The 2018 AI Index Report (EL)

From Systems analysis Wiki
Jump to navigation Jump to search

AI Index Report 2018 — η δεύτερη ετήσια έκδοση της έκθεσης AI Index, που εκπονήθηκε από την Οδηγούσα Επιτροπή AI Index στο Πανεπιστήμιο Stanford τον Δεκέμβριο του 2018[1]. Η αποστολή του έργου AI Index είναι να εφοδιάσει τη συζήτηση για την τεχνητή νοημοσύνη με αντικειμενικά δεδομένα. Η έκθεση του 2018 διαφέρει από το πρώτο τεύχος (2017) ως προς τη σημαντική διεύρυνση της παγκόσμιας κάλυψης: ενώ η προηγούμενη έκθεση εστίαζε κυρίως σε βορειοαμερικανικά ζητήματα, η έκδοση του 2018 επιδιώκει να συμπεριλάβει δεδομένα από την Ευρώπη, την Κίνα, τη Νότια Κορέα, την Ιαπωνία και άλλες περιοχές του κόσμου. Η έκθεση παρακολουθεί, συστηματοποιεί και οπτικοποιεί δεδομένα σχετικά με την ΤΝ, παρέχοντας πληροφορίες σε υπεύθυνους χάραξης πολιτικής, ερευνητές, στελέχη, δημοσιογράφους και το ευρύ κοινό.

Δομή της έκθεσης

Η έκθεση του 2018 αποτελείται από τέσσερις βασικές ενότητες[1]:

  1. Δεδομένα: όγκος δραστηριότητας (Volume of Activity) — δημοσιεύσεις, εγγραφές σε μαθήματα, συμμετοχή σε συνέδρια, λήψεις λογισμικού ρομποτικής, νεοφυείς επιχειρήσεις και επενδύσεις, κενές θέσεις εργασίας, διπλώματα ευρεσιτεχνίας, υιοθέτηση ΤΝ σε εταιρείες, αναφορές σε εκθέσεις κερδών, εγκαταστάσεις ρομπότ, έργα ανοιχτού κώδικα, δημόσιο ενδιαφέρον.
  2. Δεδομένα: τεχνική απόδοση (Technical Performance) — computer vision, επεξεργασία φυσικής γλώσσας, μηχανική μετάφραση, συστήματα ερωτήσεων-απαντήσεων.
  3. Πρόσθετες μετρικές (Other Measures) — παράγωγοι δείκτες, κυβερνητικές πρωτοβουλίες, επιτεύγματα σε επίπεδο ανθρώπινων ικανοτήτων.
  4. Παράρτημα (Appendix) — πλήρης περιγραφή πηγών, μεθοδολογιών και λεπτομερειών.

Βασικά συμπεράσματα της έκθεσης

Οι συγγραφείς της έκθεσης του 2018 διατύπωσαν αρκετές κεντρικές θέσεις[1]:

Η ΤΝ είναι παγκόσμιο φαινόμενο

Το 83% των άρθρων για την ΤΝ στη βάση δεδομένων Scopus για το 2017 δημοσιεύθηκε από συγγραφείς εκτός ΗΠΑ. Το 28% όλων των άρθρων για την ΤΝ αντιστοιχούσε στην Ευρώπη — ο υψηλότερος δείκτης μεταξύ όλων των περιοχών του κόσμου. Οι εγγραφές φοιτητών σε μαθήματα ΤΝ και Machine Learning αυξάνονταν παγκοσμίως, με ιδιαίτερα εμφανή αύξηση στο Πανεπιστήμιο Tsinghua (Κίνα), όπου η συνολική εγγραφή σε μαθήματα ΤΝ και ML το 2017 ήταν 16 φορές μεγαλύτερη σε σχέση με το 2010[1].

Η δραστηριότητα στον τομέα της ΤΝ αυξάνεται σχεδόν παντού

Αύξηση παρατηρείται στις δημοσιεύσεις, τα μαθήματα, τα συνέδρια, τις νεοφυείς επιχειρήσεις, τη χρηματοδότηση από επιχειρηματικά κεφάλαια, τα διπλώματα ευρεσιτεχνίας και άλλες μετρικές. Η τεχνολογική απόδοση βελτιώνεται σε όλους τους τομείς[1].

Το Machine Learning κυριαρχεί ως υποκατηγορία της ΤΝ

Το 2017, το 56% των άρθρων για την ΤΝ στο Scopus ανήκε στην κατηγορία «Machine Learning και πιθανοτική συλλογιστική» (έναντι 28% το 2010). Οι εγγραφές σε εισαγωγικά μαθήματα ML αυξάνονταν με ταχύτερο ρυθμό από ό,τι στα μαθήματα ΤΝ γενικά. Τα συνέδρια NeurIPS και ICML, αφιερωμένα στο Machine Learning, παρουσίαζαν τη μεγαλύτερη αύξηση επισκεψιμότητας[2].

Η έμφυλη ισότητα παραμένει σοβαρό πρόβλημα

Κατά μέσο όρο, το 80% των καθηγητών ΤΝ σε κορυφαία πανεπιστήμια (UC Berkeley, Stanford, UIUC, CMU, University College London, Oxford, ETH Zurich) ήταν άνδρες. Κατά μέσο όρο, το 71% των υποψηφίων για θέσεις εργασίας σχετιζόμενες με ΤΝ στις ΗΠΑ ήταν άνδρες[1].

Ενότητα 1. Όγκος δραστηριότητας: Έρευνα

Δημοσιεύσεις

Ο αριθμός των άρθρων για την ΤΝ στην πλατφόρμα Scopus αυξήθηκε 7 φορές από το 1996, ενώ τα άρθρα Επιστήμης Υπολογιστών (Computer Science) αυξήθηκαν 5 φορές την ίδια περίοδο. Αυτό υποδηλώνει ότι η αύξηση των δημοσιεύσεων ΤΝ δεν οφείλεται μόνο στο γενικό ενδιαφέρον για την Επιστήμη Υπολογιστών, αλλά και σε ανεξάρτητη δυναμική[2].

Περιφερειακή κατανομή. Η Ευρώπη παρέμενε σταθερά η μεγαλύτερη περιοχή ως προς τον αριθμό δημοσιεύσεων στον τομέα της ΤΝ: το 2017, το 28% των άρθρων ΤΝ στο Scopus συνδέονταν με ευρωπαίους συγγραφείς, ακολουθούμενη από την Κίνα (25%) και τις ΗΠΑ (17%). Παράλληλα, ο αριθμός δημοσιεύσεων από την Κίνα αυξήθηκε κατά 150% στην περίοδο 2007–2017[2].

Υποκατηγορίες. Η μεγαλύτερη αύξηση παρατηρήθηκε στην κατηγορία των νευρωνικών δικτύων: ο μέσος ετήσιος ρυθμός ανάπτυξης (CAGR) ήταν 3% την περίοδο 2010–2014 και 37% την περίοδο 2014–2017. Τα άρθρα στην πλατφόρμα arXiv παρουσίαζαν επίσης ταχεία αύξηση: το computer vision και η αναγνώριση προτύπων κατέστησαν η μεγαλύτερη υποκατηγορία ΤΝ στο arXiv από το 2014[3].

Τομεακή ανήκουσα. Ο αριθμός άρθρων ΤΝ που συνδέονται με κινεζικούς κρατικούς οργανισμούς αυξήθηκε κατά 400% στην περίοδο 2007–2017, ενώ οι εταιρικές δημοσιεύσεις από την Κίνα αυξήθηκαν μόλις κατά 73%. Στις ΗΠΑ, αντιθέτως, το ποσοστό εταιρικών δημοσιεύσεων ήταν σημαντικά υψηλότερο: το 2017, η αναλογία εταιρικών άρθρων ΤΝ στις ΗΠΑ ήταν 6,6 φορές μεγαλύτερη από ό,τι στην Κίνα και 4,1 φορές μεγαλύτερη από ό,τι στην Ευρώπη[2].

Αναφορά. Οι συγγραφείς από τις ΗΠΑ αναφέρονταν κατά 83% συχνότερα από τον παγκόσμιο μέσο όρο. Αν και η Ευρώπη ηγείτο ως προς τον απόλυτο αριθμό δημοσιεύσεων, ο δείκτης αναφοράς της παρέμενε στο επίπεδο του παγκόσμιου μέσου όρου. Η Κίνα βελτίωσε σημαντικά τον δείκτη αναφοράς της: το 2016, οι κινέζοι συγγραφείς αναφέρονταν κατά 44% συχνότερα σε σχέση με το 2000[2].

Κινητικότητα συγγραφέων. Οι κινητοί συγγραφείς (που δημοσιεύουν εκτός της χώρας/περιοχής τους) παρουσίαζαν υψηλότερο δείκτη αναφοράς και παραγωγικότητας σε σύγκριση με τους «μόνιμους» (sedentary) συγγραφείς. Μεταξύ των τριών περιοχών, η Κίνα είχε το μεγαλύτερο ποσοστό μόνιμων συγγραφέων (76%), ακολουθούμενη από την Ευρώπη (52%) και τις ΗΠΑ (38%)[2].

Συνέδριο AAAI. Στο συνέδριο AAAI 2018, περίπου το 70% των υποβληθέντων και το 67% των αποδεκτών άρθρων συνδέονταν με τις ΗΠΑ ή την Κίνα. Αν και η Κίνα υπέβαλε τον μεγαλύτερο αριθμό άρθρων, οι ΗΠΑ και η Κίνα είχαν σχεδόν ίδιο αριθμό αποδεκτών εργασιών (268 και 265 αντίστοιχα). Το ποσοστό αποδοχής για τις ΗΠΑ ήταν 29%, για την Κίνα 21%[4].

Εγγραφές σε μαθήματα

Πανεπιστήμια ΗΠΑ. Οι εγγραφές σε εισαγωγικά μαθήματα ML το 2017 ήταν 5 φορές υψηλότερες σε σχέση με το 2012. Στο UC Berkeley η αύξηση ήταν 6,8 φορές. Οι εγγραφές σε εισαγωγικά μαθήματα ΤΝ αυξήθηκαν 3,6 φορές την ίδια περίοδο. Παράλληλα, το 74–79% των φοιτητών στα εισαγωγικά μαθήματα ΤΝ και ML στο Stanford και το Berkeley ήταν άνδρες[1].

Διεθνή πανεπιστήμια. Η συνολική εγγραφή σε μαθήματα ΤΝ+ML στο Πανεπιστήμιο Tsinghua το 2017 υπερέβαινε 16 φορές την τιμή του 2010. Αύξηση παρατηρήθηκε επίσης στο Πανεπιστήμιο του Εδιμβούργου, στο USTC και στο SJTU (Κίνα), στο PUC (Χιλή) και σε άλλα ιδρύματα[1].

Συμμετοχή σε συνέδρια

Μεγάλα συνέδρια. Τα NeurIPS και ICML παρουσίασαν τη μεγαλύτερη αύξηση: το 2018, η επισκεψιμότητα του NeurIPS ήταν 4,8 φορές υψηλότερη σε σχέση με το 2012, και του ICML 6,8 φορές. Αυτό αντανακλούσε το συνεχιζόμενο ενδιαφέρον για το Machine Learning[1].

Μικρά συνέδρια. Η επισκεψιμότητα του ICLR (International Conference on Learning Representations) το 2018 ήταν 20 φορές υψηλότερη σε σχέση με το 2012 — πιθανώς ως αποτέλεσμα του αυξανόμενου ενδιαφέροντος για το deep learning και το Reinforcement Learning[1].

Συνέδριο Επισκεψιμότητα (2018, περίπου) Αύξηση από το 2012
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

Οργανισμοί συμπερίληψης. Ο αριθμός εγγραφών στο σεμινάριο Women in Machine Learning (WiML) αυξήθηκε κατά 600% από το 2014. Ο αριθμός αποφοίτων του AI4ALL (πρωτοβουλία για την αύξηση της ποικιλομορφίας στην ΤΝ) αυξήθηκε κατά 900% από το 2015[5][6].

Λήψεις λογισμικού ρομποτικής

Οι μοναδικές λήψεις πακέτων ROS (Robot Operating System) από τον ιστότοπο ROS.org αυξήθηκαν κατά 567% από το 2014. Ο αριθμός προβολών σελίδων του ROS.org από την Κίνα το 2017 ήταν 18 φορές υψηλότερος σε σχέση με το 2012[7].

Έμφυλη ισότητα στην ακαδημία

Η ανάλυση των τμημάτων ΤΝ σε επτά κορυφαία πανεπιστήμια ανά τον κόσμο έδειξε ότι κατά μέσο όρο το 80% των καθηγητών ΤΝ ήταν άνδρες. Μεταξύ των ιδρυμάτων συγκαταλέγονταν τα UC Berkeley, Stanford, UIUC, CMU, University College London, Oxford και ETH Zurich. Δεν διαπιστώθηκαν σημαντικές διαφορές μεταξύ των περιοχών[1].

Ενότητα 2. Όγκος δραστηριότητας: Βιομηχανία

Νεοφυείς επιχειρήσεις και επενδύσεις

Ο αριθμός ενεργών νεοφυών επιχειρήσεων ΤΝ στις ΗΠΑ που υποστηρίζονταν από επιχειρηματικά κεφάλαια αυξήθηκε κατά 113% από τον Ιανουάριο του 2015 έως τον Ιανουάριο του 2018, ενώ ο συνολικός αριθμός νεοφυών επιχειρήσεων αυξήθηκε μόνο κατά 28%[8].

Η χρηματοδότηση από επιχειρηματικά κεφάλαια για νεοφυείς επιχειρήσεις ΤΝ στις ΗΠΑ αυξήθηκε κατά 350% από το 2013 έως το 2017, ενώ η συνολική χρηματοδότηση από επιχειρηματικά κεφάλαια αυξήθηκε κατά 100% την ίδια περίοδο[8].

Κενές θέσεις εργασίας

Το deep learning ήταν η δεξιότητα με τη μεγαλύτερη αύξηση ζήτησης: ο αριθμός κενών θέσεων που απαιτούν δεξιότητες deep learning αυξήθηκε 34 φορές από το 2015 έως το 2017. Το Machine Learning παρέμενε η πλέον ζητούμενη δεξιότητα ως προς τον απόλυτο αριθμό[9].

Έμφυλη κατανομή. Κατά μέσο όρο, οι άνδρες αποτελούσαν το 71% του συνόλου υποψηφίων για θέσεις εργασίας σχετιζόμενες με ΤΝ στις ΗΠΑ. Η μεγαλύτερη έμφυλη ισότητα παρατηρήθηκε μεταξύ υποψηφίων για θέσεις σχετιζόμενες με deep learning και ρομποτική[9].

Διπλώματα ευρεσιτεχνίας

Το 2014, περίπου το 30% των διπλωμάτων ευρεσιτεχνίας στον τομέα της ΤΝ καταγράφηκαν στις ΗΠΑ, ακολουθούμενες από τη Νότια Κορέα και την Ιαπωνία (16% η καθεμία). Η Νότια Κορέα και η Ταϊβάν παρουσίασαν τη μεγαλύτερη αύξηση: ο αριθμός διπλωμάτων ευρεσιτεχνίας ΤΝ το 2014 ήταν σχεδόν 5 φορές μεγαλύτερος σε σχέση με το 2004[10].

Υιοθέτηση ΤΝ σε εταιρείες

Σύμφωνα με έρευνα της McKinsey & Company (2 135 ερωτηθέντες), οι πλέον διαδεδομένες τεχνολογίες ΤΝ ήταν η ρομποτική αυτοματοποίηση διαδικασιών και το Machine Learning. Οι οργανισμοί τείνουν να υιοθετούν ΤΝ στις επιχειρηματικές λειτουργίες που αποδίδουν τη μεγαλύτερη αξία στον κλάδο τους: οι χρηματοοικονομικές εταιρείες χρησιμοποιούν ενεργά ΤΝ στη διαχείριση κινδύνων, οι αυτοκινητοβιομηχανίες στην παραγωγή, και το λιανεμπόριο στο marketing και τις πωλήσεις[11].

Περιοχή Πλέον δημοφιλείς δυνατότητες ΤΝ (% ερωτηθέντων)
Βόρεια Αμερική Ρομποτοποίηση διαδικασιών (23%), Machine Learning (23%)
Ευρώπη Ρομποτοποίηση διαδικασιών (27%), Machine Learning (21%)
Αναδυόμενες αγορές (συμπεριλ. Κίνας) Computer vision (26%), ρομποτοποίηση διαδικασιών (23%)
Ινδία Machine Learning (25%), ρομποτοποίηση διαδικασιών (30%)

Αναφορές ΤΝ σε εταιρικές εκθέσεις

Οι αναφορές στην «τεχνητή νοημοσύνη» και στο «machine learning» στις εκθέσεις κερδών εταιρειών που διαπραγματεύονται στο Χρηματιστήριο της Νέας Υόρκης αυξήθηκαν απότομα από το 2015. Στον τομέα πληροφορικής, η NVIDIA ηγήθηκε ως προς τον αριθμό αναφορών ΤΝ (93 αναφορές το 2017), ακολουθούμενη από την LivePerson (50) και την Pegasystems (44). Ως προς τον αριθμό αναφορών ML, ηγείτο η Alphabet (57)[12].

Εγκατάσταση βιομηχανικών ρομπότ

Η Κίνα παρουσίασε αύξηση 500% στις ετήσιες εγκαταστάσεις βιομηχανικών ρομπότ από το 2012 έως το 2017. Η Νότια Κορέα και η Ευρώπη αύξησαν τις εγκαταστάσεις κατά 105% και 122% αντίστοιχα. Μεταξύ των μικρότερων αγορών, η Ταϊβάν παρουσίασε τον μεγαλύτερο όγκο και αύξηση[13].

Λογισμικό ανοιχτού κώδικα

Η ανάλυση των αστεριών (stars) στα αποθετήρια GitHub έδειξε σημαντική αύξηση της δημοτικότητας των frameworks που υποστηρίζονται από μεγάλες εταιρείες: TensorFlow (Google), PyTorch (Facebook), MXNet (Amazon). Το TensorFlow υπερείχε σημαντικά των υπολοίπων frameworks ως προς τη δημοτικότητα, ξεπερνώντας τα 100 000 αστέρια μέχρι το 2018[14].

Ενότητα 3. Όγκος δραστηριότητας: Δημόσιο ενδιαφέρον

Τόνος μεσοπρόθεσμης κάλυψης

Τα άρθρα που περιείχαν τον όρο «τεχνητή νοημοσύνη» έγιναν λιγότερο ουδέτερα και περισσότερο θετικά: το ποσοστό θετικών άρθρων αυξήθηκε από 12% τον Ιανουάριο του 2016 σε 30% τον Ιούλιο του 2016 και παρέμεινε σε αυτό το επίπεδο έως το 2018[15].

Αναφορές σε κυβερνητικά έγγραφα

Οι αναφορές στους όρους «τεχνητή νοημοσύνη» και «machine learning» στα πρακτικά του Κογκρέσου των ΗΠΑ, των κοινοβουλίων του Καναδά και της Μεγάλης Βρετανίας αυξήθηκαν απότομα από το 2016. Αξιοσημείωτο είναι ότι το «machine learning» σχεδόν δεν αναφερόταν σε κοινοβουλευτικά έγγραφα έως το 2016[1].

Ενότητα 4. Τεχνική απόδοση

Computer vision: ImageNet

Ακρίβεια. Η απόδοση στο ImageNet συνέχισε να βελτιώνεται ακόμη και μετά την ολοκλήρωση της επίσημης διαγωνιστικής διαδικασίας το 2017. Το AI Index παρακολουθούσε την πρόοδο βάσει αποτελεσμάτων στο σύνολο επικύρωσης ImageNet 2012. Η ακρίβεια ταξινόμησης εικόνων ξεπέρασε σημαντικά το ανθρώπινο επίπεδο (περίπου 5% λαθών)[16].

Ταχύτητα εκπαίδευσης. Ο χρόνος εκπαίδευσης νευρωνικού δικτύου για ταξινόμηση εικόνων ImageNet μειώθηκε από περίπου 60 λεπτά (Ιούνιος 2017) σε 3,7 λεπτά (Νοέμβριος 2018) — επιτάχυνση 16 φορές σε ενάμιση χρόνο. Αυτό αντανακλούσε τόσο αλγοριθμικές καινοτομίες όσο και επενδύσεις σε υποδομές (υλικό και λογισμικό)[17].

Ημερομηνία Χρόνος εκπαίδευσης ImageNet
Ιούνιος 2017 ~60 λεπτά
Νοέμβριος 2017 ~30 λεπτά
Νοέμβριος 2017 ~15 λεπτά
Ιούλιος 2018 ~6,6 λεπτά
Νοέμβριος 2018 ~3,7 λεπτά

Computer vision: COCO

Στον διαγωνισμό COCO (Common Objects in Context) για τμηματοποίηση αντικειμένων, η υψηλότερη μέση ακρίβεια αυξήθηκε κατά 72% από το 2015 έως το 2018 (από 0,28 σε 0,48). Η κοινότητα computer vision μετακινήθηκε από σχετικά απλές εργασίες (ταξινόμηση) σε πιο σύνθετες (εντοπισμός αντικειμένων σε επίπεδο pixel, σημασιολογική τμηματοποίηση)[18].

Επεξεργασία φυσικής γλώσσας: parsing

Η μετρική F1 για συντακτική ανάλυση προτάσεων (Penn Treebank) αυξήθηκε κατά 9 ποσοστιαίες μονάδες από το 2003 έως το 2018 (από ~86% σε ~95%). Η συντακτική ανάλυση μεταπήδησε σχεδόν πλήρως από μεθόδους ανάλογες με την ανάλυση γλωσσών προγραμματισμού σε μεθόδους βασισμένες στο deep learning[19].

Μηχανική μετάφραση

Οι βαθμοί BLEU για τη μετάφραση από αγγλικά σε γερμανικά στον διαγωνισμό WMT αυξήθηκαν 3,5 φορές σε σχέση με το 2008· για τη μετάφραση από γερμανικά σε αγγλικά 2,5 φορές. Η πρόοδος οφειλόταν στην αρχιτεκτονική Transformer και στην αποδοτικότερη χρήση δεδομένων[20].

Συστήματα ερωτήσεων-απαντήσεων: ARC

Στο benchmark AI2 Reasoning Challenge (ARC), που κυκλοφόρησε από το Allen Institute for AI τον Απρίλιο του 2018, η απόδοση στο Challenge Set (δύσκολες ερωτήσεις επιπέδου τάξεων 3–9 αμερικανικών σχολείων) βελτιώθηκε από 27% σε 42%, και στο Easy Set από 63% σε 69% κατά την περίοδο Απρίλιος–Νοέμβριος 2018[21].

Συστήματα ερωτήσεων-απαντήσεων: GLUE

Το benchmark GLUE (General Language Understanding Evaluation), που κυκλοφόρησε τον Μάιο του 2018, σχεδιάστηκε για να αξιολογεί συστήματα κατανόησης φυσικής γλώσσας σε εννέα υποεργασίες. Παρόλο που το benchmark υπήρχε λιγότερο από έξι μήνες, η απόδοση είχε ήδη καλύψει περίπου το ήμισυ της απόστασης μεταξύ του πρώτου δημοσιευμένου βασικού δείκτη και του εκτιμώμενου ανθρώπινου επιπέδου (~90%). Το μοντέλο BERT της Google έγινε το νέο πρότυπο — αναφέρθηκε οκτώ φορές κατά τον πρώτο μήνα μετά την κυκλοφορία του[22][23].

Ενότητα 5. Παράγωγες μετρικές

Δυναμική «ακαδημία — βιομηχανία»

Για τη μελέτη της σχέσης μεταξύ ακαδημαϊκής και βιομηχανικής δραστηριότητας στην ΤΝ, οι συγγραφείς συσχέτισαν τρεις κανονικοποιημένους δείκτες: δημοσιεύσεις στο Scopus, εγγραφές σε μαθήματα ΤΝ/ML σε αμερικανικά πανεπιστήμια και επενδύσεις επιχειρηματικών κεφαλαίων σε νεοφυείς επιχειρήσεις ΤΝ. Και οι τρεις μετρικές παρουσίαζαν αύξηση από το 2010, ωστόσο οι επενδύσεις επιχειρηματικών κεφαλαίων αυξάνονταν πολύ ταχύτερα από τις υπόλοιπες[1].

Δείκτης ζωτικότητας ΤΝ (AI Vibrancy Index)

Ο δείκτης ζωτικότητας συγκέντρωσε τρεις μετρικές (δημοσιεύσεις, εγγραφές, επενδύσεις επιχειρηματικών κεφαλαίων) σε έναν ενιαίο δείκτη, κανονικοποιημένο στο έτος 2010. Έως το 2017, ο δείκτης αυξήθηκε περίπου 7–9 φορές σε σχέση με την τιμή βάσης του 2010, κυρίως χάρη στην αύξηση της χρηματοδότησης επιχειρηματικών κεφαλαίων[1].

Ενότητα 6. Κυβερνητικές πρωτοβουλίες

Η έκθεση περιελάμβανε για πρώτη φορά επισκόπηση κυβερνητικών πρωτοβουλιών στον τομέα της ΤΝ σε τρεις περιοχές[1][24]:

ΗΠΑ

Τον Οκτώβριο του 2016, η διοίκηση Ομπάμα πρότεινε εθνική στρατηγική ΤΝ και δημοσίευσε την πρώτη πολιτική έκθεση για την προετοιμασία για το μέλλον της ΤΝ (Preparing for the Future of Artificial Intelligence). Τον Μάιο του 2018, η διοίκηση Τραμπ διοργάνωσε τη Σύνοδο Κορυφής για την ΤΝ και ίδρυσε Ειδική Επιτροπή Τεχνητής Νοημοσύνης. Τον Σεπτέμβριο του 2018, η DARPA ανακοίνωσε σχέδιο επενδύσεων άνω των 2 δισεκατομμυρίων δολαρίων στο πρόγραμμα AI Next. Οι ιδιωτικές εταιρείες έπαιζαν κεντρικό ρόλο: το 2017, η Amazon και η Alphabet επένδυσαν σε R&D 16,1 δισεκατομμύρια και 13,9 δισεκατομμύρια δολάρια αντίστοιχα — πολύ περισσότερο από τον συνολικό προϋπολογισμό NSF, DARPA και DOT (~5,3 δισεκατομμύρια δολάρια)[1].

Ευρώπη

Τον Απρίλιο του 2018, τα κράτη-μέλη της ΕΕ υπέγραψαν Δήλωση συνεργασίας στον τομέα της ΤΝ, και η Ευρωπαϊκή Επιτροπή διέθεσε 1,5 δισεκατομμύριο ευρώ για την υποστήριξη ερευνών ΤΝ στην περίοδο 2018–2020 (επιπλέον 2,6 δισεκατομμυρίων ευρώ από το πρόγραμμα Horizon 2020). Στόχος ήταν η προσέλκυση 20 δισεκατομμυρίων ευρώ επενδύσεων σε ΤΝ σε 10 χρόνια. Η Μεγάλη Βρετανία δημοσίευσε το AI Sector Deal με επενδύσεις 950 εκατομμυρίων λιρών. Η Γαλλία εξέδωσε τρεις εκθέσεις, συμπεριλαμβανομένης της «Mission Villani», αφιερωμένης στην πολιτική, την αποτροπή brain drain και την ποικιλομορφία στην ΤΝ[25].

Κίνα

Από το 2014, η κινεζική κυβέρνηση εγκαινίασε μια σειρά εθνικών πρωτοβουλιών με στόχο τη δημιουργία αγοράς ΤΝ αξίας 14,7 δισεκατομμυρίων δολαρίων έως το 2018 και την κατοχύρωση της παγκόσμιας ηγεσίας της Κίνας στην ΤΝ έως το 2030. Βασικό κείμενο υπήρξε το «Σχέδιο Ανάπτυξης ΤΝ Νέας Γενεάς» (Ιούλιος 2017), που προέβλεπε επίτευξη επιπέδου προηγμένων χωρών έως το 2020, μεγάλες돌ορμές έως το 2025 και καθεστώς παγκόσμιου κέντρου καινοτομίας στην ΤΝ έως το 2030[26].

Ενότητα 7. Επιτεύγματα σε επίπεδο ανθρώπινων ικανοτήτων

Η έκθεση συνέχισε τη χρονολογία περιπτώσεων στις οποίες η ΤΝ έφτασε ή ξεπέρασε το ανθρώπινο επίπεδο. Το 2018 προστέθηκαν τέσσερα νέα επιτεύγματα[1]:

Έτος Επίτευγμα Περιγραφή
1980 Othello Το πρόγραμμα BILL (Ku-Fu Lee και S. Mahajan) νικά τον καλύτερο αμερικανό παίκτη· το 1997 το Logistello θα νικήσει τον παγκόσμιο πρωταθλητή
1995 Ντάμα Το πρόγραμμα Chinook νικά τον παγκόσμιο πρωταθλητή
1997 Σκάκι Το IBM DeepBlue νικά τον Garry Kasparov
2011 Jeopardy! Το IBM Watson νικά τους πρωταθλητές Brad Rutter και Ken Jennings
2015 Atari Το DeepMind φτάνει σε ανθρώπινο επίπεδο σε 49 παιχνίδια Atari
2016 Go Το AlphaGo νικά τον Lee Sedol (4–1)· το AlphaGo Zero νικά το AlphaGo 100–0
2016 Εντοπισμός αντικειμένων (ImageNet) Το σφάλμα ταξινόμησης μειώθηκε από 28% (2010) σε λιγότερο από 3% με ανθρώπινο επίπεδο ~5%
2017 Αναγνώριση ομιλίας (Switchboard) Η Microsoft και η IBM φτάνουν σε επίπεδο κοντά στην ανθρώπινη ακρίβεια
2017 Πόκερ Το Libratus (CMU) νικά τέσσερις επαγγελματίες παίκτες σε 120 000 παρτίδες· το DeepStack (Αλμπέρτα) νικά 11 επαγγελματίες
2017 Ταξινόμηση καρκίνου του δέρματος Σύστημα ΤΝ (Esteva et al., Nature) φτάνει στο επίπεδο 21 πιστοποιημένων δερματολόγων
2017 Ms. Pac-Man Η ομάδα Maluuba (Microsoft) επιτυγχάνει τον μέγιστο βαθμό 999 900 στο Atari 2600
2018 Capture the Flag Ο πράκτορας DeepMind φτάνει σε ανθρώπινο επίπεδο σε τροποποιημένη έκδοση του Quake III Arena CTF
2018 Dota 2 Το OpenAI Five νικά ερασιτεχνικές ομάδες (με περιορισμούς), αλλά υποχωρεί έναντι επαγγελματιών
2018 Βαθμολόγηση καρκίνου προστάτη Το σύστημα Google επιτυγχάνει συνολική ακρίβεια 70% έναντι 61% των παθολογοανατόμων
2018 Μετάφραση κινεζικά — αγγλικά Το σύστημα Microsoft φτάνει σε ανθρώπινο επίπεδο στο σύνολο δεδομένων newstest2017

Οι συγγραφείς της έκθεσης υπογράμμισαν ότι αυτά τα αποτελέσματα δεν πρέπει να υπερεκτιμηθούν: οι εργασίες ήταν στενά εξειδικευμένες και τα επιτεύγματα δεν αποδείκνυαν ικανότητα των συστημάτων για γενίκευση[1].

Ενότητα 8. Τι λείπει; (What's Missing?)

Η ενότητα παρουσίαζε τις απόψεις τριών εμπειρογνωμόνων για τις κατευθύνσεις ανάπτυξης του δείκτη[1].

Francesca Rossi (IBM, Πανεπιστήμιο Padova) πρότεινε την προσθήκη μετρικών για τη λογική κοινής λογικής (common sense reasoning), τη βαθιά κατανόηση φυσικής γλώσσας, τη συνεργασία ανθρώπου και μηχανής (και όχι αντιπαράθεσή τους), καθώς και τον συνδυασμό Machine Learning με συμβολική ΤΝ και την αιτιακή συλλογιστική (causality)[1].

Rodney Brooks (MIT) επέστησε την προσοχή στον περιορισμό της μετρικής βιομηχανικών ρομπότ, τα οποία συχνά δεν περιέχουν στοιχεία ΤΝ. Πρότεινε την παρακολούθηση ρομπότ με στοιχεία ΤΝ: drones (SLAM και άλλοι αλγόριθμοι), οικιακά ρομπότ (Roomba) και δυνητικά κοινωνικά ρομπότ[1].

Toby Walsh (UNSW Sydney, TU Berlin) επεσήμανε την ανάγκη ποσοτικών μετρικών για τη μέτρηση των αυξανόμενων κρατικών και ιδιωτικών επενδύσεων (Ηνωμένο Βασίλειο — 1 δισεκατομμύριο λίρες, Γαλλία — 1,5 δισεκατομμύριο ευρώ, Γερμανία — 3 δισεκατομμύρια ευρώ, Alibaba — 15 δισεκατομμύρια δολάρια), καθώς και για την παρακολούθηση της στρατιωτικής χρήσης ΤΝ, συμπεριλαμβανομένων των αυτόνομων όπλων[1].

Μεθοδολογία

Η έκθεση χρησιμοποίησε δεδομένα από πολλαπλές πηγές[1]:

  • Δημοσιεύσεις: Elsevier Scopus (~70 εκατομμύρια έγγραφα, ~800 λέξεις-κλειδιά ΤΝ), arXiv.org.
  • Συνέδρια: AAAI, NeurIPS, ICML, CVPR, ICLR, IJCAI, ACL, ICRA, ICAPS, UAI, KR, AAMAS, WiML, AI4ALL.
  • Μαθήματα: δεδομένα απευθείας από πανεπιστήμια (17 ιδρύματα σε 10 χώρες).
  • Νεοφυείς επιχειρήσεις και επενδύσεις: Sand Hill Econometrics (Dow Jones VentureSource), Crunchbase API.
  • Κενές θέσεις εργασίας: Monster.com, Gartner TalentNeuron.
  • Διπλώματα ευρεσιτεχνίας: amplified (IPC κωδικοί: Cognition and meaning understanding, Human-interface technology).
  • Υιοθέτηση ΤΝ: McKinsey & Company (έρευνα 2 135 ερωτηθέντων).
  • Εταιρικές εκθέσεις: Prattle (ανάλυση κειμένων εκθέσεων κερδών από το FactSet).
  • Ρομποτική: International Federation of Robotics (IFR), ROS.org.
  • Μέσα ενημέρωσης: TrendKite (ανάλυση τόνου άρθρων).
  • Κυβέρνηση: Congressional Record (ΗΠΑ), Hansards (Ηνωμένο Βασίλειο και Καναδάς), McKinsey Global Institute.
  • Benchmarks: ImageNet (LSVRC), COCO, Penn Treebank, WMT (EuroMatrix), ARC (Allen Institute for AI), GLUE.

Συγγραφική ομάδα

Η έκθεση εκπονήθηκε από την Οδηγούσα Επιτροπή AI Index υπό την προεδρία του Yoav Shoham (Stanford University) με τη συμμετοχή των Raymond Perrault (SRI International), Erik Brynjolfsson (MIT), Jack Clark (OpenAI), James Manyika (McKinsey Global Institute), Juan Carlos Niebles (Stanford University), Terah Lyons (Partnership on AI), John Etchemendy (Stanford University) και Barbara Grosz (Harvard University). Διευθυντής έργου ήταν η Zoe Bauer. Το AI Index δημιουργήθηκε αρχικά στο πλαίσιο του έργου One Hundred Year Study on AI (AI100) και στη συνέχεια εντάχθηκε στο Ινστιτούτο HAI (Human-Centered AI) του Stanford[1].

Πλαίσιο και σημασία

Το AI Index Report 2018 αποτέλεσε σημαντικό σταθμό στην ανάπτυξη της συστηματικής παρακολούθησης της προόδου της ΤΝ. Κατέγραψε μια σειρά σημείων καμπής: η ταχεία ανάπτυξη του deep learning και η κυριαρχία του μεταξύ των προσεγγίσεων ΤΝ, η μετάβαση της κοινότητας computer vision σε πιο σύνθετες εργασίες μετά τον «κορεσμό» του ImageNet, η επαναστατική επίδραση του μοντέλου BERT στην επεξεργασία φυσικής γλώσσας, καθώς και η άνευ προηγουμένου αύξηση της συμμετοχής της βιομηχανίας στην ανάπτυξη προηγμένων συστημάτων ΤΝ. Η έκθεση τεκμηρίωσε επίσης για πρώτη φορά συστηματικά τον «ανταγωνισμό» μεταξύ κρατών στη χρηματοδότηση και τον στρατηγικό σχεδιασμό ΤΝ — μια τάση που θα διαμόρφωνε την ανάπτυξη του κλάδου τα επόμενα χρόνια[1].

Παραπομπές

Βιβλιογραφία

Σημειώσεις

  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 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. ↑ 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
  3. ↑ arXiv.org (2018). Submission statistics. https://arxiv.org/stats/yearly_submissions
  4. ↑ AAAI (2018). AAAI 2018 Conference Proceedings. https://aaai.org/aaai-conference/
  5. ↑ Women in Machine Learning (WiML) (2018). Workshop data. https://wimlworkshop.org/
  6. ↑ AI4ALL (2018). Program data. https://ai-4-all.org/
  7. ↑ ROS.org (2018). ROS Community Metrics Report. https://metrics.ros.org/
  8. ↑ 8.0 8.1 Sand Hill Econometrics (2018). AI Startup and VC Funding Data. Dow Jones VentureSource.
  9. ↑ 9.0 9.1 Monster.com / Gartner TalentNeuron (2018). AI Job Openings Data. https://www.monster.com/
  10. ↑ amplified (2018). AI Patent Data. https://www.amplified.ai/
  11. ↑ 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
  12. ↑ Prattle (2018). Earnings call analysis data. FactSet.
  13. ↑ International Federation of Robotics (2018). World Robotics Report 2017. https://ifr.org/worldrobotics/
  14. ↑ GitHub Archive / Google BigQuery (2018). GitHub repository stars data. https://github.com/
  15. ↑ TrendKite (2018). Media sentiment analysis data. https://www.trendkite.com/
  16. ↑ ImageNet (2018). LSVRC leaderboard and validation results. https://image-net.org/challenges/LSVRC/
  17. ↑ DAWNBench / Stanford (2018). ImageNet training time results. https://dawn.cs.stanford.edu/benchmark/
  18. ↑ COCO (2018). Instance Segmentation Leaderboard. https://cocodataset.org/#detection-leaderboard
  19. ↑ Penn Treebank (2018). Section 23 parsing results. See NLPProgress: https://nlpprogress.com/english/constituency_parsing.html
  20. ↑ Workshop on Machine Translation / EuroMatrix (2018). WMT News Translation Task results. http://www.statmt.org/wmt18/
  21. ↑ Clark, P. et al. (2018). Think you have Solved Question Answering? Try ARC, the AI2 Reasoning Challenge. https://arxiv.org/abs/1803.05457
  22. ↑ Wang, A. et al. (2018). GLUE: A Multi-Task Benchmark and Analysis Platform for Natural Language Understanding. https://arxiv.org/abs/1804.07461
  23. ↑ Devlin, J. et al. (2018). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. https://arxiv.org/abs/1810.04805
  24. ↑ Dutton, T. (2018). An Overview of National AI Strategies. https://medium.com/politics-ai/an-overview-of-national-ai-strategies-2a70ec6edfd
  25. ↑ European Commission (2018). Communication on Artificial Intelligence for Europe. https://ec.europa.eu/digital-single-market/en/artificial-intelligence
  26. ↑ 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/
Retrieved from "https://systems-analysis.info/int/index.php?title=The_2018_AI_Index_Report_(EL)&oldid=7933"