The 2018 AI Index Report (BN)
AI Index Report 2018 — AI Index-এর দ্বিতীয় বার্ষিক সংস্করণ, যা স্ট্যানফোর্ড বিশ্ববিদ্যালয়ের AI Index পরিচালনা কমিটি কর্তৃক ২০১৮ সালের ডিসেম্বরে প্রস্তুত করা হয়েছিল[1]। AI Index প্রকল্পের লক্ষ্য হলো কৃত্রিম বুদ্ধিমত্তা সংক্রান্ত আলোচনাকে বস্তুনিষ্ঠ তথ্য দিয়ে সমৃদ্ধ করা। ২০১৮ সালের রিপোর্টটি প্রথম সংস্করণ (২০১৭) থেকে আলাদা, কারণ এতে বৈশ্বিক охват উল্লেখযোগ্যভাবে বিস্তৃত করা হয়েছে: আগের রিপোর্টটি মূলত উত্তর আমেরিকার বিষয়াবলিতে কেন্দ্রীভূত ছিল, অথচ ২০১৮ সালের সংস্করণটি ইউরোপ, চীন, দক্ষিণ কোরিয়া, জাপান এবং বিশ্বের অন্যান্য অঞ্চলের তথ্য অন্তর্ভুক্ত করার চেষ্টা করেছে। রিপোর্টটি AI-সংক্রান্ত তথ্য অনুসরণ করে, শ্রেণিবদ্ধ করে এবং দৃশ্যমান করে তোলে, নীতিনির্ধারক, গবেষক, নির্বাহী, সাংবাদিক ও সাধারণ জনগণের জন্য তথ্য সরবরাহ করে।
রিপোর্টের কাঠামো
২০১৮ সালের রিপোর্টটি চারটি প্রধান বিভাগ নিয়ে গঠিত[1]:
- তথ্য: কার্যক্রমের পরিমাণ (Volume of Activity) — প্রকাশনা, কোর্সে নিবন্ধন, সম্মেলনে অংশগ্রহণ, রোবোটিক্স সফটওয়্যার ডাউনলোড, স্টার্টআপ ও বিনিয়োগ, চাকরির শূন্যপদ, পেটেন্ট, কোম্পানিতে AI-এর প্রয়োগ, আয় প্রতিবেদনে উল্লেখ, রোবট স্থাপন, ওপেন সোর্স প্রকল্প, জনসাধারণের আগ্রহ।
- তথ্য: কারিগরি কার্যক্ষমতা (Technical Performance) — কম্পিউটার ভিশন, প্রাকৃতিক ভাষা প্রক্রিয়াকরণ, মেশিন ট্রান্সলেশন, প্রশ্নোত্তর ব্যবস্থা।
- অতিরিক্ত মেট্রিক (Other Measures) — ব্যুৎপন্ন সূচক, সরকারি উদ্যোগ, মানবিক সক্ষমতার স্তরে অর্জন।
- পরিশিষ্ট (Appendix) — উৎস, পদ্ধতি ও সূক্ষ্মতার সম্পূর্ণ বিবরণ।
রিপোর্টের মূল উপসংহার
২০১৮ সালের রিপোর্টের লেখকরা বেশ কয়েকটি প্রধান বক্তব্য উপস্থাপন করেছেন[1]:
AI একটি বৈশ্বিক ঘটনা
২০১৭ সালে Scopus ডেটাবেসে AI-সংক্রান্ত ৮৩% নিবন্ধ মার্কিন যুক্তরাষ্ট্রের বাইরের লেখকদের দ্বারা প্রকাশিত হয়েছিল। সমস্ত AI নিবন্ধের ২৮% ইউরোপ থেকে এসেছিল — বিশ্বের সকল অঞ্চলের মধ্যে সর্বোচ্চ। AI ও Machine Learning কোর্সে শিক্ষার্থীদের নিবন্ধন সারা বিশ্বে বাড়ছিল, বিশেষত চীনের সিংহুয়া বিশ্ববিদ্যালয়ে, যেখানে ২০১৭ সালে AI ও ML কোর্সে মোট নিবন্ধন ২০১০ সালের তুলনায় ১৬ গুণ বেশি ছিল[1]।
AI-এর কার্যকলাপ প্রায় সর্বত্র বৃদ্ধি পাচ্ছে
প্রকাশনা, কোর্স, সম্মেলন, স্টার্টআপ, ভেঞ্চার ফান্ডিং, পেটেন্ট এবং অন্যান্য মেট্রিকে প্রবৃদ্ধি লক্ষ্য করা যাচ্ছে। প্রযুক্তিগত কার্যক্ষমতা সকল দিক থেকে উন্নত হচ্ছে[1]।
Machine Learning AI-এর উপক্ষেত্র হিসেবে আধিপত্য বিস্তার করছে
২০১৭ সালে Scopus-এ AI নিবন্ধের ৫৬% "Machine Learning এবং সম্ভাব্যতামূলক যুক্তি" বিভাগের অন্তর্গত ছিল (২০১০ সালের ২৮%-এর তুলনায়)। ML-এর প্রাথমিক কোর্সে নিবন্ধন সাধারণভাবে AI কোর্সের তুলনায় দ্রুত বাড়ছিল। Machine Learning-এ নিবেদিত NeurIPS এবং ICML সম্মেলনে সর্বাধিক উপস্থিতি বৃদ্ধি দেখা গেছে[2]।
লিঙ্গগত বৈচিত্র্য একটি গুরুত্বপূর্ণ সমস্যা হয়ে দাঁড়িয়ে আছে
শীর্ষস্থানীয় বিশ্ববিদ্যালয়গুলোতে (UC Berkeley, Stanford, UIUC, CMU, University College London, Oxford, ETH Zurich) গড়ে ৮০% AI অধ্যাপক পুরুষ ছিলেন। মার্কিন যুক্তরাষ্ট্রে AI-সংক্রান্ত পদে গড়ে ৭১% চাকরিপ্রার্থী পুরুষ ছিলেন[1]।
বিভাগ ১. কার্যক্রমের পরিমাণ: গবেষণা
প্রকাশনা
Scopus প্ল্যাটফর্মে AI নিবন্ধের সংখ্যা ১৯৯৬ সাল থেকে ৭ গুণ বৃদ্ধি পেয়েছে, তবে একই সময়কালে কম্পিউটার বিজ্ঞান (Computer Science) নিবন্ধ ৫ গুণ বৃদ্ধি পেয়েছে। এটি প্রমাণ করে যে AI প্রকাশনার প্রবৃদ্ধি শুধু কম্পিউটার বিজ্ঞানের প্রতি সাধারণ আগ্রহের কারণে নয়, বরং এর নিজস্ব গতিশীলতাও রয়েছে[2]।
আঞ্চলিক বিতরণ। ইউরোপ ধারাবাহিকভাবে AI প্রকাশনার বৃহত্তম অঞ্চল হয়ে রয়েছে: ২০১৭ সালে Scopus-এ ২৮% AI নিবন্ধ ইউরোপীয় লেখকদের সাথে সংযুক্ত ছিল, এরপর ছিল চীন (২৫%) এবং মার্কিন যুক্তরাষ্ট্র (১৭%)। এর পাশাপাশি, ২০০৭ থেকে ২০১৭ সালের মধ্যে চীন থেকে প্রকাশনার সংখ্যা ১৫০% বৃদ্ধি পেয়েছে[2]।
উপবিভাগ। নিউরাল নেটওয়ার্ক বিভাগে সর্বাধিক প্রবৃদ্ধি দেখা গেছে: ২০১০–২০১৪ সালে বার্ষিক গড় প্রবৃদ্ধির হার (CAGR) ছিল ৩% এবং ২০১৪–২০১৭ সালে ৩৭%। arXiv প্ল্যাটফর্মে নিবন্ধগুলোও দ্রুত প্রবৃদ্ধি দেখিয়েছে: কম্পিউটার ভিশন এবং প্যাটার্ন রিকগনিশন ২০১৪ সাল থেকে arXiv-এ AI-এর বৃহত্তম উপবিভাগ হয়ে উঠেছে[3]।
সেক্টরভিত্তিক পরিচিতি। চীনা সরকারি সংস্থার সাথে সংযুক্ত AI নিবন্ধের সংখ্যা ২০০৭ থেকে ২০১৭ সালের মধ্যে ৪০০% বৃদ্ধি পেয়েছে, অথচ চীন থেকে কর্পোরেট প্রকাশনা মাত্র ৭৩% বৃদ্ধি পেয়েছে। মার্কিন যুক্তরাষ্ট্রে, বিপরীতে, কর্পোরেট প্রকাশনার অংশ উল্লেখযোগ্যভাবে বেশি ছিল: ২০১৭ সালে মার্কিন যুক্তরাষ্ট্রে কর্পোরেট AI নিবন্ধের অনুপাত চীনের তুলনায় ৬.৬ গুণ এবং ইউরোপের তুলনায় ৪.১ গুণ বেশি ছিল[2]।
উদ্ধৃতি হার। মার্কিন লেখকরা বৈশ্বিক গড়ের চেয়ে ৮৩% বেশি উদ্ধৃত হয়েছেন। যদিও ইউরোপ প্রকাশনার নিরঙ্কুশ সংখ্যায় এগিয়ে ছিল, তবু তার উদ্ধৃতির হার বৈশ্বিক গড়ের স্তরে থেকেছে। চীন তার উদ্ধৃতির হার উল্লেখযোগ্যভাবে উন্নত করেছে: ২০১৬ সালে চীনা লেখকরা ২০০০ সালের তুলনায় ৪৪% বেশি উদ্ধৃত হয়েছেন[2]।
লেখকদের গতিশীলতা। গতিশীল লেখকরা (নিজেদের আবাসিক অঞ্চলের বাইরে প্রকাশ করেন) স্থির (sedentary) লেখকদের তুলনায় উচ্চতর উদ্ধৃতি হার ও উৎপাদনশীলতা প্রদর্শন করেছেন। তিনটি অঞ্চলের মধ্যে চীনে স্থির লেখকদের অনুপাত সর্বাধিক ছিল (৭৬%), এরপর ইউরোপ (৫২%) এবং মার্কিন যুক্তরাষ্ট্র (৩৮%)[2]।
AAAI সম্মেলন। AAAI 2018 সম্মেলনে দাখিল করা প্রায় ৭০% এবং গৃহীত ৬৭% নিবন্ধ মার্কিন যুক্তরাষ্ট্র বা চীনের সাথে সংযুক্ত ছিল। যদিও চীন সর্বাধিক সংখ্যক নিবন্ধ দাখিল করেছিল, তথাপি মার্কিন যুক্তরাষ্ট্র ও চীনের গৃহীত কাজের সংখ্যা প্রায় সমান ছিল (যথাক্রমে ২৬৮ এবং ২৬৫)। মার্কিন যুক্তরাষ্ট্রের গ্রহণের হার ছিল ২৯%, চীনের ছিল ২১%[4]।
কোর্সে নিবন্ধন
মার্কিন বিশ্ববিদ্যালয়। ২০১৭ সালে ML-এর প্রাথমিক কোর্সে নিবন্ধন ২০১২ সালের তুলনায় ৫ গুণ বেশি ছিল। UC Berkeley-তে এই বৃদ্ধি ছিল ৬.৮ গুণ। AI-এর প্রাথমিক কোর্সে নিবন্ধন একই সময়কালে ৩.৬ গুণ বৃদ্ধি পেয়েছে। এর পাশাপাশি, Stanford এবং Berkeley-তে AI ও ML-এর প্রাথমিক কোর্সে ৭৪–৭৯% শিক্ষার্থী ছিলেন পুরুষ[1]।
আন্তর্জাতিক বিশ্ববিদ্যালয়। ২০১৭ সালে সিংহুয়া বিশ্ববিদ্যালয়ে AI+ML কোর্সে মোট নিবন্ধন ২০১০ সালের তুলনায় ১৬ গুণ বেশি ছিল। এডিনবরা বিশ্ববিদ্যালয়, USTC ও SJTU (চীন), PUC (চিলি) এবং অন্যান্য বিশ্ববিদ্যালয়েও প্রবৃদ্ধি দেখা গেছে[1]।
সম্মেলনে অংশগ্রহণ
বড় সম্মেলন। NeurIPS এবং ICML সর্বাধিক প্রবৃদ্ধি প্রদর্শন করেছে: ২০১৮ সালে NeurIPS-এর উপস্থিতি ২০১২ সালের তুলনায় ৪.৮ গুণ এবং ICML-এর ৬.৮ গুণ বেশি ছিল। এটি Machine Learning-এর প্রতি অব্যাহত আগ্রহকে প্রতিফলিত করেছিল[1]।
ছোট সম্মেলন। ২০১৮ সালে ICLR (International Conference on Learning Representations)-এর উপস্থিতি ২০১২ সালের তুলনায় ২০ গুণ বেশি ছিল — সম্ভবত Deep Learning এবং Reinforcement Learning-এর প্রতি ক্রমবর্ধমান আগ্রহের ফলে[1]।
| সম্মেলন | উপস্থিতি (২০১৮, আনুমানিক) | ২০১২ সাল থেকে প্রবৃদ্ধি |
|---|---|---|
| NeurIPS | ~8 000 | 4,8x |
| CVPR | ~6 500 | 2,5x |
| ICML | ~5 000 | 6,8x |
| ICLR | ~2 000 | 20x |
| IJCAI | ~3 000 | 1,5x |
| AAAI | ~3 500 | 2,0x |
অন্তর্ভুক্তি সংগঠন। Women in Machine Learning (WiML) কর্মশালায় নিবন্ধন ২০১৪ সাল থেকে ৬০০% বৃদ্ধি পেয়েছে। AI4ALL (AI-তে বৈচিত্র্য বৃদ্ধির উদ্যোগ)-এর স্নাতকদের সংখ্যা ২০১৫ সাল থেকে ৯০০% বৃদ্ধি পেয়েছে[5][6]।
রোবোটিক্স সফটওয়্যার ডাউনলোড
ROS.org সাইট থেকে ROS (Robot Operating System) প্যাকেজের অনন্য ডাউনলোড ২০১৪ সাল থেকে ৫৬৭% বৃদ্ধি পেয়েছে। ২০১৭ সালে চীন থেকে ROS.org-এর পেজভিউ ২০১২ সালের তুলনায় ১৮ গুণ বেশি ছিল[7]।
শিক্ষা জগতে লিঙ্গগত বৈচিত্র্য
বিশ্বের সাতটি শীর্ষস্থানীয় বিশ্ববিদ্যালয়ে AI অনুষদের বিশ্লেষণে দেখা গেছে যে গড়ে ৮০% AI অধ্যাপক পুরুষ ছিলেন। এর মধ্যে ছিল UC Berkeley, Stanford, UIUC, CMU, University College London, Oxford এবং ETH Zurich। অঞ্চলগুলোর মধ্যে উল্লেখযোগ্য পার্থক্য পাওয়া যায়নি[1]।
বিভাগ ২. কার্যক্রমের পরিমাণ: শিল্প
স্টার্টআপ ও বিনিয়োগ
মার্কিন যুক্তরাষ্ট্রে ভেঞ্চার ক্যাপিটাল-সমর্থিত সক্রিয় AI স্টার্টআপের সংখ্যা ২০১৫ সালের জানুয়ারি থেকে ২০১৮ সালের জানুয়ারির মধ্যে ১১৩% বৃদ্ধি পেয়েছে, অথচ মোট স্টার্টআপের সংখ্যা মাত্র ২৮% বৃদ্ধি পেয়েছে[8]।
মার্কিন যুক্তরাষ্ট্রে AI স্টার্টআপের ভেঞ্চার ফান্ডিং ২০১৩ থেকে ২০১৭ সালের মধ্যে ৩৫০% বৃদ্ধি পেয়েছে, অথচ একই সময়কালে মোট ভেঞ্চার ফান্ডিং ১০০% বৃদ্ধি পেয়েছে[8]।
চাকরির শূন্যপদ
Deep learning ছিল সবচেয়ে দ্রুত চাহিদা বৃদ্ধি পাওয়া দক্ষতা: ২০১৫ থেকে ২০১৭ সালের মধ্যে Deep learning দক্ষতার প্রয়োজন এমন পদের সংখ্যা ৩৪ গুণ বৃদ্ধি পেয়েছে। নিরঙ্কুশ পরিমাণে Machine Learning সবচেয়ে বেশি চাহিদার দক্ষতা হিসেবে রয়ে গেছে[9]।
লিঙ্গগত বিতরণ। গড়ে মার্কিন যুক্তরাষ্ট্রে AI-সংক্রান্ত পদে চাকরিপ্রার্থীদের ৭১% পুরুষ ছিলেন। Deep learning এবং রোবোটিক্স-সংক্রান্ত পদে চাকরিপ্রার্থীদের মধ্যে সর্বাধিক লিঙ্গগত বৈচিত্র্য দেখা গেছে[9]।
পেটেন্ট
২০১৪ সালে AI ক্ষেত্রে প্রায় ৩০% পেটেন্ট মার্কিন যুক্তরাষ্ট্রে নিবন্ধিত হয়েছিল, এরপর ছিল দক্ষিণ কোরিয়া ও জাপান (প্রতিটি ১৬%)। দক্ষিণ কোরিয়া এবং তাইওয়ান সর্বাধিক প্রবৃদ্ধি প্রদর্শন করেছে: ২০১৪ সালে AI পেটেন্টের সংখ্যা ২০০৪ সালের তুলনায় প্রায় ৫ গুণ বেশি ছিল[10]।
কোম্পানিতে AI-এর প্রয়োগ
McKinsey & Company-এর জরিপ অনুযায়ী (২ ১৩৫ জন উত্তরদাতা), সবচেয়ে সাধারণ AI প্রযুক্তি ছিল রোবোটিক প্রক্রিয়া স্বয়ংক্রিয়করণ এবং Machine Learning। সংস্থাগুলো সাধারণত সেই ব্যবসায়িক কার্যক্রমে AI প্রয়োগ করেছিল যা তাদের শিল্পে সর্বাধিক সুফল দিত: আর্থিক কোম্পানি ঝুঁকি ব্যবস্থাপনায়, অটোমোবাইল কোম্পানি উৎপাদনে এবং খুচরা বিক্রেতারা বিপণন ও বিক্রয়ে সক্রিয়ভাবে AI ব্যবহার করেছিল[11]।
| অঞ্চল | সবচেয়ে জনপ্রিয় AI সক্ষমতা (% উত্তরদাতা) |
|---|---|
| উত্তর আমেরিকা | রোবোটিক প্রক্রিয়া স্বয়ংক্রিয়করণ (২৩%), Machine Learning (২৩%) |
| ইউরোপ | রোবোটিক প্রক্রিয়া স্বয়ংক্রিয়করণ (২৭%), Machine Learning (২১%) |
| উদীয়মান বাজার (চীনসহ) | কম্পিউটার ভিশন (২৬%), রোবোটিক প্রক্রিয়া স্বয়ংক্রিয়করণ (২৩%) |
| ভারত | Machine Learning (২৫%), রোবোটিক প্রক্রিয়া স্বয়ংক্রিয়করণ (৩০%) |
কর্পোরেট প্রতিবেদনে AI-এর উল্লেখ
নিউ ইয়র্ক স্টক এক্সচেঞ্জে তালিকাভুক্ত কোম্পানিগুলোর আয় প্রতিবেদনে "কৃত্রিম বুদ্ধিমত্তা" এবং "machine learning"-এর উল্লেখ ২০১৫ সাল থেকে তীব্রভাবে বৃদ্ধি পেয়েছে। আইটি খাতে AI উল্লেখে NVIDIA শীর্ষে ছিল (২০১৭ সালে ৯৩টি উল্লেখ), এরপর ছিল LivePerson (৫০) এবং Pegasystems (৪৪)। ML উল্লেখে Alphabet শীর্ষে ছিল (৫৭)[12]।
শিল্প রোবট স্থাপন
চীন ২০১২ থেকে ২০১৭ সালের মধ্যে বার্ষিক শিল্প রোবট স্থাপনে ৫০০% বৃদ্ধি প্রদর্শন করেছে। দক্ষিণ কোরিয়া ও ইউরোপ যথাক্রমে ১০৫% এবং ১২২% বৃদ্ধি পেয়েছে। ছোট বাজারগুলোর মধ্যে তাইওয়ান সর্বাধিক পরিমাণ ও প্রবৃদ্ধি দেখিয়েছে[13]।
মুক্ত সফটওয়্যার
GitHub রিপোজিটরির তারকা (stars) বিশ্লেষণে দেখা গেছে যে বড় কোম্পানিগুলো সমর্থিত ফ্রেমওয়ার্কের জনপ্রিয়তা উল্লেখযোগ্যভাবে বৃদ্ধি পেয়েছে: TensorFlow (Google), PyTorch (Facebook), MXNet (Amazon)। TensorFlow জনপ্রিয়তায় অন্যান্য ফ্রেমওয়ার্ককে উল্লেখযোগ্যভাবে ছাড়িয়ে গেছে, ২০১৮ সালের মধ্যে ১ লক্ষেরও বেশি তারকা অর্জন করেছে[14]।
বিভাগ ৩. কার্যক্রমের পরিমাণ: জনসাধারণের আগ্রহ
মিডিয়া কভারেজের স্বর
"কৃত্রিম বুদ্ধিমত্তা" শব্দটি ধারণকারী নিবন্ধগুলো কম নিরপেক্ষ এবং আরও ইতিবাচক হয়ে উঠেছে: ইতিবাচক নিবন্ধের অনুপাত ২০১৬ সালের জানুয়ারিতে ১২% থেকে ২০১৬ সালের জুলাইতে ৩০%-এ বৃদ্ধি পেয়েছে এবং ২০১৮ সাল পর্যন্ত এই স্তরে থেকেছে[15]।
সরকারি নথিতে উল্লেখ
মার্কিন কংগ্রেস, কানাডা ও যুক্তরাজ্যের পার্লামেন্টের কার্যবিবরণীতে "কৃত্রিম বুদ্ধিমত্তা" এবং "machine learning" শব্দগুলোর উল্লেখ ২০১৬ সাল থেকে তীব্রভাবে বৃদ্ধি পেয়েছে। উল্লেখযোগ্যভাবে, "machine learning" ২০১৬ সালের আগে পার্লামেন্টারি নথিতে প্রায় উল্লেখিত হয়নি[1]।
বিভাগ ৪. কারিগরি কার্যক্ষমতা
কম্পিউটার ভিশন: ImageNet
নির্ভুলতা। ২০১৭ সালে আনুষ্ঠানিক প্রতিযোগিতা শেষ হওয়ার পরেও ImageNet-এর কার্যক্ষমতা বাড়তে থাকে। AI Index ImageNet 2012 যাচাইকরণ ডেটাসেটের ফলাফলের ভিত্তিতে অগ্রগতি অনুসরণ করেছিল। চিত্র শ্রেণিবিন্যাসের নির্ভুলতা মানব স্তর (প্রায় ৫% ত্রুটি) উল্লেখযোগ্যভাবে ছাড়িয়ে গেছে[16]।
প্রশিক্ষণের গতি। ImageNet চিত্র শ্রেণিবিন্যাসের জন্য নিউরাল নেটওয়ার্ক প্রশিক্ষণের সময় প্রায় ৬০ মিনিট (২০১৭ সালের জুন) থেকে ৩.৭ মিনিটে (২০১৮ সালের নভেম্বর) নেমে এসেছে — দেড় বছরে ১৬ গুণ ত্বরান্বিত। এটি অ্যালগরিদমিক উদ্ভাবন এবং অবকাঠামো (হার্ডওয়্যার ও সফটওয়্যার) বিনিয়োগ উভয়কেই প্রতিফলিত করে[17]।
| তারিখ | ImageNet প্রশিক্ষণের সময় |
|---|---|
| জুন ২০১৭ | ~৬০ মিনিট |
| নভেম্বর ২০১৭ | ~৩০ মিনিট |
| নভেম্বর ২০১৭ | ~১৫ মিনিট |
| জুলাই ২০১৮ | ~৬.৬ মিনিট |
| নভেম্বর ২০১৮ | ~৩.৭ মিনিট |
কম্পিউটার ভিশন: COCO
বস্তু বিভাজনের (object segmentation) COCO (Common Objects in Context) প্রতিযোগিতায় সর্বোচ্চ গড় নির্ভুলতা ২০১৫ থেকে ২০১৮ সালের মধ্যে ৭২% বৃদ্ধি পেয়েছে (০.২৮ থেকে ০.৪৮)। কম্পিউটার ভিশন সম্প্রদায় তুলনামূলকভাবে সহজ কাজ (শ্রেণিবিন্যাস) থেকে আরও জটিল কাজে (পিক্সেল-নির্ভুলতায় বস্তু স্থানীয়করণ, সিম্যান্টিক সেগমেন্টেশন) পরিবর্তিত হয়েছে[18]।
প্রাকৃতিক ভাষা প্রক্রিয়াকরণ: পার্সিং
বাক্য সিনট্যাক্টিক পার্সিং (Penn Treebank)-এর F1 মেট্রিক ২০০৩ থেকে ২০১৮ সালের মধ্যে ৯ শতাংশ পয়েন্ট বৃদ্ধি পেয়েছে (~৮৬% থেকে ~৯৫%)। পার্সিং প্রোগ্রামিং ভাষা পার্সিংয়ের অনুরূপ পদ্ধতি থেকে সম্পূর্ণভাবে Deep learning-ভিত্তিক পদ্ধতিতে রূপান্তরিত হয়েছে[19]।
মেশিন ট্রান্সলেশন
WMT প্রতিযোগিতায় ইংরেজি থেকে জার্মান অনুবাদের BLEU স্কোর ২০০৮ সালের তুলনায় ৩.৫ গুণ বৃদ্ধি পেয়েছে; জার্মান থেকে ইংরেজি অনুবাদের ক্ষেত্রে ২.৫ গুণ। এই অগ্রগতি Transformer আর্কিটেকচার এবং ডেটার আরও কার্যকর ব্যবহার দ্বারা চালিত হয়েছিল[20]।
প্রশ্নোত্তর ব্যবস্থা: ARC
Allen Institute for AI কর্তৃক ২০১৮ সালের এপ্রিলে প্রকাশিত AI2 Reasoning Challenge (ARC) benchmark-এ, Challenge Set (আমেরিকান স্কুলের ৩–৯ শ্রেণির কঠিন প্রশ্ন) কার্যক্ষমতা এপ্রিল থেকে নভেম্বর ২০১৮ সালের মধ্যে ২৭% থেকে ৪২%-এ উন্নত হয়েছে, এবং Easy Set-এ ৬৩% থেকে ৬৯%-এ[21]।
প্রশ্নোত্তর ব্যবস্থা: GLUE
২০১৮ সালের মে মাসে প্রকাশিত GLUE (General Language Understanding Evaluation) benchmark নয়টি উপকাজে প্রাকৃতিক ভাষা বোধগম্যতা ব্যবস্থার পরীক্ষার জন্য তৈরি করা হয়েছিল। যদিও benchmark টি ছয় মাসেরও কম সময় বিদ্যমান ছিল, কার্যক্ষমতা ইতিমধ্যে প্রথম প্রকাশিত বেসলাইন সূচক এবং আনুমানিক মানব স্তর (~৯০%) এর মধ্যে ব্যবধানের প্রায় অর্ধেক কমিয়ে ফেলেছিল। Google-এর BERT মডেল নতুন মান হয়ে উঠেছিল — প্রকাশের প্রথম মাসে এটি আট বার উদ্ধৃত হয়েছিল[22][23]।
বিভাগ ৫. ব্যুৎপন্ন মেট্রিক
"শিক্ষা জগৎ — শিল্প" গতিশীলতা
AI-তে শিক্ষা জগৎ ও শিল্প কার্যকলাপের মধ্যে সম্পর্ক অধ্যয়নের জন্য লেখকরা তিনটি স্বাভাবিকীকৃত সূচক তুলনা করেছেন: Scopus-এ প্রকাশনা, মার্কিন বিশ্ববিদ্যালয়ে AI/ML কোর্সে নিবন্ধন এবং AI স্টার্টআপে ভেঞ্চার বিনিয়োগ। তিনটি মেট্রিকই ২০১০ সাল থেকে প্রবৃদ্ধি দেখিয়েছে, তবে ভেঞ্চার বিনিয়োগ অন্যগুলোর তুলনায় উল্লেখযোগ্যভাবে দ্রুত বৃদ্ধি পেয়েছে[1]।
AI Vibrancy Index - AI জীবনশক্তি সূচক
জীবনশক্তি সূচক তিনটি মেট্রিক (প্রকাশনা, নিবন্ধন, ভেঞ্চার বিনিয়োগ) একটি একক সূচকে একত্রিত করেছে, ২০১০ সালে স্বাভাবিকীকৃত। ২০১৭ সালের মধ্যে সূচকটি ২০১০ সালের ভিত্তিমান থেকে প্রায় ৭–৯ গুণ বৃদ্ধি পেয়েছে, মূলত ভেঞ্চার ফান্ডিং প্রবৃদ্ধির কারণে[1]।
বিভাগ ৬. সরকারি উদ্যোগ
রিপোর্টটি প্রথমবারের মতো তিনটি অঞ্চলে AI সংক্রান্ত সরকারি উদ্যোগের পর্যালোচনা অন্তর্ভুক্ত করেছে[1][24]:
মার্কিন যুক্তরাষ্ট্র
২০১৬ সালের অক্টোবরে ওবামা প্রশাসন একটি জাতীয় AI কৌশল প্রস্তাব করেছিল এবং AI-এর ভবিষ্যতের জন্য প্রস্তুতি সংক্রান্ত প্রথম নীতি প্রতিবেদন (Preparing for the Future of Artificial Intelligence) প্রকাশ করেছিল। ২০১৮ সালের মে মাসে ট্রাম্প প্রশাসন AI সামিট আয়োজন করেছিল এবং কৃত্রিম বুদ্ধিমত্তাবিষয়ক বিশেষ কমিটি গঠন করেছিল। ২০১৮ সালের সেপ্টেম্বরে DARPA AI Next কার্যক্রমে ২ বিলিয়ন ডলারেরও বেশি বিনিয়োগ পরিকল্পনা ঘোষণা করেছিল। বেসরকারি কোম্পানিগুলো কেন্দ্রীয় ভূমিকা পালন করেছিল: ২০১৭ সালে Amazon ও Alphabet যথাক্রমে ১৬.১ বিলিয়ন ও ১৩.৯ বিলিয়ন ডলার R&D-তে বিনিয়োগ করেছিল — NSF, DARPA ও DOT-এর মোট বাজেট (~৫.৩ বিলিয়ন ডলার)-এর চেয়ে উল্লেখযোগ্যভাবে বেশি[1]।
ইউরোপ
২০১৮ সালের এপ্রিলে ইইউ সদস্য রাষ্ট্রগুলো AI সহযোগিতা ঘোষণাপত্রে স্বাক্ষর করেছিল, এবং ইউরোপীয় কমিশন ২০১৮–২০২০ সালে AI গবেষণা সমর্থনের জন্য ১.৫ বিলিয়ন ইউরো বরাদ্দ করেছিল (Horizon 2020 কর্মসূচি থেকে অতিরিক্ত ২.৬ বিলিয়ন ইউরোর পাশাপাশি)। লক্ষ্য ছিল ১০ বছরে AI-তে ২০ বিলিয়ন ইউরো বিনিয়োগ আকর্ষণ করা। যুক্তরাজ্য ৯৫০ মিলিয়ন পাউন্ড বিনিয়োগ সহ AI Sector Deal প্রকাশ করেছিল। ফ্রান্স তিনটি প্রতিবেদন প্রকাশ করেছিল, যার মধ্যে "Mission Villani" ছিল, যা নীতি, মেধা পাচার রোধ ও AI-তে বৈচিত্র্য নিয়ে আলোচনা করেছিল[25]।
চীন
২০১৪ সাল থেকে চীনা সরকার ২০১৮ সালের মধ্যে ১৪.৭ বিলিয়ন ডলারের AI বাজার তৈরি এবং ২০৩০ সালের মধ্যে AI-তে চীনের বৈশ্বিক নেতৃত্ব নিশ্চিত করার লক্ষ্যে একাধিক জাতীয় উদ্যোগ চালু করেছিল। মূল নথি ছিল "নতুন প্রজন্মের AI উন্নয়ন পরিকল্পনা" (জুলাই ২০১৭), যা ২০২০ সালের মধ্যে উন্নত দেশগুলোর স্তরে পৌঁছানো, ২০২৫ সালের মধ্যে বড় অগ্রগতি এবং ২০৩০ সালের মধ্যে AI উদ্ভাবনের বৈশ্বিক কেন্দ্র হওয়ার পরিকল্পনা করেছিল[26]।
বিভাগ ৭. মানবিক সক্ষমতার স্তরে অর্জন
রিপোর্টটি সেইসব ঘটনার কালপঞ্জি অব্যাহত রেখেছে যেখানে AI মানব স্তরে পৌঁছেছে বা তা অতিক্রম করেছে। ২০১৮ সালে চারটি নতুন অর্জন যোগ করা হয়েছে[1]:
| বছর | অর্জন | বিবরণ |
|---|---|---|
| ১৯৮০ | Othello | BILL প্রোগ্রাম (কু-ফু লি ও এস. মাহাজান) সেরা আমেরিকান খেলোয়াড়কে পরাজিত করে; ১৯৯৭ সালে Logistello বিশ্ব চ্যাম্পিয়নকে পরাজিত করবে |
| ১৯৯৫ | চেকার্স | Chinook প্রোগ্রাম বিশ্ব চ্যাম্পিয়নকে পরাজিত করে |
| ১৯৯৭ | দাবা | IBM DeepBlue গ্যারি কাসপারভকে পরাজিত করে |
| ২০১১ | Jeopardy! | IBM Watson চ্যাম্পিয়ন ব্র্যাড রাটার ও কেন জেনিংসকে পরাজিত করে |
| ২০১৫ | Atari | DeepMind ৪৯টি Atari গেমে মানব স্তরে পৌঁছায় |
| ২০১৬ | Go | AlphaGo লি সেদলকে (৪–১) পরাজিত করে; AlphaGo Zero AlphaGo-কে ১০০–০ পরাজিত করে |
| ২০১৬ | বস্তু শনাক্তকরণ (ImageNet) | শ্রেণিবিন্যাস ত্রুটি ২৮% (২০১০) থেকে ৩%-এরও কম কমানো হয়েছে, মানব স্তর ~৫% |
| ২০১৭ | বাকসংকেত চেনা (Switchboard) | Microsoft ও IBM মানব নির্ভুলতার কাছাকাছি স্তর অর্জন করে |
| ২০১৭ | পোকার | Libratus (CMU) ১ লক্ষ ২০ হাজার হাতে চার পেশাদার খেলোয়াড়কে পরাজিত করে; DeepStack (আলবার্টা) ১১ জন পেশাদারকে পরাজিত করে |
| ২০১৭ | ত্বকের ক্যান্সার শ্রেণিবিন্যাস | AI ব্যবস্থা (Esteva et al., Nature) ২১ জন সার্টিফাইড চর্মরোগ বিশেষজ্ঞের স্তরে পৌঁছায় |
| ২০১৭ | Ms. Pac-Man | Maluuba দল (Microsoft) Atari 2600-এ ৯৯৯ ৯০০ সর্বোচ্চ স্কোর অর্জন করে |
| ২০১৮ | Capture the Flag | DeepMind এজেন্ট Quake III Arena CTF-এর পরিবর্তিত সংস্করণে মানব স্তরে পৌঁছায় |
| ২০১৮ | Dota 2 | OpenAI Five শখের দলগুলোকে পরাজিত করে (সীমাবদ্ধতা সহ), কিন্তু পেশাদারদের কাছে হেরে যায় |
| ২০১৮ | প্রোস্টেট ক্যান্সার গ্রেডিং | Google-এর সিস্টেম প্যাথলজিস্টদের ৬১%-এর বিপরীতে ৭০% সামগ্রিক নির্ভুলতা অর্জন করে |
| ২০১৮ | চীনা—ইংরেজি অনুবাদ | Microsoft-এর সিস্টেম newstest2017 ডেটাসেটে মানব স্তরে পৌঁছায় |
রিপোর্টের লেখকরা জোর দিয়েছেন যে এই ফলাফলগুলোকে অতিমূল্যায়ন করা উচিত নয়: কাজগুলো ছিল সংকীর্ণ বিশেষজ্ঞতার, এবং এই অর্জনগুলো ব্যবস্থাগুলোর সাধারণীকরণের সক্ষমতার প্রমাণ দেয় না[1]।
বিভাগ ৮. কী যোগ করা দরকার? (What's Missing?)
বিভাগটি সূচকের উন্নয়নের দিকনির্দেশনা সম্পর্কে তিনজন বিশেষজ্ঞের মত উপস্থাপন করেছে[1]।
ফ্রান্সেসকা রসি (IBM, পাডোয়া বিশ্ববিদ্যালয়) সাধারণ জ্ঞান যুক্তির (common sense reasoning), প্রাকৃতিক ভাষার গভীর বোধগম্যতার, মানুষ ও মেশিনের সহযোগিতার (প্রতিযোগিতার পরিবর্তে), Machine Learning-কে প্রতীকী AI-এর সাথে সমন্বয় এবং কার্যকারণ অনুমানের (causality) মেট্রিক যোগ করার প্রস্তাব দিয়েছেন[1]।
রডনি ব্রুকস (MIT) শিল্প রোবট মেট্রিকের সীমাবদ্ধতার দিকে দৃষ্টি আকর্ষণ করেছেন, কারণ এতে প্রায়ই AI উপাদান থাকে না। তিনি AI উপাদান সহ রোবট অনুসরণ করার প্রস্তাব দিয়েছেন: ড্রোন (SLAM এবং অন্যান্য অ্যালগরিদম), গৃহস্থালি রোবট (Roomba) এবং সম্ভাব্য সামাজিক রোবট[1]।
টোবি ওয়ালশ (UNSW Sydney, TU Berlin) ক্রমবর্ধমান সরকারি ও বেসরকারি বিনিয়োগ পরিমাপের জন্য পরিমাণগত মেট্রিকের প্রয়োজনীয়তার কথা উল্লেখ করেছেন (যুক্তরাজ্য — ১ বিলিয়ন পাউন্ড, ফ্রান্স — ১.৫ বিলিয়ন ইউরো, জার্মানি — ৩ বিলিয়ন ইউরো, Alibaba — ১৫ বিলিয়ন ডলার), সেইসাথে স্বায়ত্তশাসিত অস্ত্রসহ AI-এর সামরিক ব্যবহার অনুসরণের জন্যও[1]।
পদ্ধতি
রিপোর্টটি একাধিক উৎস থেকে তথ্য ব্যবহার করেছে[1]:
- প্রকাশনা: Elsevier Scopus (~৭০ মিলিয়ন নথি, ~৮০০টি AI মূলশব্দ), arXiv.org।
- সম্মেলন: AAAI, NeurIPS, ICML, CVPR, ICLR, IJCAI, ACL, ICRA, ICAPS, UAI, KR, AAMAS, WiML, AI4ALL।
- কোর্স: সরাসরি বিশ্ববিদ্যালয় থেকে প্রাপ্ত তথ্য (১০টি দেশে ১৭টি বিশ্ববিদ্যালয়)।
- স্টার্টআপ ও বিনিয়োগ: Sand Hill Econometrics (Dow Jones VentureSource), Crunchbase API।
- চাকরির শূন্যপদ: Monster.com, Gartner TalentNeuron।
- পেটেন্ট: amplified (IPC কোড: Cognition and meaning understanding, Human-interface technology)।
- AI প্রয়োগ: McKinsey & Company (২ ১৩৫ জন উত্তরদাতার জরিপ)।
- কর্পোরেট প্রতিবেদন: Prattle (FactSet থেকে আয় প্রতিবেদনের পাঠ্য বিশ্লেষণ)।
- রোবোটিক্স: International Federation of Robotics (IFR), ROS.org।
- মিডিয়া: TrendKite (নিবন্ধের স্বর বিশ্লেষণ)।
- সরকার: Congressional Record (মার্কিন যুক্তরাষ্ট্র), Hansards (যুক্তরাজ্য ও কানাডা), McKinsey Global Institute।
- Benchmark: ImageNet (LSVRC), COCO, Penn Treebank, WMT (EuroMatrix), ARC (Allen Institute for AI), GLUE।
লেখক দল
রিপোর্টটি ইওয়াভ শোহাম (Yoav Shoham, Stanford University)-এর সভাপতিত্বে AI Index পরিচালনা কমিটি কর্তৃক প্রস্তুত করা হয়েছে, রেমন্ড পেরো (Raymond Perrault, SRI International), এরিক ব্রিনিওলফসন (Erik Brynjolfsson, MIT), জ্যাক ক্লার্ক (Jack Clark, OpenAI), জেমস মান্যিকা (James Manyika, McKinsey Global Institute), হুয়ান কার্লোস নিয়েবলেস (Juan Carlos Niebles, Stanford University), তেরা লায়ন্স (Terah Lyons, Partnership on AI), জন এচেমেন্ডি (John Etchemendy, Stanford University) এবং বার্বারা গ্রোস (Barbara Grosz, Harvard University)-এর অংশগ্রহণে। প্রকল্প ব্যবস্থাপক ছিলেন জো বাউয়ার (Zoe Bauer)। AI Index প্রাথমিকভাবে One Hundred Year Study on AI (AI100) প্রকল্পের অংশ হিসেবে উদ্ভূত হয়েছিল এবং পরবর্তীতে স্ট্যানফোর্ড HAI (Human-Centered AI) ইনস্টিটিউটে স্থাপিত হয়েছে[1]।
প্রেক্ষাপট ও গুরুত্ব
AI Index Report 2018 AI অগ্রগতির পদ্ধতিগত পর্যবেক্ষণের বিকাশে একটি গুরুত্বপূর্ণ মাইলফলক হয়ে উঠেছে। এটি বেশ কিছু টার্নিং পয়েন্ট নথিভুক্ত করেছে: Deep learning-এর দ্রুত বিকাশ এবং AI পদ্ধতিগুলোর মধ্যে এর আধিপত্য, ImageNet "সম্পৃক্তি"র পর কম্পিউটার ভিশন সম্প্রদায়ের আরও জটিল কাজে পরিবর্তন, প্রাকৃতিক ভাষা প্রক্রিয়াকরণে BERT মডেলের বৈপ্লবিক প্রভাব, এবং অত্যাধুনিক AI সিস্টেম উন্নয়নে শিল্পের অংশগ্রহণের অভূতপূর্ব বৃদ্ধি। রিপোর্টটি প্রথমবারের মতো পদ্ধতিগতভাবে রাষ্ট্রগুলোর মধ্যে AI অর্থায়ন ও কৌশলগত পরিকল্পনায় "প্রতিযোগিতা" নথিভুক্ত করেছে — একটি প্রবণতা যা পরবর্তী বছরগুলোতে শিল্পের বিকাশ নির্ধারণ করবে[1]।
তথ্যসূত্র
- Stanford HAI — AI Index (সকল রিপোর্ট): https://aiindex.stanford.edu/report/
- AI Index 2018 Report (সম্পূর্ণ পাঠ্য, PDF): https://aiindex.stanford.edu/wp-content/uploads/2019/01/2018-Artificial-Intelligence-Index.pdf
- Elsevier Scopus — বৈজ্ঞানিক প্রকাশনার ডেটাবেস: https://www.scopus.com/
- Elsevier AI Resource Center: https://www.elsevier.com/connect/the-rise-of-artificial-intelligence-in-6-charts
- arXiv.org — বৈজ্ঞানিক প্রিপ্রিন্টের আর্কাইভ: https://arxiv.org/
- ImageNet (LSVRC): https://image-net.org/challenges/LSVRC/
- COCO — Common Objects in Context: https://cocodataset.org/
- GLUE Benchmark: https://gluebenchmark.com/
- ARC — AI2 Reasoning Challenge: https://allenai.org/data/arc
- WMT — Workshop on Machine Translation / EuroMatrix: http://www.statmt.org/
- McKinsey & Company — AI Adoption Survey: https://www.mckinsey.com/featured-insights/artificial-intelligence
- International Federation of Robotics: https://ifr.org/
- ROS.org — Robot Operating System: https://www.ros.org/
- Sand Hill Econometrics: https://www.sandhillecon.com/
- Partnership on AI: https://partnershiponai.org/
- Women in Machine Learning (WiML): https://wimlworkshop.org/
- AI4ALL: https://ai-4-all.org/
- Tim Dutton — Overview of National AI Strategies: https://medium.com/politics-ai/an-overview-of-national-ai-strategies-2a70ec6edfd
- NLP Progress — NLP-তে অগ্রগতি অনুসরণ: https://nlpprogress.com/
সাহিত্য
- Shoham, Y., Perrault, R., Brynjolfsson, E., Clark, J., Manyika, J., Niebles, J.C., Lyons, T., Etchemendy, J., Grosz, B. and Bauer, Z. (2018). The AI Index 2018 Annual Report. AI Index Steering Committee, Human-Centered AI Initiative, Stanford University. https://aiindex.stanford.edu/wp-content/uploads/2019/01/2018-Artificial-Intelligence-Index.pdf
- Elsevier (2018). Artificial Intelligence: How knowledge is created, transferred, and used. https://www.elsevier.com/connect/the-rise-of-artificial-intelligence-in-6-charts
- Devlin, J. et al. (2018). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. https://arxiv.org/abs/1810.04805
- Wang, A. et al. (2018). GLUE: A Multi-Task Benchmark and Analysis Platform for Natural Language Understanding. https://arxiv.org/abs/1804.07461
- Clark, P. et al. (2018). Think you have Solved Question Answering? Try ARC, the AI2 Reasoning Challenge. https://arxiv.org/abs/1803.05457
- Esteva, A. et al. (2017). Dermatologist-level classification of skin cancer with deep neural networks. Nature, 542(7639). https://doi.org/10.1038/nature21056
- Silver, D. et al. (2017). Mastering the game of Go without human knowledge. Nature, 550(7676). https://doi.org/10.1038/nature24270
- Jaderberg, M. et al. (2018). Human-level performance in first-person multiplayer games with population-based deep reinforcement learning. https://arxiv.org/abs/1807.01281
- OpenAI (2018). OpenAI Five. https://openai.com/blog/openai-five/
- Hassan, H. et al. (2018). Achieving Human Parity on Automatic Chinese to English News Translation. https://arxiv.org/abs/1803.05567
- McKinsey & Company (2018). Notes from the AI frontier: AI adoption advances, but foundational barriers remain. https://www.mckinsey.com/featured-insights/artificial-intelligence/notes-from-the-ai-frontier-ai-adoption-advances-but-foundational-barriers-remain
- International Federation of Robotics (2017). World Robotics Report 2017. https://ifr.org/worldrobotics/
- Dutton, T. (2018). An Overview of National AI Strategies. https://medium.com/politics-ai/an-overview-of-national-ai-strategies-2a70ec6edfd
- State Council of the People's Republic of China (2017). New Generation Artificial Intelligence Development Plan. https://flia.org/notice-state-council-issuing-new-generation-artificial-intelligence-development-plan/
- European Commission (2018). Communication on Artificial Intelligence for Europe. https://ec.europa.eu/digital-single-market/en/artificial-intelligence
- Russakovsky, O. et al. (2015). ImageNet Large Scale Visual Recognition Challenge. International Journal of Computer Vision, 115(3). https://doi.org/10.1007/s11263-015-0816-y
- He, K. et al. (2015). Deep Residual Learning for Image Recognition. https://arxiv.org/abs/1512.03385
টীকা
- ↑ 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 Shoham, Y., Perrault, R., Brynjolfsson, E., Clark, J., Manyika, J., Niebles, J.C., Lyons, T., Etchemendy, J., Grosz, B. and Bauer, Z. (2018). The AI Index 2018 Annual Report. AI Index Steering Committee, Human-Centered AI Initiative, Stanford University. https://aiindex.stanford.edu/wp-content/uploads/2019/01/2018-Artificial-Intelligence-Index.pdf
- ↑ 2.0 2.1 2.2 2.3 2.4 2.5 Elsevier (2018). Artificial Intelligence: How knowledge is created, transferred, and used. https://www.elsevier.com/connect/the-rise-of-artificial-intelligence-in-6-charts
- ↑ arXiv.org (2018). Submission statistics. https://arxiv.org/stats/yearly_submissions
- ↑ AAAI (2018). AAAI 2018 Conference Proceedings. https://aaai.org/aaai-conference/
- ↑ Women in Machine Learning (WiML) (2018). Workshop data. https://wimlworkshop.org/
- ↑ AI4ALL (2018). Program data. https://ai-4-all.org/
- ↑ ROS.org (2018). ROS Community Metrics Report. https://metrics.ros.org/
- ↑ 8.0 8.1 Sand Hill Econometrics (2018). AI Startup and VC Funding Data. Dow Jones VentureSource.
- ↑ 9.0 9.1 Monster.com / Gartner TalentNeuron (2018). AI Job Openings Data. https://www.monster.com/
- ↑ amplified (2018). AI Patent Data. https://www.amplified.ai/
- ↑ McKinsey & Company (2018). Notes from the AI frontier: AI adoption advances, but foundational barriers remain. https://www.mckinsey.com/featured-insights/artificial-intelligence/notes-from-the-ai-frontier-ai-adoption-advances-but-foundational-barriers-remain
- ↑ Prattle (2018). Earnings call analysis data. FactSet.
- ↑ International Federation of Robotics (2018). World Robotics Report 2017. https://ifr.org/worldrobotics/
- ↑ GitHub Archive / Google BigQuery (2018). GitHub repository stars data. https://github.com/
- ↑ TrendKite (2018). Media sentiment analysis data. https://www.trendkite.com/
- ↑ ImageNet (2018). LSVRC leaderboard and validation results. https://image-net.org/challenges/LSVRC/
- ↑ DAWNBench / Stanford (2018). ImageNet training time results. https://dawn.cs.stanford.edu/benchmark/
- ↑ COCO (2018). Instance Segmentation Leaderboard. https://cocodataset.org/#detection-leaderboard
- ↑ Penn Treebank (2018). Section 23 parsing results. See NLPProgress: https://nlpprogress.com/english/constituency_parsing.html
- ↑ Workshop on Machine Translation / EuroMatrix (2018). WMT News Translation Task results. http://www.statmt.org/wmt18/
- ↑ Clark, P. et al. (2018). Think you have Solved Question Answering? Try ARC, the AI2 Reasoning Challenge. https://arxiv.org/abs/1803.05457
- ↑ Wang, A. et al. (2018). GLUE: A Multi-Task Benchmark and Analysis Platform for Natural Language Understanding. https://arxiv.org/abs/1804.07461
- ↑ Devlin, J. et al. (2018). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. https://arxiv.org/abs/1810.04805
- ↑ Dutton, T. (2018). An Overview of National AI Strategies. https://medium.com/politics-ai/an-overview-of-national-ai-strategies-2a70ec6edfd
- ↑ European Commission (2018). Communication on Artificial Intelligence for Europe. https://ec.europa.eu/digital-single-market/en/artificial-intelligence
- ↑ State Council of the People's Republic of China (2017). New Generation Artificial Intelligence Development Plan. https://flia.org/notice-state-council-issuing-new-generation-artificial-intelligence-development-plan/