The 2019 AI Index Report (TR)

From Systems analysis Wiki
Jump to navigation Jump to search

AI Index Report 2019 — Stanford İnsan Merkezli Yapay Zeka Enstitüsü (Stanford HAI) tarafından hazırlanan AI Index raporunun ikinci tam kapsamlı yıllık yayınıdır[1]. 2019 yılı raporu, 2018 yılı yayınına kıyasla üç kat daha fazla dataset takip etmekte olup araştırma-geliştirmeden ulusal stratejilere ve yapay zekanın küresel dinamiklerine kadar dokuz tematik bölümü kapsamaktadır. Yayın, yapay zekanın tüm boyutlarına ilişkin güncellenmiş veriler sunmaktadır: teknik başarılar, ekonomi, eğitim, kamuoyu algısı ve toplumsal etkiler. Bunun yanı sıra iki yeni etkileşimli araç tanıtılmaktadır: ülkeleri 34 gösterge üzerinden karşılaştırmaya olanak tanıyan Global AI Vibrancy Tool (vibrancy.aiindex.org) ve yapay zeka alanındaki ön baskılarda tam metin arama imkânı sunan AI Index arXiv Monitor (arxiv.aiindex.org). AI Index, "Yapay Zekanın Yüzyıllık Araştırması" projesi (AI100) çerçevesinde tasarlanmış, Stanford HAI bünyesinde bağımsız bir girişimdir[1].

Bağlam ve Hedefler

AI Index'in misyonu; siyaset yapıcılara, araştırmacılara, yöneticilere, gazetecilere ve kamuoyuna yapay zekanın gelişimine dair nesnel ve titizlikle doğrulanmış veriler sunmaktır[1]. 2019 yılı raporu, hükümetlerin, şirketlerin ve toplumun yapay zekaya olan ilgisinin hızla arttığı bir dönemde yayımlanmış; özellikle yapay zeka gelişiminin yalnızca ABD ile Çin arasındaki bir rekabetten ibaret olduğu gibi yaygın mitleri çürütmeyi amaçlamıştır. Raporun verileri, yapay zeka alanında yerel mükemmellik merkezlerinin dünya genelinde şekillendiğini ortaya koymaktadır: Finlandiya yapay zeka eğitiminde öne çıkmakta, Hindistan yüksek yapay zeka beceri penetrasyonu sergilemekte, Singapur iyi örgütlenmiş kamu desteğine sahip bulunmakta ve İsrail kişi başına yapay zeka girişimlerine özel yatırımda lider konumda yer almaktadır[1].

Raporun Yapısı

2019 yılı raporu dokuz tematik bölümden oluşmaktadır[1]:

  1. Araştırma ve Geliştirme (Research and Development) — bibliyometrik veriler, yayınlar, patentler, yapay zeka araştırmalarında toplumsal cinsiyet çeşitliliği.
  2. Konferanslar (Conferences) — katılım, AAAI makale istatistikleri, çeşitlilik kuruluşları, konferanslarda etik.
  3. Teknik Performans (Technical Performance) — bilgisayarlı görme, dil işleme, akıl yürütme ve hesaplama kapasitesine ilişkin benchmark'lar.
  4. Ekonomi (The Economy) — iş gücü, yatırımlar, kurumsal benimseme, robotlaşma.
  5. Eğitim (Education) — çevrimiçi öğrenme, üniversite programları, doktora uzmanlıkları, öğretim üyesi göçü.
  6. Özerk Sistemler (Autonomous Systems) — sürücüsüz araçlar, özerk silah sistemleri.
  7. Kamuoyu Algısı (Public Perception) — merkez bankaları, parlamentolar, kurumsal raporlar, medya.
  8. Toplumsal Boyutlar (Societal Considerations) — etik ilkeler, yapay zeka ve BM sürdürülebilir kalkınması.
  9. Ulusal Stratejiler ve Küresel Yapay Zeka Dinamikleri (National Strategies and Global AI Vibrancy) — ulusal stratejiler, ülke karşılaştırma aracı.

Raporun Temel Bulguları

1. Yayın Hacminin Artışı

1998'den 2018'e kadar yapay zeka alanındaki hakemli yayın hacmi %300'den fazla artmıştır. 2018 itibarıyla yapay zeka makaleleri, Scopus veritabanındaki dergi yayınlarının %3'ünü ve konferans makalelerinin %9'unu oluşturuyordu[2]. Çin, 2018 yılında daha önce 2006'da ABD'yi geride bırakmış olmak üzere yapay zeka alanındaki dergi ve konferans yayını sayısı bakımından Avrupa ile eşit düzeye ulaşmıştır. Bununla birlikte ABD'ye ait yayınların atıf endeksi (FWCI) Çin'inkinden yaklaşık %50 daha yüksek kalmaya devam etmiştir[1].

2. Konferanslarda Rekor Katılım

Başlıca yapay zeka konferanslarına katılım önemli ölçüde artmaya devam etmiştir. NeurIPS 2019'da 13.500 katılımcı bekleniyordu; bu rakam, 2018'e göre %41'lik ve 2012'ye göre %800'den fazla bir artışa karşılık gelmektedir. AAAI ve CVPR konferansları ise yıllık bazda yaklaşık %30 katılım artışı sergilemiştir[1].

3. Hızlı Teknik İlerleme

Bulut altyapısında görüntü sınıflandırma modelinin eğitim süresi, Ekim 2017'deki yaklaşık üç saatten Temmuz 2019'da yaklaşık 88 saniyeye gerilemiş; eğitim maliyeti de benzer bir düşüş yaşamıştır. SuperGLUE ve SQuAD 2.0 benchmark'larında ilerleme özellikle hızlı olmuş; ancak akıl yürütme gerektiren görevlerde (örn. AI2 Reasoning Challenge) ve kavram düzeyinde öğrenme görevlerinde (Omniglot Challenge) sonuçlar daha düşük kalmıştır[3][1].

4. Hesaplama Gücünün Üstel Büyümesi

2012 öncesinde yapay zeka için hesaplama gücü büyümesi Moore Yasası'na uygunluk gösteriyordu: her iki yılda bir ikiye katlanma. 2012 sonrasında bu ikiye katlanma her 3,4 ayda bir gerçekleşmiş ve altı yılda 300.000 kattan fazla artışa yol açmıştır[4].

5. Yapay Zeka İstihdamında Küresel Büyüme

Singapur, Brezilya, Avustralya, Kanada ve Hindistan, 2015–2019 döneminde yapay zeka alanındaki istihdam büyümesinde en hızlı seyreden ülkeler olmuştur. ABD'de yapay zeka ile ilgili iş ilanlarının toplam ilanlar içindeki payı, 2010'daki %0,26 düzeyinden Ekim 2019'da %1,32'ye yükselmiş; en yüksek talep ise Machine Learning uzmanlarına yönelik olmuştur (%0,51)[5][6].

6. Özel Yatırımlar 70 Milyar Doları Aştı

2019'da küresel özel yapay zeka yatırımları 70 milyar doları aştı; bu rakam 37 milyar doların üzerinde girişim yatırımını, 34 milyar dolar birleşme ve satın alma işlemini, yaklaşık 5 milyar dolar halka arzı ve yaklaşık 2 milyar dolar azınlık hissesini kapsamaktadır. 2010'dan 2018'e kadar yapay zeka girişimlerine sağlanan finansman, yıllık ortalama %48'i aşan büyüme oranıyla 1,3 milyar dolardan 40,4 milyar dolara yükselmiştir. Özerk araçlar en yüksek yatırım payını almıştır (7,7 milyar dolar), bunu ilaç ve kanser tedavisi (4,7 milyar dolar) ile yüz tanıma (4,7 milyar dolar) izlemiştir[7].

7. İş Dünyasında Yapay Zeka Benimsemesinin Artması

McKinsey & Company anketine göre (2.360 katılımcı), büyük şirketlerin %58'i 2019 yılında en az bir işlev veya iş biriminde yapay zekayı kullanıyordu; 2018'deki bu oran %47 idi. Bununla birlikte kuruluşların yalnızca %19'u algoritma açıklanabilirliğiyle ilgili riskleri azaltmak için adım atıyor, yalnızca %13'ü önyargı ve ayrımcılığa karşı önlem alıyordu[8].

8. Yapay Zeka, Doktora'da En Popüler Uzmanlık Alanı

Yapay zeka, Kuzey Amerika'daki bilgisayar bilimi doktora öğrencileri arasında en popüler uzmanlık alanı hâline gelmiştir: 2018'de hesaplamalı bilimler alanındaki doktora mezunlarının %21'inden fazlası yapay zeka ve Machine Learning alanında uzmanlaşmıştır. Yapay zeka alanındaki doktora mezunlarından endüstriye geçenlerin oranı, 2004'teki %21'den 2018'de %60'ın üzerine çıkmıştır[9].

9. Yapay Zeka Öğretim Üyelerinin Akademiden Göçü

Yapay zeka öğretim üyelerinin akademiden endüstriye geçişi hız kazanmıştır: 2018'de 40'ın üzerinde ayrılma yaşanmış olup bu rakam 2012'deki 15'in ve 2004'teki sıfırın çok üzerindedir. En fazla kayıp yaşayan kurumlar Carnegie Mellon Üniversitesi, Washington Üniversitesi ve Berkeley Üniversitesi olmuştur[10].

10. Yapay Zeka Etiğine Artan İlgi

Etik yapay zekaya ilişkin 59 ilkeler belgesinde adillik, yorumlanabilirlik ve açıklanabilirlik en sık dile getirilen etik sorunlar olarak belirlenmiştir. Yapay zeka etiğine dair 3.600'den fazla küresel haber makalesinde (2018 ortası – 2019 ortası) başlıca konular şunlardır: etik yapay zeka kullanımına yönelik çerçeveler ve kılavuzlar (%32), veri gizliliği (%14), yüz tanıma (%13), algoritmik önyargı (%11) ve büyük teknoloji şirketlerinin rolü (%11)[11].

Bölüm 1. Araştırma ve Geliştirme

Bu bölüm; Elsevier Scopus verilerine dayanan yayın trendlerini, arXiv ön baskılarını, Microsoft Academic Graph'ı (MAG), patent faaliyetlerini, GitHub'daki yazılım framework'lerinin popülerliğini ve yapay zeka araştırmacıları arasındaki toplumsal cinsiyet çeşitliliğini analiz etmektedir[1].

Yayınlar

Avrupa, Scopus'taki yapay zeka makalelerinin 2018 itibarıyla %27'sini aşarak en büyük yayıncı konumunu sürdürmüştür. Çin'in payı ise 2000'deki %10'dan 2018'de %28'e yükselmiştir. ABD'de kurumsal yayınların görece yüksek bir paya sahip olduğu dikkat çekmektedir: 2018'de ABD'deki kurumsal yapay zeka makaleleri Çin'dekileri yediden fazla kat aşmaktadır[2].

arXiv'de 2010–2019 yılları arasında toplam yapay zeka makalesi sayısı yirmiden fazla kat artmıştır. Bilgisayarlı görme (CV), 2014'ten bu yana en büyük alt kategori olmuş; ancak 2019'da Machine Learning öncü kategori konumuna geçmiştir. "Computation & Language" alt kategorisi ise 2010'dan bu yana neredeyse altmış kat büyümüştür[12].

Atıflar

Yapay zeka alanındaki dergi makalelerine yapılan küresel atıfların %32'den fazlası Doğu Asya'ya, konferans makalelerine yapılan atıfların %40'tan fazlası ise Kuzey Amerika'ya aittir. Patent alanında Kuzey Amerika, 2014–2018 yılları arasında yapay zeka patentlerine ilişkin küresel atıf faaliyetinin %60'ından fazlasını bünyesinde toplamıştır[13].

Patentler

Küresel yapay zeka patentlerinin %51'inden fazlası Kuzey Amerika'ya aittir. ABD, bir sonraki ülke olan Japonya'ya kıyasla üç kat daha fazla yapay zeka patenti yayımlamıştır. Yapay zeka patentlerinin %94'ünden fazlası yüksek gelirli ülkelerde başvurulmuştur[13].

GitHub Stars

Öne çıkan bir eğilim, kurumsal destekli framework'lerin hâkimiyeti olmuştur: TensorFlow (Google) ve PyTorch (Facebook). Kurumsal olmayan framework'ler — scikit-learn ve Caffe — büyümelerini sürdürmüş, ancak daha yavaş bir hızla ilerlemiştir[1].

Araştırmalarda Toplumsal Cinsiyet Çeşitliliği

Hollanda'daki yapay zeka makalelerinin %41'inden fazlası ve Danimarka'dakilerin %39'undan fazlası en az bir kadın ortak yazara sahipti. Japonya ve Singapur'da bu oran sırasıyla yalnızca %10 ve %16 düzeyinde kalmıştır. Pek çok Batı Avrupa ülkesinin yanı sıra Arjantin, Kanada ve İran, yapay zeka araştırmalarında kadınların görece yüksek katılımı açısından öne çıkmaktadır[14].

Bölüm 2. Konferanslar

Katılım

NeurIPS 2019'da 13.500 katılımcı beklentisiyle 2012'ye göre %800 artış kaydedilmiştir. ICLR ise 2014'e kıyasla 15 kat büyümüştür. Women in Machine Learning (WiML) çalıştayı katılımcı sayısını 2014'e göre %738 oranında artırırken AI4ALL programı 2015'e göre %2.000 büyüme kaydetmiştir[1].

AAAI İstatistikleri

AAAI 2019 konferansında Çin, en fazla başvurulan ve kabul edilen makale sayısıyla öne çıkmıştır. Başvuruların %68'inden fazlası doktora öğrencilerinden gelmiştir. Kabul oranında İsrail (%24) birinci sırada yer almış, onu Almanya (%23), Kanada (%22), ABD ve Singapur (her ikisi de %20) izlemiştir. Machine Learning, NLP ve bilgisayarlı görme en önde gelen üç konu başlığı olmayı sürdürmüştür[1].

Konferanslarda Etik

Önde gelen yapay zeka konferanslarında etikle ilgili anahtar kelimeler içeren makalelerin toplam sayısı genel içerik içinde küçük bir pay oluşturmakla birlikte hızla artmaktadır. Analiz; 59.352 konferans ve 50.756 dergi makalesi dahil toplam 110.108 makaleyi kapsamıştır[15].

Bölüm 3. Teknik Performans

Bu bölüm, bilgisayarlı görme, doğal dil işleme, akıl yürütme, makine çevirisi ve hesaplama kapasitesi alanlarındaki teknik ilerlemeyi izlemektedir[1].

Bilgisayarlı Görme

ImageNet. ImageNet'te insan doğruluğunu aşan ilk yöntem 2015 yılında yayımlanmıştır. 2019 itibarıyla ilerleme sürmekte olup en başarılı üç yöntem eğitim için ek verilerden yararlanmaktadır. ImageNet yarışması 2017'de sona erdirilmiş, ancak dataset temel bir benchmark olma niteliğini korumaktadır[16].

Eğitim Süresi ve Maliyeti. DAWNBench (Stanford) projesinin verilerine göre, bulut altyapısında görüntü sınıflandırma modelini %93'ün üzerinde doğruluğa (top-5) ulaştıran eğitim süresi Ekim 2017'deki 3 saatten fazla düzeyinden Temmuz 2019'da yaklaşık 88 saniyeye düşmüştür. Eğitim maliyeti ise Ekim 2017'deki 2.323 dolardan (ResNet) yaklaşık 12 dolara gerilemiştir (Eylül 2018, GCP üzerinde Cloud TPU ile ResNet)[3].

Görüntü Üretimi. Görüntü üretimindeki (CIFAR-10) ilerleme FID (Fréchet Inception Distance) metriğiyle ölçülmüştür: daha düşük skor daha iyi üretim kalitesiyle ilişkilidir[1].

Anlamsal Bölümleme. İlerleme, otonom sürüş sistemleri için kritik bir görev olan Cityscapes dataset'indeki mean IoU metriğiyle ölçülmüştür[1].

Doğal Dil İşleme

GLUE. Mayıs 2018'de yayımlanan General Language Understanding Evaluation benchmark'ı, sistemleri dokuz metin işleme görevinde test etmektedir. Benchmark yayımlanmasının üzerinden çok az zaman geçmişken sistemlerin sonuçları Haziran 2019'da uzman olmayan değerlendiricilerin düzeyini aşmıştır. RoBERTa (Facebook) ve T5 (Google) modelleri skorları iyileştirmeye devam etmiştir[17].

SuperGLUE. Mayıs 2019'da başlatılan daha zorlu bir benchmark'tır. Başlatılmasının beş ayı içinde Google'ın T5 modeli, 89,8'lik insan taban çizgisine neredeyse ulaşarak 88,9 puan elde etmiştir[18].

SQuAD. Stanford Question Answering Dataset benchmark'ında SQuAD 1.1 için F1 skoru, Ağustos 2016'daki 67'den Mayıs 2019'da 95'e yükselmiştir. SQuAD 2.0'daki ilerleme daha da hızlı olmuştur: Mayıs 2018'deki 62'den Haziran 2019'da 90'a. SQuAD 1.0'da F1 ≥ 75 düzeyine ulaşan soru yanıtlama modelinin eğitim süresi ise Ekim 2017'deki 7 saatten fazla düzeyinden Mart 2019'da 19 dakikanın altına gerilemiştir[19].

Akıl Yürütme. ARC Challenge Set'te (Allen Institute for AI) en iyi sonuç %67,7 olmuştur (Eylül 2019). ARC-Easy'de ise bu oran %85,4'tür. Akıl yürütme gerektiren görevler yapay zeka sistemleri için önemli ölçüde daha zor kalmaya devam etmiştir[20].

Makine Çevirisi

Önceden eğitilmiş modellerle ticari olarak kullanılabilir makine çevirisi sistemlerinin sayısı 2017'deki 8'den 2019'da 24'ün üzerine çıkmıştır. Kalite açısından en belirgin ilerleme Çince–İngilizce, İngilizce–Almanca ve Rusça–İngilizce dil çiftlerinde gözlemlenmiştir[21].

Omniglot Challenge

Üç yıl içinde tek örnekli (one-shot) sınıflandırmada kayda değer bir ilerleme kaydedilmiş; ancak kavram öğrenmeye yönelik diğer dört görevde (örnek üretimi, ayrıştırma, yeni kavram üretimi) ilerleme sınırlı kalmıştır. Bayezyan program öğrenimi (BPL), özgün görevde sinir ağı yaklaşımlarından üstün performans göstermeyi sürdürmüştür[22].

Hesaplama Kapasitesi

OpenAI analizinde yapısal bir kopuş saptanmıştır: 2012 öncesinde yapay zeka için hesaplama hacmi her iki yılda bir ikiye katlanıyordu (Moore Yasası); 2012 sonrasında bu süre her 3,4 aya indi. 2012'den bu yana bu gösterge 300.000 kattan fazla artmıştır[4].

İnsan Düzeyinde Dönüm Noktaları

Rapor, daha önce belgelenen başarılara (Othello — 1980, dama — 1995, satranç — 1997, Jeopardy! — 2011, Atari — 2015, ImageNet — 2016, Go — 2016, poker — 2017, Ms. Pac-Man — 2017, StarCraft II — 2019) iki yeni sonuç eklenerek yapay zeka başarılarının kronolojisini güncellemiştir:

Yıl Başarı
2018 AlphaFold (DeepMind) — protein 3B yapısının eşi görülmemiş bir doğrulukla tahmin edilmesi
2019 AlphaStar (DeepMind) — StarCraft II'de üst düzey profesyoneli yenme
2019 Diyabetik retinopati tespitinin uzman düzeyinde doğrulukla gerçekleştirilmesi

Bölüm 4. Ekonomi

İstihdam ve İşe Alım

Yapay Zeka İşe Alım Endeksi (LinkedIn), Singapur, Brezilya, Avustralya, Kanada ve Hindistan'ın 2015–2019 döneminde işe alım büyüme hızında lider konumda olduğunu göstermiştir. ABD'de Washington eyaleti, yapay zeka iş ilanlarına yönelik görece en yüksek talebe sahip olmuştur (toplam ilanların neredeyse %1,4'ü); bunu Kaliforniya (%1,3) ve Massachusetts (%1,3) izlemiştir. Mutlak sayı bakımından ise Kaliforniya, 93.000'i aşan yapay zeka iş ilanıyla öne çıkmaktadır[5].

Yapay zeka becerilerinin en yüksek penetrasyonu BT hizmetleri (%2,3), profesyonel ve bilimsel hizmetler (%2'nin üzerinde), finans ve sigortacılık (%1,3) ile imalat sektörlerinde (%1,1) gözlemlenmiştir[6].

LinkedIn verilerine göre Hindistan, yapay zeka beceri penetrasyonunda küresel ortalamanın 2,6 katı bir düzeye ulaşmıştır. Toplumsal cinsiyet perspektifinden ilgi çekici bir tablo ortaya çıkmaktadır: Örneklem ülkelerinin tamamında erkekler, kadınlara kıyasla daha fazla meslekte yapay zeka becerisine sahip olduklarını bildirmiştir[6].

Yatırımlar

Yapay zeka girişimlerine sağlanan finansman 2010–2018 yılları arasında yıllık ortalama %48'in üzerinde büyümüştür. Kasım 2019 itibarıyla yatırım hacmi 37,4 milyar dolara ulaşmıştır (2018 yılının tamamı için 40,4 milyar dolar). 2014–2019 arasında ortalama yaklaşık 8,6 milyon dolar büyüklüğünde 15.798 yatırım gerçekleştirilmiştir[7].

Kişi başına yapay zeka yatırım göstergesi İsrail'de en yüksek düzeyde olmuş, onu Singapur ve İzlanda izlemiştir. Çinli girişimler şirket başına önemli ölçüde daha fazla yatırım çekmiştir: 34,1 milyon dolar — ABD'den %201, küresel ortalamadan ise %296 daha fazla[7].

Sektörel açıdan en büyük yatırımlar özerk araçlara (7,7 milyar dolar, toplam hacmin %9,9'u), ilaç ve kanser tedavisine (4,7 milyar dolar), yüz tanımaya (4,7 milyar dolar), video içeriğine (3,6 milyar dolar) ve dolandırıcılık tespitine (3,1 milyar dolar) yönelmiştir. En hızlı büyüyen alanlar ise robotik süreç otomasyonu, tedarik zinciri yönetimi ve endüstriyel otomasyon olmuştur[7].

Devlet Yatırımları (ABD)

ABD federal hükümeti, 2020 mali yılında yapay zeka araştırmalarına 4,98 milyar dolar yatırım yapmayı planlamıştır. Savunma Bakanlığı (DoD) toplam 4,0 milyar dolar ayırmış; bu rakam DARPA aracılığıyla 506 milyon doları, Maven projesi için 221 milyon doları ve Müşterek Yapay Zeka Merkezi (JAIC) için 209 milyon doları kapsamaktadır. Federal ajansların yapay zeka sözleşmelerine yönelik harcamaları 2017'deki 429 milyon dolardan 2018'de 728 milyon dolara yükselerek yaklaşık %70 artış göstermiştir[23].

Kurumsal Benimseme

Büyük şirketlerin %58'i en az bir işlevde yapay zeka kullandıklarını bildirmiştir (2018'deki %47'den artış). Ankete katılanların %30'u birden fazla iş biriminde yapay zeka uyguladıklarını belirtmiştir (2018'de %21). En sık benimsenen yapay zeka kapasiteleri şunlardır: robotik süreç otomasyonu, bilgisayarlı görme ve Machine Learning. Siber güvenlik, kuruluşların en sık mücadele ettiği risk olmuştur (%48); açıklanabilirlik (%19) ve adillik (%13) riskleri ise çok daha az ele alınmıştır[8].

Endüstriyel Robotlaşma

2018'de küresel endüstriyel robot kurulumları %6 artarak 422.271 adet ve 16,5 milyar dolar değere ulaşmıştır. Operasyonel robot parkı 2.439.543 birime çıkmıştır. Beş büyük pazar — Çin, Japonya, ABD, Güney Kore ve Almanya — küresel kurulumların %74'ünü oluşturmuştur. Çin, 154.032 adet kurulumla dünya lideri konumunu korumuştur (%36)[24].

Bölüm 5. Eğitim

Çevrimiçi Öğrenme

45 milyondan fazla öğrenciye hizmet veren ve 3.700'den fazla kurs sunan Coursera, 60 ülkeyi yapay zeka becerileri açısından sıralayan bir endeks (Global Skills Index) hazırlamıştır. Güney Asya ve Doğu Asya, yapay zeka ve ilgili yetkinlik kurslarına kayıt oranlarında en yüksek payları sergilemiştir. Udacity'de "Introduction to Machine Learning" kursu 125.000'i aşan toplam kayıt rakamına ulaşmıştır[25].

Üniversite Programları

Stanford'daki giriş düzeyi yapay zeka kurslarına kayıt 2012–2018 arasında beş kat artmıştır. Illinois Üniversitesi'ndeki (UIUC) "Introduction to Machine Learning" kursuna kayıt ise 2010–2018 arasında on iki kat büyümüştür. Uluslararası düzeyde Toronto Üniversitesi en fazla kayıtlı öğrenciye sahip olmuş, onu Yüksek Ekonomi Okulu (Rusya) ve Tsinghua Üniversitesi (Çin) izlemiştir[1].

Avrupa'da yapay zeka alanını kapsayan 2.054 program tespit edilmiş olup bunların büyük çoğunluğu yüksek lisans düzeyindedir. 197 Avrupalı üniversite, yapay zekaya yönelik 406 uzmanlaşmış yüksek lisans programı sunmaktadır[26].

Doktora Uzmanlıkları ve Endüstriye Geçiş

Yapay zeka, bilgisayar biliminde en popüler doktora uzmanlığı hâline gelmiştir: 2018'de %21'in üzerinde. Endüstriye geçen doktora mezunlarının oranı, 2004'teki %21'den 2018'de %62'ye üç kat artmıştır. ABD ve Kanada'daki yeni yapay zeka doktora mezunlarının %60'ından fazlası yabancı uyruklu öğrencilerden oluşmaktadır (2010'da bu oran %40'ın altındaydı); mezunların yalnızca yaklaşık %10'u ABD'yi terk etmiştir[9].

Yapay zeka öğretim üyelerini en fazla kaybeden üç üniversite şunlardır: Carnegie Mellon (17 kadrolu öğretim üyesi), Washington Üniversitesi (11) ve Berkeley. Kanadalı üniversiteler arasında en fazla kaybı Toronto Üniversitesi yaşamıştır (9 öğretim üyesi). Yapay zeka doktora mezunları arasındaki kadın oranı 2010'dan 2018'e kadar yaklaşık %20 düzeyinde sabit kalmıştır[10].

Bölüm 6. Özerk Sistemler

Sürücüsüz Araçlar

En az 25 ülkede özerk araç (ÖA) test eden şehirler bulunmaktadır. Kaliforniya eyaletinde 2015–2018 yılları arasında test eden şirket sayısı ve toplam ÖA sayısı yedi kat artmıştır. 2018'de 50'den fazla şirket ve 500 ÖA, 2 milyonu aşan mil yol katetmiştir. En az 41 eyalet ve District of Columbia, ÖA ile ilgili mevzuatı değerlendirmiştir[27].

Kaliforniya'da 2018'deki ÖA kaza sıklığı milyonda 22,44 olmuştur; bu rakam, düzeltilmiş sıradan sürücü göstergesinin yaklaşık 5,5 katına karşılık gelmektedir. Kazaların büyük çoğunluğunda, insan sürücülü bir araç gündüz vakti durmuş veya düz ilerleyen bir ÖA'ya arkadan çarpmıştır. Hasarların çoğu hafif düzeyde kalmıştır[27].

Özerk Silah Sistemleri

Stockholm Uluslararası Barış Araştırmaları Enstitüsü'nün (SIPRI) uzman araştırmasına göre en az 89 ülke otomatik hava savunma sistemlerine sahiptir. Aktif koruma sistemleri yalnızca dokuz ülke tarafından geliştirilmekte ve üretilmektedir. Veriler 1950–2017 dönemini kapsamaktadır[28].

Bölüm 7. Kamuoyu Algısı

Merkez Bankaları

Merkez bankası iletişimleri yapay zekaya artan ilgiyi yansıtmaktadır. İngiltere Merkez Bankası, Japonya Merkez Bankası ve Federal Rezerv yapay zekayı en sık anan kurumlar olmuştur. Yayın niteliği analitik belgelerden konuşmalara doğru kaymıştır[1].

Parlamento ve Hükümet Faaliyetleri

ABD Kongresi'nde 2017–2018 yılları arasında yapay zeka ile ilgili yasama faaliyetlerinde ondan fazla kat artış gözlemlenmiştir. Kongre tutanaklarında 2019 yılı, yapay zekanın en fazla anıldığı yıl olmuştur. Kanada ve Birleşik Krallık parlamentolarında da benzer eğilimler kaydedilmiştir[23].

Şirketler

ABD'deki 3.000 halka açık şirketin gelir görüşmesi (earnings call) raporlarında yapay zekaya yer verenlerin oranı, 2010'daki %0,01'den 2018'de %0,42'ye yükselmiştir. Atıf sayısı bakımından finans sektörü öne çıkmaktadır[1].

Medya ve Web Aramaları

Google Trends verilerine göre "machine learning" terimi ABD'deki arama sorgularında ilgili diğer terimlerin önüne geçmiştir. GDELT Project verilerine göre yapay zeka ile ilgili haber makalelerinin %17,7'si istihdam üzerindeki etkileri, %2,4'ü algoritmik önyargıyı, yalnızca %0,99'u ise "katil robotları" ele almıştır[29].

Bölüm 8. Toplumsal Boyutlar

Etik İlkeler

PricewaterhouseCoopers, etik yapay zekaya ilişkin derneklerden ve konsorsiyumlardan, hükümetlerden, teknoloji şirketlerinden, düşünce kuruluşlarından ve bilim kuruluşlarından derlenen 59 ilkeler belgesini analiz etmiştir. On iki etik sorun en sık dile getirilmiştir: hesap verebilirlik, güvenlik, insan denetimi, güvenilirlik ve dayanıklılık, adillik, çeşitlilik ve kapsayıcılık, sürdürülebilirlik, şeffaflık, yorumlanabilirlik ve açıklanabilirlik, çok paydaşlı diyalog, yasallık ve uyumluluk, veri gizliliği[11].

Adillik, yorumlanabilirlik/açıklanabilirlik ve şeffaflık en sık anılan konular olmuştur. Teknoloji şirketleri için adillik çerçevelerin %100'ünde yer alırken düşünce kuruluşları için adillik ve insan denetimi (sırasıyla %100 ve %88) öne çıkmıştır[11].

Yapay Zeka ve BM Sürdürülebilir Kalkınma Hedefleri

McKinsey Global Institute, 17 BM Sürdürülebilir Kalkınma Hedefi'nin (SKH) tamamını potansiyel olarak destekleyen yaklaşık 160 sosyal fayda odaklı yapay zeka kullanım senaryosunu belirlemiştir. Yapay zeka, 169 SKH hedef göstergesinin yaklaşık yarısını karşılayabilmektedir. Kullanım senaryolarının en fazlası SKH 3 (sağlık) ve SKH 16 (barışçıl ve kapsayıcı toplumlar) ile örtüşmektedir. Bununla birlikte sürdürülebilir kalkınma amacıyla yapay zekanın geniş ölçekte yaygınlaştırılması önünde ciddi engeller bulunmaktadır: veri erişilebilirliği, hesaplama kapasitesi, insan kaynağı ve kurumsal hazırlık[30].

Bölüm 9. Ulusal Stratejiler ve Küresel Yapay Zeka Dinamikleri

Ulusal Stratejiler

Resmi yapay zeka strateji belgelerinin sayısı istikrarlı biçimde artmaktadır. PwC, NLP analizi kullanarak 37 belgeyi incelemiş; akademik ortaklığın belgelerin %94'ünde, yapay zeka araştırma ve geliştirmesinin %48'inde, yapay zeka yönetişiminin ise %42'sinde yer aldığını saptamıştır. Tüketici koruma ve adillik en az anılan konular olmuştur (%2)[11].

Global AI Vibrancy Tool

İlk kez tanıtılan bu araç, üç temel sütun altında gruplandırılmış 34 metrikle 28 ülkeyi kapsamaktadır: araştırma ve geliştirme (21 metrik), ekonomi (10 metrik) ve kapsayıcılık (5 metrik). Araç, kullanıcıların ağırlık katsayılarını özelleştirmesine ve hem ülkeler arası hem de ülke içi karşılaştırmalar yapmasına imkân tanımaktadır[1].

Ülke Profilleri

Rapor, Brezilya, Çin, Fransa, Almanya, Hindistan, Hollanda, Singapur ve ABD için ayrıntılı ülke profilleri ile yapay zeka alanındaki çok taraflı bölgesel politikalara ilişkin bir genel bakış içermektedir[1].

2019 Yılının Önemli Benchmark Sonuçları

Benchmark En İyi Sonuç (2019) İnsan Düzeyi İlerleme
ImageNet (Top-1) ~%88 ~%95 (tek ek açıklayıcı) Ek verilerle sürekli iyileşme
GLUE Uzman olmayan düzey aşıldı (Haziran 2019) 87,1 (uzman olmayan) RoBERTa, T5
SuperGLUE 88,9 (T5, Google) 89,8 Benchmark yayımlanmasından 5 ay içinde ulaşıldı
SQuAD 1.1 (F1) 95 ~91 İnsan düzeyi aşıldı
SQuAD 2.0 (F1) 90 ~89 Neredeyse insan düzeyinde
ARC Challenge %67,7 — Akıl yürütme görevleri zorlu olmayı sürdürüyor
VQA %75,28 ~%80 Yılda 2,85 puan artış

Metodoloji

Rapor, çok sayıda kaynaktan elde edilen verileri kullanmıştır[1]:

  • Yayınlar: Elsevier Scopus, arXiv (NESTA), Microsoft Academic Graph (MAG).
  • Benchmark'lar: Papers With Code, DAWNBench/MLPerf, GLUE, SuperGLUE, SQuAD, ARC, VQA, ActivityNet lider tabloları.
  • Konferanslar: NeurIPS, ICML, ICLR, AAAI, CVPR, WiML, AI4ALL, RightsCon kayıt verileri.
  • İş piyasası: LinkedIn Economic Graph, Burning Glass Technologies, Indeed.
  • Yatırımlar: CAPIQ, Crunchbase, Quid.
  • Kurumsal faaliyet: McKinsey Global Survey, International Federation of Robotics.
  • Devlet harcamaları: Bloomberg Government.
  • Kamuoyu algısı: Google Trends, GDELT Project, Prattle (merkez bankaları), Hansard (parlamentolar).
  • Etik ve stratejiler: PricewaterhouseCoopers (NAISR), Harvard, LexisNexis.
  • Eğitim: CRA Taulbee Survey, Coursera, Udacity, Joint Research Centre (EC).
  • Özerk sistemler: California DMV, Bloomberg Philanthropies, SIPRI, NCSL.

Yazar Ekibi

Rapor, Raymond Perrault (SRI International) koordinasyonunda ve Yoav Shoham'ın (Stanford Üniversitesi) başkanlığında, AI Index Yönlendirme Komitesi tarafından hazırlanmıştır. Komite üyeleri şunlardır: Erik Brynjolfsson (MIT), Jack Clark (OpenAI), John Etchemendy (Stanford), Barbara Grosz (Harvard), Terah Lyons (Partnership on AI), James Manyika (McKinsey Global Institute) ve Juan Carlos Niebles (Stanford). Proje yöneticisi ve baş editör olarak Saurabh Mishra (Stanford Üniversitesi) görev yapmıştır. Veriler, 20'den fazla ortak kuruluş tarafından sağlanmıştır[1].

Bibliyografya

Kaynakça

Notlar

  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_(TR)&oldid=7967"