L’IA générative va bouleverser la recherche traditionnelle de brevets

J’ai dernièrement le sentiment que la recherche booléenne sera très probablement abandonnée d’ici cinq à dix ans.

Les mots-clés : un même concept technique peut s’exprimer de trop nombreuses façons. Quel que soit le nombre de synonymes ajoutés, quelque chose échappe toujours à la recherche, et chaque nouveau terme ajoute du bruit. Les abrégés omettent aussi une grande partie du contenu technique, tandis qu’une recherche dans la description fait exploser le volume des résultats.

Les classifications de brevets : ce système sert à répartir le travail entre les examinateurs, pas à analyser les brevets. Il est complexe, accumule les strates, se révèle inutile pour les technologies émergentes et subit les effets des erreurs humaines. Il ne faut l’utiliser qu’en appui.

La recherche traditionnelle reste dominante, principalement pour des raisons de coût.

  • Une recherche de nouveauté approfondie ne profite à aucune des deux parties : si l’invention est déjà divulguée, le cabinet ne peut mener le dossier à son terme et le client a du mal à l’expliquer en interne. Certains clients font des brevets une question de prestige et ne veulent pas payer pour une portée de protection véritablement utile. Le cabinet n’a donc aucun intérêt à chercher. Les mauvaises pratiques chassent les bonnes.
  • Parfois, la recherche traditionnelle suffit. Hormis en matière de liberté d’exploitation, ou FTO, la plupart des recherches peuvent être clôturées sans être exhaustives, surtout quand le client ne distingue pas un bon travail d’un mauvais.
  • Il n’existe pas d’autres outils. Le monde universitaire est en avance sur l’industrie en matière de techniques de recherche, mais ces méthodes n’ont jamais intégré les systèmes utilisés.
  • Les experts comblent eux-mêmes les lacunes : ils réunissent des dizaines de requêtes pour améliorer le rappel, puis lisent de nombreux documents afin d’améliorer la précision. La quantité réellement lue relève de leur conscience professionnelle.

Avec des ressources limitées, on ne peut pas tout avoir en matière de rappel et de précision. Lorsque le rappel dépasse 80 %, la précision descend généralement sous 30 %. Une recherche qui renvoie 10 000 brevets laisse encore des milliers de documents à lire manuellement, ce que les honoraires rendent impossible.

Une recherche ne s’audite pas non plus elle-même, car cela reviendrait à s’attirer des ennuis. Le rappel et la précision ne sont habituellement exigés que pour les cartographies de brevets, et même dans ce cas, seule la précision peut être mesurée avec exactitude. Le rappel impose de compter ce que la recherche a manqué ; or, ce qui n’a jamais été retrouvé ne peut servir d’étalon. On utilise généralement à la place un corpus de référence constitué de brevets de quelques entreprises. Ce procédé est sujet aux biais : les brevets retenus sont habituellement les plus pertinents, pas les cas limites qui échappent à la recherche. La plupart des chiffres de rappel figurant dans les rapports sont ainsi fabriqués sur mesure.

Une qualité élevée ne s’obtient que d’une façon : suffisamment de personnes et suffisamment d’argent. On ne peut pas faire l’économie des heures de travail.

Qu’apporte donc l’IA ? La rapidité de lecture de grands volumes de brevets. Dans ma propre mise en œuvre, une exactitude élevée coûte encore presque aussi cher que le travail humain. Mais si le coût des tokens diminue, nous pourrons dire adieu à l’ancien processus.

Il est inconfortable de remettre en cause une méthode que j’utilise depuis plus de dix ans. Mais puisque l’IA permet de porter la qualité à un autre niveau, je dois admettre que je ne savais tout simplement pas ce que j’ignorais. La recherche par mots-clés ne deviendra pas inutile : elle interviendra plus tôt, pour effectuer un premier tri avant la recherche par IA.

J’exerce dans le domaine des brevets à Taïwan, et ce texte reflète mon expérience sur place.