| 開催日 | 2026年11月26日(木) |
|---|---|
| 開催地 | 東京都 |
☆豊富な演習と共に学ぶ‘特許情報分析・IPランドスケープ×生成AI活用’の最前線！
☆本セミナーでは、演習実施にあたり‘各自PCのご持参’をお願いしております。
※会場に通信環境(Wi-Fi)がございます。(開催日が近づきましたら、詳細をご連絡いたします。)
【テーマ名】
特許情報分析＆IPランドスケープ×生成AI 実践ワークショップ
～チャットLLMでどこまでできるか。目的設定・母集団・分類設計・提案までを手を動かして確かめる～
～「"速くなっただけ"で終わらせないための工程設計と品質基準」／「AIに任せる工程、人が確定する工程」～
【講師】
LeXi/Vent
代表取締役
上村 侑太郎 氏
※希望者は講師との名刺交換が可能です。
【学歴】
2011年～2015年 九州工業大学 生命情報工学科 卒業
2015年～2017年 九州工業大学大学院 学際情報工学専攻 卒業
【主な職歴】
2017年～2022年 JNC株式会社でデータサイエンス業務、知的財産アナリスト業務
2022年～2025年 大手化学メーカーで知的財産アナリスト・新規事業創出業務
2023年 LeXi/Ventを設立
現在に至る
【専門および得意な分野・研究】
・データ分析
・化学
【開催日時(東京会場)】
2026年11月26日(木) 12:30-16:30
【実施会場】
[東京・大井町]きゅりあん 4階研修室
https://johokiko.co.jp/access/kyurian/
【受講料】
●会場受講：1名46,200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35,200円
※詳細な内容やお申込み要領等は、下段「セミナーホームページを見る」をご参照ください。
【セミナーの内容】
■講座のポイント
生成AIによって特許情報分析は確かに速くなった。しかし、速くなっただけなのか。本講座は、目的設定・ヒアリングから母集団形成、読解、特許分類の設計と付与、提案までの各工程について、GPTをどこまで使い、どこで人が確定させるのかを、実際に手を動かしながら確かめる演習中心の構成である。題材はパワー半導体とフィジカルAI。受講者は冒頭で自分の分析目的と注目観点を自ら設定し、それを最後の演習まで持ち回るため、全員が同じデータを使いながら異なる検索式・分類軸・結論に到達する。扱う範囲はGPTの標準機能で再現できるものに限定し、翌日から自分の業務に戻せる工程設計と品質基準を持ち帰っていただく。
■受講後、習得できること
・特許情報分析の各工程について、生成AIに任せる範囲と人が判断を確定させる範囲を、リスクに応じて自ら線引きできるようになる
・曖昧な依頼や研究者へのヒアリングから、調査目的を1文で定義し、論点として構造化できるようになる
・検索式の壁打ちに加え、「母集団から外した領域」を疑う手順を実行し、取りこぼしを検証できるようになる
・自社独自の特許分類を設計し、定義書を書き、生成AIによる付与結果のばらつきを検証・改善できるようになる
・分析結果をファクトで終わらせず、示唆と提案に変換し、AIを反論役として自らの結論を検証できるようになる
・工程ごとの完了条件を定義し、品質を最後の確認ではなく各工程で作り込む設計ができるようになる
■本テーマ関連法規・ガイドラインなど
・特許庁「IPランドスケープ実践のためのガイドブック」
・経済産業省・総務省「AI事業者ガイドライン」
・文化庁「AIと著作権に関する考え方について」（著作権法第30条の4を含む）
・経済産業省「営業秘密管理指針」（生成AIへの自社情報入力の取扱い）
・特許庁「AI関連技術に関する特許審査事例」
■講演中のキーワード
・特許情報分析
・生成AI・ChatGPT活用
・IPランドスケープ
・プロンプトエンジニアリング
・特許分類設計／パテントマップ
■プログラム項目
1. 生成AIの基礎と、特許情報分析の現在地
1.1 生成AIの基本構造と、できること・できないこと
1.2 ハルシネーションの正体と、業務利用上の注意点
1.3 生成AIが得意な分析領域（記述的・診断的・予測的・処方的）
2. 特許情報分析における生成AI活用ツールの整理
2.1 汎用LLMと特許系サービスの使い分け
2.2 チャット型 特許RAG-LLMという選択肢
2.3 無料プランでできること／有料プランで広がること
2.4 本講座の演習環境と配布データの確認
3. 目的設定とヒアリングの工程【演習1・2】
3.1 【演習1】自分の分析目的と注目観点を決める
3.2 論点・課題の可視化 ― 発散はAI、収束は人間
3.3 ヒアリングという工程 ― 依頼者は最初から言語化できていない
3.4 【デモ】ヒアリングの場で回るRAGループ
3.5 【演習2】GPTを研究者役に立てたヒアリング・ロールプレイ
4. 調査設計・母集団形成の工程【演習3】
4.1 検索式作成へのGPT活用と、その検証方法
4.2 母集団を「確定するもの」から「疑えるもの」へ
4.3 【演習3】検索式の壁打ちと"除外仮説リスト"の作成
5. プレ分析と一次文献の読解【演習4・5】
5.1 【演習4】配布データからのマクロ把握と一次所見の作成
5.2 一次文献を複数の視点で同時に読む
5.3 【演習5】公報1件を4視点で読み解く
5.4 AIに判定させない ― 進歩性・充足/非充足の線引き
6. 特許分類の設計・付与・検証【演習6】
6.1 既存分類の限界と、自社分類が必要になる場面
6.2 【演習6-A】分類軸を3案つくり、目的に沿って1案を選ぶ
6.3 分類定義書を書く ― 定義と判定基準がなければ付与はブレる
6.4 【演習6-B】GPTによる分類付与と、付与結果の検証
6.5 プロンプトではなく定義を疑う ― 再付与による改善
7. 示唆と提案への接続【演習7】
7.1 ファクト・示唆・提案の違いと、比較の設計
7.2 【演習7】自分の目的に答えるサマリーの作成
7.3 AIを反論役に置いた叩き直し／相互講評
8. プロンプトエンジニアリング
8.1 構造化された出力とFew-shotプロンプティング
8.2 「一気に出力」が品質を壊す ― 段階分けの考え方
8.3 RAGによる情報の補強
9. 分析の「質」と工程ごとの品質設計【演習8】
9.1 「質が高い」とは何か ― 特許情報分析における6つの層
9.2 「一括丸投げ」による品質悪化と、AI-in-the-Loop
9.3 品質は工程で作り込む ― 完了条件の定義
9.4 タスクの分解とリスク評価（高・中・低）
9.5 【演習8】自分の担当業務をリスク表・完了条件表に落とす
10. 企業事例、今後の展望とまとめ
10.1 企業事例に見る導入プロセスと組織展開
10.2 生成AI技術の今後（長文処理・エージェント型・マルチモーダル）
10.3 明日から実行する原則／質疑応答
