The 2017 AI Index Report (HI)

From Systems analysis Wiki
Jump to navigation Jump to search

AI Index Report 2017 — AI Index परियोजना की पहली (उद्घाटन) वार्षिक रिपोर्ट है, जो नवम्बर 2017 में प्रकाशित हुई थी[1]। यह परियोजना स्टैनफोर्ड विश्वविद्यालय की One Hundred Year Study on AI (AI100) पहल के अंतर्गत बनाई गई थी और कृत्रिम बुद्धिमत्ता के क्षेत्र में गतिविधि एवं प्रगति को ट्रैक करने वाली एक खुली, गैर-व्यावसायिक परियोजना है। 2017 की रिपोर्ट AI की स्थिति से संबंधित आँकड़ों को व्यवस्थित रूप से एकत्रित और दृश्यात्मक बनाने का पहला प्रयास था, जिसमें शिक्षा जगत और उद्योग में गतिविधि की मात्रा, AI प्रणालियों की तकनीकी प्रदर्शन क्षमता, व्युत्पन्न मापदंड तथा मानवीय स्तर की दिशा में प्रगति को शामिल किया गया। लेखकों ने इस बात पर बल दिया कि AI प्रौद्योगिकी की स्थिति से संबंधित प्रासंगिक आँकड़ों के अभाव में समाज कृत्रिम बुद्धिमत्ता से जुड़ी चर्चाओं और निर्णयों में «अंधेरे में उड़ रहा है»[1]।

पूर्वापेक्षाएँ और उद्देश्य

2017 तक कृत्रिम बुद्धिमत्ता वैश्विक विमर्श के केन्द्र में आ चुकी थी और व्यावसायिकों, उद्योग जगत के नेताओं, नीति-निर्माताओं तथा आम जनता का ध्यान आकर्षित कर रही थी। AI का क्षेत्र इतनी तेज़ी से विकसित हो रहा था कि विशेषज्ञों को भी प्रगति को समझने और ट्रैक करने में कठिनाई हो रही थी। AI Index की परिकल्पना एक ऐसे उपकरण के रूप में की गई थी जो AI पर होने वाली चर्चाओं को अनुमानों या किस्सागोई के बजाय आँकड़ों पर आधारित बना सके[1]।

इस परियोजना का विचार 2015 में AI100 की स्थायी समिति की चर्चाओं के दौरान उभरा[2]। रिपोर्ट इंटरनेट पर स्वतंत्र रूप से उपलब्ध आँकड़ों के साथ-साथ मौलिक आँकड़ों को भी एकत्रित करती है और मौजूदा श्रृंखलाओं के संयोजन से नए मापदंड निकालती है। रिपोर्ट तैयार करने में उपयोग किए गए सभी आँकड़े aiindex.org वेबसाइट पर सार्वजनिक रूप से उपलब्ध हैं[1]।

रिपोर्ट की संरचना

2017 की रिपोर्ट में चार मुख्य डेटा खंड और कई चर्चा अनुभाग हैं[1]:

  1. गतिविधि की मात्रा (Volume of Activity) — «कितना» मापदंड: प्रकाशन, पाठ्यक्रमों में प्रवेश, सम्मेलनों में उपस्थिति, स्टार्टअप, वित्त पोषण, रोज़गार के अवसर, रोबोट आयात, खुले स्रोत का सॉफ़्टवेयर, सार्वजनिक रुचि।
  2. तकनीकी प्रदर्शन (Technical Performance) — «कितना अच्छा» मापदंड: कंप्यूटर विज़न, प्राकृतिक भाषा प्रसंस्करण, वाक् पहचान, प्रमेय सिद्धि, SAT-समस्याओं का समाधान।
  3. व्युत्पन्न मापदंड (Derivative Measures) — रुझानों के बीच परस्पर संबंध, «शिक्षा जगत — उद्योग» की गतिशीलता, AI Vibrancy Index।
  4. मानवीय स्तर की ओर? (Towards Human-Level Performance?) — उन उपलब्धियों की सूची जिनमें AI ने मानवीय स्तर को छुआ या उसे पार किया।
  5. क्या अनुपस्थित है? (What's Missing?) — रिपोर्ट की सीमाओं और भविष्य के कार्य की दिशाओं की स्वीकृति।
  6. विशेषज्ञ मंच (Expert Forum) — AI के क्षेत्र के प्रमुख विशेषज्ञों की टिप्पणियाँ।

गतिविधि की मात्रा

शैक्षणिक प्रकाशन

Elsevier के Scopus डेटाबेस में «Computer Science» विषय क्षेत्र में «Artificial Intelligence» कीवर्ड के साथ 1996 से प्रकाशित और अनुक्रमित AI पर वैज्ञानिक लेखों की संख्या 1996 से 9 गुना से भी अधिक बढ़ गई[3]। तुलना के लिए: उसी अवधि में कंप्यूटर विज्ञान के कुल प्रकाशनों की संख्या लगभग 6 गुना बढ़ी, जो यह दर्शाता है कि AI प्रकाशनों में यह वृद्धि केवल सामान्य रूप से सूचना विज्ञान में बढ़ती रुचि के कारण नहीं, बल्कि विशेष रूप से कृत्रिम बुद्धिमत्ता पर बढ़ते ध्यान के कारण है[1]।

रिपोर्ट तैयार होने के समय Scopus डेटाबेस में «Artificial Intelligence» कीवर्ड के साथ कंप्यूटर विज्ञान के 2 लाख से अधिक लेख थे, सामान्य रूप से कंप्यूटर विज्ञान के लगभग 50 लाख लेख थे, और कुल अनुक्रमित दस्तावेज़ों की संख्या लगभग 7 करोड़ थी[3]।

शैक्षणिक पाठ्यक्रमों में प्रवेश

कृत्रिम बुद्धिमत्ता और Machine Learning के परिचयात्मक पाठ्यक्रमों में छात्रों का नामांकन तेज़ी से बढ़ रहा था। स्टैनफोर्ड विश्वविद्यालय में AI के परिचयात्मक पाठ्यक्रम में नामांकन 1996 से 11 गुना बढ़ गया[1]। AI की एक उपशाखा के रूप में Machine Learning (ML) को विशेष रूप से अलग किया गया क्योंकि नामांकन में वृद्धि विशेष रूप से तेज़ थी और हाल की AI उपलब्धियों में ML तकनीकों की भूमिका अत्यंत महत्त्वपूर्ण थी।

इसी प्रकार की प्रवृत्तियाँ अन्य प्रमुख विश्वविद्यालयों में भी देखी गईं: कैलिफ़ोर्निया विश्वविद्यालय बर्कले, कार्नेगी-मेलन विश्वविद्यालय, जॉर्जिया टेक, इलिनोई विश्वविद्यालय अर्बाना-शैम्पेन, मैसाचुसेट्स प्रौद्योगिकी संस्थान और वाशिंगटन विश्वविद्यालय[1]। रिपोर्ट के लेखकों ने नोट किया कि ये आँकड़े उच्च शिक्षा परिदृश्य का एक संकुचित दृश्य प्रस्तुत करते हैं और ज़रूरी नहीं कि व्यापक शिक्षण संस्थानों का प्रतिनिधित्व करते हों।

सम्मेलनों में उपस्थिति

प्रमुख AI सम्मेलनों (AAAI, AAMAS, ACL, CP, CVPR, ECAI, ICAPS, ICRA, ICLR, ICML, IJCAI, IROS, KR, NIPS, UAI) की उपस्थिति के आँकड़ों ने प्रतीकात्मक तर्कणा से Machine Learning और Deep Learning की ओर शोध केंद्र के स्थानांतरण की पुष्टि की[1]। Machine Learning सम्मेलनों (NIPS, ICML, ICLR) में उपस्थिति सबसे अधिक बढ़ी, जबकि प्रतीकात्मक पद्धतियों के सम्मेलनों (KR, CP, ICAPS) में एक स्थिर किंतु अधिक सीमित समुदाय बना रहा जो निरंतर स्थिर प्रगति प्राप्त करता रहा[1]।

AI क्षेत्र के स्टार्टअप

वेंचर वित्त पोषण के साथ AI प्रणालियाँ विकसित करने वाले सक्रिय अमेरिकी स्टार्टअपों की संख्या 2000 के बाद से 14 गुना बढ़ गई[4][5]। AI कंपनियों की पहचान के लिए Crunchbase की श्रेणियों (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) का उपयोग किया गया और उसके बाद VentureSource डेटाबेस के साथ क्रॉस-चेकिंग की गई[1]।

वेंचर वित्त पोषण

अमेरिका के AI स्टार्टअपों में वार्षिक वेंचर निवेश की राशि 2000 के बाद से 6 गुना बढ़ गई[5]। आँकड़ों में वित्त पोषण के सभी चरण शामिल थे और Sand Hill Econometrics द्वारा VentureSource डेटाबेस के आधार पर एकत्रित किए गए थे[1]।

श्रम बाज़ार

दो प्रमुख ऑनलाइन रोज़गार मंचों — Indeed.com और Monster.com — के आँकड़ों ने AI विशेषज्ञों की माँग में उल्लेखनीय वृद्धि दर्शाई[6][7]।

Indeed.com: अमेरिका में मंच पर AI कौशल की माँग करने वाले रोज़गार अवसरों का अनुपात 2013 के बाद से 4.5 गुना बढ़ गया[6]। कनाडा और यूनाइटेड किंगडम में भी इसी प्रकार की तेज़ वृद्धि देखी गई, हालाँकि उनके बाज़ार के पूर्ण आकार क्रमशः अमेरिकी बाज़ार के 5% और 27% थे[1]।

Monster.com: आवश्यक कौशल (Machine Learning, कंप्यूटर विज़न, प्राकृतिक भाषा प्रसंस्करण आदि) के अनुसार AI रोज़गार अवसरों की निरपेक्ष संख्या के विश्लेषण ने भी निरंतर वृद्धि की पुष्टि की। एक रोज़गार अवसर एक साथ कई कौशलों की माँग कर सकता था[7]।

रोबोट आयात

अंतरराष्ट्रीय रोबोटिक्स महासंघ (IFR) द्वारा तैयार World Robotics Report की वार्षिक रिपोर्ट के आँकड़ों ने उत्तरी अमेरिका और वैश्विक स्तर पर औद्योगिक रोबोटों के आयात में निरंतर वृद्धि दर्शाई[8]। रिपोर्ट के लेखकों ने नोट किया कि यह निर्धारित करने का कोई सरल तरीका नहीं है कि कितने प्रतिशत रोबोट «AI» के रूप में वर्गीकृत सॉफ़्टवेयर का उपयोग करते हैं और AI विकास औद्योगिक रोबोटों के उपयोग में वृद्धि में किस हद तक योगदान देता है[1]।

खुला स्रोत सॉफ़्टवेयर

GitHub प्लेटफ़ॉर्म पर AI फ्रेमवर्क में डेवलपर्स की रुचि में उल्लेखनीय वृद्धि हुई। प्रमुख Machine Learning और Deep Learning पैकेजों — TensorFlow, Scikit-Learn, Keras, PyTorch, Caffe, MXNet, CNTK और Theano — के Stars की संख्या तेज़ी से बढ़ रही थी[9]। Google के TensorFlow और Scikit-Learn को सबसे लोकप्रिय पैकेज के रूप में पहचाना गया, जबकि Stars और Forks की संख्या के रुझान लगभग समान थे[1]।

सार्वजनिक रुचि: मीडिया की भावना

TrendKite सेवा के आँकड़ों के आधार पर «Artificial Intelligence» शब्द वाले लोकप्रिय मीडिया प्रकाशनों की भावना के विश्लेषण ने सकारात्मक और नकारात्मक लेखों के अनुपात की गतिशीलता दर्शाई[10]। TrendKite के वर्गीकरणकर्ता ने अंग्रेज़ी भाषा के लेखों (प्रेस विज्ञप्तियों, वित्तीय समाचारों और शोक संदेशों को छोड़कर) को «सकारात्मक», «नकारात्मक» और «तटस्थ» श्रेणियों में वर्गीकृत किया[1]।

तकनीकी प्रदर्शन

तकनीकी प्रदर्शन अनुभाग कंप्यूटर विज़न, प्राकृतिक भाषा प्रसंस्करण, वाक् पहचान, प्रमेय सिद्धि और SAT-समस्याओं के समाधान में AI प्रणालियों की प्रगति को ट्रैक करता है[1]।

कंप्यूटर विज़न

वस्तु पहचान (Object Detection)

ImageNet डेटासेट पर आधारित Large Scale Visual Recognition Challenge (LSVRC) प्रतियोगिता में 2010 से 2017 के बीच छवि पहचान में त्रुटि दर 28.5% से घटकर 2.5% से कम हो गई[11]। तुलना के लिए: मानवीय त्रुटि का स्तर लगभग 5% आँका जाता है[12], अर्थात 2017 तक AI प्रणालियाँ इस benchmark पर मानवीय स्तर को पहले ही काफी हद तक पार कर चुकी थीं। ImageNet प्रतियोगिता 2017 में समाप्त हो गई[1]।

दृश्य प्रश्न-उत्तर (Visual Question Answering)

VQA 1.0 डेटासेट पर — छवियों के बारे में प्रश्नों के मुक्त-रूप उत्तर तैयार करने की समस्या — AI प्रणालियाँ निरंतर प्रगति दर्शा रही थीं[13]। लेखकों ने नोट किया कि VQA 1.0 डेटासेट को पहले ही VQA 2.0 द्वारा प्रतिस्थापित किया जा चुका था और यह अस्पष्ट था कि मूल संस्करण पर आगे कितना ध्यान दिया जाएगा[1]।

प्राकृतिक भाषा प्रसंस्करण

वाक्य-विश्लेषण (Parsing)

मानक परीक्षण सेट पर — Penn Treebank के Wall Street Journal कोर्पस की धारा 23 — स्वचालित पार्सर F1 मापदंड में निरंतर वृद्धि दर्शा रहे थे[14]। परिणाम 40 शब्दों से कम लंबे वाक्यों के साथ-साथ पूरे वाक्य सेट के लिए भी दर्ज किए गए थे[1]।

मशीनी अनुवाद (Machine Translation)

अंग्रेज़ी और जर्मन के बीच समाचार अनुवाद की समस्या पर Workshop on Machine Translation (WMT) की वार्षिक प्रतियोगिता में सर्वश्रेष्ठ प्रणालियाँ BLEU मापदंड पर समग्र ऊर्ध्वगामी रुझान दर्शा रही थीं[15]। BLEU मापदंड — मशीनी अनुवाद की मानव द्वारा किए गए कई अनुवादों से तुलना की स्वचालित पद्धति — 0 से 1 के मान वाले precision का एक संशोधित रूप है। हालाँकि BLEU अनुवाद गुणवत्ता के विशेषज्ञ मूल्यांकनों के साथ सहसंबंध रखता है, इसका उपयोग कोर्पस के बीच तुलना के लिए नहीं किया जा सकता और प्रणालियों के बीच तुलना भ्रामक हो सकती है[1]।

2017 में BLEU स्कोर 2016 की तुलना में उल्लेखनीय रूप से गिरे (हालाँकि 2015 के स्तर से ऊपर रहे), जो संभवतः परीक्षण सेट की विशेषताओं के कारण था, न कि मशीनी अनुवाद प्रणालियों की वास्तविक गुणवत्ता में गिरावट के कारण[15]।

प्रश्न-उत्तर (Question Answering)

Stanford Question Answering Dataset (SQuAD) — 500 से अधिक लेख और 1,00,000 प्रश्न-उत्तर जोड़े — पर AI प्रणालियाँ Exact Match (EM) मापदंड में तेज़ वृद्धि दर्शा रही थीं, जो संदर्भ उत्तरों से बिल्कुल मेल खाने वाले उत्तरों का प्रतिशत मापता है[16]। SQuAD पर मानवीय प्रदर्शन का स्तर 82.3% था[1]। जून 2016 में डेटासेट के निर्माण के बाद से SQuAD पर स्कोर तेज़ी से बढ़ रहे थे।

वाक् पहचान

मानक Switchboard Hub5'00 डेटासेट पर — टेलीफोन वार्तालापों से वाक् पहचान की समस्या — Microsoft और IBM ने 2017 में «मानव समानता» के निकट प्रदर्शन प्राप्त किया[17]। Word Error Rate (WER) मापदंड — वाक्य की लंबाई से सामान्यीकृत त्रुटियों (शब्द प्रतिस्थापन, विलोपन और सम्मिलन) की संख्या — वर्षों से घट रही थी। मानवीय त्रुटि के सटीक स्तर को लेकर मतभेद थे: 5.1% और 5.9%, और यहाँ तक कि 5% से भी कम के मान उद्धृत किए गए थे। रिपोर्ट में 5.1% की सीमा का उपयोग किया गया[1]।

लेखकों ने इस बात पर चिंता व्यक्त की कि Switchboard सेट के लंबे समय तक उपयोग से AI प्रणालियों का विशिष्ट डेटा पर अत्यधिक अनुकूलन हो सकता है[1]।

प्रमेय सिद्धि

Thousands of Problems for Theorem Provers (TPTP) समस्या सेट पर औसत «tractability» — आधुनिक स्वचालित प्रमेय सिद्धकों (ATP) का वह अनुपात जो किसी समस्या को हल कर सकते हैं — को ट्रैक किया गया[18]। TPTP v5.0.0 संस्करण (2010) के बाद से अपडेट न हुई समस्याओं के उपसमुच्चय का विश्लेषण किया गया। इस मापदंड की एक विशेषता है: नई शक्तिशाली ATP प्रणालियों का उभरना जो नई समस्याओं को अच्छे से हल करती हैं किंतु उन समस्याओं को बुरी तरह हल करती हैं जो अन्य प्रणालियाँ हल कर सकती हैं, औसत tractability को घटा सकता है[1]।

SAT-समस्याओं का समाधान

SAT Competition से औद्योगिक समस्या उदाहरणों पर हल की गई समस्याओं का बढ़ता प्रतिशत दर्ज किया गया[19]। शोधकर्ताओं Holger Hoos और Kevin Leyton-Brown ने 2007 से प्रतियोगिता में प्रस्तुत 1,076 समस्या उदाहरणों पर 69 सॉल्वर का परीक्षण किया और सभी सॉल्वर को उचित तुलना के लिए एक ही हार्डवेयर पर चलाया[1]। लेखकों ने नोट किया कि कुछ सुधार एल्गोरिदमिक सफलताओं के बजाय अभियांत्रिकी उपलब्धियों को प्रतिबिंबित कर सकते हैं[1]।

व्युत्पन्न मापदंड

«शिक्षा जगत — उद्योग» की गतिशीलता

शिक्षा जगत और उद्योग में AI गतिविधि के बीच परस्पर संबंध की जाँच के लिए तीन प्रतिनिधि मापदंड चुने गए: AI प्रकाशनों की संख्या, स्टैनफोर्ड में AI और ML के परिचयात्मक पाठ्यक्रमों में कुल नामांकन, और AI स्टार्टअप में वेंचर निवेश की राशि। सभी मापदंडों को 2000 के सापेक्ष सामान्यीकृत किया गया[1]।

विश्लेषण से पता चला कि शुरुआत में शैक्षणिक गतिविधि (प्रकाशन और पाठ्यक्रम नामांकन) निरंतर प्रगति सुनिश्चित करती रही। लगभग 2010 से निवेशकों ने इस क्षेत्र पर ध्यान देना शुरू किया और 2013 तक वे समग्र गतिविधि में तीव्र वृद्धि की प्रेरक शक्ति बन गए। इसके बाद शिक्षा जगत ने उद्योग के «उत्साह» के साथ तालमेल बिठा लिया[1]।

AI Vibrancy Index

AI Vibrancy Index एक प्रयोगात्मक समग्र मापदंड है जो AI क्षेत्र की «जीवंतता» को मात्रात्मक रूप में आँकने के लिए प्रकाशन, पाठ्यक्रम नामांकन और वेंचर निवेश के सामान्यीकृत संकेतकों को एकत्रित करता है[1]। सूचकांक की गणना समय के साथ सामान्यीकृत मापदंडों के औसत के रूप में की गई और इसने तीनों घटकों में एक साथ वृद्धि को दर्शाते हुए तेज़ उछाल दिखाया। लेखकों ने आशा व्यक्त की कि ऐसे व्युत्पन्न मापदंड AI Index के आँकड़ों के आगे के विश्लेषण में रुचि जगाएंगे[1]।

मानवीय स्तर की ओर

रिपोर्ट ने उन विश्वसनीय मामलों को सूचीबद्ध किया जिनमें कंप्यूटर प्रणालियों ने मानवीय प्रदर्शन स्तर को प्राप्त किया या उसे पार किया, साथ ही कई महत्त्वपूर्ण आपवाद भी प्रस्तुत किए[1]।

तुलना की मुख्य सीमाएँ: मशीनें अक्सर अत्यंत विशिष्ट कार्यों में मनुष्यों से बेहतर प्रदर्शन करती हैं, किंतु परिस्थितियों में थोड़े से परिवर्तन पर प्रदर्शन तेज़ी से गिर सकता है। उदाहरण के लिए, जो व्यक्ति चीनी अक्षर पढ़ सकता है, वह संभवतः चीनी भाषा भी समझता है, चीनी संस्कृति के बारे में कुछ जानता है और किसी चीनी रेस्तराँ में व्यंजन सुझा सकता है। AI के लिए इनमें से प्रत्येक कार्य के लिए एक बिल्कुल अलग प्रणाली की आवश्यकता होती[1]।

उपलब्धि के मील के पत्थर

उपलब्धि वर्ष विवरण
ओथेलो 1980 के दशक / 1997 1989 में BILL कार्यक्रम (Kai-Fu Lee, Sanjoy Mahajan) ने अमेरिका के प्रमुख खिलाड़ी Brian Rose को 56-8 से हराया। 1997 में Logistello कार्यक्रम ने तत्कालीन विश्व चैंपियन के विरुद्ध छह खेलों की श्रृंखला में सभी खेल जीते[1]।
शतरंज (Draughts) 1995 Chinook कार्यक्रम ने तत्कालीन विश्व चैंपियन को हराया। शतरंज के पहले स्व-शिक्षण कार्यक्रम Arthur Samuel ने 1952 से बनाए थे[1]।
शतरंज (Chess) 1997 IBM Deep Blue ने विश्व चैंपियन Garry Kasparov को हराया। 1950 के दशक में कुछ वैज्ञानिकों ने भविष्यवाणी की थी कि 1967 तक कंप्यूटर विश्व चैंपियन को हरा देगा[20]। 2017 तक स्मार्टफोन पर शतरंज कार्यक्रम ग्रैंडमास्टर स्तर पर खेल रहे थे[1]।
Jeopardy! 2011 IBM Watson प्रणाली ने टेलीशो के पूर्व विजेताओं Brad Rutter और Ken Jennings को हराया और 10 लाख डॉलर का मुख्य पुरस्कार जीता[1]।
Atari गेम 2015 Google DeepMind की टीम ने Reinforcement Learning प्रणाली का उपयोग करके 49 Atari गेम खेलने का प्रशिक्षण दिया और उनमें से अधिकांश (जैसे Breakout) में मानवीय स्तर प्राप्त किया, हालाँकि कुछ गेम (जैसे Montezuma's Revenge) अभी भी पहुँच से बाहर रहे[21]।
वस्तु पहचान (ImageNet) 2016 ImageNet छवि वर्गीकरण में स्वचालित त्रुटि दर 2010 में 28% से घटकर 3% से कम हो गई जबकि मानवीय स्तर लगभग 5% था[12]।
गो 2016-2017 AlphaGo (Google DeepMind) ने मार्च 2016 में Lee Sedol को 4-1 से हराया, फिर AlphaGo Master ने मार्च 2017 में Ke Jie को हराया। अक्टूबर 2017 में AlphaGo Zero ने मूल AlphaGo को 100-0 से हराया[22][23]।
त्वचा कैंसर वर्गीकरण 2017 2,032 रोगों की 1,29,450 नैदानिक छवियों पर प्रशिक्षित AI प्रणाली ने त्वचा कैंसर वर्गीकरण में 21 प्रमाणित त्वचा विशेषज्ञों के बराबर दक्षता दर्शाई[24]।
वाक् पहचान (Switchboard) 2017 Microsoft और IBM ने Switchboard डेटासेट पर वाक् पहचान में «मानव समानता» के निकट प्रदर्शन प्राप्त किया[17]।
पोकर 2017 Libratus कार्यक्रम (CMU) ने 1,20,000 गेम के Texas Hold'em अनलिमिटेड टूर्नामेंट में चार शीर्ष खिलाड़ियों को हराया। DeepStack कार्यक्रम (University of Alberta) ने 3,000 से अधिक गेम में 11 पेशेवरों पर अपनी श्रेष्ठता की सांख्यिकीय महत्ता सिद्ध की[25]।
Ms. Pac-Man 2017 Maluuba टीम (Microsoft द्वारा अधिगृहीत) ने Atari 2600 पर 9,99,900 अंक का अधिकतम स्कोर प्राप्त करने वाली AI प्रणाली बनाई[1]।

रिपोर्ट में क्या अनुपस्थित है

लेखकों ने उद्घाटन रिपोर्ट की कई महत्त्वपूर्ण सीमाओं को ईमानदारी से स्वीकार किया[1]:

तकनीकी प्रदर्शन

कई महत्त्वपूर्ण तकनीकी क्षेत्रों को शामिल नहीं किया गया: संवाद प्रणालियाँ (जिनके लिए मानकीकृत benchmark का अभाव था), नियोजन, रोबोटिक्स में निरंतर नियंत्रण, सामान्य ज्ञान आधारित तर्कणा (common sense reasoning), अनुशंसा प्रणालियाँ, मानकीकृत परीक्षण। लेखकों ने चेतावनी दी कि प्रगति की ट्रैकिंग सामान्यतः उन क्षेत्रों में की जाती है जहाँ अच्छे परिणाम हैं, जिससे AI की स्थिति के मूल्यांकन में आशावादी पूर्वाग्रह उत्पन्न होता है[1]।

अंतरराष्ट्रीय охват

रिपोर्ट को अत्यधिक अमेरिका-केंद्रित माना गया, जबकि अन्य देशों में भी महत्त्वपूर्ण AI गतिविधि हो रही थी। चीन में निवेश और गतिविधि के स्तर को «आश्चर्यजनक» बताया गया, किंतु इसे उद्घाटन रिपोर्ट के दायरे से बाहर माना गया[1]।

विविधता और समावेशिता

रिपोर्ट में लिंग, नस्ल, जेंडर, जातीयता, यौन अभिविन्यास या अन्य विशेषताओं के आधार पर डेटा का विभाजन नहीं था। लेखकों ने स्वीकार किया कि AI पर होने वाली चर्चाओं में कौन भाग लेता है और भविष्य के AI अनुसंधान एवं तैनाती को प्रभावित करने की शक्ति किसके पास है, ये प्रश्न प्रौद्योगिकी और वेंचर उद्योगों में शक्ति की गतिशीलता तथा भेदभाव की व्यापक प्रणालीगत शक्तियों से गहराई से जुड़े हैं[1]।

सरकारी और कॉर्पोरेट निवेश

वेंचर वित्त पोषण के आँकड़े केवल अमेरिका को कवर करते थे और AI अनुसंधान एवं विकास में कुल निवेश का बहुत छोटा हिस्सा प्रस्तुत करते थे। सरकारी और कॉर्पोरेट निवेश के आँकड़े अनुपस्थित थे[1]।

विशिष्ट उद्योगों पर प्रभाव

स्वास्थ्य सेवा, ऑटोमोटिव उद्योग, वित्त, शिक्षा और अन्य क्षेत्रों पर AI के प्रभाव के मापदंड प्रस्तुत नहीं किए गए[1]।

सामाजिक जोखिमों में कमी

AI सुरक्षा, पूर्वानुमेयता, एल्गोरिदमिक निष्पक्षता, गोपनीयता और स्वचालन के नैतिक परिणामों के प्रश्नों पर प्रकाश नहीं डाला गया[1]।

विशेषज्ञ मंच

रिपोर्ट में शिक्षा जगत, उद्योग, सरकार और मीडिया का प्रतिनिधित्व करने वाले प्रमुख विशेषज्ञों की टिप्पणियाँ शामिल थीं[1]।

Barbara Grosz (हार्वर्ड)

Barbara Grosz ने ऐसे मापदंडों के विकास के महत्त्व पर बल दिया जो न केवल AI प्रणालियों के एकाकी प्रदर्शन को, बल्कि AI और मनुष्यों के बीच बातचीत की गुणवत्ता और AI प्रणालियों के लोगों पर व्यक्तिगत तथा सामाजिक स्तर पर प्रभाव को भी ध्यान में रखते हों। उन्होंने रिपोर्ट में एक अंतर की ओर ध्यान आकर्षित किया: प्राकृतिक भाषा प्रसंस्करण अनुभाग में वाक्य-विश्लेषण, मशीनी अनुवाद और प्रश्न-उत्तर तो शामिल थे, किंतु संवाद प्रणालियाँ नहीं थीं, जिनके लिए वार्ताकार की मानसिक स्थिति का ध्यान रखना आवश्यक है। Grosz ने यह भी आग्रह किया कि AI पाठ्यक्रमों में नैतिक पहलुओं को शामिल करने वाले पाठ्यक्रमों का अनुपात और उन कंपनियों की संख्या को ट्रैक किया जाए जो यह प्रश्न करती हैं कि किसी विशेष AI प्रणाली का निर्माण किया जाना चाहिए भी या नहीं[1]।

Eric Horvitz (Microsoft)

Eric Horvitz ने उद्घाटन रिपोर्ट के प्रकाशन को व्यापक समुदाय को संवाद में शामिल करने की दिशा में एक महत्त्वपूर्ण कदम बताया। उन्होंने व्युत्पन्न मापदंड अनुभाग और AI Vibrancy Index के महत्त्व को रेखांकित किया और इन्हें कॉर्पोरेट में AI प्रतिभाओं की भर्ती, संरचना और मुआवज़े के आँकड़ों के साथ तुलना करके मान्य करने का सुझाव दिया। Horvitz ने विशेष रूप से common sense reasoning में प्रगति को ट्रैक करने के महत्त्व पर बल दिया, जो «एक छोटा बच्चा भी दर्शाता है» किंतु वर्तमान AI प्रौद्योगिकियों की पहुँच से परे है[2]।

Kai-Fu Lee (Sinovation Ventures)

Kai-Fu Lee ने रिपोर्ट के अंतरराष्ट्रीय охват के अंतर को भरते हुए चीन में AI की स्थिति का अवलोकन प्रस्तुत किया। उन्होंने नोट किया कि चीन में अमेरिका या भारत की तुलना में तीन गुना अधिक मोबाइल फोन और इंटरनेट उपयोगकर्ता हैं, और उत्पन्न डेटा में अंतर तीन के गुणक से कहीं अधिक है: चीनी लोग अमेरिकियों की तुलना में 50 गुना अधिक मोबाइल भुगतान करते हैं, खाद्य वितरण का आयतन 10 गुना अधिक है, और Didi पहले ही यातायात प्रबंधन प्रणालियों के साथ डेटा एकीकरण शुरू कर चुकी है। Lee ने चीनी स्टार्टअप Face++ का उदाहरण दिया जिसने Google, Microsoft, Facebook और CMU को पीछे छोड़ते हुए तीन कंप्यूटर विज़न प्रतियोगिताओं में प्रथम स्थान प्राप्त किया। उन्होंने जुलाई 2017 में चीन के राज्य परिषद की 2030 तक AI नवाचार का वैश्विक केंद्र बनने की योजना का उल्लेख किया और भविष्यवाणी की कि AI में अमेरिकी-चीनी द्विध्रुवीयता न केवल अपरिहार्य है, बल्कि पहले से ही स्थापित हो चुकी है[1]।

Andrew Ng (Coursera, Stanford)

Andrew Ng ने AI को «नई बिजली» बताया जो अनेक उद्योगों को बदल रही है। उन्होंने AI उपक्षेत्रों के Deep Learning द्वारा रूपांतरण की क्रमिक प्रक्रिया का वर्णन किया: पहले वाक् पहचान, फिर कंप्यूटर विज़न, फिर NLP (जिससे चैट-बॉट का विकास होता है), और फिर रोबोटिक्स (नई उत्पादन क्षमताएँ)। Ng ने बल दिया कि AI के क्षेत्र में अधिक समझदार नीति वाले देश तेज़ी से प्रगति करेंगे, जबकि खराब नीतियों वाले देश पीछे रह जाने का जोखिम उठाते हैं[1]।

Daniela Rus (MIT)

Daniela Rus ने AI को सकारात्मक परिवर्तन के वाहक के रूप में एक आशावादी दृष्टिकोण प्रस्तुत किया: जलवायु परिवर्तन से निपटने और शिक्षा के लोकतंत्रीकरण से लेकर स्वायत्त वाहनों और व्यक्तिगत स्वास्थ्य सेवा तक। उन्होंने बल दिया कि प्रचलित धारणा के विपरीत, AI कम नहीं बल्कि अधिक संतोषजनक रोज़गार के अवसर लाएगा, क्योंकि AI और रोबोटिक्स से उत्पादकता में वृद्धि लोगों को एकरस कार्यों से मुक्त करेगी[1]।

Sebastian Thrun (Stanford, Udacity)

Sebastian Thrun ने एक ऐतिहासिक समानांतर स्थापित किया: भाप इंजन के आविष्कार से पहले अधिकांश लोग किसान थे जो शारीरिक शक्ति से परिभाषित थे। मशीनों ने किसानों को «महामानव» बना दिया — एक अमेरिकी किसान 155 लोगों को भोजन देता है और अमेरिका की 2% से कम आबादी कृषि में काम करती है। इसी प्रकार, AI हमारे दोहराव वाले कार्यों के पैटर्न सीख सकता है और हमें «महामानव» बनने में मदद कर सकता है। Thrun ने अभूतपूर्व मानवीय रचनात्मकता के युग के आगमन की भविष्यवाणी की, किंतु «आजीवन विद्यार्थी» बनने और परिवर्तनों के अनुकूल होने की आवश्यकता के प्रति भी चेतावनी दी[1]।

Michael Wooldridge (ऑक्सफ़ोर्ड)

Michael Wooldridge ने एक केंद्रीय प्रश्न उठाया: क्या «AI का बुलबुला» है और क्या यह फूटेगा (1996-2001 के dotcom बुलबुले की तरह) या धीरे-धीरे पिचकेगा? उनकी मुख्य चिंता बड़े पैमाने पर सट्टे वाले निवेशों के बाद निराशा से उत्पन्न होने वाली नई «AI-शीतकाल» थी। हालाँकि, उन्होंने सावधानीपूर्वक आशावाद व्यक्त किया: पिछले चक्रों के विपरीत, वर्तमान बुलबुले के नीचे वास्तविक सार विद्यमान है — AI प्रणालियाँ निरंतर प्रगति दर्शा रही हैं और बड़ी कंपनियों ने AI तकनीकों का उत्पादक रूप से उपयोग करना सीख लिया है। Wooldridge ने General AI की दिशा में प्रगति को मापने का प्रश्न भी उठाया और स्वीकार किया कि न वे और न ही कोई अन्य जानता है कि इसे कैसे मापा जाए[1]।

Megan Smith और Susan Altschner

अमेरिका की पूर्व मुख्य प्रौद्योगिकी अधिकारी Megan Smith और Susan Altschner (संयुक्त राष्ट्र में NGO संपर्क सेवा) ने विविधता और समावेशिता के सर्वोपरि महत्त्व पर बल दिया। उन्होंने बताया कि «सामूहिक सचेत और अचेतन पूर्वाग्रह, महत्त्वपूर्ण भेदभावपूर्ण सांस्कृतिक पैटर्न और प्रणालीगत बहिष्करण के सीखे हुए व्यवहार» के कारण मानवता के बहुमत को चर्चा और परियोजना टीमों से बाहर रखा गया है। लेखकों ने कई प्रमुख पहलों का उल्लेख किया: Algorithmic Justice League, हथियार AI पर UN में याचिका, CS for All आंदोलन, AI4All पहल[1]।

पद्धति

रिपोर्ट ने अनेक स्रोतों से आँकड़ों का उपयोग किया[1]:

  • प्रकाशन: Elsevier Scopus — लगभग 7 करोड़ दस्तावेज़ों का डेटाबेस; 1996 से की अवधि के लिए «Computer Science» विषय क्षेत्र में «Artificial Intelligence» कीवर्ड पर क्वेरी[3]।
  • पाठ्यक्रम नामांकन: विश्वविद्यालयों के रिकॉर्ड — UC Berkeley, Carnegie Mellon, Georgia Tech, UIUC, MIT, Stanford, University of Washington[1]।
  • सम्मेलन उपस्थिति: 15 सम्मेलनों के आयोजकों से प्राप्त आँकड़े (AAAI, AAMAS, ACL, CP, CVPR, ECAI, ICAPS, ICRA, ICLR, ICML, IJCAI, IROS, KR, NIPS, UAI)[1]।
  • स्टार्टअप और वित्त पोषण: Crunchbase (श्रेणियों के आधार पर कंपनियों की पहचान के लिए API), VentureSource (वेंचर वित्त पोषण आँकड़े), Sand Hill Econometrics (एकत्रीकरण)[4][5]।
  • श्रम बाज़ार: Indeed.com (देशों के अनुसार AI रोज़गार अवसरों का अनुपात), Monster.com / CEB TalentNeuron (कौशल के अनुसार रोज़गार अवसरों की निरपेक्ष संख्या)[6][7]।
  • रोबोट आयात: International Federation of Robotics, World Robotics Report[8]।
  • GitHub: Google BigQuery के माध्यम से GitHub Archive — AI फ्रेमवर्क रिपॉज़िटरी के लिए WatchEvent की गणना[9]।
  • मीडिया भावना: TrendKite — प्रेस विज्ञप्तियों, वित्तीय समाचारों और शोक संदेशों को फ़िल्टर करके अंग्रेज़ी भाषा के लेखों का वर्गीकरण[10]।
  • Benchmark: LSVRC ImageNet, VQA 1.0, Penn Treebank, WMT / EuroMatrix, SQuAD, Switchboard Hub5'00, TPTP, SAT Competition[1]।

नेतृत्व और लेखक मंडल

AI Index 2017 परियोजना को एक संचालन समिति के मार्गदर्शन में तैयार किया गया[1]:

  • Yoav Shoham (स्टैनफोर्ड विश्वविद्यालय) — अध्यक्ष
  • Raymond Perrault (SRI International)
  • Erik Brynjolfsson (MIT)
  • Jack Clark (OpenAI)
  • Calvin LeGassick — परियोजना प्रबंधक

परामर्श समिति में Michael Bowling, Ernie Davis, Julia Hirschberg, Eric Horvitz, Karen Levy, Alan Mackworth, Tom Mitchell, Sandy Pentland, Chris Re, Daniela Rus, Sebastian Thrun, Hal Varian और Toby Walsh शामिल थे[1]।

भागीदार संगठनों में शामिल थे: Allen Institute for Artificial Intelligence, Crunchbase, Electronic Frontier Foundation, Elsevier, EuroMatrix, Google Brain, Indeed.com, Monster.com, Sand Hill Econometrics, Sinovation Ventures, TrendKite, VentureSource। प्रारंभिक वित्त पोषण Google, Microsoft और Bytedance (Toutiao) ने प्रदान किया, किंतु AI Index अपनी स्वतंत्रता पर बल देता है और नोट करता है कि वह इन संगठनों के विचारों को आवश्यक रूप से प्रतिबिंबित नहीं करता[1]।

ऐतिहासिक महत्त्व

2017 का उद्घाटन AI Index रिपोर्ट आगामी वार्षिक रिपोर्टों की श्रृंखला की नींव बनी, जिन्होंने समय के साथ अपना охват काफी विस्तृत किया — प्रारंभिक चार अनुभागों से लेकर 2024 की रिपोर्ट में नौ विषयगत अध्यायों तक। 2017 की रिपोर्ट के «What's Missing» अनुभाग में ईमानदारी से स्वीकार किए गए कई अंतरों को क्रमिक रूप से संबोधित किया गया: अंतरराष्ट्रीय охват (2018 की रिपोर्ट से शुरू होकर), विविधता के आँकड़े, सरकारी निवेश, क्षेत्रों पर प्रभाव, तथा उत्तरदायी AI और विनियमन[26]। AI Index परियोजना बाद में 2019 में स्थापित Stanford HAI (Human-Centered Artificial Intelligence) संस्थान के तत्त्वावधान में आ गई[1]।

संदर्भ

साहित्य

टिप्पणियाँ

  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_(HI)&oldid=7916"