기술기회 발굴 지원을 위한 텍스트 분석 기반의 기술-디자인 트리 구축

2.1 기술-디자인 트리 기반 잠재적 기술기회 발굴

기업의 잠재적 기술기회를 조기에 발굴할 수 있도록 지원하는 것은 해당 기업의 연구개발 기획역량을 강화하고, 연구개발 결과물의 사업화 성과를 제고하는 데 있어 매우 중요하다(Seo, 2021). 더불어 최근에는 정보화 기술이 발전함에 따라 정량적 데이터 분석을 기반으로 하는 기술기회 발굴 연구가 활발하게 진행되고 있다(Lee et al., 2021). 특허는 기술혁신과 연구개발의 동향에 대한 정량적 대리변수로 널리 활용되고 있으며, 이러한 특허 데이터의 분석을 통해 자동화된 기술기회 발굴 방법론에 대한 연구가 다양한 관점에서 수행되고 있다(Park and Yoon, 2017).

Song et al.(2023)은 미국의 발명 특허(utility patent)와 디자인 특허(design patent)를 융합 분석하여 기술과 디자인 간의 유사성을 토대로 기술기회 발굴을 지원하기 위한 방법론을 제안하였다. 이를 위해서 먼저, 수집된 디자인 특허로부터 도메인 분야를 나타내는 field keyword와 디자인 목적의 대상을 나타내는 target object keyword를 추출하여 <Table 1>과 같이 디자인 특허 트리를 도출한다. 이때 field keyword와 target object keyword는 사전에 정의된 키워드 사전에 의해 정성적으로 그룹화하여 정의된다. 다음으로 수집된 발명 특허 간의 키워드와 CPC의 코사인 유사도를 통해 군집 분석을 수행하고 <Table 2>와 같은 발명 특허 트리를 도출한다. 여기서 도출된 각 군집은 대표 키워드와 CPC를 참조하여 정성적으로 군집명을 정의한다. 마지막으로, <Table 3>과 같이 각 트리 간 코사인 유사도 분석을 통해 기술 개발-제품 디자인 영역을 융합하여 개발 전략을 도출한다. 이와 같은 시도는 특허와 디자인권을 동시에 분석하여 연구개발 주체의 보유역량에 기반한 미래의 유망 기술 또는 제품을 식별한다는 점에 의의가 있다. 그러나 분석 프로세스 내 전문가 의존도가 높거나 개입이 빈번하여 분석사례별로 한정된 기술기회 발굴을 지원하는 한계가 있다. 구체적으로, 디자인 특허 트리를 구축하는 과정에서 속지주의(territorial principle)를 따르는 산업재산권의 특성상 미국의 경우 디자인권(design right)을 특허권의 일종인 디자인 특허로 파악한다. 따라서 디자인 특허는 미국특허법(35 U.S.C.)에 따라 <Figure 1>의 (a)와 같이 도시된 대로를 청구하는 전형적인 청구항(claim) 하나만 필요하고, 복수청구항은 허용되지 않는다(Kim, 2010). 즉, 간결한 청구항을 중심으로 추출된 주요 키워드가 해당 디자인 특허의 대표성을 나타내기에 충분하다고 볼 수 있다(Song et al., 2023). 그러나 <Figure 1>의 (b)와 같이 한국 디자인권과 같이 물품명칭, 창작내용, 창작요점 등 텍스트 데이터가 복잡한 구조와 형태일 경우에는 디자인권의 특성을 대표하는 주요 키워드를 추출하는 데 한계가 있다. 또한 발명 특허의 CPC와 같은 서지정보를 활용하여 디자인 트리를 도출하는 프로세스 보완도 필요하겠다. 둘째로, 발명 특허 트리의 각 군집을 대표하는 주요 키워드(main keyword)를 추출하는 과정에서 TF-IDF(term frequency-inverse document frequency)를 기반으로 하고 있어, 동음이의어나 이음동의어같이 문장의 맥락에서 변화하는 단어들의 의미를 파악하지 못한다는 한계가 있다(Yu et al., 2012). 마지막으로, 도출된 각 트리를 검증하는 프로세스도 필요하다. 이에 착안하여 본 연구에서는 텍스트 데이터의 구조와 형태가 복잡한 경우에도 전문가의 개입을 최소화하는 텍스트 분석 기반의 기술-디자인 트리 구축 방법을 제안한다.

Table 1.

Design Patent Tree Structure(Song et al., 2023)

Table 2.

Characteristics of Each Utility Patent Group(Song et al., 2023)

Table 3.

Result of Similarity Analysis between Utility Patent-tree and Design Patent-tree(Song et al., 2023)

Figure 1.

Example of Design Patents and Design Right

2.2 지능형 키워드 추출

특허분류코드와 같은 기술군 단위는 상당히 넓은 범위의 기술 속성을 포괄하기 때문에 이를 통해 도출해 낸 기술기회의 의미가 구체적이지 못하고 모호하다는 한계가 존재한다. 디자인분류코드의 경우에도 마찬가지이다. 예를 들어, <Figure 2>의 (a)는 현대자동차의 인테리어 파트인 스티어링 휠이고, (b)는 익스테리어 파트인 자동차용 휠로 LOC가 12-16으로 동일하다. 즉, 자동차와 관련된 신제품개발 기회를 찾기 위해서 LOC만으로는 디자인 트렌드 영역을 살피기 어렵고, 심지어 인테리어와 익스테리어의 구분도 어렵다는 것을 보여준다. 이에 본 절에서는 지능형 키워드 추출 방법을 활용하여 전문가의 개입을 최소화하고, 보다 명확한 기술적 의미와 제품 디자인 컨셉을 내포한 기술-디자인 트리를 구축할 수 있도록 키워드 추출 방법을 살펴본다.

Figure 2.

Examples of LOC 12-16 Applied to Both Interior and Exterior Design

일반적으로 키워드 추출 방법은 라벨링 된 말뭉치(corpus)의 필요 여부에 따라 지도 및 비지도 방법으로 분류된다. 지도학습 기반의 키워드 추출 방법은 이진 분류(binary classification) 문제로 처리된다. 즉, 머신러닝 기반의 분류기를 통해 문서 내의 각 단어나 구문이 키워드인지를 결정한다. Witten et al.(1999)은 Naive Bayes 알고리즘을 기반으로 간단하고 효율적인 핵심 구문 추출 알고리즘 KEA(Keyphrase Extraction Algorithm)를 제안하였다. Zhang et al.(2008)은 조건부 무작위성을 기반으로 문서의 특징이 효과적으로 반영된 레이블링 필드로 키워드 추출을 진행하여 SVM, 선형회귀모델 등 다른 기계학습 방법에 비해 키워드 추출 성능을 향상시킨 바 있다. 그러나 지도학습 기반의 키워드 추출 방식은 라벨링 된 말뭉치가 필요하고, 훈련 말뭉치의 품질이 모델의 성능에 직접적인 영향을 주어, 키워드 추출 결과에 영향을 미친다는 한계가 있다. 더욱이 라벨을 태깅하는 과정에서의 오류나 비용, 시간 등의 문제도 있다(Hu et al., 2018). 반면에 비지도학습 기반의 키워드 추출 방법은 사전에 라벨링 되지 않은 말뭉치에서 키워드를 추출한다는 장점이 있다. Li et al.(2007)은 뉴스 데이터에서 키워드를 추출하기 위한 TF-IDF 기반의 접근 방식을 제안하여 기존 방법들보다 정확도 측면에서 훨씬 뛰어난 성능을 보였다. Mihalcea and Taru(2004)는 PageRank 알고리즘과 유사한 그래프 기반의 TextRank를 제안하였다. TextRank는 PageRank 알고리즘을 사용하여 각 단어의 중요성을 반복적으로 계산하고, 각 단어별로 중요성을 정렬하여 상위 순위에 있는 단어를 키워드로 선택한다. 그러나 PageRank 값을 계산하는 데 많은 반복이 필요하고, 높은 계산 복잡성으로 인해 대규모 텍스트 키워드 추출 작업에서는 거의 사용되지 않는다. Rose et al.(2012)은 개별 문서에서 핵심 문구를 추출하기 위해 RAKE(rapid automatic keyword extraction) 알고리즘을 제안하였고, TextRank에 비해 긴 핵심 구문(keyphrase) 추출에 있어서 더 향상된 성능을 보였다. Zhichao et al.(2024)은 KeyBERT 알고리즘을 기반으로 과학과 기술 간의 선행-지연 거리를 식별하여 기술기회를 발굴하는 방법을 제안하였고, 과학논문과 특허에서 KeyBERT를 활용하여 키워드를 추출한 결과 TF-IDF, TextRank, RAKE 알고리즘 보다 우수한 성능과 안정성을 보임을 확인하였다. 본 연구는 이에 착안하여, 특허 데이터에서 특징적인 키워드(discriminative keyword) 추출에 적합하고, 별도의 라벨링된 말뭉치가 필요하지 않은 KeyBERT를 기반으로 특허와 디자인권의 주요 키워드를 추출한다. 이를 통해 <Table 1>과 같이 디자인 트리를 구축하는 과정에서 사전에 정의된 키워드 사전이 없고, 한국의 디자인권과 같이 텍스트 데이터의 구조와 형태가 복잡한 경우에도 전문가의 개입을 최소화 하여 제품 디자인 컨셉을 내포한 키워드를 추출하고자 한다. 또한 <Table 2>와 같은 기술 트리의 구축 과정에서 기존 연구(Song et al., 2023)에서 활용된 TF-IDF 모델을 사용할 경우, 한계점인 동음이의어나 이음동의어와 같은 문제가 발생할 수도 있다. 이는 신규성(novelty)과 진보성(inventive step and non-obviousness)을 만족해야 하는 특허의 요건 상 유사한 기술일지라도 다른 용어로 표현되는 특성을 고려하지 못하므로, <Table 4>와 같이 KeyBERT를 활용하여 특허 데이터의 문맥의 의미를 살피고, 기술적 의미가 담긴 키워드를 추출하는 것이 바람직하다.

Table 4.

Comparison of Intelligent keyword Extraction Models

3.1 KeyBERT 기반의 의미적 유사도 분석

Grootendorst(2020)에 의해 개발된 KeyBERT는 <Figure 4>와 같이 후보 구문 선택, 임베딩 추출, 코사인 유사도 계산의 세 단계로 진행된다. 먼저, 문서로부터 N-gram 단위의 후보 구문을 선택한다. 다음으로, 사전 훈련된 Sentence-BERT(Reimers and Gurevych, 2019) 모델을 활용하여 문서와 후보 구문의 임베딩 벡터를 추출한다. 여기서 Sentence-BERT는 <Figure 5>와 같이 두 개의 BERT 모델에 문장을 하나씩 입력하여 BERT 간에 서로 같은 weight를 공유하는 siamese network 구조로 문장 임베딩 성능을 극대화한 모델이다(Kang et al., 2023). 이를 통해 어간 추출(stemming)이나 표제어 추출(lemmatization)과 같은 텍스트 정규화나 불용어 처리(stopword) 등의 텍스트 분석을 위한 전처리 과정을 생략하여도 문장 단위(sentence-level)에서 단어의 의미적(semantic), 구문적(syntactic) 정보가 반영된 키워드가 추출된다. 마지막으로, 임베딩 된 문서와 각 후보 구문 간의 코사인 유사도를 계산한다. 이때 문서와 가장 유사한 후보 구문을 전체 문서를 가장 잘 설명하는 키워드로 식별할 수 있다고 가정한다(Choi and Lim, 2023). 예를 들어, <Figure 6>과 같이 “본 발명은 나노기술을 사용하여 복합재료를 생산하는 새로운 방법에 관한 것.”에 관한 내용을 담고 있는 문서에서 3-gram 후보 구문을 선택하고, 문서와 후보 구문을 각각 임베딩한 뒤 유사도를 계산한 결과 ‘나노기술을’, ‘이용한’, ‘소재’라는 3개의 단어로 구성된 구문이 해당 문서를 가장 잘 설명하는 키워드로 도출된다. 이렇게 도출된 키워드는 문맥을 고려해 도출된 구문의 형태이기 때문에 해석하기 수월한 장점이 있다. 이처럼 본 연구에서는 각 특허와 디자인권에 대하여서 KeyBERT를 이용하여 기술적·제품적 의미를 내포한 키워드를 추출하고, 각 키워드 간의 코사인 유사도 분석을 통해 의미적 유사도 행렬(semantic similarity matrix)을 도출한다. 이때, 유사도 값에 임곗값을 주어 일정 수준 이상(δ₁)인 경우 유사한 기술군, 유사한 디자인군으로 유형화할 수 있다. 상기 과정은 Algorithm 1로 정리된다. Algorithm 1의 라인 3부터 라인 12는 KeyBERT의 3단계를 함수로 정의한다. 라인 14부터 라인 16은 N개의 문서에 대하여서, i번째 문서의 키워드와 j번째 문서의 키워드 간 코사인 유사도를 계산을 반복하여 의미적 유사도 행렬 SS가 생성된다. 이때, 라인 17과 라인 18을 통해 의미적 유사도가 임곗값(δ₁) 이상인 경우 최종적으로 활용 가능한 SS가 반환된다.

Figure 4.

KeyBERT Steps

Figure 5.

Structure of Sentence-BERT model

Figure 6.

Example of Keyword Extraction

3.2 서지정보를 활용한 기술적·제품적 유사도 분석

한편 특허를 출원하기 위해서는 신규성, 진보성 등을 만족해야 하므로 특허 내 표현되는 기술 용어의 경우 유사한 기술에 대한 권리를 주장함에도 서로 다른 용어로 표현되는 특성이 있다(Chae and Gim, 2018). 따라서 의미적 유사도 분석을 통해 유형화한 기술군과 디자인군은 각 산업재산권의 개별속성을 설명하는 키워드가 유사한 정도에 따라 그룹화한 것이므로, 그 자체를 기술 트리나 디자인 트리로 간주하기에는 어려움이 있다. 따라서 본 절에서는 특허와 디자인권의 서지정보(bibliographic information)를 토대로 기술적·제품적 유사성을 고려하여 기술-디자인 트리를 구축하기로 한다.

특허의 CPC는 현존하는 특허분류체계 중 가장 세분화된 코드 수를 가지고 있다. CPC는 <Table 6>과 같이 섹션, 클래스, 서브클래스, 메인그룹, 서브그룹의 계층적 구조로 국제특허분류(International Patent Classification, 이하 IPC)의 구조와 동일하다. 그러나 IPC에는 존재하지 않는 기술 주제를 분류하기 위해 <Table 7>과 같이 Y 섹션이 추가되었고, IPC 대비 메인그룹 기준 3,212개, 서브그룹 기준으로는 195,406개의 분류가 더 많다. 즉, CPC를 통해 IPC보다 세분화되고 구체적인 기술 분류가 가능하다(Park et al., 2022). 또한 발명과 관련된 기술내용이 여러 개일 경우에는 복수 개의 CPC 코드를 부여할 수 있다. 본 연구에서는 자카드 유사도를 활용하여 특허 간 CPC의 공유 여부에 따라 기술적 유사도 행렬(technology similarity matrix)을 도출한다. 이때, 유사도 값에 임곗값을 주어 일정 수준 이상(δ₁)인 경우 동일한 기술 분야로 간주한다. 상기 과정은 Algorithm 2로 정리된다. Algorithm 2의 라인 3부터 라인 5은 N개의 문서에 대하여서, i번째 문서의 CPC와 j번째 문서의 CPC 간 자카드 유사도를 계산을 반복하여 기술적 유사도 행렬 TS가 생성된다. 이때, 라인 6과 라인 7을 통해 기술적 유사도가 임곗값(δ₁) 이상인 경우 최종적으로 활용 가능한 TS가 반환된다. 이로써 3.1절에서 도출된 유사한 기술군은 식 (1)과 같이 기술 분야의 필터링을 통해 기술 트리로 구축된다.

Table 6.

Example of CPC Structure

Table 7.

CPC Sections and Number of Hierarchical Codes

여기서 SSP_ij는 각 특허 간 의미적 유사도 행렬을 의미하고, TS_ij는 기술적 유사도 행렬을 의미한다. $$ {\mathit{C}}_{ij}^{tech }$$는 SSP_ij와 TS_ij의 동일한 위치에 있는 원소들끼리 곱(element-wise product)하여 생성된 유사도 행렬이다. 즉, 각 특허는 기술적 의미와 기술 분야가 모두 유사할 경우 기술 트리로 구축된다.

디자인권의 LOC는 디자인 물품 분류의 국제적 통일화를 위해 채택된 분류체계이다. LOC는 <Table 8>과 같이 원칙상 물품의 목적(purpose)에 따라 분류하고, 가능한 경우 물품이 나타내는 형상(the object)에 따라 보조적으로 분류한다. 로카르노 분류 14판 기준 32개류(Class)와 241개군(Subclass)으로 구성되어 있다(Yoon and Kim, 2023). 본 연구에서는 특허와 동일한 방식으로 디자인권 간 LOC의 공유 여부에 따라 제품적 유사도 행렬(product similarity matrix)를 도출한다. 이때, 유사도 값에 임곗값을 주어 일정 수준 이상(δ₁)인 경우 동일한 디자인 분야로 간주한다. 상기 과정은 Algorithm 3으로 정리된다. Algorithm 3의 라인 3부터 라인 5은 N개의 문서에 대하여서, i번째 문서의 LOC와 j번째 문서의 LOC 간 자카드 유사도를 계산을 반복하여 제품적 유사도 행렬 PS가 생성된다. 이때, 라인 6과 라인 7을 통해 제품적 유사도가 임곗값(δ₁) 이상인 경우 최종적으로 활용 가능한 PS가 반환된다. 이로써 3.1절에서 도출된 유사한 디자인군은 식 (2)과 같이 디자인 분야를 필터링함으로써 디자인 트리로 구축된다.

Table 8.

Example of LOC Structure

여기서 SSP_ij는 각 디자인권 간 의미적 유사도 행렬을 의미하고, PS_ij는 제품적 유사도 행렬을 의미한다. $$ {\mathit{C}}_{ij}^{prod }$$는 SSP_ij와 TP_ij의 동일한 위치에 있는 원소들끼리 곱하여 생성된 유사도 행렬이다. 즉, 각 디자인권은 디자인 컨셉과 제품 분야가 모두 유사할 경우 디자인 트리로 구축된다.

3.3 도면정보의 구조적 유사도 기반 트리 검증

본 절에서는 특허와 디자인권의 도면 정보를 토대로 구조적 유사도(Structural Similarity Index Measure, 이하 SSIM)를 평가하여 구축된 기술-디자인 트리를 검증한다.

SSIM은 사람의 눈이 이미지에서 구조적 정보를 추출하는데 집중한다는 것에 착안하여 휘도(Luminance), 명암비(Contrast), 구조(Structure)로 이들의 유사도를 구하여 서로 곱함으로써 <Figure 7>과 같이 전체적인 이미지의 구조적 유사도를 측정한다(Wang et al., 2004). 따라서 N×N 크기의 window 안에서 original signal을 x=x_i | i=1,2,...,N×N로 distorted signal을 y=y_i | i=1,2,...,N×N로 표현했을 때 식 (3)과 같이 휘도 l(x,y), 명암비 c(x,y), 구조 s(x,y)의 유사도를 구하고, 이들을 서로 곱합으로써 식 (4)과 같이 SSIM을 구한다.

Figure 7.

Processing of SSIM Image Assessment

여기서 μ_x와 μ_y는 각각 signal x와 y의 평균값이며 이는 signal의 밝기를 반영한다. σ_x와 σ_y는 각각 신호 x와 y의 분산이며 이는 signal의 대비를 반영한다. σ_xy는 signal x와 y사이의 공분산이며 이는 두 signal 간의 상관도를 반영한다. 이러한 휘도, 명암비, 구조도는 독립적이고 각각 1에 가까울수록 원본 이미지와 가깝고, 0에 가까울수록 원본 이미지와 다르다. 이처럼 정지영상에 기반을 둔 SSIM을 활용하여 특허의 평면도나 디자인권의 사시도와 육면도와 같은 이미지의 구조적 유사도를 측정하여 구축된 기술-디자인 트리를 검증할 수 있다. 이때, SSIM 값에 임곗값을 주어 일정 수준 이하(δ₂)인 트리에 대해서만 관련 분야의 전문가의 분석을 의뢰하여 전문가의 개입을 최소화한다. 이로써 제안 방법론은 Algorithm 4로 정리된다. Algorithm 4의 라인 3부터 라인 6은 <Figure 3>의 Step 1인 기술 트리 구축과정이고, 라인 8부터 라인 11은 <Figure 3>의 Step 2인 디자인 트리 구축 과정이다. 라인 13와 라인 14는 구축된 트리의 도면 정보 간 이미지 구조 유사도를 평가하여 임곗값(δ₂)을 초과하는 경우 기술-디자인 트리의 대표 키워드 간 코사인 유사도를 반환함으로써 <Figure 3>의 Step 3를 수행한다.

4.1 분석사례 선정

본 실험에서는 제안 방법론의 기여점을 부각하기 위하여, 기존 연구(Song et al., 2023)와 동일한 ‘차량 인스트루먼트 패널’을 분석 사례로 선정하였다. 또한 동일한 기술 분야-동일한 디자인 분야 내에서도 서로 상이한 트렌드를 갖는 시사점을 도출하거나 유사한 트렌드를 도출하기 위해 특허와 디자인권 모두 <Table 9>와 같은 동일한 검색식을 사용하였다. KIPRIS(Korea Intellectual Property Rights Information Service)의 IP 검색 서비스를 활용하여 연도 제한을 두지 않고 분석사례를 수집한 결과 총 1,206건의 특허와 22건의 디자인권이 수집되었다. 특허의 경우 디자인권에 비해 월등히 많은 출원 건수를 보이고 있지만, <Figure 8>과 같이 출원 트렌드는 2017년 이후 급격히 감소하는 추세를 보인다. 반면, 디자인권의 경우 특허에 비해 절대적인 출원 건수는 적지만, <Figure 9>와 같이 2015년 이후 꾸준히 증가하는 추세를 보인다. 이는 기술 개발의 고도화로 기업들의 기술 수준이 평준화되면서 기술 중심 개발보다 먼저 디자인 중심 개발을 선행하는 경향이 반영된 것으로 사료된다.

Table 9.

Search Formulae for Patent and Design Right

Figure 8.

Patent Application Trends

Figure 9.

Design Application Trends

수집된 특허의 CPC의 사전분석 결과는 <Figure 10>과 같다. 본 실험에서는 기술 트리를 구성하는 기술의 세부 단위까지 고려하기 위해 <Table 6>과 <Table 7>을 통해 살펴본 것과 같이 CPC의 서브그룹 단위에서 분석을 진행하였다. 수집된 특허들은 3,053개의 고유한 기술 분야를 가지는 것으로 확인된다. 또한 각 특허는 평균 6개, 최대 43개의 기술 분야가 융합되어 출원된 최신 기술의 보고(cutting-edge technology)라고 할 수 있다. 이를 통해 특허의 CPC를 기술혁신과 연구개발의 동향에 대한 정량적 대리변수로 삼기에 적합함을 확인한다. 또한 수집된 디자인권의 LOC에 대한 사전분석 결과는 <Table 10>과 같다. 수집된 디자인권들은 대부분 제12류에 분포되어 있다. 이는 ‘차량 인스트루먼트 패널’ 분야에서 대부분의 디자인이 ‘운송 또는 승강 수단’을 목적으로 하는 제품인 것을 알 수 있다. 또한 디자인권의 도면은 육면도와 사시도 같은 정형화된 형태로 디자인 컨셉을 담고 있다. 이를 통해 유사한 제품의 디자인 트렌드를 식별하거나, 기술 트렌드와 상이하게 흘러가는 디자인 트렌드를 식별할 수도 있다.

Figure 10.

Pre-Analysis Results of CPC

Table 10.

Pre-Analysis Results of LOC

4.2 기술 트리 구축 결과

본 절에서는 특허의 ‘발명의 명칭, 요약, 청구항’ 텍스트 정보로부터 의미적 유사도 분석을 위해 Python의 KeyBERT 라이브러리에서 제공하는 ‘distilbert-base-nli-mean-tokens’ 임베딩 모델을 활용한다. 키워드 추출 과정에서 하이퍼 파라미터인 추출할 상위 키워드 갯수(top_n)는 1로, 추출된 키워드의 N-gram 범위(keyphrase_ngram_range)는 (5,5)로 설정한다. 즉, 각 특허별로 5개의 단어로 구성된 핵심 구문을 1개씩 추출하여 의미적 유사도를 계산한다. 각 특허의 핵심 구문 간 코사인 유사도가 평균 이상인 경우(δ₁)를 시각화 하면 <Figure 11>의 (a)와 같다. 이때, 임곗값(δ₁)는 분석하고자 하는 기술 분야나 전문가의 의견에 따라 조정할 수 있다. x축과 y축은 각 특허의 인덱스이고 대각선을 제외하고 노란색으로 표시된 부분이 각 특허가 가진 기술적 의미가 유사한 기술군이 된다. 다음으로, CPC를 활용한 기술적 유사도 분석 결과는 <Figure 11>의 (b)와 같다. 각 특허별로 공유한(intersection) 기술 분야가 있는 경우 노란색으로 표시된 것을 확인할 수 있다. 본 실험에서는 기존 방법(Sung et al., 2023)과 동일한 조건으로 CPC 공유 여부(δ₁)를 임곗값으로 두고 이진 벡터값(1, 0)을 곱하여 동일한 CPC의 공유가 없다면 유사도 값은 0으로 도출한다. 이때도 임곗값은 분석 목적이나 도메인 전문가의 판단에 따라 조정될 수 있다. 마지막으로, <Figure 11>의 (a)와 (b)를 곱하여 도출된 (c)는 기술적 의미와 기술 분야가 모두 유사한 영역이다. 이 과정에서 코사인 유사도로 계산된 의미적 유사도와 자카드 유사도로 계산된 기술적 유사도의 값의 스케일이 다르기 때문에 0에서 1사이의 값으로 정규화하였다. 이로써 ‘차량 인스트루먼트 패널’ 분야에서 구축된 기술 트리는 <Table 11>과 같이 구축된다. 구축된 기술 트리는 각 그룹을 구성하는 특허의 도면 이미지간 구조적 유사도를 평가하여 검증된다. 예를 들어, <Table 11>의 두 번째 그룹의 출원번호 ‘10-2015-0155055’는 ‘운전자 보조 시스템 및 이를 포함하는 차량, 운전자 보조 시스템의 제어방법’에 관한 특허이고 ‘10-2017-0074902’은 ‘차량, 및 그 제어방법’에 관한 특허이다. 이들 특허는 ‘decide whether car offer control’ 키워드로 대표되는 기술적 의미와 ‘B60W40(특정 하위 유닛의 제어와 관련이 없는 도로 차량 주행 제어 시스템에 대한 {비직접 측정 가능} 주행 파라미터의 추정 또는 계산)’과 ‘B60W2556(데이터와 관련된 입력 매개변수)’같은 CPC를 공유하는 기술적 유사도를 만족하는 유사한 기술군이 된다.

Figure 11.

Visualization Results of the Technology Tree Construction Process

Table 11.

Results of Technology Tree Construction

4.3 디자인 트리 구축 결과

본 절에서는 기술 트리 구축 과정과 동일한 실험 조건에서 디자인 트리를 구축한다. 수집된 디자인권의 ‘물품명칭, 창작내용, 창작내용’ 텍스트 정보로부터 의미적 유사도 분석을 통해 유사도가 평균 이상인 경우(δ₁)를 시각화 하면 <Figure 12>의 (a)와 같다. 이때, 임곗값 δ는 분석하고자 하는 디자인 분야나 전문가의 의견에 따라 조정할 수 있다. x축과 y축은 디자인권별 인덱스이고 대각선을 제외하고 노란색으로 표시된 부분이 디자인 컨셉이 유사한 디자인군이 된다. 다음으로, LOC를 활용하여 제품적 유사도를 비교한 결과는 <Figure 12>의 (b)와 같다. 기술 트리 구축 과정과 마찬가지로 LOC 공유 여부(δ₁)를 임곗값으로 두고 이진 벡터값(1, 0)을 곱하여 동일한 LOC의 공유가 없다면 유사도 값은 0으로 도출한다. 그러나 의미적 유사도 분석과 마찬가지로 분석 목적이나 도메인 전문가의 판단에 따라 조정될 수 있다. 마지막으로, <Figure 12>의 (a)와 (b)를 곱하여 도출된 (c)는 디자인 컨셉과 디자인 분야가 일치가 모두 유사한 영역이라고 할 수 있다. ‘차량 인스트루먼트 패널’ 분야에서 구축된 디자인 트리는 <Table 12>와 같다. 구축된 디자인 트리는 각 그룹을 구성하는 디자인권의 육면도나 사시도 이미지의 구조적 유사도를 평가하여 검증한다. <Table 12>의 세 번째 그룹의 국제등록번호 ‘DM/205850’는 ‘자동차 대시보드용 액추에이터’에 관한 디자인권이고 ‘DM/207095’은 ‘전기 액추에이터’에 관한 디자인권이다. 이들 디자인권은 ‘car dashboard design indicator actuator’ 키워드로 대표되는 디자인적 컨셉과 ‘13-03(전력 공급 및 제어기기)’같은 LOC를 공유하는 제품적 유사도를 만족하는 유사한 디자인군이 된다.

Figure 12.

Visualization Results of the Technology Tree Construction Process

Table 12.

Results of Design Tree Construction

4.4 개발 기회 영역 도출 결과

본 절에서는 디자인 트리와 특허 기술 트리를 비교하여 개발 기회 영역을 도출한다. 이를 위해서 디자인 컨셉을 담은 대표 키워드와 기술적 의미를 담은 대표 키워드간 코사인 유사도를 통해 트리 간 유사성을 분석한다. 예를 들어, <Table 13>의 LOC ‘12-16’에 해당하는 디자인군은 ‘운송 또는 승강수단(Class 12)’분야에서도 ‘다른 류나 군에 포함되지 않는 운송수단용 부품, 장비 부속품(Subclass 16)’을 목적으로 하는 디자인 영역이다. 해당 디자인 영역의 컨셉은 ‘instrument panel bottom display metal’로 하고 있으므로, CPC ‘B60W50/14(운전자에게 알리기 위한 수단, 운전자에게 경고하기 위한 수단 또는 운전자의 개입을 촉구하기 위한 수단)’로 분류된 기술군보다는 ‘display visual information execution screen’과 같은 기술적 의미를 담고 있는 ‘B60W2050/146(디스플레이 수단)’, ‘B60W30/14(속도 제한)’, ‘B60R16/02(차량의 상대적으로 움직이는 부품사이의 것, 예. 핸들과 칼럼간에 있어서의 것)’ 등과 같은 보다 구체적인 기술이나 그러한 신기술의 개발이 요구된다. 또한, CPC ‘B60R2011/0057(자기 수단을 이용하는 것)’에 해당하는 기술군은 ‘전기의 발전, 공급 또는 변전을 위한 장치(Class 13)’ 중에서도 ‘전력 공급 및 제어기기(Subclass 03)’과 관련된 신제품의 개발이 요구되고, 개발 과정에서 ‘car dashboard design indicator actuator’을 컨셉으로 한 디자인 영역의 트렌드를 참고할 수 있을 것이다.

Table 13.

Result of Similarity Analysis between Technology-tree and Design-tree

5.1 결론

최근 기술 수준의 고도화와 평준화로 기술 중심 개발보다 디자인 중심 개발을 선행하는 경향이 있다. 이에 특허와 디자인권의 분석을 통해 경쟁자의 연구개발을 이해하고, 기업의 시장 기회를 파악하는 것이 필요하다. 그러나 특허와 디자인권을 동시에 분석한 연구가 거의 없고, 기존의 방법으로는 분석 과정에서 전문가 의존도가 높거나 개입이 빈번하여 기술기회발굴을 지원하는 데 한계가 있다. 특히 속지주의를 따르는 산업재산권의 특성상 국가별로 데이터의 구조와 형태가 달라 텍스트 데이터가 복잡한 구조와 형태일 경우 해당 문서를 대표하는 주요 키워드를 추출하는 데 어려움이 있다. 본 연구에서는 텍스트 데이터의 구조와 형태가 복잡한 경우에도 전문가의 개입을 최소화하는 텍스트 분석 기반의 기술-디자인 트리 구축 방법을 제시한다. 이를 위해서 각 특허와 디자인권에서 KeyBERT 모델을 활용하여 문맥을 고려한 주요 키워드를 추출하여 의미론적 유사도를 분석한다. 다음으로, 특허의 CPC와 디자인권의 LOC를 활용하여 기술적·제품적 유사도 분석을 통해 기술-디자인 트리를 구축한다. 마지막으로, 구축된 트리는 특허와 디자인권의 도면 이미지의 구조적 유사도를 평가하여 검증한다. 실험 결과 ‘차량 인스트루먼트 패널’ 분야에서 요구기능과 제품 디자인 니즈를 계층적으로 구조화할 수 있다. 또한 이들 간의 유사성을 분석함으로써 기술 개발에 국한되지 않고, 유사한 제품 디자인의 트렌드 영역도 파악할 수 있다. 이를 통해 학술적 관점에서 제안 방법론의 유용성을 보이고, 실무적 관점에서는 연구개발 주체의 보유역량(기술/제품)에 기반한 신기술 또는 신제품 기회의 발굴을 지원할 수 있음을 시사한다.

5.2 향후 연구

향후 연구에서는 제안 방법론의 한계를 보완하고, 더욱 타당한 분석을 위한 노력이 필요할 것으로 사료된다. 먼저, 제안 방법론에서 활용된 모델의 특성상 분석 분야(domain)가 변하거나 새로운 특허, 디자인권 데이터가 추가될 때 기술 트리와 디자인 트리를 실시간으로 구축하는 데 어려움이 있다. 따라서 추후 연구에서는 AutoML(Automated Machine Learning)을 활용한다면 기술과 디자인 트렌드를 실시간으로 반영한 기술-디자인 트리를 구축할 수 있을 것이다. 또한 기술-디자인 트리 간 유사성을 비교하는 과정에서 요구기능과 니즈를 대표하는 단어들의 가중치가 다른 문제도 있다. 따라서 유사도 계산 과정에서 대표 키워드의 가중치를 고려하여 더욱 정교한 정렬이 요구된다. 나아가 특허나 디자인권 외에도 다양한 IP를 분석에 활용한다면, 더욱 타당하고 유용성 있는 기술기회 발굴 지원이 가능할 것으로 기대된다.