AI PATENT WATCH / COLLECTION EXAMPLE
毎週更新するAI特許情報と、競合AI技術の分析例
Yabuki Intelligenceは、MAGMAGのAI特許ウォッチで米国AI関連特許を毎週収集し、技術課題と請求項１の要約を蓄積しています。集積DBを週次で更新し、その蓄積から指定した競合企業のAI関連技術を抽出・比較します。
掲載中のDBの付与日期間とExcel更新時刻は下欄に表示します。各社の抽出結果は、使用したDBと照合条件に基づくものです。
We collect AI-related US patents through the MAGMAG patent watch and update the cumulative database weekly. Explore technical problems and claim 1 summaries, then see how selected competitors can be compared. This collection does not cover every US AI patent.
掲載中の集積DB
データを読み込んでいます / Loading…
集積Excelをダウンロード / Download Excel
要約はAI生成を含みます。未入力の項目もあります。内容や権利範囲は、リンク先の特許原文で確認してください。Excelには英語の請求項１なども含まれます。 / Summaries may include AI-generated text. Verify all findings against the patent documents.
集積DBの検索
COMPETITOR AI INTELLIGENCE
指定した競合のAI関連技術を、集積DBから読み解く。
毎週更新するMAGMAGのAI関連特許集積DBから、指定した競合企業に関連する特許を抽出し、技術課題と請求項１の内容を企業別に整理します。企業ごとの主要CPCやAI技術テーマ、最近の特許を比較し、どのような技術開発に関する権利化の動きが見られるかを把握する材料として提供します。
半導体企業「XXXX社」を想定した例では、Samsung、Micron、Dell、Sandiskを指定しています。対象企業とその表記ゆれを検索条件に設定し、企業別明細と比較表をExcelにまとめます。特定企業からの受託実績を示すものではありません。
Extract AI-related patent candidates for selected competitors from the weekly MAGMAG collection, and compare technical problems, claim 1 summaries and AI themes. This example is for a hypothetical semiconductor company, XXXX.
| 照合先 | 抽出候補件数 | 見本内の最新付与日 | 主要AIテーマ（元集計の抜粋） |
|---|---|---|---|
| Samsung | 91 | 2026/10/20 | 機械学習・ニューラルネットワーク (69)、AIメモリ・ストレージ (35)、AI推論・高速化 (17) |
| Micron | 16 | 2026/10/06 | 機械学習・ニューラルネットワーク (14)、AIメモリ・ストレージ (14)、AI推論・高速化 (7) |
| Dell | 83 | 2026/10/20 | AIメモリ・ストレージ (56)、機械学習・ニューラルネットワーク (46)、生成AI・LLM (17) |
| Sandisk | 0 | — | — |
見本の読み方
この成果物には2026年10月20日付与の特許まで含まれます。件数は集積DBと企業名照合条件に依存する候補件数で、各社のAI特許全体の件数ではありません。テーマの件数は重複を含み、テーマや戦略的特徴は分析上の整理であって、企業が公表した計画を意味しません。
Dellの83件には、出願人「CONSIGLIO NAZIONALE DELLE RICERCHE」の１件が含まれています。企業名の部分一致による混入の可能性があり、出願人確認が必要です。Samsungの集計にはSamsung SDSなどの表記も含まれます。元の成果物の件数・明細は変更せず、照合結果の見本として掲載しています。
Sandiskの０件は、このDBと検索条件で抽出候補がなかったことを示します。同社がAI関連特許を保有していないことを示すものではありません。
成果物の主なシート
- 競合AI比較
- 企業別の抽出件数、最初・最新の付与日、主要CPC、主要AIテーマ、戦略的特徴、直近特許・技術課題を比較します。
- Samsung／Micron／Dell／Sandisk
- 企業名の照合条件に合致した候補特許の明細です。付与日、特許番号、出願人、名称、CPC、技術課題、日本語の請求項１要約、英語の請求項１を確認できます。
- 検索条件
- 企業ごとの検索Alias、実際に一致した出願人表記、抽出件数を確認できます。誤一致や表記ゆれの点検にも用います。
ブラウザーでシート見本を確認
競合AI比較：シート見本
冒頭最大６データ行・主要列の抜粋です。長文は省略表示しています。全件・全文はExcelでご確認ください。
| 競合企業 | AI特許件数 | 最初の付与日 | 最新の付与日 | 主要CPC | 主要AIテーマ | 戦略的特徴 | 直近AI特許 |
|---|---|---|---|---|---|---|---|
| Samsung | 91 | 2026/03/10 | 2026/10/20 | G06N (81)、G06F (50)、G06T (27)、G06V (21) | 機械学習・ニューラルネットワーク (69)、AIメモリ・ストレージ (35)、AI推論・高速化 (17) | 機械学習・ニューラルネットワークを中心に、AIメモリ・ストレージ、AI推論・高速化へもAI特許を展開している。単一テーマではなく複数のAI技術領域を組み合わせた研究開発・権利化を進めていることがうかがえる。 | US12771620: Method and electronic device for managing machine learning services in a wireless communication netw… |
| Micron | 16 | 2026/04/28 | 2026/10/06 | G06N (13)、G06F (10)、G11C (5)、H04N (3) | 機械学習・ニューラルネットワーク (14)、AIメモリ・ストレージ (14)、AI推論・高速化 (7) | 機械学習・ニューラルネットワークを中心に、AIメモリ・ストレージ、AI推論・高速化へもAI特許を展開している。単一テーマではなく複数のAI技術領域を組み合わせた研究開発・権利化を進めていることがうかがえる。 | US12755804: Apparatuses and methods for read data preconditioning using a neural network |
| Dell | 83 | 2026/03/10 | 2026/10/20 | G06F (69)、G06N (49)、H04L (34)、G06Q (22) | AIメモリ・ストレージ (56)、機械学習・ニューラルネットワーク (46)、生成AI・LLM (17) | AIメモリ・ストレージを中心に、機械学習・ニューラルネットワーク、生成AI・LLMへもAI特許を展開している。単一テーマではなく複数のAI技術領域を組み合わせた研究開発・権利化を進めていることがうかがえる。 | US12771617: Multi-criteria reinforcement learning-based admission control in private networks |
| Sandisk | 0 | — | — | — | — | MAGMAG累積DB内に該当AI特許なし | — |
Samsung：シート見本
冒頭最大６データ行・主要列の抜粋です。長文は省略表示しています。全件・全文はExcelでご確認ください。
| grant_date | patent_number | assignee | title | cpc | problem_jp | claim1_japanese_summary |
|---|---|---|---|---|---|---|
| 2026/03/10 | US12572129 | SAMSUNG ELECTRONICS CO., LTD. | Lithography model generating method based on deep learning, and mask manufacturing method including the lithography model generating method | G03F, G06F, G06V, G06N, G05B | 本発明が解決しようとする技術課題は、マスク製造に用いられるリソグラフィモデルにおいて、マスクバイアス変動やプロセス変動を十分に反映できず、モデルの信頼性や精度が不十分である点にある。従来の深層学習に基づくリソグラフィモデル生成方法では、マスクバイアス変動を適切に学習データに取り込めておらず、その結果、クリティカルディメンション（CD）の予測誤差が大きくなり、モデル性能が低下している。このため、光学近接補正（OPC）やプロセス近接補正（PPC）の精度が損なわれ、半導体デバイス製… | クレーム1は、深層学習に基づくリソグラフィモデルの生成方法であり、学習用の基本画像データを準備し、マスクバイアス変動を示す変換画像データを準備することを特徴とする。次に、基本画像データと変換画像データを組み合わせて深層学習を行いリソグラフィモデルを生成し、そのモデルの検証を行う。ここで、変換画像データは基本画像データから変換されており、プロセス変動を示す画像データであることが明示されている。 |
| 2026/03/10 | US12572779 | SAMSUNG ELECTRONICS CO., LTD. | Interface neural network | G06N, H04N, G07C, E21B, B60R, H01J, F02D | 本発明が解決しようとする技術課題は、複数のニューラルネットワーク間でのスムーズな連携を実現することが困難である点にある。特に、各ニューラルネットワークが異なる入力・出力のモダリティや次元、特徴を持つ場合において、一方のニューラルネットワークの出力特徴を他方のニューラルネットワークの入力特徴に適切に変換する手段が従来技術には十分に存在しない。このため、ニューラルネットワークの置換や新規接続時に信号の種類や形式の整合性を保つことが難しく、システムの柔軟性や適応性、拡張性が制限され… | クレーム1は、インターフェースニューラルネットワークの動作方法に関し、第一のニューラルネットワークの出力層からの出力信号をインターフェースの入力層で受け取り、その出力信号の第一の特徴ベクトルを、パラメータに基づいて第二のニューラルネットワークの入力層に入力する第二の特徴ベクトルに変換し、インターフェースの出力層から第二のニューラルネットワークの入力層へ送信する処理を含む。また、第一のニューラルネットワークが第三のニューラルネットワークに置き換えられた場合には、第三のニューラル… |
| 2026/03/10 | US12572797 | Samsung Electronics Co., Ltd. | Electronic apparatus implementing artificial intelligence model having low resource utilization and control method thereof | H03H, G06F, G06N, H04L, H04N, G06V | 本発明が解決しようとする技術課題は、量子化された人工知能モデルを用いた電子装置において、低リソース利用下でのニューラルネットワーク計算の精度と効率を向上させることである。従来のポストトレーニング線形量子化手法は、特に8ビット以下の小さい量子化ビット幅において、層内のチャネルごとに異なるパラメータ分布に起因する精度低下や量子化誤差の増加が問題となっている。チャネル単位の量子化は精度損失を軽減するが、量子化パラメータのサイズ増大によりメインメモリからキャッシュへの読み込み時間が増… | クレーム1は、複数の層を持つ人工知能（AI）モデルを記憶するメモリ、処理を行うプロセッサ、およびプロセッサ外部にハードウェア実装されたシフタを備えた電子装置に関する。AIモデルの各層には複数のチャネルが含まれ、それぞれ異なるチャネル単位のシフトスケーリング係数に基づき重み値がスケーリングおよび量子化されている。量子化によりモデルのデータサイズが削減され、限られたリソースでの実装が可能となる。プロセッサは入力データを受けてニューラルネットワーク計算を行う際、各チャネルに対応する… |
| 2026/04/28 | US12614069 | SAMSUNG ELECTRONICS CO., LTD. | Method of optimizing neural network model that is pre-trained, method of providing a graphical user interface related to optimizing neural network model, and neural network model processing system performing the same | G06N, G06F | 本発明が解決しようとする技術課題は、事前に学習済みのニューラルネットワークモデルを効率的に最適化することに関する課題である。従来の技術では、モデルの圧縮や性能向上（例えば精度の改善や実行時間の短縮）を図る際に、元のモデル情報と圧縮後のモデル情報を効果的に比較・分析し、ユーザーがモデルの各層の特性を把握しながら設定を変更できる適切な手段が不足している。また、最適化過程におけるユーザーインターフェースや処理システムが十分に整備されておらず、ユーザーが最適化結果を視覚的に理解し、適… | クレーム1は、事前学習済みの第一のニューラルネットワークモデルの情報を受け取り、そのモデルを圧縮して第二のニューラルネットワークモデルと圧縮モデル情報を生成し、画面上に元のモデル情報と圧縮モデル情報の一部を表示する方法を示す。表示は、圧縮された複数の層の構造を示す第一のグラフィカル表示と、信号対量子化雑音電力比（SQNR）、遅延、消費電力、利用率のうち複数の指標を含むメニューをGUI上に表示し、ユーザーが指標を選択すると、その指標に基づく基準値で圧縮層をグループ化する。グルー… |
| 2026/04/28 | US12614282 | SAMSUNG ELECTRONICS CO., LTD. | Method and electronic device for generating a machine learning training dataset for shadow direction and removal | G06N, G06T | 本発明が解決しようとする技術課題は、画像における影検出および影除去のための機械学習モデルを訓練する際に必要な、大規模かつ多様で高品質な訓練データセットの取得が困難である点にある。従来のデータセットはサイズや多様性が不足しており、様々なシーンや影の種類を十分に網羅できていないため、モデルの汎化性能や性能向上が妨げられている。さらに、影あり・影なしの対応画像を作成するには多大な労力が必要であり、カメラの固定やノイズの影響により正確なピクセル対応が困難である。また、既存の手法では影… | クレーム1は、クライアント装置で実行される画像の影検出用機械学習モデルの学習データセットを生成する方法を示す。複数のシーン画像を取得し、事前学習済みの影検出モデルを用いて各画像の影マスクを取得する。取得した影マスクがクライアント装置上の影マスクデータベースに追加する基準を満たすか判定し、基準を満たす場合はその影マスクをデータベースに追加する。さらに、該当画像から影のない領域を検出し、その領域を抽出して影のないパッチのデータベースに追加する。これらの影マスクデータベースおよび影… |
| 2026/05/05 | US12619241 | Samsung Electronics Co., Ltd. | System and method for zero-shot object navigation using large language models | G05D, G06T, G06F, G06V | 本発明が解決しようとする技術課題は、未知の環境内で特定の物体を探索・ナビゲーションする際に、大規模なラベル付き視覚データによる事前学習を必要とする従来技術の制約を克服することである。従来の物体ナビゲーション手法は、ラベル付きの大規模な訓練データに依存しており、新規環境や未知の物体に対する適応性や汎用性に限界があった。このため、シーン理解モデルを用いて環境内の候補部屋や物体を予測し、事前学習済みの大規模言語モデルから得られる意味的知識を活用して、指定物体の存在確率を推定し、ラベ… | クレーム1は、複数の候補部屋と複数の候補物体を含む環境内で特定の対象物の位置を特定する方法を開示する。まず、ロボットが環境の画像と深度マップを取得し、シーン理解モデルを用いて画像内の部屋および物体を予測する。次に、これらの予測結果、深度マップ、ロボットの位置情報に基づき環境のセマンティックマップを更新する。その後、事前学習済みの大規模言語モデルに自然言語クエリとして対象物と各候補部屋を入力し、対象物が各候補部屋に存在する可能性および各候補物体の近傍にある可能性を推定する。最後… |
Micron：シート見本
冒頭最大６データ行・主要列の抜粋です。長文は省略表示しています。全件・全文はExcelでご確認ください。
| grant_date | patent_number | assignee | title | cpc | problem_jp | claim1_japanese_summary |
|---|---|---|---|---|---|---|
| 2026/04/28 | US12614061 | Micron Technology, Inc. | Pipelining spikes during memory access in spiking neural networks | G11C, G06N, H04L | 本発明が解決しようとする技術課題は、生物学的神経回路網（BNN）をモデル化したスパイキングニューラルネットワーク（SNN）の効率的なシミュレーションに関するものである。特に、人間の脳のように膨大な数のニューロンとシナプスを扱う際に、計算資源の大幅な増加とスパイク信号の高速処理が求められる点に課題がある。従来技術では、インバウンドスパイクメッセージ、シナプス接続データ、シナプスパラメータのメモリアクセスや並列処理の管理が困難であり、神経形態計算の速度や効率が制限されている。この… | クレーム1は、複数のスパイクメッセージを時間ステップごとに格納する第一メモリ部、複数のシナプス結合情報をニューロンごとに格納する第二メモリ部、各シナプス結合およびニューロンの状態を格納する第三メモリ部を備えたシステムを開示する。論理回路は、第一クロックサイクルで第一メモリ部の特定バケット内のスパイクメッセージと第二メモリ部のシナプス結合との一致を並列検索し、遅延値に基づきスパイクメッセージを優先処理する。センスアンプ配列は一致を示すビットマスクを生成し、第二クロックサイクルで… |
| 2026/05/12 | US12627726 | Micron Technology, Inc. | Edge server with deep learning accelerator and random access memory | G06F, H04N, G06N, G06K | 本発明が解決しようとする技術課題は、人工ニューラルネットワーク（ANN）を用いた深層学習アルゴリズムをコンピュータネットワークのエッジで効率的に実行することである。従来技術では、深層学習アクセラレータとメモリおよび中央処理装置を統合し、ANNの命令とサーバアプリケーションの命令を同一デバイス内で実行可能にすることが困難であった。このため、処理速度の向上や遅延の低減、自律的な動作の実現が妨げられている。また、ローカルデバイスからの入力を適切に処理し、ANNの出力に基づくネットワ… | クレーム1は、プリント回路基板上に配置されたエッジサーバ装置に関するものであり、この装置はトランシーバ、中央処理装置（CPU）、および集積回路パッケージ内に収められた集積回路デバイスを備える。集積回路デバイスには、行列演算命令を実行可能な少なくとも1つの処理ユニットを含む深層学習アクセラレータがあり、この処理ユニットは複数の行列ベクトルユニットを並列動作させる行列-行列ユニットを有する。複数のマップバンクは第1の行列オペランドのベクトルを格納し、クロスバーアレイを介して各行列… |
| 2026/05/26 | US12639561 | Micron Technology, Inc. | Wearable electronic device with built-in intelligent monitoring implemented using deep learning accelerator and random access memory | G06N, A61H, H04L | 本発明が解決しようとする技術課題は、ウェアラブル電子機器に深層学習機能を効率的に統合することである。従来のウェアラブル機器は、複雑な人工ニューラルネットワーク（ANN）計算を実行するための十分な処理能力やメモリ資源を備えておらず、リアルタイムでの高度な知能監視やデータ解析が困難であった。このため、外部の計算システムに依存することによる遅延の増大や消費電力の増加、非効率なデータの保存および通信が問題となっている。また、従来技術では、センサーデータを知能的に選択的に保存・送信する… | クレーム1は、ランダムアクセスメモリと、装着者の計測データを生成する少なくとも1つのセンサー素子を備え、計測データを人工ニューラルネットワークの入力としてランダムアクセスメモリに書き込むコントローラを含む装置に関する。さらに、行列演算を含む命令を実行可能な少なくとも1つの処理ユニットを備え、この処理ユニットは、ランダムアクセスメモリに格納された命令の自律実行をトリガーする指示と入力位置の特定に基づき、入力に応じた人工ニューラルネットワークの計算を行い、その出力に基づいて通信す… |
| 2026/06/02 | US12646536 | Micron Technology, Inc. | Memory device including 2-transistor memory cell structure for neural network | G11C, H10B, H10D, H01L | 本発明が解決しようとする技術課題は、従来のメモリデバイスを用いてニューラルネットワークを実装する際に生じる面積効率や性能の課題である。従来のメモリ構造では、ニューラルネットワークの機能を効果的に統合・動作させることが難しく、チップ面積の非効率な利用や処理速度、精度の低下を招く可能性がある。これらの制約を克服し、ニューラルネットワークの動作に適したメモリデバイスを提供することが求められている。 | クレーム1は、異なる伝導型材料からなる領域とそれに分離された電荷蓄積構造を備えた2つのトランジスタを含む第1のメモリセルと、同様の構成を持つ第1追加トランジスタおよび第2追加トランジスタを含む第2のメモリセルを備えた装置を開示する。第1のメモリセルは第1データラインに接続され、このデータライン上の電流に基づいて第1の合計値を生成し、第2のメモリセルは第2データラインに接続され、同様に第2の合計値を生成する。さらに、これら第1および第2の合計値に基づいて出力情報を提供する出力回… |
| 2026/06/09 | US12651154 | Micron Technology, Inc. | Optimized sensor fusion in deep learning accelerator with integrated random access memory | G05D, G16H, G06F, G11C, G06N, H01L | 本発明が解決しようとする技術課題は、複数のセンサーからの入力を効率的かつ最適に融合するための技術に関する。従来の人工ニューラルネットワーク（ANN）を用いたセンサーフュージョンでは、複数のセンサー入力の効果的な処理、ANNのパラメータや命令の格納および管理、さらに個別のセンサー出力およびそれらの組み合わせによる出力を生成するための行列演算の実行において課題が存在する。これらの課題は、処理速度の低下、データ処理の複雑化、センサーフュージョン結果の精度や信頼性の制約を招く可能性が… | クレーム1は、複数のセンサーからそれぞれ入力を受け取り、人工ニューラルネットワークの複数の第一部分を用いて各センサーの入力を並列に処理し、それぞれに対応する複数の第一出力を生成する方法を示す。さらに、これらの第一部分の出力とセンサーからの入力を組み合わせて処理する第二部分を用い、重複する処理を抑制しつつ第二出力を生成することを特徴とする。これにより、センサーごとの並列処理とそれらの統合処理を分担させる構成となっている。 |
| 2026/06/16 | US12657905 | Micron Technology, Inc. | System for providing enhanced vision transformer blocks for computer vision | G06F, G05D, G06T, G06V, G16H, G06N, A61B | 本発明が解決しようとする技術課題は、モバイルビジョンタスクにおける既存のビジョントランスフォーマ技術の制約にある。従来の軽量な畳み込みニューラルネットワークは空間的に局所的であり、グローバルな表現を十分に学習できない。一方で、自己注意機構を用いるビジョントランスフォーマはグローバルな表現学習を可能にするが、計算負荷が高くリソース消費が大きいため、モバイルデバイス上でのスケーラビリティや性能に制約がある。このため、計算コストやリソース消費を抑えつつ、画像分類、セグメンテーション… | クレーム1は、メモリとプロセッサを備えたシステムに関し、プロセッサがコンピュータビジョンのタスク用ニューラルネットワークに入力されるコンテンツを受け取るよう構成されている。ニューラルネットワークは局所表現ブロック、全体表現ブロック、および融合ブロックを含み、融合ブロック内で局所表現出力と全体表現出力を連結してコンテンツの局所・全体表現を生成する。さらに、融合ブロックの融合畳み込み層を用いて連結された表現に基づく融合ブロック出力を生成し、その出力を用いてニューラルネットワークの… |
Dell：シート見本
冒頭最大６データ行・主要列の抜粋です。長文は省略表示しています。全件・全文はExcelでご確認ください。
| grant_date | patent_number | assignee | title | cpc | problem_jp | claim1_japanese_summary |
|---|---|---|---|---|---|---|
| 2026/03/10 | US12572440 | Dell Products L.P. | Automatically detecting workload type-related information in storage systems using machine learning techniques | G06N, G06F, G06Q | 本発明が解決しようとする技術課題は、従来のストレージ管理技術が、ストレージシステムにおける多様なワークロードの入出力特性を十分に把握・識別できない点にある。このため、リソースの最適活用が困難となり、性能低下や非効率が生じる。具体的には、データセンターにおいてワークロードを分散させるために複数のストレージシステムを導入したり、複数のワークロードを同時にサポートするために単一のストレージシステムを過剰に購入したりすることによる資源の浪費が発生している。従来技術では、変動するワーク… | クレーム1は、少なくとも1つの記憶装置に関連する複数のワークロードタイプを指定し、それぞれのワークロードタイプに関連する性能特性を特定することから始まる。次に、記憶装置に関する複数の性能指標の履歴時系列データを取得し、その一部を性能指標の値レベルに基づいて複数のセグメントに分割する。各セグメントの性能指標の値と対応するワークロードタイプを関連付けて教師ありデータセットを生成し、これを用いて複数の勾配ブースト決定木を含む機械学習モデルを学習させる。入力データの一部をこのモデルで… |
| 2026/04/28 | US12615245 | DELL PRODUCTS L.P. | Systems and methods to orchestrate trusted enrollment | G06Q, H04L | 本発明が解決しようとする技術課題は、エンドポイントクライアント情報処理システムが指定された登録サーバに安全かつ検証可能な方法で登録（エンロール）するための信頼性の高いプロセスが従来存在しないことである。従来のエンロール手法は、スクリプトやファイル、コマンドライン引数の使用、あるいはハードコードされたサーバ情報に依存しており、これらは人的ミスを誘発しやすく、物理的および管理的なセキュリティ制御が不十分である。また、クライアントソフトウェアエージェントがエンロール情報の完全性や真… | クレーム1は、サーバがネットワークを介して受け取った登録要求に含まれる端末クライアントの識別情報、遠隔登録サーバの指定ネットワーク位置、登録要求の発信者のメールドメインおよび端末クライアントのメールドメインを用いて処理を行う方法を示す。具体的には、発信者のメールドメインを認証し、その認証済みドメインと端末クライアントのメールドメインを比較し、両者が一致する場合に限り、端末識別情報と遠隔登録サーバの位置を含む登録パッケージを作成、署名し、その署名済みパッケージをネットワーク上ま… |
| 2026/05/05 | US12619619 | Dell Products L.P. | Detecting duplicate incidents using machine learning techniques | G06N, G06F | 本発明が解決しようとする技術課題は、インシデント追跡システムにおいて重複インシデントを正確かつ効率的に検出することの困難さにある。従来の重複インシデント検出方法は、多くの場合手作業に依存しており、時間と労力を要するため非効率であり、リソースの消費が増大する。また、インシデントデータの複雑性や多様性により、既存の技術では重複を十分に認識できない場合があり、その結果として冗長な記録が発生し、効果的な問題管理や解決を妨げる。したがって、インシデント情報を効果的に処理・比較し、自動か… | クレーム1は、少なくとも1件のインシデントに関する情報をインシデントデータベースから取得し、その情報の一部を多段階の機械学習パイプラインの第1段階でトランスフォーマーベースの機械学習モデルにより処理して、意味的かつ文脈的情報を含むインシデントの要約を生成することを特徴とする。第1段階のモデルは注意機構を用いて情報の文脈的関係を学習し、第2段階では別の機械学習モデルがこの要約から固定サイズの埋め込みベクトルを生成する。次に、この埋め込みとデータベース内の複数の追加インシデントの… |
| 2026/05/05 | US12619915 | Dell Products, L.P. | Machine learning pipeline automation | G06N, G06F | 本発明が解決しようとする技術課題は、機械学習モデルの開発が複雑かつ多大なリソースを要する点にある。特に、機械学習ノートブックのような開発環境で作成されたコードを、高性能かつ信頼性の高い本番用機械学習パイプラインへ効率的に移行することが困難であることが挙げられる。従来は、ノートブック内の処理を自動的に抽出・ラベリングし、パイプラインの各段階に割り当ててオーケストレーションする仕組みが不足しており、これにより機械学習モデルの運用化や生産環境への展開が非効率かつ信頼性に欠ける問題が… | クレーム1は、少なくとも1つのプロセッサを備えた装置により、機械学習ノートブック群の各ノートブックデータ構造について反復的に再学習を行い、機械学習パイプラインを生成する方法を示す。具体的には、各セル内のコード行を解析し、含まれるメソッドをライブラリ固有のメソッドかユーザー作成メソッドに分類し、ライブラリ固有メソッドに基づいてセルにラベルを付与する。次に、ラベル付けされたセルを基に機械学習パイプラインの各段階に割り当ててパイプラインを生成し、そのパイプラインをテストして成功また… |
| 2026/05/05 | US12620299 | Dell Products L.P. | Server failure prediction using machine learning | G06N, G06F, G05B, H04L, G08B | 本発明が解決しようとする技術課題は、従来のサーバーやその他システムの監視プラットフォームが主にリアクティブであり、障害や性能劣化が発生した後に管理者や技術担当者に通知が届くため、事前の対応が困難である点にある。このリアクティブな監視方式では、通知が遅れることで障害の予防や軽減の機会が失われる。また、従来の監視機構は誤警報を発生させやすく、検出された運用データが短時間で変動するため、通知を受けた時点で既に対応が困難な場合がある。したがって、運用データを分析してサーバーの障害を事… | クレーム1は、複数のサーバに対応する運用データを収集し、そのデータに含まれる少なくとも1つの指標の複数の値を取得することから始まる。次に、時系列予測の機械学習アルゴリズムを用いて、その指標の将来の複数の値を予測する。予測された将来値のうち、指定された期間にわたる値のグループ（サブセット）を、あらかじめ設定された閾値と比較し、そのサブセットが閾値に関連する条件（閾値を満たすまたは超えるデータパターン）を満たすかどうかを判定する。条件を満たした場合には、サーバの運用に関するアラー… |
| 2026/05/12 | US12627433 | Dell Products, L.P. | Artificial intelligence model delivery via radio control plane | H04L, H04W | 本発明が解決しようとする技術課題は、無線アクセスネットワークにおいて、ユーザ機器へ人工知能（AI）機械学習モデルを効率的に配信する際に、制御情報と大容量のAIモデルデータとで異なる信頼性および遅延要件を適切に管理することである。従来の無線通信システムでは、高信頼性かつ低遅延が求められる制御チャネル情報と、より高速な伝送が望まれるが信頼性が多少低くても許容される大容量のAIモデル情報を同時に送信することが困難であった。また、通信効率を向上させるために、送信データの一部に対して選… | クレーム1は、ユーザ機器が無線アクセスネットワークノードから制御チャネル情報と人工知能モデル情報を含む制御チャネルメッセージを受信し、制御チャネル情報を第1の復号形式で、人工知能モデル情報を第2の復号形式で復号することを特徴とする。受信メッセージには第2の符号化形式を示すフォーマット指示が含まれ、ユーザ機器はこれに基づき学習済み人工知能モデルを更新し、更新モデルに従って無線機能を動作させる。メッセージは制御チャネル情報用の第1部分と人工知能モデル情報用の第2部分に分かれ、第2… |
Sandisk：シート見本
冒頭最大６データ行・主要列の抜粋です。長文は省略表示しています。全件・全文はExcelでご確認ください。
今回のDB・検索条件では抽出候補がありません。
検索条件：シート見本
冒頭最大６データ行・主要列の抜粋です。長文は省略表示しています。全件・全文はExcelでご確認ください。
| 競合企業 | 検索Alias | MAGMAG内で一致したAssignee | 抽出件数 |
|---|---|---|---|
| Samsung | samsung | samsung electronics | SAMSUNG ELECTRONICS CO., LTD. | SAMSUNG ELETRÔNICA DA AMAZÔNIA LTDA. | SAMSUNG SDS CO., LTD. | Samsung Electronics Co., Ltd. | 91 |
| Micron | micron | micron technology | Micron Technology, Inc. | 16 |
| Dell | dell | dell products | dell technologies | CONSIGLIO NAZIONALE DELLE RICERCHE | DELL PRODUCTS L.P. | Dell Products L.P. | Dell Products LP | Dell Products, L.P. | 83 |
| Sandisk | sandisk | san disk | sandisk technologies | — | 0 |