Patent Protection for Artificial Intelligence (AI) based Innovations in India Chadha & Chadha Intellectual Property Law Firm www.lexology.com
Inteligência artificial (IA), aprendizado de máquina (ML) e aprendizado profundo (DL) evoluíram rapidamente de chavões para a espinha dorsal da transformação tecnológica da Índia. De diagnósticos médicos baseados em IA que revolucionam a saúde a sistemas agrícolas inteligentes que otimizam o rendimento das colheitas, essas tecnologias estão remodelando todos os setores da economia indiana. Esse aumento posicionou a Índia como a quinta maior jurisdição global para registros de patentes de IA, com mais de 86.000[1] Patentes relacionadas à IA registradas entre 2010 e 2025, representando mais de 25% de todas as patentes de tecnologia no país. No entanto, garantir a proteção de patentes para inovações de IA/ML/DL apresenta um conjunto único de desafios que vão muito além das categorias tradicionais de patentes.
As patentes concedem direitos exclusivos apenas quando uma invenção satisfaz os requisitos legais de patenteabilidade, sendo novidade, atividade inventiva e aplicação industrial. Para invenções de IA/ML/DL, há outra consideração crítica que historicamente criou barreiras significativas para os inovadores. De acordo com a Seção 3 (k) da Lei de Patentes da Índia de 1970 (doravante denominada "a Lei"), os métodos matemáticos, algoritmos, métodos de negócios e programas de computador "per se" estão excluídos da patenteabilidade. Essa exclusão representa o desafio mais formidável para os pedidos de patentes de AI/ML/DL na Índia.
Como as tecnologias de IA/ML/DL são fundamentalmente baseadas em modelos matemáticos, algoritmos de aprendizado, modelos estatísticos e métodos computacionais, os pedidos de patente devem transcender descrições algorítmicas abstratas e demonstrar efeitos técnicos concretos por meio de implementações específicas que interagem com hardware, sistemas ou processos do mundo real. O desafio sempre foi determinar onde existe a linha entre algoritmos abstratos excluídos e inovações técnicas patenteáveis.
O Escritório do Controlador Geral de Patentes, Desenhos e Marcas (CGPDTM) publicou as Diretrizes para Exame de Invenções Relacionadas a Computadores (CRIs), 2025 (doravante denominadas Diretrizes CRI 2025) em 29 de julho de 2025, marcando um momento transformador para a inovação em IA na Índia. Essas diretrizes servem como o novo padrão de exame para pedidos de patentes envolvendo inteligência artificial, aprendizado de máquina, aprendizado profundo e tecnologias emergentes relacionadas, mudando fundamentalmente a forma como essas invenções são avaliadas quanto à patenteabilidade. As diretrizes codificam o foco judicial em "efeito técnico", "avanço técnico" ou "contribuição técnica" como os principais critérios para superar as exclusões da Seção 3 (k). Para invenções de IA/ML/DL, isso significa que o foco muda de se uma invenção envolve algoritmos para se ela produz melhorias ou soluções técnicas concretas implementáveis.
As Diretrizes do CRI 2025 afirmam explicitamente que a mera presença de um programa de computador em uma reivindicação não o torna automaticamente inelegível se o objeto demonstrar um avanço técnico genuíno. Isso representa uma mudança monumental em relação à abordagem mecânica anterior, que muitas vezes rejeitava as invenções de IA com base apenas em sua natureza algorítmica. As diretrizes estabelecem que ideias abstratas, incluindo fórmulas matemáticas e construções teóricas de IA/ML/DL, permanecem não patenteáveis devido à sua falta de aplicação prática. A patenteabilidade surge quando as inovações de AI/ML/DL transformam com sucesso esses princípios abstratos em aplicações tangíveis do mundo real que demonstram efeitos técnicos concretos. As Diretrizes CRI 2025 também estabelecem distinções claras entre diferentes categorias de invenções relacionadas à IA. As invenções geradas por IA, criadas de forma autônoma com intervenção humana mínima, são explicitamente não patenteáveis, uma vez que a inteligência artificial não pode satisfazer o requisito de ser o "verdadeiro e primeiro inventor" sob a Seção 6 da Lei. No entanto, as invenções assistidas por IA, em que as ferramentas de IA apoiam inventores humanos, não são categoricamente excluídas e podem alcançar a patenteabilidade se atenderem aos critérios padrão e demonstrarem efeitos técnicos.
Estrutura de divulgação abrangente
As diretrizes fornecem requisitos claros de divulgação projetados especificamente para invenções de AI/ML/DL, ou seja, o detalhe técnico deve permitir a reprodução da invenção reivindicada sem experimentação indevida por uma pessoa qualificada na área. As especificações de patentes agora devem fornecer descrições abrangentes da natureza e características dos dados de treinamento, arquiteturas e topologias de redes neurais, tipos de algoritmos e técnicas de otimização e métricas de desempenho com evidências concretas de validação.
No que respeita aos dados de formação, o requerente deve apresentar uma identificação explícita da natureza dos dados, uma correlação clara entre as características dos dados e o problema técnico resolvido e provas quantificadas da qualidade dos dados. Para a arquitetura do modelo, são necessárias descrições abrangentes da topologia da rede neural, explicações detalhadas do algoritmo e fundamentos matemáticos subjacentes a novas abordagens. Para requisitos de pré-processamento, deve ser fornecida documentação explícita de todas as etapas do pipeline de dados, correlação clara entre entrada bruta e dados de aprendizado processados e detalhes suficientes que permitam a reprodução de algoritmos de pré-processamento. Para implementações de aprendizado por reforço, especificações detalhadas de interações agente-ambiente, descrições abrangentes de estados e espaços de ação, definições explícitas de funções de recompensa e mecanismos de aprendizado de políticas são obrigatórios. Para a divulgação de novos algoritmos, são necessárias formulações matemáticas completas, documentação de etapas computacionais e detalhes de inovação algorítmica com benchmarking em relação às linhas de base estabelecidas.
As diretrizes oferecem vários exemplos para demonstrar como as invenções de IA/ML/DL podem alcançar a patenteabilidade por meio de divulgação técnica adequada e demonstração de efeitos técnicos. Alguns deles são os seguintes:
Aplicações de saúde: Metodologia de reconhecimento facial
Considere uma invenção para melhorar a precisão do reconhecimento facial para idosos nas aplicações de saúde e segurança. Nesse cenário, um modelo de reconhecimento facial é treinado em um conjunto de dados diversificado de indivíduos com idade entre 65 e 90 anos, com várias características de envelhecimento, como rugas e pele solta, bem como oclusões comuns. O conjunto de dados também leva em conta variações na iluminação, poses e acessórios, como óculos.
Para implementação técnica, a invenção utiliza uma arquitetura FaceNet modificada, um modelo de rede neural convolucional profunda pré-treinado aprimorado com uma perda de incorporação sensível à idade. A invenção demonstra patenteabilidade ao alcançar X% de precisão de reconhecimento para idosos individualmente em comparação com Y% (X>Y) para um modelo de linha de base treinado em um conjunto de dados geral. A invenção, portanto, fornece identificação confiável de pessoas em ambientes de cuidados a idosos, reduz falsos negativos no monitoramento de segurança e permite a detecção automatizada de quedas e rastreamento de eventos de saúde.
Para suficiência, o candidato deve divulgar características do conjunto de dados, arquitetura de rede neural (FaceNet Variant) e comparação quantitativa com modelos de linha de base que mostram melhoria material. O requerente também deve fornecer uma explicação sobre por que os conjuntos de dados faciais genéricos não seriam suficientes para o requisito e como as características específicas do conjunto de dados afetam o desempenho do modelo.
Aplicações Industriais: Manutenção Preditiva
Considere uma invenção para prever falhas de turbinas eólicas por meio de dados multivariados de sensores de séries temporais. Nesse cenário, as redes neurais LSTM (Long Short-Term Memory) processam dados de sensores de séries temporais. Os dados, incluindo vibração medida, temperatura e velocidade, coletados em determinados intervalos de tempo. A entrada fornecida são os registros do sensor das turbinas, que incluem dados como velocidade do vento, direção e potência.
Para implementação técnica, a invenção emprega arquiteturas LSTM para dados de sensores de séries temporais, algoritmos de pré-processamento que filtram o ruído ambiental enquanto preservam padrões de sinal indicativo de falha, abordagens de aprendizado que incorporam padrões de falha de várias turbinas. A invenção gera previsões de falhas para máquinas industriais.
Para suficiência, o requerente deve divulgar as especificações da arquitetura LSTM, metodologias de pré-processamento de sensores, incluindo metodologias de rotulagem de dados, e métricas de desempenho quantitativo comparando a abordagem multivariada com sistemas tradicionais baseados em limites. O requerente também pode explicar por que o monitoramento convencional de sensor único não seria suficiente e como a integração de dados de sensores multivariados de séries temporais afeta a precisão da previsão de falhas.
Aplicações Agrícolas: Revolução da Agricultura de Precisão
Considere uma invenção para classificar os tipos de culturas usando imagens de satélite e aprendizado profundo. Nesse cenário, os dados brutos de satélite passam por vários estágios de pré-processamento antes da classificação. O pipeline de pré-processamento aplica algoritmos de correção atmosférica usando Sen2Cor para normalizar variações ambientais, calcula o Índice de Vegetação por Diferença Normalizada (NDVI) para melhorar as assinaturas de vegetação e executa a segmentação de imagem com base em índices de vegetação e filtros de textura. As imagens processadas são então classificadas usando uma CNN (EfficientNet) treinada em parcelas rotuladas com anotações de tipo de cultura, onde a correlação entre dados brutos e dados de aprendizado processados afeta diretamente o desempenho da classificação.
Para implementação técnica, a invenção emprega uma arquitetura CNN (EfficientNet) com parâmetros de implementação específicos e suas inter-relações divulgadas, pipelines de pré-processamento que incluem correção atmosférica (algoritmo Sen2Cor), metodologias de cálculo NDVI e lógica de segmentação baseada em índices de vegetação e análise de textura. Os estágios de pré-processamento se correlacionam com o modelo final, transformando dados brutos de satélite em dados de aprendizado processados otimizados para classificação de tipo de cultura. O conjunto de dados de treinamento engloba gráficos rotulados com características definidas relevantes para os desafios de pré-processamento, com metodologia de rotulagem específica e volume divulgado. A invenção demonstra patenteabilidade ao alcançar X% de precisão de classificação, com o pré-processamento contribuindo para um aumento de desempenho de Y% em comparação com o uso de imagens brutas.
Para suficiência, o requerente deve divulgar o pipeline de pré-processamento passo a passo, incluindo correção atmosférica (nomeando o algoritmo Sen2Cor), cálculo de NDVI e lógica de segmentação. O requerente deve também divulgar os diferentes parâmetros de execução e a sua inter-relação utilizados na estrutura do modelo CNN (EfficientNet), as características do conjunto de dados de formação que são relevantes para os desafios de pré-processamento, incluindo a metodologia de rotulagem e o volume. O candidato também pode fornecer uma explicação clara de como os dados pré-processados melhoram o desempenho da classificação em relação às imagens brutas, juntamente com um benchmark de desempenho comparativo que mostra o efeito material do pré-processamento na precisão da classificação.
Sistema de tradução
Uma invenção relacionada a um sistema/método para traduzir prescrições médicas manuscritas em registros médicos eletrônicos estruturados usando aprendizado profundo, compreende um sistema de rede neural onde a entrada é uma imagem digitalizada de uma prescrição médica manuscrita e a saída é um formato digital estruturado, como um objeto JSON contendo instruções para o paciente, nomes de medicamentos e dosagens; no qual uma CNN (por exemplo, ResNet) é usada para extrair características dos pixels da imagem; um decodificador sequência-a-sequência baseado em Transformer mapeia embeddings da imagem para texto; e o pré-processamento inclui binarização da imagem, filtragem de ruído e normalização de tamanho. Os dados de treinamento da invenção incluem 1 milhão de prescrições rotuladas e anotadas por farmacêuticos, e os resultados de validação mostram alta A invenção reivindicada automatiza a digitalização de prescrições manuscritas complexas e frequentemente ilegíveis, reduz erros de transcrição humana e garante segurança de prescrições e melhora a velocidade de processamento nos fluxos de trabalho clínicos
Conclusão
As Diretrizes CRI 2025 marcam um momento transformador para a proteção de patentes de AI/ML/DL na Índia. Ao estabelecer estruturas claras de efeitos técnicos, requisitos abrangentes de divulgação e metodologias de exame sistemático, essas diretrizes fornecem o roteiro de que a comunidade indiana de patentes precisa há muito tempo. A ênfase na substância sobre a forma, a contribuição técnica sobre a classificação algorítmica e o impacto no mundo real sobre o avanço teórico alinham as práticas de exame de patentes da Índia com as realidades de inovação da IA.
O sucesso neste novo cenário requer abraçar a mensagem fundamental das diretrizes: as invenções de AI/ML/DL alcançam a patenteabilidade não evitando sua natureza algorítmica, mas demonstrando contribuições técnicas genuínas que resolvem problemas do mundo real. As diretrizes fornecem a estrutura, mas o desafio agora está em usá-la de forma eficaz para garantir proteção significativa para inovações de IA que moldarão o futuro tecnológico da Índia.
https://ipindia.gov.in/uploads/_Draft%20-and-Annexure_CRI_Guidelines_2025_v2.pdf
Nenhum comentário:
Postar um comentário