智慧財產及商業法院行政判決
113年度行專訴字第52號
民國114年5月22日辯論終結
原告廣流智權有限公司
代表人 李文賢
訴訟代理人 陳政大 專利師
陳學箴 專利師
廖韋齊 專利師
被告經濟部智慧財產局
代表人 廖承威
訴訟代理人 林彥廷
參加人全家便利商店股份有限公司
代表人 葉榮廷
訴訟代理人 彭國洋 律師
徐念懷 律師
蔡孟彤 律師
複代理人 黃國彰 律師
上列當事人間因新型專利舉發事件，原告不服經濟部中華民國113年8月8日經法字第11317304250號訴願決定，提起行政訴訟，並經本院命參加人獨立參加訴訟，本院判決如下：
主文
一、原告之訴駁回。
二、訴訟費用由原告負擔。
事實及理由
一、本件原告所提之舉發證據及其組合分別如附表2及附表3所示
，其中附表2之證據5（即甲證3）、證據6（即甲證4）、證據8（即甲證6)、證據9（即甲證7）、證據10（即甲證8）及附表3灰底所示證據組合，分別為原告於本院審理中起訴狀
、爭點整理暨補充理由二狀所提之新證據及其證據組合，核屬智慧財產案件審理法第70條第1項規定所謂新證據，本院仍應予審酌，先予敘明。
二、事實概要：
(一)參加人前於民國111年4月29日以「自動化建議訂購系統」向被告申請新型專利，經被告編為第111204502號進行形式審查，准予專利，並發給新型第M638122號專利證書（下稱系爭專利，申請專利範圍共5項）。嗣原告以系爭專利違反核准時專利法第120條準用第22條第2項規定，提起舉發；參加人則於112年9月1日提出系爭專利申請專利範圍更正本。案經被告核認前揭更正本符合規定，依該更正本審查後，以113年2月6日(113)智專議(二)04366字第11320140820號專利舉發審定書為「112年9月1日之更正事項，准予更正」、「請求項1至5舉發不成立」之處分（下稱原處分）。原告就「請求項1至5舉發不成立」部分之原處分不服，提起訴願，經經濟部以113年3月8日經法字第11317304250號訴願決定駁回（
下稱訴願決定）後，向本院提起本件訴訟。又本院認本件訴訟結果，倘認應撤銷訴願決定及原處分，參加人之權利或法律上利益將受損害，爰依職權裁定命參加人獨立參加本件訴訟。
(二)參加人於本案審理期間另於114年1月9日向被告申請專利更正，更正請求項1、4及相關說明書部分，被告於同月16日認原告114年1月9日所為更正合法並准予更正在案（本院卷一第451至452頁）。嗣兩造均同意本件依系爭專利更正後專利範圍進行審理（本院卷一第492頁，如無特別註明系爭專利係指114年1月9日更正本），合先敘明。
三、原告主張要旨及聲明：
(一)參加人於114年1月9日所為更正並不符合專利法第120條準用第67條第1項第3款與專利審查基準規定之「誤記之訂正」事項，且更正本超出申請時說明書或圖式所揭露之範圍，導致訂正前後之涵義完全不同，違反專利法第120條準用第67條以及審查基準第二篇第九章第3.3.1節誤記之訂正規定。
(二)附表3之㈠證據組合足以證明系爭專利請求項1不具進步性：
⒈系爭專利請求項1所記載「群層級」係指品群的層級，「群層級促銷信息」係指群層級的促銷信息，並非促銷的層級，「依節假日、寒暑假和不同星期別進行有區分性的加權平均處理以產出預測」則應解釋為「依據待預測日期的節假日、寒暑假和不同星期別特性，在該歷史銷售數據中進行有區分性的選取以在指數平滑模型中進行加權平均處理以產出預測
」，並非「僅考慮星期別的處理方式」，合先敘明。
⒉證據1已揭示系爭專利請求項1A之「一種自動化建議訂購系統，包含：」技術特徵、1E之「以及一電腦裝置，與該雲端伺服器連線，」技術特徵、1F之「該電腦裝置從該雲端伺服器取得該預測結果，進而依據該預測結果與一商品庫存數量
，計算一商品建議訂購數量資訊。」技術特徵。又證據1及證據2已揭示1B之「一雲端伺服器，利用一歷史銷售數據與一外界因素資料訓練及測試複數個不同的機器學習模型，據以從該些不同的機器學習模型中選擇一預測最準確的機器學習模型，進而透過該預測最準確的機器學習模型以產生一預測結果；」技術特徵。
⒊另由證據2說明書段落[0018]、[0028]所記載「節假日」和「大事件前後的日期」等記載，顯已揭示與銷量相關的影響因子皆可作為模型的訓練資料。另依證據8揭示考量短期促銷、連續促銷與銷售額關係，由於不論節假日、群層級促銷信息或店鋪資訊（暫停營業）屬於何種類別商品的促銷信息
，必然為短期促銷或連續促銷的一種，明顯為與銷量相關的影響因子，依證據2教示內容均可作為銷量預測模型的訓練資料，而系爭專利請求項1C「該處理器根據一當前日期設定用於該些不同的機器學習模型的建模的一數據時間區間，並在該數據時間區間内提取相應的節假日和群層級促銷信息用於該些不同的機器學習模型的訓練和預測，該處理器還提取一店鋪特徵資料用於該些不同的機器學習模型的訓練與預測
，該店鋪特徵資料包括暫停營業」技術特徵，僅是進一步界定選擇何種資料作為訓練機器學習模型的訓練資料，對所屬技術領域中具有通常知識者而言僅屬於常規選擇且為簡單變更即能輕易完成，並未有增進或未能預期之功效，故系爭專利請求項1C之技術特徵為該所屬技術領域中具有通常知識者基於證據2與證據8及通常知識而能輕易完成。
⒋系爭專利請求項1D技術特徵本就為系爭專利申請時之通常知識，而為發明所屬技術領域中具有通常知識者本身已具備且可自由應用，且為證據3、證據4、證據6、證據7所揭露，所屬技術領域中具有通常知識者自有動機參考證據3、或證據4
、或證據6、或證據7之技術内容並予以應用或結合證據1，輕易完成系爭專利請求項1D之全部技術特徵。
⒌證據9已教示蒐集實際的反饋數據以再訓練模型提高線上預測的準確率，又證據9所記載線上學習模型的基本原理可適用於任何領域，系爭專利所屬技術領域中具有通常知識者本就可依據證據9之教示，修改證據1的預測系統；又證據11已教示在線上學習框架中進行遷移學習，且證據11亦進一步教示將證據11所記載技術内容應用於偵測系統以及預測系統中
，而為了提高預測的準確性，基於證據9及證據11的教示，通常知識者自有動機利用證據1之模型預測以及對應於預測的實際反饋數據再訓練模型。因此，系爭專利請求項1之技術特徵1G對通常知識者而言僅屬於常規選擇且為簡單變更即能輕易完成，而為所屬技術領域中具有通常知識者，利用申請時之通常知識所能簡單變更者。
⒍又證據1至6同屬於以預測模型預測需求量或銷售量的技術領域，因此證據1至6之技術領域相同或相關，且證據1至4、證據1至2、4、7於功能與作用上具有共通性，證據2至6亦均明確記載或實質隱含結合不同引證之技術内容的教示或建議，且證據8及證據9、11為所屬技術領域中具有通常知識者，利用申請時之通常知識所能自由應用或簡單變更，因此，所屬技術領域中具有通常知識者自有動機參考前述技術内容並予以應用或結合。
⒎如上所述，證據1至4之組合，或證據1至5之組合，或證據1至4及證據6之組合，或證據1至6之組合，或證據1、2、4、6之組合，或證據1至4及8之組合，或證據1至4及9之組合，或證據1至4及8至9之組合（如附表3之㈠證據組合)，已揭示系爭專利請求項1之全部特徵，且系爭專利所屬技術領域中具有通常知識者具有動機結合上開證據技術内容。再者，系爭專利請求項1相較於上述證據組合並未具有無法預期之功效，則所屬技術領域中具有通常知識者能輕易完成系爭專利請求項1全部技術特徵。故上述證據組合足以證明系爭專利請求項1不具進步性。
(三)系爭專利請求項2、5依附於請求項1，請求項3、4依附於請求項2，又其等進一步限定之技術特徵並未與系爭專利請求項1所記載之特徵交互作用而產生不可預期的技術功效，而系爭專利請求項1相較於附表3㈠之證據組合並不具進步性之理由，已如前述，則附表3㈠之證據組合亦足以證明系爭專利請求項2至5不具進步性。
(四)附表3之㈡證據組合足以證明系爭專利請求項4不具進步性：
⒈系爭專利請求項4為請求項2之附屬項，其進一步限定請求項2之技術內容為「其中該季節性模組以及該外界因素模組包含一星期別模組、一月份模組、一溫度模組、一降雨模組、一促銷模組、一公共假日模組、一重大節假模組以及一寒暑假模組，其中該處理器利用該廣義可加模型產出的預測為:該趨勢模組的輸出×(1+該星期別模組的輸出+該月份模組的輸出+該溫度模組的輸出+該降雨模組的輸出+該促銷模組的輸出+該公共假日模組的輸出+該重大節假模組的輸出+該寒暑假模組的輸出」。然如前所述，證據2已揭示與銷量相關的影響因子皆可作為模型的訓練資料，系爭專利請求項4所進一步限定之星期別、月份、溫度、降雨、促銷、公共假日
、重大節日以及寒暑假，均為對銷售有影響的常見因素。又證據8、10已分別揭示星期、日期、短期促銷、連續促銷、法定假期、國家節假日及學校假期或氣象數據等對銷售有影響之因子，故對通常知識者而言僅屬常規選擇且為簡單變更而能輕易完成。另基於證據8、10的教示，證據2之模型可經簡易變更為非週期變化模組、星期別模組、月份模組、溫度模組、降雨模組、促銷模組、公共假日模組、重大節假模組以及寒暑假模組等輸出（即請求項4所有模組的輸出），且依證據2說明書〔0023〕段說明，模型學習運算式選用加法
、乘法運算或混合運算對通常知識者而言僅屬常規選擇或通常知識，該技術領域之通常知識者自能將證據2之運算式進行簡單變更而可輕易完成系爭專利請求項4之技術特徵。
⒉又附表3之㈠證據組合足以證明系爭專利請求項2不具進步性
，則附表3之㈠證據組合於結合證據10後（即附表3之㈡證據組合），亦足以證明系爭專利請求項4不具進步性。
(五)聲明：
⒈訴願決定及原處分關於「請求項1至5舉發不成立」部分均撤銷。
⒉被告就註冊第M638122號「自動化建議訂購系統」新型專利應為「請求項1至5舉發成立，應予撤銷」之處分。
四、被告抗辯及聲明：
(一)附表3之㈠組合證據並不足以證明系爭專利請求項1不具進步性：
⒈系爭專利請求項1C及1G之技術特徵並未為證據8、9、11所揭露：
⑴證據8所載「短期促銷」、「連續促銷」是指與時間長短概念相關之促銷，僅是輸入「時間長短特徵」進行預測，非屬「促銷信息」，更非「群層級促銷信息」。系爭專利之群層級促銷信息是指商品品群層級之促銷，是「商品品群」的概念，且是輸入商品品群層級之「促銷信息」進行預測，證據8並未揭露任何有關商品群層級，更遑論商品群層級之促銷信息。又證據8是直接用於單一機器學習模型，並未揭露用於該些不同的機器學習模型的訓練和預測
。
⑵證據9僅說明線上學習模型調整可提高準確率，與銷售預測完全無關，且與非遷移式學習演算法完全無關。證據11僅是揭露遷移式學習演算法，完全未記載利用商品庫存數量、商品建議訂購數量資訊及商品實際訂購數量對該些不同的機器學習模型進行遷移式學習，也沒有提供任何教示
。又證據11與其他證據間完全不存在任何技術領域之關連性、所欲解決問題之共通性、功能或作用之共通性及教示或建議，通常知識者並無動機結合，原告僅是任意將單純的遷移式學習演算法與其他證據進行結合。
⒉原告主張證據2揭露「用於該些不同的機器學習模型的訓練和預測」及證據8揭露「並在該數據時間區間内提取相應的節假日和群層級促銷信息」，係將同一句技術裂解後比對方式，並非以發明的整體（asawhole)與相關先前技術進行比對，僅為拼湊式比對且為後見之明，且不符合專利審查基準第二篇第三章第3.3.1節判斷基準。另原告同樣將技術特徵1G、1D等分別引用單一證據9、10或證據7作為通常知識，其證據力並不充足。
⒊證據1、5、7是用於線上購物產品的需求預測，證據2是限定於汽車行業的銷量預測，證據3、6是鐵路旅客量或訂票的預測，證據4是網路直播平台用戶通過交流和互動可以獲得虛擬資源值的預測，證據10是酒與羽絨服的銷量預測。機器學習模型的預測能力與所預測的場景或產品密切相關，為了要能準確預測前述證據不同場景或產品的需求量，所訓練出來的機器學習模型各層的參數、權重也大不相同，由於上開證據之態樣性質差異極大，不同態樣彼此間，根本不可能會有相同的需求而去考量相同的日期因素，除無法套用外，甚至證據3至7間有反向教示存在，故上開證據間根本欠缺合理結合動機。又證據3、5、7僅是將資料輸入Excel的數學統計方法，並不具有機器學習模型所特有的訓練過程與依據訓練資料學習的能力，且未揭露機器學習模型進行遷移式學習，兩者在演算法架構上截然不同，原告顯然忽略系爭專利請求項1之「機器學習模型」技術特徵，錯誤的將證據3、5、7之指數平滑法比對系爭專利請求項1之機器學習模型包含一指數平滑模型。
(二)系爭專利請求項4未為證據2、10所揭露：
依證據2說明書[0020段內容]所載之公式是加法運算，並未揭露系爭專利請求項4之乘法運算，反觀系爭專利請求項4所載公式係將趨勢模組輸出分別與星期別、月份、溫度、降雨
、促銷、公共假日、重大節假、寒暑假模組相乘，所有模組並非僅考量本身的影響，而是可以經由乘法運算反映當時趨勢模組的影響，故證據2之預測公式與系爭專利完全不同，縱將證據2所教示「加性，也可以選擇乘性」仍與系爭專利請求項4特定之加、乘法運算組合有所不同，亦非原告所稱簡易變更即可輕易完成，故原告主張附表3之㈡證據組合足以證明系爭專利請求項4不具進步性，並不可採。
(三)聲明：原告之訴駁回。
五、參加人抗辯及聲明：
(一)附表3之㈠組合證據未能揭露系爭專利請求項1C、1D及1G之技術特徵，不足以證明請求項1不具進步性：
⒈系爭專利請求項1已明確界定處理器是利用指數平滑模型對歷史銷售數據依節假日、寒暑假和不同星期別三項因素進行有區分性的加權平均處理來產出預測，亦即處理器在產出預測時，對於歷史銷售數據的使用選擇上，皆會就節假日、寒暑假和不同星期別3項因素同時進行考量。
⒉證據1至4均未揭露請求項1D之技術特徵，證據3雖有揭露影響訂票數的變數包含星期特性、特殊假日、寒暑假等，惟未說明如何結合相關變數來產出預測，且該程度揭露根本不足以讓具有通常知識者推知請求項1D之技術手段，且證據3明確指出只會對「星期特性」進行分析，而排除了對「寒暑假與特殊假日之特性」進行分析，因此證據3已明確記載有關排除系爭專利發明的教示或建議之「反向教示」。
⒊證據1、2、3及4均未揭露或教示系爭專利請求項1C及1G之技術特徵。證據8雖有提到可提取短期促銷、連續促銷兩特徵作為預測模型的特徵值，但其所謂促銷信息係以促銷活動時間之久暫作為考量的影響因子，僅係輸入「時間長短特徵」進行預測，非屬「促銷信息」，更非是以商品品群層級作為機器訓練的特徵值。且證據8係直接用於單一機器學習模型
，與系爭專利係「用於該些不同的機器學習模型」完全不同。因此，證據8並未揭露或教示系爭專利請求項技術特徵1C。
⒋另證據9只是揭示一般線上機器學習的概念，其通篇內容皆未揭示可以利用「商品庫存數量」、「商品建議訂購數量」及「商品實際訂購數量」等資訊作為機器模型自我學習的資料，遑論有以該些資訊對於不同的機器學習模型進行遷移式學習，亦與銷售預測完全無關，且與請求項技術特徵1G完全無關。又證據11僅揭示遷移式學習之概念，其所揭示內容完全與商品銷售預測無關，且證據11亦未揭露或教示可以利用「商品庫存數量」、「商品建議訂購數量」及「商品實際訂購數量」等資訊對於不同的機器學習模型進行遷移式學習。所屬技術領域具有通常知識者，實難由證據1所揭示內容，利用證據9、11而輕易完成系爭專利請求項1G技術特徵。
⒌證據5所欲進行預測的資料就僅有雙11之單一節日，與系爭專利請求項1D之技術特徵係對節假日、補班、星期別、寒暑假季節性銷售的各種因素所構成的情況下之處理方法，需整體性考量其適用的情況後以做出預測完全不同，且因證據5僅須就雙11之單一節日進行預測，本就無須進行有區分性的加權平均處理。又證據5記載指數平滑法屬於平滑預測法僅是利用Excel進行計算的數學演算法，並不具有訓練與學習的能力，並非機器學習模型之指數平滑模型，且證據5所揭示之指數平滑法「僅能用於雙11之特定節目」無法適用於具有趨勢性成分的不同星期別之歷史銷售數據預測，具有「反向教示」。
⒍證據6明確記載僅就月份、星期、節假日、氣象進行分析，對短期鐵路客流進行預測，與系爭專利請求項之1D技術特徵係對節假日、補班、星期別、寒暑假季節性銷售的各種因素所構成的情況下之處理方法，需整體性考量其適用的情況後以做出預測完全不同。
⒎又前開證據1至6均非基於同一產業領域，其所欲解決的問題並無共通性，亦不具功能與作用上之共通性，且各證據對於預測所應用之場景並不相同，而不同應用場景預測時所應考量之因素（或可能影響預測結果之因素）係會有所差異，故該發明所屬技術領域中具有通常知識者於解決特定問題時，自無動機將屬不同產業領域之證據1至6之技術內容予以結合
。
(二)系爭專利請求項2至5係直接或間接依附於系爭專利請求項1之附屬項，因附表3之㈠組合證據不足以證明系爭專利請求項1不具進步性，故附表3之㈠組合證據亦不足以證明系爭專利請求項2至5不具進步性。
(三)附表3之㈡證據組合不足以證明系爭專利請求項4不具進步性
：
原告雖主張基於證據8、10的教示，證據2之模型可經簡易變更為非週期變化模組、星期別模組、月份模組、溫度模組、降雨模組、促銷模組、公共假日模組、重大節假模組以及寒暑假模組等輸出，即可輕易完成系爭專利請求項4之技術特徵云云。惟證據2說明書所揭示公式其趨勢分析非週期性變化g(t)僅是與其他模組參數s(t)、h(t)及et相加，但請求項4之技術特徵，其趨勢模組係分別與其他模組參數相乘，兩者公式所代表之意義明顯不同，所屬技術領域具有通常知識者自無法僅由證據2揭示之前揭公式，輕易完成系爭專利請求項4之技術特徵。又原告雖主張依證據10記載可知，證據
10已教示考慮溫度模組以及降雨模組，是以系爭專利請求項4之技術特徵本就為系爭專利申請時之通常知識，為發明所屬技術領域中具有通常知識者本身已具備且可自由應用云云
。然證據10雖揭示可能影響銷售數據之因素包含氣溫和降雨
，但未明確揭示要如何以該等因素進行預測，亦即證據10亦未明確揭露或教示系爭專利請求項4之技術特徵。故附表3之㈡證據組合不足以證明系爭專利請求項4不具進步性。
(四)聲明：原告之訴駁回。
六、本院判斷：
(一)應適用之法令：
系爭專利申請日為111年4月29日，於同年9月6日經審查准予專利，原告於112年5月29日提起舉發，依專利法第119條第3項規定，系爭專利有無撤銷原因，自應依核准當時之111年5月4日修正公布、同年7月1日施行之專利法為斷（下僅稱專利法）。
(二)參加人於114年1月9日所為專利更正合法：
⒈按專利法第120條準用第67條第1、2、4項規定，新型專利權人申請更正專利說明書、申請專利範圍或圖式，僅得就下列事項為之：一、請求項之刪除。二、申請專利範圍之減縮。三、誤記或誤譯之訂正。四、不明瞭記載之釋明（第1項）
。更正，除誤譯之訂正外，不得超出申請時說明書、申請專利範圍或圖式所揭露之範圍（第2項）。更正，不得實質擴大或變更公告時之申請專利範圍（第4項）。
⒉原告雖主張參加人向被告提出系爭專利說明書[0023]、[0025]段及系爭專利請求項1之更正申請，由於「電腦裝置120」亦可執行前述說明書[0023]段所記載「利用歷史銷售數據與外界因素資料訓練及測試複數個不同的機器學習模型，據以從複數個不同的機器學習模型中選擇預測最準確的機器學習模型，進而透過預測最準確的機器學習模型以產生預測結果
」以及說明書[0025]段所記載「根據每日提供的物流到店時間資料推導出每隻商品到達每家店鋪的時間…模型預測與實際銷售的差距將用於指導安全庫存係數的選擇」等功能，因此該系爭專利說明書更正將電腦裝置120訂正為處理器112，已超出申請時說明書或圖式所揭露之範圍，而系爭專利請求項1依此之更正亦已超出申請時說明書或圖式所揭露之範圍等等。
⒊惟查，依系爭專利申請時說明書[0005]段記載「本新型所提出的自動化建議訂購系統包含雲端伺服器以及電腦裝置，電腦裝置與雲端伺服器連線。雲端伺服器利用歷史銷售數據與外界因素資料訓練及測試複數個不同的機器學習模型，據以從複數個不同的機器學習模型中選擇預測最準確的機器學習模型，進而透過預測最準確的機器學習模型以產生預測結果
。電腦裝置從雲端伺服器取得預測結果，進而依據預測結果與商品庫存數量，計算商品建議訂購數量資訊」、[0006]段記載「雲端伺服器包含儲存設備、處理器以及通訊設備，通訊設備電性連接處理器，處理器電性連接儲存設備…處理器依據未來外界因素資訊以調整預測結果，通訊設備將預測結果傳送給電腦裝置」、[0007]段記載「處理器利用指數平滑模型對少於預設天數的歷史銷售數據依節假日、寒暑假和不同星期別進行有區分性的加權平均處理以產出預測」、[0008]段記載「處理器利用廣義可加模型對多於預設天數的歷史銷售數據與外界因素資料依時間序列分解成趨勢模組、季節性模組和外界因素模組，進而叠加或相乘趨勢模組、季節性模組和外界因素模組的輸出以產出預測」及圖1揭示系爭專利為一種自動化建議訂購系統方塊圖包含「處理器112」、「電腦裝置120」等元件，可知系爭專利申請時說明書或圖式已明確揭示「電腦裝置120」與「處理器112」分屬兩個不同元件或裝置，且為達成系爭專利發明之目的，雲端伺服器之處理器利用指數平滑模型產出預測結果，並藉由雲端伺服器之通訊設備將預測結果傳送給電腦裝置，電腦裝置進而依據該預測結果與商品庫存數量，計算商品建議訂購數量資訊，兩者所具有功能亦不相同。是該發明所屬技術領域具有通常知識者依其申請時的通常知識，當可直接由申請時之說明書、申請專利範圍或圖式整體內容及上下文，即知該系爭專利說明書申請更正之內容係明顯之誤繕，且該訂正回復之原意為說明書、申請專利範圍或圖式已實質揭露，於解讀時亦不致影響原來實質內容，是前揭更正事項屬「誤記或誤譯之訂正」，並未超出申請時說明書、申請專利範圍或圖式所揭露之範圍，亦未實質擴大或變更公告時之申請專利範圍，且參加人就系爭專利所為更正業經被告為核准審定之處分（
本院卷一第451至452頁），故原告之主張並不足採。
(三)系爭專利所欲解決的問題、主要圖式及申請專利範圍均詳如附表1所示，又系爭專利請求項1之技術特徵解析如附表4所示1A至1G。另原告舉發時所提證據1至4及起訴後所提證據5至10，其公告日、公開日皆早於系爭專利申請日（111年4月29日），均可作為系爭專利之先前技術（相關技術內容及圖式如附表2）。
(四)附表3之㈠所示證據1至4之組合，證據1至4及8之組合，證據1至4及9之組合，證據1至4及8至9之組合，均不足以證明系爭專利請求項1至5不具進步性：
⒈證據1並未揭露系爭專利請求項1B部分、1C部分、1D及1G之技術特徵：
⑴證據1說明書[0006]段記載「一種用於智慧生成採購訂單的電腦實施系統」，故證據1可對應系爭專利請求項1技術特徵1A之「一種自動化建議訂購系統」。
⑵證據1說明書[0057]段記載「圖3為示出包括用於使產品庫存保持在最佳層級的電腦化系統的連網環境300……環境300可包含各種系統，所述系統中的每一者可經由一或多個網路彼此連接……所描繪系統包含FO系統311、FC資料庫312」、[0058]段記載「FC資料庫312可實施為收集、累積及/或生成自如上文相對於圖2所描述的FC200處的各種活動累積的各種資料的一或多個電腦系統」、[0063]段記載「SCM320的組件可實施為經由網路彼此通信的一或多個電腦系統。在此實施例中，在一些實施例中，SCM320可包括一或多個處理器、一或多個記憶體以及一或多個輸入/輸出（input/output；I/O）裝置。SCM320可呈伺服器、通用電腦、大型主機電腦、專用計算裝置（諸如圖形處理單元（graphicalprocessingunit；GPU））、膝上型電腦或此等計算裝置的任何組合的形式」、[0064]段記載「資料科學模組321可研發由需求預測生成器322使用的預測模型，所述需求預測生成器322判定每一產品的需求量。在一些實施例中，資料科學模組321可自FO系統311擷取訂單資訊且自外部前端系統313擷取瀏覽視圖量（亦即產品的網頁瀏覽次數）以訓練預測模型且預計將來需求量。訂單資訊可包含銷售統計，諸如隨時間出售的物品的數目、在促銷週期期間出售的物品的數目以及在正常週期期間出售的物品的數目。資料科學模組321可基於諸如銷售統計、瀏覽視圖量、季節、星期幾、即將到來的假期以及類似物的參數來訓練預測模型」。其中所述「資料科學模組、需求預測生成器、FO(履行最佳化)系統、FC(履行中心)資料庫」組合的子系統、「銷售統計」、「瀏覽視圖量、季節
、星期幾、即將到來的假期」、「預測模型」、預計將來「產品的需求量」可對應系爭專利請求項1之「雲端伺服器」、「歷史銷售數據」、「外界因素資料」、「機器學習模型」、「預測結果」，故證據1已揭示系爭專利請求項1B部分「一雲端伺服器，利用一歷史銷售數據與一外界因素資料訓練及測試…機器學習模型…透過…機器學習模型以產生一預測結果」之技術特徵。
⑶證據1之資料科學模組、需求預測生成器、FO系統、FC資料庫組合的子系統，可對應系爭專利請求項1之「雲端伺服器」，已如前述；又證據1[0063]段已揭示SCM的組件可實施為經由網路彼此通信的一或多個電腦系統，而一或多個電腦系統中的每一者可包括一或多個處理器，故證據1已揭示系爭專利請求項1C部分「雲端伺服器包含一處理器
」之技術特徵。
⑷證據1說明書[0064]段記載「隨著接收到經由藉由PO生成器326生成的PO訂購的產品，資料科學模組321亦可接收來自圖2的入站區203的資料。資料科學模組321可使用此資料來判定各種供應商統計」、[0066]段記載「在一些實施例中，TIP323可包含組態成判定每一產品的推薦訂單數量的一或多個計算裝置。TIP323可藉由以下來判定推薦訂單數量：首先判定產品的初始訂單數量，以及利用真實世界約束來約束初始訂單數量」、[0074]段記載「在步驟401處，TIP323可自需求預測生成器322接收每一產品的需求預測數量」、[0075]段記載「TIP323可自資料科學模組321接收供應產品的一或多個供應商的供應商統計資料」，其中所述「TIP(目標庫存計劃系統)、PO(採購訂單
)生成器」組合的子系統可對應系爭專利請求項1之「電腦裝置」，故證據1已揭示系爭專利請求項1E之「一電腦裝置，與該雲端伺服器連線」技術特徵。
⑸證據1說明書[0074]段記載「在步驟401處，TIP323可自需求預測生成器322接收每一產品的需求預測數量」、[0078]段記載「在步驟405處，TIP323可基於參數範圍判定每一產品的初始訂單數量。在一些實施例中，特定產品的初始訂單數量可取決於特定產品的需求預測數量、覆蓋期
、安全存貨期、當前庫存量、當前訂購數量、臨界比以及裝箱數中的至少一者」，其中所述「產品的需求預測數量
」、「當前庫存量」、「初始訂單數量」可對應系爭專利請求項1之「預測結果」、「商品庫存數量」、「商品建議訂購數量」，故證據1已揭示系爭專利請求項1F之「該電腦裝置從該雲端伺服器取得該預測結果，進而依據該預測結果與一商品庫存數量，計算一商品建議訂購數量資訊
」技術特徵。
⑹基上所述，證據1並未揭示系爭專利請求項1B之「訓練及測試複數個不同的機器學習模型，據以從該些不同的機器學習模型中選擇一預測最準確的機器學習模型，進而透過該預測最準確的機器學習模型以產生一預測結果」部分技術特徵(下稱「差異技術特徵1B」)、1C之「該處理器根據一當前日期設定用於該些不同的機器學習模型的建模的一數據時間區間，並在該數據時間區間内提取相應的節假日和群層級促銷信息用於該些不同的機器學習模型的訓練和預測，該處理器還提取一店鋪特徵資料用於該些不同的機器學習模型的訓練與預測，該店鋪特徵資料包括暫停營業
」部分技術特徵(下稱「差異技術特徵1C」)、1D之「該些不同的機器學習模型包含一指數平滑模型，該處理器利用該指數平滑模型對少於一預設天數的該歷史銷售數據依節假日、寒暑假和不同星期別進行有區分性的加權平均處理以產出預測」技術特徵、1G之「其中該雲端伺服器利用該商品庫存數量、該商品建議訂購數量資訊及一商品實際訂購數量對該些不同的機器學習模型進行遷移式學習」技術特徵。
⒉證據2說明書[0018]段記載「經過移動平均、變形、滯後等處理後的影響因子數據資料和歷史銷量資料，對機器學習模型進行訓練和測試得到最優機器學習模型」、[0028]段記載「節假日和大事件會導致時間序列中出現可預測的波動。這些大事件前後的日期將會被單獨考慮」、[0032]段記載「採用歷史銷量資料對設置好參數集的prophet模型進行訓練和測試得到銷量最優prophet模型…得到誤差最小的prophet模型為最優prophet模型。將需要進行預測的時間輸入上述最優prophet模型得到與輸入時間相對應的銷量預測值一」、[0038]段記載「選擇測試集上誤差最小時對應的參數作為最優參數，利用最優參數和所有歷史資料訓練模型，將該模型作為最優機器學習模型，將因子的預測值和需要進行預測的時間輸入到最優機器學習模型中得到與輸入時間對應的銷量預測值二」、[0039]段記載「對銷量預測值一和銷量預測值二的總和取平均值得到最終的銷量預測值」，其中所述之「
對設置好參數集的prophet模型進行訓練和測試得到銷量最優prophet模型…得到與輸入時間相對應的銷量預測值一」
、「對機器學習模型進行訓練和測試得到最優機器學習模型
…得到與輸入時間對應的銷量預測值二」，可對應系爭專利請求項1技術特徵1B之「訓練及測試複數個不同的機器學習模型…選擇一預測最準確的機器學習模型…透過該預測最準確的機器學習模型以產生一預測結果」，故證據2已揭示系爭專利請求項1之差異技術特徵1B，惟未揭示請求項1之差異技術特徵1C、技術特徵1D、1G。
⒊證據3第15頁記載「其研究使用兩家旅館業的歷史訂票資料進行需求預測，其方法包括簡單指數平滑法」、第16頁記載「因為其特性不同，所以得到較佳預測結果之模式也不同。故在資料測試中應多測試多種模式以得到適合資料之模式。在預測模式之選擇上，應該就此五種較為穩定的模式來做研究，包括指數平滑法」、第34頁記載「訂票曲線、售票曲線與取消曲線可以從不同方面進行分析，本研究主要以訂票曲線作為研究對象。發現影響訂票曲線之重要變數，包括出發時間、座位配額、星期特性、特殊假日與寒暑假變數」、第35頁記載「多認為星期特性對於進行資料分群最好的特性，故本研究所選取之資料樣本為以每週為一單位的1037車次星期二歷史訂票資料，如表4-1，一共有8周的訂票資料。表中訂票時間若為1則是開放訂票第一天；對於星期二來說，乘車當天的訂票時間代表為15，日期中1/4代表94年一月四日
，(二)代表星期二，以此類推…以下模式介紹以訂票時間為15個訂票點之資料，訂票曲線可以表示為一向量：{Xt,n}，其中t=1,2,……,15,n=1,2,……,n……其中X15,n，其中n=1,2,……,n為最終訂票數，為本研究模式欲預測之目標」、第37頁記載「簡單指數平滑法之模式如公式4-2：
，是對於所屬技術領域中具有通常知識者，當可依據實際應用需求，將歷史數據依星期特性、特殊假日與寒暑假進行有區分性的加權平均處理以產出預測結果，自可對應系爭專利請求項1D之「該些不同的機器學習模型包含一指數平滑模型
，該處理器利用該指數平滑模型對該歷史銷售數據依節假日
、寒暑假和不同星期別進行有區分性的加權平均處理以產出預測」技術特徵。又證據4亦已揭示指數平滑模型適用於資料需求量小、小週期的預測場景，可對應系爭專利請求項1D之「利用指數平滑模型對少於一預設天數的該歷史數據進行加權平均處理以產出預測」技術特徵，故證據3、4已揭示系爭專利請求項之1D技術特徵，惟未揭示系爭專利請求項1之差異技術特徵1C、技術特徵1G。
⒋綜上，證據1至4並未能揭示系爭專利請求項1之全部技術特徵即系爭專利請求項1之差異技術特徵1C、技術特徵1G，則所屬技術領域中具有通常知識者自無法依據證據1至4而輕易完成系爭專利請求項1之全部技術特徵，故證據1至4之組合並不足以證明系爭專利請求項1不具進步性。
⒌原告雖主張系爭專利請求項1之差異技術特徵1C、技術特徵
1G應為系爭專利申請時之通常知識，可分別參考證據8及證據9、11，而為所屬技術領域中具有通常知識者利用申請時之通常知識所能輕易完成或簡單變更云云。惟查：
⑴證據8之網路資料第1頁揭示「本文旨在分析影響商店銷售的相關因素，並預測未來店鋪的銷售額。數據以1115家
Rossmann連鎖商店為研究對象，從西元2013年1月1日到2015年7月共記錄1017209條銷售數據（27個特徵）。首先使用R語言實現對資料的清洗整理，其次對資料進行快速探索分析，分析了RossmannStore店鋪銷售資料特徵、競爭對手數據特徵，以及考察了促銷活動、競爭、節假日、季節等因素對銷售額的影響。最後運用歷史數據對超市建立銷量預測模型，預測西元2015月8月1日到2015年9月17日的店鋪銷售情況」、第4頁揭示「資料顯示並非所有的數據都顯示店鋪營業的…因此需要對資料進行進一步細分…可以發現…停止營業的資料幾乎都集中在星期天」、第20頁揭示「便利店銷售模型的目標是…預測之後48天商店的銷售額」，其中所述「西元2013年1月1日到2015年7月」
、「節假日」、「停止營業」雖可對應系爭專利請求項技術特徵1C所述之「數據時間區間」、「節假日」、「店鋪特徵資料包括暫停營業」，惟證據8未揭示系爭專利請求項技術特徵1C所述「群層級促銷信息」。至原告雖稱證據8所揭示「促銷活動」可對應該「群層級促銷信息」，然依原告自承，從系爭專利說明書[0025]段記載「取最近60天單品銷售數據用於計算單品銷售占所屬品群銷售比例，例如單品銷售比例將用於分配群層級預測至單品」，可知該「群層級促銷信息」係指品群的層級(本院卷二第217頁
)，即為商品品群層級之促銷，是證據8並未揭示該「促銷活動」係指商品品群層級之促銷。據此，證據8並未揭示系爭專利請求項1之差異技術特徵1C，且觀諸證據8之內容亦未揭示系爭專利請求項1之技術特徵1G。
⑵證據9之網路資料第2頁揭示「OnlineLearning能夠根據線上反饋數據，即時快速地進行模型調整，使得模型及時反映線上的變化，提高線上預測的準確率。Online
Learning的流程包括：將模型的預測結果展現給用戶，然後收集用戶的反饋數據，再用來訓練模型，形成閉環的系統」，證據9雖揭示OnlineLearning可根據線上反饋數據，即時快速地進行模型自我調整，然此種反饋學習並非遷移式學習，是證據9並未揭示系爭專利請求項1之技術特徵1G所述「遷移式學習」。據此，證據9並未揭示系爭專利請求項1之技術特徵1G，且觀諸證據9之內容亦未揭示系爭專利請求項1之差異技術特徵1C。
⑶又證據11之文章揭示「與現有的遷移學習研究不同，本文研究了一種新的線上遷移學習(OTL)框架[33]，該框架解決了線上學習框架中的遷移學習問題」，即證據11雖揭示遷移式學習，然並未揭示系爭專利請求項1技術特徵1G所述「利用該商品庫存數量、該商品建議訂購數量資訊及一商品實際訂購數量對該些不同的機器學習模型進行遷移式學習」之具體內容。
⑷原告另主張證據8已揭示考量短期促銷、連續促銷與銷售額關係，由於不論群層級促銷信息屬於何種類別商品的促銷信息，必然為短期促銷或連續促銷的一種，而為所屬技術領域中具有通常知識者可應用於證據2；又證據9所記載線上學習模型的基本原理可適用於任何領域，系爭專利所屬技術領域中具有通常知識者本就可依據證據9之教示，修改證據1之預測系統，且證據11亦進一步教示將證據11所記載技術内容應用於偵測系統以及預測系統中，故系爭專利請求項1之技術特徵1G係利用申請時之通常知識所能簡單變更云云。然查，系爭專利請求項1之「群層級促銷信息」係指商品品群層級之促銷，與原告所稱短期促銷或連續促銷並不相同。又如前述，證據9之反饋學習與證據
11之遷移式學習並不相同，而觀諸證據1亦無關於遷移式學習之相關內容，尚難認系爭專利所屬技術領域中具有通常知識者有動機將證據11之遷移式學習應用於證據9、證據1。再者，進步性審查當以申請專利之發明的整體為對象，判斷該發明所屬技術領域中具有通常知識者是否有動機能結合複數引證之技術內容時，應考量複數引證之技術內容的關連性或共通性，而非引證之技術內容與申請專利之發明的技術內容。依系爭專利請求項1之記載可知其藉由選取特定的資料範圍、機器學習模型，以進行特定的應用，證據8並未揭示系爭專利請求項1C之「群層級促銷信息」、證據9並未揭示系爭專利請求項1G之「遷移式學習
」、證據11並未揭示系爭專利請求項1G之「利用該商品庫存數量、該商品建議訂購數量資訊及一商品實際訂購數量對該些不同的機器學習模型進行遷移式學習」具體內容，已如前述，原告雖欲藉由證據8、9、11所稱之通常知識拼貼比對系爭專利請求項1之特定內容，惟未能提出具體客觀之證據以實其說。
⑸準此，原告主張證據1至4分別參考證據8及證據9、11，即證據1至4及8之組合，或證據1至4及9之組合，或證據1至4及8至9之組合，足以證明系爭專利請求項1不具進步性，並不足採。
⒍系爭專利請求項2至5係直接或間接依附於系爭專利請求項1之附屬項，由於證據1至4之組合，或證據1至4及8之組合，或證據1至4及9之組合，或證據1至4及8至9之組合，均不足以證明系爭專利請求項1不具進步性，已如前述，故上開證據組合亦不足以證明系爭專利請求項2至5不具進步性。
(五)附表3之㈠所示證據1至5之組合，或證據1至4及證據6之組合
，或證據1至6之組合，或證據1、2、4、6之組合，皆不足以證明系爭專利請求項1至5不具進步性：
⒈證據1至4之組合並不足以證明系爭專利請求項1不具進步性
，已如前述。
⒉證據5第9至10頁揭示預測雙11節假日的銷售時，可選擇過往節假日的銷售資料作為用於加權平均的資料，並以所記載之Excel1内建的選項實現以指數平滑模型產生預測結果，惟證據5並未揭示系爭專利請求項1之差異技術特徵1C「該處理器根據一當前日期設定用於該些不同的機器學習模型的建模的一數據時間區間，並在該數據時間區間内提取相應的節假日和群層級促銷信息用於該些不同的機器學習模型的訓練和預測，該處理器還提取一店鋪特徵資料用於該些不同的機器學習模型的訓練與預測，該店鋪特徵資料包括暫停營業」、技術特徵1G「其中該雲端伺服器利用該商品庫存數量、該商品建議訂購數量資訊及一商品實際訂購數量對該些不同的機器學習模型進行遷移式學習」，所屬技術領域中具有通常知識者亦無法依據證據1至5之組合即能輕易完成系爭專利請求項1之全部技術特徵，故證據1至5之組合不足以證明系爭專利請求項1不具進步性。
⒊證據6說明書[0013]段記載「對鐵路城際客流以及影響因素的歷史資料進行預處理，將其轉化為有監督學習的資料集」
、[0059]段記載「鐵路城際客流變化具有非常明顯的時間特徵。首先，客流的短期變化是基於長期的演變趨勢的。其次
，鐵路城際客流在一年中的不同季節、月份具有不同的規律特徵。因為受到暑假以及適宜度假的天氣因素影響，夏季八月份的客流規模要稍高於同年其它月份。再者，鐵路城際客流呈現出了以星期為週期的顯著變化特徵，一般而言，週五的客流會達到一周之內的高峰，週一為低谷，而其它工作日的客流則相對平穩。再者，鐵路城際客流在時間上又受到節假日的影響，通常而言在節假日開始前一天和假期的最後一天會達到一個客流高峰。在進行鐵路城際客流短期預測時，如果不區分預測模型在時間上的應用場景，那麼就有必要將日期屬性作為客流變化的影響因素納入到模型當中。根據上述分析，本發明從三個維度提取日期屬性的特徵，分別是月份、星期和節假日」，亦即證據6雖已揭示區分節假日、月份和星期，而對節假日、月份和星期的歷史數據進行預處理及應用監督學習模型進行預測，可對應系爭專利請求項1D之
⒋又系爭專利請求項2至5係直接或間接依附於系爭專利請求項1之附屬項，由於證據1至5之組合，或證據1、2、4、6之組合，或證據1至6之組合，或證據1至4及證據6之組合，均不足以證明系爭專利請求項1不具進步性，故上開證據組合亦不足以證明系爭專利請求項2至5不具進步性。
(六)附表3之㈡所示證據1至4及10之組合，或證據1至5及10之組合，或證據1至4及6、10之組合，或證據1至6及10之組合，或證據1、2、4、6、10之組合，或證據1至4及8、10之組合
，或證據1至4及9、10之組合，或證據1至4及8至10之組合，皆不足以證明系爭專利請求項4不具進步性：
⒈證據1至6、8、9並未揭示系爭專利請求項1之差異技術特徵
1C、技術特徵1G，業如前述。
⒉證據10之網路資料雖揭示在數據建模時須考量銷售與天氣(
如溫度、降雨)之間的關係，惟觀其內容並未揭示系爭專利請求項1之差異技術特徵1C「該處理器根據一當前日期設定用於該些不同的機器學習模型的建模的一數據時間區間，並在該數據時間區間内提取相應的節假日和群層級促銷信息用於該些不同的機器學習模型的訓練和預測，該處理器還提取一店鋪特徵資料用於該些不同的機器學習模型的訓練與預測
，該店鋪特徵資料包括暫停營業」、技術特徵1G「其中該雲端伺服器利用該商品庫存數量、該商品建議訂購數量資訊及一商品實際訂購數量對該些不同的機器學習模型進行遷移式學習」，是以證據1至4及10之組合，或證據1至5及10之組合
，或證據1至4及6、10之組合，或證據1至6及10之組合，或證據1、2、4、6、10之組合，或證據1至4及8、10之組合，或證據1至4及9、10之組合，或證據1至4及8至10之組合，當不足以證明系爭專利請求項1不具進步性，自亦不足以證明間接依附於其之系爭專利請求項4不具進步性。
七、綜上所述，本件附表3所示㈠、㈡之證據組合，均不足以證明系爭專利請求項1至5或請求項4不具進步性。從而，原處分關於系爭專利請求項1至5舉發不成立之原處分，並無違誤，訴願決定予以維持，亦無不合。原告仍執前詞請求撤銷訴願決定及原處分如聲明，為無理由，應予駁回。
八、本件判決基礎已經明確，兩造其餘主張或答辯及訴訟資料經本院斟酌後，核與判決結果不生影響，並無一一論述的必要
。
九、結論：本件原告之訴為無理由，依智慧財產案件審理法第2條，行政訴訟法第98條第1項前段，判決如主文。
中 華 民 國 114 年 6 月 26 日
智慧財產第一庭
審判長法官汪漢卿
法官曾啓謀
法官吳俊龍
以上正本係照原本作成。
一、如不服本判決，應於送達後20日內，向本院提出上訴狀並表明上訴理由，其未表明上訴理由者，應於提起上訴後20日內向本院補提上訴理由書；如於本判決宣示或公告後送達前提起上訴者，應於判決送達後20日內補提上訴理由書（均須按他造人數附繕本）。
二、上訴未表明上訴理由且未於前述20日內補提上訴理由書者，逕以裁定駁回。
三、上訴時應委任律師為訴訟代理人，並提出委任書（行政訴訟法第49條之1第1項第3款）。但符合下列情形者，得例外不委任律師為訴訟代理人（同條第3項、第4項）。
得不委任律師為訴訟代理人之情形
所需要件
㈠符合右列情形之一者，得不委任律師為訴訟代理人
1.上訴人或其代表人、管理人、法定代理人具備法官、檢察官、律師資格或為教育部審定合格之大學或獨立學院公法學教授、副教授者。
2.稅務行政事件，上訴人或其代表人、管理人、法定代理人具備會計師資格者。
3.專利行政事件，上訴人或其代表人、管理人、法定代理人具備專利師資格或依法得為專利代理人者。
㈡非律師具有右列情形之一，經最高行政法院認為適當者，亦得為上訴審訴訟代理人
1.上訴人之配偶、三親等內之血親、二親等內之姻親具備律師資格者。
2.稅務行政事件，具備會計師資格者。
3.專利行政事件，具備專利師資格或依法得為專利代理人者。
4.上訴人為公法人、中央或地方機關、公法上之非法人團體時，其所屬專任人員辦理法制、法務、訴願業務或與訴訟事件相關業務者。
是否符合㈠、㈡之情形，而得為強制律師代理之例外，上訴人應於提起上訴或委任時釋明之，並提出㈡所示關係之釋明文書影本及委任書。
中 華 民 國 114 年 7 月 4 日
書記官蔣淑君