[논문]특허 동향 분석을 통한 언어 모델 기반 생성형 인공지능 발전 방향 연구

김대희; 이종현; 김범석; 양진홍

doi:10.17661/jkiiect.2023.16.5.279

특허 동향 분석을 통한 언어 모델 기반 생성형 인공지능 발전 방향 연구
Research on the Development Direction of Language Model-based Generative Artificial Intelligence through Patent Trend Analysis 원문보기

한국정보전자통신기술학회논문지 = Journal of Korea institute of information, electronics, and communication technology, v.16 no.5, 2023년, pp.279 - 291

김대희 (Department of Medical IT, INJE University) , 이종현 (Department of Medical IT, INJE University) , 김범석 (Department of Medical IT, INJE University) , 양진홍 (Department of Medical IT, INJE University)

초록
AI-Helper

최근 몇 년 동안 언어 모델 기반의 생성형 인공지능 기술은 눈에 띄게 발전하고 있다. 특히, 요약, 코드 작성과 같은 다양한 분야에서 활용 가능성이 증가하고 있어 큰 관심을 받고 있다. 이러한 관심의 반영으로, 생성형 인공지능 관련 특허 출원이 급격히 증가하는 추세를 보인다. 이러한 동향을 파악하고 이에 따른 전략을 수립하기 위해 미래 예측이 핵심적이다. 예측을 통해 해당 기술 분야의 미래 동향을 정확히 파악하여 더 효과적인 전략을 수립할 수 있다. 본 논문에서는 언어 모델 기반 생성형 인공지능 발전 방향을 확인하기 위해 현재까지 출원된 특허들을 분석하였다. 특히, 각 국가에서의 연구 및 발명 활동을 깊게 살펴보았으며, 연도별 및 세부 기술별 출원 동향을 중점적으로 분석하였다. 이러한 분석을 통해 핵심 특허들이 포함하고 있는 세부 기술을 이해하고, 향후 생성형 인공지능의 기술 개발 트렌드를 예측해 보고자 하였다.

Abstract ▼ AI-Helper

In recent years, language model-based generative AI technologies have made remarkable progress. In particular, it has attracted a lot of attention due to its increasing potential in various fields such as summarization and code writing. As a reflection of this interest, the number of patent applications related to generative AI has been increasing rapidly. In order to understand these trends and develop strategies accordingly, future forecasting is key. Predictions can be used to better understand the future trends in the field of technology and develop more effective strategies. In this paper, we analyzed patents filed to date to identify the direction of development of language model-based generative AI. In particular, we took an in-depth look at research and invention activities in each country, focusing on application trends by year and detailed technology. Through this analysis, we tried to understand the detailed technologies contained in the core patents and predict the future development trends of generative AI.

주제어

표/그림 (6)

표 표 1. 언어 모델 기반 생성형 인공지능 기술분류체계 Table 1. Language model-based generative artificial intelligence technology classification system
그림 그림 1 . 언어 모델 기반 생성형 인공지능 주요 출원국 연도별 특허 동향 및 중분류별 주요 출원국 연도별 특허 동향 Fig. 1. Language Model-Based Generative AI Patent Trends by Year for Top Filing Countries and Patent Trends by Year for Top Filing Countries by Intermediate Classification
그림 그림 2. 언어 모델 기반 생성형 인공지능 주요 출원국 별 연도별 특허 동향 Fig. 2. Language Model-Based Generative AI Patent Trends by Year by Top Filing Countries
그림 그림 3. 언어 모델 기반 생성형 인공지능 주요 출원국 내외국인 특허출원 현황 Fig. 3. Language model-based generative artificial intelligence Patent application status by domestic and foreign major filing countries
그림 그림 4. 언어 모델 기반 생성형 인공지능 주요 출원국별 기술 성장단계 Fig. 4. Language Model-Based Generative AI Technology Growth Stages by Major Filing Countries
그림 그림 5. 언어 모델 기반 생성형 인공지능 세부기술별 연도별 특허 동향 Fig. 5. Language model-based generative artificial intelligence patent trends by year by detailed technology

AI 본문요약
AI-Helper

문제 정의

결론적으로, 본 연구에서는 언어 모델 기반 생성형 인공지능 기술 분야의 특허 출원 동향을 분석하였다. 연구 결과를 통해 이 분야에서의 연구 및 기술개발 활동이 꾸준히 증가하고 있으며, 미국과 한국이 이 분야에서 주요한 역할을 하고 있음을 확인하였다.
본 논문에서는 언어 모델 기반 생성형 인공지능 분야의 특허 동향에 대한 체계적이고 다각도의 분석을 통해 향후 발전 동향을 알아본다. 이 과정에서 언어 모델 기반 생성형 인공지능의 기술 동향을 확인하며, 제시한 언어 모델 기반 생성형 인공지능의 특허 정보를 통해 해당 분야의 기술 발전 방향을 더 정확하게 예측하고자 한다.
본 논문은 생성형 인공지능 기술 관련 특허를 중심으로 언어모델 기반 생성형 인공지능 발전 방향을 예측하기 위해 각 국가별 연도별 출원 동향 및 특허기술 성장 단계별 분석, 주요 출원인 분석 및 세부기술의 연도별 동향을 조사하였다.
본 논문에서는 언어 모델 기반 생성형 인공지능 분야의 특허 동향에 대한 체계적이고 다각도의 분석을 통해 향후 발전 동향을 알아본다. 이 과정에서 언어 모델 기반 생성형 인공지능의 기술 동향을 확인하며, 제시한 언어 모델 기반 생성형 인공지능의 특허 정보를 통해 해당 분야의 기술 발전 방향을 더 정확하게 예측하고자 한다.

제안 방법

기존의 논문들의 경우 기술적인 발전을 기반으로 생성형 인공지능 기술의 발전을 분석한 반면, 본 논문의 경우 2008년부터 2023년까지의 미국, 한국, 유럽의 특허 출원 데이터를 토대로 핵심 기술의 발전 방향을 기술 분류에 맞춰 분석을 진행하였다. 이는 개별적인 기술의 내용뿐만 아니라 생성형 인공지능 기술 관련 주요 기업 및 기관들이 특허 출원을 통해 법적 권리를 확보하고자 하는 핵심 기술의 내용을 확인할 수 있었다.
이러한 세부 분류는 표 1과 같이 언어 모델 기반 생성형 인공지능 기술분류체계로 정리되었으며, 이를 통해 언어 모델 기반 생성형 인공지능의 특허 동향을 분석하였다.

대상 데이터

이를 깊게 이해하기 위해, 주요 지역에서의 특허 출원량에 초점을 맞춰 탐구하였다. 세계지적재산권기구(WIPO), 미국특허청(USPTO), 한국지식재산권청(KIPO), 그리고 유럽특허청(EPO)와 같은 대형 특허청의 광범위한 데이터베이스와 연간 통계 보고서를 활용하여, 한국, 미국, 유럽에서의 특허 출원량을 조사하였다. 이러한 탐구 방법은 이들 지역이 기술 분야에서 얼마나 중요한지 강조하며, 더욱 상세한 통계 분석을 위한 발판을 마련하였다.
이러한 탐구 방법은 이들 지역이 기술 분야에서 얼마나 중요한지 강조하며, 더욱 상세한 통계 분석을 위한 발판을 마련하였다. 언어 모델 기반 생성형 인공지능 기술 분야의 특허 분석을 위해 한국, 미국, 유럽 총 2,045건의 특허를 대상으로 통계분석을 진행하였다.

성능/효과

결론적으로, 세 국가(한국, 미국, 유럽)의 특허 기술 성장단계를 조사한 결과, 모든 국가에서 특허 출원인 수와 출원 건수가 선형적으로 증가하는 경향을 보인다. 이는 각 국가에서 언어 모델 기반 생성형 인공지능 기술에 관한 연구와 개발이 활발하게 이루어지고 있음을 의미한다.
그림 2에서 확인할 수 있는 바와 같이 언어 모델 기반 생성형 인공지능 관련주요 국가인 미국, 한국, 유럽 모두 일관되게 특허 출원이 증가하고 있음을 확인할 수 있어, 주요 핵심 기술로써 활발한 연구 및 권리 확보가 이루임을 확인할 수 있다.
연구 결과를 통해 이 분야에서의 연구 및 기술개발 활동이 꾸준히 증가하고 있으며, 미국과 한국이 이 분야에서 주요한 역할을 하고 있음을 확인하였다. 또한, 새로운 혁신적인 프로그램들의 개발과 인공지능 기술의 대중화가 가속화되면서 특허 출원 또한 증가하고 있음을 관찰할 수 있었다.
본 연구에서의 분석 결과에 따르면, 그림 5와 같이 2013년도부터 언어 모델 기반 생성형 인공지능 기술 분야에서의 전체 특허 건수는 지속적으로 상승하는 경향을 나타내고 있다.
상위 10개 다출원인에 대한 분석 시, 언어 모델기반 생성형 인공지능 기술에 대한 각 기업의 전문분야와 영향력이 다양하게 나타나고 있음이 확인되었다. 미국, 한국, 유럽, 중국의 대표 기업들이 주요 다출원인으로 등장하며, 이들 기업은 대부분 자국과 미국 시장에서 특허 활동을 진행하고 있다.
앞서 언어 모델 기반 생성형 인공지능 기술 분야의 특허 출원량 증가와 모델링 기술 분야의 특허 출원 증가 등을 볼 때, 언어 모델 기반 생성형 인공지능 기술의 중요성과 영향력이 점차 증대되고 있으며, 해당 분야의 연구개발이 적극적으로 이루어지고 있음을 확인할 수 있다. 이를 통해 본 분야의 지속적인 기술 발전과 혁신의 필요성이 강조되며, 연구자와 개발자들에게 이 분야에서의 추가적인 연구와 개발을 촉진시킬 것으로 기대된다.
언어 모델 기반 생성형 인공지능에 대한 특허 출원 동향을 분석해 보면 미국이 1,211건(53%)으로 가장 많은 특허를 출원한 국가로 나타나며 그중 대부분(812건(63%))이 내국인에 의해 이루어진 것으로 파악된다. 한국에서는 외국인과 내국인의 특허 출원 비율이 거의 동일했으며(54%：46%), 유럽에서는 비유럽인의 특허 출원이 많았다(61%：31%).
그러나 이러한 기업들의 기술 개발 역시 무시할 수 없으며, 각기 다른 분야에서의 기술 발전 가능성을 염두에 두어야 한다. 종합적으로 볼 때, 이러한 분석 결과는 각 기업이 언어 모델 기반 생성형 인공지능 기술 분야에서 어떻게 위치하고 있는지, 어떤 전략과 방향성을 가져가야 하는지에 대한 중요한 인사이트를 제공하고 있다. 이 기술 분야에서 경쟁력을 유지하고 발전시키려면 기업들은 지속적인 연구개발 투자와 다양한 기술 분야에서의 특허 활동이 필수적이라 할 수 있다.

후속연구

그림 4를 보면 유럽에서도 성장단계가 초기에는 없었지만, 특히 3구간에서 급증하였다. 그러나 출원 건수가 상대적으로 적어 지속적인 모니터링과 분석이 필요하며, 추가적인 연구개발 활동이 이루어져야 한다.
데이터 전처리 트렌드 예측을 위해 분석을 진행하며 데이터 전처리에 핵심적으로 작용하는 기술들을 살펴본 결과, 향후 데이터 전처리 파이프라인의 자동화, 데이터 품질 평가, 실시간 전처리, 그리고 윤리 및 규제 표준에 관한 기술 개발이 중요한 연구 트렌드로 부각될 것으로 도출되었다.
도전과제와 관련된 분야는 모델의 정확도와 신뢰성을 향상시키는 데 중요한 역할을 할 것이다. 또한, 환경 문제에 대한 연구는 지속 가능한 모델 개발에 기여할 것이다.
앞으로의 연구와 개발은 이러한 트렌드를 고려하여 언어 모델 기반 생성형 인공지능 기술을 발전시키고, 혁신적인 솔루션을 제공하는 데 중요한 역할을 할 것이다.
이러한 국가별 특허 출원 동향 분석을 통해, 전 세계적으로 이 기술 분야에 대한 관심과 투자가 확대되고 있음을 알 수 있다. 이는 언어 모델 기반 생성형 인공지능 기술이 가지는 상업적 및 사회적 가치를 반영하는 것으로, 이 기술의 지속적인 발전과 다양한 응용 분야로의 확산이 기대된다.
최근 연구 동향을 보면, 학습 및 최적화 방법들이 사람의 학습 방식과 유사하도록 발전하고 있으며, NAS(네트워크 아키텍처 탐색), 연합학습, 메타학습 등이 주요 연구 토픽으로 떠오르고 있다. 이러한 연구들은 모델의 학습 과정을 더욱 효율적이고 지능적으로 만들어, 언어 모델 기반 생성형 인공지능 기술의 성능과 활용도를 더욱 높일 것으로 예상된다.
앞서 언어 모델 기반 생성형 인공지능 기술 분야의 특허 출원량 증가와 모델링 기술 분야의 특허 출원 증가 등을 볼 때, 언어 모델 기반 생성형 인공지능 기술의 중요성과 영향력이 점차 증대되고 있으며, 해당 분야의 연구개발이 적극적으로 이루어지고 있음을 확인할 수 있다. 이를 통해 본 분야의 지속적인 기술 발전과 혁신의 필요성이 강조되며, 연구자와 개발자들에게 이 분야에서의 추가적인 연구와 개발을 촉진시킬 것으로 기대된다.
이에 향후 국내 AI 기반 생태계를 조성하여 해당 기술이 발전함에 따라 생겨나는 신기술에 발맞춰 특허를 출원하고 활용하면 다양한 산업에서의 응용 기술에서 글로벌 시장 선점 전략을 사용할 수 있을 것으로 예상된다.
같은 데이터에 대해 일관된 처리를 하지 않으면 모델의 예측이 불안정해질 수 있다. 추가로 신뢰성 확보는 데이터의 정확성과 일관성을 보장하며 불필요한 오류를 방지할 수 있고 사용자의 신뢰를 증진시키는 효과를 낼 것이기에 향후 중요 연구 트렌드로 선정하게 되었다.
특히 환각 문제와 편향에 대한 연구는 모델의 정확도와 신뢰성을 높이는 데 기여할 것으로 기대되며, 환경 문제에 대한 연구는 지속 가능한 모델 개발에 방향을 제시할 것으로 기대된다.

참고문헌 (32)

J. H. Yang, S. H. Yoon, "Beyond ChatGPT？Generative Into the AI era : Media.Content？Generation AI Service cases and competitiveness？Ensuring", Media_Issue_Trend(vol55)_22, Apr？2023.
E. J. Hong, "Beyond ChatGPT, the future of？Generative AI - Part 1", SAMSUNG SDS, Aug？2023.
S. Hochreiter, J. Schmidhuber, "Long Short-Term？Memory", Neural Comput, 1997.
A. Vaswani, N. Shazeer, N. Parmar, J. Uszkoreit,？L. Jones, A. N. Gomez, L. Kaiser, I. Polosukhin,？"Attention Is All You Need",？arxiv.org/abs/1706.03762, Jun 2017.
C. Zhang, S. Bengio, M. Hardt, B. Recht, O.？Vinyals, "Understanding Deep Learning Requires？Rethinking Generalization",？arxiv.org/abs/1611.03530, Nov 2016.
S. J. Lim, S. E. Lee, "Artificial intelligence？language model trends", The Journal of The？Korean Institute of Communication Sciences,？vol. 40, no. 3, pp. 42-50, 2023.
J. O. Jeong, "'Large-scale language model LLM'？growing rapidly due to expanded use of AI",？GTT KOREA, 2023.
X. Pu, M. Gao, X. Wan, "Summarization is？(Almost) Dead", arxiv.org/abs/2309.09558, Sep？2023.
H. J. Kim, "[Column] AI Hallucination, and？Language Obsession", THE AI, Aug 2023.
D. H. Kim, S. E. Yoo, B. J. Lee, H. Y. Youn,？K. T. Kim, "Data preprocessing for efficient？machine learning", Proceedings of the Korean？Society of Computer Information Conference,？2019.01a, 49-50, 2019
F. Petroni, T. Rocktaschel, P. Lewis, A. Bakhtin,？Y. Wu, A. H. Miller and S. Riedel, "Language？Models as Knowledge Bases?",？arxiv.org/abs/1909.01066, Sep 2019.
J. Wei and M. Bosma and V. Y. Zhao and K.？Guu and A. W. Yu and B. Lester and N. Du and？A. M. Dai and Q. V. Le, "Finetuned Language？Models Are Zero-Shot Learners",？arxiv.org/abs/2109.01652, Sep 2021.
Y. Liu, M. Lapata, "Text Summarization with？Pretrained Encoders", arxiv.org/abs/1908.08345,？Aug 2019.
W. X. Zhao, K. Zhou, J. Li, T. Tang, X. Wang,？Y. Hou, Y. Min, B. Zhang, J. Zhang, Z. Dong,？Y. Du, C. Yang, Y. Chen, Z. Chen, J. Jiang, R.？Ren, Y. Li, X. Tang, Z. Liu, P. Liu, J. Y. Nie, J.？R. Wen, "A Survey of Large Language Models",？arxiv.org/abs/2303.18223, Mar 2023.
S. H. Lee, "The era of AI gold rush arrives？with Chat GPT", Hi Investment & Securities,？Industry Report, Feb 2023.
T. B. Brown, B. Mann, N. Ryder, M. Subbiah, J.？Kaplan, P. Dhariwal, A. Neelakantan, P. Shyam,？G. Sastry, A. Askell, S. Agarwal, A. H. Voss, G.？Krueger, T. Henighan, R. Child, A. Ramesh, D.？M. Ziegler, J. Wu, C. Winter, C. Hesse, M.？Chen, E. Sigler, M. Litwin, S. Gray, B. Chess, J.？Clark, C. Berner, S. McCandlish, A. Radford, I.？Sutskever, D. Amodei, "Language Models are Few-Shot Learners", arxiv.org/abs/2005.14165,？May 2020
X. He, K. Zhao, X. Chu, "AutoML: A Survey of？the State-of-the-Art", arxiv.org/abs/1908.00709,？Aug 2019.
J. Devlin, M. W. Chang, K. Lee, K. Toutanova,？"BERT: Pre-training of Deep Bidirectional？Transformers for Language Understanding",？arxiv.org/abs/1810.04805, Oct 2018.
L. Friedman, S. Ahuja, D. Allen, Z. Tan, H.？Sidahmed, C. Long, J. Xie, G. Schubiner, A.？Patel, H. Lara, B. Chu, Z. Chen, M. Tiwari,？"Leveraging Large Language Models in？Conversational Recommender Systems",？arxiv.org/abs/2305.07961, May 2023.
Stanford AI Index, "AI Index Report 2023 - Artificial Intelligence Index", Stanford University？Human-Centered Artificial Intelligence, 2023.
S. S. Choi, B. R. Joo, S. J. Yeon, ""Trends and？Implications of Venture Capital Investment in？the Artificial Intelligence Industry," Electronics？and Telecommunications Research Institute, 2022.
I. Sutskever, O. Vinyals, Q. V. Le, "Sequence to？Sequence Learning with Neural Networks",？arxiv.org/abs/1409.3215, Sep 2014
M. H. Guo, T. X. Xu, J. J. Liu, Z. N. Liu, P. T.？Jiang, T. J. Mu, S. H. Zhang, R. R. Martin, M.？M. Cheng, S. M. Hu, "Attention Mechanisms in？Computer Vision: A Survey",？arxiv.org/abs/2111.07624, Nov 2021
D. Araci, "FinBERT: Financial Sentiment？Analysis with Pre-trained Language Models",？arxiv.org/abs/2307.09288, Aug 2019
H. Touvron, L. Martin, K. Stone, P. Albert, A.？Almahairi, Y. Babaei, N. Bashlykov, S. Batra, P.？Bhargava, S. Bhosale, D. Bikel, L. Blecher, C. C.？Ferrer, M. Chen, G. Cucurull, D. Esiobu, J.？Fernandes, J. Fu, W. Fu, B. Fuller, C. Gao, V.？Goswami, N. Goyal, A. Hartshorn, S. Hosseini,？R. Hou, H. Inan, M. Kardas, V. Kerkez, M.？Khabsa, I. Kloumann, A. Korenev, P. S. Koura,？M. A. Lachaux, T. Lavril, J. Lee, D. Liskovich,？Y. Lu, Y. Mao, X. Martinet, T. Mihaylov, P.？Mishra, I. Molybog, Y. Nie, r. Poulton, J.？Reizenstein, R. Rungta, K. Saladi, A. Schelten, R.？Silva, E. M. Smith, R. Subramanian, X. E. Tan,？B. Tang, R. Taylor, A. Williams, J. X. Kuan, P.？Xu, Z. Yan, I. Zarov, Y. Zhang, A. Fan, M.？Kambadur, S. Narang, A. Rodriguez, R. Stojnic,？S. Edunov, T. Scialom, "Llama 2: Open？Foundation and Fine-Tuned Chat Models",？arxiv.org/abs/2307.09288, Jul 2023.
N. Srivastava, G. Hinton, A. Krizhevsky, I.？Sutskever, R. Salakhutdinov, "Dropout: A Simple？Way to Prevent Neural Networks from？Overfitting", Journal of Machine Learning？Research 15, 1929-1958, 2014.

상세보기
C. Raffel, N. Shazeer, A. Roberts, K. Lee, S.？Narang, M. Matena, Y. Zhou, W. Li, P. J. Liu,？"Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer",？arxiv.org/abs/1910.10683, Oct 2019
P. Pathak, A. E. Eshratifar, M. Gormish, "Video？Person Re-ID: Fantastic Techniques and Where？to Find Them",？arxiv.org/abs/1912.05295, Nov 2019
NIA, "NIA, Evolution of language models (LLM)？and cloud services such as ChatGPT",？Digitalservice Issue Report, May 2023
G. H Lee, "Metaverse expansion strategy？continues, overcoming generative AI 'text？limitations' with Meta Smart Glasses", Business？Post, Oct
S. G. Han, "Limitations and issues of generative？AI, including ChatGPT, People changing？education, Aug 2023.
Y. M. Kim, "Legal Issues in Generative？Artificial Intelligence Models", Information law？27, no.1 77-112, 2023？

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증