🔖 キーワード索引

「知的財産権」を取り巻く中核キーワード群です。 検索やインデックス作成で参照する際の手がかりにしてください。 各キーワードは関連する概念・手法・道具立てを含み、 文献検索や学習計画の起点になります。

これらのキーワードは「知的財産権の理解 → 適用 → 検証」のプロセスを構成します。 各章で詳しく解説します。

🎨 直感で掴む

例で考えてみましょう：

• あなたが新海誠監督の作品を「全部見て」絵柄を真似て描く → 合法（人間の学習）
• AI に同じ作品群を学習させて絵柄を真似させる → 議論中（地域・用途で異なる）
• AI 生成画像を「新海誠作」と詐称 → 違法（不正競争・詐欺）
• AI 生成物自体に著作権？ → 日米では人間の創作的寄与がないと不認可が主流

🎨 概念図で押さえる

知的財産権の核心を 3 つの図で押さえる。 ① 知的財産権の体系 (産業財産権 vs 著作権)、 ② 権利の効力範囲と存続期間、 ③ データ・AI 時代の権利フロー。

図のまとめ: 知的財産権は産業財産権 (出願) と著作権 (創作) の 2 系統に大別され、 存続期間は数年〜70 年と異なる。 AI 時代は元データ→学習→モデル→生成物の各段階で権利を切り分ける必要がある。

📐 定義 — 知的財産権とは

知的財産権は法律・制度上の概念であり、 単一の数式で定義できるものではありません。 まずは言葉による定義を押さえます。

知的財産権は大きく、 創作と同時に自動発生する 著作権 と、 出願・登録によって発生する 産業財産権（特許・実用新案・意匠・商標）に分かれ、 このほか営業秘密（不正競争防止法）なども含まれます。 定量的に扱えるのは権利そのものではなく、 「保護期間」「侵害判定のための類似度」「AI 学習データの再現率」といった周辺的な指標です。 次節では、 それらを式で確認します（いずれも権利の定義ではなく、 権利を運用・評価するための計算である点に注意してください）。

権利ごとの「いつまで」と「どこまで」

知的財産権はひとつの権利ではなく、目的の違う権利の束です。 保護される対象・期間・取得のしかたが全部違うので、混同すると判断を誤ります。

分析者に関係が深いのは著作権と営業秘密です。 著作権は手続きなしで自動的に発生するので、「登録されていないから自由」は成り立ちません。 一方、営業秘密は秘密として管理していることが要件なので、 社内で誰でも見られる状態に置いた時点で保護を失うことがあります。 分析基盤のアクセス権設計が、そのまま法的な保護の有無に効いてくるわけです。

なおアイデアや事実そのものには著作権が及びません。 「気温が高い県ほど消費支出が多い」という発見は誰のものでもなく、自由に述べてよい。 守られるのは、それをどう書いたか・どう図にしたかという表現の側です。 分析結果を引用するときは、数値や知見は自由に使えても、 文章や図をそのまま持ってくると複製になる、と切り分けて考えてください。

🔬 記号・要素の読み解き

🔬 数式を言葉で読み解く

知的財産権を「数学的に」 捉えるのは奇妙に聞こえますが、 実は法定の 保護期間・侵害判定・類似度はすべて数式や計算で表現できます。 ここでは AI 文脈で頻出する 3 種類の式を、 一語ずつ解きほぐします。

① 著作権の保護期間（日本・米国・EU）

② 著作物の類似度（侵害判定の代理指標）

③ AI 学習データの「リーク率」

SSDSE-B-2026 で考える「公的データの利用条件」

本リポジトリで使う data/raw/SSDSE-B-2026.csv はCC BY 4.0（クリエイティブ・コモンズ 表示 4.0 国際）で配布されています。 つまり：

• 表示（BY）：使うときは「独立行政法人統計センター. SSDSE-B-2026」と出典記載が必要
• 商用利用：◯（許可）
• 改変：◯（許可）
• 派生物のライセンス：自由（ShareAlike ではない）

たとえば SSDSE-B-2026 から「都道府県別人口ランキング」を作って書籍化・有償講座化することは合法ですが、 出典明記を怠ると CC BY 違反になります。

🏭 産業界での活用事例（6 件）

⚖️ 関連ライセンス・権利の比較表

💥 失敗例から学ぶ

📝 演習問題（5 問・解答付き）

1. 問題：SSDSE-B-2026 を Pandas で読み込み、 出典明記文を Markdown で出力するスクリプトを書け。
   ▼ 解答を見る

   📥 入力例（SSDSE-B-2026 の 2023 年・47 都道府県から 3 行） 都道府県 Prefecture(都道府県) A1101(総人口) 北海道 北海道 5,092,000 東京都 東京都 14,086,000 沖縄県 沖縄県 1,468,000 …（全 47 行）

   📋 コピー

   1 2 3 4

   import pandas as pd df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=1) # 日本語の列名で読む（2 行目を見出しにする） print(f"# 分析結果\n\n出典：独立行政法人統計センター. SSDSE-B-2026 ({len(df)} 行 × {len(df.columns)} 列) CC BY 4.0\n") print(df[['都道府県', '総人口']].head().to_markdown(index=False))

   📤 実行例（実測） # 分析結果 出典：独立行政法人統計センター. SSDSE-B-2026 (564 行 × 112 列) CC BY 4.0 | 都道府県 | 総人口 | |:-----------|---------:| | 北海道 | 5092000 | | 北海道 | 5140000 | | 北海道 | 5183000 | | 北海道 | 5224614 | | 北海道 | 5259000 |
2. 問題：東京都 14,086,000 人という値を引用する場合、 何を表記すべきか？
   ▼ 解答を見る

   「独立行政法人統計センター（2024）. SSDSE-B-2026, 2023 年データ, CC BY 4.0」。 数値そのものは「事実」で著作権はないが、 編集著作物として CC BY 4.0 適用。
3. 問題：SSDSE-B-2026 を学習データに使った AI モデルを公開する場合、 ライセンス的に必要な記載は？
   ▼ 解答を見る

   日本著作権法 30 条の 4 により情報解析目的の学習は合法、 ただし AI モデルの README に学習データ出典として SSDSE-B-2026 を明記すれば CC BY も満たす。 EU AI Act 配下では別途データ出所開示が必要。
4. 問題：あるアーティストの作風を学習した画像生成 AI を商用展開する際の法的論点は？
   ▼ 解答を見る

   日本：30 条の 4 で学習は合法。 ただし「享受目的」の生成は問題。 米国：フェアユース判断、 Andersen v. Stability AI 係争中。 EU：AI Act でオプトアウト権あり。
5. 問題：「47 都道府県の人口 × 出生数 散布図」を作って論文に載せる。 SSDSE-B-2026 のライセンス上、 何を遵守すべきか。
   ▼ 解答を見る

   CC BY 4.0 は「出典明記」のみ要求。 図キャプション or 注釈に「出典：SSDSE-B-2026, CC BY 4.0」を入れれば OK。 派生物の再ライセンスは自由。

📖 関連用語辞典（10 語）

著作権（Copyright）

創作物の表現に自動発生。 死後 70 年保護。

著作隣接権

実演家・レコード製作者・放送事業者の権利。

特許（Patent）

新規・進歩性のある発明を出願・審査で取得。 20 年。

商標（Trademark）

ブランド名・ロゴを保護。 10 年ごとに更新。

意匠（Design）

プロダクトデザインを保護。 25 年。

クリエイティブ・コモンズ (CC)

著作物の利用条件を標準化したライセンス群。 CC0 / BY / SA / NC / ND の組合せ。

フェアユース

米国著作権法の例外規定。 4 要素テストで判断。

著作権法 30 条の 4（日本）

情報解析目的の利用を広く許容。 2018 年改正で AI 学習が原則合法に。

EU AI Act

2024 年成立。 高リスク AI の規制と学習データ出所開示。

SPDX

ソフトウェアパッケージのライセンス識別子標準（例：MIT, Apache-2.0）。

🧮 実値で計算してみる

AI 関連の代表的判例・係争（2024 年時点）：

🧮 数式に値を入れて手で計算する: 特許権の存続期間

合成データで複数特許の残存期間を計算する (特許権は出願から 20 年)。

Step 1: 特許別データ

Step 2: 平均残存年数

🐍 Python で再現

1
2
3
4
5
6
7

import numpy as np
filed = np.array([2010, 2015, 2020, 2025])
expire = filed + 20
current = 2026
remain = expire - current
print(f"残存年: {remain}")
print(f"平均: {remain.mean()}")

📤 実行結果

💬 手計算 (Step 2) 11.5 年と Python 出力が完全一致。

🐍 Python での扱い

最小再現コード。 SSDSE-B のような実データを前提に、 4〜8 行で動く例です：

1
2
3
4
5
6
7
8
9

# 例: 公的データのライセンス確認スクリプト
import pandas as pd
LICENSES = {
    'SSDSE-B': 'CC BY 4.0',
    'e-Stat': '政府標準利用規約 2.0',
}
def can_use_commercially(name):
    return LICENSES.get(name, 'unknown') in {'CC BY 4.0', 'CC0', 'MIT'}
print(can_use_commercially('SSDSE-B'))

補足：ライブラリのバージョンや前処理状態によって出力は変わります。 自分の環境で動かすときは pip list でバージョンを確認し、 入力 CSV のパス・列名を実態に合わせてください。

🐍 Python 完全コード（4 要素ナレーション付き）

コード 1：SSDSE-B-2026 のライセンス遵守ロード

🎯 このコードでやること：data/raw/SSDSE-B-2026.csv を読み込み、 ライセンス情報をメタデータとして保持しつつ、 47 都道府県 × 12 年分のデータを取得する。

📥 入力データ（CSV 抜粋）：

1
2
3
4
5
6
7
8
9

import pandas as pd

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=1)
df.attrs['license'] = 'CC BY 4.0'
df.attrs['source']  = '独立行政法人統計センター. SSDSE-B-2026'

print(f"行数: {len(df):,} / 列数: {len(df.columns)}")
print(f"年度: {sorted(df['年度'].unique())[0]}-{sorted(df['年度'].unique())[-1]}")
print(f"出典: {df.attrs['source']} ({df.attrs['license']})")

📤 実行結果：

💬 結果の読み方：564 行は 47 都道府県 × 12 年 = 564 で一致。 メタデータに license を記録すると、 後段の集計でも出典を継承できる。 CC BY 4.0 のため出典明記をすれば商用・改変・再配布いずれも合法。

コード 2：出典明記つき要約レポートの自動生成

🎯 このコードでやること：47 都道府県の 2023 年人口 TOP 5 を抽出し、 Markdown 形式で「出典明記済みレポート」を生成する。 CC BY 4.0 違反を防ぐ実務テンプレート。

📥 入力データ：上記 df（564 行）の 2023 年抜粋。

1
2
3
4
5
6
7

top5 = df[df['年度']==2023].nlargest(5, '総人口')[['都道府県','総人口']]

report = "# 2023 年都道府県人口 TOP 5\n\n"
report += top5.to_string(index=False) + "\n\n"
report += "出典：独立行政法人統計センター. SSDSE-B-2026 (CC BY 4.0).\n"
report += "URL: https://www.nstac.go.jp/use/literacy/ssdse/\n"
print(report)

📤 実行結果：

💬 結果の読み方：東京都が突出（14,086,000 人）、 神奈川以下とは 5 百万人差。 表＋出典で論文・レポート 1 ブロックが完成。 CC BY 4.0 は「表示」だけが義務なので、 この 2 行で完全に遵守できる。

コード 3：ライセンス互換性チェッカー

🎯 このコードでやること：SSDSE-B-2026 と他のデータ・コードを組み合わせる際、 ライセンスが両立するかチェック。

📥 入力データ：ライセンス辞書（CC BY 4.0, MIT, GPL, CC BY-NC）。

1
2
3
4
5
6
7
8
9

compat = {
    ('CC BY 4.0', 'MIT'):       True,
    ('CC BY 4.0', 'Apache-2.0'): True,
    ('CC BY 4.0', 'CC BY-SA'):   True,
    ('CC BY 4.0', 'CC BY-NC'):   '商用×',
    ('CC BY 4.0', 'GPL-3.0'):    '派生物 GPL 化',
}
for (a,b), ok in compat.items():
    print(f"{a:12s} × {b:12s} → {ok}")

📤 実行結果：

💬 結果の読み方：SSDSE-B-2026（CC BY 4.0）は MIT / Apache とは自由に組み合わせ可。 NC 系を混ぜると商用 NG、 GPL を混ぜると派生物全体が GPL 化する。 実務では requirements.txt と LICENSE をペアでチェックすると安全。

❓ FAQ 20 問

📖 知的財産権の包括ガイド（追補編）

🌏 国際比較：知財制度の差異

📄 SSDSE-B-2026 を題材にした出典明記テンプレート集

論文・学術引用（APA 形式）

独立行政法人統計センター. (2024). 教育用標準データセット SSDSE-B-2026 [Data set].
クリエイティブ・コモンズ 表示 4.0 国際 (CC BY 4.0).
https://www.nstac.go.jp/use/literacy/ssdse/

BibTeX 形式

@misc{ssdse_b_2026,
  author       = {独立行政法人統計センター},
  title        = {SSDSE-B-2026: 教育用標準データセット},
  year         = {2024},
  url          = {https://www.nstac.go.jp/use/literacy/ssdse/},
  note         = {CC BY 4.0}
}

HTML / Markdown

[SSDSE-B-2026](https://www.nstac.go.jp/use/literacy/ssdse/) © 独立行政法人統計センター, [CC BY 4.0](https://creativecommons.org/licenses/by/4.0/)

パッケージング（README.md）

## データの出典

本リポジトリは「SSDSE-B-2026」（独立行政法人統計センター, CC BY 4.0）を含んでいます。
URL: https://www.nstac.go.jp/use/literacy/ssdse/
ライセンスファイル: data/raw/SSDSE-B-2026.LICENSE.txt

🔒 営業秘密とデータ価値

SSDSE-B-2026 のような公開データに対し、 企業内のデータ（顧客リスト、 取引データ、 製造レシピ）は営業秘密として保護される。 不正競争防止法 2 条 6 項で要件：(1) 秘密管理性（アクセス制限）、 (2) 有用性（事業価値）、 (3) 非公知性（公知でない）。 ハッキング・退職者持ち出しに対し差止め・損害賠償・刑事罰。

🤖 AI 倫理ガイドライン主要 10 件

1. OECD AI 原則（2019）：人間中心、 透明性、 説明責任、 公平性
2. EU 信頼性 AI ガイドライン（2019）：7 原則
3. EU AI Act（2024）：法的拘束力ある世界初の包括法
4. 米国 NIST AI RMF（2023）：リスク管理フレームワーク
5. 日本 AI 事業者ガイドライン（2024）：開発者・提供者・利用者向け
6. 文化庁「AI と著作権」報告書（2024）：著作権法 30 条の 4 解釈
7. UNESCO AI 倫理勧告（2021）：人権・包摂・持続可能性
8. G7 広島 AI プロセス（2023）：国際協調枠組み
9. Anthropic Responsible Scaling Policy（2023）：自主規制例
10. OpenAI Usage Policies：商用利用での制限

📊 SSDSE-B-2026 を「権利マップ」で表現

各データ要素を権利の観点で分類：

⚖️ NYT vs OpenAI 訴訟（2023〜）の論点詳解

2023 年 12 月、 ニューヨーク・タイムズが OpenAI と Microsoft を提訴。 争点：

1. 学習データへの NYT 記事の無断使用：数百万件の記事が GPT モデルの学習に使われた疑い
2. 逐語的再生（verbatim reproduction）：ChatGPT に特定プロンプトを与えると NYT 記事を完全再生できる例が提示
3. 市場代替性：ChatGPT が「無料の NYT 代替」となり購読減
4. 変容的利用かどうか：OpenAI 側は「学習＝変容的」、 NYT 側は「市場代替＝非変容的」
5. 請求：差し止め、 損害賠償（数十億ドル）、 学習データからの NYT コンテンツ削除

この訴訟の判決は AI 産業全体の方向性を左右する見込み。 2025 年現在も係争中。 SSDSE-B-2026 のような CC BY 4.0 データは「最初から学習許諾済み」のため、 こうしたリスクから自由。

🗾 日本の AI と著作権をめぐる法制度

著作権法 30 条の 4（情報解析のための利用）

「著作物は、 次に掲げる場合その他の当該著作物に表現された思想又は感情を自ら享受し又は他人に享受させることを目的としない場合には、 …利用することができる」。 これにより：

• AI 学習データとしての著作物の利用は原則合法（営利・非営利問わず）
• 学習データのスクレイピング、 ベクトル化、 モデル学習が許される
• ただし「享受目的」（学習元を逐語再生させる目的）は除外
• 権利者の利益を不当に害する場合は除外（クローズドな学習データ販売など）

文化庁「AI と著作権の関係等について」（2024 年 3 月）

文化庁が公表した「AI と著作権に関する考え方について」では、 (1) 学習段階、 (2) 生成段階、 (3) 既存作品との類似性、 の 3 段階で論点を整理。 「学習は広く許容、 生成段階で侵害判定」が基本姿勢。

🌐 EU AI Act の SSDSE-B-2026 への影響

2024 年成立の EU AI Act は段階適用。 主な義務：

SSDSE-B-2026 は CC BY 4.0 で出所明確、 EU AI Act の透明性要件を最も容易に満たす種類のデータ。

💼 知的財産権マネジメントのベストプラクティス

1. IP 監査：自社が保有する特許・商標・著作権を年 1 回棚卸し
2. 使用許諾の記録：すべての外部データ・OSS のライセンスを SBOM で管理
3. 従業員教育：Stack Overflow コピペ、 GPL コード混入、 商標利用の研修
4. 侵害監視：自社商標のドメイン取得、 Google アラートで言及検知
5. 契約レビュー：ベンダー契約に IP 帰属条項を明記
6. AI 利用ポリシー：ChatGPT / Copilot 利用時の入力データ制限
7. 係争対応：警告書受領時の初動マニュアル整備
8. 国際出願：PCT 制度を活用した特許の海外展開

🔍 知財検索ツール

• J-PlatPat（日本特許情報プラットフォーム）：特許・実用新案・意匠・商標
• USPTO Patent Public Search：米国特許
• Google Patents：全世界の特許を統合検索
• Espacenet（EPO）：欧州特許
• WIPO Global Brand Database：国際商標
• Creative Commons Search：CC ライセンス画像・動画・音声
• SPDX License List：ソフトウェアライセンス一覧
• e-Stat：政府統計（SSDSE-B-2026 の元データ）

📈 AI 関連特許の世界動向

WIPO（2024）統計：

• AI 関連特許出願数：2023 年に世界 30 万件超（うち中国 70%、 米国 13%、 日本 9%）
• 生成 AI 特許出願：2017〜2023 年で 14,000 件超（年率 30% 増）
• 主要出願人 TOP5：Tencent、 平安保険、 百度、 中国科学院、 IBM
• 日本の出願人 TOP3：NTT、 富士通、 ソニーグループ

🎓 SSDSE-B-2026 で「知財教育」を実践する 5 ステップ

1. SSDSE-B-2026 を pd.read_csv で読み込み、 出典コメントを付与
2. 分析結果（グラフ・表）に CC BY 4.0 ロゴと出典文を埋め込む
3. 派生データセットを to_csv で出力、 同梱 LICENSE.txt を作成
4. HTML/PDF レポートにライセンス情報をフッターで明示
5. GitHub にコードを公開する際、 README に SSDSE-B-2026 のライセンス継承を明記

⚠️ よくある落とし穴

知的財産権 を実務で扱うとき、 多くの分析者が同じところでつまずきます。 代表的な失敗パターンを先回りで押さえておくと、 後工程のトラブルを大幅に減らせます。

※ 上記は文献調査・現場経験で報告される頻度の高い注意点。 ドメインや手法のバージョンによって追加の落とし穴がある場合があります。

データ分析者がいちばん近いところ — 著作権法 30 条の 4

知的財産権のうち、データ分析の現場に直接効いてくるのは 著作権法 30 条の 4（著作物に表現された思想又は感情の享受を目的としない利用）です。 2018 年改正で入った条文で、情報解析のためであれば、原則として著作物を許諾なく利用してよい と定めています。機械学習の学習データやテキストマイニングが、ここに乗ります。

誤解しやすいのは最後の 2 行です。30 条の 4 は「入口」の話しかしていません。 学習に使ってよいことと、出てきたものを配ってよいことは別問題です。 また、著作権が及ばなくても利用規約という契約は生きています。 「著作権法上は適法だが、規約違反なので損害賠償」という事態は普通に起こります。 スクレイピングを始める前に、robots.txt と利用規約を読むのはこのためです。

本教材が使っている SSDSE（教育用標準データセット）は、 独立行政法人統計センターが教育目的での利用を前提に公開しているデータです。 公的統計の数値そのものには著作権が生じないと解されますが、 データセットとしての編集著作物性や、提供元が示す利用条件は別途確認するのが安全です。 「公的統計だから何でも自由」と決めつけず、 出典を明記し、提供元の条件に沿って使う — これが実務での最低限の作法になります。

🌐 関連手法・派生

• クリエイティブ・コモンズ (CC)：標準化された著作物ライセンス
• SPDX：ソフトウェアライセンスの識別子標準
• EU AI Act：学習データの透明性要求
• 生成 AI に関する政府ガイドライン：日本では文化庁が指針
• パブリックドメイン：保護期間切れの作品

❓ よくある質問

🔗 関連用語 — 前提・並列・発展

「知的財産権」をより深く理解するには、 周辺の用語を セットで 押さえるのが効率的です。 以下は前提（先に知っておくべき）、 並列（兄弟概念）、 発展（次に学ぶべき）の関係にある用語群：

クリックで各用語の詳細ページへ移動します。 全用語の体系は 用語集トップ または 概念マップ から俯瞰できます。

📚 関連グループ教材

「知的財産権」は単独で完結する概念ではなく、 より大きな分野の一部です。 上位カテゴリの教材を読むことで、 この用語の 位置づけ が立体的に見えてきます：

• 📚 AIと社会 — このカテゴリの体系的解説
• 📚 AI原則 — このカテゴリの体系的解説

📚 参考文献・出典

• WIPO (2024). World Intellectual Property Report 2024. https://www.wipo.int/
• 文化庁（2023）「AI と著作権に関する考え方について」
• Carlini, N. et al. (2022). Quantifying Memorization Across Neural Language Models. arXiv:2202.07646.
• EU Regulation (EU) 2024/1689 (AI Act).
• 17 U.S.C. §§101-1401（米国著作権法）.
• 独立行政法人統計センター. SSDSE-B-2026 (CC BY 4.0). https://www.nstac.go.jp/use/literacy/ssdse/
• Creative Commons. CC BY 4.0 国際.

🌟 拡張ハンドブック

📜 知的財産権の歴史

知的財産権の起源は古く、 1474 年ヴェネツィア共和国の特許法、 1623 年英国の独占法（Statute of Monopolies）が現代特許制度の祖。 著作権は 1710 年英国アン女王法（Statute of Anne）が世界初の近代的著作権法。 国際的には 1883 年パリ条約（工業所有権）、 1886 年ベルヌ条約（著作権）で枠組み確立。 日本は 1899 年に両条約に加盟、 著作権法・特許法を整備。 20 世紀後半に WIPO（世界知的所有権機関、 1967）と TRIPS 協定（1994）でグローバル統一が進行。 2010 年代以降、 AI とビッグデータの登場で「データの権利」「AI 生成物の権利」という新論点が浮上、 各国法制が急ピッチで対応中です。

📐 著作権法 30 条の 4 の詳細

2018 年改正で導入された日本の特徴的条文。 原文：「著作物は、 次に掲げる場合その他の当該著作物に表現された思想又は感情を自ら享受し又は他人に享受させることを目的としない場合には、 …利用することができる」。 つまり「享受目的でなければ自由に使える」。 AI 学習は「情報解析」に該当し、 享受目的ではないので合法。 ただし、 (a) 学習データセットを著作権法の規制を超えて販売することや、 (b) 生成物の出力時に学習元を逐語的に出力させることは「享受目的」と判断される可能性があります。

🌐 EU AI Act のデータ開示要件

EU AI Act（2024 年成立、 2026 年から段階適用）は、 汎用 AI モデル（GPAI）の提供者に対して「学習データの十分に詳細な要約」の公開を義務付け（第 53 条 1(d)）。 詳細レベルは AI Office が今後ガイドラインを公表予定。 違反は世界売上の 3% または 1500 万ユーロ。 これは「学習データのトレーサビリティ」を法的に要求した世界初の包括法。

🤖 AI 生成物の著作権：3 極の比較

💼 知財ライセンス交渉のチェックリスト

• □ ライセンス対象は「著作権」か「特許」か「商標」か明確か
• □ 独占的か非独占的か
• □ 地域・期間の限定
• □ 改変・再配布の可否
• □ 商用利用の可否
• □ 出典表示の義務
• □ 派生物のライセンス継承
• □ 違反時の救済（差止め・損害賠償の上限）
• □ 準拠法・裁判管轄

📚 ライセンスと知的財産権の実務ハンドブック

📑 CC ライセンスの 6 種類すべてを表でマスター

🔍 SSDSE-B-2026 と他データセットのライセンス比較

⚖️ 著作権 × AI：4 つの判例的論点

論点 1：学習データへの著作物使用

日本：30 条の 4 で広く合法。 SSDSE-B-2026 を AI 学習データに使うのは完全合法。 米国：フェアユース 4 要素テスト。 公的データの CC BY 4.0 は「変容的利用」を否定する理由なし。 EU：AI Act で開示義務、 SSDSE-B-2026 は出典明記しやすいので最易適合。

論点 2：生成物の著作権発生

AI が SSDSE-B-2026 から「47 都道府県の人口グラフ」を生成 → 純 AI 生成だと著作権発生せず（日米欧）。 ただし人間がプロンプト工夫＋編集すると「創作的寄与」で著作権発生し得る。

論点 3：出力時の元データ再生

SSDSE-B-2026 の数値そのものは著作権なし（事実）。 ただし編集著作物として CC BY 4.0 が適用、 出典明記すれば再生・引用 OK。

論点 4：派生データセットの権利

SSDSE-B-2026 から派生統計（前年差、 偏差値化、 クラスタ分類など）を作った場合、 (a) 元データの CC BY 4.0 を保持、 (b) 自分の編集著作物としての権利も発生（自由なライセンスを設定可）。

📈 知財ライフサイクル管理

1. 創作・取得：著作物作成、 データ取得（SSDSE-B-2026 ロード）
2. 登録・保護：必要に応じて特許・商標出願、 営業秘密管理
3. 利用：自社利用、 ライセンス供与
4. 派生物作成：SSDSE-B から分析結果作成、 ライセンス継承確認
5. 共有・公開：論文・GitHub・SNS で公開、 出典明記
6. 侵害監視：自社 IP の無断利用検知、 警告書発出
7. 移転・廃止：M&A、 ライセンス契約、 期間満了

🌐 知的財産権の国際機関

📜 知財関連の主要条約・協定

• パリ条約（1883）：工業所有権（特許・商標・意匠）の最古条約
• ベルヌ条約（1886）：著作権の最古条約
• TRIPS 協定（1994）：WTO 加盟国の知財最低基準
• PCT 条約（1970）：特許の国際出願
• マドリッド議定書（1989）：商標の国際出願
• WCT・WPPT（1996）：デジタル著作権
• ジュネーブ条約（1971）：実演家保護
• マラケシュ条約（2013）：視覚障害者の著作物アクセス

💼 知財実務の年間カレンダー

• 1 月：パブリックドメイン入り（米国は 1 月 1 日に 95 年前作品 PD 化）
• 4 月：特許法・著作権法の年度始め（日本）
• 4 月 26 日：世界知的所有権の日（WIPO 主催）
• 5 月：知的財産推進計画発表（日本政府）
• 6 月：USPTO 年次レポート
• 10 月：日本商標登録の更新申請集中期
• 11-12 月：年末税務処理で知財資産の評価

🎓 知財教育のロードマップ

1. 入門（1 ヶ月）：知的財産権の 5 種類（著作権・特許・商標・意匠・営業秘密）、 各国制度の概要
2. 初級（3 ヶ月）：CC ライセンス、 オープンソースライセンス、 SSDSE-B-2026 のような公的データの活用
3. 中級（半年）：判例研究（NYT vs OpenAI 等）、 ライセンス交渉、 IP 監査
4. 上級（1 年）：国際出願、 IP 戦略、 訴訟対応
5. 専門（継続）：弁理士・弁護士資格、 学会発表、 政策提言

🗺 概念マップ

関連概念を視覚的に整理した概念マップ。

上図中心の「知的財産権 (IP rights)」から、 著作権 ・ 特許権 ・ パブリックドメイン ・ 生成 AI に関する政府ガイドライン ・ 落とし穴 (Web 公開イコール自由誤解等) の軸が放射する。 データサイエンスの実務では、 学習データの著作権 / モデルの特許性 / 出力物の権利帰属が日常的な論点。

🔗 隣接手法への橋渡し

知的財産権はデータサイエンスの「データ収集」「モデル開発」「成果物配布」のすべての段階で関わる横断的な制約。 倫理・規制と密接に連携する。

• 上流: AI 倫理 ・ AI 規制 ・ AI ガイドライン — 倫理規範と法的枠組みが IP 権の解釈を方向づける
• 並列: オプトアウト ・ プライバシー権 ・ 肖像権 — 知的財産権と並ぶ人格的・財産的権利
• 下流: アカウンタビリティ ・ 信頼性 ・ 利用規約 — IP 権の遵守を運用に落とし込む仕組み

生成 AI の登場で従来の枠組みが揺らいでいる: 学習データの著作物利用 (日本は著作権法 30 条の 4 で原則 OK)、 出力物の著作権 (人間の創作性なしでは認められない)、 商標的類似性など。 最新の政府ガイドライン (文化庁・経産省) と判例を継続的に確認する必要がある。

🌳 手法選択フロー

データ・モデル・成果物の IP 取り扱いを、 用途別に 3 段階で判定する。

1. 学習データの出所は? 自社収集 → 利用規約で明示、 オープンデータ (政府統計・Wikipedia) → ライセンス (CC-BY 等) 遵守、 Web スクレイピング → robots.txt + 著作権法 30 条の 4 (情報解析目的) を確認
2. モデルの公開方式は? 内部利用のみ → 営業秘密で保護、 OSS 公開 → MIT / Apache 2.0 等のライセンス選択、 商用 API → 特許出願 + 利用規約整備
3. 出力物の権利帰属は? 人間が編集 → 著作権発生、 AI 完全自動 → 著作権なし (パブリックドメイン的扱い)、 商用利用 → 利用者と提供者の合意を契約で明文化

「Web に公開されているから自由に使える」は誤解。 利用には許諾またはフェアユース該当性が必要で、 学習目的の利用も日本以外では制限される場合がある。

最後に、実務でいちばん多い相談を 1 つ。 「社外のデータで作ったモデルは誰のものか」という問いには、 法律だけでは答えが出ません。学習データの利用条件、開発委託契約の成果物条項、 クラウド事業者の利用規約 — この 3 つが重なって決まります。 権利の所在は、分析を始める前に契約で決めておくのが唯一の確実な方法です。 始めてから揉めると、モデルを捨てるしかなくなることもあります。