The 2019 AI Index Report (ID)

From Systems analysis Wiki
Jump to navigation Jump to search

AI Index Report 2019 — edisi tahunan kedua berformat lengkap dari laporan AI Index, yang disiapkan oleh Stanford Institute for Human-Centered Artificial Intelligence (Stanford HAI)[1]. Laporan tahun 2019 melacak tiga kali lebih banyak dataset dibandingkan edisi 2018 dan mencakup sembilan bab tematik: mulai dari penelitian dan pengembangan hingga strategi nasional dan dinamika global AI. Edisi ini memuat data terbaru untuk semua aspek kecerdasan buatan — pencapaian teknis, ekonomi, pendidikan, persepsi publik, dan dampak sosial — serta memperkenalkan dua alat interaktif baru: Global AI Vibrancy Tool (vibrancy.aiindex.org), yang memungkinkan perbandingan negara berdasarkan 34 indikator, dan AI Index arXiv Monitor (arxiv.aiindex.org), yang menyediakan pencarian teks lengkap atas preprint di bidang AI. AI Index merupakan inisiatif independen di bawah Stanford HAI, yang digagas dalam kerangka proyek "Studi Abad AI" (AI100)[1].

Konteks dan Tujuan

Misi AI Index adalah menyediakan data yang objektif dan terverifikasi secara cermat mengenai perkembangan kecerdasan buatan untuk para pembuat kebijakan, peneliti, eksekutif, jurnalis, dan masyarakat luas[1]. Laporan tahun 2019 diterbitkan pada saat minat terhadap AI dari pemerintah, korporasi, dan masyarakat tumbuh pesat, serta berupaya meluruskan mitos yang beredar — khususnya anggapan bahwa perkembangan AI hanya merupakan persaingan antara AS dan Tiongkok. Data dalam laporan menunjukkan bahwa pusat-pusat keunggulan AI lokal terbentuk di seluruh dunia: Finlandia menonjol dalam pendidikan di bidang AI, India menunjukkan penetrasi keterampilan AI yang tinggi, Singapura memiliki dukungan pemerintah yang terorganisasi dengan baik, sementara Israel memimpin dalam hal investasi swasta di startup AI per kapita[1].

Struktur Laporan

Laporan tahun 2019 terdiri dari sembilan bab tematik[1]:

  1. Penelitian dan Pengembangan (Research and Development) — data bibliometrik, publikasi, paten, keberagaman gender dalam penelitian AI.
  2. Konferensi (Conferences) — kehadiran peserta, statistik makalah AAAI, organisasi keberagaman, etika di konferensi.
  3. Kinerja Teknis (Technical Performance) — benchmark untuk computer vision, pemrosesan bahasa, penalaran, daya komputasi.
  4. Ekonomi (The Economy) — lapangan kerja, investasi, adopsi korporat, robotisasi.
  5. Pendidikan (Education) — pembelajaran online, program universitas, spesialisasi PhD, perpindahan pengajar.
  6. Sistem Otonom (Autonomous Systems) — kendaraan tanpa pengemudi, persenjataan otonom.
  7. Persepsi Publik (Public Perception) — bank sentral, parlemen, laporan korporat, media.
  8. Aspek Sosial (Societal Considerations) — prinsip etika, AI dan pembangunan berkelanjutan PBB.
  9. Strategi Nasional dan Dinamika Global AI (National Strategies and Global AI Vibrancy) — strategi nasional, alat perbandingan antarnegara.

Temuan Utama Laporan

1. Pertumbuhan Volume Publikasi

Dalam periode 1998 hingga 2018, volume publikasi yang ditinjau sejawat di bidang AI tumbuh lebih dari 300%. Pada 2018, artikel AI menyumbang 3% dari publikasi jurnal dan 9% dari makalah konferensi dalam basis data Scopus[2]. Tiongkok pada 2018 menyamai Eropa dalam jumlah publikasi jurnal dan konferensi di bidang AI, setelah melampaui AS sejak 2006. Namun demikian, indeks sitasi (FWCI) publikasi dari AS masih sekitar 50% lebih tinggi dibandingkan Tiongkok[1].

2. Rekor Kehadiran di Konferensi

Kehadiran di konferensi AI terkemuka terus meningkat secara signifikan. Konferensi NeurIPS pada 2019 diperkirakan dihadiri 13.500 peserta — naik 41% dibandingkan 2018 dan lebih dari 800% dibandingkan 2012. Konferensi AAAI dan CVPR menunjukkan pertumbuhan kehadiran tahunan sekitar 30%[1].

3. Kemajuan Teknis yang Pesat

Waktu pelatihan model klasifikasi gambar pada infrastruktur cloud berkurang dari sekitar tiga jam pada Oktober 2017 menjadi sekitar 88 detik pada Juli 2019; biaya pelatihan menurun serupa. Pada benchmark SuperGLUE dan SQuAD 2.0, kemajuan sangat cepat, namun pada tugas yang memerlukan penalaran (misalnya AI2 Reasoning Challenge) dan tugas pembelajaran pada tingkat konsep (Omniglot Challenge), hasilnya masih di bawah ekspektasi[3][1].

4. Pertumbuhan Eksponensial Komputasi

Sebelum 2012, pertumbuhan komputasi untuk AI mengikuti Hukum Moore — berlipat ganda setiap dua tahun. Setelah 2012, komputasi berlipat ganda setiap 3,4 bulan, yang mengakibatkan peningkatan lebih dari 300.000 kali lipat dalam enam tahun[4].

5. Pertumbuhan Global Rekrutmen di Bidang AI

Singapura, Brasil, Australia, Kanada, dan India menunjukkan pertumbuhan rekrutmen di bidang AI paling cepat dalam periode 2015–2019. Di AS, proporsi lowongan kerja yang berkaitan dengan AI meningkat dari 0,26% dari total lowongan pada 2010 menjadi 1,32% pada Oktober 2019, dengan permintaan tertinggi untuk spesialis Machine Learning (0,51%)[5][6].

6. Investasi Swasta Melampaui $70 Miliar

Pada 2019, investasi swasta global di bidang AI melampaui 70 miliar dolar, termasuk lebih dari 37 miliar investasi di startup, 34 miliar dalam transaksi M&A, sekitar 5 miliar dalam IPO, dan sekitar 2 miliar dalam kepemilikan minoritas. Dari 2010 hingga 2018, pendanaan startup AI meningkat dari 1,3 miliar menjadi 40,4 miliar dolar dengan pertumbuhan tahunan rata-rata lebih dari 48%. Kendaraan otonom mendapatkan bagian investasi terbesar (7,7 miliar), diikuti oleh farmasi dan terapi kanker (4,7 miliar) serta pengenalan wajah (4,7 miliar)[7].

7. Adopsi AI yang Semakin Meluas di Bisnis

Menurut survei McKinsey & Company (2.360 responden), 58% perusahaan besar menggunakan AI setidaknya dalam satu fungsi atau unit bisnis pada 2019, dibandingkan 47% pada 2018. Namun hanya 19% organisasi yang mengambil langkah untuk mengurangi risiko terkait keterpahaman algoritma, dan hanya 13% yang mengatasi bias dan diskriminasi[8].

8. AI — Spesialisasi PhD Paling Populer

AI menjadi spesialisasi paling populer di antara mahasiswa pascasarjana ilmu komputer di Amerika Utara: pada 2018, lebih dari 21% lulusan PhD ilmu komputer mengkhususkan diri dalam AI dan Machine Learning. Proporsi lulusan PhD di bidang AI yang masuk ke industri meningkat dari 21% pada 2004 menjadi lebih dari 60% pada 2018[9].

9. Perpindahan Pengajar AI dari Akademia

Kepergian pengajar AI dari akademia ke industri semakin cepat: lebih dari 40 kepergian pada 2018 dibandingkan 15 pada 2012 dan nol pada 2004. Kerugian terbesar dialami oleh Universitas Carnegie Mellon, Universitas Washington, dan Universitas California di Berkeley[10].

10. Meningkatnya Perhatian terhadap Etika AI

Keadilan, interpretabilitas, dan keterpahaman diidentifikasi sebagai tantangan etika yang paling sering disebutkan dalam 59 dokumen prinsip AI yang etis. Dari lebih dari 3.600 artikel berita dunia tentang etika dan AI (pertengahan 2018 – pertengahan 2019), topik dominan adalah kerangka prinsip dan panduan penggunaan AI yang etis (32%), privasi data (14%), pengenalan wajah (13%), bias algoritmik (11%), dan peran perusahaan teknologi besar (11%)[11].

Bab 1. Penelitian dan Pengembangan

Bab ini menganalisis tren publikasi berdasarkan data Elsevier Scopus, preprint arXiv, Microsoft Academic Graph (MAG), serta aktivitas paten, popularitas framework perangkat lunak di GitHub, dan keberagaman gender di antara peneliti AI[1].

Publikasi

Eropa tetap menjadi penerbit artikel AI terbesar, mencapai lebih dari 27% publikasi di Scopus pada 2018. Pangsa Tiongkok meningkat dari 10% pada 2000 menjadi 28% pada 2018. Di AS, proporsi publikasi korporat relatif tinggi: pada 2018, jumlah artikel AI korporat dari AS melampaui Tiongkok lebih dari tujuh kali lipat[2].

Di arXiv, jumlah total artikel AI pada 2010–2019 meningkat lebih dari dua puluh kali lipat. Computer vision (CV) merupakan subkategori terbesar sejak 2014, namun pada 2019 Machine Learning menjadi kategori terdepan. Subkategori "Computation & Language" tumbuh hampir enam puluh kali lipat sejak 2010[12].

Sitasi

Lebih dari 32% sitasi global untuk artikel jurnal AI berasal dari Asia Timur, lebih dari 40% sitasi makalah konferensi berasal dari Amerika Utara. Dalam bidang paten, Amerika Utara mengakumulasi lebih dari 60% aktivitas sitasi global untuk paten AI selama 2014–2018[13].

Paten

Lebih dari 51% paten AI global berasal dari Amerika Utara. AS menerbitkan tiga kali lebih banyak paten AI dibandingkan negara berikutnya — Jepang. Lebih dari 94% paten AI diajukan di negara-negara berpenghasilan tinggi[13].

GitHub Stars

Tren yang mencolok adalah dominasi framework yang didukung korporasi: TensorFlow (Google) dan PyTorch (Facebook). Framework non-korporat — scikit-learn dan Caffe — terus berkembang, namun dengan laju yang lebih lambat[1].

Keberagaman Gender dalam Penelitian

Lebih dari 41% artikel AI dari Belanda dan lebih dari 39% dari Denmark memiliki setidaknya satu penulis perempuan. Di Jepang dan Singapura, angka ini hanya 10% dan 16%. Banyak negara Eropa Barat, serta Argentina, Kanada, dan Iran menunjukkan kehadiran perempuan yang relatif tinggi dalam penelitian AI[14].

Bab 2. Konferensi

Kehadiran Peserta

NeurIPS pada 2019 diperkirakan dihadiri 13.500 peserta (naik 800% dari 2012). ICLR tumbuh 15 kali lipat dibandingkan 2014. Seminar Women in Machine Learning (WiML) meningkatkan jumlah peserta sebesar 738% dibandingkan 2014, dan program AI4ALL tumbuh sebesar 2.000% dibandingkan 2015[1].

Statistik AAAI

Pada konferensi AAAI 2019, Tiongkok mengajukan dan menerima jumlah makalah terbanyak. Lebih dari 68% pengaju adalah mahasiswa pascasarjana. Israel memiliki tingkat penerimaan tertinggi (24%), diikuti Jerman (23%), Kanada (22%), AS dan Singapura (masing-masing 20%). Machine Learning, NLP, dan computer vision tetap menjadi tiga topik terdepan[1].

Etika di Konferensi

Total makalah dengan kata kunci terkait etika di konferensi AI terkemuka masih merupakan proporsi kecil dari keseluruhan, namun tumbuh pesat. Analisis mencakup 110.108 makalah, termasuk 59.352 makalah konferensi dan 50.756 makalah jurnal[15].

Bab 3. Kinerja Teknis

Bab ini melacak kemajuan teknis dalam tugas computer vision, pemrosesan bahasa alami, penalaran, terjemahan mesin, dan daya komputasi[1].

Computer Vision

ImageNet. Metode pertama yang melampaui akurasi manusia pada ImageNet diterbitkan pada 2015. Pada 2019, kemajuan terus berlanjut: tiga metode paling sukses menggunakan data pelatihan tambahan. Kompetisi ImageNet dihentikan pada 2017, namun dataset tetap menjadi benchmark utama[16].

Waktu dan Biaya Pelatihan. Menurut proyek DAWNBench (Stanford), waktu pelatihan model klasifikasi gambar hingga akurasi 93%+ (top-5) pada infrastruktur cloud berkurang dari lebih dari 3 jam (Oktober 2017) menjadi ~88 detik (Juli 2019). Biaya pelatihan turun dari $2.323 (Oktober 2017, ResNet) menjadi ~$12 (September 2018, ResNet di GCP dengan Cloud TPU)[3].

Pembuatan Gambar. Kemajuan dalam pembuatan gambar (CIFAR-10) diukur menggunakan metrik FID (Fréchet Inception Distance): skor yang lebih rendah berkorelasi dengan kualitas pembuatan yang lebih baik[1].

Segmentasi Semantik. Kemajuan diukur berdasarkan metrik mean IoU pada dataset Cityscapes — tugas yang penting untuk sistem autopilot[1].

Pemrosesan Bahasa Alami

GLUE. Benchmark General Language Understanding Evaluation, yang dirilis pada Mei 2018, menguji sistem pada sembilan tugas pemrosesan teks. Meskipun benchmark ini baru berusia sedikit lebih dari setahun, hasil sistem melampaui tingkat penilai non-ahli pada Juni 2019. Model RoBERTa (Facebook) dan T5 (Google) terus meningkatkan skor[17].

SuperGLUE. Benchmark yang lebih kompleks, diluncurkan pada Mei 2019. Dalam lima bulan setelah peluncuran, model T5 (Google) hampir mencapai baseline manusia 89,8 dengan skor 88,9[18].

SQuAD. Pada benchmark Stanford Question Answering Dataset, skor F1 untuk SQuAD 1.1 meningkat dari 67 (Agustus 2016) menjadi 95 (Mei 2019). Kemajuan pada SQuAD 2.0 bahkan lebih cepat: dari 62 (Mei 2018) menjadi 90 (Juni 2019). Waktu pelatihan model tanya jawab hingga F1 ≥ 75 pada SQuAD 1.0 berkurang dari lebih dari 7 jam (Oktober 2017) menjadi kurang dari 19 menit (Maret 2019)[19].

Penalaran. Pada ARC Challenge Set (Allen Institute for AI), hasil terbaik mencapai 67,7% (September 2019). Pada ARC-Easy — 85,4%. Tugas-tugas yang memerlukan penalaran tetap jauh lebih sulit bagi sistem AI[20].

Terjemahan Mesin

Jumlah sistem terjemahan mesin yang tersedia secara komersial dengan model terlatih meningkat dari 8 (2017) menjadi lebih dari 24 (2019). Kemajuan kualitas terbesar diamati untuk pasangan bahasa Tionghoa–Inggris, Inggris–Jerman, dan Rusia–Inggris[21].

Omniglot Challenge

Selama tiga tahun, kemajuan yang nyata tercatat dalam klasifikasi dari satu contoh (one-shot), namun pada empat tugas pembelajaran konsep lainnya (pembuatan contoh, penguraian, pembuatan konsep baru) kemajuannya terbatas. Bayesian Program Learning (BPL) masih mengungguli pendekatan jaringan saraf pada tugas asli[22].

Daya Komputasi

Analisis OpenAI menunjukkan kesenjangan struktural: sebelum 2012, volume komputasi untuk AI berlipat ganda setiap dua tahun (Hukum Moore); setelah 2012 — setiap 3,4 bulan. Sejak 2012, indikator ini meningkat lebih dari 300.000 kali lipat[4].

Tonggak Pencapaian Tingkat Manusia

Laporan ini memperbarui kronologi pencapaian AI, menambahkan dua hasil baru ke yang sebelumnya telah terdokumentasi (Othello — 1980, catur dam — 1995, catur — 1997, Jeopardy! — 2011, Atari — 2015, ImageNet — 2016, Go — 2016, poker — 2017, Ms. Pac-Man — 2017, StarCraft II — 2019):

Tahun Pencapaian
2018 AlphaFold (DeepMind) — prediksi struktur 3D protein dengan akurasi yang belum pernah ada sebelumnya
2019 AlphaStar (DeepMind) — mengalahkan pemain profesional terbaik dalam StarCraft II
2019 Deteksi retinopati diabetik dengan akurasi setara spesialis

Bab 4. Ekonomi

Lapangan Kerja dan Rekrutmen

Indeks rekrutmen AI (LinkedIn) menunjukkan bahwa Singapura, Brasil, Australia, Kanada, dan India memimpin dalam laju pertumbuhan rekrutmen pada periode 2015–2019. Di AS, negara bagian Washington memiliki permintaan relatif tertinggi untuk lowongan kerja AI (hampir 1,4% dari total lowongan), diikuti California (1,3%) dan Massachusetts (1,3%). Berdasarkan jumlah absolut, California memimpin dengan lebih dari 93.000 lowongan kerja AI[5].

Penetrasi keterampilan AI tertinggi terlihat di sektor layanan TI (2,3% lowongan), layanan profesional dan ilmiah (lebih dari 2%), keuangan dan asuransi (1,3%), serta industri manufaktur (1,1%)[6].

Menurut data LinkedIn, India menunjukkan penetrasi keterampilan AI 2,6 kali lebih tinggi dari rata-rata global. Gambaran menarik tampak dari sisi gender: laki-laki melaporkan keterampilan AI dalam lebih banyak profesi dibandingkan perempuan di semua negara dalam sampel[6].

Investasi

Pendanaan startup AI tumbuh dengan laju tahunan rata-rata lebih dari 48% (2010–2018). Pada November 2019, volume investasi mencapai $37,4 miliar (dibandingkan $40,4 miliar sepanjang 2018). Antara 2014 dan 2019, terdapat 15.798 investasi dengan ukuran rata-rata sekitar $8,6 juta[7].

Investasi AI per kapita tertinggi dimiliki oleh Israel, diikuti Singapura dan Islandia. Startup dari Tiongkok menerima investasi yang jauh lebih besar per perusahaan: $34,1 juta — 201% lebih banyak dibandingkan AS, dan 296% lebih banyak dari rata-rata global[7].

Secara sektoral, investasi terbesar mengalir ke kendaraan otonom ($7,7 miliar, 9,9% dari total), farmasi dan terapi kanker ($4,7 miliar), pengenalan wajah ($4,7 miliar), konten video ($3,6 miliar), dan deteksi penipuan ($3,1 miliar). Bidang yang tumbuh paling cepat adalah otomasi proses robotik, manajemen rantai pasok, dan otomasi industri[7].

Investasi Pemerintah (AS)

Pemerintah federal AS berencana menginvestasikan $4,98 miliar dalam penelitian AI pada tahun anggaran 2020. Departemen Pertahanan (DoD) — $4,0 miliar, termasuk $506 juta melalui DARPA, $221 juta untuk proyek Maven, dan $209 juta untuk Joint AI Center (JAIC). Pengeluaran lembaga federal untuk kontrak AI tumbuh ~70%: dari $429 juta pada 2017 menjadi $728 juta pada 2018[23].

Adopsi Korporat

58% perusahaan besar melaporkan penggunaan AI setidaknya dalam satu fungsi (naik dari 47% pada 2018). 30% responden mencatat penerapan AI di beberapa unit bisnis (21% pada 2018). Kemampuan AI yang paling sering diterapkan: otomasi proses robotik, computer vision, dan Machine Learning. Keamanan siber merupakan risiko yang paling sering ditangani oleh organisasi (48%), sementara risiko keterpahaman (19%) dan keadilan (13%) ditangani jauh lebih jarang[8].

Robotisasi Industri

Pada 2018, instalasi robot industri global meningkat 6% — mencapai 422.271 unit senilai $16,5 miliar. Stok operasional robot mencapai 2.439.543 unit. Lima pasar terbesar — Tiongkok, Jepang, AS, Korea Selatan, dan Jerman — mengakumulasi 74% dari instalasi global. Tiongkok tetap menjadi pemimpin dunia (36%), memasang 154.032 unit[24].

Bab 5. Pendidikan

Pembelajaran Online

Coursera, yang melayani lebih dari 45 juta pelajar dan menawarkan lebih dari 3.700 kursus, menyusun peringkat 60 negara berdasarkan keterampilan AI (Global Skills Index). Asia Selatan dan Asia Timur menunjukkan proporsi terbesar pendaftaran kursus AI dan kompetensi terkait. Di Udacity, kursus "Introduction to Machine Learning" memperoleh lebih dari 125.000 pendaftaran kumulatif[25].

Program Universitas

Pendaftaran pada kursus pengantar AI di Stanford meningkat lima kali lipat (2012–2018). Pada kursus "Introduction to Machine Learning" di Universitas Illinois (UIUC) — dua belas kali lipat (2010–2018). Di tingkat internasional, Universitas Toronto memiliki jumlah mahasiswa terdaftar terbanyak, diikuti Sekolah Tinggi Ilmu Ekonomi (Rusia) dan Universitas Tsinghua (Tiongkok)[1].

Di Eropa, teridentifikasi 2.054 program yang mencakup bidang AI, dengan mayoritas besar berada di tingkat magister. 197 universitas Eropa menawarkan 406 program magister khusus AI[26].

Spesialisasi PhD dan Perpindahan ke Industri

AI menjadi spesialisasi PhD ilmu komputer paling populer: lebih dari 21% pada 2018. Proporsi PhD yang pindah ke industri meningkat tiga kali lipat: dari 21% pada 2004 menjadi 62% pada 2018. Lebih dari 60% PhD baru di bidang AI di AS dan Kanada adalah mahasiswa asing (kurang dari 40% pada 2010); hanya ~10% yang meninggalkan AS setelah lulus[9].

Tiga universitas dengan kehilangan pengajar AI terbanyak: Carnegie Mellon (17 staf tetap), Universitas Washington (11), dan Berkeley. Di antara universitas Kanada, Universitas Toronto mengalami kehilangan terbanyak (9 pengajar). Proporsi perempuan di antara lulusan PhD di bidang AI tetap stabil pada sekitar ~20% dari 2010 hingga 2018[10].

Bab 6. Sistem Otonom

Kendaraan Tanpa Pengemudi

Setidaknya 25 negara memiliki kota yang menguji kendaraan otonom (KO). Di negara bagian California, dari 2015 hingga 2018, jumlah perusahaan penguji dan total KO meningkat tujuh kali lipat. Pada 2018, lebih dari 50 perusahaan dan 500 KO menempuh lebih dari 2 juta mil. Setidaknya 41 negara bagian dan Distrik Columbia mempertimbangkan undang-undang terkait KO[27].

Frekuensi kecelakaan KO di California pada 2018 adalah 22,44 per juta mil — sekitar 5,5 kali lebih tinggi dari angka yang disesuaikan untuk pengemudi biasa. Dalam sebagian besar kecelakaan, kendaraan berpengemudi manusia menabrak dari belakang KO yang berhenti atau bergerak lurus di siang hari. Sebagian besar kerusakan bersifat ringan[27].

Persenjataan Otonom

Menurut penelitian pakar Stockholm International Peace Research Institute (SIPRI), setidaknya 89 negara memiliki sistem pertahanan udara otomatis. Sistem perlindungan aktif hanya dikembangkan dan diproduksi oleh sembilan negara. Data mencakup periode 1950–2017[28].

Bab 7. Persepsi Publik

Bank Sentral

Komunikasi bank sentral menunjukkan minat yang semakin besar terhadap AI. Bank of England, Bank of Japan, dan Federal Reserve menyebut AI lebih sering dibandingkan yang lain. Karakter publikasi bergeser dari dokumen analitis menuju pidato[1].

Aktivitas Parlemen dan Pemerintah

Tercatat peningkatan lebih dari sepuluh kali lipat dalam aktivitas legislatif yang berkaitan dengan AI di Kongres AS pada 2017–2018. Dalam transkrip Kongres, 2019 menjadi tahun dengan jumlah penyebutan AI terbanyak. Tren serupa diamati di parlemen Kanada dan Inggris[23].

Korporasi

Proporsi laporan pendapatan (earnings calls) dari 3.000 perusahaan publik AS yang memuat penyebutan AI meningkat dari 0,01% (2010) menjadi 0,42% (2018). Sektor keuangan memimpin dalam jumlah penyebutan[1].

Media dan Pencarian Web

Menurut Google Trends, istilah "machine learning" melampaui istilah terkait lainnya dalam kueri pencarian di AS. Menurut GDELT Project, dari artikel berita yang berkaitan dengan AI, 17,7% membahas dampak terhadap lapangan kerja, 2,4% membahas bias algoritmik, dan hanya 0,99% membahas "robot pembunuh"[29].

Bab 8. Aspek Sosial

Prinsip Etika

PricewaterhouseCoopers menganalisis 59 dokumen prinsip AI yang etis dari asosiasi dan konsorsium, pemerintah, perusahaan teknologi, lembaga think tank, dan organisasi akademik. Dua belas tantangan etika diidentifikasi paling sering: akuntabilitas, keselamatan, kontrol manusia, keandalan dan keamanan, keadilan, keberagaman dan inklusi, keberlanjutan, transparansi, interpretabilitas dan keterpahaman, dialog multipihak, legalitas dan kepatuhan, privasi data[11].

Keadilan, interpretabilitas/keterpahaman, dan transparansi paling sering disebutkan. Untuk perusahaan teknologi, keadilan disebutkan dalam 100% kerangka; untuk lembaga think tank — keadilan dan kontrol manusia (masing-masing 100% dan 88%)[11].

AI dan Tujuan Pembangunan Berkelanjutan PBB

McKinsey Global Institute mengidentifikasi sekitar 160 kasus penggunaan AI untuk kebaikan sosial yang berpotensi mendukung semua 17 Tujuan Pembangunan Berkelanjutan (TPB) PBB. AI dapat mengatasi sekitar setengah dari 169 target TPB. Jumlah kasus penerapan terbanyak sesuai dengan TPB 3 (kesehatan) dan TPB 16 (masyarakat damai dan inklusif). Namun demikian, hambatan yang signifikan tetap ada untuk penerapan AI berskala besar demi pembangunan berkelanjutan: ketersediaan data, daya komputasi, tenaga ahli, dan kesiapan organisasi[30].

Bab 9. Strategi Nasional dan Dinamika Global AI

Strategi Nasional

Jumlah dokumen strategi AI resmi terus meningkat. PwC, menggunakan analisis NLP terhadap 37 dokumen, menemukan bahwa kemitraan akademik disebutkan dalam 94% dokumen, penelitian dan pengembangan AI — dalam 48%, tata kelola AI — dalam 42%. Perlindungan konsumen dan keadilan disebutkan paling jarang (2%)[11].

Alat Global AI Vibrancy

Alat yang diperkenalkan untuk pertama kalinya ini mencakup 28 negara berdasarkan 34 metrik yang dikelompokkan dalam tiga pilar: penelitian dan pengembangan (21 metrik), ekonomi (10 metrik), dan inklusivitas (5 metrik). Alat ini memungkinkan pengguna untuk menyesuaikan bobot dan melakukan perbandingan antarnegara maupun perbandingan dalam negara yang sama[1].

Profil Negara

Laporan ini mencakup profil negara yang terperinci untuk Brasil, Tiongkok, Prancis, Jerman, India, Belanda, Singapura, dan AS, serta tinjauan kebijakan regional multilateral di bidang AI[1].

Hasil Benchmark Signifikan Tahun 2019

Benchmark Hasil Terbaik (2019) Tingkat Manusia Kemajuan
ImageNet (Top-1) ~88% ~95% (satu anotator) Peningkatan berkelanjutan dengan data tambahan
GLUE Melampaui tingkat non-ahli (Juni 2019) 87,1 (non-ahli) RoBERTa, T5
SuperGLUE 88,9 (T5, Google) 89,8 Dicapai dalam 5 bulan setelah peluncuran benchmark
SQuAD 1.1 (F1) 95 ~91 Melampaui tingkat manusia
SQuAD 2.0 (F1) 90 ~89 Hampir setara tingkat manusia
ARC Challenge 67,7% — Tugas penalaran tetap sulit
VQA 75,28% ~80% Naik 2,85 p.p. per tahun

Metodologi

Laporan ini menggunakan data dari berbagai sumber[1]:

  • Publikasi: Elsevier Scopus, arXiv (NESTA), Microsoft Academic Graph (MAG).
  • Benchmark: Papers With Code, DAWNBench/MLPerf, leaderboard GLUE, SuperGLUE, SQuAD, ARC, VQA, ActivityNet.
  • Konferensi: data registrasi NeurIPS, ICML, ICLR, AAAI, CVPR, WiML, AI4ALL, RightsCon.
  • Pasar tenaga kerja: LinkedIn Economic Graph, Burning Glass Technologies, Indeed.
  • Investasi: CAPIQ, Crunchbase, Quid.
  • Aktivitas korporat: McKinsey Global Survey, International Federation of Robotics.
  • Pengeluaran pemerintah: Bloomberg Government.
  • Persepsi publik: Google Trends, GDELT Project, Prattle (bank sentral), Hansard (parlemen).
  • Etika dan strategi: PricewaterhouseCoopers (NAISR), Harvard, LexisNexis.
  • Pendidikan: CRA Taulbee Survey, Coursera, Udacity, Joint Research Centre (EC).
  • Sistem otonom: California DMV, Bloomberg Philanthropies, SIPRI, NCSL.

Tim Penulis

Laporan ini disiapkan oleh Komite Pengarah AI Index dengan koordinasi Raymond Perrault (Raymond Perrault, SRI International) dan di bawah pimpinan Yoav Shoham (Yoav Shoham, Universitas Stanford). Anggota komite mencakup: Erik Brynjolfsson (MIT), Jack Clark (OpenAI), John Etchemendy (Stanford), Barbara Grosz (Harvard), Terah Lyons (Partnership on AI), James Manyika (McKinsey Global Institute), dan Juan Carlos Niebles (Stanford). Pemimpin proyek dan editor utama adalah Saurabh Mishra (Universitas Stanford). Data disediakan oleh lebih dari 20 organisasi mitra[1].

Pranala Luar

Daftar Pustaka

Catatan

  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_(ID)&oldid=7958"