The 2019 AI Index Report (NL)

From Systems analysis Wiki
Jump to navigation Jump to search

AI Index Report 2019 — de tweede volledige jaarlijkse editie van het AI Index-rapport, opgesteld door het Stanford Institute for Human-Centered Artificial Intelligence (Stanford HAI)[1]. Het rapport van 2019 volgt driemaal zoveel datasets als de editie van 2018 en omvat negen thematische hoofdstukken: van onderzoek en ontwikkeling tot nationale strategieën en mondiale AI-dynamiek. De editie bevat bijgewerkte gegevens over alle aspecten van kunstmatige intelligentie — technische prestaties, economie, onderwijs, publieke perceptie en maatschappelijke gevolgen — en introduceert twee nieuwe interactieve instrumenten: de Global AI Vibrancy Tool (vibrancy.aiindex.org), waarmee landen kunnen worden vergeleken aan de hand van 34 indicatoren, en de AI Index arXiv Monitor (arxiv.aiindex.org), die zoeken in volledige tekst van AI-preprints mogelijk maakt. AI Index is een onafhankelijk initiatief bij het Stanford HAI-instituut, opgezet in het kader van het project 'Honderdjarig AI-onderzoek' (AI100)[1].

Context en doelstellingen

De missie van AI Index bestaat uit het verstrekken van objectieve, zorgvuldig geverifieerde gegevens over de ontwikkeling van kunstmatige intelligentie aan beleidsmakers, onderzoekers, bestuurders, journalisten en het brede publiek[1]. Het rapport van 2019 verscheen op een moment van snelle groeiende belangstelling voor AI vanuit overheden, bedrijven en de samenleving, en trachtte gangbare mythes te ontkrachten — met name de opvatting dat de ontwikkeling van AI neerkomt op een rivaliteit tussen de VS en China. De gegevens in het rapport tonen aan dat lokale centra van uitmuntendheid op het gebied van AI wereldwijd tot stand komen: Finland onderscheidt zich in AI-onderwijs, India laat een hoge penetratie van AI-vaardigheden zien, Singapore beschikt over goed georganiseerde overheidsondersteuning, en Israël leidt wat betreft private investeringen in AI-startups per hoofd van de bevolking[1].

Structuur van het rapport

Het rapport van 2019 bestaat uit negen thematische hoofdstukken[1]:

  1. Onderzoek en Ontwikkeling (Research and Development) — bibliometrische gegevens, publicaties, patenten, genderdiversiteit in AI-onderzoek.
  2. Conferenties (Conferences) — bezoekersaantallen, statistieken van AAAI-artikelen, diversiteitsorganisaties, ethiek op conferenties.
  3. Technische Prestaties (Technical Performance) — benchmarks voor computervisie, taalverwerking, redeneren, rekenkracht.
  4. Economie (The Economy) — arbeidsmarkt, investeringen, bedrijfsimplementatie, robotisering.
  5. Onderwijs (Education) — online leren, universitaire programma's, PhD-specialisaties, vertrek van docenten.
  6. Autonome Systemen (Autonomous Systems) — zelfrijdende voertuigen, autonoom wapentuig.
  7. Publieke Perceptie (Public Perception) — centrale banken, parlementen, bedrijfsrapportages, media.
  8. Maatschappelijke Aspecten (Societal Considerations) — ethische principes, AI en duurzame ontwikkeling van de VN.
  9. Nationale Strategieën en Mondiale AI-Dynamiek (National Strategies and Global AI Vibrancy) — nationale strategieën, instrument voor landenvergelijking.

Belangrijkste bevindingen van het rapport

1. Groei van het publicatievolume

Over de periode 1998–2018 steeg het volume aan peer-reviewed publicaties op het gebied van AI met meer dan 300%. In 2018 vormden AI-artikelen 3% van de tijdschriftpublicaties en 9% van de conferentieartikelen in de Scopus-database[2]. China bereikte in 2018 een vergelijkbaar niveau als Europa wat betreft het aantal tijdschrift- en conferentiepublicaties over AI, nadat het de VS al in 2006 had ingehaald. De citatie-index (FWCI) van publicaties uit de VS bleef echter nog steeds ongeveer 50% hoger dan die van China[1].

2. Recordbezoekersaantallen op conferenties

De bezoekersaantallen van de grootste AI-conferenties bleven aanzienlijk groeien. NeurIPS verwachtte in 2019 13.500 deelnemers — een stijging van 41% ten opzichte van 2018 en meer dan 800% ten opzichte van 2012. AAAI en CVPR lieten een jaarlijkse groei van de bezoekersaantallen van circa 30% zien[1].

3. Snelle technische vooruitgang

De trainingstijd van een beeldclassificatiemodel op cloudinfrastructuur daalde van circa drie uur in oktober 2017 naar circa 88 seconden in juli 2019; de trainingskosten daalden op vergelijkbare wijze. Op de benchmarks SuperGLUE en SQuAD 2.0 was de vooruitgang bijzonder snel, maar op taken die redeneren vereisen (bijv. AI2 Reasoning Challenge) en taken voor concept-level learning (Omniglot Challenge) bleven de resultaten achter[3][1].

4. Exponentiële groei van rekenkracht

Vóór 2012 volgde de groei van rekenkracht voor AI de wet van Moore — verdubbeling elke twee jaar. Na 2012 verdubbelde de rekenkracht elke 3,4 maanden, wat leidde tot een toename van meer dan 300.000 keer in zes jaar[4].

5. Mondiale groei van AI-aanwervingen

Singapore, Brazilië, Australië, Canada en India toonden de snelste groei van AI-aanwervingen over de periode 2015–2019. In de VS groeide het aandeel AI-gerelateerde vacatures van 0,26% van het totale aantal vacatures in 2010 naar 1,32% in oktober 2019, waarbij de vraag naar Machine Learning-specialisten het grootst was (0,51%)[5][6].

6. Private investeringen overschreden $70 miljard

In 2019 overtroffen de wereldwijde private investeringen in AI de 70 miljard dollar, waaronder meer dan 37 miljard aan investeringen in startups, 34 miljard aan fusies en overnames, circa 5 miljard aan IPO's en circa 2 miljard aan minderheidsbelangen. Van 2010 tot 2018 groeide de financiering van AI-startups van 1,3 miljard naar 40,4 miljard dollar, met een gemiddelde jaarlijkse groei van meer dan 48%. Autonome voertuigen ontvingen het grootste investeringsaandeel (7,7 miljard), gevolgd door farmaceutica en kankertherapie (4,7 miljard) en gezichtsherkenning (4,7 miljard)[7].

7. Toenemende AI-implementatie in het bedrijfsleven

Volgens een enquête van McKinsey & Company (2.360 respondenten) maakte 58% van de grote bedrijven in 2019 gebruik van AI in ten minste één functie of bedrijfsonderdeel, vergeleken met 47% in 2018. Slechts 19% van de organisaties nam echter stappen om risico's in verband met de verklaarbaarheid van algoritmen te beperken, en slechts 13% deed dat voor vooringenomenheid en discriminatie[8].

8. AI — de populairste PhD-specialisatie

AI werd de meest populaire specialisatie onder PhD-studenten in de informatica in Noord-Amerika: in 2018 specialiseerde meer dan 21% van de PhD-afgestudeerden in computerwetenschappen zich in AI en Machine Learning. Het aandeel PhD-afgestudeerden op het gebied van AI dat naar de industrie vertrok, steeg van 21% in 2004 naar meer dan 60% in 2018[9].

9. Vertrek van AI-docenten uit de academische wereld

Het vertrek van AI-docenten van de academische wereld naar de industrie versnelde: meer dan 40 vertrekken in 2018 vergeleken met 15 in 2012 en nul in 2004. De grootste verliezen leden de Carnegie Mellon University, de University of Washington en de University of California, Berkeley[10].

10. Groeiende aandacht voor AI-ethiek

Fairness, interpreteerbaarheid en verklaarbaarheid werden geïdentificeerd als de meest genoemde ethische uitdagingen in 59 documenten met principes voor verantwoorde AI. Van meer dan 3.600 wereldwijde nieuwsartikelen over ethiek en AI (midden 2018 – midden 2019) waren de dominante thema's: kaderprincipes en richtlijnen voor ethisch gebruik van AI (32%), gegevensprivacy (14%), gezichtsherkenning (13%), algoritmische vooringenomenheid (11%) en de rol van grote technologiebedrijven (11%)[11].

Hoofdstuk 1. Onderzoek en Ontwikkeling

Het hoofdstuk analyseert trends in publicaties op basis van gegevens van Elsevier Scopus, arXiv-preprints, Microsoft Academic Graph (MAG), alsmede patentactiviteit, populariteit van software-frameworks op GitHub en genderdiversiteit onder AI-onderzoekers[1].

Publicaties

Europa bleef de grootste uitgever van AI-artikelen en bereikte meer dan 27% van de publicaties in Scopus in 2018. Het aandeel van China steeg van 10% in 2000 naar 28% in 2018. In de VS was het aandeel bedrijfspublicaties relatief hoog: in 2018 overtrof het aantal bedrijfs-AI-artikelen uit de VS de Chinese meer dan zevenvoudig[2].

Op arXiv nam het totale aantal AI-artikelen over 2010–2019 met meer dan twintig keer toe. Computervisie (CV) was de grootste subcategorie sinds 2014, maar in 2019 werd Machine Learning de leidende categorie. De subcategorie 'Computation & Language' groeide met bijna zestig keer ten opzichte van 2010[12].

Citaties

Meer dan 32% van de wereldwijde citaties van AI-tijdschriftartikelen was afkomstig uit Oost-Azië; meer dan 40% van de citaties van conferentieartikelen uit Noord-Amerika. Op het gebied van patenten accumuleerde Noord-Amerika meer dan 60% van de wereldwijde citatieactiviteit met betrekking tot AI-patenten over de periode 2014–2018[13].

Patenten

Meer dan 51% van de wereldwijde AI-patenten was afkomstig uit Noord-Amerika. De VS publiceerde driemaal zoveel AI-patenten als het volgende land — Japan. Meer dan 94% van de AI-patenten werd ingediend in landen met een hoog inkomen[13].

GitHub Stars

Een opvallende trend was de dominantie van door bedrijven ondersteunde frameworks: TensorFlow (Google) en PyTorch (Facebook). Niet-bedrijfsgebonden frameworks — scikit-learn en Caffe — bleven groeien, maar met een lagere snelheid[1].

Genderdiversiteit in onderzoek

Meer dan 41% van de AI-artikelen uit Nederland en meer dan 39% uit Denemarken hadden ten minste één vrouwelijke medeauteur. In Japan en Singapore bedroeg dit aandeel slechts 10% respectievelijk 16%. Veel West-Europese landen, evenals Argentinië, Canada en Iran, toonden een relatief hoge aanwezigheid van vrouwen in AI-onderzoek[14].

Hoofdstuk 2. Conferenties

Bezoekersaantallen

NeurIPS verwachtte in 2019 13.500 deelnemers (800% groei ten opzichte van 2012). ICLR groeide vijftien keer ten opzichte van 2014. De Women in Machine Learning (WiML)-workshop zag het aantal deelnemers met 738% stijgen ten opzichte van 2014, en het AI4ALL-programma met 2.000% ten opzichte van 2015[1].

AAAI-statistieken

Op de AAAI-conferentie van 2019 diende China het grootste aantal ingediende en geaccepteerde artikelen in. Meer dan 68% van de inzendingen was van PhD-studenten afkomstig. Israël had het hoogste acceptatiepercentage (24%), gevolgd door Duitsland (23%), Canada (22%), en de VS en Singapore (elk 20%). Machine Learning, NLP en computervisie bleven de drie belangrijkste thema's[1].

Ethiek op conferenties

Het totale aantal artikelen met aan ethiek gerelateerde trefwoorden op toonaangevende AI-conferenties bleef een klein aandeel van het totaal, maar groeide snel. De analyse omvatte 110.108 artikelen, waaronder 59.352 conferentieartikelen en 50.756 tijdschriftartikelen[15].

Hoofdstuk 3. Technische Prestaties

Het hoofdstuk volgt de technische vooruitgang bij taken op het gebied van computervisie, verwerking van natuurlijke taal, redeneren, machinevertaling en rekenkracht[1].

Computervisie

ImageNet. De eerste methode die de menselijke nauwkeurigheid op ImageNet overtrof, werd gepubliceerd in 2015. In 2019 zette de vooruitgang door: de drie meest succesvolle methoden maakten gebruik van aanvullende trainingsdata. De ImageNet-competitie werd in 2017 beëindigd, maar de dataset bleef een belangrijke benchmark[16].

Trainingstijd en -kosten. Volgens het DAWNBench-project (Stanford) daalde de trainingstijd van een beeldclassificatiemodel tot een nauwkeurigheid van 93%+ (top-5) op cloudinfrastructuur van meer dan 3 uur (oktober 2017) naar ~88 seconden (juli 2019). De trainingskosten daalden van $2.323 (oktober 2017, ResNet) naar ~$12 (september 2018, ResNet op GCP met Cloud TPU)[3].

Beeldgeneratie. Vooruitgang in beeldgeneratie (CIFAR-10) werd gemeten met de FID-metriek (Fréchet Inception Distance): een lagere score correleert met betere generatiekwaliteit[1].

Semantische segmentatie. Vooruitgang werd gemeten met de mean IoU-metriek op de Cityscapes-dataset — een taak die belangrijk is voor zelfrijdende systemen[1].

Verwerking van natuurlijke taal

GLUE. De General Language Understanding Evaluation-benchmark, uitgebracht in mei 2018, test systemen op negen tekstverwerkingstaken. Hoewel de benchmark nog geen jaar oud was, overtroffen systeemresultaten het niveau van niet-expertbeoordelaars in juni 2019. De modellen RoBERTa (Facebook) en T5 (Google) bleven de scores verbeteren[17].

SuperGLUE. Een complexere benchmark, gelanceerd in mei 2019. Binnen vijf maanden na de lancering benaderde het T5-model (Google) bijna het menselijke basisniveau van 89,8, met een score van 88,9[18].

SQuAD. Op de Stanford Question Answering Dataset-benchmark steeg de F1-score voor SQuAD 1.1 van 67 (augustus 2016) naar 95 (mei 2019). De vooruitgang op SQuAD 2.0 was nog sneller: van 62 (mei 2018) naar 90 (juni 2019). De trainingstijd van een vraagbeantwoordingsmodel tot F1 ≥ 75 op SQuAD 1.0 daalde van meer dan 7 uur (oktober 2017) naar minder dan 19 minuten (maart 2019)[19].

Redeneren. Op de ARC Challenge Set (Allen Institute for AI) bedroeg het beste resultaat 67,7% (september 2019). Op ARC-Easy was dat 85,4%. Taken die redeneren vereisen, bleven aanzienlijk moeilijker voor AI-systemen[20].

Machinevertaling

Het aantal commercieel beschikbare machinevertaalsystemen met voorgetrainde modellen steeg van 8 (2017) naar meer dan 24 (2019). De grootste kwaliteitsverbetering werd waargenomen voor de taalparen Chinees–Engels, Engels–Duits en Russisch–Engels[21].

Omniglot Challenge

Over drie jaar werd er aanzienlijke vooruitgang geboekt bij one-shot classificatie, maar bij de overige vier concept learning-taken (het genereren van voorbeelden, parsen, het genereren van nieuwe concepten) was de vooruitgang beperkt. Bayesiaans programmaleren (BPL) bleef neurale netwerk-benaderingen overtreffen bij de oorspronkelijke taak[22].

Rekenkracht

Een analyse van OpenAI toonde een structurele kloof aan: vóór 2012 verdubbelde de rekenkracht voor AI elke twee jaar (wet van Moore); na 2012 elke 3,4 maanden. Sinds 2012 is dit met meer dan 300.000 keer toegenomen[4].

Mijlpalen op menselijk niveau

Het rapport actualiseerde de tijdlijn van AI-prestaties en voegde twee nieuwe resultaten toe aan de eerder gedocumenteerde mijlpalen (Othello — 1980, dammen — 1995, schaken — 1997, Jeopardy! — 2011, Atari — 2015, ImageNet — 2016, Go — 2016, poker — 2017, Ms. Pac-Man — 2017, StarCraft II — 2019):

Jaar Prestatie
2018 AlphaFold (DeepMind) — voorspelling van de 3D-structuur van eiwitten met ongekende nauwkeurigheid
2019 AlphaStar (DeepMind) — overwinning op een topprofessional in StarCraft II
2019 Detectie van diabetische retinopathie op het niveau van een specialist

Hoofdstuk 4. Economie

Arbeidsmarkt en aanwervingen

De AI Hiring Index (LinkedIn) toonde aan dat Singapore, Brazilië, Australië, Canada en India de snelste groei van AI-aanwervingen kenden over de periode 2015–2019. In de VS had de staat Washington de grootste relatieve vraag naar AI-vacatures (bijna 1,4% van het totale aantal vacatures), gevolgd door Californië (1,3%) en Massachusetts (1,3%). In absolute aantallen leidde Californië met meer dan 93.000 AI-vacatures[5].

De hoogste penetratie van AI-vaardigheden werd waargenomen in de sectoren IT-diensten (2,3% van de vacatures), professionele en wetenschappelijke diensten (meer dan 2%), financiën en verzekeringen (1,3%) en de maakindustrie (1,1%)[6].

Volgens LinkedIn had India een penetratie van AI-vaardigheden die 2,6 keer boven het wereldgemiddelde lag. Een interessant beeld ontstond bij geslacht: mannen rapporteerden AI-vaardigheden in meer beroepen dan vrouwen, in alle landen van de steekproef[6].

Investeringen

De financiering van AI-startups groeide met een gemiddeld jaarlijks tempo van meer dan 48% (2010–2018). Tot november 2019 bedroeg het investeringsvolume $37,4 miljard (tegenover $40,4 miljard voor heel 2018). Tussen 2014 en 2019 werden 15.798 investeringen gedaan met een gemiddelde omvang van circa $8,6 miljoen[7].

De investeringen in AI per hoofd van de bevolking waren het hoogst in Israël, gevolgd door Singapore en IJsland. Chinese startups ontvingen aanzienlijk meer investering per bedrijf: $34,1 miljoen — 201% meer dan in de VS en 296% meer dan het wereldgemiddelde[7].

Naar sector gingen de grootste investeringen naar autonome voertuigen ($7,7 miljard, 9,9% van het totaal), farmaceutica en kankertherapie ($4,7 miljard), gezichtsherkenning ($4,7 miljard), video-inhoud ($3,6 miljard) en fraudedetectie ($3,1 miljard). De snelst groeiende richtingen waren robotprocesautomatisering, supply chain management en industriële automatisering[7].

Overheidsinvesteringen (VS)

De Amerikaanse federale overheid was van plan in het fiscale jaar 2020 $4,98 miljard te investeren in AI-onderzoek. Het Ministerie van Defensie (DoD) — $4,0 miljard, waaronder $506 miljoen via DARPA, $221 miljoen voor het Maven-project en $209 miljoen voor het Joint AI Center (JAIC). De uitgaven van federale agentschappen aan AI-contracten stegen met ~70%: van $429 miljoen in 2017 naar $728 miljoen in 2018[23].

Bedrijfsimplementatie

58% van de grote bedrijven rapporteerde het gebruik van AI in ten minste één functie (stijging van 47% in 2018). 30% van de respondenten meldde implementatie van AI in meerdere bedrijfsonderdelen (21% in 2018). De meest geïmplementeerde AI-mogelijkheden: robotprocesautomatisering, computervisie en Machine Learning. Cyberveiligheid was het risico waarmee organisaties het vaakst omgingen (48%), terwijl risico's van verklaarbaarheid (19%) en fairness (13%) aanzienlijk minder vaak werden aangepakt[8].

Industriële robotisering

In 2018 groeide de wereldwijde installatie van industriële robots met 6% tot 422.271 eenheden met een waarde van $16,5 miljard. Het operationele robotpark bestond uit 2.439.543 eenheden. De vijf grootste markten — China, Japan, de VS, Zuid-Korea en Duitsland — namen 74% van de wereldwijde installaties voor hun rekening. China bleef wereldleider (36%) met 154.032 geïnstalleerde eenheden[24].

Hoofdstuk 5. Onderwijs

Online leren

Coursera, dat meer dan 45 miljoen studenten bedient en meer dan 3.700 cursussen aanbiedt, stelde een ranglijst op van 60 landen op basis van AI-vaardigheden (Global Skills Index). Zuid-Azië en Oost-Azië toonden het grootste aandeel inschrijvingen voor AI-cursussen en aanverwante competenties. Op Udacity had de cursus 'Introduction to Machine Learning' meer dan 125.000 cumulatieve inschrijvingen[25].

Universitaire programma's

Het aantal inschrijvingen voor inleidende AI-cursussen aan Stanford groeide vijfvoudig (2012–2018). Aan de University of Illinois (UIUC) was dat voor de cursus 'Introduction to Machine Learning' twaalfvoudig (2010–2018). Op internationaal niveau had de Universiteit van Toronto het grootste aantal ingeschreven studenten, gevolgd door de Hogere School voor Economie (Rusland) en de Tsinghua Universiteit (China)[1].

In Europa werden 2.054 programma's geïdentificeerd die het AI-domein omvatten, waarbij de overgrote meerderheid op masterniveau werd aangeboden. 197 Europese universiteiten boden 406 gespecialiseerde masterprogramma's in AI aan[26].

PhD-specialisaties en vertrek naar de industrie

AI werd de populairste PhD-specialisatie in de informatica: meer dan 21% in 2018. Het aandeel PhD-afgestudeerden dat naar de industrie vertrok, verdrievoudigde: van 21% in 2004 naar 62% in 2018. Meer dan 60% van de nieuwe AI-PhD-afgestudeerden in de VS en Canada waren buitenlandse studenten (minder dan 40% in 2010); slechts ~10% verliet de VS na afstuderen[9].

De drie universiteiten met de grootste verliezen aan AI-docenten: Carnegie Mellon (17 vaste medewerkers), University of Washington (11) en Berkeley. Onder Canadese universiteiten verloor de Universiteit van Toronto het meest (9 docenten). Het aandeel vrouwen onder PhD-afgestudeerden in AI bleef stabiel op ~20% van 2010 tot 2018[10].

Hoofdstuk 6. Autonome Systemen

Zelfrijdende voertuigen

Ten minste 25 landen hadden steden die autonome voertuigen (AV's) testten. In de staat Californië nam het aantal testbedrijven en het totale aantal AV's van 2015 tot 2018 zevenvoudig toe. In 2018 reden meer dan 50 bedrijven met meer dan 500 AV's samen meer dan 2 miljoen mijl. Ten minste 41 staten en het District of Columbia overwogen wetgeving in verband met AV's[27].

Het ongevallenpercentage van AV's in Californië bedroeg in 2018 22,44 per miljoen gereden mijl — ongeveer 5,5 keer hoger dan het gecorrigeerde percentage voor gewone bestuurders. In de meeste ongelukken reed een voertuig met een menselijke bestuurder van achteren in op een gestopt of rechtdoor rijdend AV overdag. De meeste schade was gering[27].

Autonoom wapentuig

Volgens een deskundigenonderzoek van het Stockholm International Peace Research Institute (SIPRI) hadden ten minste 89 landen automatische luchtverdedigingssystemen. Actieve beschermingssystemen werden slechts door negen landen ontwikkeld en geproduceerd. De gegevens hadden betrekking op de periode 1950–2017[28].

Hoofdstuk 7. Publieke Perceptie

Centrale banken

De communicatie van centrale banken vertoonde een groeiende belangstelling voor AI. De Bank of England, de Bank of Japan en de Federal Reserve noemden AI vaker dan de rest. De aard van de publicaties verschoof van analytische documenten naar toespraken[1].

Parlementaire en gouvernementele activiteit

Er was een meer dan tienvoudige toename van AI-gerelateerde wetgevende activiteit in het Amerikaanse Congres in 2017–2018. In de Congresnotulen werd 2019 het jaar met de meeste vermeldingen van AI. Vergelijkbare trends werden waargenomen in de parlementen van Canada en het Verenigd Koninkrijk[23].

Bedrijven

Het aandeel van de winstrapporten (earnings calls) van 3.000 beursgenoteerde bedrijven in de VS dat AI-vermeldingen bevatte, steeg van 0,01% (2010) naar 0,42% (2018). De financiële sector leidde wat betreft het aantal vermeldingen[1].

Media en webzoekopdrachten

Volgens Google Trends overtrof de term 'machine learning' andere gerelateerde termen in zoekopdrachten in de VS. Volgens het GDELT Project had 17,7% van de AI-gerelateerde nieuwsartikelen betrekking op de impact op werkgelegenheid, 2,4% op algoritmische vooringenomenheid en slechts 0,99% op 'moorddadige robots'[29].

Hoofdstuk 8. Maatschappelijke Aspecten

Ethische principes

PricewaterhouseCoopers analyseerde 59 documenten met principes voor verantwoorde AI van verenigingen en consortia, overheden, technologiebedrijven, denktanks en wetenschappelijke organisaties. Twaalf ethische uitdagingen werden het vaakst onderscheiden: verantwoordingsplicht, veiligheid, menselijke controle, betrouwbaarheid en bescherming, fairness, diversiteit en inclusiviteit, duurzaamheid, transparantie, interpreteerbaarheid en verklaarbaarheid, multilaterale dialoog, wettigheid en naleving, gegevensprivacy[11].

Fairness, interpreteerbaarheid/verklaarbaarheid en transparantie werden het vaakst vermeld. Voor technologiebedrijven werd fairness in 100% van de kaders vermeld; voor denktanks — fairness en menselijke controle (respectievelijk 100% en 88%)[11].

AI en de Duurzame Ontwikkelingsdoelen van de VN

Het McKinsey Global Institute identificeerde circa 160 toepassingsmogelijkheden van AI voor het maatschappelijk belang, die potentieel alle 17 Duurzame Ontwikkelingsdoelen (SDG's) van de VN ondersteunen. AI kon circa de helft van de 169 SDG-subdoelstellingen adresseren. Het grootste aantal toepassingen correspondeerde met SDG 3 (gezondheid) en SDG 16 (vreedzame en inclusieve samenlevingen). Voor grootschalige inzet van AI ten behoeve van duurzame ontwikkeling bleven echter aanzienlijke belemmeringen bestaan: beschikbaarheid van data, rekenkracht, personeel en organisatorische gereedheid[30].

Hoofdstuk 9. Nationale Strategieën en Mondiale AI-Dynamiek

Nationale strategieën

Het aantal officiële strategische documenten over AI groeide gestaag. PwC, gebruikmakend van NLP-analyse van 37 documenten, stelde vast dat academische samenwerking in 94% van de documenten werd vermeld, AI-onderzoek en -ontwikkeling in 48%, en AI-governance in 42%. Consumentenbescherming en fairness werden het minst vaak vermeld (2%)[11].

Global AI Vibrancy Tool

Het voor het eerst gepresenteerde instrument omvatte 28 landen op basis van 34 metrieken, gegroepeerd in drie pijlers: onderzoek en ontwikkeling (21 metrieken), economie (10 metrieken) en inclusiviteit (5 metrieken). Het instrument stelde gebruikers in staat gewichtingscoëfficiënten aan te passen en zowel vergelijkingen tussen landen als binnen landen uit te voeren[1].

Landenprofielen

Het rapport bevatte gedetailleerde landenprofielen voor Brazilië, China, Frankrijk, Duitsland, India, Nederland, Singapore en de VS, alsmede een overzicht van multilateraal regionaal AI-beleid[1].

Significante benchmarkresultaten van 2019

Benchmark Beste resultaat (2019) Menselijk niveau Vooruitgang
ImageNet (Top-1) ~88% ~95% (één annotator) Voortdurende verbetering met aanvullende data
GLUE Niet-expertniveau overschreden (juni 2019) 87,1 (niet-expert) RoBERTa, T5
SuperGLUE 88,9 (T5, Google) 89,8 Bereikt binnen 5 maanden na lancering van de benchmark
SQuAD 1.1 (F1) 95 ~91 Menselijk niveau overtroffen
SQuAD 2.0 (F1) 90 ~89 Praktisch op menselijk niveau
ARC Challenge 67,7% — Redenerende taken blijven moeilijk
VQA 75,28% ~80% Stijging van 2,85 procentpunt per jaar

Methodologie

Het rapport maakte gebruik van gegevens uit meerdere bronnen[1]:

  • Publicaties: Elsevier Scopus, arXiv (NESTA), Microsoft Academic Graph (MAG).
  • Benchmarks: Papers With Code, DAWNBench/MLPerf, leaderboards van GLUE, SuperGLUE, SQuAD, ARC, VQA, ActivityNet.
  • Conferenties: registratiegegevens van NeurIPS, ICML, ICLR, AAAI, CVPR, WiML, AI4ALL, RightsCon.
  • Arbeidsmarkt: LinkedIn Economic Graph, Burning Glass Technologies, Indeed.
  • Investeringen: CAPIQ, Crunchbase, Quid.
  • Bedrijfsactiviteit: McKinsey Global Survey, International Federation of Robotics.
  • Overheidsuitgaven: Bloomberg Government.
  • Publieke perceptie: Google Trends, GDELT Project, Prattle (centrale banken), Hansard (parlementen).
  • Ethiek en strategieën: PricewaterhouseCoopers (NAISR), Harvard, LexisNexis.
  • Onderwijs: CRA Taulbee Survey, Coursera, Udacity, Joint Research Centre (EC).
  • Autonome systemen: California DMV, Bloomberg Philanthropies, SIPRI, NCSL.

Redactiecommissie

Het rapport werd opgesteld door de AI Index Steering Committee onder coördinatie van Raymond Perrault (SRI International) en onder voorzitterschap van Yoav Shoham (Stanford University). De commissie bestond uit: Erik Brynjolfsson (MIT), Jack Clark (OpenAI), John Etchemendy (Stanford), Barbara Grosz (Harvard), Terah Lyons (Partnership on AI), James Manyika (McKinsey Global Institute) en Juan Carlos Niebles (Stanford). Saurabh Mishra (Stanford University) trad op als projectleider en hoofdredacteur. Meer dan 20 partnerorganisaties leverden gegevens aan[1].

Verwijzingen

Literatuur

Noten

  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_(NL)&oldid=7961"