2021-010761

特願２０２０－５１８５２１「メンテナンス介入予測」拒絶査定不服審判事件〔令和 １年 ８月 １日国際公開、ＷＯ２０１９／１４７２７１、令和 ２年１２月１７日国内公表、特表２０２０－５３７２２６〕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、２０１８年（平成３０年） １月２６日を国際出願日とする出願であって、その手続の経緯は以下のとおりである。 令和 ２年 ３月３０日 ：翻訳文提出 令和 ３年 ３月 ３日付け：拒絶理由通知書 令和 ３年 ４月２８日 ：意見書、手続補正書の提出 令和 ３年 ５月１７日付け：拒絶査定 令和 ３年 ８月１２日 ：審判請求書の提出 第２ 原査定の概要 原査定（令和３年５月１７日付け拒絶査定）の概要は次のとおりである。 本願請求項１～１５に係る発明は、以下の引用文献１に基づいて、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（以下、「当業者」という。）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。 引用文献１：米国特許出願公開第２０１６／０１０４１２３号明細書 第３ 本願発明 本願請求項１～１５に係る発明（以下、それぞれ「本願発明１」～「本願発明１５」という。）は、令和３年４月２８日に提出された手続補正書により補正された特許請求の範囲の請求項１～１５に記載された事項により特定される発明であって、本願発明１２は以下のとおりの発明である。 「 【請求項１２】 コンピュータにより実行される方法であって： 機器に関する感覚入力をモニターし； 機器に関する第１のメンテナンス介入をモニターし； モニターされた感覚入力およびモニターされた第１のメンテナンス介入に関するデータを集中データベースに記憶し； 教師付き機械学習を介して、集中データベースに記憶されたデータを分析し； 集中データベースに記憶された分析されたデータに基づいて第２のメンテナンス介入を予測し；そして 第２のメンテナンス介入の通知を提示する ことを含む、コンピュータにより実行される方法。」 第４ 引用文献、引用発明 １ 引用文献１に記載されている事項 原査定の拒絶の理由で引用された本願の出願日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引用文献である、米国特許出願公開第２０１６／０１０４１２３号明細書（２０１６年（平成２８年）４月１４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、下線は当審で付した。） 「[0002] Predictive maintenance saves time and money. As equipment is used, maintenance is required. Being able to predict when that maintenance may be required allows operators to take preemptive action, which in turn reduces the rate of unanticipated breakdowns and their associated cost, delay, and equipment downtime.」 （当審訳： ［０００２］予知メンテナンスは、時間と費用を節約する。装置が使用されるにつれて、メンテナンスが必要とされる。メンテナンスが必要になる時期を予測できるため、オペレータは予防措置を講じることができ、予期しない故障の発生率と、それに伴うコスト、遅延、及び装置の休止時間を減少させる。） 「[0019] FIGS. 1-2 are simplified schematics illustrating an environment in which exemplary embodiments may be implemented. FIG. 1 illustrates a vehicle 20 used for transportation of people and cargo. As the vehicle 20 operates, wear and tear takes a toll on the vehicle's components. As the reader likely understands, the brakes, tires, engine, and other components wear and/or degrade as usage and miles accumulate. A conventional maintenance program would require inspection and replacement of various components at particular mileages. [0020] Exemplary embodiments take a smarter approach. Exemplary embodiments predict when maintenance should be performed, based on actual data about the vehicle 20. For example, exemplary embodiments wirelessly obtain sensor data 22 from the vehicle's on-board sensors. As the reader again likely understands, the vehicle 20 has many controllers and sensors that monitor the performance of the engine, transmission, brakes, suspension, and other systems.Any of this sensor data 22 is wirelessly uploaded from the vehicle 20 to a central server, thus providing generally real-time, on-road reporting of outputs, diagnostic codes, and other information. Exemplary embodiments analyze the sensor data 22 to predict when the maintenance should be performed. Exemplary embodiments also obtain historical maintenance data 24 of the vehicle 20.As the vehicle 20 accumulates miles, service records are stored that log and detail the historical maintenance performed on the vehicle 20. Moreover, exemplary embodiments also obtain weather data 26. As the reader again understands, the environmental weather conditions (such as temperature, humidity, and precipitation) may affect wear and tear of the vehicle's components. Northern salty roads, for example, promote wear and corrosion of braking components, thus requiring more frequent repair than southern climates. Exemplary embodiments collect the sensor data 22, the historical maintenance data 24, and the weather data 26 to predict what maintenance should be performed, and when that maintenance should be performed. The maintenance may thus be performed just in time, thus anticipating a service need and recommending preemptive action. [0021] FIG. 2 illustrates service populations. Here exemplary embodiments may also consult computer databases containing data for one or more populations 30 of vehicles.As many different vehicles share common or similar components, information from fleets or populations of different vehicles may further refine the predictive maintenance. For example, a telematics database 32 may store the sensor data 22 from many vehicles. As vehicles across a fleet or manufacturer gain usage, each vehicle may transmit its sensor data 22 for logging in the telematics database 32. The telematics database 32 may thus store telematics on-board diagnostic data (e.g., OBD codes) for many different vehicles. Likewise, a maintenance database 34 may store the maintenance data 24 for many different vehicles.As the population 30 of vehicles accumulates service miles, the maintenance database 34 may log maintenance records, problem reports, customer issues, and any other historical data regarding each vehicle 20. The weather data 26 may further augment predictions of maintenance due to environmental conditions. All this data may thus be used to further predict when maintenance should be performed on any individual vehicle 20 or the entire population 30 of vehicles. That is, patterns in populations maybe used to anticipate a service need of any vehicle 20. Exemplary embodiments thus empower fleet operators, vehicle manufactures, and even government regulators to predict vehicular maintenance, thus enhancing both profits and safety.」 （当審訳： ［００１９］図１～２は、例示的な実施形態を実施できる環境を示す概略図である。図１は、人や貨物の輸送に使用される車両２０を示す。車両２０が作動するにつれて、摩耗及び断裂は、乗り物の構成要素に負担をかける。読者が理解していると思われるように、ブレーキ、タイヤ、エンジン、および他の構成要素は、使用と走行距離が蓄積するにつれて摩耗および／あるいは劣化する。従来のメンテナンスプログラムは、特定の走行距離にて種々の要素の点検や交換を必要とするであろう。 ［００２０］例示的な実施形態は、より賢明なアプローチをとる。例示的な実施形態は、車両２０の実際のデータに基づいて、いつメンテナンスを実行すべきかを予測する。例えば、例示的な実施形態は、車両の搭載センサからのセンサデータ２２を無線で取得する。読者はおそらく理解するように、車両２０は、エンジン、トランスミッション、ブレーキ、サスペンション、及び他のシステムの性能を監視する多くのコントローラおよびセンサを有している。センサデータ２２はいずれも、ワイヤレスで車両２０から中央サーバにアップロードされ、これにより、出力、診断コード、および他の情報を、一般にリアルタイムで路上報告を提供している。例示的な実施形態では、センサデータ２２を解析してメンテナンスをいつ実行すべきかを予測する。例示的な実施形態はまた、車両２０の履歴保守データ２４を取得する。車両２０が走行距離を蓄積するにつれて、車両２０で実行されたメンテナンス履歴を記録し、詳述するサービス記録が格納される。その上、この例示的な実施形態では、天候データ２６も取得する。読者はまた理解するように、周囲の気象条件（温度、湿度、降水量など）は、車両の構成要素の摩耗に影響を及ぼすことがある。例えば、北部の塩分を含む道路は、ブレーキ要素の摩耗と腐食を促進し、これにより、南部の気候よりも頻繁に修理を必要とする。例示的な実施形態は、どのメンテナンスをいつ行うべきかを予測するため、センサデータ２２、履歴保守データ２４、天候データ２６を収集する。これにより、メンテナンスが適時に実行されるため、サービスのニーズを予想し、予防措置を推奨することができる。 ［００２１］図２は、サービス群を示す図である。ここで例示的な実施形態は、車両の１つまたは複数の集団３０に関するデータを含むコンピュータ・データベースを参照することができる。多くの異なる車両が共通又は類似の構成要素を共有しているため、全車両や異なる車両の個体群からの情報は、予測メンテナンスを改善することができる。例えば、テレマティクスデータベース３２は、多くの車両からのセンサデータ２２を格納することができる。全車両又はメーカー全体の車両が使用されると、各車両は、テレマティクスデータベース３２に記録するために自身のセンサデータ２２を送信することができる。テレマティクスデータベース３２は、多くの異なる車両のテレマティクス車載診断データ（例えば、ＯＢＤコード）を格納することができる。同様に、保守データベース３４は、多くの異なる車両の保守データ２４を格納することができる。車両の集団３０がサービスマイルを蓄積すると、保守データベース３４は、各車両２０について、メンテナンス記録、問題報告、顧客問題、および他の履歴データを記録することができる。天候データ２６は、環境条件によるメンテナンスの予測をさらに補強することができる。したがって、全てのこうしたデータは、を使用して、個々の車両２０または車両の母集団３０全体に対していつ保守を行うべきかをさらに予測することができる。すなわち、母集団のパターンを使用して、あらゆる車両２０のサービスの必要性を予測することができる。例示的な実施形態は、このようにして、全車両のオペレータ、車両メーカー、さらには政府規制当局に車両のメンテナンスを予測する権限を付与し、それによって利益と安全性との両方を向上させる。） 「[0022] FIG. 3 is a more detailed block diagram illustrating the operating environment, according to exemplary embodiments. FIG. 3 illustrates a maintenance server 40 that predicts maintenance to be performed on cars, trucks, planes, trains, or any other vehicle. Indeed, the maintenance server 40 may predict maintenance for any machine or process, as later paragraphs will explain. The maintenance server 40 has a processor 42 (e.g., “μP”), application specific integrated circuit (ASIC), or other component that executes a predictive algorithm 44 stored in a memory 46.The predictive algorithm 44 instructs the processor 42 to perform operations, such as retrieving the sensor data 22 from the telematics database 32 using a communications network 48.The predictive algorithm 44 also instructs the processor 42 to retrieve the maintenance data 24 from the maintenance database 34 and to retrieve the weather data 26 from a weather database 50.The predictive algorithm 44 causes the processor 42 to analyze the sensor data 22, the maintenance data 24, and the weather data 26 and to predict component service and/or failures. That is, whatever data is provided, the predictive algorithm 44 uses the data to predict failures, based on the data.」 （当審訳： ［００２２］図３は、例示的な実施形態による動作環境を示すより詳細なブロック図である。図３は、自動車、トラック、飛行機、列車、またはその他の車両に実施されるべきメンテナンスを予測するメンテナンスサーバ４０を示している。実際には、後の段落で説明するように、メンテナンスサーバ４０は、任意の機械またはプロセスのメンテナンスを予測することができる。メンテナンスサーバ４０は、プロセッサ４２（例えば、“μP”）、特定用途向け集積回路（ＡＳＩＣ）、またはメモリ４６に格納された予測アルゴリズム４４を実行する他の構成要素を有している。予測アルゴリズム４４は、プロセッサ４２に動作を実行するように指示して、テレマティクスデータベース３２から通信ネットワーク４８を使用してセンサデータ２２の検索などを行う。予測アルゴリズム４４はまた、プロセッサ４２に、保守データベース３４から保守データ２４を検索し、天候データベース５０から天候データ２６を検索するよう指示する。予測アルゴリズム４４はプロセッサ４２に、センサデータ２２、保守データ２４、天候データ２６を分析させ、コンポーネント・サービス及び／又は故障を予測する。すなわち、どんなデータが提供されても、予測アルゴリズム４４はデータを用いて、データに基づいて故障を予測する。） 「[0023] FIGS. 4-5 are flowcharts illustrating the general process of the predictive algorithm 44, according to exemplary embodiments. The telematics database 32 is queried for the sensor data 22 (Block 50). The maintenance database 34 is queried for the maintenance data 24 (Block 52). The weather database 50 is queried for the weather data 26 (Block 54). The maintenance data 24 is analyzed using a first statistical model (Block 56) to predict a first set of component maintenance (Block 58). That is, in simple words, exemplary embodiments make a first prediction of the components that may require maintenance, based on the maintenance data 24 in the maintenance database 34. The sensor data 22 is then analyzed using a second statistical model (Block 60) to predict a second set of component maintenance (Block 62). Again, in simple words, exemplary embodiments make a second prediction of the components that may require maintenance, based on the sensor data 22 in the telematics database 32. Exemplary embodiments have thus utilized two different datasets (e.g., the maintenance data 24 in the maintenance database 34 and the sensor data 22 in the telematics database 32) to predict two different sets of components that may require maintenance. [0024] The flowchart continues with FIG. 5. After the two different datasets are generated, the first set of component maintenance is compared to the second set of component maintenance (Block 64). Matching results indicate both datasets predict the same maintenance in the same components. That is, a third set of component maintenance is generated from an intersection (Block 66) between the first set of component maintenance (predicted from the maintenance data 24 in the maintenance database 34) and the second set of component maintenance (predicted from the sensor data 22 in the telematics database 32). Once the intersecting third set of component maintenance is generated, exemplary embodiments analyze the intersecting third set of component maintenance using a third statistical model (Block 68) to generate a final set of maintenance (Block 70). Predictive maintenance may thus be recommended for each component member of the final set of maintenance (Block 72). Exemplary embodiments, then, may use any combination of three (3) statistical models to predict what components need maintenance. Indeed, if two (2) of the models make the same component prediction, the third statistical model may further refine the final prediction. [0025] FIG. 6 is a schematic illustrating the statistical models, according to exemplary embodiments. FIG. 6illustrates just some of the statistical algorithms that exemplary embodiments may use. While exemplary embodiments may use any statistical model, this disclosure will be primarily explained using the RANDOM FOREST(R) algorithm, based on its accuracy and simplicity. As the RANDOM FOREST(R) algorithm is well known, no detailed explanation of the algorithm is needed. Exemplary embodiments, then, may use the RANDOM FOREST(R) algorithm to analyze the maintenance data 24 in the maintenance database 34. The RANDOM FOREST(R) algorithm may also be used to analyze the sensor data 22 in the telematics database 32. Once the intersecting results are determined, exemplary embodiments may then use any statistical model to detect or observe anomalies in the intersecting/matching results. For example, exemplary embodiments may use any outlier detection model to make the final prediction of maintenance.」（当審注：「(R)」は丸囲いのＲを意味する。） （当審訳： ［００２３］図４～５は、例示的な実施形態による、予測アルゴリズム４４の一般的なプロセスを示すフローチャートである。テレマティクスデータベース３２は、センサデータ２２について照会される（ブロック５０）。保守データベース３４は、保守データ２４について照会される（ブロック５２）。天候データベース５０は、天候データ２６について照会される（ブロック５４）。保守データ２４は、第１の統計モデルを使用して分析され（ブロック５６）、構成要素メンテナンスの第１のセットを予測する（ブロック５８）。すなわち、簡単に言えば、例示的な実施形態は、保守データベース３４内の保守データ２４に基づいて、メンテナンスを必要とする可能性がある構成要素の第１の予測を行う。次に、センサデータ２２が第２の統計モデルを使用して分析され（ブロック６０）、構成要素メンテナンスの第２セットを予測する (ブロック６２)。再び簡単に言えば、例示的な実施形態は、テレマティクスデータベース３２内のセンサデータ２２に基づいて、メンテナンスを必要とする可能性のある構成要素の第２の予測を行う。したがって、例示的な実施形態は、２つの異なるデータセット（例えば、保守データベース３４内の保守データ２４およびテレマティクスデータベース３２内のセンサデータ２２）を利用して、メンテナンスを必要とする可能性がある構成要素の２つの異なるセットを予測する。 ［００２４］フローチャートは図５に続く。２つの異なるデータセットが生成された後、構成要素メンテナンスの第１セットが構成要素メンテナンスの第２セットと比較される（ブロック６４）。一致する結果は、両方のデータセットが同じ構成要素で同じメンテナンスを予測していることを示す。すなわち、構成要素メンテナンスの第３のセットは、（保守データベース３４内の保守データ２４から予測される）構成要素メンテナンスの第１のセットと、（テレマティクスデータベース３２内のセンサデータから予測される）構成要素メンテナンスの第２のセットとの間の交差（ブロック６６）から生成される。交差する構成要素メンテナンスの第３のセットが生成されると、例示的な実施形態は、第３の統計モデルを使用して、交差する構成要素メンテナンスの第３のセットを分析し（ブロック６８）、メンテナンスの最終セットを生成する（ブロック７０）。したがって、メンテナンスの最終セットの各構成要素に対して予測メンテナンスを推奨することができる（ブロック７２）。次に、例示的な実施形態は、３つの統計モデルの任意の組み合わせを使用して、どの構成要素がメンテナンスを必要とするかを予測することができる。実際、モデルのうちの２つが同じ構成要素の予測を行う場合、３番目の統計モデルが最終的な予測をさらに精錬する可能性がある。 ［００２５］図６は、例示的な実施形態による統計モデルを示す概略図である。 図６は、例示的な実施形態が使用できる統計アルゴリズムのほんの一部を示している。 例示的な実施形態は任意の統計モデルを使用することができるが、本開示は主に、その精度および単純さに基づいてRANDOM FOREST（登録商標）アルゴリズムを使用して説明される。RANDOM FOREST（登録商標）アルゴリズムはよく知られているため、アルゴリズムの詳細な説明は必要ない。次に、例示的な実施形態は、RANDOM FOREST（登録商標）アルゴリズムを、保守データベース３４内の保守データ２４を分析するために使用することができる。RANDOM FOREST（登録商標）アルゴリズムはまた、テレマティクスデータベース３２内のセンサデータ２２を分析するために使用することもできる。交差する結果が決定されると、例示的な実施形態は、次に任意の統計モデルを使用して、交差する／一致する結果の異常を検出または観察することができる。 例えば、例示的な実施形態は、メンテナンスの最終的な予測を行うために任意の外れ値検出モデルを使用することができる。） 「[0032] FIGS. 13-14 are schematics illustrating other exemplary operating environments. Here the vehicle 20 may predict its own maintenance, based on input data.As the sensors in the vehicle 20 already collect its sensor data 22, the vehicle itself may predict when repairs are needed. The vehicle 20, for example, may have a controller 110 that collects the sensor data 22.The controller 110 may also query for the maintenance data 24, whether locally or remotely retrieved. Moreover, as modern vehicles have wireless communications capabilities, the controller 110 may retrieve the weather data 26. As FIG. 14 illustrates, the controller 110 may thus analyze all this data and predict when its components require repair. The controller 110 may have a processor 112 (e.g., “μP”), application specific integrated circuit (ASIC), or other component that executes any or all of the predictive algorithm 44 stored in a memory 114. The predictive algorithm 44 instructs the processor 42 to perform operations, such as retrieving the sensor data 22, the maintenance data 24, and/or the weather data 26.The predictive algorithm 44 causes the controller 110 to predict component service and/or failures, as this disclosure explains.」（原文のまま摘記。“The predictive algorithm 44 instructs the processor 42 to perform operations,...”における、下線部の「the processor 42」は「the processor 112」の誤り。） （当審訳： ［００３２］図１３～１４は、他の例示的な動作環境を示す概略図である。ここで、車両２０は、入力データに基づいて、自身のメンテナンスを予測することができる。車両２０内のセンサはすでにそのセンサデータ２２を収集しているので、車両自体はいつ修理が必要になるかを予測することができる。車両２０は、例えば、センサデータ２２を収集するコントローラ１１０を有してもよい。コントローラ１１０はまた、ローカルに検索されたかリモートに検索されたかにかかわらず、保守データ２４を照会することもできる。さらに、最新の車両は無線通信機能を備えているため、コントローラ１１０は天候データ２６を検索することができる。したがって、図１４が示すように、コントローラ１１０は、このすべてのデータを分析し、その構成要素がいつ修理を必要とするかを予測することができる。コントローラ１１０は、メモリ１１４に格納された予測アルゴリズム４４のいずれかまたはすべてを実行するプロセッサ１１２（例えば、「μＰ」）、特定用途向け集積回路（ＡＳＩＣ）、または他の構成要素を有することができる。予測アルゴリズム４４は、プロセッサ４２に、センサデータ２２、保守データ２４、および／または天候データ２６を検索するなどの操作を実行するように指示する。本開示が説明するように、予測アルゴリズム４４は、コントローラ１１０に構成要素のサービスおよび／または障害を予測させる。）（当審注：「プロセッサ４２」は「プロセッサ１１２」の誤り） 「[0034] Exemplary embodiments thus use data analysis to predict maintenance. Exemplary embodiments may overlay the telematics sensor data 22 with the maintenance data 24, thus allowing correlations between sensor readings, the environmental weather data 26, and actual equipment failures. Statistical models may thus predict failures using machine-learning algorithms. Model-derived rules may guide forward-going decisions on when to perform the maintenance. Preventive maintenance can be wasteful, especially if performed too soon. Reactive maintenance, however, is costly when performed too late. Exemplary embodiments, instead, predict maintenance based on historical vehicle data generated from vehicle activity. Users and maintenance coordinators may thus determine the most effective cost expenditure models to improve customer experience. [0035] FIG. 16 is a schematic illustrating yet another exemplary operating environment. As this disclosure above mentioned, exemplary embodiments may be applied to any process 140, any machine 150, and any manufacture 160. That is, the maintenance server 40 may obtain the sensor data 22, the maintenance data 24, and the weather data 26 for any use whatsoever. The predictive algorithm 44 may then be executed to make the final prediction 90, as this disclosure explains.」 （当審訳： ［００３４］したがって、例示的な実施形態は、メンテナンスを予測するためにデータ分析を使用する。例示的な実施形態は、テレマティクスセンサデータ２２を保守データ２４と重ね合わせ、このようにして、センサ読み取り値や環境天候データ２６と実際の機器故障の間の相関関係を認めることができる。統計モデルは、機械学習アルゴリズムを使用して障害を予測してもよい。モデルから導出されたルールは、メンテナンスを実行する時期に関する今後の決定を導く場合がある。予防メンテナンスは、特に実行が早すぎると、無駄になる可能性がある。ただし、事後メンテナンスは、実行が遅すぎるとコストがかかる。代わりに、例示的な実施形態は、車両活動から生成された履歴車両データに基づいてメンテナンスを予測する。したがって、ユーザとメンテナンスコーディネータは、顧客体験を改善するための最も効果的なコスト支出モデルを決定できる。 ［００３５］図１６は、さらに別の例示的な動作環境を示す概略図である。本開示で上述したように、例示的な実施形態は、任意の工程１４０、任意の機械１５０、及び任意の製造１６０に適用することができる。すなわち、メンテナンスサーバ４０は、いかなる用途においてもセンサデータ２２、保守データ２４、及び天候データ２６を取得してもよい。予測アルゴリズム４４は、次に、この開示で説明しているように、最終予測９０を作るために実行されてもよい。） ［図：0001395679000001.jpg］ ［図：0001395679000002.jpg］ ［図：0001395679000003.jpg］ ［図：0001395679000004.jpg］ 図１４（ＦＩＧ．１４）の記載によれば、「Vehicle Controller 110」（コントローラ１１０）は、「μP 112」（プロセッサ１１２）及び「Memory 114」（メモリ１１４）を有し、「Memory 114」（メモリ１１４）には「Predictive Algorithm 44」（予測アルゴリズム４４）が格納され、「Sensor Data 22」（センサデータ２２）は「Sensory Database 32」（センサデータベース３２）に、「Maintenance data 24」（保守データ２４）は「Maintenance data base 34」（保守データベース３４）に、それぞれ記憶される。 ［図：0001395679000005.jpg］ ２ 引用文献１に記載された発明 上記１の摘記事項から、引用文献１には以下の発明（以下、「引用発明」という。）が記載されている。なお、引用発明は、図１３、図１４、段落［００３２］にて説明される実施例（以下、「実施形態２」という。）から認定するところ、図１、図３などで説明される実施例（以下、「実施形態１」という。）と同じ符号を付された構成要素は、共通するものであるとして、その記載を参酌して認定した。 「車両２０のコントローラ１１０により実行される、入力データに基づいて、自身のメンテナンスを予測することができる車両２０のメンテナンスを予測する方法であって、（［００３２］） 車両２０は、エンジン、トランスミッション、ブレーキ、サスペンション、及び他のシステムの性能を監視する多くのコントローラおよびセンサを有し、（［００２０］） 車両２０内のセンサはすでにそのセンサデータ２２を収集しており、車両２０は、センサデータ２２を収集するコントローラ１１０を有し、（［００３２］） コントローラ１１０は、プロセッサ１１２及びメモリ１１４を有し、メモリ１１４には予測アルゴリズム４４が格納されており、（図１４） コントローラ１１０は、ローカルに検索されたかリモートに検索されたかにかかわらず、保守データ２４を照会することや、車両の無線通信機能を利用して天候データ２６を検索すること、このすべてのデータを分析し、その構成要素がいつ修理を必要とするかを予測することができ、（［００３２］） センサデータ２２はセンサデータベース３２に記憶され、保守データ２４は保守データベース３４に記憶され、（図１４） 保守データ２４は車両２０の履歴保守データ２４であり、（［００２０］） メモリ１１４に格納された予測アルゴリズム４４は、プロセッサ１１２に、センサデータ２２、保守データ２４、および／または天候データ２６を取得するなどの操作を実行するように指示し、構成要素のサービスおよび／または障害を予測させる。（［００３２］）」 第５ 対比・判断 １ 対比 本願発明１２と引用発明を対比すると、次のことがいえる。 （１）引用発明は、「車両２０内のセンサ」の「センサデータ２２」、「保守データ２４」、「天候データ２６」を取得して、車両の構成要素がいつ修理を必要とするかを予測する処理を行うものであり、その一連の処理は、「車両２０のコントローラ１１０」によって実行されるものである。 したがって、引用発明の「コントローラ１１０」は、本願発明１２の「コンピュータ」に相当し、引用発明の「コントローラ１１０」によって実行される「車両２０のメンテナンスを予測する方法」は、以下の相違点を除き、本願発明１２の「コンピュータにより実行される方法」に相当する。 （２）引用発明の「車両２０」は、その内部にエンジン、トランスミッション、ブレーキ、サスペンション、及び他のシステムの性能を監視する多くのコントローラおよびセンサを有し、車両内のセンサからの入力データに基づいて、自身のメンテナンスを予測するものであって、「コントローラ１１０」が「車両２０内のセンサ」から「センサデータ２２」を収集するものであるから、引用発明の「車両２０」は本願発明１２の「機器」に、引用発明の「センサデータ２２」は本願発明１２の「感覚入力」に、それぞれ相当する。 そして、引用発明の「車両２０」内の「コントローラ１１０」が「車両２０内のセンサ」から「センサデータ２２」を収集する処理は、本願発明１２の「機器に関する感覚入力をモニターし」に相当する。 （３）本願発明１２は、「機器に関する第１のメンテナンス介入をモニターし」ているのに対し、引用発明は当該構成を備えていない。 （４）引用発明は、「コントローラ１１０」が「このすべてのデータを分析し、その構成要素がいつ修理を必要とするかを予測する」ものであるところ、ここでいう「このすべてのデータ」とは、「センサデータ２２」、「保守データ２４」、「天候データ２６」を指すものであるといえる。ここで、引用発明の「保守データ２４」は、車両に対する過去のメンテナンスに関する情報であるから、本願発明１２の「機器に関する第１のメンテナンス介入」に相当するものである。また、引用発明は、センサデータ２２はセンサデータベース３２に記憶され、保守データ２４は保守データベース３４に記憶されている。 してみると、引用発明の「センサデータ２２」と「保守データ２４」は、それぞれのデータベースに記憶された、機器に関する感覚入力のデータ、機器に関する第１のメンテナンス介入のデータといえ、これらのデータはデータベースに記憶されているから、本願発明１２と引用発明とは、「感覚入力及び第１のメンテナンス介入に関するデータがデータベースに記憶されている」点で共通する。 もっとも、本願発明１２では、データが記憶されているデータベースが、「感覚入力及び第１のメンテナンス介入に関するデータを（ともに）記憶する集中データベース」であるのに対し、引用発明では、感覚入力及び第１のメンテナンス介入に関するデータが、それぞれ別のデータベースに記憶されている点、及び、本願発明１２では、データベースに記憶されているデータが、（コンピュータにより）モニターされた感覚入力およびモニターされた第１のメンテナンス介入に関するデータを（コンピュータにより）記憶したデータであるのに対し、引用発明では、（コンピュータにより）モニターされた感覚入力およびモニターされた第１のメンテナンス介入に関するデータを（コンピュータにより）記憶したデータであるか明らかでない点で相違する。 （５）引用発明の「コントローラ１１０」が、「このすべてのデータを分析し、その構成要素がいつ修理を必要とするかを予測する」処理において、「このすべてのデータ」は、上記データベースに記憶されたデータであること、「その構成要素」とは、車両２０の構成要素、すなわち、エンジン、トランスミッション、ブレーキ、サスペンション、及び他のシステムを指すものといえる。そして、「その構成要素がいつ修理を必要とするかを予測する」とは、データを分析した結果に基づいて、車両２０の構成要素について修理を必要とする時期、すなわち次のメンテナンスの時期を予測することを意味するのは明らかであるから、本願発明１２の「第２のメンテナンス介入」を「予測」することに相当する。 したがって、引用発明における、「コントローラ１１０」が「このすべてのデータを分析し、その構成要素がいつ修理を必要とするかを予測する」処理は、本願発明１２の「教師付き機械学習を介して、集中データベースに記憶されたデータを分析し；集中データベースに記憶された分析されたデータに基づいて第２のメンテナンス介入を予測し」と、「データベースに記憶されたデータを分析し；」「データベースに記憶された分析されたデータに基づいて第２のメンテナンス介入を予測」する点で共通する。 もっとも、分析において、本願発明１２では「教師付き機械学習を介して」分析しているのに対し、引用発明では、「教師付き機械学習を介して」の特定事項を備えていない点、及び上記（４）と同様、データベースが、本願発明１２では「集中データベース」であるのに対し、引用発明では「集中データベース」ではない点で相違する。 （６）本件発明１２は、「第２のメンテナンス介入を通知を提示する」特定事項を備えているのに対し、引用発明は、当該特定事項を備えていない。 （７）以上、（１）～（６）によれば、本願発明１２と引用発明との間には、次の一致点、相違点があるといえる。 ［一致点］ 「コンピュータにより実行される方法であって： 機器に関する感覚入力をモニターし； 感覚入力および第１のメンテナンス介入に関するデータがデータベースに記憶されており； データベースに記憶されたデータを分析し； データベースに記憶された分析されたデータに基づいて第２のメンテナンス介入を予測する ことを含む、コンピュータにより実行される方法。」 ［相違点］ （相違点１） 本願発明１２は、「機器に関する第１のメンテナンス介入をモニターし」ているのに対し、引用発明は当該構成を備えていない点。 （相違点２） データが記憶されているデータベースが、本願発明１２では、「感覚入力及び第１のメンテナンス介入に関するデータを（ともに）記憶する集中データベース」であるのに対し、引用発明では、感覚入力及び第１のメンテナンス介入に関するデータが、それぞれ別のデータベースに記憶されている点。 （相違点３） 本願発明１２では、データベースに記憶されているデータが、（コンピュータにより）モニターされた感覚入力およびモニターされた第１のメンテナンス介入に関するデータを（コンピュータにより）記憶したデータであるのに対し、引用発明では、（コンピュータにより）モニターされた感覚入力およびモニターされた第１のメンテナンス介入に関するデータを（コンピュータにより）記憶したデータであるか明らかでない点。 （相違点４） 分析において、本願発明１２では「教師付き機械学習を介して」分析しているのに対し、引用発明では、「教師付き機械学習を介して」の特定事項を備えていない点。 （相違点５） 本件発明１２は、「第２のメンテナンス介入を通知を提示する」特定事項を備えているのに対し、引用発明は、当該特定事項を備えていない点。 ２ 相違点に対する判断 以下、相違点について検討する。 （１）相違点１に関する判断 引用文献１の段落［００１９］～［００２０］には、実施形態１を実施できる環境として、図１とともに、人や貨物の輸送に使用される車両２０が示されており、当該車両２０が、「車両２０の履歴保守データ２４を取得する」ことや、「車両２０が走行距離を蓄積するにつれて、車両２０で実行されたメンテナンス履歴を記録し、詳述するサービス記録が格納される」ことが記載されているところ、ここでいう「車両２０の履歴保守データ２４」や「車両２０で実行されたメンテナンス履歴」は、本願発明１２の「機器に関する第１のメンテナンス介入」に相当し、当該車両２０が「車両２０の履歴保守データ２４を取得する」ことは、本願発明１２の「機器に関する第１のメンテナンス介入をモニター」することに相当する。 実施形態１は、引用発明とは異なる例示的な動作環境として示された技術に関するものであるが、実施形態１の「履歴保守データ２４」に関しては、引用発明の「保守データ２４」と同一符号で示されており、これらは同じデータを表すものと解釈するのが自然であるから、引用発明の「保守データ２４」に関しても、引用文献１に記載の実施形態１のように、車両２０が「車両２０の履歴保守データ２４を取得」することで相違点１の構成とすることは、引用文献１に接した当業者であれば普通になし得たことである。 （２）相違点２に関する判断 引用発明において、「センサデータベース３２」と「保守データベース３４」は別々の場所にある必要はない。例えば、引用文献１の図１６及び段落［００３５］の記載によれば、メンテナンスサーバ４０からメンテナンスの予測のためにそれぞれのデータベースにアクセス可能とされているから、メンテナンスサーバと同じ場所にあってもよいものである。これらのデータベースを別々のデータベースとするか、単一のデータベースとするかは、どちらも考えられることであり、どちらの形態を採用するかは当業者が適宜選択し得た事項にすぎない。 したがって、引用発明において、「センサデータ２２」と「保守データ２４」を記憶する際に、データベースの記憶容量や、「センサデータ２２」と「保守データ２４」のそれぞれのレコードのデータ容量に応じて、別々のデータベースとするか、単一のデータベースとするかを適宜選択し、引用発明の「センサデータ２２」及び「保守データ２４」を同じデータベースに記憶することにより、相違点２に係る構成とすることは当業者が容易に想到し得た事項である。 なお、本願明細書には、「モニターされた感覚入力およびモニターされた第１のメンテナンス介入に関するデータを集中データベースに記憶」する動作に関して、次のような記載がある。 「【００２８】 命令２２６は、モニターされた感覚入力および第１のメンテナンス介入に関するデータを集中データベースに記憶するために実行可能な命令を含むことができる。集中データベースは、クラウドコンピューティング環境を含むことができる。集中データベースは、機器のモニターされた感覚入力およびメンテナンス介入に関するデータを受け取り、記憶することができる。 【００２９】 加えて、本願で記載するところでは、集中データベースは、１つより多い機器のモニターされた感覚入力およびメンテナンス介入に関するデータを記憶することができる。例えばこのデータベースは、機器の一隊についてのデータを記憶することができる。記憶されたデータは、その機器のメンテナンス介入を予測するための機械学習モデルを選択するために使用可能である。集中データベースは、近く到来する機器のメンテナンス介入を予測するために使用可能な、１つよりも多い機械学習モデルを含んでいてよい。」 「【００３９】 命令３４２は、処理資源３３２によって実行された場合に、メモリ資源３３４に、モニターされた感覚入力および第１のメンテナンス介入に関するデータを集中データベースに記憶させることができる。本願で記載するところでは、集中データベースは、幾つもの機器から受け取ったデータを記憶することができる。例えば、集中データベースは、単一の機器または機器の一隊から受け取ったデータを記憶することができる。集中データベースに記憶されたデータは、近く到来する機器のメンテナンス介入を予測するための、少なくとも１つの機械学習モデルを選択するために使用されてよい。」 「【００４６】 ４５４において、この方法４３０は、モニターされた感覚入力および第１のメンテナンス介入に関するデータを集中データベースに記憶することを含みうる。集中データベースは、幾つもの機器から受け取ったデータを記憶することができる。例えば、集中データベースは、単一の機器または機器の一隊から受け取ったデータを記憶することができる。集中データベースに記憶されたデータは、機器のメンテナンス介入を予測するための、少なくとも１つの機械学習モデルを選択するために使用されてよい。」 これらの記載によれば、「集中データベース」は、「モニターされた感覚入力および第１のメンテナンス介入に関するデータ」を記憶するものであり、「１つより多い機器のモニターされた感覚入力およびメンテナンス介入に関するデータ」を記憶することができるものであるといえる反面、「モニターされた感覚入力」と「モニターされた第１のメンテナンス介入」に関するデータを「集中データベース」にどのように記憶するかについては、明細書中で特に言及がされておらず、本願発明１２の「モニターされた感覚入力およびモニターされた第１のメンテナンス介入に関するデータを集中データベースに記憶」する動作は、単に「モニターされた感覚入力」に関するデータと「モニターされた第１のメンテナンス介入」に関するデータを、「集中データベース」に記憶することを特定したものである。 そうすると、本願明細書を参酌しても、「集中データベース」には、感覚入力及び第１のメンテナンス介入に関するデータとをいっしょに記憶した程度の意味しかなく、上記のとおり、引用発明の「センサデータ２２」及び「保守データ２４」を単に同じデータベースに記憶することは当業者が適宜なし得た事項である。 （３）相違点３に関する判断 引用文献１の実施形態１は、段落［００２０］の記載から、車両の搭載センサからの「センサデータ２２」がワイヤレスで「車両２０」から中央サーバにアップロードされるものであり、さらに、段落［００２１］の記載から、「多くの異なる車両が共通又は類似の構成要素を共有しているため、全車両や異なる車両の個体群からの情報は、予測メンテナンスを改善することができる」点に鑑み、「多くの車両からのセンサデータ２２を格納することができる」「テレマティクスデータベース３２」や、「多くの異なる車両の保守データ２４を格納することができる」「保守データベース３４」を設け、「保守データベース３４」において、「各車両２０について、メンテナンス記録、問題報告、顧客問題、および他の履歴データを記録する」ものである。ここで、「テレマティクスデータベース３２」に格納される「センサデータ２２」や「保守データベース３４」に格納される「保守データ２４」は、それぞれワイヤレスでデータをアップロードする機能を有する「車両２０」から取得したデータであるから、引用文献１の実施形態１は、ワイヤレスでデータをアップロードする機能を有する「車両２０」が、「センサデータ２２」及び「保守データ２４」をモニタし、アップロードして、アップロード先のデータベースに記憶させるものである。 一方、引用発明の「車両２０」も無線通信機能を有し、車両に関する「センサデータ２２」と「保守データ２４」がデータベースに記憶され、車両のコントローラ１１０は、上記データベースのデータを取得して障害の時期を予測するものであるから、車両のコントローラ１１０は、上記データベースにアクセスすることが可能であることは明白である。 してみると、引用発明の「車両２０」においても、その予測精度を上げるために多くの車両から情報を収集しようとすることは当業者が普通に想定することであり、また、上記予測精度の向上にあたって、障害の時期を予測すべき車両の情報を収集しようとすることも当たり前に考慮することである。そして、実施形態１の「車両２０」が、モニタした「センサデータ２２」及びモニタした「保守データ２４」を、ワイヤレスでサーバにアップロードしてデータベースに記憶する技術を採用しているのであるから、引用発明においても当該技術を採用することに格別な困難性はない。 したがって、引用発明において、上記実施形態１の技術を採用し、車両がモニタした「センサデータ２２」及びモニタした「保守データ２４」をサーバにアップロードすることは当業者であれば容易に想到し得たことであり、その場合に、「車両２０」内の「コントローラ１１０」が「センサデータ２２」及び「保守データ２４」をアップロードしてデータベースに記憶させることにより、相違点３に係る構成とすることも、引用文献１に接した当業者であれば普通になし得たことである。 （４）相違点４に関する判断 引用文献１の段落［００２３］～［００２５］には、実施形態１による予測アルゴリズム４４の一般的なプロセスとして、「予測アルゴリズム４４」が「プロセッサ１１２」に「構成要素のサービスおよび／または障害を予測させ」る際に、「第１の統計モデル」を使用して「保守データベース３４」内の「保守データ２４」を分析することにより、構成要素メンテナンスの第１のセットを予測し、「第２の統計モデル」を使用して「テレマティクスデータベース３２」内の「センサデータ２２」を分析することにより、構成要素メンテナンスの第２セットを予測した後、構成要素メンテナンスの第１のセットと構成要素メンテナンスの第２のセットとの間の交差から得られる構成要素メンテナンスの第３のセットを、「第３の統計モデル」を使用して分析して、メンテナンスの最終セットを生成し、メンテナンスの最終セットの各構成要素に対して予測メンテナンスを推奨する動作や、「統計モデル」として「機械学習アルゴリズム」を使用し得るものであることが記載されている。 加えて、引用文献１の段落［００２５］には、実施形態１の「統計モデル」について、「RANDOM FOREST（登録商標）アルゴリズム」を使用することが示唆されているところ、「RANDOM FOREST（登録商標）アルゴリズム」が「教師付き機械学習」アルゴリズムに属するものであることは、当業者において周知技術である。 してみると、引用文献１の実施形態１は、「RANDOM FOREST（登録商標）アルゴリズム」のような「教師付き機械学習」アルゴリズムを使用可能な「統計モデル」を用いて、「センサデータ２２」と「保守データ２４」を分析し、さらに当該分析によって生成されるメンテナンスの最終セットに基づいて「予測メンテナンス」を推奨するものであり、推奨される「予測メンテナンス」は、本願発明１２の「第２のメンテナンス介入を予測」したものに相当する。 引用発明は、上記第４の２のとおり、引用文献１において、実施形態２として示された技術に関するものであるが、引用文献１の段落［００２３］～［００２５］に記載された「予測アルゴリズム４４の一般的なプロセス」は、引用発明の「予測アルゴリズム４４」においても同一のプロセスを実行し得るものと解釈するのが自然であるから、引用発明において、「車両２０」内の「メモリ１１４」に格納された「予測アルゴリズム４４」の指示に従って、「プロセッサ１１２」が「データベースに記憶されたデータを分析し」、「分析されたデータに基づいて第２のメンテナンス介入を予測」する処理を実行する際に、引用文献１に記載の実施形態１のように、教師付き機械学習を介してデータの分析を行うことにより、本願発明１２の相違点４に係る構成とすることも、引用文献１に接した当業者であれば普通になし得たことである。 （５）相違点５に関する判断 引用発明は、上記１（３）で示したように、「車両２０」内の「コントローラ１１０」が、車両２０の構成要素について修理を必要とする時期である「第２のメンテナンス介入」を「予測」するものであるところ、引用文献１の段落［０００２］には、引用発明の目的として、「メンテナンスが必要になる時期を予測」可能とすることにより、オペレータが予防措置を講じることを可能とし、それにより、「予期しない故障の発生率と、それに伴うコスト、遅延、及び装置の休止時間を減少させる」ことが示唆されている。 してみると、引用発明が上記の目的を達成するためには、予測した「第２のメンテナンス介入」の結果について、オペレータに通知の提示を行う必要があることは明らかであるから、引用発明の「コントローラ１１０」において、予測した「第２のメンテナンス介入」の結果をオペレータに通知の提示を行うことにより、上記相違点５に係る構成を設けることも、当業者が容易に想到し得たことである。 （６）作用効果について 請求人は、令和３年４月２８日に提出した意見書において、 「引用文献１は、モニターされた機器に関する感覚入力およびモニターされた機器に関する第１のメンテナンス介入に関するデータを記憶するための「集中データベース」を、記載も示唆もしておりません。本願発明によれば、このような「集中データベース」により、集中データベース（すなわち、単一のデータベース）から簡単に読み出すことが可能なモニターされた機器に関する感覚入力およびモニターされた機器に関する第１のメンテナンス介入に関するデータに基づいて第２のメンテナンス介入を予測することが可能となり、引用文献１におけるように、データベース３２、３４のような異なるデータベースをそれぞれ照会する必要がない点で有利です。」 と主張しており、令和３年８月１２日に提出した審判請求書において、 「（ｃ）また、引用文献１は、「モニターされた機器に関する感覚入力」と「モニターされた機器に関する第１のメンテナンス介入」に関するデータを「集中データベース」（すなわち、単一のデータベース）に一緒に記憶しておくことで、第２のメンテナンス介入の予測が容易になる利点があることを認識すらしていません。実際に、引用文献１は、そのような利点を得るために、分散データベースを集中データベースに置き換えることを、記載も示唆もしておりません。そのため、審査官殿のご見解とは違い、当業者であっても、引用文献１においてセンサデータベース３２と保守データベース３４とを単一のデータベース（集中データベース）として構成することは、容易ではないと考えられます。」 と主張している。ここで、請求人は、本願発明１２の「モニターされた機器に関する感覚入力」と「モニターされた機器に関する第１のメンテナンス介入」に関するデータを「集中データベース」に一緒に記憶するという構成を採用することにより、これらのデータを単一のデータベースから簡単に読み出すことが可能になり、これによって、「異なるデータベースをそれぞれ照会する必要がない」という有利な効果、ひいては「第２のメンテナンス介入の予測が容易になる」という有利な効果を奏する旨を主張しているといえる。 しかしながら、本願明細書には、「モニターされた機器に関する感覚入力」と「モニターされた機器に関する第１のメンテナンス介入」に関するデータを「集中データベース」に一緒に記憶することによる効果について、特段の記載がされておらず、また、上記（２）で示したように、「モニターされた感覚入力」に関するデータと「モニターされた第１のメンテナンス介入」に関するデータを「集中データベース」にどのように記憶するかについても、明細書中で特に言及がされていない。してみると、「モニターされた機器に関する感覚入力」と「モニターされた機器に関する第１のメンテナンス介入」に関するデータが「集中データベース」に一緒に記憶される本願発明１２においても、「モニターされた機器に関する感覚入力」に関するデータと、「モニターされた機器に関する第１のメンテナンス介入」に関するデータを、それぞれ照会する必要が生じるのであるから、引用発明と比較して有利な効果を奏するものではない。 そして、上記の相違点を総合的に勘案しても、本願発明１２の奏する作用効果は、引用発明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。 （５）小括 したがって、本願発明１２は、引用発明及び引用文献１に記載された技術的事項に基づいて、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ものである。 第６ むすび 以上のとおり、本願発明１２は、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。