The 2017 AI Index Report (BG)

From Systems analysis Wiki
Jump to navigation Jump to search

AI Index Report 2017 — първият (инаугурационен) годишен отчёт на проекта AI Index, публикуван през ноември 2017 година[1]. Проектът е създаден в рамките на инициативата One Hundred Year Study on AI (AI100) към Станфордския университет и представлява отворен нестопански проект за проследяване на активността и напредъка в областта на изкуствения интелект. Отчётът от 2017 година е първият опит за систематично агрегиране и визуализиране на данни за състоянието на ИИ, обхващащ обемите на дейност в академията и индустрията, техническото представяне на ИИ системите, производни метрики и напредъка в посока на човешкото ниво. Авторите подчертават, че без релевантни данни за състоянието на ИИ технологиите обществото „лети сляпо" в дискусиите и вземането на решения, свързани с изкуствения интелект[1].

Предпоставки и цели

Към 2017 година изкуственият интелект излезе на преден план в глобалния дискурс, привличайки вниманието на практици, лидери на индустрията, политици и широката общественост. Областта на ИИ се развиваше толкова стремително, че дори експертите изпитваха затруднения в разбирането и проследяването на напредъка. AI Index е замислен като инструмент за информиран разговор за ИИ, основан на данни, а не на домисли или анекдотични свидетелства[1].

Идеята за проекта възниква по време на дискусиите на Постоянния комитет AI100 през 2015 година[2]. Отчётът агрегира както свободно достъпни данни от интернет, така и оригинални данни, а също извлича нови метрики от комбинации от съществуващи редове. Всички данни, използвани за генериране на отчёта, се публикуват в отворен достъп на сайта aiindex.org[1].

Структура на отчёта

Отчётът от 2017 година се състои от четири основни раздела с данни и няколко дискусионни секции[1]:

  1. Обем на дейността (Volume of Activity) — метрики „колко": публикации, записване на курсове, посещаемост на конференции, стартъпи, финансиране, свободни работни места, внос на роботи, софтуер с отворен код, обществен интерес.
  2. Техническо представяне (Technical Performance) — метрики „колко добре": компютърно зрение, обработка на естествен език, разпознаване на реч, доказване на теореми, решаване на SAT задачи.
  3. Производни метрики (Derivative Measures) — взаимовръзки между трендовете, динамика „академия — индустрия", индекс на жизнеспособност на ИИ (AI Vibrancy Index).
  4. По пътя към човешкото ниво? (Towards Human-Level Performance?) — каталог на постиженията, при които ИИ се е доближил до човешкото ниво или го е надхвърлил.
  5. Какво липсва? (What's Missing?) — признаване на ограниченията на отчёта и насоките за бъдеща работа.
  6. Експертен форум (Expert Forum) — коментари на водещи експерти в областта на ИИ.

Обем на дейността

Академични публикации

Броят на научните статии по ИИ, публикувани и индексирани в базата данни Scopus (издателство Elsevier) с ключова дума „Artificial Intelligence" в предметната област „Computer Science", е нараснал повече от 9 пъти от 1996 година[3]. За сравнение: общият брой публикации в областта на компютърните науки за същия период се е увеличил приблизително 6 пъти, което свидетелства, че нарастването на публикациите по ИИ се дължи не просто на разширяването на интереса към информатиката като цяло, а именно на нарастващото внимание към изкуствения интелект[1].

Към момента на съставяне на отчёта базата Scopus съдържаше над 200 000 статии в областта на информатиката с ключова дума „Artificial Intelligence" и почти 5 милиона статии по информатика като цяло от общ обем от около 70 милиона индексирани документа[3].

Записване на учебни курсове

Записването на студенти на въвеждащи курсове по изкуствен интелект и Machine Learning демонстрираше стремително нарастване. В Станфордския университет записването на въвеждащия курс по ИИ нарасна 11 пъти от 1996 година[1]. Machine Learning (ML) като подобласт на ИИ беше отделено специално поради особено бързото нарастване на записванията и критичната роля на ML техниките в последните постижения на ИИ.

Аналогични тенденции се наблюдаваха и в други водещи университети: Калифорнийския университет в Бъркли, Университета Карнеги-Мелон, Технологичния институт на Джорджия, Университета на Илинойс в Урбана-Шампейн, Масачузетския технологичен институт и Университета на Вашингтон[1]. Авторите на отчёта отбелязват, че тези данни представляват само тесен срез от пейзажа на висшето образование и не са непременно представителни за по-широк кръг учебни заведения.

Посещаемост на конференции

Данните за посещаемостта на водещите ИИ конференции (AAAI, AAMAS, ACL, CP, CVPR, ECAI, ICAPS, ICRA, ICLR, ICML, IJCAI, IROS, KR, NIPS, UAI) потвърдиха изместването на изследователския фокус от символното разсъждение към Machine Learning и дълбокото обучение[1]. Конференциите по Machine Learning (NIPS, ICML, ICLR) демонстрираха най-значителен ръст на посещаемостта, докато конференциите по символни методи (KR, CP, ICAPS) запазваха стабилна, но по-скромна общност, продължаваща да постига устойчив напредък[1].

Стартъпи в сферата на ИИ

Броят на активните американски стартъпи, разработващи ИИ системи с рисково финансиране, нарасна 14 пъти от 2000 година[4][5]. За идентифициране на ИИ компаниите са използвани категории на Crunchbase (Artificial Intelligence, Machine Learning, Natural Language Processing, Computer Vision, Facial Recognition, Image Recognition, Speech Recognition, Semantic Search, Semantic Web, Text Analytics, Virtual Assistant, Visual Search, Predictive Analytics, Intelligent System) с последваща кръстосана проверка по базата VentureSource[1].

Рисково финансиране

Обемът на годишните рискови инвестиции в американски стартъпи в областта на ИИ нарасна 6 пъти от 2000 година[5]. Данните обхващат всички етапи на финансиране и са агрегирани от компанията Sand Hill Econometrics въз основа на базата VentureSource[1].

Пазар на труда

Данните от двете най-големи платформи за онлайн свободни работни места — Indeed.com и Monster.com — показаха значителен ръст на търсенето на специалисти в областта на ИИ[6][7].

Indeed.com: Делът на свободните работни места, изискващи умения в областта на ИИ, на платформата в САЩ нарасна 4,5 пъти от 2013 година[6]. Аналогичен бърз ръст се наблюдаваше в Канада и Великобритания, макар по абсолютен размер техните пазари да съставляват съответно 5% и 27% от американския[1].

Monster.com: Анализът на абсолютния брой ИИ свободни работни места в разбивка по изисквани умения (Machine Learning, компютърно зрение, обработка на естествен език и др.) също потвърди устойчив ръст. Едно свободно работно място можеше едновременно да изисква няколко умения[7].

Внос на роботи

Данните от годишния доклад World Robotics Report, изготвен от Международната федерация по роботика (IFR), показаха устойчив ръст на вноса на промишлени роботи както в Северна Америка, така и в световен мащаб[8]. Авторите на отчёта отбелязват, че не съществува лесен начин да се определи какъв процент от роботите използват софтуер, квалифициран като „ИИ", и в каква степен разработките в областта на ИИ допринасят за нарастването на използването на промишлени роботи[1].

Открит софтуер

Интересът на разработчиците към ИИ frameworks на платформата GitHub показа значителен ръст. Броят на звезди (Stars) за основните пакети за Machine Learning и дълбоко обучение — TensorFlow, Scikit-Learn, Keras, PyTorch, Caffe, MXNet, CNTK и Theano — нарастваше стремително[9]. TensorFlow на Google и Scikit-Learn бяха откроени като най-популярните пакети, като трендовете по брой звезди и разклонения (Forks) бяха почти идентични[1].

Обществен интерес: тоналност на медиите

Анализът на тоналността на публикациите в популярните медии, съдържащи термина „Artificial Intelligence", въз основа на данни от услугата TrendKite показа динамиката на съотношението между позитивни и негативни статии[10]. Класификаторът на TrendKite разпределяше англоезичните статии (с изключение на прессъобщения, финансови новини и некролози) в категории „позитивни", „негативни" и „неутрални"[1].

Техническо представяне

Разделът за техническото представяне проследява напредъка на ИИ системите в задачите за компютърно зрение, обработка на естествен език, разпознаване на реч, доказване на теореми и решаване на SAT задачи[1].

Компютърно зрение

Обнаружаване на обекти (Object Detection)

На състезанието Large Scale Visual Recognition Challenge (LSVRC) върху набора от данни ImageNet честотата на грешките при разпознаване на изображения намаля от 28,5% до под 2,5% в периода от 2010 до 2017 година[11]. За сравнение: нивото на човешката грешка се оценява на около 5%[12], тоест към 2017 година ИИ системите вече съществено надхвърлиха човешкото ниво на този benchmark. Състезанието ImageNet приключи през 2017 година[1].

Визуален въпрос-отговор (Visual Question Answering)

Върху набора от данни VQA 1.0 — задача за формиране на отворени отговори на въпроси за изображения — ИИ системите демонстрираха устойчив напредък[13]. Авторите отбелязваха, че наборът от данни VQA 1.0 вече беше изместен от VQA 2.0 и беше неясно доколко по-нататъшното внимание ще бъде отделяно на оригиналната версия[1].

Обработка на естествен език

Синтактичен разбор (Parsing)

Върху стандартния тестов набор — секция 23 от корпуса Wall Street Journal от Penn Treebank — автоматичните парсери показваха устойчив ръст на метриката F1[14]. Резултатите бяха фиксирани както за изречения с дължина под 40 думи, така и за пълния набор от изречения[1].

Машинен превод (Machine Translation)

На годишното състезание Workshop on Machine Translation (WMT) по задача за превод на новини между английски и немски език най-добрите системи показваха общ възходящ тренд по метриката BLEU[15]. Метриката BLEU — автоматичен метод за сравнение на машинен превод с няколко превода, извършени от хора — представлява модифицирана версия на точността (precision) със стойности от 0 до 1. Макар BLEU да корелира с експертните оценки за качество на превода, тя не може да се използва за сравнение между корпуси, а сравнението между системи може да бъде подвеждащо[1].

През 2017 година резултатите по BLEU забележимо намаляха в сравнение с 2016 година (макар да оставаха над нивото от 2015 година), което вероятно се обяснява с особеностите на тестовия набор, а не с реален спад в качеството на системите за машинен превод[15].

Въпрос-отговор (Question Answering)

Върху набора от данни Stanford Question Answering Dataset (SQuAD) — над 500 статии и 100 000 двойки „въпрос-отговор" — ИИ системите показваха бърз ръст на метриката Exact Match (EM), измерваща процента на отговорите, точно съвпадащи с еталонните[16]. Нивото на човешкото представяне на SQuAD беше 82,3%[1]. Резултатите на SQuAD нарастваха стремително от момента на създаване на набора през юни 2016 година.

Разпознаване на реч

Върху стандартния набор от данни Switchboard Hub5'00 — задача за разпознаване на реч от телефонни разговори — Microsoft и IBM през 2017 година достигнаха представяне, близко до „човешкия паритет"[17]. Метриката Word Error Rate (WER) — брой грешки (замени, изтривания и вмъквания на думи), нормализиран по дължината на изречението — намаляваше в продължение на много години. Съществуваха разногласия относно точното ниво на човешката грешка: посочваха се стойности 5,1% и 5,9%, и дори под 5%. В отчёта е използван праг от 5,1%[1].

Авторите отбелязваха загриженост, че продължителното използване на набора Switchboard може да доведе до значително пренастройване на ИИ системите към конкретните данни[1].

Доказване на теореми

Върху набора от задачи Thousands of Problems for Theorem Provers (TPTP) се проследяваше средната „tractability" (tractability) — делът на съвременните автоматични доказатели на теореми (ATP), способни да решат дадена задача[18]. Анализирано беше подмножество от задачи, които не са актуализирани от версия TPTP v5.0.0 (2010 година). Метриката има особеност: появата на нови мощни ATP системи, добре решаващи нови задачи, но слабо справящи се с задачи, решавани от други системи, може да доведе до намаляване на средната tractability[1].

Решаване на SAT задачи

Върху промишлени екземпляри на задачи от състезанието SAT Competition се фиксираше ръст на процента решени задачи[19]. Изследователите Холгер Хоос и Кевин Лейтън-Браун тестваха 69 решатели на 1076 екземпляра на задачи, представени на състезанието от 2007 година, като стартираха всички решатели на едно и също оборудване за коректно сравнение[1]. Авторите отбелязваха, че част от подобренията може да отразява инженерни постижения, а не алгоритмични пробиви[1].

Производни метрики

Динамика „академия — индустрия"

За изследване на взаимовръзката между ИИ активността в академията и индустрията бяха избрани три представителни метрики: брой публикации по ИИ, общо записване на въвеждащи курсове по ИИ и ML в Станфорд, и обем на рисковите инвестиции в ИИ стартъпи. Всички метрики бяха нормализирани спрямо 2000 година[1].

Анализът показа, че първоначално академичната активност (публикации и записване на курсове) осигуряваше устойчив напредък. Приблизително от 2010 година инвеститорите започнаха да обръщат внимание на областта, а към 2013 година се превърнаха в движещата сила на рязкото увеличаване на общата активност. След това академията навакса „ентусиазма" на индустрията[1].

Индекс на жизнеспособност на ИИ (AI Vibrancy Index)

AI Vibrancy Index е експериментална съставна метрика, агрегираща нормализирани показатели за публикации, записване на курсове и рискови инвестиции за количествена оценка на „жизнеспособността" на ИИ като област[1]. Индексът се изчисляваше като средна стойност на нормализираните метрики във времето и демонстрираше рязък ръст, отразяващ едновременното увеличаване на всичките три съставки. Авторите изразиха надежда, че подобни производни метрики ще предизвикат интерес към по-нататъшен анализ на данните от AI Index[1].

По пътя към човешкото ниво

Отчётът каталогизира достоверни случаи, при които компютърни системи са достигнали или надхвърлили човешкото ниво на представяне, придружени от редица важни уговорки[1].

Ключови ограничения на сравнението: машините често превъзхождат хората в тясно специализирани задачи, но представянето може рязко да спадне при най-малка модификация на условията. Например, човек, четящ китайски йероглифи, вероятно разбира и китайска реч, знае нещо за китайската култура и може да препоръча ястия в китайски ресторант. За ИИ всяка от тези задачи би изисквала напълно отделна система[1].

Ключови постижения

Постижение Година Описание
Отело 1980-те / 1997 През 1989 година програмата BILL (Кай-Фу Ли, Санджой Махаджан) победи най-силния американски играч Брайън Роуз (56–8). През 1997 година програмата Logistello спечели всички партии от мача от шест игри срещу действащия световен шампион[1].
Дама 1995 Програмата Chinook победи действащия световен шампион. Първите програми за игра на дама със самообучение бяха създавани от Артър Самюъл от 1952 година[1].
Шах 1997 IBM Deep Blue победи световния шампион Гари Каспаров. Някои учени от 1950-те години предсказваха, че компютър ще победи световния шампион до 1967 година[20]. Към 2017 година шахматните програми на смартфони играеха на ниво гросмайстор[1].
Jeopardy! 2011 Системата IBM Watson победи бивши победители на телевизионното шоу Брад Ратър и Кен Дженингс, спечелвайки главната награда от 1 млн. долара[1].
Игри Atari 2015 Екипът на Google DeepMind използва система за Reinforcement Learning за обучение на игра в 49 игри Atari, достигайки човешко ниво в повечето от тях (например Breakout), макар някои игри (например Montezuma's Revenge) да оставаха извън обсега[21].
Обнаружаване на обекти (ImageNet) 2016 Честотата на грешките при автоматична класификация на изображения ImageNet намаля от 28% (2010) до под 3% при човешко ниво около 5%[12].
Го 2016–2017 AlphaGo (Google DeepMind) победи Ли Седол 4–1 през март 2016 година, след това AlphaGo Master победи Кe Дзие през март 2017 година. През октомври 2017 година AlphaGo Zero победи оригиналния AlphaGo с резултат 100–0[22][23].
Класификация на рак на кожата 2017 ИИ система, обучена върху 129 450 клинични изображения на 2 032 заболявания, демонстрира ниво на компетентност при класификация на рак на кожата, сравнимо с 21 сертифицирани дерматолози[24].
Разпознаване на реч (Switchboard) 2017 Microsoft и IBM достигнаха представяне, близко до „човешкия паритет", в задача за разпознаване на реч върху набора Switchboard[17].
Покер 2017 Програмата Libratus (CMU) победи четирима топ играчи на турнир от 120 000 партии Texas Hold'em с неограничени залози. Програмата DeepStack (Университет на Алберта) доказа статистическата значимост на своето превъзходство над 11 професионалисти в повече от 3 000 партии всеки[25].
Ms. Pac-Man 2017 Екипът на Maluuba (придобит от Microsoft) създаде ИИ система, постигнала максималния резултат от 999 900 точки на Atari 2600[1].

Какво липсва в отчёта

Авторите открито признаха редица съществени ограничения на инаугурационния отчёт[1]:

Техническо представяне

Не бяха обхванати много важни технически области: диалогови системи (за които липсваха стандартизирани benchmark-ове), планиране, непрекъснато управление в роботиката, обикновено разсъждение (common sense reasoning), препоръчителни системи, стандартизирано тестване. Авторите предупреждаваха, че проследяването на напредъка обикновено се извършва в области с добри резултати, което създава оптимистично изместване в оценката на състоянието на ИИ[1].

Международен обхват

Отчётът е признат за прекалено американоцентричен, въпреки значителната ИИ активност в други страни. Нивото на инвестициите и активността в Китай е наречено „поразително", но излизащо извън рамките на инаугурационния отчёт[1].

Разнообразие и приобщаване

Отчётът не съдържаше разбивка на данните по пол, раса, джендър, етническа принадлежност, сексуална ориентация или други характеристики. Авторите признаха, че въпросите за това кой участва в разговорите за ИИ и кой притежава властта да влияе върху бъдещите изследвания и внедряването на ИИ са тясно свързани с динамиката на властта в технологичната и рисковата индустрия, а също и с по-широките системни сили на дискриминация[1].

Държавни и корпоративни инвестиции

Данните за рисковото финансиране обхващаха само САЩ и представляваха много малка част от общите инвестиции в изследвания и разработки в областта на ИИ. Данни за държавните и корпоративните вложения липсваха[1].

Влияние върху конкретни отрасли

Метриките за влиянието на ИИ върху здравеопазването, автомобилната промишленост, финансите, образованието и други вертикали не бяха представени[1].

Намаляване на социалните рискове

Въпросите за безопасността на ИИ, предсказуемостта, справедливостта на алгоритмите, поверителността и етичните последици от автоматизацията не бяха осветени[1].

Експертен форум

Отчётът включваше коментари на водещи експерти, представляващи академията, индустрията, правителството и медиите[1].

Барбара Грош (Харвард)

Барбара Грош подчерта важността на разработването на метрики, отчитащи не само представянето на ИИ системите в изолация, но и качеството на взаимодействието на ИИ с хората и влиянието на ИИ системите върху хората — както индивидуално, така и в обществото. Тя обърна внимание на пропуска в отчёта: разделът за обработка на естествен език обхващаше синтактичен разбор, машинен превод и търсене на отговори, но не включваше диалогови системи, при които се изисква отчитане на менталното състояние на събеседника. Грош също призова за проследяване на дела на курсовете по ИИ, включващи етични аспекти, и броя на компаниите, задаващи си въпроса дали изобщо трябва да създават дадена ИИ система[1].

Ерик Хорвиц (Microsoft)

Ерик Хорвиц нарече публикуването на инаугурационния отчёт критична стъпка в ангажирането на по-широката общност в диалога. Той отбеляза стойността на раздела с производни метрики и AI Vibrancy Index, предлагайки да бъдат валидирани чрез съпоставяне с данни за наемането, състава и възнагражденията на ИИ специалисти в корпорациите. Хорвиц особено подчерта важността на проследяването на напредъка в областта на обикновеното разсъждение (common sense reasoning), „което демонстрира дори малко дете", но остава извън обсега на съвременните ИИ технологии[2].

Кай-Фу Ли (Sinovation Ventures)

Кай-Фу Ли запълни пропуска на отчёта в международния обхват, представяйки преглед на състоянието на ИИ в Китай. Той отбеляза, че Китай има три пъти повече мобилни телефони и потребители на интернет в сравнение със САЩ или Индия, а разликата в обемите на генерираните данни значително надхвърля фактор три: китайците извършват мобилни плащания 50 пъти по-често от американците, обемът на доставката на храна е 10 пъти по-голям, а компанията Didi вече е започнала да интегрира данни със системи за управление на трафика. Ли посочи за пример китайския стартъп Face++, заел първо място в три състезания по компютърно зрение, изпреварвайки Google, Microsoft, Facebook и CMU. Той указа на плана на Държавния съвет на КНР от юли 2017 година да превърне Китай в световен център на иновациите в ИИ до 2030 година и предсказа, че американско-китайската дуополия в ИИ не само е неизбежна, но вече е настъпила[1].

Андрю Ън (Coursera, Станфорд)

Андрю Ън охарактеризира ИИ като „новото електричество", трансформиращо множество отрасли. Той описа последователността на трансформация на подобластите на ИИ от дълбокото обучение: първо разпознаване на реч, след това компютърно зрение, след това NLP (което води до разцвет на чат-ботовете), и после роботиката (нови производствени възможности). Ън подчерта, че страните с по-разумна политика в областта на ИИ ще напредват по-бързо, а страните с лошо обмислени мерки рискуват да изостанат[1].

Даниела Рус (MIT)

Даниела Рус представи оптимистичен поглед върху ИИ като вектор на позитивни промени: от борбата с изменението на климата и демократизацията на образованието до автономни автомобили и персонализирано здравеопазване. Тя подчерта, че въпреки разпространеното мнение, ИИ ще доведе до по-удовлетворяващи, а не по-малко работни места, тъй като нарастването на производителността от ИИ и роботиката ще освободи хората от монотонни задачи[1].

Себастиан Трун (Станфорд, Udacity)

Себастиан Трун направи историческа паралел: преди изобретяването на парната машина повечето хора са били фермери, определяни от физическата сила. Машините превърнаха фермерите в „свръхчовеци" — един американски фермер изхранва 155 души и по-малко от 2% от населението на САЩ работи в селското стопанство. По аналогия, ИИ е способен да се научи на модели на нашата повтаряща се работа и да ни помогне да станем „свръхчовеци". Трун предсказа настъпването на ера на безпрецедентно човешко творчество, но предупреди за необходимостта да ставаме „ученици за цял живот" и да се адаптираме към промените[1].

Майкъл Уолдридж (Оксфорд)

Майкъл Уолдридж постави централния въпрос: съществува ли „балон на ИИ" и ще се спука ли (подобно на балона на доткомовете от 1996–2001 година), или ще се сдуе меко? Основното му опасение беше нова „ИИ-зима", предизвикана от разочарование след масови спекулативни инвестиции. Въпреки това той изрази предпазлив оптимизъм: за разлика от предишните цикли, под настоящия балон съществува реална субстанция — ИИ системите демонстрират устойчив напредък, а големите компании са се научили продуктивно да използват ИИ техники. Уолдридж повдигна и въпроса за измерването на напредъка в посока на общ ИИ (General AI), отбелязвайки, че нито той, нито никой друг знае как да се измерва това[1].

Меган Смит и Сюзан Алцнер

Бившият технически директор на САЩ Меган Смит и Сюзан Алцнер (Служба за връзки с НПО към ООН) подчертаха първостепенната важност на разнообразието и приобщаването. Те посочиха, че от разговора и проектните екипи е изключено по-голямата част от човечеството вследствие на „масово съзнателно и несъзнателно предубеждение, значителни дискриминационни културни модели и усвоено поведение на системно изключване". Авторите се позоваха на редица ключови инициативи: Algorithmic Justice League, петиция до ООН относно въоръжен ИИ, движението CS for All, инициативата AI4All[1].

Методология

Отчётът използва данни от множество източници[1]:

  • Публикации: Elsevier Scopus — база данни от почти 70 милиона документа; заявки по ключова дума „Artificial Intelligence" в предметната област „Computer Science" за периода от 1996 година[3].
  • Записване на курсове: Записи на университети — UC Berkeley, Carnegie Mellon, Georgia Tech, UIUC, MIT, Stanford, University of Washington[1].
  • Посещаемост на конференции: Данни от организаторите на 15 конференции (AAAI, AAMAS, ACL, CP, CVPR, ECAI, ICAPS, ICRA, ICLR, ICML, IJCAI, IROS, KR, NIPS, UAI)[1].
  • Стартъпи и финансиране: Crunchbase (API за идентифициране на компании по категории), VentureSource (данни за рисково финансиране), Sand Hill Econometrics (агрегиране)[4][5].
  • Пазар на труда: Indeed.com (дял на ИИ свободни работни места по страни), Monster.com / CEB TalentNeuron (абсолютен брой свободни работни места по умения)[6][7].
  • Внос на роботи: International Federation of Robotics, World Robotics Report[8].
  • GitHub: GitHub Archive чрез Google BigQuery — броене на събитията WatchEvent за хранилища на ИИ frameworks[9].
  • Тоналност на медиите: TrendKite — класификация на англоезични статии с филтриране на прессъобщения, финансови новини и некролози[10].
  • Benchmark-ове: LSVRC ImageNet, VQA 1.0, Penn Treebank, WMT / EuroMatrix, SQuAD, Switchboard Hub5'00, TPTP, SAT Competition[1].

Ръководство и авторски колектив

Проектът AI Index 2017 е изготвен под ръководството на управляващ комитет[1]:

  • Йоав Шохам (Yoav Shoham, Станфордски университет) — председател
  • Реймънд Перо (Raymond Perrault, SRI International)
  • Ерик Бриньолфсон (Erik Brynjolfsson, MIT)
  • Джак Кларк (Jack Clark, OpenAI)
  • Калвин ЛеГасик (Calvin LeGassick) — мениджър на проекта

Консултативният комитет включваше Майкъл Боулинг, Ърни Дейвис, Джулия Хиршберг, Ерик Хорвиц, Карен Леви, Алан Макуърт, Том Мичъл, Санди Пентланд, Крис Ре, Даниела Рус, Себастиан Трун, Хал Вериан и Тоби Уолш[1].

Сред организациите партньори: Allen Institute for Artificial Intelligence, Crunchbase, Electronic Frontier Foundation, Elsevier, EuroMatrix, Google Brain, Indeed.com, Monster.com, Sand Hill Econometrics, Sinovation Ventures, TrendKite, VentureSource. Начално финансиране предоставиха Google, Microsoft и Bytedance (Toutiao), но AI Index подчертава своята независимост и отбелязва, че не отразява непременно мненията на тези организации[1].

Историческо значение

Инаугурационният отчёт AI Index 2017 година постави основата за последващата поредица от годишни отчёти, които с времето значително разшириха обхвата — от началните четири раздела до девет тематични глави в отчёта от 2024 година. Много от пропуските, честно признати в секцията „What's Missing" на отчёта от 2017 година, бяха последователно адресирани: международен обхват (от отчёта от 2018 година), данни за разнообразието, държавните инвестиции, влиянието върху вертикалите, а също отговорен ИИ и регулиране[26]. Проектът AI Index впоследствие премина под егидата на Станфордския институт HAI (Human-Centered Artificial Intelligence), създаден през 2019 година[1].

Препратки

Литература

Бележки

  1. ↑ 1.00 1.01 1.02 1.03 1.04 1.05 1.06 1.07 1.08 1.09 1.10 1.11 1.12 1.13 1.14 1.15 1.16 1.17 1.18 1.19 1.20 1.21 1.22 1.23 1.24 1.25 1.26 1.27 1.28 1.29 1.30 1.31 1.32 1.33 1.34 1.35 1.36 1.37 1.38 1.39 1.40 1.41 1.42 1.43 1.44 1.45 1.46 1.47 1.48 1.49 1.50 1.51 1.52 1.53 1.54 1.55 1.56 1.57 1.58 1.59 1.60 AI Index Steering Committee (2017). AI Index 2017 Annual Report. https://aiindex.stanford.edu/2017-report/
  2. ↑ 2.0 2.1 Horvitz, E. (2017). Commentary in AI Index 2017 Annual Report. https://aiindex.stanford.edu/2017-report/
  3. ↑ 3.0 3.1 3.2 Elsevier Scopus Database (2017). https://www.scopus.com/
  4. ↑ 4.0 4.1 Crunchbase (2017). AI-related startup data. https://www.crunchbase.com/
  5. ↑ 5.0 5.1 5.2 VentureSource / Sand Hill Econometrics (2017). Venture-backed AI company data.
  6. ↑ 6.0 6.1 6.2 Indeed.com (2017). AI job growth data. https://www.indeed.com/
  7. ↑ 7.0 7.1 7.2 Monster.com / CEB TalentNeuron (2017). AI job openings data. https://www.monster.com/
  8. ↑ 8.0 8.1 International Federation of Robotics (2017). World Robotics Report. https://ifr.org/worldrobotics/
  9. ↑ 9.0 9.1 GitHub Archive / Google BigQuery (2017). GitHub AI project statistics. https://www.gharchive.org/
  10. ↑ 10.0 10.1 TrendKite (2017). Media sentiment analysis data. https://www.trendkite.com/
  11. ↑ LSVRC ImageNet Competition (2010–2017). http://www.image-net.org/challenges/LSVRC/
  12. ↑ 12.0 12.1 Russakovsky, O. et al. (2015). ImageNet Large Scale Visual Recognition Challenge. International Journal of Computer Vision. https://arxiv.org/abs/1409.0575
  13. ↑ VQA Dataset (2017). http://www.visualqa.org/
  14. ↑ Marcus, M. et al. (1993). Building a Large Annotated Corpus of English: The Penn Treebank. Computational Linguistics, 19(2). https://catalog.ldc.upenn.edu/LDC99T42
  15. ↑ 15.0 15.1 Conference on Machine Translation / EuroMatrix (2017). WMT News Translation Task. http://www.statmt.org/wmt17/
  16. ↑ Rajpurkar, P. et al. (2016). SQuAD: 100,000+ Questions for Machine Comprehension of Text. https://arxiv.org/abs/1606.05250
  17. ↑ 17.0 17.1 Electronic Frontier Foundation (2017). AI Progress Metrics. https://www.eff.org/ai/metrics
  18. ↑ Sutcliffe, G. (2017). The TPTP Problem Library. http://www.tptp.org/
  19. ↑ SAT Competition (2017). http://www.satcompetition.org/
  20. ↑ Campbell, M. et al. (2002). Deep Blue. Artificial Intelligence, 134(1–2). https://doi.org/10.1016/S0004-3702(01)00129-1
  21. ↑ Mnih, V. et al. (2015). Human-level control through deep reinforcement learning. Nature, 518. https://doi.org/10.1038/nature14236
  22. ↑ Silver, D. et al. (2016). Mastering the game of Go with deep neural networks and tree search. Nature, 529. https://doi.org/10.1038/nature16961
  23. ↑ Silver, D. et al. (2017). Mastering the game of Go without human knowledge. Nature, 550. https://doi.org/10.1038/nature24270
  24. ↑ Esteva, A. et al. (2017). Dermatologist-level classification of skin cancer with deep neural networks. Nature, 542. https://doi.org/10.1038/nature21056
  25. ↑ Brown, N. & Sandholm, T. (2017). Superhuman AI for heads-up no-limit poker: Libratus beats top professionals. Science, 359(6374). https://doi.org/10.1126/science.aao1733
  26. ↑ Stanford HAI (2024). Artificial Intelligence Index Report 2024. https://aiindex.stanford.edu/report/
Retrieved from "https://systems-analysis.info/int/index.php?title=The_2017_AI_Index_Report_(BG)&oldid=7910"