Prüfung von Patentanmeldungen im Zusammenhang mit Erfindungen der künstlichen Intelligenz (KI): Die Szenarien

Jun 17, 2023

Veröffentlicht am 22. September 2022

© Crown Copyright 2022

Diese Veröffentlichung ist unter den Bedingungen der Open Government License v3.0 lizenziert, sofern nicht anders angegeben. Um diese Lizenz einzusehen, besuchen Sie nationalarchives.gov.uk/doc/open-government-licence/version/3 oder schreiben Sie an das Information Policy Team, The National Archives, Kew, London TW9 4DU, oder senden Sie eine E-Mail an [email protected]. Vereinigtes Königreich.

Wenn wir Urheberrechtsinformationen Dritter identifiziert haben, müssen Sie die Genehmigung der betreffenden Urheberrechtsinhaber einholen.

Diese Veröffentlichung ist verfügbar unter https://www.gov.uk/ Government/publications/examining-patent-applications-relating-to-artificial-intelligence-ai-inventions/examining-patent-applications-relating-to-artificial-intelligence -ai-erfindungen-die-szenarien

1. Dieses Dokument enthält eine Reihe von „Szenarien“ zu Erfindungen, die künstliche Intelligenz (KI) oder maschinelles Lernen (ML) beinhalten. Es soll die Richtlinien zur Prüfung von Patentanmeldungen im Zusammenhang mit KI-Erfindungen begleiten. Die Richtlinien befassen sich in erster Linie mit der Patentierbarkeit von KI-Erfindungen im Hinblick auf die Ausschlussbestimmungen gemäß Abschnitt 1 (2) des Patentgesetzes von 1977.

2. Das IPO geht davon aus, dass Patente für KI-Erfindungen in allen Technologiebereichen verfügbar sind. Die Szenarien in diesem Dokument sollen das breite Spektrum unterschiedlicher technischer Bereiche widerspiegeln und veranschaulichen, in denen KI-Erfindungen zu finden sind.

3. Jedes Szenario enthält eine sehr kurze Beschreibung der Funktionsweise der KI-Erfindung und ein anschauliches Beispiel für einen Patentanspruch. Jedes Szenario enthält eine vereinfachte Bewertung, in der wir darlegen, wie jede KI-Erfindung voraussichtlich im Hinblick auf Abschnitt 1(2) bewertet werden würde.

4. Um Zweifel auszuschließen, betonen wir, dass es sich bei diesem Dokument nicht um eine Rechtsquelle handelt. Unsere Meinungen zur Patentierbarkeit der Szenarien sind für keinerlei Zwecke im Sinne des Patentgesetzes von 1977 bindend.

5. Die Szenarien wurden so konzipiert, dass sie sich ausschließlich auf die Frage der ausgeschlossenen Materie konzentrieren. Wir sind davon ausgegangen, dass die beanspruchten Erfindungen neu und nicht naheliegend sind. Wir sind außerdem davon ausgegangen, dass jedes Szenario ausreichend offengelegt ist.

6. Die von uns gegebenen Bewertungen der ausgeschlossenen Materie folgen einer vereinfachten Anwendung des vierstufigen Aerotel-Ansatzes. Auf eine detaillierte Betrachtung der Schritte 1 und 2 des Aerotel-Ansatzes haben wir verzichtet. Konkret: a. Bei Schritt 1 sind wir einfach davon ausgegangen, dass jeder Anspruch hinreichend klar ist und keine Konstruktionsprobleme auftreten. B. In Schritt 2 haben wir die Bewertung vereinfacht, indem wir angegeben haben, was unserer Meinung nach der tatsächliche Beitrag c ist. In den Schritten 3 und 4 haben wir die Analyse vereinfacht, indem wir uns hauptsächlich auf den Ausschluss „Programm für einen Computer“ in Abschnitt 1(2) konzentriert haben. Sofern nicht anders angegeben, beschränken sich unsere unverbindlichen Meinungen auf diesen Ausschluss.

7. Alle Kommentare oder Fragen, die sich aus diesen Szenarien ergeben, sollten an folgende Adresse gerichtet werden:

Phil ThorpeBüro für geistiges EigentumConcept HouseCardiff RoadNewportSüdwalesNP10 8QQ

(Telefon 01633 813745)E-Mail: Phil Thorpe

Nigel HanleyBüro für geistiges EigentumConcept HouseCardiff RoadNewportSüdwalesNP10 8QQ

Telefon 01633 814746E-Mail: Nigel Hanley

Hintergrund Diese Erfindung betrifft ein Parkmanagementsystem in einer Parkanlage, das mit einer Kameraüberwachung ausgestattet ist.

Bilder von den Kameras des Systems werden von einem ersten neuronalen Netzwerk verarbeitet, das darauf trainiert ist, ein Fahrzeug zu erkennen, das sich einem Eingang der Anlage nähert. Wenn das erste neuronale Netzwerk ein sich näherndes Fahrzeug in einem Bild erkennt, wird das Bild an ein zweites neuronales Netzwerk weitergeleitet, um ein automatisches Nummernschilderkennungssystem (ANPR) zu implementieren. Das zweite neuronale Netzwerk ist darauf trainiert, einen bestimmten Nummernschildbereich im Bild zu identifizieren. Ein Erkennungsmodul empfängt den identifizierten Nummernschildbereich und wendet einen optischen Zeichenerkennungsalgorithmus an, um das Kennzeichen des Fahrzeugs zu ermitteln.

Ein Nummernschild-Erkennungssystem, umfassend:ein Bilderfassungsgerät, das an einer Einfahrt zu einer Parkanlage positioniert ist;ein Computergerät zum Empfangen von Bildern vom Bilderfassungsgerät und umfassend:ein erstes neuronales Netzwerk, das so konfiguriert ist, dass es ein Fahrzeug in einem erfassten Bild erkennt;ein zweites neuronales Netzwerk, das so konfiguriert ist, dass es vom ersten neuronalen Netzwerk einen Hinweis auf das Fahrzeug empfängt, das Vorhandensein eines Nummernschilds im Bild erkennt und einen interessierenden Bereich bestimmt, in dem sich das Nummernschild befindet; undein Erkennungsmodul, das so konfiguriert ist, dass es den interessierenden Bereich empfängt und einen optischen Zeichenerkennungsprozess auf den interessierenden Bereich anwendet, um Zeichen eines Kennzeichens des Fahrzeugs zu bestimmen.

Der Beitrag

Über ein herkömmliches Überwachungssystem mit Kamera und Computer hinaus leistet die Erfindung folgende Beiträge:

ein Nummernschilderkennungssystem, das ein erstes neuronales Netzwerk verwendet, um ein Fahrzeug in einem aufgenommenen Bild zu erkennen; ein zweites neuronales Netzwerk, um das Vorhandensein eines Nummernschilds im Bild zu erkennen und einen interessierenden Bereich zu bestimmen, in dem sich das Nummernschild befindet, und ein Modul, um einen optischen Zeichenerkennungsprozess auf den interessierenden Bereich anzuwenden, um die Zeichen zu bestimmen das Kennzeichen des Fahrzeugs.

Bei dem Beitrag handelt es sich um ein Kennzeichenerkennungssystem, das nicht durch § 1 Abs. 2 ausgeschlossen ist. Obwohl das Kennzeichenerkennungssystem computerimplementiert ist, ist es mehr als ein Programm für einen Computer als solchen, da es einen technischen Prozess außerhalb eines Computers ausführt. Das Kennzeichenerkennungssystem umfasst eine Kombination aus zwei neuronalen Netzen und einem Erkennungsmodul, die gezielt Bildverarbeitungsvorgänge technischer Natur durchführen (siehe Vicom). Das System hat eine technische Wirkung im Sinne von Wegweiser (i). Es löst selbstverständlich ein technisches Problem bei der Erkennung von Kfz-Kennzeichen, sodass Wegweiser (v) auch auf die Zulässigkeit hinweisen würde.

Die beanspruchte Erfindung ist nicht ausgeschlossen.

Gasversorgungssysteme sind komplexe Systeme, die durch mehrere Sensoren überwacht werden, die sich im Versorgungssystem und in seiner Betriebsumgebung befinden. Typischerweise können Daten von Sensoren von einem Bediener kombiniert und analysiert werden, um ihm einen Überblick über den Betriebszustand sowohl der einzelnen Komponenten innerhalb des Systems als auch des Systems als Ganzes zu geben. Dies kann dem Bediener dabei helfen, Fehler im System und Optionen zur Neukonfiguration des Systems zu identifizieren.

Es wird jedoch anerkannt, dass dieser Ansatz spezielle Fähigkeiten des Bedieners erfordert und fehleranfällig ist, insbesondere wenn Daten von einer großen Anzahl miteinander verbundener Sensoren berücksichtigt werden müssen. Insbesondere ist es eine Herausforderung, die gegenseitige Abhängigkeit der am System vorgenommenen Änderungen zu verstehen.

Dieses Problem wurde vom Erfinder erkannt, der ein künstliches Intelligenzsystem entwickelt hat, um Sensordaten in Bezug auf ein Gasversorgungssystem zu empfangen und zu kategorisieren, Fehler zu identifizieren und Systemkonfigurationsänderungen zur Behebung der Fehler zu empfehlen. Bei der Abgabe von Empfehlungen analysiert das KI-System die Auswirkungen, die eine Konfigurationsänderung auf das System haben kann. Das System kann mithilfe einer automatischen Betriebssteuerung eine empfohlene Konfigurationsänderung am System umsetzen.

Ein computerimplementiertes Verfahren zur Verwaltung des Betriebszustands eines Gasversorgungssystems mithilfe von Sensoren innerhalb des Gasversorgungssystems und in seiner Betriebsumgebung, das dadurch gekennzeichnet ist, dass das Verfahren ein KI-System umfasst:Empfangen und Analysieren von Daten von den Sensoren;Identifizieren von Fehlerzuständen innerhalb des Gasversorgungssystems basierend auf der Analyse; undMeldung der Fehlerbedingungen und Generierung einer empfohlenen Lösung an eine automatisierte Betriebssteuerung des Gasversorgungssystems.

Der Beitrag

Der Beitrag besteht darin, den Zustand eines Gasversorgungssystems mithilfe eines KI-Systems zu verwalten, das Fehlerzustände im Gasversorgungssystem auf der Grundlage von Sensordaten im Zusammenhang mit dem Betrieb des Gasversorgungssystems identifiziert und die Fehlerzustände und empfohlenen Lösungen an ein automatisiertes System meldet Betriebsleiter.

Der Beitrag fällt nicht ausschließlich unter den Ausschluss von Computerprogrammen. Der Beitrag der Erfindung besteht in der Lösung eines technischen Problems, das außerhalb des Computers liegt, auf dem das KI-System läuft, nämlich der Überwachung des Betriebs eines externen technischen Systems (einer Gasversorgungsanlage) auf Fehlerzustände. Dies ist ein technischer Beitrag. Die Wegweiser (i) und (v) weisen auf die Zulässigkeit hin.

Die im Anspruch definierte Erfindung ist nach § 1 Abs. 2 nicht ausgeschlossen.

Durch die Analyse der Bewegung eines Objekts kann eine Aktivität identifiziert werden. In einigen bekannten Beispielen, beispielsweise bei Sportveranstaltungen, kann die Analyse der Bewegung eines Objekts für das Coaching nützlich sein. Alternativ kann in gestenbasierten Systemen eine bestimmte Geste als Steuerungsmechanismus oder zum Auslösen eines Alarms verwendet werden. In einem bekannten Beispiel erzeugt ein System zur Raucherentwöhnung einen Alarm in einem am Handgelenk getragenen Gerät, um den Benutzer vom Rauchen abzuhalten.

Typischerweise vergleichen diese bekannten Systeme Echtzeitdaten mit statistischen Modellen, um die Bewegung zu bestimmen, und sie sind stark auf die Genauigkeit ihres statistischen Modells angewiesen. Folglich können Systeme, die auf statistischen Modellen basieren, ungenau sein.

Der Erfinder hat ein System vorgeschlagen, das aus Beschleunigung, Geschwindigkeit und Ausrichtung in X-, Y- und Z-Richtung abgeleitete Bewegungsvektoren als Eingabe für ein neuronales Netzwerk zur Klassifizierung der Bewegung verwendet. Das System funktioniert, indem es Bewegungsdaten in Echtzeit von einem Gerät wie einer Sportuhr oder anderen Bewegungssensoren empfängt. Das neuronale Netzwerk verarbeitet den Bewegungsvektor mithilfe einer Klassifizierungsbibliothek, um die Bewegung einer bestimmten Bewegung zuzuordnen.

Ein computerimplementiertes Gerät zur Bewegungsanalyse, das Folgendes umfasst: eine Steuerung mit einer Datenschnittstelle, einem neuronalen Netzwerk und einer Bewegungsklassifizierungsbibliothek; Sensoren, einschließlich eines Gyroskops, eines Magnetometers und eines Beschleunigungsmessers, wobei Daten von jedem Sensor jeweils an die Steuerung ausgegeben werden über die Datenschnittstelle; dadurch gekennzeichnet, dass die Steuerung betreibbar ist zum: Bestimmen eines Bewegungsvektors aus den empfangenen Daten; undden ermittelten Bewegungsvektor dem neuronalen Netzwerk bereitzustellen, wobei das neuronale Netzwerk dazu konfiguriert ist, den Bewegungsvektor als eine bestimmte Bewegung in der Klassifizierungsbibliothek zu klassifizieren.

Der Beitrag

Der Beitrag ist ein Gerät, das einen Bewegungsvektor aus den von seinen Sensoren (Gyroskop, Magnetometer, Beschleunigungsmesser) erfassten Daten ermittelt und mithilfe eines neuronalen Netzwerks und einer Klassifizierungsbibliothek den Bewegungsvektor als Bewegung aus der Bibliothek klassifiziert.

Der Beitrag ist nicht nur ein Programm für einen Computer, da seine Aufgabe darin besteht, einen Prozess zur Klassifizierung gemessener Sensordaten durchzuführen, die die physische Bewegung eines Computergeräts beschreiben. Bei diesem Vorgang handelt es sich um einen technischen Vorgang, der außerhalb des Computergeräts liegt und mit technischen Mitteln durchgeführt wird. Dabei geht es um die Klassifizierung realer Sensordaten als determinierte Bewegung. Wegweiser (i) würde auf Patentierbarkeit hinweisen.

Die im Anspruch definierte Erfindung ist nach § 1 Abs. 2 nicht ausgeschlossen.

Kavitation in einem Pumpsystem ist die Bildung von Dampfblasen im Einlassströmungsbereich der Pumpe, die zu beschleunigtem Verschleiß und mechanischen Schäden an Pumpendichtungen, Lagern und anderen Pumpenkomponenten, mechanischen Kupplungen, Getriebezügen und Motorkomponenten führen kann.

Ein Pumpensystem verfügt über eine Messvorrichtung, die dazu geeignet ist, Pumpenfluss- und Druckdaten zu messen, die mit dem Pumpensystem verbunden sind. Ein Klassifikationssystem erkennt Pumpenkavitation anhand der Durchfluss- und Druckdaten. Das Klassifikationssystem besteht aus einem neuronalen Netzwerk, das mittels Backpropagation trainiert wird. Die Messgeräte umfassen Sensoren (1,2) zur Messung des Eingangsdrucks und Ausgangsdrucks, die jeweils einem Einlass (3) und einem Auslass (4) des Pumpensystems zugeordnet sind. Außerdem wird der Durchfluss durch die Pumpe gemessen.

1. Ein Verfahren zum Trainieren eines Klassifikationssystems mit neuronalem Netzwerk, um Kavitation in einem Pumpensystem zu erkennen, wobei das Verfahren die folgenden Schritte umfasst: Korrelieren jedes einer Vielzahl gemessener Pumpenfluss- und Druckdatenpaare mit einem einer Vielzahl von Klassenwerten, wodurch erzeugt wird einen Trainingsdatensatz, wobei jeder der mehreren Klassenwerte ein Ausmaß der Kavitation innerhalb des Pumpsystems anzeigt und mindestens einer der mehreren Klassenwerte keine Kavitation im Pumpsystem anzeigt; undTraining des neuronalen Netzwerkklassifizierungssystems unter Verwendung des Trainingsdatensatzes und der Rückausbreitung.

2. Ein Verfahren zum Erkennen von Kavitation in einem Pumpensystem, das Folgendes umfasst: Messen von Pumpenfluss- und Druckdaten; Erkennen von Pumpenkavitation anhand der Fluss- und Druckdaten; wobei der Erkennungsschritt das Bereitstellen der Fluss- und Druckdaten als Eingaben für ein Klassifikationssystem unter Verwendung von a umfasst trainiertes neuronales Netzwerk, wobei das neuronale Netzwerk ein Signal liefert, das das Vorhandensein und Ausmaß von Kavitation im Pumpensystem anzeigt, und das Signal (6) während des Betriebs des Pumpensystems aktualisiert.

Der Beitrag

Beginnend mit Anspruch 1 ist der Beitrag, den es leistet, eine computerimplementierte Methode zum Trainieren (d. h. Einrichten) eines neuronalen Netzwerkklassifikators, damit dieser Kavitation in einem Pumpensystem erkennen kann, wobei das Verfahren die Rückausbreitung mit einem Satz von Trainingsdaten verwendet, die Messungen umfassen von Pumpendurchfluss und -druck aus dem Pumpensystem, die jeweils mit einem Wert korreliert sind, der das entsprechende Ausmaß der Pumpenkavitation im System angibt.

Obwohl der Beitrag auf einem Computerprogramm basiert, ist er mehr als ein Computerprogramm als solches. Der Beitrag bezieht sich auf einen Prozess, bei dem mithilfe physikalischer Daten ein Klassifikator für einen bestimmten technischen Zweck trainiert wird, nämlich die Erkennung von Kavitation in einem Pumpensystem. Dies ist technischer Natur. Es handelt sich um einen technischen Beitrag im Sinne von Wegweiser (i).

Auch Anspruch 2 lässt einen technischen Beitrag erkennen, da er sich auf die Verwendung eines trainierten Klassifikators für den spezifischen technischen Zweck der Erkennung von Kavitation im Pumpensystem bezieht. Es wird ein außerhalb des Computers liegender technischer Prozess im Sinne von Wegweiser (i) durchgeführt.

Die in den Ansprüchen 1 und 2 definierte Erfindung ist nach § 1 Abs. 2 nicht ausgeschlossen.

Viele Autos sind mit Katalysatoren ausgestattet, um die Menge an Gasen wie NOx und CO in ihren Abgasen zu reduzieren. Ein Problem für solche Konverter besteht darin, dass sich ihre Betriebseffizienz mit dem Verhältnis von Kraftstoff zu Luft in den Brennräumen des Motors ändert. Das Kraftstoff-Luft-Verhältnis muss daher so gesteuert werden, dass es auf einem festen Wert gehalten wird, um den effizienten Betrieb des Katalysators aufrechtzuerhalten.

Es ist bekannt, die in die Brennkammer eines Motors eingespritzte Kraftstoffmenge mithilfe einer Vorwärtssteuerung in Bezug auf die Drosselklappenstellung und einer zusätzlichen Rückkopplungssteuerung in Bezug auf einen im Auspuff vorgesehenen Sauerstoffsensor (oder Luft-/Kraftstoffsensor) zu steuern. Obwohl dies gut funktioniert, kann es schwierig sein, das Kraftstoff-Luft-Verhältnis richtig zu steuern, wenn der Motor beschleunigt oder abbremst.

Der Erfinder hat ein Einspritzsteuersystem entwickelt, das ein trainiertes neuronales Netzwerk verwendet, um einen Betrag zu bestimmen, um den eine bestimmte Kraftstoffeinspritzmenge während der Beschleunigung/Verzögerung angepasst werden sollte, um ein korrektes Kraftstoff-Luft-Verhältnis aufrechtzuerhalten und somit die Effizienz des Katalysators aufrechtzuerhalten. Das neuronale Netzwerk empfängt Dateneingaben, die sich auf den Betriebszustand des Motors beziehen, wie z. B. Motordrehzahl (U/min), Ansaugluftdruck, Drosselklappenstellung, Kraftstoffeinspritzmenge, Luftansaugtemperatur, Motorkühlmitteltemperatur und Daten von einem Abgassensor. Das neuronale Netzwerk gibt ein Signal aus, das eine Änderung der Kraftstoffeinspritzmenge zur Steuerung des Motors anzeigt.

Ein computerimplementiertes neuronales Netzwerk zum Anpassen der in einen Zylinder eines Verbrennungsmotors eingespritzten Kraftstoffmenge, wobei das neuronale Netzwerk umfasst:eine Eingabeschicht mit:einem Eingang zum Empfangen der Drehzahl des Motors;einem Eingang zum Empfangen des Ansaugluftdrucks des Motor;ein Eingang zum Empfangen der aktuellen Drosselklappenstellung;ein Eingang zum Empfangen der aktuell eingespritzten Kraftstoffmenge;ein Eingang zum Empfangen der Lufteinlasstemperatur;ein Eingang zum Empfangen der Wasserkühlungstemperatur;ein Eingang zum Empfangen von Abgassensordaten;mindestens eine verborgene Schicht , wobei die verborgene Schicht mit der Eingabeschicht verbunden ist;eine Ausgabeschicht, die mit der mindestens einen verborgenen Schicht verbunden ist; und wobei die Ausgabeschicht eine Ausgabe hat, die einen Betrag angibt, um den die Kraftstoffeinspritzung geändert werden sollte.

Der Beitrag

Der Beitrag ist ein neuronales Netzwerk, das ein Steuersignal ausgibt, das sich auf einen Betrag bezieht, um den die Kraftstoffeinspritzung geändert werden sollte, basierend auf Eingaben, die sich auf den Betriebszustand des Motors beziehen, wie im Anspruch definiert.

Der Beitrag ist eine Lösung für ein technisches Problem, das außerhalb eines Computers liegt, nämlich die Aufrechterhaltung des richtigen Kraftstoff-Luft-Verhältnisses in einem Motor. Es handelt sich also um mehr als ein Programm für einen Computer als solchen. Das neuronale Netzwerk nimmt als Eingabe Daten auf, die den Betriebszustand des Motors repräsentieren, und gibt ein Steuersignal aus, das den Betrag angibt, um den sich eine Kraftstoffeinspritzmenge ändern sollte. Das Steuersignal eignet sich zur Steuerung eines technischen Prozesses, der außerhalb des Computers abläuft, auf dem das neuronale Netzwerk läuft. Dies ist ein technischer Beitrag. Es gelten die Wegweiser (i) und (v).

Die im Anspruch definierte Erfindung ist nach § 1 Abs. 2 nicht ausgeschlossen.

Bei der Bestimmung der Herzgesundheit ist es nützlich, den Prozentsatz des Blutes zu messen, das jede Herzkammer verlässt. Diese Messung kann von einem erfahrenen Bediener eines Ultraschallbildgebungssystems geschätzt werden, indem er ein Herz abbildet und die Grenzen der Herzkammern an beiden Enden eines Herzschlags markiert und misst. Die Genauigkeit der Schätzung des Bedieners hängt jedoch von seinen Fähigkeiten und seinem Urteilsvermögen ab.

Der Erfinder hat eine Methode entwickelt, bei der ein trainiertes neuronales Netzwerk verwendet wird, um durch die Analyse einer Reihe von Bildern des Herzens über einen Herzschlag hinweg eine Messung des Prozentsatzes des von einem Herzen ausgeworfenen Blutes bereitzustellen. Das neuronale Netzwerk wird mithilfe eines überwachten Lernansatzes trainiert.

Ein computerimplementiertes Verfahren zum Bestimmen eines Prozentsatzes des Blutes, das während eines Herzschlags aus einem bestimmten Herzen ausgestoßen wird, wobei das Verfahren umfasst:Training eines neuronalen Netzwerks mit Datensätzen zur Bildgebung des Herzens, wobei jeder Satz Bilddaten eines Ventrikels über die Zeit und zugehörige Prozentsätze des Blutauswurfs umfasst, wobei die Sätze verschiedenen Herzen zugeordnet sind; und das trainierte neuronale Netzwerk verwendet wird, um: einen Satz Bilddaten einer Herzkammer des gegebenen Herzens zu empfangen; einen Prozentsatz des Blutauswurfs für das gegebene Herz auszugeben.

Der Beitrag

Der Beitrag ist eine Methode zur Schätzung des Prozentsatzes des aus einem Herzen ausgeworfenen Blutes, indem ein neuronales Netzwerk mit Bilddaten des Herzens trainiert wird, die mit dem Prozentsatz des Blutauswurfs gekennzeichnet wurden, und dann eine Schätzung für den Prozentsatz des aus einem bestimmten Herzen ausgeworfenen Blutes über einen Zeitraum von einem Jahr erhalten wird Herzschlag, indem dem trainierten neuronalen Netzwerk eine Reihe von Bildern dieses Herzens (über seinen Herzschlag) bereitgestellt werden.

Der Beitrag ist mehr als ein Programm für einen Computer als solches, denn er bezieht sich auf eine verbesserte Messung des Prozentsatzes des Blutes, das während eines Herzschlags aus einem Herzen ausgestoßen wird. Dabei handelt es sich um eine technische Messung eines physikalischen Systems. Diese verbesserte Messung ist ein Beispiel für einen technischen Effekt auf einen Prozess, der außerhalb des Computers liegt, der die Erfindung implementiert, gemäß Wegweiser (i). Dies ist ein technischer Beitrag.

Die Erfindung ist nicht nach § 1 Abs. 2 ausgeschlossen.

Händler an einer Handelsbörse überwachen die Wertentwicklung verschiedener Aktien und handelbarer Instrumente, um Möglichkeiten für einen vorteilhaften Handel zu identifizieren. Es erfordert Fachwissen, Verständnis und Erfahrung, um Muster und Trends im Markt zu erkennen und zu identifizieren. Dies bedeutet, dass sich Händler häufig auf eine begrenzte Palette von Instrumenten spezialisieren, z. B. Energieaktien, Finanzderivate oder Rohstoffe.

Der Erfinder hat erkannt, dass dies dazu führen kann, dass vorteilhafte Geschäfte übersehen werden. Ein Händler verpasst möglicherweise entweder eine Handelsmöglichkeit für Instrumente, die als Teil seiner Position gehalten werden, oder die Chance, einen Verlust zu reduzieren oder einen Gewinn aus einer Transaktion zu steigern. Um den Händler zu unterstützen, hat der Erfinder eine KI entwickelt, die Muster und Korrelationen zwischen Aktien- und Instrumentpreisen erkennen, Trades auf der Grundlage aktueller Leistungs- und Zeitunterschiede identifizieren und zukünftiges Verhalten vorhersagen kann. Ein Vorteil der KI ist die Möglichkeit, Zusammenhänge zu „sehen“, die sonst undurchsichtig und nicht offensichtlich wären.

Die KI ist mit einer automatischen Brokerage-Plattform gekoppelt, um die Ausführung von Geschäften gemäß den vom Händler vorgegebenen Gewinn-/Verlustgrenzen zu ermöglichen.

Ein computerimplementiertes Finanzinstrument-Handelssystem, das einen Börsenmarkt, ein Broker-Terminal, einen KI-Assistenten und ein automatisiertes Brokerage-System umfasst, dadurch gekennzeichnet, dass der KI-Assistent so konfiguriert ist, dass er aktuelle und historische Preisdaten für handelbare Finanzinstrumente von den Börsen empfängt ;Querverweiskombinationen von Finanzinstrumenten, um korrelierte Instrumentengruppen zu identifizieren; Trends innerhalb jeder korrelierten Gruppe zu identifizieren; Händlerpositionen vom Broker-Terminal zu empfangen; undauf der Grundlage der identifizierten Trends und Händlerpositionen automatisierte Transaktionsanweisungen an das automatisierte Brokerage-System erteilen.

Der Beitrag

Der Beitrag ist ein computerimplementiertes Finanzinstrument-Handelssystem mit einem Assistenten künstlicher Intelligenz, um Korrelationen zwischen handelbaren Instrumenten zu überwachen und automatisierte Geschäfte gemäß den vom Händler festgelegten Gewinn-/Verlustgrenzen durchzuführen.

Der Beitrag befasst sich ausschließlich mit einer Geschäftsmethode als solcher. Alle Eingaben und alle Ausgaben des Systems beziehen sich ausschließlich auf den Handel mit Finanzinstrumenten, unabhängig davon, ob es sich um Preise oder Handelsanweisungen handelt. Das Ergebnis der Erfindung ist nichts weiter als ein Handelssystem für Finanzinstrumente. Dies gilt nicht als technischer Beitrag.

Die beanspruchte Erfindung ist gemäß § 1 Abs. 2 vom Patentschutz ausgeschlossen, da es sich um eine Geschäftsmethode als solche handelt.

Die Ermittlung aktueller und zukünftiger Gesundheitsbedürfnisse der Menschen ist ein großes Unterfangen. Die Natur von Gesundheitsproblemen bedeutet oft, dass ein Gesundheitssystem eher reaktiv als proaktiv ist. Daher ist es oft schwierig, den zukünftigen Bedarf auf persönlicher und bevölkerungsbezogener Ebene zu ermitteln.

Der Erfinder hat herausgefunden, dass es möglich ist, Techniken des maschinellen Lernens zu verwenden, um die Gesundheitsakten von Patienten zu analysieren und Patienten Risikogruppen oder Unterpopulationen zuzuordnen, bei denen ein zukünftiger Gesundheitseingriff erforderlich sein könnte. Dies könnte es Gesundheitsplanern ermöglichen, „die Bevölkerung zu bewerten“ und geeignete Patientengruppen innerhalb der Bevölkerung für Arzneimittelstudien oder alternative Behandlungen zu identifizieren.

Das System nutzt ein KI-Gerät, um die Gesundheitsakten einer Patientenpopulation zu erfassen. Das KI-Gerät identifiziert empirische Variablen in den Gesundheitsakten, sucht nach Korrelationen zwischen Variablen und verwendet korrelierte Variablen, um Marker zu erstellen, die zur Identifizierung von Patientengruppen in der Bevölkerung verwendet werden können. Die Gesundheitsakten des Patienten umfassen notwendigerweise Verwaltungsakten, können aber auch frühere Behandlungshistorien und Einzelheiten zu medizinischen Testergebnissen enthalten.

Eine computerimplementierte Methode zur Identifizierung zukünftiger medizinischer Bedürfnisse einer Bevölkerung, die von einem KI-Gerät durchgeführt wird, wobei die Methode die folgenden Schritte umfasst:Eingabe von Patientenakten in das KI-Gerät;Aggregation von Daten aus den Patientenakten;Identifizierung einer Vielzahl von Variablen aus den aggregierten Daten;Identifizierung von Korrelationen zwischen den Variablen;Zuordnung von Patienten zu Gruppen auf Basis der korrelierten Variablen; undAusgabe einer Reihe von Gesundheitsmetriken für jede Gruppe.

Der Beitrag

Der Beitrag der Erfindung wird identifiziert als: ein computerimplementiertes Verfahren zur Analyse von Patientendaten und zur Gruppierung von Patienten in Gruppen auf der Grundlage der Analyse.

Der Beitrag besteht ausschließlich aus ausgeschlossenen Themen. Dabei handelt es sich um ein Programm, das lediglich den Informationsgehalt von Patientendaten analysiert und lediglich ein Programm für einen Computer als solchen darstellt. Die Erfindung stellt weder einen technischen Prozess außerhalb eines Computers dar, noch trägt sie zur Lösung eines technischen Problems außerhalb eines Computers bei. Darüber hinaus ist die Analyse von Patientendaten zur Bestimmung von Patientengruppen eine rein administrative Aufgabe und lediglich eine Geschäftsmethode im eigentlichen Sinne.

Die beanspruchte Erfindung ist als Programm für einen Computer als solches und/oder als Verfahren zur Geschäftsabwicklung als solches ausgeschlossen.

Unerwünschte E-Mails oder Postversand-E-Mails werden von vielen Nutzern als lästig empfunden. Diese E-Mails füllen häufig Postfächer und verhindern möglicherweise, dass der Benutzer wichtige Mitteilungen sieht. Um mit dieser Situation umzugehen, gibt es viele bekannte regelbasierte Systeme, um diese Nachrichten als Junk zu identifizieren und sie in ein Junk-E-Mail-Postfach (oder ein ähnliches Postfach mit niedriger Priorität) zu verschieben.

Der Erfinder hat erkannt, dass diese bekannten Ansätze Einschränkungen aufweisen, da ein Regelsatz nicht für alle Benutzer geeignet ist. Was für einen Benutzer Junk-E-Mail ist, muss für einen anderen nicht unbedingt der Fall sein. Darüber hinaus passen Absender von Junk-E-Mails das, was sie senden, an einen bestimmten Regelsatz an.

Um diesen Problemen entgegenzuwirken, hat der Erfinder ein KI-System entwickelt, das durch Benutzerfeedback lernt. Das System analysiert den Text aller eingehenden E-Mails mithilfe eines geschulten KI-Klassifikators, um die E-Mail nach ihrem Inhalt und ihrer semantischen Struktur zu klassifizieren. Der KI-Klassifikator wird anhand eines Korpus zuvor klassifizierter E-Mails trainiert. Der KI-Klassifikator klassifiziert empfangene E-Mails entweder als Junk, nicht Junk oder als unsicher. E-Mails, die als „unsicher“ identifiziert werden, können vom Benutzer manuell klassifiziert werden. Die E-Mail und ihre Klassifizierung werden dann verwendet, um das Training des KI-Klassifikators entsprechend anzupassen.

Das Komplettsystem bietet ein Junk-E-Mail-Filtersystem, das sich an die Bedürfnisse des Benutzers und das sich ändernde Verhalten der Junk-E-Mail-Ersteller anpasst.

Ein computerimplementiertes Verfahren zur Identifizierung einer empfangenen elektronischen Nachricht als zu einer Nachrichtenklasse gehörend, wobei das Verfahren die folgenden Schritte umfasst:Analyse des Inhalts der Nachricht mithilfe eines trainierten KI-Klassifizierers, der den Inhalt entsprechend seinem Textinhalt und seiner semantischen Struktur klassifiziert, entweder als erste Klasse, als zweite Klasse oder als nicht sicher; wenn die Nachricht als nicht sicher klassifiziert ist, Empfangen einer Eingabe von einem Benutzer, der die Nachricht entweder als erste oder als zweite Klasse klassifiziert; undAktualisieren des Trainings des KI-Klassifizierers unter Verwendung der vom Benutzer klassifizierten Nachricht und ihrer Klassifizierung.

Der Beitrag

Der Beitrag ist eine Methode zur Klassifizierung von E-Mails auf der Grundlage des Textinhalts und der sematischen Struktur der E-Mail als Junk oder nicht Junk mithilfe eines KI-Klassifikators, wobei der KI-Klassifikator nicht sicher ist, ob es sich bei einer E-Mail um Junk handelt oder nicht, es fordert einen Benutzer auf, zu entscheiden, und verwendet das Ergebnis, um den Klassifikator zu aktualisieren.

Bei diesem Beitrag handelt es sich lediglich um ein Programm für einen Computer als solchen. Der Beitrag fragt nicht nur nach Benutzereingaben, sondern analysiert lediglich den Textinhalt elektronischer Kommunikation, um eine Klassifizierung für diese Kommunikation festzulegen. Dabei handelt es sich um die bloße Manipulation von Daten, die über die Ausführung eines Programms auf einem Computer hinaus keine technischen Auswirkungen hat. Es gibt keinen technischen Beitrag. Keiner der Wegweiser weist auf eine Zulässigkeit hin.

Die beanspruchte Erfindung ist im Rahmen des Programms wegen eines Computerausschlusses gemäß Abschnitt 1 (2) ausgeschlossen.

Hochleistungs-Cache-Speicher oder -Speicher werden häufig in Computersystemen verwendet, um die Systemleistung zu verbessern, indem die langsamere Leistung eines zugehörigen Datenspeichers gemindert wird. Im Datenspeicher gespeicherte Daten, auf die häufig zugegriffen wird, können im Cache-Speicher gespeichert (zwischengespeichert) werden, sodass sie bei Bedarf schnell abgerufen werden können.

Die Gesamtleistung eines Speichersystems hängt von der Auswahl der im Cache zu speichernden Daten aus dem zugehörigen Datenspeicher ab. Obwohl ein Cache anfangs leer sein kann, muss der Inhalt des Caches verwaltet werden, sobald er vollständig gefüllt ist, um die Leistung aufrechtzuerhalten, indem die darin gespeicherten Daten entfernt und ersetzt werden.

Es gibt zwei Schemata zum Identifizieren von Daten, die aus dem Cache entfernt werden sollen, wenn neue Daten hinzugefügt werden. Die erste besteht darin, die am wenigsten kürzlich verwendeten Daten (LRU) zu entfernen. Das zweite Schema entfernt die am wenigsten häufig verwendeten, aber nicht neuen (LFU) Daten. Ein Schema kann je nach den im Cache gespeicherten Daten zu einer besseren Gesamtsystemleistung führen als das andere.

Der Erfinder hat eine Methode zum Verwalten der Befüllung eines Caches entwickelt, indem er ein trainiertes neuronales Netzwerk verwendet, um zu ermitteln, ob das LRU-Schema oder das LFU-Schema zur besten Systemleistung führt. Das neuronale Netzwerk verwendet als Eingaben die Daten, die von jedem der LRU- und LFU-Schemata zum Entfernen identifiziert wurden, zusammen mit anderen Merkmalen des Caches, z. B. seiner Größe und dem Verhältnis zwischen der Häufigkeit, mit der angeforderte Daten im Cache gefunden werden, und der Häufigkeit, mit der die angeforderten Daten im Cache gefunden werden wie oft dies nicht der Fall ist (bekannt als Cache-Hit-to-Miss-Verhältnis). Das neuronale Netzwerk gibt dann einen Hinweis darauf zurück, welches Schema verwendet werden soll, um die beste Systemleistung sicherzustellen.

Ein Verfahren zum Verwalten von Daten, die in einem Datencache für einen Datenspeicher in einem Computersystem gespeichert sind, das den Cache als Mittel zum Speichern häufig aufgerufener Daten aus dem Datenspeicher verwendet, wobei das Verfahren Folgendes umfasst:Verwenden eines ersten Entfernungsalgorithmus, um die ersten zu identifizierenden Daten zu identifizieren aus dem Cache entfernt; Verwenden eines zweiten Entfernungsalgorithmus, um zweite Daten zu identifizieren, die aus dem Cache entfernt werden sollen; Bereitstellen der ersten Daten, der zweiten Daten, eines Cache-Größenwerts und eines Cache-Hit-to-Miss-Verhältnisses als Eingaben für einen trainierten Neuronen Netzwerk, wobei das trainierte neuronale Netzwerk als Ausgabe eine Auswahl des ersten oder des zweiten Algorithmus bereitstellt, der zum Entfernen von Daten aus dem Cache verwendet werden soll; undwenn neue Daten aus dem Datenspeicher zum Cache hinzugefügt werden, Verwenden des ausgewählten Algorithmus zum Entfernen von Daten aus dem Cache.

Der Beitrag

Der Beitrag besteht darin, die Daten in einem Cache zu verwalten, indem mithilfe eines neuronalen Netzwerks ein optimaler Entfernungsalgorithmus zum Entfernen von Daten aus dem Cache ausgewählt wird. Die Auswahl basiert auf den Daten, die von verschiedenen Algorithmen und Cache-Leistungsmerkmalen zum Entfernen ausgewählt wurden.

Der Beitrag ist mehr als ein Programm für einen Computer als solchen, denn es geht ihm um die Lösung eines technischen Problems im Zusammenhang mit den internen Abläufen eines Computers, also um die Verbesserung der Funktionsweise der Speicherhierarchie in einem Computer. Die Erfindung verbessert den Betrieb eines Computers unabhängig von den ausgeführten Anwendungen oder der Art der verarbeiteten Daten und macht den Computer effizienter und effektiver. Es offenbart einen technischen Effekt im Sinne der Wegweiser (ii), (iv) und (v).

Die im Anspruch definierte Erfindung ist nach § 1 Abs. 2 nicht ausgeschlossen.

Böswillige Akteure können sich Zugang zu geschützten Computersystemen verschaffen, indem sie gültige Authentifizierungsdaten autorisierter Benutzer erlangen. Sie können beispielsweise einen Phishing-Angriff auf den Benutzer nutzen, um an seinen Benutzernamen und sein Passwort zu gelangen.

Der Erfinder hat eine Methode entwickelt, mit der böswillige Akteure identifiziert werden können, wenn sie Zugriff auf ein Computersystem erhalten, und so Abhilfemaßnahmen durchführen zu können. Dies geschieht durch einen Vergleich der Nutzungsmerkmale böswilliger Akteure mit denen des Nutzers, mit dessen Daten sie sich Zugang verschafft haben oder als den sie sich ausgeben

Die Methode beinhaltet das Trainieren eines Algorithmus für maschinelles Lernen anhand eines anfänglichen Datensatzes, der die charakteristische Nutzung des Computersystems durch einen Benutzer darstellt (z. B. die von ihm verwendeten Anwendungen, seine Art zu tippen und seine Verwendung einer Maus). Wenn sich anschließend jemand mit den Anmeldeinformationen dieses Benutzers anmeldet, wird der trainierte maschinelle Lernalgorithmus verwendet, um die Authentizität des „Benutzers“ anhand einer neu gemessenen charakteristischen Nutzung des Computersystems zu bewerten. Wenn der Algorithmus des maschinellen Lernens angibt, dass es sich bei dem „Benutzer“ wahrscheinlich nicht um den authentischen Benutzer handelt, identifiziert das System den Benutzer als böswilligen Akteur und es können Abhilfemaßnahmen durchgeführt werden.

Ein computerimplementiertes Verfahren, das Folgendes umfasst:Authentifizierung eines Benutzers zum ersten Mal auf einem Computersystem; als Reaktion auf die Authentifizierung des Benutzers zum ersten Mal Berechnen einer Verhaltenscharakteristikbewertung für den Benutzer, des Verhaltens, unter Verwendung mindestens eines maschinellen Lernmodells charakteristische Bewertung, die Interaktionen des Benutzers mit dem Computersystem charakterisiert; Authentifizieren eines Benutzers zu einem zweiten Mal auf einem Computersystem; als Reaktion auf die Authentifizierung des Benutzers zum zweiten Mal Berechnen einer Verhaltensbewertung, die Interaktionen des Benutzers charakterisiert, unter Verwendung des Modells für maschinelles Lernen Benutzer mit dem Computersystem; undBestimmen, dass der zum zweiten Mal authentifizierte Benutzer ein böswilliger Benutzer ist, basierend auf der berechneten Verhaltenscharakteristikbewertung und der berechneten Verhaltensbewertung.

Der Beitrag

Der durch die Erfindung geleistete Beitrag besteht in der Feststellung, dass es sich bei einem Benutzer, der sich bei einem Computersystem anmeldet, um einen böswilligen Benutzer handelt, basierend auf einer Verhaltensbewertung, die von einem Modell für maschinelles Lernen berechnet wird, und einer Bewertung bekannter Verhaltensmerkmale für einen echten Benutzer, die von dem Modell für maschinelles Lernen berechnet wird.

Der Beitrag ist mehr als ein Computerprogramm als solches, denn er ist eine Lösung für ein technisches Problem im Computersystem, nämlich die Erkennung eines böswilligen Eindringens. Dies wird erreicht, indem die charakteristische Nutzung des Computersystems durch einen Benutzer wiederholt überwacht wird. Dies ist ein Beispiel für die Überwachung der internen Abläufe des Computersystems, das als technischer Natur gilt. Die Erfindung funktioniert unabhängig davon, welche Anwendungen ausgeführt werden und welche Daten vom Computersystem verarbeitet werden. Zumindest im Sinne der Wegweiser (ii) und (v) liegt ein technischer Effekt vor.

Die im Anspruch definierte Erfindung ist nach § 1 Abs. 2 nicht ausgeschlossen.

Bei Touchscreen-Geräten ist es bekannt, die Texteingabe durch die Anzeige einer virtuellen Tastatur zu ermöglichen, über die ein Benutzer Text in ein zugehöriges Textfeld eingeben kann. Die Texteingabe auf diese Weise kann arbeitsintensiv und zeitaufwändig sein und ist angesichts der relativ geringen Größe vieler Geräte anfällig für Benutzerfehler durch das Mischen virtueller Tastendrücke.

Der Erfinder hat ein Programm geschrieben, das dabei hilft, die Last der Texteingabe zu verringern, indem es ein trainiertes rekurrentes neuronales Netzwerk (RNN) verwendet, um die nächsten wahrscheinlichen Wörter (oder Zeichenfolgeneingaben) anhand der zuvor eingegebenen Wörter oder Satzzeichen vorherzusagen. Die vorhergesagten Wörter werden in eine Rangfolge gebracht und dem Benutzer wird eine Auswahl der wahrscheinlichsten Wörter angezeigt. Das angezeigte Wort kann dann vom Benutzer ausgewählt und als Texteingabe über die virtuelle Tastatur verwendet werden. Die Erfindung hat den Vorteil, dass der Benutzer den gewünschten Text genauer und mit weniger virtuellen Tastendrücken in den Computer eingeben kann.

Ein Verfahren zur Texteingabe auf einem Gerät, das eine interaktive virtuelle Tastatur anzeigt, wobei das Verfahren Folgendes umfasst:Empfangen einer Eingabe von der virtuellen Tastatur am Gerät;Bereitstellen der Eingabe an ein trainiertes rekurrentes neuronales Netzwerk, um eine Auswahl wahrscheinlich vorhandener Wörter vorherzusagen und einzustufen die nächste Eingabe des Benutzers; Anzeige von mindestens zwei der wahrscheinlichsten Wörter, die als nächstes eingegeben werden; undEmpfangen einer Eingabe, die einer Auswahl eines der angezeigten Wörter entspricht.

Der Beitrag

Der Beitrag bezieht sich auf die prädiktive Texteingabe auf einem Gerät mit einer virtuellen Tastatur, bei der ein wiederkehrendes neuronales Netzwerk Wörter, die am wahrscheinlichsten als nächstes eingegeben werden, basierend auf zuvor eingegebenem Text vorhersagt und einordnet und es einem Benutzer des Geräts ermöglicht, eines der vorhergesagten Wörter auszuwählen Eingabe im Gerät.

Der Beitrag ist mehr als ein Programm für einen Computer als solchen. Der Beitrag ist eine Lösung für ein technisches Problem, das die Bedienung des Geräts selbst betrifft, nämlich die Verbesserung der Geschwindigkeit und Genauigkeit der Texteingabe über eine Tastatur. Die Erfindung erreicht dies, indem sie Wörter vorhersagt, die der Benutzer zur Eingabe auswählen kann, sodass der Text mit weniger Tastendrücken eingegeben werden muss. Die Erfindung verbessert die virtuelle Tastatur und macht das Gerät zu einem effizienteren und effektiveren Gerät für den Benutzer. Dies ist ein technischer Beitrag. Die Wegweiser (iv) und (v) scheinen zuzutreffen.

Die im Anspruch definierte Erfindung ist nach § 1 Abs. 2 nicht ausgeschlossen.

Neuronale Netze können sehr groß und komplex sein, eine große Anzahl von Parametern aufweisen und viele Berechnungen erfordern. Die Bewältigung der Vielzahl an Parametern und Berechnungen erfordert entsprechend hohe Speicher- und Prozessorressourcen. Es ist wünschenswert, diese Anforderungen zu reduzieren und gleichzeitig die Vorteile eines trainierten neuronalen Netzwerks beizubehalten.

Die Erfindung erreicht dies durch die Bereitstellung eines anfänglichen neuronalen Netzwerks, das unter Verwendung eines herkömmlichen Ansatzes als Basismodell erstellt und trainiert wird. Dieses trainierte neuronale Netzwerk wird dann mithilfe eines Rationalisierungsprozesses optimiert, um ein einfacheres, optimiertes Netzwerk zu erzeugen, das innerhalb eines vorgegebenen Toleranzniveaus ungefähr die gleichen Ergebnisse wie das ursprüngliche neuronale Netzwerk erzeugt.

Der Rationalisierungsprozess kann die Entfernung selektiver Verarbeitungselemente umfassen, beispielsweise durch die Entfernung von Knoten aus dem Netzwerk. Elemente können entfernt werden, weil sie redundant sind oder nur geringe Auswirkungen auf die Gesamtergebnisse des Netzwerks haben.

Ein computerimplementiertes Verfahren zum Erzeugen eines trainierten, optimierten neuronalen Netzwerks, umfassend die Schritte:a) Verarbeiten von Eingabedaten unter Verwendung eines trainierten neuronalen Basisnetzwerks, um erste Ausgabedaten zu erzeugen;b) Erzeugen eines optimierten neuronalen Netzwerks durch Rationalisierung des trainierten neuronalen Netzwerks;c ) Verarbeiten der Eingabedaten unter Verwendung des optimierten neuronalen Netzwerks, um zweite Ausgabedaten zu erzeugen;d) Vergleichen der ersten und zweiten Ausgabedaten, um einen Unterschied zu bestimmen; unde) wenn die Differenz einen vorgegebenen Schwellenwert überschreitet, Erzeugen eines weiter optimierten neuronalen Netzwerks durch einen Rationalisierungsprozess; undf) Wiederholen der Schritte c) bis e), bis die Differenz unter dem Schwellenwert liegt.

Der Beitrag

Der Beitrag ist eine computerimplementierte Methode zur Generierung eines optimierten neuronalen Netzwerks durch Rationalisierung eines trainierten neuronalen Basisnetzwerks. Die Ausgabe des optimierten Netzwerks wird mit der des Basisnetzwerks verglichen und wenn die Ausgabe über einen Schwellenwert hinaus abweicht, werden weitere optimierte Netzwerke iterativ generiert bis einer gefunden wird, dessen Ausgabe innerhalb eines Schwellenwertunterschieds zum Basisnetzwerk liegt.

Der Beitrag ist lediglich ein Programm für einen Computer als solchen. Der Beitrag ist ein iterativer Prozess zur Erstellung eines einfacheren, optimierten neuronalen Netzwerks ausgehend von einem grundlegenden neuronalen Netzwerk. Hierbei handelt es sich lediglich um einen iterativen Prozess zur Anpassung eines Computerprogramms (das Programm, das das Basisnetzwerk implementiert), um ein optimiertes Computerprogramm (das Programm, das das optimierte neuronale Netzwerk implementiert) zu erstellen. Die Erfindung hat kein technisches Problem mit dem Computer selbst gelöst. Eine Verringerung der Verarbeitungslast oder der Speichernutzung ergibt sich nur aus der Ausführung eines Programms mit weniger Anweisungen. Dies ist eine Umgehung der von der Erfindung angesprochenen Probleme der Prozessorlast und der Speichernutzung. Es gibt keinen technischen Effekt, der über die bloße Ausführung eines besseren oder optimierten Programms hinausgeht (wie in Gale [1991] RPC 305 festgestellt wurde). Es gibt keinen technischen Beitrag.

Die im Anspruch definierte Erfindung ist nach § 1 Abs. 2 als Programm für einen Computer als solches ausgeschlossen.

Es wird allgemein als wünschenswert angesehen, den Verarbeitungsaufwand für die Ausführung einer Rechenaufgabe zu reduzieren. Dies gilt insbesondere für neuronale Netze. Die Verarbeitung besonders großer Netzwerke kann erhebliche Rechenressourcen erfordern.

Der Erfinder hat erkannt, dass in vielen Anwendungen ein neuronales Netzwerk zur Verarbeitung mehrerer sehr ähnlicher Daten eingesetzt wird. Wenn Eingabedaten beispielsweise in Form einer Zeitreihe vorliegen, kann es sein, dass sich die Daten, die in aufeinanderfolgenden Zeitfenstern der Zeitreihe erscheinen, nur sehr wenig ändern. Beispiele können aufeinanderfolgende Frames von Videodaten oder Aktienkursinformationen sein, die in stündlichen Abständen erfasst werden. Wenn der Unterschied zwischen zwei aufeinanderfolgenden Zeitfenstern ausreichend klein ist, ist es wahrscheinlich, dass die Klassifizierung der Daten in jedem dieser Fenster mit demselben neuronalen Netzwerk zum gleichen Ergebnis führt. In solchen Fällen führt die Klassifizierung der Daten in aufeinanderfolgenden Zeitfenstern mithilfe des neuronalen Netzwerks zu redundantem oder unnötigem Verarbeitungsaufwand.

Das erfindungsgemäße System erstellt für jedes Zeitfenster einen Indikator, beispielsweise durch Anwenden einer bekannten Hash-Funktion auf die in einem Zeitfenster enthaltenen Daten. Das System prüft anhand des Indikators, ob es Unterschiede zwischen den Zeitfenstern gibt. Wenn sich der Indikator für ein bestimmtes Fenster von dem für ein vorhergehendes Fenster unterscheidet, werden die Daten des gegebenen Fensters zur Klassifizierung an das neuronale Netzwerk übermittelt. Wenn jedoch der Indikator für das gegebene Fenster derselbe ist, wird einfach die vom neuronalen Netzwerk für das vorhergehende Fenster erstellte Klassifizierung wiederverwendet.

Ein computerimplementiertes Verfahren zur Verarbeitung eines Stroms zeitindizierter kontinuierlicher Daten unter Verwendung eines neuronalen Netzwerks, wobei das Verfahren dadurch gekennzeichnet ist, dass es die folgenden Schritte aufweist:Verarbeiten eines ersten Teils von Eingabedaten mit einem ersten Zeitindexwert, um einen ersten Datenindikator zu erzeugen;Verwenden von das neuronale Netzwerk, um eine erste Ausgabe aus dem ersten Teil der Eingabedaten zu erzeugen; Speichern des ersten Datenindikators in Verbindung mit der ersten Ausgabe; Verarbeiten eines zweiten Teils von Eingabedaten mit einem nachfolgenden Zeitindexwert, um einen zweiten Datenindikator zu erzeugen; Vergleichen der zweite Datenindikator mit dem ersten Datenindikator; wobeiwenn sich der zweite Datenindikator vom ersten Datenindikator unterscheidet:Verwenden des neuronalen Netzwerks zum Erzeugen einer zweiten Ausgabe;Speichern des zweiten Datenindikators in Verbindung mit der zweiten Ausgabe; undwenn der zweite Datenindikator mit dem ersten Datenindikator identisch ist:Abrufen der ersten Ausgabe.

Der Beitrag

Der Beitrag wird als Verfahren zur Verarbeitung eines Datenstroms mit ersten und zweiten Datenabschnitten mit einem neuronalen Netzwerk identifiziert, bei dem: ein erstes Ergebnis für den ersten Teil des Datenstroms durch dessen Verarbeitung mit den Indikatoren des neuronalen Netzwerks generiert wird Für den ersten und den zweiten Teil des Datenstroms werden generiert, und wenn die Indikatoren unterschiedlich sind, wird ein zweites Ergebnis für den zweiten Teil generiert, indem es mit dem neuronalen Netzwerk verarbeitet wird, wohingegen, wenn die Indikatoren gleich sind, ein zweites Ergebnis für den zweiten Teil generiert wird Der zweite Teil wird durch Wiederverwendung des ersten Ergebnisses für den ersten Teil generiert.

Der Beitrag fällt vollständig in den Rahmen des Programms für einen Computer als solchen Ausschluss. Das Verfahren vermeidet unnötige Ausführung eines neuronalen Netzwerks. Es ist nur dann erforderlich, das neuronale Netzwerk auszuführen, um ein bestimmtes Datenfenster zu klassifizieren, wenn sich dieses Datenfenster von seinem vorherigen Fenster unterscheidet. Obwohl dadurch der Verarbeitungsaufwand verringert werden kann, macht sich dieser Vorteil nur dann bemerkbar, wenn der Computer mit der Ausführung des erfindungsgemäßen Programms beschäftigt ist. Es handelt sich nicht um eine Verbesserung des Computers, unabhängig von der/den ausgeführten Anwendung(en). Es kann nicht als Lösung eines technischen Problems angesehen werden, das mit der internen Funktionsweise des Computers selbst zusammenhängt. Kurz gesagt, es gibt keinen technischen Effekt, der über die bloße Ausführung eines besseren Programms hinausgeht. Es gibt keinen technischen Beitrag.

Die im Anspruch definierte Erfindung ist nach § 1 Abs. 2 als Programm für einen Computer als solches ausgeschlossen.

Beim aktiven Training eines neuronalen Netzwerks wird das neuronale Netzwerk getestet, um seine Schwachstellen zu ermitteln. Anschließend werden Trainingsdatenbeispiele in den Schwachstellenbereichen verwendet, um das neuronale Netzwerk so zu trainieren, dass es insgesamt eine bessere Leistung erbringt.

Um eine Grundlage für jede Trainingsübung bereitzustellen, ist es wichtig, dass ein Musterdatensatz verwendet wird. Dabei handelt es sich um einen Datensatz, der bekannt ist und von dem man sagen kann, dass er zuverlässige und konsistente erwartete Ergebnisse liefert.

Der Erfinder hat erkannt, dass für jedes Element der von der KI verarbeiteten Probendaten ein Konfidenzniveau für die Genauigkeit ermittelt werden kann. Wenn die Probendaten beispielsweise Bilder von Tieren enthalten, kann es sein, dass das Vertrauensniveau für die Identifizierung von Hunden höher ist als für Katzen. Durch den Vergleich des Konfidenzniveaus mit einem Schwellenwert kann der Benutzer Bereiche mit schlechter Leistung identifizieren. Nach der Identifizierung können weitere Trainingsdaten zu den Bereichen mit schlechter Leistung verwendet werden, um die Genauigkeit der KI zu verbessern. Der Musterdatensatz wird nur in dem Umfang erweitert, der erforderlich ist, um die Bereiche mit schlechter Leistung anzugehen. Im gegebenen Beispiel würden die Exemplardaten durch zusätzliche Bilder von Katzen ergänzt. Dies ist effizienter, als den Datensatz einfach auf alle seine Elemente zu erweitern. Die neuen Trainingsdaten können auch zum vorhandenen Trainingssatz hinzugefügt werden, um einem Endbenutzer ein vollständiges Produkt zum Trainieren seiner Implementierung bereitzustellen.

Ein computerimplementiertes Verfahren zum Trainieren eines neuronalen Netzwerks, wobei das Verfahren Folgendes umfasst:Anfängliches Trainieren des neuronalen Netzwerks mit einem Kandidatensatz von Trainingsdaten;Ausführen des anfänglich trainierten neuronalen Netzwerks anhand eines Mustereingabedatensatzes;Bestimmen für jedes Element des Musterdatensatzes ein Maß an Vertrauen in die Genauigkeit der Interpretation des Musterdatenelements durch das anfänglich trainierte neuronale Netzwerk; und wenn das Maß an Vertrauen für ein bestimmtes Element unter einem vorgegebenen Genauigkeitsschwellenwert liegt, dann Erweitern der Trainingsdaten mit Daten, die sich auf das gegebene Element beziehen des Beispieldatensatzes und Neutraining des Netzwerks mithilfe der erweiterten Trainingsdaten.

Der Beitrag

Bei dem Beitrag handelt es sich um eine Methode zum Trainieren eines neuronalen Netzwerks, bei der durch ein zunächst trainiertes neuronales Netzwerk ein Konfidenzniveau für die Genauigkeit der Interpretation für jedes Element eines Musterdatensatzes bestimmt wird und wenn das Konfidenzniveau für ein bestimmtes Element unter einem Schwellenwert liegt Erweitern der Trainingsdaten mit Daten, die sich auf das gegebene Element beziehen, und Neutrainieren des Netzwerks unter Verwendung der erweiterten Trainingsdaten.

Die Erfindung löst das Problem der Identifizierung, welche spezifischen zusätzlichen Trainingsdaten erforderlich sind, um die Genauigkeit eines neuronalen Netzwerks zu verbessern. Dies führt möglicherweise zu einer effizienteren Trainingsmethode, erzeugt jedoch kein neuronales Netzwerk, das selbst effektiver oder effizienter arbeitet. Innerhalb des neuronalen Netzwerks wurde kein technisches Problem gelöst. Die Identifizierung der spezifischen zusätzlichen Trainingsdaten stellt kein technisches Problem dar, obwohl sie von einem Computerprogramm durchgeführt wird, das ein neuronales Netzwerk betreibt. Die Lösung dieses Problems bringt daher keine technische Wirkung mit sich.

Die beanspruchte Erfindung ist als Programm für einen Computer als solches ausgeschlossen.

Viele moderne Computergeräte wie Smartphones umfassen heterogene Computerressourcen wie einen CPU-Hostprozessor, einen Grafikprozessor (GPU) und einen Beschleuniger für neuronale Netzwerke (NNA). Jede dieser heterogenen Rechenressourcen verfügt über eine andere Fähigkeit, die für die Funktion eines neuronalen Netzwerks erforderliche Verarbeitung durchzuführen. Dies bedeutet, dass es erforderlich sein kann, die Verarbeitungsaufgaben einer Schicht eines neuronalen Netzwerks in Abschnitte zu unterteilen und die Abschnitte entsprechend ihrer jeweiligen Leistungsfähigkeit den heterogenen Rechenressourcen zuzuweisen, um die Leistung des neuronalen Netzwerks auf dem Gerät zu optimieren.

Es ist wünschenswert, dass alle Rechenressourcen die Verarbeitung ihrer Teile der Schicht zur gleichen Zeit (oder am Rendezvous) abschließen, da dies einen effizienten Betrieb jeder der Rechenressourcen ermöglicht, beispielsweise durch die Vermeidung von Verzögerungen oder Verzögerungen und durch die Reduzierung der Leerlaufzeit der Rechenanlage Ressourcen.

Um dieses gewünschte Ergebnis zu erreichen, hat der Erfinder erkannt, dass die jeweiligen Rechenressourcen durch Ändern ihrer Taktfrequenzen dazu gebracht werden können, die jeweilige Verarbeitung ihrer Teile nahezu gleichzeitig abzuschließen.

Ein Verfahren zum Betreiben eines neuronalen Netzwerks auf einem Verarbeitungssystem, das mehrere Prozessoren umfasst, wobei jeder Prozessor über eine unterschiedliche Rechenleistung des neuronalen Netzwerks verfügt, wobei das Verfahren Folgendes umfasst:Bestimmen einer Verteilung der Verarbeitung einer Schicht des neuronalen Netzwerks, sodass jede der mehreren Anzahl der Prozessoren wird ein Teil der Verarbeitung der Schicht entsprechend ihrer jeweiligen Rechenfähigkeit im neuronalen Netzwerk zugewiesen; Bestimmen der Zeit, die jeder Prozessor benötigt, um seinen Teil der Verarbeitung der Schicht auszuführen; Bestimmen, ob die Taktfrequenz eines der Prozessoren geändert werden sollte die Zeit ändern, die der Prozessor benötigt, um seine Portion fertigzustellen; die Portionen an die jeweiligen Prozessoren verteilen; undals Reaktion auf die Feststellung, dass eine Taktfrequenz für einen Prozessor geändert werden sollte, Modifizieren der Taktfrequenz für diesen Prozessor, wenn er seinen entsprechenden Teil verarbeitet.

Der Beitrag

Der Beitrag ist eine Methode zum Betreiben eines neuronalen Netzwerks unter Verwendung heterogener Rechenressourcen, bei der die Verarbeitungslast für eine Schicht des neuronalen Netzwerks auf die Verarbeitungsressourcen aufgeteilt wird und eine Taktfrequenz mindestens einer Verarbeitungsressource angepasst wird, um die Zeit zu ändern der sein Teil der Verarbeitung endet.

Der Beitrag ist mehr als ein Programm für einen Computer als solches und technischer Natur. Dies liegt daran, dass es sich um einen Prozess handelt, bei dem ein Computer im relevanten technischen Sinne auf eine neue Art und Weise betrieben wird, beispielsweise durch die Steuerung der Taktfrequenz eines Prozessors, sodass jeder heterogene Prozessor gleichzeitig die Ausführung seines Teils einer neuronalen Netzwerkschicht abschließt . Wegweiser (iii) weist auf Patentierbarkeit hin.

Die im Anspruch definierte Erfindung ist nach § 1 Abs. 2 nicht ausgeschlossen.

Modelle für maschinelles Lernen, wie z. B. neuronale Netze, erfordern möglicherweise die Durchführung komplexer Berechnungen durch eine Verarbeitungseinheit (z. B. einen Hardwarebeschleuniger).

Beispielsweise kann ein neuronales Netzwerk eine oder mehrere Faltungsschichten eines neuronalen Netzwerks zum Durchführen von Faltungsberechnungen unter Verwendung von Eingabedaten umfassen. Die Verarbeitung dieser Schichten umfasst typischerweise zahlreiche Matrixmultiplikationen mit sehr großen Matrizen von Eingabedaten. Die Durchführung dieser Art von Berechnungen ist mit vorhandenen Verarbeitungseinheiten rechenintensiv.

Darüber hinaus führt die Natur bestimmter Algorithmen für maschinelles Lernen dazu, dass ein großer Teil der Eingabedaten für eine bestimmte Schicht eines neuronalen Netzwerks Werte von Null aufweist. Dies bedeutet, dass vorhandene Verarbeitungseinheiten eine große Anzahl unnötiger Berechnungen durchführen, einschließlich der Multiplikation einer Zahl (z. B. eines Faltungskernwerts) mit einem Nullwert.

Der Erfinder hat eine Verarbeitungseinheit entwickelt, die eine Berechnung überspringen oder umgehen kann, wenn sie keine Eingabewerte sieht, was den Vorteil hat, dass die Verarbeitungseinheit im Vergleich zu bekannten Verarbeitungseinheiten recheneffizienter ist.

Ein Satz von Datenwerten, die von einer bestimmten neuronalen Netzwerkschicht verarbeitet werden sollen, wird empfangen und in einem Speicher der Verarbeitungseinheit gespeichert. Die Verarbeitungseinheit verfügt über eine Steuereinheit, die die Eingabedaten auf Null- und Nicht-Null-Werte überprüft. Die Steuereinheit generiert einen Adressindex, der nur Speicheradressen des Speichers identifiziert, der Eingangsdatenwerte ungleich Null speichert.

Die Steuereinheit verwendet den Adressindex, um Speicheradressen auszuwählen, die Eingangsdatenwerte ungleich Null speichern, und stellt die Eingangsdatenwerte ungleich Null auf einem Datenbus bereit, damit sie von einem Array von Verarbeitungselementen verarbeitet werden können.

Ein computerimplementiertes Verfahren zum Durchführen von Berechnungen für ein neuronales Netzwerk mit mehreren Schichten, wobei das Verfahren von einer Verarbeitungseinheit mit einem Speicher, einem Datenbus, einer Steuereinheit und einer Anordnung von Verarbeitungselementen ausgeführt wird, wobei das Verfahren Folgendes umfasst: Empfangen durch die Verarbeitungseinheit, eine Vielzahl von Eingabedatenwerten, die von einer Schicht der Vielzahl von Schichten verarbeitet werden sollen;Bestimmen durch die Steuereinheit, ob jeder der Eingabedatenwerte einen Nullwert oder einen Nicht-Null-Wert hat;Speichern der Vielzahl von Eingabedatenwerte in den Speicher;Erzeugen eines Adressindex durch die Steuereinheit, der nur Speicheradressstellen im Speicher identifiziert, die Eingabedatenwerte ungleich Null speichern; undBereitstellen, durch die Steuereinheit, basierend auf den Speicheradressstellen, die durch den Adressindex identifiziert werden, der Nicht-Null-Eingangsdatenwerte vom Speicher über den Datenbus an das Array von Verarbeitungselementen.

Der Beitrag

Der Beitrag bezieht sich auf die Durchführung von maschinellen Lernberechnungen in einer Verarbeitungseinheit, die über eine Steuereinheit verfügt, die bestimmt, ob empfangene Eingabedatenwerte, die von einer neuronalen Netzwerkschicht verarbeitet werden sollen, Null- oder Nicht-Null-Werte haben, und einen Adressindex generiert, der Speicheradressen identifiziert, an denen nicht -Null-Eingabedatenwerte werden gespeichert und der Adressindex wird verwendet, um einem Array von Verarbeitungselementen Eingabedatenwerte ungleich Null bereitzustellen.

Obwohl sich der Beitrag auf die Leistung von maschinellen Lernberechnungen beschränkt, die für eine bestimmte Schicht eines neuronalen Netzwerks erforderlich sind, umfasst der Beitrag die Generierung eines Adressindex, der effektiv zur Steuerung des Arrays von Verarbeitungselementen verwendet wird, sodass diese nur Eingaben ungleich Null verarbeiten Datenwerte im Speicher abgelegt. Dies ist ein Beispiel für die Bedienung eines Computers auf eine neue Art und Weise im technischen Sinne gemäß Wegweiser (iii). Der Beitrag ist eine technische Lösung des Problems der Verbesserung der Recheneffizienz bestehender Verarbeitungseinheiten gemäß Wegweiser (v). Die Erfindung ist mehr als ein Programm für einen Computer als solchen.

Die Erfindung ist nicht nach § 1 Abs. 2 ausgeschlossen.

Es ist bekannt, verteiltes Rechnen für maschinelle Lernaufgaben zu verwenden. Wenn beispielsweise ein neuronales Netzwerk iterativ trainiert wird, kann ein Satz von Trainingsdaten unterteilt und auf die Verarbeitungsknoten eines verteilten Computersystems verteilt werden. Jeder Knoten kann dann seine Trainingsdaten verarbeiten, um ein entsprechendes Teiltrainingsergebnis zu erzeugen, z. B. den Betrag, um den eine oder mehrere Gewichte in einem neuronalen Netzwerk angepasst werden sollten. Diese Teilergebnisse werden dann reduziert (dh mit einer Rechenfunktion verarbeitet), um ein vollständiges Ergebnis zu erzeugen, das an die Knoten zurückgesendet wird, um das maschinelle Lernmodell auf jedem Knoten zu aktualisieren, bevor der nächste Trainingsschritt erfolgt.

Mehrere bestehende Topologien (z. B. Ring, Torus) und Datenaustauschmethoden (z. B. All-Reduce- und All-Gather-Methoden) wurden entwickelt, um die Effizienz verteilter Computersysteme bei der Verarbeitung von Arbeitslasten, wie sie beim maschinellen Lernen vorkommen, zu optimieren. Der Erfinder hat eine neue Topologie und Austauschmethode entwickelt, mit der maschinelle Lernaufgaben effizienter verarbeitet werden können.

Die Topologie ist in der Abbildung oben dargestellt. Verarbeitungsknoten (z. B. P0A-P3B) sind in Gruppen angeordnet. Jeder Knoten einer Gruppe ist über eine erste und eine zweite Kommunikationsverbindung mit jedem anderen Knoten in der Gruppe verbunden. Die Gruppen sind in Ringen miteinander verbunden, sodass jeder Knoten Mitglied einer einzelnen Gruppe und eines einzelnen Rings ist.

Die von der Topologie verwendete Datenaustauschmethode funktioniert iterativ. Jeder Knoten einer Gruppe tauscht über die jeweiligen ersten und zweiten Verbindungen zwei Datenelemente aus einem Array von Datenelementen mit den anderen Knoten in seiner Gruppe aus. Dann reduziert jeder Verarbeitungsknoten jedes empfangene Datenelement mit einem Datenelement, das sich an einer entsprechenden Position in seinem gespeicherten Datenarray befindet, durch einen Prozess der sequentiellen gemeinsamen Nutzung und Kombination der Datenelemente.

Ein Verfahren zum Betreiben eines Computers, der Prozessorknoten umfasst, die in Gruppen und Ringen angeordnet sind, so dass alle Knoten in einer einzelnen Gruppe über eine erste und zweite Verbindung mit jedem anderen Knoten in der Gruppe verbunden sind, wobei die Gruppen in Ringen miteinander verbunden sind, so dass jeder Knoten in einer einzelnen Gruppe und einem einzelnen Ring, wobei das Verfahren Folgendes umfasst:Betreiben eines maschinellen Lernkollektivs, bei dem jeder Prozessorknoten Eingabedaten verarbeitet, um ein Ausgabedatenarray von Elementen zu erzeugen;Austauschen von Datenelementen mithilfe von Austauschschritten des maschinellen Lernkollektivs; undwobei in jedem Austauschschritt die Verarbeitungsknoten aller Gruppen über die jeweiligen ersten und zweiten Verbindungen zwei Datenelemente mit den anderen Knoten in ihrer Gruppe austauschen, und wobei alle Verarbeitungsknoten jedes empfangene Datenelement mit dem Datenelement an der entsprechenden Position reduzieren im Array auf diesem Verarbeitungsknoten.

Der Beitrag

Der Beitrag ist eine Methode des maschinellen Lernens, die eine neue Topologie und Datenaustauschmethode verwendet und die Leistung der maschinellen Lernaufgabe auf einem verteilten Computersystem durch die Verbindung der Knoten und die Art des Datenaustauschs optimiert.

Bei dem Beitrag handelt es sich nicht nur um ein Programm als solches, denn es handelt sich nicht nur um eine Methode des maschinellen Lernens, sondern auch um eine neue Computertopologie und Datenaustauschmethode. Dies ist ein Beispiel für eine neue Anordnung von Hardware, die ein Computersystem in einem relevanten technischen Sinne auf neue Weise betreibt. Ein technischer Beitrag wird nach dem Wegweiser (iii) angezeigt. Der Beitrag ist eine technische Lösung für das von der Erfindung angesprochene Problem, nämlich wie man ein verteiltes Computersystem so einrichten kann, dass es kollektive maschinelle Lernaufgaben effizient ausführt, obwohl es als Programm verkörpert ist. Wegweiser (v) weist ebenfalls auf Patentierbarkeit hin.

Die Erfindung ist nicht nach § 1 Abs. 2 ausgeschlossen.