The 2021 AI Index Report (BN)

From Systems analysis Wiki
Jump to navigation Jump to search

AI Index Report 2021 — AI Index-এর চতুর্থ বার্ষিক সংস্করণ, যা স্ট্যানফোর্ড ইনস্টিটিউট ফর হিউম্যান-সেন্টার্ড আর্টিফিশিয়াল ইন্টেলিজেন্স (Stanford HAI) কর্তৃক প্রস্তুত করা হয়েছে[1]। ২০২১ সালের প্রতিবেদনটি পূর্ববর্তী সংস্করণগুলোর তুলনায় তথ্যের পরিধি উল্লেখযোগ্যভাবে বিস্তৃত করেছে, আরও বিস্তৃত পরিসরের বাহ্যিক অংশীদার সংগঠনগুলোর সাথে কাজ অন্তর্ভুক্ত করেছে এবং Stanford HAI-এর সাথে সম্পর্ক গভীর করেছে। এই সংস্করণটি কৃত্রিম বুদ্ধিমত্তা সংক্রান্ত তথ্য অনুসরণ, শ্রেণিবদ্ধ, সংক্ষেপ ও দৃশ্যমান করে, নীতিনির্ধারক, গবেষক, প্রশাসক, সাংবাদিক এবং সাধারণ জনগণের জন্য বস্তুনিষ্ঠ, যথাযথভাবে যাচাইকৃত এবং বিশ্বব্যাপী সংগৃহীত তথ্য সরবরাহ করে। প্রতিবেদনটি এমন একটি সময়কাল জুড়ে বিস্তৃত যা মূলত COVID-19 মহামারী দ্বারা নির্ধারিত হয়েছিল, যা AI-এর বিকাশের বহু দিককে প্রভাবিত করেছিল — ওষুধ আবিষ্কার ত্বরান্বিত করা থেকে শুরু করে সম্মেলনগুলোকে ভার্চুয়াল ফর্ম্যাটে রূপান্তরিত করা পর্যন্ত।

প্রেক্ষাপট: COVID-19-এর প্রভাব

COVID-19 মহামারী ২০২০ সালে AI-এর বিকাশে লক্ষণীয় কিন্তু দ্বিধাপূর্ণ প্রভাব ফেলেছিল[1]। প্রযুক্তিগত কার্যক্ষমতার ক্ষেত্রে, AI স্টার্টআপ PostEra COVID-19 সংক্রান্ত ওষুধ আবিষ্কার ত্বরান্বিত করতে Machine Learning পদ্ধতি প্রয়োগ করেছিল[2]। অর্থনীতি অধ্যায়টি ইঙ্গিত করে যে AI বিশেষজ্ঞ নিয়োগ এবং বেসরকারি বিনিয়োগ মহামারীর কারণে উল্লেখযোগ্য নেতিবাচক প্রভাবের সম্মুখীন হয়নি — উভয় সূচকই ২০২০ সালে বৃদ্ধি পেয়েছিল। সম্মেলনগুলো ভার্চুয়াল ফর্ম্যাটে স্থানান্তরিত হওয়ায় উপস্থিতিতে উল্লেখযোগ্য লম্ফ দেখা গেছে: নয়টি প্রধান সম্মেলনের অংশগ্রহণকারীর সংখ্যা প্রায় দ্বিগুণ হয়েছে।

প্রতিবেদনের কাঠামো

২০২১ সালের প্রতিবেদনটি সাতটি বিষয়ভিত্তিক অধ্যায় নিয়ে গঠিত[1]:

  1. গবেষণা ও উন্নয়ন (Research and Development) — প্রকাশনা, পেটেন্ট, সম্মেলন এবং মুক্ত সফটওয়্যারের ধারা।
  2. প্রযুক্তিগত কার্যক্ষমতা (Technical Performance) — কম্পিউটার ভিশন, প্রাকৃতিক ভাষা প্রক্রিয়াকরণ, বক্তৃতা স্বীকৃতি, যুক্তিতর্ক, স্বাস্থ্যসেবা এবং জীববিজ্ঞানে অগ্রগতি।
  3. অর্থনীতি (The Economy) — শ্রমবাজার, বিনিয়োগ এবং AI ক্ষেত্রে কর্পোরেট কার্যকলাপ।
  4. AI শিক্ষা (AI Education) — কর্মী প্রস্তুতির ধারা, কোর্স এবং প্রোগ্রাম।
  5. AI প্রয়োগের নৈতিক চ্যালেঞ্জ (Ethical Challenges of AI Applications) — নীতিমালা, মিডিয়া কভারেজ, সম্মেলনে নৈতিকতা।
  6. AI-তে বৈচিত্র্য (Diversity in AI) — লিঙ্গ, বর্ণ ও জাতিগত বৈচিত্র্য।
  7. AI নীতি ও জাতীয় কৌশল (AI Policy and National Strategies) — আইন প্রণয়ন, আন্তঃসরকার সহযোগিতা, রাষ্ট্রীয় বিনিয়োগ।

প্রতিবেদনের মূল উপসংহার (Top 9)

প্রতিবেদনের লেখকরা ২০২১ সালের নয়টি প্রধান থিসিস চিহ্নিত করেছেন[1]:

১. AI ওষুধ উন্নয়নে বিনিয়োগের তীব্র বৃদ্ধি

"ওষুধ, অনকোলজি, আণবিক, ওষুধ আবিষ্কার" (Drugs, Cancer, Molecular, Drug Discovery) ক্ষেত্রটি ২০২০ সালে AI-তে সর্বাধিক বেসরকারি বিনিয়োগ পেয়েছে — ১৩.৮ বিলিয়ন মার্কিন ডলারেরও বেশি, যা ২০১৯ সালের তুলনায় ৪.৫ গুণ বেশি[1][3]।

২. শিল্পের দিকে কর্মীদের স্থানান্তর অব্যাহত

২০১৯ সালে উত্তর আমেরিকায় AI-তে পিএইচডি স্নাতকদের ৬৫% শিল্পে কাজ বেছে নিয়েছিলেন — ২০১০ সালের ৪৪.৪%-এর তুলনায়, যা AI উন্নয়নে শিল্পের ক্রমবর্ধমান ভূমিকাকে তুলে ধরে[1][4]।

৩. জেনারেটিভ মডেল — "সবকিছু জেনারেটিভ"

AI সিস্টেমগুলো এমন মানের পাঠ্য, অডিও এবং চিত্র তৈরি করতে শিখেছে যে প্রযুক্তির কিছু সীমিত প্রয়োগে মানুষের পক্ষে কৃত্রিম আউটপুট থেকে আসল আউটপুট আলাদা করা কঠিন হয়ে পড়ছে[1]।

৪. AI-তে বৈচিত্র্যের সমস্যা

২০১৯ সালে মার্কিন যুক্তরাষ্ট্রে AI-তে নতুন PhD-প্রাপ্তদের মধ্যে ৪৫% শ্বেতাঙ্গ ছিলেন, ২.৪% আফ্রো-আমেরিকান এবং ৩.২% ল্যাটিনো ছিলেন[1][4]।

৫. চীন AI জার্নাল নিবন্ধ উদ্ধৃতিতে মার্কিন যুক্তরাষ্ট্রকে ছাড়িয়ে গেছে

কয়েক বছর আগে AI-তে মোট জার্নাল প্রকাশনায় মার্কিন যুক্তরাষ্ট্রকে ছাড়িয়ে গিয়ে, চীন ২০২০ সালে প্রথমবারের মতো জার্নাল নিবন্ধ উদ্ধৃতির সংখ্যায়ও এগিয়ে গেছে। তবে মার্কিন যুক্তরাষ্ট্র গত এক দশক ধরে AI সম্মেলন নিবন্ধের সংখ্যায় (যেগুলো আরও বেশি উদ্ধৃত হয়) চীনের চেয়ে ধারাবাহিকভাবে এবং উল্লেখযোগ্যভাবে এগিয়ে আছে[1][5]।

৬. মার্কিন যুক্তরাষ্ট্রে AI-তে অধিকাংশ পিএইচডি শিক্ষার্থী বিদেশি, এবং তারা থেকে যাচ্ছেন

উত্তর আমেরিকায় AI-তে নতুন পিএইচডি শিক্ষার্থীদের মধ্যে বিদেশি শিক্ষার্থীদের অনুপাত ২০১৯ সালে বাড়তে থেকে ৬৪.৩%-এ পৌঁছেছে — ২০১৮ সালের তুলনায় ৪.৩ শতাংশ পয়েন্ট বৃদ্ধি। বিদেশি স্নাতকদের মধ্যে ৮১.৮% মার্কিন যুক্তরাষ্ট্রে থেকেছেন এবং ৮.৬% মার্কিন যুক্তরাষ্ট্রের বাইরে কাজ পেয়েছেন[1][4]।

৭. নজরদারি প্রযুক্তি — দ্রুত, সস্তা এবং সর্বব্যাপী

ব্যাপক নজরদারির জন্য প্রয়োজনীয় প্রযুক্তিগুলো দ্রুত উন্নত হচ্ছে: চিত্র শ্রেণিবিভাগ, মুখ শনাক্তকরণ, ভিডিও বিশ্লেষণ এবং ভয়েস সনাক্তকরণের পদ্ধতিগুলো ২০২০ সালে উল্লেখযোগ্য অগ্রগতি দেখিয়েছে[1]।

৮. AI নৈতিকতার কোনো benchmark এবং ঐকমত্য নেই

বেশ কিছু সংগঠন AI নৈতিকতার ক্ষেত্রে গুণগত ও নিয়মসম্মত নথি প্রকাশ করলেও, সামগ্রিকভাবে এই ক্ষেত্রে এমন কোনো benchmark নেই যা প্রযুক্তি উন্নয়ন সম্পর্কে জনসাধারণের আলোচনা এবং উন্নয়ন প্রক্রিয়ার মধ্যে সম্পর্ক পরিমাপ বা মূল্যায়নে ব্যবহার করা যায়[1]।

৯. AI মার্কিন কংগ্রেসের মনোযোগ আকর্ষণ করেছে

১১৬তম কংগ্রেস ইতিহাসে সবচেয়ে AI-কেন্দ্রিক হয়েছে: তার কার্যবিবরণীতে AI-এর উল্লেখের সংখ্যা ১১৫তম কংগ্রেসের তুলনায় তিনগুণেরও বেশি হয়েছে[1][6]।

অধ্যায় ১। গবেষণা ও উন্নয়ন

অধ্যায়টি প্রকাশনার ধারা (পিয়ার-রিভিউড, জার্নাল, সম্মেলন, পেটেন্ট), arXiv-এ কার্যকলাপ, সম্মেলন এবং মুক্ত সফটওয়্যার বিশ্লেষণ করে[1]।

পিয়ার-রিভিউড প্রকাশনা

AI-তে মোট পিয়ার-রিভিউড প্রকাশনার সংখ্যা ২০০০ থেকে ২০১৯ সালের মধ্যে প্রায় ১২ গুণ বৃদ্ধি পেয়েছে। বিশ্বের সমস্ত পিয়ার-রিভিউড প্রকাশনার মধ্যে AI প্রকাশনার অংশ ২০০০ সালের ০.৮২% থেকে ২০১৯ সালে ৩.৮%-এ বৃদ্ধি পেয়েছে[1][7]।

আঞ্চলিক বিতরণ। পূর্ব এশিয়া ও প্রশান্ত মহাসাগরীয় অঞ্চল ২০০৪ সাল থেকে AI পিয়ার-রিভিউড প্রকাশনায় সর্বোচ্চ অংশ ধরে রেখেছে (২০১৯ সালে ৩৬.৯%), এরপর রয়েছে ইউরোপ ও মধ্য এশিয়া (২৫.১%) এবং উত্তর আমেরিকা (১৭.০%)। ২০০৯ থেকে ২০১৯ সালের মধ্যে দক্ষিণ এশিয়া এবং সাব-সাহারান আফ্রিকা সর্বাধিক বৃদ্ধি দেখিয়েছে — যথাক্রমে আট এবং সাত গুণ[1][5]।

ভৌগোলিক অঞ্চল অনুযায়ী তুলনা। ২০১৯ সালের মধ্যে চীন বিশ্বে AI পিয়ার-রিভিউড প্রকাশনায় প্রথম স্থান দখল করেছে (২২.৪%), ২০১৭ সালে ইইউ-কে (১৬.৪%) ছাড়িয়ে গেছে। মার্কিন যুক্তরাষ্ট্র তৃতীয় স্থানে (১৪.৬%)। চীন ২০১৯ সালে ২০১৪ সালের তুলনায় ৩.৫ গুণ বেশি পিয়ার-রিভিউড AI নিবন্ধ প্রকাশ করেছে[1][7]।

প্রাতিষ্ঠানিক অধিভুক্তি। প্রতিটি প্রধান অঞ্চলে পিয়ার-রিভিউড প্রকাশনার সর্বোচ্চ অংশ একাডেমিক প্রতিষ্ঠানগুলোর। তবে দ্বিতীয় গুরুত্বপূর্ণ উৎসগুলো ভিন্ন: মার্কিন যুক্তরাষ্ট্রে কর্পোরেট গবেষণা মোট সংখ্যার ১৯.২% গঠন করে, যেখানে চীন ও ইইউতে দ্বিতীয় স্থানে রয়েছে রাষ্ট্রীয় প্রতিষ্ঠানগুলো (যথাক্রমে ১৫.৬% এবং ১৭.২%)[1][7]।

একাডেমিক-কর্পোরেট সহযোগিতা। ২০১৫ থেকে ২০১৯ সালের মধ্যে মার্কিন যুক্তরাষ্ট্র সর্বাধিক যৌথ একাডেমিক-কর্পোরেট পিয়ার-রিভিউড AI প্রকাশনা উৎপাদন করেছে — দ্বিতীয় স্থানে থাকা ইইউ-এর চেয়ে দ্বিগুণেরও বেশি, এরপর রয়েছে চীন[1]।

জার্নাল প্রকাশনা

২০২০ সালে AI জার্নাল প্রকাশনার সংখ্যা ২০০০ সালের তুলনায় ৫.৪ গুণ বেশি ছিল। ২০১৯ থেকে ২০২০ সালের মধ্যে বৃদ্ধি ছিল ৩৪.৫% — ২০১৮ থেকে ২০১৯ সালের (১৯.৬%) তুলনায় উল্লেখযোগ্যভাবে বেশি শতকরা হার। বিশ্বের সমস্ত জার্নাল প্রকাশনার মধ্যে AI জার্নাল প্রকাশনার অংশ ২০২০ সালে ২.২% ছিল[1][5]।

উদ্ধৃতি। ২০২০ সালে চীন (২০.৭%) প্রথমবারের মতো বিশ্বে AI জার্নাল নিবন্ধ উদ্ধৃতির অংশে মার্কিন যুক্তরাষ্ট্রকে (১৯.৮%) ছাড়িয়ে গেছে। ইইউ মোট অংশ হারাতে থেকেছে (১১.০%)[1][5]।

সম্মেলন প্রকাশনা

AI সম্মেলন প্রকাশনার সংখ্যা ২০০০ থেকে ২০১৯ সালের মধ্যে চার গুণ বৃদ্ধি পেয়েছে। চীন ২০১৯ সালে AI সম্মেলন প্রকাশনার অংশে মার্কিন যুক্তরাষ্ট্রকে ছাড়িয়ে গেছে[1][5]।

উদ্ধৃতি। জার্নাল প্রকাশনার বিপরীতে, মার্কিন যুক্তরাষ্ট্র গত এক দশকে AI সম্মেলন নিবন্ধ উদ্ধৃতিতে ধারাবাহিক ও উল্লেখযোগ্য নেতৃত্ব বজায় রেখেছে (২০২০ সালে ৪০.১%), চীন (১১.৮%) এবং ইইউ (১০.৯%) থেকে উল্লেখযোগ্যভাবে এগিয়ে[1][5]।

arXiv-এ প্রকাশনা

ছয় বছরে arXiv-এ AI সংক্রান্ত প্রকাশনার সংখ্যা ছয় গুণেরও বেশি বৃদ্ধি পেয়েছে: ২০১৫ সালের ৫,৪৭৮ থেকে ২০২০ সালে ৩৪,৭৩৬-এ[1][8]। গবেষণা ক্ষেত্রগুলোর মধ্যে ২০১৫-২০২০ সালে সর্বাধিক বৃদ্ধি দেখিয়েছে রোবোটিক্স (cs.RO, ১১ গুণ বৃদ্ধি) এবং Machine Learning (cs.LG, ১০ গুণ বৃদ্ধি)। ২০২০ সালে প্রকাশনার সংখ্যায় শীর্ষে ছিল cs.LG (৩২.০%) এবং কম্পিউটার ভিশন cs.CV (৩১.৭%)[1]।

উত্তর আমেরিকা এখনো arXiv প্রকাশনায় (২০২০ সালে ৩৬.৩%) নেতৃত্ব দিচ্ছিল, তবে এই অংশ হ্রাস পাচ্ছিল (২০১৭ সালে ৪১.৬% থেকে)। পূর্ব এশিয়া ও প্রশান্ত মহাসাগরীয় অঞ্চলের অংশ ধারাবাহিকভাবে বৃদ্ধি পেয়েছে: ২০১৫ সালের ১৭.৩% থেকে ২০২০ সালে ২৬.৫%-এ[1]।

পেটেন্ট

Microsoft Academic Graph-এর তথ্য দুই দশক ধরে AI সংক্রান্ত পেটেন্টের সংখ্যায় ধারাবাহিক বৃদ্ধি দেখায়[1][5]।

Deep Learning

Nesta-এর গবেষকরা arXiv-এ Deep Learning প্রকাশনা সনাক্ত করতে টপিক মডেলিং অ্যালগরিদম ব্যবহার করেছেন। গত পাঁচ বছরে arXiv-এ Deep Learning প্রকাশনার সংখ্যা প্রায় ছয় গুণ বৃদ্ধি পেয়েছে[1][9]।

সম্মেলন

২০২০ সালে COVID-19-এর কারণে অধিকাংশ প্রধান AI সম্মেলন ভার্চুয়াল ফর্ম্যাটে অনুষ্ঠিত হয়েছিল, যা উপস্থিতিতে তীব্র বৃদ্ধি ঘটিয়েছিল। নয়টি সম্মেলনের অংশগ্রহণকারীর সংখ্যা প্রায় দ্বিগুণ হয়েছিল[1]। প্রধান সম্মেলনগুলোর মধ্যে: NeurIPS (২২,০১১ জন অংশগ্রহণকারী), IROS (২৫,৭১৯ — তিন মাসের বর্ধিত প্রবেশাধিকার সহ ভার্চুয়াল ফর্ম্যাট), ICML (১০,৮০০), CVPR (৭,৫০০)। ছোট সম্মেলনগুলোর মধ্যে উল্লেখ্য ICLR (৫,৬০০), ACL (৩,৯৭২), AAMAS (৩,৭২৬)[1]।

কর্পোরেট উপস্থিতি। গবেষণায় দেখা গেছে যে বড় প্রযুক্তি কোম্পানিগুলো প্রধান AI সম্মেলনে তাদের উপস্থিতি বাড়াচ্ছে। সব ১০টি প্রধান সম্মেলনে কর্পোরেট প্রতিনিধিত্বের ঊর্ধ্বমুখী প্রবণতা দেখা গেছে। "The De-Democratization of AI" নিবন্ধের লেখকরা উল্লেখ করেন যে একাডেমিয়া ও শিল্পের মধ্যে কম্পিউটিং সম্পদের অসম বিতরণ — তথাকথিত "কম্পিউট ডিভাইড" (compute divide) — Deep Learning যুগে বৈষম্য আরও বাড়াচ্ছে[10]।

মুক্ত সফটওয়্যার

TensorFlow (Google-এর তৈরি, ২০১৭ সালে প্রকাশ্যে প্রকাশিত) GitHub-এ সবচেয়ে জনপ্রিয় ওপেন-সোর্স AI লাইব্রেরি হিসেবে রয়েছে (২০২০ সাল নাগাদ ১৫৩ হাজার স্টার)। দ্বিতীয় সর্বাধিক জনপ্রিয় লাইব্রেরি হয়েছে Keras (৫১ হাজার স্টার), তৃতীয় — Facebook-এর PyTorch (৪৬ হাজার স্টার)। অন্যান্য উল্লেখযোগ্য লাইব্রেরির মধ্যে রয়েছে Scikit-learn (৪৫ হাজার), BVLC/Caffe (৩১ হাজার), MXNet (১৯ হাজার) এবং CNTK (১৭ হাজার)[1][11]।

অধ্যায় ২। প্রযুক্তিগত কার্যক্ষমতা

অধ্যায়টি কম্পিউটার ভিশন (চিত্র ও ভিডিও), প্রাকৃতিক ভাষা প্রক্রিয়াকরণ, ভাষা ও দৃষ্টি সংক্রান্ত যুক্তিতর্ক, বক্তৃতা স্বীকৃতি, প্রতীকী যুক্তিতর্ক এবং স্বাস্থ্যসেবা ও জীববিজ্ঞানে অগ্রগতি জুড়ে বিস্তৃত[1]।

কম্পিউটার ভিশন — চিত্র

ImageNet। কম্পিউটার ভিশন গত এক দশকে অসাধারণ অগ্রগতি করেছে। বেশ কয়েকটি প্রধান benchmark-এ কার্যক্ষমতা সমতলীভূত হতে শুরু করেছে, যা আরও জটিল পরীক্ষা তৈরির প্রয়োজনীয়তা নির্দেশ করে। প্রতিবেদনটি ImageNet-এ Top-1 এবং Top-5 নির্ভুলতার পাশাপাশি প্রশিক্ষণের সময় ও খরচের তথ্য উপস্থাপন করে[1][12]।

নতুন জটিল পরীক্ষা। যেহেতু স্ট্যান্ডার্ড ImageNet-এ অগ্রগতি মন্থর হচ্ছে, প্রতিবেদনটি আরও জটিল benchmark উপস্থাপন করে: ImageNet-Adversarial (প্রাকৃতিক বাধাকারী উপাদান এবং পদ্ধতিগতভাবে ভুল শ্রেণিবদ্ধ চিত্র ধারণ করে), ImageNet-C (৭৫ ধরনের ভিজ্যুয়াল বিকৃতি: উজ্জ্বলতা পরিবর্তন, কনট্রাস্ট, পিক্সেলেশন, কুয়াশা প্রভাব) এবং ImageNet-Rendition (ImageNet-এর ২০০টি শ্রেণির ৩০,০০০ চিত্র, সাধারণীকরণ পরীক্ষা করে)[1]।

চিত্র তৈরি। অগ্রগতি STL-10 dataset-এ Fréchet Inception Distance (FID) সূচক দিয়ে পরিমাপ করা হয় — ২০২০ সাল নাগাদ সর্বোত্তম মান ছিল ২৫.৪ (কম হলে ভালো)। মুখের তৈরির গুণগত উদাহরণগুলো GAN-এর দ্রুত অগ্রগতি দেখায়: ২০১৮ সালের মধ্যে কার্যক্ষমতা এমন স্তরে পৌঁছেছে যেখানে মানুষের পক্ষে নকল সনাক্ত করা কঠিন[1][13]।

ডিপফেক সনাক্তকরণ। ফেসবুকের তৈরি Deepfake Detection Challenge (DFDC), যা ২০১৯ সালের সেপ্টেম্বরে চালু হয়েছিল, ২০১৯ সালের ডিসেম্বর থেকে ২০২০ সালের মার্চের মধ্যে log loss প্রায় ০.৫ হ্রাস পেয়ে ০.১৯-এ পৌঁছেছে[1][14]।

মানবদেহের ভঙ্গি মূল্যায়ন। COCO Keypoint Detection benchmark-এ অ্যালগরিদমের নির্ভুলতা চার বছরে প্রায় ৩৩% উন্নত হয়েছে, গড় নির্ভুলতা (AP) ৮০.৮%-এ পৌঁছেছে[1]।

সিমান্টিক সেগমেন্টেশন। Cityscapes benchmark এবং অন্যান্য সেগমেন্টেশন কাজে অগ্রগতি অব্যাহত ছিল[1]।

কম্পিউটার ভিশন — ভিডিও

ActivityNet। ক্রিয়া শনাক্তকরণের benchmark সময়গত ক্রিয়া স্থানীয়করণের কাজে অ্যালগরিদমের আরও উন্নতি প্রদর্শন করেছে[1]।

YOLO (You Only Look Once)। ভিডিও স্ট্রিম থেকে ফ্রেম বিশ্লেষণের জন্য অবজেক্ট সনাক্তকরণ সিস্টেমগুলো দ্রুত পরিপক্ব হচ্ছে, যা AI স্থাপনের সুযোগ বিস্তার নির্দেশ করে[1]।

মুখ শনাক্তকরণ (NIST FRVT)। প্রতিবেদনে মুখ শনাক্তকরণ সিস্টেম পরীক্ষায় ন্যাশনাল ইনস্টিটিউট অব স্ট্যান্ডার্ডস অ্যান্ড টেকনোলজি (NIST)-এর তথ্য অন্তর্ভুক্ত রয়েছে। ব্যাপক নজরদারির জন্য প্রযুক্তিগুলো দ্রুত বিকশিত হচ্ছে[1][15]।

প্রাকৃতিক ভাষা প্রক্রিয়াকরণ (NLP)

SuperGLUE। NLP-তে দ্রুত অগ্রগতির ফলে AI সিস্টেমগুলো SuperGLUE benchmark-এ মানব স্তরে পৌঁছাতে শুরু করেছে, যা এর আগের GLUE benchmark খুব দ্রুত অতিক্রম করা হওয়ার প্রতিক্রিয়ায় তৈরি হয়েছিল। NLP-তে অগ্রগতি এর মূল্যায়নের মেট্রিক্সকে ছাড়িয়ে যাচ্ছে[1][16]।

SQuAD। Stanford Question Answering Dataset benchmark-ও মডেলের কার্যক্ষমতায় ধারাবাহিক বৃদ্ধি প্রদর্শন করেছে[1]।

বাণিজ্যিক মেশিন অনুবাদ। পূর্ব-প্রশিক্ষিত মডেলযুক্ত বাণিজ্যিকভাবে উপলব্ধ স্বতন্ত্র ক্লাউড মেশিন অনুবাদ সিস্টেমের সংখ্যা ২০১৭ সালের ৮ থেকে ২০২০ সালে ২৮-এ বৃদ্ধি পেয়েছে[1][17]।

GPT-3। ২০২০ সালের জুলাইয়ে OpenAI GPT-3 উপস্থাপন করেছিল — তৎকালীন সবচেয়ে বড় পরিচিত ঘন ভাষা মডেল যার ১৭৫ বিলিয়ন প্যারামিটার ছিল এবং ৫৭০ GB পাঠ্যে প্রশিক্ষিত ছিল। তুলনায়: এর পূর্বসূরি GPT-2 ছিল ১০০ গুণেরও বেশি ছোট (১.৫ বিলিয়ন প্যারামিটার)। স্কেলটি আশ্চর্যজনক আচরণের দিকে নিয়ে গেছে: GPT-3 এমন কাজ সম্পাদন করতে সক্ষম যেখানে এটি স্পষ্টভাবে প্রশিক্ষিত হয়নি, zero-shot এবং few-shot learning-এ। ৪২টি নির্ভুলতা benchmark-এর গড়: zero-shot — ৪২.৬%, one-shot — ৫১.০%, few-shot — ৫৭.৪%[1][18]।

চিত্তাকর্ষক সক্ষমতা থাকা সত্ত্বেও, GPT-3-এর গুরুতর ত্রুটি রয়েছে: বর্ণবাদী, যৌনতাবাদী এবং অন্যান্য পক্ষপাতমূলক পাঠ্য তৈরি করতে পারে, ঘটনাগতভাবে ভুল দাবি করতে পারে এবং প্রশিক্ষণে অত্যন্ত ব্যয়বহুল। এই ধরনের আউটপুট পরিচালনা ও "পথনির্দেশনা" সংক্রান্ত গবেষণা প্রারম্ভিক পর্যায়ে রয়েছে তবে আশাব্যঞ্জক[1][18]।

ভাষা ও দৃষ্টি সংক্রান্ত যুক্তিতর্ক

VQA। Visual Question Answering benchmark-এ নির্ভুলতা ২০১৫ সালে এর প্রতিষ্ঠার পর থেকে প্রায় ৪০% বৃদ্ধি পেয়েছে, ২০২০ সালে ৭৬.৪%-এ পৌঁছেছে (মানব ভিত্তি স্তর — ৮০.৮%)[1][19]।

VCR। Visual Commonsense Reasoning (উত্তরের যুক্তি প্রদান প্রয়োজন) কাজে সেরা মেশিন Q→AR মান ২০১৮ সালের ৪৪ থেকে ২০২০ সালে ৭০.৫-এ উন্নত করেছে (৬০.২% বৃদ্ধি), মানব স্তর ৮৫-এর তুলনায়[1]।

বক্তৃতা স্বীকৃতি

LibriSpeech। স্বয়ংক্রিয় বক্তৃতা স্বীকৃতিতে অগ্রগতি অব্যাহত ছিল, মূলত গভীর Neural Network-এর নমনীয়তা ও পূর্বাভাসী শক্তির কারণে[1]।

VoxCeleb। YouTube-এর ভিডিও সাক্ষাৎকার থেকে সংগৃহীত সংক্ষিপ্ত মানব বক্তৃতা ক্লিপ নিয়ে গঠিত dataset, যাতে ৭,০০০-এরও বেশি বক্তা এবং দশ লক্ষেরও বেশি উচ্চারণ রয়েছে। বক্তা সনাক্তকরণ মূল্যায়নে ব্যবহৃত হয়[1][20]।

বক্তৃতা স্বীকৃতিতে বর্ণগত ব্যবধান। প্রতিবেদনে বক্তৃতা স্বীকৃতি প্রযুক্তিতে উল্লেখযোগ্য বর্ণগত ব্যবধানের অস্তিত্ব উল্লেখ করা হয়েছে[1]।

প্রতীকী যুক্তিতর্ক

বুলিয়ান সূত্র পরিতৃপ্তিযোগ্যতা সমস্যা (SAT)। প্রতিবেদনটি টেম্পোরাল শ্যাপলি মান (temporal Shapley value) ব্যবহার করে একটি নতুন বিশ্লেষণ উপস্থাপন করে, যা সামগ্রিক কার্যক্ষমতায় পৃথক সিস্টেমের অবদান নির্ণয় করতে দেয়। ২০২০ সালের বিজয়ী Kissat — সমস্ত সলভারের মধ্যে সর্বোচ্চ টেম্পোরাল শ্যাপলি মান প্রদর্শন করেছে (প্রথম বছর ব্যতীত), মূলত আরও দক্ষ ডেটা কাঠামো এবং অ্যালগরিদমের কারণে[1][21]।

স্বয়ংক্রিয় উপপাদ্য প্রমাণ (ATP)। TPTP লাইব্রেরি বিশ্লেষণ (২৩,০০০-এরও বেশি সমস্যা) ১৯৯৭ থেকে ২০২০ সালের মধ্যে সমাধানযোগ্য সমস্যার অনুপাতে ধারাবাহিক বৃদ্ধি দেখায়। ২০০৮-২০১৩ সালে উল্লেখযোগ্য অগ্রগতি লক্ষ করা গেছে, এবং ২০১৫ সাল থেকে অগ্রগতি অব্যাহত রয়েছে তবে ধীরগতিতে। Machine Learning-এর ক্রমবর্ধমান ব্যবহার (MaLARea, Enigma সিস্টেমে) ATP-এর জন্য সম্ভাব্য বৈপ্লবিক কারণ হিসেবে বিবেচিত[1][22]।

স্বাস্থ্যসেবা ও জীববিজ্ঞান

আণবিক সংশ্লেষণ। Machine Learning মডেলগুলো আরও দক্ষ রাসায়নিক সংশ্লেষণ পরিকল্পনার জন্য রাসায়নিক অণুর উপস্থাপনা শেখাতে ব্যবহৃত হচ্ছে[1]।

COVID-19 এবং ওষুধ আবিষ্কার। স্টার্টআপ PostEra COVID Moonshot প্রকল্পের অংশ হিসেবে COVID-19 সংক্রান্ত ওষুধ আবিষ্কার প্রক্রিয়া ত্বরান্বিত করতে Machine Learning পদ্ধতি প্রয়োগ করেছিল[1][2]।

AlphaFold এবং প্রোটিন ফোল্ডিং। প্রোটিন কাঠামো পূর্বাভাসে DeepMind-এর অগ্রগতি বছরের সবচেয়ে উল্লেখযোগ্য অর্জনগুলোর একটি হয়েছে। AlphaFold 2 CASP14 প্রতিযোগিতায় (২০২০) ফ্রি মডেলিং কাজে পরীক্ষামূলক পদ্ধতির সাথে তুলনীয় মধ্যমা GDT_TS মান অর্জন করেছে, সমস্ত পূর্ববর্তী ফলাফলকে উল্লেখযোগ্যভাবে ছাড়িয়ে গেছে। এর বিস্তৃত প্রয়োগ রয়েছে — জীবনের কোষীয় ভিত্তি আরও ভালোভাবে বোঝা থেকে ওষুধ উন্নয়ন ত্বরান্বিত করা পর্যন্ত[1][23]।

বিশেষজ্ঞদের মতামত

AI Index কর্তৃক পরিচালিত AI বিশেষজ্ঞ সমীক্ষায় নিম্নলিখিত উপসংহার পাওয়া গেছে[1]:

  • ২০২০ সালের সবচেয়ে চিত্তাকর্ষক অর্জন হিসেবে AlphaFold (DeepMind) এবং GPT-3 (OpenAI) স্বীকৃত হয়েছে — বাকিদের থেকে বেশ এগিয়ে।
  • ২০২১ সালের মূল ধারা — পূর্ব-প্রশিক্ষিত মডেলের আরও বিকাশ এবং সংকীর্ণ কাজের জন্য তাদের fine-tuning।
  • পার্সি লিয়াং (স্ট্যানফোর্ড) Transformer আর্কিটেকচারের আধিপত্য উল্লেখ করেছেন, যা মূলত মেশিন অনুবাদের জন্য তৈরি হলেও Neural Network-এর কার্যত মানসম্মত আর্কিটেকচার হয়ে উঠেছে।

অধ্যায় ৩। অর্থনীতি

অধ্যায়টি শ্রমবাজার, বিনিয়োগ এবং কর্পোরেট কার্যকলাপের দৃষ্টিকোণ থেকে AI ও বৈশ্বিক অর্থনীতির মধ্যে ক্রমবর্ধমান আন্তঃসম্পর্ক পরীক্ষা করে[1]।

শ্রমবাজার

AI বিশেষজ্ঞ নিয়োগ। ব্রাজিল, ভারত, কানাডা, সিঙ্গাপুর এবং দক্ষিণ আফ্রিকা ২০১৬ থেকে ২০২০ সালের মধ্যে AI বিশেষজ্ঞ নিয়োগে সর্বাধিক বৃদ্ধি দেখিয়েছে। মহামারী সত্ত্বেও, ২০২০ সালে সমস্ত অধ্যয়নকৃত দেশে নিয়োগ বাড়তে থেকেছে[1][24]।

মার্কিন যুক্তরাষ্ট্রে AI বিশেষজ্ঞের চাহিদা। মার্কিন যুক্তরাষ্ট্রে AI ক্ষেত্রে শূন্যপদের সংখ্যা ২০১৯ থেকে ২০২০ সালে ৮.২% হ্রাস পেয়েছে (৩২৫,৭২৪ থেকে ৩০০,৯৯৯)। এটি ছয় বছরে AI শূন্যপদের অংশে প্রথম হ্রাস[1][25]।

AI দক্ষতার প্রবেশ। অধ্যয়নকৃত দেশগুলোর মধ্যে ভারতে AI দক্ষতা প্রবেশের সর্বোচ্চ আপেক্ষিক সূচক রয়েছে (বৈশ্বিক গড়ের ২.৮৩ গুণ), এরপর মার্কিন যুক্তরাষ্ট্র (১.৯৯), চীন (১.৪০), জার্মানি (১.২৭) এবং কানাডা (১.১৩)। শিল্প অনুযায়ী ভারত পাঁচটি শীর্ষ খাতে নেতৃত্ব দেয়: শিক্ষা, অর্থ, হার্ডওয়্যার ও নেটওয়ার্ক, উৎপাদন, সফটওয়্যার ও আইটি পরিষেবা[1][24]।

বিনিয়োগ

কর্পোরেট বিনিয়োগ। AI-তে মোট বৈশ্বিক বিনিয়োগ (বেসরকারি বিনিয়োগ, IPO, একীভূতকরণ ও অধিগ্রহণ, সংখ্যালঘু অংশীদারিত্ব) ২০১৯ সালের তুলনায় ২০২০ সালে ৪০% বৃদ্ধি পেয়ে ৬৭.৯ বিলিয়ন ডলারে পৌঁছেছে। একীভূতকরণ ও অধিগ্রহণ প্রধান অংশ গঠন করেছে, ১২১.৭% বৃদ্ধি পেয়েছে। বড় লেনদেনের মধ্যে রয়েছে NVIDIA কর্তৃক Mellanox Technologies এবং Capgemini কর্তৃক Altran Technologies অধিগ্রহণ[1][3]।

স্টার্টআপ। AI-তে বেসরকারি বিনিয়োগ বাড়তে থাকছে তবে কম সংখ্যক স্টার্টআপে কেন্দ্রীভূত হচ্ছে। ২০২০ সালে বেসরকারি বিনিয়োগ ৯.৩% বৃদ্ধি পেয়েছে (রেকর্ড ৪০+ বিলিয়ন ডলার), তবে অর্থায়নকৃত কোম্পানির সংখ্যা টানা তৃতীয় বছরের মতো হ্রাস পেয়েছে[1][3]।

মনোযোগের ক্ষেত্র। "ওষুধ, অনকোলজি, আণবিক, ওষুধ আবিষ্কার" ক্ষেত্রটি সর্বাধিক বেসরকারি বিনিয়োগ পেয়েছে — ১৩.৮ বিলিয়ন ডলারেরও বেশি, যা ২০১৯ সালের তুলনায় ৪.৫ গুণ বেশি[1]।

কর্পোরেট কার্যকলাপ

AI গ্রহণ (McKinsey তথ্য)। মহামারী-জনিত অর্থনৈতিক মন্দা সত্ত্বেও, McKinsey সমীক্ষার অর্ধেক উত্তরদাতা জানিয়েছেন যে করোনাভাইরাস তাদের AI বিনিয়োগকে প্রভাবিত করেনি, এবং ২৭% আসলে বিনিয়োগ বাড়িয়েছেন। এক-চতুর্থাংশেরও কম কোম্পানি বিনিয়োগ কমিয়েছে[1][26]।

নৈতিক ঝুঁকি। AI ব্যবহারের সাথে সম্পর্কিত নৈতিক সমস্যা সমাধানের ক্রমবর্ধমান আহ্বান সত্ত্বেও, শিল্পে প্রচেষ্টা সীমিত থেকেছে। AI-তে ন্যায্যতা ও সমতার মতো বিষয়গুলো কোম্পানিগুলোর কাছ থেকে তুলনামূলকভাবে কম মনোযোগ পাচ্ছে। ২০২০ সালে ২০১৯ সালের তুলনায় কম কোম্পানি গোপনীয়তা সংক্রান্ত ঝুঁকিকে প্রাসঙ্গিক মনে করেছে[1][26]।

শিল্প রোবট। অধ্যায়টি শিল্প রোবট স্থাপনার বৈশ্বিক প্রবণতা এবং আঞ্চলিক তুলনা সম্পর্কে ইন্টারন্যাশনাল ফেডারেশন অব রোবোটিক্স (IFR)-এর তথ্য অন্তর্ভুক্ত করে[1][27]।

উপার্জন প্রতিবেদনে AI উল্লেখ। তথ্য বিশ্লেষণ কর্পোরেট উপার্জন প্রতিবেদনে AI উল্লেখের সংখ্যা বৃদ্ধি দেখায়[1]।

অধ্যায় ৪। AI শিক্ষা

অধ্যায়টি উচ্চশিক্ষা প্রতিষ্ঠান এবং বিভিন্ন শিক্ষামূলক প্ল্যাটফর্মের দৃষ্টিকোণ থেকে কর্মী প্রস্তুতির ধারা পরীক্ষা করে[1]।

উচ্চশিক্ষা

কোর্স। AI Index ২০২০ সমীক্ষায় দেখা গেছে যে বিশ্বের শীর্ষস্থানীয় বিশ্ববিদ্যালয়গুলো গত চার বছরে AI শিক্ষায় বিনিয়োগ বাড়িয়েছে। AI মডেল নির্মাণ ও স্থাপনের ব্যবহারিক দক্ষতা শেখানো স্নাতক কোর্সের সংখ্যা ১০২.৯% বৃদ্ধি পেয়েছে (২০১৬-১৭ সালের ১০২ থেকে ২০১৯-২০ সালে ২০৭), এবং স্নাতকোত্তর স্তরে ৪১.৭% (১৫১ থেকে ২১৪)। AI ও ML-এ ভূমিকামূলক কোর্সে নিবন্ধিত বা নিবন্ধন চেষ্টা করা শিক্ষার্থীর সংখ্যা চার শিক্ষাবর্ষে প্রায় ৬০% বৃদ্ধি পেয়েছে[1]।

ইইউ-তে ভূমিকামূলক কোর্সে নিবন্ধন ১৬৫% বৃদ্ধি পেয়েছে, যেখানে মার্কিন যুক্তরাষ্ট্রে শেষ শিক্ষাবর্ষে হ্রাস দেখা গেছে, আংশিকভাবে মহামারী এবং কোর্স অফারিংয়ে কাঠামোগত পরিবর্তনের কারণে[1]।

পিএইচডি প্রোগ্রাম। গত ১০ বছরে মার্কিন যুক্তরাষ্ট্রে সমস্ত কম্পিউটার বিজ্ঞান PhD-এর মধ্যে AI PhD-এর অংশ ১৪.২% থেকে ২০১৯ সাল নাগাদ প্রায় ২৩%-এ বৃদ্ধি পেয়েছে। একই সময়ে অন্যান্য পূর্বে জনপ্রিয় বিশেষায়িতকরণ (নেটওয়ার্ক প্রযুক্তি, সফটওয়্যার ইঞ্জিনিয়ারিং, প্রোগ্রামিং ভাষা) জনপ্রিয়তা হারাচ্ছিল[1][4]।

শিক্ষকদের শিল্পে যোগদান। দুই বছরের বৃদ্ধির পর উত্তর আমেরিকায় বিশ্ববিদ্যালয় থেকে AI শিক্ষকদের শিল্পে চলে যাওয়ার সংখ্যা ২০১৮ সালের ৪২ থেকে ২০১৯ সালে ৩৩-এ হ্রাস পেয়েছে। ২০০৪-২০১৯ সালে সর্বাধিক প্রস্থান ছিল Carnegie Mellon-এর (১৬), এরপর Georgia Tech (১৪) এবং ওয়াশিংটন বিশ্ববিদ্যালয় (১২)[1]।

বিদেশি পিএইচডি শিক্ষার্থী। AI-তে নতুন পিএইচডি শিক্ষার্থীদের মধ্যে বিদেশি শিক্ষার্থীর অংশ ২০১৯ সালে ৬৪.৩%-এ পৌঁছেছে। তাদের মধ্যে ৮১.৮% মার্কিন যুক্তরাষ্ট্রে থেকেছেন[1][4]।

ইইউ-তে শিক্ষা। ইইউ-তে AI-তে বিশেষায়িত একাডেমিক অফারিংয়ের বিশাল অংশ স্নাতকোত্তর স্তরে পড়ানো হয়; রোবোটিক্স এবং অটোমেশন বিশেষায়িত স্নাতক ও স্নাতকোত্তর প্রোগ্রামে সবচেয়ে বেশি পড়ানো কোর্স, যেখানে Machine Learning সংক্ষিপ্ত বিশেষায়িত কোর্সে আধিপত্য করে[1][28]।

অধ্যায় ৫। AI প্রয়োগের নৈতিক চ্যালেঞ্জ

অধ্যায়টি AI-এর বিকাশের সাথে উদ্ভূত নৈতিক সমস্যা সমাধানের প্রচেষ্টা পরীক্ষা করে[1]।

AI নীতিমালা ও কাঠামো

২০১৫ থেকে ২০২০ সালের মধ্যে AI নীতিমালা সংক্রান্ত ১১৭টি নথি প্রকাশিত হয়েছে। বেসরকারি কোম্পানিগুলো সমস্ত ধরনের সংগঠনের মধ্যে সবচেয়ে বেশি এই ধরনের নথি প্রকাশ করেছে। ইউরোপ ও মধ্য এশিয়া প্রকাশনার সংখ্যায় শীর্ষে (৫২), এরপর উত্তর আমেরিকা (৪১) এবং পূর্ব এশিয়া ও প্রশান্ত মহাসাগরীয় অঞ্চল (১৪)। প্রকাশনা কার্যকলাপের শীর্ষ ছিল ২০১৮ সালে, বিশেষত প্রযুক্তি কোম্পানিগুলো — IBM, Google, Facebook — এবং যুক্তরাজ্য, ইইউ ও অস্ট্রেলিয়ার সরকারি কাঠামো থেকে[1][29]।

সমালোচকরা উল্লেখ করেন যে নৈতিক নীতিমালা প্রকাশ প্রায়ই প্রাতিষ্ঠানিক কাঠামো ছাড়া এবং ঐচ্ছিক হয়। অনেক নীতিমালার অস্পষ্ট ও বিমূর্ত চরিত্র তাদের বাস্তবায়নে স্পষ্ট নির্দেশনা দেয় না[1]।

মিডিয়ায় নৈতিকতা

২০২০ সালে AI-এর নৈতিক ব্যবহার সংক্রান্ত পাঁচটি সর্বাধিক আলোচিত বিষয়: ইউরোপীয় কমিশনের AI বিষয়ক শ্বেতপত্র প্রকাশ, Google কর্তৃক নৈতিকতা গবেষক Timnit Gebru-এর বরখাস্ত, AI নৈতিকতায় জাতিসংঘ কমিটি, ভ্যাটিকানের AI নৈতিকতা পরিকল্পনা এবং IBM-এর মুখ শনাক্তকরণ ব্যবসা থেকে প্রস্থান[1]।

সম্মেলনে নৈতিকতা

AI সম্মেলনে জমা নিবন্ধের শিরোনামে নৈতিকতা সংক্রান্ত কীওয়ার্ড সহ নিবন্ধের সংখ্যা ২০১৫ সাল থেকে বৃদ্ধি পেয়েছে, যদিও প্রধান সম্মেলনে এই ধরনের শিরোনামের গড় সংখ্যা কম থেকেছে[1]।

শিক্ষায় নৈতিকতা

AI Index সমীক্ষার তথ্য দেখিয়েছে যে AI নৈতিকতা কোর্সগুলো বিশ্বের শীর্ষ বিশ্ববিদ্যালয়গুলোর কম্পিউটার বিজ্ঞান বিভাগে ক্রমশ সাধারণ হয়ে উঠছে[1]।

অধ্যায় ৬। AI-তে বৈচিত্র্য

অধ্যায়টি AI ক্ষেত্রে লিঙ্গ, বর্ণগত, জাতিগত বৈচিত্র্য এবং LGBTQ+ প্রতিনিধিত্ব বিশ্লেষণ করে[1]।

লিঙ্গগত বৈচিত্র্য

CRA-এর তথ্য অনুযায়ী, বিশ্বের বেশ কয়েকটি শীর্ষ বিশ্ববিদ্যালয়ে কম্পিউটার বিজ্ঞানের স্থায়ী অধ্যাপকদের মাত্র ১৬% নারী[1][4]।

বর্ণগত ও জাতিগত বৈচিত্র্য

২০১৯ সালে মার্কিন যুক্তরাষ্ট্রে AI-তে নতুন PhD-প্রাপ্তদের মধ্যে: ৪৫% শ্বেতাঙ্গ, ২২.৪% এশিয়ান, ৩.২% ল্যাটিনো, ২.৪% আফ্রো-আমেরিকান। কম্পিউটার বিজ্ঞানে নতুন PhD-প্রাপ্তদের মধ্যে শ্বেতাঙ্গ (অ-হিস্পানিক) অংশ গত ১০ বছরে কার্যত অপরিবর্তিত থেকেছে, গড়ে ৬২.৭%[1][4]।

অধ্যাপকমণ্ডলীর বর্ণগত গঠন। বর্ণগত গঠন সংক্রান্ত প্রশ্নের উত্তর দেওয়া ১৫টি বিশ্ববিদ্যালয়ের মধ্যে: ৬৭.০% স্থায়ী অধ্যাপক শ্বেতাঙ্গ, ১৪.৩% এশিয়ান, ০.৮% ল্যাটিনো, ০.৬% কৃষ্ণাঙ্গ বা আফ্রিকান[1]।

Black in AI। ২০১৭ সালে Timnit Gebru এবং Rediet Abebe কর্তৃক প্রতিষ্ঠিত Black in AI সংগঠন ২০২০ সাল নাগাদ প্রায় ৩,০০০ সদস্যে পৌঁছেছিল। NeurIPS-এ BAI কর্মশালায় অংশগ্রহণ উল্লেখযোগ্যভাবে বৃদ্ধি পেয়েছে: ২০১৯ সালে অংশগ্রহণকারী ও জমা দেওয়া নিবন্ধের সংখ্যা ২০১৭ সালের তুলনায় ২.৬ গুণ বেশি ছিল[1]।

লিঙ্গ পরিচয় ও যৌন অভিমুখিতা

Queer in AI (QAI) ২০২০ সমীক্ষার তথ্য অনুযায়ী, প্রায় অর্ধেক উত্তরদাতা মনে করেন AI ক্ষেত্রে অপর্যাপ্ত অন্তর্ভুক্তি তাদের কর্মজীবনের প্রতিবন্ধক। QAI-এর ৪০%-এরও বেশি সদস্য কর্মস্থলে বা পড়াশোনায় বৈষম্য বা হয়রানির কথা জানিয়েছেন। ৮১.৪% রোল মডেলের অনুপস্থিতিকে প্রধান প্রতিবন্ধক হিসেবে চিহ্নিত করেছেন[1][30]।

অধ্যায় ৭। AI নীতি ও জাতীয় কৌশল

অধ্যায়টি স্থানীয়, জাতীয় ও আন্তর্জাতিক স্তরে AI নিয়ন্ত্রণের ভূদৃশ্য জুড়ে বিস্তৃত[1]।

জাতীয় কৌশল

২০১৭ সালে কানাডা বিশ্বের প্রথম জাতীয় AI কৌশল প্রকাশের পর থেকে ৩০টিরও বেশি দেশ ও অঞ্চল ২০২০ সালের ডিসেম্বর নাগাদ অনুরূপ নথি প্রকাশ করেছে। আরও ২২টি দেশ কৌশল প্রণয়নের প্রক্রিয়ায় ছিল[1]।

বছর কৌশলসমূহ
২০১৭ কানাডা, চীন, জাপান, ফিনল্যান্ড, সংযুক্ত আরব আমিরাত
২০১৮ ইইউ, ফ্রান্স, জার্মানি, দক্ষিণ কোরিয়া, যুক্তরাজ্য, ভারত, মেক্সিকো, অস্ট্রেলিয়া এবং অন্যান্য
২০১৯ মার্কিন যুক্তরাষ্ট্র (আপডেটকৃত), রাশিয়া, নেদারল্যান্ডস, চেক প্রজাতন্ত্র, সিঙ্গাপুর এবং অন্যান্য
২০২০ স্পেন, ব্রাজিল, পোল্যান্ড, তুরস্ক এবং অন্যান্য

কানাডা (২০১৭): Pan-Canadian AI Strategy, ১২৫ মিলিয়ন CAD (৯৭ মিলিয়ন USD) বাজেট, কর্মী প্রস্তুতি ও নৈতিক দিকের উপর জোর[1]।

চীন (২০১৭): সবচেয়ে ব্যাপক কৌশলগুলোর একটি, যা গবেষণা ও উন্নয়ন, শিক্ষা, নৈতিক নিয়ম এবং জাতীয় নিরাপত্তা জুড়ে বিস্তৃত। লক্ষ্য: ২০২০ সালের মধ্যে বিশ্বমানে পৌঁছানো, ২০২৫ সালের মধ্যে বিশ্ব নেতা হওয়া, ২০৩০ সালের মধ্যে প্রধান উদ্ভাবন কেন্দ্র হওয়া[1]।

ইইউ (২০১৮): Coordinated Plan on Artificial Intelligence, AI গবেষণায় বছরে কমপক্ষে ১ বিলিয়ন EUR এবং কৌশলের অন্যান্য দিকে ৪.৯ বিলিয়ন EUR[1]।

ফ্রান্স (২০১৮): AI for Humanity, ২০২২ সাল পর্যন্ত ১.৫ বিলিয়ন EUR বাজেট, কৌশলগত খাত: স্বাস্থ্যসেবা, পরিবেশ, পরিবহন ও প্রতিরক্ষা[1]।

আন্তর্জাতিক সহযোগিতা

২০২০ সালে গ্লোবাল পার্টনারশিপ অন AI (GPAI) এবং OECD-এর অধীনে AI নীতি পর্যবেক্ষণ কেন্দ্র চালু হওয়া AI উন্নয়নে সহায়তায় আন্তঃসরকার প্রচেষ্টাকে জোরদার করেছে[1][31][32]।

মার্কিন যুক্তরাষ্ট্রের রাষ্ট্রীয় বিনিয়োগ

ফেডারেল বাজেট। প্রতিবেদনটি AI-তে অ-সামরিক গবেষণা ও উন্নয়নে মার্কিন ফেডারেল বাজেটের তথ্য বিশ্লেষণ করে[1]।

প্রতিরক্ষা মন্ত্রণালয়ের বাজেট। AI-তে মার্কিন প্রতিরক্ষা মন্ত্রণালয়ের বাজেট অনুরোধের তথ্য অন্তর্ভুক্ত করা হয়েছে[1]।

রাষ্ট্রীয় চুক্তি। চুক্তিতে মোট ব্যয় এবং বিভাগ অনুযায়ী তার বিতরণ বিশ্লেষণ[1][6]।

আইন প্রণয়ন কার্যকলাপ

মার্কিন কংগ্রেস। ১১৬তম কংগ্রেস ইতিহাসে সবচেয়ে AI-কেন্দ্রিক হয়েছে। আইনি আইন, কমিটি প্রতিবেদন এবং কংগ্রেসনাল রিসার্চ সার্ভিস (CRS) প্রতিবেদনে AI-এর উল্লেখের সংখ্যা ১১৫তম কংগ্রেসের তুলনায় তিনগুণেরও বেশি হয়েছে[1][6]।

কেন্দ্রীয় ব্যাংক। প্রতিবেদনে কেন্দ্রীয় ব্যাংকের উপকরণে AI ও ML-এর উল্লেখ সংক্রান্ত তথ্য অন্তর্ভুক্ত রয়েছে[1]।

পদ্ধতি ও তথ্য উৎস

প্রতিবেদনটি বহু উৎস থেকে প্রাপ্ত তথ্যের উপর ভিত্তি করে তৈরি[1]:

  • প্রকাশনা: Elsevier/Scopus (৭০ মিলিয়ন পিয়ার-রিভিউড গবেষণাপত্র), Microsoft Academic Graph (MAG, ২২৫+ মিলিয়ন প্রকাশনা), arXiv, Nesta।
  • Benchmark: Papers With Code, SuperGLUE, VQA, VCR, COCO, ImageNet, NIST FRVT, LibriSpeech, VoxCeleb, TPTP, CASP এবং অন্যান্য।
  • শ্রমবাজার: LinkedIn Economic Graph, Burning Glass Technologies।
  • বিনিয়োগ: S&P Capital IQ (CapIQ), Crunchbase, NetBase Quid।
  • কর্পোরেট কার্যকলাপ: McKinsey & Company (Global Survey on AI), International Federation of Robotics (IFR), Prattle (earnings calls)।
  • শিক্ষা: CRA Taulbee Survey, Joint Research Centre (European Commission), AI Index-এর নিজস্ব সমীক্ষা (৯টি দেশের ১৮টি বিশ্ববিদ্যালয়)।
  • নৈতিকতা: AI Ethics Lab (Boston), মিডিয়া বিশ্লেষণ।
  • বৈচিত্র্য: CRA, Black in AI, Queer in AI।
  • নীতি: Bloomberg Government, OECD AI Policy Observatory।

MAG-এ প্রতিটি নিবন্ধ একবার গণনা করা হয়; বিভিন্ন দেশের একাধিক লেখক থাকলে কৃতিত্ব অনন্য অঞ্চলগুলোর মধ্যে সমানভাবে বিতরণ করা হয়[1][5]।

লেখক দল

প্রতিবেদনটি সহ-পরিচালক রেমন্ড পেরো (Raymond Perrault, SRI International) এবং জ্যাক ক্লার্ক (Jack Clark, OECD/GPAI)-এর নেতৃত্বে প্রস্তুত করা হয়েছে। গবেষণা ব্যবস্থাপক ও প্রধান সম্পাদক — ড্যানিয়েল ঝাং (Daniel Zhang, Stanford University)। পরিচালনা কমিটিতে আরও ছিলেন: এরিক ব্রাইনজোলফসন (Stanford), জন এচেমেন্ডি (Stanford), দীপ গাঙ্গুলি (Stanford), বারবারা গ্রস (Harvard), টেরা লায়ন্স (Partnership on AI), জেমস মান্যিকা (McKinsey Global Institute), হুয়ান কার্লোস নিবলেস (Stanford), মাইকেল সেলিট্টো (Stanford), ইয়োভ শোহাম (Stanford / AI21 Labs, প্রতিষ্ঠাতা-পরিচালক)[1]।

সরঞ্জাম ও মুক্ত তথ্য

প্রতিবেদনটি নিম্নলিখিত সম্পদ দ্বারা সমর্থিত[1]:

  • কাঁচা তথ্য ও গ্রাফ: Google Drive-এ সর্বজনীন তথ্য ও উচ্চ-রেজোলিউশনের চিত্র উপলব্ধ।
  • Global AI Vibrancy Tool: আপডেটকৃত ইন্টারেক্টিভ ভিজ্যুয়ালাইজেশন সরঞ্জাম, যা ২২টি সূচকে ২৬টি পর্যন্ত দেশ তুলনা করার অনুমতি দেয়।
  • "Measurement in AI Policy: Opportunities and Challenges" প্রকাশনা (শরৎ ২০২০): AI নীতিতে পরিমাপ সমস্যার পর্যালোচনা।

তথ্যসূত্র

গ্রন্থপঞ্জি

টীকা

  1. ↑ 1.000 1.001 1.002 1.003 1.004 1.005 1.006 1.007 1.008 1.009 1.010 1.011 1.012 1.013 1.014 1.015 1.016 1.017 1.018 1.019 1.020 1.021 1.022 1.023 1.024 1.025 1.026 1.027 1.028 1.029 1.030 1.031 1.032 1.033 1.034 1.035 1.036 1.037 1.038 1.039 1.040 1.041 1.042 1.043 1.044 1.045 1.046 1.047 1.048 1.049 1.050 1.051 1.052 1.053 1.054 1.055 1.056 1.057 1.058 1.059 1.060 1.061 1.062 1.063 1.064 1.065 1.066 1.067 1.068 1.069 1.070 1.071 1.072 1.073 1.074 1.075 1.076 1.077 1.078 1.079 1.080 1.081 1.082 1.083 1.084 1.085 1.086 1.087 1.088 1.089 1.090 1.091 1.092 1.093 1.094 1.095 1.096 1.097 1.098 1.099 1.100 1.101 1.102 Zhang, D., Mishra, S., Brynjolfsson, E., Etchemendy, J., Ganguli, D., Grosz, B., Lyons, T., Manyika, J., Niebles, J.C., Sellitto, M., Shoham, Y., Clark, J., Perrault, R. (2021). The AI Index 2021 Annual Report. AI Index Steering Committee, Human-Centered AI Institute, Stanford University. https://aiindex.stanford.edu/report/
  2. ↑ 2.0 2.1 PostEra (2021). COVID Moonshot: AI-driven Drug Discovery. https://postera.ai/moonshot
  3. ↑ 3.0 3.1 3.2 NetBase Quid (2021). AI Investment Data (CapIQ, Crunchbase). https://quid.com/
  4. ↑ 4.0 4.1 4.2 4.3 4.4 4.5 4.6 Computing Research Association (2021). CRA Taulbee Survey. https://cra.org/resources/taulbee-survey/
  5. ↑ 5.0 5.1 5.2 5.3 5.4 5.5 5.6 5.7 Microsoft Academic Graph (2020). https://www.microsoft.com/en-us/research/project/microsoft-academic-graph/
  6. ↑ 6.0 6.1 6.2 Bloomberg Government (2021). AI Mentions in Congressional Record. https://about.bgov.com/
  7. ↑ 7.0 7.1 7.2 Elsevier/Scopus (2020). AI Publications Data. https://www.scopus.com/
  8. ↑ arXiv (2020). AI-Related Publications Data. https://arxiv.org/
  9. ↑ Nesta (2020). Deep Learning Papers Analysis. https://www.nesta.org.uk/
  10. ↑ Ahmed, N. & Wahed, M. (2020). The De-Democratization of AI: Deep Learning and the Compute Divide in Artificial Intelligence Research. https://arxiv.org/abs/2010.15581
  11. ↑ GitHub (2020). AI Library Stars Data. https://github.com/
  12. ↑ Beyer, L., Dosovitskiy, A., Houlsby, N. (Google). ImageNet analysis for AI Index 2021.
  13. ↑ Karras, T. et al. (2020). Analyzing and Improving the Image Quality of StyleGAN. https://arxiv.org/abs/1912.04958
  14. ↑ Dolhansky, B. et al. (2020). The DeepFake Detection Challenge (DFDC) Dataset. https://arxiv.org/abs/2006.07397
  15. ↑ Grother, P. et al. (2021). NIST Face Recognition Vendor Test (FRVT). https://www.nist.gov/programs-projects/face-recognition-vendor-test-frvt
  16. ↑ Wang, A. et al. (2019). SuperGLUE: A Stickier Benchmark for General-Purpose Language Understanding Systems. https://arxiv.org/abs/1905.00537
  17. ↑ Intento (2021). Machine Translation Report. https://inten.to/
  18. ↑ 18.0 18.1 Brown, T.B. et al. (2020). Language Models are Few-Shot Learners. https://arxiv.org/abs/2005.14165
  19. ↑ VQA Challenge (2020). https://visualqa.org/challenge.html
  20. ↑ VoxCeleb (2020). Audio-Visual Dataset. https://www.robots.ox.ac.uk/~vgg/data/voxceleb/
  21. ↑ Kotthoff, L. (2020). SAT Competition Analysis. University of Wyoming.
  22. ↑ Sutcliffe, G. & Suttner, C. (2020). TPTP Problem Library and ATP Evaluation. University of Miami.
  23. ↑ Jumper, J. et al. (2020). AlphaFold 2. DeepMind. https://deepmind.com/blog/article/alphafold-a-solution-to-a-50-year-old-grand-challenge-in-biology
  24. ↑ 24.0 24.1 LinkedIn (2020). Economic Graph: AI Hiring and Skills Data. https://economicgraph.linkedin.com/
  25. ↑ Burning Glass Technologies (2021). AI Labor Demand Data. https://www.burning-glass.com/
  26. ↑ 26.0 26.1 McKinsey & Company (2021). Global Survey on AI. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
  27. ↑ International Federation of Robotics (2021). World Robotics Report. https://ifr.org/
  28. ↑ Joint Research Centre, European Commission (2021). AI Education in Europe. https://ai-watch.ec.europa.eu/
  29. ↑ AI Ethics Lab (2021). AI Principles ToolBox. https://aiethicslab.com/
  30. ↑ Queer in AI (2020). Membership Survey. https://sites.google.com/view/queer-in-ai/
  31. ↑ Global Partnership on AI (2020). https://gpai.ai/
  32. ↑ OECD AI Policy Observatory (2020). https://oecd.ai/
Retrieved from "https://systems-analysis.info/int/index.php?title=The_2021_AI_Index_Report_(BN)&oldid=7971"