The 2018 AI Index Report (TR)

AI Index Report 2018 — AI Index raporunun ikinci yıllık yayını olup Aralık 2018'de Stanford Üniversitesi bünyesindeki AI Index Yürütme Komitesi tarafından hazırlanmıştır. AI Index projesinin misyonu, yapay zeka tartışmalarını nesnel verilerle desteklemektir. 2018 yılı raporu, ilk baskıdan (2017) önemli ölçüde daha geniş bir küresel kapsama sahip olmasıyla ayrışmaktadır: önceki rapor ağırlıklı olarak Kuzey Amerika odaklıyken, 2018 yılı baskısı Avrupa, Çin, Güney Kore, Japonya ve dünyanın diğer bölgelerinden verileri dahil etmeyi hedeflemektedir. Rapor, YZ ile ilgili verileri izlemekte, sınıflandırmakta ve görselleştirmekte; politika yapıcılara, araştırmacılara, yöneticilere, gazetecilere ve kamuoyuna bilgi sunmaktadır.

Raporun Yapısı

2018 yılı raporu dört ana bölümden oluşmaktadır:

1. Veriler: Faaliyet Hacmi (Volume of Activity) — yayınlar, kurslara kayıtlar, konferans katılımları, robotik yazılım indirmeleri, girişimler ve yatırımlar, iş ilanları, patentler, şirketlerde YZ benimsenmesi, kazanç raporlarındaki atıflar, robot kurulumları, açık kaynaklı projeler, kamuoyu ilgisi.
2. Veriler: Teknik Performans (Technical Performance) — bilgisayarlı görü, doğal dil işleme, makine çevirisi, soru-cevap sistemleri.
3. Ek Ölçütler (Other Measures) — türetilmiş göstergeler, hükümet girişimleri, insan düzeyinde yetkinlik başarıları.
4. Ek (Appendix) — kaynaklar, metodolojiler ve nüansların tam açıklaması.

Raporun Temel Bulguları

2018 yılı raporunun yazarları birkaç temel tez ortaya koymuştur:

YZ Küresel Bir Olgudur

2017 yılında Scopus veri tabanındaki YZ makalelerinin %83'ü ABD dışındaki yazarlar tarafından yayımlanmıştır. Tüm YZ makalelerinin %28'i Avrupa'ya aitti; bu, tüm bölgeler arasındaki en yüksek orandır. YZ ve Machine Learning kurslarına öğrenci kaydı dünya genelinde artmış, özellikle Tsinghua Üniversitesi'nde (Çin) dikkat çekici bir büyüme yaşanmış; 2017 yılında bu üniversitedeki YZ ve ML kurslarına toplam kayıt sayısı 2010 yılına kıyasla 16 kat fazla olmuştur.

YZ Alanındaki Faaliyet Neredeyse Her Yerde Büyümektedir

Yayınlar, kurslar, konferanslar, girişimler, girişim sermayesi finansmanı, patentler ve diğer ölçütlerde büyüme gözlemlenmektedir. Teknolojik performans tüm alanlarda iyileşmektedir.

Machine Learning - Makine Öğrenmesi YZ'nin Alt Alanı Olarak Baskın Konumdadır

2017 yılında Scopus'taki YZ makalelerinin %56'sı "Machine Learning ve Olasılıksal Muhakeme" kategorisine aitti (2010 yılındaki %28 ile karşılaştırıldığında). ML'ye giriş kurslarına kayıt, genel YZ kurslarına göre daha hızlı büyümüştür. Machine learning'e odaklanan NeurIPS ve ICML konferansları en yüksek katılım artışını sergilemiştir.

Toplumsal Cinsiyet Çeşitliliği Ciddi Bir Sorun Olmaya Devam Etmektedir

Önde gelen üniversitelerdeki (UC Berkeley, Stanford, UIUC, CMU, University College London, Oxford, ETH Zurich) YZ profesörlerinin ortalama %80'i erkekti. ABD'deki YZ ile ilgili iş ilanlarına başvuranların ortalama %71'i erkekti.

Bölüm 1. Faaliyet Hacmi: Araştırma

Yayınlar

Scopus platformundaki YZ makalelerinin sayısı 1996'dan bu yana 7 kat artarken, aynı dönemde bilgisayar bilimi (Computer Science) makaleleri 5 kat artmıştır. Bu durum, YZ yayınlarındaki büyümenin yalnızca bilgisayar bilimine yönelik genel ilgiden değil, aynı zamanda bağımsız bir dinamikten kaynaklandığına işaret etmektedir.

Bölgesel Dağılım. Avrupa, YZ yayınları açısından istikrarlı biçimde en büyük bölge olma özelliğini korumuştur: 2017 yılında Scopus'taki YZ makalelerinin %28'i Avrupalı yazarlarla ilişkiliydi; onu Çin (%25) ve ABD (%17) izledi. Bu arada Çin'in yayın sayısı 2007-2017 yılları arasında %150 artmıştır.

Alt Kategoriler. En yüksek büyüme sinir ağları kategorisinde gözlemlenmiştir: bileşik yıllık büyüme oranı (CAGR) 2010-2014 döneminde %3 iken 2014-2017 döneminde %37'ye yükselmiştir. arXiv platformundaki makaleler de hızlı bir büyüme sergilemiş; bilgisayarlı görü ve örüntü tanıma, 2014'ten itibaren arXiv'in en büyük YZ alt kategorisi haline gelmiştir.

Sektörel Aidiyet. Çinli devlet kuruluşlarıyla ilişkili YZ makalelerinin sayısı 2007-2017 yılları arasında %400 artarken, Çin'den kurumsal yayınlar yalnızca %73 büyüdü. ABD'de ise kurumsal yayınların payı çok daha yüksekti: 2017 yılında ABD'deki kurumsal YZ makalelerinin oranı Çin'dekinin 6,6 katı, Avrupa'dakinin ise 4,1 katıydı.

Atıf Oranı. ABD'li yazarlar, dünya ortalamasının %83 üzerinde atıf aldı. Avrupa mutlak yayın sayısında lider olmasına rağmen atıf oranı dünya ortalamasında kaldı. Çin atıf oranını önemli ölçüde artırdı: 2016 yılında Çinli yazarlar 2000 yılına kıyasla %44 daha fazla atıf aldı.

Yazar Hareketliliği. Hareketli yazarlar (kendi bölgeleri dışında yayın yapanlar), "yerleşik" (sedentary) yazarlara kıyasla daha yüksek atıf oranı ve üretkenlik sergiledi. Üç bölge arasında Çin en yüksek yerleşik yazar oranına sahipti (%76), onu Avrupa (%52) ve ABD (%38) izledi.

AAAI Konferansı. 2018 AAAI Konferansı'nda sunulan makalelerin yaklaşık %70'i ve kabul edilen makalelerin %67'si ABD veya Çin ile ilişkiliydi. Çin en fazla makale sunarken, ABD ile Çin neredeyse eşit sayıda makale kabul ettirdi (sırasıyla 268 ve 265). Kabul oranı ABD için %29, Çin için %21 oldu.

Kurslara Kayıt

ABD Üniversiteleri. ML'ye giriş kurslarına kayıt 2017 yılında 2012 yılının 5 katına ulaştı. UC Berkeley'de büyüme 6,8 kat oldu. YZ'ye giriş kurslarına kayıt aynı dönemde 3,6 kat arttı. Stanford ve Berkeley'deki YZ ve ML giriş kurslarındaki öğrencilerin %74-79'u erkekti.

Uluslararası Üniversiteler. Tsinghua Üniversitesi'ndeki YZ+ML kurslarına toplam kayıt 2017 yılında 2010 yılını 16 kat geride bıraktı. Edinburgh Üniversitesi, USTC ve SJTU (Çin), PUC (Şili) ve diğer üniversitelerde de büyüme gözlemlendi.

Konferans Katılımı

Büyük Konferanslar. NeurIPS ve ICML en yüksek büyümeyi sergiledi: 2018 yılında NeurIPS'in katılımcı sayısı 2012 yılının 4,8 katına, ICML'ninki ise 6,8 katına ulaştı. Bu durum, machine learning'e olan süregelen ilgiyi yansıtıyordu.

Küçük Konferanslar. ICLR'nin (International Conference on Learning Representations) 2018 yılındaki katılımcı sayısı 2012 yılının 20 katıydı; bu, muhtemelen derin öğrenme ve Reinforcement Learning'e olan artan ilginin bir sonucuydu.

Konferans	Katılım (2018, yaklaşık)	2012'den Bu Yana Büyüme
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

Kapsayıcılık Kuruluşları. Women in Machine Learning (WiML) çalıştayına kayıt sayısı 2014'ten bu yana %600 artmıştır. AI4ALL'un (YZ'de çeşitliliği artırmaya yönelik girişim) mezun sayısı 2015'ten bu yana %900 büyümüştür.

Robotik Yazılım İndirmeleri

ROS.org sitesinden ROS (Robot Operating System) paketlerinin tekil indirme sayısı 2014'ten bu yana %567 artmıştır. 2017 yılında Çin'den ROS.org sayfa görüntüleme sayısı 2012 yılının 18 katına ulaşmıştır.

Akademide Toplumsal Cinsiyet Çeşitliliği

Dünyanın yedi önde gelen üniversitesindeki YZ akademisyenlerinin analizi, YZ profesörlerinin ortalama %80'inin erkek olduğunu ortaya koymuştur. Üniversiteler arasında UC Berkeley, Stanford, UIUC, CMU, University College London, Oxford ve ETH Zurich yer almaktadır. Bölgeler arasında kayda değer bir farklılık tespit edilmemiştir.

Bölüm 2. Faaliyet Hacmi: Sanayi

Girişimler ve Yatırımlar

ABD'deki girişim sermayesi destekli aktif YZ girişimlerinin sayısı Ocak 2015'ten Ocak 2018'e kadar %113 artarken, genel girişim sayısı yalnızca %28 büyüdü.

ABD'deki YZ girişimlerine yönelik girişim sermayesi finansmanı 2013'ten 2017'ye %350 artarken, toplam girişim sermayesi finansmanı aynı dönemde %100 büyüdü.

İş İlanları

Derin öğrenme (deep learning), talebi en hızlı büyüyen beceri oldu: derin öğrenme becerisi gerektiren iş ilanlarının sayısı 2015'ten 2017'ye 34 kat arttı. Machine learning, mutlak hacim açısından en çok talep edilen beceri olmaya devam etti.

Toplumsal Cinsiyet Dağılımı. ABD'deki YZ ile ilgili iş ilanlarına başvuranların ortalama %71'i erkekti. Başvuranlarda en yüksek toplumsal cinsiyet çeşitliliği, derin öğrenme ve robotik ile ilgili pozisyonlarda gözlemlendi.

Patentler

2014 yılında YZ alanındaki patentlerin yaklaşık %30'u ABD'de tescil ettirilmiş, onu Güney Kore ve Japonya (%16'şar) izlemiştir. Güney Kore ve Tayvan en yüksek büyümeyi gösterdi: 2014 yılındaki YZ patent sayısı 2004 yılının neredeyse 5 katına ulaştı.

Şirketlerde YZ Benimsenmesi

McKinsey & Company araştırmasına göre (2 135 katılımcı), en yaygın YZ teknolojileri robotik süreç otomasyonu ve machine learning oldu. Kuruluşlar, YZ'yi genellikle kendi sektörlerinde en yüksek getiriyi sağlayan iş fonksiyonlarında benimsedi: finans şirketleri YZ'yi yoğun biçimde risk yönetiminde, otomotiv şirketleri üretimde, perakende şirketleri ise pazarlama ve satışlarda kullandı.

Bölge	En Popüler YZ Yetenekleri (% katılımcı)
Kuzey Amerika	Süreç otomasyonu (%23), machine learning (%23)
Avrupa	Süreç otomasyonu (%27), machine learning (%21)
Gelişmekte olan piyasalar (Çin dahil)	Bilgisayarlı görü (%26), süreç otomasyonu (%23)
Hindistan	Machine learning (%25), süreç otomasyonu (%30)

Kurumsal Raporlarda YZ Atıfları

New York Borsası'nda işlem gören şirketlerin kazanç raporlarında "yapay zeka" ve "machine learning" ifadelerine yapılan atıflar 2015'ten itibaren keskin biçimde artmıştır. BT sektöründe YZ atıflarında NVIDIA öncü oldu (2017'de 93 atıf); onu LivePerson (50) ve Pegasystems (44) izledi. ML atıflarında ise Alphabet (57) liderliği aldı.

Endüstriyel Robot Kurulumu

Çin, 2012'den 2017'ye yıllık endüstriyel robot kurulumlarında %500'lük bir artış sergiledi. Güney Kore ve Avrupa kurulumlarını sırasıyla %105 ve %122 artırdı. Daha küçük pazarlar arasında Tayvan en yüksek hacmi ve büyümeyi gösterdi.

Açık Kaynaklı Yazılım

GitHub deposu yıldızlarının (stars) analizi, büyük şirketler tarafından desteklenen framework'lerin popülaritesinde önemli bir artış olduğunu ortaya koydu: TensorFlow (Google), PyTorch (Facebook), MXNet (Amazon). TensorFlow popülerlik açısından diğer framework'lerin çok önünde yer aldı ve 2018'e kadar 100 000'den fazla yıldıza ulaştı.

Bölüm 3. Faaliyet Hacmi: Kamuoyu İlgisi

Medya Haberlerinin Tonu

"Yapay zeka" terimini içeren makaleler daha az tarafsız ve daha olumlu bir ton kazandı: olumlu makalelerin oranı Ocak 2016'daki %12'den Temmuz 2016'da %30'a yükseldi ve 2018'e kadar bu düzeyde kaldı.

Hükümet Belgelerindeki Atıflar

ABD Kongresi, Kanada ve Birleşik Krallık parlamentolarının tutanaklarında "yapay zeka" ve "machine learning" ifadelerine yapılan atıflar 2016'dan itibaren hızla arttı. Dikkat çekici olan bir husus, "machine learning" ifadesinin 2016 öncesinde parlamento belgelerinde neredeyse hiç geçmemesiydi.

Bölüm 4. Teknik Performans

Bilgisayarlı Görü: ImageNet

Doğruluk. ImageNet'teki performans, resmi yarışmanın 2017'de sona ermesinin ardından da artmaya devam etti. AI Index, ilerlemeyi ImageNet 2012 doğrulama veri kümesindeki sonuçlara göre izledi. Görüntü sınıflandırma doğruluğu, insan düzeyini (yaklaşık %5 hata oranı) önemli ölçüde aştı.

Eğitim Hızı. ImageNet görüntü sınıflandırması için sinir ağı eğitim süresi, yaklaşık 60 dakikadan (Haziran 2017) 3,7 dakikaya (Kasım 2018) düştü; bu, bir buçuk yılda 16 kat hızlanma demekti. Bu gelişme, hem algoritmik yenilikleri hem de altyapı (donanım ve yazılım) yatırımlarını yansıtıyordu.

Tarih	ImageNet Eğitim Süresi
Haziran 2017	~60 dakika
Kasım 2017	~30 dakika
Kasım 2017	~15 dakika
Temmuz 2018	~6,6 dakika
Kasım 2018	~3,7 dakika

Bilgisayarlı Görü: COCO

Nesne segmentasyonuna yönelik COCO (Common Objects in Context) yarışmasında en yüksek ortalama doğruluk 2015'ten 2018'e %72 arttı (0,28'den 0,48'e). Bilgisayarlı görü topluluğu, görece basit görevlerden (sınıflandırma) daha karmaşık olanlara (piksel düzeyinde nesne lokalizasyonu, anlamsal segmentasyon) geçiş yaptı.

Doğal Dil İşleme: Ayrıştırma

Sözdizimsel cümle ayrıştırma (Penn Treebank) için F1 ölçütü 2003'ten 2018'e 9 yüzde puan arttı (%86'dan ~%95'e). Ayrıştırma, programlama dili ayrıştırmaya benzer yöntemlerden büyük ölçüde derin öğrenme tabanlı yöntemlere geçiş yaptı.

Makine Çevirisi

WMT yarışmasında İngilizceden Almancaya çeviri için BLEU puanları 2008 yılına kıyasla 3,5 kat arttı; Almancadan İngilizceye çeviri için ise 2,5 kat arttı. Bu ilerleme, Transformer mimarisi ve verilerin daha etkin kullanımıyla sağlandı.

Soru-Cevap Sistemleri: ARC

Allen Institute for AI tarafından Nisan 2018'de yayımlanan AI2 Reasoning Challenge (ARC) benchmark'ında Challenge Set'teki (Amerikan okullarının 3-9. sınıf düzeyinde zorlu sorular) performans Nisan-Kasım 2018 döneminde %27'den %42'ye yükselirken, Easy Set'teki performans %63'ten %69'a çıktı.

Soru-Cevap Sistemleri: GLUE

Mayıs 2018'de yayımlanan GLUE (General Language Understanding Evaluation) benchmark'ı, doğal dil anlama sistemlerini dokuz alt görev üzerinde test etmek amacıyla tasarlandı. Benchmark yarım yıldan kısa bir süre önce yayımlanmış olmasına rağmen, performans, yayımlanan ilk temel gösterge ile tahmini insan seviyesi (~%90) arasındaki farkın yaklaşık yarısını kapatmıştı. Google'ın BERT modeli yeni bir standart haline geldi; yayımlandıktan sonraki ilk ay içinde sekiz kez atıf aldı.

Bölüm 5. Türetilmiş Ölçütler

Akademi-Sanayi Dinamiği

YZ'deki akademik ve endüstriyel faaliyet arasındaki ilişkiyi incelemek için yazarlar, normalleştirilmiş üç göstergeyi karşılaştırdı: Scopus'taki yayınlar, ABD üniversitelerindeki YZ/ML kurslarına kayıtlar ve YZ girişimlerine yönelik girişim sermayesi yatırımları. Her üç ölçüt de 2010'dan itibaren büyüme gösterdi; ancak girişim sermayesi yatırımları diğerlerine kıyasla çok daha hızlı büyüdü.

YZ Canlılık Endeksi (AI Vibrancy Index)

Canlılık endeksi, üç ölçütü (yayınlar, kayıtlar, girişim sermayesi yatırımları) 2010 yılına göre normalleştirilmiş tek bir göstergede topladı. 2017 yılına gelindiğinde endeks, ağırlıklı olarak girişim sermayesi finansmanındaki büyüme nedeniyle 2010 baz değerinin yaklaşık 7-9 katına ulaştı.

Bölüm 6. Hükümet Girişimleri

Rapor, ilk kez üç bölgede YZ alanındaki hükümet girişimlerine genel bir bakış sundu:

ABD

Ekim 2016'da Obama yönetimi ulusal bir YZ stratejisi önerdi ve yapay zekanın geleceğine hazırlık üzerine ilk politika raporunu yayımladı (Preparing for the Future of Artificial Intelligence). Mayıs 2018'de Trump yönetimi Yapay Zeka Zirvesi'ni düzenledi ve Yapay Zeka Özel Komitesi'ni kurdu. Eylül 2018'de DARPA, AI Next programına 2 milyar doların üzerinde yatırım planını duyurdu. Özel şirketler merkezi bir rol oynadı: 2017 yılında Amazon ve Alphabet sırasıyla 16,1 milyar dolar ve 13,9 milyar dolar Ar-Ge yatırımı yaptı; bu, NSF, DARPA ve DOT'un toplam bütçesini (~5,3 milyar dolar) çok aştı.

Avrupa

Nisan 2018'de AB üye devletleri YZ İşbirliği Deklarasyonu'nu imzaladı ve Avrupa Komisyonu, Horizon 2020 programından gelen 2,6 milyar euroya ek olarak 2018-2020 yılları arasında YZ araştırmalarını desteklemek için 1,5 milyar euro ayırdı. Hedef, 10 yılda YZ'ye 20 milyar euro yatırım çekmekti. Birleşik Krallık, 950 milyon sterlinlik yatırım içeren AI Sector Deal'i yayımladı. Fransa, politika, beyin göçünü önleme ve YZ'de çeşitliliğe adanmış "Mission Villani" dahil üç rapor yayımladı.

Çin

2014'ten itibaren Çin hükümeti, 2018 yılına kadar 14,7 milyar dolarlık bir YZ piyasası oluşturmayı ve 2030 yılına kadar Çin'in YZ alanında küresel liderliğini sağlamayı amaçlayan bir dizi ulusal girişim başlattı. Temel belge, 2020 yılına kadar ileri ülkeler düzeyine ulaşmayı, 2025 yılına kadar büyük atılımlar gerçekleştirmeyi ve 2030 yılına kadar YZ alanında küresel yenilik merkezi statüsü kazanmayı öngören "Yeni Nesil Yapay Zeka Geliştirme Planı" (Temmuz 2017) oldu.

Bölüm 7. İnsan Düzeyinde Yetkinlik Başarıları

Rapor, YZ'nin insan düzeyine ulaştığı veya onu aştığı vakaların kronolojisini sürdürdü. 2018 yılında dört yeni başarı eklendi:

Yıl	Başarı	Açıklama
1980	Othello	BILL programı (Ku-Fu Li ve S. Mahajan) en iyi Amerikalı oyuncuyu yendi; 1997'de Logistello dünya şampiyonunu yenecekti
1995	Dama	Chinook programı dünya şampiyonunu yendi
1997	Satranç	IBM DeepBlue, Garry Kasparov'u yendi
2011	Jeopardy!	IBM Watson, şampiyonlar Brad Rutter ve Ken Jennings'i yendi
2015	Atari	DeepMind, 49 Atari oyununda insan düzeyine ulaştı
2016	Go	AlphaGo, Lee Sedol'ü yendi (4-1); AlphaGo Zero, AlphaGo'yu 100-0 yendi
2016	Nesne Tespiti (ImageNet)	Sınıflandırma hatası 2010'daki %28'den ~%5 olan insan düzeyinin altına indi
2017	Konuşma Tanıma (Switchboard)	Microsoft ve IBM, insan doğruluğuna yakın düzeye ulaştı
2017	Poker	Libratus (CMU) 120 000 elde dört profesyonel oyuncuyu yendi; DeepStack (Alberta) 11 profesyoneli yendi
2017	Deri Kanseri Sınıflandırması	Bir YZ sistemi (Esteva ve ark., Nature) 21 sertifikalı dermatologun düzeyine ulaştı
2017	Ms. Pac-Man	Maluuba ekibi (Microsoft) Atari 2600'de 999 900 maksimum puana ulaştı
2018	Capture the Flag	DeepMind ajanı, Quake III Arena CTF'nin değiştirilmiş versiyonunda insan düzeyine ulaştı
2018	Dota 2	OpenAI Five, amatör takımları yendi (kısıtlamalarla), ancak profesyonellere yenildi
2018	Prostat Kanseri Derecelendirmesi	Google sistemi, patologlara karşı %61'e kıyasla %70 genel doğruluğa ulaştı
2018	Çince-İngilizce Çeviri	Microsoft sistemi, newstest2017 veri kümesinde insan düzeyine ulaştı

Rapor yazarları, bu sonuçların abartılmaması gerektiğini vurguladı: görevler dar kapsamlıydı ve bu başarılar sistemlerin genelleme yapabildiğine işaret etmiyordu.

Bölüm 8. Neler Eksik? (What's Missing?)

Bu bölüm, endeksin gelişim yönlerine ilişkin üç uzmanın görüşlerini sunmaktadır.

Francesca Rossi (IBM, Padova Üniversitesi), sağduyu muhakemesi (common sense reasoning), derin doğal dil anlama, insan ile makine işbirliği (karşıtlık yerine), machine learning ile sembolik YZ'nin birleştirilmesi ve nedensellik çıkarımı (causality) için ölçütler eklenmesini önerdi.

Rodney Brooks (MIT), çoğunlukla YZ bileşeni bulunmayan endüstriyel robot ölçütünün sınırlılığına dikkat çekti. YZ bileşeni içeren robotların izlenmesini önerdi: insansız hava araçları (SLAM ve diğer algoritmalar), ev robotları (Roomba) ve potansiyel sosyal robotlar.

Toby Walsh (UNSW Sydney, TU Berlin), büyüyen devlet ve özel yatırımları ölçmek için nicel ölçütlere (Birleşik Krallık — 1 milyar sterlin, Fransa — 1,5 milyar euro, Almanya — 3 milyar euro, Alibaba — 15 milyar dolar) ve otonom silahlar dahil YZ'nin askeri uygulamalarını izlemek için ölçütlere duyulan ihtiyacı vurguladı.

Metodoloji

Rapor, pek çok kaynaktan gelen verileri kullandı:

• Yayınlar: Elsevier Scopus (~70 milyon belge, ~800 YZ anahtar kelimesi), arXiv.org.
• Konferanslar: AAAI, NeurIPS, ICML, CVPR, ICLR, IJCAI, ACL, ICRA, ICAPS, UAI, KR, AAMAS, WiML, AI4ALL.
• Kurslar: Doğrudan üniversitelerden alınan veriler (10 ülkede 17 üniversite).
• Girişimler ve Yatırımlar: Sand Hill Econometrics (Dow Jones VentureSource), Crunchbase API.
• İş İlanları: Monster.com, Gartner TalentNeuron.
• Patentler: amplified (IPC kodları: Bilişim ve anlam anlama, İnsan-arayüz teknolojisi).
• YZ Benimsenmesi: McKinsey & Company (2 135 katılımcı anketi).
• Kurumsal Raporlar: Prattle (FactSet ile kazanç raporu metinlerinin analizi).
• Robotik: International Federation of Robotics (IFR), ROS.org.
• Medya: TrendKite (makale tonu analizi).
• Hükümet: Congressional Record (ABD), Hansards (Birleşik Krallık ve Kanada), McKinsey Global Institute.
• Benchmark'lar: ImageNet (LSVRC), COCO, Penn Treebank, WMT (EuroMatrix), ARC (Allen Institute for AI), GLUE.

Yazar Kadrosu

Rapor, Yoav Shoham (Stanford Üniversitesi) başkanlığında AI Index Yürütme Komitesi tarafından hazırlanmış; Raymond Perrault (SRI International), Erik Brynjolfsson (MIT), Jack Clark (OpenAI), James Manyika (McKinsey Global Institute), Juan Carlos Niebles (Stanford Üniversitesi), Terah Lyons (Partnership on AI), John Etchemendy (Stanford Üniversitesi) ve Barbara Grosz (Harvard Üniversitesi) çalışmaya katkıda bulunmuştur. Proje yöneticisi Zoe Bauer olmuştur. AI Index başlangıçta One Hundred Year Study on AI (AI100) projesi kapsamında ortaya çıkmış ve daha sonra Stanford HAI (Human-Centered AI) Enstitüsü bünyesinde yer almıştır.

Bağlam ve Önem

AI Index Report 2018, YZ ilerlemesinin sistematik olarak izlenmesinde önemli bir aşama olmuştur. Rapor, bir dizi dönüm noktasını kayıt altına almıştır: derin öğrenmenin hızlı gelişimi ve YZ yaklaşımları arasındaki baskınlığı, ImageNet'in "doygunluğa" ulaşmasının ardından bilgisayarlı görü topluluğunun daha karmaşık görevlere yönelmesi, BERT modelinin doğal dil işleme üzerindeki devrimci etkisi ve sanayinin son teknoloji YZ sistemlerinin geliştirilmesine katılımındaki emsalsiz artış. Rapor aynı zamanda YZ finansmanı ve stratejik planlamasında devletler arasındaki "yarışı" ilk kez sistematik olarak belgeledi; bu eğilim, sonraki yıllarda sektörün gelişimini şekillendirecekti.

Dış bağlantılar

• Stanford HAI — AI Index (tüm raporlar): https://aiindex.stanford.edu/report/
• AI Index 2018 Report (tam metin, PDF): https://aiindex.stanford.edu/wp-content/uploads/2019/01/2018-Artificial-Intelligence-Index.pdf
• Elsevier Scopus — bilimsel yayın veri tabanı: https://www.scopus.com/
• Elsevier AI Resource Center: https://www.elsevier.com/connect/the-rise-of-artificial-intelligence-in-6-charts
• arXiv.org — bilimsel ön baskı arşivi: 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 — YZ Benimseme Araştırması: 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 — Ulusal YZ Stratejilerine Genel Bakış: https://medium.com/politics-ai/an-overview-of-national-ai-strategies-2a70ec6edfd
• NLP Progress — NLP'deki ilerlemenin izlenmesi: https://nlpprogress.com/

Kaynakça

• 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