2019-007868

特願２０１８－　５３５３８「予測装置、予測方法、予測プログラム、生成装置、生成方法及び生成プログラム」拒絶査定不服審判事件〔令和　１年　９月２６日出願公開、特開２０１９－１６４７３８〕について、次のとおり審決する。

【結　論】 本件審判の請求は、成り立たない。

【理　由】 第１　手続の経緯 本願は，平成３０年３月２０日の出願であって，その手続の経緯は以下のとおりである。 平成３０年１０月２６日付け：拒絶理由通知書 平成３０年１２月２８日　　：意見書，手続補正書の提出 平成３１年　３月　５日付け：拒絶査定 令和　元年　６月１２日　　：審判請求書，手続補正書の提出 第２　令和元年６月１２日にされた手続補正についての補正の却下の決定 ［補正の却下の決定の結論］ 令和元年６月１２日にされた手続補正（以下「本件補正」という。）を却下する。 ［理由］ １　本件補正について（補正の内容） （１）本件補正後の特許請求の範囲の記載 本件補正により，特許請求の範囲の請求項１の記載は，次のとおり補正された（下線部は，補正箇所である。）。 「　第１の人材を採用する過程で得られた，当該第１の人材の特徴を示す特徴情報と，所定の企業における当該第１の人材に対する評価を示す活躍情報を含む成果情報であって，当該第１の人材が当該所定の企業に入社してからの期間のうちの複数の時期の各々の成果情報とを取得する取得部と， 前記取得部によって取得された特徴情報を訓練データの入力，前記取得部によって取得された成果情報を訓練データの出力として用いることにより生成され，前記第１の人材の特徴に関連する第２の人材に対する評価を予測する複数の予測モデルであって，前記複数の時期にそれぞれ対応する前記所定の企業における当該第２の人材に対する複数の評価をそれぞれ予測する複数の予測モデルに当該第２の人材の特徴を入力することにより，当該第２の人材の予測された評価の変化を示す情報として前記企業の採用担当者によって利用される端末装置に提供される複数の評価であって，前記複数の時期にそれぞれ対応する前記所定の企業における当該第２の人材に対する複数の評価を予測する予測部と， を備えることを特徴とする予測装置。」 （２）本件補正前の特許請求の範囲 本件補正前の，平成３０年１２月２８日にされた手続補正により補正された特許請求の範囲の請求項１の記載は次のとおりである。 「　第１の人材を採用する過程で得られた，当該第１の人材の特徴を示す特徴情報と，当該第１の人材の成果に関する成果情報であって，所定の期間のうちの複数の時期の各々の成果情報とを取得する取得部と， 前記取得部によって取得された特徴情報を訓練データの入力，前記取得部によって取得された成果情報を訓練データの出力として用いることにより生成された予測モデルであって，前記特徴に関連する第２の人材が前記複数の時期の各々に活躍する可能性を予測する予測モデルに当該第２の人材の特徴を入力することにより，当該第２の人材が前記複数の時期の各々に活躍する可能性を予測する予測部と， を備えることを特徴とする予測装置。」 ２　補正の適否 本件補正は，本件補正前の請求項１に記載された発明を特定するために必要な事項である，「…，当該第１の人材の成果に関する成果情報であって，所定の期間のうちの複数の時期の各々の成果情報とを取得する取得部」について，（ａ）「当該第１の人材の成果に関する成果情報」を「所定の企業における当該第１の人材に対する評価を示す活躍情報を含む成果情報」，（ｂ）「所定の期間」を「当該第１の人材が当該所定の企業に入社してからの期間」にそれぞれ限定することにより下位概念化するものである。 また，本件補正は，本件補正前の請求項１に記載された発明を特定するために必要な事項である，「…，前記取得部によって取得された成果情報を訓練データの出力として用いることにより生成された予測モデルであって，前記特徴に関連する第２の人材が前記複数の時期の各々に活躍する可能性を予測する予測モデルに当該第２の人材の特徴を入力することにより，当該第２の人材が前記複数の時期の各々に活躍する可能性を予測する予測部」について，（ｃ）「前記取得部によって取得された成果情報を訓練データの出力として用いることにより生成された予測モデルであって，前記特徴に関連する第２の人材が前記複数の時期の各々に活躍する可能性を予測する予測モデル」を「前記取得部によって取得された成果情報を訓練データの出力として用いることにより生成され，前記第１の人材の特徴に関連する第２の人材に対する評価を予測する複数の予測モデルであって，前記複数の時期にそれぞれ対応する前記所定の企業における当該第２の人材に対する複数の評価をそれぞれ予測する複数の予測モデル」に，（ｄ）「当該第２の人材が前記複数の時期の各々に活躍する可能性を予測する予測部」を「当該第２の人材の予測された評価の変化を示す情報として前記企業の採用担当者によって利用される端末装置に提供される複数の評価であって，前記複数の時期にそれぞれ対応する前記所定の企業における当該第２の人材に対する複数の評価を予測する予測部」にそれぞれ限定することにより下位概念化するものである。 そして，補正前の請求項１に記載された発明と補正後の請求項１に記載される発明の産業上の利用分野及び解決しようとする課題が同一であるから，本件補正は，特許法第１７条の２第５項第２号の特許請求の範囲の減縮を目的とするものに該当する。 そこで，本件補正後の請求項１に記載される発明（以下「本件補正発明」という。）が同条第６項において準用する同法第１２６条第７項の規定に適合するか（特許出願の際独立して特許を受けることができるものであるか）について，以下，検討する。 （１）本件補正発明 本件補正発明は，上記１（１）に記載したとおりのものである。 （２）引用文献に記載された事項及び引用発明 ア　引用文献１ （ア）原査定の拒絶の理由で引用された，本願の出願前に頒布された又は電気通信回線を通じて公衆に利用可能となった発明を記載した引用文献である，特表２０１７－５０４８８３号公報（平成２９年２月９日公開。以下「引用文献１」という。）には，図面とともに，次の記載がある。なお，下線は，当審において付加したものである。 「【発明を実施するための形態】 【００１０】 デジタル面接を検討するためのモデル駆動型の候補者のソートのための方法およびシステムが，説明される。以降の説明において，多くの詳細が説明される。一実施形態においては，モデル駆動型の候補者ソートツールが，ソートするためのデジタル面接データのデータセットを選択する。データセットは，(本明細書においては被面接者とも呼ばれる)面接候補者の候補者を含む。モデル駆動型の候補者ソートツールは，それぞれの面接候補者に関する候補者データを分析してデジタル面接キューを特定し，予測モデルにデジタル面接キューを適用してそれぞれの面接候補者に関する業績指数(achievement index)を予測する。これは，モデル駆動型の候補者ソートツールにおいて査閲者の入力なしに実行される。面接の候補者のリストが，予測された業績指数に従ってソートされ，ソートされたリストが，ユーザインターフェースにおいて査閲者に提示される。しかし，本発明の実施形態がこれらの具体的詳細なしに実施され得ることは，本開示の恩恵に浴する当業者に明らかであろう。場合によっては，本発明の実施形態を曖昧にすることを避けるために，よく知られた構造およびデバイスが，詳細にではなくブロック図の形態で示される。」 「【００１４】 本明細書において説明される実施形態は，候補者の選択の少なくとも2つの特定された問題，すなわち，大きな候補者のプールおよび向上された審査の精度に対処するために使用され得る。本明細書において説明される実施形態は，業績指数を用いてこれらの問題に対する解決策を提供する。業績指数を予測するために，履歴的なデータセットが，経時的に集められ，面接キューを人間の査閲者によって割り当てられた業績指数と結びつける。業績指数は，審査プロセスの後の候補者の出来または業績に関連する多くの事柄である可能性がある。たとえば，業績指数は，期待される候補者の面接のスコア(たとえば，1～5)，期待される候補者の決断(たとえば，yes，no，maybe)，仕事の出来，最初の年の満了または離職の見込み(または任意の定義された期間)，学業成績，候補者に割り当てられ得る将来の出来の測定基準などである可能性がある。仕事の出来は，たとえば，最初の年の販売目標，訓練の出来(たとえば，免許取得試験に通る見込み)，仕事の進捗率，またはその他の人事考課(performance review)測定基準である可能性がある。これらの業績指数の値は，審査または採用プロセス中に予測され得る場合，両方の問題を同時に解決することができる。本明細書において説明される実施形態は，たとえば，デジタル面接審査において使用されてこなかったオーディオデータ，ビデオデータ，ユーザインタラクション(UX)測定基準などの新しい入力を利用して予測能力を向上させ得る。また，本明細書において説明される実施形態は，試験のスコア，履歴書の項目，観察された面接の振る舞いなどの利用可能なその他の候補者データを使用し得る。たとえば，履歴書解析アルゴリズムが，履歴書データを解析するために使用される可能性がある。 【００１５】 本明細書において説明される実施形態は，業績指数を予測するための予測モデルに入力するために使用され得るデジタル面接キューを特定することができる。本明細書において説明される実施形態は，予測モデルを構築すること，予測モデルを訓練すること，および予測モデルを用いて候補者に関する業績指数を予測することを説明する。予測された業績指数は，査閲者のために候補者のリストをソートするために使用され得る。査閲者は，ソートされたリストを使用して，多量の候補者をより効果的に評価し，予測された業績指数に基づいてより正確に候補者を審査することができる。本明細書において説明される実施形態は，オーディオ，ビデオ，ユーザインタラクションなどの1つまたは複数のデジタル面接のソースから特定された複数のデジタル面接キューを予測モデルへの入力として用いて候補者に関する業績指数を予測することができることにも留意されたい。業績指数は，業績指数に従って候補者をソートするだけでなく，査閲者が候補者を審査するのを助けるために使用され得る。 【００１６】 図1は，モデル駆動型の候補者ソートツール110の実施形態が動作し得るネットワークアーキテクチャ100のブロック図である。ネットワークアーキテクチャ100は，ネットワーク106(たとえば，インターネットなどの公衆ネットワークまたはローカルエリアネットワーク(LAN)などの私設ネットワーク)を介してサーバコンピューティングシステム104に結合された複数のクライアントコンピューティングシステム102を含む可能性がある。ネットワーク106は，インターネットおよびインターネットへのネットワーク接続を含む可能性がある。代替的に，サーバ104およびクライアント102は，共通のローカルエリアネットワーク(LAN)，パーソナルエリアネットワーク(PAN)，キャンパスエリアネットワーク(CAN)，メトロポリタンエリアネットワーク(MAN)，広域ネットワーク(WAN)，ワイヤレスローカルエリアネットワーク，セルラーネットワーク，仮想ローカルエリアネットワークなどに配置される可能性がある。(本明細書においてはサーバ104とも呼ばれる)サーバコンピューティングシステム104は，本明細書において説明される機能を提供するための処理能力およびストレージ能力を有する1つまたは複数のマシン(たとえば，1つまたは複数のサーバコンピュータシステム，ルータ，ゲートウェイ)を含む可能性がある。サーバコンピューティングシステム104は，モデル駆動型の候補者ソートツール110を実行する可能性がある。モデル駆動型の候補者ソートツール110は，本明細書において説明される様々な機能を実行することができ，図2～図4に関連して下でより詳細に説明されるように，候補者に関する業績指数を予測するための(本明細書においては業績指数(AI)予測モデル112とも呼ばれる)予測モデル112と，デジタル面接データからデジタル面接キューを生成するためのキュージェネレータ114とを含む可能性がある。モデル駆動型の候補者ソートツール110は，HireVue, Inc.によって開発されたデジタル面接プラットフォームなどのデジタル面接プラットフォーム101の一部として実装される可能性がある。代替的に，デジタル面接プラットフォーム101は，その他の種類のデジタル面接プラットフォームである可能性がある。その他の実施形態において，モデル駆動型の候補者ソートツール110は，デジタル面接プラットフォーム101またはその他のシステムとインターフェースを取るスタンドアロンのツールとして実装される可能性がある。この実施形態においては，サーバコンピューティングシステム104が，モデル駆動型の候補者ソートツール110を実装するが，その他のクライアントのうちの1つまたは複数が，サーバコンピューティングシステム104上のモデル駆動型の候補者ソートツール110の機能と関連してまたは独立して働くことができるモデル駆動型の候補者ソートツール110のクライアントモジュールを含む可能性もある。 【００１７】 (本明細書においては「クライアント102」とも呼ばれる)クライアントコンピューティングシステム102は，クライアントワークステーション，サーバ，コンピュータ，ポータブル電子デバイス，セットトップボックスなどのネットワークを介して通信するように構成されたエンターテインメントシステム，デジタル受信機，デジタルテレビ，モバイル電話，スマートフォン，タブレット，またはその他の電子デバイスである可能性がある。たとえば，ポータブル電子デバイスは，セルラー電話，ポータブルゲームシステム，ポータブルコンピューティングデバイスなどを含み得るがこれらに限定されない。クライアント102は，ファイアウォール，ルータ，またはその他のパケット交換デバイスを介してインターネットにアクセスすることができる。クライアント102は，ルータ，ゲートウェイ，またはその他のデバイスなどの1つまたは複数の介在デバイスを通じてサーバ104に接続する可能性がある。クライアント102は，異なる機能を用いて様々に構成され，ブラウザ140および1つまたは複数のアプリケーション142を含む可能性がある。一実施形態において，クライアント102は，ブラウザ140を介してデジタル面接プラットフォーム101にアクセスし，デジタル面接プラットフォーム101は，ブラウザ140を介してクライアント102にユーザインターフェースを提示するウェブベースのアプリケーションまたはクラウドコンピューティングシステムである。同様に，アプリケーション142のうちの1つは，デジタル面接プラットフォーム101にアクセスするために使用され得る。たとえば，(「アプリ」と呼ばれる)モバイルアプリケーションが，デジタル面接プラットフォーム101の1つまたは複数のユーザインターフェースにアクセスするために使用され得る。デジタル面接プラットフォーム101は，デジタル面接のプロセスを容易にする1つまたは複数のソフトウェア製品である可能性がある。たとえば，場合によっては，クライアント102が，デジタル面接を行うために候補者(または被面接者)によって使用される。デジタル面接プラットフォーム101は，候補者からデジタル面接データ132を取り込み，データストア130にデータを記憶することができる。デジタル面接データ132は，候補者によってアップロードされたデータ，面接中に取り込まれたオーディオ，面接中に取り込まれたビデオ，面接の前または後に候補者によって提出されたデータなどを含み得る。クライアント102は，候補者を検討し，審査し，選択するために査閲者または評価者によって使用される可能性もある。査閲者は，上述のように，ブラウザ140またはアプリケーション142を介してデジタル面接プラットフォーム101にアクセスすることができる。デジタル面接プラットフォーム101によって査閲者に対して提示されるユーザインターフェースは，候補者に提示されるユーザインターフェースとは異なる。査閲者に対して提示されるユーザインターフェースは，査閲者が候補者を検討し，選択するためのデジタル面接データにアクセスすることを許す。モデル駆動型の候補者ソートツール110は，本明細書において説明されるように，候補者のリストを順序付けするため，候補者のリストを審査するため，またはその他の検討目的で候補者をソートするために査閲者によってアクティブ化され得る(または有効化されるときに自動的にアクティブ化され得る)。」 「【００２０】 図2は，一実施形態によるモデル駆動型の候補者ソートツール210のブロック図である。(説明を容易にするために以降で「候補者ソートツール210」と呼ばれる)モデル駆動型の候補者ソートツール210は，ハードウェア(回路，専用論理など)，ソフトウェア(汎用コンピューティングシステムもしくは専用マシン上で実行されるなど)，ファームウェア(組み込みソフトウェア)，またはこれらの任意の組合せを含む処理論理として実装される可能性がある。示された実施形態において，モデル駆動型の候補者ソートツール210は，系特定モジュール202，AI予測モデル112，キュージェネレータ114，通信モジュール208，グラフィカルユーザインターフェース(GUI)エンジン212，および収集エンジン216を含む。モデル駆動型の候補者ソートツール210の構成要素は，一部の実施形態によれば，一緒に組み合わされるか，またはさらなるモジュールへと分けられ得る可能性があるモジュールを表す可能性がある。モデル駆動型の候補者ソートツール210は，図2に示された構成要素よりも多いまたは少ない構成要素を含む可能性がある。 【００２１】 モデル駆動型の候補者ソートツール210が現在のデータ234に対して使用される前に，候補者ソートツール210は，AI予測モデル112を作り，AI予測モデルを訓練することができる。AI予測モデル112を構築するために，候補者ソートツール210は，履歴的なデジタル面接データの訓練データセット232を得る。候補者ソートツール210のキュージェネレータ114は，訓練データセット232を分析してデジタル面接キューを特定する。キュージェネレータ114は，デジタル面接プラットフォームに提出された候補者データ，オーディオデータ，ビデオデータ，ユーザインタラクション(UX)データ，第3者のウェブサイトからの経歴などからなど，様々なソースから異なる種類のデジタル面接キューを特定することができる。異なる種類のデジタル面接キューは，オーディオキュー，ビデオキュー，ユーザインタラクションキュー，または個人的な候補者データ(たとえば，履歴書データ，候補者の出版物，GPA，試験のスコアなど)などのその他のデジタル面接キューである可能性がある。一部の実施形態において，キュージェネレータ114は，特定の種類のデジタル面接キューを個々に生成するための1つまたは複数のオーディオキュージェネレータ，1つまたは複数のビデオキュージェネレータ，および1つまたは複数のユーザインタラクションジェネレータを含む。代替的に，キュージェネレータ114は，訓練データセット232を処理している間に分析される1つまたは複数の規則の組を含む。同じキュージェネレータ114は，現在のデータ234に対して使用され得る。」 「【００２５】 一実施形態において，キュージェネレータ114は，予測モデル112を作るときに使用される。別の実施形態において，キュージェネレータ114は，その後，予測モデルを作るときに後で取り出されるためにデータストア130内にデジタル面接キューを生成する。一実施形態において，候補者ソートツール210の系特定モジュール202は，面接キューの履歴的なデータセットを集め，履歴的なデータセットの面接キューを業績指数に結びつける。別の実施形態において，系特定モジュール202は，面接キューの履歴的なデータセットを取得し，面接キューの履歴的なデータセットをキュー行列に記憶し，キュー行列の行は，候補者のうちの1人を表し，列は，面接キューの各々を表す。系特定モジュール202は，候補者の過去の業績指数を業績スコアベクトル(achievement score vector)に記憶する。系特定モジュール202は，キュー行列および業績スコアベクトルを用いて予測モデル112を構築する。一実施形態においては，系特定アルゴリズムを用いて予測モデルを構築するために線形系を解くために，系特定モジュール202は，キュー行列(x)および業績スコアベクトル(y)を含む系特定アルゴリズムのための2つの入力を受信する。系特定アルゴリズムは，y=F(x)によって表される可能性があり，ここで，Fは，構築されている予測的モデルβ(ベータ)である。F=β(ベータ)である線形系を解くために，モデルは，次のように，すなわち，β(ベータ), = pinv (X*X')*X'*yと表される可能性があり，ここで，「pinv」は，行列の擬似逆行列(たとえば，ムーア-ペンローズの擬似逆行列)である。一実施形態において，系特定アルゴリズムは，サポートベクターマシンである。代替的に，系特定アルゴリズムは，回帰，ニューラルネットワーク，木構造分類器，遺伝的プログラミングを用いる記号回帰(symbolic regression)，または任意のその他のグレイまたはブラックボックスモデルである可能性がある。予測モデル112が構築されると，候補者ソートツール210は，図3に関連して以下でより詳細に説明されるように訓練データセット232を用いて予測モデル112を訓練することができる。本明細書において説明される一部の実施形態においては，全般的なモデルが構築される可能性があることに留意されたい。その他の実施形態においては，職に固有のまたは部門に固有のモデルが構築される可能性がある。たとえば，販売に関する予測的モデルまたはエンジニアリングに関する予測的モデルが，独立して構築される可能性がある。同様に，職に固有のモデルが構築される可能性がある。また，その他の実施形態においては，評価者に固有のモデルが構築される可能性がある。たとえば，2つの評価者に固有のモデルが，2人の評価者(AおよびB)に関して構築され，それぞれがそれぞれのモデルからの業績指数に基づいて候補者を評価すべき順序を予測することを可能にし得る。さらなる観察が，それらの観察に基づいて特定の予測的モデルを構築するために使用され得るデータにおいて利用され得る可能性があることにも留意されたい。 【００２６】 訓練データセット232は，候補者について既に利用可能である任意の候補者データおよび候補者に関する対応する業績指数(たとえば，この候補者が雇われたかどうか)である可能性がある。たとえば，業績指数は，期待される候補者の面接のスコア(たとえば，1～5)，期待される候補者の決断(たとえば，yes，no，maybe)，仕事の出来の測定基準，定義された期間後の満了または離職の見込みを示す測定基準，学業成績の測定基準(たとえば，GPA，試験のスコア，達成の見込み(likelihood of completion)，資金調達の成功(funding success)，累積的な引用係数(cumulative citation factor))，候補者に割り当てられ得る将来の出来の測定基準などである可能性がある。仕事の出来は，たとえば，最初の年の販売目標，訓練の出来(たとえば，免許取得試験に通る見込み)，仕事の進捗率，またはその他の人事考課測定基準である可能性がある。業績指数は，候補者の首尾良く雇われる可能性または候補者の審査プロセス後の業績の可能性を示す可能性がある。 【００２７】 本明細書において説明されるように，デジタル面接キューは，キュージェネレータ114によって現在のデータ234に関して決定される可能性があり，デジタル面接キューは，現在の候補者のリストに関する業績指数を予測するためにAI予測モデル112に適用される可能性がある。候補者のリストは，ソートされ，GUIエンジン212を介して査閲者に対して表示され得る。GUIエンジン212は，訓練データセット232，系特定モジュール202に関する規則の組236，AI予測モデル112に対する制約またはパラメータ，キュージェネレータ114，系特定モジュール202，収集エンジン216，またはモデル駆動型の候補者ソートツール210のその他の点を検討するための入力メカニズムを有するGUIを作成することができる。GUIエンジン212は，規則の選択，規則の修正，カテゴリ，データ項目のプロパティなどを容易にするためのその他のユーザインターフェースメカニズムを作成する可能性もある。GUIエンジン212は，管理者に対して表示するためのデータの視覚的表現を提供する可能性もある。一部の実施形態において，GUIエンジン212は，モデル駆動型の候補者ソートツール210が実装される同じデバイスにGUIを表示するときに使用される。別の実施形態において，GUIエンジン212は，表示するために別のデバイスに送信されるべきウェブページを作成し，表示するウェブサーバに関連して使用され得る。GUIエンジン212は，潜在的な候補者のリストを見るときなどに，デジタル面接プラットフォーム101内で査閲者のためのGUIを生成する可能性もある。たとえば，査閲者は，候補者のリストを見て，業績指数によって候補者をソートするAIソートをアクティブ化するためのユーザインターフェース要素をアクティブ化することができる。そして，GUIエンジン212は，予測モデル112によって予測された業績指数に基づいて候補者のソートされたリストを提示する。 【００２８】 別の実施形態において，候補者ソートツール210は，通信モジュール208を用いてデジタル面接プラットフォーム101のその他の構成要素に予測された業績指数を伝達することができる。通信モジュール208は，モデル駆動型の候補者ソートツール210内，もしくはサーバコンピューティングシステム104内のその他の構成要素と，またはサーバコンピューティングシステム104に結合された構成要素もしくはデバイスと通信するためにやはり使用され得る。業績指数が予測モデル112によって決定され，面接キューがキュージェネレータによって生成されると，業績指数および面接キューは，追加的な予測モデルを作るためまたは現在の予測モデル112を更新するための履歴的なデータとして使用されるために収集エンジン216によって収集され得る。」 「【００３０】 図3は，一実施形態による面接キューに関する予測モデル326を構築するためのモデル駆動型の候補者ソートツール210の系特定モジュール202の訓練フェーズ302を示す。訓練フェーズ302中に，訓練データセット310が特定される。訓練データセットは，複数の候補者に関する候補者データ312を含む。候補者データは，オーディオファイル，ビデオファイル，または候補者についての情報を有するその他のデータファイル，ならびに面接自体からのオーディオおよび/またはビデオを含む可能性がある。候補者データ312は，本明細書において説明されるデジタル面接プラットフォーム101によって取り込まれる可能性がある。代替的に，候補者データ312は，本明細書において説明されるように様々なソースから取得される可能性がある。訓練データセット310の候補者データ312は，候補者に関する対応する面接キュー314を生成するためにキュージェネレータ114に入力される。面接キューは，キュー行列の列に編成される可能性があり，各行は，候補者を表し，列は，キュージェネレータ114によって生成された面接キュー314を記憶する。また，訓練データセット310は，それぞれの候補者に関する履歴的業績指数データ316を含む。本明細書において説明されるように，業績指数データ316はスコアベクトルに記憶され得る。面接キュー314と業績指数316との両方は，予測モデル326を作るために系特定モジュール202に入力される。系特定モジュール202は，予測モデル326を構築する役割を担う管理者によって入力された(328)規則によって支配され得る。ユーザ入力328は，規則の組326を含み得る。規則の組236は，履歴的面接キュー314および訓練セット310の業績指数316に基づいて予測モデル326を構築する系特定アルゴリズムの規則である可能性がある。予測モデル326は，作られると，訓練セット310のさらなるデータを試験することによってさらに訓練され得る。これは，管理者がユーザ入力328を用いて使用されているアルゴリズムの規則の組236を調整することを可能にし得る。たとえば，モデル駆動型の候補者ソートツール210の管理者は，結果を分析して，規則の組236が何らかの修正を必要とするかどうかを査定することができる。修正が必要とされる場合，系特定モジュール202は，規則のうちの1つまたは複数を修正するためのユーザ入力328を受信する可能性がある。これは，反復的なプロセスである可能性がある。訓練フェーズが完了されると，規則の組が，現在の候補者に関する業績指数を予測するために現在のデータ234に適用され得る。」 「【００３２】 図4は，一実施形態によるモデル駆動型の候補者のソートのための履歴訓練および予測のプロセスフロー400の実施形態を示す。プロセスフロー400は，履歴訓練403で始まる。履歴訓練403の間に，過去の候補者401が，それらの候補者のそれぞれのデジタル面接402に参加した。たとえば，候補者401は，デジタル面接プラットフォーム101によってホストされたデジタル面接に参加した。デジタル面接プラットフォーム101は，候補者データを取り込み，候補者をデータベースに記憶した。面接402からの候補者データは，本明細書において説明されるようにデジタル面接キューを特定するためにキュージェネレータ414によって分析される。デジタル面接キューは，それぞれの候補者に関するキューデータベース410に記憶される。たとえば，キューデータベース410は，過去の候補者401に関する行を定義するキュー行列である可能性があり，列は，それぞれの候補者に関するデジタル面接キューを定義する。キュー行列は，系特定アルゴリズム424への1つの入力411，xと考えられ得る。過去の面接402中に，面接の査閲者は，雇う決断などの決断412を行った。決断412は，別の決断テーブル416に記憶される。決断テーブル416は，決断412を表すための数値によって表される可能性がある。決断テーブル416は，系特定アルゴリズム424への第2の入力415，yと考えられ得る。 【００３３】 予測フェーズ420の間に，系特定アルゴリズム424は，キューデータベース410および決断テーブル416を表す2つの入力x 411，y 415に基づいて予測モデル423を生成する。予測モデル423は，予測アルゴリズム426への入力として使用される。また，予測位相420の間に，現在の候補者421は，デジタル面接422に参加する。これらの面接は，上述のように，デジタル面接プラットフォーム101において行われ得る。現在の面接422からの候補者データが，候補者に関するデジタル面接キューを特定するためのキュージェネレータ414への入力である。特定されたデジタル面接キューは，現在の候補者421に関する業績指数を予測するための予測アルゴリズム426への入力である。候補者ランク427が，予測された業績指数に基づいて候補者421に割り当てられる。査閲者428は，現在の候補者421を評価するときに，候補者のランク427に基づいてソートされたビュー内に候補者データを提示される。査閲者428は，最も高い予測から最も低い予測まで候補者を検討し(429)，現在の候補者421に関する決断を行うことができる。さらなる実施形態においては，収集エンジン430が，現在の候補者から結果を集め，デジタル面接キューおよび決断の結果を将来の学習431のためにキューデータベース410および決断テーブル416に記憶することができる。 【００３４】 図4は，履歴的な面談の訓練と予測との間の関係を示す。数千人の候補者が面接され，候補者の業績に関して評価者によって決断がなされる。各面接に関して，デジタル面接キューが，履歴書およびその他の利用可能なデータと一緒にオーディオおよびビデオデータを用いて生成され得る。このデータは，候補者の決断と一緒にキューデータベースに保存され，モデルβを構築するために引き出され得る。面接される新しい候補者はキューを自動的に生成させることができ，人間の査閲者が面接を見る前に業績の予測がなされる。これらの面接は，候補者のプールに戻され，最良の予測から最悪の予測に向かってソートされる。ここで，評価者が，最も高い業績の予測を有する候補者から始まり，より低いランク付けの候補者に向かって進むことにより効率的な順序で候補者を評価することができる。候補者が採点された後，これらの面接は，今や，将来の訓練のために使用され得る。」 「【００４０】 さらなる実施形態において，処理論理は，1つまたは複数のその他の面接キューに基づいて予測モデルから追加的な業績指数を決定し，処理論理は，業績指数，追加的な業績指数，またはこれらの任意の組合せに基づいて候補者のリストをソートし得る。」 「【００４５】 別の実施形態において，処理論理は，面接キューの履歴的なデータセットを集め，履歴的なデータセットの面接キューを業績指数に結びつけることによって予測モデルを作る。別の実施形態において，処理論理は，面接キューの履歴的なデータセットを取得し，キュー行列に面接キューの履歴的なデータセットを記憶する。キュー行列の行は，それぞれ，複数の過去の候補者のうちの1人を表し，キュー行列の列は，(その特定の行の)それぞれの候補者に関する面接キューの各々を表す。処理論理は，複数の候補者の過去の業績指数を業績スコアベクトルに記憶する。処理論理は，キュー行列および業績スコアベクトルを用いて予測モデルを構築する。キュー行列は，系特定アルゴリズムの入力行列を表し，業績スコアベクトルは，系特定アルゴリズムの出力行列を表す。さらなる実施形態において，処理論理は，予測モデルを訓練する。一実施形態において，系特定アルゴリズムは，サポートベクターマシン，回帰，ニューラルネットワーク，木構造分類器，または遺伝的プログラミングを用いる記号回帰のうちの少なくとも1つである可能性がある。」 「【００７８】 非数値的な業績データに関しては，価値が，数値的な表現にマッピングされる可能性がある。式(6)に示されるように，maybeはnoよりも良く，yesはmaybeよりも良いので，自然な変換はno=1，maybe=2，およびyes=3である可能性がある。」 「【００８２】 予測モデルが構築されると，予測モデルが訓練され得る。入力行列Xが与えられたときに出力yを予測するための多くの異なる種類の系特定アルゴリズムが，存在する。系特定アルゴリズムのいくつかの選択肢は，サポートベクターマシン，回帰，ニューラルネットワーク，および木構造分類器を含む。たとえば，予測モデルは，単純な最小二乗回帰を用いて特定される可能性があり，解は，アウトオブサンプル(out-of-sample)性能の感覚を得るためにブートストラップされる。たとえば，この場合の最小二乗問題の解は，式(8)によって定義される。 β = (X'n Xn )-1 Xn y　　　　(8) ここで，βは，候補者の結果全体に対するそれぞれの面接キューの影響を表す。今や予測モデルが履歴的なデータを用いて構築されているので，予測モデルは，将来の候補者に対して使用され得る。たとえば，デジタル面接を丁度完了した新しい候補者jに関する予測は，式(9)の通りである。 ypj =β xj　　　　(9) ここで，xjは，候補者jに関する正規化された入力のすべての行ベクトルであり，ypjは，履歴的な評価者のデータから訓練された予測モデルβを用いる予測された業績指数である。」 「【００８９】 上の現地の例に似たさらに別の代替的な実施形態においては，被面接者のクライアントを使用可能にするための好適なコンピュータおよびネットワーク接続を提供するためにキャンパスネットワークが使用される可能性がある。この実施形態においては，会社が，面接の要求を計画し，大学の就職課にポストする可能性がある。そのとき，就職課または会社は，学内面接を受けるように応募者に促す可能性がある。サーバは，候補者を面接に招き，候補者の応募資料を受け取り，候補者の面接を実施し，評価者に面接を提供するためのメッセージングを調整する。単一のサーバが示されているが，サーバは，図15に示された通信サーバ1504，ウェブサーバ1505，およびデータベースサーバ1506などの1つまたは複数のサーバ，または任意のその他の好適なサーバ構成を含む可能性があることを理解されたい。サーバ1504は，面接を実施し，面接を記憶し，査閲者による視聴のために面接を提供するプロセスを管理するホスティング会社によって運用される可能性がある。一実施形態において，ホスティング会社は，クライアントの会社が様々な見た目および面接の制約を選択することができるようなカスタムビルド能力を提供する可能性がある。たとえば，クライアントの会社は，被面接者のクライアントにおいて候補者によって見られるユーザインターフェースおよび評価者のクライアントにおいてユーザによって見られるインターフェースの見た目のブランディングを指定することができる可能性がある。別の実施形態において，会社は，会社から面接サーバのホスティング会社へのインターネットトラフィックの量を減らすことを含め，様々な理由で独自の面接サーバをホストすることを選択する可能性がある。 【００９０】 評価者のクライアントは，いくつかの異なる方法で実装され得る。たとえば，評価者のクライアントは，評価者のホームコンピュータである可能性があり，ホームコンピュータは，好適なインターネット接続に接続される。代替的な実施形態において，評価者のクライアントは，会社のLAN，WAN，またはその他の好適な接続を通じてサーバに接続される会社のコンピュータである可能性がある。評価者のクライアントはディスクリプタ(descriptor)として使用されるが，評価者のクライアントを使用するために必ずしも面接を評価する必要はないことを理解されたい。たとえば，管理者，管理職などが，以下でより詳細に示されるように，面接を作成するため，ユーザの権限を割り当てるため，面接をスケジューリングするため，面接に候補者を追加するためなどに評価者のクライアントを使用する可能性があるが，必ずしもいずれかの面接を評価する必要はない。デジタル面接プラットフォームは，候補者であるかまたは査閲者であるかに関わらずユーザがウェブブラウザ，モバイルアプリケーションなどを用いてデジタル面接プラットフォームにアクセスすることができるウェブベースのアプリケーションとしてホストされ得ることにも留意されたい。」 「【０１０２】 別の実施形態において，グラフィカルユーザインターフェース1700は，個々にかまたはグループとしてかのどちらかで候補者のカスタマイズされた評価のためのツールをさらに含む。たとえば，ナビゲーションボタン1726は，質問および候補者をナビゲートするために使用され得る。たとえば，ナビゲーションボタン1726上の上矢印および下矢印は，ユーザが候補者をスクロールすることを可能にする。たとえば，候補者の名前Candidate #4の詳細が示され，ナビゲーションボタン1726の上矢印を選択することは，Candidate #3の詳細を1724に表示させる。また，ナビゲーションボタン1726は，質問の選択も可能にする。たとえば，質問番号1が，グラフィカルユーザインターフェース1700内に現在表示されている。ナビゲーションボタン1726の右矢印を選択することによって，質問番号2が見られる可能性があり，候補者のビデオ応答が見られる可能性がある。特定の質問に対する候補者の応答を見た後，同じ質問に対する異なる候補者の応答が，ナビゲーションボタン1726の上矢印および下矢印を用いて候補者をナビゲートすることか，または候補者に直接関連するリンクを選択することにかのどちらかによって見られ得る。ユーザインターフェース1700は，デジタル面接プラットフォームによって査閲者に提示されるビューの一例である。本明細書において説明されたように，デジタル面接プラットフォームのホストされたアプリケーションが，複数の候補者の評価を可能にするために査閲者にユーザインターフェース1700およびその他のビューを提示する可能性がある。候補者ソートツール110は，定義された1つの業績指数または複数の業績指数に基づいて予測に従って候補者をソートすることによって複数の候補者の評価をより効率的にするために使用され得る。」 （イ）上記（ア）で摘記した事項から，以下の事項がいえる。 「【００１０】 デジタル面接を検討するためのモデル駆動型の候補者のソートのための方法およびシステム…」， 「【００１６】 …サーバコンピューティングシステム104が，モデル駆動型の候補者ソートツール110を実装する…」， 「【００１７】 …クライアント102は，候補者を検討し，審査し，選択するために査閲者または評価者によって使用される可能性もある。査閲者は，上述のように，ブラウザ140またはアプリケーション142を介してデジタル面接プラットフォーム101にアクセスすることができる。…」 との記載から，「デジタル面接を検討するためのモデル駆動型の候補者のソートのためのシステムであって，サーバコンピューティングシステム及び査閲者によって使用されるクライアントを備え，サーバコンピューティングシステムは，モデル駆動型の候補者ソートツールを実装」することが読み取れる。 「【００２０】 …モデル駆動型の候補者ソートツール210は，系特定モジュール202，AI予測モデル112，キュージェネレータ114，通信モジュール208，グラフィカルユーザインターフェース(GUI)エンジン212，および収集エンジン216を含む。…」 との記載から，「モデル駆動型の候補者ソートツールは系特定モジュール及びキュージェネレータを備える」ことが読み取れる。 「【００８９】 …会社が，面接の要求を計画し，…」 との記載から，デジタル面接を検討するためのモデル駆動型の候補者のソートのためのシステムは，「会社の採用面接に用いられ」ることが読み取れる。 これらの記載から，「会社の採用面接に用いられ，デジタル面接を検討するためのモデル駆動型の候補者のソートのためのシステムであって，サーバコンピューティングシステム及び査閲者によって使用されるクライアントを備え，サーバコンピューティングシステムは，モデル駆動型の候補者ソートツールを実装し，モデル駆動型の候補者ソートツールは系特定モジュール及びキュージェネレータを備え」ることが読み取れる。 「【００２１】 …候補者ソートツール210は，履歴的なデジタル面接データの訓練データセット232を得る。…」 「【００２６】 訓練データセット232は，候補者について既に利用可能である任意の候補者データおよび候補者に関する対応する業績指数(たとえば，この候補者が雇われたかどうか)である可能性がある。たとえば，業績指数は，期待される候補者の面接のスコア(たとえば，1～5)，期待される候補者の決断(たとえば，yes，no，maybe)，仕事の出来の測定基準，定義された期間後の満了または離職の見込みを示す測定基準，学業成績の測定基準(たとえば，GPA，試験のスコア，達成の見込み(likelihood of completion)，資金調達の成功(funding success)，累積的な引用係数(cumulative citation factor))，候補者に割り当てられ得る将来の出来の測定基準などである可能性がある。仕事の出来は，たとえば，最初の年の販売目標，訓練の出来(たとえば，免許取得試験に通る見込み)，仕事の進捗率，またはその他の人事考課測定基準である可能性がある。業績指数は，候補者の首尾良く雇われる可能性または候補者の審査プロセス後の業績の可能性を示す可能性がある。」 「【００７８】 非数値的な業績データに関しては，価値が，数値的な表現にマッピングされる可能性がある。式(6)に示されるように，maybeはnoよりも良く，yesはmaybeよりも良いので，自然な変換はno=1，maybe=2，およびyes=3である可能性がある。」 「【００３０】 …訓練データセットは，複数の候補者に関する候補者データ312を含む。候補者データは，オーディオファイル，ビデオファイル，または候補者についての情報を有するその他のデータファイル，ならびに面接自体からのオーディオおよび/またはビデオを含む可能性がある。候補者データ312は，本明細書において説明されるデジタル面接プラットフォーム101によって取り込まれる可能性がある。代替的に，候補者データ312は，本明細書において説明されるように様々なソースから取得される可能性がある。訓練データセット310の候補者データ312は，候補者に関する対応する面接キュー314を生成するためにキュージェネレータ114に入力される。面接キューは，キュー行列の列に編成される可能性があり，各行は，候補者を表し，列は，キュージェネレータ114によって生成された面接キュー314を記憶する。また，訓練データセット310は，それぞれの候補者に関する履歴的業績指数データ316を含む。本明細書において説明されるように，業績指数データ316はスコアベクトルに記憶され得る。面接キュー314と業績指数316との両方は，予測モデル326を作るために系特定モジュール202に入力される。…」 との記載から，「候補者ソートツールは，履歴的なデジタル面接データの訓練データセットを得，訓練データセットは，候補者について既に利用可能である任意の候補者データおよび候補者に関する対応する業績指数を含み，候補者データは面接自体からのオーディオおよび/またはビデオを含み，候補者データは，候補者に関する対応する面接キューを生成するためにキュージェネレータに入力され，面接キューは，キュー行列の列に編成され，各行は，候補者を表し，列は，キュージェネレータによって生成された面接キューを記憶し，また，業績指数は，たとえば期待される候補者の面接のスコア(たとえば，1～5)，期待される候補者の決断(たとえば，yes=3，no=1，maybe=2)，人事考課測定基準であり，業績指数データはスコアベクトルに記憶され，面接キューと業績指数との両方は，予測モデルを作るために系特定モジュールに入力され」ることが読み取れる。 「【００２５】 …系特定モジュール202は，キュー行列および業績スコアベクトルを用いて予測モデル112を構築する。一実施形態においては，系特定アルゴリズムを用いて予測モデルを構築するために線形系を解くために，系特定モジュール202は，キュー行列(x)および業績スコアベクトル(y)を含む系特定アルゴリズムのための2つの入力を受信する。系特定アルゴリズムは，y=F(x)によって表される可能性があり，ここで，Fは，構築されている予測的モデルβ(ベータ)である。F=β(ベータ)である線形系を解くために，モデルは，次のように，すなわち，β(ベータ), = pinv (X*X')*X'*yと表される可能性があり，ここで，「pinv」は，行列の擬似逆行列(たとえば，ムーア-ペンローズの擬似逆行列)である。…」 「【００４５】 …処理論理は，キュー行列および業績スコアベクトルを用いて予測モデルを構築する。キュー行列は，系特定アルゴリズムの入力行列を表し，業績スコアベクトルは，系特定アルゴリズムの出力行列を表す。…」 との記載から，「系特定モジュールは，入力されたキュー行列を系特定アルゴリズムの入力，業績スコアベクトルを系特定アルゴリズムの出力とすることにより，予測モデルを構築」すること，が読み取れる。 「【００１０】 …モデル駆動型の候補者ソートツールは，それぞれの面接候補者に関する候補者データを分析してデジタル面接キューを特定し，予測モデルにデジタル面接キューを適用してそれぞれの面接候補者に関する業績指数(achievement index)を予測する。…」 「【００２７】 本明細書において説明されるように，デジタル面接キューは，キュージェネレータ114によって現在のデータ234に関して決定される可能性があり，デジタル面接キューは，現在の候補者のリストに関する業績指数を予測するためにAI予測モデル112に適用される可能性がある。…」 「【００３３】 …予測モデル423は，予測アルゴリズム426への入力として使用される。また，予測位相420の間に，現在の候補者421は，デジタル面接422に参加する。これらの面接は，上述のように，デジタル面接プラットフォーム101において行われ得る。現在の面接422からの候補者データが，候補者に関するデジタル面接キューを特定するためのキュージェネレータ414への入力である。特定されたデジタル面接キューは，現在の候補者421に関する業績指数を予測するための予測アルゴリズム426への入力である。…」 「【００２６】 …たとえば，業績指数は，期待される候補者の面接のスコア(たとえば，1～5)，期待される候補者の決断(たとえば，yes，no，maybe)，仕事の出来の測定基準，定義された期間後の満了または離職の見込みを示す測定基準，学業成績の測定基準(たとえば，GPA，試験のスコア，達成の見込み(likelihood of completion)，資金調達の成功(funding success)，累積的な引用係数(cumulative citation factor))，候補者に割り当てられ得る将来の出来の測定基準などである可能性がある。仕事の出来は，たとえば，最初の年の販売目標，訓練の出来(たとえば，免許取得試験に通る見込み)，仕事の進捗率，またはその他の人事考課測定基準である可能性がある。業績指数は，候補者の首尾良く雇われる可能性または候補者の審査プロセス後の業績の可能性を示す可能性がある。」 「【００７８】 非数値的な業績データに関しては，価値が，数値的な表現にマッピングされる可能性がある。式(6)に示されるように，maybeはnoよりも良く，yesはmaybeよりも良いので，自然な変換はno=1，maybe=2，およびyes=3である可能性がある。」 との記載から，「予測モデルは，現在の候補者に関する業績指数を予測するものであり，モデル駆動型の候補者ソートツールは，現在の候補者に関する業績指数を予測するために予測モデルに現在の候補者に関するデジタル面接キューを適用することにより，現在の候補者に関する業績指数を予測し，業績指数は，たとえば期待される候補者の面接のスコア(たとえば，1～5)，期待される候補者の決断(たとえば，yes=3，no=1，maybe=2)，人事考課測定基準」であること，が読み取れる。 「【００４０】 さらなる実施形態において，処理論理は，1つまたは複数のその他の面接キューに基づいて予測モデルから追加的な業績指数を決定し，処理論理は，業績指数，追加的な業績指数，またはこれらの任意の組合せに基づいて候補者のリストをソートし得る。」 「【０１０２】 …候補者ソートツール110は，定義された1つの業績指数または複数の業績指数に基づいて予測に従って候補者をソートすることによって複数の候補者の評価をより効率的にするために使用され得る。」 との記載から，「候補者ソートツールは，複数の業績指数を予測」すること，が読み取れる。 「【００１５】 …予測された業績指数は，査閲者のために候補者のリストをソートするために使用され得る。査閲者は，ソートされたリストを使用して，多量の候補者をより効果的に評価し，予測された業績指数に基づいてより正確に候補者を審査することができる。…業績指数は，業績指数に従って候補者をソートするだけでなく，査閲者が候補者を審査するのを助けるために使用され得る。」 「【００２８】 …候補者ソートツール210は，通信モジュール208を用いてデジタル面接プラットフォーム101のその他の構成要素に予測された業績指数を伝達することができる。…」 との記載から，「予測された業績指数は，候補者をソートするだけでなく査閲者が候補者を審査するのを助けるために使用され，他の構成要素に予測された業績指数を伝達することができる」こと，が読み取れる。 （ウ）上記（イ）の記載から，引用文献１には，次の発明（以下「引用発明」という。）が記載されていると認められる。 「　会社の採用面接に用いられ，デジタル面接を検討するためのモデル駆動型の候補者のソートのためのシステムであって，サーバコンピューティングシステム及び査閲者によって使用されるクライアントを備え，サーバコンピューティングシステムは，モデル駆動型の候補者ソートツールを実装し，モデル駆動型の候補者ソートツールは系特定モジュール及びキュージェネレータを備え， 候補者ソートツールは，履歴的なデジタル面接データの訓練データセットを得，訓練データセットは，候補者について既に利用可能である任意の候補者データおよび候補者に関する対応する業績指数を含み，候補者データは面接自体からのオーディオおよび/またはビデオを含み，候補者データは，候補者に関する対応する面接キューを生成するためにキュージェネレータに入力され，面接キューは，キュー行列の列に編成され，各行は，候補者を表し，列は，キュージェネレータによって生成された面接キューを記憶し，また，業績指数は，たとえば期待される候補者の面接のスコア(たとえば，1～5)，期待される候補者の決断(たとえば，yes=3，no=1，maybe=2)，人事考課測定基準であり，業績指数データはスコアベクトルに記憶され，面接キューと業績指数との両方は，予測モデルを作るために系特定モジュールに入力され， 系特定モジュールは，入力されたキュー行列を系特定アルゴリズムの入力，業績スコアベクトルを系特定アルゴリズムの出力とすることにより，予測モデルを構築し，予測モデルは，現在の候補者に関する業績指数を予測するものであり，モデル駆動型の候補者ソートツールは，現在の候補者に関する業績指数を予測するために予測モデルに現在の候補者に関するデジタル面接キューを適用することにより，現在の候補者に関する業績指数を予測し，業績指数は，たとえば期待される候補者の面接のスコア(たとえば，1～5)，期待される候補者の決断(たとえば，yes=3，no=1，maybe=2)，人事考課測定基準であり，候補者ソートツールは，複数の業績指数を予測し，予測された業績指数は，候補者をソートするだけでなく査閲者が候補者を審査するのを助けるために使用され，他の構成要素に予測された業績指数を伝達することができる， システム」 イ　引用文献２ （ア）本願の出願前に頒布された，「特集　領収書よ，さらば　間接業務こそ働き方改革　ｐａｒｔ３　ＡＩで「間接業務テック」」，日経コンピュータ，日本，日経ＢＰ社，２０１６年１０月２７日，ｎｏ．９２４，第２８頁ないし第３１頁には，図面とともに，次の記載がある。なお，下線は，当審で付した。 「…間接業務テックの中でも，特に開発競争が熱を帯びているのがHRテック分野だ。ビズリーチは2016年6月に，HRテックのクラウドサービス「HRMOS」の採用管理機能の提供を始めた。10月時点で，勤怠，労務管理などを追加。2017年3月には，評価管理機能の提供開始する。 人工知能（AI）を使った分析機能を，主要な機能が出そろったタイミングで実装する。最大の特徴は，応募者が入社した後に「活躍する可能性」を，入社前に推定してくれることだ（図5）。 例えば，活躍度が優秀だと予想される順番に，S，A，B，C，Dの5段階で判定してくれる。最も活躍が期待されるのはSクラス，次がAクラス，といった具合だ。利用する企業の採用担当者は，採用活動の指標にできる。 入社してからの期間に合わせて，どれくらい成績が伸びるかも予想してくれる。営業の担当者であれば，入社してからの期間と営業成績の相関関係を見積もる。 AIが活躍する人材を見分ける 仕事の実績が無い応募者の活躍可能性を，どうやって推定するのか。企業が蓄積した既存従業員の人事関連データと，応募者の職務経歴書やエントリーシートの内容を分析。独自開発したAI技術で両者をマッチングすることで，可能性を推定する。 既存従業員のデータとして使うのは，採用時の職務経歴書やエントリーシートに加え，入社後の職務経験，成績，人事評価などだ。営業成績といった定量的なデータに加えて，人事評価結果の自然言語も分析する。…」 （イ）上記（ア）の記載から，引用文献２には，次の技術が記載されていると認められる。 企業が蓄積した既存従業員の人事関連データと，応募者の職務経歴書やエントリーシートの内容を分析し，独自開発したAI技術で両者をマッチングすることで，応募者が入社した後に活躍する可能性を，入社前に推定する技術であり，入社してからの期間に合わせて，どれくらい成績が伸びるか，営業の担当者であれば，入社してからの期間と営業成績の相関関係を見積もり，経時的なグラフ等で提示することで，利用する企業の採用担当者は，採用活動の指標にできる，技術。 （３）引用発明との対比 ア　本件補正発明と引用発明とを対比する。 （ア）取得部について 引用発明の「候補者」は，本件補正発明の「第１の人材」に相当する。 引用発明の「面接自体からのオーディオおよび/またはビデオを含」む「候補者データ」を，「候補者に関する対応する面接キューを生成するためにキュージェネレータに入力」し，「キュージェネレータによって生成された面接キュー」は，候補者を面接する過程，すなわち採用する過程で得られ，当該候補者の特徴を示す情報（キュー，ｃｕｅ：手がかり）であるから，本件補正発明の「第１の人材を採用する過程で得られた，当該第１の人材の特徴を示す特徴情報」に相当する。 引用発明の「たとえば人事考課測定基準」である「候補者に関する対応する業績指数」は，引用発明が「会社」の採用面接に用いられるシステムであること，「人事考課」は従業員の業績を定期的に評価する仕組みであり，在職中の所定の期間の業績を評価対象とすること，及び「業績」とは業務上成し遂げた「成果」であることを踏まえると，候補者が面接を経て採用された会社における当該候補者の成果に関する指数であって，当該候補者が当該所定の会社に入社してから在職中の所定の期間の成果を評価する人事考課の測定基準となる指数であるから，評価者による評価結果である「評価を示す活躍情報を含む」ものではなく，候補者が入社後の「複数の時期の各々の」成果情報に関するものであることは特定されていないものの（相違点１），本件補正発明の「所定の企業における当該第１の人材に対する評価を示す活躍情報を含む成果情報であって，当該第１の人材が当該所定の企業に入社してからの期間のうちの複数の時期の各々の成果情報」と，「所定の企業における当該第１の人材に対する成果情報であって，当該第１の人材が当該所定の企業に入社してからの期間の成果情報」である点で対応する。 そして，引用発明の「系特定モジュール」は，面接キューと業績指数の入力を受けることから，上記相違点１は別として，第１の人材の特徴を示す特徴情報と成果情報とを取得する点で，本件補正発明の「取得部」と対応する。 （イ）予測部について 引用発明の「現在の候補者」は，本件補正発明の「第２の人材」に相当する。 引用発明において「キュー行列を系特定アルゴリズムの入力，業績スコアベクトルを系特定アルゴリズムの出力とすることにより，予測モデルを構築」することは，「キュー行列」と「業績スコアベクトル」が，「面接キュー」と「業績指数」を，それぞれ行列とベクトルの形式に並べ替えたものであること，（ア）に上記したとおり「面接キュー」と「業績指数」は「系特定モジュール」が取得するものであること，及び「キュー行列」と「業績スコアベクトル」はいずれも「訓練データセット」由来の「訓練データ」として用いられるデータであることを踏まえると，系特定モジュールによって取得された面接キューを行列に並べ替えたキュー行列を訓練データの入力とし，系特定モジュールによって取得された業績指数をベクトルに並べ替えた業績スコアベクトルを訓練データの出力とすることにより，予測モデルを構築（すなわち生成）していることから，本件補正発明において，「前記取得部によって取得された特徴情報を訓練データの入力，前記取得部によって取得された成果情報を訓練データの出力として用いることにより」予測モデルを「生成」することに相当する。 引用発明において「現在の候補者に関する業績指数を予測するものであり，」「業績指数は，たとえば…人事考課測定基準であり，」「複数の業績指数を予測」してもよい「予測モデル」は，過去の候補者の面接キューと現在の候補者の関連性に基づいて，現在の候補者が会社に入社してからの業績指数を予測するためのモデルであること，及び「複数の業績指数を予測」する場合は，予測する業績指数の数だけ業績スコアベクトルとそれに対応する予測モデルを作成する必要があることを考慮すると，過去の候補者の面接キューと関連する現在の候補者の業績指数（すなわち成果情報）として人事考課の測定基準となる指数を予測する複数のモデルであって，現在の候補者が入社した会社における複数の業績指数（すなわち成果情報）として人事考課の測定基準となる指数をそれぞれ予測する複数の予測モデルであることから，「前記複数の時期にそれぞれ対応する」「評価」を予測するものではなく（相違点２），候補者間で会社が同一であるかは不明であり，「前記」所定の企業とまではいえないものの（相違点３），本件補正発明の「前記第１の人材の特徴に関連する第２の人材に対する評価を予測する複数の予測モデルであって，前記複数の時期にそれぞれ対応する前記所定の企業における当該第２の人材に対する複数の評価をそれぞれ予測する複数の予測モデル」と，「前記第１の人材の特徴に関連する第２の人材に対する成果情報を予測する複数の予測モデルであって，所定の企業における当該第２の人材に対する複数の成果情報をそれぞれ予測する複数の予測モデル」である点で対応する。 引用発明の「予測モデルに現在の候補者に関するデジタル面接キューを適用することにより，」予測される「現在の候補者に関する業績指数」は，上記した相違点２，３，及び「当該第２の人材の予測された評価の変化を示す情報として前記企業の採用担当者によって利用される端末装置に提供される複数の評価」については特定されていない点（相違点４），で相違するものの，本件補正発明の「予測モデルに当該第２の人材の特徴を入力することにより，当該第２の人材の予測された評価の変化を示す情報として前記企業の採用担当者によって利用される端末装置に提供される複数の評価であって，前記複数の時期にそれぞれ対応する前記所定の企業における当該第２の人材に対する複数の評価」と，「予測モデルに当該第２の人材の特徴を入力することにより，得られる複数の成果情報であって，所定の企業における当該第２の人材に対する複数の成果情報」である点で対応する。 引用発明の「現在の候補者に関する業績指数を予測」する「系特定モジュール」は，上記相違点２ないし４は別として，本件補正発明の「予測部」に対応する。 （ウ）予測装置について 引用発明の「サーバコンピューティングシステム」は，上記相違点１ないし４は別として，本件補正発明の「取得部」及び「予測部」に対応する系特定モジュールを備える装置である点で，本件補正発明の「予測装置」に対応する。 イ　以上のことから，本件補正発明と引用発明との一致点及び相違点は，次のとおりである。 （一致点） 「　第１の人材を採用する過程で得られた，当該第１の人材の特徴を示す特徴情報と，所定の企業における当該第１の人材に対する成果情報であって，当該第１の人材が当該所定の企業に入社してからの期間の成果情報とを取得する取得部と， 前記取得部によって取得された特徴情報を訓練データの入力，前記取得部によって取得された成果情報を訓練データの出力として用いることにより生成され，前記第１の人材の特徴に関連する第２の人材に対する成果情報を予測する複数の予測モデルであって，所定の企業における当該第２の人材に対する複数の成果情報をそれぞれ予測する複数の予測モデルに当該第２の人材の特徴を入力することにより，得られる複数の成果情報であって，所定の企業における当該第２の人材に対する複数の成果情報を予測する予測部と， を備えることを特徴とする予測装置。」 （相違点１） 「第１の人材に対する成果情報」が，本件補正発明では，「所定の企業における当該第１の人材に対する評価を示す活躍情報を含む成果情報であって，当該第１の人材が当該所定の企業に入社してからの期間のうちの複数の時期の各々の成果情報」であるのに対し，引用発明では，候補者が面接を経て採用された会社における当該候補者の成果に関する指数であって，当該候補者が当該所定の会社に入社してから在職中の所定の期間の成果を評価する人事考課の測定基準となる指数であり，評価者による評価結果である「評価を示す活躍情報を含む」ものではなく，候補者が入社後の「複数の時期の各々の」成果情報に関するものであることは特定されていない点。 （相違点２） 「予測モデル」が，本件補正発明では，「前記第１の人材の特徴に関連する第２の人材に対する評価を予測する複数の予測モデルであって，前記複数の時期にそれぞれ対応する前記所定の企業における当該第２の人材に対する複数の評価をそれぞれ予測する複数の予測モデル」であるのに対し，引用発明では，過去の候補者の面接キューと関連する現在の候補者の業績指数（すなわち成果情報）として人事考課の測定基準となる指数を予測する複数のモデルであって，現在の候補者が入社した会社における複数の業績指数（すなわち成果情報）として人事考課の測定基準となる指数をそれぞれ予測する複数の予測モデルであって，「前記複数の時期にそれぞれ対応する」「評価」を予測するものではない点。 （相違点３） 「所定の企業」が，本件補正発明では，「第１の人材」と「第２の人材」との間で同一であるのに対し，引用発明では，過去の「候補者」と「現在の候補者」との間で同一であるかは不明であり，「前記」所定の企業とまではいえない点。 （相違点４） 「第２の人材に対する複数の成果情報」が，本件補正発明では「当該第２の人材の予測された評価の変化を示す情報として前記企業の採用担当者によって利用される端末装置に提供される複数の評価」であるのに対し，引用発明では，当該構成については特定されていない点。 （４）判断 以下，相違点１ないし４についてそれぞれ検討する。 ア　相違点２について 事案に鑑み，相違点２から検討する。 引用発明は「会社の採用面接に用いられ」る「デジタル面接を検討するためのモデル駆動型の候補者のソート」であって，「現在の候補者に関する業績指数を予測するために予測モデルに現在の候補者に関するデジタル面接キューを適用することにより，現在の候補者に関する業績指数を予測」するものであるから，現在の候補者について予測する業績指数は，現在の候補者の業績に関する情報であって，ソートのために数値化可能な情報であれば足り，「人事考課測定基準」のように，人事考課で業績を評価する基準となる指数の他にも，たとえば「期待される候補者の面接のスコア(たとえば，1～5)，期待される候補者の決断(たとえば，yes=3，no=1，maybe=2)，…」（【００２６】，【００７８】）のように査閲者あるいは評価者による「評価」を含むものであってもよいことは当業者にとって明らかである。してみれば，引用発明において，現在の候補者について予測する業績指数を，人事考課の結果である「評価」とすることは当業者が適宜になし得る設計的事項にすぎない。 また，人事考課はたとえば半年や一年ごとに定期的に繰り返し実施されることが普通であり，特定の半年あるいは一年間の業績予測のみに基づいて判断するよりも，複数の期間の業績予測に基づいて判断する方が，「向上された審査の精度に対処する」（【００１４】）という引用発明の目的から見て，より一般的であることは当業者にとって明らかであるから，引用発明において，現在の候補者について「複数の時期のそれぞれに対応する」「評価」を予測するように構成することは，当業者が容易に想到し得た事項である。 イ　相違点１について 上記アのとおり，引用発明において，現在の候補者について「複数の時期のそれぞれに対応する」「評価」を予測するように構成した場合，「訓練データ」となる訓練データセットに含まれる過去の候補者の業績指数にも，「複数の時期のそれぞれに対応する」「評価」を示す情報が含まれる必要があり，その「評価」は過去の候補者の入社後の活躍状況といえるから，当該業績指数を，候補者が入社後「複数の時期の各々の」「評価を示す活躍情報を含む」ものとすることは，当業者が容易に想到し得た事項である。 ウ　相違点３について 引用発明において，「訓練データ」となる訓練データセットに関連する過去の候補者と，現在の候補者との共通点が多いほど，面接の「審査の精度」（【００１４】）が向上することは，当業者にとって明らかである。してみれば，引用発明において，現在の候補者が応募する企業と同一の企業について過去の候補者の訓練データセットを取得するように構成すること，すなわち，過去の候補者の所属する企業と現在の候補者が応募する企業とを一致させることにより，当該相違点に係る構成を採用することは，当業者が容易に想到し得た事項である。 エ　相違点４について 上記（２）イ（イ）のとおり，引用文献２には，「企業が蓄積した既存従業員の人事関連データと，応募者の職務経歴書やエントリーシートの内容を分析し，独自開発したAI技術で両者をマッチングすることで，応募者が入社した後に活躍する可能性を，入社前に推定する技術であり，入社してからの期間に合わせて，どれくらい成績が伸びるか，営業の担当者であれば，入社してからの期間と営業成績の相関関係を見積もり，経時的なグラフ等で提示することで，利用する企業の採用担当者は，採用活動の指標にできる，技術」が記載されている。 引用文献２に記載の技術は，応募者が入社した後に活躍する可能性を，入社前に推定する技術であり，この点で引用発明と共通する。引用発明において「予測された業績指数は，候補者をソートするだけでなく査閲者が候補者を審査するのを助けるために使用され，他の構成要素に予測された業績指数を伝達することができる」ことから，候補者をソートするのに加えて，査閲者による候補者の審査を支援するために引用文献２に記載の上記技術を適用し，現在の候補者の入社後の業績予測を経時的なグラフ等で査閲者のクライアントに提示するように構成することで，業績予測を「当該第２の人材の予測された評価の変化を示す情報として前記企業の採用担当者によって利用される端末装置に提供される複数の評価」とすることは，当業者が容易に想到し得た事項である。 そして，上記相違点１ないし４を総合的に勘案しても，本件補正発明の奏する作用効果は，引用発明及び引用文献２に記載の技術の奏する作用効果から予測される範囲内のものにすぎず，格別顕著なものということはできない。 したがって，本件補正発明は，引用発明及び引用文献２に記載の技術に基づいて，当業者が容易に発明をすることができたものであり，特許法２９条２項の規定により，特許出願の際独立して特許を受けることができないものである。 ３　本件補正についてのむすび 以上のとおり，本件補正は，特許法第１７条の２第６項において準用する同法第１２６条第７項の規定に違反するので，同法第１５９条第１項の規定において読み替えて準用する同法第５３条第１項の規定により却下すべきものである。 よって，上記補正の却下の決定の結論のとおり決定する。 第３　本願発明について １　本願発明 令和元年６月１２日にされた手続補正は，上記のとおり却下されたので，本願の請求項に係る発明は，平成３０年１２月２８日にされた手続補正により補正された特許請求の範囲の請求項１ないし１１に記載された事項により特定されるものであるところ，その請求項１に係る発明（以下「本願発明」という。）は，その請求項１に記載された事項により特定される，前記第２［理由］１（２）に記載のとおりのものである。 ２　原査定の拒絶の理由 原査定の拒絶の理由の概要は，この出願の請求項１ないし１１に係る発明は，その出願前に日本国内又は外国において，頒布された下記の刊行物に記載された発明又は電気通信回線を通じて公衆に利用可能となった発明に基いて，その出願前にその発明の属する技術の分野における通常の知識を有する者が容易に発明をすることができたものであるから，特許法第２９条第２項の規定により特許を受けることができない。 というものである。 引用文献１：特表２０１７－５０４８８３号公報 ３　引用文献 原査定の拒絶の理由で引用された引用文献１の記載事項は，前記第２［理由］２（２）アに記載したとおりである。 ４　対比・判断 本願発明は，本件補正発明の発明特定事項である，「…所定の企業における当該第１の人材に対する評価を示す活躍情報を含む成果情報であって，当該第１の人材が当該所定の企業に入社してからの期間のうちの複数の時期の各々の成果情報とを取得する取得部」について，（ａ）「所定の企業における当該第１の人材に対する評価を示す活躍情報を含む成果情報」を「当該第１の人材の成果に関する成果情報」に，（ｂ）「当該第１の人材が当該所定の企業に入社してからの期間」を「所定の期間」に，それぞれ限定を外すことにより，上位概念化されたものである。 また，本願発明は，本件補正発明の発明特定事項である，「…，前記取得部によって取得された成果情報を訓練データの出力として用いることにより生成され，前記第１の人材の特徴に関連する第２の人材に対する評価を予測する複数の予測モデルであって，前記複数の時期にそれぞれ対応する前記所定の企業における当該第２の人材に対する複数の評価をそれぞれ予測する複数の予測モデルに当該第２の人材の特徴を入力することにより，当該第２の人材の予測された評価の変化を示す情報として前記企業の採用担当者によって利用される端末装置に提供される複数の評価であって，前記複数の時期にそれぞれ対応する前記所定の企業における当該第２の人材に対する複数の評価を予測する予測部」について，（ｃ）「前記取得部によって取得された成果情報を訓練データの出力として用いることにより生成され，前記第１の人材の特徴に関連する第２の人材に対する評価を予測する複数の予測モデルであって，前記複数の時期にそれぞれ対応する前記所定の企業における当該第２の人材に対する複数の評価をそれぞれ予測する複数の予測モデル」を「前記取得部によって取得された成果情報を訓練データの出力として用いることにより生成された予測モデルであって，前記特徴に関連する第２の人材が前記複数の時期の各々に活躍する可能性を予測する予測モデル」に，（ｄ）「当該第２の人材の予測された評価の変化を示す情報として前記企業の採用担当者によって利用される端末装置に提供される複数の評価であって，前記複数の時期にそれぞれ対応する前記所定の企業における当該第２の人材に対する複数の評価を予測する予測部」を「当該第２の人材が前記複数の時期の各々に活躍する可能性を予測する予測部」に，それぞれ限定を外すことにより，上位概念化されたものである。 そうすると，本願発明と引用発明とは，以下の点で相違し，その余の点で一致する。 （相違点１’） 「第１の人材の成果に関する成果情報」が，本願発明では「所定の期間のうちの複数の時期の各々の成果情報」であるのに対し，引用発明では，候補者が面接を経て採用された会社における当該候補者の成果に関する指数であって，当該候補者が当該所定の会社に入社してから在職中の所定の期間の成果を評価する人事考課の測定基準となる指数であって，候補者が入社後「複数の時期の各々の」成果情報に関するものであるとは特定されていない点。 （相違点２’） 「予測モデル」が，本願発明では，「第２の人材が前記複数の時期の各々に活躍する可能性を予測する予測モデル」であるのに対し，引用発明では，過去の候補者の面接キューと関連する現在の候補者の業績指数（すなわち成果情報）として人事考課の測定基準となる指数を予測する複数のモデルであって，現在の候補者が入社した会社における複数の業績指数（すなわち成果情報）として人事考課の測定基準となる指数をそれぞれ予測する複数の予測モデルであって，「前記複数の時期の各々に」活躍する可能性を予測するものではない点。 まず，上記相違点２’について検討するに，人事考課はたとえば半年や一年ごとに定期的に繰り返し実施されることが普通であり，特定の半年あるいは一年間の業績予測のみに基づいて判断するよりも，複数の期間の業績予測に基づいて判断する方が，「向上された審査の精度に対処する」（【００１４】）という引用発明の目的から見て，より一般的であることは当業者にとって明らかであるから，引用発明において，現在の候補者について「複数の時期の各々に」関する業績指数を予測するように構成することは，当業者が容易に想到し得た事項である。 次に，上記相違点１’について検討するに，上記相違点２’についての検討のとおり，引用発明において，現在の候補者について「複数の時期の各々に」関する業績指数を予測するように構成した場合，訓練データセットに含まれる過去の候補者の業績指数も同等の情報が含まれる必要があるから，当該業績指数を，候補者が入社後「複数の時期の各々の」業績指数とすることは，当業者が容易に想到し得た事項である。 したがって，本願発明も，引用発明に基づいて，当業者が容易に発明をすることができたものである。 第４　むすび 以上のとおり，本願発明は，特許法２９条２項の規定により特許を受けることができないから，他の請求項に係る発明について検討するまでもなく，本願は拒絶されるべきものである。 よって，結論のとおり審決する。