Août 202611 min de lecture

Une lettre de mise en demeure en matière de brevet demande une recherche professionnelle et des semaines à répondre. Nightshift lit 2 000 brevets en 4 minutes pour 34 $ et trouve la référence que l'examinateur a manquée.

Chaque outil d'antériorité existant est un système de récupération : classer un corpus, montrer à un humain le top-quelques-dizaines. Ça a un plafond mesurable : avec le meilleur embedding disponible, un top-50 rate encore 59,7 % des références qu'un examinateur USPTO a réellement appliquées. Nightshift est un système de jugement : une passe vectorielle réduit 171 695 brevets, puis Gemini en lit deux mille, pas cinquante, décidant pour chacun s'il divulgue chaque limitation. En aveugle contre les vraies citations d'actions d'office USPTO : 97,5 % de rappel des références d'anticipation appliquées par l'examinateur (n=40), 92,5 % sur l'obviousness (n=40), 18,8 % sur un ensemble de contrôle jamais cité. Sur la démo, 4 minutes sur 10 tâches Cloud Run, 34,57 $, il a fait remonter indépendamment la référence X-cite de l'examinateur à profondeur 218, plus une référence de 1998 que l'examinateur a manquée qui enseigne six des sept limitations en propre.

AllThingsAgenticTheTaskmasterGoogle CloudVertex AIGeminiBigQueryCloud Run JobsUSPTOPrior ArtPatent LitigationShowDev

Voir la démo Ouvrir Nightshift en direct Code source

Construit pour le All Things Agentic Hackathon, piste : The Taskmaster. Dossier de preuves d'antériorité, pas un avis juridique. Nightshift produit des preuves à revoir par un conseil en brevets licencié ; il rapporte ce qu'une référence divulgue, il ne décide pas si une revendication est invalide. #allthingsagentic

La revendication en une phrase : les entités non-pratiquantes ont déposé 55,4 % des dossiers de brevets américains en 2025, défendre l'une avec moins d'1 M$ en jeu coûte en médiane 600 000 $, et la première vraie question dans chacune (ce brevet est-il déjà inventé) est hors de portée exactement des entreprises les plus souvent poursuivies. Nightshift y répond de manière autonome en environ 4 minutes pour 34,57 $ par exécution, et contre une évaluation en aveugle notée par des examinateurs USPTO il retrouve 97,5 % des références d'anticipation appliquées par l'examinateur (n=40) tout en restant silencieux sur 81,2 % des références que l'examinateur n'a jamais citées (n=80). Sur la démo, il a aussi fait remonter US 6 564 189, déposé en 1998, absent des citations de l'examinateur, enseignant six des sept limitations en propre là où la référence de l'examinateur en enseigne deux.

Écran d'accueil Nightshift : entrer le numéro du brevet invoqué ou lui remettre la lettre de mise en demeure. Les exécutions terminées restent ouvertes ; une nouvelle recherche est encadrée parce qu'elle coûte de l'argent. — Lecture publique, dépense encadrée. Chaque exécution terminée et chaque tableau de revendications est ouvert sans clé ni connexion. Démarrer une nouvelle recherche est la seule action qui coûte du vrai argent (2 000 brevets lus par Gemini, environ 34 $), donc il faut deux limites indépendantes : une porte à jeton sur l'endpoint d'exécution, et un compteur de plafond quotidien réclamé dans une transaction Firestore pour que deux pressions concurrentes ne puissent pas passer toutes les deux. Le coût d'une exécution est la contrainte de conception centrale de tout le système.

Pourquoi la récupération seule a un plafond

Chaque outil d'antériorité existant est un système de récupération : classer un corpus, montrer à un humain le top-quelques-dizaines. En classant ce corpus avec `gemini-embedding-001`, le meilleur embedding disponible, un top-50 rate encore 59,7 % des références qu'un examinateur USPTO a réellement appliquées pour anticiper une revendication. Un meilleur classement ne le corrige pas. Lire plus loin dans la liste, si. Profondeur 20 trouve 26,6 % des références d'anticipation, profondeur 50 trouve 40,3 %, profondeur 500 trouve 71,0 %, profondeur 2 000 trouve 83,9 %. Le préfiltre n'est pas appelé à avoir raison, seulement à ne pas perdre la réponse.

Journal principal d'une exécution Nightshift : 171 694 brevets dans le CPC G06Q, 126 787 abandonnés comme non-antériorité, 44 907 éligibles après la barrière de date de priorité, 2 000 lus par Gemini sur 10 tâches Cloud Run. — Nightshift est un système de jugement. Une passe vectorielle réduit 171 695 brevets à des candidats, puis Gemini en lit deux mille, pas cinquante, décidant pour chacun s'il divulgue chaque limitation de la revendication invoquée. Cloud Run Jobs répartit le travail sur 10 tâches avec `MOD(rank, TASK_COUNT) = TASK_INDEX` pour que la charge s'équilibre par construction.

Noté par des examinateurs USPTO, pas par moi

En aveugle : le modèle ne voit jamais le numéro, le titre, le titulaire ou les dates de la référence, donc il ne peut s'appuyer sur rien qu'il aurait mémorisé. Sur 40 références qu'un examinateur USPTO a appliquées comme anticipation §102, le filtreur en signale 97,5 %. Sur 40 références appliquées comme obviousness §103, 92,5 %. Sur un ensemble de contrôle de 80 références que l'examinateur n'a jamais citées, tirées du même corpus et passant la même barrière de date de priorité, 18,8 %. Le contrôle est ce qui donne du sens aux deux autres : le rappel seul se truque trivialement en signalant tout, donc le même filtreur passe sur des références que l'examinateur n'a pas citées. De bout en bout (préfiltre × filtreur) à 2 000 candidats : 81,8 % sur les X-cites, 62,8 % sur les Y-cites.

Page d'exactitude notée contre des examinateurs USPTO : en aveugle, retrouve 97,5 % des références d'anticipation, reste silencieux sur 81,2 % jamais citées par l'examinateur. — C'est un rappel contre l'examinateur, pas contre une vérité terrain. Le rappel de recherche d'un examinateur est lui-même de 45 à 85 %, donc chaque référence que Nightshift trouve et que l'examinateur a manquée compte ici comme un manqué. Le chiffre est un plancher de performance, pas une estimation.

L'exécution de démo, de bout en bout

Exécution `10163121-c398c4bc`, une vraie exécution Cloud Run. Cible : US 10 163 121 (marketing ciblé et gestion des ressources consommateur), poursuivie contre US 7 606 730 (carte de valeur stockée multi-marchands), que l'examinateur USPTO a appliquée comme rejet catégorie-X anticipation. En aveugle, sans jamais voir l'historique du dossier, Nightshift a fait remonter indépendamment cette même référence à profondeur 218, au-delà de toute liste courte qu'on montre à un humain. Les deux brevets ne partagent presque aucun vocabulaire : l'un s'appelle marketing ciblé, l'autre carte de valeur stockée, et les deux décrivent l'accumulation de valeur de fidélité et son remboursement à un point de vente marchand. C'est pourquoi la recherche par mots-clés le rate et pourquoi l'étape de jugement doit lire plutôt que faire correspondre. Temps de mur ~4 minutes sur 10 tâches Cloud Run. Coût 34,57 $.

Le tableau de revendications pour US 7 606 730 à profondeur 218, une référence appliquée par un examinateur USPTO. Chaque limitation de la revendication 1 est mappée, chaque passage cité. — Le tableau est limitation par limitation avec des citations précises dans la référence. C'est l'artefact que l'avocat lit : pour chaque limitation de revendication, quel passage de la référence la divulgue, et si un passage n'existe pas, ce trou est aussi nommé.

Le résultat qui compte plus

Retrouver ce qu'un examinateur a déjà trouvé prouve que la méthode fonctionne. Trouver ce que l'examinateur a manqué est le produit, et cette exécution l'a fait. US 6 564 189, déposé le 22 décembre 1998, presque huit ans avant la date de priorité de ce brevet, n'apparaît nulle part dans les citations de l'examinateur. Il enseigne six des sept limitations en propre là où la référence de l'examinateur en enseigne deux. Selon la propre métrique de Nightshift, ça compte ici comme un manqué, parce que l'évaluation est mesurée contre l'examinateur et pas contre une vérité terrain. C'est la lecture honnête de chaque chiffre de rappel dans ce billet : ce sont des planchers de performance, pas des estimations. Quelle référence fait la meilleure argumentation d'invalidité dépend de la construction de la revendication et de l'argument, et ce sont des questions pour un conseil.

US 6 564 189 à profondeur 1 129, déposé en 1998, absent des citations de l'examinateur, enseignant plus de cette revendication que la référence utilisée par l'examinateur. — Profondeur 1 129 est au-delà de toute liste courte qu'on montre à un humain. C'est la raison pour laquelle tout le système doit lire plus loin qu'un top-50 : la référence qui enseigne le plus de la revendication n'était pas celle utilisée par l'examinateur.

Architecture, et pourquoi le coût l'a dirigée

Interroger la table publique des brevets par requête n'est pas viable : une seule recherche de description scanne 1 052 Go, et une récupération de cible jointe aux revendications scanne 40 Go, parce que ces tables ne sont ni partitionnées ni regroupées par identifiant de brevet. Donc le corpus est matérialisé une fois et regroupé. Une récupération de cible est passée de 40,16 Go à 0,20 Go, un facteur d'environ 200. Gemini tourne sur Vertex AI (pas l'endpoint AI Studio) donc aucune clé API n'est requise et les plafonds du free-tier AI Studio qui rendent le travail sur des milliers de candidats inutilisable sont évités ; le compte de service s'authentifie. Cloud Run Jobs répartit le travail sur 10 tâches en utilisant l'index de tâche Cloud Run pour distribuer les candidats via `MOD(rank, TASK_COUNT) = TASK_INDEX`.

Architecture Nightshift : Cloud Run orchestre, BigQuery détient le corpus matérialisé une fois, Vertex AI lit chaque candidat, Firestore détient tout l'état. — Corpus et préfiltre sur BigQuery (171 695 publications CPC G06Q, regroupées par identifiant de brevet). Modèle : Gemini 3.5 Flash sur Vertex AI. Workers de fan-out : Cloud Run Jobs. Distribution du travail : index de tâche Cloud Run. État d'exécution : Firestore. Tout le système est conçu autour du coût d'une exécution comme contrainte centrale, pas comme réflexion tardive.

Ce que je retiens de ce build : le problème du correcteur est ce qui sépare vraiment un projet en forme de gouvernance qui gagne d'un qui perd. Les chiffres de Nightshift ne viennent pas de ma propre suite de tests, ce sont des rappels contre de vraies citations d'examinateurs USPTO tirées de `uspto_office_actions_citations.enriched_citations`, filtrées aux catégories X et Y, avec l'historique du dossier caché du modèle. Quand j'ai trouvé US 6 564 189 (une référence que l'examinateur n'a pas citée et qui enseigne six des sept limitations), ça a compté comme un manqué contre ce correcteur, et le rapporter comme un manqué plutôt que déplacer les poteaux est toute la raison pour laquelle le chiffre 97,5 % vaut quelque chose.

Essayer :

Nightshift en direct (ouvert, sans connexion)L'exécution de démo (US 10 163 121)La référence manquée par l'examinateur (US 6 564 189)Source sur GitHub (Apache-2.0)Voir la démo (4 min)Aperçu 1 min (YouTube Short)

Projet associé

Nightshift: A Patent Demand Letter Takes a Professional Search and Weeks to Answer. Nightshift Ranks 171,695 Patents, Reads the 2,000 Closest Against Every Claim Limitation, and Hands Your Attorney the Answer for $34.

Voir le projet

Article suivant

Python ne peut pas prendre une weakref sur un ValueError. La déduplication de Sentry l'a appris à ses dépens : 1024 Ko par tâche asyncio vivante.

La DedupeIntegration de sentry-python empêche qu'une même erreur soit rapportée deux fois en se souvenant de la dernière exception. Se souvenir d'une exception est exactement ce qu'il ne faut pas faire : une exception détient sa traceback, une traceback détient ses frames, un frame détient chaque local. Le SDK le savait et stockait un weakref.ref(exc). Les trois lignes sous le commentaire `# we can only weakref non builtin types` font la seule chose que la weakref existait pour empêcher : un `except TypeError:` attrape le refus de Python de prendre une weakref sur un builtin et retient silencieusement l'exception. Sous asyncio, chaque tâche garde sa propre copie dans un ContextVar, donc 200 sessions de longue durée épinglent 205 Mo, toutes atteignables après gc.collect(). Deux tentatives avant le correctif, une empreinte par valeur qui échoue aux propres tests du SDK, une empreinte basée sur id qui écrase 2000 erreurs distinctes en 2 clés, puis l'approche du jeton d'identité qui garde le comportement inchangé et fait tomber la rétention à 0,5 Mo.

Août 202612 min de lecture