The 2017 AI Index Report (BN)

From Systems analysis Wiki
Jump to navigation Jump to search

AI Index Report 2017 — AI Index প্রকল্পের প্রথম (উদ্বোধনী) বার্ষিক প্রতিবেদন, যা ২০১৭ সালের নভেম্বরে প্রকাশিত হয়েছিল[1]। প্রকল্পটি স্ট্যানফোর্ড বিশ্ববিদ্যালয়ের One Hundred Year Study on AI (AI100) উদ্যোগের অধীনে তৈরি করা হয়েছিল এবং এটি কৃত্রিম বুদ্ধিমত্তার ক্ষেত্রে কার্যক্রম ও অগ্রগতি পর্যবেক্ষণের একটি উন্মুক্ত অলাভজনক প্রকল্প। ২০১৭ সালের প্রতিবেদনটি ছিল AI-এর অবস্থা সম্পর্কিত তথ্য পদ্ধতিগতভাবে একত্রিত ও ভিজ্যুয়ালাইজ করার প্রথম প্রচেষ্টা, যা একাডেমিয়া ও শিল্পে কার্যক্রমের পরিমাণ, AI সিস্টেমের প্রযুক্তিগত কার্যক্ষমতা, ব্যুৎপন্ন মেট্রিক্স এবং মানব স্তরের দিকে অগ্রগতি অন্তর্ভুক্ত করে। লেখকরা জোর দিয়ে বলেছেন যে AI প্রযুক্তির অবস্থা সম্পর্কে প্রাসঙ্গিক তথ্য ছাড়া সমাজ কৃত্রিম বুদ্ধিমত্তা সংক্রান্ত আলোচনা ও সিদ্ধান্ত গ্রহণে «অন্ধের মতো উড়ছে»[1]।

পটভূমি ও লক্ষ্যমাত্রা

২০১৭ সালের মধ্যে কৃত্রিম বুদ্ধিমত্তা বৈশ্বিক আলোচনার কেন্দ্রে চলে আসে, যা অনুশীলনকারী, শিল্পনেতা, নীতিনির্ধারক এবং সাধারণ জনগণের মনোযোগ আকর্ষণ করে। AI-এর ক্ষেত্রটি এত দ্রুত বিকশিত হচ্ছিল যে বিশেষজ্ঞরাও অগ্রগতি বোঝা ও পর্যবেক্ষণ করতে অসুবিধা বোধ করছিলেন। AI Index-কে ধারণা ও অনুমানের পরিবর্তে তথ্যভিত্তিক AI সংক্রান্ত অবহিত আলোচনার একটি হাতিয়ার হিসেবে তৈরি করা হয়েছিল[1]।

প্রকল্পের ধারণাটি ২০১৫ সালে AI100-এর স্থায়ী কমিটির আলোচনার সময় উদ্ভূত হয়েছিল[2]। প্রতিবেদনটি ইন্টারনেট থেকে অবাধে পাওয়া যায় এমন তথ্য এবং মৌলিক তথ্য উভয়ই একত্রিত করে, এবং বিদ্যমান সিরিজের সংমিশ্রণ থেকে নতুন মেট্রিক্স বের করে। প্রতিবেদন তৈরিতে ব্যবহৃত সমস্ত তথ্য aiindex.org সাইটে উন্মুক্তভাবে প্রকাশিত হয়[1]।

প্রতিবেদনের কাঠামো

২০১৭ সালের প্রতিবেদনটি চারটি প্রধান তথ্য বিভাগ এবং বেশ কয়েকটি আলোচনা অংশ নিয়ে গঠিত[1]:

  1. কার্যক্রমের পরিমাণ (Volume of Activity) — «কতটুকু» মেট্রিক্স: প্রকাশনা, কোর্সে ভর্তি, সম্মেলনে উপস্থিতি, স্টার্টআপ, অর্থায়ন, চাকরির বিজ্ঞপ্তি, রোবট আমদানি, উন্মুক্ত সোর্স সফটওয়্যার, জনসাধারণের আগ্রহ।
  2. প্রযুক্তিগত কার্যক্ষমতা (Technical Performance) — «কতটা ভালো» মেট্রিক্স: computer vision, natural language processing, বাক্য সনাক্তকরণ, উপপাদ্য প্রমাণ, SAT-সমস্যা সমাধান।
  3. ব্যুৎপন্ন মেট্রিক্স (Derivative Measures) — প্রবণতার মধ্যে আন্তঃসম্পর্ক, «একাডেমিয়া — শিল্প» গতিশীলতা, AI Vibrancy Index।
  4. মানব স্তরের দিকে? (Towards Human-Level Performance?) — এমন অর্জনের তালিকা যেখানে AI মানব স্তরের কাছাকাছি পৌঁছেছে বা তা অতিক্রম করেছে।
  5. কী অনুপস্থিত? (What's Missing?) — প্রতিবেদনের সীমাবদ্ধতা এবং ভবিষ্যৎ কাজের দিকনির্দেশনার স্বীকৃতি।
  6. বিশেষজ্ঞ ফোরাম (Expert Forum) — AI ক্ষেত্রের শীর্ষস্থানীয় বিশেষজ্ঞদের মন্তব্য।

কার্যক্রমের পরিমাণ

একাডেমিক প্রকাশনা

Scopus ডেটাবেসে (Elsevier প্রকাশনা) «Computer Science» বিষয় ক্ষেত্রে «Artificial Intelligence» কীওয়ার্ড সহ প্রকাশিত ও সূচীভুক্ত বৈজ্ঞানিক নিবন্ধের সংখ্যা ১৯৯৬ সাল থেকে ৯ গুণেরও বেশি বৃদ্ধি পেয়েছে[3]। তুলনার জন্য: একই সময়কালে কম্পিউটার বিজ্ঞানের ক্ষেত্রে মোট প্রকাশনার সংখ্যা প্রায় ৬ গুণ বৃদ্ধি পেয়েছে, যা ইঙ্গিত দেয় যে AI প্রকাশনার বৃদ্ধি কেবল তথ্যবিজ্ঞানে সামগ্রিক আগ্রহ বিস্তারের ফলে নয়, বরং কৃত্রিম বুদ্ধিমত্তার প্রতি বিশেষভাবে ক্রমবর্ধমান মনোযোগের কারণে[1]।

প্রতিবেদন তৈরির সময় Scopus ডেটাবেসে «Artificial Intelligence» কীওয়ার্ড সহ কম্পিউটার বিজ্ঞানের ২ লক্ষেরও বেশি নিবন্ধ এবং সামগ্রিকভাবে কম্পিউটার বিজ্ঞানে প্রায় ৫০ লক্ষ নিবন্ধ ছিল, মোট সূচীভুক্ত দলিলের সংখ্যা প্রায় ৭ কোটি[3]।

শিক্ষা কোর্সে ভর্তি

কৃত্রিম বুদ্ধিমত্তা ও Machine Learning-এ পরিচিতিমূলক কোর্সে শিক্ষার্থী ভর্তি দ্রুত বৃদ্ধি পাচ্ছিল। স্ট্যানফোর্ড বিশ্ববিদ্যালয়ে AI-এর পরিচিতিমূলক কোর্সে ভর্তি ১৯৯৬ সাল থেকে ১১ গুণ বৃদ্ধি পেয়েছে[1]। Machine Learning (ML) কে AI-এর একটি উপক্ষেত্র হিসেবে আলাদাভাবে চিহ্নিত করা হয়েছিল কারণ ভর্তিতে বিশেষভাবে দ্রুত বৃদ্ধি এবং সাম্প্রতিক AI অর্জনে ML কৌশলের গুরুত্বপূর্ণ ভূমিকার কারণে।

অন্যান্য শীর্ষস্থানীয় বিশ্ববিদ্যালয়েও একই ধরনের প্রবণতা লক্ষ্য করা গেছে: ইউনিভার্সিটি অব ক্যালিফোর্নিয়া বার্কলে, কার্নেগি মেলন বিশ্ববিদ্যালয়, জর্জিয়া ইনস্টিটিউট অব টেকনোলজি, ইউনিভার্সিটি অব ইলিনয় আরবানা-শ্যাম্পেইন, ম্যাসাচুসেটস ইনস্টিটিউট অব টেকনোলজি এবং ইউনিভার্সিটি অব ওয়াশিংটন[1]। প্রতিবেদনের লেখকরা উল্লেখ করেছেন যে এই তথ্যগুলি উচ্চশিক্ষার দৃশ্যপটের একটি সংকীর্ণ অংশ উপস্থাপন করে এবং শিক্ষাপ্রতিষ্ঠানের বৃহত্তর পরিসরের প্রতিনিধিত্বমূলক নাও হতে পারে।

সম্মেলনে উপস্থিতি

শীর্ষস্থানীয় AI সম্মেলনে উপস্থিতির তথ্য (AAAI, AAMAS, ACL, CP, CVPR, ECAI, ICAPS, ICRA, ICLR, ICML, IJCAI, IROS, KR, NIPS, UAI) প্রতীকী যুক্তি থেকে Machine Learning ও Deep Learning-এর দিকে গবেষণার কেন্দ্রবিন্দুর স্থানান্তর নিশ্চিত করেছে[1]। Machine Learning সম্মেলনগুলি (NIPS, ICML, ICLR) সবচেয়ে উল্লেখযোগ্য উপস্থিতি বৃদ্ধি দেখিয়েছিল, অন্যদিকে প্রতীকী পদ্ধতির সম্মেলনগুলি (KR, CP, ICAPS) স্থিতিশীল কিন্তু আরও বিনম্র একটি সম্প্রদায় বজায় রেখেছিল যা ধারাবাহিকভাবে অগ্রগতি অর্জন করে যাচ্ছিল[1]।

AI ক্ষেত্রে স্টার্টআপ

ভেঞ্চার অর্থায়নসহ AI সিস্টেম তৈরিকারী সক্রিয় মার্কিন স্টার্টআপের সংখ্যা ২০০০ সাল থেকে ১৪ গুণ বৃদ্ধি পেয়েছে[4][5]। AI কোম্পানি চিহ্নিত করতে Crunchbase-এর বিভাগগুলি ব্যবহার করা হয়েছিল (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) এবং পরবর্তীতে VentureSource ডেটাবেসের বিপরীতে ক্রস-চেক করা হয়েছিল[1]।

ভেঞ্চার অর্থায়ন

AI ক্ষেত্রে মার্কিন স্টার্টআপে বার্ষিক ভেঞ্চার বিনিয়োগের পরিমাণ ২০০০ সাল থেকে ৬ গুণ বৃদ্ধি পেয়েছে[5]। তথ্যগুলি সমস্ত অর্থায়ন পর্যায় অন্তর্ভুক্ত করে এবং Sand Hill Econometrics VentureSource ডেটাবেসের উপর ভিত্তি করে একত্রিত করেছিল[1]।

শ্রমবাজার

দুটি বৃহত্তম অনলাইন চাকরির প্ল্যাটফর্ম — Indeed.com এবং Monster.com — এর তথ্য AI বিশেষজ্ঞদের চাহিদায় উল্লেখযোগ্য বৃদ্ধি দেখিয়েছে[6][7]।

Indeed.com: মার্কিন যুক্তরাষ্ট্রে প্ল্যাটফর্মে AI দক্ষতা প্রয়োজন এমন চাকরির বিজ্ঞপ্তির অনুপাত ২০১৩ সাল থেকে ৪.৫ গুণ বৃদ্ধি পেয়েছে[6]। কানাডা ও যুক্তরাজ্যেও অনুরূপ দ্রুত বৃদ্ধি লক্ষ্য করা গেছে, যদিও পরম আকারে তাদের বাজার যথাক্রমে মার্কিন বাজারের ৫% এবং ২৭% ছিল[1]।

Monster.com: প্রয়োজনীয় দক্ষতা অনুযায়ী (Machine Learning, computer vision, natural language processing ইত্যাদি) AI চাকরির বিজ্ঞপ্তির পরম সংখ্যার বিশ্লেষণও ধারাবাহিক বৃদ্ধি নিশ্চিত করেছে। একটি চাকরির বিজ্ঞপ্তি একসাথে একাধিক দক্ষতা চাইতে পারত[7]।

রোবট আমদানি

আন্তর্জাতিক রোবোটিক্স ফেডারেশন (IFR) কর্তৃক প্রস্তুত World Robotics Report-এর বার্ষিক তথ্য উত্তর আমেরিকায় এবং বৈশ্বিক মাত্রায় শিল্প রোবট আমদানিতে ধারাবাহিক বৃদ্ধি দেখিয়েছে[8]। প্রতিবেদনের লেখকরা উল্লেখ করেছেন যে কত শতাংশ রোবট «AI» হিসেবে যোগ্য সফটওয়্যার ব্যবহার করে এবং AI উন্নয়ন শিল্প রোবটের ব্যবহার বৃদ্ধিতে কতটুকু অবদান রাখছে তা নির্ধারণের কোনো সহজ উপায় নেই[1]।

উন্মুক্ত সোর্স সফটওয়্যার

GitHub প্ল্যাটফর্মে AI framework-এ ডেভেলপারদের আগ্রহ উল্লেখযোগ্য বৃদ্ধি দেখিয়েছে। প্রধান Machine Learning ও Deep Learning প্যাকেজগুলির স্টার (Stars) সংখ্যা — TensorFlow, Scikit-Learn, Keras, PyTorch, Caffe, MXNet, CNTK এবং Theano — দ্রুত বৃদ্ধি পাচ্ছিল[9]। Google-এর TensorFlow এবং Scikit-Learn সবচেয়ে জনপ্রিয় প্যাকেজ হিসেবে চিহ্নিত হয়েছিল, এবং স্টার ও ফোর্ক (Forks) সংখ্যার প্রবণতা প্রায় একই রকম ছিল[1]।

জনসাধারণের আগ্রহ: মিডিয়ার মনোভাব

TrendKite সেবার তথ্যের উপর ভিত্তি করে «Artificial Intelligence» শব্দ ধারণকারী জনপ্রিয় মিডিয়া প্রকাশনায় ইতিবাচক ও নেতিবাচক নিবন্ধের অনুপাতের গতিশীলতা বিশ্লেষণ করা হয়েছে[10]। TrendKite-এর শ্রেণীবিভাগকারী ইংরেজি ভাষার নিবন্ধগুলিকে (প্রেস রিলিজ, আর্থিক সংবাদ ও মৃত্যুসংবাদ বাদে) «ইতিবাচক», «নেতিবাচক» এবং «নিরপেক্ষ» বিভাগে বিভক্ত করে[1]।

প্রযুক্তিগত কার্যক্ষমতা

প্রযুক্তিগত কার্যক্ষমতা বিভাগ computer vision, natural language processing, বাক্য সনাক্তকরণ, উপপাদ্য প্রমাণ এবং SAT-সমস্যা সমাধানের কাজে AI সিস্টেমের অগ্রগতি পর্যবেক্ষণ করে[1]।

Computer Vision

Object Detection

ImageNet dataset-এর উপর ভিত্তিক Large Scale Visual Recognition Challenge (LSVRC) প্রতিযোগিতায় ২০১০ থেকে ২০১৭ সাল পর্যন্ত চিত্র সনাক্তকরণে ত্রুটির হার ২৮.৫% থেকে ২.৫%-এরও কম হয়েছে[11]। তুলনার জন্য: মানুষের ত্রুটির মাত্রা প্রায় ৫% বলে মূল্যায়ন করা হয়[12], অর্থাৎ ২০১৭ সালের মধ্যে AI সিস্টেমগুলি এই benchmark-এ মানব স্তরকে উল্লেখযোগ্যভাবে ছাড়িয়ে গেছে। ImageNet প্রতিযোগিতা ২০১৭ সালে শেষ হয়েছিল[1]।

Visual Question Answering

VQA 1.0 dataset-এ — চিত্র সম্পর্কে প্রশ্নের উন্মুক্ত উত্তর তৈরির কাজ — AI সিস্টেমগুলি ধারাবাহিক অগ্রগতি দেখিয়েছিল[13]। লেখকরা উল্লেখ করেছিলেন যে VQA 1.0 dataset ইতিমধ্যে VQA 2.0 দ্বারা প্রতিস্থাপিত হয়েছিল এবং মূল সংস্করণে কতটা মনোযোগ দেওয়া হবে তা অস্পষ্ট ছিল[1]।

Natural Language Processing

Parsing

Penn Treebank-এর Wall Street Journal কর্পাসের ২৩ নম্বর বিভাগ — স্ট্যান্ডার্ড পরীক্ষা সেটে — স্বয়ংক্রিয় parser-গুলি F1 মেট্রিকে ধারাবাহিক বৃদ্ধি দেখিয়েছিল[14]। ৪০ শব্দের কম দৈর্ঘ্যের বাক্য এবং সম্পূর্ণ বাক্য সেট উভয়ের জন্যই ফলাফল নথিভুক্ত করা হয়েছিল[1]।

Machine Translation

ইংরেজি ও জার্মান ভাষার মধ্যে সংবাদ অনুবাদের কাজে Workshop on Machine Translation (WMT) বার্ষিক প্রতিযোগিতায় সেরা সিস্টেমগুলি BLEU মেট্রিকে সামগ্রিক ঊর্ধ্বমুখী প্রবণতা দেখিয়েছিল[15]। BLEU মেট্রিক — একটি স্বয়ংক্রিয় পদ্ধতি যা মেশিন অনুবাদকে মানুষের তৈরি কয়েকটি অনুবাদের সাথে তুলনা করে — ০ থেকে ১ পর্যন্ত মানসহ নির্ভুলতার (precision) একটি পরিবর্তিত সংস্করণ। যদিও BLEU অনুবাদ গুণমানের বিশেষজ্ঞ মূল্যায়নের সাথে সম্পর্কযুক্ত, এটি corpus-এর মধ্যে তুলনার জন্য ব্যবহার করা যায় না, এবং সিস্টেমগুলির মধ্যে তুলনা বিভ্রান্তিকর হতে পারে[1]।

২০১৭ সালে BLEU স্কোর ২০১৬ সালের তুলনায় উল্লেখযোগ্যভাবে হ্রাস পেয়েছিল (যদিও ২০১৫ সালের স্তরের উপরে ছিল), যা সম্ভবত Machine Translation সিস্টেমের গুণমানে প্রকৃত হ্রাসের পরিবর্তে পরীক্ষা সেটের বৈশিষ্ট্যের কারণে হয়েছিল[15]।

Question Answering

Stanford Question Answering Dataset (SQuAD)-এ — ৫০০-এরও বেশি নিবন্ধ ও ১ লক্ষেরও বেশি প্রশ্ন-উত্তর জোড়া — AI সিস্টেমগুলি Exact Match (EM) মেট্রিকে দ্রুত বৃদ্ধি দেখিয়েছিল, যা রেফারেন্সের সাথে ঠিক মিলে যাওয়া উত্তরের শতাংশ পরিমাপ করে[16]। SQuAD-এ মানুষের কার্যক্ষমতার স্তর ছিল ৮২.৩%[1]। SQuAD-এ স্কোর ২০১৬ সালের জুনে dataset তৈরির পর থেকে দ্রুত বৃদ্ধি পাচ্ছিল।

বাক্য সনাক্তকরণ

Switchboard Hub5'00 স্ট্যান্ডার্ড dataset-এ — টেলিফোন কথোপকথন থেকে বাক্য সনাক্তকরণের কাজ — ২০১৭ সালে Microsoft ও IBM «মানব সমতুল্য» কার্যক্ষমতার কাছাকাছি পৌঁছেছে[17]। Word Error Rate (WER) মেট্রিক — বাক্যের দৈর্ঘ্য অনুযায়ী স্বাভাবিককৃত ত্রুটির সংখ্যা (শব্দ প্রতিস্থাপন, মুছে ফেলা ও সন্নিবেশ) — বহু বছর ধরে হ্রাস পাচ্ছিল। মানুষের ত্রুটির সুনির্দিষ্ট স্তর নিয়ে মতবিরোধ ছিল: ৫.১% এবং ৫.৯%, এমনকি ৫%-এরও কম উল্লেখ করা হয়েছিল। প্রতিবেদনে ৫.১% সীমা ব্যবহার করা হয়েছিল[1]।

লেখকরা উদ্বেগ প্রকাশ করেছিলেন যে Switchboard সেটের দীর্ঘস্থায়ী ব্যবহার নির্দিষ্ট তথ্যে AI সিস্টেমের উল্লেখযোগ্য overfitting-এর দিকে নিয়ে যেতে পারে[1]।

উপপাদ্য প্রমাণ

Thousands of Problems for Theorem Provers (TPTP) সমস্যা সেটে গড় «tractability» পর্যবেক্ষণ করা হয়েছিল — আধুনিক স্বয়ংক্রিয় উপপাদ্য প্রমাণকারীর (ATP) অনুপাত যা সমস্যাটি সমাধান করতে সক্ষম[18]। TPTP v5.0.0 (২০১০) সংস্করণের পর থেকে আপডেট না হওয়া সমস্যার একটি উপসেট বিশ্লেষণ করা হয়েছিল। মেট্রিকটির একটি বিশেষ বৈশিষ্ট্য হলো: নতুন সমস্যাগুলি ভালোভাবে সমাধান করে কিন্তু অন্য সিস্টেমগুলি যে সমস্যাগুলি সমাধান করে সেগুলিতে দুর্বল নতুন শক্তিশালী ATP সিস্টেমের আবির্ভাব গড় tractability হ্রাস করতে পারে[1]।

SAT-সমস্যা সমাধান

SAT Competition-এর শিল্প উদাহরণে সমাধান করা সমস্যার শতাংশে বৃদ্ধি নথিভুক্ত করা হয়েছিল[19]। গবেষক Holger Hoos ও Kevin Leyton-Brown ২০০৭ সাল থেকে প্রতিযোগিতায় উপস্থাপিত ১০৭৬টি সমস্যার উদাহরণে ৬৯টি solver পরীক্ষা করেছিলেন, সঠিক তুলনার জন্য একই হার্ডওয়্যারে সমস্ত solver চালিয়ে[1]। লেখকরা উল্লেখ করেছিলেন যে কিছু উন্নতি অ্যালগরিদমিক অগ্রগতির পরিবর্তে প্রকৌশলগত অর্জনকে প্রতিফলিত করতে পারে[1]।

ব্যুৎপন্ন মেট্রিক্স

«একাডেমিয়া — শিল্প» গতিশীলতা

AI কার্যক্রমে একাডেমিয়া ও শিল্পের মধ্যে সম্পর্ক অনুসন্ধানের জন্য তিনটি প্রতিনিধিত্বমূলক মেট্রিক বেছে নেওয়া হয়েছিল: AI প্রকাশনার সংখ্যা, স্ট্যানফোর্ডে AI ও ML-এর পরিচিতিমূলক কোর্সে মোট ভর্তি এবং AI স্টার্টআপে ভেঞ্চার বিনিয়োগের পরিমাণ। সমস্ত মেট্রিক ২০০০ সালের সাপেক্ষে স্বাভাবিককৃত হয়েছিল[1]।

বিশ্লেষণ দেখিয়েছিল যে প্রাথমিকভাবে একাডেমিক কার্যক্রম (প্রকাশনা ও কোর্স ভর্তি) ধারাবাহিক অগ্রগতি নিশ্চিত করেছিল। প্রায় ২০১০ সাল থেকে বিনিয়োগকারীরা এই ক্ষেত্রে মনোযোগ দিতে শুরু করেন এবং ২০১৩ সালের মধ্যে মোট কার্যক্রমে তীব্র বৃদ্ধির চালিকাশক্তি হয়ে ওঠেন। এরপর একাডেমিয়া শিল্পের «উৎসাহের» সাথে তাল মিলিয়ে নেয়[1]।

AI Vibrancy Index

AI Vibrancy Index — একটি পরীক্ষামূলক যৌগিক মেট্রিক যা AI-কে একটি ক্ষেত্র হিসেবে «জীবনীশক্তি» পরিমাপ করতে প্রকাশনা, কোর্স ভর্তি ও ভেঞ্চার বিনিয়োগের স্বাভাবিককৃত সূচক একত্রিত করে[1]। সূচকটি সময়ের সাথে স্বাভাবিককৃত মেট্রিকগুলির গড় হিসেবে গণনা করা হয়েছিল এবং তিনটি উপাদানের একযোগ বৃদ্ধিকে প্রতিফলিত করে তীব্র বৃদ্ধি দেখিয়েছিল। লেখকরা আশা প্রকাশ করেছিলেন যে এই ধরনের ব্যুৎপন্ন মেট্রিকগুলি AI Index-এর তথ্যের আরও বিশ্লেষণে আগ্রহ জাগিয়ে তুলবে[1]।

মানব স্তরের দিকে

প্রতিবেদনটি এমন বিশ্বাসযোগ্য ঘটনাগুলির তালিকা করেছিল যেখানে কম্পিউটার সিস্টেম মানব স্তরের কার্যক্ষমতা অর্জন করেছে বা তা অতিক্রম করেছে, এবং সাথে কিছু গুরুত্বপূর্ণ সতর্কতা যুক্ত করেছিল[1]।

তুলনার মূল সীমাবদ্ধতা: যন্ত্রগুলি প্রায়ই সংকীর্ণ বিশেষায়িত কাজে মানুষকে ছাড়িয়ে যায়, কিন্তু শর্তের সামান্য পরিবর্তনেই কার্যক্ষমতা তীব্রভাবে হ্রাস পেতে পারে। উদাহরণস্বরূপ, একজন মানুষ যিনি চীনা হরফ পড়তে পারেন তিনি সম্ভবত চীনা ভাষাও বোঝেন, চীনা সংস্কৃতি সম্পর্কে কিছু জানেন এবং একটি চীনা রেস্তোরাঁয় খাবার সুপারিশ করতে পারেন। AI-এর জন্য এই প্রতিটি কাজের জন্য সম্পূর্ণ আলাদা সিস্টেমের প্রয়োজন হবে[1]।

অর্জনের মাইলফলক

অর্জন বছর বিবরণ
অথেলো ১৯৮০-এর দশক / ১৯৯৭ ১৯৮৯ সালে BILL প্রোগ্রাম (Kai-Fu Lee, Sanjoy Mahajan) শীর্ষ মার্কিন খেলোয়াড় Brian Rose-কে (৫৬–৮) পরাজিত করে। ১৯৯৭ সালে Logistello প্রোগ্রাম বিশ্বচ্যাম্পিয়নের বিরুদ্ধে ছয় গেমের ম্যাচের সমস্ত পার্টি জেতে[1]।
চেকার্স ১৯৯৫ Chinook প্রোগ্রাম বর্তমান বিশ্বচ্যাম্পিয়নকে পরাজিত করে। চেকার্স খেলার জন্য স্ব-শিক্ষামূলক প্রথম প্রোগ্রামগুলি Arthur Samuel ১৯৫২ সাল থেকে তৈরি করেছিলেন[1]।
দাবা ১৯৯৭ IBM Deep Blue বিশ্বচ্যাম্পিয়ন Garry Kasparov-কে পরাজিত করে। ১৯৫০-এর দশকে কিছু বিজ্ঞানী ভবিষ্যদ্বাণী করেছিলেন যে ১৯৬৭ সালের মধ্যে কম্পিউটার বিশ্বচ্যাম্পিয়নকে হারাবে[20]। ২০১৭ সালের মধ্যে স্মার্টফোনে দাবার প্রোগ্রামগুলি গ্র্যান্ডমাস্টার স্তরে খেলছিল[1]।
Jeopardy! ২০১১ IBM Watson সিস্টেম টেলিশোর সাবেক বিজয়ী Brad Rutter ও Ken Jennings-কে পরাজিত করে ১০ লক্ষ ডলারের প্রধান পুরস্কার জিতেছিল[1]।
Atari গেমস ২০১৫ Google DeepMind টিম ৪৯টি Atari গেম খেলতে শেখানোর জন্য Reinforcement Learning সিস্টেম ব্যবহার করেছিল, তাদের অধিকাংশে মানব স্তর অর্জন করেছিল (যেমন Breakout), যদিও কিছু গেম (যেমন Montezuma's Revenge) নাগালের বাইরে ছিল[21]।
Object Detection (ImageNet) ২০১৬ ImageNet চিত্র শ্রেণীবিভাগে স্বয়ংক্রিয় ত্রুটির হার ২৮% (২০১০) থেকে ৩%-এরও কম হয়েছে, যেখানে মানুষের স্তর প্রায় ৫%[12]।
গো ২০১৬–২০১৭ AlphaGo (Google DeepMind) ২০১৬ সালের মার্চে Lee Sedol-কে ৪–১ পরাজিত করে, তারপর AlphaGo Master ২০১৭ সালের মার্চে Ke Jie-কে পরাজিত করে। ২০১৭ সালের অক্টোবরে AlphaGo Zero মূল AlphaGo-কে ১০০–০ পরাজিত করে[22][23]।
ত্বকের ক্যান্সার শ্রেণীবিভাগ ২০১৭ ২,০৩২টি রোগের ১,২৯,৪৫০টি ক্লিনিকাল চিত্রে প্রশিক্ষিত AI সিস্টেম ত্বকের ক্যান্সার শ্রেণীবিভাগে ২১ জন সার্টিফাইড চর্মরোগ বিশেষজ্ঞের সমতুল্য দক্ষতা দেখিয়েছে[24]।
বাক্য সনাক্তকরণ (Switchboard) ২০১৭ Microsoft ও IBM Switchboard সেটে বাক্য সনাক্তকরণের কাজে «মানব সমতুল্য» কার্যক্ষমতার কাছাকাছি পৌঁছেছে[17]।
পোকার ২০১৭ Libratus প্রোগ্রাম (CMU) ১,২০,০০০ হাতের Texas Hold'em (সীমাহীন বাজি) টুর্নামেন্টে চারজন শীর্ষ খেলোয়াড়কে পরাজিত করে। DeepStack প্রোগ্রাম (ইউনিভার্সিটি অব আলবার্টা) ১১ জন পেশাদারের বিরুদ্ধে প্রত্যেকের সাথে ৩,০০০-এরও বেশি হাতে তার শ্রেষ্ঠত্বের পরিসংখ্যানগত তাৎপর্য প্রমাণ করেছে[25]।
Ms. Pac-Man ২০১৭ Maluuba টিম (Microsoft-কর্তৃক অধিগৃহীত) একটি AI সিস্টেম তৈরি করেছিল যা Atari 2600-এ সর্বোচ্চ ৯৯৯,৯০০ পয়েন্ট অর্জন করেছে[1]।

প্রতিবেদনে কী অনুপস্থিত

লেখকরা উদ্বোধনী প্রতিবেদনের বেশ কয়েকটি গুরুত্বপূর্ণ সীমাবদ্ধতা স্পষ্টভাবে স্বীকার করেছেন[1]:

প্রযুক্তিগত কার্যক্ষমতা

অনেক গুরুত্বপূর্ণ প্রযুক্তিগত ক্ষেত্র অন্তর্ভুক্ত ছিল না: সংলাপ সিস্টেম (যার জন্য কোনো মানসম্পন্ন benchmark ছিল না), পরিকল্পনা, রোবোটিক্সে ক্রমাগত নিয়ন্ত্রণ, সাধারণ জ্ঞান যুক্তি (common sense reasoning), সুপারিশ সিস্টেম, মানসম্পন্ন পরীক্ষা। লেখকরা সতর্ক করেছিলেন যে অগ্রগতির পর্যবেক্ষণ সাধারণত ভালো ফলাফল সহ ক্ষেত্রগুলিতে পরিচালিত হয়, যা AI-এর অবস্থার মূল্যায়নে আশাবাদী পক্ষপাত তৈরি করে[1]।

আন্তর্জাতিক অন্তর্ভুক্তি

অন্যান্য দেশে উল্লেখযোগ্য AI কার্যক্রম থাকা সত্ত্বেও প্রতিবেদনটি অতিরিক্ত মার্কিন-কেন্দ্রিক বলে স্বীকৃত হয়েছে। চীনে বিনিয়োগ ও কার্যক্রমের মাত্রা «বিস্ময়কর» বলে উল্লেখ করা হয়েছে, কিন্তু উদ্বোধনী প্রতিবেদনের বাইরে বলে গণ্য করা হয়েছে[1]।

বৈচিত্র্য ও অন্তর্ভুক্তি

প্রতিবেদনে লিঙ্গ, বর্ণ, জেন্ডার, জাতিসত্তা, যৌন অভিমুখিতা বা অন্যান্য বৈশিষ্ট্য অনুযায়ী তথ্যের বিভাজন ছিল না। লেখকরা স্বীকার করেছেন যে AI সংক্রান্ত আলোচনায় কারা অংশগ্রহণ করছে এবং ভবিষ্যৎ গবেষণা ও AI স্থাপনায় প্রভাব বিস্তারের ক্ষমতা কার আছে — এই প্রশ্নগুলি প্রযুক্তি ও ভেঞ্চার শিল্পের ক্ষমতার গতিশীলতা এবং বৈষম্যের বৃহত্তর পদ্ধতিগত শক্তির সাথে ঘনিষ্ঠভাবে সম্পর্কিত[1]।

সরকারি ও কর্পোরেট বিনিয়োগ

ভেঞ্চার অর্থায়নের তথ্য কেবল মার্কিন যুক্তরাষ্ট্রকে অন্তর্ভুক্ত করেছিল এবং AI-এ মোট গবেষণা ও উন্নয়ন বিনিয়োগের খুব ছোট অংশের প্রতিনিধিত্ব করেছিল। সরকারি ও কর্পোরেট বিনিয়োগের তথ্য অনুপস্থিত ছিল[1]।

নির্দিষ্ট শিল্পে প্রভাব

স্বাস্থ্যসেবা, মোটরগাড়ি শিল্প, অর্থ, শিক্ষা এবং অন্যান্য খাতে AI-এর প্রভাবের মেট্রিক্স উপস্থাপন করা হয়নি[1]।

সামাজিক ঝুঁকি হ্রাস

AI নিরাপত্তা, পূর্বানুমানযোগ্যতা, অ্যালগরিদমের ন্যায্যতা, গোপনীয়তা এবং স্বয়ংক্রিয়করণের নৈতিক পরিণতির বিষয়গুলি আলোচনা করা হয়নি[1]।

বিশেষজ্ঞ ফোরাম

প্রতিবেদনে একাডেমিয়া, শিল্প, সরকার ও গণমাধ্যমের প্রতিনিধিত্বকারী শীর্ষস্থানীয় বিশেষজ্ঞদের মন্তব্য অন্তর্ভুক্ত ছিল[1]।

Barbara Grosz (হার্ভার্ড)

Barbara Grosz AI সিস্টেমের কার্যক্ষমতা শূন্যে পরিমাপের পাশাপাশি AI-মানুষ মিথস্ক্রিয়ার মান এবং ব্যক্তিগতভাবে ও সমাজে মানুষের উপর AI সিস্টেমের প্রভাব বিবেচনা করে এমন মেট্রিক্স তৈরির গুরুত্ব তুলে ধরেছিলেন। তিনি প্রতিবেদনের একটি ফাঁকের প্রতি দৃষ্টি আকর্ষণ করেছিলেন: natural language processing বিভাগ parsing, machine translation ও question answering অন্তর্ভুক্ত করেছিল, কিন্তু সংলাপ সিস্টেম অন্তর্ভুক্ত ছিল না যা কথোপকথনকারীর মানসিক অবস্থা বিবেচনায় নেওয়া প্রয়োজন। Grosz আরও AI কোর্সের মধ্যে নৈতিক দিক অন্তর্ভুক্তকারী কোর্সের অনুপাত এবং কোনো AI সিস্টেম আদৌ তৈরি করা উচিত কিনা তা নিয়ে প্রশ্ন করা কোম্পানির সংখ্যা পর্যবেক্ষণের আহ্বান জানিয়েছিলেন[1]।

Eric Horvitz (Microsoft)

Eric Horvitz উদ্বোধনী প্রতিবেদনের প্রকাশনাকে বৃহত্তর সম্প্রদায়কে সংলাপে সম্পৃক্ত করার একটি গুরুত্বপূর্ণ পদক্ষেপ বলে অভিহিত করেছিলেন। তিনি ব্যুৎপন্ন মেট্রিক্স বিভাগ ও AI Vibrancy Index-এর মূল্য উল্লেখ করে কর্পোরেশনে AI প্রতিভাদের নিয়োগ, গঠন ও বেতনের তথ্যের সাথে তুলনা করে সেগুলি যাচাই করার পরামর্শ দিয়েছিলেন। Horvitz বিশেষভাবে common sense reasoning-এ অগ্রগতি পর্যবেক্ষণের গুরুত্ব তুলে ধরেছিলেন, যা «একটি ছোট শিশুও দেখায়» কিন্তু আধুনিক AI প্রযুক্তির নাগালের বাইরে থাকে[2]।

Kai-Fu Lee (Sinovation Ventures)

Kai-Fu Lee প্রতিবেদনের আন্তর্জাতিক অন্তর্ভুক্তির ঘাটতি পূরণ করে চীনে AI-এর অবস্থার একটি সংক্ষিপ্ত বিবরণ উপস্থাপন করেছিলেন। তিনি উল্লেখ করেছিলেন যে চীনে মার্কিন যুক্তরাষ্ট্র বা ভারতের তুলনায় তিনগুণ বেশি মোবাইল ফোন ও ইন্টারনেট ব্যবহারকারী রয়েছে, এবং উৎপাদিত তথ্যের পরিমাণের পার্থক্য তিন গুণের ফ্যাক্টরকে উল্লেখযোগ্যভাবে ছাড়িয়ে যায়: চীনারা মার্কিনদের চেয়ে ৫০ গুণ বেশি মোবাইল পেমেন্ট করে, খাদ্য সরবরাহের পরিমাণ ১০ গুণ বেশি, এবং Didi ইতিমধ্যে ট্র্যাফিক ব্যবস্থাপনা সিস্টেমের সাথে তথ্য একীভূত করতে শুরু করেছে। Lee চীনা স্টার্টআপ Face++-এর উদাহরণ দিয়েছিলেন, যা Google, Microsoft, Facebook ও CMU-কে ছাড়িয়ে তিনটি computer vision প্রতিযোগিতায় প্রথম স্থান অর্জন করেছে। তিনি ২০১৭ সালের জুলাইয়ে চীনের রাষ্ট্রীয় পরিষদের ২০৩০ সালের মধ্যে AI-তে বৈশ্বিক উদ্ভাবন কেন্দ্র হওয়ার পরিকল্পনার উল্লেখ করেছিলেন এবং ভবিষ্যদ্বাণী করেছিলেন যে AI-তে মার্কিন-চীন দ্বি-আধিপত্য কেবল অনিবার্য নয়, এটি ইতিমধ্যে শুরু হয়েছে[1]।

Andrew Ng (Coursera, স্ট্যানফোর্ড)

Andrew Ng AI-কে «নতুন বিদ্যুৎ» হিসেবে বর্ণনা করেছিলেন যা অনেক শিল্পকে রূপান্তরিত করছে। তিনি Deep Learning দ্বারা AI উপক্ষেত্রগুলির রূপান্তরের ক্রম বর্ণনা করেছিলেন: প্রথমে বাক্য সনাক্তকরণ, তারপর computer vision, তারপর NLP (যা chatbot-এর বিকাশের দিকে নিয়ে যায়), এবং তারপর রোবোটিক্স (নতুন উৎপাদন সম্ভাবনা)। Ng জোর দিয়ে বলেছিলেন যে আরও বুদ্ধিমান AI নীতি সহ দেশগুলি দ্রুততর অগ্রগতি করবে, আর খারাপভাবে পরিকল্পিত ব্যবস্থা সহ দেশগুলি পিছিয়ে পড়ার ঝুঁকিতে রয়েছে[1]।

Daniela Rus (MIT)

Daniela Rus ইতিবাচক পরিবর্তনের বাহক হিসেবে AI সম্পর্কে একটি আশাবাদী দৃষ্টিভঙ্গি উপস্থাপন করেছিলেন: জলবায়ু পরিবর্তন মোকাবেলা ও শিক্ষার গণতন্ত্রীকরণ থেকে স্বায়ত্তশাসিত যানবাহন ও ব্যক্তিগতকৃত স্বাস্থ্যসেবা পর্যন্ত। তিনি জোর দিয়ে বলেছিলেন যে জনপ্রিয় ধারণার বিপরীতে, AI কম নয় বরং আরও সন্তোষজনক কর্মসংস্থান তৈরি করবে, কারণ AI ও রোবোটিক্স থেকে উৎপাদনশীলতা বৃদ্ধি মানুষকে একঘেয়ে কাজ থেকে মুক্ত করবে[1]।

Sebastian Thrun (স্ট্যানফোর্ড, Udacity)

Sebastian Thrun একটি ঐতিহাসিক সমান্তরাল টেনেছিলেন: বাষ্পইঞ্জিন আবিষ্কারের আগে অধিকাংশ মানুষ ছিল কৃষক, শারীরিক শক্তি দ্বারা সংজ্ঞায়িত। যন্ত্রগুলি কৃষকদের «সুপারহিউম্যান»-এ পরিণত করেছে — একজন মার্কিন কৃষক ১৫৫ জনকে খাওয়ান, এবং মার্কিন জনসংখ্যার ২%-এরও কম কৃষিতে কাজ করে। একইভাবে, AI আমাদের পুনরাবৃত্তিমূলক কাজের নিদর্শন শিখতে এবং আমাদের «সুপারহিউম্যান» হতে সাহায্য করতে পারে। Thrun অভূতপূর্ব মানবিক সৃজনশীলতার যুগের সূচনার ভবিষ্যদ্বাণী করেছিলেন, কিন্তু «আজীবন শিক্ষার্থী» হওয়া এবং পরিবর্তনের সাথে অভিযোজনের প্রয়োজনীয়তা সম্পর্কে সতর্ক করেছিলেন[1]।

Michael Wooldridge (অক্সফোর্ড)

Michael Wooldridge কেন্দ্রীয় প্রশ্ন উত্থাপন করেছিলেন: «AI বুদবুদ» আছে কিনা এবং এটি ফেটে যাবে কিনা (ডটকম বুদবুদের মতো ১৯৯৬–২০০১) নাকি আস্তে আস্তে সংকুচিত হবে? তার প্রধান উদ্বেগ ছিল ব্যাপক অনুমানমূলক বিনিয়োগের পরে হতাশা থেকে সৃষ্ট নতুন «AI শীতকাল»। তবে তিনি সতর্ক আশাবাদ প্রকাশ করেছিলেন: পূর্ববর্তী চক্রের বিপরীতে, বর্তমান বুদবুদের নিচে বাস্তব সারবস্তু রয়েছে — AI সিস্টেমগুলি ধারাবাহিক অগ্রগতি দেখাচ্ছে এবং বড় কোম্পানিগুলি AI কৌশলগুলি উৎপাদনশীলভাবে ব্যবহার করতে শিখেছে। Wooldridge সাধারণ AI (General AI)-এর দিকে অগ্রগতি পরিমাপের প্রশ্নও উত্থাপন করেছিলেন, উল্লেখ করেছিলেন যে না তিনি, না অন্য কেউ জানেন এটি কিভাবে পরিমাপ করা যায়[1]।

Megan Smith ও Susan Alzner

সাবেক মার্কিন প্রধান প্রযুক্তি কর্মকর্তা Megan Smith ও Susan Alzner (জাতিসংঘে এনজিও যোগাযোগ সেবা) বৈচিত্র্য ও অন্তর্ভুক্তির সর্বোচ্চ গুরুত্ব তুলে ধরেছিলেন। তারা নির্দেশ করেছিলেন যে «ব্যাপক সচেতন ও অচেতন পক্ষপাত, উল্লেখযোগ্য বৈষম্যমূলক সাংস্কৃতিক নিদর্শন ও পদ্ধতিগত বঞ্চনার শেখা আচরণের» কারণে মানবজাতির অধিকাংশই আলোচনা ও নকশা দল থেকে বাদ পড়েছে। লেখকরা বেশ কয়েকটি মূল উদ্যোগের উল্লেখ করেছিলেন: Algorithmic Justice League, অস্ত্র AI বিষয়ক জাতিসংঘে পিটিশন, CS for All আন্দোলন, AI4All উদ্যোগ[1]।

পদ্ধতিমালা

প্রতিবেদনটি একাধিক উৎস থেকে তথ্য ব্যবহার করেছে[1]:

  • প্রকাশনা: Elsevier Scopus — প্রায় ৭ কোটি দলিলের একটি ডেটাবেস; ১৯৯৬ সাল থেকে «Computer Science» বিষয় ক্ষেত্রে «Artificial Intelligence» কীওয়ার্ডে অনুসন্ধান[3]।
  • কোর্স ভর্তি: বিশ্ববিদ্যালয়ের রেকর্ড — UC Berkeley, Carnegie Mellon, Georgia Tech, UIUC, MIT, Stanford, University of Washington[1]।
  • সম্মেলনে উপস্থিতি: ১৫টি সম্মেলনের আয়োজকদের তথ্য (AAAI, AAMAS, ACL, CP, CVPR, ECAI, ICAPS, ICRA, ICLR, ICML, IJCAI, IROS, KR, NIPS, UAI)[1]।
  • স্টার্টআপ ও অর্থায়ন: Crunchbase (বিভাগ অনুযায়ী কোম্পানি চিহ্নিত করার জন্য API), VentureSource (ভেঞ্চার অর্থায়নের তথ্য), Sand Hill Econometrics (একত্রীকরণ)[4][5]।
  • শ্রমবাজার: Indeed.com (দেশ অনুযায়ী AI চাকরির অনুপাত), Monster.com / CEB TalentNeuron (দক্ষতা অনুযায়ী চাকরির পরম সংখ্যা)[6][7]।
  • রোবট আমদানি: International Federation of Robotics, World Robotics Report[8]।
  • GitHub: Google BigQuery-এর মাধ্যমে GitHub Archive — AI framework রিপোজিটরির জন্য WatchEvent গণনা[9]।
  • মিডিয়ার মনোভাব: TrendKite — প্রেস রিলিজ, আর্থিক সংবাদ ও মৃত্যুসংবাদ ফিল্টার সহ ইংরেজি ভাষার নিবন্ধের শ্রেণীবিভাগ[10]।
  • Benchmark: LSVRC ImageNet, VQA 1.0, Penn Treebank, WMT / EuroMatrix, SQuAD, Switchboard Hub5'00, TPTP, SAT Competition[1]।

নেতৃত্ব ও লেখক দল

AI Index 2017 প্রকল্পটি পরিচালনা কমিটির নেতৃত্বে প্রস্তুত করা হয়েছিল[1]:

  • Yoav Shoham (স্ট্যানফোর্ড বিশ্ববিদ্যালয়) — সভাপতি
  • Raymond Perrault (SRI International)
  • Erik Brynjolfsson (MIT)
  • Jack Clark (OpenAI)
  • Calvin LeGassick — প্রকল্প ব্যবস্থাপক

পরামর্শ কমিটিতে Michael Bowling, Ernie Davis, Julia Hirschberg, Eric Horvitz, Karen Levy, Alan Mackworth, Tom Mitchell, Sandy Pentland, Chris Re, Daniela Rus, Sebastian Thrun, Hal Varian ও Toby Walsh অন্তর্ভুক্ত ছিলেন[1]।

অংশীদার সংগঠনগুলির মধ্যে ছিল: Allen Institute for Artificial Intelligence, Crunchbase, Electronic Frontier Foundation, Elsevier, EuroMatrix, Google Brain, Indeed.com, Monster.com, Sand Hill Econometrics, Sinovation Ventures, TrendKite, VentureSource। প্রাথমিক অর্থায়ন Google, Microsoft ও Bytedance (Toutiao) প্রদান করেছিল, তবে AI Index তার স্বাধীনতার উপর জোর দেয় এবং উল্লেখ করে যে এটি এই সংগঠনগুলির মতামত প্রতিফলিত করে না[1]।

ঐতিহাসিক গুরুত্ব

AI Index-এর ২০১৭ সালের উদ্বোধনী প্রতিবেদন পরবর্তী বার্ষিক প্রতিবেদনের ধারার ভিত্তি স্থাপন করেছিল, যা সময়ের সাথে সাথে উল্লেখযোগ্যভাবে বিস্তৃত হয়েছে — প্রাথমিক চারটি বিভাগ থেকে ২০২৪ সালের প্রতিবেদনে নয়টি বিষয়ভিত্তিক অধ্যায়ে। ২০১৭ সালের প্রতিবেদনের «What's Missing» অংশে সৎভাবে স্বীকৃত অনেক ফাঁক ধারাবাহিকভাবে পূরণ করা হয়েছে: আন্তর্জাতিক অন্তর্ভুক্তি (২০১৮ সালের প্রতিবেদন থেকে), বৈচিত্র্যের তথ্য, সরকারি বিনিয়োগ, খাতভিত্তিক প্রভাব, এবং দায়িত্বশীল AI ও নিয়ন্ত্রণ[26]। AI Index প্রকল্পটি পরবর্তীতে ২০১৯ সালে প্রতিষ্ঠিত স্ট্যানফোর্ড HAI (Human-Centered Artificial Intelligence) ইনস্টিটিউটের অধীনে চলে আসে[1]।

তথ্যসূত্র

সাহিত্য

টীকা

  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_(BN)&oldid=7911"