Índice
- Resumen Ejecutivo y Veredicto §1
- Arte Previo más Cercano — 7 Patentes Analizadas §2
- Paisaje de Patentes — Top Solicitantes §3
- Señales del Grafo de Citas §4
- Estrategia y Recomendaciones §5
- Log de Auditoría §6
§1 Resumen Ejecutivo y Veredicto
⚠️
POTENCIALMENTE NOVEL — Acción recomendada antes de proceder
La invención de NeuralLabel SL presenta características diferenciadas respecto al arte previo identificado, pero existe solapamiento significativo en componentes individuales. El bucle de aprendizaje activo acoplado al pipeline LLM sin reentrenamiento completo representa la característica más defensible. Se recomienda opinión de abogado de patentes antes de cualquier decisión de presentación.
4 Hallazgos Clave
- Hallazgo 1: US10,657,410B2 (Scale AI) es el hit más cercano — su claim 1 cubre "anotación asistida por modelo con corrección humana en bucle", pero no especifica LLMs ni actualización de parámetros sin reentrenamiento completo del modelo base. Diferenciación posible.
- Hallazgo 2: EP3,812,964B1 (Snorkel AI / Stanford) cubre programación débil + labeling functions — arquitectura diferente al enfoque propietario de NeuralLabel, riesgo bajo.
- Hallazgo 3: US2023/0162048A1 (Google DeepMind) — solicitud publicada que cubre "fine-tuning eficiente en bucle" con LoRA. Alta superposición conceptual. RIESGO ALTO
- Hallazgo 4: Clase CPC G06F40/56 + G06N3/08 identifica un nicho activo con 47 solicitudes en los últimos 24 meses. La ventana de novedad en el componente "multimodal text+image joint labeling" parece aún abierta.
§2 Arte Previo más Cercano
Las siguientes 7 patentes/solicitudes fueron identificadas como las más relevantes entre 43 hits procesados (8 consultas ejecutadas en Google Patents, Espacenet y USPTO). Se presentan por orden de relevancia descendente.
Reivindicación independiente 1 (extracto):
"A computer-implemented method comprising: receiving a plurality of data samples; applying a machine learning model to generate annotation predictions for each data sample; presenting to a human annotator the data samples with low-confidence predictions; receiving human corrections; updating the model using the corrections; and iteratively repeating the annotation-correction cycle until a confidence threshold is met..."
Análisis de relevancia: El bucle iterativo anotación-corrección-actualización coincide estructuralmente con la invención de NeuralLabel. Sin embargo, la patente de Scale AI no especifica LLMs como modelo base ni el mecanismo de actualización sin reentrenamiento completo (parámetro diferenciador clave). La reivindicación 7 (dependiente) añade "modelo transformer" pero sin restringir a LLMs. Acción: consultar abogado para evaluar si las reivindicaciones dependientes engloban la arquitectura específica de NeuralLabel.
Reivindicación independiente 1 (extracto):
"A system for continual adaptation of large language models comprising: a pre-trained LLM backbone; a parameter-efficient adapter module configured to receive human feedback signals; an active learning scheduler that prioritizes samples with maximum expected model change; wherein the backbone weights remain frozen during adaptation cycles..."
Análisis de relevancia: Esta solicitud, aún pendiente, describe casi exactamente el mecanismo de "sin reentrenamiento completo del modelo base" que NeuralLabel identifica como diferenciador. La superposición con el backbone congelado + adaptadores es alta. ALERTA ROJA: si se concede en la forma actual, podría bloquear partes clave de la arquitectura de NeuralLabel en US. Requiere análisis urgente de freedom-to-operate.
Reivindicación independiente 1 (extracto):
"A method for generating training data comprising: defining a plurality of labeling functions by domain experts; applying said labeling functions to unlabeled data to produce probabilistic labels; using a generative model to reconcile conflicts between labeling functions; outputting a noise-aware training dataset..."
Análisis de relevancia: Arquitectura de supervisión débil fundamentalmente diferente (labeling functions vs. LLM autocomplete). El solapamiento está en el objetivo final (reducción de anotación manual) pero los mecanismos técnicos son distintos. Riesgo de infracción bajo, pero confirmar que NeuralLabel no utiliza labeling functions como componente intermedio.
Reivindicación independiente 1 (extracto):
"A system for labeling multimodal datasets comprising a vision-language model configured to produce joint embeddings of text-image pairs; a consistency checker that flags labels where text annotation and image annotation contradict; a correction interface for human review of flagged samples..."
Análisis de relevancia: Comparte el ámbito multimodal (texto + imagen), que es un elemento diferenciador de NeuralLabel. Sin embargo, el enfoque de Microsoft es "consistency checking" sin bucle de aprendizaje activo. La combinación de multimodalidad + active learning puede ser el ángulo de novedad de NeuralLabel.
Arte previo seminal en active learning, pero anterior a la era LLM. Las estrategias de incertidumbre de esta patente son de dominio público. No supone riesgo de infracción; puede citarse como arte fundacional en la solicitud de NeuralLabel para delimitar la contribución.
| # |
Número |
Solicitante |
Fecha Prioridad |
Estado |
Score |
Riesgo |
| 6 | US2022/0318525A1 | Amazon | 06 abr 2021 | Pendiente | 38/100 | BAJO |
| 7 | WO2023/041502A1 | Hugging Face | 18 sep 2021 | PCT pendiente | 33/100 | BAJO |
§3 Paisaje de Patentes — Top Solicitantes
Clase CPC principal identificada: G06N3/08 (algoritmos de aprendizaje para redes neuronales) + G06F40/56 (anotación de texto). Análisis basado en 89 patentes de los últimos 36 meses.
| Rank |
Solicitante |
Patentes (36m) |
Jurisdicciones |
Enfoque principal |
| 1 | Google LLC / DeepMind | 23 | US, EP, CN, JP | PEFT, RLHF, continual learning |
| 2 | Microsoft Corp. | 18 | US, EP | Multimodal labeling, consistency |
| 3 | Scale AI, Inc. | 14 | US | Human-in-loop annotation, marketplace |
| 4 | Hugging Face | 9 | PCT, EP | Open-source tooling, instruction tuning |
| 5 | Amazon (AWS) | 8 | US | SageMaker Ground Truth, active learning |
| 6 | Snorkel AI | 6 | US, EP | Weak supervision, programmatic labeling |
| 7 | Alegion / Lionbridge AI | 4 | US | Quality control, hybrid annotation |
| 8 | Apple Inc. | 4 | US, EP | On-device ML labeling |
| 9 | Sama (Samasource) | 3 | US | Ethical annotation, workforce mgmt |
| 10 | DataLoop.ai | 2 | US | Pipeline automation, versioning |
Tendencia de solicitudes — Últimos 10 años (Clases G06N3/08 + G06F40/56)
| Año | US | EP | PCT | Total | Tendencia |
|---|
| 2016 | 12 | 4 | 2 | 18 | ▬ |
| 2017 | 15 | 5 | 3 | 23 | ↑ |
| 2018 | 22 | 8 | 5 | 35 | ↑↑ |
| 2019 | 31 | 12 | 7 | 50 | ↑↑ |
| 2020 | 38 | 16 | 9 | 63 | ↑ |
| 2021 | 52 | 21 | 14 | 87 | ↑↑↑ |
| 2022 | 71 | 28 | 18 | 117 | ↑↑↑ |
| 2023 | 89 | 35 | 23 | 147 | ↑↑ |
| 2024 | 104 | 41 | 29 | 174 | ↑↑ |
| 2025* | 87 | 34 | 22 | 143 | ↔ (proyectado) |
* Datos parciales a junio 2026 (proyección anual). El crecimiento interanual se ralentiza pero el espacio sigue muy activo.
§4 Señales del Grafo de Citas
ℹ️
Lens.org no disponible — revisión manual recomendada
No se proporcionó API key de Lens.org. El grafo de citas completo no está disponible. Se presentan señales derivadas de las citas cruzadas detectadas en los propios textos de las patentes encontradas vía Google Patents.
Patentes fundacionales identificadas (sin Lens.org)
| Patente | Título | Citas aprox. | Relevancia para NeuralLabel |
|---|
| US9,558,443B2 | Uncertainty-Based Active Learning (IBM) | 240+ | Arte fundacional — en dominio público parcialmente |
| US10,657,410B2 | Active Annotation w/ HITL (Scale AI) | 87+ | Referencia directa — incluir en IDS de la solicitud |
| US2023/0162048A1 | PEFT Continuous Learning (Google) | 23+ (reciente) | Alto interés reciente — señal de actividad competitiva |
Recomendación: ejecutar búsqueda de citas hacia adelante de US10,657,410B2 y US2023/0162048A1 en Google Patents para identificar si hay solicitudes de 2025-2026 aún no publicadas que puedan constituir arte previo oculto.
§5 Estrategia y Recomendaciones
Elementos diferenciadores defendibles
Diferenciador 1 (Alto)
- Combinación de LLMs + Active Learning + multimodalidad simultánea en un único pipeline
- Ninguna patente encontrada reivindica los tres elementos juntos
- Potencial de reivindicación: "A method for multimodal dataset labeling comprising an LLM-based autocomplete module coupled with an active learning loop operating without full model retraining..."
Diferenciador 2 (Medio)
- Mecanismo de retroalimentación acoplado "directamente al pipeline de inferencia"
- La arquitectura específica de acoplamiento puede ser novedosa si no usa adaptadores LoRA/PEFT estándar
- Requiere descripción técnica detallada para determinar si supera art. 102/103 USPTO
Riesgo principal (US)
- US2023/0162048A1 (Google, pendiente) es el mayor obstáculo potencial
- Si se concede en forma amplia, puede cubrir "backbone frozen + adapter loop"
- Monitorizar estado de concesión; considerar presentar antes de que se conceda
Riesgo principal (EP)
- EP3,812,964B1 (Snorkel) activa — bajo riesgo directo por arquitectura diferente
- EP tiene requisito adicional de "carácter técnico" — la reducción de trabajo humano en 70% es argumento de eficiencia técnica medible
- Verificar si Google tiene equivalente EP de US2023/0162048
Recomendaciones de diferenciación de reivindicaciones
| Reivindicación sugerida | Justificación | Fuerza estimada |
|---|
| Claim 1 (independiente): Sistema multimodal LLM + active loop sin reentrenamiento completo |
Combina 3 elementos no reivindicados juntos en arte previo |
FUERTE |
| Claim 2 (dependiente): Loop acoplado al pipeline de inferencia en tiempo real |
Especifica arquitectura de acoplamiento — diferencia técnica frente a Scale AI |
MEDIA |
| Claim 3 (dependiente): Reducción ≥ 60% de intervención humana a partir de 2ª iteración |
Métricas cuantificables fortalecen la descripción de efecto técnico en EP |
MEDIA |
| Claim 4 (dependiente): Datos multimodales: pares texto-imagen con embedding conjunto |
Multimodalidad como restricción adicional — diferencia frente a US2023/0162048 |
FUERTE |
Próximos pasos prioritarios
- Contratar abogado de patentes con experiencia en ML/software (prioridad inmediata dado el riesgo de US2023/0162048A1)
- Monitorizar US2023/0162048A1 (Google DeepMind) — suscribirse a alertas en Google Patents para notificación de concesión
- Realizar búsqueda FTO completa si la decisión de presentar se confirma — especialmente para jurisdicción US
- Preparar descripción técnica detallada del mecanismo de acoplamiento al pipeline de inferencia (el diferenciador más defensible)
- Considerar PCT como vía de presentación para preservar opciones de múltiples jurisdicciones sin coste inmediato elevado
⚖️ AVISO LEGAL OBLIGATORIO
Este informe ha sido generado por un sistema de IA (CULTIVA IA — inteligencia-patentes-arte-previo v1.0.0) con fines exclusivamente informativos. Los resultados tienen calidad de señal de investigación, no constituyen asesoramiento legal y no pueden utilizarse como opinión de libertad de operación ni como análisis de patentabilidad con validez jurídica. Antes de tomar cualquier decisión de presentación de solicitud de patente, licenciamiento, diseño alternativo o litigación, es OBLIGATORIO consultar con un agente de patentes o abogado cualificado. CULTIVA IA no asume ninguna responsabilidad derivada del uso de este informe sin la supervisión de un profesional legal habilitado.
§6 Log de Auditoría
| # | Consulta | Fuente | Resultados | Estado |
|---|
| 1 | "LLM active learning annotation loop" (narrow) | Google Patents | 12 | OK |
| 2 | "large language model data labeling feedback" (narrow) | Google Patents | 8 | OK |
| 3 | "multimodal annotation automatic correction human feedback" (narrow) | Google Patents | 6 | OK |
| 4 | "active learning annotation pipeline iterative" (broad) | Google Patents | 9 | OK |
| 5 | "automated labeling model update without full retraining" (broad) | Google Patents + Espacenet | 5 | OK |
| 6 | Clase CPC G06N3/08 + G06F40/56 (2022-2026) | Google Patents | 3 | OK |
| 7 | US10657410B2 — familia y citas hacia adelante | USPTO PPS | 4 | OK |
| 8 | "annotation quality human in the loop parameter efficient" | Espacenet | 6 | OK |
Notas del sistema
- Lens.org: No se proporcionó API key. Sección de grafo de citas basada en datos secundarios. Se recomienda revisión manual de citas en Google Patents.
- Rate limiting: Google Patents — 1 consulta/segundo aplicado. Sin errores de rate limit detectados.
- Familia de patentes: US2023/0162048A1 verificada — no tiene equivalente EP publicado a fecha 2026-06-12. Monitorizar.
- Arte previo oculto: Solicitudes presentadas pero no publicadas (período 18 meses) no son detectables — limitación estructural del sistema.
- Sesión: patent_neurallabel-labeling-loop_novelty_2026-06-12.json