The 2021 AI Index Report (RO)

From Systems analysis Wiki
Jump to navigation Jump to search

AI Index Report 2021 — cea de-a patra ediție anuală a raportului AI Index, elaborată de Institutul Stanford pentru Inteligență Artificială Centrată pe Om (Stanford HAI)[1]. Raportul din 2021 extinde semnificativ volumul de date față de edițiile anterioare, implică un cerc mai larg de organizații-partenere externe și aprofundează legăturile cu Institutul Stanford HAI. Ediția urmărește, sistematizează, sintetizează și vizualizează date legate de inteligența artificială, furnizând informații obiective, riguros verificate și colectate la nivel global pentru decidenți politici, cercetători, manageri, jurnaliști și publicul larg. Raportul acoperă o perioadă marcată în mare măsură de pandemia COVID-19, care a influențat numeroase aspecte ale dezvoltării IA — de la accelerarea descoperirii de medicamente până la trecerea conferințelor în format virtual.

Contextul: impactul COVID-19

Pandemia COVID-19 a avut un impact vizibil, dar ambivalent asupra dezvoltării IA în 2020[1]. În domeniul performanței tehnice, startup-ul IA PostEra a aplicat metode de Machine Learning pentru accelerarea descoperirii de medicamente legate de COVID-19[2]. Capitolul dedicat economiei arată că angajarea specialiștilor în IA și investițiile private nu au suferit un impact negativ semnificativ din cauza pandemiei — ambii indicatori au crescut în 2020. Trecerea conferințelor în format virtual a dus la o creștere abruptă a participării: numărul participanților la nouă conferințe majore s-a dublat aproape.

Structura raportului

Raportul din 2021 este compus din șapte capitole tematice[1]:

  1. Research and Development - Cercetare și Dezvoltare — tendințe în publicații, brevete, conferințe și software cu sursă deschisă.
  2. Technical Performance - Performanță Tehnică — progrese în vederea computerizată, procesarea limbajului natural, recunoașterea vorbirii, raționament, sănătate și biologie.
  3. The Economy - Economia — piața muncii, investiții și activitate corporativă în domeniul IA.
  4. AI Education - Educație în IA — tendințe în formarea specialiștilor, cursuri și programe.
  5. Ethical Challenges of AI Applications - Provocări Etice ale Aplicațiilor IA — principii, acoperire media, etică la conferințe.
  6. Diversity in AI - Diversitate în IA — diversitate de gen, rasială și etnică.
  7. AI Policy and National Strategies - Politici și Strategii Naționale în IA — legislație, cooperare interguvernamentală, investiții publice.

Principalele concluzii ale raportului (Top 9)

Autorii raportului au identificat nouă teze principale pentru 2021[1]:

1. Creștere bruscă a investițiilor în dezvoltarea de medicamente bazate pe IA

Domeniul „Medicamente, Oncologie, Molecule, Descoperirea Medicamentelor" (Drugs, Cancer, Molecular, Drug Discovery) a atras cel mai mare volum de investiții private în IA în 2020 — peste 13,8 miliarde de dolari SUA, de 4,5 ori mai mult față de 2019[1][3].

2. Continuarea migrării specialiștilor spre industrie

În 2019, 65% dintre absolvenții de doctorat în IA din America de Nord au ales să lucreze în industrie — față de 44,4% în 2010, ceea ce subliniază rolul tot mai important al sectorului industrial în dezvoltarea IA[1][4].

3. Modele generative — „generativ pentru toate"

Sistemele IA au învățat să genereze text, audio și imagini la un nivel de calitate care face dificilă pentru oameni distincția dintre rezultatele sintetice și cele reale în anumite aplicații limitate ale tehnologiei[1].

4. Problema diversității în IA

Printre noii rezidenți — titulari de diplomă de doctorat în IA în SUA în 2019 — 45% erau albi, 2,4% afro-americani și 3,2% hispanici[1][4].

5. China depășește SUA la citări ale articolelor de revistă despre IA

Depășind SUA la numărul total de publicații în reviste despre IA cu câțiva ani în urmă, China a luat în 2020 premiera și la numărul de citări ale articolelor de revistă. Cu toate acestea, SUA continuă să depășească constant și semnificativ China la numărul de articole de conferință despre IA (care sunt și ele mai des citate) de-a lungul ultimului deceniu[1][5].

6. Majoritatea doctoranzilor în IA din SUA sunt străini și rămân în țară

Ponderea studenților străini printre noii doctoranzi în IA din America de Nord a continuat să crească în 2019, atingând 64,3% — o creștere de 4,3 puncte procentuale față de 2018. Dintre absolvenții străini, 81,8% au rămas în SUA și 8,6% s-au angajat în afara Statelor Unite[1][4].

7. Tehnologiile de supraveghere — rapide, ieftine și omniprezente

Tehnologiile necesare supravegherii la scară largă se îmbunătățesc rapid: metodele de clasificare a imaginilor, recunoaștere facială, analiză video și identificare vocală au înregistrat progrese semnificative în 2020[1].

8. Etica IA nu dispune de benchmark-uri și consens

Deși unele organizații publică documente calitative și normative în domeniul eticii IA, în acest domeniu lipsesc în general benchmark-urile care să permită măsurarea sau evaluarea relației dintre dezbaterile publice privind dezvoltarea tehnologiilor și procesul de dezvoltare în sine[1].

9. IA a atras atenția Congresului SUA

Congresul al 116-lea a fost cel mai orientat spre IA din toată istoria: numărul mențiunilor despre IA în procesele-verbale ale acestuia a depășit de mai mult de trei ori indicatorul Congresului al 115-lea[1][6].

Capitolul 1. Cercetare și Dezvoltare

Capitolul analizează tendințele în publicații (recenzate, de revistă, de conferință, de brevete), în activitatea pe arXiv, la conferințe și în software cu sursă deschisă[1].

Publicații recenzate

Numărul total de publicații recenzate despre IA a crescut de aproape 12 ori între 2000 și 2019. Ponderea publicațiilor despre IA din totalul publicațiilor recenzate la nivel mondial a crescut de la 0,82% în 2000 la 3,8% în 2019[1][7].

Distribuția regională. Asia de Est și regiunea Pacificului dețin cea mai mare pondere a publicațiilor recenzate despre IA din 2004 (36,9% în 2019), urmată de Europa și Asia Centrală (25,1%) și America de Nord (17,0%). Între 2009 și 2019, Asia de Sud și Africa Subsahariană au înregistrat cea mai mare creștere — de opt și, respectiv, șapte ori[1][5].

Comparație pe zone geografice. Până în 2019, China a ocupat primul loc la ponderea publicațiilor recenzate despre IA în lume (22,4%), depășind UE (16,4%) în 2017. SUA se află pe locul trei (14,6%). China a publicat de 3,5 ori mai multe articole recenzate despre IA în 2019 față de 2014[1][7].

Afiliere instituțională. În fiecare regiune majoră, cea mai mare pondere a publicațiilor recenzate aparține instituțiilor academice. Totuși, a doua sursă ca importanță variază: în SUA, cercetarea corporativă reprezintă 19,2% din total, în timp ce în China și UE pe locul doi se află instituțiile de stat (15,6% și, respectiv, 17,2%)[1][7].

Colaborarea academico-corporativă. Între 2015 și 2019, SUA au produs cel mai mare număr de publicații recenzate comune academico-corporative despre IA — de mai mult de două ori față de UE, aflată pe locul doi, urmată de China[1].

Publicații în reviste

Numărul publicațiilor în reviste despre IA în 2020 a fost de 5,4 ori mai mare decât în 2000. Creșterea a fost de 34,5% din 2019 până în 2020 — un procent de creștere semnificativ mai mare față de perioada 2018–2019 (19,6%). Ponderea publicațiilor în reviste despre IA din totalul publicațiilor în reviste la nivel mondial a fost de 2,2% în 2020[1][5].

Citări. În 2020, China (20,7%) a depășit pentru prima dată SUA (19,8%) la ponderea citărilor articolelor de revistă despre IA la nivel mondial. UE a continuat să piardă cotă globală (11,0%)[1][5].

Publicații la conferințe

Numărul publicațiilor la conferințe despre IA a crescut de patru ori între 2000 și 2019. China a depășit SUA la ponderea publicațiilor la conferințe despre IA în 2019[1][5].

Citări. Spre deosebire de publicațiile în reviste, SUA au menținut o supremație stabilă și semnificativă la citările articolelor de conferință despre IA de-a lungul ultimului deceniu (40,1% în 2020), depășind considerabil China (11,8%) și UE (10,9%)[1][5].

Publicații pe arXiv

În decurs de șase ani, numărul publicațiilor legate de IA pe arXiv a crescut de mai mult de șase ori: de la 5.478 în 2015 la 34.736 în 2020[1][8]. Dintre domeniile de cercetare, cea mai mare creștere în perioada 2015–2020 au înregistrat-o robotica (cs.RO, creștere de 11 ori) și Machine Learning (cs.LG, creștere de 10 ori). În 2020, liderii la numărul de publicații au fost cs.LG (32,0%) și vederea computerizată cs.CV (31,7%)[1].

America de Nord a rămas în frunte la ponderea publicațiilor pe arXiv (36,3% în 2020), însă această pondere era în scădere (de la 41,6% în 2017). Ponderea Asiei de Est și a regiunii Pacificului a crescut constant: de la 17,3% în 2015 la 26,5% în 2020[1].

Brevete

Datele din Microsoft Academic Graph demonstrează o creștere susținută a numărului de brevete legate de IA de-a lungul a două decenii[1][5].

Deep Learning

Cercetătorii de la Nesta au utilizat algoritmi de modelare tematică pentru identificarea publicațiilor despre deep learning pe arXiv. În ultimii cinci ani, numărul publicațiilor despre deep learning pe arXiv a crescut de aproape șase ori[1][9].

Conferințe

În 2020, majoritatea conferințelor majore de IA s-au desfășurat în format virtual din cauza COVID-19, ceea ce a dus la o creștere bruscă a participării. Numărul participanților la nouă conferințe aproape s-a dublat[1]. Printre conferințele majore: NeurIPS (22.011 participanți), IROS (25.719 — format virtual cu acces extins pe trei luni), ICML (10.800), CVPR (7.500). Printre conferințele mai mici se remarcă ICLR (5.600), ACL (3.972), AAMAS (3.726)[1].

Prezența corporativă. Un studiu a arătat că marile firme de tehnologie își sporesc prezența la conferințele de top în domeniul IA. Toate cele 10 conferințe majore au înregistrat o tendință ascendentă a reprezentării corporative. Autorii articolului „The De-Democratization of AI" arată că distribuția inegală a resurselor de calcul între mediul academic și industrie — așa-numita „prăpastie a calculului" (compute divide) — agravează inegalitatea în era deep learning[10].

Software cu sursă deschisă

TensorFlow (dezvoltat de Google, lansat public în 2017) a rămas cea mai populară bibliotecă IA cu sursă deschisă pe GitHub (153 mii de stele până în 2020). A doua bibliotecă ca popularitate a fost Keras (51 mii de stele), urmată de PyTorch de la Facebook (46 mii de stele). Dintre celelalte biblioteci se remarcă Scikit-learn (45 mii), BVLC/Caffe (31 mii), MXNet (19 mii) și CNTK (17 mii)[1][11].

Capitolul 2. Performanță Tehnică

Capitolul acoperă progresele în vederea computerizată (imagini și video), procesarea limbajului natural, raționamentul vizual și lingvistic, recunoașterea vorbirii, raționamentul simbolic, precum și în sănătate și biologie[1].

Vedere computerizată — imagini

ImageNet. Vederea computerizată a cunoscut un progres colosal în ultimul deceniu. Performanța pe o serie de benchmark-uri majore a început să se plafoneze, ceea ce indică necesitatea creării unor teste mai complexe. Raportul prezintă date privind acuratețea Top-1 și Top-5 pe ImageNet, precum și timpul și costul de antrenare[1][12].

Noi teste mai dificile. Deoarece progresul pe ImageNet standard încetinește, raportul prezintă benchmark-uri mai dificile: ImageNet-Adversarial (conține factori naturali de perturbație și imagini clasificate sistematic greșit), ImageNet-C (75 de tipuri de distorsiuni vizuale: modificarea luminozității, contrastului, pixelizare, efecte de ceață) și ImageNet-Rendition (30.000 de ilustrații ale 200 de clase ImageNet, testând generalizarea)[1].

Generarea imaginilor. Progresul este măsurat prin indicatorul Fréchet Inception Distance (FID) pe dataset-ul STL-10 — până în 2020, cel mai bun scor a fost 25,4 (cu cât mai mic, cu atât mai bine). Exemple calitative de generare de fețe ilustrează progresul rapid al GAN: până în 2018, performanța a atins nivelul la care oamenilor le este dificil să detecteze falsul[1][13].

Detectarea deepfake-urilor. Deepfake Detection Challenge (DFDC), creat de Facebook în septembrie 2019, a arătat o scădere a indicatorului log loss cu aproximativ 0,5 în perioada decembrie 2019 — martie 2020, până la valoarea 0,19[1][14].

Estimarea posturii umane. Pe benchmark-ul COCO Keypoint Detection, acuratețea algoritmilor s-a îmbunătățit cu aproximativ 33% în patru ani, atingând 80,8% precizie medie (AP)[1].

Segmentare semantică. Progresul pe benchmark-ul Cityscapes și alte sarcini de segmentare a continuat[1].

Vedere computerizată — video

ActivityNet. Benchmark-ul pentru recunoașterea acțiunilor a demonstrat perfecționarea în continuare a algoritmilor la sarcinile de localizare temporală a acțiunilor[1].

YOLO (You Only Look Once). Sistemele de detectare a obiectelor pentru analiza cadrelor din fluxuri video ating rapid maturitatea, indicând extinderea posibilităților de implementare a IA[1].

Recunoaștere facială (NIST FRVT). Raportul include date de la Institutul Național de Standarde și Tehnologie (NIST) privind testarea sistemelor de recunoaștere facială. Tehnologiile pentru supravegherea la scară largă se dezvoltă rapid[1][15].

Procesarea Limbajului Natural (NLP)

SuperGLUE. Progresul rapid în NLP a dus la situația în care sistemele IA au început să atingă nivelul uman pe benchmark-ul SuperGLUE, conceput ca răspuns la faptul că benchmark-ul anterior GLUE a fost depășit prea rapid. Progresul în NLP depășește metricile disponibile pentru evaluarea sa[1][16].

SQuAD. Benchmark-ul Stanford Question Answering Dataset a demonstrat, de asemenea, o creștere susținută a performanței modelelor[1].

Traducere automată comercială. Numărul sistemelor independente de traducere automată disponibile comercial în cloud, cu modele pre-antrenate, a crescut de la 8 în 2017 la 28 în 2020[1][17].

GPT-3. În iulie 2020, OpenAI a prezentat GPT-3 — cel mai mare model de limbaj dens cunoscut la acel moment, cu 175 de miliarde de parametri, antrenat pe 570 GB de text. Prin comparație, predecesorul său GPT-2 era de mai mult de 100 de ori mai mic (1,5 miliarde de parametri). Scala a condus la comportamente surprinzătoare: GPT-3 este capabil să execute sarcini pe care nu a fost explicit antrenat, cu zero sau un număr minim de exemple de antrenare (zero-shot și few-shot learning). Mediat pe 42 de benchmark-uri de acuratețe: zero-shot — 42,6%, one-shot — 51,0%, few-shot — 57,4%[1][18].

Cu toate capacitățile sale impresionante, GPT-3 are deficiențe serioase: poate genera text rasist, sexist sau altfel părtinitor, poate produce afirmații factual inexacte și este extrem de costisitor de antrenat. Cercetările privind controlul și „direcționarea" unor astfel de rezultate se află la stadiu incipient, dar sunt promițătoare[1][18].

Raționament vizual și lingvistic

VQA. Pe benchmark-ul Visual Question Answering, acuratețea a crescut cu aproape 40% de la crearea sa în 2015, atingând 76,4% în 2020 (nivelul de referință uman — 80,8%)[1][19].

VCR. Pe sarcina Visual Commonsense Reasoning (care necesită justificarea răspunsului), cel mai bun sistem a îmbunătățit scorul Q→AR de la 44 în 2018 la 70,5 în 2020 (creștere de 60,2%), față de nivelul uman de 85[1].

Recunoașterea vorbirii

LibriSpeech. Progresul în recunoașterea automată a vorbirii a continuat, în mare parte datorită flexibilității și puterii predictive a rețelelor neuronale profunde[1].

VoxCeleb. Un dataset compus din clipuri scurte de vorbire umană extrase din interviuri video de pe YouTube, incluzând peste 7.000 de vorbitori și peste un milion de enunțuri. Este utilizat pentru evaluarea identificării vorbitorului[1][20].

Decalajul rasial în recunoașterea vorbirii. Raportul semnalează existența unui decalaj rasial semnificativ în tehnologiile de recunoaștere a vorbirii[1].

Raționament simbolic

Problema satisfiabilității formulelor booleene (SAT). Raportul prezintă o nouă analiză utilizând valoarea Shapley temporală (temporal Shapley value), care permite atribuirea contribuției sistemelor individuale la performanța globală. Câștigătorul din 2020 — Kissat — a demonstrat cea mai mare valoare Shapley temporală dintre toți solverii (cu excepția primului an), în principal datorită structurilor de date și algoritmilor mai eficienți[1][21].

Demonstrarea automată a teoremelor (ATP). Analiza bibliotecii TPTP (peste 23.000 de probleme) arată o creștere consecventă a proporției problemelor rezolvabile din 1997 până în 2020. S-au observat progrese notabile în perioada 2008–2013, iar din 2015 progresul a continuat, dar s-a încetinit. Utilizarea crescândă a Machine Learning (în sistemele MaLARea, Enigma) este considerată un factor potențial revoluționar pentru ATP[1][22].

Sănătate și biologie

Sinteză moleculară. Modelele de Machine Learning sunt utilizate pentru a antrena reprezentări ale moleculelor chimice în scopul planificării mai eficiente a sintezei chimice[1].

COVID-19 și descoperirea medicamentelor. Startup-ul PostEra a aplicat metode de Machine Learning pentru accelerarea procesului de descoperire a medicamentelor legate de COVID-19, în cadrul proiectului COVID Moonshot[1][2].

AlphaFold și plierea proteinelor. Descoperirea realizată de DeepMind în domeniul predicției structurii proteinelor a reprezentat una dintre cele mai semnificative realizări ale anului. AlphaFold 2 la competiția CASP14 (2020) a atins un scor median GDT_TS comparabil cu metodele experimentale pentru sarcinile de modelare liberă, depășind considerabil toate rezultatele anterioare. Aceasta are o gamă largă de aplicații — de la o mai bună înțelegere a bazelor celulare ale vieții până la accelerarea dezvoltării medicamentelor[1][23].

Opiniile experților

Sondajul experților în IA realizat de AI Index a evidențiat următoarele concluzii[1]:

  • Cele mai impresionante realizări ale anului 2020 au fost considerate AlphaFold (DeepMind) și GPT-3 (OpenAI) — cu o diferență mare față de celelalte.
  • Tendința cheie pentru 2021 — dezvoltarea în continuare a modelelor pre-antrenate și fine-tuning-ul acestora pentru sarcini specializate.
  • Percy Liang (Stanford) a remarcat dominanța arhitecturii Transformers, creată inițial pentru traducerea automată, dar devenită arhitectura de rețele neuronale standard de facto.

Capitolul 3. Economia

Capitolul examinează interrelația tot mai strânsă dintre IA și economia mondială prin prisma pieței muncii, a investițiilor și a activității corporative[1].

Piața muncii

Angajarea specialiștilor în IA. Brazilia, India, Canada, Singapore și Africa de Sud au înregistrat cea mai mare creștere a angajărilor de specialiști în IA în perioada 2016–2020. În ciuda pandemiei, angajările au continuat să crească în toate țările studiate în 2020[1][24].

Cererea de specialiști în IA în SUA. Numărul posturilor vacante în domeniul IA în SUA a scăzut cu 8,2% din 2019 până în 2020 (de la 325.724 la 300.999). Aceasta este prima scădere a ponderii posturilor în IA în șase ani[1][25].

Penetrarea competențelor IA. Printre țările studiate, India are cel mai ridicat indicator relativ de penetrare a competențelor IA (2,83 față de media mondială), urmată de SUA (1,99), China (1,40), Germania (1,27) și Canada (1,13). Pe sectoare, India conduce în toate cele cinci sectoare de top: educație, finanțe, echipamente și rețele, producție, software și servicii IT[1][24].

Investiții

Investiții corporative. Volumul total al investițiilor globale în IA (investiții private, IPO, fuziuni și achiziții, participații minoritare) a crescut cu 40% în 2020 față de 2019, atingând 67,9 miliarde de dolari. Fuziunile și achizițiile au reprezentat cea mai mare parte, crescând cu 121,7%. Printre tranzacțiile majore se numără achiziționarea de către NVIDIA a companiei Mellanox Technologies și de către Capgemini a companiei Altran Technologies[1][3].

Startup-uri. Volumul investițiilor private în IA continuă să crească, dar se concentrează într-un număr mai mic de startup-uri. În 2020, investițiile private au crescut cu 9,3% (record de 40+ miliarde de dolari), însă numărul companiilor finanțate a scăzut pentru al treilea an consecutiv[1][3].

Domenii de focus. Direcția „Medicamente, Oncologie, Molecule, Descoperirea Medicamentelor" a atras cel mai mare volum de investiții private — peste 13,8 miliarde de dolari, de 4,5 ori mai mult față de 2019[1].

Activitate corporativă

Adoptarea IA (date McKinsey). În ciuda recesiunii economice cauzate de pandemie, jumătate dintre respondenții sondajului McKinsey au declarat că pandemia nu a afectat investițiile lor în IA, iar 27% le-au crescut efectiv. Mai puțin de un sfert dintre companii au redus investițiile[1][26].

Riscuri etice. În ciuda apelurilor tot mai frecvente la abordarea problemelor etice legate de utilizarea IA, eforturile în industrie rămân limitate. Aspecte precum echitatea și egalitatea în IA primesc comparativ puțină atenție din partea companiilor. Mai puține companii în 2020 consideră riscurile legate de confidențialitate relevante față de 2019[1][26].

Roboți industriali. Capitolul include date ale Federației Internaționale de Robotică (IFR) privind tendințele globale de instalare a roboților industriali și comparații regionale[1][27].

Mențiuni ale IA în rapoartele privind câștigurile. Analiza datelor arată o creștere a numărului de mențiuni ale IA în rapoartele corporative privind câștigurile[1].

Capitolul 4. Educație în domeniul IA

Capitolul examinează tendințele în formarea specialiștilor prin prisma instituțiilor de învățământ superior și a diverselor platforme educaționale[1].

Învățământ superior

Cursuri. Sondajul AI Index din 2020 a arătat că universitățile de top din lume au crescut investițiile în educația în domeniul IA în ultimii patru ani. Numărul cursurilor de licență care predau abilități practice de construire și implementare a modelelor IA a crescut cu 102,9% (de la 102 în 2016–17 la 207 în 2019–20), iar la nivel de masterat — cu 41,7% (de la 151 la 214). Numărul studenților înscriși sau care au încercat să se înscrie la cursuri introductive de IA și ML a crescut cu aproape 60% în patru ani universitari[1].

În UE, creșterea numărului de înscriși la cursuri introductive a fost de 165%, în timp ce în SUA s-a observat o scădere în ultimul an universitar, cauzată parțial de pandemie și de schimbările structurale în oferta de cursuri[1].

Doctorat. În ultimii 10 ani, ponderea doctoranzilor în IA din totalul doctoranzilor în informatică din SUA a crescut de la 14,2% la aproximativ 23% până în 2019. În același timp, alte specializări anterior populare (tehnologii de rețea, inginerie software, limbaje de programare) și-au pierdut din popularitate[1][4].

Migrarea cadrelor didactice spre industrie. După o creștere de doi ani, numărul plecărilor cadrelor didactice în IA din universități spre industrie în America de Nord a scăzut de la 42 în 2018 la 33 în 2019. Carnegie Mellon a înregistrat cel mai mare număr de plecări în perioada 2004–2019 (16), urmată de Georgia Tech (14) și Universitatea din Washington (12)[1].

Doctoranzi străini. Ponderea studenților străini printre noii doctoranzi în IA a atins 64,3% în 2019. Dintre aceștia, 81,8% au rămas în SUA[1][4].

Educație în UE. În UE, marea majoritate a ofertelor academice specializate în IA sunt predate la nivel de masterat; robotica și automatizarea sunt cele mai frecvent predate cursuri în programele de licență și masterat specializate, în timp ce Machine Learning domină în cursurile specializate de scurtă durată[1][28].

Capitolul 5. Provocări Etice ale Aplicațiilor IA

Capitolul examinează eforturile de soluționare a problemelor etice apărute odată cu dezvoltarea IA[1].

Principii și cadre IA

Între 2015 și 2020 au fost publicate 117 documente dedicate principiilor IA. Companiile private au emis cel mai mare număr de astfel de documente dintre toate tipurile de organizații. Europa și Asia Centrală conduc la numărul de publicații (52), urmate de America de Nord (41) și Asia de Est și regiunea Pacificului (14). Apogeul activității de publicare a fost în 2018, în special din partea companiilor de tehnologie — IBM, Google, Facebook — și a structurilor guvernamentale din Marea Britanie, UE și Australia[1][29].

Criticiicii semnalează că publicarea principiilor etice nu este adesea însoțită de cadre instituționale și este opțională. Caracterul vag și abstract al multor principii nu oferă indicații clare privind implementarea lor[1].

Etica în mass-media

Cele mai dezbătute cinci subiecte din 2020 legate de utilizarea etică a IA: publicarea Cărții Albe a Comisiei Europene privind IA, concedierea de către Google a cercetătoarei în etică Timnit Gebru, comitetul ONU pentru etica IA, planul Vaticanului privind etica IA și retragerea IBM din domeniul recunoașterii faciale[1].

Etica la conferințe

Numărul articolelor cu cuvinte-cheie legate de etică în titlurile depuse la conferințele de IA a crescut din 2015, deși numărul mediu al unor astfel de titluri la conferințele majore rămâne scăzut[1].

Etica în educație

Datele sondajului AI Index au arătat că cursurile de etică în IA devin tot mai răspândite în departamentele de informatică ale universităților de top din lume[1].

Capitolul 6. Diversitate în IA

Capitolul analizează diversitatea de gen, rasială, etnică și reprezentarea LGBTQ+ în domeniul IA[1].

Diversitate de gen

Conform datelor CRA, femeile reprezintă doar 16% dintre cadrele didactice titulare în informatică la câteva universități de top din lume[1][4].

Diversitate rasială și etnică

Printre noii rezidenți — titulari de doctorat în IA în SUA în 2019: 45% — albi, 22,4% — asiatici, 3,2% — hispanici, 2,4% — afro-americani. Ponderea albilor (non-hispanici) printre noii titulari de doctorat în informatică a rămas practic neschimbată în ultimii 10 ani, cu o medie de 62,7%[1][4].

Componența rasială a corpului profesoral. Dintre cele 15 universități care au răspuns la întrebarea privind componența rasială: 67,0% dintre cadrele didactice titulare sunt albe, 14,3% — asiatice, 0,8% — hispanice, 0,6% — de culoare sau africane[1].

Black in AI. Organizația Black in AI, fondată în 2017 de Timnit Gebru și Rediet Abebe, număra aproximativ 3.000 de membri până în 2020. Participarea la atelierele BAI de la NeurIPS a crescut semnificativ: numărul participanților și al articolelor depuse în 2019 a fost de 2,6 ori mai mare față de 2017[1].

Identitate de gen și orientare sexuală

Conform datelor sondajului Queer in AI (QAI) din 2020, aproape jumătate dintre respondenți consideră că lipsa de incluziune în domeniul IA constituie un obstacol pentru cariera lor. Peste 40% dintre membrii QAI au raportat discriminare sau hărțuire la locul de muncă sau la studii. 81,4% au menționat absența modelelor de rol drept principalul obstacol[1][30].

Capitolul 7. Politici și Strategii Naționale în domeniul IA

Capitolul acoperă peisajul reglementării IA la nivel local, național și internațional[1].

Strategii naționale

Din momentul publicării de către Canada a primei strategii naționale din lume privind IA în 2017, peste 30 de țări și regiuni au publicat documente similare până în decembrie 2020. Alte 22 de țări se aflau în proces de elaborare a strategiilor[1].

Anul Strategii
2017 Canada, China, Japonia, Finlanda, EAU
2018 UE, Franța, Germania, Coreea de Sud, Marea Britanie, India, Mexic, Australia ș.a.
2019 SUA (actualizată), Rusia, Olanda, Cehia, Singapore ș.a.
2020 Spania, Brazilia, Polonia, Turcia ș.a.

Canada (2017): Pan-Canadian AI Strategy, buget de 125 milioane CAD (97 milioane USD), accent pe formarea specialiștilor și aspecte etice[1].

China (2017): una dintre cele mai cuprinzătoare strategii, acoperind cercetarea și dezvoltarea, educația, normele etice și securitatea națională. Obiective: atingerea nivelului mondial până în 2020, devenirea lider mondial până în 2025, principal centru de inovare până în 2030[1].

UE (2018): Coordinated Plan on Artificial Intelligence, minimum 1 miliard EUR pe an pentru cercetarea în IA și 4,9 miliarde EUR pentru alte aspecte ale strategiei[1].

Franța (2018): AI for Humanity, buget de 1,5 miliarde EUR până în 2022, sectoare strategice: sănătate, mediu, transport și apărare[1].

Cooperare internațională

Lansarea Parteneriatului Global pentru IA (GPAI) și a Observatorului pentru Politici în domeniul IA al OCDE în 2020 a intensificat eforturile interguvernamentale de sprijinire a dezvoltării IA[1][31][32].

Investiții publice ale SUA

Bugetul federal. Raportul analizează datele privind bugetul federal al SUA pentru cercetarea și dezvoltarea non-militară în domeniul IA[1].

Bugetul Departamentului Apărării. Sunt incluse date privind solicitarea bugetară a Departamentului Apărării al SUA pentru IA[1].

Contracte de stat. Analiza cheltuielilor totale pentru contracte și distribuția acestora pe agenții[1][6].

Activitate legislativă

Congresul SUA. Congresul al 116-lea a fost cel mai orientat spre IA din toată istoria. Numărul mențiunilor IA în actele legislative, rapoartele comitetelor și rapoartele Serviciului de Cercetare al Congresului (CRS) s-a triplat față de Congresul al 115-lea[1][6].

Bănci centrale. Raportul include date privind mențiunile IA și ML în materialele băncilor centrale[1].

Metodologie și surse de date

Raportul se bazează pe date din numeroase surse[1]:

  • Publicații: Elsevier/Scopus (70 de milioane de lucrări de cercetare recenzate), Microsoft Academic Graph (MAG, 225+ milioane de publicații), arXiv, Nesta.
  • Benchmark-uri: Papers With Code, SuperGLUE, VQA, VCR, COCO, ImageNet, NIST FRVT, LibriSpeech, VoxCeleb, TPTP, CASP ș.a.
  • Piața muncii: LinkedIn Economic Graph, Burning Glass Technologies.
  • Investiții: S&P Capital IQ (CapIQ), Crunchbase, NetBase Quid.
  • Activitate corporativă: McKinsey & Company (Global Survey on AI), International Federation of Robotics (IFR), Prattle (earnings calls).
  • Educație: CRA Taulbee Survey, Joint Research Centre (European Commission), sondajul propriu AI Index (18 universități din 9 țări).
  • Etică: AI Ethics Lab (Boston), analiză media.
  • Diversitate: CRA, Black in AI, Queer in AI.
  • Politici: Bloomberg Government, OECD AI Policy Observatory.

În MAG, fiecare articol este contabilizat o singură dată; în cazul mai multor autori din țări diferite, creditul este distribuit uniform între regiunile unice[1][5].

Colectivul de autori

Raportul a fost elaborat sub coordonarea co-directorilor Raymond Perrault (SRI International) și Jack Clark (OECD/GPAI). Managerul de cercetare și redactorul-șef — Daniel Zhang (Universitatea Stanford). Din comitetul de conducere au mai făcut parte: 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, fondator-director)[1].

Instrumente și date deschise

Raportul este însoțit de următoarele resurse[1]:

  • Date brute și grafice: datele publice și imaginile de înaltă rezoluție sunt disponibile pe Google Drive.
  • Global AI Vibrancy Tool: instrument actualizat de vizualizare interactivă, care permite compararea a până la 26 de țări pe 22 de indicatori.
  • Publicația „Measurement in AI Policy: Opportunities and Challenges\" (toamna 2020): o trecere în revistă a problemelor de măsurare în politica IA.

Referințe

Bibliografie

Note

  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_(RO)&oldid=7983"