Professional

진솔국제특허법률사무소

2002년 창립 이래로, 진솔국제특허법률사무소는 기계, 전자, 화학, 의료, AI 및 소프트웨어 등 다양한 기술 분야에서 특허, 상표, 디자인 관련 소송 및 심판, 특허 침해 대응, 법률 자문, 대응 특허 개발, 지식재산권 기반 컨설팅, 그리고 국내외 출원 업무에 이르기까지 폭넓은 서비스를 제공하고 있습니다.

JINSOL NEWS LETTER JUNE, 2021

2021년 06월 05일

인공지능(AI) 기술과 AI 특허를 통한 새로운 도약

② 국내 AI 특허 확보 방안

국내 AI 특허 동향

지난 편에서 설명한 것과 같이, 해외 뿐만 아니라 국내에서도 AI와 관련된 특허가 다수 출원 및 등록되고 있습니다. 통계에 따르면, 국내에서 AI를 포함한 4차 산업혁명 관련기술의 전체 출원은 2010년 5,874건에서 2019년 17,446건으로 지난 10년간 연평균 12.9%의 출원 증가율을 보였습니다. 또한, 전체 특허출원 대비 4차 산업혁명 관련 기술의 비중은 2010년 3.2%에서 2019년 7.77%로 10년 만에 2배 이상 증가하였고, ‘인공지능’ 기술분야는 지난 10년간 36.7%의 폭발적 연평균 증가율을 나타냈으며, 이는 비슷한 시기 미국의 출원 증가율 27.4%보다 높은 수치를 기록하여 미래에는 AI를 기반으로 한 특허가 여러 기술분야에 광범위하게 출원, 등록될 것으로 예상하고 있습니다.

특히, 인공지능 분야의 기술은 다른 분야와 연계되고 있는데, 사진, 영상에서 대상을 인식하는 등의 시각데이터 처리 기술을 적용해 의료・자율주행・제조공정 등에 활용되는 시각지능을 구현하는 기술 분야의 출원, AI를 활용하여 의사의 판단에 도움을 주는 진단관련 기술분야의 출원이 급격하게 증가하고 있습니다. 최근에는 언어를 분석하여 문장을 해석하고, 문장이 실제로 무슨 의미를 내포하는지 결정하는 자연 언어 처리(Natural Language Processing)에 관한 인공지능 기술이 개발되고 있어 번역, 대화시스템, 정보검색 등에 활용되는 특허가 많아질 것으로 예상됩니다.

어떻게 등록받을 수 있을까? – 특허요건

(1) AI 특허 출원에 어려움을 겪는 이유

컴퓨터 상에서 구현되는 소프트웨어 특허와 비슷하게, 출원인들이 AI특허에 대한 출원을 망설이는 이유는 크게 2가지가 있습니다. ① 인공지능, 특히 딥러닝 기술의 블랙박스적인 특성과 ② 오픈소스가 AI 기술의 구현에 사용되는 경우가 있다는 점입니다.

블랙박스 특성이란, 머신러닝, 딥러닝의 아웃풋이 인간과 사고과정의 결과와 유사하게 도출되도록 할 수 있지만, 딥러닝의 사고과정을 명확히 알 수 없는 것을 말합니다. 최근의 딥러닝 모델은 내부적으로 수많은 레이어가 아웃풋의 도출을 위해 여러 기준을 정의하므로 AI 기술을 개발한 개발자도 각 레이어에서 어떤 계산이 이루어지는지 알 수 없습니다. 이러한 문제점을 해결하기 위해 설명가능한 인공지능(eXplainable AI)에 대한 연구가 수행되고 있지만, 아직도 수많은 AI 모델과 기술들은 학습을 수행하는 ‘Hidden Layer’에서의 계산과정을 알 수 없습니다.

오픈소스란, 공개적으로 액세스할 수 있게 설계되어 누구나 자유롭게 확인, 수정, 배포할 수 있는 코드를 말하며, 웹상에서 무료로 다운로드및 소스 코드 수정, 재배포가 가능하고, 공개적으로 많은 개발자들이 참여하기 때문에 폐쇄적으로 개발되는 독점 프로그램에 비해 비교적 안정적인 장점이 있습니다.

위와 같은 이유로 AI 특허를 등록받는 것이 어렵다고 생각할 수 있지만, AI 특허는 AI가 기술분야에 어떻게 구현되어 사용되는지에 대한 특허이므로, 기존에 공개된 기술을 그대로 사용한 것이 아니라면, 새로운 구성을 추가하여 개발한 AI발명이 특유한 기술적 특징이 있다면 충분히 등록받을 수 있습니다.

(2) 기존 기술들과 차별점이 있다면 등록이 가능

AI 특허도 다른 일반적인 특허와 같이 특허요건을 만족한다면 등록을 받을 수 있습니다. 즉, 등록받고자 하는 기술이 발명에 해당하고, 공개된 기존 기술과 비교할 때 새롭고 진보된 기술적 특징이 있는 경우라면 특허로써 등록이 가능합니다.

예를 들어, 학습에 사용되는 학습 데이터를 레이블링하고 전처리하는 단계, 학습 데이터로부터 학습에 사용되는 파라미터를 추출하는 단계, 학습모델로부터의 결과값을 가공하여 제공하는 단계 등에서 기존 알려진 기술과 차별되는 기술적 특징이 있다면 특허등록이 가능합니다. 나아가, 기존에 알려진 학습 모델과 다른 기계학습 과정을 개발하는 경우에도 특허를 등록받을 수 있습니다.

AI 특허는 실질적으로 컴퓨터 프로그램을 통해 구현되므로 소프트웨어 특허의 하위구성으로 분류되고 있습니다. 따라서, 아래에서는 소프트웨어 특허의 주요 특허요건인 발명의 성립성, 신규성 및 진보성을 중심으로 AI 특허의 등록요건을 살펴보도록 하겠습니다.

국내에서의 AI특허에 대한 판단기준 소개

(1) 심사기준에서 AI특허 분류

우리나라에서는 AI 특허의 등록에 대한 대법원 판례는 아직 나오지 않았고, 특허심판원, 특허법원에서 AI특허의 진보성 등 특허요건을 다룬 심결이나 판결이 존재합니다. 국내에서는 인공지능 관련 산업이 충분히 커지지 않아 인공지능 분야에서 발생한 분쟁사례가 많지 않은 편입니다. 성장하는 기술분야에서의 특허전략은 크게 특허개발단계, 포트폴리오 구축단계 및 전략경영단계로 나눌 수 있는데, 국내 인공지능 기술분야는 아직 포트폴리오 구축단계에 있기 때문인 것으로 판단됩니다. 특허청의 통계자료 를 참고하면, 미국에서는 등록된 인공지능 관련 특허에 대한 소송이 100여 건 정도 진행되었는데, 해외의 경우 어떻게 AI 특허를 등록받을 수 있는지, 특허 분쟁이 어떻게 일어났는지에 대해서는 후속 기고에서 다루도록 하겠습니다.

전편 기고에서 다룬 것과 같이, 한국 특허청에서는 AI 학습을 통해 특정 기능을 수행하는 것에 특징이 있는 컴퓨터, 소프트웨어 관련 발명을 AI 발명으로 정의하고 있으며, ① 실질적으로 기계학습을 수행하는 학습모델(학습 알고리즘, 데이터 전처리를 통한 학습 방법을 포함)에 대해 학습 모델 연산의 가속화 방법, 데이터 정규화 방법, 학습 모델 자동 생성 방법 등의 기계학습 자체에 대한 발명을 지칭하는 AI 학습모델링 발명과 ② 사용 목적, 용도를 달성하기 위해 학습데이터와 학습모델을 이용하여 특정 기능을 수행하는 AI를 통한 자율주행, AI를 통한 영상인식, AI 의료기기와 같은 AI 응용발명​으로 구분하고 있습니다.

(2) 특허요건 - 발명의 성립성


먼저, 특허로 인정받기 위해서는 AI 기술이 발명으로서 성립하여야 합니다. 발명이란 자연법칙을 이용한 기술적 사상의 창작으로서 고도한 것으로 산업상 이용할 수 있는 것으로, 자연법칙 그 자체이거나 단순한 정보의 제시나 약속, 알고리즘에 불과한 것이 아니라면 대부분 발명에 속한다고 볼 수 있습니다.

대법원은, 소프트웨어 발명에 대해서 “소프트웨어 발명이 특허에 해당하기 위해서는 컴퓨터상에서 소프트웨어에 의한 정보처리가 하드웨어를 이용해 구체적으로 실현되고 있어야 하고, 구체적으로 소프트웨어와 하드웨어가 구체적인 상호 협동 수단에 의해 사용목적에 따른 정보의 연산이나 가공을 실현함으로써 사용 목적에 대응한 특유의 정보 처리 장치 또는 그 동작 방법이 구축돼야 한다”고 판시하여 하드웨어를 통한 정보처리의 실현이 필요하다는 입장입니다(대법원 2003. 5. 16. 선고 2001후3149).

AI발명은 소프트웨어, 컴퓨터를 이용한 발명에 해당하므로, 소프트웨어와 하드웨어가 협동한 구체적 수단 또는 구체적 방법에 의해 사용 목적에 따른 특유의 정보의 연산 또는 가공을 실현함으로써 사용 목적에 따른 특유의 정보처리 장치(기계) 또는 그 동작 방법이 구축되어 있는 경우 특허성이 인정됩니다.

(3) 특허요건 - 진보성

AI 발명이 기존에 공개된 기술들과 비교하여 진보된 구성이나 기술적 특징이 있어야 합니다. 진보성의 주장을 위해서는, ① 인공지능을 구현하기 위한 구성요소(학습모델 구현, 데이터 전처리 등)가 특정되는 것이 필요 하며, ② 특정된 상기 구성요소가 데이터를 어떻게 학습하는지 특정이 필요할 수 있습니다.

공지된 인공지능 발명이 있는 경우, 단순한 학습모델의 변경을 넘어 인공지능 구현 요소에 대한 세분화나 기계학습을 구현하는 구성요소가 특정된다면 진보성을 주장할 수 있습니다. 예를 들어, 기계학습에 사용되는 순환 신경망을 단순히 합성곱 신경망으로 변경한 기술은 진보성이 인정되지 않을 가능성이 높습니다. 따라서, 진보성 인정을 위해서는 다른 구성요소를 추가하거나 합성곱 신경망이 어떤 파라미터를 통해 학습을 수행하여 얼마나 다른 효과를 발생시키는지에 대한 설명을 추가함으로써 진보성 인정을 도모할 수 있습니다.

어디까지 준비해야 하나? – 진보성 주장을 위한 기술 구체화

먼저, AI 응용발명을 고안하고 출원하기 위해서는 AI를 적용시킬 아이디어와, 기계학습을 수행하는 프로세스가 구현되는 것이 필요합니다. 따라서, ① 원하는 학습데이터를 이용하여 ② 특정한 기계학습 방법을 통해 학습데이터를 학습한 후 ③ 도출된 결과값을 어떻게 응용하는지에 대한 구체화가 가능하다면, AI 발명이 준비된 것입니다.

간단히 말하자면, AI 발명은 컴퓨터 프로그램 특허와 다르지 않게 (학습을 위한)데이터가 어떻게 처리되고 활용되는지를 구체적으로 설명해 주면 되는 것입니다. 물론, 이것을 종래 기술과 대비하여 특허등록이 가능한지, 추가적인 구성이 필요한지를 판단하는 것은 특허 실무자인 변리사의 역할입니다.

심사실무에서는, ① 학습 데이터를 만들기 위해 데이터를 레이블링하고 전처리하는 과정, ② 학습 데이터로부터 특징을 추출하는 과정, ③ 학습된 모델로부터 얻은 출력을 재가공하는 과정 등의 프로세스에서 특징적인 구성을 찾을 수 있다면, 특허등록이 가능하다고 설명하고 있습니다. 만약 학습데이터와 출력의 활용이 유사하더라도, 학습 프로세스가 차별화될 수 있다면 특허등록이 가능합니다. 아래의 심사사례들을 통하여 위의 특징들에 대하여 자세히 알아보도록 하겠습니다.

심사 사례

(1) 널리 알려진 기술을 단순히 인공지능 알고리즘을 통해 수행하는 경우 – 진보성 부정

첫번째 심사사례는 단순하게 인공지능 알고리즘을 통해 잘 알려진 기술을 구현한 경우, 인공지능 알고리즘에 의한 기계학습에 기술적 특징이 없어 진보성이 부정된 사례입니다. 아래 그림과 같이, 인공지능 차트를 이용한 주식정보 제공 방법이라는 특허출원은,

사용자 컴퓨터가 주식거래 프로그램을 실행하여 시간에 따른 주가의 변화를 표시한 차트를 화면상에 표시하는 단계;

상기 실행된 주식거래 프로그램이 상기 사용자컴퓨터로부터의 입력 명령에 의해 상기 차트를 표시하기 위한 주기를 설정하는 단계;

상기 주식거래 프로그램이 사용자 컴퓨터의 화면상에 표시된 차트의 일영역에 설정된 주기에 따라 표시되는 각각의 봉이 존재하는 위치에 대응하여 상기 봉의 너비를 가지며 차트의 세로축과 평행한 방향으로 연장되는 막대모양의 영역을, 주가의 기조를 판별하는 인공지능 알고리즘에 따라 색을 달리하여 표시하는 단계를 포함하고,

상기 인공지능 알고리즘은, 해당 일의 시작가가 5일 이동평균선의 위에 있거나 해당 일의 직전 4일 평균가가 상승하는 경우에는 상기 주가의 기조를 상승으로 판단하고, 해당 일의 시작가가 5일 이동평균선의 아래에 있거나 해당 일의 직전 4일 평균가가 하락하는 경우에는 상기 주가의 기조를 하락으로 판단하는, 인공지능 차트를 이용한 주식정보 제공방법.

을 청구하였습니다.

심사과정에서, 출원인은 ‘주가 기조의 상승/하락을 판단하는 인공지능 알고리즘’이 인용발명에 개시되어 있지 않다는 주장을 하였으나, 특허청은 ① ‘주가 기조의 상승/하락을 판단하는 것’은 주식투자 분야에서 널리 사용되는 기술이며, ② 인공지능 알고리즘이 주가 기조의 상승/하락여부 판단을 수행하기 위해 학습하는 모델이나, 학습모델에서 얻은 출력정보에 특유한 효과도 없다는 것을 이유로 진보성을 부정하였습니다.

이와 같은 AI발명에 대해 진보성을 주장하기 위해서는, AI가 ① 어떤 파라미터(변수)를 기준으로 학습데이터를 학습하여 주가의 기조를 판단할 때 종래 기술과 어떤 차이점이 있는지를 밝히거나, ② 학습결과로 도출되는 주가의 기조를 활용하는 방식에 종래 기술과 차별점을 두는 방식으로 AI 기술을 구현하는 것이 바람직합니다.

(2) AI 학습모델에 의해 도출된 결과값이 종래 기술 대비 효과가 있는 경우 – 진보성 인정

두번째 심사사례는 학습모델에 의해 도출된 결과값이 종래 인공지능을 활용하지 않은 경우와 대비할 때 특별한 효과상의 차이가 있어 진보성이 인정된 사례입니다. 아래 그림과 같이, 피검체의 흉부 PA 영상의 판독을 지원하는 방법 및 이를 이용한 장치 특허출원은,

피검체의 흉부 영상(chest view)의 판독을 지원함에 있어서 흉부 영상의 입력으로부터 딥 러닝 모델(deep learning model)에 기초하여 상기 흉부 영상에 관한 판독 보조 정보를 생성하도록 하며,

상기 판독 보조 정보는 소견 정보에 대응되도록 제공되는 판독문 선택지 중에서 상기 컴퓨팅 장치에 의하여 상기 딥 러닝 모델에 기초하여 선택된 결과인 선택형 판독문으로 획득되도록 하는 것을 특징으로 하였습니다.

이때, 이 발명의 딥러닝 학습의 결과로 획득되는 선택형 판독문은, 의학적 판단으로서의 소견(findings)에 대한 정보를 기반으로 의사가 쓰고 읽을 수 있는 자연어 문장으로서의 '판독문'에 해당하고, 이러한 판독문은 의료 관련법 상 의사에게 의무적으로 강제되는 판독문 작성의 편의를 제공한다는 특별한 효과를 가지는 것이 인정되어 특허등록받았습니다.

(3) 학습데이터에 레이블을 부여하는 전처리과정에 특징이 있는 경우 – 진보성 인정

세번째 심사사례는 학습데이터에 레이블을 부여하는 전처리과정에서 기존 발명들과 차별화된 점이 있어 등록을 받은 사례입니다. 보안이벤트에 대한 준지도학습을 위해 데이터에 레이블을 부여한 후 보안정책을 수립하는 준지도학습을 통한 인공지능 기반 보안이벤트 분석시스템 특허출원은,

전처리된 데이터를 군집화하고 샘플링하여 준지도학습에 사용되는 레이블데이터를 가공하는 준지도부, 전처리된 데이터와 레이블데이터를 사용하여 기계학습 알고리즘을 기반으로 보안정책을 생성하는 기계학습부, 생성된 상기 보안정책을 제공받아 기록하고 상기 전처리된 데이터와 비교판단하여 실시간 보안이벤트를 처리하는 탐지부 및 상기 준지도부에서 가공된 레이블데이터를 평가하고, 상기 탐지부에서 통지된 보안이벤트를 기반으로 보안정 책의 정확성을 평가하는 평가부를 포함하며,

상기 준지도부는 지정된 변수에 따라 군집화를 실시하고 군집화된 데이터에 샘플링 처리하는 군집화부와 전처리 된 데이터의 군집화에 적용되는 변수를 지정하는 변수지정부를 포함하고, 상기 변수지정부는 군집화 작업 반복횟수를 지정하는 반복횟수지정모듈과 군집화 작업 시 분류될 군집의 수를 지정하는 군집수지정모듈을 포함하는 것을 특징으로 하였습니다.

이때, 이 발명의 준지도부는, ① 레이블링되지 않은 데이터를 군집화하여 레이블링하되, ② 군집의 수와 군집화 반복횟수를 조절하여 ③ 기계학습에 사용되는 데이터의 레이블링을 다르게 하고, ④ 군집화된 데이터에 새로운 레이블 값을 부여함으로써 보안관리자의 판단 또는 필요에 부합하는 보안정책을 수립하는 기술적 특징을 통해 인용발명과의 차별점을 인정받아 등록되었습니다.

이와 같이, AI를 적용시킬 아이디어와, 기계학습을 수행하는 프로세스를 구현함에 있어서, 여러 방면으로 종래 기술과의 차이점을 고안하여 특허를 작성하고, 등록받을 수 있습니다. 후속 기고들에서는 미국을 비롯한 해외 심사기준과, 인공지능 특허권의 행사와 관련된 이슈를 소개해 드리도록 하겠습니다.

서울특별시 서초구 서초대로 396 강남빌딩 10층 1003호 | 대표전화 : 02-558-0688 |  팩스 : 02-558-7010
COPYRIGHT©JINSOLLAW ALL RIGHT RESERVED
crossmenuchevron-right