6.1.1 Réseau neuronal artificiel

Dans l'affaire T 161/18, la demande utilisait un réseau neuronal artificiel pour transformer la courbe de pression artérielle, mesurée à la périphérie, en pression aortique équivalente. En ce qui concerne l'entraînement du réseau neuronal selon l'invention, la demande divulguait uniquement que les données d'entrée devaient couvrir un large spectre de patients différents pour ce qui est de l'âge, du sexe, de la constitution, de l'état de santé, etc., afin d'empêcher une spécialisation du réseau. La demande ne divulguait toutefois pas les données d'entrée qui convenaient à l'entraînement du réseau neuronal artificiel selon l'invention, ni même un jeu de données adapté pour résoudre le problème technique posé. Par conséquent, la personne du métier ne pouvait pas reconstituer l'entraînement du réseau neuronal artificiel, ni donc exécuter l'invention. L'invention en question, qui reposait sur l'apprentissage automatique, en particulier en lien avec un réseau neuronal artificiel, n'était ainsi pas suffisamment divulguée, étant donné que l'entraînement selon l'invention ne pouvait pas être exécuté faute de divulgation correspondante. (Comparer avec T 702/20 sur le caractère technique d'un réseau de neurones mis en œuvre sur un ordinateur).

Dans l‘affaire T 1669/21, la requérante (titulaire du brevet) a fait valoir que l’invention était clairement et intégralement exposée même sans exemple concret de mise en oeuvre. Le modèle de calcul selon la revendication est un modèle d’apprentissage machine. Au vu des progrès fulgurants effectués, la création d’un modèle de calcul approprié d’apprentissage machine (autrement que dans l‘affaire T 161/18) fait désormais partie des connaissances générales de la personne du métier et ne nécessite aucune divulgation expresse. L’invention aspirait à une "solution globale" pour prédire l’usure du revêtement réfractaire d’un récipient métallurgique. La notion de "modèle de calcul" n’était pas limitée, de l’avis de la chambre, à un modèle relevant du domaine de l’apprentissage machine, même en lien avec une adaptation ("adapté"). Ainsi, le fait que le modèle soit "adapté" ne signifie pas que le modèle soit "adaptatif", c’est-à-dire capable de s’adapter ou d’apprendre par lui-même. La revendication 1 n’était donc pas limitée à une méthode d’apprentissage machine. Le brevet n’offrait ni exemple de tel modèle de calcul ni indices relatifs aux connexions à modéliser. Pour ce seul motif déjà, la requête principale ne satisfaisait pas aux exigences de l‘art. 83 CBE. Il existait un grand nombre de possibilités pour organiser un modèle de calcul. Cependant, les connaissances générales exposées ne contenaient aucune information relative aux exigences spécifiques, et le brevet n’en comportait pas non plus. De ce fait, déjà dans le choix du modèle de calcul concret d’apprentissage machine approprié, la personne du métier était confrontée à un obstacle considérable à la reproductibilité de l’invention. Même dans le cas contraire, la personne du métier serait livrée à elle-même pour sélectionner ces combinaisons à partir des nombreuses variables d’entrée possibles. La moindre tentative individuelle dans ce sens, à elle seule, exigeait déjà un effort considérable. En l’absence d’exemple de mise en oeuvre reproductible de façon concrète ou de toute autre instruction spécifique indiquant les paramètres pertinents, on ne disposait en outre d’aucune preuve que l’invention puisse réussir à être exécutée par principe avec un modèle de calcul entraîné conformément à la revendication. Sur ce point, la requérante a fait valoir que cela n’était pas nécessaire, puisque l’essence même de l’apprentissage machine est l’acquisition par entraînement et par auto-apprentissage de la capacité à prédire les variables de sortie sans connaître les rapports de causalité. À cet égard, l’influence de variables d’entrée dépourvues de pertinence est automatiquement éliminée. Selon la chambre, le fascicule de brevet ne contenait aucun exemple de mise en oeuvre concrètement reproductible ni aucun indice ou critère en vue de sélectionner des paramètres concrets appropriés à l’intérieur des catégories revendiquées. S’agissant de la quantité et de la qualité des données d’entraînement (voir aussi T 161/18), le modèle de calcul n’était entraîné qu’avec un jeu de données réduit. Le mode de réalisation exposé de l‘invention et la saisie des données d’entraînement n’étaient pas divulguées dans le brevet en litige. La requérante n’a pas réussi à exposer de manière plausible que le modèle de calcul pouvait être entraîné avec un tel jeu limité de données d’entraînement. Ainsi, l‘exposé du brevet était général et incomplet, également s’agissant de l’aspect des données d‘entraînement, décisif pour le succès de l’invention. L’absence d’indications détaillées dans la divulgation du brevet était disproportionnée par rapport à l’étendue de l’invention revendiquée et à l’effort correspondant à fournir par la personne du métier pour combler les lacunes afin de réaliser l’invention (sur toute son étendue). G 1/03 est invoqué sans succès.

Dans l’affaire ex parte T 1539/20 (méthode de contrôle de la performance d’un système d’application distribué entre une pluralité de noeuds de reseau connectés), la revendication 1 portait sur une méthode mise en oeuvre par ordinateur comportant une étape automatisée consistant à "cartographier" (concernant ce terme, des problèmes avaient été soulevés au titre de l’art. 84 CBE) un système d’application distribué donné par rapport à un modèle hiérarchique, mais la demande telle que déposée ne contenait aucune information expliquant comment la personne du métier pouvait mettre en oeuvre le processus de "cartographie" dans le logiciel. Le requérant faisait également valoir que la présence dans la revendication de modes de réalisation qui ne fonctionnent pas n’était pas préjudiciable, dès lors que le fascicule contenait des informations suffisantes sur les critères pertinents pour identifier les modes de réalisation qui fonctionnent (Directives, F‑III, 5.1, G 1/03) ; toutefois, l’objection de la chambre à l’encontre de la revendication 1 n’était pas que son étendue englobait des modes de réalisation spécifiques qui ne fonctionnent pas.

Dans l’affaire ex parte T 1191/19, concernant l’art. 56 CBE, la chambre a rappelé que la simple application d’une technique connue d’apprentissage machine à des problèmes dans un domaine particulier était une tendance générale de la technologie (T 161/18, point 3.6 des motifs) et ne pouvait pas être inventive en tant que telle. S’agissant en particulier de l’art. 83 CBE, la chambre a relevé que la demande ne divulguait aucun exemple de jeux de données d’entraînement et de validation requis comme entrants par le système de méta-apprentissage. La demande ne divulguait même pas le nombre minimum de patients auprès desquels les données d’entraînement devaient être recueillies afin de fournir une prévision utile et un jeu de paramètres pertinents. En particulier, la structure des réseaux neuronaux artificiels utilisés comme classificateurs, leur topologie, leurs fonctions d’activation, les conditions finales et le mécanisme d’apprentissage n’étaient pas divulgués (citant T 161/18, point 2 des motifs). Au niveau d’abstraction de l’application disponible, la divulgation ressemblait davantage à un incitation à lancer un programme de recherche. Dans ces circonstances, la personne du métier ne pouvait pas reproduire sans effort excessif l’application du système de méta-apprentissage d’AX1 (publication scientifique) pour résoudre le problème de la prédiction d’interventions personnalisées pour un patient dans des processus ayant pour substrat la plasticité neuronale.

Dans l’affaire ex parte T 1526/20, la demande portait sur une “méthode pour tester le caractère vivant” mise en oeuvre par ordinateur pour distinguer entre des visages vivants et des imitations sur la base d’images en 2D. La chambre a conclu que la personne du métier devait avoir des doutes que le modèle fournissait les informations nécessaires pour assurer des tests fiables portant sur le caractère vivant. La demande ne fournissait aucune raison justifiant que ce modèle était correct, ni aucun résultat montrant que la méthode proposée pour extraire des informations relatives à l’objet distinguait correctement entre les objets vivants et les objets contrefaits.

Dans l’affaire ex parte T 606/21 (méthode pour évaluer les prévisions de trajectoires suivies par des véhicules autonomes, y compris en générant un réseau neuronal profond, Deep Neural Network ou DNN), la division d’examen a estimé que la demande ne divulguait pas clairement la manière dont le modèle DNN pouvait fournir une sortie fiable au moment du test parce qu’il était alimenté par des entrées incomplètes. Les entrées au moment du test ne comportaient que la trajectoire prédite et non la trajectoire effective. La chambre a considéré que la méthode comportait deux étapes principales, la première relative à la génération d’un reseau neuronal profond (DNN), et la seconde relative à l’entraînement de ce DNN par l’entrée de paires de trajectoires afin d’analyser la similitude entre ces trajectoires et d’améliorer la précision de cette analyse. La chambre a considéré que la deuxième étape, l’étape de tests et d’évaluation, présentait une insuffisance d’exposé.

Dans l’affaire ex parte T 509/18, l’invention portait sur un système de détection de la vigilance du conducteur configuré pour utiliser un processus d’entraînement à la classification afin d’enregistrer la position de la tête du conducteur ainsi qu’un vecteur oculaire au niveau de plusieurs points prédéterminés à l’intérieur du véhicule, configuré pour enregistrer une matrice de paramètres inter-points servant à classifier l’état d’attention du conducteur sous forme de tableau de référence. De l’avis de la chambre, la demande n’enseignait pas la manière de déduire de la "matrice de paramètres inter-points" une "classification de l’état d’attention du conducteur sous forme de tableau de référence", une telle "classification sous forme de tableau de référence" devant permettre de déterminer l’état d’attention du conducteur. La personne du métier ne saurait pas comment construire une "classification sous forme de tableau de référence" ni par conséquent comment déterminer l’état d’attention du conducteur sur la base de l’image donnée par la caméra vidéo indiquant la position effective de la tête et des yeux du conducteur à un instant donné. L’étape consistant à comparer l’image de la caméra vidéo avec cette classification sous forme de tableau de référence afin d’évaluer l’état d’attention du conducteur nécessitait des instructions et un enseignement concernant le type d’information à extraire d’une image de caméra vidéo donnée ainsi que la méthode et les critères à appliquer pour procéder à la comparaison ; or, un tel exposé faisait totalement défaut.