산학협력 파트너, 발명자 '그룹'으로 선정하는 법

기업이 대학과 공동 연구를 하려면 먼저 상대를 정해야 합니다. 보통은 이름난 교수 한 사람이나 특정 대학을 떠올립니다. 그러나 실제로 기업과 일하는 쪽은 교수 한 사람이 아닙니다. 교수, 대학원생, 박사후연구원이 함께 움직이는 팀입니다.

질문은 하나입니다. 특허 데이터만으로 대학 안에서 실제로 함께 발명해 온 팀을 찾아낼 수 있을까? 그리고 그 팀이 우리 기술에 맞는지, 경쟁력이 있는지 평가할 수 있을까?

이 질문에 답한 논문을 한 편 읽어 본다.

• 제목: Inventor group identification approach for selecting university-industry collaboration partners
• 학술지: Technological Forecasting and Social Change
• 연도: 2021
• DOI: 10.1016/j.techfore.2021.120988

논문은 특허를 바탕으로 산학협력 파트너가 될 대학 발명자 그룹을 찾는 방법을 제안합니다. 이 방법은 대학 발명자를 공동 발명 관계로 묶어 그룹을 만듭니다. 이어서 기업이 원하는 기술과 관련된 그룹을 추리고, 그 그룹의 기술 역량, 집중도, 규모를 평가합니다.

글 전체에서 쓰는 용어는 다음과 같습니다.

• 산학협력(University-Industry Collaboration, UIC): 기업과 대학이 지식, 기술, 노하우, 아이디어를 오랜 기간 주고받는 관계.
• 기술 기반 기업(Technology-Based Firm, TBF): 기술로 성장하는 기업. 논문에서 파트너를 찾는 주체다.
• 발명자 그룹(inventor group): 특허를 함께 보유한 대학 발명자의 묶음. 교수, 대학원생, 박사후연구원이 들어간다.
• 비대칭 유사도(asymmetric similarity): 한 특허가 기업이 원하는 기술 내용을 얼마나 담고 있는지 나타내는 값.
• AW 지수(Age-Weighted index, AW-index): 인용 수를 특허 나이로 나누어 더한 뒤 제곱근을 취한 값. 최근 실적에 무게를 준다.
• 협력 특허 분류(Cooperative Patent Classification, CPC): 특허의 기술 분야를 나타내는 분류 코드. 논문은 기업이 원하는 기술 분야를 이 분류 코드로 미리 정해 둔다고 가정한다.

동기: 기업이 실제로 함께 일하는 상대는 대학이 아니라 발명자 그룹이다

왜 파트너 선정이 중요한가

기술 기반 기업은 사내 지식과 노력만으로는 기술 혁신을 이루기 어렵다는 점을 알게 되었습니다. 그래서 라이선스 계약, 인수합병, 공동 연구개발 같은 방식으로 외부 지식을 얻습니다. 산학협력은 그 가운데 최신 외부 지식을 얻는 데 효과가 큰 방식입니다.

논문은 산학협력이 주는 이득을 다음과 같이 듭니다.

• 기술 혁신을 이룬다.
• 특정 기술 문제를 해결한다.
• 새로운 기술 분야에 진입한다.
• 전문가와 전문 인력을 채용한다.
• 장기 협력 관계를 유지한다.

대학도 안정된 재정 지원과 지식을 실제 문제에 적용할 기회를 얻습니다. 이 이득을 얻으려면 파트너 선정에 신경 써야 합니다. 논문은 파트너 선정을 협력 성공의 핵심 결정 요인으로 봅니다. 관련성이 낮은 파트너를 정하면 그 파트너는 기업이 원하는 지식이나 기술을 주지 못하고, 협력이 실패할 수 있습니다.

그런데 기존 선정 과정은 전문가의 정성 판단에 크게 의존해 왔습니다. 정성 판단은 잠재 후보를 놓치거나 개인 인맥을 우대하는 문제를 낳을 수 있습니다.

기존 연구가 다루지 않은 부분

이 문제를 줄이려고 체계적인 파트너 추천 방법이 여럿 나왔습니다. Wang 외(2017)는 소셜 플랫폼 데이터로 연구자의 전문성 관련도, 품질, 신뢰를 분석해 연구자를 추천했습니다. Kang 외(2019)는 토픽 모형으로 특허 토픽 군집의 중심에 가까운 특허 수 지표를 만들고, 이 값이 가장 높은 대학 출원인을 파트너로 정했습니다. Ran 외(2020)는 토픽별 상위 경쟁자를 찾고 대학을 토픽 매칭 지수로 평가했습니다.

산학협력에 한정하지 않은 연구도 있습니다. Park 외(2015)는 서지 결합과 잠재 의미 분석으로 기술 유사도를 측정했습니다. Song 외(2016)는 샤플리 값(Shapley value)으로 파트너의 기여를 평가했습니다. Kim 외(2020)는 문서 임베딩으로 유사성과 잠재력을 갖춘 스타트업을 찾았습니다. 이 연구는 모두 특허 데이터를 썼습니다.

논문이 짚은 빈틈은 다음과 같습니다.

• 기존 연구는 개별 연구자나 대학을 파트너로 정했다. 기업이 실제로 협력하는 대상인 발명자 그룹을 찾지 못했다.
• 대학 단위로는 특허 성과 지표나 기술 집중도가 의미를 잃는다. 대학 안에 여러 그룹이 있고, 그룹마다 분야와 역량이 다르기 때문이다.
• 개인 단위로는 그 사람이 그룹에 속하는지, 그룹이 얼마나 큰지 알 수 없다. 뛰어난 발명은 개인보다 여러 발명자의 그룹에서 나온다는 선행 연구가 있다.
• 그 결과 기존 연구는 파트너의 기술 특성과 역량을 충분히 평가하지 못했다.

방법: 대학 발명자를 묶고, 관련 그룹을 추린 뒤, 경쟁력으로 분류한다

논문은 방법을 4단계로 설명합니다. 1단계에서 특허 데이터와 기관 식별 데이터를 모으고 전처리합니다. 2단계에서 출원인 정보와 공동 발명 정보로 대학 발명자를 그룹으로 묶습니다. 3단계에서 기업이 원하는 기술과 관련된 전문성을 갖춘 후보 그룹을 추립니다. 4단계에서 후보 그룹의 기술 역량, 집중도, 규모를 평가해 경쟁력 있는 그룹을 찾습니다. 이 방법은 기업이 원하는 기술의 텍스트 설명과 특허 분류 코드를 미리 정해 두었다고 가정합니다.

사례 기업과 자료

사례 기업은 블래스트 모션(Blast Motion Inc.)입니다. 이 기업은 모션 캡처 기술과 모션 센서 데이터를 분석해 운동선수가 더 효율적으로 훈련하도록 돕습니다. 2010년에 설립된 중소기업이고, 미국 특허청(United States Patent and Trademark Office, USPTO) 등록 특허 60건을 보유한 기술 기반 기업입니다.

이 기업의 연구개발 전략은 알려져 있지 않습니다. 그래서 논문은 가장 최근에 출원된 특허를 기업이 원하는 기술로 가정했습니다. 그 특허는 미국 등록 특허 10339978, 제목 “Multi-sensor event correlation system”입니다. 기술 수요 텍스트는 이 특허의 제목과 초록을 이어 붙인 것입니다. 미리 정한 CPC 코드는 이 특허의 서브클래스(subclass) 단위 코드인 다음 8개입니다.

• A63B, A63F, G01P, G06B
• G06K, G06T, G11B, H04N

1단계: 특허와 기관 데이터 수집

• 입력: 미국 특허 데이터, 연구 기관 식별 데이터
• 처리: 특허 서지 정보와 기관 유형 정보를 모으고 전처리
• 산출: 분석에 쓸 특허 집합과 기관 목록

처리 순서는 다음과 같습니다.

1. 미국 특허 분석 플랫폼인 PatentsView에서 USPTO 특허 데이터를 모은다.
2. 특허마다 제목, 초록, 발명자, 출원인, 인용, CPC 코드를 확보한다.
3. 글로벌 연구 식별자 데이터베이스(Global Research Identifier Database, GRID)에서 기관 이름과 기관 유형을 모은다.

USPTO 데이터를 쓰는 이유는 발명자와 출원인의 동명이인 구분에 공을 들여 식별 정보가 뛰어나기 때문입니다. GRID가 필요한 이유도 있습니다. 특허 데이터에는 출원인 유형이 없어서 출원인이 대학인지 판단하기 어렵습니다. 논문은 한국과학기술원(Korea Advanced Institute of Science and Technology)을 예로 듭니다. 연구 중심 대학이지만 이름만으로는 대학인지 연구소인지 알 수 없다는 것입니다. GRID는 기관 유형을 교육(Education), 기업(Company), 정부(Government), 의료(Healthcare) 등으로 구분해 줍니다.

사례에서는 원하는 기술 특허의 출원일인 2017년 11월 28일 이전에 등록된 특허를 모두 모았고, 그 수는 7,075,075건이었습니다. GRID는 2020년 6월 29일 공개된 36번째 판을 썼습니다. 전체 기관 97,795곳 가운데 교육 유형은 19,353곳이었습니다.

2단계: 대학 발명자를 그룹으로 묶기

• 입력: 특허 집합, GRID 교육 기관 목록, 기업이 정한 CPC 코드
• 처리: 대학 출원인 확정, 대학 발명자 선별, 공동 발명 네트워크 정리
• 산출: 대학 발명자 그룹 목록

처리 순서는 다음과 같습니다.

1. GRID에서 교육 유형 기관을 뽑고, 그 이름을 포함하거나 그 이름과 같은 특허 출원인을 대학 출원인으로 찾는다.
2. GRID에 없는 대학을 포함하려고 “University”, “College” 같은 단어가 든 출원인을 추가한다.
3. 기업이 정한 CPC 코드를 포함한 최근 특허에 이름을 올린 발명자를 뽑는다.
4. 발명자마다 출원인별 등록 특허 수를 집계하고, 가장 많은 출원인을 그 발명자의 소속으로 정한다. 소속이 대학인 발명자만 남긴다.
5. 대학 발명자로 공동 발명 네트워크를 만든다. 노드는 발명자이고, 연결선의 가중치는 두 사람이 함께 낸 특허 수다.
6. 공동 발명 상대가 너무 적은 발명자와 가중치가 기준에 못 미치는 연결선을 지운다. 남은 발명자를 그룹으로 묶는다.

3번에서 최근 특허로 한정하는 이유는 더는 발명하지 않거나 다른 분야에서 활동하는 발명자를 평가할 필요가 없기 때문입니다. 6번에서 노드와 연결선을 지우는 이유는 학부생처럼 발명을 이어 가지 않는 사람을 그룹에 넣기 어렵고, 공동 발명이 너무 적은 관계를 그룹으로 보기 어렵기 때문입니다. 그룹을 찾을 때는 WalkTrap, 거반-뉴먼 알고리즘(Girvan-Newman algorithm), 루뱅 방법(Louvain method) 같은 커뮤니티 탐지 기법도 쓸 수 있습니다.

사례에서는 대학 출원인 5,792곳을 찾았습니다. 이 대학 출원인의 특허 가운데 최근 10년 안에 등록되고 미리 정한 CPC 코드를 포함한 특허에서 발명자 9,553명을 뽑았습니다.

소속을 정하는 예도 있습니다. 한 발명자는 다음과 같이 특허를 보유했습니다.

• 한 대학 13건
• 한 기업 7건
• 다른 기업 1건
• 다른 대학 1건

규칙에 따르면 이 발명자의 소속은 13건을 보유한 대학입니다. 논문이 제시한 이 한 사례에서는 판정이 실제 소속과 일치했습니다. 소속 규칙 전체를 검증한 결과는 아니고, 논문도 한계에서 발명자 소속을 객관적으로 정하기 어렵다고 인정했습니다. 이런 방식으로 대학 발명자 6,375명을 선정했습니다.

네트워크 정리 기준은 두 가지였습니다. 특허가 4건 미만인 발명자 노드를 지우고, 공동 발명이 1건뿐인 연결선을 지웠습니다. 그 결과 발명자 그룹 817개가 나왔습니다. 네트워크 일부만 보면 발명자 62명 가운데 41명이 빠지고, 남은 21명이 8개 그룹으로 나뉘었습니다.

3단계: 기술 관련 후보 그룹 선별

• 입력: 그룹별 등록 특허의 제목과 초록, 기업의 기술 수요 텍스트
• 처리: n-그램 임베딩, 비대칭 유사도 계산, 유사 특허 수 집계
• 산출: 관련 전문성을 갖춘 후보 그룹

처리 순서는 다음과 같습니다.

1. 텍스트에서 불용어를 지우고 n-그램을 뽑는다. n-그램은 연속된 n개 단어를 한 덩어리로 보는 단위다.
2. n-그램을 언어 모델로 다차원 벡터로 바꾼다. Word2Vec, ELMo, BERT 같은 모델을 쓸 수 있다.
3. 기술 수요의 n-그램 하나마다 특허의 모든 n-그램과 벡터 유사도를 구하고, 가장 높은 값 하나만 남긴다.
4. 기술 수요의 모든 n-그램에 대해 남긴 값 가운데 상위 일부(30%, 50%, 100% 등)의 평균을 구한다. 이 평균이 비대칭 유사도다.
5. 유사도 기준값을 정하고, 그룹마다 기준을 넘는 특허 수를 집계한다. 일정 건수 이상인 그룹을 후보로 남긴다.

제목과 초록을 쓰는 이유는 기술 수요 문서도 원하는 기술의 대략적인 개요만 담기 때문입니다. n-그램 임베딩을 쓰는 이유도 있습니다. 짧은 텍스트에서 단일 키워드로 유사도를 구하면 데이터 희소성, 다의어, 동의어 문제가 생깁니다. n-그램은 짧은 문서에서도 충분히 뽑히고, 연속된 단어의 맥락을 더 잘 보존합니다.

논문의 예시에서는 기술 수요의 n-그램 4개마다 특허 n-그램 3개 가운데 가장 비슷한 것을 찾아, 가장 높은 유사도 4개를 얻습니다. 필자의 해설을 덧붙이면, 계산이 기술 수요 쪽 n-그램을 기준으로 진행되므로 기술 수요와 특허의 자리를 바꾸면 값이 달라질 수 있습니다. 비대칭이라는 이름은 이 성질을 가리키는 것으로 필자는 읽습니다. 판단 기준 예도 있습니다. 기업이 관련 특허 5건 이상의 경험을 원하면 기준을 넘는 특허가 5건 이상인 그룹을 후보로 정합니다.

사례에서는 NLTK 불용어와 특허 문서용 USPTO 불용어로 불용어를 지웠습니다. 트라이그램(3-gram) 903,597개를 뽑고, Sentence Transformer로 임베딩했습니다. 벡터 사이는 코사인 유사도로 계산하고, 상위 50% 값의 평균을 비대칭 유사도로 썼습니다.

후보 선정 결과, 비대칭 유사도가 0.82 이상인 특허가 4건을 넘는(more than four patents) 그룹 49개가 후보로 남았습니다. 여기서 0.82는 특허 한 건이 기술 수요와 비슷한지 판단하는 유사도 기준값입니다. 4건은 그 기준을 넘는 특허가 그룹 안에 몇 건 넘게 있어야 하는지 정한 조건입니다. 2단계에서 특허 4건 미만인 발명자 노드를 지운 기준과는 별개의 기준입니다.

4단계: 경쟁력 있는 파트너 그룹 식별

• 입력: 후보 그룹별 등록 특허의 인용, 출원 연도, CPC 코드, 발명자 수
• 처리: AW 지수, CPC 집중도, 그룹 규모 계산과 포트폴리오 맵 작성
• 산출: 경쟁 그룹, 제너럴리스트 그룹, 잠재 그룹, 범위 밖 그룹

처리 순서는 다음과 같습니다.

1. 그룹마다 AW 지수를 구해 기술 역량으로 삼는다.
2. 그룹마다 CPC 집중도를 구해 기술 집중도로 삼는다.
3. 가로세로 축을 기술 역량과 기술 집중도로 하고, 노드 크기를 그룹 인원으로 하는 경쟁력 포트폴리오 맵을 만든다.
4. 맵의 영역에 따라 그룹을 네 유형으로 나눈다.

기술 역량은 영향력 있는 발명을 해내는 능력이고, 기술 집중도는 기업이 원하는 분야에 그룹이 얼마나 집중하는지입니다. 그룹 규모는 발명자 수입니다. 발명자가 많을수록 혁신 아이디어를 낼 가능성이 높다는 선행 연구를 근거로 넣었습니다.

AW 지수를 쓰는 이유는 h-지수의 약점 때문입니다. h-지수는 시간이 지나도 줄지 않아서 과거에 뛰어난 성과를 낸 선임 연구자에게 유리합니다. AW 지수는 특허마다 인용 수를 특허 나이로 나누고, 그 값을 모두 더한 뒤 제곱근을 취합니다. 그래서 최근에 나와 인용이 적은 특허도 값에 기여하고, 오래된 특허는 덜 기여합니다. 특허 수만 쓰면 양만 보이지만, AW 지수로는 양과 질을 함께 평가할 수 있습니다.

사례의 그룹 627로 계산 방식을 보겠습니다. 기준 연도는 원하는 기술 출원 다음 해인 2018년이고, 특허 나이는 2018에서 출원 연도를 뺀 값입니다. 인용은 원하는 기술의 출원일 이전에 받은 것만 집계했습니다. 특허마다 인용 수를 특허 나이로 나누어 연령 가중 인용을 구합니다.

두 특허만 예로 들면 차이가 드러납니다. 9495764는 인용이 9건뿐이지만 나이가 2년이라 9÷2=4.5000을 보탭니다. 반면 7592997은 인용 2건에 13년이 지나 2÷13=0.1538만 보탭니다. 그룹이 보유한 등록 특허 7건의 값을 모두 더하고 제곱근을 취하면 그룹 627의 AW 지수 3.5431이 나옵니다. 특허별 전체 계산표는 논문의 표 1에 있으니 위 DOI 링크로 확인하면 됩니다.

CPC 집중도는 그룹의 등록 특허 가운데 기업이 정한 CPC 코드를 포함한 특허의 비율입니다. 기존 연구의 기술 특화 지표로는 그룹이 어느 분야에 집중하는지 알 수 없어서, 논문은 기업이 정한 코드를 기준으로 삼았습니다. 그룹 627의 특허 7건 가운데 7592997은 G06F만 있어 기준 코드를 포함하지 않습니다. 나머지 6건은 H04N, G06K, G06T 가운데 하나 이상을 포함합니다. 그래서 집중도는 6÷7=0.8571입니다.

네 유형은 다음과 같습니다.

• 경쟁 그룹(빨간 노드): 역량과 집중도가 모두 높다. 원하는 기술 분야에서 높은 발명 성과를 냈다.
• 제너럴리스트 그룹(파란 노드): 역량은 높고 집중도는 낮다. 원하는 분야에 집중하지 않지만 질 높은 기술을 만든다.
• 잠재 그룹(노란 노드): 집중도는 높고 역량은 낮다. 지금 영향력 있는 발명은 적지만 그 분야의 주도 그룹이 될 가능성이 있다.
• 범위 밖 그룹(회색 노드): 역량과 집중도가 모두 낮다.

노드 색과 별도로 노드가 클수록 그 그룹의 경쟁력이 높다고 봅니다.

변형과 시나리오

기업 상황에 따라 맵의 유형별 우선순위를 다르게 줄 수 있습니다.

• 최첨단 기술을 개발하려는 기업: 잠재 그룹을 제너럴리스트 그룹보다 먼저 본다. 최첨단 기술은 빠르게 변하므로 그 분야에 집중하는 그룹이 더 나은 결과를 낼 가능성이 크다.
• 성숙 기술을 확보하려는 기업: 제너럴리스트 그룹을 먼저 본다. 성숙 기술은 비교적 널리 퍼져 있어 경험과 실적이 충분한 그룹을 찾는 편이 유리하다.

결과: 후보 49개 그룹 가운데 12개가 경쟁 그룹이었다

포트폴리오 맵의 유형 분류

논문은 후보 49개 그룹의 기술 역량과 집중도로 포트폴리오 맵을 만들고, 각 축의 중앙값으로 그룹을 나누었습니다. 경쟁 그룹 12개, 제너럴리스트 그룹 13개, 잠재 그룹 12개였고, 나머지는 범위 밖 그룹이었습니다. 범위 밖 그룹 수는 49−12−13−12=12입니다.

출처: 논문 4.2절 본문(범위 밖 그룹 수는 49−12−13−12로 계산)

결국 처음 817개 그룹이 관련성 기준으로 49개로 줄고, 그 가운데 12개가 1순위 검토 대상이 되었습니다. 제너럴리스트와 잠재 그룹 25개(13+12)는 대안 후보로 남습니다.

유형별 대표 그룹 비교

논문은 유형마다 한 그룹씩 사례를 들어, 맵으로 찾은 그룹이 경쟁력과 관련 전문성을 갖추었는지 확인했습니다.

출처: 논문 4.2절 본문

그룹 35는 미국 소재 대학 컴퓨터과학과의 한 교수를 중심으로 한 7명입니다. 이 그룹은 고급 컴퓨터 비전 시스템을 개발합니다. 등록 특허 160건 가운데 11건이 비대칭 유사도 0.82를 넘었고, 그 예는 다음과 같습니다.

• “Integrated circuit having at least a sensor and a processor thereon”
• “Method and apparatus for obtaining high dynamic range images”
• “Systems and methods for performing machine vision using diffuse structured light”

이 특허는 여러 센서로 빛 신호를 받아 패턴 분석과 머신 비전으로 장면의 현재 이미지를 얻는 기술입니다. 기업이 원하는 기술은 센서 데이터로 동작을 포착하거나 특징 이벤트를 뽑는 기술이므로, 논문은 그룹 35가 기술 수요에 맞는다고 판단했습니다.

그룹 2는 집중도가 0.0415로 매우 낮지만 AW 지수가 37.8883으로 후보 가운데 가장 높습니다. 14명으로 이루어졌고, 기술 수요와 비슷한 특허가 25건입니다. 생체 신호와 여러 신호를 센서로 모아 분석 대상의 결함 특징을 찾는 특허가 많습니다. 다른 분야 특허도 많아서 기업이 장기 협력으로 사업을 다른 분야로 넓힐 수 있다고 논문은 봅니다. 참고로 이 글은 본문 표기를 따라 그룹 2로 적었습니다. 논문 그림 7의 설명에는 “group 35, 1, and 680”으로 적혀 있어, 그림의 그룹 번호가 본문과 다르게 표기되어 있습니다.

그룹 680은 AW 지수가 1.5543으로 매우 낮지만 집중도가 0.3750으로 충분합니다. 4명이 서로 모두 연결된 완전 그래프 형태이고, 잠재 그룹 가운데 가장 큽니다. 핵심 발명자는 한 대학 전자공학과 교수입니다. 이 그룹은 시계열 센싱 데이터를 관리·모니터링하거나 음향·공간 정보로 물체와 움직임 패턴을 추적하는 특허를 최근에 냈습니다. 논문은 장기 협력으로 기업이 기술 경쟁 우위를 높일 수 있다고 해석했습니다.

세 그룹의 예는 논문이 가정한 검토 순서를 보여 줍니다. 논문은 기업이 경쟁 그룹을 먼저 볼 것이라고 가정했습니다. 그 안에서 적합한 파트너를 찾지 못하면 제너럴리스트나 잠재 그룹을 대안으로 볼 수 있다고 제시했습니다. 실제 기업의 의사결정을 관찰한 결과는 아닙니다.

찾아낸 그룹이 실제 협업 단위인가

방법의 전제는 공동 발명 네트워크에서 묶은 그룹이 실제로 함께 일하는 팀이라는 것입니다. 논문은 그룹 678 한 곳의 구성원 관계를 예로 들어 이 전제를 보였습니다. 그룹 817개 전체를 검증한 결과는 아닙니다. 이 그룹은 같은 대학 소속 교수와 학생, 연구 인력으로 이루어진 5명 그룹입니다.

이 5명은 공동 특허가 2건 이상일 뿐 아니라 공동 논문도 많습니다. 논문은 사례에서 찾은 그룹이 지도교수와 학생, 또는 동료 교수 관계로 여러 발명을 함께 해 온 팀이라고 정리했습니다.

의의와 한계

무엇이 달라지는가

• 파트너 단위를 개인이나 대학에서 발명자 그룹으로 바꾸었다. 논문은 이를 대학 소속 발명자 그룹을 정의하고 평가한 초기 시도로 본다.
• 그룹 단위라서 인용, CPC 코드, 발명자 정보로 역량, 집중도, 규모를 함께 평가할 수 있다. 대학 단위에서는 이런 지표가 의미를 잃는다.

실무자에게 주는 쓸모

실무자는 원하는 기술을 설명한 대략적인 문서와 관련 CPC 코드만 넣으면, 기술 전문성과 경쟁력을 갖춘 대학 발명자 그룹을 얻습니다. 사람이 다 볼 수 없는 대규모 특허 데이터를 체계적으로 분석하므로 전문가의 정성 평가를 줄이는 의사결정 지원 도구가 됩니다.

논문은 다음 상황에서 특히 쓸모가 있다고 봅니다.

• 아주 새로운 분야의 지식이 필요해 기존 전문가 네트워크를 쓸 수 없을 때
• 이전 파트너의 성과가 좋지 않아 더 나은 파트너를 찾을 때

인재 발굴에도 쓸 수 있습니다. 그룹에는 교수뿐 아니라 박사후연구원과 대학원생도 들어 있습니다. 경쟁 그룹의 구성원에게 연락해 우수 인력을 일찍 확보할 수 있다는 것이 논문의 기대입니다.

연구자에게 주는 쓸모

연구자는 분석 단위를 그룹으로 바꾸는 절차를 참고할 수 있습니다. 필자는 소속 판정, 네트워크 정리, 관련성 선별, 경쟁력 평가로 이어지는 4단계를 다른 분야에도 시도해 볼 만한 틀로 봅니다. 다만 논문은 한 기업 사례로 방법을 보였고, 모든 산학협력 유형을 대상으로 하지 않는다고 밝혔습니다. 논문은 후속 과제로 다음을 제시합니다.

• 추천 알고리즘이나 다기준 의사결정 기법으로 후보 그룹의 우선순위를 정하는 방법
• 기업의 과거 협력 정보를 담은 데이터를 연결해 사회적 관계를 반영하는 방법
• 다양한 산학협력 유형에서 작동하는 데이터 기반 방법

논문이 밝힌 한계

논문이 스스로 밝힌 한계는 다섯 가지다.

• 발명자 소속을 객관적으로 나타내는 정보가 부족하다. 발명자는 한 기관에만 속하지 않을 수 있고, 자기 기관에서 특허를 가장 많이 내지 않았을 수도 있다.
• 결과를 통계나 정량으로 검증하기 어렵다. 산학협력 전문가 설문으로 타당성을 높여야 한다.
• 파트너를 최종 선정하려면 여전히 정성 과정이 많이 필요하다.
• 산학협력 형성의 중요한 요소인 사회적 상호작용을 고려하지 않았다.
• 기업이 기술 개발을 목적으로 산학협력을 한다고 가정했다. 최첨단 지식의 필요가 크지 않은 덜 공식적인 산학협력은 대상이 아니다.

필자가 보는 적용 조건

아래는 논문에 적힌 내용이 아니라 필자가 실무 적용을 염두에 두고 덧붙이는 조건이다.

• 기업이 원하는 기술을 텍스트와 CPC 서브클래스로 미리 정리할 수 있어야 한다. 특허를 낸 경험이 적은 기업은 이 정리부터 시간이 든다.
• 미국 특허를 내지 않는 대학 그룹은 결과에서 빠질 수 있다. 국내 대학 위주로 찾는다면 국내 특허 데이터로 같은 절차를 다시 짜는 편이 낫다.
• 특허 4건 미만 노드 제거, 유사도 0.82 같은 기준값은 사례 기업에 맞춘 값으로 읽는다. 분야마다 특허 출원 관행이 달라 기준값을 바꿔 가며 결과가 얼마나 달라지는지 확인하는 것이 좋다.
• 최근 출원 특허는 인용이 쌓이기 전이라 AW 지수가 낮게 나올 수 있다. 잠재 그룹을 볼 때는 이 점을 함께 고려한다.
• 맵의 결과는 연락할 후보 목록으로 쓰고, 실제 연구실 방문과 면담으로 최종 판단을 보완한다.

바로 해 볼 일

• 다음 공동 연구 과제의 제안요청서(Request For Proposal, RFP) 초안을 제목과 초록 두 문단으로 줄이고, 자사 관련 특허에서 CPC 서브클래스를 뽑아 목록으로 정리해 본다. 논문 방법의 입력 두 가지가 이것이다.
• 이미 알고 있는 대학 연구 팀 하나를 정한다. 먼저 공동 발명 관계로 팀 구성원을 확인하고, 그 팀의 최근 등록 특허로 그룹 627처럼 표를 만들어 본다. 인용 수를 특허 나이로 나눈 값을 더해 제곱근을 구하면 AW 지수가 나오고, 자사 CPC 코드를 포함한 특허 비율을 구하면 CPC 집중도가 나온다.
• 같은 계산을 후보 팀 서너 곳에 반복하고, 두 지표의 중앙값으로 경쟁, 제너럴리스트, 잠재, 범위 밖의 네 유형으로 나누어 본다.