The 2019 AI Index Report (EL)

From Systems analysis Wiki
Jump to navigation Jump to search

AI Index Report 2019 — η δεύτερη πλήρης ετήσια έκδοση της έκθεσης AI Index, που εκπονήθηκε από το Ινστιτούτο Τεχνητής Νοημοσύνης Ανθρωποκεντρικής Προσέγγισης του Στάνφορντ (Stanford HAI)[1]. Η έκθεση του 2019 παρακολουθεί τριπλάσιο αριθμό συνόλων δεδομένων σε σύγκριση με την έκδοση του 2018 και καλύπτει εννέα θεματικά κεφάλαια: από την έρευνα και ανάπτυξη έως τις εθνικές στρατηγικές και την παγκόσμια δυναμική της τεχνητής νοημοσύνης. Η έκδοση περιέχει ενημερωμένα δεδομένα για όλες τις πτυχές της τεχνητής νοημοσύνης — τεχνικές επιδόσεις, οικονομία, εκπαίδευση, κοινωνική αντίληψη και κοινωνικές επιπτώσεις — και παρουσιάζει δύο νέα διαδραστικά εργαλεία: το Global AI Vibrancy Tool (vibrancy.aiindex.org), που επιτρέπει τη σύγκριση χωρών βάσει 34 δεικτών, και το AI Index arXiv Monitor (arxiv.aiindex.org), που παρέχει αναζήτηση πλήρους κειμένου σε preprints στον τομέα της τεχνητής νοημοσύνης. Το AI Index αποτελεί ανεξάρτητη πρωτοβουλία υπό το Ινστιτούτο Stanford HAI, που συνελήφθη στο πλαίσιο του έργου «Εκατονταετής Μελέτη ΤΝ» (AI100)[1].

Πλαίσιο και στόχοι

Η αποστολή του AI Index είναι η παροχή αντικειμενικών, επαληθευμένων δεδομένων για την ανάπτυξη της τεχνητής νοημοσύνης σε πολιτικούς, ερευνητές, στελέχη, δημοσιογράφους και το ευρύ κοινό[1]. Η έκθεση του 2019 δημοσιεύθηκε σε μια περίοδο ταχείας αύξησης του ενδιαφέροντος για την ΤΝ από κυβερνήσεις, εταιρείες και την κοινωνία, και επιδίωκε να διαλύσει διαδεδομένους μύθους — ιδίως την αντίληψη ότι η ανάπτυξη της ΤΝ ανάγεται σε ανταγωνισμό μεταξύ ΗΠΑ και Κίνας. Τα δεδομένα της έκθεσης δείχνουν ότι τοπικά κέντρα αριστείας στον τομέα της ΤΝ διαμορφώνονται σε όλο τον κόσμο: η Φινλανδία διακρίνεται στην εκπαίδευση στον τομέα της ΤΝ, η Ινδία παρουσιάζει υψηλή διείσδυση δεξιοτήτων ΤΝ, η Σιγκαπούρη διαθέτει καλά οργανωμένη κρατική υποστήριξη, και το Ισραήλ ηγείται σε ιδιωτικές επενδύσεις σε startups ΤΝ ανά κάτοικο[1].

Δομή της έκθεσης

Η έκθεση του 2019 αποτελείται από εννέα θεματικά κεφάλαια[1]:

  1. Έρευνα και Ανάπτυξη (Research and Development) — βιβλιομετρικά δεδομένα, δημοσιεύσεις, διπλώματα ευρεσιτεχνίας, ισότητα φύλων στην έρευνα ΤΝ.
  2. Συνέδρια (Conferences) — συμμετοχή, στατιστικά άρθρων AAAI, οργανισμοί για τη διαφορετικότητα, ηθική στα συνέδρια.
  3. Τεχνική απόδοση (Technical Performance) — benchmarks σε computer vision, επεξεργασία γλώσσας, συλλογιστική, υπολογιστική ισχύ.
  4. Οικονομία (The Economy) — θέσεις εργασίας, επενδύσεις, εταιρική υιοθέτηση, ρομποτοποίηση.
  5. Εκπαίδευση (Education) — διαδικτυακή μάθηση, πανεπιστημιακά προγράμματα, ειδικεύσεις PhD, αποχώρηση διδακτικού προσωπικού.
  6. Αυτόνομα συστήματα (Autonomous Systems) — αυτόνομα οχήματα, αυτόνομα οπλικά συστήματα.
  7. Κοινωνική αντίληψη (Public Perception) — κεντρικές τράπεζες, κοινοβούλια, εταιρικές εκθέσεις, μέσα ενημέρωσης.
  8. Κοινωνικές πτυχές (Societal Considerations) — αρχές ηθικής, ΤΝ και βιώσιμη ανάπτυξη ΟΗΕ.
  9. Εθνικές στρατηγικές και παγκόσμια δυναμική ΤΝ (National Strategies and Global AI Vibrancy) — εθνικές στρατηγικές, εργαλείο σύγκρισης χωρών.

Βασικά συμπεράσματα της έκθεσης

1. Αύξηση του όγκου δημοσιεύσεων

Για την περίοδο 1998–2018, ο όγκος των αξιολογημένων από ομοτίμους δημοσιεύσεων στον τομέα της ΤΝ αυξήθηκε κατά περισσότερο από 300%. Έως το 2018, τα άρθρα ΤΝ αντιστοιχούσαν στο 3% των δημοσιεύσεων περιοδικών και στο 9% των άρθρων συνεδρίων στη βάση δεδομένων Scopus[2]. Η Κίνα έως το 2018 εξισώθηκε με την Ευρώπη ως προς τον αριθμό δημοσιεύσεων περιοδικών και συνεδρίων σε ΤΝ, έχοντας ξεπεράσει τις ΗΠΑ ήδη από το 2006. Παράλληλα, ο δείκτης αναφορών (FWCI) των δημοσιεύσεων από τις ΗΠΑ εξακολουθούσε να υπερβαίνει κατά περίπου 50% τον αντίστοιχο κινεζικό[1].

2. Ρεκόρ συμμετοχής σε συνέδρια

Η συμμετοχή στα μεγαλύτερα συνέδρια ΤΝ συνέχισε να αυξάνεται σημαντικά. Το συνέδριο NeurIPS το 2019 ανέμενε 13.500 συμμετέχοντες — αύξηση 41% σε σχέση με το 2018 και άνω του 800% σε σχέση με το 2012. Τα συνέδρια AAAI και CVPR παρουσίαζαν ετήσια αύξηση συμμετοχής περίπου 30%[1].

3. Ταχεία τεχνική πρόοδος

Ο χρόνος εκπαίδευσης ενός μοντέλου ταξινόμησης εικόνων σε υποδομή cloud μειώθηκε από περίπου τρεις ώρες τον Οκτώβριο του 2017 σε περίπου 88 δευτερόλεπτα τον Ιούλιο του 2019· το κόστος εκπαίδευσης μειώθηκε αντίστοιχα. Στα benchmarks SuperGLUE και SQuAD 2.0 η πρόοδος ήταν ιδιαίτερα ταχεία, ωστόσο σε εργασίες που απαιτούν συλλογιστική (π.χ. AI2 Reasoning Challenge) και σε εργασίες μάθησης εννοιών (Omniglot Challenge) τα αποτελέσματα παρέμεναν κατώτερα[3][1].

4. Εκθετική αύξηση υπολογιστικής ισχύος

Έως το 2012, η αύξηση της υπολογιστικής ισχύος για την ΤΝ ακολουθούσε τον νόμο του Moore — διπλασιασμός κάθε δύο χρόνια. Μετά το 2012, η υπολογιστική ισχύς διπλασιαζόταν κάθε 3,4 μήνες, οδηγώντας σε αύξηση άνω των 300.000 φορών μέσα σε έξι χρόνια[4].

5. Παγκόσμια αύξηση προσλήψεων στον τομέα ΤΝ

Η Σιγκαπούρη, η Βραζιλία, η Αυστραλία, ο Καναδάς και η Ινδία παρουσίασαν τον ταχύτερο ρυθμό αύξησης προσλήψεων στον τομέα ΤΝ για την περίοδο 2015–2019. Στις ΗΠΑ, το ποσοστό των θέσεων εργασίας που σχετίζονται με ΤΝ αυξήθηκε από 0,26% του συνολικού αριθμού θέσεων εργασίας το 2010 σε 1,32% τον Οκτώβριο του 2019, με τη μεγαλύτερη ζήτηση να αφορά ειδικούς σε Machine Learning (0,51%)[5][6].

6. Ιδιωτικές επενδύσεις άνω των 70 δισ. δολαρίων

Το 2019, οι παγκόσμιες ιδιωτικές επενδύσεις σε ΤΝ ξεπέρασαν τα 70 δισεκατομμύρια δολάρια, συμπεριλαμβανομένων άνω των 37 δισ. σε επενδύσεις σε startups, 34 δισ. σε συναλλαγές M&A, περίπου 5 δισ. σε IPO και περίπου 2 δισ. σε μειοψηφικά μερίδια. Από το 2010 έως το 2018, η χρηματοδότηση startups ΤΝ αυξήθηκε από 1,3 δισ. σε 40,4 δισ. δολάρια με μέσο ετήσιο ρυθμό αύξησης άνω του 48%. Τα αυτόνομα οχήματα έλαβαν το μεγαλύτερο μερίδιο επενδύσεων (7,7 δισ.), ακολουθούμενα από τη φαρμακευτική και τη θεραπεία καρκίνου (4,7 δισ.) και την αναγνώριση προσώπου (4,7 δισ.)[7].

7. Αυξανόμενη υιοθέτηση ΤΝ στις επιχειρήσεις

Σύμφωνα με έρευνα της McKinsey & Company (2.360 ερωτηθέντες), το 58% των μεγάλων εταιρειών χρησιμοποιούσε ΤΝ σε τουλάχιστον μία λειτουργία ή επιχειρηματική μονάδα το 2019, έναντι 47% το 2018. Ωστόσο, μόνο το 19% των οργανισμών λάμβανε μέτρα για τη μείωση κινδύνων που σχετίζονται με την ερμηνευσιμότητα των αλγορίθμων, και μόνο το 13% για την αντιμετώπιση προκαταλήψεων και διακρίσεων[8].

8. Η ΤΝ ως η πιο δημοφιλής ειδίκευση για PhD

Η ΤΝ έγινε η πιο δημοφιλής ειδίκευση μεταξύ των υποψήφιων διδακτόρων στην Πληροφορική στη Βόρεια Αμερική: το 2018, περισσότερο από το 21% των αποφοίτων PhD στις υπολογιστικές επιστήμες ειδικεύτηκε σε ΤΝ και Machine Learning. Το ποσοστό των αποφοίτων PhD στον τομέα ΤΝ που κατευθύνονται στη βιομηχανία αυξήθηκε από 21% το 2004 σε άνω του 60% το 2018[9].

9. Αποχώρηση καθηγητών ΤΝ από την ακαδημία

Η αποχώρηση καθηγητών ΤΝ από την ακαδημία προς τη βιομηχανία επιταχύνθηκε: άνω των 40 αποχωρήσεων το 2018 έναντι 15 το 2012 και μηδέν το 2004. Τις μεγαλύτερες απώλειες υπέστησαν το Πανεπιστήμιο Carnegie Mellon, το Πανεπιστήμιο της Ουάσινγκτον και το Πανεπιστήμιο της Καλιφόρνιας στο Μπέρκλεϊ[10].

10. Αυξανόμενο ενδιαφέρον για την ηθική της ΤΝ

Η δικαιοσύνη, η ερμηνευσιμότητα και η ερμηνεία αναγνωρίστηκαν ως οι πλέον συχνά αναφερόμενες ηθικές προκλήσεις σε 59 έγγραφα αρχών ηθικής ΤΝ. Από περισσότερα από 3.600 παγκόσμια άρθρα ειδήσεων για την ηθική και την ΤΝ (μέσα 2018 – μέσα 2019), τα κυρίαρχα θέματα ήταν πλαίσια αρχών και οδηγίες για την ηθική χρήση της ΤΝ (32%), απόρρητο δεδομένων (14%), αναγνώριση προσώπου (13%), αλγοριθμική προκατάληψη (11%) και ο ρόλος των μεγάλων τεχνολογικών εταιρειών (11%)[11].

Κεφάλαιο 1. Έρευνα και Ανάπτυξη

Το κεφάλαιο αναλύει τις τάσεις στις δημοσιεύσεις βάσει δεδομένων Elsevier Scopus, preprints arXiv, Microsoft Academic Graph (MAG), καθώς και την κατοχύρωση ευρεσιτεχνιών, τη δημοτικότητα των προγραμματιστικών frameworks στο GitHub και την ισότητα φύλων μεταξύ των ερευνητών ΤΝ[1].

Δημοσιεύσεις

Η Ευρώπη παρέμεινε ο μεγαλύτερος εκδότης άρθρων ΤΝ, φθάνοντας σε ποσοστό άνω του 27% των δημοσιεύσεων στο Scopus έως το 2018. Το μερίδιο της Κίνας αυξήθηκε από 10% το 2000 σε 28% το 2018. Στις ΗΠΑ, σχετικά υψηλό ποσοστό αποτελούσαν οι εταιρικές δημοσιεύσεις: το 2018, ο αριθμός των εταιρικών άρθρων ΤΝ στις ΗΠΑ υπερέβαινε τα κινεζικά κατά περισσότερο από επτά φορές[2].

Στο arXiv, ο συνολικός αριθμός άρθρων ΤΝ για την περίοδο 2010–2019 αυξήθηκε περισσότερο από είκοσι φορές. Το Computer Vision (CV) ήταν η μεγαλύτερη υποκατηγορία από το 2014, ωστόσο το 2019 το Machine Learning ανέλαβε την πρωτιά. Η υποκατηγορία «Computation & Language» αυξήθηκε σχεδόν εξήντα φορές από το 2010[12].

Αναφορές

Άνω του 32% των παγκόσμιων αναφορών σε άρθρα περιοδικών ΤΝ αφορούσαν την Ανατολική Ασία, ενώ άνω του 40% των αναφορών σε άρθρα συνεδρίων αφορούσαν τη Βόρεια Αμερική. Στον τομέα των ευρεσιτεχνιών, η Βόρεια Αμερική συγκέντρωσε άνω του 60% της παγκόσμιας δραστηριότητας αναφορών σε ευρεσιτεχνίες ΤΝ για την περίοδο 2014–2018[13].

Ευρεσιτεχνίες

Άνω του 51% των παγκόσμιων ευρεσιτεχνιών ΤΝ αφορούσαν τη Βόρεια Αμερική. Οι ΗΠΑ δημοσίευσαν τριπλάσιο αριθμό ευρεσιτεχνιών ΤΝ σε σχέση με την επόμενη χώρα — την Ιαπωνία. Άνω του 94% των ευρεσιτεχνιών ΤΝ κατατέθηκαν σε χώρες υψηλού εισοδήματος[13].

GitHub Stars

Αξιοσημείωτη τάση αποτέλεσε η κυριαρχία των frameworks που υποστηρίζονται από εταιρείες: TensorFlow (Google) και PyTorch (Facebook). Μη-εταιρικά frameworks — scikit-learn και Caffe — συνέχισαν να αναπτύσσονται, αλλά με μικρότερο ρυθμό[1].

Ισότητα φύλων στην έρευνα

Άνω του 41% των άρθρων ΤΝ από την Ολλανδία και άνω του 39% από τη Δανία είχαν τουλάχιστον μία γυναίκα συγγραφέα. Στην Ιαπωνία και τη Σιγκαπούρη αυτό το ποσοστό ήταν μόλις 10% και 16% αντίστοιχα. Πολλές δυτικοευρωπαϊκές χώρες, καθώς και η Αργεντινή, ο Καναδάς και το Ιράν παρουσίαζαν σχετικά υψηλή παρουσία γυναικών στην έρευνα ΤΝ[14].

Κεφάλαιο 2. Συνέδρια

Συμμετοχή

Το NeurIPS το 2019 ανέμενε 13.500 συμμετέχοντες (αύξηση 800% από το 2012). Το ICLR αυξήθηκε 15 φορές σε σχέση με το 2014. Το σεμινάριο Women in Machine Learning (WiML) αύξησε τον αριθμό συμμετεχόντων κατά 738% σε σχέση με το 2014, ενώ το πρόγραμμα AI4ALL κατά 2.000% σε σχέση με το 2015[1].

Στατιστικά AAAI

Στο συνέδριο AAAI 2019, η Κίνα παρουσίασε τον μεγαλύτερο αριθμό υποβληθέντων και αποδεκτών άρθρων. Άνω του 68% των αιτήσεων προήλθαν από μεταπτυχιακούς φοιτητές. Το Ισραήλ είχε το υψηλότερο ποσοστό αποδοχής (24%), ακολουθούμενο από τη Γερμανία (23%), τον Καναδά (22%), τις ΗΠΑ και τη Σιγκαπούρη (ανά 20%). Το Machine Learning, το NLP και το Computer Vision παρέμεναν τα τρία κορυφαία θεματικά αντικείμενα[1].

Ηθική στα συνέδρια

Ο συνολικός αριθμός άρθρων με λέξεις-κλειδιά που σχετίζονται με την ηθική σε κορυφαία συνέδρια ΤΝ παρέμενε μικρό ποσοστό του συνόλου, αλλά αυξανόταν ταχύτατα. Η ανάλυση κάλυψε 110.108 άρθρα, συμπεριλαμβανομένων 59.352 άρθρων συνεδρίων και 50.756 άρθρων περιοδικών[15].

Κεφάλαιο 3. Τεχνική απόδοση

Το κεφάλαιο παρακολουθεί την τεχνική πρόοδο σε εργασίες computer vision, επεξεργασίας φυσικής γλώσσας, συλλογιστικής, μηχανικής μετάφρασης και υπολογιστικής ισχύος[1].

Computer Vision

ImageNet. Η πρώτη μέθοδος που ξεπέρασε την ανθρώπινη ακρίβεια στο ImageNet δημοσιεύθηκε το 2015. Έως το 2019, η πρόοδος συνεχιζόταν: οι τρεις πιο επιτυχημένες μέθοδοι χρησιμοποιούσαν πρόσθετα δεδομένα εκπαίδευσης. Ο διαγωνισμός ImageNet τερματίστηκε το 2017, αλλά το dataset παρέμεινε βασικό benchmark[16].

Χρόνος και κόστος εκπαίδευσης. Σύμφωνα με το έργο DAWNBench (Stanford), ο χρόνος εκπαίδευσης μοντέλου ταξινόμησης εικόνων έως ακρίβεια 93%+ (top-5) σε υποδομή cloud μειώθηκε από άνω των 3 ωρών (Οκτώβριος 2017) σε ~88 δευτερόλεπτα (Ιούλιος 2019). Το κόστος εκπαίδευσης μειώθηκε από $2.323 (Οκτώβριος 2017, ResNet) σε ~$12 (Σεπτέμβριος 2018, ResNet σε GCP με Cloud TPU)[3].

Δημιουργία εικόνων. Η πρόοδος στη δημιουργία εικόνων (CIFAR-10) μετρήθηκε με τη μετρική FID (Fréchet Inception Distance): χαμηλότερη βαθμολογία συσχετίζεται με καλύτερη ποιότητα δημιουργίας[1].

Σημασιολογική κατάτμηση. Η πρόοδος μετρήθηκε με τη μετρική mean IoU στο dataset Cityscapes — εργασία σημαντική για συστήματα αυτόματης πιλότησης[1].

Επεξεργασία φυσικής γλώσσας

GLUE. Το benchmark General Language Understanding Evaluation, που κυκλοφόρησε τον Μάιο του 2018, δοκιμάζει συστήματα σε εννέα εργασίες επεξεργασίας κειμένου. Παρόλο που το benchmark ήταν λίγο πάνω από ένα χρόνο, τα αποτελέσματα των συστημάτων ξεπέρασαν το επίπεδο των μη-ειδικών αξιολογητών τον Ιούνιο του 2019. Τα μοντέλα RoBERTa (Facebook) και T5 (Google) συνέχισαν να βελτιώνουν τις επιδόσεις[17].

SuperGLUE. Πιο απαιτητικό benchmark, που λανσαρίστηκε τον Μάιο του 2019. Μέσα σε πέντε μήνες από την κυκλοφορία του, το μοντέλο T5 (Google) σχεδόν έφθασε το ανθρώπινο επίπεδο αναφοράς 89,8, επιτυγχάνοντας βαθμολογία 88,9[18].

SQuAD. Στο benchmark Stanford Question Answering Dataset, η βαθμολογία F1 για το SQuAD 1.1 αυξήθηκε από 67 (Αύγουστος 2016) σε 95 (Μάιος 2019). Η πρόοδος στο SQuAD 2.0 ήταν ακόμη ταχύτερη: από 62 (Μάιος 2018) σε 90 (Ιούνιος 2019). Ο χρόνος εκπαίδευσης μοντέλου απάντησης ερωτήσεων έως F1 ≥ 75 στο SQuAD 1.0 μειώθηκε από άνω των 7 ωρών (Οκτώβριος 2017) σε κάτω από 19 λεπτά (Μάρτιος 2019)[19].

Συλλογιστική. Στο ARC Challenge Set (Allen Institute for AI), το καλύτερο αποτέλεσμα ήταν 67,7% (Σεπτέμβριος 2019). Στο ARC-Easy — 85,4%. Οι εργασίες που απαιτούν συλλογιστική παρέμεναν σημαντικά πιο δύσκολες για συστήματα ΤΝ[20].

Μηχανική μετάφραση

Ο αριθμός εμπορικά διαθέσιμων συστημάτων μηχανικής μετάφρασης με προεκπαιδευμένα μοντέλα αυξήθηκε από 8 (2017) σε άνω των 24 (2019). Η μεγαλύτερη πρόοδος ως προς την ποιότητα παρατηρήθηκε για τα ζεύγη κινεζικά–αγγλικά, αγγλικά–γερμανικά και ρωσικά–αγγλικά[21].

Omniglot Challenge

Για τρία χρόνια σημειώθηκε αξιόλογη πρόοδος στην ταξινόμηση από ένα παράδειγμα (one-shot), ωστόσο στις υπόλοιπες τέσσερις εργασίες μάθησης εννοιών (δημιουργία παραδειγμάτων, ανάλυση, δημιουργία νέων εννοιών) η πρόοδος ήταν περιορισμένη. Η Βαυεσιανή Προγραμματιστική Μάθηση (BPL) εξακολουθούσε να υπερτερεί των νευρωνικών προσεγγίσεων στην αρχική εργασία[22].

Υπολογιστική ισχύς

Η ανάλυση της OpenAI αποκάλυψε δομικό χάσμα: έως το 2012, ο όγκος υπολογισμών για ΤΝ διπλασιαζόταν κάθε δύο χρόνια (νόμος Moore)· μετά το 2012 — κάθε 3,4 μήνες. Από το 2012, αυτός ο δείκτης αυξήθηκε κατά περισσότερο από 300.000 φορές[4].

Ορόσημα ανθρώπινου επιπέδου

Η έκθεση ενημέρωσε το χρονολόγιο επιτευγμάτων ΤΝ, προσθέτοντας δύο νέα αποτελέσματα στα ήδη τεκμηριωμένα (Othello — 1980, ντάμα — 1995, σκάκι — 1997, Jeopardy! — 2011, Atari — 2015, ImageNet — 2016, Go — 2016, πόκερ — 2017, Ms. Pac-Man — 2017, StarCraft II — 2019):

Έτος Επίτευγμα
2018 AlphaFold (DeepMind) — πρόβλεψη τρισδιάστατης δομής πρωτεϊνών με πρωτοφανή ακρίβεια
2019 AlphaStar (DeepMind) — νίκη επί κορυφαίου επαγγελματία στο StarCraft II
2019 Ανίχνευση διαβητικής αμφιβληστροειδοπάθειας με ακρίβεια στο επίπεδο ειδικού

Κεφάλαιο 4. Οικονομία

Θέσεις εργασίας και προσλήψεις

Ο δείκτης προσλήψεων ΤΝ (LinkedIn) έδειξε ότι η Σιγκαπούρη, η Βραζιλία, η Αυστραλία, ο Καναδάς και η Ινδία ηγήθηκαν στους ρυθμούς αύξησης προσλήψεων κατά την περίοδο 2015–2019. Στις ΗΠΑ, η πολιτεία της Ουάσινγκτον είχε τη μεγαλύτερη σχετική ζήτηση για θέσεις εργασίας ΤΝ (σχεδόν 1,4% του συνολικού αριθμού θέσεων), ακολουθούμενη από την Καλιφόρνια (1,3%) και τη Μασαχουσέτη (1,3%). Σε απόλυτους αριθμούς, η Καλιφόρνια ηγείτο με άνω των 93.000 θέσεων εργασίας ΤΝ[5].

Η μεγαλύτερη διείσδυση δεξιοτήτων ΤΝ παρατηρήθηκε στους τομείς υπηρεσιών πληροφορικής (2,3% των θέσεων), επαγγελματικών και επιστημονικών υπηρεσιών (άνω του 2%), χρηματοοικονομικών υπηρεσιών και ασφαλίσεων (1,3%) και μεταποιητικής βιομηχανίας (1,1%)[6].

Σύμφωνα με τα δεδομένα του LinkedIn, η Ινδία παρουσίαζε διείσδυση δεξιοτήτων ΤΝ 2,6 φορές υψηλότερη από τον παγκόσμιο μέσο όρο. Ενδιαφέρουσα εικόνα παρατηρήθηκε ως προς το φύλο: οι άνδρες ανέφεραν δεξιότητες ΤΝ σε μεγαλύτερο αριθμό επαγγελμάτων από ό,τι οι γυναίκες, σε όλες τις χώρες του δείγματος[6].

Επενδύσεις

Η χρηματοδότηση startups ΤΝ αυξανόταν με μέσο ετήσιο ρυθμό άνω του 48% (2010–2018). Έως τον Νοέμβριο του 2019, ο όγκος επενδύσεων ανήλθε σε $37,4 δισ. (έναντι $40,4 δισ. για ολόκληρο το 2018). Μεταξύ 2014 και 2019 πραγματοποιήθηκαν 15.798 επενδύσεις με μέσο μέγεθος περίπου $8,6 εκατ.[7].

Ο δείκτης επενδύσεων σε ΤΝ ανά κάτοικο ήταν υψηλότερος στο Ισραήλ, ακολουθούμενο από τη Σιγκαπούρη και την Ισλανδία. Τα startups από την Κίνα λάμβαναν σημαντικά περισσότερες επενδύσεις ανά εταιρεία: $34,1 εκατ. — κατά 201% περισσότερο από ό,τι στις ΗΠΑ και κατά 296% περισσότερο από τον παγκόσμιο μέσο όρο[7].

Ανά τομέα, οι μεγαλύτερες επενδύσεις κατευθύνθηκαν σε αυτόνομα οχήματα ($7,7 δισ., 9,9% του συνολικού όγκου), φαρμακευτική και θεραπεία καρκίνου ($4,7 δισ.), αναγνώριση προσώπου ($4,7 δισ.), περιεχόμενο βίντεο ($3,6 δισ.) και ανίχνευση απάτης ($3,1 δισ.). Οι ταχύτερα αναπτυσσόμενοι τομείς ήταν η ρομποτική αυτοματοποίηση διαδικασιών, η διαχείριση αλυσίδας εφοδιασμού και η βιομηχανική αυτοματοποίηση[7].

Κρατικές επενδύσεις (ΗΠΑ)

Η ομοσπονδιακή κυβέρνηση των ΗΠΑ σχεδίαζε να επενδύσει $4,98 δισ. σε έρευνα ΤΝ για το οικονομικό έτος 2020. Το Υπουργείο Άμυνας (DoD) — $4,0 δισ., συμπεριλαμβανομένων $506 εκατ. μέσω DARPA, $221 εκατ. για το έργο Maven και $209 εκατ. για το Joint AI Center (JAIC). Οι δαπάνες ομοσπονδιακών υπηρεσιών για συμβόλαια ΤΝ αυξήθηκαν κατά ~70%: από $429 εκατ. το 2017 σε $728 εκατ. το 2018[23].

Εταιρική υιοθέτηση

Το 58% των μεγάλων εταιρειών ανέφερε χρήση ΤΝ σε τουλάχιστον μία λειτουργία (αύξηση από 47% το 2018). Το 30% των ερωτηθέντων ανέφερε εφαρμογή ΤΝ σε πολλές επιχειρηματικές μονάδες (21% το 2018). Οι πιο συχνά υιοθετούμενες δυνατότητες ΤΝ: ρομποτική αυτοματοποίηση διαδικασιών, computer vision και Machine Learning. Η κυβερνοασφάλεια ήταν ο κίνδυνος που αντιμετώπιζαν οι οργανισμοί συχνότερα (48%), ενώ οι κίνδυνοι ερμηνευσιμότητας (19%) και δικαιοσύνης (13%) αντιμετωπίζονταν σημαντικά σπανιότερα[8].

Βιομηχανική ρομποτοποίηση

Το 2018, οι παγκόσμιες εγκαταστάσεις βιομηχανικών ρομπότ αυξήθηκαν κατά 6% — σε 422.271 μονάδες αξίας $16,5 δισ. Το λειτουργικό απόθεμα ρομπότ ανερχόταν σε 2.439.543 μονάδες. Οι πέντε μεγαλύτερες αγορές — Κίνα, Ιαπωνία, ΗΠΑ, Νότια Κορέα και Γερμανία — συγκέντρωσαν το 74% των παγκόσμιων εγκαταστάσεων. Η Κίνα παρέμεινε παγκόσμιος ηγέτης (36%), εγκαθιστώντας 154.032 μονάδες[24].

Κεφάλαιο 5. Εκπαίδευση

Διαδικτυακή μάθηση

Η Coursera, που εξυπηρετεί άνω των 45 εκατ. εκπαιδευομένων και προσφέρει 3.700+ μαθήματα, κατάρτισε κατάταξη 60 χωρών βάσει δεξιοτήτων ΤΝ (Global Skills Index). Η Νότια Ασία και η Ανατολική Ασία παρουσίαζαν το μεγαλύτερο ποσοστό εγγραφών σε μαθήματα ΤΝ και συναφών ικανοτήτων. Στο Udacity, ο κύκλος «Introduction to Machine Learning» συγκέντρωσε άνω των 125.000 συνολικών εγγραφών[25].

Πανεπιστημιακά προγράμματα

Οι εγγραφές στα εισαγωγικά μαθήματα ΤΝ στο Στάνφορντ αυξήθηκαν πέντε φορές (2012–2018). Στο μάθημα «Introduction to Machine Learning» στο Πανεπιστήμιο του Ιλινόις (UIUC) — δώδεκα φορές (2010–2018). Σε διεθνές επίπεδο, το Πανεπιστήμιο του Τορόντο είχε τον μεγαλύτερο αριθμό εγγεγραμμένων φοιτητών, ακολουθούμενο από την Ανώτατη Σχολή Οικονομίας (Ρωσία) και το Πανεπιστήμιο Tsinghua (Κίνα)[1].

Στην Ευρώπη εντοπίστηκαν 2.054 προγράμματα που καλύπτουν τον τομέα ΤΝ, με τη συντριπτική πλειονότητα σε επίπεδο μεταπτυχιακών σπουδών. 197 ευρωπαϊκά πανεπιστήμια προσέφεραν 406 εξειδικευμένα μεταπτυχιακά προγράμματα σε ΤΝ[26].

Ειδικεύσεις PhD και αποχώρηση στη βιομηχανία

Η ΤΝ έγινε η πιο δημοφιλής ειδίκευση PhD στην Πληροφορική: άνω του 21% το 2018. Το ποσοστό αποφοίτων PhD που κατευθύνονται στη βιομηχανία τριπλασιάστηκε: από 21% το 2004 σε 62% το 2018. Άνω του 60% των νέων αποφοίτων PhD σε ΤΝ στις ΗΠΑ και τον Καναδά ήταν αλλοδαποί φοιτητές (κάτω του 40% το 2010)· μόλις ~10% εγκατέλειπαν τις ΗΠΑ μετά την αποφοίτηση[9].

Τα τρία πανεπιστήμια με τις μεγαλύτερες απώλειες καθηγητών ΤΝ: Carnegie Mellon (17 τακτικοί), Πανεπιστήμιο της Ουάσινγκτον (11) και Μπέρκλεϊ. Μεταξύ των καναδικών πανεπιστημίων, τις μεγαλύτερες απώλειες υπέστη το Πανεπιστήμιο του Τορόντο (9 καθηγητές). Το ποσοστό γυναικών στους αποφοίτους PhD σε ΤΝ παρέμεινε σταθερό στο ~20% από το 2010 έως το 2018[10].

Κεφάλαιο 6. Αυτόνομα συστήματα

Αυτόνομα οχήματα

Τουλάχιστον 25 χώρες είχαν πόλεις όπου δοκιμάζονται αυτόνομα οχήματα (ΑΟ). Στην πολιτεία Καλιφόρνια, από το 2015 έως το 2018, ο αριθμός των εταιρειών που δοκιμάζουν και ο συνολικός αριθμός ΑΟ αυξήθηκαν επταπλάσια. Το 2018, άνω των 50 εταιρειών και 500 ΑΟ διέτρεξαν άνω των 2 εκατ. μιλίων. Τουλάχιστον 41 πολιτείες και η Περιφέρεια Κολούμπια εξέταζαν νομοθεσία σχετική με τα ΑΟ[27].

Η συχνότητα ατυχημάτων των ΑΟ στην Καλιφόρνια το 2018 ανήλθε σε 22,44 ανά εκατομμύριο μίλια — περίπου 5,5 φορές υψηλότερη από τον διορθωμένο δείκτη για συνηθισμένους οδηγούς. Στα περισσότερα ατυχήματα, ένα όχημα με ανθρώπινο οδηγό προσέκρουε εκ των όπισθεν σε ένα ακινητοποιημένο ή ευθεία κινούμενο ΑΟ κατά τη διάρκεια της ημέρας. Οι περισσότερες ζημιές ήταν ασήμαντες[27].

Αυτόνομα οπλικά συστήματα

Σύμφωνα με εμπειρογνωμονική έρευνα του Διεθνούς Ινστιτούτου Ερευνών Ειρήνης της Στοκχόλμης (SIPRI), τουλάχιστον 89 χώρες διέθεταν αυτόματα συστήματα αντιαεροπορικής άμυνας. Συστήματα ενεργούς προστασίας αναπτύσσονταν και παρήγοντο μόνο από εννέα χώρες. Τα δεδομένα κάλυπταν την περίοδο 1950–2017[28].

Κεφάλαιο 7. Κοινωνική αντίληψη

Κεντρικές τράπεζες

Οι επικοινωνίες των κεντρικών τραπεζών παρουσίαζαν αυξανόμενο ενδιαφέρον για την ΤΝ. Η Τράπεζα της Αγγλίας, η Τράπεζα της Ιαπωνίας και η Ομοσπονδιακή Τράπεζα Αποθεματικών (Federal Reserve) ανέφεραν την ΤΝ συχνότερα από τις υπόλοιπες. Ο χαρακτήρας των δημοσιεύσεων μετατοπίστηκε από αναλυτικά έγγραφα σε ομιλίες[1].

Κοινοβουλευτική και κυβερνητική δραστηριότητα

Παρατηρήθηκε αύξηση πάνω από δεκαπλάσια στη νομοθετική δραστηριότητα που σχετίζεται με ΤΝ στο Κογκρέσο των ΗΠΑ κατά την περίοδο 2017–2018. Στα πρακτικά του Κογκρέσου, το 2019 ήταν η χρονιά με τον μεγαλύτερο αριθμό αναφορών σε ΤΝ. Παρόμοιες τάσεις παρατηρήθηκαν στα κοινοβούλια Καναδά και Ηνωμένου Βασιλείου[23].

Εταιρείες

Το ποσοστό των ανακοινώσεων οικονομικών αποτελεσμάτων (earnings calls) 3.000 εισηγμένων εταιρειών στις ΗΠΑ που περιείχαν αναφορές σε ΤΝ αυξήθηκε από 0,01% (2010) σε 0,42% (2018). Ο χρηματοπιστωτικός τομέας ηγείτο ως προς τον αριθμό αναφορών[1].

Μέσα ενημέρωσης και διαδικτυακή αναζήτηση

Σύμφωνα με το Google Trends, ο όρος «machine learning» ξεπερνούσε άλλους συναφείς όρους στα ερωτήματα αναζήτησης στις ΗΠΑ. Σύμφωνα με το GDELT Project, από τα άρθρα ειδήσεων που σχετίζονται με ΤΝ, το 17,7% αφορούσε τις επιπτώσεις στην απασχόληση, το 2,4% την αλγοριθμική προκατάληψη και μόλις το 0,99% τα «δολοφονικά ρομπότ»[29].

Κεφάλαιο 8. Κοινωνικές πτυχές

Αρχές ηθικής

Η PricewaterhouseCoopers ανέλυσε 59 έγγραφα με αρχές ηθικής ΤΝ από ενώσεις και κοινοπραξίες, κυβερνήσεις, τεχνολογικές εταιρείες, δεξαμενές σκέψης και επιστημονικές οργανώσεις. Δώδεκα ηθικές προκλήσεις επισημάνθηκαν ως οι πλέον συχνές: λογοδοσία, ασφάλεια, ανθρώπινος έλεγχος, αξιοπιστία και προστασία, δικαιοσύνη, διαφορετικότητα και συμπερίληψη, βιωσιμότητα, διαφάνεια, ερμηνευσιμότητα και ερμηνεία, πολυμερής διάλογος, νομιμότητα και συμμόρφωση, απόρρητο δεδομένων[11].

Η δικαιοσύνη, η ερμηνευσιμότητα/ερμηνεία και η διαφάνεια αναφέρθηκαν συχνότερα. Για τις τεχνολογικές εταιρείες, η δικαιοσύνη αναφερόταν στο 100% των πλαισίων, ενώ για τις δεξαμενές σκέψης — η δικαιοσύνη και ο ανθρώπινος έλεγχος (100% και 88% αντίστοιχα)[11].

ΤΝ και Στόχοι Βιώσιμης Ανάπτυξης ΟΗΕ

Το McKinsey Global Institute εντόπισε περίπου 160 περιπτώσεις χρήσης ΤΝ για κοινωνικό όφελος, που ενδέχεται να υποστηρίζουν και τους 17 Στόχους Βιώσιμης Ανάπτυξης (ΣΒΑ) του ΟΗΕ. Η ΤΝ θα μπορούσε να απευθυνθεί σε περίπου τους μισούς από τους 169 επιμέρους στόχους των ΣΒΑ. Ο μεγαλύτερος αριθμός εφαρμογών αντιστοιχούσε στον ΣΒΑ 3 (υγεία) και τον ΣΒΑ 16 (ειρηνικές και συμπεριληπτικές κοινωνίες). Ωστόσο, για τη μεγάλης κλίμακας ανάπτυξη ΤΝ για τη βιώσιμη ανάπτυξη, παρέμεναν σημαντικά εμπόδια: διαθεσιμότητα δεδομένων, υπολογιστική ισχύς, ανθρώπινο δυναμικό και οργανωσιακή ετοιμότητα[30].

Κεφάλαιο 9. Εθνικές στρατηγικές και παγκόσμια δυναμική ΤΝ

Εθνικές στρατηγικές

Ο αριθμός των επίσημων στρατηγικών εγγράφων για την ΤΝ αυξανόταν σταθερά. Η PwC, χρησιμοποιώντας NLP-ανάλυση 37 εγγράφων, διαπίστωσε ότι η ακαδημαϊκή συνεργασία αναφερόταν στο 94% των εγγράφων, η έρευνα και ανάπτυξη ΤΝ στο 48%, η διακυβέρνηση ΤΝ στο 42%. Η προστασία καταναλωτών και η δικαιοσύνη αναφέρονταν σπανιότερα (2%)[11].

Εργαλείο Global AI Vibrancy

Το εργαλείο που παρουσιάστηκε για πρώτη φορά κάλυπτε 28 χώρες βάσει 34 μετρικών, ομαδοποιημένων σε τρεις πυλώνες: έρευνα και ανάπτυξη (21 μετρικές), οικονομία (10 μετρικές) και συμπερίληψη (5 μετρικές). Το εργαλείο επέτρεπε στους χρήστες να προσαρμόζουν τους συντελεστές βαρύτητας και να διεξάγουν τόσο συγκρίσεις μεταξύ χωρών όσο και εντός χωρών[1].

Προφίλ χωρών

Η έκθεση περιλάμβανε αναλυτικά προφίλ χωρών για τη Βραζιλία, την Κίνα, τη Γαλλία, τη Γερμανία, την Ινδία, την Ολλανδία, τη Σιγκαπούρη και τις ΗΠΑ, καθώς και επισκόπηση της πολυμερούς περιφερειακής πολιτικής στον τομέα της ΤΝ[1].

Σημαντικά αποτελέσματα benchmarks για το 2019

Benchmark Καλύτερο αποτέλεσμα (2019) Ανθρώπινο επίπεδο Πρόοδος
ImageNet (Top-1) ~88% ~95% (ένας αξιολογητής) Συνεχής βελτίωση με πρόσθετα δεδομένα
GLUE Ξεπεράστηκε το επίπεδο μη-ειδικού (Ιούνιος 2019) 87,1 (μη-ειδικός) RoBERTa, T5
SuperGLUE 88,9 (T5, Google) 89,8 Επιτεύχθηκε σε 5 μήνες από την κυκλοφορία του benchmark
SQuAD 1.1 (F1) 95 ~91 Ξεπεράστηκε το ανθρώπινο επίπεδο
SQuAD 2.0 (F1) 90 ~89 Πρακτικά στο ανθρώπινο επίπεδο
ARC Challenge 67,7% — Οι εργασίες συλλογιστικής παραμένουν δύσκολες
VQA 75,28% ~80% Αύξηση κατά 2,85 μονάδες ετησίως

Μεθοδολογία

Η έκθεση χρησιμοποίησε δεδομένα από πολλές πηγές[1]:

  • Δημοσιεύσεις: Elsevier Scopus, arXiv (NESTA), Microsoft Academic Graph (MAG).
  • Benchmarks: Papers With Code, DAWNBench/MLPerf, λίστες ηγετών GLUE, SuperGLUE, SQuAD, ARC, VQA, ActivityNet.
  • Συνέδρια: δεδομένα εγγραφής NeurIPS, ICML, ICLR, AAAI, CVPR, WiML, AI4ALL, RightsCon.
  • Αγορά εργασίας: LinkedIn Economic Graph, Burning Glass Technologies, Indeed.
  • Επενδύσεις: CAPIQ, Crunchbase, Quid.
  • Εταιρική δραστηριότητα: McKinsey Global Survey, International Federation of Robotics.
  • Κρατικές δαπάνες: Bloomberg Government.
  • Κοινωνική αντίληψη: Google Trends, GDELT Project, Prattle (κεντρικές τράπεζες), Hansard (κοινοβούλια).
  • Ηθική και στρατηγικές: PricewaterhouseCoopers (NAISR), Harvard, LexisNexis.
  • Εκπαίδευση: CRA Taulbee Survey, Coursera, Udacity, Joint Research Centre (EC).
  • Αυτόνομα συστήματα: California DMV, Bloomberg Philanthropies, SIPRI, NCSL.

Συγγραφική ομάδα

Η έκθεση εκπονήθηκε από την Επιτροπή Καθοδήγησης AI Index υπό τον συντονισμό του Raymond Perrault (SRI International) και την προεδρία του Yoav Shoham (Πανεπιστήμιο Στάνφορντ). Στη σύνθεση της επιτροπής συμμετείχαν: Erik Brynjolfsson (MIT), Jack Clark (OpenAI), John Etchemendy (Στάνφορντ), Barbara Grosz (Χάρβαρντ), Terah Lyons (Partnership on AI), James Manyika (McKinsey Global Institute) και Juan Carlos Niebles (Στάνφορντ). Διευθυντής έργου και αρχισυντάκτης ήταν ο Saurabh Mishra (Πανεπιστήμιο Στάνφορντ). Δεδομένα παρείχαν άνω των 20 οργανισμοί-εταίροι[1].

Αναφορές

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 Perrault, R., Shoham, Y., Brynjolfsson, E., Clark, J., Etchemendy, J., Grosz, B., Lyons, T., Manyika, J., Mishra, S., Niebles, J.C. (2019). The AI Index 2019 Annual Report. AI Index Steering Committee, Human-Centered AI Institute, Stanford University. https://aiindex.stanford.edu/report/
  2. ↑ 2.0 2.1 Elsevier Scopus. Data on AI publications 1998–2018. https://www.scopus.com/
  3. ↑ 3.0 3.1 Coleman, C. et al. Stanford DAWNBench: An End-to-End Deep Learning Benchmark and Competition. https://dawn.cs.stanford.edu/benchmark/
  4. ↑ 4.0 4.1 Amodei, D., Hernandez, D. (2018). AI and Compute. OpenAI. https://openai.com/blog/ai-and-compute
  5. ↑ 5.0 5.1 Burning Glass Technologies. AI Job Posting Data 2010–2019. https://www.burning-glass.com/
  6. ↑ 6.0 6.1 6.2 LinkedIn Economic Graph. AI Hiring Index and Skill Penetration Data. https://economicgraph.linkedin.com/
  7. ↑ 7.0 7.1 7.2 7.3 Quid. Global AI Startup Investment Data. CAPIQ, Crunchbase. https://quid.com/
  8. ↑ 8.0 8.1 McKinsey & Company (2019). Global AI Survey: AI proves its worth, but few scale impact. https://www.mckinsey.com/capabilities/quantumblack/our-insights/global-ai-survey-ai-proves-its-worth-but-few-scale-impact
  9. ↑ 9.0 9.1 Computing Research Association. Taulbee Survey 2018. https://cra.org/resources/taulbee-survey/
  10. ↑ 10.0 10.1 Gofman, M., Jin, Z. (2019). Artificial Intelligence, Human Capital, and Innovation. University of Rochester Working Paper. http://www.aibraindrain.org
  11. ↑ 11.0 11.1 11.2 11.3 PricewaterhouseCoopers (2019). National AI Strategy Radar and Ethical AI Principles Analysis. https://www.pwc.com/
  12. ↑ arXiv. AI papers statistics 2010–2019. NESTA analysis. https://arxiv.org/
  13. ↑ 13.0 13.1 Wang, K., Shen, I., Dong, Y. Microsoft Academic Graph Data 2019. https://academic.microsoft.com/
  14. ↑ Stathoulopoulos, K., Mateos-Garcia, J. (2019). Women in AI Research. NESTA. https://www.nesta.org.uk/
  15. ↑ Prates, M., Avelar, P., Lamb, L. (2019). Ethics analysis in AI conferences. Federal University of Rio Grande do Sul.
  16. ↑ Russakovsky, O. et al. ImageNet Large Scale Visual Recognition Challenge. https://www.image-net.org/
  17. ↑ Wang, A. et al. (2018). GLUE: A Multi-Task Benchmark and Analysis Platform for Natural Language Understanding. https://gluebenchmark.com/
  18. ↑ Wang, A. et al. (2019). SuperGLUE: A Stickier Benchmark for General-Purpose Language Understanding Systems. https://super.gluebenchmark.com/
  19. ↑ Rajpurkar, P. et al. (2018). Know What You Don't Know: Unanswerable Questions for SQuAD. https://rajpurkar.github.io/SQuAD-explorer/
  20. ↑ Clark, P. et al. (2018). Think you have Solved Question Answering? Try ARC. Allen Institute for AI. https://allenai.org/data/arc
  21. ↑ Savenkov, K. Intento Machine Translation Quality Evaluation. https://inten.to/
  22. ↑ Lake, B. (2019). Omniglot Challenge: 3-year progress report. New York University.
  23. ↑ 23.0 23.1 Bloomberg Government (2019). Federal AI R&D Budget Analysis.
  24. ↑ International Federation of Robotics (2019). World Robotics Report 2019. https://ifr.org/worldrobotics/
  25. ↑ Coursera (2019). Global Skills Index. https://www.coursera.org/gsi
  26. ↑ Joint Research Centre, European Commission (2019). Academic offer and demand for advanced profiles in the EU.
  27. ↑ 27.0 27.1 California Department of Motor Vehicles (2019). Autonomous Vehicle Disengagement and Collision Reports. https://www.dmv.ca.gov/portal/vehicle-industry-services/autonomous-vehicles/
  28. ↑ Boulanin, V., Verbruggen, M. (2019). Mapping the Development of Autonomy in Weapon Systems. SIPRI. https://www.sipri.org/
  29. ↑ GDELT Project. Global AI News Coverage Data 2017–2019. https://www.gdeltproject.org/
  30. ↑ McKinsey Global Institute (2019). Notes from the AI frontier: Applying AI for social good. https://www.mckinsey.com/mgi/overview
Retrieved from "https://systems-analysis.info/int/index.php?title=The_2019_AI_Index_Report_(EL)&oldid=7953"