Foley-Anwälte analysieren Patent-Erkenntnisse aus jüngstem Urteil zum maschinellen Lernen
Wichtige Erkenntnisse zum Thema Patente aus dem ersten Urteil des Fed. Circ. zum maschinellen Lernen
Dieser Artikel wurde ursprünglich am 13. Mai 2025 in Law360 veröffentlicht und wird hier mit Genehmigung erneut veröffentlicht.
Die jüngste Neufassung der Patentierbarkeit im Bereich des maschinellen Lernens durch das US-Berufungsgericht für den Federal Circuit sollte Unternehmen aus dem Bereich der künstlichen Intelligenz und Technologie zum Nachdenken anregen, wenn sie darüber nachdenken, wie sie wirksame, durchsetzbare Patentvermögenswerte für ihre Technologie erwerben können.
Insbesondere bestätigte das Urteil vom 18. April in der Rechtssache Recentive Analytics Inc. gegen Fox Corp. die Ungültigkeit von Patenten, die so ausgelegt werden, dass sie lediglich bestehende Techniken des maschinellen Lernens auf neue Datenumgebungen anwenden.
Das Gericht begründete dies damit, dass solche Ansprüche ohne eine nachgewiesene technische Verbesserung, die über die abstrakte Idee selbst hinausgeht, nicht den Anforderungen von Titel 35 des U.S. Code, Abschnitt 101, entsprechen.
Angesichts der weit verbreiteten Nutzung von maschinellem Lernen in verschiedenen Branchen könnte diese Entscheidung erhebliche Auswirkungen auf Patentanmelder haben. Unternehmen im Bereich KI und maschinelles Lernen können jedoch einige praktische Maßnahmen ergreifen, wenn sie ihre Technologie in Patentanmeldungen beschreiben, um zu vermeiden, dass sie einem ähnlichen Ergebnis zum Opfer fallen.
Der Ansatz des Bundesberufungsgerichts zur Anspruchsberechtigung
Die jüngste Entscheidung des Federal Circuit bietet neue und wichtige Leitlinien für die Anwendung des zweistufigen Alice-Tests, der aus der Entscheidung des Obersten Gerichtshofs der Vereinigten Staaten aus dem Jahr 2014 in der Rechtssache Alice Corp. gegen CLS Bank International abgeleitet wurde, wenn es um den Patentschutz für Erfindungen auf Basis maschinellen Lernens geht.
Um den ersten Schritt anzugehen und zu vermeiden, dass die Erfindung als abstrakte Idee eingestuft wird, sollten Unternehmen ihre Ansprüche strategisch auf spezifische technische Verbesserungen ausrichten, anstatt auf allgemeine Anwendungen des maschinellen Lernens für bekannte Aufgaben.
Das Gericht in Recentive befand die Ansprüche für unzulässig, da sie lediglich generische Methoden des maschinellen Lernens auf herkömmliche Branchenfunktionen wie Terminplanung und Rundfunk anwendeten, die das Gericht als abstrakte Ideen betrachtete.
Um das Risiko eines ähnlichen Ergebnisses zu verringern, könnten Unternehmen sich darauf konzentrieren, hervorzuheben, wie ihre Erfindung den Betrieb eines Computersystems verbessert oder die Technologie des maschinellen Lernens selbst optimiert, anstatt maschinelles Lernen einfach nur auf einen domänenspezifischen Anwendungsfall anzuwenden.
Im zweiten Schritt könnten Unternehmen erwägen, hervorzuheben, wie ihre beanspruchte Erfindung ein erfinderisches Konzept einführt, das nicht in der Standardfunktionalität des maschinellen Lernens enthalten ist.
Im Fall Recentive befand das Gericht, dass Elemente wie iterative Schulungen und dynamische Aktualisierungen routinemäßige Aspekte von maschinellen Lernsystemen seien und keine bedeutenden technologischen Innovationen darstellten.
Um ihre Erfindungen zu differenzieren, könnten Unternehmen detaillierte Beschreibungen neuartiger Konfigurationen, Systemarchitekturen oder Verarbeitungstechniken beifügen, die über das erwartete Verhalten generischer maschineller Lernverfahren hinausgehen.
Beispielsweise kann die Beschreibung, wie diese Merkmale zu messbaren technischen Leistungsverbesserungen beitragen, wie z. B. reduzierte Rechenlast, schnellere Modellkonvergenz, verbesserte Genauigkeit bei komplexen Datensätzen oder verbesserte Anpassungsfähigkeit an Echtzeit-Eingaben, das Argument für die Patentierbarkeit stärken.
Praktische Tipps für Patentanwälte
Die Entscheidung in der Rechtssache Recentive liefert wichtige Leitlinien für Patentanwälte, die Patente im Bereich des maschinellen Lernens entwerfen und verfolgen. In dieser Hinsicht könnte es für Patente im Bereich des maschinellen Lernens von Vorteil sein, klar zu identifizieren und detailliert darzulegen, inwiefern die Erfindung die zugrunde liegenden Techniken des maschinellen Lernens oder deren Umsetzung voranbringt.
Anstatt beispielsweise allgemein von „iterativem Modelltraining“ zu sprechen, könnte die Spezifikation explizit einzigartige Modifikationen oder Verbesserungen gegenüber herkömmlichen Trainingsprozessen offenlegen. Dazu könnten die Beschreibung neuartiger Vorverarbeitungsschritte, unkonventioneller Optimierungstechniken oder einer maßgeschneiderten neuronalen Netzwerkarchitektur gehören, die die Vorhersagegenauigkeit nachweislich verbessert.
Die Entscheidung des Gerichts deutete auch darauf hin, dass eine unzureichende Offenlegung eine erhebliche Schwäche darstellen kann und dass es unerlässlich ist, das „Wie” hinter jeder beanspruchten Verbesserung zu beschreiben. Bezieht sich die Innovation beispielsweise auf die dynamische Anpassung von Modellen auf der Grundlage von Echtzeitdaten, könnte die Spezifikation algorithmische oder rechnerische Beschreibungen enthalten, die veranschaulichen, wie diese Anpassungen herkömmliche Methoden deutlich übertreffen.
Die bloße Anwendung bekannter oder etablierter Methoden des maschinellen Lernens auf neue Datenumgebungen reicht möglicherweise allein nicht aus, um die Patentierbarkeit zu begründen. Stattdessen könnten Ansprüche formuliert werden, um zu spezifizieren, inwiefern die Innovation über die allgemeine Anwendung des maschinellen Lernens hinausgeht.
Bei der Arbeit mit Gesundheitsdaten können die Anforderungen und Spezifikationen beispielsweise beschreiben, wie die Lösung spezifische technische Herausforderungen in diesem Kontext bewältigt, z. B. die Verwaltung spärlicher oder unregelmäßiger Dateneingaben, die Verbesserung der Verarbeitungseffizienz durch schnellere Konvergenz oder die Einbindung von Sicherheitsvorkehrungen, die den Datenschutz- und Compliance-Anforderungen von Patienten gerecht werden.
Darüber hinaus können Ansprüche auch dann zulässig sein, wenn einzelne Schritte eines Verfahrens zwar konventionell sind, die Kombination der Schritte jedoch einen einzigartigen technologischen Vorteil bietet. So könnte beispielsweise die Beschreibung, wie bestimmte Abläufe der Datenerfassung, Vorverarbeitung, Schulung und Schlussfolgerung zusammenwirken, um Effizienzsteigerungen oder eine verbesserte Genauigkeit zu erzielen, dazu beitragen, zu untermauern, dass die beanspruchte Erfindung mehr ist als eine generische Anwendung des maschinellen Lernens.
Praktische Tipps für Patentanmelder
Die Entscheidung in der Rechtssache Recentive hat auch wichtige Auswirkungen für Patentanmelder, die Technologien auf Basis von maschinellem Lernen entwickeln oder nutzen. Angesichts dieser Entscheidung könnte es für Anmelder hilfreich sein, ihre Patentportfolios neu zu bewerten, um zu beurteilen, wie klar ihre Ansprüche im Zusammenhang mit maschinellem Lernen spezifische technische Verbesserungen gegenüber dem Stand der Technik oder einer anderen Technik zum Ausdruck bringen.
Interne Audits können in diesem Prozess eine wichtige Rolle spielen, indem sie dabei helfen, Patente zu identifizieren, denen möglicherweise detaillierte Offenlegungen fehlen, und Überlegungen anzuregen, ob die Einreichung von Fortsetzungsanträgen mit verbesserten Spezifikationen von Vorteil wäre. Solche Überprüfungen könnten auch Möglichkeiten aufzeigen, den Umfang der Ansprüche zu präzisieren, konkretere Beispiele einzuführen oder neue rechtliche Standards im Zusammenhang mit abstrakten Ideen zu berücksichtigen.
Parallel dazu kann die Zusammenarbeit zwischen technischen und juristischen Teams die Entwicklung robusterer und widerstandsfähigerer Anwendungen unterstützen. Die Förderung einer frühzeitigen und kontinuierlichen Zusammenarbeit zwischen Erfindern, Ingenieuren und Patentfachleuten kann dazu beitragen, patentierbare Aspekte einer Innovation aufzudecken, die andernfalls übersehen werden könnten.
In einigen Fällen, in denen die Patentierbarkeit ungewiss erscheint, könnten Antragsteller prüfen, ob der Schutz von Geschäftsgeheimnissen eine praktische Alternative darstellt, insbesondere für proprietäre Algorithmen, Trainingsdatensätze oder Modellarchitekturen, die schwer zu erkennen oder zurückzuentwickeln sind. Solche Strategien können in schnelllebigen Märkten relevant sein, in denen lange Patentlaufzeiten nicht mit den Produktzyklen übereinstimmen.
In diesem Zusammenhang könnte ein wirksames Management von Geschäftsgeheimnissen die Einführung solider Vertraulichkeitsvereinbarungen, rollenbasierter Zugriffskontrollen, interner Sensibilisierungsinitiativen und Datenschutzmaßnahmen umfassen.
Darüber hinaus könnte die Einrichtung interner Überprüfungsprozesse zur Beobachtung rechtlicher Entwicklungen, die Bewertung ihrer Relevanz für anhängige oder zukünftige Anträge und die Erörterung möglicher Anpassungen der Anspruchsstrategie wertvolle Erkenntnisse liefern, da sich die Zulassungsstandards ständig weiterentwickeln.
Auswirkungen auf die Branche
Die Entscheidung in der Rechtssache Recentive verdeutlicht eine anhaltende Herausforderung im US-Patentrecht: die Balance zwischen dem Schutz von Innovationen und der Vermeidung übermäßig weit gefasster Ansprüche, die unzulässigerweise ganze Industriezweige präemptieren.
Dieses Urteil deutet auf einen restriktiveren Weg zur Patentierbarkeit von Erfindungen im Bereich des maschinellen Lernens hin, was sich künftig auf die Ausarbeitung von Patentanmeldungen im Bereich der KI und des maschinellen Lernens auswirken könnte. In der Praxis könnte dies für Erfinder und Patentinhaber zu strengeren Anforderungen hinsichtlich der Offenlegung und der Spezifität der Ansprüche führen.
Daher könnte es hilfreich sein, bei der Portfolioentwicklung stärker darauf zu achten, wie jede Anmeldung einen echten technischen Beitrag oder Fortschritt vermittelt, anstatt sich ausschließlich auf die Anwendung von Techniken des maschinellen Lernens auf bekannte Probleme zu verlassen.
Was das Gericht in Recentive nicht festgestellt hat
Das Urteil schränkt zwar den Umfang der Patentierbarkeit von Erfindungen im Bereich des maschinellen Lernens ein, lässt jedoch auch mehrere Möglichkeiten offen. So scheinen beispielsweise nicht alle Ansprüche im Zusammenhang mit maschinellem Lernen unzulässig zu sein, und Ansprüche, die eindeutig auf technologische Verbesserungen der Funktionsweise von Techniken des maschinellen Lernens abzielen, können weiterhin patentiert werden.
Darüber hinaus zeigt diese Entscheidung, dass es möglicherweise nicht ausreicht, maschinelles Lernen einfach auf einen anderen Bereich anzuwenden, ohne einen technischen Fortschritt zu identifizieren.
Allerdings können Ansprüche, die hochentwickelte maschinelle Lernprozesse beschreiben, dennoch als zulässig angesehen werden, wenn sie mit erfinderischen technischen Elementen kombiniert sind, die zu einer bedeutenden Innovation beitragen. Beispielsweise könnte ein Anspruch, der sich auf ein System zur autonomen Fahrzeugsteuerung bezieht, allgemein das Training eines neuronalen Netzwerks zur Vorhersage optimaler Lenkwinkel auf der Grundlage von Sensordaten beschreiben.
Während das Training selbst als allgemeine Technik des maschinellen Lernens angesehen werden könnte, könnte der Anspruch als zulässig angesehen werden, wenn er ein erfinderisches technisches Element näher spezifiziert, wie beispielsweise die Integration einer neuartigen Sensorfusionsarchitektur, die eine deutlich genauere Darstellung der Fahrzeugumgebung ermöglicht und zu einer nachweislich verbesserten Sicherheit und Reaktionsfähigkeit im Vergleich zu bestehenden autonomen Systemen führt.
In diesem Fall könnte die innovative Sensorfusionsarchitektur in Kombination mit dem allgemeinen maschinellen Lernen den zusätzlichen technischen Beitrag leisten, der für die Förderfähigkeit erforderlich ist.
Solche Beobachtungen können Antragstellern nützliche Informationen liefern, wenn sie beurteilen, wie sie Ansprüche im Zusammenhang mit maschinellem Lernen künftig am besten formulieren und begründen können.
Schlussfolgerung
Die Entscheidung in der Rechtssache Recentive dient als warnendes Beispiel für Patentanwälte, die sich mit den Komplexitäten von Erfindungen im Bereich des maschinellen Lernens befassen. Sie verdeutlicht, wie eine sorgfältige Ausarbeitung, eine klare Formulierung der technischen Beiträge und detaillierte Offenlegungen dazu beitragen können, die Prüfung unter den aktuellen Rahmenbedingungen für die Patentierbarkeit zu bestehen.
In dieser Hinsicht können Praktiker und Patentanmelder davon profitieren, ihre Strategien an diese sich weiterentwickelnden Standards anzupassen.
[1] Recentive Analytics, Inc. gegen Fox Corp. et al., Berufung Nr. 2023-2437 (Fed. Cir. 18. April 2025).
[2] Alice Corp. Pty. Ltd. gegen CLS Bank Int’l, 573 U.S. 208 (2014).
