<img height="1" width="1" style="display:none;" alt="" src="https://px.ads.linkedin.com/collect/?pid=98653&amp;fmt=gif">
Go to dennemeyer.com

Modern methods for improving conventional prior-art searches

Ovidiu Dulacioiu / July 14, 2020
Modern methods for improving conventional prior-art searches

An efficient prior-art search, using traditional means, takes time, effort and a lot of expertise. Nowadays, the focus is continuously shifting toward a combination of elements that facilitate the retrieval of results not only with efficiency but also with remarkable speed. As precision is an uncompromising element of any prior-art search, it is important to incorporate modern searching approaches. To this end, cutting-edge AI-based technology tends to move further away from the classic searching method and helps to look at patent data from a different angle.

When agility is key

In this case, semantic search tools are the answer. Most software products in this category are, to some extent, AI-based, and will use some form of a machine learning model trained on patent data to perform complicated calculations and processes such as keyword extraction, fingerprint generation and pattern analysis. Of course, when it comes to the precision of these models, the devil lies in the details. If correctly set up and fine-tuned, these AI-based software solutions can identify the most similar prior-art in a matter of seconds. For these reasons, many organizations and professionals already benefit from semantics in their pursuit of quickly understanding the existing patent landscape.

Request an Octimine demo!Landscape overview and added quality

AI-assisted techniques are the fastest and most efficient choice for patent landscaping. But can a semantic tool make a difference for those who prefer to use Boolean searching to identify prior-art?

Let us start by having a look at one of the most commonly used methods – the classification search. An expert would build this type of database query using IPC (International Patent Classification) or CPC (Cooperative Patent Classification) codes, which were introduced to retrieve prior-art more productively. Through these classification systems, the documents are organized in different groups according to technical content.

AI-assisted techniques can enable the searcher to quickly understand the current patent landscape or improve the quality of prior-art reports.

Back in the day, patent information used to be kept on paper, but with the dawn of the electronic age came the possibility to save these files digitally. However, this did not render classifications useless, quite the contrary. Even when the information was stored electronically, it still proved useful for searchers to be able to query prior-art databases in language-independent manners. This approach was seen as extremely valuable, and it was legally defined in 1971, through the Strasbourg Agreement, to classify patent documents under the IPC. Years later, in 2013, out of a desire to harmonize their existing classification systems, CPC was introduced by the EPO and the USPTO. The additional levels of detail emphasized the CPC's main benefits compared to the IPC and the fact that this new system could be updated more often. These are only some of the reasons why many professionals are fond of using classic searching processes.

Reduce the risk of missing relevant prior-art

To help individuals and organizations successfully apply conventional methods in an ever-changing landscape, Dennemeyer offers Octimine, a powerful text-based search tool that allows users to combine the best of both worlds. Thanks to its semantic capabilities, this software solution can add quality to a classification search in just a few minutes. After running an IPC or CPC query, the searcher may narrow down the relevant prior-art to a few essential publications. However, in some cases, vital documents can be missed, and this can happen because of the way classifications are defined and documents are filed.

As the World Intellectual Property Organization's IPC guide explains, "the expressions function-oriented place and application-oriented place cannot always be regarded as absolute." The same guide, under section VIII Principles of the Classification, states that "The technical subjects of inventions dealt with, in patent documents concern either the intrinsic nature or function of a thing or the way a thing is used or applied." Let us focus on the second part of this phrase, where the IPC guide tells us how documents can be classified depending on the field of application. For example, many technologies, such as lasers or LiDAR systems, are applicable in different industries and may be listed under a series of classification symbols. It can also occur that patent filings are misclassified either by a fault or on purpose. The latter usually occurs when an applicant wants to hide his new filings from the competition by using a classification that is less used or likely less observed by the competition.

Semantic search tools can help eliminate the risk of missing relevant prior-art, regardless of classification and field of application, by focusing their algorithms on the full text.

Depending on how the traditional classification query is defined, some of these IPC or CPC codes can be left out, leading to certain relevant documents not being considered as prior-art. Here is where Octimine can step in and act as a quality assurance tool: The publications identified through classification search can be used as search input in Octimine to determine if any similar patents were missed. Such a scenario is possible because some inventions could have been classified under codes that were not taken into account during the initial search. Regardless of the field of application and the symbols used to define the query, Octimine will focus its algorithms on the full text, thus enabling the user to retrieve all relevant prior art. A dedicated feature will then direct the searcher to any highly similar patents associated with atypical classifications.

As we have seen, traditional searches can adapt by incorporating semantic tools to cover all the bases and ultimately reduce the legal risk of missing out on substantial prior-art. There are many more reasons to choose Octimine, and if you would like to learn more, please contact our team of Software Consultants.

Un processus traditionnel efficace de recherche d'antériorité de brevets, nécessite un temps précieux, des efforts constants et beaucoup d'expertise. Aujourd'hui, l'attention des professionnels se porte de plus en plus sur une combinaison d'éléments qui facilitent la récupération des résultats non seulement avec efficacité mais aussi avec une rapidité accrue. La précision est un élément essentiel dans toute recherche d'antériorité, il est ainsi important d'intégrer des méthodes de recherche modernes. À cette fin, la technologie de pointe basée sur l'intelligence artificielle (IA) tend à s'éloigner de la méthode de recherche classique et permet d'examiner les données relatives aux brevets sous un nouvel angle.

Lorsque l'agilité est la clé

Dans une recherche d’agilité, les outils de recherche sémantique deviennent la solution la plus appropriée. La plupart des logiciels de cette catégorie sont généralement basés sur l'IA. Ils utilisent une forme de modèle d'apprentissage machine formé sur les données de brevets pour effectuer des calculs et des processus compliqués, tels que l'extraction de mots-clés, la génération « d'empreintes digitales » et l'analyse de motifs. En ce qui concerne la précision de ces modèles, le diable se trouve dans les détails. Si elles sont correctement configurées et ajustées, ces solutions logicielles basées sur l'IA peuvent identifier les arts antérieurs les plus similaires en quelques secondes. Pour ces raisons, de nombreux organismes et professionnels bénéficient déjà de cette technologie dans la phase de compréhension rapide du paysage des brevets existants.

Demander une démonstration Octimine !

Vue d'ensemble du paysage brevets et qualité ajoutée

Les techniques assistées par l'IA constituent le choix le plus rapide et le plus efficace pour l’observation d’un paysage de brevets. Mais est-ce qu’un outil sémantique peut-il faire la différence pour les professionnels qui préfèrent utiliser la recherche booléenne pour identifier l'art antérieur ?

Commençons par examiner l'une des méthodes les plus utilisées : la recherche par classification. Un expert construirait ce type de recherche dans une base de données en utilisant les codes de la CIB (classification internationale des brevets) ou de la CPC (classification coopérative des brevets), qui ont été introduits pour retrouver l'art antérieur de manière plus productive. Grâce à ces systèmes de classification, les documents sont organisés en différents groupes en fonction de leur contenu technique.


Les techniques assistées par l'IA peuvent permettre au chercheur de comprendre rapidement le paysage actuel des brevets ou d'améliorer la qualité des rapports d'antériorité.

Auparavant, les informations sur les brevets étaient conservées sur papier, mais à l'aube de l'ère électronique, il est devenu possible de sauvegarder ces fichiers sous forme numérique. Cependant, cela ne rendait pas les classifications inutiles, bien au contraire. Même lorsque les informations étaient stockées électroniquement, il s'est avéré utile pour les chercheurs de pouvoir interroger des bases de données antérieures de manière indépendante de la langue. Cette approche a été considérée comme extrêmement précieuse, et il a été légalement défini en 1971, par le biais de l'Arrangement de Strasbourg, de classer les documents de brevets selon la CIB. Des années plus tard, en 2013, dans un souci d'harmonisation de leurs systèmes de classification existants, la CIB a été introduite par l'OEB et l'USPTO. Les niveaux de détails supplémentaires ont mis en évidence les principaux avantages de la CBC par rapport à la CIB et le fait que ce nouveau système pouvait être mis à jour plus souvent. Ce ne sont là que quelques-unes des raisons pour lesquelles de nombreux professionnels aiment utiliser les processus de recherche classiques.

Réduire le risque de manquer des antécédents pertinents

Pour aider les personnes et les organisations à appliquer avec succès les méthodes conventionnelles dans un paysage en constante évolution, Dennemeyer propose Octimine, un puissant outil de recherche textuelle qui permet aux utilisateurs de combiner le meilleur des deux mondes. Grâce à ses capacités sémantiques, cette solution logicielle peut ajouter de la qualité à une recherche de classification, en quelques minutes seulement. Après avoir lancé une requête CIB ou CPC, le chercheur peut réduire le nombre d'antériorités pertinentes à quelques publications essentielles. Cependant, dans certains cas, des documents essentiels peuvent être oubliés, et cela peut se produire en raison de la manière dont les classifications sont définies et les documents sont classés.

Comme l'explique le guide de la CIB de l'Organisation mondiale de la propriété intellectuelle, les expressions "endroit axé sur la fonction" et "endroit axé sur l'application" ne peuvent pas toujours être considérées comme absolues. Le même guide, dans la section VIII Principes de la classification, indique que "Les sujets techniques des inventions traités, dans les documents de brevet, concernent soit la nature intrinsèque ou la fonction d'une chose, soit la manière dont une chose est utilisée ou appliquée". Concentrons-nous sur la deuxième partie de cette phrase, où le guide de la CIB nous indique comment les documents peuvent être classés en fonction du domaine d'application. Par exemple, de nombreuses technologies, telles que les lasers ou les systèmes LiDAR, sont applicables dans différentes industries et peuvent être répertoriées sous une série de symboles de classification. Il peut également arriver que des dépôts de brevets soient mal classés, soit par erreur, soit intentionnellement. Ce dernier cas se produit généralement lorsqu'un demandeur veut cacher ses nouveaux dépôts à la concurrence en utilisant une classification qui est moins utilisée ou probablement moins observée par la concurrence.


Les outils de recherche sémantique peuvent contribuer à éliminer le risque de manquer des antécédents pertinents, quels que soient la classification et le domaine d'application, en concentrant leurs algorithmes sur le texte intégral.

Selon la définition de la requête de classification traditionnelle, certains de ces codes CIB ou CPC peuvent être omis, ce qui conduit à ce que certains documents pertinents ne soient pas considérés comme de l'art antérieur. C'est ici qu'Octimine peut intervenir et agir comme un outil d'assurance qualité : les publications identifiées par la recherche de classification peuvent être utilisées comme entrée de recherche dans Octimine pour déterminer si des brevets similaires ont été omis. Un tel scénario est possible car certaines inventions pourraient avoir été classées sous des codes qui n'ont pas été pris en compte lors de la recherche initiale. Quel que soit le domaine d'application et les symboles utilisés pour définir la requête, Octimine concentrera ses algorithmes sur le texte intégral, permettant ainsi à l'utilisateur de récupérer toute l'antériorité pertinente. Une fonction dédiée dirigera ensuite le chercheur vers tous les brevets très similaires associés à des classifications atypiques.

Comme nous l'avons vu, les recherches traditionnelles peuvent s'adapter en incorporant des outils sémantiques pour couvrir toutes les bases et, en fin de compte, réduire le risque juridique de passer à côté d'une antériorité substantielle. Il existe de nombreuses autres raisons de choisir Octimine, et si vous souhaitez en savoir plus, veuillez contacter notre équipe de consultants en logiciels.