最近的感覺是，傳統的布林檢索，在 5 到 10 年內，角色會出現極大轉變。
先複習一下關鍵字+分類號檢索的瓶頸：
🍄 關鍵字：一種技術概念有太多表達形式。無論再怎們新增同義詞去涵蓋，也總會有缺漏，並引進新的雜訊。另外，專利的摘要往往沒辦法完全反映技術內容，而若將詳細說明納入檢索範圍，產生的雜訊更會暴增。
🍄 分類號：本質上是個幫助分派工作給審委的工具，不是為了專利分析使用。分類系統不但複雜、疊床架屋、無法用於新興技術，也常被人為歸類誤差所影響，只適合做為輔助使用。
這樣的檢索手法迄今仍然是主流，主要還是因為成本考量：
大部分的專利檢索，其實只是虛應故事：以新穎性檢索來說，事務所進行詳細檢索，對雙方都沒有好處 (如果查到發明技術已經被揭露，不但事務所成不了案，客戶也難以對內部交代)。
另外，一些公司客戶把專利作為形象工程，不願意付出成本取得有意義的專利範圍，使得事務所沒有誘因進行檢索，也是主因之一。這也造成長期的劣幣驅逐良幣現象。
在一些狀況下，傳統檢索確實已經足夠：除了 FTO (自由實施檢索)這種需求外，大部分的檢索的確不需要窮盡就可結案(尤其當客戶也區分不了優劣時)。
沒有其他的工具：事實上，學界在專利檢索領域，技巧是領先業界的。但這些方法論並沒有被導入到檢索系統中，所以業界很少知道有其他作法，就算知道也無從使用。
檢索專家會自己打補丁：資深的專家都清楚以上瓶頸，所以會用自己的方式(例如幾十個檢索式的交集聯集)來擴大檢全率，再用大量的人工閱讀來提升檢準率 (但讀了多少專利，就是憑個人良心了)。
綜上，雖然目前業界還是以傳統的檢索方式為主，因此在有限的資源下，檢全率與檢準率難以兼得。一般來說，如果檢全率要超過 80%，檢準率通常會掉到 30% 以下，這時候就要靠大量人工閱讀、過濾來拉高檢準率(如果檢索到 1 萬筆專利，扣除從標題、摘要就可以篩掉的雜訊，至少要人工閱讀個幾千篇；基本上以那微薄的費用來說，實務上難以執行)。
那實際上通常是怎麼做的？一般專利檢索通常不會主動自我查核，以免自找麻煩。通常只有專利地圖有可能會被要求檢全/檢準率，但大多數情況下，只有檢準率有可能準確，而檢全率通常難以驗證。
🔎 原因：檢全率是要計算落網之魚，但沒有取得的資訊，是不可能拿來當作標準的。替代做法是找幾家公司的相關專利當作黃金標準，但這種挑選手法本身就容易帶有偏見，且挑出的黃金專利，時常最相關的專利，而不是容易漏檢的模糊地帶專利。
簡單來說，大部分報告中的檢全率，只是被客製化出來的。如果看到僅靠關鍵字+分類號檢索，不用經過人工篩選就可以做到檢全/檢準率超過 80%，只能說製作者可能是萬中選一的人才，能遠遠超過專家學者夢寐以求的檢索精準度。
講了這多麼，其實重點只有一個。要做到高品質的報告，只有一種可能：有足夠的人、有足夠的$$；因為人力工時是逃不了的。
而 AI 帶來了什麼？高速閱讀大量專利的能力。雖然以我目前的實作狀況來說，要做到高度精準，成本可能不比人工低多少，但如果未來 Token 成本能降下來，舊有的專利檢索流程，基本上可以跟它說掰掰。
要推翻自己做了十幾年的方法，當然讓人相當難受的。但既然能把品質提升到更高一個層次，就必須承認，我以前只是不知道我不知道的事罷了。關鍵字檢索不會完全沒用，只是角色移到更前段的粗篩，作為 AI 檢索的前置作業之用。
Facebook 網友回應
Ray Chu：生成式AI有它的好處，但是也有弱點（燒Token, 而且比較慢）。所以也有可能跟布林檢索搭配使用。
例如先用關鍵字+技術分類等多種檢索邏輯找出可能相關的專利，再用生成式AI幫忙閱讀後分類，或是排除雜訊。（生成式AI用於後處理）
或是利用生成式AI將專列說明書的標題、摘要進行優化改寫（前處理），後續用布林檢索時就會提高精準度。
最後都會回到檢索目的（決定專案價值）以及願意花多少時間、多少錢看到結果。決定可採用哪些工具方案。
袁如陵：的確是這樣。我目前是把關鍵字框大範圍，再用 AI 檢準 (去除雜訊)
李小安：有看過做專利地圖的人毫無概念，不知道檢全率和檢準率，用檢索式找到的案件都沒看就在分析了，接著報告就生出來了…
袁如陵：一部分也是因為沒有人會去做查核 (等於要把別人的報告重做一次，最後兩敗俱傷)。話雖如此，有了 AI 幫忙檢查，以後報告亂做的，皮也得繃緊了。
徐歷農：重點是可以讓 AI 按實際的需求輸出結果，往往比人工閱讀的再現性高，不是人做不到，而是大量閱讀已經很累了，再大量寫閱讀報告... 人就很難留了～🤣
不過其實要做到這種程度，應該是要用到 agent 會比較靠譜，只是儘管沒算過，我感覺只算錢的話，費用會比手工報告還高... 😅
袁如陵：一份報告花個幾千元在token上已經很正常~. 可以顯著降低重複作業工時 （轉移到其它高階分析）~