Patentschutz für Künstliche Intelligenz

Von Dr. iur. LL.M. Eur. Daniel Rucireto, Stuttgart

Dr. iur. LL.M. Eur. Daniel Rucireto

Um Künstliche Intelligenz erfolgreich zu implementieren, werden in der Regel Methoden des maschinellen Lernens verwendet. Anstatt ein Computersystem auf die Lösung eines Problems zu programmieren, bedeutet maschinelles Lernen, dass das Computersystem selbst – intelligent – eine Strategie zur Problemlösung findet. Dafür werden ihm eine große Menge von Beispielen, sogenannte Trainingsdaten, zur Verfügung gestellt, die lediglich aus Eingabedaten und gewünschten Ausgabedaten bestehen, z.B. aus medizinischen Bildern und zugehörigen Krankheiten. Wie ein Mensch lernt dann das Computersystem, durch Optimierung eines parametrischen Modells selbstständig Eingabedaten auf Ausgabedaten abzubilden, z.B. das Stellen von Krankheitsdiagnosen zu medizinischen Eingabebildern. 

Künstliche Intelligenz ist in den letzten Jahren in den Arbeits- und Lebensalltag vorgedrungen, weil nunmehr leistungsfähige Computersysteme maschinelles Lernen mit großen Trainingsdatensätzen erfolgreich ermöglichen.

Maschinelles Lernen

Methoden des maschinellen Lernens sind schon seit den 1950er Jahren bekannt, aber ihr Durchbruch gelang erst in den letzten zehn Jahren mit der Verfügbarkeit von ausreichend großer Rechenleistung, um reale Probleme tatsächlich und effizient mittels sogenannter Deep-Learning-Methoden zu lösen. Deep-Learning-Methoden verwenden dafür besonders große Modelle mit Millionen bis sogar Milliarden von Parametern. Der Physik-Nobelpreis 2024 wurde John Hopkins und Geoffrey Hinton dafür verliehen, dass sie diese speziellen Lerntechniken und Modelle vor ungefähr 15 Jahren entwickelt und erfolgreich angewendet haben.

Während einer Trainingsphase wird ein parametrisches maschinelles Lernmodell optimiert, das als Abbildung von Eingabedaten, z.B. medizinischer Bilder, auf Ausgabedaten, z.B. Krankheitsbezeichnungen, verstanden werden kann. Die Parameterwerte des maschinellen Lernmodells werden aus den Beispielsdaten gelernt, indem eine Zielfunktion, die sogenannte Verlustfunktion oder “loss function“, optimiert wird. Diese Funktion bewertet die Leistung des maschinellen Lernmodells in Bezug auf die zu lösende Aufgabe, beispielsweise durch Zählen der Anzahl medizinischer Bilder in den Trainingsdaten, die einer falschen Krankheit zugeordnet wurden. Nach Abschluss der Trainingsphase ist dann das trainierte maschinelle Lernmodell in der Lage, das aus den Trainingsdaten gewonnene Wissen auf neue, zuvor unbekannte Beispiele zu verallgemeinern und anzuwenden.

Je nach zu lösender Aufgabe stehen zahlreiche Arten von maschinellen Lernmodellen zur Auswahl. Die Wahl des Modells, das Trainingsregime und die Auswahl der Trainingsdaten erfordern Expertenwissen und entscheiden über Erfolg oder Misserfolg.

Patentierung von KI-Erfindungen

Computerprogramme und Algorithmen als solche sind zwar in Deutschland und Europa vom Patentschutz ausgenommen.

Patentschutz für computerimplementierte Verfahren sowie Computerprogramme, die KI mit maschinellem Lernen nutzen, ist aber dennoch für folgende Gegenstände grundsätzlich möglich:

1. Anwendung eines trainierten maschinellen Lernmodells für einen technischen Zweck,
2. Trainieren eines maschinellen Lernmodells,
3. Erzeugung von Trainingsdaten für das Training eines maschinellen Lernmodells.

Eine Voraussetzung für die Erteilung von Patenten auf diese Gegenstände ist allerdings, dass diese ein technisches Problem lösen, so dass ein „weiterer technischer Effekt“ vorliegt.

Weitere technische Effekte

Ein weiterer technischer Effekt ist ein technischer Beitrag, der über die physikalische Interaktion eines Computerprogramms mit einem Computersystem hinausgeht. Nur Merkmale, die einen solchen technischen Effekt erzeugen, dürfen bei der Beurteilung der erfinderischen Tätigkeit berücksichtigt werden.

Weitere technische Effekte sind z.B.

-          die Steuerung eines technischen Systems, z.B. eines Roboters oder einer Anlage,

-          die Auswertung von Messwerten, z.B. von aufgenommenen Bildern oder Sensorwerten,

-          die Verbesserung der Zuverlässigkeit einer Defekterkennung, z.B. von Fehlern in einem Werkstück,

-          die Rücksichtnahme auf beschränkte Ressourcen, z.B. die Anpassung eines Programms an einen geringen Speicher- oder Bildschirmplatz.

Kein weiterer technischer Effekt ist dagegen:

-          die Erhöhung der Rechengeschwindigkeit bei dem Erfüllen einer nicht-technischen Aufgabe, z.B. eine schnellere Berechnung der Zahl ,

-          ein betriebswirtschaftlicher Zweck, z.B. Kosteneinsparungen,

-          ein ästhetischer Zweck, z.B. die Anordnung von Bildschirmelementen nach ausschließlich gestalterischen Gesichtspunkten.

Simulationen

Eine patentfähige Anwendung eines trainierten maschinellen Lernmodells kann auch eine Simulation sein, z.B. die Simulation eines technischen Prozesses. Für die Feststellung des erforderlichen „weiteren technischen Effekts“ sind hier weder technische Prinzipien, auf denen die Simulation beruht, noch die Genauigkeit der Simulation relevant. Stattdessen sprechen zwei Argumente für einen weiteren technischen Effekt: die Anpassung der Simulation an die interne Funktionsweise des Computersystems oder eine beabsichtigte technische Verwendung der aus der Simulation resultierenden Daten, z.B. das Einstellen von Betriebsparametern einer Werkzeugmaschine.