The 2019 AI Index Report (UR)

From Systems analysis Wiki
Jump to navigation Jump to search

AI Index Report 2019 — AI Index کی دوسری مکمل سالانہ اشاعت ہے، جسے اسٹینفورڈ انسٹی ٹیوٹ فار ہیومن سینٹرڈ آرٹیفیشل انٹیلیجنس (Stanford HAI) نے تیار کیا[1]۔ 2019 کی رپورٹ 2018 کی اشاعت کے مقابلے میں تین گنا زیادہ datasets کا احاطہ کرتی ہے اور نو موضوعاتی ابواب پر مشتمل ہے: تحقیق و ترقی سے لے کر قومی حکمت عملیوں اور AI کی عالمی حرکیات تک۔ اس اشاعت میں مصنوعی ذہانت کے تمام پہلوؤں — تکنیکی کامیابیوں، معیشت، تعلیم، عوامی تاثرات اور سماجی نتائج — سے متعلق تازہ ترین اعداد و شمار شامل ہیں، اور دو نئے انٹرایکٹو اوزار پیش کیے گئے ہیں: Global AI Vibrancy Tool (vibrancy.aiindex.org)، جو 34 اشاریوں کی بنیاد پر ممالک کا موازنہ کرنے کی سہولت دیتا ہے، اور AI Index arXiv Monitor (arxiv.aiindex.org)، جو AI کے شعبے میں پری پرنٹس کی مکمل متنی تلاش فراہم کرتا ہے۔ AI Index، Stanford HAI کے زیرِ اہتمام ایک آزاد پہل ہے، جس کا تصور صد سالہ تحقیق برائے AI (AI100) منصوبے کے تحت پیش کیا گیا تھا[1]۔

سیاق و سباق اور اہداف

AI Index کا مشن یہ ہے کہ سیاست دانوں، محققین، منتظمین، صحافیوں اور عام عوام کو مصنوعی ذہانت کی ترقی سے متعلق معروضی اور بغور جانچے گئے اعداد و شمار فراہم کیے جائیں[1]۔ 2019 کی رپورٹ ایسے وقت میں سامنے آئی جب حکومتوں، کارپوریشنوں اور معاشرے کی جانب سے AI میں دلچسپی تیزی سے بڑھ رہی تھی، اور اس نے عام غلط فہمیوں کو دور کرنے کی کوشش کی — خاص طور پر یہ تصور کہ AI کی ترقی محض امریکہ اور چین کے درمیان مقابلے تک محدود ہے۔ رپورٹ کے اعداد و شمار ظاہر کرتے ہیں کہ AI کی بہترین کارکردگی کے مراکز پوری دنیا میں ابھر رہے ہیں: فن لینڈ AI تعلیم میں نمایاں ہے، ہندوستان AI مہارتوں کے اعلیٰ پھیلاؤ کا مظاہرہ کرتا ہے، سنگاپور کے پاس اچھی طرح منظم حکومتی معاونت ہے، اور اسرائیل فی کس AI اسٹارٹ اپس میں نجی سرمایہ کاری میں سرفہرست ہے[1]۔

رپورٹ کا ڈھانچہ

2019 کی رپورٹ نو موضوعاتی ابواب پر مشتمل ہے[1]:

  1. تحقیق و ترقی (Research and Development) — کتابیاتی اعداد و شمار، اشاعتیں، پیٹنٹ، AI تحقیق میں صنفی تنوع۔
  2. کانفرنسیں (Conferences) — شرکاء کی تعداد، AAAI مقالات کے اعداد و شمار، تنوع کی تنظیمیں، کانفرنسوں میں اخلاقیات۔
  3. تکنیکی کارکردگی (Technical Performance) — کمپیوٹر وژن، زبان کی پروسیسنگ، استدلال اور کمپیوٹیشنل صلاحیتوں کے benchmarks۔
  4. معیشت (The Economy) — ملازمتیں، سرمایہ کاری، کارپوریٹ اپنانا، روبوٹائزیشن۔
  5. تعلیم (Education) — آن لائن سیکھنا، یونیورسٹی پروگرام، PhD تخصصات، اساتذہ کی نقل مکانی۔
  6. خودمختار نظام (Autonomous Systems) — بغیر ڈرائیور کی گاڑیاں، خودمختار ہتھیار۔
  7. عوامی تاثرات (Public Perception) — مرکزی بینک، پارلیمانیں، کارپوریٹ رپورٹیں، میڈیا۔
  8. سماجی پہلو (Societal Considerations) — اخلاقی اصول، AI اور اقوامِ متحدہ کا پائیدار ترقی کا ایجنڈا۔
  9. قومی حکمت عملیاں اور AI کی عالمی حرکیات (National Strategies and Global AI Vibrancy) — قومی حکمت عملیاں، ممالک کے موازنے کا آلہ۔

رپورٹ کے اہم نتائج

1. اشاعتوں کی تعداد میں اضافہ

1998 سے 2018 کے درمیان AI کے شعبے میں ہم مرتبہ جانچے گئے مقالات کی تعداد میں 300 فیصد سے زیادہ اضافہ ہوا۔ 2018 تک، AI مقالات Scopus ڈیٹا بیس میں جریدوں کی اشاعتوں کا 3 فیصد اور کانفرنس مقالات کا 9 فیصد تھے[2]۔ چین نے 2018 تک AI کے جریدوں اور کانفرنس مقالات کی تعداد میں یورپ کے برابری کر لی، جبکہ اس نے 2006 میں ہی امریکہ کو پیچھے چھوڑ دیا تھا۔ تاہم امریکی اشاعتوں کا حوالہ اشاریہ (FWCI) چین کے مقابلے میں تقریباً 50 فیصد زیادہ رہا[1]۔

2. کانفرنسوں میں ریکارڈ شرکت

بڑی AI کانفرنسوں میں شرکت میں نمایاں اضافہ جاری رہا۔ NeurIPS کانفرنس کو 2019 میں 13,500 شرکاء کی توقع تھی — 2018 کے مقابلے میں 41 فیصد اور 2012 کے مقابلے میں 800 فیصد سے زیادہ اضافہ۔ AAAI اور CVPR کانفرنسوں میں سالانہ تقریباً 30 فیصد شرکاء کا اضافہ ہوا[1]۔

3. تیز رفتار تکنیکی پیش رفت

کلاؤڈ انفراسٹرکچر پر تصویر درجہ بندی کے ماڈل کی تربیت کا وقت اکتوبر 2017 کے تقریباً تین گھنٹوں سے کم ہو کر جولائی 2019 میں تقریباً 88 سیکنڈ رہ گیا؛ تربیت کی لاگت بھی اسی تناسب سے گری۔ SuperGLUE اور SQuAD 2.0 benchmarks پر پیش رفت خاص طور پر تیز تھی، تاہم استدلال کی ضرورت والے کاموں (مثلاً AI2 Reasoning Challenge) اور تصوراتی سطح پر سیکھنے کے کاموں (Omniglot Challenge) میں نتائج کمتر رہے[3][1]۔

4. کمپیوٹیشن میں تیز رفتار اضافہ

2012 سے پہلے AI کے لیے کمپیوٹیشن کا اضافہ مور کے قانون کے مطابق تھا — ہر دو سال میں دوگنا۔ 2012 کے بعد کمپیوٹیشن ہر 3.4 مہینے میں دوگنی ہونے لگی، جس کے نتیجے میں چھ سال میں 300,000 گنا سے زیادہ اضافہ ہوا[4]۔

5. AI ملازمتوں میں عالمی اضافہ

سنگاپور، برازیل، آسٹریلیا، کینیڈا اور ہندوستان نے 2015–2019 کے دوران AI ملازمتوں میں سب سے تیز ترقی دکھائی۔ امریکہ میں AI سے متعلق آسامیوں کا حصہ 2010 میں کل آسامیوں کے 0.26 فیصد سے بڑھ کر اکتوبر 2019 میں 1.32 فیصد ہو گیا، جن میں سب سے زیادہ مانگ Machine Learning ماہرین (0.51 فیصد) کی تھی[5][6]۔

6. نجی سرمایہ کاری 70 ارب ڈالر سے تجاوز

2019 میں AI میں عالمی نجی سرمایہ کاری 70 ارب ڈالر سے تجاوز کر گئی، جس میں اسٹارٹ اپس میں 37 ارب سے زیادہ، M&A معاملات میں 34 ارب، IPO میں تقریباً 5 ارب اور اقلیتی حصص میں تقریباً 2 ارب شامل تھے۔ 2010 سے 2018 تک AI اسٹارٹ اپس کی فنڈنگ 1.3 ارب سے بڑھ کر 40.4 ارب ڈالر ہو گئی، جس کی اوسط سالانہ شرح نمو 48 فیصد سے زیادہ رہی۔ خودمختار گاڑیوں نے سب سے زیادہ سرمایہ کاری حاصل کی (7.7 ارب)، اس کے بعد فارماسیوٹیکل اور کینسر تھیراپی (4.7 ارب) اور چہرے کی شناخت (4.7 ارب) کا نمبر آیا[7]۔

7. کاروبار میں AI کا بڑھتا ہوا استعمال

McKinsey & Company کے سروے (2,360 جواب دہندگان) کے مطابق، 58 فیصد بڑی کمپنیوں نے 2019 میں کم از کم ایک کام یا کاروباری یونٹ میں AI استعمال کیا، جبکہ 2018 میں یہ تعداد 47 فیصد تھی۔ تاہم صرف 19 فیصد اداروں نے الگورتھم کی وضاحت سے متعلق خطرات کو کم کرنے کے اقدامات کیے، اور صرف 13 فیصد نے تعصب اور امتیاز کے خلاف کام کیا[8]۔

8. AI — PhD کی سب سے مقبول تخصص

AI شمالی امریکہ میں کمپیوٹر سائنس کے PhD طلبہ کے درمیان سب سے مقبول تخصص بن گئی: 2018 میں کمپیوٹیشنل علوم میں PhD کے 21 فیصد سے زیادہ فارغ التحصیل افراد AI اور Machine Learning میں مہارت رکھتے تھے۔ AI کے شعبے میں PhD فارغ التحصیل افراد کا صنعت میں جانے کا تناسب 2004 کے 21 فیصد سے بڑھ کر 2018 میں 60 فیصد سے زیادہ ہو گیا[9]۔

9. تعلیمی اداروں سے AI اساتذہ کی روانگی

AI اساتذہ کا تعلیمی اداروں سے صنعت میں جانا تیز ہوا: 2018 میں 40 سے زیادہ اساتذہ نے ادارے چھوڑے، جبکہ 2012 میں یہ تعداد 15 اور 2004 میں صفر تھی۔ سب سے زیادہ نقصان کارنیگی میلن یونیورسٹی، واشنگٹن یونیورسٹی اور یونیورسٹی آف کیلیفورنیا برکلے کو اٹھانا پڑا[10]۔

10. AI اخلاقیات پر بڑھتی ہوئی توجہ

انصاف، تشریح پذیری اور وضاحت پذیری کو اخلاقی AI کے 59 دستاویزات میں سب سے زیادہ بار ذکر کیے گئے اخلاقی چیلنجوں کے طور پر شناخت کیا گیا۔ اخلاقیات اور AI سے متعلق 3,600 سے زیادہ عالمی خبروں کے مضامین (2018 کے وسط سے 2019 کے وسط تک) میں غالب موضوعات تھے: اخلاقی AI کے اصول اور رہنما خطوط (32 فیصد)، ڈیٹا کی رازداری (14 فیصد)، چہرے کی شناخت (13 فیصد)، الگورتھمی تعصب (11 فیصد) اور بڑی ٹیکنالوجی کمپنیوں کا کردار (11 فیصد)[11]۔

باب 1۔ تحقیق و ترقی

یہ باب Elsevier Scopus کے اعداد و شمار، arXiv پری پرنٹس، Microsoft Academic Graph (MAG)، پیٹنٹ سرگرمیوں، GitHub پر سافٹ ویئر فریم ورکس کی مقبولیت اور AI محققین میں صنفی تنوع کے رجحانات کا تجزیہ کرتا ہے[1]۔

اشاعتیں

یورپ AI مقالات کا سب سے بڑا ناشر رہا، جس نے 2018 تک Scopus میں 27 فیصد سے زیادہ اشاعتیں حاصل کیں۔ چین کا حصہ 2000 میں 10 فیصد سے بڑھ کر 2018 میں 28 فیصد ہو گیا۔ امریکہ میں کارپوریٹ اشاعتوں کا نسبتاً زیادہ حصہ تھا: 2018 میں امریکی کارپوریٹ AI مقالات چینی مقالات سے سات گنا سے زیادہ تھے[2]۔

arXiv پر AI مقالات کی کل تعداد 2010–2019 کے دوران بیس گنا سے زیادہ بڑھی۔ کمپیوٹر وژن (CV) 2014 سے سب سے بڑی ذیلی زمرہ بندی رہی، تاہم 2019 میں Machine Learning اہم ترین زمرہ بن گئی۔ Computation & Language ذیلی زمرہ 2010 سے تقریباً ساٹھ گنا بڑھا[12]۔

حوالہ جات

دنیا بھر میں AI جریدوں کے مقالات کے 32 فیصد سے زیادہ حوالہ جات مشرقی ایشیا کے تھے، جبکہ کانفرنس مقالات کے 40 فیصد سے زیادہ حوالہ جات شمالی امریکہ کے تھے۔ پیٹنٹ کے شعبے میں شمالی امریکہ نے 2014–2018 کے دوران AI پیٹنٹس کی 60 فیصد سے زیادہ عالمی حوالہ جاتی سرگرمی اپنے نام کی[13]۔

پیٹنٹ

51 فیصد سے زیادہ عالمی AI پیٹنٹس شمالی امریکہ سے تھے۔ امریکہ نے دوسرے نمبر پر موجود ملک جاپان سے تین گنا زیادہ AI پیٹنٹس شائع کیے۔ 94 فیصد سے زیادہ AI پیٹنٹس اعلیٰ آمدنی والے ممالک میں درج کیے گئے[13]۔

GitHub Stars

ایک نمایاں رجحان کارپوریشنوں کی حمایت یافتہ فریم ورکس — TensorFlow (Google) اور PyTorch (Facebook) — کا غلبہ تھا۔ غیر کارپوریٹ فریم ورکس — scikit-learn اور Caffe — بڑھتے رہے، لیکن کم رفتار سے[1]۔

تحقیق میں صنفی تنوع

نیدرلینڈز کے 41 فیصد سے زیادہ اور ڈنمارک کے 39 فیصد سے زیادہ AI مقالات میں کم از کم ایک خاتون مصنفہ تھی۔ جاپان اور سنگاپور میں یہ تعداد بالترتیب صرف 10 فیصد اور 16 فیصد تھی۔ مغربی یورپ کے بہت سے ممالک کے علاوہ ارجنٹینا، کینیڈا اور ایران AI تحقیق میں خواتین کی نسبتاً زیادہ شرکت دکھاتے تھے[14]۔

باب 2۔ کانفرنسیں

شرکت

NeurIPS نے 2019 میں 13,500 شرکاء کی توقع کی (2012 سے 800 فیصد اضافہ)۔ ICLR 2014 کے مقابلے میں 15 گنا بڑھی۔ Women in Machine Learning (WiML) ورکشاپ میں شرکاء کی تعداد 2014 کے مقابلے میں 738 فیصد بڑھی، جبکہ AI4ALL پروگرام 2015 کے مقابلے میں 2,000 فیصد بڑھا[1]۔

AAAI اعداد و شمار

AAAI 2019 کانفرنس میں چین نے سب سے زیادہ جمع کردہ اور قبول شدہ مقالات پیش کیے۔ 68 فیصد سے زیادہ درخواستیں PhD طلبہ کی جانب سے تھیں۔ اسرائیل کی قبولیت کی شرح سب سے زیادہ تھی (24 فیصد)، اس کے بعد جرمنی (23 فیصد)، کینیڈا (22 فیصد)، امریکہ اور سنگاپور (20 فیصد فی کس) کا نمبر تھا۔ Machine Learning، NLP اور کمپیوٹر وژن اہم ترین موضوعاتی شعبے رہے[1]۔

کانفرنسوں میں اخلاقیات

اہم AI کانفرنسوں میں اخلاقیات سے متعلق کلیدی الفاظ والے مقالات کی کل تعداد مجموعی تعداد کا ایک چھوٹا حصہ تھی، تاہم تیزی سے بڑھ رہی تھی۔ تجزیے میں 110,108 مقالات شامل تھے، جن میں 59,352 کانفرنسی اور 50,756 جریدوں کے مقالات تھے[15]۔

باب 3۔ تکنیکی کارکردگی

یہ باب کمپیوٹر وژن، قدرتی زبان کی پروسیسنگ، استدلال، مشینی ترجمے اور کمپیوٹیشنل صلاحیتوں میں تکنیکی پیش رفت کا جائزہ لیتا ہے[1]۔

کمپیوٹر وژن

ImageNet۔ ImageNet پر انسانی درستگی سے بڑھنے والا پہلا طریقہ 2015 میں شائع ہوا۔ 2019 تک پیش رفت جاری رہی: تین سب سے کامیاب طریقوں نے تربیت کے لیے اضافی ڈیٹا استعمال کیا۔ ImageNet مقابلہ 2017 میں بند ہو گیا، لیکن یہ dataset ایک اہم benchmark رہا[16]۔

تربیت کا وقت اور لاگت۔ DAWNBench (Stanford) منصوبے کے مطابق، کلاؤڈ انفراسٹرکچر پر تصویر درجہ بندی کے ماڈل کو 93 فیصد سے زیادہ (top-5) درستگی تک تربیت دینے کا وقت 3 گھنٹوں سے زیادہ (اکتوبر 2017) سے کم ہو کر تقریباً 88 سیکنڈ (جولائی 2019) رہ گیا۔ تربیت کی لاگت $2,323 (اکتوبر 2017، ResNet) سے کم ہو کر تقریباً $12 (ستمبر 2018، ResNet بر GCP با Cloud TPU) ہو گئی[3]۔

تصویر سازی۔ تصویر سازی (CIFAR-10) میں پیش رفت FID (Fréchet Inception Distance) میٹرک سے ماپی گئی: کم اسکور بہتر معیارِ تخلیق سے مطابقت رکھتا ہے[1]۔

سیمانٹک سیگمنٹیشن۔ پیش رفت Cityscapes dataset پر mean IoU میٹرک سے ماپی گئی — جو خود کار ڈرائیونگ سسٹمز کے لیے ایک اہم کام ہے[1]۔

قدرتی زبان کی پروسیسنگ

GLUE۔ مئی 2018 میں جاری کردہ General Language Understanding Evaluation benchmark، نو متنی پروسیسنگ کاموں پر سسٹمز کو جانچتا ہے۔ باوجود اس کے کہ benchmark کو ایک سال سے کچھ زیادہ ہی ہوا تھا، سسٹمز کے نتائج جون 2019 میں غیر ماہر جائزہ کاروں کی سطح سے بڑھ گئے۔ RoBERTa (Facebook) اور T5 (Google) ماڈل اسکور کو مزید بہتر بناتے رہے[17]۔

SuperGLUE۔ مئی 2019 میں شروع کیا گیا زیادہ پیچیدہ benchmark۔ آغاز کے پانچ ماہ کے اندر، T5 (Google) ماڈل نے 88.9 اسکور حاصل کر کے انسانی بنیادی سطح 89.8 کے قریب پہنچ گیا[18]۔

SQuAD۔ Stanford Question Answering Dataset benchmark پر SQuAD 1.1 کے لیے F1 اسکور اگست 2016 کے 67 سے بڑھ کر مئی 2019 میں 95 ہو گیا۔ SQuAD 2.0 پر پیش رفت اور بھی تیز تھی: مئی 2018 کے 62 سے جون 2019 میں 90 تک۔ SQuAD 1.0 پر F1 ≥ 75 تک سوال جواب ماڈل کی تربیت کا وقت اکتوبر 2017 کے 7 گھنٹوں سے زیادہ سے کم ہو کر مارچ 2019 میں 19 منٹ سے بھی کم ہو گیا[19]۔

استدلال۔ ARC Challenge Set (Allen Institute for AI) پر بہترین نتیجہ 67.7 فیصد (ستمبر 2019) رہا۔ ARC-Easy پر 85.4 فیصد۔ استدلال کی ضرورت والے کام AI سسٹمز کے لیے نمایاں طور پر زیادہ مشکل رہے[20]۔

مشینی ترجمہ

پہلے سے تربیت یافتہ ماڈلز کے ساتھ تجارتی طور پر دستیاب مشینی ترجمے کے سسٹمز کی تعداد 2017 کے 8 سے بڑھ کر 2019 میں 24 سے زیادہ ہو گئی۔ معیار میں سب سے زیادہ پیش رفت چینی–انگریزی، انگریزی–جرمن اور روسی–انگریزی جوڑوں میں دیکھی گئی[21]۔

Omniglot Challenge

تین سالوں میں one-shot درجہ بندی میں نمایاں پیش رفت دیکھی گئی، تاہم تصوراتی سیکھنے کے باقی چار کاموں (مثالوں کی تخلیق، parsing، نئے تصورات کی تخلیق) میں پیش رفت محدود رہی۔ بیزین پروگرام لرننگ (BPL) اصل کام میں Neural Network طریقوں سے بہتر رہی[22]۔

کمپیوٹیشنل صلاحیتیں

OpenAI کے تجزیے نے ایک بنیادی فرق ظاہر کیا: 2012 سے پہلے AI کمپیوٹیشن کا حجم ہر دو سال میں دوگنا ہوتا تھا (مور کا قانون)؛ 2012 کے بعد — ہر 3.4 مہینے میں۔ 2012 سے یہ اشاریہ 300,000 گنا سے زیادہ بڑھ گیا[4]۔

انسانی سطح کے سنگ میل

رپورٹ نے AI کی کامیابیوں کی تاریخی فہرست کو اپ ڈیٹ کیا، اور پہلے سے دستاویز شدہ نتائج (Othello — 1980، چیکرز — 1995، شطرنج — 1997، Jeopardy! — 2011، Atari — 2015، ImageNet — 2016، Go — 2016، پوکر — 2017، Ms. Pac-Man — 2017، StarCraft II — 2019) میں دو نئے نتائج کا اضافہ کیا:

سال کامیابی
2018 AlphaFold (DeepMind) — بے مثال درستگی کے ساتھ پروٹین کی 3D ساخت کی پیش گوئی
2019 AlphaStar (DeepMind) — StarCraft II میں اعلیٰ پیشہ ور کو شکست
2019 ماہر کی سطح پر ذیابیطس ریٹینوپیتھی کی تشخیص

باب 4۔ معیشت

ملازمتیں اور بھرتی

AI بھرتی انڈیکس (LinkedIn) نے ظاہر کیا کہ سنگاپور، برازیل، آسٹریلیا، کینیڈا اور ہندوستان 2015–2019 کے دوران بھرتی کی رفتار میں سرفہرست رہے۔ امریکہ میں واشنگٹن ریاست کی AI آسامیوں کی نسبتاً سب سے زیادہ مانگ تھی (کل آسامیوں کا تقریباً 1.4 فیصد)، اس کے بعد کیلیفورنیا (1.3 فیصد) اور میساچوسٹس (1.3 فیصد)۔ مطلق تعداد میں کیلیفورنیا 93,000 سے زیادہ AI آسامیوں کے ساتھ سرفہرست تھی[5]۔

AI مہارتوں کا سب سے زیادہ پھیلاؤ IT خدمات (2.3 فیصد آسامیاں)، پیشہ ورانہ اور سائنسی خدمات (2 فیصد سے زیادہ)، مالیات اور بیمہ (1.3 فیصد) اور مینوفیکچرنگ (1.1 فیصد) کے شعبوں میں دیکھا گیا[6]۔

LinkedIn کے اعداد و شمار کے مطابق، ہندوستان میں AI مہارتوں کا پھیلاؤ عالمی اوسط سے 2.6 گنا زیادہ تھا۔ صنفی لحاظ سے ایک دلچسپ صورت حال سامنے آئی: نمونے کے تمام ممالک میں مردوں نے خواتین کے مقابلے میں زیادہ پیشوں میں AI مہارتوں کا ذکر کیا[6]۔

سرمایہ کاری

AI اسٹارٹ اپس کی فنڈنگ 48 فیصد سے زیادہ کی اوسط سالانہ شرح سے بڑھی (2010–2018)۔ نومبر 2019 تک سرمایہ کاری کا حجم $37.4 ارب تھا (مقابلے کے لیے پورا 2018: $40.4 ارب)۔ 2014 اور 2019 کے درمیان 15,798 سرمایہ کاریاں ہوئیں جن کا اوسط حجم تقریباً $8.6 ملین تھا[7]۔

فی کس AI سرمایہ کاری کا اشاریہ اسرائیل میں سب سے زیادہ تھا، اس کے بعد سنگاپور اور آئس لینڈ کا نمبر آتا ہے۔ چین کے اسٹارٹ اپس کو فی کمپنی نمایاں طور پر زیادہ سرمایہ کاری ملی: $34.1 ملین — امریکہ سے 201 فیصد اور عالمی اوسط سے 296 فیصد زیادہ[7]۔

شعبے کے لحاظ سے سب سے زیادہ سرمایہ کاری خودمختار گاڑیوں ($7.7 ارب، کل کا 9.9 فیصد)، فارماسیوٹیکل اور کینسر تھیراپی ($4.7 ارب)، چہرے کی شناخت ($4.7 ارب)، ویڈیو مواد ($3.6 ارب) اور فراڈ کا پتہ لگانے ($3.1 ارب) میں گئی۔ سب سے تیزی سے بڑھنے والے شعبے روبوٹک پروسیس آٹومیشن، سپلائی چین مینجمنٹ اور صنعتی آٹومیشن تھے[7]۔

حکومتی سرمایہ کاری (امریکہ)

امریکی وفاقی حکومت نے مالی سال 2020 میں AI تحقیق میں $4.98 ارب سرمایہ کاری کا منصوبہ بنایا۔ وزارت دفاع (DoD) نے $4.0 ارب کا منصوبہ بنایا، جن میں DARPA کے ذریعے $506 ملین، Maven منصوبے پر $221 ملین اور Joint AI Center (JAIC) کے لیے $209 ملین شامل تھے۔ AI پر وفاقی ایجنسیوں کے معاہدوں کے اخراجات تقریباً 70 فیصد بڑھے: 2017 کے $429 ملین سے 2018 میں $728 ملین[23]۔

کارپوریٹ اپنانا

58 فیصد بڑی کمپنیوں نے کم از کم ایک کام میں AI کے استعمال کی اطلاع دی (2018 کے 47 فیصد سے اضافہ)۔ 30 فیصد جواب دہندگان نے متعدد یونٹس میں AI کے نفاذ کا ذکر کیا (2018 میں 21 فیصد)۔ سب سے زیادہ نافذ کی جانے والی AI صلاحیتیں: روبوٹک پروسیس آٹومیشن، کمپیوٹر وژن اور Machine Learning۔ سائبر سیکیورٹی وہ خطرہ تھا جس سے ادارے سب سے زیادہ نبرد آزما تھے (48 فیصد)، جبکہ وضاحت پذیری (19 فیصد) اور انصاف (13 فیصد) کے خطرات کو نمایاً کم توجہ دی گئی[8]۔

صنعتی روبوٹائزیشن

2018 میں عالمی صنعتی روبوٹس کی تنصیب 6 فیصد بڑھ کر 422,271 یونٹس ہو گئی جن کی مالیت $16.5 ارب تھی۔ آپریشنل روبوٹس کا ذخیرہ 2,439,543 یونٹس تھا۔ پانچ بڑی مارکیٹیں — چین، جاپان، امریکہ، جنوبی کوریا اور جرمنی — نے عالمی تنصیبات کا 74 فیصد اپنے پاس رکھا۔ چین 154,032 یونٹس کے ساتھ عالمی رہنما رہا (36 فیصد)[24]۔

باب 5۔ تعلیم

آن لائن سیکھنا

Coursera، جو 45 ملین سے زیادہ طلبہ کو خدمات فراہم کرتا ہے اور 3,700 سے زیادہ کورسز پیش کرتا ہے، نے 60 ممالک کو AI مہارتوں کی بنیاد پر (Global Skills Index) درجہ بندی کی۔ جنوبی ایشیا اور مشرقی ایشیا نے AI اور اس سے متعلق مہارتوں کے کورسز میں سب سے زیادہ اندراج دکھایا۔ Udacity پر Introduction to Machine Learning کورس میں 125,000 سے زیادہ مجموعی اندراجات ہوئے[25]۔

یونیورسٹی پروگرام

اسٹینفورڈ میں AI کے تعارفی کورسز میں داخلہ 2012–2018 کے دوران پانچ گنا بڑھا۔ الینوئس یونیورسٹی (UIUC) میں Introduction to Machine Learning کورس میں 2010–2018 کے دوران بارہ گنا اضافہ ہوا۔ بین الاقوامی سطح پر یونیورسٹی آف ٹورنٹو میں سب سے زیادہ رجسٹرڈ طلبہ تھے، اس کے بعد ہائر اسکول آف اکنامکس (روس) اور تسنگھوا یونیورسٹی (چین) کا نمبر آتا ہے[1]۔

یورپ میں AI کے شعبے کو احاطہ کرنے والے 2,054 پروگرام شناخت کیے گئے، جن کی اکثریت ماسٹرز کی سطح پر تھی۔ 197 یورپی یونیورسٹیاں AI میں 406 مخصوص ماسٹرز پروگرام پیش کرتی تھیں[26]۔

PhD تخصصات اور صنعت میں نقل مکانی

AI کمپیوٹر سائنس میں سب سے مقبول PhD تخصص بن گئی: 2018 میں 21 فیصد سے زیادہ۔ صنعت میں جانے والے PhD فارغ التحصیل افراد کا حصہ تین گنا بڑھا: 2004 کے 21 فیصد سے 2018 میں 62 فیصد۔ امریکہ اور کینیڈا میں AI کے نئے PhD فارغ التحصیل افراد میں 60 فیصد سے زیادہ غیر ملکی طلبہ تھے (2010 میں 40 فیصد سے کم)؛ صرف تقریباً 10 فیصد ہی فراغت کے بعد امریکہ چھوڑتے تھے[9]۔

سب سے زیادہ AI اساتذہ کھونے والی تین یونیورسٹیاں: کارنیگی میلن (17 مستقل اساتذہ)، واشنگٹن یونیورسٹی (11) اور برکلے۔ کینیڈین یونیورسٹیوں میں سب سے زیادہ نقصان یونیورسٹی آف ٹورنٹو (9 اساتذہ) کو ہوا۔ AI میں PhD فارغ التحصیل خواتین کا حصہ 2010 سے 2018 تک تقریباً 20 فیصد پر مستحکم رہا[10]۔

باب 6۔ خودمختار نظام

بغیر ڈرائیور کی گاڑیاں

کم از کم 25 ممالک کے شہر خودمختار گاڑیاں (AV) آزما رہے تھے۔ کیلیفورنیا میں 2015 سے 2018 کے درمیان آزمانے والی کمپنیوں اور AVs کی کل تعداد سات گنا بڑھی۔ 2018 میں 50 سے زیادہ کمپنیوں اور 500 AVs نے 20 لاکھ میل سے زیادہ کا سفر طے کیا۔ کم از کم 41 ریاستوں اور ڈسٹرکٹ آف کولمبیا نے AV سے متعلق قانون سازی پر غور کیا[27]۔

کیلیفورنیا میں 2018 میں AVs کے حادثات کی شرح 22.44 فی ملین میل تھی — عام ڈرائیوروں کی ایڈجسٹ شدہ شرح سے تقریباً 5.5 گنا زیادہ۔ زیادہ تر حادثوں میں انسانی ڈرائیور والی گاڑی نے دن کے وقت رکی ہوئی یا سیدھی چلتی AV کو پیچھے سے ٹکر ماری۔ زیادہ تر نقصانات معمولی تھے[27]۔

خودمختار ہتھیار

اسٹاک ہوم انٹرنیشنل پیس ریسرچ انسٹیٹیوٹ (SIPRI) کی ماہرانہ تحقیق کے مطابق، کم از کم 89 ممالک کے پاس خودکار فضائی دفاعی نظام موجود تھے۔ فعال تحفظاتی نظام صرف نو ممالک تیار اور بناتے تھے۔ ڈیٹا 1950–2017 کی مدت پر محیط تھا[28]۔

باب 7۔ عوامی تاثرات

مرکزی بینک

مرکزی بینکوں کی ابلاغی سرگرمیاں AI میں بڑھتی ہوئی دلچسپی ظاہر کرتی تھیں۔ بینک آف انگلینڈ، بینک آف جاپان اور فیڈرل ریزرو نے دوسروں کے مقابلے میں AI کا زیادہ ذکر کیا۔ اشاعتوں کی نوعیت تجزیاتی دستاویزات سے تقاریر کی طرف منتقل ہوئی[1]۔

پارلیمانی اور حکومتی سرگرمی

2017–2018 میں امریکی کانگریس میں AI سے متعلق قانون سازی کی سرگرمی میں دس گنا سے زیادہ اضافہ دیکھا گیا۔ کانگریس کی کارروائیوں میں 2019 AI کے سب سے زیادہ ذکر کا سال رہا۔ کینیڈا اور برطانیہ کی پارلیمانوں میں بھی اسی طرح کے رجحانات دیکھے گئے[23]۔

کارپوریشنز

امریکہ میں 3,000 عوامی کمپنیوں کی آمدنی کی کالوں (earnings calls) کا وہ حصہ جن میں AI کا ذکر تھا، 2010 کے 0.01 فیصد سے بڑھ کر 2018 میں 0.42 فیصد ہو گیا۔ مالیاتی شعبہ ذکر کی تعداد میں سرفہرست رہا[1]۔

میڈیا اور ویب تلاش

Google Trends کے مطابق، امریکہ میں machine learning کی اصطلاح تلاشی سوالات میں دیگر متعلقہ اصطلاحات سے آگے رہی۔ GDELT Project کے اعداد و شمار کے مطابق، AI سے متعلق خبروں کے مضامین میں سے 17.7 فیصد روزگار پر اثرات کے بارے میں تھے، 2.4 فیصد الگورتھمی تعصب کے بارے میں اور صرف 0.99 فیصد قاتل روبوٹس کے بارے میں[29]۔

باب 8۔ سماجی پہلو

اخلاقی اصول

PricewaterhouseCoopers نے انجمنوں اور کنسورشیموں، حکومتوں، ٹیکنالوجی کمپنیوں، تھنک ٹینکس اور علمی اداروں کی جانب سے اخلاقی AI کے اصولوں پر 59 دستاویزات کا تجزیہ کیا۔ بارہ اخلاقی چیلنجوں کو سب سے زیادہ بار اجاگر کیا گیا: جوابدہی، حفاظت، انسانی نگرانی، قابل بھروسہ ہونا اور تحفظ، انصاف، تنوع اور شمولیت، پائیداری، شفافیت، تشریح پذیری اور وضاحت پذیری، کثیر فریقی مکالمہ، قانونی حیثیت اور تعمیل، ڈیٹا کی رازداری[11]۔

انصاف، تشریح پذیری/وضاحت پذیری اور شفافیت کا سب سے زیادہ ذکر ہوا۔ ٹیکنالوجی کمپنیوں کے لیے، انصاف 100 فیصد فریم ورکس میں موجود تھا؛ تھنک ٹینکس کے لیے، انصاف اور انسانی نگرانی (بالترتیب 100 فیصد اور 88 فیصد)[11]۔

AI اور اقوامِ متحدہ کے پائیدار ترقی کے اہداف

McKinsey Global Institute نے سماجی بھلائی کے لیے AI کے تقریباً 160 استعمالی طریقے شناخت کیے جو ممکنہ طور پر اقوامِ متحدہ کے تمام 17 پائیدار ترقی کے اہداف (SDGs) کی معاونت کر سکتے ہیں۔ AI تقریباً نصف 169 SDGs کے ہدفی اشاریوں کو پورا کر سکتی ہے۔ سب سے زیادہ استعمالی طریقے SDG 3 (صحت) اور SDG 16 (پرامن اور شامل معاشرے) کے مطابق تھے۔ تاہم پائیدار ترقی کے لیے AI کی بڑے پیمانے پر تعیناتی کے راستے میں اہم رکاوٹیں موجود تھیں: ڈیٹا کی دستیابی، کمپیوٹیشنل صلاحیت، افرادی قوت اور ادارہ جاتی تیاری[30]۔

باب 9۔ قومی حکمت عملیاں اور AI کی عالمی حرکیات

قومی حکمت عملیاں

AI سے متعلق سرکاری حکمت عملی دستاویزات کی تعداد مستقل بڑھتی رہی۔ PwC نے 37 دستاویزات کے NLP تجزیے کے ذریعے پایا کہ تعلیمی شراکت داری 94 فیصد دستاویزات میں، AI تحقیق و ترقی 48 فیصد میں اور AI گورننس 42 فیصد میں مذکور تھی۔ صارف تحفظ اور انصاف کا ذکر سب سے کم (2 فیصد) ہوا[11]۔

Global AI Vibrancy آلہ

پہلی بار پیش کیا گیا یہ آلہ 28 ممالک کو 34 میٹرکس پر محیط کرتا تھا، جو تین ستونوں میں تقسیم تھے: تحقیق و ترقی (21 میٹرکس)، معیشت (10 میٹرکس) اور شمولیت (5 میٹرکس)۔ آلہ صارفین کو وزن کے گنجائش کو ترتیب دینے اور ممالک کے درمیان اور ان کے اندر موازنہ کرنے کی اجازت دیتا تھا[1]۔

ملکی پروفائل

رپورٹ میں برازیل، چین، فرانس، جرمنی، ہندوستان، نیدرلینڈز، سنگاپور اور امریکہ کے تفصیلی ملکی پروفائل، نیز AI کے شعبے میں کثیر جہتی علاقائی پالیسی کا جائزہ شامل تھا[1]۔

2019 کے benchmarks کے اہم نتائج

Benchmark بہترین نتیجہ (2019) انسانی سطح پیش رفت
ImageNet (Top-1) ~88% ~95% (ایک تبصرہ کار) اضافی ڈیٹا کے ساتھ مسلسل بہتری
GLUE غیر ماہر سطح سے تجاوز (جون 2019) 87.1 (غیر ماہر) RoBERTa، T5
SuperGLUE 88.9 (T5، Google) 89.8 benchmark کے آغاز کے 5 ماہ میں حاصل
SQuAD 1.1 (F1) 95 ~91 انسانی سطح سے تجاوز
SQuAD 2.0 (F1) 90 ~89 عملاً انسانی سطح پر
ARC Challenge 67.7% — استدلال کے کام مشکل رہے
VQA 75.28% ~80% سال میں 2.85 فیصد پوائنٹس کا اضافہ

طریقہ کار

رپورٹ نے متعدد ذرائع سے اعداد و شمار استعمال کیے[1]:

  • اشاعتیں: Elsevier Scopus، arXiv (NESTA)، Microsoft Academic Graph (MAG)۔
  • Benchmarks: Papers With Code، DAWNBench/MLPerf، GLUE، SuperGLUE، SQuAD، ARC، VQA، ActivityNet کی لیڈربورڈز۔
  • کانفرنسیں: NeurIPS، ICML، ICLR، AAAI، CVPR، WiML، AI4ALL، RightsCon کا اندراجاتی ڈیٹا۔
  • محنت کی منڈی: LinkedIn Economic Graph، Burning Glass Technologies، Indeed۔
  • سرمایہ کاری: CAPIQ، Crunchbase، Quid۔
  • کارپوریٹ سرگرمی: McKinsey Global Survey، International Federation of Robotics۔
  • حکومتی اخراجات: Bloomberg Government۔
  • عوامی تاثرات: Google Trends، GDELT Project، Prattle (مرکزی بینک)، Hansard (پارلیمانیں)۔
  • اخلاقیات اور حکمت عملیاں: PricewaterhouseCoopers (NAISR)، Harvard، LexisNexis۔
  • تعلیم: CRA Taulbee Survey، Coursera، Udacity، Joint Research Centre (EC)۔
  • خودمختار نظام: California DMV، Bloomberg Philanthropies، SIPRI، NCSL۔

مصنفین کی ٹیم

رپورٹ AI Index اسٹیئرنگ کمیٹی نے تیار کی، جس کی قیادت ریمنڈ پیرو (Raymond Perrault، SRI International) نے کی اور یوآو شوہام (Yoav Shoham، اسٹینفورڈ یونیورسٹی) صدارت کرتے رہے۔ کمیٹی کے ارکان میں شامل تھے: ایرک بریناسن (MIT)، جیک کلارک (OpenAI)، جان ایچمینڈی (اسٹینفورڈ)، باربرا گروس (ہارورڈ)، ٹیرا لیونز (Partnership on AI)، جیمز مانیکا (McKinsey Global Institute) اور خوان کارلوس نیبلس (اسٹینفورڈ)۔ منصوبے کے سربراہ اور مرکزی مدیر ساوراب مشرا (اسٹینفورڈ یونیورسٹی) تھے۔ اعداد و شمار 20 سے زیادہ شراکت دار اداروں نے فراہم کیے[1]۔

حوالہ جات

کتابیات

حواشی

  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_(UR)&oldid=7968"