The 2018 AI Index Report (HU)

From Systems analysis Wiki
Jump to navigation Jump to search

AI Index Report 2018 — az AI Index második éves kiadása, amelyet az AI Index Irányítóbizottsága készített a Stanford Egyetem égisze alatt, 2018 decemberében[1]. Az AI Index projekt küldetése az, hogy az mesterséges intelligenciáról folyó vitát objektív adatokkal támassza alá. A 2018-as jelentés az első kiadáshoz (2017) képest jelentősen bővítette a globális lefedettséget: míg az előző jelentés elsősorban észak-amerikai problémákra összpontosított, a 2018-as kiadás igyekszik bevonni az Európából, Kínából, Dél-Koreából, Japánból és a világ egyéb régióiból származó adatokat. A jelentés nyomon követi, rendszerezi és vizualizálja az MI-vel kapcsolatos adatokat, információt nyújtva politikusok, kutatók, vezetők, újságírók és a szélesebb közvélemény számára.

Структура отчёта - A jelentés szerkezete

A 2018-as jelentés négy fő fejezetből áll[1]:

  1. Adatok: tevékenységi volumen (Volume of Activity) — publikációk, kurzusra való jelentkezések, konferenciarészvétel, robotikai szoftverek letöltései, startupok és befektetések, állásajánlatok, szabadalmak, az MI vállalati bevezetése, nyereségjelentésekben való említések, robottelepítések, nyílt forráskódú projektek, közérdeklődés.
  2. Adatok: technikai teljesítmény (Technical Performance) — számítógépes látás, természetes nyelvfeldolgozás, gépi fordítás, kérdés-válasz rendszerek.
  3. Egyéb mérőszámok (Other Measures) — származtatott mutatók, kormányzati kezdeményezések, emberi képességek szintjén elért eredmények.
  4. Függelék (Appendix) — a források, módszertanok és finomságok teljes leírása.

Ключевые выводы отчёта - A jelentés főbb megállapításai

A 2018-as jelentés szerzői több főbb tézist fogalmaztak meg[1]:

Az MI globális jelenség

A Scopus adatbázisban 2017-ben megjelent MI-cikkek 83%-át az USA-n kívüli szerzők publikálták. Az összes MI-cikk 28%-a Európából származott — ez volt a legmagasabb arány a világ összes régiója közül. Az MI- és Machine Learning-kurzusokra való hallgatói beiratkozás az egész világon növekedett, különösen látványosan a Tsinghua Egyetemen (Kína), ahol az MI- és ML-kurzusokra való összesített beiratkozás 2017-ben 16-szor magasabb volt, mint 2010-ben[1].

Az MI-tevékenység szinte mindenütt növekszik

Növekedés figyelhető meg a publikációkban, kurzusokban, konferenciákon, startupoknál, kockázatitőke-finanszírozásban, szabadalmakban és egyéb mutatókban. A technológiai teljesítmény minden területen javul[1].

A Machine Learning domináns MI-részterület

2017-ben a Scopuson megjelent MI-cikkek 56%-a a „Machine Learning és valószínűségi következtetés" kategóriába tartozott (szemben a 2010-es 28%-kal). A bevezető ML-kurzusokra való beiratkozás gyorsabban nőtt, mint az általános MI-kurzusokon. Az ML-re összpontosító NeurIPS és ICML konferenciák mutatták a legnagyobb látogatottságnövekedést[2].

A nemi sokszínűség komoly probléma marad

Átlagosan a vezető egyetemek (UC Berkeley, Stanford, UIUC, CMU, University College London, Oxford, ETH Zurich) MI-professzoraink 80%-a férfi volt. Az USA-ban az MI-vel kapcsolatos állásokra jelentkezők átlagosan 71%-a férfi volt[1].

Раздел 1. Объём деятельности: Исследования - 1. fejezet. Tevékenységi volumen: Kutatás

Publikációk

A Scopus platformon megjelent MI-cikkek száma 1996 óta 7-szeresére nőtt, míg az informatikai (Computer Science) cikkek ugyanebben az időszakban 5-szörösükre emelkedtek. Ez azt jelzi, hogy az MI-publikációk növekedését nem csupán az informatika iránti általános érdeklődés hajtja, hanem önálló dinamika is[2].

Regionális megoszlás. Európa stabilan a legnagyobb régió maradt az MI-publikációk számát tekintve: 2017-ben a Scopuson megjelent MI-cikkek 28%-a európai szerzőkhöz kapcsolódott, őket Kína (25%) és az USA (17%) követte. Kína publikációinak száma 2007 és 2017 között 150%-kal nőtt[2].

Alkategóriák. A legnagyobb növekedés a neurális hálózatok kategóriájában volt megfigyelhető: az átlagos éves növekedési ütem (CAGR) 2010–2014 között 3%, 2014–2017 között pedig 37% volt. Az arXiv platformon megjelent cikkek is gyors növekedést mutattak: a számítógépes látás és mintafelismerés 2014 óta a legnagyobb MI-alkategóriává vált az arXiv-on[3].

Szektoriális hovatartozás. A kínai állami szervezetekhez kapcsolódó MI-cikkek száma 2007 és 2017 között 400%-kal nőtt, míg a kínai vállalati publikációk csupán 73%-kal emelkedtek. Az USA-ban ezzel szemben a vállalati publikációk aránya lényegesen magasabb volt: 2017-ben az USA-beli vállalati MI-cikkek aránya 6,6-szor nagyobb volt, mint Kínában, és 4,1-szer nagyobb, mint Európában[2].

Idézettség. Az USA-beli szerzőket 83%-kal gyakrabban idézték a világ átlagánál. Bár Európa vezet a publikációk abszolút számában, idézettségi mutatója a világ átlagán maradt. Kína jelentősen javított idézettségén: 2016-ban a kínai szerzőket 44%-kal gyakrabban idézték, mint 2000-ben[2].

Szerzői mobilitás. A mobilis szerzők (akik saját régiójukon kívül publikálnak) magasabb idézettséget és termelékenységet mutattak a „letelepedett" (sedentary) szerzőkhöz képest. A három régió közül Kínának volt a legnagyobb aránya a letelepedett szerzőkből (76%), őt Európa (52%) és az USA (38%) követte[2].

AAAI konferencia. A 2018-as AAAI konferencián a beküldött cikkek mintegy 70%-a és az elfogadott cikkek 67%-a kapcsolódott az USA-hoz vagy Kínához. Bár Kína nyújtotta be a legtöbb cikket, az USA és Kína szinte azonos számú elfogadott munkával rendelkezett (268, illetve 265). Az elfogadási arány az USA esetében 29%, Kínánál 21% volt[4].

Kurzusra való beiratkozás

Amerikai egyetemek. A bevezető ML-kurzusokra való beiratkozás 2017-ben 5-ször magasabb volt, mint 2012-ben. A UC Berkeleyen a növekedés 6,8-szoros volt. A bevezető MI-kurzusokra való beiratkozás ugyanebben az időszakban 3,6-szorosára nőtt. Eközben a Stanford és a Berkeley bevezető MI- és ML-kurzusain a hallgatók 74–79%-a férfi volt[1].

Nemzetközi egyetemek. A Tsinghua Egyetemen az MI+ML kurzusokra való összesített beiratkozás 2017-ben 16-szor haladta meg a 2010-es értéket. Növekedés volt megfigyelhető az Edinburghi Egyetemen, az USTC-n és az SJTU-n (Kína), a PUC-on (Chile) és más felsőoktatási intézményekben is[1].

Konferenciarészvétel

Nagy konferenciák. A NeurIPS és az ICML mutatta a legnagyobb növekedést: 2018-ban a NeurIPS látogatottsága 4,8-szor, az ICML-é 6,8-szor volt magasabb, mint 2012-ben. Ez tükrözte a Machine Learning iránti tartós érdeklődést[1].

Kisebb konferenciák. Az ICLR (International Conference on Learning Representations) látogatottsága 2018-ban 20-szor magasabb volt, mint 2012-ben — valószínűleg a mély tanulás és a Reinforcement Learning iránti növekvő érdeklődés eredményeként[1].

Konferencia Látogatottság (2018, kb.) Növekedés 2012 óta
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

Befogadói szervezetek. A Women in Machine Learning (WiML) szemináriumra való regisztrációk száma 2014 óta 600%-kal nőtt. Az AI4ALL (az MI sokszínűségének növelésére irányuló kezdeményezés) végzettjeinek száma 2015 óta 900%-kal nőtt[5][6].

Robotikai szoftverek letöltései

A ROS (Robot Operating System) csomagok egyedi letöltéseinek száma a ROS.org oldalról 2014 óta 567%-kal nőtt. A ROS.org oldalmegtekintéseinek száma Kínából 2017-ben 18-szor magasabb volt, mint 2012-ben[7].

Nemi sokszínűség az akadémián

Hét vezető egyetem MI-karait elemezve kiderült, hogy átlagosan a MI-professzorok 80%-a férfi volt. Az elemzett intézmények között szerepelt a UC Berkeley, a Stanford, az UIUC, a CMU, a University College London, az Oxford és az ETH Zurich. Régiók között nem találtak jelentős különbségeket[1].

Раздел 2. Объём деятельности: Индустрия - 2. fejezet. Tevékenységi volumen: Ipar

Startupok és befektetések

Az USA-ban kockázati tőkével támogatott aktív MI-startupok száma 2015 januárja és 2018 januárja között 113%-kal nőtt, míg az összes startup száma csupán 28%-kal emelkedett[8].

Az USA-ban az MI-startupok kockázatitőke-finanszírozása 2013 és 2017 között 350%-kal nőtt, míg az összes kockázatitőke-finanszírozás ugyanebben az időszakban 100%-kal emelkedett[8].

Állásajánlatok

A mély tanulás (deep learning) volt a leggyorsabban növekvő igényű készség: a mély tanulási készségeket igénylő állásajánlatok száma 2015 és 2017 között 34-szeresére nőtt. A Machine Learning abszolút volumenben a legkeresettebb készség maradt[9].

Nemi megoszlás. Átlagosan a férfiak alkották az USA-ban az MI-vel kapcsolatos állásokra jelentkezők 71%-át. A legnagyobb nemi sokszínűség a mély tanulással és a robotikával kapcsolatos pozíciókra jelentkezők körében volt megfigyelhető[9].

Szabadalmak

2014-ben az MI területén bejegyzett szabadalmak mintegy 30%-a az USA-hoz kötődött, őket Dél-Korea és Japán követte (mindkettő 16%-kal). Dél-Korea és Tajvan mutatta a legnagyobb növekedést: az MI-szabadalmak száma 2014-ben közel 5-ször volt magasabb, mint 2004-ben[10].

Az MI vállalati bevezetése

A McKinsey & Company felmérése (2 135 válaszadó) szerint a legelterjedtebb MI-technológiák a robotizált folyamatautomatizálás és a Machine Learning voltak. A szervezetek jellemzően azokban az üzleti funkciókban vezették be az MI-t, amelyek a legnagyobb megtérülést biztosították az adott ágazatban: a pénzügyi vállalatok aktívan alkalmaztak MI-t a kockázatkezelésben, az autóipariak a gyártásban, a kiskereskedelmi cégek a marketingben és az értékesítésben[11].

Régió Legnépszerűbb MI-képességek (a válaszadók %-ában)
Észak-Amerika Folyamatrobotizálás (23%), Machine Learning (23%)
Európa Folyamatrobotizálás (27%), Machine Learning (21%)
Feltörekvő piacok (beleértve Kínát) Számítógépes látás (26%), folyamatrobotizálás (23%)
India Machine Learning (25%), folyamatrobotizálás (30%)

Az MI említése vállalati jelentésekben

A „mesterséges intelligencia" és a „Machine Learning" kifejezések említett száma a New York-i tőzsdén kereskedett vállalatok nyereségjelentéseiben 2015 óta meredeken emelkedett. Az IT-szektorban az MI-említések számában a NVIDIA vezet (93 említés 2017-ben), őt a LivePerson (50) és a Pegasystems (44) követte. Az ML-említések számában az Alphabet vezet (57)[12].

Ipari robotok telepítése

Kína 500%-os növekedést mutatott az éves ipari robottelepítések terén 2012 és 2017 között. Dél-Korea és Európa a telepítéseket 105%-kal, illetve 122%-kal növelte. A kisebb piacok közül Tajvan mutatta a legnagyobb volument és növekedést[13].

Nyílt forráskódú szoftverek

A GitHub-tárolók csillagainak (stars) elemzése jelentős népszerűségnövekedést mutatott a nagy vállalatok által támogatott keretrendszereknél: TensorFlow (Google), PyTorch (Facebook), MXNet (Amazon). A TensorFlow népszerűség tekintetében lényegesen megelőzte a többi keretrendszert, 2018-ra meghaladva a 100 000 csillagot[14].

Раздел 3. Объём деятельности: Общественный интерес - 3. fejezet. Tevékenységi volumen: Közérdeklődés

A médiafedezet hangulata

A „mesterséges intelligencia" kifejezést tartalmazó cikkek kevésbé semlegessé és pozitívabbá váltak: a pozitív hangvételű cikkek aránya 2016 januárjában 12%-ról 2016 júliusában 30%-ra emelkedett, és ez az arány 2018-ig fennmaradt[15].

Említett hivatkozások kormányzati dokumentumokban

A „mesterséges intelligencia" és a „Machine Learning" kifejezések az USA Kongresszusának, Kanada és Nagy-Britannia parlamentjeinek jegyzőkönyveiben 2016 óta meredeken megszaporodtak. Figyelemre méltó, hogy a „Machine Learning" kifejezés 2016 előtt szinte egyáltalán nem szerepelt a parlamenti dokumentumokban[1].

Раздел 4. Техническая производительность - 4. fejezet. Technikai teljesítmény

Számítógépes látás: ImageNet

Pontosság. Az ImageNet-en nyújtott teljesítmény a hivatalos verseny 2017-es befejezése után is tovább javult. Az AI Index nyomon követte a haladást az ImageNet 2012-es validációs adatkészletén elért eredmények alapján. A képosztályozás pontossága jelentősen meghaladta az emberi szintet (kb. 5%-os hibaarány)[16].

Tanítási sebesség. Az ImageNet képosztályozáshoz szükséges neurális hálózat betanítási ideje kb. 60 percről (2017 júniusa) 3,7 percre csökkent (2018 novembere) — ez másfél év alatt 16-szoros gyorsulást jelent. Ez tükrözi mind az algoritmikus innovációkat, mind az infrastrukturális beruházásokat (hardver és szoftver)[17].

Dátum ImageNet betanítási ideje
2017 június ~60 perc
2017 november ~30 perc
2017 november ~15 perc
2018 július ~6,6 perc
2018 november ~3,7 perc

Számítógépes látás: COCO

A COCO (Common Objects in Context) objektumszegmentációs versenyen a legjobb átlagos pontosság 2015 és 2018 között 72%-kal nőtt (0,28-ról 0,48-ra). A számítógépes látás közössége a viszonylag egyszerű feladatoktól (osztályozás) összetettebbek felé mozdult (objektumok pixelszintű lokalizációja, szemantikai szegmentáció)[18].

Természetes nyelvfeldolgozás: elemzés

A mondatszintaktikai elemzés (Penn Treebank) F1 mutatója 2003 és 2018 között 9 százalékponttal nőtt (~86%-ról ~95%-ra). Az elemzés szinte teljesen áttért a programozási nyelvek elemzéséhez hasonló módszerekről a mély tanuláson alapuló módszerekre[19].

Gépi fordítás

A WMT versenyen az angolról németre fordítás BLEU pontszámai 2008-hoz képest 3,5-szörösükre nőttek; a németről angolra fordítás esetén 2,5-szörösükre. A haladást a Transformer architektúra és az adatok hatékonyabb felhasználása hajtotta[20].

Kérdés-válasz rendszerek: ARC

Az Allen Institute for AI által 2018 áprilisában kiadott AI2 Reasoning Challenge (ARC) benchmark-on a Challenge Set teljesítménye (az amerikai iskola 3–9. osztályának szintjén lévő nehéz kérdések) 27%-ról 42%-ra, az Easy Set-é 63%-ról 69%-ra javult 2018 áprilisa és novembere között[21].

Kérdés-válasz rendszerek: GLUE

A 2018 májusában kiadott GLUE (General Language Understanding Evaluation) benchmark kilenc részfeladaton tesztelte a természetes nyelv megértésére szolgáló rendszereket. Annak ellenére, hogy a benchmark kevesebb mint fél éve létezett, a teljesítmény már körülbelül felével csökkentette a szakaszban közzétett első alapmutató és a becsült emberi szint (~90%) közötti rést. A Google BERT modellje új mércévé vált — a megjelenés utáni első hónapban nyolcszor hivatkoztak rá[22][23].

Раздел 5. Производные метрики - 5. fejezet. Származtatott mutatók

Az „akadémia – ipar" dinamikája

Az akadémiai és az ipari MI-tevékenység közötti összefüggés vizsgálatához a szerzők három normalizált mutatót vetettek össze: a Scopuson megjelent publikációkat, az amerikai egyetemek MI/ML kurzusaira való beiratkozásokat és a MI-startupokba irányuló kockázatitőke-befektetéseket. Mindhárom mutató 2010 óta növekedést mutatott, ugyanakkor a kockázatitőke-befektetések lényegesen gyorsabban növekedtek a többinél[1].

MI Életképességi Index (AI Vibrancy Index)

Az életképességi index három mutatót (publikációk, beiratkozások, kockázatitőke-befektetések) egyetlen, 2010-hez normalizált mutatóvá aggregált. 2017-re az index a 2010-es alapértékhez képest mintegy 7–9-szeresére nőtt, elsősorban a kockázatitőke-finanszírozás növekedésének köszönhetően[1].

Раздел 6. Правительственные инициативы - 6. fejezet. Kormányzati kezdeményezések

A jelentés először tartalmazott áttekintést a három régióban zajló MI-kormányzati kezdeményezésekről[1][24]:

USA

2016 októberében az Obama-adminisztráció javasolt egy nemzeti MI-stratégiát, és kiadta az első politikai jelentést az MI jövőjére való felkészülésről (Preparing for the Future of Artificial Intelligence). 2018 májusában a Trump-adminisztráció MI-csúcstalálkozót tartott, és létrehozta a Mesterséges Intelligenciával foglalkozó Különbizottságot. 2018 szeptemberében a DARPA bejelentette az AI Next program keretében végrehajtandó 2 milliárd dollárt meghaladó befektetési tervét. A magánvállalatok kulcsszerepet játszottak: 2017-ben az Amazon és az Alphabet 16,1, illetve 13,9 milliárd dollárt fektetett be K+F-be — lényegesen többet, mint az NSF, a DARPA és a DOT összesített költségvetése (~5,3 milliárd dollár)[1].

Európa

2018 áprilisában az EU tagállamai aláírták az MI terén folytatandó együttműködésről szóló nyilatkozatot, az Európai Bizottság pedig 1,5 milliárd eurót különített el az MI-kutatások támogatására 2018–2020 között (a Horizon 2020 program 2,6 milliárd eurójának kiegészítéseként). A cél az volt, hogy 10 év alatt 20 milliárd eurónyi MI-befektetést vonzzanak. Nagy-Britannia közzétette az AI Sector Deal-t 950 millió font befektetéssel. Franciaország három jelentést adott ki, köztük a „Mission Villani"-t, amely az MI-re vonatkozó politikával, az agyelszívás megelőzésével és a sokszínűséggel foglalkozik[25].

Kína

2014 óta a kínai kormány számos nemzeti kezdeményezést indított azzal a céllal, hogy 2018-ra 14,7 milliárd dolláros MI-piacot hozzon létre, és 2030-ra Kína globális vezető szerepét biztosítsa az MI területén. A kulcsdokumentum az „Új generációs MI fejlesztési terv" (2017 júliusa) volt, amely előírja, hogy 2020-ra el kell érni a fejlett országok szintjét, 2025-re nagy áttöréseket kell elérni, és 2030-ra Kínának az MI globális innovációs központjává kell válnia[26].

Раздел 7. Достижения на уровне человеческих способностей - 7. fejezet. Emberi képességek szintjén elért eredmények

A jelentés folytatta azon esetek kronológiáját, amikor a MI elérte vagy meghaladta az emberi szintet. 2018-ban négy új eredmény került hozzáadásra[1]:

Év Eredmény Leírás
1980 Othello A BILL program (Ku-fu Lee és S. Mahajan) legyőzi a legjobb amerikai játékost; 1997-ben a Logistello legyőzi a világbajnokot
1995 Dáma A Chinook program legyőzi a világbajnokot
1997 Sakk Az IBM DeepBlue legyőzi Garri Kaszparovot
2011 Jeopardy! Az IBM Watson legyőzi a bajnokokat, Brad Rutert és Ken Jenningst
2015 Atari A DeepMind 49 Atari játékban éri el az emberi szintet
2016 Go Az AlphaGo legyőzi Lee Se-dolt (4–1); az AlphaGo Zero 100–0-ra legyőzi az AlphaGo-t
2016 Objektumdetekció (ImageNet) Az osztályozási hiba 28%-ról (2010) ~3% alá csökkent, az emberi szint ~5%
2017 Beszédfelismerés (Switchboard) A Microsoft és az IBM eléri az emberi pontossági szinthez közeli szintet
2017 Póker A Libratus (CMU) 120 000 kézben legyőz négy profi játékost; a DeepStack (Alberta) 11 profijátékost győz le
2017 Bőrrák osztályozása Egy MI-rendszer (Esteva et al., Nature) eléri 21 minősített bőrgyógyász szintjét
2017 Ms. Pac-Man A Maluuba csapat (Microsoft) eléri a maximális 999 900 pontot Atari 2600-on
2018 Capture the Flag A DeepMind ágense eléri az emberi szintet a Quake III Arena CTF módosított változatában
2018 Dota 2 Az OpenAI Five legyőzi az amatőr csapatokat (korlátozásokkal), de kikapott a profiktól
2018 Prosztata rák osztályozása A Google rendszere 70%-os összpontosságot ér el a patológusok 61%-ával szemben
2018 Kínai–angol fordítás A Microsoft rendszere emberi szintet ér el a newstest2017 adatkészleten

A jelentés szerzői hangsúlyozták, hogy ezeket az eredményeket nem szabad túlértékelni: a feladatok szűken specializáltak voltak, és az eredmények nem bizonyítják a rendszerek általánosítási képességét[1].

Раздел 8. Что нужно добавить? - 8. fejezet. Mi hiányzik? (What's Missing?)

A fejezet három szakértő véleményét mutatta be az index fejlesztési irányairól[1].

Francesca Rossi (IBM, Padovai Egyetem) azt javasolta, hogy adjanak hozzá mutatókat a józan észhez (common sense reasoning), a természetes nyelv mélyebb megértéséhez, az ember és gép közötti együttműködéshez (nem szembeállításhoz), valamint a Machine Learning szimbolikus MI-vel való kombinálásához és az okozati következtetéshez (causality)[1].

Rodney Brooks (MIT) rámutatott az ipari robotok mutatójának korlátaira, amelyekben gyakran nincs MI-komponens. Azt javasolta, hogy kövessék nyomon az MI-összetevővel rendelkező robotokat: drónok (SLAM és egyéb algoritmusok), háztartási robotok (Roomba) és potenciális szociális robotok[1].

Toby Walsh (UNSW Sydney, TU Berlin) rámutatott a növekvő állami és magánbefektetések mérésére szolgáló kvantitatív mutatók szükségességére (Nagy-Britannia — 1 milliárd font, Franciaország — 1,5 milliárd euró, Németország — 3 milliárd euró, Alibaba — 15 milliárd dollár), valamint az MI katonai alkalmazásának nyomon követésére, beleértve az autonóm fegyvereket[1].

Módszertan

A jelentés számos forrásból származó adatokat használt[1]:

  • Publikációk: Elsevier Scopus (~70 millió dokumentum, ~800 MI-kulcsszó), arXiv.org.
  • Konferenciák: AAAI, NeurIPS, ICML, CVPR, ICLR, IJCAI, ACL, ICRA, ICAPS, UAI, KR, AAMAS, WiML, AI4ALL.
  • Kurzusok: közvetlenül az egyetemektől kapott adatok (17 felsőoktatási intézmény 10 országban).
  • Startupok és befektetések: Sand Hill Econometrics (Dow Jones VentureSource), Crunchbase API.
  • Állásajánlatok: Monster.com, Gartner TalentNeuron.
  • Szabadalmak: amplified (IPC-kódok: Cognition and meaning understanding, Human-interface technology).
  • MI bevezetése: McKinsey & Company (2 135 válaszadó felmérése).
  • Vállalati jelentések: Prattle (nyereségjelentések szövegeinek elemzése a FactSet segítségével).
  • Robotika: International Federation of Robotics (IFR), ROS.org.
  • Média: TrendKite (cikkek hangulatelemzése).
  • Kormányzat: Congressional Record (USA), Hansards (Nagy-Britannia és Kanada), McKinsey Global Institute.
  • Benchmark-ok: ImageNet (LSVRC), COCO, Penn Treebank, WMT (EuroMatrix), ARC (Allen Institute for AI), GLUE.

Szerzői kollektíva

A jelentést az AI Index Irányítóbizottsága készítette Yoav Shoham (Stanford University) elnökletével, 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) és Barbara Grosz (Harvard University) részvételével. A projektmenedzser szerepét Zoe Bauer töltötte be. Az AI Index eredetileg a One Hundred Year Study on AI (AI100) projekt keretében jött létre, és később a Stanford HAI (Human-Centered AI) intézetben kapott helyet[1].

Kontextus és jelentőség

Az AI Index Report 2018 fontos állomás volt az MI-haladás szisztematikus nyomon követésének fejlődésében. Rögzített számos fordulópontot: a mély tanulás rohamos fejlődését és dominanciáját az MI-megközelítések között, a számítógépes látás közösségének átmenetét összetettebb feladatok felé az ImageNet „telítettsége" után, a BERT modell forradalmi hatását a természetes nyelvfeldolgozásra, valamint az ipar eddig példátlan mértékű részvételét az élvonalbeli MI-rendszerek fejlesztésében. A jelentés elsőként dokumentálta szisztematikusan az államok közötti „versenyfutást" az MI finanszírozásában és stratégiai tervezésében — egy olyan tendenciát, amely a következő évek során meghatározza az ágazat fejlődését[1].

Hivatkozások

Irodalom

Megjegyzések

  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_(HU)&oldid=7937"