The 2019 AI Index Report (PL)

From Systems analysis Wiki
Jump to navigation Jump to search

AI Index Report 2019 — drugie pełnowymiarowe roczne wydanie raportu AI Index, przygotowane przez Stanfordzki Instytut Sztucznej Inteligencji Skoncentrowanej na Człowieku (Stanford HAI)[1]. Raport z 2019 roku śledzi trzykrotnie więcej zbiorów danych w porównaniu z wydaniem z 2018 roku i obejmuje dziewięć tematycznych rozdziałów: od badań i rozwoju po strategie krajowe i globalną dynamikę AI. Wydanie zawiera zaktualizowane dane dotyczące wszystkich aspektów sztucznej inteligencji — osiągnięć technicznych, ekonomii, edukacji, percepcji społecznej i konsekwencji społecznych — oraz przedstawia dwa nowe interaktywne narzędzia: Global AI Vibrancy Tool (vibrancy.aiindex.org), umożliwiający porównywanie krajów według 34 wskaźników, oraz AI Index arXiv Monitor (arxiv.aiindex.org), zapewniający pełnotekstowe wyszukiwanie wśród preprintów z dziedziny AI. AI Index jest niezależną inicjatywą przy Stanfordzkim Instytucie HAI, pomyślaną w ramach projektu „Stulecie Badań nad AI" (AI100)[1].

Kontekst i cele

Misją AI Index jest dostarczanie obiektywnych, starannie zweryfikowanych danych na temat rozwoju sztucznej inteligencji dla decydentów politycznych, badaczy, menedżerów, dziennikarzy i szerokiej opinii publicznej[1]. Raport z 2019 roku ukazał się w momencie gwałtownego wzrostu zainteresowania AI ze strony rządów, korporacji i społeczeństwa, i dążył do obalenia powszechnych mitów — w szczególności przekonania, że rozwój AI sprowadza się do rywalizacji między USA a Chinami. Dane raportu pokazują, że lokalne centra doskonałości w dziedzinie AI powstają na całym świecie: Finlandia wyróżnia się w edukacji w zakresie AI, Indie wykazują wysokie nasycenie umiejętnościami AI, Singapur posiada dobrze zorganizowane wsparcie państwowe, a Izrael wiedzie prym pod względem prywatnych inwestycji w startupy AI na mieszkańca[1].

Struktura raportu

Raport z 2019 roku składa się z dziewięciu tematycznych rozdziałów[1]:

  1. Badania i Rozwój (Research and Development) — dane bibliometryczne, publikacje, patenty, różnorodność płciowa w badaniach nad AI.
  2. Konferencje (Conferences) — frekwencja, statystyki artykułów AAAI, organizacje ds. różnorodności, etyka na konferencjach.
  3. Wydajność Techniczna (Technical Performance) — benchmarki z zakresu widzenia komputerowego, przetwarzania języka, rozumowania, mocy obliczeniowych.
  4. Gospodarka (The Economy) — miejsca pracy, inwestycje, wdrożenia korporacyjne, robotyzacja.
  5. Edukacja (Education) — kształcenie online, programy akademickie, specjalizacje doktoranckie, odpływ wykładowców.
  6. Systemy Autonomiczne (Autonomous Systems) — pojazdy bezzałogowe, autonomiczne uzbrojenie.
  7. Percepcja Społeczna (Public Perception) — banki centralne, parlamenty, raporty korporacyjne, media.
  8. Aspekty Społeczne (Societal Considerations) — zasady etyczne, AI i zrównoważony rozwój ONZ.
  9. Strategie Krajowe i Globalna Dynamika AI (National Strategies and Global AI Vibrancy) — strategie krajowe, narzędzie do porównywania krajów.

Kluczowe wnioski raportu

1. Wzrost liczby publikacji

W okresie od 1998 do 2018 roku liczba recenzowanych publikacji w dziedzinie AI wzrosła o ponad 300%. W 2018 roku artykuły dotyczące AI stanowiły 3% publikacji w czasopismach i 9% artykułów konferencyjnych w bazie danych Scopus[2]. Chiny do 2018 roku dorównały Europie pod względem liczby publikacji w czasopismach i na konferencjach poświęconych AI, wyprzedzając USA już w 2006 roku. Przy tym wskaźnik cytowań (FWCI) publikacji ze Stanów Zjednoczonych nadal przewyższał chiński o około 50%[1].

2. Rekordowa frekwencja na konferencjach

Frekwencja na największych konferencjach dotyczących AI nadal znacząco rosła. Konferencja NeurIPS w 2019 roku oczekiwała 13 500 uczestników — wzrost o 41% w porównaniu z 2018 rokiem i o ponad 800% w stosunku do 2012 roku. Konferencje AAAI i CVPR wykazywały roczny wzrost frekwencji na poziomie około 30%[1].

3. Gwałtowny postęp techniczny

Czas trenowania modelu klasyfikacji obrazów na infrastrukturze chmurowej skrócił się z około trzech godzin w październiku 2017 roku do około 88 sekund w lipcu 2019 roku; koszt trenowania spadł w podobnym stopniu. Na benchmarkach SuperGLUE i SQuAD 2.0 postęp był szczególnie szybki, jednak w zadaniach wymagających rozumowania (np. AI2 Reasoning Challenge) oraz zadaniach uczenia się na poziomie pojęć (Omniglot Challenge) wyniki pozostawały niższe[3][1].

4. Wykładniczy wzrost mocy obliczeniowych

Do 2012 roku wzrost mocy obliczeniowych dla AI odpowiadał prawu Moore'a — podwojenie co dwa lata. Po 2012 roku moc obliczeniowa podwajała się co 3,4 miesiąca, co doprowadziło do wzrostu o ponad 300 000 razy w ciągu sześciu lat[4].

5. Globalny wzrost zatrudnienia w dziedzinie AI

Singapur, Brazylia, Australia, Kanada i Indie wykazały najszybszy wzrost zatrudnienia w dziedzinie AI w okresie 2015–2019. W USA udział ofert pracy związanych z AI wzrósł z 0,26% wszystkich ofert pracy w 2010 roku do 1,32% w październiku 2019 roku, przy czym największy popyt dotyczył specjalistów od machine learning (0,51%)[5][6].

6. Prywatne inwestycje przekroczyły 70 mld dolarów

W 2019 roku globalne prywatne inwestycje w AI przekroczyły 70 miliardów dolarów, w tym ponad 37 miliardów inwestycji w startupy, 34 miliardy w transakcje M&A, około 5 miliardów w IPO i około 2 miliardów w udziały mniejszościowe. W latach 2010–2018 finansowanie startupów AI wzrosło z 1,3 miliarda do 40,4 miliarda dolarów przy średniorocznym wzroście przekraczającym 48%. Pojazdy autonomiczne otrzymały największy udział inwestycji (7,7 mld), następnie farmacja i terapia nowotworowa (4,7 mld) oraz rozpoznawanie twarzy (4,7 mld)[7].

7. Rosnące wdrożenie AI w biznesie

Zgodnie z badaniem McKinsey & Company (2 360 respondentów), 58% dużych firm korzystało z AI w co najmniej jednej funkcji lub jednostce biznesowej w 2019 roku, w porównaniu z 47% w 2018 roku. Przy tym jedynie 19% organizacji podejmowało kroki w celu ograniczenia ryzyka związanego z wyjaśnialnością algorytmów, a tylko 13% — w celu przeciwdziałania stronniczości i dyskryminacji[8].

8. AI — najpopularniejsza specjalizacja doktorancka

AI stało się najpopularniejszą specjalizacją wśród doktorantów informatyki w Ameryce Północnej: w 2018 roku ponad 21% absolwentów doktoratów z nauk obliczeniowych specjalizowało się w AI i machine learning. Odsetek absolwentów doktoratów z dziedziny AI przechodzących do przemysłu wzrósł z 21% w 2004 roku do ponad 60% w 2018 roku[9].

9. Odpływ wykładowców AI z akademii

Odpływ wykładowców AI z akademii do przemysłu przyspieszył: ponad 40 odejść w 2018 roku w porównaniu z 15 w 2012 roku i zerem w 2004 roku. Największe straty poniosły Uniwersytet Carnegie Mellon, Uniwersytet Waszyngtoński i Uniwersytet Kalifornijski w Berkeley[10].

10. Rosnące zainteresowanie etyką AI

Sprawiedliwość, interpretowalność i wyjaśnialność zostały zidentyfikowane jako najczęściej wymieniane wyzwania etyczne w 59 dokumentach zawierających zasady etycznego AI. Spośród ponad 3 600 światowych artykułów prasowych dotyczących etyki i AI (połowa 2018 — połowa 2019) dominującymi tematami były ramy zasad i wytyczne dotyczące etycznego stosowania AI (32%), prywatność danych (14%), rozpoznawanie twarzy (13%), stronniczość algorytmiczna (11%) oraz rola dużych firm technologicznych (11%)[11].

Rozdział 1. Badania i rozwój

Rozdział analizuje trendy w publikacjach na podstawie danych Elsevier Scopus, preprintów arXiv, Microsoft Academic Graph (MAG), a także aktywność patentową, popularność frameworków programistycznych na GitHub oraz różnorodność płciową wśród badaczy AI[1].

Publikacje

Europa pozostawała największym wydawcą artykułów dotyczących AI, osiągając ponad 27% publikacji w Scopus do 2018 roku. Udział Chin wzrósł z 10% w 2000 roku do 28% w 2018 roku. W USA stosunkowo wysoki udział stanowiły publikacje korporacyjne: w 2018 roku liczba korporacyjnych artykułów o AI w USA przewyższała chińskie o ponad siedmiokrotnie[2].

Na arXiv łączna liczba artykułów dotyczących AI w latach 2010–2019 wzrosła ponad dwudziestokrotnie. Widzenie komputerowe (CV) było największą podkategorią od 2014 roku, jednak w 2019 roku machine learning stało się wiodącą kategorią. Podkategoria „Computation & Language" urosła niemal sześćdziesięciokrotnie od 2010 roku[12].

Cytowania

Ponad 32% światowych cytowań artykułów w czasopismach dotyczących AI przypadało na Azję Wschodnią, ponad 40% cytowań artykułów konferencyjnych — na Amerykę Północną. W sferze patentowej Ameryka Północna gromadziła ponad 60% światowej aktywności cytowań w zakresie patentów AI w latach 2014–2018[13].

Patenty

Ponad 51% światowych patentów AI należało do Ameryki Północnej. USA opublikowały trzykrotnie więcej patentów AI niż kolejny kraj — Japonia. Ponad 94% patentów AI zostało zgłoszonych w krajach o wysokim poziomie dochodów[13].

GitHub Stars

Zauważalnym trendem stała się dominacja frameworków wspieranych przez korporacje: TensorFlow (Google) i PyTorch (Facebook). Frameworki niekorporacyjne — scikit-learn i Caffe — nadal rosły, ale w wolniejszym tempie[1].

Różnorodność płciowa w badaniach

Ponad 41% artykułów AI z Holandii i ponad 39% z Danii miało co najmniej jedną współautorkę. W Japonii i Singapurze wskaźnik ten wynosił odpowiednio jedynie 10% i 16%. Wiele krajów zachodnioeuropejskich, a także Argentyna, Kanada i Iran wykazywały stosunkowo wysoką obecność kobiet w badaniach AI[14].

Rozdział 2. Konferencje

Frekwencja

NeurIPS w 2019 roku oczekiwał 13 500 uczestników (wzrost o 800% od 2012 roku). ICLR urósł piętnastokrotnie w porównaniu z 2014 rokiem. Warsztaty Women in Machine Learning (WiML) zwiększyły liczbę uczestników o 738% w porównaniu z 2014 rokiem, a program AI4ALL — o 2 000% w porównaniu z 2015 rokiem[1].

Statystyki AAAI

Na konferencji AAAI 2019 Chiny zgłosiły i uzyskały przyjęcie największej liczby artykułów. Ponad 68% zgłoszeń pochodziło od doktorantów. Izrael miał najwyższy wskaźnik przyjęć (24%), następnie Niemcy (23%), Kanada (22%), USA i Singapur (po 20%). Machine learning, NLP i widzenie komputerowe pozostawały trzema wiodącymi tematami[1].

Etyka na konferencjach

Łączna liczba artykułów ze słowami kluczowymi związanymi z etyką na wiodących konferencjach AI pozostawała niewielką częścią ogółu, jednak szybko rosła. Analiza objęła 110 108 artykułów, w tym 59 352 konferencyjnych i 50 756 w czasopismach[15].

Rozdział 3. Wydajność techniczna

Rozdział śledzi postęp techniczny w zadaniach widzenia komputerowego, przetwarzania języka naturalnego, rozumowania, tłumaczenia maszynowego i mocy obliczeniowych[1].

Widzenie komputerowe

ImageNet. Pierwsza metoda, która przekroczyła ludzką dokładność na ImageNet, została opublikowana w 2015 roku. Do 2019 roku postęp był kontynuowany: trzy najskuteczniejsze metody wykorzystywały dodatkowe dane do trenowania. Konkurs ImageNet został zakończony w 2017 roku, ale dataset pozostawał kluczowym benchmarkiem[16].

Czas i koszt trenowania. Według danych projektu DAWNBench (Stanford), czas trenowania modelu klasyfikacji obrazów do dokładności powyżej 93% (top-5) na infrastrukturze chmurowej skrócił się z ponad 3 godzin (październik 2017) do ~88 sekund (lipiec 2019). Koszt trenowania spadł z 2 323 dolarów (październik 2017, ResNet) do ~12 dolarów (wrzesień 2018, ResNet na GCP z Cloud TPU)[3].

Generowanie obrazów. Postęp w generowaniu obrazów (CIFAR-10) był mierzony za pomocą metryki FID (Fréchet Inception Distance): niższy wynik koreluje z lepszą jakością generowania[1].

Segmentacja semantyczna. Postęp był mierzony metryką mean IoU na datasecie Cityscapes — zadaniu istotnym dla systemów autopilotowania[1].

Przetwarzanie języka naturalnego

GLUE. Benchmark General Language Understanding Evaluation, opublikowany w maju 2018 roku, testuje systemy w dziewięciu zadaniach przetwarzania tekstu. Mimo że benchmark miał nieco ponad rok, wyniki systemów przekroczyły poziom nieeksperckich oceniających w czerwcu 2019 roku. Modele RoBERTa (Facebook) i T5 (Google) nadal poprawiały wskaźniki[17].

SuperGLUE. Bardziej wymagający benchmark, uruchomiony w maju 2019 roku. W ciągu pięciu miesięcy od uruchomienia model T5 (Google) niemal osiągnął ludzki poziom bazowy wynoszący 89,8, uzyskując 88,9 punktu[18].

SQuAD. Na benchmarku Stanford Question Answering Dataset wynik F1 dla SQuAD 1.1 wzrósł z 67 (sierpień 2016) do 95 (maj 2019). Postęp na SQuAD 2.0 był jeszcze szybszy: z 62 (maj 2018) do 90 (czerwiec 2019). Czas trenowania modelu odpowiedzi na pytania do F1 ≥ 75 na SQuAD 1.0 skrócił się z ponad 7 godzin (październik 2017) do mniej niż 19 minut (marzec 2019)[19].

Rozumowanie. Na ARC Challenge Set (Allen Institute for AI) najlepszy wynik wyniósł 67,7% (wrzesień 2019). Na ARC-Easy — 85,4%. Zadania wymagające rozumowania pozostawały znacznie trudniejsze dla systemów AI[20].

Tłumaczenie maszynowe

Liczba komercyjnie dostępnych systemów tłumaczenia maszynowego z wytrenowanymi modelami wzrosła z 8 (2017) do ponad 24 (2019). Największy postęp w jakości zaobserwowano dla par językowych chiński–angielski, angielski–niemiecki i rosyjski–angielski[21].

Omniglot Challenge

W ciągu trzech lat odnotowano znaczący postęp w klasyfikacji na podstawie jednego przykładu (one-shot), jednak w pozostałych czterech zadaniach uczenia się pojęć (generowanie przykładów, parsowanie, generowanie nowych pojęć) postęp był ograniczony. Bayesowskie uczenie programowe (BPL) nadal przewyższało podejścia oparte na sieciach neuronowych w oryginalnym zadaniu[22].

Moc obliczeniowa

Analiza OpenAI wykazała strukturalny rozdźwięk: do 2012 roku moc obliczeniowa dla AI podwajała się co dwa lata (prawo Moore'a); po 2012 roku — co 3,4 miesiąca. Od 2012 roku wskaźnik ten wzrósł o ponad 300 000 razy[4].

Kamienie milowe na poziomie ludzkim

Raport zaktualizował chronologię osiągnięć AI, dodając dwa nowe wyniki do wcześniej udokumentowanych (Othello — 1980, warcaby — 1995, szachy — 1997, Jeopardy! — 2011, Atari — 2015, ImageNet — 2016, Go — 2016, poker — 2017, Ms. Pac-Man — 2017, StarCraft II — 2019):

Rok Osiągnięcie
2018 AlphaFold (DeepMind) — przewidywanie trójwymiarowej struktury białek z bezprecedensową dokładnością
2019 AlphaStar (DeepMind) — pokonanie czołowego profesjonalisty w StarCraft II
2019 Wykrywanie retinopatii cukrzycowej z dokładnością na poziomie specjalisty

Rozdział 4. Gospodarka

Miejsca pracy i zatrudnienie

Indeks zatrudnienia AI (LinkedIn) wykazał, że Singapur, Brazylia, Australia, Kanada i Indie prowadziły pod względem tempa wzrostu zatrudnienia w okresie 2015–2019. W USA stan Waszyngton miał największy względny popyt na oferty pracy związane z AI (prawie 1,4% wszystkich ofert pracy), następnie Kalifornia (1,3%) i Massachusetts (1,3%). Pod względem liczby bezwzględnej Kalifornia prowadziła z ponad 93 000 ofert pracy w AI[5].

Największe nasycenie umiejętnościami AI obserwowano w sektorach usług IT (2,3% ofert pracy), usług profesjonalnych i naukowych (ponad 2%), finansów i ubezpieczeń (1,3%) oraz przemysłu wytwórczego (1,1%)[6].

Zgodnie z danymi LinkedIn, Indie wykazywały nasycenie umiejętnościami AI 2,6 razy wyższe od średniej światowej. Interesujący obraz wyłonił się w przekroju płciowym: mężczyźni zgłaszali umiejętności AI w większej liczbie zawodów niż kobiety we wszystkich krajach próby[6].

Inwestycje

Finansowanie startupów AI rosło w średniorocznym tempie powyżej 48% (2010–2018). Do listopada 2019 roku wolumen inwestycji wyniósł 37,4 mld dolarów (wobec 40,4 mld dolarów za cały 2018 rok). Między 2014 a 2019 rokiem dokonano 15 798 inwestycji przy średniej wielkości około 8,6 mln dolarów[7].

Wskaźnik inwestycji w AI na mieszkańca był najwyższy w Izraelu, za którym plasowały się Singapur i Islandia. Startupy z Chin otrzymywały istotnie więcej inwestycji na firmę: 34,1 mln dolarów — o 201% więcej niż w USA i o 296% więcej od średniej światowej[7].

Sektorowo największe inwestycje trafiały do autonomicznych pojazdów (7,7 mld dolarów, 9,9% całkowitego wolumenu), farmacji i terapii nowotworowej (4,7 mld), rozpoznawania twarzy (4,7 mld), treści wideo (3,6 mld) i wykrywania oszustw (3,1 mld). Najszybciej rozwijającymi się kierunkami były robotyczna automatyzacja procesów, zarządzanie łańcuchem dostaw i automatyzacja przemysłowa[7].

Inwestycje rządowe (USA)

Rząd federalny USA planował zainwestować 4,98 mld dolarów w badania nad AI w roku budżetowym 2020. Departament Obrony (DoD) — 4,0 mld dolarów, w tym 506 mln dolarów przez DARPA, 221 mln dolarów na projekt Maven i 209 mln dolarów na Joint AI Center (JAIC). Wydatki agencji federalnych na kontrakty dotyczące AI wzrosły o ~70%: z 429 mln dolarów w 2017 roku do 728 mln dolarów w 2018 roku[23].

Wdrożenia korporacyjne

58% dużych firm zgłaszało korzystanie z AI w co najmniej jednej funkcji (wzrost z 47% w 2018 roku). 30% respondentów wskazywało na wdrożenie AI w kilku jednostkach (21% w 2018 roku). Najczęściej wdrażane możliwości AI: robotyczna automatyzacja procesów, widzenie komputerowe i machine learning. Cyberbezpieczeństwo było ryzykiem, z którym organizacje najczęściej się zmagały (48%), natomiast ryzyko wyjaśnialności (19%) i sprawiedliwości (13%) było adresowane znacznie rzadziej[8].

Robotyzacja przemysłowa

W 2018 roku globalne instalacje robotów przemysłowych wzrosły o 6% — do 422 271 jednostek wartych 16,5 mld dolarów. Operacyjny park robotów wynosił 2 439 543 jednostki. Pięć największych rynków — Chiny, Japonia, USA, Korea Południowa i Niemcy — gromadziło 74% globalnych instalacji. Chiny pozostawały światowym liderem (36%), instalując 154 032 jednostki[24].

Rozdział 5. Edukacja

Kształcenie online

Coursera, obsługująca ponad 45 milionów uczących się i oferująca ponad 3 700 kursów, stworzyła ranking 60 krajów według umiejętności AI (Global Skills Index). Azja Południowa i Azja Wschodnia wykazywały największy udział zapisów na kursy dotyczące AI i pokrewnych kompetencji. Na Udacity kurs „Introduction to Machine Learning" uzyskał ponad 125 000 łącznych zapisów[25].

Programy akademickie

Liczba zapisów na kursy wprowadzające do AI na Stanfordzie wzrosła pięciokrotnie (2012–2018). Na kurs „Introduction to Machine Learning" na Uniwersytecie Illinois (UIUC) — dwunastokrotnie (2010–2018). Na poziomie międzynarodowym Uniwersytet Toronto miał największą liczbę zarejestrowanych studentów, następnie Wyższa Szkoła Ekonomii (Rosja) i Uniwersytet Tsinghua (Chiny)[1].

W Europie zidentyfikowano 2 054 programy obejmujące dziedzinę AI, przy czym zdecydowana większość — na poziomie magisterskim. 197 europejskich uczelni oferowało 406 wyspecjalizowanych programów magisterskich z zakresu AI[26].

Specjalizacje doktoranckie i odpływ do przemysłu

AI stało się najpopularniejszą specjalizacją doktorancką w informatyce: ponad 21% w 2018 roku. Odsetek doktorantów przechodzących do przemysłu potroił się: z 21% w 2004 roku do 62% w 2018 roku. Ponad 60% nowych doktorantów AI w USA i Kanadzie stanowili studenci zagraniczni (poniżej 40% w 2010 roku); jedynie ~10% opuszczało USA po ukończeniu studiów[9].

Trzy uczelnie z największymi stratami wykładowców AI: Carnegie Mellon (17 pracowników etatowych), Uniwersytet Waszyngtoński (11) i Berkeley. Spośród kanadyjskich uczelni największe straty poniósł Uniwersytet Toronto (9 wykładowców). Odsetek kobiet wśród absolwentów doktoratów z AI pozostawał stabilny na poziomie ~20% w latach 2010–2018[10].

Rozdział 6. Systemy autonomiczne

Pojazdy bezzałogowe

Co najmniej 25 krajów posiadało miasta testujące autonomiczne pojazdy (AV). W stanie Kalifornia między 2015 a 2018 rokiem liczba firm testujących i łączna liczba AV wzrosły siedmiokrotnie. W 2018 roku ponad 50 firm i 500 AV przejechało ponad 2 miliony mil. Co najmniej 41 stanów oraz Dystrykt Kolumbii rozważały ustawodawstwo związane z AV[27].

Częstość wypadków AV w Kalifornii w 2018 roku wyniosła 22,44 na milion mil — około 5,5 razy więcej niż skorygowany wskaźnik dla zwykłych kierowców. W większości wypadków samochód z ludzkim kierowcą uderzał z tyłu w zatrzymany lub poruszający się wprost AV w ciągu dnia. Większość uszkodzeń była nieznaczna[27].

Autonomiczne uzbrojenie

Zgodnie z eksperckim badaniem Sztokholmskiego Międzynarodowego Instytutu Badań nad Pokojem (SIPRI), co najmniej 89 krajów posiadało automatyczne systemy obrony powietrznej. Systemy aktywnej ochrony były rozwijane i produkowane jedynie przez dziewięć krajów. Dane obejmowały okres 1950–2017[28].

Rozdział 7. Percepcja społeczna

Banki centralne

Komunikacja banków centralnych wykazywała rosnące zainteresowanie AI. Bank Anglii, Bank Japonii i System Rezerwy Federalnej wymieniały AI najczęściej spośród wszystkich. Charakter publikacji przesunął się od dokumentów analitycznych ku przemówieniom[1].

Aktywność parlamentarna i rządowa

Odnotowano ponad dziesięciokrotny wzrost aktywności legislacyjnej związanej z AI w Kongresie USA w latach 2017–2018. W stenogramach Kongresu rok 2019 był rokiem z największą liczbą wzmianek o AI. Podobne trendy odnotowano w parlamentach Kanady i Wielkiej Brytanii[23].

Korporacje

Udział raportów o wynikach finansowych (earnings calls) 3 000 spółek publicznych w USA zawierających wzmianki o AI wzrósł z 0,01% (2010) do 0,42% (2018). Sektor finansowy prowadził pod względem liczby wzmianek[1].

Media i wyszukiwanie internetowe

Zgodnie z danymi Google Trends, termin „machine learning" wyprzedzał inne powiązane terminy w zapytaniach wyszukiwania w USA. Według danych GDELT Project, spośród artykułów prasowych związanych z AI, 17,7% dotyczyło wpływu na zatrudnienie, 2,4% — stronniczości algorytmicznej i jedynie 0,99% — „robotów-zabójców"[29].

Rozdział 8. Aspekty społeczne

Zasady etyczne

PricewaterhouseCoopers przeanalizowała 59 dokumentów zawierających zasady etycznego AI od stowarzyszeń i konsorcjów, rządów, firm technologicznych, ośrodków analitycznych i organizacji naukowych. Dwanaście wyzwań etycznych było wymienianych najczęściej: odpowiedzialność, bezpieczeństwo, kontrola ludzka, niezawodność i odporność, sprawiedliwość, różnorodność i inkluzywność, zrównoważony rozwój, przejrzystość, interpretowalność i wyjaśnialność, dialog wielostronny, legalność i zgodność z przepisami, prywatność danych[11].

Sprawiedliwość, interpretowalność/wyjaśnialność i przejrzystość były wymieniane najczęściej. Dla firm technologicznych sprawiedliwość była wskazywana w 100% dokumentów ramowych, dla ośrodków analitycznych — sprawiedliwość i kontrola ludzka (odpowiednio 100% i 88%)[11].

AI i Cele Zrównoważonego Rozwoju ONZ

McKinsey Global Institute zidentyfikował około 160 zastosowań AI dla dobra społecznego, potencjalnie wspierających wszystkie 17 Celów Zrównoważonego Rozwoju (CZR) ONZ. AI mogło adresować około połowy z 169 wskaźników docelowych CZR. Największa liczba zastosowań odpowiadała CZR 3 (zdrowie) i CZR 16 (pokojowe i inkluzywne społeczeństwa). Jednak dla szerokiego wdrożenia AI na rzecz zrównoważonego rozwoju pozostawały istotne bariery: dostępność danych, moc obliczeniowa, kadry i gotowość organizacyjna[30].

Rozdział 9. Strategie krajowe i globalna dynamika AI

Strategie krajowe

Liczba oficjalnych dokumentów strategicznych dotyczących AI stale rosła. PwC, korzystając z analizy NLP 37 dokumentów, stwierdziła, że partnerstwo akademickie było wymieniane w 94% dokumentów, badania i rozwój AI — w 48%, zarządzanie AI — w 42%. Ochrona konsumentów i sprawiedliwość były wymieniane najrzadziej (2%)[11].

Narzędzie Global AI Vibrancy

Po raz pierwszy przedstawione narzędzie obejmowało 28 krajów według 34 metryk, pogrupowanych w trzy filary: badania i rozwój (21 metryk), gospodarka (10 metryk) i inkluzywność (5 metryk). Narzędzie umożliwiało użytkownikom dostosowanie wag i przeprowadzanie zarówno porównań międzykrajowych, jak i wewnątrzkrajowych[1].

Profile krajowe

Raport zawierał szczegółowe profile krajowe dla Brazylii, Chin, Francji, Niemiec, Indii, Holandii, Singapuru i USA, a także przegląd wielostronnej regionalnej polityki w dziedzinie AI[1].

Znaczące wyniki benchmarków w 2019 roku

Benchmark Najlepszy wynik (2019) Poziom ludzki Postęp
ImageNet (Top-1) ~88% ~95% (jeden adnotator) Ciągła poprawa z dodatkowymi danymi
GLUE Przekroczony poziom nieekspercki (czerwiec 2019) 87,1 (nieekspert) RoBERTa, T5
SuperGLUE 88,9 (T5, Google) 89,8 Osiągnięty w 5 miesięcy po uruchomieniu benchmarku
SQuAD 1.1 (F1) 95 ~91 Przekroczony poziom ludzki
SQuAD 2.0 (F1) 90 ~89 Praktycznie na poziomie ludzkim
ARC Challenge 67,7% — Zadania rozumowania pozostają trudne
VQA 75,28% ~80% Wzrost o 2,85 p.p. w ciągu roku

Metodologia

Raport korzystał z danych z wielu źródeł[1]:

  • Publikacje: Elsevier Scopus, arXiv (NESTA), Microsoft Academic Graph (MAG).
  • Benchmarki: Papers With Code, DAWNBench/MLPerf, listy liderów GLUE, SuperGLUE, SQuAD, ARC, VQA, ActivityNet.
  • Konferencje: dane rejestracyjne NeurIPS, ICML, ICLR, AAAI, CVPR, WiML, AI4ALL, RightsCon.
  • Rynek pracy: LinkedIn Economic Graph, Burning Glass Technologies, Indeed.
  • Inwestycje: CAPIQ, Crunchbase, Quid.
  • Aktywność korporacyjna: McKinsey Global Survey, International Federation of Robotics.
  • Wydatki rządowe: Bloomberg Government.
  • Percepcja społeczna: Google Trends, GDELT Project, Prattle (banki centralne), Hansard (parlamenty).
  • Etyka i strategie: PricewaterhouseCoopers (NAISR), Harvard, LexisNexis.
  • Edukacja: CRA Taulbee Survey, Coursera, Udacity, Joint Research Centre (EC).
  • Systemy autonomiczne: California DMV, Bloomberg Philanthropies, SIPRI, NCSL.

Zespół autorski

Raport został przygotowany przez Komitet Sterujący AI Index pod koordynacją Raymonda Perraulta (Raymond Perrault, SRI International) i pod przewodnictwem Yoava Shohama (Yoav Shoham, Uniwersytet Stanforda). W skład komitetu wchodzili: Erik Brynjolfsson (MIT), Jack Clark (OpenAI), John Etchemendy (Stanford), Barbara Grosz (Harvard), Tera Lyons (Partnership on AI), James Manyika (McKinsey Global Institute) i Juan Carlos Niebles (Stanford). Kierownikiem projektu i redaktorem naczelnym był Saurabh Mishra (Uniwersytet Stanforda). Danych dostarczyło ponad 20 organizacji partnerskich[1].

Odnośniki

Literatura

Przypisy

  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_(PL)&oldid=7962"