The 2019 AI Index Report (IT)

From Systems analysis Wiki
Jump to navigation Jump to search

AI Index Report 2019 — seconda edizione annuale completa del rapporto AI Index, preparata dallo Stanford Institute for Human-Centered Artificial Intelligence (Stanford HAI)[1]. Il rapporto del 2019 traccia il triplo dei dataset rispetto all'edizione del 2018 e comprende nove capitoli tematici: dalla ricerca e sviluppo alle strategie nazionali e alle dinamiche globali dell'IA. L'edizione contiene dati aggiornati su tutti gli aspetti dell'intelligenza artificiale — progressi tecnici, economia, istruzione, percezione pubblica e conseguenze sociali — e presenta due nuovi strumenti interattivi: il Global AI Vibrancy Tool (vibrancy.aiindex.org), che consente di confrontare i paesi su 34 indicatori, e l'AI Index arXiv Monitor (arxiv.aiindex.org), che offre la ricerca full-text sui preprint nel campo dell'IA. AI Index è un'iniziativa indipendente presso lo Stanford Institute HAI, concepita nell'ambito del progetto «One Hundred Year Study on AI» (AI100)[1].

Contesto e obiettivi

La missione di AI Index consiste nel fornire dati obiettivi e accuratamente verificati sullo sviluppo dell'intelligenza artificiale a legislatori, ricercatori, dirigenti, giornalisti e al grande pubblico[1]. Il rapporto del 2019 è uscito in un momento di rapida crescita dell'interesse verso l'IA da parte di governi, aziende e società, e si proponeva di sfatare i luoghi comuni diffusi — in particolare, l'idea che lo sviluppo dell'IA si riduca a una rivalità tra USA e Cina. I dati del rapporto dimostrano che i centri locali di eccellenza nel campo dell'IA si stanno formando in tutto il mondo: la Finlandia si distingue nell'istruzione in materia di IA, l'India mostra un'elevata diffusione delle competenze IA, Singapore dispone di un sostegno statale ben organizzato, mentre Israele guida per investimenti privati in startup IA pro capite[1].

Struttura del rapporto

Il rapporto del 2019 è composto da nove capitoli tematici[1]:

  1. Ricerca e Sviluppo (Research and Development) — dati bibliometrici, pubblicazioni, brevetti, diversità di genere nella ricerca sull'IA.
  2. Conferenze (Conferences) — presenze, statistiche degli articoli AAAI, organizzazioni per la diversità, etica nelle conferenze.
  3. Prestazioni Tecniche (Technical Performance) — benchmark su visione artificiale, elaborazione del linguaggio, ragionamento, potenza di calcolo.
  4. Economia (The Economy) — posti di lavoro, investimenti, adozione aziendale, robotizzazione.
  5. Istruzione (Education) — apprendimento online, programmi universitari, specializzazioni PhD, fuga dei docenti.
  6. Sistemi Autonomi (Autonomous Systems) — veicoli a guida autonoma, armamenti autonomi.
  7. Percezione Pubblica (Public Perception) — banche centrali, parlamenti, rapporti aziendali, media.
  8. Aspetti Sociali (Societal Considerations) — principi etici, IA e sviluppo sostenibile ONU.
  9. Strategie Nazionali e Dinamiche Globali dell'IA (National Strategies and Global AI Vibrancy) — strategie nazionali, strumento di confronto tra paesi.

Principali conclusioni del rapporto

1. Crescita del volume delle pubblicazioni

Nel periodo dal 1998 al 2018, il volume delle pubblicazioni peer-reviewed nel campo dell'IA è cresciuto di oltre il 300%. Entro il 2018, gli articoli sull'IA rappresentavano il 3% delle pubblicazioni su riviste e il 9% degli articoli da conferenze nella banca dati Scopus[2]. La Cina, entro il 2018, aveva raggiunto l'Europa per numero di pubblicazioni su riviste e conferenze in materia di IA, avendo già superato gli USA nel 2006. Al tempo stesso, l'indice di citazione (FWCI) delle pubblicazioni statunitensi era ancora superiore di circa il 50% rispetto a quello cinese[1].

2. Presenze record alle conferenze

Le presenze alle principali conferenze sull'IA hanno continuato a crescere significativamente. La conferenza NeurIPS nel 2019 prevedeva 13 500 partecipanti — una crescita del 41% rispetto al 2018 e di oltre l'800% rispetto al 2012. Le conferenze AAAI e CVPR mostravano una crescita annuale delle presenze di circa il 30%[1].

3. Rapido progresso tecnico

Il tempo di addestramento di un modello di classificazione delle immagini su infrastruttura cloud si è ridotto da circa tre ore nell'ottobre 2017 a circa 88 secondi nel luglio 2019; il costo dell'addestramento è diminuito in modo analogo. Sui benchmark SuperGLUE e SQuAD 2.0 il progresso è stato particolarmente rapido, tuttavia sui compiti che richiedono ragionamento (ad esempio, AI2 Reasoning Challenge) e sui compiti di apprendimento a livello concettuale (Omniglot Challenge) i risultati rimanevano inferiori[3][1].

4. Crescita esponenziale della capacità di calcolo

Fino al 2012, la crescita della capacità di calcolo per l'IA seguiva la legge di Moore — raddoppio ogni due anni. Dopo il 2012, la capacità di calcolo raddoppiava ogni 3,4 mesi, determinando un aumento di oltre 300 000 volte nell'arco di sei anni[4].

5. Crescita globale delle assunzioni nel settore IA

Singapore, Brasile, Australia, Canada e India hanno mostrato la crescita più rapida delle assunzioni nel settore IA nel periodo 2015–2019. Negli USA, la quota di offerte di lavoro legate all'IA è cresciuta dallo 0,26% del totale delle offerte nel 2010 all'1,32% nell'ottobre 2019, con la domanda più elevata per i professionisti del Machine Learning (0,51%)[5][6].

6. Gli investimenti privati hanno superato i 70 miliardi di dollari

Nel 2019, gli investimenti privati globali nell'IA hanno superato i 70 miliardi di dollari, inclusi oltre 37 miliardi in investimenti in startup, 34 miliardi in operazioni M&A, circa 5 miliardi in IPO e circa 2 miliardi in partecipazioni di minoranza. Dal 2010 al 2018, i finanziamenti alle startup IA sono cresciuti da 1,3 miliardi a 40,4 miliardi di dollari, con un tasso di crescita annuale medio superiore al 48%. I veicoli autonomi hanno ricevuto la quota maggiore degli investimenti (7,7 miliardi), seguiti da farmaceutica e terapia oncologica (4,7 miliardi) e riconoscimento facciale (4,7 miliardi)[7].

7. Crescente adozione dell'IA nelle imprese

Secondo un sondaggio di McKinsey & Company (2 360 intervistati), il 58% delle grandi aziende utilizzava l'IA in almeno una funzione o unità aziendale nel 2019, rispetto al 47% nel 2018. Tuttavia, solo il 19% delle organizzazioni adottava misure per ridurre i rischi legati alla spiegabilità degli algoritmi, e solo il 13% per contrastare pregiudizi e discriminazioni[8].

8. L'IA è la specializzazione più popolare per i PhD

L'IA è diventata la specializzazione più popolare tra i dottorandi in informatica in Nord America: nel 2018, oltre il 21% dei laureati PhD in scienze informatiche si specializzava in IA e Machine Learning. La quota di laureati PhD nel campo dell'IA che si trasferivano nell'industria è cresciuta dal 21% nel 2004 a oltre il 60% nel 2018[9].

9. Fuga dei docenti IA dall'accademia

L'abbandono dell'accademia da parte dei docenti di IA in favore dell'industria si è accelerato: oltre 40 trasferimenti nel 2018, contro i 15 nel 2012 e zero nel 2004. Le perdite maggiori hanno riguardato la Carnegie Mellon University, la University of Washington e la University of California Berkeley[10].

10. Crescente attenzione all'etica dell'IA

Equità, interpretabilità e spiegabilità sono state identificate come le sfide etiche più frequentemente citate in 59 documenti contenenti principi di IA etica. Degli oltre 3 600 articoli di notizie mondiali sull'etica e l'IA (metà 2018 – metà 2019), i temi dominanti erano i framework e le linee guida per l'uso etico dell'IA (32%), la privacy dei dati (14%), il riconoscimento facciale (13%), il pregiudizio algoritmico (11%) e il ruolo delle grandi aziende tecnologiche (11%)[11].

Capitolo 1. Ricerca e Sviluppo

Il capitolo analizza le tendenze nelle pubblicazioni sulla base dei dati di Elsevier Scopus, dei preprint arXiv, del Microsoft Academic Graph (MAG), nonché l'attività brevettuale, la popolarità dei framework software su GitHub e la diversità di genere tra i ricercatori di IA[1].

Pubblicazioni

L'Europa rimaneva il principale editore di articoli sull'IA, raggiungendo oltre il 27% delle pubblicazioni in Scopus entro il 2018. La quota della Cina è cresciuta dal 10% nel 2000 al 28% nel 2018. Negli USA era relativamente elevata la quota di pubblicazioni aziendali: nel 2018, il numero di articoli aziendali statunitensi sull'IA superava quello cinese di oltre sette volte[2].

Su arXiv, il numero totale di articoli sull'IA nel periodo 2010–2019 è aumentato di oltre venti volte. La visione artificiale (CV) era la sottocategoria più grande dal 2014, ma nel 2019 il Machine Learning è diventato la categoria leader. La sottocategoria «Computation & Language» è cresciuta di quasi sessanta volte dal 2010[12].

Citazioni

Oltre il 32% delle citazioni mondiali di articoli su riviste riguardanti l'IA proveniva dall'Asia orientale; oltre il 40% delle citazioni di articoli da conferenze proveniva dal Nord America. In ambito brevettuale, il Nord America ha accumulato oltre il 60% dell'attività citazionale mondiale sui brevetti IA nel periodo 2014–2018[13].

Brevetti

Oltre il 51% dei brevetti IA mondiali apparteneva al Nord America. Gli USA hanno pubblicato tre volte più brevetti IA rispetto al paese successivo, il Giappone. Oltre il 94% dei brevetti IA è stato depositato in paesi ad alto reddito[13].

GitHub Stars

Una tendenza significativa è stata il dominio dei framework supportati da grandi aziende: TensorFlow (Google) e PyTorch (Facebook). I framework non aziendali — scikit-learn e Caffe — continuavano a crescere, ma a un ritmo inferiore[1].

Diversità di genere nella ricerca

Oltre il 41% degli articoli sull'IA provenienti dai Paesi Bassi e oltre il 39% da quelli della Danimarca avevano almeno una coautrice. In Giappone e Singapore questo indicatore era rispettivamente solo del 10% e del 16%. Molti paesi dell'Europa occidentale, nonché Argentina, Canada e Iran, mostravano una presenza femminile relativamente elevata nella ricerca sull'IA[14].

Capitolo 2. Conferenze

Presenze

NeurIPS nel 2019 prevedeva 13 500 partecipanti (crescita dell'800% dal 2012). ICLR è cresciuta di 15 volte rispetto al 2014. Il workshop Women in Machine Learning (WiML) ha aumentato il numero di partecipanti del 738% rispetto al 2014, e il programma AI4ALL del 2 000% rispetto al 2015[1].

Statistiche AAAI

Alla conferenza AAAI 2019, la Cina ha presentato il maggior numero di articoli sottomessi e accettati. Oltre il 68% delle domande proveniva da dottorandi. Israele aveva il tasso di accettazione più elevato (24%), seguito da Germania (23%), Canada (22%), USA e Singapore (entrambi al 20%). Machine Learning, NLP e visione artificiale rimanevano i tre principali temi[1].

Etica nelle conferenze

Il numero totale di articoli con parole chiave legate all'etica nelle principali conferenze sull'IA rimaneva una piccola quota del totale, ma cresceva rapidamente. L'analisi ha coperto 110 108 articoli, tra cui 59 352 da conferenze e 50 756 da riviste[15].

Capitolo 3. Prestazioni Tecniche

Il capitolo traccia il progresso tecnico nei compiti di visione artificiale, elaborazione del linguaggio naturale, ragionamento, traduzione automatica e capacità di calcolo[1].

Visione artificiale

ImageNet. Il primo metodo a superare l'accuratezza umana su ImageNet è stato pubblicato nel 2015. Entro il 2019 il progresso continuava: i tre metodi di maggior successo utilizzavano dati aggiuntivi per l'addestramento. La competizione ImageNet è stata interrotta nel 2017, ma il dataset rimaneva un benchmark fondamentale[16].

Tempo e costo di addestramento. Secondo i dati del progetto DAWNBench (Stanford), il tempo di addestramento di un modello di classificazione delle immagini fino a un'accuratezza del 93%+ (top-5) su infrastruttura cloud si è ridotto da oltre 3 ore (ottobre 2017) a ~88 secondi (luglio 2019). Il costo dell'addestramento è sceso da $2 323 (ottobre 2017, ResNet) a ~$12 (settembre 2018, ResNet su GCP con Cloud TPU)[3].

Generazione di immagini. Il progresso nella generazione di immagini (CIFAR-10) veniva misurato tramite la metrica FID (Fréchet Inception Distance): un punteggio più basso correla con una migliore qualità di generazione[1].

Segmentazione semantica. Il progresso veniva misurato tramite la metrica mean IoU sul dataset Cityscapes — un compito importante per i sistemi di guida autonoma[1].

Elaborazione del linguaggio naturale

GLUE. Il benchmark General Language Understanding Evaluation, rilasciato nel maggio 2018, testa i sistemi su nove compiti di elaborazione del testo. Nonostante il benchmark avesse poco più di un anno, i risultati dei sistemi hanno superato il livello dei valutatori non esperti nel giugno 2019. I modelli RoBERTa (Facebook) e T5 (Google) hanno continuato a migliorare i punteggi[17].

SuperGLUE. Un benchmark più complesso, lanciato nel maggio 2019. Entro cinque mesi dal lancio, il modello T5 (Google) aveva quasi raggiunto il livello umano di riferimento di 89,8, ottenendo un punteggio di 88,9[18].

SQuAD. Sul benchmark Stanford Question Answering Dataset, il punteggio F1 per SQuAD 1.1 è cresciuto da 67 (agosto 2016) a 95 (maggio 2019). Il progresso su SQuAD 2.0 è stato ancora più rapido: da 62 (maggio 2018) a 90 (giugno 2019). Il tempo di addestramento di un modello di risposta alle domande fino a F1 ≥ 75 su SQuAD 1.0 si è ridotto da oltre 7 ore (ottobre 2017) a meno di 19 minuti (marzo 2019)[19].

Ragionamento. Sull'ARC Challenge Set (Allen Institute for AI), il miglior risultato è stato del 67,7% (settembre 2019). Sull'ARC-Easy — 85,4%. I compiti che richiedono ragionamento rimanevano significativamente più difficili per i sistemi di IA[20].

Traduzione automatica

Il numero di sistemi di traduzione automatica disponibili commercialmente con modelli pre-addestrati è cresciuto da 8 (2017) a oltre 24 (2019). Il maggior progresso nella qualità è stato osservato per le coppie cinese–inglese, inglese–tedesco e russo–inglese[21].

Omniglot Challenge

Nell'arco di tre anni si è registrato un progresso significativo nella classificazione one-shot, tuttavia sugli altri quattro compiti di apprendimento concettuale (generazione di esempi, parsing, generazione di nuovi concetti) il progresso è stato limitato. Il Bayesian Program Learning (BPL) continuava a superare gli approcci basati su reti neurali nel compito originale[22].

Capacità di calcolo

L'analisi di OpenAI ha mostrato una frattura strutturale: prima del 2012, la capacità di calcolo per l'IA raddoppiava ogni due anni (legge di Moore); dopo il 2012 — ogni 3,4 mesi. Dal 2012, questo indicatore è cresciuto di oltre 300 000 volte[4].

Traguardi al livello umano

Il rapporto ha aggiornato la cronologia dei risultati dell'IA, aggiungendo due nuovi risultati a quelli precedentemente documentati (Othello — 1980, dama — 1995, scacchi — 1997, Jeopardy! — 2011, Atari — 2015, ImageNet — 2016, Go — 2016, poker — 2017, Ms. Pac-Man — 2017, StarCraft II — 2019):

Anno Risultato
2018 AlphaFold (DeepMind) — previsione della struttura 3D delle proteine con precisione senza precedenti
2019 AlphaStar (DeepMind) — vittoria contro un top professionista in StarCraft II
2019 Rilevamento della retinopatia diabetica con precisione pari a quella di uno specialista

Capitolo 4. Economia

Lavoro e assunzioni

L'indice delle assunzioni IA (LinkedIn) ha mostrato che Singapore, Brasile, Australia, Canada e India guidavano per tassi di crescita delle assunzioni nel periodo 2015–2019. Negli USA, lo stato di Washington aveva la domanda relativa più alta di offerte di lavoro IA (quasi l'1,4% del totale delle offerte), seguito dalla California (1,3%) e dal Massachusetts (1,3%). In termini assoluti, la California guidava con oltre 93 000 offerte di lavoro IA[5].

La maggiore penetrazione delle competenze IA si osservava nei settori dei servizi IT (2,3% delle offerte di lavoro), dei servizi professionali e scientifici (oltre il 2%), della finanza e delle assicurazioni (1,3%) e dell'industria manifatturiera (1,1%)[6].

Secondo i dati di LinkedIn, l'India mostrava una penetrazione delle competenze IA 2,6 volte superiore alla media mondiale. Un quadro interessante emergeva nella suddivisione per genere: gli uomini dichiaravano competenze IA in un maggior numero di professioni rispetto alle donne in tutti i paesi del campione[6].

Investimenti

I finanziamenti alle startup IA crescevano a un tasso annuale medio superiore al 48% (2010–2018). Entro novembre 2019, il volume degli investimenti era pari a $37,4 miliardi (rispetto ai $40,4 miliardi dell'intero 2018). Tra il 2014 e il 2019, sono stati effettuati 15 798 investimenti con una dimensione media di circa $8,6 milioni[7].

L'indicatore pro capite degli investimenti nell'IA era più elevato per Israele, seguito da Singapore e Islanda. Le startup cinesi ricevevano investimenti significativamente maggiori per azienda: $34,1 milioni — il 201% in più rispetto agli USA e il 296% in più rispetto alla media mondiale[7].

Per settore, i maggiori investimenti erano diretti ai veicoli autonomi ($7,7 miliardi, 9,9% del volume totale), alla farmaceutica e alla terapia oncologica ($4,7 miliardi), al riconoscimento facciale ($4,7 miliardi), ai contenuti video ($3,6 miliardi) e al rilevamento delle frodi ($3,1 miliardi). I settori in più rapida crescita erano l'automazione robotica dei processi, la gestione della supply chain e l'automazione industriale[7].

Investimenti pubblici (USA)

Il governo federale degli USA prevedeva di investire $4,98 miliardi nella ricerca sull'IA nell'anno fiscale 2020. Il Dipartimento della Difesa (DoD) — $4,0 miliardi, inclusi $506 milioni tramite DARPA, $221 milioni per il progetto Maven e $209 milioni per il Joint AI Center (JAIC). Le spese delle agenzie federali per i contratti IA sono cresciute di circa il 70%: da $429 milioni nel 2017 a $728 milioni nel 2018[23].

Adozione aziendale

Il 58% delle grandi aziende dichiarava di utilizzare l'IA in almeno una funzione (in aumento dal 47% nel 2018). Il 30% degli intervistati segnalava l'adozione dell'IA in più unità aziendali (21% nel 2018). Le capacità IA più frequentemente implementate erano: automazione robotica dei processi, visione artificiale e Machine Learning. La cybersicurezza era il rischio affrontato più spesso dalle organizzazioni (48%), mentre i rischi legati alla spiegabilità (19%) e all'equità (13%) venivano affrontati molto meno frequentemente[8].

Robotizzazione industriale

Nel 2018, le installazioni globali di robot industriali sono cresciute del 6%, raggiungendo 422 271 unità per un valore di $16,5 miliardi. Il parco operativo di robot era di 2 439 543 unità. I cinque principali mercati — Cina, Giappone, USA, Corea del Sud e Germania — concentravano il 74% delle installazioni globali. La Cina rimaneva leader mondiale (36%), con 154 032 unità installate[24].

Capitolo 5. Istruzione

Apprendimento online

Coursera, che serviva oltre 45 milioni di studenti e offriva oltre 3 700 corsi, ha stilato una classifica di 60 paesi in base alle competenze IA (Global Skills Index). L'Asia meridionale e l'Asia orientale mostravano la quota maggiore di iscrizioni a corsi di IA e competenze correlate. Su Udacity, il corso «Introduction to Machine Learning» aveva accumulato oltre 125 000 iscrizioni totali[25].

Programmi universitari

Le iscrizioni ai corsi introduttivi sull'IA a Stanford sono quintuplicati (2012–2018). Al corso «Introduction to Machine Learning» dell'Università dell'Illinois (UIUC) — dodici volte (2010–2018). A livello internazionale, l'Università di Toronto aveva il maggior numero di studenti iscritti, seguito dalla Higher School of Economics (Russia) e dalla Tsinghua University (Cina)[1].

In Europa sono stati identificati 2 054 programmi che coprono il campo dell'IA, con la grande maggioranza a livello magistrale. 197 università europee offrivano 406 programmi magistrali specializzati in IA[26].

Specializzazioni PhD e fuga verso l'industria

L'IA è diventata la specializzazione PhD più popolare in informatica: oltre il 21% nel 2018. La quota di PhD che si trasferivano nell'industria è triplicata: dal 21% nel 2004 al 62% nel 2018. Oltre il 60% dei nuovi PhD in IA negli USA e in Canada erano studenti stranieri (meno del 40% nel 2010); solo il ~10% lasciava gli USA dopo la laurea[9].

Le tre università con le maggiori perdite di docenti IA: Carnegie Mellon (17 docenti di ruolo), University of Washington (11) e Berkeley. Tra le università canadesi, quella con le perdite maggiori era l'Università di Toronto (9 docenti). La quota di donne tra i laureati PhD in IA rimaneva stabile a circa il 20% dal 2010 al 2018[10].

Capitolo 6. Sistemi Autonomi

Veicoli a guida autonoma

Almeno 25 paesi avevano città che testano veicoli a guida autonoma (VGA). Nello stato della California, dal 2015 al 2018 il numero di aziende che effettuavano test e il numero totale di VGA sono cresciuti di sette volte. Nel 2018, oltre 50 aziende e 500 VGA hanno percorso oltre 2 milioni di miglia. Almeno 41 stati e il Distretto di Columbia stavano esaminando una legislazione relativa ai VGA[27].

La frequenza degli incidenti dei VGA in California nel 2018 era di 22,44 per milione di miglia — circa 5,5 volte superiore all'indicatore corretto per i conducenti ordinari. Nella maggior parte degli incidenti, un veicolo con conducente umano tamponava posteriormente un VGA fermo o in movimento rettilineo durante il giorno. La maggior parte dei danni era di lieve entità[27].

Armamenti autonomi

Secondo uno studio di esperti dello Stockholm International Peace Research Institute (SIPRI), almeno 89 paesi disponevano di sistemi di difesa aerea automatici. I sistemi di protezione attiva erano sviluppati e prodotti solo da nove paesi. I dati coprivano il periodo 1950–2017[28].

Capitolo 7. Percezione Pubblica

Banche centrali

Le comunicazioni delle banche centrali mostravano un crescente interesse verso l'IA. La Banca d'Inghilterra, la Banca del Giappone e la Federal Reserve menzionavano l'IA più frequentemente delle altre. Il carattere delle pubblicazioni si era spostato dai documenti analitici ai discorsi[1].

Attività parlamentare e governativa

Si è osservato un aumento di oltre dieci volte dell'attività legislativa legata all'IA nel Congresso degli USA nel 2017–2018. Nei verbali del Congresso, il 2019 è stato l'anno con il maggior numero di menzioni dell'IA. Tendenze analoghe sono state rilevate nei parlamenti di Canada e Regno Unito[23].

Aziende

La quota di rapporti sugli utili (earnings calls) di 3 000 società pubbliche statunitensi contenenti menzioni dell'IA è cresciuta dallo 0,01% (2010) allo 0,42% (2018). Il settore finanziario guidava per numero di menzioni[1].

Media e ricerche web

Secondo i dati di Google Trends, il termine «machine learning» precedeva gli altri termini correlati nelle ricerche negli USA. Secondo i dati del GDELT Project, degli articoli di notizie legati all'IA, il 17,7% riguardava l'impatto sull'occupazione, il 2,4% il pregiudizio algoritmico e solo lo 0,99% i «robot assassini»[29].

Capitolo 8. Aspetti Sociali

Principi etici

PricewaterhouseCoopers ha analizzato 59 documenti contenenti principi di IA etica di associazioni e consorzi, governi, aziende tecnologiche, think tank e organizzazioni scientifiche. Dodici sfide etiche sono state identificate con maggiore frequenza: responsabilità, sicurezza, controllo umano, affidabilità e protezione, equità, diversità e inclusività, sostenibilità, trasparenza, interpretabilità e spiegabilità, dialogo multilaterale, legalità e conformità, privacy dei dati[11].

Equità, interpretabilità/spiegabilità e trasparenza venivano citate più frequentemente. Per le aziende tecnologiche, l'equità figurava nel 100% dei framework; per i think tank — equità e controllo umano (rispettivamente nel 100% e nell'88% dei casi)[11].

IA e Obiettivi di Sviluppo Sostenibile dell'ONU

Il McKinsey Global Institute ha identificato circa 160 casi d'uso dell'IA per il bene sociale, potenzialmente a supporto di tutti i 17 Obiettivi di Sviluppo Sostenibile (OSS) dell'ONU. L'IA poteva potenzialmente affrontare circa la metà dei 169 target degli OSS. Il maggior numero di casi d'uso corrispondeva all'OSS 3 (salute) e all'OSS 16 (società pacifiche e inclusive). Tuttavia, per un deployment su larga scala dell'IA a favore dello sviluppo sostenibile, permanevano ostacoli significativi: disponibilità dei dati, capacità di calcolo, risorse umane e preparazione organizzativa[30].

Capitolo 9. Strategie Nazionali e Dinamiche Globali dell'IA

Strategie nazionali

Il numero di documenti strategici ufficiali sull'IA era in costante crescita. PwC, utilizzando l'analisi NLP di 37 documenti, ha rilevato che il partenariato accademico veniva menzionato nel 94% dei documenti, la ricerca e sviluppo in IA nel 48%, la governance dell'IA nel 42%. La tutela dei consumatori e l'equità venivano menzionate con minore frequenza (2%)[11].

Strumento Global AI Vibrancy

Lo strumento presentato per la prima volta copriva 28 paesi su 34 metriche, raggruppate in tre pilastri: ricerca e sviluppo (21 metriche), economia (10 metriche) e inclusività (5 metriche). Lo strumento consentiva agli utenti di personalizzare i coefficienti di ponderazione e di effettuare confronti sia tra paesi che all'interno di ciascun paese[1].

Profili nazionali

Il rapporto includeva profili nazionali dettagliati per Brasile, Cina, Francia, Germania, India, Paesi Bassi, Singapore e USA, nonché una panoramica delle politiche regionali multilaterali in materia di IA[1].

Risultati significativi sui benchmark del 2019

Benchmark Miglior risultato (2019) Livello umano Progresso
ImageNet (Top-1) ~88% ~95% (singolo annotatore) Miglioramento costante con dati aggiuntivi
GLUE Superato il livello non-esperto (giugno 2019) 87,1 (non esperto) RoBERTa, T5
SuperGLUE 88,9 (T5, Google) 89,8 Raggiunto entro 5 mesi dal lancio del benchmark
SQuAD 1.1 (F1) 95 ~91 Superato il livello umano
SQuAD 2.0 (F1) 90 ~89 Praticamente al livello umano
ARC Challenge 67,7% — I compiti di ragionamento restano difficili
VQA 75,28% ~80% Crescita di 2,85 punti percentuali in un anno

Metodologia

Il rapporto ha utilizzato dati provenienti da molteplici fonti[1]:

  • Pubblicazioni: Elsevier Scopus, arXiv (NESTA), Microsoft Academic Graph (MAG).
  • Benchmark: Papers With Code, DAWNBench/MLPerf, leaderboard GLUE, SuperGLUE, SQuAD, ARC, VQA, ActivityNet.
  • Conferenze: dati di registrazione NeurIPS, ICML, ICLR, AAAI, CVPR, WiML, AI4ALL, RightsCon.
  • Mercato del lavoro: LinkedIn Economic Graph, Burning Glass Technologies, Indeed.
  • Investimenti: CAPIQ, Crunchbase, Quid.
  • Attività aziendale: McKinsey Global Survey, International Federation of Robotics.
  • Spesa pubblica: Bloomberg Government.
  • Percezione pubblica: Google Trends, GDELT Project, Prattle (banche centrali), Hansard (parlamenti).
  • Etica e strategie: PricewaterhouseCoopers (NAISR), Harvard, LexisNexis.
  • Istruzione: CRA Taulbee Survey, Coursera, Udacity, Joint Research Centre (EC).
  • Sistemi autonomi: California DMV, Bloomberg Philanthropies, SIPRI, NCSL.

Gruppo di autori

Il rapporto è stato preparato dal Comitato Direttivo AI Index con il coordinamento di Raymond Perrault (SRI International) e sotto la presidenza di Yoav Shoham (Università di Stanford). Il comitato era composto da: Erik Brynjolfsson (MIT), Jack Clark (OpenAI), John Etchemendy (Stanford), Barbara Grosz (Harvard), Terah Lyons (Partnership on AI), James Manyika (McKinsey Global Institute) e Juan Carlos Niebles (Stanford). Responsabile del progetto e caporedattore era Saurabh Mishra (Università di Stanford). I dati sono stati forniti da oltre 20 organizzazioni partner[1].

Riferimenti

Bibliografia

Note

  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_(IT)&oldid=7959"