Sneak peak degli investitori: questo strumento di IA può individuare la scienza che porterà ai brevetti?

Gli investitori e gli uffici di trasferimento tecnologico si rivolgono sempre più all'intelligenza artificiale per identificare ricerche scientifiche promettenti che potrebbero portare a brevetti. Un nuovo strumento di apprendimento automatico, noto come Translation Readiness Index (TRI), mira a prevedere quali articoli scientifici hanno maggiori probabilità di risultare in brevetti, mesi o addirittura anni prima che si verifichi qualsiasi deposito o commercializzazione formale di brevetto. Sviluppato dai ricercatori della società di analisi dei dati League of Scholars a Sydney, in Australia, lo strumento analizza il linguaggio utilizzato nel titolo e nell'abstract di un documento per determinare quanto assomigli alle precedenti pubblicazioni che sono state successivamente associate a brevetti.

Il sistema TRI è stato addestrato su un set di dati composto da 20.610 articoli scientifici, di cui 9.431 erano stati collegati a brevetti. Confrontando il vocabolario e la formulazione di questi articoli, l'algoritmo identifica modelli comunemente riscontrati nella ricerca brevettabile. Il modello più efficace all'interno del sistema ha raggiunto un tasso di accuratezza del 78%, il che significa che ha classificato correttamente i documenti collegati a brevetti più alti di quelli non collegati a brevetti rispetto a documenti in situazione simile. Ciò suggerisce che alcune caratteristiche linguistiche, come termini come prototipo, dispositivo, e design, sono spesso utilizzati nella ricerca che alla fine porta a brevetti.

Paul McCarthy, co-fondatore della League of Scholars e co-autore dello studio, ha descritto lo strumento come un mezzo di triaging della ricerca. Ha sottolineato che mentre il TRI fornisce una valutazione probabilistica piuttosto che una previsione definitiva, offre un valido punto di partenza per identificare il lavoro potenzialmente brevettabile. Lo strumento non valuta i dati sperimentali effettivi o i risultati contenuti all'interno di un documento, concentrandosi invece sul linguaggio utilizzato per descrivere i risultati. Per convalidare l'efficacia del TRI, i ricercatori hanno esaminato i primi 100 articoli classificati dallo strumento tra i lavori scritti da ricercatori dell'Università dell'Australia Occidentale (UWA).

Questi articoli, pubblicati tra il 2019 e il 2026, hanno mostrato una probabilità significativamente più alta di presentare coautori affiliati all'industria o di coinvolgere autori con precedente esperienza di brevetto. In particolare, 83 dei 100 articoli avevano coautori affiliati all'industria e 34 includevano almeno un autore affiliato all'UWA che aveva precedentemente depositato un brevetto. Sulla base di questi risultati, il team sta attualmente collaborando con diverse università per perfezionare ulteriormente e implementare lo strumento.

Ben Miles, co-fondatore di Empirical Ventures, una società di investimento basata a Londra, vede il valore nell'utilizzo di TRI come un segnale esterno per il processo decisionale. Egli ritiene che potrebbe aiutare gli accademici e i finanziatori a determinare quali progetti richiedono un supporto aggiuntivo prima di raggiungere una fase adatta per l'interesse degli investitori. Nonostante la sua promessa, McCarthy osserva che la capacità di misurare con precisione la redditività commerciale rimane intrinsecamente incerta.

Le tecnologie brevettabili non si traducono sempre in prodotti redditizi, e quindi qualsiasi strumento predittivo deve tenere conto di questa limitazione. Tuttavia, la crescente domanda di metodi efficienti per identificare la ricerca commercialmente rilevante continua a guidare l'innovazione in questo spazio.

Con la revisione manuale che si rivela impraticabile dato il volume, strumenti come Haystack stanno diventando essenziali per identificare le scoperte che potrebbero evolversi in attività redditizie.