9.2.12 Évaluation de caractéristiques relatives à des algorithmes mathématiques
Dans l’affaire T 1903/20, l’invention portait sur la traduction automatique basée sur des réseaux neuronaux. La chambre a considéré que la traduction d’un texte d’une langue source dans une langue cible relevait de la linguistique et n’était pas un effet technique, même si le programme informatique comportait des aspects algorithmiques ne reposant pas directement sur des concepts linguistiques. Elle a déclaré que le simple fait de trouver un algorithme informatique pour mettre en œuvre un processus de traduction automatisé ne rendait pas pour autant technique le programme informatique qui en résultait (voir aussi les décisions T 598/14, T 2825/19 et T 2401/22).
Dans l’affaire T 183/21, la chambre est parvenue à la conclusion qu’un effet technique était obtenu par l’objet d’une revendication définissant un procédé de commande automatique de la performance d’un système de recommandation dans un système de communications, le système de communications comprenant un périphérique client associé à un utilisateur auquel les recommandations étaient transmises, en moyenne, sur pratiquement toute l’étendue de la revendication.
Dans l’affaire T 702/20, l’objet de l’invention consistait à réduire le nombre de connexions entre les nœuds d’un réseau neuronal ("couplage lâche"). La revendication 1 différait de l’état de la technique le plus proche en ce que les différentes couches du réseau neuronal étaient connectées conformément à une matrice de vérification des codes d’erreur. La structure de réseau proposée ne définissait qu’une classe de fonctions mathématiques qui, en tant que telle, était un objet exclu. Un autre objet "non technique" ne pouvait être pris en considération pour l’appréciation de l’activité inventive que dans le cadre de son utilisation pour résoudre un problème technique. Le recourant avait avancé que le réseau neuronal revendiqué résolvait un problème technique en ayant des effets au sein de l’ordinateur liés à l’implémentation des réseaux neuronaux (exigences de stockage) et que les réseaux neuronaux résolvaient généralement des problèmes techniques en automatisant des tâches humaines. La chambre a fait observer qu’un problème technique peut aussi être résolu si les sorties du système ont une utilisation technique ultérieure implicite (G 1/19), mais a estimé que les sorties du réseau neuronal n’avaient pas d’"utilisation technique ultérieure" ; elles peuvent par exemple avoir trait à la prévision de l’évolution du marché boursier.
Le requérant avait avancé que la modification proposée de la structure du réseau neuronal par rapport aux réseaux standard entièrement connectés réduirait la quantité de ressources requises, notamment en matière de stockage, ce qui devait être reconnu comme un effet technique, suite à la décision G 1/19. La chambre, pour sa part, a considéré que s’il était vrai que le stockage et les exigences de calcul étaient réduits par rapport au réseau entièrement connecté, cela signifiait cependant que le réseau modifié était différent et n’apprendrait pas de la même manière. Il avait donc besoin de moins de stockage, mais n'effectuait pas le même travail.
Le requérant avait également avancé que les réseaux neuronaux étaient un outil d’automatisation imitant le cerveau humain et que leur comportement ne pouvait pas être prédit ni compris par leur programmateur. Or, la chambre n’a constaté aucune preuve que les réseaux neuronaux fonctionnent comme un cerveau humain. Les réseaux neuronaux sont une fonction d’approximation mathématique qui peut être simple et compréhensible si le réseau est petit. Seul le degré de complexité d’un réseau neuronal plus grand le fait sembler imprévisible. Le fait qu’un système d’apprentissage soit complexe ne suffit pas pour en déduire qu’il réplique le fonctionnement d’un cerveau.
La chambre a souligné qu’il ne pouvait y avoir aucun doute raisonnable sur le fait que les réseaux neuronaux peuvent fournir des outils techniques utiles pour automatiser des tâches humaines ou résoudre des problèmes techniques. En revanche, dans la plupart des cas, cela nécessite qu’ils soient suffisamment spécifiés, en particulier s’agissant des données d’entraînement et de la tâche technique abordée. La spécificité requise dépend régulièrement du problème en jeu, car il convient d’établir que le réseau neuronal formé résout un problème technique dans la généralité revendiquée (voir aussi T 2246/18 et T 161/18 où les chambres ont estimé que l’utilisation de réseaux neuronaux était évidente, ainsi que T 748/19 où les revendications étaient également trop généralisées). La chambre saisie de l’affaire T 1952/21 a renvoyé à la décision T 702/20 en affirmant que celle-ci était similaire à bien des égards. Elle a réitéré le fait qu’un modèle d’apprentissage machine entraîné, c’est-à-dire un réseau neuronal, ne peut entrer en ligne de compte pour l’appréciation de l’activité inventive que s’il est utilisé pour résoudre un problème technique, p. ex. lorsqu’il est entraîné avec des données spécifiques en vue d’une tâche technique spécifique.
Dans l’affaire T 1191/19, l’invention portait sur un système dit de méta-apprentissage. La chambre a considéré que celui-ci constituait l’application de techniques connues – telles que le méta-apprentissage – à d’autres domaines, ce qui était une tendance générale de la technologie et ne pouvait être inventif en tant que tel. La chambre n’a pas estimé que la méthode de la revendication 1 contenait le moindre détail non évident de l'application du système de méta-apprentissage connu de l'état de la technique au problème en jeu, si ce n’est une simple réitération à un niveau abstrait du système divulgué dans l’état de la technique.
La chambre a rendu une décision similaire dans l’affaire T 1425/21, où l’approximation de modèles d’apprentissage machine "malcommodes" avec des modèles d’apprentissage machine "distillés" exigeant moins de calcul et/ou moins de mémoire était revendiquée. La chambre a considéré que même si le modèle distillé réduisait les besoins de stockage ou de calcul d’un modèle d’apprentissage machine, cela était insuffisant, en soi, pour établir un effet technique, puisqu’il fallait également prendre en considération la performance du modèle d’apprentissage "réduit". La chambre a conclu qu’il n’était pas crédible en général que n’importe quel modèle présentant moins de paramètres puisse être aussi précis que le modèle plus complexe qu’il est censé remplacer.
Dans l'affaire T 598/07, l'invention portait sur une méthode de surveillance des battements cardiaques, se fondant sur un réseau neuronal afin d'identifier les battements cardiaques irréguliers. La chambre a estimé que cela apportait une contribution technique. Elle a également considéré que puisqu’aucune des revendications de procédé en question n’incluait l’étape relative au diagnostic à des fins curatives stricto sensu représentant la phase déductive de décision médicale ou vétérinaire, les revendications de procédé ne relevaient pas des dispositions d’exclusion de l’art. 53c) CBE.
Dans l'affaire T 1286/09, l'invention portait de façon générale sur le domaine du traitement des images numériques et, en particulier, sur une méthode pour améliorer la classification des images en formant un classificateur sémantique avec un ensemble d'exemplaires d'images en couleur qui représentait des "versions recomposées" d'un exemplaire d'image afin de renforcer la variété des exemplaires de formation. La chambre a confirmé l’activité inventive.
Dans l'affaire T 1510/10, la chambre a décidé qu'"aucune activité inventive ne peut découler du seul fait d'utiliser l'apprentissage automatique". Le recours a donc été rejeté.
Dans l'affaire T 1784/06, la classification automatique d'extraits de jeux de données a été considérée comme non technique dans la mesure où les jeux de données étaient classés aux fins non techniques de facturation. Une propriété mathématique précieuse de l'algorithme est susceptible d'impliquer des bénéfices d'ordre technique, mais uniquement en cas d'utilisation à des fins techniques.
Dans l'affaire T 755/18, la chambre a estimé que ni les résultats d'un programme informatique d'apprentissage automatique ni la précision des résultats ne contribuaient à un effet technique, une amélioration de la machine réalisée automatiquement grâce à un apprentissage supervisé afin de déboucher sur des résultats plus précis ne représentant pas en soi un effet technique.
Dans l’affaire T 761/20, la revendication définissait une méthode de notation automatisée de travaux écrits utilisant l’apprentissage machine, qui était en fait un processus mis en œuvre par ordinateur. Ce genre de processus peut avoir des effets techniques – et donc être réputé résoudre un problème technique – à l’entrée ou à la sortie, mais aussi par le biais de son exécution (voir G 1/19, point 85 des motifs). Un effet technique peut également être reconnu au vu de sa finalité, à savoir une utilisation technique (implicite) de la sortie (voir G 1/19, point 137 des motifs). Le procédé revendiqué contenait des étapes visant à extraire des vecteurs "linguistiques" numériques de travaux écrits (pour tous les échantillons considérés, des travaux de formation et des travaux à noter), une étape d’entraînement d’un perceptron, et une étape d’utilisation du perceptron pour noter les travaux écrits. En principe, la procédure d’entraînement revendiquée pouvait constituer une contribution technique à l’état de la technique (voir p. ex. G 1/19, point 33 des motifs). Prise isolément, cependant, il s’agissait là d’une méthode mathématique, de sorte que cette contribution relevait du champ exclu des méthodes mathématiques (voir T 702/20 et T 755/18, exergues) et n’était donc pas une contribution brevetable. À supposer que l’invention revendiquée ait eu pour finalité d’aider ses utilisateurs à évaluer des compétences linguistiques, comme l’affirmait le requérant, la chambre n’a pas réussi à y voir d’autres finalités implicites. La chambre n’a pas non plus souscrit à l’avis du requérant selon lequel le domaine de la "technologie éducative" était un domaine technique.
Dans l’affaire T 874/19. la demande portait sur la classification des ressources d’un moteur de recherche en tant que ressources indésirables (ou appartenant à la catégorie "indésirable") ou ressources non-indésirables (ou appartenant à la catégorie "non indésirable") sur la base d’un "réseau profond". Cela impliquait différentes couches d’un réseau neuronal pour la classification automatique des données d’entrée en vue de la recherche. Le classificateur revendiqué était capable de traiter une représentation mathématique alternative de données d’entrée pour ensuite calculer une "mesure par catégorie" pour chaque catégorie dans un ensemble de catégories donné. Chaque mesure par catégorie fournissait également une valeur indiquant la probabilité que la ressource en question appartienne à la catégorie correspondante. La chambre n’a pas réussi à voir quel pouvait être l’effet technique supplémentaire des caractéristiques distinctives, ni quel problème technique objectif l’objet de la revendication 1 pouvait résoudre.
Dans l'affaire T 598/07, l'invention portait sur une méthode de surveillance des battements cardiaques, se fondant sur un réseau neuronal afin d'identifier les battements cardiaques irréguliers. La chambre a estimé que cela apportait une contribution technique. Elle a également considéré que puisqu’aucune des revendications de procédé en question n’incluait l’étape relative au diagnostic à des fins curatives stricto sensu représentant la phase déductive de décision médicale ou vétérinaire, les revendications de procédé ne relevaient pas des dispositions d’exclusion de l’art. 53c) CBE.
Dans l'affaire T 1286/09, l'invention portait de façon générale sur le domaine du traitement des images numériques et, en particulier, sur une méthode pour améliorer la classification des images en formant un classificateur sémantique avec un ensemble d'exemplaires d'images en couleur qui représentait des "versions recomposées" d'un exemplaire d'image afin de renforcer la variété des exemplaires de formation. La chambre a confirmé l’activité inventive.
Dans l'affaire T 1510/10, la chambre a décidé qu'"aucune activité inventive ne peut découler du seul fait d'utiliser l'apprentissage automatique". Le recours a donc été rejeté.
Dans l'affaire T 1784/06, la classification automatique d'extraits de jeux de données a été considérée comme non technique dans la mesure où les jeux de données étaient classés aux fins non techniques de facturation. Une propriété mathématique précieuse de l'algorithme est susceptible d'impliquer des bénéfices d'ordre technique, mais uniquement en cas d'utilisation à des fins techniques.
Dans l'affaire T 755/18, la chambre a estimé que ni les résultats d'un programme informatique d'apprentissage automatique ni la précision des résultats ne contribuaient à un effet technique, une amélioration de la machine réalisée automatiquement grâce à un apprentissage supervisé afin de déboucher sur des résultats plus précis ne représentant pas en soi un effet technique.
Dans l’affaire T 761/20, la revendication définissait une méthode de notation automatisée de travaux écrits utilisant l’apprentissage machine, qui était en fait un processus mis en œuvre par ordinateur. Ce genre de processus peut avoir des effets techniques – et donc être réputé résoudre un problème technique – à l’entrée ou à la sortie, mais aussi par le biais de son exécution (voir G 1/19, point 85 des motifs). Un effet technique peut également être reconnu au vu de sa finalité, à savoir une utilisation technique (implicite) de la sortie (voir G 1/19, point 137 des motifs). Le procédé revendiqué contenait des étapes visant à extraire des vecteurs "linguistiques" numériques de travaux écrits (pour tous les échantillons considérés, des travaux de formation et des travaux à noter), une étape d’entraînement d’un perceptron, et une étape d’utilisation du perceptron pour noter les travaux écrits. En principe, la procédure d’entraînement revendiquée pouvait constituer une contribution technique à l’état de la technique (voir p. ex. G 1/19, point 33 des motifs). Prise isolément, cependant, il s’agissait là d’une méthode mathématique, de sorte que cette contribution relevait du champ exclu des méthodes mathématiques (voir T 702/20 et T 755/18, exergues) et n’était donc pas une contribution brevetable. À supposer que l’invention revendiquée ait eu pour finalité d’aider ses utilisateurs à évaluer des compétences linguistiques, comme l’affirmait le requérant, la chambre n’a pas réussi à y voir d’autres finalités implicites. La chambre n’a pas non plus souscrit à l’avis du requérant selon lequel le domaine de la "technologie éducative" était un domaine technique.
Dans l’affaire T 874/19. la demande portait sur la classification des ressources d’un moteur de recherche en tant que ressources indésirables (ou appartenant à la catégorie "indésirable") ou ressources non-indésirables (ou appartenant à la catégorie "non indésirable") sur la base d’un "réseau profond". Cela impliquait différentes couches d’un réseau neuronal pour la classification automatique des données d’entrée en vue de la recherche. Le classificateur revendiqué était capable de traiter une représentation mathématique alternative de données d’entrée pour ensuite calculer une "mesure par catégorie" pour chaque catégorie dans un ensemble de catégories donné. Chaque mesure par catégorie fournissait également une valeur indiquant la probabilité que la ressource en question appartienne à la catégorie correspondante. La chambre n’a pas réussi à voir quel pouvait être l’effet technique supplémentaire des caractéristiques distinctives, ni quel problème technique objectif l’objet de la revendication 1 pouvait résoudre.