이 글은 위포커스 특허법률사무소 김성현 변리사의 기고문입니다. 스타트업을 위한 양질의 콘텐츠를 기고문 형태로 공유하고자 하는 분이 있다면 벤처스퀘어 에디터 팀 editor@venturesquare.net으로 연락 주시기 바랍니다.
혹시 인공지능 특허 등록을 준비하고 있는가? 인공지능이 산업 전반으로 확대 보급되고 있다. 덕분에 인공지능을 활용한 기술이나 제품들이 정말 다양해지고 있다. 그렇지만 여전히 인공지능에 대한 지식이나 전문성이 부족한 경우가 많다. 외부 협력 업체를 통해서 기반 기술을 도입하거나 내부 전문가가 1~2명에 머물러 있는 경우가 대부분이다. 특허 등록을 준비하는 과정이 순탄할 수가 없다. 이와 반대로 인공지능 관련 모델, 알고리즘, 학습 방법론, 딥러닝 네트워크, 파인 튜닝 방법론 등 너무 많이 알아도 문제가 된다. ‘지식의 저주’ 때문이다.
특허청이 인공지능 기술에 대한 심사실무 가이드를 만든지 이제 1년 밖에 되지 않았다. 실무를 담당하는 심사관 사이에서 ‘컨센서스’가 명확하게 정립되어 있지도 않다. 그래서 이번 글에서는 필자가 100여건 이상의 인공지능 특허를 등록하면서 시행착오를 통해서 얻은 노하우를 알려드리려고 한다. 인공지능 특허 등록을 실패하는 공통적이고 대표적인 특징들이 주제이다.
필자가 창업진흥원이 수행하는 창업 및 사업화 지원 사업의 평가 위원으로서 직접 겪었던 일이다. 전문 분야 중 하나로 AI를 등록해둔 까닭에 평가 과정에 참여하면 참으로 다양한 AI 분야 기술과 제품을 보게 된다. 필자는 특허 등록 목록이나 첨부 서류로 붙어있는 출원번호 통지서가 확인되면 현장에서 직접 검색도 해본다. 안타깝지만, 인공지능 특허 등록에 실패하거나 궁여지책으로 이상하게 잘못 등록된 경우를 많이 보게 된다. 조달청 혁신제품 지정, 신기술(NET), 신제품(NEP) 인증 등 다른 기술 심사 과정에서도 동일한 상황이 반복되었다. 그 특징과 내용만 놓고 봤을 때에는 너무 혁신적이고 좋은 기술들인데 이를 설명하고 전달하는데 실패한 케이스이다.
인공지능 기술은 어렵기도 하지만 특이하기도 하다. 상업화된 기술들이 오픈소스를 적극적으로 활용하여 개발이 이루어진다는 점, 동시대 최고 성능의 알고리즘을 의미하는 SOTA 알고리즘이나 모델을 손쉽게 구해서 적용할 수 있는 점, 생태계 기여, 구축, 확장 등 다른 산업에서는 볼 수 없는 독특한 목표를 설정한다는 점이 대표적이다. 그래서 특허청 심사관을 상대로 그 기술의 독창적인 엣지나 가치를 전달하는 것이 쉽지 않다.
전문가 입장에서 특허 등록을 성공하는 원인은 정말 다양하다. 그런데 실패하는 원인은 대부분 공통적이다. 특허청 심사라는 것이 파지티브 방식이 아니라 네거티브 방식이기 때문이기도 하다. 관련된 내용을 강의할 때마다 설명하는 내용인데. 특허청 심사관의 업무는 유사한 선행 기술을 찾아내어서 그것을 근거로 특허를 줄 수 없다는 거절 의견을 내보내는 것이다. 곧바로 등록 결정서를 내보내는 특허청 심사관은 일을 못하는 것이다. 그런 의미에서 아래에서 설명하는 실패 케이스를 반면교사 삼아야 한다. 그것만 해도 특허 등록에 절반은 성공한 것이다.
1. 인공지능 기술을 단순히 부가한 경우: 인공지능 기술을 ‘주인공’으로 설명하지 못한 경우
인공지능 특허를 쓸 때 “인공지능 기술을 이용하여” 또는 “인공지능 알고리즘에 따라”라는 정도의 표현만 기재하고, 해당 인공지능 기술의 구체적인 구성 요소를 특정하여 쓰지 못한 경우이다. ‘설마 그럴 리가요?’ 하겠지만, 정말 그런 경우가 많다. 그래서 가장 먼저 설명하는 것이다. 설명하기 어려워서 또는 제대로 이해하지 못해서 앞선 표현들로 뭉뚱그려 넘어가려는 경우도 있다. 발명자의 주의가 필요한 부분이다.
어쩌면, 의뢰인(고객)의 의견을 단순히 수용한 것일 수도 있다. 이런 경우는 대부분 인공지능이 아니라 실상은 룰 베이스 시스템인 경우이다. 인공지능 구체적으로는 머신러닝에서는 보이지 않는 룰을 컴퓨터가 스스로 찾아내야 한다. 인간이 정해놓은 룰을 그대로 따르는 것은 인공지능 시스템이 아니다. 전통적인 프로그래밍처럼 명시적인 정책과 플로차트로 정의된 시스템은 인공지능 특허를 받을 수 없다.
2. 사람이 하는 반복 업무를 인공지능 기술로 단순 대체한 경우: 인공지능을 ‘인간지능’처럼 쓰는 경우
과거 공장에서 사람이 하는 수작업을 지금은 로봇이 대체하고 있다. 이제는 사람이 직접 해야 하는 디지털 업무를 인공지능이 대신하도록 하는 시도가 많다. 이해는 한다. 의외겠지만 이런 경우도 특허를 받기가 어렵다.
해결책은 단순히 ‘대체’하는 수준을 넘어서는 것이다. 인공지능 기술이 제대로 사용되었다면 필시 과거에 사람이 직접 확인했던 데이터, 즉 입력 데이터가 동일하더라도 모델이 이해할 수 있도록 그 피처를 추출하는 과정이 별도로 있을 것이다. 또는, 사람으로서는 정보를 추론해 내기 어려웠던 데이터이지만, 모델은 그로부터 피처를 추출해낼 수 있어 새롭게 학습 데이터로 사용 가능한 경우들이 있을 것이다. 이러한 부분을 잘 설명해야 한다.
3. 기존과 대비하여 학습 모델이나 알고리즘만 바뀐 경우: 발명자의 기여가 적은 경우
대표적인 사례로 ‘입출력 데이터가 동일한 가운데 학습 모델로 기존에 사용하던 RNN을 CNN으로 대체한 경우’가 있다. RNN이나 CNN이나 이미 널리 알려진 개념이기 때문에, 학습 데이터를 그대로 두고 학습 모델의 구조만 바꾼 경우에는 소위 말하는 ‘단순 설계 변경’이라는 지적이다. 변경되는 모델이나 알고리즘은 그 분야의 연구 개발자에게 널리 알려진 것에 불과하며, 발명자가 직접 설계하거나 개발한 것도 아니기 때문이다.
제품화 차원이라면 학습 모델을 교체해서 얼마든지 성능 개선이 이루어질 수 있기 때문에 좋은 시도라고 할 수 있다. 앞서 설명한 SOTA 모델로 바꾸는 식이다. 그런데 ‘특허 등록이 필요한 상황’이라면 다른 얘기가 된다. 학습 모델의 변경이 아무나 생각해 내기 어렵다고 설득할 수 있어야 한다. 어떻게 하면 좋을까? 학습 모델의 변경과 동시에 무엇인가가 함께 바뀐 것이 있으면 좋다. 거기에 수준 높은 기술적 노하우가 있다고 주장해 볼 수 있다.
여기까지 인공지능 특허 등록에 실패하는 케이스의 대표적인 특징 세 가지를 알아보았다. 독자분들의 인공지능 특허 등록에 좋은 결과와 성과가 있기를 기원한다.
- 관련 칼럼 더보기
You must be logged in to post a comment.