3.3.1 Intelligence artificielle et apprentissage automatique 

L'intelligence artificielle et l'apprentissage automatique se fondent sur des modèles de calcul et sur des algorithmes utilisés à des fins de classification, de partitionnement, de régression et de réduction de la dimensionnalité. On peut citer par exemple les réseaux neuronaux, les algorithmes génétiques, les machines à vecteurs de support, les k-moyennes, la régression par noyau et l'analyse discriminante. Ces modèles de calcul et algorithmes sont, en tant que tels, de nature mathématiquement abstraite, indépendamment de la question de savoir s'ils peuvent être "entraînés" à partir de données d'entraînement. Par conséquent, les orientations fournies au point G‑II, 3.3 s'appliquent aussi de manière générale à de tels modèles de calcul et algorithmes.

Les termes tels que "machine à vecteur de support", "moteur de raisonnement" ou "réseau neuronal" peuvent, selon le contexte, désigner simplement des modèles abstraits ou des algorithmes, et n'impliquent donc pas nécessairement, à eux seuls, l'utilisation d'un moyen technique. Il convient d'en tenir compte lorsqu'il s'agit de déterminer si l'objet revendiqué, considéré dans son ensemble, présente un caractère technique (art. 52(1), (2) et (3)).

L'intelligence artificielle et l'apprentissage automatique sont appliqués dans divers domaines techniques. Par exemple, l'utilisation d'un réseau neuronal dans un appareil de surveillance cardiaque pour détecter des battements irréguliers apporte une contribution technique. Parmi d'autres applications techniques typiques d'un algorithme de classification, on peut mentionner la classification d'images numériques, de vidéos et de signaux audio ou vocaux sur la base de caractéristiques bas niveau (par exemple les contours ou les attributs des pixels pour les images). Une liste d'exemples supplémentaires de finalités techniques pouvant faire intervenir l'intelligence artificielle ou l'apprentissage automatique figure au point G‑II, 3.3.

En revanche, la classification de documents textuels sur la seule base de leur contenu textuel ne peut pas être considérée en soi comme ayant une finalité technique ; elle a plutôt une finalité linguistique (T 1358/09). La classification de données abstraites ou même de données de réseau de télécommunications, sans la moindre indication relative à une utilisation technique de la classification obtenue n'a pas non plus une finalité technique en soi, même si l'algorithme de classification peut être considéré comme ayant des propriétés mathématiques intéressantes telles que la robustesse (T 1784/06).

Lorsqu'une méthode de classification répond à une finalité technique, les étapes consistant à générer les données d'entraînement et à entraîner le classificateur peuvent également contribuer au caractère technique de l'invention dans la mesure où ces étapes concourent à répondre à cette finalité technique.

L'effet technique qu'un algorithme d'apprentissage automatique produit peut être aisément identifié ou établi au moyen d'explications, de preuves mathématiques, de données expérimentales ou autres. Bien que de simples allégations ne soient pas suffisantes, il n'est pas non plus nécessaire d'apporter des preuves détaillées. Si l'effet technique dépend de caractéristiques particulières de l'ensemble de données d'entraînement utilisé, ces caractéristiques qui sont nécessaires à la reproduction de l'effet technique doivent être exposées, à moins que l'homme du métier puisse les déterminer sans effort excessif à l'aide des connaissances générales. Cependant, en général, il n'est pas nécessaire d'exposer l'ensemble de données d'entraînement spécifique lui-même (cf. également F‑III, 3 et G‑VII, 5.2).