The 2017 AI Index Report (UR)

From Systems analysis Wiki
Jump to navigation Jump to search

AI Index Report 2017 — AI Index منصوبے کی پہلی (افتتاحی) سالانہ رپورٹ ہے، جو نومبر 2017 میں شائع ہوئی[1]۔ یہ منصوبہ اسٹینفورڈ یونیورسٹی میں One Hundred Year Study on AI (AI100) کے تحت قائم کیا گیا تھا اور یہ مصنوعی ذہانت کے میدان میں سرگرمیوں اور پیش رفت کو ٹریک کرنے کے لیے ایک کھلا غیر منافع بخش منصوبہ ہے۔ 2017 کی رپورٹ AI کی صورتحال سے متعلق ڈیٹا کو منظم طریقے سے یکجا اور مرئی کرنے کی پہلی کوشش تھی، جس میں علمی اور صنعتی سرگرمیوں کا حجم، AI نظاموں کی تکنیکی کارکردگی، ثانوی پیمانے اور انسانی سطح کی جانب پیش رفت شامل تھی۔ مصنفین نے زور دیا کہ AI ٹیکنالوجیز کی صورتحال سے متعلق مناسب ڈیٹا کے بغیر معاشرہ مصنوعی ذہانت سے جڑی بحثوں اور فیصلوں میں «اندھا اڑ رہا ہے»[1]۔

پس منظر اور اہداف

2017 تک مصنوعی ذہانت عالمی گفتگو میں مرکزی مقام حاصل کر چکی تھی اور پریکٹیشنرز، صنعتی رہنماؤں، پالیسی سازوں اور عام عوام کی توجہ اپنی جانب کھینچ رہی تھی۔ AI کا میدان اتنی تیزی سے ترقی کر رہا تھا کہ ماہرین بھی پیش رفت کو سمجھنے اور ٹریک کرنے میں دشواری محسوس کر رہے تھے۔ AI Index کو ایک ایسے آلے کے طور پر تصور کیا گیا جو AI کے بارے میں قیاس آرائیوں یا انفرادی واقعات کی بجائے ڈیٹا پر مبنی باخبر گفتگو کو ممکن بنائے[1]۔

اس منصوبے کا خیال 2015 میں AI100 کی مستقل کمیٹی کی بحثوں کے دوران ابھرا[2]۔ رپورٹ انٹرنیٹ پر آزادانہ دستیاب ڈیٹا اور اصل ڈیٹا دونوں کو یکجا کرتی ہے، اور موجودہ سلسلوں کے مجموعوں سے نئے پیمانے بھی اخذ کرتی ہے۔ رپورٹ تیار کرنے میں استعمال ہونے والا تمام ڈیٹا aiindex.org ویب سائٹ پر عوامی طور پر دستیاب ہے[1]۔

رپورٹ کی ساخت

2017 کی رپورٹ ڈیٹا کے چار بنیادی حصوں اور کئی بحثی سیکشنز پر مشتمل ہے[1]:

  1. سرگرمیوں کا حجم (Volume of Activity) — «کتنا» کے پیمانے: اشاعتیں، کورسز میں داخلہ، کانفرنسوں میں شرکت، اسٹارٹ اپس، فنڈنگ، ملازمتیں، روبوٹس کی درآمد، اوپن سورس سافٹ ویئر، عوامی دلچسپی۔
  2. تکنیکی کارکردگی (Technical Performance) — «کتنا اچھا» کے پیمانے: کمپیوٹر وژن، قدرتی زبان کی پروسیسنگ، تقریر کی پہچان، نظریات کا ثبوت، SAT مسائل کا حل۔
  3. ثانوی پیمانے (Derivative Measures) — رجحانات کے درمیان روابط، «علم گاہ — صنعت» کی حرکیات، AI Vibrancy Index۔
  4. انسانی سطح کی جانب؟ (Towards Human-Level Performance?) — ان کامیابیوں کا ریکارڈ جن میں AI انسانی سطح کے قریب پہنچا یا اسے پار کر گیا۔
  5. کیا غائب ہے؟ (What's Missing?) — رپورٹ کی حدود کا اعتراف اور آئندہ کام کی سمتیں۔
  6. ماہرین کا فورم (Expert Forum) — AI کے سرکردہ ماہرین کے تبصرے۔

سرگرمیوں کا حجم

علمی اشاعتیں

Scopus ڈیٹا بیس (ناشر Elsevier) میں «Computer Science» موضوعی شعبے میں «Artificial Intelligence» کلیدی لفظ کے ساتھ شائع اور انڈیکس شدہ AI سائنسی مضامین کی تعداد 1996 سے 9 گنا سے زیادہ بڑھ گئی[3]۔ موازنے کے طور پر: اسی عرصے میں کمپیوٹر سائنس کے شعبے میں مجموعی اشاعتوں کی تعداد تقریباً 6 گنا بڑھی، جو یہ ظاہر کرتا ہے کہ AI اشاعتوں میں اضافہ محض انفارمیٹکس میں عام دلچسپی کی توسیع کی وجہ سے نہیں، بلکہ مصنوعی ذہانت پر خاص توجہ کے باعث ہے[1]۔

رپورٹ کے وقت Scopus ڈیٹا بیس میں «Artificial Intelligence» کلیدی لفظ کے ساتھ کمپیوٹر سائنس کے 200,000 سے زیادہ مضامین اور مجموعی طور پر انڈیکس شدہ تقریباً 70 ملین دستاویزات میں سے کمپیوٹر سائنس کے تقریباً 5 ملین مضامین موجود تھے[3]۔

تعلیمی کورسز میں داخلہ

مصنوعی ذہانت اور Machine Learning کے تعارفی کورسز میں طلبہ کے داخلے میں تیز رفتار اضافہ دیکھا گیا۔ اسٹینفورڈ یونیورسٹی میں AI کے تعارفی کورس میں داخلہ 1996 سے 11 گنا بڑھ گیا[1]۔ AI کی ذیلی شعبے کے طور پر Machine Learning (ML) کو خاص طور پر الگ کیا گیا کیونکہ داخلے میں خاص تیز اضافہ ہوا اور ML تکنیکوں نے حالیہ AI کامیابیوں میں اہم کردار ادا کیا۔

یونیورسٹی آف کیلیفورنیا برکلے، کارنیگی میلن یونیورسٹی، جارجیا انسٹیٹیوٹ آف ٹیکنالوجی، یونیورسٹی آف الینوائے اربانا-شمپین، میساچوسٹس انسٹیٹیوٹ آف ٹیکنالوجی اور یونیورسٹی آف واشنگٹن سمیت دیگر سرکردہ یونیورسٹیوں میں بھی ایسے ہی رجحانات دیکھے گئے[1]۔ رپورٹ کے مصنفین نے نشاندہی کی کہ یہ ڈیٹا اعلیٰ تعلیم کے منظرنامے کا ایک محدود حصہ ہے اور لازمی نہیں کہ یہ تعلیمی اداروں کی وسیع تر تصویر پیش کرے۔

کانفرنسوں میں شرکت

سرکردہ AI کانفرنسوں (AAAI, AAMAS, ACL, CP, CVPR, ECAI, ICAPS, ICRA, ICLR, ICML, IJCAI, IROS, KR, NIPS, UAI) میں شرکت کے ڈیٹا نے تحقیق کی توجہ کی علامتی استدلال سے Machine Learning اور Deep Learning کی طرف منتقلی کی تصدیق کی[1]۔ Machine Learning کانفرنسوں (NIPS, ICML, ICLR) میں شرکت میں سب سے زیادہ اضافہ دیکھا گیا، جبکہ علامتی طریقوں کی کانفرنسوں (KR, CP, ICAPS) نے ایک مستحکم لیکن نسبتاً محدود برادری کو برقرار رکھا جو مستقل پیش رفت کرتی رہی[1]۔

AI اسٹارٹ اپس

وینچر فنڈنگ کے ساتھ AI نظام تیار کرنے والے فعال امریکی اسٹارٹ اپس کی تعداد 2000 سے 14 گنا بڑھ گئی[4][5]۔ AI کمپنیوں کی شناخت کے لیے Crunchbase کے زمرے (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) استعمال کیے گئے اور پھر VentureSource ڈیٹا بیس سے کراس چیک کیا گیا[1]۔

وینچر فنڈنگ

امریکی AI اسٹارٹ اپس میں سالانہ وینچر سرمایہ کاری کا حجم 2000 سے 6 گنا بڑھ گیا[5]۔ ڈیٹا میں فنڈنگ کے تمام مراحل شامل ہیں اور اسے Sand Hill Econometrics نے VentureSource ڈیٹا بیس کی بنیاد پر یکجا کیا[1]۔

روزگار کی منڈی

دو بڑے آن لائن جاب پلیٹ فارمز — Indeed.com اور Monster.com — کے ڈیٹا نے AI ماہرین کی مانگ میں نمایاں اضافہ ظاہر کیا[6][7]۔

Indeed.com: امریکہ میں پلیٹ فارم پر AI مہارت کی ضرورت والی ملازمتوں کا تناسب 2013 سے 4.5 گنا بڑھ گیا[6]۔ کینیڈا اور برطانیہ میں بھی ایسی ہی تیز رفتار ترقی دیکھی گئی، حالانکہ مطلق حجم کے لحاظ سے ان کی منڈیاں امریکی منڈی کا بالترتیب 5% اور 27% تھیں[1]۔

Monster.com: مطلوبہ مہارتوں (Machine Learning، کمپیوٹر وژن، قدرتی زبان کی پروسیسنگ وغیرہ) کے لحاظ سے AI ملازمتوں کی مطلق تعداد کے تجزیے نے بھی مستحکم ترقی کی تصدیق کی۔ ایک ملازمت بیک وقت کئی مہارتوں کی ضرورت ظاہر کر سکتی تھی[7]۔

روبوٹس کی درآمد

بین الاقوامی روبوٹکس فیڈریشن (IFR) کی World Robotics Report کے سالانہ ڈیٹا نے شمالی امریکہ میں اور عالمی سطح پر صنعتی روبوٹس کی درآمد میں مستحکم اضافہ ظاہر کیا[8]۔ رپورٹ کے مصنفین نے نشاندہی کی کہ یہ تعین کرنے کا کوئی آسان طریقہ موجود نہیں کہ کتنے فیصد روبوٹس «AI» کے طور پر درجہ بندی شدہ سافٹ ویئر استعمال کرتے ہیں اور AI پیش رفت صنعتی روبوٹس کے استعمال میں اضافے میں کس حد تک کردار ادا کرتی ہے[1]۔

اوپن سورس سافٹ ویئر

GitHub پلیٹ فارم پر AI فریم ورکس میں ڈویلپرز کی دلچسپی میں نمایاں اضافہ ہوا۔ بنیادی Machine Learning اور Deep Learning پیکجز — TensorFlow, Scikit-Learn, Keras, PyTorch, Caffe, MXNet, CNTK اور Theano — کے Stars کی تعداد تیزی سے بڑھی[9]۔ Google کا TensorFlow اور Scikit-Learn سب سے مقبول پیکجز کے طور پر نمایاں ہوئے، جبکہ Stars اور Forks کی تعداد کے رجحانات تقریباً یکساں تھے[1]۔

عوامی دلچسپی: میڈیا کا لہجہ

TrendKite سروس کے ڈیٹا کی بنیاد پر مقبول میڈیا میں «Artificial Intelligence» اصطلاح پر مشتمل اشاعتوں کے لہجے کے تجزیے نے مثبت اور منفی مضامین کے تناسب کی حرکیات ظاہر کی[10]۔ TrendKite کلاسیفائر نے انگریزی زبان کے مضامین (پریس ریلیز، مالی خبریں اور سوانح حیات کو نکال کر) کو «مثبت»، «منفی» اور «غیر جانبدار» زمروں میں تقسیم کیا[1]۔

تکنیکی کارکردگی

تکنیکی کارکردگی کا سیکشن کمپیوٹر وژن، قدرتی زبان کی پروسیسنگ، تقریر کی پہچان، نظریات کا ثبوت اور SAT مسائل کے حل جیسے کاموں میں AI نظاموں کی پیش رفت کو ٹریک کرتا ہے[1]۔

کمپیوٹر وژن

اشیاء کی شناخت (Object Detection)

ImageNet ڈیٹاسیٹ پر مبنی Large Scale Visual Recognition Challenge (LSVRC) مقابلے میں 2010 سے 2017 کے درمیان تصویروں کی شناخت میں غلطی کی شرح 28.5% سے کم ہو کر 2.5% سے بھی کم ہو گئی[11]۔ موازنے کے طور پر: انسانی غلطی کی سطح تقریباً 5% تخمینہ کی گئی ہے[12]، یعنی 2017 تک AI نظام اس benchmark پر انسانی سطح سے نمایاں طور پر آگے نکل چکے تھے۔ ImageNet مقابلہ 2017 میں اختتام پذیر ہوا[1]۔

بصری سوال و جواب (Visual Question Answering)

VQA 1.0 dataset پر — تصویروں کے بارے میں سوالات کے کھلے جوابات تشکیل دینے کا کام — AI نظام مستحکم پیش رفت دکھا رہے تھے[13]۔ مصنفین نے نشاندہی کی کہ VQA 1.0 dataset کو پہلے ہی VQA 2.0 نے پیچھے چھوڑ دیا تھا اور یہ واضح نہیں تھا کہ آگے چل کر اصل نسخے پر کتنی توجہ دی جائے گی[1]۔

قدرتی زبان کی پروسیسنگ

نحوی تجزیہ (Parsing)

Penn Treebank کے Wall Street Journal corpus کے سیکشن 23 — معیاری ٹیسٹ سیٹ — پر خودکار parsers نے F1 میٹرک میں مستحکم ترقی دکھائی[14]۔ نتائج 40 الفاظ سے کم لمبے جملوں اور جملوں کے مکمل سیٹ دونوں کے لیے ریکارڈ کیے گئے[1]۔

مشین ترجمہ (Machine Translation)

انگریزی اور جرمن زبانوں کے درمیان خبروں کے ترجمے کے کام پر Workshop on Machine Translation (WMT) کے سالانہ مقابلے میں بہترین نظاموں نے BLEU میٹرک پر مجموعی طور پر اوپر کی طرف رجحان دکھایا[15]۔ BLEU میٹرک — مشینی ترجمے کا انسانوں کے متعدد ترجموں سے موازنہ کرنے کا خودکار طریقہ — 0 سے 1 کے اقدار کے ساتھ precision کا ترمیم شدہ نسخہ ہے۔ اگرچہ BLEU ترجمے کے معیار کی ماہرانہ تشخیص سے ہم آہنگ ہے، لیکن اسے corpus کے درمیان موازنے کے لیے استعمال نہیں کیا جا سکتا، اور نظاموں کے درمیان موازنہ گمراہ کن ہو سکتا ہے[1]۔

2017 میں BLEU اسکور 2016 کے مقابلے میں قابل توجہ حد تک کم ہوئے (اگرچہ 2015 کی سطح سے اوپر رہے)، جس کی وجہ غالباً ٹیسٹ سیٹ کی خصوصیات تھیں نہ کہ مشینی ترجمے کے نظاموں کے معیار میں اصل کمی[15]۔

سوال و جواب (Question Answering)

Stanford Question Answering Dataset (SQuAD) — 500 سے زیادہ مضامین اور 100,000 سوال و جواب کے جوڑے — پر AI نظاموں نے Exact Match (EM) میٹرک میں تیز رفتار ترقی دکھائی، جو اصل جوابات سے بالکل ملتے جلتے جوابات کا فیصد ناپتا ہے[16]۔ SQuAD پر انسانی کارکردگی کی سطح 82.3% تھی[1]۔ جون 2016 میں dataset بنائے جانے کے بعد سے SQuAD اسکور تیزی سے بڑھ رہے تھے۔

تقریر کی پہچان

Switchboard Hub5'00 معیاری dataset — ٹیلیفون گفتگو سے تقریر کی پہچان کا کام — پر Microsoft اور IBM نے 2017 میں «انسانی برابری» کے قریب کارکردگی حاصل کی[17]۔ Word Error Rate (WER) میٹرک — جملے کی لمبائی کے مطابق معمول کی گئی غلطیوں (الفاظ کی تبدیلی، حذف اور اضافے) کی تعداد — کئی برسوں میں کم ہوتی رہی۔ انسانی غلطی کی درست سطح کے بارے میں اختلافات تھے: 5.1% اور 5.9% اور یہاں تک کہ 5% سے کم اقدار بیان کیے گئے، اور رپورٹ میں 5.1% حد استعمال کی گئی[1]۔

مصنفین نے اس بات پر تشویش ظاہر کی کہ Switchboard سیٹ کا طویل استعمال AI نظاموں کی مخصوص ڈیٹا پر اہم حد سے زیادہ تربیت کا باعث بن سکتا ہے[1]۔

نظریات کا ثبوت

Thousands of Problems for Theorem Provers (TPTP) مسائل کے سیٹ پر اوسط «tractability» کو ٹریک کیا گیا — یعنی جدید خودکار نظریہ ثابت کرنے والوں (ATP) کا وہ تناسب جو کسی مسئلے کو حل کر سکتے ہیں[18]۔ ان مسائل کا ذیلی سیٹ تجزیہ کیا گیا جو TPTP v5.0.0 نسخے (2010) کے بعد سے اپ ڈیٹ نہیں ہوئے تھے۔ اس میٹرک کی ایک خاصیت یہ ہے کہ نئے طاقتور ATP نظاموں کا ظہور جو نئے مسائل تو اچھی طرح حل کرتے ہیں لیکن وہ مسائل کم اچھی طرح حل کرتے ہیں جنہیں دیگر نظام حل کر لیتے ہیں، اوسط tractability میں کمی کا باعث بن سکتا ہے[1]۔

SAT مسائل کا حل

SAT Competition کے صنعتی مسائل کے نمونوں پر حل شدہ مسائل کے فیصد میں اضافہ ریکارڈ کیا گیا[19]۔ محققین Holger Hoos اور Kevin Leyton-Brown نے 2007 سے مقابلے میں پیش کیے گئے 1076 مسائل کے نمونوں پر 69 حل کنندگان کو آزمایا، اور درست موازنے کے لیے تمام حل کنندگان کو ایک ہی ہارڈ ویئر پر چلایا[1]۔ مصنفین نے نشاندہی کی کہ کچھ بہتری الگورتھمی پیش رفت کی بجائے انجینئرنگ کامیابیوں کی عکاسی کر سکتی ہے[1]۔

ثانوی پیمانے

«علم گاہ — صنعت» کی حرکیات

علم گاہ اور صنعت میں AI سرگرمی کے درمیان تعلق کے مطالعے کے لیے تین نمائندہ پیمانے منتخب کیے گئے: AI اشاعتوں کی تعداد، اسٹینفورڈ میں AI اور ML کے تعارفی کورسز میں مجموعی داخلہ، اور AI اسٹارٹ اپس میں وینچر سرمایہ کاری کا حجم۔ تمام پیمانوں کو 2000 کے سال کے مقابلے میں معمول کیا گیا[1]۔

تجزیے نے ظاہر کیا کہ ابتدائی طور پر علمی سرگرمی (اشاعتوں اور کورسز میں داخلے) نے مستحکم پیش رفت فراہم کی۔ تقریباً 2010 سے سرمایہ کاروں نے اس شعبے پر توجہ دینا شروع کی، اور 2013 تک وہ مجموعی سرگرمی میں تیز اضافے کی محرک قوت بن گئے۔ اس کے بعد علم گاہ نے صنعت کے «جوش و خروش» کا ساتھ دیا[1]۔

AI Vibrancy Index

AI Vibrancy Index ایک تجرباتی مرکب میٹرک ہے جو AI کے شعبے کی «زندگی» کو مقداری طور پر ناپنے کے لیے اشاعتوں، کورسز میں داخلے اور وینچر سرمایہ کاری کے معمول شدہ اشاریوں کو یکجا کرتا ہے[1]۔ یہ انڈیکس وقت کے ساتھ معمول شدہ پیمانوں کی اوسط کے طور پر حساب کیا گیا اور تیز اضافہ ظاہر کیا جو تینوں اجزاء میں بیک وقت اضافے کی عکاسی کرتا ہے۔ مصنفین نے امید ظاہر کی کہ اس طرح کے ثانوی پیمانے AI Index ڈیٹا کے مزید تجزیے میں دلچسپی پیدا کریں گے[1]۔

انسانی سطح کی جانب

رپورٹ نے قابل اعتماد ایسے واقعات کی فہرست بنائی جن میں کمپیوٹر نظام نے انسانی سطح کی کارکردگی حاصل کی یا اسے پار کیا، اور کئی اہم تحفظات بھی پیش کیے[1]۔

موازنے کی بنیادی حدود: مشینیں اکثر انتہائی مخصوص کاموں میں انسانوں سے بہتر ہوتی ہیں، لیکن حالات میں معمولی تبدیلی پر کارکردگی یکدم گر سکتی ہے۔ مثال کے طور پر، کوئی شخص جو چینی حروف پڑھ سکتا ہے وہ غالباً چینی بولی بھی سمجھتا ہے، چینی ثقافت کے بارے میں کچھ جانتا ہے اور کسی چینی ریستوران میں کھانے کی سفارش کر سکتا ہے۔ AI کے لیے ان میں سے ہر کام کے لیے ایک بالکل الگ نظام کی ضرورت ہوگی[1]۔

کامیابیوں کی اہم سنگ میلیں

کامیابی سال تفصیل
Othello 1980s / 1997 1989 میں BILL پروگرام (Kai-Fu Lee, Sanjoy Mahajan) نے سرکردہ امریکی کھلاڑی Brian Rose کو 56–8 سے شکست دی۔ 1997 میں Logistello پروگرام نے موجودہ عالمی چیمپئن کے خلاف چھ گیموں کے میچ میں تمام گیم جیتے[1]۔
چیکرز 1995 Chinook پروگرام نے موجودہ عالمی چیمپئن کو شکست دی۔ خودبخود سیکھنے والے چیکرز کے پہلے پروگرام Arthur Samuel نے 1952 سے بنانے شروع کیے تھے[1]۔
شطرنج 1997 IBM Deep Blue نے عالمی چیمپئن Garry Kasparov کو شکست دی۔ 1950 کی دہائی میں کچھ سائنسدانوں نے پیش گوئی کی تھی کہ 1967 تک کمپیوٹر عالمی چیمپئن کو ہرا دے گا[20]۔ 2017 تک اسمارٹ فون پر شطرنج کے پروگرام گرینڈ ماسٹر سطح پر کھیلتے تھے[1]۔
Jeopardy! 2011 IBM Watson نظام نے ٹیلی وژن شو کے سابق فاتحین Brad Rutter اور Ken Jennings کو شکست دی اور 1 ملین ڈالر کا انعام جیتا[1]۔
Atari گیمز 2015 Google DeepMind کی ٹیم نے Reinforcement Learning نظام استعمال کرتے ہوئے 49 Atari گیمز کھیلنے کی تربیت دی اور ان میں سے زیادہ تر میں انسانی سطح حاصل کی (مثلاً Breakout)، حالانکہ کچھ گیمز (مثلاً Montezuma's Revenge) ابھی ناقابل رسائی رہے[21]۔
اشیاء کی شناخت (ImageNet) 2016 ImageNet تصویروں کی خودکار درجہ بندی میں غلطی کی شرح 28% (2010) سے کم ہو کر 3% سے بھی کم ہو گئی جبکہ انسانی سطح تقریباً 5% ہے[12]۔
گو 2016–2017 AlphaGo (Google DeepMind) نے مارچ 2016 میں Lee Sedol کو 4–1 سے شکست دی، پھر AlphaGo Master نے مارچ 2017 میں Ke Jie کو شکست دی۔ اکتوبر 2017 میں AlphaGo Zero نے اصل AlphaGo کو 100–0 سے شکست دی[22][23]۔
جلدی کینسر کی درجہ بندی 2017 2,032 بیماریوں کی 129,450 طبی تصویروں پر تربیت یافتہ AI نظام نے جلدی کینسر کی درجہ بندی میں 21 تصدیق شدہ ماہرِ جلدیات کے ہم پلہ مہارت کا مظاہرہ کیا[24]۔
تقریر کی پہچان (Switchboard) 2017 Microsoft اور IBM نے Switchboard dataset پر تقریر کی پہچان کے کام میں «انسانی برابری» کے قریب کارکردگی حاصل کی[17]۔
پوکر 2017 Libratus پروگرام (CMU) نے Texas Hold'em کے بغیر حد کے 120,000 ہاتھوں کے ٹورنامنٹ میں چار سرکردہ کھلاڑیوں کو شکست دی۔ DeepStack پروگرام (یونیورسٹی آف البرٹا) نے ہر ایک کے خلاف 3,000 سے زیادہ ہاتھوں میں 11 پیشہ ور کھلاڑیوں پر اپنی برتری کی شماریاتی اہمیت ثابت کی[25]۔
Ms. Pac-Man 2017 Maluuba ٹیم (جسے Microsoft نے حاصل کیا) نے ایک AI نظام بنایا جس نے Atari 2600 پر 999,900 پوائنٹس کا زیادہ سے زیادہ اسکور حاصل کیا[1]۔

رپورٹ میں کیا غائب ہے

مصنفین نے افتتاحی رپورٹ کی کئی اہم حدود کا کھل کر اعتراف کیا[1]:

تکنیکی کارکردگی

بہت سے اہم تکنیکی شعبے شامل نہیں ہو سکے: مکالماتی نظام (جن کے لیے معیاری benchmark موجود نہیں تھے)، منصوبہ بندی، روبوٹکس میں مسلسل کنٹرول، عام فہم استدلال (common sense reasoning)، سفارشی نظام، معیاری ٹیسٹنگ۔ مصنفین نے خبردار کیا کہ پیش رفت کی ٹریکنگ عام طور پر اچھے نتائج والے شعبوں میں ہوتی ہے، جو AI کی صورتحال کی تشخیص میں امید پرستانہ تعصب پیدا کرتی ہے[1]۔

بین الاقوامی دائرہ کار

رپورٹ کو دیگر ممالک میں قابل ذکر AI سرگرمیوں کے باوجود ضرورت سے زیادہ امریکہ مرکوز تسلیم کیا گیا۔ چین میں سرمایہ کاری اور سرگرمیوں کی سطح کو «حیران کن» قرار دیا گیا لیکن اسے افتتاحی رپورٹ کے دائرے سے باہر بتایا گیا[1]۔

تنوع اور شمولیت

رپورٹ میں جنس، نسل، صنف، نسلی تعلق، جنسی رجحان یا دیگر خصوصیات کے لحاظ سے ڈیٹا کی تقسیم موجود نہیں تھی۔ مصنفین نے اعتراف کیا کہ AI کے بارے میں گفتگو میں کون حصہ لیتا ہے اور مستقبل کی AI تحقیق اور استعمال پر اثرانداز ہونے کی طاقت کس کے پاس ہے، یہ سوالات ٹیکنالوجی اور وینچر صنعتوں میں طاقت کی حرکیات اور امتیاز کی وسیع تر نظاماتی قوتوں سے گہرے طور پر جڑے ہوئے ہیں[1]۔

سرکاری اور کارپوریٹ سرمایہ کاری

وینچر فنڈنگ کا ڈیٹا صرف امریکہ کا احاطہ کرتا تھا اور AI تحقیق و ترقی میں کل سرمایہ کاری کا بہت چھوٹا حصہ پیش کرتا تھا۔ سرکاری اور کارپوریٹ سرمایہ کاری کا ڈیٹا موجود نہیں تھا[1]۔

مخصوص صنعتوں پر اثر

صحت، آٹوموٹیو صنعت، مالیات، تعلیم اور دیگر شعبوں پر AI کے اثر کے پیمانے پیش نہیں کیے گئے[1]۔

سماجی خطرات کو کم کرنا

AI کی حفاظت، پیش گوئی، الگورتھمی انصاف، رازداری اور خودکاری کے اخلاقی نتائج کے مسائل کو شامل نہیں کیا گیا[1]۔

ماہرین کا فورم

رپورٹ میں علم گاہ، صنعت، حکومت اور میڈیا کی نمائندگی کرنے والے سرکردہ ماہرین کے تبصرے شامل تھے[1]۔

Barbara Grosz (ہارورڈ)

Barbara Grosz نے ایسے پیمانے تیار کرنے کی اہمیت پر زور دیا جو AI نظاموں کی تنہا کارکردگی ہی نہیں، بلکہ AI اور انسانوں کے درمیان تعامل کے معیار اور AI نظاموں کے انفرادی اور معاشرتی سطح پر لوگوں پر اثر کو بھی مدنظر رکھیں۔ انہوں نے رپورٹ میں ایک خلا کی جانب توجہ دلائی: قدرتی زبان کی پروسیسنگ کا سیکشن parsing، مشینی ترجمہ اور جواب تلاشی پر محیط تھا، لیکن اس میں مکالماتی نظام شامل نہیں تھے جن کے لیے گفتگو کرنے والے کی ذہنی کیفیت کو مدنظر رکھنا ضروری ہے۔ Grosz نے AI کورسز کا وہ تناسب ٹریک کرنے کی بھی تجویز دی جن میں اخلاقی پہلو شامل ہیں، اور ان کمپنیوں کی تعداد بھی جو یہ سوال کرتی ہیں کہ آیا کوئی مخصوص AI نظام بنانا مناسب ہے[1]۔

Eric Horvitz (Microsoft)

Eric Horvitz نے افتتاحی رپورٹ کی اشاعت کو وسیع تر برادری کو مکالمے میں شامل کرنے کی جانب ایک اہم قدم قرار دیا۔ انہوں نے ثانوی پیمانوں اور AI Vibrancy Index کی قدر کو سراہا اور کارپوریشنوں میں AI ٹیلنٹ کی بھرتی، ساخت اور معاوضے کے ڈیٹا سے موازنے کے ذریعے ان کی توثیق کی تجویز دی۔ Horvitz نے خاص طور پر common sense reasoning میں پیش رفت کی ٹریکنگ کی اہمیت پر زور دیا، جو «ایک چھوٹا بچہ بھی دکھاتا ہے» لیکن جدید AI ٹیکنالوجی کی پہنچ سے باہر رہتا ہے[2]۔

Kai-Fu Lee (Sinovation Ventures)

Kai-Fu Lee نے رپورٹ کے بین الاقوامی دائرے کے خلا کو پُر کرتے ہوئے چین میں AI کی صورتحال کا جائزہ پیش کیا۔ انہوں نے نشاندہی کی کہ چین میں امریکہ یا بھارت کے مقابلے میں تین گنا زیادہ موبائل فون اور انٹرنیٹ صارفین ہیں، اور پیدا ہونے والے ڈیٹا کے حجم میں فرق تین کے عامل سے کہیں زیادہ ہے: چینی امریکیوں سے 50 گنا زیادہ موبائل ادائیگیاں کرتے ہیں، کھانے کی ترسیل کا حجم 10 گنا زیادہ ہے، اور Didi نے ٹریفک مینجمنٹ نظاموں کے ساتھ ڈیٹا کا انضمام شروع کر دیا ہے۔ Lee نے چینی اسٹارٹ اپ Face++ کی مثال دی جس نے کمپیوٹر وژن کے تین مقابلوں میں Google، Microsoft، Facebook اور CMU کو پیچھے چھوڑتے ہوئے پہلی پوزیشن حاصل کی۔ انہوں نے چین کے سٹیٹ کونسل کے جولائی 2017 کے منصوبے کا ذکر کیا جس کا ہدف 2030 تک AI اختراع کا عالمی مرکز بننا ہے اور پیش گوئی کی کہ AI میں امریکہ-چین دوقطبی صورتحال نہ صرف ناگزیر ہے بلکہ پہلے سے موجود ہے[1]۔

Andrew Ng (Coursera، اسٹینفورڈ)

Andrew Ng نے AI کو «نئی بجلی» قرار دیا جو متعدد صنعتوں کو تبدیل کر رہی ہے۔ انہوں نے Deep Learning کے ذریعے AI کی ذیلی شعبوں کی تبدیلی کی ترتیب بیان کی: پہلے تقریر کی پہچان، پھر کمپیوٹر وژن، پھر NLP (جو چیٹ بوٹس کے فروغ کا باعث بنتا ہے)، اور پھر روبوٹکس (نئی مینوفیکچرنگ صلاحیتیں)۔ Ng نے زور دیا کہ AI پالیسی میں زیادہ سمجھدار ممالک تیزی سے آگے بڑھیں گے، جبکہ ناقص اقدامات والے ممالک پیچھے رہنے کا خطرہ مول لیتے ہیں[1]۔

Daniela Rus (MIT)

Daniela Rus نے مثبت تبدیلی کے محرک کے طور پر AI کا پُرامید نظریہ پیش کیا: موسمیاتی تبدیلی کے خلاف جنگ اور تعلیم کی جمہوریت کاری سے لے کر خودمختار گاڑیوں اور ذاتی نوعیت کی صحت تک۔ انہوں نے زور دیا کہ مقبول خیال کے برعکس، AI کم نہیں بلکہ زیادہ اطمینان بخش ملازمتیں پیدا کرے گا، کیونکہ AI اور روبوٹکس سے پیداواریت میں اضافہ لوگوں کو یکجہتی کاموں سے آزاد کرے گا[1]۔

Sebastian Thrun (اسٹینفورڈ، Udacity)

Sebastian Thrun نے ایک تاریخی موازنہ پیش کیا: بھاپ کے انجن کی ایجاد سے پہلے زیادہ تر لوگ کسان تھے اور جسمانی طاقت سے پہچانے جاتے تھے۔ مشینوں نے کسانوں کو «سپرانسانوں» میں بدل دیا — ایک امریکی کسان 155 افراد کو کھانا فراہم کرتا ہے اور امریکہ کی 2% سے بھی کم آبادی زراعت میں کام کرتی ہے۔ اسی طرح AI ہماری دہرائی جانے والی کام کے pattern سیکھ سکتی ہے اور ہمیں «سپرانسان» بننے میں مدد کر سکتی ہے۔ Thrun نے بے مثال انسانی تخلیقیت کے دور کی آمد کی پیش گوئی کی، لیکن خبردار کیا کہ «تاحیات طالب علم» بننے اور تبدیلیوں کے ساتھ ڈھلنا ضروری ہے[1]۔

Michael Wooldridge (آکسفورڈ)

Michael Wooldridge نے مرکزی سوال اٹھایا: کیا «AI بلبلہ» موجود ہے اور کیا یہ پھٹے گا (جیسے 1996-2001 کا ڈاٹ کام بلبلہ) یا آہستہ آہستہ سکڑ جائے گا؟ ان کی بڑی تشویش بڑے پیمانے پر قیاسی سرمایہ کاری کے بعد مایوسی سے جنم لینے والی نئی «AI سردی» تھی۔ تاہم انہوں نے محتاط امید ظاہر کی: پچھلے چکروں کے برعکس، موجودہ بلبلے کے نیچے اصل ٹھوس بنیاد موجود ہے — AI نظام مستحکم پیش رفت دکھا رہے ہیں اور بڑی کمپنیوں نے AI تکنیکوں کو نتیجہ خیز طریقے سے استعمال کرنا سیکھ لیا ہے۔ Wooldridge نے General AI کی جانب پیش رفت کی پیمائش کے سوال پر بھی روشنی ڈالی اور کہا کہ نہ وہ اور نہ کوئی اور جانتا ہے کہ اسے کیسے ناپا جائے[1]۔

Megan Smith اور Susan Alzner

امریکہ کی سابق چیف ٹیکنالوجی آفیسر Megan Smith اور Susan Alzner (اقوام متحدہ میں این جی او رابطہ سروس) نے تنوع اور شمولیت کی اولین اہمیت پر زور دیا۔ انہوں نے اشارہ کیا کہ گفتگو اور پروجیکٹ ٹیموں سے انسانیت کی اکثریت کو «وسیع پیمانے پر شعوری اور لاشعوری تعصب، نمایاں امتیازی ثقافتی patterns اور نظاماتی اخراج کے سیکھے ہوئے رویوں» کی وجہ سے خارج کیا گیا ہے۔ مصنفین نے کئی اہم اقدامات کا حوالہ دیا: Algorithmic Justice League، ہتھیار بند AI پر اقوام متحدہ کی درخواست، CS for All تحریک، AI4All اقدام[1]۔

طریقہ کار

رپورٹ نے متعدد ذرائع کے ڈیٹا استعمال کیے[1]:

  • اشاعتیں: Elsevier Scopus — تقریباً 70 ملین دستاویزات کا ڈیٹا بیس؛ 1996 سے «Computer Science» موضوعی شعبے میں «Artificial Intelligence» کلیدی لفظ کی تلاش[3]۔
  • کورسز میں داخلہ: یونیورسٹیوں کے ریکارڈ — UC Berkeley, Carnegie Mellon, Georgia Tech, UIUC, MIT, Stanford, University of Washington[1]۔
  • کانفرنسوں میں شرکت: 15 کانفرنسوں کے منتظمین سے ڈیٹا (AAAI, AAMAS, ACL, CP, CVPR, ECAI, ICAPS, ICRA, ICLR, ICML, IJCAI, IROS, KR, NIPS, UAI)[1]۔
  • اسٹارٹ اپس اور فنڈنگ: Crunchbase (زمروں کے لحاظ سے کمپنیوں کی شناخت کے لیے API)، VentureSource (وینچر فنڈنگ ڈیٹا)، Sand Hill Econometrics (مجموعہ)[4][5]۔
  • روزگار کی منڈی: Indeed.com (ممالک کے لحاظ سے AI ملازمتوں کا تناسب)، Monster.com / CEB TalentNeuron (مہارتوں کے لحاظ سے ملازمتوں کی مطلق تعداد)[6][7]۔
  • روبوٹس کی درآمد: International Federation of Robotics, World Robotics Report[8]۔
  • GitHub: Google BigQuery کے ذریعے GitHub Archive — AI فریم ورک repositories کے لیے WatchEvent واقعات کی گنتی[9]۔
  • میڈیا کا لہجہ: TrendKite — پریس ریلیز، مالی خبروں اور سوانح حیات کو فلٹر کرتے ہوئے انگریزی زبان کے مضامین کی درجہ بندی[10]۔
  • Benchmarks: LSVRC ImageNet, VQA 1.0, Penn Treebank, WMT / EuroMatrix, SQuAD, Switchboard Hub5'00, TPTP, SAT Competition[1]۔

قیادت اور مصنفین کا گروہ

AI Index 2017 منصوبہ ایک انتظامی کمیٹی کی قیادت میں تیار کیا گیا[1]:

  • Yoav Shoham (اسٹینفورڈ یونیورسٹی) — چیئرمین
  • Raymond Perrault (SRI International)
  • Erik Brynjolfsson (MIT)
  • Jack Clark (OpenAI)
  • Calvin LeGassick — پروجیکٹ مینیجر

مشاورتی کمیٹی میں Michael Bowling، Ernie Davis، Julia Hirschberg، Eric Horvitz، Karen Levy، Alan Mackworth، Tom Mitchell، Sandy Pentland، Chris Re، Daniela Rus، Sebastian Thrun، Hal Varian اور Toby Walsh شامل تھے[1]۔

شراکت دار تنظیموں میں شامل ہیں: Allen Institute for Artificial Intelligence, Crunchbase, Electronic Frontier Foundation, Elsevier, EuroMatrix, Google Brain, Indeed.com, Monster.com, Sand Hill Econometrics, Sinovation Ventures, TrendKite, VentureSource۔ ابتدائی فنڈنگ Google، Microsoft اور Bytedance (Toutiao) نے فراہم کی، تاہم AI Index اپنی آزادی پر زور دیتا ہے اور نوٹ کرتا ہے کہ یہ لازمی نہیں کہ ان تنظیموں کے خیالات کی عکاسی کرے[1]۔

تاریخی اہمیت

AI Index 2017 کی افتتاحی رپورٹ نے سالانہ رپورٹس کے بعد کے سلسلے کی بنیاد رکھی، جس نے وقت کے ساتھ ابتدائی چار حصوں سے 2024 کی رپورٹ میں نو موضوعاتی ابواب تک اپنا دائرہ نمایاں طور پر وسعت دیا۔ 2017 کی رپورٹ کے «What's Missing» سیکشن میں ایمانداری سے تسلیم کی گئی بہت سی خامیوں کو بالترتیب دور کیا گیا: بین الاقوامی دائرہ کار (2018 کی رپورٹ سے شروع)، تنوع کا ڈیٹا، سرکاری سرمایہ کاری، شعبوں پر اثر، اور ذمہ دار AI اور ضابطہ سازی[26]۔ AI Index منصوبہ بعد میں اسٹینفورڈ HAI (Human-Centered Artificial Intelligence) انسٹیٹیوٹ کے تحت آ گیا، جو 2019 میں قائم ہوا[1]۔

حوالہ جات

کتابیات

حواشی

  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_(UR)&oldid=7928"