The 2021 AI Index Report (NL)

From Systems analysis Wiki
Jump to navigation Jump to search

AI Index Report 2021 — de vierde jaarlijkse editie van het AI Index-rapport, opgesteld door het Stanford Institute for Human-Centered Artificial Intelligence (Stanford HAI)[1]. Het rapport van 2021 breidt de hoeveelheid gegevens aanzienlijk uit ten opzichte van voorgaande edities, werkt samen met een bredere kring van externe partnerorganisaties en verdiept de banden met het Stanford HAI-instituut. De publicatie volgt, systematiseert, vat samen en visualiseert gegevens die verband houden met kunstmatige intelligentie, en biedt objectieve, zorgvuldig geverifieerde en wereldwijd verzamelde informatie voor beleidsmakers, onderzoekers, bestuurders, journalisten en het brede publiek. Het rapport bestrijkt een periode die in belangrijke mate werd bepaald door de COVID-19-pandemie, die vele aspecten van de ontwikkeling van AI beïnvloedde — van het versnellen van de ontwikkeling van geneesmiddelen tot het overschakelen van conferenties naar een virtueel formaat.

Context: invloed van COVID-19

De COVID-19-pandemie had een merkbare maar dubbelzinnige invloed op de ontwikkeling van AI in 2020[1]. Op het gebied van technische prestaties paste het AI-startup PostEra methoden van Machine Learning toe om de ontdekking van geneesmiddelen gerelateerd aan COVID-19 te versnellen[2]. Het hoofdstuk over economie geeft aan dat de aanwerving van AI-specialisten en private investeringen geen significant negatief effect ondervonden van de pandemie — beide indicatoren groeiden in 2020. De overgang naar virtuele conferenties leidde tot een aanzienlijke sprong in deelname: het aantal deelnemers aan negen grote conferenties verdubbelde bijna.

Structuur van het rapport

Het rapport van 2021 bestaat uit zeven thematische hoofdstukken[1]:

  1. Research and Development - Onderzoek en ontwikkeling — trends in publicaties, patenten, conferenties en open-source software.
  2. Technical Performance - Technische prestaties — vooruitgang in computervisie, Natural Language Processing, spraakherkenning, redeneren, gezondheidszorg en biologie.
  3. The Economy - De economie — arbeidsmarkt, investeringen en bedrijfsactiviteit op het gebied van AI.
  4. AI Education - AI-onderwijs — trends in opleiding, cursussen en programma's.
  5. Ethical Challenges of AI Applications - Ethische uitdagingen van AI-toepassingen — principes, media-aandacht, ethiek op conferenties.
  6. Diversity in AI - Diversiteit in AI — gendergerelateerde, raciale en etnische diversiteit.
  7. AI Policy and National Strategies - AI-beleid en nationale strategieën — wetgeving, intergouvernementele samenwerking, overheidsinvesteringen.

Belangrijkste conclusies van het rapport (Top 9)

De auteurs van het rapport hebben negen hoofdstellingen voor 2021 geïdentificeerd[1]:

1. Sterke groei van investeringen in de ontwikkeling van AI-geneesmiddelen

Het aandachtsgebied "Drugs, Cancer, Molecular, Drug Discovery" ontving in 2020 het grootste volume aan private AI-investeringen — meer dan 13,8 miljard Amerikaanse dollar, wat 4,5 keer het cijfer van 2019 bedraagt[1][3].

2. Voortdurende verschuiving van talent naar de industrie

In 2019 koos 65% van de gepromoveerde AI-afgestudeerden in Noord-Amerika voor een baan in de industrie — vergeleken met 44,4% in 2010, wat de groeiende rol van de industrie in de ontwikkeling van AI onderstreept[1][4].

3. Generatieve modellen — "generatief alles"

AI-systemen leerden tekst, audio en afbeeldingen te genereren op een kwaliteitsniveau waarbij het voor mensen moeilijk wordt synthetische uitvoer van echte te onderscheiden in een aantal beperkte toepassingen van de technologie[1].

4. Het diversiteitsprobleem in AI

Onder de nieuwe houders van een PhD-graad in AI in de VS in 2019 was 45% blank, 2,4% Afro-Amerikaans en 3,2% Latijns-Amerikaans[1][4].

5. China overtreft de VS in citaties van tijdschriftartikelen over AI

Nadat China de VS al enkele jaren eerder had ingehaald qua totaal aantal tijdschriftpublicaties over AI, deed het in 2020 voor het eerst ook hetzelfde voor het aantal citaties van tijdschriftartikelen. De VS blijft China echter consequent en significant voor op het gebied van conferentiepublicaties over AI (die ook vaker worden geciteerd) gedurende het afgelopen decennium[1][5].

6. De meeste AI-promovendi in de VS zijn buitenlanders, en ze blijven

Het aandeel buitenlandse studenten onder nieuwe AI-promovendi in Noord-Amerika bleef groeien in 2019 en bereikte 64,3% — een stijging van 4,3 procentpunten ten opzichte van 2018. Van de buitenlandse afgestudeerden bleef 81,8% in de VS en vond 8,6% werk buiten de Verenigde Staten[1][4].

7. Surveillancetechnologieën — snel, goedkoop en alomtegenwoordig

De technologieën die nodig zijn voor grootschalige surveillance verbeteren snel: methoden voor beeldclassificatie, gezichtsherkenning, videoanalyse en stemidentificatie toonden aanzienlijke vooruitgang in 2020[1].

8. AI-ethiek kent geen benchmarks en geen consensus

Ondanks het feit dat een aantal organisaties kwalitatieve en normatieve documenten op het gebied van AI-ethiek uitbrengt, ontbreken in dit vakgebied over het algemeen benchmarks die gebruikt kunnen worden om de relatie tussen maatschappelijke discussies over technologische ontwikkeling en het ontwikkelingsproces zelf te meten of te evalueren[1].

9. AI trok de aandacht van het Amerikaanse Congres

Het 116e Congres was het meest op AI gericht in de geschiedenis: het aantal vermeldingen van AI in zijn verslagen overtrof dat van het 115e Congres meer dan drievoudig[1][6].

Hoofdstuk 1. Onderzoek en ontwikkeling

Het hoofdstuk analyseert trends in publicaties (peer-reviewed, tijdschriften, conferenties, patenten), activiteit op arXiv, op conferenties en in open-source software[1].

Peer-reviewed publicaties

Het totale aantal peer-reviewed publicaties over AI steeg bijna 12 keer tussen 2000 en 2019. Het aandeel van AI-publicaties in alle peer-reviewed publicaties wereldwijd steeg van 0,82% in 2000 naar 3,8% in 2019[1][7].

Regionale verdeling. Oost-Azië en de Stille Oceaan houden het grootste aandeel peer-reviewed AI-publicaties vast sinds 2004 (36,9% in 2019), gevolgd door Europa en Centraal-Azië (25,1%) en Noord-Amerika (17,0%). Tussen 2009 en 2019 lieten Zuid-Azië en Sub-Saharaans Afrika de grootste groei zien — respectievelijk acht en zeven keer[1][5].

Vergelijking per geografische zone. Tegen 2019 nam China de eerste plaats in qua aandeel peer-reviewed AI-publicaties wereldwijd (22,4%), waarmee het de EU (16,4%) in 2017 had ingehaald. De VS staat op de derde plaats (14,6%). China publiceerde in 2019 3,5 keer meer peer-reviewed AI-artikelen dan in 2014[1][7].

Institutionele affiliatie. In elke grote regio behoort het grootste aandeel peer-reviewed publicaties toe aan academische instellingen. De tweede belangrijkste bronnen verschillen echter: in de VS maakt bedrijfsonderzoek 19,2% van het totaal uit, terwijl in China en de EU overheidsinstellingen op de tweede plaats staan (respectievelijk 15,6% en 17,2%)[1][7].

Academisch-bedrijfssamenwerking. Tussen 2015 en 2019 produceerden de VS het grootste aantal gezamenlijke academisch-bedrijfsmatige peer-reviewed AI-publicaties — meer dan twee keer zoveel als de EU, die op de tweede plaats staat, gevolgd door China[1].

Tijdschriftpublicaties

Het aantal tijdschriftpublicaties over AI in 2020 was 5,4 keer hoger dan in 2000. De groei bedroeg 34,5% van 2019 tot 2020 — een aanzienlijk hoger percentage dan van 2018 tot 2019 (19,6%). Het aandeel van AI-tijdschriftpublicaties in alle tijdschriftpublicaties wereldwijd bedroeg 2,2% in 2020[1][5].

Citaties. In 2020 haalde China (20,7%) voor het eerst de VS in (19,8%) wat betreft het aandeel in citaties van AI-tijdschriftartikelen wereldwijd. De EU bleef verder marktaandeel verliezen (11,0%)[1][5].

Conferentiepublicaties

Het aantal conferentiepublicaties over AI verviervoudigde tussen 2000 en 2019. China haalde de VS in qua aandeel in conferentiepublicaties over AI in 2019[1][5].

Citaties. In tegenstelling tot tijdschriftpublicaties hielden de VS een stabiele en aanzienlijke leiderspositie vast in de citaties van AI-conferentieartikelen gedurende het afgelopen decennium (40,1% in 2020), waarmee het China (11,8%) en de EU (10,9%) ver voor bleef[1][5].

Publicaties op arXiv

In zes jaar tijd nam het aantal AI-gerelateerde publicaties op arXiv meer dan zes keer toe: van 5.478 in 2015 tot 34.736 in 2020[1][8]. Onder de onderzoeksgebieden lieten robotica (cs.RO, tienvoudige groei) en Machine Learning (cs.LG, tienvoudige groei) de grootste groei zien in de periode 2015–2020. In 2020 waren cs.LG (32,0%) en computervisie cs.CV (31,7%) de leiders qua aantal publicaties[1].

Noord-Amerika bleef leider in het aandeel arXiv-publicaties (36,3% in 2020), maar dit aandeel daalde (van 41,6% in 2017). Het aandeel van Oost-Azië en de Stille Oceaan groeide gestaag: van 17,3% in 2015 tot 26,5% in 2020[1].

Patenten

Gegevens uit de Microsoft Academic Graph tonen een gestage groei van het aantal AI-gerelateerde patenten over twee decennia[1][5].

Deep learning

Onderzoekers van Nesta gebruikten algoritmen voor onderwerpmodellering om publicaties over deep learning op arXiv te identificeren. In de afgelopen vijf jaar nam het aantal publicaties over deep learning op arXiv bijna zes keer toe[1][9].

Conferenties

In 2020 vonden de meeste grote AI-conferenties plaats in een virtueel formaat vanwege COVID-19, wat leidde tot een sterke stijging van de deelname. Het aantal deelnemers aan negen conferenties verdubbelde bijna[1]. Onder de grote conferenties: NeurIPS (22.011 deelnemers), IROS (25.719 — virtueel formaat met drie maanden uitgebreide toegang), ICML (10.800), CVPR (7.500). Onder de kleinere conferenties werden ICLR (5.600), ACL (3.972) en AAMAS (3.726) opgemerkt[1].

Aanwezigheid van bedrijven. Onderzoek toont aan dat grote technologiebedrijven hun aanwezigheid op toonaangevende AI-conferenties vergroten. Alle 10 grote conferenties lieten een opwaartse trend in bedrijfsvertegenwoordiging zien. De auteurs van het artikel "The De-Democratization of AI" wijzen erop dat de ongelijke verdeling van computationele middelen tussen de academische wereld en de industrie — de zogenaamde "compute divide" — ongelijkheid vergroot in het tijdperk van deep learning[10].

Open-source software

TensorFlow (ontwikkeld door Google, publiek uitgebracht in 2017) bleef de populairste open-source AI-bibliotheek op GitHub (153.000 sterren tegen 2020). De tweede meest populaire bibliotheek was Keras (51.000 sterren), de derde was PyTorch van Facebook (46.000 sterren). Andere opvallende bibliotheken zijn Scikit-learn (45.000), BVLC/Caffe (31.000), MXNet (19.000) en CNTK (17.000)[1][11].

Hoofdstuk 2. Technische prestaties

Het hoofdstuk behandelt vooruitgang in computervisie (afbeeldingen en video), Natural Language Processing, redeneren over taal en beeld, spraakherkenning, symbolisch redeneren, en gezondheidszorg en biologie[1].

Computervisie — afbeeldingen

ImageNet. Computervisie heeft het afgelopen decennium een enorme vooruitgang doorgemaakt. De prestaties op een aantal grote benchmarks beginnen te stabiliseren, wat wijst op de noodzaak om complexere tests te ontwikkelen. Het rapport presenteert gegevens over Top-1 en Top-5 nauwkeurigheid op ImageNet, evenals over trainingstijd en -kosten[1][12].

Nieuwe complexe tests. Omdat de vooruitgang op de standaard ImageNet vertraagt, presenteert het rapport meer uitdagende benchmarks: ImageNet-Adversarial (bevat natuurlijke bemoeilijkende factoren en systematisch fout geclassificeerde afbeeldingen), ImageNet-C (75 soorten visuele vervormingen: verandering van helderheid, contrast, pixelisatie, misteffecten) en ImageNet-Rendition (30.000 illustraties van 200 ImageNet-klassen, die generalisatie testen)[1].

Beeldgeneratie. Vooruitgang wordt gemeten via de Fréchet Inception Distance (FID) op de STL-10 dataset — in 2020 bedroeg de beste score 25,4 (hoe lager, hoe beter). Kwalitatieve voorbeelden van gezichtsgeneratie tonen snelle vooruitgang van GAN: tegen 2018 hadden de prestaties een niveau bereikt waarbij het voor mensen moeilijk is om een vervalsing te detecteren[1][13].

Detectie van deepfakes. De Deepfake Detection Challenge (DFDC), gecreëerd door Facebook in september 2019, toonde een daling van de log loss met ongeveer 0,5 in de periode van december 2019 tot maart 2020, tot een waarde van 0,19[1][14].

Schatting van de menselijke houding. Op de COCO Keypoint Detection-benchmark verbeterde de nauwkeurigheid van algoritmen met ongeveer 33% in vier jaar, tot 80,8% gemiddelde nauwkeurigheid (AP)[1].

Semantische segmentatie. Vooruitgang op de Cityscapes-benchmark en andere segmentatietaken zette door[1].

Computervisie — video

ActivityNet. De benchmark voor actieherkenning toonde verdere verbetering van algoritmen in taken voor temporele lokalisatie van acties[1].

YOLO (You Only Look Once). Objectdetectiesystemen voor de analyse van videobeelden ontwikkelen zich snel, wat wijst op uitgebreide mogelijkheden voor de inzet van AI[1].

Gezichtsherkenning (NIST FRVT). Het rapport bevat gegevens van het National Institute of Standards and Technology (NIST) over het testen van gezichtsherkenningssystemen. Technologieën voor grootschalige surveillance ontwikkelen zich snel[1][15].

Natural Language Processing (NLP)

SuperGLUE. Snelle vooruitgang in NLP heeft ertoe geleid dat AI-systemen het menselijke niveau beginnen te bereiken op de SuperGLUE-benchmark, die werd ontwikkeld als antwoord op het feit dat de eerdere GLUE-benchmark te snel werd overtroffen. Vooruitgang in NLP overtreft de meetcriteria om deze te beoordelen[1][16].

SQuAD. De Stanford Question Answering Dataset-benchmark toonde ook een gestage stijging van de modelprestaties[1].

Commerciële machinale vertaling. Het aantal commercieel beschikbare onafhankelijke cloudgebaseerde machinale vertaalsystemen met vooraf getrainde modellen groeide van 8 in 2017 naar 28 in 2020[1][17].

GPT-3. In juli 2020 presenteerde OpenAI GPT-3 — destijds het grootste bekende dense taalmodel met 175 miljard parameters, getraind op 570 GB tekst. Ter vergelijking: zijn voorganger GPT-2 was meer dan 100 keer kleiner (1,5 miljard parameters). De schaal leidde tot verrassend gedrag: GPT-3 is in staat taken uit te voeren waarvoor het niet expliciet werd getraind, met zero-shot of minimale trainingsvoorbeelden (zero-shot en few-shot learning). Bij het gemiddelde over 42 nauwkeurigheidsbenchmarks: zero-shot — 42,6%, one-shot — 51,0%, few-shot — 57,4%[1][18].

Ondanks de indrukwekkende mogelijkheden heeft GPT-3 ernstige tekortkomingen: het kan racistische, seksistische en andere bevooroordeelde tekst genereren, feitelijk onjuiste beweringen produceren, en is bovendien extreem duur om te trainen. Onderzoek naar het beheren en "sturen" van dergelijke uitvoer bevindt zich in een vroeg stadium, maar is veelbelovend[1][18].

Redeneren over taal en beeld

VQA. Op de Visual Question Answering-benchmark steeg de nauwkeurigheid met bijna 40% sinds de oprichting in 2015, tot 76,4% in 2020 (menselijk basisniveau — 80,8%)[1][19].

VCR. Op de Visual Commonsense Reasoning-taak (waarbij een antwoord moet worden beargumenteerd) verbeterde de beste machine de Q→AR-score van 44 in 2018 tot 70,5 in 2020 (een stijging van 60,2%), bij een menselijk niveau van 85[1].

Spraakherkenning

LibriSpeech. Vooruitgang in automatische spraakherkenning zette door, grotendeels dankzij de flexibiliteit en voorspellende kracht van diepe neurale netwerken[1].

VoxCeleb. Een dataset bestaande uit korte clips met menselijke spraak, geëxtraheerd uit video-interviews op YouTube, met meer dan 7.000 sprekers en meer dan een miljoen uitingen. Wordt gebruikt voor de evaluatie van sprekersidentificatie[1][20].

Raciale kloof in spraakherkenning. Het rapport wijst op het bestaan van een significante raciale kloof in spraakherkenningstechnologieën[1].

Symbolisch redeneren

De SAT-taak (Boolean Satisfiability). Het rapport presenteert een nieuwe analyse met behulp van de temporele Shapley-waarde, waarmee de bijdrage van individuele systemen aan de algehele prestaties kan worden toegeschreven. De winnaar van 2020 — Kissat — vertoonde de hoogste temporele Shapley-waarde van alle solvers (met uitzondering van het eerste jaar), voornamelijk dankzij efficiëntere datastructuren en algoritmen[1][21].

Automatisch bewijzen van stellingen (ATP). Analyse van de TPTP-bibliotheek (meer dan 23.000 taken) toont een gestage stijging van het aandeel oplosbare taken van 1997 tot 2020. Opmerkelijke vooruitgang werd waargenomen in 2008–2013, en vanaf 2015 zette de vooruitgang door maar vertraagde. Het toenemende gebruik van Machine Learning (in de systemen MaLARea en Enigma) wordt beschouwd als een potentieel revolutionaire factor voor ATP[1][22].

Gezondheidszorg en biologie

Moleculaire synthese. Machine Learning-modellen worden gebruikt om representaties van chemische moleculen te leren met als doel efficiëntere planning van chemische synthese[1].

COVID-19 en geneesmiddelontwikkeling. Het startup PostEra paste Machine Learning-methoden toe om het proces van geneesmiddelontwikkeling gerelateerd aan COVID-19 te versnellen, in het kader van het COVID Moonshot-project[1][2].

AlphaFold en eiwitvouwing. DeepMinds doorbraak op het gebied van het voorspellen van eiwitstructuren was een van de meest significante prestaties van het jaar. AlphaFold 2 behaalde op het CASP14-toernooi (2020) een mediaan GDT_TS-score vergelijkbaar met experimentele methoden voor vrije modelleertaken, waarmee het alle voorgaande resultaten aanzienlijk overtrof. Dit heeft een breed scala aan toepassingen — van een beter begrip van de cellulaire grondslagen van het leven tot het versnellen van geneesmiddelontwikkeling[1][23].

Mening van experts

Een door AI Index gehouden enquête onder AI-experts leverde de volgende bevindingen op[1]:

  • De meest indrukwekkende prestaties van 2020 werden beschouwd als AlphaFold (DeepMind) en GPT-3 (OpenAI) — met een grote marge ten opzichte van de rest.
  • De belangrijkste trend voor 2021 is de verdere ontwikkeling van vooraf getrainde modellen en hun fine-tuning voor specifieke taken.
  • Percy Liang (Stanford) wees op de dominantie van de Transformer-architectuur, oorspronkelijk ontwikkeld voor machinale vertaling, maar inmiddels de de-facto standaard neurale netwerkarchitectuur.

Hoofdstuk 3. De economie

Het hoofdstuk bestudeert de steeds nauwere wisselwerking tussen AI en de wereldeconomie vanuit het perspectief van de arbeidsmarkt, investeringen en bedrijfsactiviteit[1].

Arbeidsmarkt

Aanwerving van AI-specialisten. Brazilië, India, Canada, Singapore en Zuid-Afrika lieten de grootste groei zien in de aanwerving van AI-specialisten in de periode 2016 tot 2020. Ondanks de pandemie bleef de aanwerving in alle onderzochte landen groeien in 2020[1][24].

Vraag naar AI-specialisten in de VS. Het aantal vacatures op het gebied van AI in de VS daalde met 8,2% van 2019 tot 2020 (van 325.724 naar 300.999). Dit is de eerste daling van het aandeel AI-vacatures in zes jaar[1][25].

Penetratie van AI-vaardigheden. Onder de onderzochte landen heeft India de hoogste relatieve penetratie van AI-vaardigheden (2,83 keer het wereldgemiddelde), gevolgd door de VS (1,99), China (1,40), Duitsland (1,27) en Canada (1,13). Per sector leidt India in alle vijf toonaangevende sectoren: onderwijs, financiën, hardware en netwerken, productie, software en IT-diensten[1][24].

Investeringen

Bedrijfsinvesteringen. Het totale mondiale AI-investeringsvolume (private investeringen, IPO's, fusies en overnames, minderheidsbelangen) groeide met 40% in 2020 ten opzichte van 2019 en bereikte 67,9 miljard dollar. Fusies en overnames vormden het grootste deel, met een stijging van 121,7%. Onder grote transacties valt de overname van Mellanox Technologies door NVIDIA en van Altran Technologies door Capgemini[1][3].

Startups. Het volume van private AI-investeringen blijft groeien, maar concentreert zich in een kleiner aantal startups. In 2020 stegen de private investeringen met 9,3% (een record van 40+ miljard dollar), maar het aantal gefinancierde bedrijven daalde voor het derde achtereenvolgende jaar[1][3].

Focusgebieden. Het aandachtsgebied "Drugs, Cancer, Molecular, Drug Discovery" ontving het grootste volume aan private investeringen — meer dan 13,8 miljard dollar, wat 4,5 keer het cijfer van 2019 bedraagt[1].

Bedrijfsactiviteit

AI-adoptie (McKinsey-gegevens). Ondanks de economische neergang als gevolg van de pandemie verklaarde de helft van de respondenten van de McKinsey-enquête dat het coronavirus geen invloed had op hun AI-investeringen, en 27% verhoogde hun investeringen zelfs. Minder dan een kwart van de bedrijven verminderde hun investeringen[1][26].

Ethische risico's. Ondanks de toenemende roep om ethische kwesties rondom het gebruik van AI aan te pakken, blijven de inspanningen in de industrie beperkt. Onderwerpen als eerlijkheid en gelijkheid in AI krijgen relatief weinig aandacht van bedrijven. Minder bedrijven in 2020 beschouwen privacygerelateerde risico's als relevant vergeleken met 2019[1][26].

Industriële robots. Het hoofdstuk bevat gegevens van de International Federation of Robotics (IFR) over wereldwijde trends in de installatie van industriële robots en regionale vergelijkingen[1][27].

Vermeldingen van AI in winstverslagen. Analyse van gegevens toont een toename van het aantal vermeldingen van AI in winstverslagen van bedrijven[1].

Hoofdstuk 4. AI-onderwijs

Het hoofdstuk bestudeert trends in opleiding vanuit het perspectief van hoger onderwijsinstellingen en verschillende onderwijsplatforms[1].

Hoger onderwijs

Cursussen. De AI Index-enquête van 2020 toonde aan dat toonaangevende universiteiten wereldwijd hun investeringen in AI-onderwijs de afgelopen vier jaar hebben verhoogd. Het aantal bachelorsvakcursussen dat praktische vaardigheden in het bouwen en inzetten van AI-modellen aanleert, steeg met 102,9% (van 102 in 2016–17 naar 207 in 2019–20), en op masterniveau met 41,7% (van 151 naar 214). Het aantal studenten dat zich inschreef voor of probeerde in te schrijven voor inleidende cursussen in AI en ML steeg met bijna 60% over vier studiejaren[1].

In de EU steeg het aantal inschrijvingen voor inleidende cursussen met 165%, terwijl in de VS een daling werd waargenomen in het laatste studiejaar, deels veroorzaakt door de pandemie en structurele veranderingen in het cursusaanbod[1].

Promotie. In de afgelopen 10 jaar steeg het aandeel AI-doctoraten onder alle informatica-doctoraten in de VS van 14,2% naar ongeveer 23% in 2019. Tegelijkertijd verloren andere voorheen populaire specialisaties (netwerktechnologie, software-engineering, programmeertalen) aan populariteit[1][4].

Vertrek van docenten naar de industrie. Na twee jaar van groei daalde het aantal AI-docenten dat universitaire posities inruilde voor de industrie in Noord-Amerika van 42 in 2018 naar 33 in 2019. Carnegie Mellon had het grootste aantal vertrekken in de periode 2004–2019 (16), gevolgd door Georgia Tech (14) en de Universiteit van Washington (12)[1].

Buitenlandse promovendi. Het aandeel buitenlandse studenten onder nieuwe AI-promovendi bereikte 64,3% in 2019. Van hen bleef 81,8% in de VS[1][4].

Onderwijs in de EU. In de EU wordt de overgrote meerderheid van gespecialiseerde academische AI-aanbiedingen onderwezen op masterniveau; robotica en automatisering is de meest onderwezen cursus in gespecialiseerde bachelor- en masterprogramma's, terwijl Machine Learning domineert in korte gespecialiseerde cursussen[1][28].

Hoofdstuk 5. Ethische uitdagingen van AI-toepassingen

Het hoofdstuk bestudeert inspanningen om ethische problemen aan te pakken die voortkomen uit de ontwikkeling van AI[1].

Principes en frameworks voor AI

Van 2015 tot 2020 werden 117 documenten gepubliceerd over AI-principes. Particuliere bedrijven publiceerden het grootste aantal van dergelijke documenten onder alle soorten organisaties. Europa en Centraal-Azië leiden qua aantal publicaties (52), gevolgd door Noord-Amerika (41) en Oost-Azië en de Stille Oceaan (14). De piek van publicatieactiviteit viel in 2018, met name vanuit technologiebedrijven — IBM, Google, Facebook — en overheidsstructuren van het VK, de EU en Australië[1][29].

Critici wijzen erop dat de publicatie van ethische principes vaak niet gepaard gaat met institutionele kaders en vrijblijvend is. Het vage en abstracte karakter van veel principes geeft geen duidelijke aanwijzingen voor de implementatie ervan[1].

Ethiek in de media

De vijf meest besproken onderwerpen van 2020 met betrekking tot het ethisch gebruik van AI: de publicatie van het Witboek van de Europese Commissie over AI, het ontslag van Google-ethisch onderzoeker Timnit Gebru, het VN-comité voor AI-ethiek, het Vaticaan-plan voor AI-ethiek en het terugtrekken van IBM uit het gezichtsherkenningsbedrijf[1].

Ethiek op conferenties

Het aantal artikelen met aan ethiek gerelateerde zoekwoorden in titels, ingediend bij AI-conferenties, is gestegen sinds 2015, hoewel het gemiddelde aantal dergelijke titels op grote conferenties laag blijft[1].

Ethiek in het onderwijs

Gegevens uit de AI Index-enquête toonden aan dat cursussen over AI-ethiek steeds gebruikelijker worden in computerwetenschapsafdelingen van toonaangevende universiteiten wereldwijd[1].

Hoofdstuk 6. Diversiteit in AI

Het hoofdstuk analyseert gender-, raciale en etnische diversiteit en LGBTQ+-vertegenwoordiging in de AI-sector[1].

Genderdiversiteit

Volgens gegevens van de CRA maken vrouwen slechts 16% uit van de vaste informatica-docenten aan een aantal toonaangevende universiteiten wereldwijd[1][4].

Raciale en etnische diversiteit

Onder nieuwe houders van een PhD-graad in AI in de VS in 2019: 45% blank, 22,4% Aziatisch, 3,2% Latijns-Amerikaans, 2,4% Afro-Amerikaans. Het aandeel blanke (niet-Spaanstalige) nieuwe informatica-doctoraten veranderde nauwelijks in de afgelopen 10 jaar, met een gemiddelde van 62,7%[1][4].

Raciale samenstelling van de academische staf. Onder de 15 universiteiten die antwoordden op de vraag over raciale samenstelling: 67,0% van de vaste docenten is blank, 14,3% Aziatisch, 0,8% Latijns-Amerikaans, 0,6% zwart of Afrikaans[1].

Black in AI. De organisatie Black in AI, opgericht in 2017 door Timnit Gebru en Rediet Abebe, telde rond 2020 ongeveer 3.000 leden. De deelname aan BAI-workshops bij NeurIPS groeide aanzienlijk: het aantal deelnemers en ingediende artikelen in 2019 was 2,6 keer zo groot als in 2017[1].

Genderidentiteit en seksuele geaardheid

Volgens de Queer in AI (QAI)-enquête van 2020 beschouwt bijna de helft van de respondenten onvoldoende inclusiviteit in de AI-sector als een belemmering voor hun carrière. Meer dan 40% van de QAI-leden meldden discriminatie of intimidatie op het werk of tijdens hun studie. 81,4% noemde het gebrek aan rolmodellen als het grootste obstakel[1][30].

Hoofdstuk 7. AI-beleid en nationale strategieën

Het hoofdstuk behandelt het regelgevingslandschap voor AI op lokaal, nationaal en internationaal niveau[1].

Nationale strategieën

Sinds Canada in 2017 de eerste nationale AI-strategie ter wereld publiceerde, hadden meer dan 30 landen en regio's vergelijkbare documenten gepubliceerd tegen december 2020. Nog eens 22 landen waren bezig met het ontwikkelen van strategieën[1].

Jaar Strategieën
2017 Canada, China, Japan, Finland, VAE
2018 EU, Frankrijk, Duitsland, Zuid-Korea, Verenigd Koninkrijk, India, Mexico, Australië e.a.
2019 VS (bijgewerkt), Rusland, Nederland, Tsjechië, Singapore e.a.
2020 Spanje, Brazilië, Polen, Turkije e.a.

Canada (2017): Pan-Canadian AI Strategy, budget 125 miljoen CAD (97 miljoen USD), met nadruk op opleiding en ethische aspecten[1].

China (2017): een van de meest uitgebreide strategieën, die O&O, onderwijs, ethische normen en nationale veiligheid omvat. Doelstellingen: wereldniveau bereiken tegen 2020, wereldleider worden tegen 2025, het belangrijkste innovatiecentrum worden tegen 2030[1].

EU (2018): Coordinated Plan on Artificial Intelligence, minimaal 1 miljard EUR per jaar voor AI-onderzoek en 4,9 miljard EUR voor andere aspecten van de strategie[1].

Frankrijk (2018): AI for Humanity, budget 1,5 miljard EUR tot 2022, strategische sectoren: gezondheidszorg, milieu, transport en defensie[1].

Internationale samenwerking

De lancering van het Global Partnership on AI (GPAI) en de OECD AI Policy Observatory in 2020 intensiveerde de intergouvernementele inspanningen ter ondersteuning van de ontwikkeling van AI[1][31][32].

Overheidsinvesteringen in de VS

Federale begroting. Het rapport analyseert gegevens over het federale budget van de VS voor niet-militaire AI-O&O[1].

Ministerie van Defensie-budget. Gegevens over het begrotingsverzoek van het Amerikaanse Ministerie van Defensie voor AI zijn opgenomen[1].

Overheidscontracten. Analyse van de totale contractuitgaven en de verdeling ervan per instantie[1][6].

Wetgevende activiteit

Amerikaans Congres. Het 116e Congres was het meest op AI gericht in de geschiedenis. Het aantal vermeldingen van AI in wetgevende akten, commissierapporten en rapporten van de Congressional Research Service (CRS) verdrievoudigde meer dan ten opzichte van het 115e Congres[1][6].

Centrale banken. Het rapport bevat gegevens over vermeldingen van AI en ML in materialen van centrale banken[1].

Methodologie en gegevensbronnen

Het rapport is gebaseerd op gegevens uit talrijke bronnen[1]:

  • Publicaties: Elsevier/Scopus (70 miljoen peer-reviewed onderzoeksartikelen), Microsoft Academic Graph (MAG, 225+ miljoen publicaties), arXiv, Nesta.
  • Benchmarks: Papers With Code, SuperGLUE, VQA, VCR, COCO, ImageNet, NIST FRVT, LibriSpeech, VoxCeleb, TPTP, CASP e.a.
  • Arbeidsmarkt: LinkedIn Economic Graph, Burning Glass Technologies.
  • Investeringen: S&P Capital IQ (CapIQ), Crunchbase, NetBase Quid.
  • Bedrijfsactiviteit: McKinsey & Company (Global Survey on AI), International Federation of Robotics (IFR), Prattle (earnings calls).
  • Onderwijs: CRA Taulbee Survey, Joint Research Centre (Europese Commissie), eigen AI Index-enquête (18 universiteiten uit 9 landen).
  • Ethiek: AI Ethics Lab (Boston), media-analyse.
  • Diversiteit: CRA, Black in AI, Queer in AI.
  • Beleid: Bloomberg Government, OECD AI Policy Observatory.

In de MAG wordt elk artikel één keer geteld; wanneer er meerdere auteurs uit verschillende landen zijn, wordt de credit gelijkmatig verdeeld over unieke regio's[1][5].

Auteursteam

Het rapport is opgesteld onder leiding van co-directeuren Raymond Perrault (SRI International) en Jack Clark (OECD/GPAI). Manager onderzoek en hoofdredacteur — Daniel Zhang (Stanford University). De stuurgroep bestond verder uit: Erik Brynjolfsson (Stanford), John Etchemendy (Stanford), Deep Ganguli (Stanford), Barbara Grosz (Harvard), Terah Lyons (Partnership on AI), James Manyika (McKinsey Global Institute), Juan Carlos Niebles (Stanford), Michael Sellitto (Stanford), Yoav Shoham (Stanford / AI21 Labs, oprichter-directeur)[1].

Hulpmiddelen en open data

Het rapport gaat vergezeld van de volgende bronnen[1]:

  • Ruwe gegevens en grafieken: openbare gegevens en afbeeldingen in hoge resolutie zijn beschikbaar op Google Drive.
  • Global AI Vibrancy Tool: een bijgewerkte interactieve visualisatietool waarmee tot 26 landen kunnen worden vergeleken op basis van 22 indicatoren.
  • Publicatie "Measurement in AI Policy: Opportunities and Challenges" (herfst 2020): een overzicht van meetproblemen in AI-beleid.

Verwijzingen

Literatuur

Noten

  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_(NL)&oldid=7981"