The 2019 AI Index Report (HU)

From Systems analysis Wiki
Jump to navigation Jump to search

AI Index Report 2019 — az AI Index második teljes körű éves kiadása, amelyet a Stanford Emberi Központú Mesterséges Intelligencia Intézete (Stanford HAI) készített[1]. A 2019-es jelentés háromszor annyi adatkészletet követ nyomon, mint a 2018-as kiadás, és kilenc tematikus fejezetet ölel fel: a kutatás-fejlesztéstől a nemzeti stratégiákig és a mesterséges intelligencia globális dinamikájáig. A kiadás frissített adatokat tartalmaz a mesterséges intelligencia minden aspektusáról — technikai eredmények, gazdaság, oktatás, társadalmi megítélés és társadalmi következmények —, és két új interaktív eszközt mutat be: a Global AI Vibrancy Tool-t (vibrancy.aiindex.org), amely 34 mutató alapján teszi lehetővé az országok összehasonlítását, valamint az AI Index arXiv Monitor-t (arxiv.aiindex.org), amely teljes szövegű keresést biztosít az MI-területen megjelent preprintekben. Az AI Index független kezdeményezés a Stanford HAI Intézetben, amelyet az „AI százéves tanulmánya" (AI100) projekt keretében hoztak létre[1].

Kontextus és célok

Az AI Index küldetése az, hogy objektív, gondosan ellenőrzött adatokat szolgáltasson a mesterséges intelligencia fejlődéséről döntéshozók, kutatók, vezetők, újságírók és a szélesebb nyilvánosság számára[1]. A 2019-es jelentés a kormányok, vállalatok és a társadalom részéről az MI iránt megnyilvánuló gyors érdeklődésnövekedés idején jelent meg, és célja volt az elterjedt tévhitek eloszlatása — különösen annak az elképzelésnek a cáfolata, amely szerint az MI fejlődése csupán az USA és Kína közötti rivalizálásra szűkíthető le. A jelentés adatai azt mutatják, hogy az MI-kiválóság helyi központjai az egész világon kialakulóban vannak: Finnország kiemelkedik az MI-oktatásban, India magas MI-készség-penetrációt mutat, Szingapúr jól szervezett állami támogatással rendelkezik, Izrael pedig vezet az MI-startupokba irányuló egy főre jutó magánbefektetések terén[1].

A jelentés szerkezete

A 2019-es jelentés kilenc tematikus fejezetből áll[1]:

  1. Kutatás és fejlesztés (Research and Development) — bibliometriai adatok, publikációk, szabadalmak, nemi sokszínűség az MI-kutatásban.
  2. Konferenciák (Conferences) — látogatottság, AAAI cikkstatisztikák, sokszínűségi szervezetek, etika a konferenciákon.
  3. Technikai teljesítmény (Technical Performance) — benchmark-ok számítógépes látás, nyelvfeldolgozás, következtetés és számítási kapacitás terén.
  4. Gazdaság (The Economy) — munkahelyek, befektetések, vállalati bevezetés, robotizáció.
  5. Oktatás (Education) — online tanulás, egyetemi programok, PhD-specializációk, oktatói elvándorlás.
  6. Autonóm rendszerek (Autonomous Systems) — önvezető járművek, autonóm fegyverzet.
  7. Társadalmi megítélés (Public Perception) — jegybankok, parlamentek, vállalati jelentések, média.
  8. Társadalmi szempontok (Societal Considerations) — etikai elvek, MI és az ENSZ fenntartható fejlődési céljai.
  9. Nemzeti stratégiák és globális MI-dinamika (National Strategies and Global AI Vibrancy) — nemzeti stratégiák, országösszehasonlító eszköz.

A jelentés főbb megállapításai

1. A publikációk számának növekedése

1998 és 2018 között az MI területén megjelent lektorált publikációk száma több mint 300%-kal nőtt. 2018-ra az MI-cikkek a Scopus adatbázisban a folyóirat-publikációk 3%-át és a konferenciacikkek 9%-át tették ki[2]. Kína 2018-ra utolérte Európát az MI-területen megjelent folyóirat- és konferenciacikkek számában, miután már 2006-ban megelőzte az USA-t. Ugyanakkor az USA publikációinak idézettségi indexe (FWCI) még mindig körülbelül 50%-kal magasabb volt, mint a kínai[1].

2. Rekord konferencialátogatottság

A legnagyobb MI-konferenciák látogatottsága tovább növekedett jelentős mértékben. A NeurIPS konferencia 2019-ben 13 500 résztvevőre számított — ez 41%-os növekedés 2018-hoz képest, és több mint 800%-os növekedés 2012-höz képest. Az AAAI és a CVPR konferenciák éves látogatottság-növekedése körülbelül 30% volt[1].

3. Gyors technikai fejlődés

A képosztályozási modell betanítási ideje felhős infrastruktúrán 2017 októberének körülbelül három órájáról 2019 júliusának körülbelül 88 másodpercére csökkent; a betanítás költsége hasonlóképpen esett. A SuperGLUE és a SQuAD 2.0 benchmark-okon a fejlődés különösen gyors volt, azonban a következtetést igénylő feladatokon (pl. AI2 Reasoning Challenge) és a fogalomszintű tanulási feladatokon (Omniglot Challenge) az eredmények alacsonyabbak maradtak[3][1].

4. A számítási kapacitás exponenciális növekedése

2012 előtt az MI-hez szükséges számítások növekedése a Moore-törvényt követte — kétévente duplázódott. 2012 után a számítások minden 3,4 hónapban megduplázódtak, ami hat év alatt több mint 300 000-szeres növekedést eredményezett[4].

5. Globális MI-munkaerő-felvétel növekedése

Szingapúr, Brazília, Ausztrália, Kanada és India mutatta a leggyorsabb MI-munkaerő-felvételi növekedést 2015–2019 között. Az USA-ban az MI-vel kapcsolatos állásajánlatok aránya a teljes állásajánlatok számához képest 2010-es 0,26%-ról 2019 októberére 1,32%-ra nőtt, a legnagyobb kereslet a machine learning-szakemberek iránt mutatkozott (0,51%)[5][6].

6. A magánbefektetések meghaladták a 70 milliárd dollárt

2019-ben a globális magánbefektetések az MI-be meghaladták a 70 milliárd dollárt, ebből több mint 37 milliárd startupokba, 34 milliárd M&A-tranzakciókba, körülbelül 5 milliárd IPO-kba és körülbelül 2 milliárd kisebbségi részesedésekbe irányult. 2010 és 2018 között az MI-startupok finanszírozása 1,3 milliárd dollárról 40,4 milliárd dollárra nőtt, éves átlagos növekedési rátával 48% felett. Az autonóm járművek kapták a befektetések legnagyobb részét (7,7 milliárd), őket követte a gyógyszerészet és a rákterápia (4,7 milliárd), valamint az arcfelismerés (4,7 milliárd)[7].

7. Az MI egyre szélesebb körű üzleti alkalmazása

A McKinsey & Company felmérése (2 360 válaszadó) szerint a nagyvállalatok 58%-a alkalmazta az MI-t legalább egy funkcióban vagy üzleti egységben 2019-ben, szemben a 2018-as 47%-kal. Ugyanakkor a szervezeteknek csupán 19%-a tett lépéseket az algoritmusok értelmezhetőségéhez kapcsolódó kockázatok csökkentésére, és mindössze 13%-uk foglalkozott az elfogultság és diszkrimináció elleni küzdelemmel[8].

8. Az MI a legnépszerűbb PhD-specializáció

Az MI lett a legtöbb informatikai doktorandusz által választott specializáció Észak-Amerikában: 2018-ban a számítástechnikai PhD-végzettek több mint 21%-a az MI és machine learning területén specializálódott. Az iparba távozó MI-PhD-végzettek aránya 2004-es 21%-ról 2018-ra több mint 60%-ra nőtt[9].

9. MI-oktatók elvándorlása az akadémiáról

Az MI-oktatók akadémiáról az iparba való áramlása felgyorsult: 2018-ban több mint 40 távozás történt, szemben a 2012-es 15-tel és a 2004-es nullával. A legtöbbet a Carnegie Mellon Egyetem, a Washingtoni Egyetem és a Kaliforniai Egyetem Berkeley-i kampusza veszítette[10].

10. Az MI-etika iránti figyelem növekedése

Az igazságosság, az értelmezhetőség és a magyarázhatóság bizonyult a leggyakrabban említett etikai kihívásoknak 59, az etikus MI elveit rögzítő dokumentumban. A több mint 3 600 globális hírcikkből, amely az etikával és az MI-vel foglalkozott (2018 közepe – 2019 közepe), a domináns témák az etikus MI-használatra vonatkozó keretrendszerek és iránymutatások (32%), az adatvédelem (14%), az arcfelismerés (13%), az algoritmikus elfogultság (11%) és a nagy technológiai vállalatok szerepe (11%) voltak[11].

1. fejezet. Kutatás és fejlesztés

A fejezet az Elsevier Scopus adatai, az arXiv preprintek, a Microsoft Academic Graph (MAG), valamint a szabadalmi aktivitás, a GitHub-on elérhető szoftverkeretrendszerek népszerűsége és az MI-kutatók körében tapasztalható nemi sokszínűség trendjeit elemzi[1].

Publikációk

Európa maradt a legnagyobb MI-cikk-kiadó régió, 2018-ra elérve a Scopus-publikációk több mint 27%-át. Kína részesedése 2000-es 10%-ról 2018-ra 28%-ra nőtt. Az USA-ban viszonylag magas volt a vállalati publikációk aránya: 2018-ban az USA vállalati MI-cikkeinek száma több mint hétszeresen haladta meg a kínait[2].

Az arXiv-on az MI-cikkek teljes száma 2010 és 2019 között több mint hússzorosára nőtt. A számítógépes látás (CV) volt a legnagyobb alkategória 2014 óta, azonban 2019-ben a machine learning lett a vezető kategória. A „Computation & Language" alkategória 2010 óta közel hatvanszoresára nőtt[12].

Idézettség

A globális MI-folyóirat-cikkek idézeteinek több mint 32%-a Kelet-Ázsiából, a konferenciacikkek idézeteinek több mint 40%-a Észak-Amerikából érkezett. A szabadalmi területen Észak-Amerika a globális MI-szabadalmi idézettségi aktivitás több mint 60%-át koncentrálta 2014–2018 között[13].

Szabadalmak

A globális MI-szabadalmak több mint 51%-a Észak-Amerikából származott. Az USA háromszor annyi MI-szabadalmat tett közzé, mint a következő ország — Japán. Az MI-szabadalmak több mint 94%-át magas jövedelmű országokban nyújtották be[13].

GitHub Stars

Figyelemre méltó tendenciaként bontakozott ki a vállalatok által támogatott keretrendszerek dominanciája: a TensorFlow (Google) és a PyTorch (Facebook). A nem vállalati keretrendszerek — a scikit-learn és a Caffe — tovább növekedtek, de kisebb ütemben[1].

Nemi sokszínűség a kutatásban

A holland MI-cikkek több mint 41%-ának és a dán cikkek több mint 39%-ának volt legalább egy női szerzője. Japánban és Szingapúrban ez az arány csupán 10%, illetve 16% volt. Sok nyugat-európai ország, valamint Argentína, Kanada és Irán viszonylag magas női jelenlétet mutatott az MI-kutatásban[14].

2. fejezet. Konferenciák

Látogatottság

A NeurIPS 2019-ben 13 500 résztvevőre számított (800%-os növekedés 2012-höz képest). Az ICLR 15-szörösére nőtt 2014-hez képest. A Women in Machine Learning (WiML) workshop résztvevőinek száma 738%-kal nőtt 2014-hez képest, az AI4ALL program pedig 2 000%-kal 2015-höz képest[1].

AAAI-statisztikák

Az AAAI 2019-es konferencián Kína nyújtotta be és fogadtatta el a legtöbb cikket. A beadványok több mint 68%-a doktoranduszoktól érkezett. Izraelnek volt a legmagasabb elfogadási aránya (24%), utána Németország (23%), Kanada (22%), majd az USA és Szingapúr (egyenként 20%). A machine learning, az NLP és a számítógépes látás maradt a három vezető tematika[1].

Etika a konferenciákon

Az etikához kapcsolódó kulcsszavakat tartalmazó cikkek teljes száma a vezető MI-konferenciákon az összes cikk kis hányadát tette ki, azonban gyorsan növekedett. Az elemzés 110 108 cikket fogott át, köztük 59 352 konferenciacikket és 50 756 folyóiratcikket[15].

3. fejezet. Technikai teljesítmény

A fejezet a számítógépes látás, a természetes nyelvfeldolgozás, a következtetés, a gépi fordítás és a számítási kapacitás terén elért technikai fejlődést követi nyomon[1].

Számítógépes látás

ImageNet. Az ImageNet-en emberi pontosságot először meghaladó módszert 2015-ben publikálták. 2019-re a fejlődés folytatódott: a három legsikeresebb módszer kiegészítő betanítási adatokat használt. Az ImageNet-versenyt 2017-ben megszüntették, de az adatkészlet kulcsfontosságú benchmark maradt[16].

Betanítási idő és költség. A DAWNBench (Stanford) projekt adatai szerint a képosztályozási modell betanítási ideje felhős infrastruktúrán 93%+ (top-5) pontossággal 2017 októberének több mint 3 órájáról 2019 júliusának ~88 másodpercére csökkent. A betanítás költsége 2 323 dollárról (2017 október, ResNet) ~12 dollárra esett (2018 szeptember, ResNet GCP-n Cloud TPU-val)[3].

Képgenerálás. A képgenerálás (CIFAR-10) terén elért fejlődést az FID (Fréchet Inception Distance) metrikával mérték: az alacsonyabb pontszám jobb generálási minőséggel korrelál[1].

Szemantikai szegmentáció. A fejlődést a Cityscapes adatkészleten a mean IoU metrikával mérték — ez az önvezető rendszerek szempontjából fontos feladat[1].

Természetes nyelvfeldolgozás

GLUE. A 2018 májusában kiadott General Language Understanding Evaluation benchmark kilenc szövegfeldolgozási feladaton teszteli a rendszereket. Annak ellenére, hogy a benchmark alig volt több mint egyéves, a rendszerek eredményei 2019 júniusában meghaladták a nem szakértő értékelők szintjét. A RoBERTa (Facebook) és a T5 (Google) modellek tovább javítottak a mutatókon[17].

SuperGLUE. 2019 májusában elindított, nehezebb benchmark. Az indítás után öt hónapon belül a T5 (Google) modell szinte elérte az emberi alapszintet (89,8), 88,9 pontot szerezve[18].

SQuAD. A Stanford Question Answering Dataset benchmark-on az F1-pontszám a SQuAD 1.1-en 67-ről (2016 augusztus) 95-re nőtt (2019 május). A SQuAD 2.0-n a fejlődés még gyorsabb volt: 62-ről (2018 május) 90-re (2019 június). A kérdésmegválaszoló modell betanítási ideje F1 ≥ 75 elérésére a SQuAD 1.0-n több mint 7 óráról (2017 október) kevesebb mint 19 percre csökkent (2019 március)[19].

Következtetés. Az ARC Challenge Set-en (Allen Institute for AI) a legjobb eredmény 67,7% volt (2019 szeptember). Az ARC-Easy-n 85,4%. A következtetést igénylő feladatok lényegesen nehezebbek maradtak az MI-rendszerek számára[20].

Gépi fordítás

Az előre betanított modellekkel rendelkező kereskedelmi forgalomban elérhető gépi fordítási rendszerek száma 8-ról (2017) több mint 24-re nőtt (2019). A minőség terén a legnagyobb fejlődés a kínai–angol, az angol–német és az orosz–angol nyelvcégeknél volt megfigyelhető[21].

Omniglot Challenge

Három év alatt figyelemre méltó fejlődés volt tapasztalható az egy példányból történő (one-shot) osztályozásban, azonban a fogalomtanulás másik négy feladatán (példagenerálás, elemzés, új fogalmak generálása) a fejlődés korlátozott volt. A bayesi programos tanulás (BPL) az eredeti feladaton még mindig felülmúlta a neurális hálózatos megközelítéseket[22].

Számítási kapacitás

Az OpenAI elemzése strukturális töréspontot tárt fel: 2012 előtt az MI-hez szükséges számítások kétévente duplázódtak (Moore-törvény); 2012 után minden 3,4 hónapban. 2012 óta ez a mutató több mint 300 000-szorosára nőtt[4].

Emberi szintű mérföldkövek

A jelentés frissítette az MI-eredmények kronológiáját, két új eredménnyel bővítve a korábban dokumentált listát (Othello — 1980, dáma — 1995, sakk — 1997, Jeopardy! — 2011, Atari — 2015, ImageNet — 2016, Go — 2016, póker — 2017, Ms. Pac-Man — 2017, StarCraft II — 2019):

Év Eredmény
2018 AlphaFold (DeepMind) — fehérjék 3D-szerkezetének példátlan pontossággal történő előrejelzése
2019 AlphaStar (DeepMind) — győzelem csúcsprofi ellen StarCraft II-ben
2019 Diabéteszes retinopátia felismerése szakorvosi szintű pontossággal

4. fejezet. Gazdaság

Munkahelyek és munkaerő-felvétel

Az MI-munkaerő-felvételi index (LinkedIn) szerint Szingapúr, Brazília, Ausztrália, Kanada és India vezette a növekedési ranglistát 2015–2019 között. Az USA-ban Washington állam rendelkezett a legnagyobb relatív MI-álláshirdetés-kereslettel (közel 1,4% az összes álláshirdetésből), őt Kalifornia (1,3%) és Massachusetts (1,3%) követte. Abszolút számban Kalifornia vezetett több mint 93 000 MI-álláshirdetéssel[5].

A legnagyobb MI-készség-penetráció az IT-szolgáltatások (az álláshirdetések 2,3%-a), a szakmai és tudományos szolgáltatások (több mint 2%), a pénzügy és biztosítás (1,3%) és a feldolgozóipar (1,1%) szektoraiban volt megfigyelhető[6].

A LinkedIn adatai szerint India MI-készség-penetrációja 2,6-szor magasabb volt a globális átlagnál. Érdekes képet mutatott a nemek szerinti bontás: a férfiak minden vizsgált országban több szakmában jeleztek MI-készségeket, mint a nők[6].

Befektetések

Az MI-startupok finanszírozása 48%-ot meghaladó éves átlagos növekedési ütemmel bővült (2010–2018). 2019 novemberéig a befektetések összege 37,4 milliárd dollárt tett ki (szemben a teljes 2018-as 40,4 milliárd dollárral). 2014 és 2019 között 15 798 befektetés valósult meg, átlagosan körülbelül 8,6 millió dolláros befektetési mérettel[7].

Az egy főre jutó MI-befektetések mutatója a legmagasabb Izraelben volt, őt Szingapúr és Izland követte. A kínai startupok vállalatonként lényegesen több befektetést kaptak: 34,1 millió dollárt — ez 201%-kal több, mint az USA-ban, és 296%-kal több a globális átlagnál[7].

Ágazati bontásban a legnagyobb befektetések az autonóm járművekbe (7,7 milliárd dollár, a teljes összeg 9,9%-a), a gyógyszerészetbe és a rákterápiába (4,7 milliárd dollár), az arcfelismerésbe (4,7 milliárd dollár), a videótartalomba (3,6 milliárd dollár) és a csalásfelismerésbe (3,1 milliárd dollár) irányultak. A leggyorsabban növekvő területek a robotikus folyamatautomatizálás, az ellátási lánc menedzsmentje és az ipari automatizálás voltak[7].

Állami befektetések (USA)

Az USA szövetségi kormánya 4,98 milliárd dollár befektetést tervezett MI-kutatásba a 2020-as pénzügyi évben. A Védelmi Minisztérium (DoD) 4,0 milliárd dollárt, ebből 506 millió dollárt DARPA-n keresztül, 221 millió dollárt a Maven projektre és 209 millió dollárt a Joint AI Center (JAIC) számára. A szövetségi ügynökségek MI-szerződésekre fordított kiadásai ~70%-kal nőttek: 2017-es 429 millió dollárról 2018-ra 728 millió dollárra[23].

Vállalati alkalmazás

A nagyvállalatok 58%-a számolt be az MI legalább egy funkcióban való alkalmazásáról (növekedés a 2018-as 47%-ról). A válaszadók 30%-a több üzleti egységben is bevezette az MI-t (2018-ban 21%). A leggyakrabban bevezetett MI-képességek: robotikus folyamatautomatizálás, számítógépes látás és machine learning. A kiberbiztonság volt az a kockázat, amellyel a szervezetek a leggyakrabban foglalkoztak (48%), míg az értelmezhetőség (19%) és az igazságosság (13%) kockázatait lényegesen ritkábban kezelték[8].

Ipari robotizáció

2018-ban a globális ipari robot-telepítések 6%-kal nőttek — 422 271 egységre, amelyek értéke 16,5 milliárd dollár volt. A működő robotpark 2 439 543 egységet tett ki. Az öt legnagyobb piac — Kína, Japán, USA, Dél-Korea és Németország — a globális telepítések 74%-át koncentrálta. Kína maradt a globális vezető (36%), 154 032 egységet telepítve[24].

5. fejezet. Oktatás

Online tanulás

A Coursera, amely több mint 45 millió tanuló számára kínál 3 700+ kurzust, 60 ország MI-készségeit rangsorolta (Global Skills Index). Dél-Ázsia és Kelet-Ázsia mutatta a legnagyobb arányú beiratkozást MI- és kapcsolódó kompetenciákra vonatkozó kurzusokra. Az Udacity-n a „Introduction to Machine Learning" kurzus összesített beiratkozásainak száma meghaladta a 125 000-et[25].

Egyetemi programok

A Stanford bevezető MI-kurzusaira való beiratkozás ötszörösére nőtt (2012–2018). Az Illinoisi Egyetem (UIUC) „Introduction to Machine Learning" kurzusán tizenkétszeresére (2010–2018). Nemzetközi szinten a Torontói Egyetem rendelkezett a legtöbb beiratkozott hallgatóval, őt a Közgazdaságtudományi Főiskola (Oroszország) és a Tsinghua Egyetem (Kína) követte[1].

Európában 2 054 olyan programot azonosítottak, amely az MI területét lefedi, és ezek túlnyomó többsége mesterszintű volt. 197 európai egyetem kínált 406 MI-specializált mesterképzési programot[26].

PhD-specializációk és iparba való elvándorlás

Az MI lett a legnépszerűbb PhD-specializáció informatikából: 2018-ban több mint 21%. Az iparba távozó PhD-végzettek aránya megháromszorozódott: 2004-es 21%-ról 2018-ra 62%-ra. Az USA-ban és Kanadában a frissen végzett MI-PhD-k több mint 60%-a külföldi hallgató volt (2010-ben kevesebb mint 40%); mindössze ~10%-uk hagyta el az USA-t a végzés után[9].

A három legtöbb MI-oktatót elveszítő egyetem: Carnegie Mellon (17 főállású oktató), Washingtoni Egyetem (11) és Berkeley. A kanadai egyetemek közül a legtöbbet a Torontói Egyetem veszített (9 oktató). A nők aránya az MI-PhD-végzettek körében stabilan ~20% maradt 2010 és 2018 között[10].

6. fejezet. Autonóm rendszerek

Önvezető járművek

Legalább 25 országnak volt olyan városa, ahol autonóm járműveket (AJ-ket) teszteltek. Kalifornia államban 2015 és 2018 között a tesztelő vállalatok száma és az AJ-k összesített száma egyaránt hétszeresére nőtt. 2018-ban több mint 50 vállalat és 500 AJ több mint 2 millió mérföldet tett meg. Legalább 41 állam és Washington DC mérlegelte az AJ-khoz kapcsolódó jogszabályokat[27].

Az AJ-balesetek aránya Kaliforniában 2018-ban 22,44 volt egymillió mérföldre — körülbelül 5,5-szer magasabb, mint a hagyományos sofőrök korrigált mutatója. A balesetek többségében egy emberi sofőr által vezetett jármű ütközött hátulról egy álló vagy egyenesen haladó AJ-nek nappal. A legtöbb kár kisebb mértékű volt[27].

Autonóm fegyverzet

A Stockholmi Nemzetközi Békekutatási Intézet (SIPRI) szakértői tanulmánya szerint legalább 89 országnak volt automatikus légvédelmi rendszere. Aktív védelmi rendszereket csupán kilenc ország fejlesztett és gyártott. Az adatok az 1950–2017-es időszakot fedték le[28].

7. fejezet. Társadalmi megítélés

Jegybankok

A jegybankok kommunikációja növekvő MI-iránti érdeklődést tükrözött. A Bank of England, a Bank of Japan és a Federal Reserve System emlegette az MI-t a legtöbbször. A publikációk jellege az elemző dokumentumoktól a felszólalások felé tolódott el[1].

Parlamenti és kormányzati aktivitás

Az USA Kongresszusában az MI-vel kapcsolatos jogalkotási aktivitás 2017–2018-ban több mint tízszeresére nőtt. A kongresszusi feljegyzésekben 2019 volt az MI legtöbb említését tartalmazó év. Hasonló tendenciákat figyeltek meg a kanadai és a brit parlamentben[23].

Vállalatok

Az USA 3 000 tőzsdén jegyzett vállalatának eredménybejelentési konferenciáin (earnings calls) az MI-t megemlítő arány 0,01%-ról (2010) 0,42%-ra (2018) nőtt. A pénzügyi szektor vezetett az említések számában[1].

Média és webes keresés

A Google Trends adatai szerint a „machine learning" kifejezés megelőzte a többi kapcsolódó kifejezést az USA-beli keresési lekérdezésekben. A GDELT Project adatai szerint az MI-vel kapcsolatos hírcikkek közül 17,7% érintette a foglalkoztatásra gyakorolt hatást, 2,4% az algoritmikus elfogultságot, és mindössze 0,99% a „gyilkos robotokat"[29].

8. fejezet. Társadalmi szempontok

Etikai elvek

A PricewaterhouseCoopers 59, az etikus MI elveit rögzítő dokumentumot elemzett egyesületek és konzorciumok, kormányok, technológiai vállalatok, agytrösztök és tudományos szervezetek részéről. Tizenkét etikai kihívást emeltek ki a leggyakrabban: elszámoltathatóság, biztonság, emberi felügyelet, megbízhatóság és védelem, igazságosság, sokszínűség és inkluzivitás, fenntarthatóság, átláthatóság, értelmezhetőség és magyarázhatóság, többoldalú párbeszéd, jogszerűség és megfelelőség, adatvédelem[11].

Az igazságosság, az értelmezhetőség/magyarázhatóság és az átláthatóság szerepeltek a leggyakrabban. A technológiai vállalatoknál az igazságosság az összes keretrendszer 100%-ában szerepelt, az agytröszteknél az igazságosság és az emberi felügyelet (100%, illetve 88%)[11].

MI és az ENSZ Fenntartható Fejlődési Céljai

A McKinsey Global Institute körülbelül 160 MI-felhasználási esetet azonosított a társadalmi jólét érdekében, amelyek potenciálisan mind a 17 ENSZ Fenntartható Fejlődési Célt (FFCs) támogathatják. Az MI a 169 FFCs-célkitűzés körülbelül felét képes volt kezelni. A legtöbb alkalmazási eset az SDG 3-nak (egészség) és az SDG 16-nak (békés és inkluzív társadalmak) felelt meg. Ugyanakkor a fenntartható fejlődés érdekében megvalósuló MI-alkalmazás széles körű elterjedése előtt jelentős akadályok álltak: adatelérhetőség, számítási kapacitás, humán erőforrás és szervezeti felkészültség[30].

9. fejezet. Nemzeti stratégiák és globális MI-dinamika

Nemzeti stratégiák

A hivatalos MI-stratégiai dokumentumok száma folyamatosan nőtt. A PwC 37 dokumentum NLP-elemzésével megállapította, hogy az akadémiai partnerség az iratok 94%-ában szerepelt, az MI-kutatás és -fejlesztés 48%-ában, az MI-irányítás 42%-ában. A fogyasztóvédelmet és az igazságosságot említották a legritkábban (2%)[11].

Global AI Vibrancy Tool eszköz

Az újonnan bemutatott eszköz 28 országot fedett le 34 metrika alapján, amelyek három pillérbe voltak csoportosítva: kutatás és fejlesztés (21 metrika), gazdaság (10 metrika) és inkluzivitás (5 metrika). Az eszköz lehetővé tette a felhasználók számára a súlyok testreszabását, valamint országok közötti és országon belüli összehasonlítások elvégzését[1].

Országprofilok

A jelentés részletes országprofilokat tartalmazott Brazília, Kína, Franciaország, Németország, India, Hollandia, Szingapúr és az USA számára, valamint áttekintette a többoldalú regionális MI-politikát[1].

2019-es benchmark-eredmények összefoglalója

Benchmark Legjobb eredmény (2019) Emberi szint Fejlődés
ImageNet (Top-1) ~88% ~95% (egyetlen annotátor) Folyamatos javulás kiegészítő adatokkal
GLUE Meghaladta a nem szakértő szintet (2019 június) 87,1 (nem szakértő) RoBERTa, T5
SuperGLUE 88,9 (T5, Google) 89,8 A benchmark indítása után 5 hónapon belül elérve
SQuAD 1.1 (F1) 95 ~91 Meghaladta az emberi szintet
SQuAD 2.0 (F1) 90 ~89 Gyakorlatilag emberi szinten
ARC Challenge 67,7% — A következtetési feladatok nehézek maradnak
VQA 75,28% ~80% Évi 2,85 százalékpontos növekedés

Módszertan

A jelentés számos forrásból nyert adatokat[1]:

  • Publikációk: Elsevier Scopus, arXiv (NESTA), Microsoft Academic Graph (MAG).
  • Benchmark-ok: Papers With Code, DAWNBench/MLPerf, GLUE, SuperGLUE, SQuAD, ARC, VQA, ActivityNet ranglisták.
  • Konferenciák: NeurIPS, ICML, ICLR, AAAI, CVPR, WiML, AI4ALL, RightsCon regisztrációs adatok.
  • Munkaerőpiac: LinkedIn Economic Graph, Burning Glass Technologies, Indeed.
  • Befektetések: CAPIQ, Crunchbase, Quid.
  • Vállalati aktivitás: McKinsey Global Survey, International Federation of Robotics.
  • Állami kiadások: Bloomberg Government.
  • Társadalmi megítélés: Google Trends, GDELT Project, Prattle (jegybankok), Hansard (parlamentek).
  • Etika és stratégiák: PricewaterhouseCoopers (NAISR), Harvard, LexisNexis.
  • Oktatás: CRA Taulbee Survey, Coursera, Udacity, Joint Research Centre (EC).
  • Autonóm rendszerek: California DMV, Bloomberg Philanthropies, SIPRI, NCSL.

Szerzői kollektíva

A jelentést az AI Index Irányítóbizottsága készítette Raymond Perrault (SRI International) koordinálásával és Yoav Shoham (Stanford Egyetem) elnökletével. A bizottság tagjai: Erik Brynjolfsson (MIT), Jack Clark (OpenAI), John Etchemendy (Stanford), Barbara Grosz (Harvard), Terah Lyons (Partnership on AI), James Manyika (McKinsey Global Institute) és Juan Carlos Niebles (Stanford). A projekt vezetője és főszerkesztője Saurabh Mishra (Stanford Egyetem) volt. Az adatokat több mint 20 partnerszervezet szolgáltatta[1].

Hivatkozások

Irodalom

Jegyzetek

  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_(HU)&oldid=7957"