--- title: "The 2019 AI Index Report (HU)" source: "https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)" wiki: "systems-analysis.info/int" article: "The_2019_AI_Index_Report_(HU)" language: "hu" categories: - "Category:Hungarian" - "Category:Machine learning" revision_id: 7957 wiki_created_at: 2026-09-07T01:09:37Z wiki_modified_at: 2026-09-07T01:09:37Z downloaded_at: 2026-09-07T23:22:00Z --- # The 2019 AI Index Report (HU) **AI Index Report 2019** — az **AI Index** második teljes körű éves kiadása, amelyet a Stanford Emberi Központú Mesterséges Intelligencia Intézete (Stanford HAI) készített^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-AIIndex2019-1)}. A 2019-es jelentés háromszor annyi adatkészletet követ nyomon, mint a 2018-as kiadás, és kilenc tematikus fejezetet ölel fel: a kutatás-fejlesztéstől a nemzeti stratégiákig és a mesterséges intelligencia globális dinamikájáig. A kiadás frissített adatokat tartalmaz a mesterséges intelligencia minden aspektusáról — technikai eredmények, gazdaság, oktatás, társadalmi megítélés és társadalmi következmények —, és két új interaktív eszközt mutat be: a **Global AI Vibrancy Tool**-t (vibrancy.aiindex.org), amely 34 mutató alapján teszi lehetővé az országok összehasonlítását, valamint az **AI Index arXiv Monitor**-t (arxiv.aiindex.org), amely teljes szövegű keresést biztosít az MI-területen megjelent preprintekben. Az AI Index független kezdeményezés a Stanford HAI Intézetben, amelyet az „AI százéves tanulmánya" (AI100) projekt keretében hoztak létre^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-AIIndex2019-1)}. ## Kontextus és célok Az AI Index küldetése az, hogy objektív, gondosan ellenőrzött adatokat szolgáltasson a mesterséges intelligencia fejlődéséről döntéshozók, kutatók, vezetők, újságírók és a szélesebb nyilvánosság számára^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-AIIndex2019-1)}. A 2019-es jelentés a kormányok, vállalatok és a társadalom részéről az MI iránt megnyilvánuló gyors érdeklődésnövekedés idején jelent meg, és célja volt az elterjedt tévhitek eloszlatása — különösen annak az elképzelésnek a cáfolata, amely szerint az MI fejlődése csupán az USA és Kína közötti rivalizálásra szűkíthető le. A jelentés adatai azt mutatják, hogy az MI-kiválóság helyi központjai az egész világon kialakulóban vannak: Finnország kiemelkedik az MI-oktatásban, India magas MI-készség-penetrációt mutat, Szingapúr jól szervezett állami támogatással rendelkezik, Izrael pedig vezet az MI-startupokba irányuló egy főre jutó magánbefektetések terén^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-AIIndex2019-1)}. ## A jelentés szerkezete A 2019-es jelentés kilenc tematikus fejezetből áll^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-AIIndex2019-1)}: 1. **Kutatás és fejlesztés (Research and Development)** — bibliometriai adatok, publikációk, szabadalmak, nemi sokszínűség az MI-kutatásban. 2. **Konferenciák (Conferences)** — látogatottság, AAAI cikkstatisztikák, sokszínűségi szervezetek, etika a konferenciákon. 3. **Technikai teljesítmény (Technical Performance)** — benchmark-ok számítógépes látás, nyelvfeldolgozás, következtetés és számítási kapacitás terén. 4. **Gazdaság (The Economy)** — munkahelyek, befektetések, vállalati bevezetés, robotizáció. 5. **Oktatás (Education)** — online tanulás, egyetemi programok, PhD-specializációk, oktatói elvándorlás. 6. **Autonóm rendszerek (Autonomous Systems)** — önvezető járművek, autonóm fegyverzet. 7. **Társadalmi megítélés (Public Perception)** — jegybankok, parlamentek, vállalati jelentések, média. 8. **Társadalmi szempontok (Societal Considerations)** — etikai elvek, MI és az ENSZ fenntartható fejlődési céljai. 9. **Nemzeti stratégiák és globális MI-dinamika (National Strategies and Global AI Vibrancy)** — nemzeti stratégiák, országösszehasonlító eszköz. ## A jelentés főbb megállapításai ### 1. A publikációk számának növekedése 1998 és 2018 között az MI területén megjelent lektorált publikációk száma több mint 300%-kal nőtt. 2018-ra az MI-cikkek a Scopus adatbázisban a folyóirat-publikációk 3%-át és a konferenciacikkek 9%-át tették ki^{[\[2\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-Scopus2019-2)}. Kína 2018-ra utolérte Európát az MI-területen megjelent folyóirat- és konferenciacikkek számában, miután már 2006-ban megelőzte az USA-t. Ugyanakkor az USA publikációinak idézettségi indexe (FWCI) még mindig körülbelül 50%-kal magasabb volt, mint a kínai^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-AIIndex2019-1)}. ### 2. Rekord konferencialátogatottság A legnagyobb MI-konferenciák látogatottsága tovább növekedett jelentős mértékben. A NeurIPS konferencia 2019-ben 13 500 résztvevőre számított — ez 41%-os növekedés 2018-hoz képest, és több mint 800%-os növekedés 2012-höz képest. Az AAAI és a CVPR konferenciák éves látogatottság-növekedése körülbelül 30% volt^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-AIIndex2019-1)}. ### 3. Gyors technikai fejlődés A képosztályozási modell betanítási ideje felhős infrastruktúrán 2017 októberének körülbelül három órájáról 2019 júliusának körülbelül 88 másodpercére csökkent; a betanítás költsége hasonlóképpen esett. A SuperGLUE és a SQuAD 2.0 benchmark-okon a fejlődés különösen gyors volt, azonban a következtetést igénylő feladatokon (pl. AI2 Reasoning Challenge) és a fogalomszintű tanulási feladatokon (Omniglot Challenge) az eredmények alacsonyabbak maradtak^{[\[3\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-DAWNBench2019-3)[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-AIIndex2019-1)}. ### 4. A számítási kapacitás exponenciális növekedése 2012 előtt az MI-hez szükséges számítások növekedése a Moore-törvényt követte — kétévente duplázódott. 2012 után a számítások minden 3,4 hónapban megduplázódtak, ami hat év alatt több mint 300 000-szeres növekedést eredményezett^{[\[4\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-OpenAICompute-4)}. ### 5. Globális MI-munkaerő-felvétel növekedése Szingapúr, Brazília, Ausztrália, Kanada és India mutatta a leggyorsabb MI-munkaerő-felvételi növekedést 2015–2019 között. Az USA-ban az MI-vel kapcsolatos állásajánlatok aránya a teljes állásajánlatok számához képest 2010-es 0,26%-ról 2019 októberére 1,32%-ra nőtt, a legnagyobb kereslet a machine learning-szakemberek iránt mutatkozott (0,51%)^{[\[5\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-BurningGlass2019-5)[\[6\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-LinkedIn2019-6)}. ### 6. A magánbefektetések meghaladták a 70 milliárd dollárt 2019-ben a globális magánbefektetések az MI-be meghaladták a 70 milliárd dollárt, ebből több mint 37 milliárd startupokba, 34 milliárd M&A-tranzakciókba, körülbelül 5 milliárd IPO-kba és körülbelül 2 milliárd kisebbségi részesedésekbe irányult. 2010 és 2018 között az MI-startupok finanszírozása 1,3 milliárd dollárról 40,4 milliárd dollárra nőtt, éves átlagos növekedési rátával 48% felett. Az autonóm járművek kapták a befektetések legnagyobb részét (7,7 milliárd), őket követte a gyógyszerészet és a rákterápia (4,7 milliárd), valamint az arcfelismerés (4,7 milliárd)^{[\[7\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-Quid2019-7)}. ### 7. Az MI egyre szélesebb körű üzleti alkalmazása A McKinsey & Company felmérése (2 360 válaszadó) szerint a nagyvállalatok 58%-a alkalmazta az MI-t legalább egy funkcióban vagy üzleti egységben 2019-ben, szemben a 2018-as 47%-kal. Ugyanakkor a szervezeteknek csupán 19%-a tett lépéseket az algoritmusok értelmezhetőségéhez kapcsolódó kockázatok csökkentésére, és mindössze 13%-uk foglalkozott az elfogultság és diszkrimináció elleni küzdelemmel^{[\[8\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-McKinsey2019-8)}. ### 8. Az MI a legnépszerűbb PhD-specializáció Az MI lett a legtöbb informatikai doktorandusz által választott specializáció Észak-Amerikában: 2018-ban a számítástechnikai PhD-végzettek több mint 21%-a az MI és machine learning területén specializálódott. Az iparba távozó MI-PhD-végzettek aránya 2004-es 21%-ról 2018-ra több mint 60%-ra nőtt^{[\[9\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-Taulbee2019-9)}. ### 9. MI-oktatók elvándorlása az akadémiáról Az MI-oktatók akadémiáról az iparba való áramlása felgyorsult: 2018-ban több mint 40 távozás történt, szemben a 2012-es 15-tel és a 2004-es nullával. A legtöbbet a Carnegie Mellon Egyetem, a Washingtoni Egyetem és a Kaliforniai Egyetem Berkeley-i kampusza veszítette^{[\[10\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-Gofman2019-10)}. ### 10. Az MI-etika iránti figyelem növekedése Az igazságosság, az értelmezhetőség és a magyarázhatóság bizonyult a leggyakrabban említett etikai kihívásoknak 59, az etikus MI elveit rögzítő dokumentumban. A több mint 3 600 globális hírcikkből, amely az etikával és az MI-vel foglalkozott (2018 közepe – 2019 közepe), a domináns témák az etikus MI-használatra vonatkozó keretrendszerek és iránymutatások (32%), az adatvédelem (14%), az arcfelismerés (13%), az algoritmikus elfogultság (11%) és a nagy technológiai vállalatok szerepe (11%) voltak^{[\[11\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-PwC2019-11)}. ## 1. fejezet. Kutatás és fejlesztés A fejezet az Elsevier Scopus adatai, az arXiv preprintek, a Microsoft Academic Graph (MAG), valamint a szabadalmi aktivitás, a GitHub-on elérhető szoftverkeretrendszerek népszerűsége és az MI-kutatók körében tapasztalható nemi sokszínűség trendjeit elemzi^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-AIIndex2019-1)}. ### Publikációk Európa maradt a legnagyobb MI-cikk-kiadó régió, 2018-ra elérve a Scopus-publikációk több mint 27%-át. Kína részesedése 2000-es 10%-ról 2018-ra 28%-ra nőtt. Az USA-ban viszonylag magas volt a vállalati publikációk aránya: 2018-ban az USA vállalati MI-cikkeinek száma több mint hétszeresen haladta meg a kínait^{[\[2\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-Scopus2019-2)}. Az arXiv-on az MI-cikkek teljes száma 2010 és 2019 között több mint hússzorosára nőtt. A számítógépes látás (CV) volt a legnagyobb alkategória 2014 óta, azonban 2019-ben a machine learning lett a vezető kategória. A „Computation & Language" alkategória 2010 óta közel hatvanszoresára nőtt^{[\[12\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-arXiv2019-12)}. ### Idézettség A globális MI-folyóirat-cikkek idézeteinek több mint 32%-a Kelet-Ázsiából, a konferenciacikkek idézeteinek több mint 40%-a Észak-Amerikából érkezett. A szabadalmi területen Észak-Amerika a globális MI-szabadalmi idézettségi aktivitás több mint 60%-át koncentrálta 2014–2018 között^{[\[13\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-MAG2019-13)}. ### Szabadalmak A globális MI-szabadalmak több mint 51%-a Észak-Amerikából származott. Az USA háromszor annyi MI-szabadalmat tett közzé, mint a következő ország — Japán. Az MI-szabadalmak több mint 94%-át magas jövedelmű országokban nyújtották be^{[\[13\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-MAG2019-13)}. ### GitHub Stars Figyelemre méltó tendenciaként bontakozott ki a vállalatok által támogatott keretrendszerek dominanciája: a TensorFlow (Google) és a PyTorch (Facebook). A nem vállalati keretrendszerek — a scikit-learn és a Caffe — tovább növekedtek, de kisebb ütemben^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-AIIndex2019-1)}. ### Nemi sokszínűség a kutatásban A holland MI-cikkek több mint 41%-ának és a dán cikkek több mint 39%-ának volt legalább egy női szerzője. Japánban és Szingapúrban ez az arány csupán 10%, illetve 16% volt. Sok nyugat-európai ország, valamint Argentína, Kanada és Irán viszonylag magas női jelenlétet mutatott az MI-kutatásban^{[\[14\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-NESTA2019-14)}. ## 2. fejezet. Konferenciák ### Látogatottság A NeurIPS 2019-ben 13 500 résztvevőre számított (800%-os növekedés 2012-höz képest). Az ICLR 15-szörösére nőtt 2014-hez képest. A Women in Machine Learning (WiML) workshop résztvevőinek száma 738%-kal nőtt 2014-hez képest, az AI4ALL program pedig 2 000%-kal 2015-höz képest^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-AIIndex2019-1)}. ### AAAI-statisztikák Az AAAI 2019-es konferencián Kína nyújtotta be és fogadtatta el a legtöbb cikket. A beadványok több mint 68%-a doktoranduszoktól érkezett. Izraelnek volt a legmagasabb elfogadási aránya (24%), utána Németország (23%), Kanada (22%), majd az USA és Szingapúr (egyenként 20%). A machine learning, az NLP és a számítógépes látás maradt a három vezető tematika^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-AIIndex2019-1)}. ### Etika a konferenciákon Az etikához kapcsolódó kulcsszavakat tartalmazó cikkek teljes száma a vezető MI-konferenciákon az összes cikk kis hányadát tette ki, azonban gyorsan növekedett. Az elemzés 110 108 cikket fogott át, köztük 59 352 konferenciacikket és 50 756 folyóiratcikket^{[\[15\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-PratesEthics2019-15)}. ## 3. fejezet. Technikai teljesítmény A fejezet a számítógépes látás, a természetes nyelvfeldolgozás, a következtetés, a gépi fordítás és a számítási kapacitás terén elért technikai fejlődést követi nyomon^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-AIIndex2019-1)}. ### Számítógépes látás **ImageNet.** Az ImageNet-en emberi pontosságot először meghaladó módszert 2015-ben publikálták. 2019-re a fejlődés folytatódott: a három legsikeresebb módszer kiegészítő betanítási adatokat használt. Az ImageNet-versenyt 2017-ben megszüntették, de az adatkészlet kulcsfontosságú benchmark maradt^{[\[16\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-ImageNet2019-16)}. **Betanítási idő és költség.** A DAWNBench (Stanford) projekt adatai szerint a képosztályozási modell betanítási ideje felhős infrastruktúrán 93%+ (top-5) pontossággal 2017 októberének több mint 3 órájáról 2019 júliusának ~88 másodpercére csökkent. A betanítás költsége 2 323 dollárról (2017 október, ResNet) ~12 dollárra esett (2018 szeptember, ResNet GCP-n Cloud TPU-val)^{[\[3\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-DAWNBench2019-3)}. **Képgenerálás.** A képgenerálás (CIFAR-10) terén elért fejlődést az FID (Fréchet Inception Distance) metrikával mérték: az alacsonyabb pontszám jobb generálási minőséggel korrelál^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-AIIndex2019-1)}. **Szemantikai szegmentáció.** A fejlődést a Cityscapes adatkészleten a mean IoU metrikával mérték — ez az önvezető rendszerek szempontjából fontos feladat^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-AIIndex2019-1)}. ### Természetes nyelvfeldolgozás **GLUE.** A 2018 májusában kiadott General Language Understanding Evaluation benchmark kilenc szövegfeldolgozási feladaton teszteli a rendszereket. Annak ellenére, hogy a benchmark alig volt több mint egyéves, a rendszerek eredményei 2019 júniusában meghaladták a nem szakértő értékelők szintjét. A RoBERTa (Facebook) és a T5 (Google) modellek tovább javítottak a mutatókon^{[\[17\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-GLUE2018-17)}. **SuperGLUE.** 2019 májusában elindított, nehezebb benchmark. Az indítás után öt hónapon belül a T5 (Google) modell szinte elérte az emberi alapszintet (89,8), 88,9 pontot szerezve^{[\[18\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-SuperGLUE2019-18)}. **SQuAD.** A Stanford Question Answering Dataset benchmark-on az F1-pontszám a SQuAD 1.1-en 67-ről (2016 augusztus) 95-re nőtt (2019 május). A SQuAD 2.0-n a fejlődés még gyorsabb volt: 62-ről (2018 május) 90-re (2019 június). A kérdésmegválaszoló modell betanítási ideje F1 ≥ 75 elérésére a SQuAD 1.0-n több mint 7 óráról (2017 október) kevesebb mint 19 percre csökkent (2019 március)^{[\[19\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-SQuAD2018-19)}. **Következtetés.** Az ARC Challenge Set-en (Allen Institute for AI) a legjobb eredmény 67,7% volt (2019 szeptember). Az ARC-Easy-n 85,4%. A következtetést igénylő feladatok lényegesen nehezebbek maradtak az MI-rendszerek számára^{[\[20\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-ARC2018-20)}. ### Gépi fordítás Az előre betanított modellekkel rendelkező kereskedelmi forgalomban elérhető gépi fordítási rendszerek száma 8-ról (2017) több mint 24-re nőtt (2019). A minőség terén a legnagyobb fejlődés a kínai–angol, az angol–német és az orosz–angol nyelvcégeknél volt megfigyelhető^{[\[21\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-Intento2019-21)}. ### Omniglot Challenge Három év alatt figyelemre méltó fejlődés volt tapasztalható az egy példányból történő (one-shot) osztályozásban, azonban a fogalomtanulás másik négy feladatán (példagenerálás, elemzés, új fogalmak generálása) a fejlődés korlátozott volt. A bayesi programos tanulás (BPL) az eredeti feladaton még mindig felülmúlta a neurális hálózatos megközelítéseket^{[\[22\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-Lake2019-22)}. ### Számítási kapacitás Az OpenAI elemzése strukturális töréspontot tárt fel: 2012 előtt az MI-hez szükséges számítások kétévente duplázódtak (Moore-törvény); 2012 után minden 3,4 hónapban. 2012 óta ez a mutató több mint 300 000-szorosára nőtt^{[\[4\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-OpenAICompute-4)}. ### Emberi szintű mérföldkövek A jelentés frissítette az MI-eredmények kronológiáját, két új eredménnyel bővítve a korábban dokumentált listát (Othello — 1980, dáma — 1995, sakk — 1997, Jeopardy! — 2011, Atari — 2015, ImageNet — 2016, Go — 2016, póker — 2017, Ms. Pac-Man — 2017, StarCraft II — 2019): | Év | Eredmény | |------|----------------------------------------------------------------------------------------------| | 2018 | AlphaFold (DeepMind) — fehérjék 3D-szerkezetének példátlan pontossággal történő előrejelzése | | 2019 | AlphaStar (DeepMind) — győzelem csúcsprofi ellen StarCraft II-ben | | 2019 | Diabéteszes retinopátia felismerése szakorvosi szintű pontossággal | ## 4. fejezet. Gazdaság ### Munkahelyek és munkaerő-felvétel Az MI-munkaerő-felvételi index (LinkedIn) szerint Szingapúr, Brazília, Ausztrália, Kanada és India vezette a növekedési ranglistát 2015–2019 között. Az USA-ban Washington állam rendelkezett a legnagyobb relatív MI-álláshirdetés-kereslettel (közel 1,4% az összes álláshirdetésből), őt Kalifornia (1,3%) és Massachusetts (1,3%) követte. Abszolút számban Kalifornia vezetett több mint 93 000 MI-álláshirdetéssel^{[\[5\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-BurningGlass2019-5)}. A legnagyobb MI-készség-penetráció az IT-szolgáltatások (az álláshirdetések 2,3%-a), a szakmai és tudományos szolgáltatások (több mint 2%), a pénzügy és biztosítás (1,3%) és a feldolgozóipar (1,1%) szektoraiban volt megfigyelhető^{[\[6\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-LinkedIn2019-6)}. A LinkedIn adatai szerint India MI-készség-penetrációja 2,6-szor magasabb volt a globális átlagnál. Érdekes képet mutatott a nemek szerinti bontás: a férfiak minden vizsgált országban több szakmában jeleztek MI-készségeket, mint a nők^{[\[6\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-LinkedIn2019-6)}. ### Befektetések Az MI-startupok finanszírozása 48%-ot meghaladó éves átlagos növekedési ütemmel bővült (2010–2018). 2019 novemberéig a befektetések összege 37,4 milliárd dollárt tett ki (szemben a teljes 2018-as 40,4 milliárd dollárral). 2014 és 2019 között 15 798 befektetés valósult meg, átlagosan körülbelül 8,6 millió dolláros befektetési mérettel^{[\[7\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-Quid2019-7)}. Az egy főre jutó MI-befektetések mutatója a legmagasabb Izraelben volt, őt Szingapúr és Izland követte. A kínai startupok vállalatonként lényegesen több befektetést kaptak: 34,1 millió dollárt — ez 201%-kal több, mint az USA-ban, és 296%-kal több a globális átlagnál^{[\[7\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-Quid2019-7)}. Ágazati bontásban a legnagyobb befektetések az autonóm járművekbe (7,7 milliárd dollár, a teljes összeg 9,9%-a), a gyógyszerészetbe és a rákterápiába (4,7 milliárd dollár), az arcfelismerésbe (4,7 milliárd dollár), a videótartalomba (3,6 milliárd dollár) és a csalásfelismerésbe (3,1 milliárd dollár) irányultak. A leggyorsabban növekvő területek a robotikus folyamatautomatizálás, az ellátási lánc menedzsmentje és az ipari automatizálás voltak^{[\[7\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-Quid2019-7)}. ### Állami befektetések (USA) Az USA szövetségi kormánya 4,98 milliárd dollár befektetést tervezett MI-kutatásba a 2020-as pénzügyi évben. A Védelmi Minisztérium (DoD) 4,0 milliárd dollárt, ebből 506 millió dollárt DARPA-n keresztül, 221 millió dollárt a Maven projektre és 209 millió dollárt a Joint AI Center (JAIC) számára. A szövetségi ügynökségek MI-szerződésekre fordított kiadásai ~70%-kal nőttek: 2017-es 429 millió dollárról 2018-ra 728 millió dollárra^{[\[23\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-Bloomberg2019-23)}. ### Vállalati alkalmazás A nagyvállalatok 58%-a számolt be az MI legalább egy funkcióban való alkalmazásáról (növekedés a 2018-as 47%-ról). A válaszadók 30%-a több üzleti egységben is bevezette az MI-t (2018-ban 21%). A leggyakrabban bevezetett MI-képességek: robotikus folyamatautomatizálás, számítógépes látás és machine learning. A kiberbiztonság volt az a kockázat, amellyel a szervezetek a leggyakrabban foglalkoztak (48%), míg az értelmezhetőség (19%) és az igazságosság (13%) kockázatait lényegesen ritkábban kezelték^{[\[8\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-McKinsey2019-8)}. ### Ipari robotizáció 2018-ban a globális ipari robot-telepítések 6%-kal nőttek — 422 271 egységre, amelyek értéke 16,5 milliárd dollár volt. A működő robotpark 2 439 543 egységet tett ki. Az öt legnagyobb piac — Kína, Japán, USA, Dél-Korea és Németország — a globális telepítések 74%-át koncentrálta. Kína maradt a globális vezető (36%), 154 032 egységet telepítve^{[\[24\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-IFR2019-24)}. ## 5. fejezet. Oktatás ### Online tanulás A Coursera, amely több mint 45 millió tanuló számára kínál 3 700+ kurzust, 60 ország MI-készségeit rangsorolta (Global Skills Index). Dél-Ázsia és Kelet-Ázsia mutatta a legnagyobb arányú beiratkozást MI- és kapcsolódó kompetenciákra vonatkozó kurzusokra. Az Udacity-n a „Introduction to Machine Learning" kurzus összesített beiratkozásainak száma meghaladta a 125 000-et^{[\[25\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-Coursera2019-25)}. ### Egyetemi programok A Stanford bevezető MI-kurzusaira való beiratkozás ötszörösére nőtt (2012–2018). Az Illinoisi Egyetem (UIUC) „Introduction to Machine Learning" kurzusán tizenkétszeresére (2010–2018). Nemzetközi szinten a Torontói Egyetem rendelkezett a legtöbb beiratkozott hallgatóval, őt a Közgazdaságtudományi Főiskola (Oroszország) és a Tsinghua Egyetem (Kína) követte^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-AIIndex2019-1)}. Európában 2 054 olyan programot azonosítottak, amely az MI területét lefedi, és ezek túlnyomó többsége mesterszintű volt. 197 európai egyetem kínált 406 MI-specializált mesterképzési programot^{[\[26\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-JRC2019-26)}. ### PhD-specializációk és iparba való elvándorlás Az MI lett a legnépszerűbb PhD-specializáció informatikából: 2018-ban több mint 21%. Az iparba távozó PhD-végzettek aránya megháromszorozódott: 2004-es 21%-ról 2018-ra 62%-ra. Az USA-ban és Kanadában a frissen végzett MI-PhD-k több mint 60%-a külföldi hallgató volt (2010-ben kevesebb mint 40%); mindössze ~10%-uk hagyta el az USA-t a végzés után^{[\[9\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-Taulbee2019-9)}. A három legtöbb MI-oktatót elveszítő egyetem: Carnegie Mellon (17 főállású oktató), Washingtoni Egyetem (11) és Berkeley. A kanadai egyetemek közül a legtöbbet a Torontói Egyetem veszített (9 oktató). A nők aránya az MI-PhD-végzettek körében stabilan ~20% maradt 2010 és 2018 között^{[\[10\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-Gofman2019-10)}. ## 6. fejezet. Autonóm rendszerek ### Önvezető járművek Legalább 25 országnak volt olyan városa, ahol autonóm járműveket (AJ-ket) teszteltek. Kalifornia államban 2015 és 2018 között a tesztelő vállalatok száma és az AJ-k összesített száma egyaránt hétszeresére nőtt. 2018-ban több mint 50 vállalat és 500 AJ több mint 2 millió mérföldet tett meg. Legalább 41 állam és Washington DC mérlegelte az AJ-khoz kapcsolódó jogszabályokat^{[\[27\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-CADMV2019-27)}. Az AJ-balesetek aránya Kaliforniában 2018-ban 22,44 volt egymillió mérföldre — körülbelül 5,5-szer magasabb, mint a hagyományos sofőrök korrigált mutatója. A balesetek többségében egy emberi sofőr által vezetett jármű ütközött hátulról egy álló vagy egyenesen haladó AJ-nek nappal. A legtöbb kár kisebb mértékű volt^{[\[27\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-CADMV2019-27)}. ### Autonóm fegyverzet A Stockholmi Nemzetközi Békekutatási Intézet (SIPRI) szakértői tanulmánya szerint legalább 89 országnak volt automatikus légvédelmi rendszere. Aktív védelmi rendszereket csupán kilenc ország fejlesztett és gyártott. Az adatok az 1950–2017-es időszakot fedték le^{[\[28\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-SIPRI2019-28)}. ## 7. fejezet. Társadalmi megítélés ### Jegybankok A jegybankok kommunikációja növekvő MI-iránti érdeklődést tükrözött. A Bank of England, a Bank of Japan és a Federal Reserve System emlegette az MI-t a legtöbbször. A publikációk jellege az elemző dokumentumoktól a felszólalások felé tolódott el^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-AIIndex2019-1)}. ### Parlamenti és kormányzati aktivitás Az USA Kongresszusában az MI-vel kapcsolatos jogalkotási aktivitás 2017–2018-ban több mint tízszeresére nőtt. A kongresszusi feljegyzésekben 2019 volt az MI legtöbb említését tartalmazó év. Hasonló tendenciákat figyeltek meg a kanadai és a brit parlamentben^{[\[23\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-Bloomberg2019-23)}. ### Vállalatok Az USA 3 000 tőzsdén jegyzett vállalatának eredménybejelentési konferenciáin (earnings calls) az MI-t megemlítő arány 0,01%-ról (2010) 0,42%-ra (2018) nőtt. A pénzügyi szektor vezetett az említések számában^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-AIIndex2019-1)}. ### Média és webes keresés A Google Trends adatai szerint a „machine learning" kifejezés megelőzte a többi kapcsolódó kifejezést az USA-beli keresési lekérdezésekben. A GDELT Project adatai szerint az MI-vel kapcsolatos hírcikkek közül 17,7% érintette a foglalkoztatásra gyakorolt hatást, 2,4% az algoritmikus elfogultságot, és mindössze 0,99% a „gyilkos robotokat"^{[\[29\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-GDELT2019-29)}. ## 8. fejezet. Társadalmi szempontok ### Etikai elvek A PricewaterhouseCoopers 59, az etikus MI elveit rögzítő dokumentumot elemzett egyesületek és konzorciumok, kormányok, technológiai vállalatok, agytrösztök és tudományos szervezetek részéről. Tizenkét etikai kihívást emeltek ki a leggyakrabban: elszámoltathatóság, biztonság, emberi felügyelet, megbízhatóság és védelem, igazságosság, sokszínűség és inkluzivitás, fenntarthatóság, átláthatóság, értelmezhetőség és magyarázhatóság, többoldalú párbeszéd, jogszerűség és megfelelőség, adatvédelem^{[\[11\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-PwC2019-11)}. Az igazságosság, az értelmezhetőség/magyarázhatóság és az átláthatóság szerepeltek a leggyakrabban. A technológiai vállalatoknál az igazságosság az összes keretrendszer 100%-ában szerepelt, az agytröszteknél az igazságosság és az emberi felügyelet (100%, illetve 88%)^{[\[11\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-PwC2019-11)}. ### MI és az ENSZ Fenntartható Fejlődési Céljai A McKinsey Global Institute körülbelül 160 MI-felhasználási esetet azonosított a társadalmi jólét érdekében, amelyek potenciálisan mind a 17 ENSZ Fenntartható Fejlődési Célt (FFCs) támogathatják. Az MI a 169 FFCs-célkitűzés körülbelül felét képes volt kezelni. A legtöbb alkalmazási eset az SDG 3-nak (egészség) és az SDG 16-nak (békés és inkluzív társadalmak) felelt meg. Ugyanakkor a fenntartható fejlődés érdekében megvalósuló MI-alkalmazás széles körű elterjedése előtt jelentős akadályok álltak: adatelérhetőség, számítási kapacitás, humán erőforrás és szervezeti felkészültség^{[\[30\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-MGI2019-30)}. ## 9. fejezet. Nemzeti stratégiák és globális MI-dinamika ### Nemzeti stratégiák A hivatalos MI-stratégiai dokumentumok száma folyamatosan nőtt. A PwC 37 dokumentum NLP-elemzésével megállapította, hogy az akadémiai partnerség az iratok 94%-ában szerepelt, az MI-kutatás és -fejlesztés 48%-ában, az MI-irányítás 42%-ában. A fogyasztóvédelmet és az igazságosságot említották a legritkábban (2%)^{[\[11\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-PwC2019-11)}. ### Global AI Vibrancy Tool eszköz Az újonnan bemutatott eszköz 28 országot fedett le 34 metrika alapján, amelyek három pillérbe voltak csoportosítva: kutatás és fejlesztés (21 metrika), gazdaság (10 metrika) és inkluzivitás (5 metrika). Az eszköz lehetővé tette a felhasználók számára a súlyok testreszabását, valamint országok közötti és országon belüli összehasonlítások elvégzését^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-AIIndex2019-1)}. ### Országprofilok A jelentés részletes országprofilokat tartalmazott Brazília, Kína, Franciaország, Németország, India, Hollandia, Szingapúr és az USA számára, valamint áttekintette a többoldalú regionális MI-politikát^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-AIIndex2019-1)}. ## 2019-es benchmark-eredmények összefoglalója | Benchmark | Legjobb eredmény (2019) | Emberi szint | Fejlődés | |------------------|-------------------------------------------------|---------------------------|--------------------------------------------------| | ImageNet (Top-1) | ~88% | ~95% (egyetlen annotátor) | Folyamatos javulás kiegészítő adatokkal | | GLUE | Meghaladta a nem szakértő szintet (2019 június) | 87,1 (nem szakértő) | RoBERTa, T5 | | SuperGLUE | 88,9 (T5, Google) | 89,8 | A benchmark indítása után 5 hónapon belül elérve | | SQuAD 1.1 (F1) | 95 | ~91 | Meghaladta az emberi szintet | | SQuAD 2.0 (F1) | 90 | ~89 | Gyakorlatilag emberi szinten | | ARC Challenge | 67,7% | — | A következtetési feladatok nehézek maradnak | | VQA | 75,28% | ~80% | Évi 2,85 százalékpontos növekedés | ## Módszertan A jelentés számos forrásból nyert adatokat^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-AIIndex2019-1)}: - **Publikációk:** Elsevier Scopus, arXiv (NESTA), Microsoft Academic Graph (MAG). - **Benchmark-ok:** Papers With Code, DAWNBench/MLPerf, GLUE, SuperGLUE, SQuAD, ARC, VQA, ActivityNet ranglisták. - **Konferenciák:** NeurIPS, ICML, ICLR, AAAI, CVPR, WiML, AI4ALL, RightsCon regisztrációs adatok. - **Munkaerőpiac:** LinkedIn Economic Graph, Burning Glass Technologies, Indeed. - **Befektetések:** CAPIQ, Crunchbase, Quid. - **Vállalati aktivitás:** McKinsey Global Survey, International Federation of Robotics. - **Állami kiadások:** Bloomberg Government. - **Társadalmi megítélés:** Google Trends, GDELT Project, Prattle (jegybankok), Hansard (parlamentek). - **Etika és stratégiák:** PricewaterhouseCoopers (NAISR), Harvard, LexisNexis. - **Oktatás:** CRA Taulbee Survey, Coursera, Udacity, Joint Research Centre (EC). - **Autonóm rendszerek:** California DMV, Bloomberg Philanthropies, SIPRI, NCSL. ## Szerzői kollektíva A jelentést az AI Index Irányítóbizottsága készítette **Raymond Perrault** (SRI International) koordinálásával és **Yoav Shoham** (Stanford Egyetem) elnökletével. A bizottság tagjai: **Erik Brynjolfsson** (MIT), **Jack Clark** (OpenAI), **John Etchemendy** (Stanford), **Barbara Grosz** (Harvard), **Terah Lyons** (Partnership on AI), **James Manyika** (McKinsey Global Institute) és **Juan Carlos Niebles** (Stanford). A projekt vezetője és főszerkesztője **Saurabh Mishra** (Stanford Egyetem) volt. Az adatokat több mint 20 partnerszervezet szolgáltatta^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_note-AIIndex2019-1)}. ## Hivatkozások - Stanford HAI — AI Index Report 2019 (teljes szöveg): https://aiindex.stanford.edu/report/ - Global AI Vibrancy Tool: https://vibrancy.aiindex.org/ - AI Index arXiv Monitor: https://arxiv.aiindex.org/ - Elsevier Scopus: https://www.scopus.com/ - Microsoft Academic Graph: https://academic.microsoft.com/ - Papers With Code: https://paperswithcode.com/ - GLUE Benchmark: https://gluebenchmark.com/ - SuperGLUE Benchmark: https://super.gluebenchmark.com/ - SQuAD: https://rajpurkar.github.io/SQuAD-explorer/ - DAWNBench (Stanford): https://dawn.cs.stanford.edu/benchmark/ - Allen Institute for AI (ARC): https://allenai.org/data/arc - LinkedIn Economic Graph: https://economicgraph.linkedin.com/ - International Federation of Robotics: https://ifr.org/ - McKinsey Global Survey on AI: https://www.mckinsey.com/capabilities/quantumblack/our-insights/global-ai-survey-ai-proves-its-worth-but-few-scale-impact - California DMV Autonomous Vehicle Reports: https://www.dmv.ca.gov/portal/vehicle-industry-services/autonomous-vehicles/ - SIPRI — Mapping Autonomy in Weapon Systems: https://www.sipri.org/ - PwC National AI Strategy Radar: https://www.pwc.com/ - GDELT Project: https://www.gdeltproject.org/ - OpenAI — AI and Compute: https://openai.com/blog/ai-and-compute ## Irodalom - Perrault, R. et al. (2019). *The AI Index 2019 Annual Report*. AI Index Steering Committee, Human-Centered AI Institute, Stanford University. https://aiindex.stanford.edu/report/ - Amodei, D., Hernandez, D. (2018). *AI and Compute*. OpenAI. https://openai.com/blog/ai-and-compute - Wang, A. et al. (2018). *GLUE: A Multi-Task Benchmark and Analysis Platform for Natural Language Understanding*. https://gluebenchmark.com/ - Wang, A. et al. (2019). *SuperGLUE: A Stickier Benchmark for General-Purpose Language Understanding Systems*. https://super.gluebenchmark.com/ - Rajpurkar, P. et al. (2018). *Know What You Don't Know: Unanswerable Questions for SQuAD*. https://rajpurkar.github.io/SQuAD-explorer/ - Clark, P. et al. (2018). *Think you have Solved Question Answering? Try ARC*. Allen Institute for AI. https://allenai.org/data/arc - Gofman, M., Jin, Z. (2019). *Artificial Intelligence, Human Capital, and Innovation*. University of Rochester Working Paper. http://www.aibraindrain.org - Stathoulopoulos, K., Mateos-Garcia, J. (2019). *Gender Diversity in AI Research*. NESTA. https://www.nesta.org.uk/ - Prates, M., Avelar, P., Lamb, L. (2019). *Assessing Gender Bias in Machine Translation*. https://arxiv.org/abs/1809.02208 - McKinsey & Company (2019). *Global AI Survey: AI proves its worth, but few scale impact*. https://www.mckinsey.com/capabilities/quantumblack/our-insights/global-ai-survey-ai-proves-its-worth-but-few-scale-impact - McKinsey Global Institute (2019). *Notes from the AI frontier: Applying AI for social good*. https://www.mckinsey.com/mgi/overview - International Federation of Robotics (2019). *World Robotics Report 2019*. https://ifr.org/worldrobotics/ - Boulanin, V., Verbruggen, M. (2019). *Mapping the Development of Autonomy in Weapon Systems*. SIPRI. https://www.sipri.org/ - Grosz, B.J. et al. (2019). *Embedded EthiCS: Integrating ethics broadly across computer science education*. *Communications of the ACM*. - Fiesler, C., Garrett, N., Beard, N. (2019). *What Do We Teach When We Teach Tech Ethics? A Syllabi Analysis*. - Computing Research Association (2019). *Taulbee Survey 2018*. https://cra.org/resources/taulbee-survey/ ## Jegyzetek 1. ↑ ^{[1.00](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-AIIndex2019_1-0)} ^{[1.01](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-AIIndex2019_1-1)} ^{[1.02](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-AIIndex2019_1-2)} ^{[1.03](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-AIIndex2019_1-3)} ^{[1.04](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-AIIndex2019_1-4)} ^{[1.05](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-AIIndex2019_1-5)} ^{[1.06](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-AIIndex2019_1-6)} ^{[1.07](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-AIIndex2019_1-7)} ^{[1.08](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-AIIndex2019_1-8)} ^{[1.09](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-AIIndex2019_1-9)} ^{[1.10](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-AIIndex2019_1-10)} ^{[1.11](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-AIIndex2019_1-11)} ^{[1.12](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-AIIndex2019_1-12)} ^{[1.13](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-AIIndex2019_1-13)} ^{[1.14](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-AIIndex2019_1-14)} ^{[1.15](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-AIIndex2019_1-15)} ^{[1.16](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-AIIndex2019_1-16)} ^{[1.17](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-AIIndex2019_1-17)} ^{[1.18](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-AIIndex2019_1-18)} ^{[1.19](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-AIIndex2019_1-19)} ^{[1.20](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-AIIndex2019_1-20)} ^{[1.21](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-AIIndex2019_1-21)} Perrault, R., Shoham, Y., Brynjolfsson, E., Clark, J., Etchemendy, J., Grosz, B., Lyons, T., Manyika, J., Mishra, S., Niebles, J.C. (2019). *The AI Index 2019 Annual Report*. AI Index Steering Committee, Human-Centered AI Institute, Stanford University. https://aiindex.stanford.edu/report/ 2. ↑ ^{[2.0](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-Scopus2019_2-0)} ^{[2.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-Scopus2019_2-1)} Elsevier Scopus. Data on AI publications 1998–2018. https://www.scopus.com/ 3. ↑ ^{[3.0](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-DAWNBench2019_3-0)} ^{[3.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-DAWNBench2019_3-1)} Coleman, C. et al. Stanford DAWNBench: An End-to-End Deep Learning Benchmark and Competition. https://dawn.cs.stanford.edu/benchmark/ 4. ↑ ^{[4.0](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-OpenAICompute_4-0)} ^{[4.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-OpenAICompute_4-1)} Amodei, D., Hernandez, D. (2018). *AI and Compute*. OpenAI. https://openai.com/blog/ai-and-compute 5. ↑ ^{[5.0](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-BurningGlass2019_5-0)} ^{[5.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-BurningGlass2019_5-1)} Burning Glass Technologies. AI Job Posting Data 2010–2019. https://www.burning-glass.com/ 6. ↑ ^{[6.0](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-LinkedIn2019_6-0)} ^{[6.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-LinkedIn2019_6-1)} ^{[6.2](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-LinkedIn2019_6-2)} LinkedIn Economic Graph. AI Hiring Index and Skill Penetration Data. https://economicgraph.linkedin.com/ 7. ↑ ^{[7.0](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-Quid2019_7-0)} ^{[7.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-Quid2019_7-1)} ^{[7.2](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-Quid2019_7-2)} ^{[7.3](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-Quid2019_7-3)} Quid. Global AI Startup Investment Data. CAPIQ, Crunchbase. https://quid.com/ 8. ↑ ^{[8.0](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-McKinsey2019_8-0)} ^{[8.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-McKinsey2019_8-1)} McKinsey & Company (2019). *Global AI Survey: AI proves its worth, but few scale impact*. https://www.mckinsey.com/capabilities/quantumblack/our-insights/global-ai-survey-ai-proves-its-worth-but-few-scale-impact 9. ↑ ^{[9.0](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-Taulbee2019_9-0)} ^{[9.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-Taulbee2019_9-1)} Computing Research Association. Taulbee Survey 2018. https://cra.org/resources/taulbee-survey/ 10. ↑ ^{[10.0](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-Gofman2019_10-0)} ^{[10.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-Gofman2019_10-1)} Gofman, M., Jin, Z. (2019). *Artificial Intelligence, Human Capital, and Innovation*. University of Rochester Working Paper. http://www.aibraindrain.org 11. ↑ ^{[11.0](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-PwC2019_11-0)} ^{[11.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-PwC2019_11-1)} ^{[11.2](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-PwC2019_11-2)} ^{[11.3](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-PwC2019_11-3)} PricewaterhouseCoopers (2019). *National AI Strategy Radar and Ethical AI Principles Analysis*. https://www.pwc.com/ 12. [↑](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-arXiv2019_12-0) arXiv. AI papers statistics 2010–2019. NESTA analysis. https://arxiv.org/ 13. ↑ ^{[13.0](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-MAG2019_13-0)} ^{[13.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-MAG2019_13-1)} Wang, K., Shen, I., Dong, Y. Microsoft Academic Graph Data 2019. https://academic.microsoft.com/ 14. [↑](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-NESTA2019_14-0) Stathoulopoulos, K., Mateos-Garcia, J. (2019). *Women in AI Research*. NESTA. https://www.nesta.org.uk/ 15. [↑](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-PratesEthics2019_15-0) Prates, M., Avelar, P., Lamb, L. (2019). Ethics analysis in AI conferences. Federal University of Rio Grande do Sul. 16. [↑](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-ImageNet2019_16-0) Russakovsky, O. et al. ImageNet Large Scale Visual Recognition Challenge. https://www.image-net.org/ 17. [↑](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-GLUE2018_17-0) Wang, A. et al. (2018). *GLUE: A Multi-Task Benchmark and Analysis Platform for Natural Language Understanding*. https://gluebenchmark.com/ 18. [↑](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-SuperGLUE2019_18-0) Wang, A. et al. (2019). *SuperGLUE: A Stickier Benchmark for General-Purpose Language Understanding Systems*. https://super.gluebenchmark.com/ 19. [↑](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-SQuAD2018_19-0) Rajpurkar, P. et al. (2018). *Know What You Don't Know: Unanswerable Questions for SQuAD*. https://rajpurkar.github.io/SQuAD-explorer/ 20. [↑](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-ARC2018_20-0) Clark, P. et al. (2018). *Think you have Solved Question Answering? Try ARC*. Allen Institute for AI. https://allenai.org/data/arc 21. [↑](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-Intento2019_21-0) Savenkov, K. Intento Machine Translation Quality Evaluation. https://inten.to/ 22. [↑](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-Lake2019_22-0) Lake, B. (2019). Omniglot Challenge: 3-year progress report. New York University. 23. ↑ ^{[23.0](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-Bloomberg2019_23-0)} ^{[23.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-Bloomberg2019_23-1)} Bloomberg Government (2019). Federal AI R&D Budget Analysis. 24. [↑](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-IFR2019_24-0) International Federation of Robotics (2019). *World Robotics Report 2019*. https://ifr.org/worldrobotics/ 25. [↑](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-Coursera2019_25-0) Coursera (2019). Global Skills Index. https://www.coursera.org/gsi 26. [↑](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-JRC2019_26-0) Joint Research Centre, European Commission (2019). Academic offer and demand for advanced profiles in the EU. 27. ↑ ^{[27.0](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-CADMV2019_27-0)} ^{[27.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-CADMV2019_27-1)} California Department of Motor Vehicles (2019). Autonomous Vehicle Disengagement and Collision Reports. https://www.dmv.ca.gov/portal/vehicle-industry-services/autonomous-vehicles/ 28. [↑](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-SIPRI2019_28-0) Boulanin, V., Verbruggen, M. (2019). *Mapping the Development of Autonomy in Weapon Systems*. SIPRI. https://www.sipri.org/ 29. [↑](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-GDELT2019_29-0) GDELT Project. Global AI News Coverage Data 2017–2019. https://www.gdeltproject.org/ 30. [↑](https://systems-analysis.info/int/The_2019_AI_Index_Report_(HU)#cite_ref-MGI2019_30-0) McKinsey Global Institute (2019). *Notes from the AI frontier: Applying AI for social good*. https://www.mckinsey.com/mgi/overview