The 2018 AI Index Report (HI)
AI Index Report 2018 — AI Index का दूसरा वार्षिक संस्करण है, जिसे स्टैनफोर्ड विश्वविद्यालय में AI Index संचालन समिति द्वारा दिसंबर 2018 में तैयार किया गया था[1]। AI Index परियोजना का मिशन कृत्रिम बुद्धिमत्ता (AI) पर चर्चा को वस्तुनिष्ठ डेटा से समृद्ध करना है। 2018 की रिपोर्ट पहले संस्करण (2017) से इस मायने में भिन्न है कि इसमें वैश्विक охват को काफी विस्तारित किया गया है: यदि पिछली रिपोर्ट मुख्यतः उत्तर अमेरिकी विषयों पर केंद्रित थी, तो 2018 का संस्करण यूरोप, चीन, दक्षिण कोरिया, जापान और विश्व के अन्य क्षेत्रों के डेटा को शामिल करने का प्रयास करता है। रिपोर्ट AI से संबंधित डेटा को ट्रैक, वर्गीकृत और दृश्यात्मक रूप में प्रस्तुत करती है, जिससे नीति-निर्माताओं, शोधकर्ताओं, प्रबंधकों, पत्रकारों और आम जनता को जानकारी मिलती है।
रिपोर्ट की संरचना
2018 की रिपोर्ट में चार मुख्य खंड हैं[1]:
- डेटा: गतिविधि का आयतन (Volume of Activity) — प्रकाशन, पाठ्यक्रमों में पंजीकरण, सम्मेलनों में भागीदारी, रोबोटिक्स सॉफ़्टवेयर डाउनलोड, स्टार्टअप और निवेश, रिक्तियाँ, पेटेंट, कंपनियों में AI का कार्यान्वयन, आय रिपोर्टों में उल्लेख, रोबोट की स्थापना, open source परियोजनाएँ, सार्वजनिक रुचि।
- डेटा: तकनीकी प्रदर्शन (Technical Performance) — कंप्यूटर विज़न, प्राकृतिक भाषा प्रसंस्करण, Machine Translation, प्रश्नोत्तर प्रणालियाँ।
- अतिरिक्त मापदंड (Other Measures) — व्युत्पन्न संकेतक, सरकारी पहलें, मानवीय क्षमताओं के स्तर पर उपलब्धियाँ।
- परिशिष्ट (Appendix) — स्रोतों, पद्धतियों और बारीकियों का पूर्ण विवरण।
रिपोर्ट के प्रमुख निष्कर्ष
2018 की रिपोर्ट के लेखकों ने कई मुख्य बिंदु प्रस्तुत किए[1]:
AI — एक वैश्विक परिघटना
Scopus डेटाबेस में 2017 के AI लेखों का 83% अमेरिका के बाहर के लेखकों द्वारा प्रकाशित किया गया था। सभी AI लेखों का 28% यूरोप से था — यह विश्व के सभी क्षेत्रों में सर्वोच्च था। AI और Machine Learning पाठ्यक्रमों में छात्रों का नामांकन पूरी दुनिया में बढ़ा, विशेष रूप से चीन के सिंघुआ विश्वविद्यालय में, जहाँ 2017 में AI और ML पाठ्यक्रमों में कुल नामांकन 2010 की तुलना में 16 गुना अधिक था[1]।
AI क्षेत्र में गतिविधि लगभग सर्वत्र बढ़ रही है
प्रकाशनों, पाठ्यक्रमों, सम्मेलनों, स्टार्टअप, वेंचर फंडिंग, पेटेंट और अन्य मापदंडों में वृद्धि देखी जा रही है। तकनीकी प्रदर्शन सभी क्षेत्रों में सुधर रहा है[1]।
Machine Learning AI की उप-शाखा के रूप में प्रभावी
2017 में Scopus पर AI के 56% लेख "Machine Learning और संभाव्य तर्क" श्रेणी से थे (2010 में 28% की तुलना में)। ML के परिचयात्मक पाठ्यक्रमों में नामांकन समग्र AI पाठ्यक्रमों की तुलना में तेज़ी से बढ़ा। Machine Learning को समर्पित NeurIPS और ICML सम्मेलनों में उपस्थिति में सबसे अधिक वृद्धि हुई[2]।
लैंगिक विविधता एक गंभीर समस्या बनी हुई है
प्रमुख विश्वविद्यालयों (UC Berkeley, Stanford, UIUC, CMU, University College London, Oxford, ETH Zurich) में औसतन 80% AI प्रोफेसर पुरुष थे। अमेरिका में AI से संबंधित पदों के लिए औसतन 71% आवेदक पुरुष थे[1]।
खंड 1. गतिविधि का आयतन: शोध
प्रकाशन
Scopus प्लेटफॉर्म पर AI लेखों की संख्या 1996 से 7 गुना बढ़ी, जबकि कंप्यूटर विज्ञान (Computer Science) के लेख उसी अवधि में 5 गुना बढ़े। यह दर्शाता है कि AI प्रकाशनों में वृद्धि केवल Computer Science में सामान्य रुचि के कारण नहीं, बल्कि इसकी स्वतंत्र गतिशीलता के कारण भी है[2]।
क्षेत्रीय वितरण। यूरोप लगातार AI प्रकाशनों में सबसे बड़ा क्षेत्र बना रहा: 2017 में Scopus पर AI लेखों का 28% यूरोपीय लेखकों से संबंधित था, इसके बाद चीन (25%) और अमेरिका (17%) का स्थान था। इसके साथ ही, 2007 से 2017 के बीच चीन से प्रकाशनों की संख्या में 150% की वृद्धि हुई[2]।
उप-श्रेणियाँ। Neural Network श्रेणी में सबसे अधिक वृद्धि देखी गई: वार्षिक औसत वृद्धि दर (CAGR) 2010–2014 में 3% और 2014–2017 में 37% रही। arXiv प्लेटफॉर्म पर लेखों में भी तेज़ वृद्धि हुई: 2014 से कंप्यूटर विज़न और पैटर्न पहचान arXiv पर AI की सबसे बड़ी उप-श्रेणी बन गई[3]।
क्षेत्रीय संबद्धता। चीनी सरकारी संगठनों से संबंधित AI लेखों की संख्या 2007 से 2017 के बीच 400% बढ़ी, जबकि चीन से कॉर्पोरेट प्रकाशन केवल 73% बढ़े। इसके विपरीत, अमेरिका में कॉर्पोरेट प्रकाशनों का अनुपात काफी अधिक था: 2017 में अमेरिका में AI के कॉर्पोरेट लेखों का अनुपात चीन की तुलना में 6.6 गुना और यूरोप की तुलना में 4.1 गुना अधिक था[2]।
उद्धरण। अमेरिकी लेखकों के लेखों को वैश्विक औसत से 83% अधिक बार उद्धृत किया गया। हालाँकि यूरोप पूर्ण प्रकाशन संख्या में अग्रणी था, उसका उद्धरण दर वैश्विक औसत के स्तर पर बनी रही। चीन ने अपनी उद्धरण दर में उल्लेखनीय सुधार किया: 2016 में चीनी लेखकों को 2000 की तुलना में 44% अधिक उद्धृत किया गया[2]।
लेखकों की गतिशीलता। गतिशील लेखक (अपने गृह क्षेत्र के बाहर प्रकाशित करने वाले) "स्थिर" (sedentary) लेखकों की तुलना में अधिक उद्धरण और उत्पादकता प्रदर्शित करते थे। तीन क्षेत्रों में से चीन में स्थिर लेखकों का सबसे अधिक अनुपात (76%) था, इसके बाद यूरोप (52%) और अमेरिका (38%) का स्थान था[2]।
AAAI सम्मेलन। AAAI 2018 सम्मेलन में प्रस्तुत लगभग 70% और स्वीकृत 67% लेख अमेरिका या चीन से संबंधित थे। हालाँकि चीन ने सबसे अधिक लेख प्रस्तुत किए, अमेरिका और चीन के स्वीकृत लेखों की संख्या लगभग समान थी (क्रमशः 268 और 265)। अमेरिका के लिए स्वीकृति दर 29% और चीन के लिए 21% रही[4]।
पाठ्यक्रमों में नामांकन
अमेरिकी विश्वविद्यालय। 2017 में ML के परिचयात्मक पाठ्यक्रमों में नामांकन 2012 की तुलना में 5 गुना अधिक था। UC Berkeley में वृद्धि 6.8 गुना रही। AI के परिचयात्मक पाठ्यक्रमों में नामांकन उसी अवधि में 3.6 गुना बढ़ा। इसके साथ ही Stanford और Berkeley में AI और ML के परिचयात्मक पाठ्यक्रमों में 74–79% छात्र पुरुष थे[1]।
अंतर्राष्ट्रीय विश्वविद्यालय। 2017 में सिंघुआ विश्वविद्यालय में AI+ML पाठ्यक्रमों में कुल नामांकन 2010 के आँकड़े से 16 गुना अधिक था। एडिनबर्ग विश्वविद्यालय, USTC और SJTU (चीन), PUC (चिली) और अन्य विश्वविद्यालयों में भी वृद्धि देखी गई[1]।
सम्मेलनों में भागीदारी
प्रमुख सम्मेलन। NeurIPS और ICML ने सबसे अधिक वृद्धि दर्शाई: 2018 में NeurIPS की उपस्थिति 2012 की तुलना में 4.8 गुना और ICML की 6.8 गुना अधिक थी। यह Machine Learning में बढ़ती रुचि को दर्शाता है[1]।
छोटे सम्मेलन। 2018 में ICLR (International Conference on Learning Representations) की उपस्थिति 2012 की तुलना में 20 गुना अधिक थी — संभवतः Deep Learning और Reinforcement Learning में बढ़ती रुचि के परिणामस्वरूप[1]।
| सम्मेलन | उपस्थिति (2018, लगभग) | 2012 से वृद्धि |
|---|---|---|
| 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 |
समावेशन संगठन। Women in Machine Learning (WiML) कार्यशाला में नामांकन 2014 से 600% बढ़ा। AI4ALL (AI में विविधता बढ़ाने की पहल) के स्नातकों की संख्या 2015 से 900% बढ़ी[5][6]।
रोबोटिक्स सॉफ़्टवेयर डाउनलोड
ROS.org से ROS (Robot Operating System) पैकेज के अद्वितीय डाउनलोड 2014 से 567% बढ़े। 2017 में चीन से ROS.org पृष्ठ दृश्यों की संख्या 2012 की तुलना में 18 गुना अधिक थी[7]।
शिक्षा जगत में लैंगिक विविधता
विश्व के सात प्रमुख विश्वविद्यालयों के AI विभागों के विश्लेषण से पता चला कि औसतन 80% AI प्रोफेसर पुरुष थे। इन विश्वविद्यालयों में UC Berkeley, Stanford, UIUC, CMU, University College London, Oxford और ETH Zurich शामिल थे। क्षेत्रों के बीच कोई महत्वपूर्ण अंतर नहीं पाया गया[1]।
खंड 2. गतिविधि का आयतन: उद्योग
स्टार्टअप और निवेश
जनवरी 2015 से जनवरी 2018 के बीच अमेरिका में वेंचर कैपिटल-समर्थित सक्रिय AI स्टार्टअप की संख्या 113% बढ़ी, जबकि कुल स्टार्टअप की संख्या केवल 28% बढ़ी[8]।
अमेरिका में AI स्टार्टअप में वेंचर फंडिंग 2013 से 2017 के बीच 350% बढ़ी, जबकि कुल वेंचर फंडिंग उसी अवधि में 100% बढ़ी[8]।
रिक्तियाँ
Deep Learning सबसे तेज़ी से बढ़ती माँग वाला कौशल था: Deep Learning कौशल की माँग करने वाली रिक्तियों की संख्या 2015 से 2017 के बीच 34 गुना बढ़ी। Machine Learning पूर्ण मात्रा में सबसे अधिक माँग वाला कौशल बना रहा[9]।
लैंगिक वितरण। औसतन पुरुष अमेरिका में AI से संबंधित रिक्तियों के लिए आवेदकों के 71% थे। Deep Learning और रोबोटिक्स से संबंधित पदों के आवेदकों में सबसे अधिक लैंगिक विविधता देखी गई[9]।
पेटेंट
2014 में AI क्षेत्र के लगभग 30% पेटेंट अमेरिका में पंजीकृत थे, इसके बाद दक्षिण कोरिया और जापान (प्रत्येक 16%) का स्थान था। दक्षिण कोरिया और ताइवान ने सबसे अधिक वृद्धि दिखाई: 2014 में AI पेटेंट की संख्या 2004 की तुलना में लगभग 5 गुना अधिक थी[10]।
कंपनियों में AI का कार्यान्वयन
McKinsey & Company के सर्वेक्षण (2,135 उत्तरदाता) के अनुसार, सबसे आम AI तकनीकें रोबोटिक प्रक्रिया स्वचालन और Machine Learning थीं। संगठन आमतौर पर उन व्यावसायिक कार्यों में AI लागू करते थे जो उनके उद्योग में सबसे अधिक लाभ देते थे: वित्तीय कंपनियाँ जोखिम प्रबंधन में, ऑटोमोटिव कंपनियाँ उत्पादन में और खुदरा कंपनियाँ विपणन और बिक्री में AI का सक्रिय उपयोग करती थीं[11]।
| क्षेत्र | सबसे लोकप्रिय AI क्षमताएँ (% उत्तरदाता) |
|---|---|
| उत्तरी अमेरिका | प्रक्रिया स्वचालन (23%), Machine Learning (23%) |
| यूरोप | प्रक्रिया स्वचालन (27%), Machine Learning (21%) |
| उभरते बाज़ार (चीन सहित) | कंप्यूटर विज़न (26%), प्रक्रिया स्वचालन (23%) |
| भारत | Machine Learning (25%), प्रक्रिया स्वचालन (30%) |
कॉर्पोरेट रिपोर्टों में AI का उल्लेख
न्यूयॉर्क स्टॉक एक्सचेंज पर सूचीबद्ध कंपनियों की आय रिपोर्टों में "कृत्रिम बुद्धिमत्ता" और "Machine Learning" के उल्लेख 2015 से तेज़ी से बढ़े। IT क्षेत्र में AI उल्लेखों में NVIDIA (2017 में 93 उल्लेख) अग्रणी रही, इसके बाद LivePerson (50) और Pegasystems (44) का स्थान था। ML उल्लेखों में Alphabet (57) आगे रहा[12]।
औद्योगिक रोबोट की स्थापना
चीन ने 2012 से 2017 के बीच वार्षिक औद्योगिक रोबोट स्थापनाओं में 500 प्रतिशत की वृद्धि दर्शाई। दक्षिण कोरिया और यूरोप ने क्रमशः 105% और 122% की वृद्धि की। छोटे बाज़ारों में ताइवान ने सबसे अधिक मात्रा और वृद्धि दिखाई[13]।
Open Source सॉफ़्टवेयर
GitHub रिपॉजिटरी की stars के विश्लेषण से प्रमुख कंपनियों द्वारा समर्थित frameworks की लोकप्रियता में उल्लेखनीय वृद्धि दिखाई दी: TensorFlow (Google), PyTorch (Facebook), MXNet (Amazon)। TensorFlow 2018 तक 100,000 से अधिक stars के साथ लोकप्रियता में अन्य सभी frameworks से काफी आगे था[14]।
खंड 3. गतिविधि का आयतन: सार्वजनिक रुचि
मीडिया कवरेज का भाव
"कृत्रिम बुद्धिमत्ता" शब्द वाले लेख कम तटस्थ और अधिक सकारात्मक होते गए: सकारात्मक लेखों का अनुपात जनवरी 2016 के 12% से बढ़कर जुलाई 2016 में 30% हो गया और 2018 तक इसी स्तर पर बना रहा[15]।
सरकारी दस्तावेज़ों में उल्लेख
अमेरिकी कांग्रेस, कनाडा और ब्रिटेन की संसदों की कार्यवाही में "कृत्रिम बुद्धिमत्ता" और "Machine Learning" शब्दों का उल्लेख 2016 से तेज़ी से बढ़ा। उल्लेखनीय है कि "Machine Learning" का 2016 से पहले संसदीय दस्तावेज़ों में लगभग कोई उल्लेख नहीं था[1]।
खंड 4. तकनीकी प्रदर्शन
कंप्यूटर विज़न: ImageNet
सटीकता। ImageNet पर प्रदर्शन 2017 में आधिकारिक प्रतियोगिता समाप्त होने के बाद भी बढ़ता रहा। AI Index ने ImageNet 2012 के validation dataset पर परिणामों द्वारा प्रगति को ट्रैक किया। छवि वर्गीकरण की सटीकता मानव स्तर (लगभग 5% त्रुटि) से काफी आगे निकल गई[16]।
प्रशिक्षण गति। ImageNet छवि वर्गीकरण के लिए Neural Network के प्रशिक्षण का समय जून 2017 के लगभग 60 मिनट से घटकर नवंबर 2018 में 3.7 मिनट हो गया — डेढ़ वर्ष में 16 गुना तेज़। यह एल्गोरिदमिक नवाचारों के साथ-साथ बुनियादी ढाँचे (हार्डवेयर और सॉफ़्टवेयर) में निवेश को दर्शाता है[17]।
| दिनांक | ImageNet प्रशिक्षण समय |
|---|---|
| जून 2017 | ~60 मिनट |
| नवंबर 2017 | ~30 मिनट |
| नवंबर 2017 | ~15 मिनट |
| जुलाई 2018 | ~6.6 मिनट |
| नवंबर 2018 | ~3.7 मिनट |
कंप्यूटर विज़न: COCO
COCO (Common Objects in Context) वस्तु विभाजन प्रतियोगिता में उच्चतम औसत सटीकता 2015 से 2018 के बीच 72% बढ़ी (0.28 से 0.48 तक)। कंप्यूटर विज़न समुदाय अपेक्षाकृत सरल कार्यों (वर्गीकरण) से जटिल कार्यों (पिक्सेल स्तर पर वस्तु स्थानीयकरण, semantic segmentation) की ओर स्थानांतरित हुआ[18]।
प्राकृतिक भाषा प्रसंस्करण: पार्सिंग
वाक्य संरचना पार्सिंग (Penn Treebank) के लिए F1 मापदंड 2003 से 2018 के बीच 9 प्रतिशत अंक बढ़ा (~86% से ~95% तक)। पार्सिंग लगभग पूरी तरह प्रोग्रामिंग भाषाओं की पार्सिंग जैसी विधियों से Deep Learning-आधारित विधियों की ओर स्थानांतरित हो गई[19]।
Machine Translation
WMT प्रतियोगिता में अंग्रेज़ी से जर्मन अनुवाद के BLEU स्कोर 2008 की तुलना में 3.5 गुना बढ़े; जर्मन से अंग्रेज़ी अनुवाद के लिए — 2.5 गुना। यह प्रगति Transformer आर्किटेक्चर और डेटा के अधिक प्रभावी उपयोग से संभव हुई[20]।
प्रश्नोत्तर प्रणालियाँ: ARC
Allen Institute for AI द्वारा अप्रैल 2018 में जारी AI2 Reasoning Challenge (ARC) benchmark पर Challenge Set (अमेरिकी स्कूलों की कक्षा 3–9 स्तर के कठिन प्रश्न) पर प्रदर्शन अप्रैल से नवंबर 2018 के बीच 27% से 42% और Easy Set पर 63% से 69% तक सुधरा[21]।
प्रश्नोत्तर प्रणालियाँ: GLUE
मई 2018 में जारी GLUE (General Language Understanding Evaluation) benchmark नौ उप-कार्यों पर प्राकृतिक भाषा समझ प्रणालियों के परीक्षण के लिए बनाया गया था। इस benchmark के छह महीने से कम पुराने होने के बावजूद, प्रदर्शन ने पहले प्रकाशित आधार मापदंड और मानव मूल्यांकन स्तर (~90%) के बीच के अंतर को लगभग आधा कम कर दिया था। Google का BERT मॉडल नया मानक बन गया — इसे पहले महीने में आठ बार उद्धृत किया गया[22][23]।
खंड 5. व्युत्पन्न मापदंड
शिक्षा जगत — उद्योग की गतिशीलता
AI में शैक्षणिक और औद्योगिक गतिविधि के बीच संबंध का अध्ययन करने के लिए, लेखकों ने तीन सामान्यीकृत संकेतकों की तुलना की: Scopus पर प्रकाशन, अमेरिकी विश्वविद्यालयों में AI/ML पाठ्यक्रमों में नामांकन और AI स्टार्टअप में वेंचर निवेश। तीनों मापदंड 2010 से बढ़ रहे थे, लेकिन वेंचर निवेश बाकियों की तुलना में काफी तेज़ी से बढ़ा[1]।
AI Vibrancy Index - AI जीवंतता सूचकांक
जीवंतता सूचकांक ने तीन मापदंडों (प्रकाशन, नामांकन, वेंचर निवेश) को 2010 के आधार वर्ष पर सामान्यीकृत एकल संकेतक में एकत्रित किया। 2017 तक यह सूचकांक 2010 के आधार मूल्य की तुलना में लगभग 7–9 गुना बढ़ा, मुख्यतः वेंचर फंडिंग की वृद्धि के कारण[1]।
खंड 6. सरकारी पहलें
रिपोर्ट में पहली बार तीन क्षेत्रों में AI के क्षेत्र में सरकारी पहलों का अवलोकन शामिल था[1][24]:
अमेरिका
अक्टूबर 2016 में ओबामा प्रशासन ने राष्ट्रीय AI रणनीति प्रस्तावित की और AI के भविष्य की तैयारी पर पहली नीति रिपोर्ट (Preparing for the Future of Artificial Intelligence) प्रकाशित की। मई 2018 में ट्रम्प प्रशासन ने AI शिखर सम्मेलन आयोजित किया और कृत्रिम बुद्धिमत्ता पर एक विशेष समिति बनाई। सितंबर 2018 में DARPA ने AI Next कार्यक्रम में 2 बिलियन डॉलर से अधिक के निवेश की योजना की घोषणा की। निजी कंपनियों ने केंद्रीय भूमिका निभाई: 2017 में Amazon और Alphabet ने क्रमशः 16.1 बिलियन और 13.9 बिलियन डॉलर अनुसंधान और विकास में निवेश किए — NSF, DARPA और DOT के संयुक्त बजट (~5.3 बिलियन डॉलर) से काफी अधिक[1]।
यूरोप
अप्रैल 2018 में EU के सदस्य राज्यों ने AI सहयोग घोषणापत्र पर हस्ताक्षर किए, और यूरोपीय आयोग ने 2018–2020 में AI अनुसंधान के समर्थन के लिए 1.5 बिलियन यूरो आवंटित किए (Horizon 2020 कार्यक्रम के 2.6 बिलियन यूरो के अतिरिक्त)। लक्ष्य 10 वर्षों में AI में 20 बिलियन यूरो निवेश आकर्षित करना था। ब्रिटेन ने 950 मिलियन पाउंड के निवेश के साथ AI Sector Deal प्रकाशित किया। फ्रांस ने तीन रिपोर्टें जारी कीं, जिनमें "Mission Villani" भी शामिल है, जो नीति, प्रतिभा पलायन की रोकथाम और AI में विविधता पर केंद्रित थी[25]।
चीन
2014 से चीनी सरकार ने 2018 तक 14.7 बिलियन डॉलर का AI बाज़ार बनाने और 2030 तक AI में विश्व नेतृत्व सुनिश्चित करने के लिए राष्ट्रीय पहलों की एक श्रृंखला शुरू की। मुख्य दस्तावेज़ "नई पीढ़ी AI विकास योजना" (जुलाई 2017) था, जिसमें 2020 तक अग्रणी देशों के स्तर तक पहुँचना, 2025 तक बड़ी सफलताएँ हासिल करना और 2030 तक AI नवाचार के वैश्विक केंद्र का दर्जा प्राप्त करना शामिल था[26]।
खंड 7. मानवीय क्षमताओं के स्तर पर उपलब्धियाँ
रिपोर्ट ने उन मामलों की समयरेखा जारी रखी जब AI ने मानव स्तर तक पहुँचा या उसे पार किया। 2018 में चार नई उपलब्धियाँ जोड़ी गईं[1]:
| वर्ष | उपलब्धि | विवरण |
|---|---|---|
| 1980 | Othello | BILL कार्यक्रम (कू-फू ली और एस. महाजान) ने सर्वश्रेष्ठ अमेरिकी खिलाड़ी को हराया; 1997 में Logistello ने विश्व चैंपियन को हराया |
| 1995 | चेकर्स | Chinook कार्यक्रम ने विश्व चैंपियन को हराया |
| 1997 | शतरंज | IBM DeepBlue ने गैरी कास्पारोव को हराया |
| 2011 | Jeopardy! | IBM Watson ने चैंपियन ब्रैड रटर और केन जेनिंग्स को हराया |
| 2015 | Atari | DeepMind ने Atari के 49 खेलों में मानव स्तर हासिल किया |
| 2016 | Go | AlphaGo ने ली सेडोल को हराया (4–1); AlphaGo Zero ने AlphaGo को 100–0 से हराया |
| 2016 | वस्तु पहचान (ImageNet) | वर्गीकरण त्रुटि 2010 के 28% से घटकर 3% से कम हुई, जबकि मानव स्तर ~5% है |
| 2017 | वाक् पहचान (Switchboard) | Microsoft और IBM ने मानव सटीकता के करीब स्तर हासिल किया |
| 2017 | पोकर | Libratus (CMU) ने 120,000 बाज़ियों में चार पेशेवर खिलाड़ियों को हराया; DeepStack (अल्बर्टा) ने 11 पेशेवरों को हराया |
| 2017 | त्वचा कैंसर वर्गीकरण | AI प्रणाली (Esteva et al., Nature) ने 21 प्रमाणित त्वचा विशेषज्ञों के स्तर को हासिल किया |
| 2017 | Ms. Pac-Man | Maluuba (Microsoft) टीम ने Atari 2600 पर अधिकतम स्कोर 999,900 हासिल किया |
| 2018 | Capture the Flag | DeepMind एजेंट ने Quake III Arena CTF के संशोधित संस्करण में मानव स्तर हासिल किया |
| 2018 | Dota 2 | OpenAI Five ने शौकिया टीमों को हराया (प्रतिबंधों के साथ), लेकिन पेशेवरों से हारा |
| 2018 | प्रोस्टेट कैंसर ग्रेडिंग | Google की प्रणाली ने पैथोलॉजिस्टों के 61% की तुलना में 70% समग्र सटीकता हासिल की |
| 2018 | चीनी-अंग्रेज़ी अनुवाद | Microsoft की प्रणाली ने newstest2017 dataset पर मानव स्तर हासिल किया |
रिपोर्ट के लेखकों ने इस बात पर ज़ोर दिया कि इन परिणामों को बढ़ा-चढ़ाकर नहीं देखना चाहिए: ये कार्य अत्यंत विशेष थे और इन उपलब्धियों का अर्थ यह नहीं है कि प्रणालियाँ सामान्यीकरण करने में सक्षम हैं[1]।
खंड 8. क्या जोड़ना आवश्यक है? (What's Missing?)
यह खंड सूचकांक के विकास की दिशाओं पर तीन विशेषज्ञों के विचार प्रस्तुत करता है[1]।
Francesca Rossi (IBM, पडुआ विश्वविद्यालय) ने सामान्य बोध (common sense reasoning), प्राकृतिक भाषा की गहरी समझ, मनुष्य और मशीन के बीच सहयोग (न कि प्रतिस्पर्धा), Machine Learning को प्रतीकात्मक AI के साथ संयोजन और कार्य-कारण अनुमान (causality) के लिए मापदंड जोड़ने का प्रस्ताव दिया[1]।
Rodney Brooks (MIT) ने औद्योगिक रोबोट मापदंड की सीमाओं की ओर ध्यान दिलाया, जिनमें अक्सर AI घटक नहीं होते। उन्होंने AI घटक वाले रोबोटों को ट्रैक करने का सुझाव दिया: ड्रोन (SLAM और अन्य एल्गोरिदम), घरेलू रोबोट (Roomba) और संभावित सामाजिक रोबोट[1]।
Toby Walsh (UNSW Sydney, TU Berlin) ने बढ़ते सरकारी और निजी निवेश को मापने के लिए मात्रात्मक मापदंडों की आवश्यकता बताई (ब्रिटेन — 1 बिलियन पाउंड, फ्रांस — 1.5 बिलियन यूरो, जर्मनी — 3 बिलियन यूरो, Alibaba — 15 बिलियन डॉलर), साथ ही स्वायत्त हथियारों सहित AI के सैन्य उपयोग को ट्रैक करने की भी ज़रूरत बताई[1]।
पद्धति
रिपोर्ट ने अनेक स्रोतों के डेटा का उपयोग किया[1]:
- प्रकाशन: Elsevier Scopus (~70 मिलियन दस्तावेज़, ~800 AI कीवर्ड), arXiv.org।
- सम्मेलन: AAAI, NeurIPS, ICML, CVPR, ICLR, IJCAI, ACL, ICRA, ICAPS, UAI, KR, AAMAS, WiML, AI4ALL।
- पाठ्यक्रम: विश्वविद्यालयों से सीधे प्राप्त डेटा (10 देशों के 17 विश्वविद्यालय)।
- स्टार्टअप और निवेश: Sand Hill Econometrics (Dow Jones VentureSource), Crunchbase API।
- रिक्तियाँ: Monster.com, Gartner TalentNeuron।
- पेटेंट: amplified (IPC कोड: Cognition and meaning understanding, Human-interface technology)।
- AI कार्यान्वयन: McKinsey & Company (2,135 उत्तरदाताओं का सर्वेक्षण)।
- कॉर्पोरेट रिपोर्ट: Prattle (FactSet के साथ आय रिपोर्टों के पाठों का विश्लेषण)।
- रोबोटिक्स: International Federation of Robotics (IFR), ROS.org।
- मीडिया: TrendKite (लेखों के भाव का विश्लेषण)।
- सरकार: Congressional Record (अमेरिका), Hansards (ब्रिटेन और कनाडा), McKinsey Global Institute।
- Benchmark: ImageNet (LSVRC), COCO, Penn Treebank, WMT (EuroMatrix), ARC (Allen Institute for AI), GLUE।
लेखक दल
रिपोर्ट AI Index संचालन समिति द्वारा तैयार की गई, जिसकी अध्यक्षता Yoav Shoham (Stanford University) ने की। इसमें 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) और Barbara Grosz (Harvard University) ने भागीदारी की। परियोजना प्रबंधक Zoe Bauer थीं। AI Index मूल रूप से One Hundred Year Study on AI (AI100) परियोजना के अंतर्गत शुरू हुआ और बाद में स्टैनफोर्ड HAI (Human-Centered AI) संस्थान में स्थापित किया गया[1]।
संदर्भ और महत्व
AI Index Report 2018 AI की व्यवस्थित निगरानी के विकास में एक महत्वपूर्ण पड़ाव बना। इसने कई निर्णायक क्षणों को दर्ज किया: Deep Learning का तीव्र विकास और AI दृष्टिकोणों में उसका प्रभुत्व, ImageNet "संतृप्ति" के बाद कंप्यूटर विज़न समुदाय का जटिल कार्यों की ओर संक्रमण, BERT मॉडल का प्राकृतिक भाषा प्रसंस्करण पर क्रांतिकारी प्रभाव, और अत्याधुनिक AI प्रणालियों के विकास में उद्योग की भागीदारी में अभूतपूर्व वृद्धि। रिपोर्ट ने पहली बार AI के वित्तपोषण और रणनीतिक योजना में राज्यों के बीच "होड़" को व्यवस्थित रूप से दर्ज किया — एक प्रवृत्ति जो आने वाले वर्षों में उद्योग के विकास को निर्धारित करेगी[1]।
संदर्भ सूची
- Stanford HAI — AI Index (सभी रिपोर्टें): https://aiindex.stanford.edu/report/
- AI Index 2018 Report (पूर्ण पाठ, PDF): https://aiindex.stanford.edu/wp-content/uploads/2019/01/2018-Artificial-Intelligence-Index.pdf
- Elsevier Scopus — वैज्ञानिक प्रकाशनों का डेटाबेस: https://www.scopus.com/
- Elsevier AI Resource Center: https://www.elsevier.com/connect/the-rise-of-artificial-intelligence-in-6-charts
- arXiv.org — वैज्ञानिक प्रीप्रिंट संग्रह: 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 — राष्ट्रीय AI रणनीतियों का अवलोकन: https://medium.com/politics-ai/an-overview-of-national-ai-strategies-2a70ec6edfd
- NLP Progress — NLP में प्रगति का अनुसरण: https://nlpprogress.com/
साहित्य
- 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
टिप्पणियाँ
- ↑ 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/