The 2021 AI Index Report (HU)

From Systems analysis Wiki
Jump to navigation Jump to search

AI Index Report 2021 — az AI Index negyedik éves kiadása, amelyet a Stanford Emberi Központú Mesterséges Intelligencia Intézete (Stanford HAI) készített[1]. A 2021-es jelentés jelentősen bővíti az adatok körét a korábbi kiadásokhoz képest, szélesebb körű külső partnerszervezetekkel dolgozik együtt, és mélyíti a Stanford HAI Intézettel fennálló kapcsolatokat. A kiadvány nyomon követi, rendszerezi, összefoglalja és vizualizálja a mesterséges intelligenciával kapcsolatos adatokat, objektív, gondosan ellenőrzött és globálisan összegyűjtött információkat nyújtva döntéshozók, kutatók, vezetők, újságírók és a széles nyilvánosság számára. A jelentés olyan időszakot fog át, amelyet nagymértékben a COVID-19 pandémia határozott meg, és amely a mesterséges intelligencia fejlődésének számos aspektusát érintette – a gyógyszerfejlesztés felgyorsításától a konferenciák virtuális formátumra való átállásáig.

A COVID-19 hatása – kontextus

A COVID-19 pandémia észrevehető, ugyanakkor ellentmondásos hatást gyakorolt a mesterséges intelligencia fejlődésére 2020-ban[1]. A technikai teljesítmény területén a PostEra MI-startup gépi tanulási módszereket alkalmazott a COVID-19-hez kapcsolódó gyógyszerfelfedezési folyamat felgyorsítására[2]. A gazdaságról szóló fejezet rámutat, hogy az MI-szakemberek felvétele és a magánbefektetések nem szenvedtek el jelentős negatív hatást a pandémia következtében – mindkét mutató növekedett 2020-ban. A konferenciák virtuális formátumra való áttérése jelentős látogatottságnövekedést eredményezett: kilenc nagy konferencia résztvevőinek száma közel megduplázódott.

A jelentés szerkezete

A 2021-es jelentés hét tematikus fejezetből áll[1]:

  1. Kutatás és fejlesztés (Research and Development) — trendek a publikációkban, szabadalmakban, konferenciákon és nyílt forráskódú szoftverekben.
  2. Technikai teljesítmény (Technical Performance) — előrehaladás a számítógépes látás, a természetes nyelvfeldolgozás, a beszédfelismerés, a következtetés, az egészségügy és a biológia területén.
  3. Gazdaság (The Economy) — munkaerőpiac, befektetések és vállalati aktivitás az MI területén.
  4. MI-oktatás (AI Education) — trendek a szakemberképzésben, kurzusok és programok.
  5. Az MI-alkalmazások etikai kihívásai (Ethical Challenges of AI Applications) — alapelvek, médiamegjelenés, etika a konferenciákon.
  6. Sokszínűség az MI-ben (Diversity in AI) — nemi, faji és etnikai sokszínűség.
  7. MI-politika és nemzeti stratégiák (AI Policy and National Strategies) — jogalkotás, kormányközi együttműködés, állami befektetések.

A jelentés főbb következtetései (Top 9)

A jelentés szerzői kilenc fő tézist emeltek ki 2021-re vonatkozóan[1]:

1. A gyógyszerfejlesztési MI-befektetések meredek növekedése

A „Gyógyszerek, onkológia, molekulák, gyógyszerfelfedezés" (Drugs, Cancer, Molecular, Drug Discovery) terület kapta a legnagyobb magánbefektetési összeget az MI területén 2020-ban – több mint 13,8 milliárd USD, ami 4,5-szöröse a 2019-es értéknek[1][3].

2. A szakemberek iparba áramlásának folytatódása

2019-ben az észak-amerikai MI-doktori végzettséggel rendelkezők 65%-a az iparban helyezkedett el – a 2010-es 44,4%-hoz képest –, ami aláhúzza az ipar egyre nagyobb szerepét az MI fejlesztésében[1][4].

3. Generatív modellek – „generatív mindenség"

Az MI-rendszerek olyan minőségi szinten tanultak meg szöveget, hangot és képet generálni, hogy az emberek számára egyes korlátozott alkalmazásokban nehézzé vált a szintetikus kimenet megkülönböztetése a valóditól[1].

4. A sokszínűség problémája az MI-ben

Az Egyesült Államokban 2019-ben MI-területen PhD-fokozatot szerzők közül 45% fehér, 2,4% afroamerikai és 3,2% latino volt[1][4].

5. Kína megelőzi az Egyesült Államokat az MI-folyóirat-cikkek idézettségében

Miután néhány évvel korábban már megelőzte az Egyesült Államokat az MI-területen megjelent folyóirat-publikációk összesített számában, Kína 2020-ban első ízben vette át a vezető helyet a folyóirat-cikkek idézettségi számát illetően is. Az Egyesült Államok ugyanakkor az elmúlt évtizedben stabilan és jelentős mértékben megelőzte Kínát az MI-konferencia-publikációk számában (amelyek idézettsége is magasabb)[1][5].

6. Az Egyesült Államokban az MI-doktori hallgatók többsége külföldi – és ott is marad

Az észak-amerikai MI-doktori hallgatók közül az új beiratkozók között a külföldi hallgatók aránya 2019-ben tovább nőtt, elérve a 64,3%-ot – ez 4,3 százalékpontos növekedés 2018-hoz képest. A külföldi végzettséggel rendelkezők 81,8%-a az Egyesült Államokban maradt, 8,6%-uk az Egyesült Államokon kívül helyezkedett el[1][4].

7. A megfigyelési technológiák gyorsak, olcsók és mindenhol jelen vannak

A nagyléptékű megfigyeléshez szükséges technológiák rohamosan fejlődnek: a képosztályozás, az arcfelismerés, a videóelemzés és a hangazonosítás módszerei jelentős előrehaladást mutattak 2020-ban[1].

8. Az MI etikájának nincsenek benchmark-jai és konszenzusa

Annak ellenére, hogy számos szervezet minőségi és normatív dokumentumokat ad ki az MI etikája terén, ezen a területen általánosan hiányoznak azok a benchmark-ok, amelyekkel mérhető vagy értékelhető lenne a kapcsolat a technológia fejlesztéséről szóló nyilvános diskurzus és maga a fejlesztési folyamat között[1].

9. Az MI felkeltette az Egyesült Államok Kongresszusának figyelmét

A 116. Kongresszus volt a leginkább MI-orientált az összes eddigi közül: az MI-re való hivatkozások száma a jegyzőkönyveiben több mint háromszorosa volt a 115. Kongresszusénak[1][6].

1. fejezet: Kutatás és fejlesztés

A fejezet elemzi a publikációkban (lektorált, folyóirat-, konferencia-, szabadalmi), az arXiv-aktivitásban, a konferenciákon és a nyílt forráskódú szoftverekben megfigyelhető trendeket[1].

Lektorált publikációk

Az MI-területén megjelent lektorált publikációk összesített száma közel 12-szeresére nőtt 2000 és 2019 között. Az MI-publikációk aránya az összes világi lektorált publikáción belül 0,82%-ról (2000) 3,8%-ra (2019) emelkedett[1][7].

Regionális megoszlás. Kelet-Ázsia és a Csendes-óceáni régió rendelkezik a lektorált MI-publikációk legnagyobb arányával 2004 óta (2019-ben 36,9%), ezt követi Európa és Közép-Ázsia (25,1%), majd Észak-Amerika (17,0%). 2009 és 2019 között Dél-Ázsia és a Szaharától délre fekvő Afrika mutatta a legnagyobb növekedést – nyolcszorosát, illetve hétszeresét[1][5].

Összehasonlítás földrajzi övezetek szerint. 2019-re Kína szerezte meg az első helyet a világ lektorált MI-publikációinak arányában (22,4%), megelőzve az EU-t (16,4%) 2017-ben. Az Egyesült Államok a harmadik helyen áll (14,6%). Kína 3,5-szer több lektorált MI-cikket publikált 2019-ben, mint 2014-ben[1][7].

Intézményi hovatartozás. Minden nagyobb régióban az akadémiai intézmények adják a lektorált publikációk legnagyobb részét. A második legfontosabb forrás azonban régiónként eltér: az Egyesült Államokban a vállalati kutatás az összesített szám 19,2%-át teszi ki, míg Kínában és az EU-ban a második helyen állami intézmények állnak (15,6%, illetve 17,2%)[1][7].

Akadémiai-vállalati együttműködés. 2015 és 2019 között az Egyesült Államok állította elő a legtöbb közös akadémiai-vállalati lektorált MI-publikációt – több mint kétszeresét a második helyen álló EU-nak, amelyet Kína követ[1].

Folyóirat-publikációk

Az MI-területén megjelent folyóirat-publikációk száma 2020-ban 5,4-szeres volt a 2000-es értékhez képest. A növekedés 34,5% volt 2019-ről 2020-ra – ez lényegesen magasabb százalékos növekedés, mint 2018-ról 2019-re (19,6%). Az MI-folyóirat-publikációk aránya az összes világon megjelent folyóirat-publikáción belül 2,2% volt 2020-ban[1][5].

Idézettség. 2020-ban Kína (20,7%) először előzte meg az Egyesült Államokat (19,8%) a világ MI-folyóirat-cikkei idézettségének arányában. Az EU tovább csökkentette összesített részarányát (11,0%)[1][5].

Konferencia-publikációk

Az MI-konferencia-publikációk száma négyszeresére nőtt 2000 és 2019 között. Kína 2019-ben megelőzte az Egyesült Államokat az MI-konferencia-publikációk arányában[1][5].

Idézettség. A folyóirat-publikációkkal ellentétben az Egyesült Államok stabil és jelentős vezető pozíciót tartott fenn az MI-konferencia-cikkek idézettségében az elmúlt évtizedben (2020-ban 40,1%), messze megelőzve Kínát (11,8%) és az EU-t (10,9%)[1][5].

arXiv-publikációk

Hat év alatt az arXiv-on megjelent MI-kapcsolódású publikációk száma több mint hatszorosa lett: 5 478-ról (2015) 34 736-ra (2020) nőtt[1][8]. A kutatási területek közül a robotika (cs.RO, 11-szeres növekedés) és a gépi tanulás (cs.LG, 10-szeres növekedés) mutatta a legnagyobb növekedést 2015–2020 között. 2020-ban a publikációk számát tekintve a cs.LG (32,0%) és a számítógépes látás cs.CV (31,7%) vezette a mezőnyt[1].

Észak-Amerika továbbra is vezette az arXiv-publikációk arányát (2020-ban 36,3%), ez az arány azonban csökkent (2017-ben 41,6% volt). Kelet-Ázsia és a Csendes-óceáni régió aránya folyamatosan nőtt: 2015-ös 17,3%-ról 2020-ra 26,5%-ra emelkedett[1].

Szabadalmak

A Microsoft Academic Graph adatai két évtizeden át tartós növekedést mutatnak az MI-kapcsolódású szabadalmak számában[1][5].

Mélytanulás

A Nesta kutatói témakövető algoritmusokat alkalmaztak az arXiv mélytanulási publikációinak azonosítására. Az elmúlt öt évben az arXiv-on megjelent mélytanulási publikációk száma közel hatszorosa lett[1][9].

Konferenciák

2020-ban a legtöbb nagy MI-konferencia virtuális formátumban zajlott a COVID-19 miatt, ami a látogatottság éles növekedéséhez vezetett. Kilenc konferencia résztvevőinek száma közel megduplázódott[1]. A nagy konferenciák közül: NeurIPS (22 011 résztvevő), IROS (25 719 – virtuális formátum, háromhónapos kiterjesztett hozzáféréssel), ICML (10 800), CVPR (7 500). A kisebb konferenciák közül kiemelendő az ICLR (5 600), az ACL (3 972) és az AAMAS (3 726)[1].

Vállalati jelenlét. Egy kutatás kimutatta, hogy a nagy technológiai cégek növelik jelenlétüket a vezető MI-konferenciákon. Mind a 10 nagy konferencia növekvő vállalati képviseleti trendet mutatott. „The De-Democratization of AI" című cikk szerzői rámutatnak, hogy az akadémia és az ipar közötti számítási kapacitások egyenlőtlen elosztása – az úgynevezett „compute divide" – mélyíti az egyenlőtlenségeket a mélytanulás korában[10].

Nyílt forráskódú szoftverek

A TensorFlow (a Google által fejlesztett, 2017-ben nyilvánosan kiadott) maradt a legnépszerűbb nyílt forráskódú MI-könyvtár a GitHubon (2020-ra 153 ezer csillag). A második legnépszerűbb könyvtár a Keras lett (51 ezer csillag), a harmadik a Facebook PyTorch-a (46 ezer csillag). A többi könyvtár közül kiemelkedik a Scikit-learn (45 ezer), a BVLC/Caffe (31 ezer), az MXNet (19 ezer) és a CNTK (17 ezer)[1][11].

2. fejezet: Technikai teljesítmény

A fejezet a számítógépes látás (képek és videó), a természetes nyelvfeldolgozás, a nyelvi és vizuális következtetés, a beszédfelismerés, a szimbolikus következtetés, valamint az egészségügy és a biológia terén elért előrehaladást foglalja össze[1].

Számítógépes látás – képek

ImageNet. A számítógépes látás az elmúlt évtizedben óriási fejlődésen ment keresztül. A teljesítmény több nagy benchmark-on kiegyenlítődni látszik, ami jelzi az összetettebb tesztek létrehozásának szükségességét. A jelentés az ImageNet Top-1 és Top-5 pontossági adatait, valamint a tanítási időt és költséget mutatja be[1][12].

Új, összetettebb tesztek. Mivel a standard ImageNet-en elért fejlődés lassul, a jelentés összetettebb benchmark-okat mutat be: ImageNet-Adversarial (természetes megnehezítő tényezőket és rendszeresen tévesen osztályozott képeket tartalmaz), ImageNet-C (75 fajta vizuális torzítás: fényerő-, kontrastváltás, pixelezés, ködeffektek) és ImageNet-Rendition (200 ImageNet-osztály 30 000 illusztrációja, az általánosítási képességet vizsgálva)[1].

Képgenerálás. Az előrehaladást a Fréchet Inception Distance (FID) mutató méri az STL-10 dataseten – 2020-ra a legjobb érték 25,4 lett (minél alacsonyabb, annál jobb). Az arcgenerálás minőségi példái a GAN gyors fejlődését mutatják: 2018-ra a teljesítmény olyan szintet ért el, ahol az embereknek nehéz felismerni a hamisítványt[1][13].

Deepfake-detektálás. A Facebook által 2019 szeptemberében létrehozott Deepfake Detection Challenge (DFDC) az log loss mutató körülbelül 0,5-ös csökkenését mutatta 2019 decembere és 2020 márciusa között, 0,19-es értékig[1][14].

Emberi testtartás becslése. A COCO Keypoint Detection benchmark-on az algoritmusok pontossága négy év alatt körülbelül 33%-kal javult, elérve a 80,8%-os átlagos pontosságot (AP)[1].

Szemantikai szegmentáció. A Cityscapes benchmark-on és egyéb szegmentációs feladatokon az előrehaladás folytatódott[1].

Számítógépes látás – videó

ActivityNet. A cselekvésfelismerési benchmark az algoritmusok további fejlődését mutatta a cselekvések időbeli lokalizálásának feladataiban[1].

YOLO (You Only Look Once). A videofolyamokból vett képkockák elemzésére szolgáló objektumdetektáló rendszerek gyorsan érnek, ami az MI telepítési lehetőségeinek bővülésére utal[1].

Arcfelismerés (NIST FRVT). A jelentés tartalmazza a Nemzeti Szabványügyi és Technológiai Intézet (NIST) arcfelismerő rendszer-tesztelési adatait. A nagyléptékű megfigyelési technológiák gyorsan fejlődnek[1][15].

Természetes nyelvfeldolgozás (NLP)

SuperGLUE. A gyors NLP-fejlődés eredményeként az MI-rendszerek elkezdtek emberi szintű teljesítményt elérni a SuperGLUE benchmark-on, amelyet annak reakciójaként hoztak létre, hogy a korábbi GLUE benchmark túl gyorsan lett meghaladva. Az NLP területén elért fejlődés megelőzi az értékelésére szolgáló mérőszámokat[1][16].

SQuAD. A Stanford Question Answering Dataset benchmark szintén stabil teljesítménynövekedést mutatott a modellek esetében[1].

Kereskedelmi gépi fordítás. A kereskedelmileg elérhető, előre betanított modellekkel rendelkező önálló felhőalapú gépi fordítási rendszerek száma 8-ról (2017) 28-ra nőtt (2020)[1][17].

GPT-3. 2020 júliusában az OpenAI bemutatta a GPT-3-at – az akkoriban ismert legnagyobb sűrű nyelvi modellt, 175 milliárd paraméterrel, amelyet 570 GB szövegen tanítottak. Összehasonlításképpen: elődje, a GPT-2 több mint 100-szor kisebb volt (1,5 milliárd paraméter). A méret meglepő viselkedéshez vezetett: a GPT-3 képes olyan feladatok elvégzésére, amelyekre nem tanították explicit módon, nulla vagy minimális számú tanítási példával (zero-shot és few-shot learning). 42 pontossági benchmark átlagaként: zero-shot – 42,6%, one-shot – 51,0%, few-shot – 57,4%[1][18].

Lenyűgöző képességei ellenére a GPT-3-nak komoly hiányosságai is vannak: rasszista, szexista és egyéb elfogult szövegeket generálhat, tényszerűen pontatlan állításokat állíthat elő, és rendkívül drága a tanítása. Az ilyen kimenetek kezeléséről és „irányításáról\" szóló kutatások kezdeti szakaszban vannak, de ígéretesnek tűnnek[1][18].

Nyelvi és vizuális következtetés

VQA. A Visual Question Answering benchmark-on a pontosság közel 40%-kal nőtt a 2015-ös létrehozása óta, 2020-ban 76,4%-ot érve el (az emberi alap 80,8%)[1][19].

VCR. A Visual Commonsense Reasoning feladaton (amely a válasz indoklását is megköveteli) a legjobb gép Q→AR mutatója 44-ről (2018) 70,5-re (2020) javult (60,2%-os növekedés), az emberi szint 85 mellett[1].

Beszédfelismerés

LibriSpeech. Az automatikus beszédfelismerés terén az előrehaladás folytatódott, nagyrészt a mély neurális hálózatok rugalmasságának és előrejelzési erejének köszönhetően[1].

VoxCeleb. Egy dataset, amely a YouTube-on megjelent videóinterjúkból kivont rövid emberi beszédklipekből áll, több mint 7 000 bemondóval és több mint egymillió megszólalással. A hangszóró-azonosítás értékelésére szolgál[1][20].

Faji szakadék a beszédfelismerésben. A jelentés megjegyzi, hogy a beszédfelismerési technológiákban jelentős faji szakadék létezik[1].

Szimbolikus következtetés

Boole-formulák kielégíthetőségének feladata (SAT). A jelentés új elemzést mutat be a temporális Shapley-érték alkalmazásával, amely lehetővé teszi az egyes rendszerek hozzájárulásának az összteljesítményhez való hozzárendelését. A 2020-as győztes – a Kissat – mutatta a legmagasabb temporális Shapley-értéket az összes solver közül (az első évet kivéve), főként hatékonyabb adatszerkezetek és algoritmusok révén[1][21].

Automatikus tételbizonyítás (ATP). A TPTP-könyvtár (több mint 23 000 feladat) elemzése 1997-től 2020-ig konzisztens növekedést mutat a megoldható feladatok arányában. Figyelemre méltó előrehaladás volt megfigyelhető 2008–2013 között, míg 2015-től az előrehaladás folytatódott, de lassult. A gépi tanulás növekvő alkalmazása (a MaLARea, Enigma rendszerekben) az ATP potenciálisan forradalmi tényezőjeként jelenik meg[1][22].

Egészségügy és biológia

Molekuláris szintézis. Gépi tanulási modelleket alkalmaznak kémiai molekulák reprezentációinak tanítására, a kémiai szintézis hatékonyabb tervezése céljából[1].

COVID-19 és gyógyszerfelfedezés. A PostEra startup gépi tanulási módszereket alkalmazott a COVID-19-hez kapcsolódó gyógyszerfelfedezési folyamat felgyorsítására a COVID Moonshot projekt keretében[1][2].

AlphaFold és fehérje-összecsavarodás. A DeepMind fehérjeszerkezet-jóslás terén elért áttörése az év egyik legjelentősebb eredményévé vált. Az AlphaFold 2 a CASP14 versenyen (2020) olyan mediánGDT_TS-értéket ért el, amely összemérhető a szabad modellezési feladatok kísérleti módszereivel, lényegesen felülmúlva minden korábbi eredményt. Ennek alkalmazási köre széles – a sejtek életének jobb megértésétől a gyógyszerfejlesztés felgyorsításáig[1][23].

Szakértői vélemények

Az AI Index által végzett MI-szakértői felmérés a következő következtetéseket tárta fel[1]:

  • A 2020-as év legimpresszívebb eredményeinek az AlphaFold-ot (DeepMind) és a GPT-3-at (OpenAI) ítélték – nagy előnnyel a többitől.
  • A 2021-es év kulcstrendje az előre betanított modellek további fejlődése és szűk feladatokra való finomhangolásuk.
  • Percy Liang (Stanford) megjegyezte a Transformers architektúra dominanciáját, amelyet eredetileg gépi fordításra hoztak létre, de de facto standard neurális hálózati architektúrává vált.

3. fejezet: Gazdaság

A fejezet a munkaerőpiac, a befektetések és a vállalati aktivitás szemszögéből vizsgálja az MI és a világgazdaság egyre szorosabb összefonódását[1].

Munkaerőpiac

MI-szakemberek felvétele. Brazília, India, Kanada, Szingapúr és Dél-Afrika mutatta a legnagyobb növekedést az MI-szakemberek felvételében 2016 és 2020 között. A pandémia ellenére a felvételek az összes vizsgált országban növekedtek 2020-ban[1][24].

Kereslet az MI-szakemberek iránt az Egyesült Államokban. Az Egyesült Államokban az MI-állásajánlatok száma 8,2%-kal csökkent 2019-ről 2020-ra (325 724-ről 300 999-re). Ez az első visszaesés az MI-állásajánlatok arányában hat év alatt[1][25].

MI-készségek penetrációja. A vizsgált országok közül Indiának van a legmagasabb relatív MI-készség-penetrációs mutatója (a világátlag 2,83-szorosa), ezt követi az Egyesült Államok (1,99), Kína (1,40), Németország (1,27) és Kanada (1,13). Ágazatok szerint India vezet mind az öt fő szektorban: oktatás, pénzügy, hardver és hálózatok, gyártás, szoftver és IT-szolgáltatások[1][24].

Befektetések

Vállalati befektetések. A globális MI-befektetések teljes volumene (magánbefektetések, IPO-k, fúziók és felvásárlások, kisebbségi részesedések) 40%-kal nőtt 2020-ban 2019-hez képest, elérve a 67,9 milliárd dollárt. A fúziók és felvásárlások adták a legnagyobb részt, 121,7%-os növekedéssel. A nagy ügyletek közé tartozik az NVIDIA általi Mellanox Technologies-felvásárlás és a Capgemini általi Altran Technologies-felvásárlás[1][3].

Startupok. Az MI-területén lévő magánbefektetések volumene tovább nőtt, de egyre kevesebb startupra koncentrálódott. 2020-ban a magánbefektetések 9,3%-kal nőttek (rekordszintű 40+ milliárd dollár), ugyanakkor a finanszírozott cégek száma harmadik éve egymás után csökkent[1][3].

Fókuszterületek. A „Gyógyszerek, onkológia, molekulák, gyógyszerfelfedezés" terület kapta a legnagyobb magánbefektetési összeget – több mint 13,8 milliárd dollárt, ami 4,5-szöröse a 2019-es értéknek[1].

Vállalati aktivitás

MI-alkalmazás (McKinsey adatok). A pandémia okozta gazdasági visszaesés ellenére a McKinsey-felmérés válaszadóinak fele azt nyilatkozta, hogy a koronavírus nem befolyásolta MI-befektetéseiket, 27%-uk pedig ténylegesen növelte befektetéseit. A vállalatok kevesebb mint negyede csökkentette befektetéseit[1][26].

Etikai kockázatok. Annak ellenére, hogy egyre többen sürgetik az MI-használattal kapcsolatos etikai problémák kezelését, az iparági erőfeszítések korlátozottak maradnak. Az olyan kérdések, mint az MI-ben érvényesülő méltányosság és egyenlőség, viszonylag kevés figyelmet kapnak a vállalatoktól. Kevesebb vállalat tartja az adatvédelmi kockázatokat relevánsnak 2020-ban, mint 2019-ben[1][26].

Ipari robotok. A fejezet tartalmazza a Nemzetközi Robotikai Szövetség (IFR) adatait az ipari robotok globális telepítési trendjeiről és regionális összehasonlításokról[1][27].

MI-hivatkozások nyereségjelentésekben. Az adatelemzés a vállalati nyereségjelentésekben szereplő MI-hivatkozások számának növekedését mutatja[1].

4. fejezet: MI-oktatás

A fejezet a felsőoktatási intézmények és különféle oktatási platformok szemszögéből vizsgálja a szakemberképzés trendjeit[1].

Felsőoktatás

Kurzusok. Az AI Index 2020-as felmérése kimutatta, hogy a világ vezető egyetemei az elmúlt négy évben növelték befektetéseiket az MI-oktatásba. A mesterséges intelligencia modellek elkészítésének és telepítésének gyakorlati készségeit oktató alapképzési kurzusok száma 102,9%-kal nőtt (102-ről 2016–17-ben 207-re 2019–20-ra), míg mesterképzési szinten 41,7%-kal (151-ről 214-re). Az MI- és ML-bevezető kurzusokra beiratkozott vagy beiratkozni kívánó hallgatók száma közel 60%-kal nőtt négy tanév alatt[1].

Az EU-ban a bevezető kurzusokra való beiratkozás 165%-kal nőtt, míg az Egyesült Államokban az utolsó tanévben visszaesés volt megfigyelhető, részben a pandémia és a kurzuskínálat strukturális változásai miatt[1].

Doktori képzés. Az elmúlt 10 évben az MI-területén szerzett PhD-k aránya az összes informatikai PhD-n belül az Egyesült Államokban 14,2%-ról körülbelül 23%-ra nőtt 2019-re. Ugyanakkor más korábban népszerű specializációk (hálózati technológiák, szoftvermérnökség, programozási nyelvek) veszítettek népszerűségükből[1][4].

Oktatók iparba való elvándorlása. Kétéves növekedés után az MI-oktatók elvándorlásának száma észak-amerikai egyetemekről az iparba 42-ről (2018) 33-ra csökkent (2019). A Carnegie Mellon Universityről volt a legtöbb elvándorlás 2004–2019 között (16), ezt követi a Georgia Tech (14) és a Washingtoni Egyetem (12)[1].

Külföldi doktori hallgatók. A külföldi hallgatók aránya az új MI-doktori hallgatók között 64,3%-ot ért el 2019-ben. Közülük 81,8% az Egyesült Államokban maradt[1][4].

Oktatás az EU-ban. Az EU-ban az MI területén kínált szakosodott akadémiai képzések túlnyomó többsége mesterképzési szinten zajlik; a robotika és automatizálás a leggyakrabban oktatott tantárgy a szakosodott alap- és mesterképzési programokban, míg a gépi tanulás dominál a rövid szakosodott kurzusokban[1][28].

5. fejezet: Az MI-alkalmazások etikai kihívásai

A fejezet az MI fejlődésével felmerülő etikai problémák megoldására tett erőfeszítéseket vizsgálja[1].

MI-elvek és keretrendszerek

2015 és 2020 között 117, MI-elveknek szentelt dokumentumot tettek közzé. A magánvállalatok adták ki a legtöbb ilyen dokumentumot az összes szervezettípus közül. Európa és Közép-Ázsia vezet a publikációk számában (52), ezt követi Észak-Amerika (41), majd Kelet-Ázsia és a Csendes-óceáni régió (14). A publikációs aktivitás csúcspontja 2018-ban volt, különösen a technológiai vállalatok – az IBM, a Google, a Facebook – és az Egyesült Királyság, az EU valamint Ausztrália állami szerveinek részéről[1][29].

A kritikusok rámutatnak, hogy az etikai elvek közzétételét gyakran nem kísérlik intézményi keretek, és az önkéntes jellegű. Sok elv homályos és elvont jellege nem ad egyértelmű útmutatást azok megvalósításához[1].

MI-etika a médiában

A 2020-as év öt leggyakrabban tárgyalt, az MI etikus alkalmazásával kapcsolatos témája: az Európai Bizottság MI-fehér könyvének kiadása, a Google etikai kutatójának, Timnit Gebrünek az elbocsátása, az ENSZ MI-etikai bizottsága, a Vatikán MI-etikai terve és az IBM kilépése az arcfelismerési üzletágból[1].

MI-etika a konferenciákon

Az MI-konferenciákra beadott, etikával kapcsolatos kulcsszavakat tartalmazó cikkek száma 2015 óta nőtt, bár az ilyen előadáscímek átlagos száma a nagyobb konferenciákon alacsony marad[1].

MI-etika az oktatásban

Az AI Index felmérési adatai azt mutatják, hogy az MI-etika kurzusok egyre elterjedtebbek a világ vezető egyetemeinek informatikai tanszékein[1].

6. fejezet: Sokszínűség az MI-ben

A fejezet a nemi, faji, etnikai sokszínűséget és az LMBTQ+ képviseletet elemzi az MI területén[1].

Nemi sokszínűség

A CRA adatai szerint a nők csupán 16%-át teszik ki az informatika állandó oktatói állományának a világ néhány vezető egyetemén[1][4].

Faji és etnikai sokszínűség

Az Egyesült Államokban 2019-ben MI-területen PhD-fokozatot szerzők közül: 45% fehér, 22,4% ázsiai, 3,2% latino, 2,4% afroamerikai. A fehér (nem spanyol ajkú) doktoranduszok aránya az informatikai PhD-k között az elmúlt 10 évben alig változott, átlagosan 62,7% volt[1][4].

A professzorok faji összetétele. A 15 faji összetételre vonatkozó kérdésre válaszoló egyetem közül: az állandó oktatók 67,0%-a fehér, 14,3%-a ázsiai, 0,8%-a latino, 0,6%-a fekete vagy afrikai[1].

Black in AI. A Black in AI szervezetet 2017-ben Timnit Gebru és Rediet Abebe alapította, 2020-ra körülbelül 3 000 tagja volt. A BAI workshopokon való részvétel a NeurIPS keretein belül jelentősen nőtt: a résztvevők és a beadott cikkek száma 2019-ben 2,6-szorosa volt a 2017-es értéknek[1].

Nemi identitás és szexuális orientáció

A Queer in AI (QAI) 2020-as felmérése szerint a válaszadók közel fele az MI-területen tapasztalható elégtelen befogadást karrierjének akadályaként tartja számon. A QAI tagjainak több mint 40%-a számolt be diszkriminációról vagy zaklatásról munkahelyen vagy tanulmányok során. 81,4% a szerepmodellek hiányát nevezte meg fő akadályként[1][30].

7. fejezet: MI-politika és nemzeti stratégiák

A fejezet az MI-szabályozás helyi, nemzeti és nemzetközi szintű körképét foglalja össze[1].

Nemzeti stratégiák

Azóta, hogy Kanada 2017-ben közzétette a világ első nemzeti MI-stratégiáját, 2020 decemberéig több mint 30 ország és régió tett közzé hasonló dokumentumot. További 22 ország volt stratégia kidolgozásának folyamatában[1].

Év Stratégiák
2017 Kanada, Kína, Japán, Finnország, Egyesült Arab Emírségek
2018 EU, Franciaország, Németország, Dél-Korea, Egyesült Királyság, India, Mexikó, Ausztrália stb.
2019 USA (frissített), Oroszország, Hollandia, Csehország, Szingapúr stb.
2020 Spanyolország, Brazília, Lengyelország, Törökország stb.

Kanada (2017): Pan-Canadian AI Strategy, 125 millió CAD (97 millió USD) költségvetéssel, a szakemberképzésre és az etikai szempontokra helyezve a hangsúlyt[1].

Kína (2017): az egyik legátfogóbb stratégia, amely lefedi a K+F-et, az oktatást, az etikai normákat és a nemzetbiztonságot. Célok: 2020-ra elérni a világszínvonalat, 2025-re globális vezető, 2030-ra az innováció fő centruma lenni[1].

EU (2018): Coordinated Plan on Artificial Intelligence, legalább 1 milliárd EUR évente MI-kutatásra és 4,9 milliárd EUR a stratégia egyéb aspektusaira[1].

Franciaország (2018): AI for Humanity, 1,5 milliárd EUR költségvetéssel 2022-ig, stratégiai szektorok: egészségügy, környezet, közlekedés és védelem[1].

Nemzetközi együttműködés

A Globális MI Partnerség (GPAI) és az OECD MI Politikai Obszervatóriumának 2020-as elindítása élénkítette a kormányközi erőfeszítéseket az MI fejlesztésének támogatása érdekében[1][31][32].

Az Egyesült Államok állami befektetései

Szövetségi költségvetés. A jelentés elemzi az Egyesült Államok szövetségi költségvetésének adatait a nem katonai MI K+F-re vonatkozóan[1].

Védelmi Minisztérium költségvetése. Tartalmazza az Egyesült Államok Védelmi Minisztériumának MI-re vonatkozó költségvetési igénylésének adatait[1].

Állami szerződések. A szerződéses kiadások összegének és hatóságok szerinti megoszlásának elemzése[1][6].

Jogalkotási aktivitás

Az Egyesült Államok Kongresszusa. A 116. Kongresszus volt a leginkább MI-orientált az összes eddigi közül. Az MI-hivatkozások száma törvényhozási aktusokban, bizottsági jelentésekben és a Kongresszus Kutatószolgálatának (CRS) jelentéseiben több mint háromszorosára nőtt a 115. Kongresszushoz képest[1][6].

Jegybankok. A jelentés tartalmazza a jegybanki anyagokban szereplő MI- és ML-hivatkozásokra vonatkozó adatokat[1].

Módszertan és adatforrások

A jelentés számos forrásból származó adatokra támaszkodik[1]:

  • Publikációk: Elsevier/Scopus (70 millió lektorált kutatási munka), Microsoft Academic Graph (MAG, 225+ millió publikáció), arXiv, Nesta.
  • Benchmark-ok: Papers With Code, SuperGLUE, VQA, VCR, COCO, ImageNet, NIST FRVT, LibriSpeech, VoxCeleb, TPTP, CASP stb.
  • Munkaerőpiac: LinkedIn Economic Graph, Burning Glass Technologies.
  • Befektetések: S&P Capital IQ (CapIQ), Crunchbase, NetBase Quid.
  • Vállalati aktivitás: McKinsey & Company (Global Survey on AI), International Federation of Robotics (IFR), Prattle (nyereségjelentések).
  • Oktatás: CRA Taulbee Survey, Joint Research Centre (European Commission), az AI Index saját felmérése (18 egyetem 9 országból).
  • Etika: AI Ethics Lab (Boston), médiaelemzés.
  • Sokszínűség: CRA, Black in AI, Queer in AI.
  • Politika: Bloomberg Government, OECD AI Policy Observatory.

A MAG-ban minden cikket egyszer számolnak; ha több szerző különböző országokból van, a hozzájárulást egyenlően osztják el az egyedi régiók között[1][5].

Szerzői kollektíva

A jelentést Raymond Perrault (SRI International) és Jack Clark (OECD/GPAI) társigazgatók irányítása alatt készítették. A kutatási vezető és főszerkesztő Daniel Zhang (Stanford University) volt. Az irányítóbizottság tagjai: Erik Brynjolfsson (Stanford), John Etchemendy (Stanford), Deep Ganguli (Stanford), Barbara Grosz (Harvard), Tera Lyons (Partnership on AI), James Manyika (McKinsey Global Institute), Juan Carlos Niebles (Stanford), Michael Sellitto (Stanford), Yoav Shoham (Stanford / AI21 Labs, alapító igazgató)[1].

Eszközök és nyílt adatok

A jelentéshez a következő erőforrások tartoznak[1]:

  • Nyers adatok és grafikonok: nyilvános adatok és nagy felbontású képek elérhetők a Google Drive-on.
  • Global AI Vibrancy Tool: frissített interaktív vizualizációs eszköz, amellyel legfeljebb 26 ország hasonlítható össze 22 mutató alapján.
  • „Measurement in AI Policy: Opportunities and Challenges" kiadvány (2020 ősz): a mérési problémák áttekintése az MI-politikában.

Hivatkozások

Irodalom

Megjegyzések

  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_(HU)&oldid=7977"