AI 특허 명세서에 학습데이터를 얼마나 공개해야 할까?

핵심 요약
AI 명세서에는 데이터셋 이름보다 발명을 재현하는 데 필요한 데이터 특성과 처리조건이 중요합니다. EPO·USPTO 기준으로 공개할 정보와 내부 노하우를 구분합니다.

AI 특허를 준비하는 개발팀에는 두 질문이 맞물립니다. 학습 데이터와 모델 정보를 어디까지 공개해야 하는지, 무엇을 회사의 노하우로 남길지입니다. 데이터셋 이름과 모델 구조도는 준비돼 있어도 개발 중 조정한 조건과 판단 기준은 연구자들의 경험에 흩어져 있을 수 있습니다.

명세서에 필요한 정보는 보호하려는 발명에 따라 달라집니다. 기술이 작동하는 데 필요한 조건을 파악하고 청구항의 범위에 맞게 설명해야, 개발팀도 어떤 자료를 보완하고 무엇을 비밀로 관리할지 정할 수 있습니다.

같은 AI라도 설명해야 할 내용은 다릅니다

새로운 데이터 전처리가 핵심인 발명과 신경망 학습 자체를 개선한 발명은 명세서의 중심이 다릅니다. 전자는 어떤 데이터를 어떤 기준으로 바꾸는지, 후자는 학습 구조와 목적함수·갱신 과정이 어떻게 달라지는지가 중요할 수 있습니다. 명세서에는 발명의 차이가 있는 부분을 중심으로 구체적인 구현 방법을 설명해야 합니다.

데이터 이름보다 필요한 특성을 설명합니다

예를 들어 결함 검출 기술에서 데이터의 라벨 기준이나 결함 크기 분포가 효과를 좌우한다면, 단순히 제품 이미지를 학습한다고 쓰는 것만으로 충분한지 점검해야 합니다. 필요한 것은 데이터 전체를 무조건 제출하는 것이 아니라 발명을 재현하는 데 필요한 특성·획득·가공 방법을 설명하는 일입니다. EPO의 AI 심사 지침도 기술적 효과가 특정 학습 데이터 특성에 의존할 때 그 특성의 개시를 다루고 있습니다. 해외 출원에서는 이러한 기술 설명을 바탕으로 각 출원국의 기재요건에 맞춰 명세서를 설계합니다.

EPO 심사지침이 말하는 데이터 개시의 기준

EPO 2026 심사지침 G-II 3.3.1은 AI 발명의 기술적 효과가 특정 학습 데이터의 특성에 의존한다면 그 효과를 재현하는 데 필요한 특성을 공개해야 하지만, 일반적으로 학습 데이터셋 자체를 통째로 공개할 필요는 없다고 구분합니다. 이는 비공개 데이터를 그대로 제출해야 한다는 의미도, 학습 데이터의 조건을 모두 생략해도 된다는 의미도 아닙니다.

예를 들어 가상의 반도체 표면 결함 판별 AI에서 미세 결함을 잘 찾는 것이 핵심 효과라면, ‘이미지로 모델을 학습했다’는 설명보다 결함 크기 구간, 라벨 부여 규칙, 정상·불량 표본의 불균형, 전처리와 샘플링 조건 중 무엇이 효과를 좌우하는지 검토할 필요가 있습니다. 같은 네트워크에서 ① 원래 데이터 분포, ② 결함 표본 재표집, ③ 크기 구간별 가중 학습을 비교하고, 각 구간의 재현율과 오검출률을 측정하면 명세서에 포함할 기술적 원인과 실시예의 범위를 구체화할 수 있습니다. 이는 INTLAW가 제안하는 가상 실험 설계이며 특정 공보나 실제 고객 실험결과가 아닙니다.

미국의 MPEP 2164(35 U.S.C. §112(a))도 해당 기술분야의 통상의 기술자가 과도한 실험 없이 청구된 범위의 발명을 만들고 사용할 수 있는 설명을 요구합니다. 따라서 ‘어느 모델을 썼는지’만이 아니라 변경 가능한 데이터 조건과 유지돼야 하는 처리관계, 대안 구현에서 효과가 성립하는 근거를 발명 단위로 남기는 것이 유용합니다.

넓게 쓰려면 대안의 작동 이유도 남겨야 합니다

청구항에는 여러 모델을 포괄하는 표현을 쓰면서 명세서에는 한 모델에서만 가능한 동작을 설명했다면 범위와 근거가 어긋날 수 있습니다. 모델을 바꾸어도 유지되는 입력·출력 관계, 학습 과정과 기술적 효과를 설명하고 필요한 대안을 구체화해야 합니다. 모델 이름을 길게 나열하는 것보다 어떤 조건에서 서로 대체할 수 있는지 밝히는 편이 발명의 구조를 이해하는 데 도움이 됩니다.

출원 전에 점검할 세 가지

개발팀과는 첫째, 성능 차이를 만드는 기술요소가 무엇인지, 둘째, 이를 재현하려면 어떤 정보가 필요한지, 셋째, 공개하지 않고 유지할 노하우가 무엇인지 논의합니다. 특허로 독점하려는 핵심은 충분히 설명하면서 운영상 세부 노하우는 따로 관리할 수 있는지 검토하는 것입니다. 인트로는 이러한 질문을 입력·전처리·모델·추론·결과 활용의 실제 처리 흐름에 맞춰 검토합니다.

공식 심사지침을 출원 명세서의 질문으로 바꾸기

EPO Guidelines G-II, 3.3.1은 AI 기술의 구체적인 기술적 적용과 기술적 효과를 검토할 것을 요구합니다. 미국에서는 MPEP §2164의 실시가능성 검토와 함께, 통상의 기술자가 청구범위의 발명을 과도한 실험 없이 실시할 수 있는지 확인해야 합니다.

명세서 항목	실제 연구기록에서 필요한 근거
데이터 특성	표본 형성조건, 결측·노이즈, 클래스 불균형, 라벨 기준
기술적 구성	전처리·특징추출·학습·추론의 필수 단계와 순서
효과 증거	비교군, 동일 조건의 검증 데이터, 실패 조건과 재현성

예컨대 반도체 결함 검출 모델의 성능 개선이 특정 조명 조건과 결함 라벨 재정의에 의존한다면, 단순히 ‘CNN 기반 이미지 분류’라고만 쓰는 것은 개발에서 해결한 기술적 문제를 충분히 드러내지 못합니다. 어떤 조건이 필수인지 확인해야 명세서 공개범위와 영업비밀 유지범위를 동시에 설계할 수 있습니다.

인트로 인사이트

명세서의 설명은 보호하려는 범위를 뒷받침해야 합니다. 개발자료를 청구항의 각 구성에 연결하면 핵심 동작을 설명하기에 부족한 부분을 찾을 수 있습니다. 같은 원리로 작동하는 대안은 구현 방법과 작동 이유를 함께 남깁니다. 공개할 내용과 내부에서 관리할 노하우도 이처럼 발명을 중심으로 판단해야 합니다.