Het claimen van AI-modellen: functionele formulering versus structurele openbaarmaking

Naarmate systemen voor kunstmatige intelligentie geavanceerder worden, krijgen aanvragers steeds meer te maken met strenge toetsing van de wijze waarop AI-uitvindingen worden geclaimd. Een centrale uitdaging in de Amerikaanse praktijk is het bepalen van de juiste balans tussen functionele formulering van conclusies en het niveau van structurele of algoritmische details dat vereist is om te voldoen aan de eisen inzake openbaarmaking en duidelijkheid. Het probleem is niet nieuw, maar de ontwikkeling van AI-modellen maakt de spanning duidelijk zichtbaar: veel innovaties laten zich het best beschrijven door wat het model bereikt, in plaats van door hoe het is opgebouwd. Examinatoren moeten echter beoordelen of de aanvraag voldoende concrete informatie bevat voor een vakman om de geclaimde uitvinding te begrijpen, uit te voeren en te onderscheiden.

Functioneel claimen in de AI-context

Functionele formulering van conclusies beschrijft een uitvinding aan de hand van haar resultaten of mogelijkheden. Voor AI-modellen komt dit vaak tot uiting in formuleringen zoals “een model geconfigureerd om te classificeren”, “een neuraal netwerk getraind om te detecteren” of “een systeem voor het voorspellen van”. Deze formuleringen zijn aantrekkelijk omdat ze aansluiten bij de manier waarop practitioners over machine-learning-systemen spreken. Ze stellen aanvragers ook in staat om zich niet vast te leggen op een specifieke implementatie die kan veranderen naarmate modellen evolueren.

Volgens de praktijk van de USPTO is functionele formulering toegestaan, maar zij brengt bekende beperkingen met zich mee. Examinatoren kunnen bezwaren maken wanneer de conclusies alle manieren lijken te omvatten om een functioneel resultaat te bereiken, in plaats van de specifieke aanpak(ken) die in de beschrijving zijn uiteengezet. Er rijzen vragen of de beschrijving de breedte van de functionele formulering voldoende ondersteunt en of er geen onredelijke experimenteerinspanning nodig zou zijn om deze uit te voeren. Wanneer de conclusie een “means for”-constructie bevat (soms zelfs zonder expliciet gebruik van die woorden), wordt de analyse strikter en moeten de bijbehorende structuren duidelijk aan de geclaimde functie worden gekoppeld.

Voor AI-uitvindingen leidt dit tot een praktisch probleem: de “structuur” van een machine-learningmodel wordt vaak niet alleen bepaald door de architectuur, maar ook door trainingsdata, hyperparameters, optimalisatieprocessen, verliesfuncties en iteratieve aanpassingen. Deze elementen laten zich niet altijd gemakkelijk vangen in louter functionele formulering, wat het risico vergroot dat de conclusie als te ruim of onduidelijk wordt beoordeeld.

Structurele openbaarmaking: hoeveel detail is voldoende?

De vraag wordt dan welk niveau van structurele of algoritmische details aanvragers moeten openbaar maken. In traditionele softwarezaken is een algoritme of stapsgewijze procedure vereist wanneer functionele formulering wordt gebruikt. Bij AI kan het equivalent bestaan uit de modelarchitectuur (lagen, knooppunten, verbindingen, modules), trainingsprocedures en optimalisatiestrategieën, de aard en rol van de gebruikte datasets, regels voor parameterselectie of -aanpassing, of de technische onderbouwing voor het bereiken van het geclaimde effect.

Niet elke aanvraag hoeft al deze elementen te bevatten, maar naarmate de conclusie sterker leunt op functionele resultaten, kan een examinator meer details verlangen die laten zien hoe het model deze resultaten daadwerkelijk bereikt.

Voldoende openbaarmaking, schriftelijke onderbouwing en duidelijkheid komen in deze analyse samen. Een aanvraag die enkel stelt dat een model “leert om taak X uit te voeren” zonder enige aanwijzing hoe het wordt getraind of welke kenmerken dit mogelijk maken, kan als onvoldoende worden beschouwd. Omgekeerd kan een gedetailleerde beschrijving van de trainingsaanpak en het gedrag van het model meer ambitieuze formuleringen in de conclusies ondersteunen.

Praktische drukpunten die voortvloeien uit AI-ontwikkeling

AI brengt unieke uitdagingen met zich mee die deze balans bemoeilijken:

• Afhankelijkheid van trainingsdata. De prestaties van veel modellen hangen sterk af van data en niet alleen van de architectuur. Toch kunnen aanvragers terughoudend zijn om gevoelige datastrategieën openbaar te maken.
• Iteratieve verbetering. AI-systemen ontwikkelen zich snel. Een smal structureel geformuleerde conclusie kan verouderen (zeker gezien de gemiddelde tijd tot de eerste Office Action momenteel meer dan 20 maanden bedraagt), terwijl een breed functioneel geformuleerde conclusie kwetsbaar kan zijn.
• Ondoorzichtigheid van modelinterne processen. Getrainde modellen functioneren als een “black box”, waardoor het moeilijk is om functies te koppelen aan identificeerbare structuren.
• Uitbreiding van de stand van de techniek. Door de wijdverbreide beschikbaarheid van open-source modellen en trainingscode kunnen structurele elementen snel tot de stand van de techniek gaan behoren.

Als gevolg hiervan experimenteren aanvragers steeds vaker met hybride claimstrategieën: bepaalde architecturale elementen worden structureel gedefinieerd, terwijl prestatieaspecten functioneel worden vastgelegd, ondersteund door gedetailleerde beschrijvingen van trainingsregimes of optimalisatieprocessen.

Vergelijking met de aanpak van het EOB

Hoewel de USPTO en het EOB beide vereisen dat er voldoende openbaarmaking plaatsvindt, legt het EOB een bijzonder sterke nadruk op het technische karakter. Functionele formulering is toegestaan, maar de conclusies moeten de gestelde functie duidelijk koppelen aan een technisch effect dat wordt bereikt door identificeerbare technische kenmerken. Het EOB verwacht vaak expliciete structurele of methodologische details die laten zien hoe het model de technische bijdrage realiseert. Het louter stellen dat een neuraal netwerk “is getraind om” een taak uit te voeren, kan onvoldoende zijn tenzij de technische aard van de training en het technische doel van de output duidelijk worden aangetoond.

In de praktijk is het EOB minder tolerant ten aanzien van conclusies die AI-modellen uitsluitend definiëren aan de hand van functionele uitkomsten. Aanvragers moeten vaak concrete elementen openbaar maken, zoals categorieën van trainingsdata, specifieke inputtransformaties of structurele kenmerken die direct bijdragen aan het technische effect. Dit kan leiden tot beperktere, meer implementatiegerichte conclusies dan in de VS, waar bredere functionele formuleringen nog steeds mogelijk kunnen zijn mits zij voldoende worden ondersteund door de beschrijving.

Strategische overwegingen

Bij het opstellen van conclusies voor AI-uitvindingen in de Verenigde Staten doen aanvragers er goed aan zorgvuldig na te denken over hoe de uitvinding wordt gepresenteerd en onderbouwd. Een belangrijke vraag is of de technologie op zinvolle wijze in structurele termen kan worden beschreven zonder de organisatie vast te leggen op een implementatie die mogelijk evolueert. Tegelijkertijd moet elke functionele formulering in de conclusies steunen op concrete technische onderbouwing in de beschrijving, wat vaak een doordachte openbaarmaking vereist van modelarchitectuur, trainingsmethodologie of optimalisatiegedrag. Aanvragers moeten ook overwegen hoeveel van deze informatie zij bereid zijn openbaar te maken, aangezien bepaalde aspecten van AI-ontwikkeling aanzienlijke concurrentiewaarde kunnen hebben als bedrijfsgeheim. Een andere praktische factor is de toenemende complexiteit van het landschap van de stand van de techniek: breed functioneel geformuleerde conclusies kunnen zowel op het gebied van nieuwheid als uitvoerbaarheid onder verscherpt toezicht komen te staan. Gezamenlijk vragen deze overwegingen om een bewuste opstelstrategie die flexibiliteit in balans brengt met specificiteit, en handhaafbaarheid op lange termijn met de realiteit van snel veranderende AI-ontwikkelingscycli.

Voor trans-Atlantische portefeuilles is vroege afstemming nuttig: conclusies die met zowel Amerikaanse als EOB-normen in gedachten zijn opgesteld, vermijden doorgaans late beperkingen en minimaliseren inconsistenties in de verleningsstrategie.

Conclusie

Het claimen van AI-uitvindingen vereist een zorgvuldige balans tussen de flexibiliteit van functionele formulering en de nauwkeurigheid van structurele openbaarmaking. De USPTO staat functionele formuleringen toe, maar verwacht betekenisvolle technische onderbouwing in de beschrijving. Naarmate AI-technologieën zich verder ontwikkelen, moeten aanvragers rekening houden met een strengere toetsing van de wijze waarop geclaimde functies zijn gekoppeld aan specifieke structuren of trainingsbenaderingen. Een doordachte opstelstrategie – waarin de technische mechanismen van de uitvinding duidelijk worden verwoord en tegelijkertijd ruimte blijft voor technologische evolutie – blijft essentieel voor het verkrijgen van duurzame en afdwingbare bescherming.