschinellen Lernverfahren und hat daher den Vorteil, dass die Faktoren mit der größten Auswirkung auf die Kosten automatisch am stärksten berücksichtigt werden. Wir mussten dazu keine wartungsintensiven Rechenregeln hinterlegen. Dabei ist dieser Ansatz transparent und einfach erklärbar; wir sind uns sicher, hier den richtigen Weg gewählt zu haben.“
Christian Baar, Business Analyst Product Development bei Unycom
Das Projekt wurde im Rahmen von COMET – Competence Centers for Excellent Technologies durch BMK, BMDW, Land Steiermark gefördert. Das Programm COMET wird durch die FFG abgewickelt.