The 2021 AI Index Report (TR)

From Systems analysis Wiki
Jump to navigation Jump to search

AI Index Report 2021 — Stanford İnsan Merkezli Yapay Zeka Enstitüsü (Stanford HAI) tarafından hazırlanan AI Index raporunun dördüncü yıllık yayınıdır[1]. 2021 yılı raporu, önceki yayınlara kıyasla veri kapsamını önemli ölçüde genişletmekte, daha geniş bir dış ortak kuruluş yelpazesiyle çalışmakta ve Stanford HAI Enstitüsü ile bağlarını derinleştirmektedir. Yayın, yapay zeka ile ilgili verileri takip etmekte, sistematize etmekte, özetlemekte ve görselleştirmekte; politika yapıcılara, araştırmacılara, yöneticilere, gazetecilere ve genel kamuoyuna tarafsız, titizlikle doğrulanmış ve küresel ölçekte toplanmış bilgiler sunmaktadır. Rapor, büyük ölçüde COVID-19 salgını tarafından şekillendirilen bir dönemi kapsamakta olup bu salgın; ilaç geliştirmenin hızlandırılmasından konferansların sanal ortama taşınmasına kadar yapay zekanın gelişiminin pek çok boyutunu etkilemiştir.

COVID-19'un Etkisi: Bağlam

COVID-19 salgını, 2020 yılında yapay zekanın gelişimi üzerinde kayda değer ancak çok yönlü bir etki bırakmıştır[1]. Teknik performans alanında, yapay zeka girişimi PostEra, COVID-19 ile bağlantılı ilaç keşfini hızlandırmak için Machine Learning yöntemlerini uygulamıştır[2]. Ekonomi bölümü, yapay zeka alanındaki istihdamın ve özel yatırımların salgından önemli ölçüde olumsuz etkilenmediğini; her iki göstergenin de 2020 yılında büyümeye devam ettiğini ortaya koymaktadır. Konferansların sanal ortama taşınması katılımcı sayısında kayda değer bir artışa yol açmış; dokuz büyük konferansın katılımcı sayısı neredeyse iki katına çıkmıştır.

Raporun Yapısı

2021 yılı raporu yedi tematik bölümden oluşmaktadır[1]:

  1. Araştırma ve Geliştirme (Research and Development) — yayınlar, patentler, konferanslar ve açık kaynaklı yazılım trendleri.
  2. Teknik Performans (Technical Performance) — bilgisayarlı görü, doğal dil işleme, konuşma tanıma, akıl yürütme, sağlık ve biyoloji alanlarındaki ilerleme.
  3. Ekonomi (The Economy) — işgücü piyasası, yatırımlar ve yapay zeka alanındaki kurumsal faaliyetler.
  4. Yapay Zeka Eğitimi (AI Education) — insan kaynağı yetiştirme trendleri, kurslar ve programlar.
  5. Yapay Zeka Uygulamalarının Etik Zorlukları (Ethical Challenges of AI Applications) — ilkeler, medya haberleri ve konferanslarda etik.
  6. Yapay Zekada Çeşitlilik (Diversity in AI) — cinsiyet, ırk ve etnik çeşitlilik.
  7. Yapay Zeka Politikası ve Ulusal Stratejiler (AI Policy and National Strategies) — mevzuat, hükümetlerarası iş birliği ve kamu yatırımları.

Raporun Temel Bulguları (İlk 9)

Rapor yazarları 2021 yılının dokuz ana tezini öne çıkarmıştır[1]:

1. Yapay Zeka İlaç Geliştirmeye Yönelik Yatırımlarda Keskin Artış

"İlaçlar, Onkoloji, Moleküller, İlaç Keşfi" (Drugs, Cancer, Molecular, Drug Discovery) alanı, 2020 yılında yapay zekaya yönelik en fazla özel yatırım alan alan olmuştur — 13,8 milyar ABD dolarının üzerinde; bu rakam 2019 yılının 4,5 katıdır[1][3].

2. İş Gücünün Sektöre Kayışının Sürmesi

2019 yılında Kuzey Amerika'daki yapay zeka doktora mezunlarının %65'i sektörde çalışmayı tercih etmiştir; bu oran 2010'daki %44,4 ile karşılaştırıldığında sanayinin yapay zekanın gelişimindeki artan rolünü vurgulamaktadır[1][4].

3. Üretici Modeller — "Her Şeyi Üret"

Yapay zeka sistemleri, bazı sınırlı teknoloji uygulamalarında insanların sentetik çıktıları gerçeklerden ayırt etmesini güçleştirecek bir kalite düzeyinde metin, ses ve görüntü üretmeyi öğrenmiştir[1].

4. Yapay Zekada Çeşitlilik Sorunu

2019 yılında ABD'deki yeni yapay zeka doktora derecesi sahipleri arasında %45'i beyaz, %2,4'ü Afrikalı Amerikalı ve %3,2'si Hispanik/Latinx kökenlidir[1][4].

5. Çin, Yapay Zeka Dergi Makalesi Atıflarında ABD'yi Geride Bıraktı

Birkaç yıl önce toplam yapay zeka dergi yayın sayısında ABD'yi geride bırakan Çin, 2020 yılında ilk kez dergi makalesi atıf sayısında da öne geçmiştir. Ancak ABD, son on yıl boyunca yapay zeka konferans makalelerinde (daha sık atıf alan) Çin'i istikrarlı ve büyük bir farkla geride bırakmaya devam etmektedir[1][5].

6. ABD'deki Yapay Zeka Doktora Öğrencilerinin Büyük Çoğunluğu Yabancı Uyruklu ve Ülkede Kalıyor

Kuzey Amerika'daki yeni yapay zeka doktora öğrencileri arasında yabancı uyrukluların oranı 2019 yılında artmaya devam etmiş ve 2018'e kıyasla 4,3 puan artışla %64,3'e ulaşmıştır. Yabancı uyruklu mezunların %81,8'i ABD'de kalmış, %8,6'sı ise Amerika Birleşik Devletleri dışında iş bulmuştur[1][4].

7. Gözetleme Teknolojileri — Hızlı, Ucuz ve Her Yerde

Geniş ölçekli gözetim için gerekli teknolojiler hızla gelişmektedir: görüntü sınıflandırma, yüz tanıma, video analizi ve ses kimliği belirleme yöntemleri 2020 yılında önemli ilerleme kaydetmiştir[1].

8. Yapay Zeka Etiğinin Benchmark'ı ve Uzlaşısı Yok

Bazı kuruluşların yapay zeka etiğine ilişkin niteliksel ve normatif belgeler yayımlamasına karşın, bu alanda genel olarak teknoloji gelişimine dair kamuoyu tartışmaları ile geliştirme süreci arasındaki ilişkiyi ölçmek veya değerlendirmek için kullanılabilecek benchmark'lar bulunmamaktadır[1].

9. Yapay Zeka ABD Kongresi'nin Gündemine Girdi

116. Kongre, tarihinin en fazla yapay zeka odaklı kongresi olmuştur: yapay zekanın tutanaklarında anılma sayısı, 115. Kongre'dekinin üç katından fazladır[1][6].

Bölüm 1. Araştırma ve Geliştirme

Bu bölüm; yayınlardaki (hakemli, dergi, konferans, patent) trendleri, arXiv'deki faaliyetleri, konferansları ve açık kaynaklı yazılımı analiz etmektedir[1].

Hakemli Yayınlar

Yapay zekaya ilişkin toplam hakemli yayın sayısı 2000 ile 2019 yılları arasında yaklaşık 12 kat artmıştır. Dünyadaki tüm hakemli yayınlar arasında yapay zeka yayınlarının payı 2000'deki %0,82'den 2019'da %3,8'e yükselmiştir[1][7].

Bölgesel dağılım. Doğu Asya ve Pasifik bölgesi, 2004 yılından bu yana hakemli yapay zeka yayınlarında en yüksek paya sahip olmayı sürdürmektedir (2019'da %36,9); onu Avrupa ve Orta Asya (%25,1) ile Kuzey Amerika (%17,0) takip etmektedir. 2009 ile 2019 yılları arasında Güney Asya ile Sahra altı Afrika, sırasıyla sekiz ve yedi katlık artışla en hızlı büyümeyi sergilemiştir[1][5].

Coğrafi bölgelere göre karşılaştırma. 2019 yılı itibarıyla Çin, dünya genelindeki hakemli yapay zeka yayınlarındaki payda (%22,4) birinci sıraya yerleşmiş ve AB'yi (%16,4) 2017'de geride bırakmıştır. ABD üçüncü sıradadır (%14,6). Çin, 2019 yılında 2014'e kıyasla 3,5 kat daha fazla hakemli yapay zeka makalesi yayımlamıştır[1][7].

Kurumsal bağlılık. Her büyük bölgede hakemli yayınların en yüksek payı akademik kurumlara aittir. Ancak ikinci önemli kaynaklar farklılık göstermektedir: ABD'de kurumsal araştırmalar toplamın %19,2'sini oluştururken Çin'de ve AB'de ikinci sırayı devlet kurumları almaktadır (sırasıyla %15,6 ve %17,2)[1][7].

Akademi-sanayi iş birliği. 2015 ile 2019 yılları arasında ABD, ortak akademi-sanayi hakemli yapay zeka yayınlarında ikinci sıradaki AB'nin iki katından fazlasıyla en yüksek sayıyı üretmiştir; Çin onu takip etmektedir[1].

Dergi Yayınları

2020 yılındaki yapay zeka dergi yayınlarının sayısı 2000 yılındakinin 5,4 katıdır. Büyüme oranı 2019'dan 2020'ye %34,5 olmuştur; bu, 2018'den 2019'a (%19,6) kıyasla çok daha yüksek bir yüzdelik artıştır. 2020 yılında dünya genelindeki tüm dergi yayınları içinde yapay zeka dergi yayınlarının payı %2,2'dir[1][5].

Atıflar. 2020 yılında Çin (%20,7), yapay zeka dergi makalesi atıflarındaki dünya payında ilk kez ABD'yi (%19,8) geride bırakmıştır. AB genel payını kaybetmeye devam etmiştir (%11,0)[1][5].

Konferans Yayınları

Yapay zeka konferans yayınlarının sayısı 2000 ile 2019 yılları arasında dört katına çıkmıştır. Çin, 2019 yılında yapay zeka konferans yayınlarındaki payda ABD'yi geride bırakmıştır[1][5].

Atıflar. Dergi yayınlarından farklı olarak ABD, son on yıl boyunca yapay zeka konferans makalelerindeki atıf sayısında istikrarlı ve belirgin bir liderliği sürdürmüştür (2020'de %40,1); Çin (%11,8) ve AB'yi (%10,9) önemli bir farkla geride bırakmaktadır[1][5].

arXiv Yayınları

Altı yıl içinde arXiv'deki yapay zeka ile ilgili yayın sayısı altı kattan fazla artmıştır: 2015'teki 5.478'den 2020'de 34.736'ya[1][8]. Araştırma alanları arasında 2015–2020 döneminde en yüksek büyümeyi robotik (cs.RO, 11 kat artış) ve Machine Learning (cs.LG, 10 kat artış) sergilemiştir. 2020 yılında yayın sayısı bakımından liderler cs.LG (%32,0) ve bilgisayarlı görü cs.CV (%31,7) olmuştur[1].

Kuzey Amerika, arXiv yayınlarındaki payda liderliğini korumaktadır (2020'de %36,3); ancak bu pay düşmektedir (2017'de %41,6). Doğu Asya ve Pasifik bölgesinin payı istikrarlı biçimde artmış; 2015'teki %17,3'ten 2020'de %26,5'e ulaşmıştır[1].

Patentler

Microsoft Academic Graph'tan alınan veriler, yapay zeka ile ilgili patent sayısında iki on yıl boyunca istikrarlı bir büyüme olduğunu ortaya koymaktadır[1][5].

Derin Öğrenme

Nesta'dan araştırmacılar, arXiv'deki derin öğrenme yayınlarını belirlemek için konu modelleme algoritmaları kullanmıştır. Son beş yılda arXiv'deki derin öğrenme yayınlarının sayısı neredeyse altı katına çıkmıştır[1][9].

Konferanslar

2020 yılında büyük yapay zeka konferanslarının büyük çoğunluğu COVID-19 nedeniyle sanal ortamda gerçekleşmiş; bu durum katılımcı sayısında keskin bir artışa yol açmıştır. Dokuz konferansın katılımcı sayısı neredeyse iki katına çıkmıştır[1]. Büyük konferanslar arasında NeurIPS (22.011 katılımcı), IROS (25.719 — üç aylık genişletilmiş erişimle sanal format), ICML (10.800) ve CVPR (7.500) yer almaktadır. Küçük konferanslar arasında ICLR (5.600), ACL (3.972) ve AAMAS (3.726) dikkat çekmektedir[1].

Kurumsal varlık. Araştırma, büyük teknoloji şirketlerinin önde gelen yapay zeka konferanslarındaki varlığını artırdığını göstermiştir. İncelenen 10 büyük konferansın tamamında kurumsal temsil bakımından yükselen bir trend gözlemlenmiştir. "The De-Democratization of AI" makalesinin yazarları, akademi ile sanayi arasındaki eşitsiz hesaplama kaynağı dağılımının — "hesaplama uçurumu" (compute divide) olarak adlandırılan bu olgunun — derin öğrenme çağında eşitsizliği derinleştirdiğini vurgulamaktadır[10].

Açık Kaynaklı Yazılım

Google tarafından geliştirilen ve 2017'de kamuoyuna açılan TensorFlow, GitHub'daki en popüler açık kaynaklı yapay zeka kütüphanesi olmayı sürdürmüştür (2020 itibarıyla 153 bin yıldız). İkinci en popüler kütüphane Keras (51 bin yıldız), üçüncüsü ise Facebook'un PyTorch'u (46 bin yıldız) olmuştur. Diğer dikkat çekici kütüphaneler arasında Scikit-learn (45 bin), BVLC/Caffe (31 bin), MXNet (19 bin) ve CNTK (17 bin) yer almaktadır[1][11].

Bölüm 2. Teknik Performans

Bu bölüm; bilgisayarlı görü (görüntü ve video), doğal dil işleme, dil ve görü akıl yürütmesi, konuşma tanıma, sembolik akıl yürütme ile sağlık ve biyoloji alanlarındaki ilerlemeyi kapsamaktadır[1].

Bilgisayarlı Görü — Görüntüler

ImageNet. Bilgisayarlı görü son on yılda muazzam bir ilerleme kaydetmiştir. Bazı büyük benchmark'lardaki performans dengelenmekte olup bu durum daha karmaşık testlerin oluşturulmasının gerekliliğine işaret etmektedir. Rapor, ImageNet üzerindeki Top-1 ve Top-5 doğruluk verileriyle eğitim süresi ve maliyeti verilerini sunmaktadır[1][12].

Yeni zorlayıcı testler. Standart ImageNet'teki ilerleme yavaşladığından rapor, daha zorlayıcı benchmark'lar sunmaktadır: ImageNet-Adversarial (doğal zorlaştırıcı faktörler ve sistematik olarak yanlış sınıflandırılan görüntüler içerir), ImageNet-C (parlaklık değişimi, kontrast, pikselleme ve sis efektleri dahil 75 tür görsel bozulma) ve ImageNet-Rendition (genellemeyi test eden, 200 ImageNet sınıfına ait 30.000 illüstrasyon)[1].

Görüntü üretme. İlerleme, STL-10 dataset'i üzerindeki Fréchet Inception Distance (FID) skoru ile ölçülmektedir — 2020 itibarıyla en iyi skor 25,4'tür (ne kadar düşükse o kadar iyidir). Yüz üretme konusundaki niteliksel örnekler GAN'lardaki hızlı ilerlemeyi ortaya koymaktadır: 2018 itibarıyla performans, insanların sahteciği tespit etmekte güçlük çektiği bir düzeye ulaşmıştır[1][13].

Deepfake tespiti. Facebook tarafından Eylül 2019'da oluşturulan Deepfake Detection Challenge (DFDC), Aralık 2019'dan Mart 2020'ye kadar olan süreçte log loss değerinde yaklaşık 0,5'lik bir düşüş göstermiş ve 0,19 değerine ulaşmıştır[1][14].

İnsan poz tahmini. COCO Keypoint Detection benchmark'ında algoritmaların doğruluğu dört yılda yaklaşık %33 iyileşerek ortalama doğruluk (AP) değerinin %80,8'ine ulaşmıştır[1].

Semantik bölümleme. Cityscapes benchmark'ı ve diğer bölümleme görevlerindeki ilerleme sürmüştür[1].

Bilgisayarlı Görü — Video

ActivityNet. Eylem tanıma benchmark'ı, eylemlerin zamansal lokalizasyonu görevlerinde algoritmaların daha da geliştiğini ortaya koymuştur[1].

YOLO (You Only Look Once). Video akışlarından çerçeveleri analiz etmeye yönelik nesne tespit sistemleri hızla olgunlaşmakta olup bu durum yapay zekanın dağıtım olanaklarının genişlediğine işaret etmektedir[1].

Yüz tanıma (NIST FRVT). Rapor, Ulusal Standartlar ve Teknoloji Enstitüsü'nden (NIST) yüz tanıma sistemlerine ilişkin test verilerini içermektedir. Geniş ölçekli gözetim teknolojileri hızla gelişmektedir[1][15].

Doğal Dil İşleme (NLP)

SuperGLUE. NLP alanındaki hızlı ilerleme, yapay zeka sistemlerinin SuperGLUE benchmark'ında insan düzeyine erişmeye başlamasına yol açmıştır; bu benchmark, daha önceki GLUE benchmark'ının çok hızlı aşılması üzerine geliştirilmiştir. NLP'deki ilerleme, değerlendirme metriklerinin önüne geçmektedir[1][16].

SQuAD. Stanford Question Answering Dataset benchmark'ı da model performansında istikrarlı bir büyüme sergilemiştir[1].

Ticari makine çevirisi. Önceden eğitilmiş modellere sahip bağımsız bulut tabanlı makine çevirisi sistemlerinin sayısı 2017'deki 8'den 2020'de 28'e yükselmiştir[1][17].

GPT-3. Temmuz 2020'de OpenAI, 570 GB metin üzerinde eğitilmiş ve 175 milyar parametresiyle o dönemde bilinen en büyük yoğun dil modeli olan GPT-3'ü tanıtmıştır. Karşılaştırma yapılırsa öncülü GPT-2, yüz kattan fazla daha küçüktü (1,5 milyar parametre). Ölçek, şaşırtıcı davranışlara yol açmıştır: GPT-3, üzerinde açıkça eğitilmediği görevleri sıfır veya minimum sayıda eğitim örneğiyle (zero-shot ve few-shot learning) gerçekleştirebilmektedir. 42 benchmark üzerinden ortalamayla doğruluk değerleri: zero-shot — %42,6, one-shot — %51,0, few-shot — %57,4[1][18].

Etkileyici yeteneklerine karşın GPT-3'ün ciddi eksiklikleri bulunmaktadır: ırkçı, cinsiyetçi ve önyargılı içerik üretebilmekte, olgusal açıdan yanlış ifadeler oluşturabilmekte ve eğitim maliyeti son derece yüksektir. Bu tür çıktıların yönetilmesi ve "yönlendirilmesi" üzerine yapılan araştırmalar henüz başlangıç aşamasında olmakla birlikte umut vadedicidir[1][18].

Dil ve Görü Akıl Yürütmesi

VQA. Visual Question Answering benchmark'ında doğruluk, 2015'teki oluşturulmasından bu yana neredeyse %40 artarak 2020'de %76,4'e ulaşmıştır (insan taban çizgisi %80,8)[1][19].

VCR. Visual Commonsense Reasoning görevinde (yanıtın gerekçelendirilmesini gerektiren) en iyi makine, Q→AR değerini 2018'deki 44'ten 2020'de 70,5'e (%60,2 artış) yükseltmiştir; insan düzeyi ise 85'tir[1].

Konuşma Tanıma

LibriSpeech. Otomatik konuşma tanımadaki ilerleme sürmüştür; bu ilerleme büyük ölçüde derin sinir ağlarının esnekliğine ve öngörü gücüne dayanmaktadır[1].

VoxCeleb. YouTube'daki video röportajlardan elde edilen kısa insan konuşma kliplerine sahip olan, 7.000'den fazla konuşmacıyı ve bir milyondan fazla ifadeyi barındıran bu dataset, konuşmacı kimliği belirlemenin değerlendirilmesinde kullanılmaktadır[1][20].

Konuşma tanımada ırksal uçurum. Rapor, konuşma tanıma teknolojilerinde kayda değer bir ırksal uçurumun varlığını kaydetmektedir[1].

Sembolik Akıl Yürütme

Boole formülleri tatmin edilebilirlik problemi (SAT). Rapor, bireysel sistemlerin genel performansa katkısını ilişkilendirmeyi mümkün kılan zamansal Shapley değeri (temporal Shapley value) kullanılarak yapılan yeni bir analizi sunmaktadır. 2020 yılının birincisi Kissat, tüm çözücüler arasında (ilk yıl hariç) en yüksek zamansal Shapley değerini elde etmiştir; bu başarı büyük ölçüde daha verimli veri yapıları ve algoritmalardan kaynaklanmaktadır[1][21].

Otomatik teorem ispatlama (ATP). TPTP kütüphanesinin analizi (23.000'den fazla problem) 1997'den 2020'ye çözülen problem oranında istikrarlı bir büyüme göstermektedir. 2008–2013 yılları arasında kayda değer bir ilerleme gözlemlenmiş; 2015'ten itibaren ise ilerleme sürmekle birlikte yavaşlamıştır. Machine Learning'in giderek artan kullanımı (MaLARea ve Enigma sistemlerinde), ATP için potansiyel bir devrimci unsur olarak değerlendirilmektedir[1][22].

Sağlık ve Biyoloji

Moleküler sentez. Machine Learning modelleri, daha verimli kimyasal sentez planlaması amacıyla kimyasal moleküllerin temsilleri üzerinde eğitim almak için kullanılmaktadır[1].

COVID-19 ve ilaç keşfi. PostEra girişimi, COVID Moonshot projesi kapsamında COVID-19 ile ilgili ilaç keşif sürecini hızlandırmak için Machine Learning yöntemlerini uygulamıştır[1][2].

AlphaFold ve protein katlanması. DeepMind'ın protein yapısı tahmini alanındaki atılımı, yılın en önemli başarılarından biri olmuştur. AlphaFold 2, CASP14 (2020) yarışmasında serbest modelleme görevlerinde deneysel yöntemlerle karşılaştırılabilir bir medyan GDT_TS skoru elde etmiş ve önceki tüm sonuçları önemli ölçüde geride bırakmıştır. Bu gelişme; hücresel yaşamın temellerinin daha iyi anlaşılmasından ilaç geliştirmenin hızlandırılmasına kadar geniş bir uygulama yelpazesine sahiptir[1][23].

Uzman Görüşleri

AI Index tarafından yapay zeka uzmanlarıyla gerçekleştirilen anket şu sonuçları ortaya koymuştur[1]:

  • 2020 yılının en etkileyici başarıları olarak AlphaFold (DeepMind) ve GPT-3 (OpenAI), diğerlerini büyük bir farkla geride bırakarak birinci seçilmiştir.
  • 2021 yılının temel trendi — önceden eğitilmiş modellerin daha da geliştirilmesi ve bunların dar görevler için fine-tuning ile uyarlanması.
  • Percy Liang (Stanford), başlangıçta makine çevirisi için oluşturulan ancak yapay sinir ağları için fiili standart mimari haline gelen Transformer mimarisinin baskınlığına dikkat çekmiştir.

Bölüm 3. Ekonomi

Bu bölüm, yapay zeka ile dünya ekonomisi arasındaki giderek sıkılaşan ilişkiyi işgücü piyasası, yatırımlar ve kurumsal faaliyet perspektifinden ele almaktadır[1].

İşgücü Piyasası

Yapay zeka uzmanı istihdamı. Brezilya, Hindistan, Kanada, Singapur ve Güney Afrika, 2016'dan 2020'ye kadar yapay zeka uzmanı istihdamında en yüksek büyümeyi gösteren ülkeler olmuştur. Salgına karşın tüm incelenen ülkelerde istihdam 2020 yılında büyümeye devam etmiştir[1][24].

ABD'de yapay zeka uzmanı talebi. ABD'deki yapay zeka iş ilanlarının sayısı 2019'dan 2020'ye %8,2 oranında düşmüştür (325.724'ten 300.999'a). Bu, altı yıl içindeki yapay zeka ilanları payındaki ilk düşüştür[1][25].

Yapay zeka becerilerinin penetrasyonu. İncelenen ülkeler arasında Hindistan, yapay zeka becerisi penetrasyonunda en yüksek göreli değere sahiptir (dünya ortalamasının 2,83 katı); onu ABD (1,99), Çin (1,40), Almanya (1,27) ve Kanada (1,13) takip etmektedir. Sektörler bazında Hindistan, ilk beş sektörün tamamında liderliği elinde tutmaktadır: eğitim, finans, donanım ve ağlar, üretim, yazılım ve BT hizmetleri[1][24].

Yatırımlar

Kurumsal yatırımlar. Toplam küresel yapay zeka yatırım hacmi (özel yatırımlar, IPO'lar, birleşme ve satın almalar, azınlık payları) 2020 yılında 2019'a kıyasla %40 artarak 67,9 milyar dolara ulaşmıştır. Birleşme ve satın almalar en büyük payı oluşturmuş ve %121,7 oranında artmıştır. Büyük işlemler arasında NVIDIA'nın Mellanox Technologies'i ve Capgemini'nin Altran Technologies'i satın alması yer almaktadır[1][3].

Girişimler. Yapay zekaya yönelik özel yatırım hacmi artmaya devam etmekte, ancak daha az sayıda girişimde yoğunlaşmaktadır. 2020'de özel yatırımlar %9,3 artarak (40 milyar doların üzerinde rekor kırmış) büyümeyi sürdürürken finansman sağlanan şirket sayısı üst üste üçüncü yıl da azalmıştır[1][3].

Odak alanları. "İlaçlar, Onkoloji, Moleküller, İlaç Keşfi" alanı en yüksek özel yatırımı almıştır — 13,8 milyar dolardan fazla; bu rakam 2019 yılının 4,5 katıdır[1].

Kurumsal Faaliyet

Yapay zeka benimsenmesi (McKinsey verileri). Salgının neden olduğu ekonomik durgunluğa karşın McKinsey anketine katılan şirketlerin yarısı, koronavirüsün yapay zekaya yönelik yatırımlarını etkilemediğini belirtmiştir; %27'si ise yatırımlarını fiilen artırmıştır. Şirketlerin dörtte birinden azı yatırımları azaltmıştır[1][26].

Etik riskler. Yapay zekanın kullanımıyla ilgili etik sorunların giderilmesine yönelik çağrılar artmasına karşın, sektördeki çabalar sınırlı kalmaktadır. Yapay zekada adalet ve eşitlik gibi konular, şirketler tarafından görece az ilgi görmektedir. 2019'a kıyasla daha az şirket, 2020 yılında gizlilikle ilgili riskleri güncel bir konu olarak değerlendirmektedir[1][26].

Endüstriyel robotlar. Bu bölüm, Uluslararası Robotik Federasyonu'nun (IFR) küresel endüstriyel robot kurulum eğilimleri ve bölgesel karşılaştırmalara ilişkin verilerini içermektedir[1][27].

Kazanç raporlarında yapay zeka değinmeleri. Veri analizi, şirketlerin kazanç raporlarında yapay zekaya yapılan atıfların arttığını ortaya koymaktadır[1].

Bölüm 4. Yapay Zeka Eğitimi

Bu bölüm, yükseköğretim kurumları ve çeşitli eğitim platformları perspektifinden insan kaynağı yetiştirme trendlerini ele almaktadır[1].

Yükseköğretim

Kurslar. AI Index 2020 anketinin sonuçları, dünyanın önde gelen üniversitelerinin son dört yılda yapay zeka eğitimine yönelik yatırımlarını artırdığını ortaya koymuştur. Yapay zeka modellerini oluşturma ve dağıtma konusunda pratik beceriler kazandıran lisans düzeyindeki kurs sayısı %102,9 artmıştır (2016–17'deki 102'den 2019–20'de 207'ye); lisansüstü düzeyde ise bu artış %41,7 (151'den 214'e) olmuştur. Yapay zeka ve ML alanında giriş kurslarına kayıt yaptıran veya kayıt yaptırmaya çalışan öğrenci sayısı dört akademik yılda yaklaşık %60 artmıştır[1].

AB'de giriş kurslarına kayıt artışı %165 olurken, ABD'de son akademik yılda kısmen salgın ve kurs tekliflerindeki yapısal değişikliklerden kaynaklanan bir düşüş gözlemlenmiştir[1].

Doktora. Son 10 yılda ABD'deki bilgisayar bilimleri alanındaki tüm doktoralar içinde yapay zeka doktoralarının payı %14,2'den 2019 itibarıyla yaklaşık %23'e yükselmiştir. Bu süreçte ağ teknolojileri, yazılım mühendisliği ve programlama dilleri gibi önceden popüler olan uzmanlık alanları ise ilgi kaybetmiştir[1][4].

Akademisyenlerin sektöre geçişi. İki yıllık artışın ardından Kuzey Amerika'da üniversitelerden sektöre geçen yapay zeka akademisyeni sayısı 2018'deki 42'den 2019'da 33'e düşmüştür. Carnegie Mellon, 2004–2019 yılları arasında en fazla geçişe sahne olmuştur (16); onu Georgia Tech (14) ve Washington Üniversitesi (12) takip etmektedir[1].

Yabancı uyruklu doktora öğrencileri. Yapay zeka alanındaki yeni doktora öğrencileri arasında yabancı uyrukluların payı 2019'da %64,3'e ulaşmıştır. Bu öğrencilerin %81,8'i ABD'de kalmıştır[1][4].

AB'de eğitim. AB'de yapay zeka alanındaki özel akademik tekliflerin büyük çoğunluğu lisansüstü düzeyde sunulmaktadır; robotik ve otomasyon, özel lisans ve yüksek lisans programlarında en sık öğretilen kurs iken Machine Learning, kısa özel kurslarda ağırlıklı konumu korumaktadır[1][28].

Bölüm 5. Yapay Zeka Uygulamalarının Etik Zorlukları

Bu bölüm, yapay zekanın gelişimiyle birlikte ortaya çıkan etik sorunları çözmeye yönelik çabaları ele almaktadır[1].

Yapay Zeka İlkeleri ve Çerçeveleri

2015'ten 2020'ye kadar yapay zeka ilkelerine ayrılmış 117 belge yayımlanmıştır. Özel şirketler, tüm kuruluş türleri arasında bu belgelerin en fazlasını yayımlamıştır. Avrupa ve Orta Asya yayın sayısında (52) birinci sırada yer alırken onu Kuzey Amerika (41) ve Doğu Asya ile Pasifik (14) takip etmektedir. Yayın faaliyetlerinin zirvesi, başta IBM, Google ve Facebook gibi teknoloji şirketleri ile Birleşik Krallık, AB ve Avustralya'nın devlet yapıları tarafından olmak üzere 2018 yılına denk gelmiştir[1][29].

Eleştirmenler, etik ilkelerin yayımlanmasının çoğu zaman kurumsal çerçevelerle desteklenmediğini ve zorunlu olmadığını vurgulamaktadır. Pek çok ilkenin muğlak ve soyut niteliği, uygulamaya ilişkin net yönergeler sunmamaktadır[1].

Medyada Etik

2020'nin en fazla tartışılan, yapay zekanın etik kullanımıyla ilgili beş konusu şunlardır: Avrupa Komisyonu'nun yapay zeka üzerine Beyaz Kitabı'nın yayımlanması, Google'ın etik araştırmacısı Timnit Gebru'yu işten çıkarması, BM'nin yapay zeka etiği komitesi, Vatikan'ın yapay zeka etik planı ve IBM'in yüz tanıma işinden çekilmesi[1].

Konferanslarda Etik

Yapay zeka konferanslarına sunulan bildirilerin başlıklarında etikle ilgili anahtar kelimeler içeren makale sayısı 2015'ten bu yana artmıştır; ancak büyük konferanslarda bu tür başlıkların ortalama sayısı düşük kalmaya devam etmektedir[1].

Eğitimde Etik

AI Index anket verileri, yapay zeka etiği kurslarının dünyanın önde gelen üniversitelerindeki bilgisayar bölümlerinde giderek yaygınlaştığını göstermiştir[1].

Bölüm 6. Yapay Zekada Çeşitlilik

Bu bölüm, yapay zeka alanındaki cinsiyet, ırk, etnik çeşitlilik ve LGBTİ+ temsilini analiz etmektedir[1].

Cinsiyet Çeşitliliği

CRA verilerine göre kadınlar, dünyanın önde gelen çeşitli üniversitelerindeki bilgisayar bilimleri kadrolu öğretim üyelerinin yalnızca %16'sını oluşturmaktadır[1][4].

Irk ve Etnik Çeşitlilik

2019 yılında ABD'deki yeni yapay zeka doktorası sahipleri arasında %45'i beyaz, %22,4'ü Asyalı, %3,2'si Hispanik/Latinx ve %2,4'ü Afrikalı Amerikalıdır. Son 10 yılda bilgisayar bilimleri alanındaki yeni doktoralar içinde beyaz (Hispanik olmayan) bireylerin oranı neredeyse değişmemiş ve ortalama %62,7'de kalmıştır[1][4].

Öğretim üyelerinin ırk kompozisyonu. Irk kompozisyonu sorusuna yanıt veren 15 üniversite arasında: kadrolu öğretim üyelerinin %67,0'si beyaz, %14,3'ü Asyalı, %0,8'i Hispanik/Latinx ve %0,6'sı siyah veya Afrikalıdır[1].

Black in AI. 2017 yılında Timnit Gebru ve Rediet Abebe tarafından kurulan Black in AI kuruluşu, 2020 itibarıyla yaklaşık 3.000 üyeye ulaşmıştır. NeurIPS'te düzenlenen BAI çalıştaylarına katılım önemli ölçüde artmış: 2019 yılındaki katılımcı ve bildiri sayıları 2017'deki değerlerin 2,6 katına çıkmıştır[1].

Cinsel Kimlik ve Cinsel Yönelim

Queer in AI (QAI) 2020 anket verilerine göre katılımcıların neredeyse yarısı, yapay zeka alanındaki yetersiz kapsayıcılığı kariyerleri önündeki bir engel olarak görmektedir. QAI üyelerinin %40'ından fazlası işyerinde veya eğitimlerinde ayrımcılık ya da tacize maruz kaldığını bildirmiştir. %81,4'ü ise rol model eksikliğini en büyük engel olarak nitelendirmiştir[1][30].

Bölüm 7. Yapay Zeka Politikası ve Ulusal Stratejiler

Bu bölüm, yerel, ulusal ve uluslararası düzeylerde yapay zeka düzenlemesinin mevcut durumunu kapsamaktadır[1].

Ulusal Stratejiler

Kanada'nın 2017 yılında dünyanın ilk ulusal yapay zeka stratejisini yayımlamasından bu yana 30'dan fazla ülke ve bölge, Aralık 2020'ye kadar benzer belgeleri kamuoyuyla paylaşmıştır. Diğer 22 ülke ise strateji geliştirme sürecindeydi[1].

Yıl Stratejiler
2017 Kanada, Çin, Japonya, Finlandiya, BAE
2018 AB, Fransa, Almanya, Güney Kore, Birleşik Krallık, Hindistan, Meksika, Avustralya ve diğerleri
2019 ABD (güncellenmiş), Rusya, Hollanda, Çek Cumhuriyeti, Singapur ve diğerleri
2020 İspanya, Brezilya, Polonya, Türkiye ve diğerleri

Kanada (2017): Pan-Canadian AI Strategy, 125 milyon CAD (97 milyon ABD doları) bütçe; insan kaynağı yetiştirme ve etik boyutlara odaklanmaktadır[1].

Çin (2017): Ar-Ge, eğitim, etik normlar ve ulusal güvenliği kapsayan en kapsamlı stratejilerden biridir. Hedefler: 2020'ye kadar dünya düzeyine ulaşmak, 2025'e kadar dünya lideri olmak, 2030'a kadar ise en önemli inovasyon merkezi konumuna gelmek[1].

AB (2018): Coordinated Plan on Artificial Intelligence; yapay zeka araştırmaları için yılda en az 1 milyar EUR ve stratejinin diğer boyutları için 4,9 milyar EUR[1].

Fransa (2018): AI for Humanity; 2022 yılına kadar 1,5 milyar EUR bütçe; stratejik sektörler: sağlık, çevre, ulaşım ve savunma[1].

Uluslararası İş Birliği

2020 yılında Küresel Yapay Zeka Ortaklığı'nın (GPAI) ve OECD bünyesindeki Yapay Zeka Politikası Gözlemevi'nin (AI Policy Observatory) faaliyete geçmesi, yapay zekanın gelişimini desteklemeye yönelik hükümetlerarası çabaları canlandırmıştır[1][31][32].

ABD Federal Devlet Yatırımları

Federal bütçe. Rapor, yapay zeka alanındaki sivil Ar-Ge için ABD federal bütçesine ilişkin verileri analiz etmektedir[1].

Savunma Bakanlığı bütçesi. ABD Savunma Bakanlığı'nın yapay zeka için bütçe talebine ait veriler raporun içeriğine dahil edilmiştir[1].

Devlet sözleşmeleri. Toplam sözleşme harcamaları ve bunların kurumlar arasındaki dağılımının analizi[1][6].

Yasama Faaliyetleri

ABD Kongresi. 116. Kongre, tarihinin en fazla yapay zeka odaklı kongresi olmuştur. Yasama belgelerinde, komite raporlarında ve Kongre Araştırma Servisi (CRS) raporlarında yapay zekaya yapılan atıfların sayısı, 115. Kongre'ye kıyasla üç kattan fazla artmıştır[1][6].

Merkez bankaları. Rapor, merkez bankası materyallerinde yapay zeka ve ML atıflarına ilişkin verileri içermektedir[1].

Metodoloji ve Veri Kaynakları

Rapor, pek çok kaynaktan derlenen verilere dayanmaktadır[1]:

  • Yayınlar: Elsevier/Scopus (70 milyon hakemli araştırma çalışması), Microsoft Academic Graph (MAG, 225+ milyon yayın), arXiv, Nesta.
  • Benchmark'lar: Papers With Code, SuperGLUE, VQA, VCR, COCO, ImageNet, NIST FRVT, LibriSpeech, VoxCeleb, TPTP, CASP ve diğerleri.
  • İşgücü piyasası: LinkedIn Economic Graph, Burning Glass Technologies.
  • Yatırımlar: S&P Capital IQ (CapIQ), Crunchbase, NetBase Quid.
  • Kurumsal faaliyet: McKinsey & Company (Global Survey on AI), International Federation of Robotics (IFR), Prattle (kazanç görüşmeleri).
  • Eğitim: CRA Taulbee Survey, Joint Research Centre (European Commission), AI Index'in kendi anketi (9 ülkeden 18 üniversite).
  • Etik: AI Ethics Lab (Boston), medya analizi.
  • Çeşitlilik: CRA, Black in AI, Queer in AI.
  • Politika: Bloomberg Government, OECD AI Policy Observatory.

MAG'da her makale bir kez sayılmaktadır; birden fazla ülkeden yazarın bulunması durumunda kredi benzersiz bölgeler arasında eşit olarak dağıtılmaktadır[1][5].

Yazar Ekibi

Rapor, ortak direktörler Raymond Perrault (SRI International) ve Jack Clark (OECD/GPAI) liderliğinde hazırlanmıştır. Araştırma müdürü ve baş editör — Daniel Zhang (Stanford University). Yönetim komitesinde ayrıca şu isimler yer almıştır: 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, kurucu direktör)[1].

Araçlar ve Açık Veriler

Rapor, aşağıdaki kaynaklarla desteklenmektedir[1]:

  • Ham veriler ve grafikler: Halka açık veriler ve yüksek çözünürlüklü görseller Google Drive üzerinden erişilebilir durumdadır.
  • Global AI Vibrancy Tool: 26 ülkeyi 22 gösterge üzerinden karşılaştırmaya olanak tanıyan güncellenmiş etkileşimli görselleştirme aracı.
  • "Measurement in AI Policy: Opportunities and Challenges" yayını (güz 2020): yapay zeka politikasında ölçüm sorunlarına genel bakış.

Kaynakça

Kaynakça

Notlar

  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_(TR)&oldid=7987"