……Zoomオンライン受講
……見逃し視聴選択可
★生成AIは使用できても、見落としや漏洩リスクが心配・精度が出ない・回答が正しいのか検証できない・判断がつかない等々、活用に不安を抱えている・実践的に使いこなせていない、とお考えの方に！
★実測に基づく検索精度向上のポイントや評価基盤の構築など、AIエージェント・RAG等を用いAIを本当に有効活用するための実際の方策や、社内導入に向けた段階的ロードマップを示します！
講師
アジア特許情報研究会 知財情報解析グループ グループリーダー
ソフィア・リサーチラボ 代表 安藤 俊幸 氏
＊ご略歴：
1985年 花王（株）入社、情報事業関連の研究開発に従事。
2000年頃から知財関係。
2011年 アジア特許情報研究会所属。
2025年 ソフィア・リサーチラボ設立。
＊ご専門および得意な分野・研究：
知財情報解析、テキストマイニング、機械学習、AI
＊本テーマ関連のご活動：
2015年よりJapio YEAR BOOKに毎年寄稿
情報科学技術協会(INFOSTA)、人工知能学会、データサイエンティスト協会 各会員
＜その他関連商品＞
特許・知財・契約・パテントマップ 一覧はこちら
日時・受講料・お申込みフォーム
●日時：2026年11月11日(水) 10:30-16:30 ＊途中、お昼休みや小休憩を挟みます。
●受講料：
【オンライン受講（見逃し視聴なし）】：1名 50,600円(税込（消費税10％）、資料付)
＊1社2名以上同時申込の場合、1名につき39,600円
【オンライン受講（見逃し視聴あり）】：1名 56,100円(税込（消費税10％）、資料付)
＊1社2名以上同時申込の場合、1名につき45,100円
＊「見逃し視聴あり」でお申込の場合、当日のご参加が難しい方も後日セミナー動画の視聴が可能です。
各種割引について
＊5名以上でのお申込の場合、更なる割引制度もございます。
ご希望の方は、以下より別途お問い合わせ・お申込みください。
req@*********（*********にはjohokiko.co.jpを入れてください）
＊学校法人割引：学生、教員のご参加は受講料50％割引。→「セミナー申込要領・手順」を確認ください。
お申込みはこちらから
商品コード：AD2611L5
配布資料・講師への質問など
●配布資料はPDFなどのデータで配布いたします。ダウンロード方法などはメールでご案内いたします。
・配布資料に関するご案内は、開催1週前～前日を目安にご連絡いたします。
・準備の都合上、開催1営業日前の12:00までにお申込みをお願いいたします。
（土、日、祝日は営業日としてカウントしません。）
・セミナー資料の再配布は対応できかねます。必ず期限内にダウンロードください。
●当日、可能な範囲でご質問にお答えします。（全ての質問にお答えできない可能性もございます。何卒ご了承ください。）
●ご受講に際しご質問・要望などございましたら、下記メールアドレス宛にお問い合わせください。
req@*********（*********にはjohokiko.co.jpを入れてください）
オンラインセミナーご受講に関する各種案内（必ずご確認の上、お申込みください。）
※メールアドレスの記載誤りについては、以下へご連絡お願いいたします。
req@*********（*********にはjohokiko.co.jpを入れてください）
→Skype／Teams／LINEなど別のミーティングアプリが起動していると、Zoomで音声が聞こえない、カメラ・マイクが使えないなどの事象が起きる可能性がございます。お手数ですが、これらのアプリは閉じた状態にてZoomにご参加ください。
→音声が聞こえない場合の対処例
→一部のブラウザは音声が聞こえないなどの不具合が起きる可能性があります。
対応ブラウザをご確認の上、必ず事前のテストミーティング をお願いします。
（iOSやAndroidOS ご利用の場合は、アプリインストールが必須となります）
→見逃し視聴について、 こちらから問題なく視聴できるかご確認ください。（テスト視聴動画へ）パスワード「123456」
＜見逃し視聴ご案内の流れ・配信期間詳細＞
セミナーポイント
生成AIの急速な普及により、特許調査や明細書読解の現場にもAI活用の期待が一気に高まっている。一方で、実際に導入を検討した企業からは「ベクトル検索を導入したが、期待したほど精度が出ない」「AIの回答が正しいのか検証できない」「未公開の発明提案書を外部サービスに入力してよいのか判断がつかない」といった声が相次いでいる。特許調査は、見落としが事業リスクに直結する業務であり、“それらしい答え”を返すだけの仕組みでは実務に載らない。
問題の所在は、多くの場合、生成（LLM）の側ではなく検索の側にある。誤った、あるいは網羅性を欠いた検索結果の上にいくら高性能なLLMを重ねても、調査の信頼性は確保できない。
本セミナーでは、日本語特許を対象とした大規模な検索実験（特許庁公開データによる自己完結型コーパス、審査官引用に基づく正解データ、CPUのみで動作するオフライン構成まで含む）で得られた実測結果をもとに、(1)特許業務のどの工程にAIを使うべきか、(2)RAG検索の精度は何によって決まるのか、(3)効果を証明するための評価基盤をどう自前で作るか、(4)機密性を担保するローカルLLM／AIエージェントをどう設計するか、を一日かけて体系的に解説する。うまくいった手法だけでなく、期待に反して効かなかった手法（負の結果）も併せて提示することで、投資すべき箇所と投資してはいけない箇所を明確にする。導入判断の材料として、ツール選定基準・PoC設計・段階的ロードマップまで持ち帰っていただくことを狙いとする。
○受講対象：
・企業知財部において、先行技術調査・無効資料調査・侵害予防調査（FTO）・SDIに携わっている方
・研究開発部門で、自ら先行技術調査や技術動向調査を行っている研究者・技術者
・特許事務所の調査担当者・弁理士で、調査業務へのAI導入を検討している方
○受講後、習得できること：
・AIエージェント・RAG・ローカルLLM・ファインチューニングの違いと、特許業務における適用範囲の切り分け
・特許文書がRAGにとって難しい理由（長文・階層構造・上位概念表現）と、その構造に合わせた設計の考え方
・特許RAGシステムの全体アーキテクチャと、各構成要素の選択基準
・キーワード検索（BM25）と密検索（ベクトル検索）の実力差、および日本語特許での使い分けの指針
・ハイブリッド検索の設計方法と、調査目的（無効資料調査／出願前調査）に応じた重み設定の考え方
・分類コード（FI・Fターム・IPC）の正しい使い方と、事前フィルタとして使ってはいけない理由
・商用データベースに依存せず、公開データのみから検索用特徴語を生成する手法
・検索精度を評価するための正解データの作り方と、その際に必ず踏む落とし穴
セミナー内容
第1部 特許業務におけるAI活用の現在地
1.生成AIブームの整理
－ 何が実際に変わり、何が変わっていないのか
2.特許業務のどの工程にAIが効くか
（母集団形成／スクリーニング／精読／対比表作成／報告書）
3.「読む調査」から「判断する調査」へ
－ 人とAIの役割分担の再設計
4.外部AIサービス利用に立ちはだかる三つの壁
－ 機密性・ハルシネーション・再現性
5.未公開の発明提案書をクラウドに入力してよいか
－ 秘密保持と調査実務の現実的制約
6.商用データベースへの依存とコスト構造、内製との住み分け
7.本セミナーの問題提起
－ 「ベクトル検索を入れれば賢くなる」はなぜ誤りか
第2部 RAG・ローカルLLM・AIエージェントの基礎
1.用語整理
－ LLM／RAG／ファインチューニング／AIエージェントの関係
2.RAGパイプラインの全体像
（コーパス構築→索引→検索→再ランキング→生成）
3.なぜ「学習させる」のではなく「読ませる」のか
－ RAGを選ぶ理由
4.特許文書の特殊性①
：長文と階層構造（独立項・従属項・実施形態）
5.特許文書の特殊性②
：意図的に上位概念化された独自の言い回し
6.チャンク分割の設計
－ 固定長分割がなぜ失敗するか
7.請求項単位チャンクと親子チャンク（Small-to-Big）の考え方
8.メタデータ（分類・日付・出願人）の保持とトレーサビリティ確保
9.AIエージェントの構成要素
－ ツール定義・計画・反復・停止条件・人の介在点
第3部 検索精度を決める要素 ― 実測に基づく設計判断
1.疎検索（BM25）と密検索（ベクトル）の原理・得手不得手
2.【実測】日本語特許では密検索がBM25に及ばない
－ 一般論の反証とその理由
3.日本語形態素解析器の選択（MeCab／Sudachi）が精度に与える影響
4.埋め込みモデルの選定基準
－ 精度・索引構築時間・容量・応答速度のトレードオフ
5.モデル固有の作法（クエリ用プレフィックス等）を外すと精度が落ちる
6.ハイブリッド検索の設計
－ スコア線形融合と順位融合（RRF）
7.融合の重みはクエリごとではなく「調査タイプ」で決まる
（無効資料調査／出願前調査）
8.精度向上の要素①
：親子チャンク―従属項・構成要件を取り込む
9.精度向上の要素②
：分類コード（FI・Fターム）のソフトスコア融合
10.【重要】分類コードでハードフィルタしてはいけない
－ 実務の常識との衝突
11.分野を絞ると精度が上がるのはなぜか
－ フィルタ効果と母集団縮小効果の分離
12.精度向上の要素③
：自前特徴語生成―商用DBの索引語に依存しない
13.クエリ拡張（擬似関連フィードバック・同義語辞書）の効果と限界
14.積み上げの実際
－ 各要素は加法的に効くのか、天井はどこにあるのか
15.【重要】本当のボトルネックは再ランキングではなく「候補プール」
16.効かなかった手法から学ぶ
－ 細かく分ければ良くなる、という直観の落とし穴
第4部 評価基盤の自前構築 ― 「精度が上がった」を証明する
1.評価なくして改善なし
－ 感覚的な「良くなった気がする」から脱却する
2.評価指標の読み方
－ MRR／Recall@k／Success@k の意味と使い分け
3.調査目的別の主指標選択
－ 網羅性を問う調査で見るべき数字
4.正解データ（グランドトゥルース）の作り方
－ 審査官引用の活用
5.落とし穴①
：引用文献欄には拒絶理由以外の引用が混在している
6.落とし穴②
：番号正規化の失敗が大量の「偽の正解」を生む
7.過去の自社調査案件を教師データ化する方法と、その限界
8.有意差の判断とプラトー
－ 小さな改善に投資しないための基準
9.回帰評価の運用
－ 更新のたびに壊れていないかを測る仕組み
10.三位一体の構想
－ コーパス・特徴語・評価データをすべて公開データで自己完結させる
第5部 ローカルLLMとAIエージェントの構築
1.なぜローカルLLMか
－ 機密性・コスト・可用性の三点から
2.モデル候補の絞り込み手順とライセンスの一次情報確認
3.実測での選定
－ 出力形式の妥当性・分解粒度・処理速度・VRAM消費
4.「思考モード」の設定を誤ると出力が壊れる
－ モデルごとに最適点が異なる
5.極端に悪い結果はモデルの実力ではなく環境・配布物の破損を疑う
6.ハードウェア見積り
－ GPUの要否、CPUのみでどこまで実用になるか
7.三層デプロイ設計（ベンダーGPUサーバー／社内サーバー／端末オフライン可搬）
8.エージェント設計の勘所
－ 与えてよい自由度と、与えてはいけない自由度
9.反復検索（ディープリサーチ型）による候補プール拡大と、その効果測定の設計
10.構成要件分解と対比表（クレームチャート）自動ドラフト
－ 非対称設計という解
11.Human-in-the-Loopを「検証工程」ではなく「教師データ生成装置」として設計する
12.再現性・監査性をどう測るか
－ 順位一致度・判定一致度の記録
13.【デモ】オフライン・CPUのみで動作する特許検索環境の実演
第6部 導入設計と段階的ロードマップ
1.AI特許調査ツールの選定基準
（検索方式・評価の開示・機密保持・根拠提示）
2.ベンダー提示の精度値をどう読むか
－ 必ず確認すべき条件項目
3.内製・外製・併用の判断軸とコスト構造
4.PoCの設計
－ 何を測れば導入可否を判断できるか
5.スモールスタートの進め方
－ 単一工程から始める
6.社内合意形成と教育、運用ルール
（AI出力の取扱い規程）
7.段階的ロードマップの描き方
－ 半年・一年・三年の視点
8.まとめ
－ 失敗しないためのチェックリスト
＜質疑応答＞
お申込みはこちらから
