The 2017 AI Index Report (RO)

From Systems analysis Wiki
Jump to navigation Jump to search

AI Index Report 2017 — primul raport anual inaugural al proiectului AI Index, publicat în noiembrie 2017[1]. Proiectul a fost creat în cadrul inițiativei One Hundred Year Study on AI (AI100) de la Universitatea Stanford și reprezintă un proiect deschis, non-profit, dedicat monitorizării activității și progresului în domeniul inteligenței artificiale. Raportul din 2017 a constituit prima încercare sistematică de agregare și vizualizare a datelor privind starea AI, acoperind volumul activității din academie și industrie, performanța tehnică a sistemelor AI, metricile derivate și progresul către nivelul uman. Autorii subliniază că, fără date relevante despre starea tehnologiilor AI, societatea „zboară orbește" în discuțiile și deciziile legate de inteligența artificială[1].

Premise și obiective

Până în 2017, inteligența artificială ajunsese în prim-planul discursului global, atrăgând atenția practicienilor, liderilor din industrie, factorilor de decizie politică și publicului larg. Domeniul AI evolua atât de rapid, încât chiar și experții aveau dificultăți în înțelegerea și urmărirea progresului. AI Index a fost conceput ca instrument pentru o discuție informată despre AI, bazată pe date, nu pe speculații sau dovezi anecdotice[1].

Ideea proiectului a apărut în cadrul discuțiilor Comitetului Permanent AI100 în 2015[2]. Raportul agregează atât date disponibile public pe internet, cât și date originale, și extrage noi metrici din combinații ale seriilor existente. Toate datele utilizate pentru generarea raportului sunt publicate în acces deschis pe site-ul aiindex.org[1].

Structura raportului

Raportul din 2017 este alcătuit din patru secțiuni principale de date și mai multe secțiuni de discuție[1]:

  1. Volumul activității (Volume of Activity) — metrici de tip „câte": publicații, înscrieri la cursuri, participare la conferințe, startup-uri, finanțare, locuri de muncă, importuri de roboți, software cu sursă deschisă, interes public.
  2. Performanță tehnică (Technical Performance) — metrici de tip „cât de bine": computer vision, procesarea limbajului natural, recunoașterea vorbirii, demonstrarea teoremelor, rezolvarea problemelor SAT.
  3. Metrici derivate (Derivative Measures) — interrelații între tendințe, dinamica „academie — industrie", indicele de vitalitate AI (AI Vibrancy Index).
  4. Pe drumul spre nivelul uman? (Towards Human-Level Performance?) — catalog al realizărilor în care AI s-a apropiat de nivelul uman sau l-a depășit.
  5. Ce lipsește? (What's Missing?) — recunoașterea limitărilor raportului și direcțiile de lucru viitoare.
  6. Forumul experților (Expert Forum) — comentarii ale experților de top în domeniul AI.

Volumul activității

Publicații academice

Numărul articolelor științifice despre AI, publicate și indexate în baza de date Scopus (editura Elsevier) cu cuvântul cheie „Artificial Intelligence" în domeniul „Computer Science", a crescut de peste 9 ori față de 1996[3]. Prin comparație, numărul total al publicațiilor din domeniul informaticii în aceeași perioadă a crescut de aproximativ 6 ori, ceea ce demonstrează că creșterea publicațiilor despre AI nu se datorează pur și simplu expansiunii interesului pentru informatică în general, ci tocmai atenției sporite față de inteligența artificială[1].

La momentul elaborării raportului, baza Scopus conținea peste 200 000 de articole din domeniul informaticii cu cuvântul cheie „Artificial Intelligence" și aproape 5 milioane de articole de informatică în general, dintr-un total de aproximativ 70 de milioane de documente indexate[3].

Înscrieri la cursuri

Numărul studenților înscriși la cursuri introductive de inteligență artificială și Machine Learning înregistra o creștere rapidă. La Universitatea Stanford, înscrierea la cursul introductiv de AI a crescut de 11 ori față de 1996[1]. Machine Learning (ML), ca sub-domeniu al AI, a fost evidențiat separat din cauza creșterii deosebit de rapide a înscrierilor și a rolului critic al tehnicilor ML în realizările recente din AI.

Tendințe similare au fost observate și în alte universități de top: Universitatea California din Berkeley, Universitatea Carnegie Mellon, Institutul de Tehnologie din Georgia, Universitatea Illinois din Urbana-Champaign, Institutul de Tehnologie din Massachusetts și Universitatea Washington[1]. Autorii raportului notează că aceste date reprezintă doar o felie îngustă din peisajul învățământului superior și nu sunt neapărat reprezentative pentru un număr mai larg de instituții.

Participarea la conferințe

Datele privind participarea la principalele conferințe de AI (AAAI, AAMAS, ACL, CP, CVPR, ECAI, ICAPS, ICRA, ICLR, ICML, IJCAI, IROS, KR, NIPS, UAI) au confirmat o deplasare a focusului de cercetare de la raționamentul simbolic către Machine Learning și Deep Learning[1]. Conferințele dedicate Machine Learning (NIPS, ICML, ICLR) înregistrau cea mai semnificativă creștere a participării, în timp ce conferințele dedicate metodelor simbolice (KR, CP, ICAPS) mențineau o comunitate stabilă, dar mai restrânsă, care continua să realizeze progrese constante[1].

Startup-uri în domeniul AI

Numărul startup-urilor americane active care dezvoltau sisteme AI cu finanțare de tip venture capital a crescut de 14 ori față de 2000[4][5]. Pentru identificarea companiilor de AI au fost utilizate categoriile 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), cu verificare încrucișată față de baza de date VentureSource[1].

Finanțare de tip venture capital

Volumul investițiilor anuale de tip venture capital în startup-urile americane din domeniul AI a crescut de 6 ori față de 2000[5]. Datele acoperă toate etapele de finanțare și au fost agregate de compania Sand Hill Econometrics pe baza bazei de date VentureSource[1].

Piața muncii

Datele de la cele două mari platforme de locuri de muncă online — Indeed.com și Monster.com — au arătat o creștere semnificativă a cererii de specialiști în domeniul AI[6][7].

Indeed.com: Ponderea locurilor de muncă care necesitau competențe în domeniul AI pe platformă în SUA a crescut de 4,5 ori față de 2013[6]. O creștere rapidă similară a fost observată în Canada și Marea Britanie, deși ca mărime absolută piețele lor reprezentau respectiv 5% și 27% din cea americană[1].

Monster.com: Analiza numărului absolut de locuri de muncă în AI, defalcat pe competențele solicitate (Machine Learning, Computer Vision, procesarea limbajului natural etc.), a confirmat, de asemenea, o creștere susținută. Un singur loc de muncă putea solicita simultan mai multe competențe[7].

Importuri de roboți

Datele din raportul anual World Robotics Report, elaborat de Federația Internațională de Robotică (IFR), au arătat o creștere constantă a importurilor de roboți industriali atât în America de Nord, cât și la nivel mondial[8]. Autorii raportului notează că nu există o modalitate simplă de a determina ce procent din roboți utilizează software calificat drept „AI" și în ce măsură progresele din domeniul AI contribuie la creșterea utilizării roboților industriali[1].

Software cu sursă deschisă

Interesul dezvoltatorilor față de framework-urile AI pe platforma GitHub a înregistrat o creștere semnificativă. Numărul de stele (Stars) pentru principalele pachete de Machine Learning și Deep Learning — TensorFlow, Scikit-Learn, Keras, PyTorch, Caffe, MXNet, CNTK și Theano — creștea rapid[9]. TensorFlow de la Google și Scikit-Learn au fost evidențiate ca cele mai populare pachete, tendințele privind numărul de stele și fork-uri (Forks) fiind aproape identice[1].

Interesul public: tonalitatea în media

Analiza tonalității publicațiilor din mass-media populară conținând termenul „Artificial Intelligence", pe baza datelor serviciului TrendKite, a evidențiat dinamica raportului dintre articolele pozitive și cele negative[10]. Clasificatorul TrendKite împărțea articolele în limba engleză (excluzând comunicatele de presă, știrile financiare și necrologurile) în categoriile „pozitive", „negative" și „neutre"[1].

Performanță tehnică

Secțiunea de performanță tehnică urmărește progresul sistemelor AI în sarcini de computer vision, procesarea limbajului natural, recunoașterea vorbirii, demonstrarea teoremelor și rezolvarea problemelor SAT[1].

Computer vision

Detectarea obiectelor (Object Detection)

La competiția Large Scale Visual Recognition Challenge (LSVRC) pe baza setului de date ImageNet, rata erorilor în recunoașterea imaginilor a scăzut de la 28,5% la mai puțin de 2,5% în perioada 2010–2017[11]. Prin comparație, nivelul erorii umane este estimat la aproximativ 5%[12], adică până în 2017 sistemele AI depășiseră deja semnificativ nivelul uman pe acest benchmark. Competiția ImageNet s-a încheiat în 2017[1].

Întrebări vizuale cu răspuns (Visual Question Answering)

Pe setul de date VQA 1.0 — sarcina de formulare a răspunsurilor deschise la întrebări despre imagini — sistemele AI demonstrau un progres constant[13]. Autorii notau că setul de date VQA 1.0 fusese deja înlocuit de VQA 2.0 și că nu era clar cât de multă atenție urma să se mai acorde versiunii originale[1].

Procesarea limbajului natural

Analiză sintactică (Parsing)

Pe setul de test standard — secțiunea 23 a corpusului Wall Street Journal din Penn Treebank — analizatorii sintactici automatici înregistrau o creștere constantă a metricii F1[14]. Rezultatele erau înregistrate atât pentru propoziții cu mai puțin de 40 de cuvinte, cât și pentru setul complet de propoziții[1].

Traducere automată (Machine Translation)

La competiția anuală Workshop on Machine Translation (WMT) pentru sarcina de traducere a știrilor între engleză și germană, cele mai bune sisteme înregistrau o tendință generală ascendentă după metrica BLEU[15]. Metrica BLEU — o metodă automată de comparare a traducerii automate cu mai multe traduceri realizate de oameni — reprezintă o versiune modificată a preciziei (precision) cu valori între 0 și 1. Deși BLEU corelează cu evaluările experților privind calitatea traducerii, nu poate fi utilizată pentru comparații între corpusuri, iar compararea între sisteme poate fi înșelătoare[1].

În 2017, scorurile BLEU au scăzut vizibil față de 2016 (deși rămâneau superioare nivelului din 2015), ceea ce se explică probabil prin particularitățile setului de test, nu printr-o scădere reală a calității sistemelor de traducere automată[15].

Întrebări și răspunsuri (Question Answering)

Pe setul de date Stanford Question Answering Dataset (SQuAD) — peste 500 de articole și 100 000 de perechi „întrebare-răspuns" — sistemele AI înregistrau o creștere rapidă a metricii Exact Match (EM), care măsoară procentul de răspunsuri care coincid exact cu cele de referință[16]. Nivelul performanței umane pe SQuAD era de 82,3%[1]. Scorurile pe SQuAD au crescut rapid din momentul creării setului în iunie 2016.

Recunoașterea vorbirii

Pe setul de date standard Switchboard Hub5'00 — sarcina de recunoaștere a vorbirii din convorbiri telefonice — Microsoft și IBM au atins în 2017 o performanță apropiată de „paritatea umană"[17]. Metrica Word Error Rate (WER) — numărul de erori (substituții, ștergeri și inserții de cuvinte), normalizat după lungimea propoziției — a scăzut de-a lungul mai multor ani. Existau controverse cu privire la nivelul exact al erorii umane: erau menționate valori de 5,1% și 5,9%, și chiar sub 5%. Raportul a utilizat pragul de 5,1%[1].

Autorii notau îngrijorarea că utilizarea îndelungată a setului Switchboard poate duce la o supra-ajustare semnificativă a sistemelor AI pe date specifice[1].

Demonstrarea teoremelor

Pe setul de probleme Thousands of Problems for Theorem Provers (TPTP) era urmărită „tractabilitatea" medie — proporția demonstratorilor automatici de teoreme (ATP) moderni capabili să rezolve o problemă[18]. A fost analizat un subset de probleme care nu fuseseră actualizate față de versiunea TPTP v5.0.0 (2010). Metrica are o particularitate: apariția unor noi sisteme ATP puternice, care rezolvă bine problemele noi, dar se descurcă slab cu problemele pe care le rezolvă alte sisteme, poate duce la scăderea tractabilității medii[1].

Rezolvarea problemelor SAT

Pe instanțele industriale de probleme din competiția SAT Competition era înregistrată creșterea procentului de probleme rezolvate[19]. Cercetătorii Holger Hoos și Kevin Leyton-Brown au testat 69 de solvere pe 1076 instanțe de probleme prezentate la competiție începând din 2007, rulând toate solverele pe același hardware pentru o comparație corectă[1]. Autorii notau că o parte din îmbunătățiri poate reflecta realizări de inginerie, nu neapărat progrese algoritmice[1].

Metrici derivate

Dinamica „academie — industrie"

Pentru a studia relația dintre activitatea AI din academie și cea din industrie, au fost alese trei metrici reprezentative: numărul publicațiilor despre AI, numărul total de înscrieri la cursurile introductive de AI și ML de la Stanford, precum și volumul investițiilor de tip venture capital în startup-urile de AI. Toate metricile au fost normalizate față de anul 2000[1].

Analiza a arătat că inițial activitatea academică (publicații și înscrieri la cursuri) a asigurat un progres constant. Începând cu aproximativ 2010, investitorii au început să acorde atenție domeniului, iar până în 2013 au devenit forța motrice a creșterii bruște a activității generale. Ulterior, academia a recuperat „entuziasmul" industriei[1].

Indicele de vitalitate AI (AI Vibrancy Index)

AI Vibrancy Index — o metrică compozită experimentală care agregă indicatorii normalizați privind publicațiile, înscrierile la cursuri și investițiile de tip venture capital pentru a cuantifica „vitalitatea" AI ca domeniu[1]. Indicele era calculat ca media metricilor normalizate în timp și demonstra o creștere abruptă, reflectând creșterea simultană a tuturor celor trei componente. Autorii și-au exprimat speranța că astfel de metrici derivate vor stârni interes pentru analize suplimentare ale datelor AI Index[1].

Pe drumul spre nivelul uman

Raportul a catalogat cazuri credibile în care sistemele informatice au atins sau depășit nivelul uman de performanță, însoțind această catalogare cu o serie de observații importante[1].

Limitări cheie ale comparației: mașinile depășesc adesea oamenii în sarcini înalt specializate, dar performanța poate scădea brusc la cea mai mică modificare a condițiilor. De exemplu, o persoană care citește caractere chinezești înțelege probabil și vorbirea chineză, știe ceva despre cultura chineză și poate recomanda preparate la un restaurant chinezesc. Pentru AI, fiecare dintre aceste sarcini ar necesita un sistem complet separat[1].

Repere ale realizărilor

Realizare An Descriere
Othello 1980s / 1997 În 1989, programul BILL (Kai-Fu Lee, Sanjoy Mahajan) a învins cel mai puternic jucător american Brian Rose (56–8). În 1997, programul Logistello a câștigat toate partidele unui meci din șase jocuri împotriva campionului mondial în exercițiu[1].
Dame 1995 Programul Chinook a înfrânt campionul mondial în exercițiu. Primele programe de dame cu auto-învățare au fost create de Arthur Samuel începând din 1952[1].
Șah 1997 IBM Deep Blue l-a înfrânt pe campionul mondial Garry Kasparov. Unii oameni de știință din anii 1950 preziceau că un calculator va bate campionul mondial până în 1967[20]. Până în 2017, programele de șah pe smartphone-uri jucau la nivel de mare maestru[1].
Jeopardy! 2011 Sistemul IBM Watson a înfrânt foștii câștigători ai emisiunii TV Brad Rutter și Ken Jennings, câștigând premiul principal de 1 milion de dolari[1].
Jocuri Atari 2015 Echipa Google DeepMind a folosit un sistem de Reinforcement Learning pentru a antrena jocul la 49 de jocuri Atari, atingând nivelul uman în majoritatea lor (de exemplu, Breakout), deși unele jocuri (de exemplu, Montezuma's Revenge) rămâneau inaccesibile[21].
Detectarea obiectelor (ImageNet) 2016 Rata erorilor la clasificarea automată a imaginilor ImageNet a scăzut de la 28% (2010) la mai puțin de 3%, față de nivelul uman de aproximativ 5%[12].
Go 2016–2017 AlphaGo (Google DeepMind) l-a înfrânt pe Lee Sedol cu 4–1 în martie 2016, apoi AlphaGo Master l-a înfrânt pe Ke Jie în martie 2017. În octombrie 2017, AlphaGo Zero a înfrânt AlphaGo-ul original cu scorul de 100–0[22][23].
Clasificarea cancerului de piele 2017 Un sistem AI antrenat pe 129 450 de imagini clinice a 2 032 de boli a demonstrat un nivel de competență în clasificarea cancerului de piele comparabil cu cel al 21 de dermatologi certificați[24].
Recunoașterea vorbirii (Switchboard) 2017 Microsoft și IBM au atins o performanță apropiată de „paritatea umană" în sarcina de recunoaștere a vorbirii pe setul Switchboard[17].
Poker 2017 Programul Libratus (CMU) a înfrânt patru jucători de top într-un turneu de 120 000 de mâini de Texas Hold'em cu miză nelimitată. Programul DeepStack (Universitatea Alberta) a demonstrat semnificația statistică a superiorității sale față de 11 profesioniști în peste 3 000 de mâini fiecare[25].
Ms. Pac-Man 2017 Echipa Maluuba (achiziționată de Microsoft) a creat un sistem AI care a atins scorul maxim de 999 900 de puncte pe Atari 2600[1].

Ce lipsește din raport

Autorii au recunoscut deschis o serie de limitări semnificative ale raportului inaugural[1]:

Performanță tehnică

Nu au fost acoperite multe domenii tehnice importante: sistemele de dialog (pentru care nu existau benchmark-uri standardizate), planificarea, controlul continuu în robotică, raționamentul de bun simț (common sense reasoning), sistemele de recomandare, testarea standardizată. Autorii avertizau că urmărirea progresului se realizează de obicei în domeniile cu rezultate bune, ceea ce creează un decalaj optimist în evaluarea stării AI[1].

Acoperire internațională

Raportul a fost recunoscut ca excesiv de centrat pe SUA, în ciuda activității AI semnificative din alte țări. Nivelul investițiilor și activității din China a fost descris drept „uimitor", dar depășind cadrul raportului inaugural[1].

Diversitate și incluziune

Raportul nu conținea o defalcare a datelor pe gen, rasă, etnie, orientare sexuală sau alte caracteristici. Autorii au recunoscut că întrebările despre cine participă la discuțiile despre AI și cine deține puterea de a influența cercetarea și implementarea viitoare a AI sunt strâns legate de dinamicile de putere din industriile de tehnologie și venture capital, precum și de forțele sistemice mai largi ale discriminării[1].

Investițiile publice și corporative

Datele privind finanțarea de tip venture capital acopereau doar SUA și reprezentau o parte foarte mică din totalul investițiilor în cercetare și dezvoltare în domeniul AI. Datele privind investițiile publice și corporative lipseau[1].

Impactul asupra sectoarelor specifice

Metricile privind impactul AI asupra sănătății, industriei auto, finanțelor, educației și altor sectoare verticale nu au fost prezentate[1].

Reducerea riscurilor sociale

Probleme de siguranță AI, predictibilitate, corectitudine algoritmică, confidențialitate și consecințe etice ale automatizării nu au fost abordate[1].

Forumul experților

Raportul includea comentariile experților de top reprezentând academia, industria, guvernul și mass-media[1].

Barbara Grosz (Harvard)

Barbara Grosz a subliniat importanța elaborării de metrici care să țină cont nu doar de performanța sistemelor AI în izolare, ci și de calitatea interacțiunii AI cu oamenii și de impactul sistemelor AI asupra oamenilor atât individual, cât și la nivelul societății. Ea a atras atenția asupra unui decalaj din raport: secțiunea privind procesarea limbajului natural acoperea analiza sintactică, traducerea automată și căutarea de răspunsuri, dar nu includea sistemele de dialog, care necesită luarea în considerare a stării mentale a interlocutorului. Grosz a îndemnat, de asemenea, să fie urmărită proporția cursurilor de AI care includ aspecte etice și numărul companiilor care se întreabă dacă ar trebui să creeze deloc un anumit sistem AI[1].

Eric Horvitz (Microsoft)

Eric Horvitz a numit publicarea raportului inaugural un pas critic în implicarea comunității mai largi în dialog. A evidențiat valoarea secțiunii de metrici derivate și a AI Vibrancy Index, propunând validarea acestora prin corelarea cu date privind angajarea, componența și remunerarea talentelor AI din corporații. Horvitz a subliniat în special importanța urmăririi progresului în domeniul raționamentului de bun simț (common sense reasoning), „pe care chiar și un copil mic îl demonstrează", dar care rămâne în afara posibilităților tehnologiilor AI actuale[2].

Kai-Fu Lee (Sinovation Ventures)

Kai-Fu Lee a completat golul raportului în privința acoperirii internaționale, prezentând o privire de ansamblu asupra stării AI în China. El a notat că China are de trei ori mai multe telefoane mobile și utilizatori de internet decât SUA sau India, iar decalajul în volumele de date generate depășește semnificativ factorul trei: chinezii efectuează plăți mobile de 50 de ori mai des decât americanii, volumul livrărilor de mâncare este de 10 ori mai mare, iar compania Didi a început deja să integreze datele cu sistemele de management al traficului. Lee a dat exemplul startup-ului chinez Face++, care a ocupat primul loc în trei competiții de computer vision, depășind Google, Microsoft, Facebook și CMU. A indicat planul Consiliului de Stat al RPC din iulie 2017 de a deveni centrul mondial al inovației în AI până în 2030 și a prezis că dualismul american-chinez în AI nu este doar inevitabil, ci a sosit deja[1].

Andrew Ng (Coursera, Stanford)

Andrew Ng a caracterizat AI drept „noul curent electric\", transformând numeroase industrii. El a descris succesiunea transformării sub-domeniilor AI prin Deep Learning: mai întâi recunoașterea vorbirii, apoi computer vision, apoi NLP (ceea ce duce la înflorirea chat-bot-urilor), și apoi robotica (noi posibilități de producție). Ng a subliniat că țările cu politici mai înțelepte în domeniul AI vor progresa mai rapid, iar țările cu măsuri prost gândite riscă să rămână în urmă[1].

Daniela Rus (MIT)

Daniela Rus a prezentat o viziune optimistă despre AI ca vector al schimbărilor pozitive: de la combaterea schimbărilor climatice și democratizarea educației până la vehiculele autonome și asistența medicală personalizată. Ea a subliniat că, în ciuda percepției comune, AI va duce la locuri de muncă mai satisfăcătoare, nu mai puține, deoarece creșterea productivității determinată de AI și robotică va elibera oamenii de sarcinile monotone[1].

Sebastian Thrun (Stanford, Udacity)

Sebastian Thrun a trasat o paralelă istorică: înainte de inventarea mașinii cu aburi, majoritatea oamenilor erau fermieri, definiți de forța fizică. Mașinile i-au transformat pe fermieri în „superoameni" — un fermier american hrănește 155 de persoane, iar mai puțin de 2% din populația SUA lucrează în agricultură. În mod similar, AI poate învăța tiparele muncii noastre repetitive și ne poate ajuta să devenim „superoameni". Thrun a prezis sosirea unei ere a creativității umane fără precedent, dar a avertizat că este necesară dorința de a fi „elevi pe tot parcursul vieții" și de a ne adapta la schimbări[1].

Michael Wooldridge (Oxford)

Michael Wooldridge a pus întrebarea centrală: există o „bulă AI" și va exploda aceasta (similar balonului dot-com din 1996–2001) sau se va dezumfla lin? Principala sa îngrijorare era o nouă „iarnă AI", provocată de dezamăgire după investițiile speculative masive. Cu toate acestea, și-a exprimat un optimism prudent: spre deosebire de ciclurile anterioare, sub bula actuală există o substanță reală — sistemele AI demonstrează progrese constante, iar companiile mari au învățat să utilizeze productiv tehnicile AI. Wooldridge a ridicat, de asemenea, problema măsurării progresului în direcția AI general (General AI), notând că nici el, nici altcineva nu știe cum să măsoare acest lucru[1].

Megan Smith și Susan Alzner

Fosta directoare tehnologică a SUA Megan Smith și Susan Alzner (Serviciul de legătură cu ONG-urile la ONU) au subliniat importanța primordială a diversității și incluziunii. Ele au arătat că din conversație și din echipele de proiect este exclusă majoritatea omenirii din cauza „prejudecăților masive conștiente și inconștiente, a tiparelor culturale discriminatorii semnificative și a comportamentului asimilat al excluderii sistemice". Autorii au făcut referire la o serie de inițiative cheie: Algorithmic Justice League, petiția la ONU privind armamentul AI, mișcarea CS for All, inițiativa AI4All[1].

Metodologie

Raportul a utilizat date din multiple surse[1]:

  • Publicații: Elsevier Scopus — bază de date cu aproape 70 de milioane de documente; interogări după cuvântul cheie „Artificial Intelligence" în domeniul „Computer Science" pentru perioada de după 1996[3].
  • Înscrieri la cursuri: Înregistrări universitare — UC Berkeley, Carnegie Mellon, Georgia Tech, UIUC, MIT, Stanford, University of Washington[1].
  • Participare la conferințe: Date de la organizatorii a 15 conferințe (AAAI, AAMAS, ACL, CP, CVPR, ECAI, ICAPS, ICRA, ICLR, ICML, IJCAI, IROS, KR, NIPS, UAI)[1].
  • Startup-uri și finanțare: Crunchbase (API pentru identificarea companiilor după categorii), VentureSource (date privind finanțarea venture capital), Sand Hill Econometrics (agregare)[4][5].
  • Piața muncii: Indeed.com (ponderea locurilor de muncă AI pe țări), Monster.com / CEB TalentNeuron (numărul absolut de locuri de muncă pe competențe)[6][7].
  • Importuri de roboți: International Federation of Robotics, World Robotics Report[8].
  • GitHub: GitHub Archive prin Google BigQuery — numărul evenimentelor WatchEvent pentru depozitele framework-urilor AI[9].
  • Tonalitatea media: TrendKite — clasificarea articolelor în limba engleză cu filtrarea comunicatelor de presă, știrilor financiare și necrologurilor[10].
  • Benchmark-uri: LSVRC ImageNet, VQA 1.0, Penn Treebank, WMT / EuroMatrix, SQuAD, Switchboard Hub5'00, TPTP, SAT Competition[1].

Conducere și colectivul de autori

Proiectul AI Index 2017 a fost elaborat sub conducerea unui comitet director[1]:

  • Yoav Shoham (Universitatea Stanford) — președinte
  • Raymond Perrault (SRI International)
  • Erik Brynjolfsson (MIT)
  • Jack Clark (OpenAI)
  • Calvin LeGassick — manager de proiect

Comitetul consultativ îi includea pe Michael Bowling, Ernie Davis, Julia Hirschberg, Eric Horvitz, Karen Levy, Alan Mackworth, Tom Mitchell, Sandy Pentland, Chris Ré, Daniela Rus, Sebastian Thrun, Hal Varian și Toby Walsh[1].

Printre organizațiile partenere se numărau: Allen Institute for Artificial Intelligence, Crunchbase, Electronic Frontier Foundation, Elsevier, EuroMatrix, Google Brain, Indeed.com, Monster.com, Sand Hill Econometrics, Sinovation Ventures, TrendKite, VentureSource. Finanțarea inițială a fost asigurată de Google, Microsoft și Bytedance (Toutiao), însă AI Index își subliniază independența și notează că nu reflectă neapărat opiniile acestor organizații[1].

Semnificație istorică

Raportul inaugural AI Index 2017 a pus bazele seriei ulterioare de rapoarte anuale, care cu timpul și-au extins considerabil acoperirea — de la patru secțiuni inițiale la nouă capitole tematice în raportul din 2024. Multe dintre lacunele recunoscute cu onestitate în secțiunea „What's Missing" a raportului din 2017 au fost abordate succesiv: acoperirea internațională (începând cu raportul din 2018), date privind diversitatea, investițiile publice, impactul asupra sectoarelor verticale, precum și AI responsabil și reglementare[26]. Proiectul AI Index a trecut ulterior sub egida Stanford HAI (Human-Centered Artificial Intelligence), înființat în 2019[1].

Referințe

Bibliografie

Note

  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_(RO)&oldid=7923"