--- title: "The 2019 AI Index Report (TL)" source: "https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)" wiki: "systems-analysis.info/int" article: "The_2019_AI_Index_Report_(TL)" language: "tl" categories: - "Category:Machine learning" - "Category:Tagalog" revision_id: 7966 wiki_created_at: 2026-09-07T01:09:47Z wiki_modified_at: 2026-09-07T01:09:47Z downloaded_at: 2026-09-07T23:22:07Z --- # The 2019 AI Index Report (TL) **AI Index Report 2019** — ang pangalawang buong-formatong taunang edisyon ng ulat na **AI Index**, na inihanda ng Stanford Institute for Human-Centered Artificial Intelligence (Stanford HAI)^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-AIIndex2019-1)}. Sinusubaybayan ng ulat ng 2019 ang tatlong beses na mas maraming dataset kumpara sa edisyon ng 2018 at sumasaklaw sa siyam na tematikal na kabanata: mula sa pananaliksik at pagpapaunlad hanggang sa mga pambansang estratehiya at pandaigdigang dinamika ng AI. Naglalaman ang edisyon ng na-update na datos sa lahat ng aspeto ng artificial intelligence — mga teknikal na tagumpay, ekonomiya, edukasyon, pampublikong persepsyon at mga sosyal na epekto — at nagtatampok ng dalawang bagong interactive na kagamitan: **Global AI Vibrancy Tool** (vibrancy.aiindex.org), na nagbibigay-daan sa paghahambing ng mga bansa ayon sa 34 na tagapagpahiwatig, at **AI Index arXiv Monitor** (arxiv.aiindex.org), na nagbibigay ng full-text na paghahanap sa mga preprint sa larangan ng AI. Ang AI Index ay isang independiyenteng inisyatiba sa ilalim ng Stanford HAI Institute, na iniisip bilang bahagi ng proyektong "Isang Daang Taon na Pag-aaral ng AI" (AI100)^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-AIIndex2019-1)}. ## Konteksto at Layunin Ang misyon ng AI Index ay ang pagbibigay ng obhetibo at maingat na na-verify na datos tungkol sa pag-unlad ng artificial intelligence para sa mga mambabatas, mananaliksik, tagapamuno, mamamahayag at sa malawak na publiko^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-AIIndex2019-1)}. Ang ulat ng 2019 ay inilabas sa panahon ng mabilis na paglago ng interes sa AI mula sa mga pamahalaan, korporasyon at lipunan, at nagsikap na pawiin ang mga laganap na mito — lalo na ang pagkaunawa na ang pag-unlad ng AI ay kasingkahulugan ng pakikipagkumpetensya sa pagitan ng Estados Unidos at China. Ipinapakita ng datos ng ulat na ang mga lokal na sentro ng kahusayan sa larangan ng AI ay nabubuo sa buong mundo: namumukod-tangi ang Finland sa edukasyon ng AI, nagpapakita ng mataas na penetrasyon ng mga AI na kasanayan ang India, may maayos na organisadong suporta ng estado ang Singapore, at nangunguna ang Israel sa mga pribadong pamumuhunan sa mga AI startup sa bawat capita^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-AIIndex2019-1)}. ## Estruktura ng Ulat Binubuo ang ulat ng 2019 ng siyam na tematikal na kabanata^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-AIIndex2019-1)}: 1. **Pananaliksik at Pagpapaunlad (Research and Development)** — bibliometric na datos, mga publikasyon, patent, pagkakaiba-iba ng kasarian sa pananaliksik ng AI. 2. **Mga Kumperensya (Conferences)** — dami ng dumalo, istatistika ng mga papel ng AAAI, mga organisasyon para sa pagkakaiba-iba, etika sa mga kumperensya. 3. **Teknikal na Pagganap (Technical Performance)** — mga benchmark sa computer vision, pagpoproseso ng wika, pangangatwiran, kapangyarihan sa pagkalkula. 4. **Ekonomiya (The Economy)** — trabaho, pamumuhunan, pagpapatupad sa korporasyon, robotization. 5. **Edukasyon (Education)** — online na pag-aaral, mga programang pang-unibersidad, PhD na espesyalisasyon, paglabas ng mga guro. 6. **Mga Autonomous na Sistema (Autonomous Systems)** — mga sasakyan na walang drayber, autonomous na armas. 7. **Pampublikong Persepsyon (Public Perception)** — mga sentral na bangko, parlamento, mga ulat ng korporasyon, media. 8. **Mga Sosyal na Aspeto (Societal Considerations)** — mga etikal na prinsipyo, AI at napapanatiling pag-unlad ng UN. 9. **Mga Pambansang Estratehiya at Pandaigdigang Dinamika ng AI (National Strategies and Global AI Vibrancy)** — mga pambansang estratehiya, kagamitan para sa paghahambing ng mga bansa. ## Mga Pangunahing Natuklasan ng Ulat ### 1. Paglago ng Dami ng Mga Publikasyon Sa panahon mula 1998 hanggang 2018, ang dami ng mga peer-reviewed na publikasyon sa larangan ng AI ay lumago ng higit sa 300%. Sa taong 2018, ang mga papel na may kaugnayan sa AI ay bumubuo ng 3% ng mga journal na publikasyon at 9% ng mga papel sa kumperensya sa database ng Scopus^{[\[2\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-Scopus2019-2)}. Sa taong 2018, naabutan na ng China ang Europe sa bilang ng mga journal at kumperensiyal na publikasyon sa AI, na nalampasan na ang Estados Unidos noong 2006. Sa kabila nito, ang indeks ng pagsipi (FWCI) ng mga publikasyon mula sa Estados Unidos ay nananatiling humigit-kumulang 50% na mas mataas kaysa sa China^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-AIIndex2019-1)}. ### 2. Rekord na Dami ng Dumadalo sa mga Kumperensya Patuloy na lumalaki nang malaki ang dami ng dumadalo sa mga pangunahing kumperensya ng AI. Inaasahan ng kumperensyang NeurIPS noong 2019 ang 13,500 na kalahok — paglago ng 41% kumpara sa 2018 at higit sa 800% kumpara sa 2012. Nagpapakita ang mga kumperensyang AAAI at CVPR ng taunang paglago ng dami ng dumadalo na humigit-kumulang 30%^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-AIIndex2019-1)}. ### 3. Mabilis na Teknikal na Pag-unlad Ang oras ng pagsasanay ng modelo para sa pag-uuri ng larawan sa cloud na imprastraktura ay bumaba mula sa humigit-kumulang tatlong oras noong Oktubre 2017 hanggang sa humigit-kumulang 88 segundo noong Hulyo 2019; bumaba rin ang gastos ng pagsasanay sa katulad na paraan. Sa mga benchmark ng SuperGLUE at SQuAD 2.0, napakabilis ng pag-unlad, ngunit sa mga gawaing nangangailangan ng pangangatwiran (halimbawa, AI2 Reasoning Challenge) at sa mga gawaing pag-aaral sa antas ng konsepto (Omniglot Challenge), ang mga resulta ay nananatiling mas mababa^{[\[3\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-DAWNBench2019-3)[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-AIIndex2019-1)}. ### 4. Exponential na Paglago ng Pagkalkula Bago ang 2012, ang paglago ng pagkalkula para sa AI ay sumusunod sa batas ni Moore — pagdoble bawat dalawang taon. Pagkatapos ng 2012, ang pagkalkula ay nagdoble bawat 3.4 na buwan, na humantong sa pagtaas ng higit sa 300,000 beses sa loob ng anim na taon^{[\[4\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-OpenAICompute-4)}. ### 5. Pandaigdigang Paglago ng Pagkuha ng Trabaho sa Larangan ng AI Ang Singapore, Brazil, Australia, Canada at India ang nagpakita ng pinakamabilis na paglago ng pagkuha ng trabaho sa larangan ng AI sa panahon ng 2015–2019. Sa Estados Unidos, ang bahagi ng mga bakanteng may kaugnayan sa AI ay lumago mula sa 0.26% ng kabuuang bilang ng bakante noong 2010 hanggang sa 1.32% noong Oktubre 2019, kung saan ang pinakamataas na demand ay para sa mga espesyalista sa Machine Learning (0.51%)^{[\[5\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-BurningGlass2019-5)[\[6\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-LinkedIn2019-6)}. ### 6. Mga Pribadong Pamumuhunan na Lumagpas sa \$70 Bilyon Noong 2019, ang pandaigdigang mga pribadong pamumuhunan sa AI ay lumampas sa 70 bilyong dolyar, kabilang ang higit sa 37 bilyong pamumuhunan sa mga startup, 34 bilyon sa mga transaksyon ng M&A, humigit-kumulang 5 bilyon sa IPO at humigit-kumulang 2 bilyon sa mga minority na bahagi. Mula 2010 hanggang 2018, ang financing ng mga AI startup ay lumago mula sa 1.3 bilyon hanggang sa 40.4 bilyong dolyar na may average na taunang paglago na higit sa 48%. Ang mga autonomous na sasakyan ang nakatanggap ng pinakamalaking bahagi ng pamumuhunan (7.7 bilyon), kasunod ang mga gamot at therapy para sa kanser (4.7 bilyon) at pagkilala ng mukha (4.7 bilyon)^{[\[7\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-Quid2019-7)}. ### 7. Lumalagong Pagpapatupad ng AI sa Negosyo Ayon sa survey ng McKinsey & Company (2,360 na respondente), 58% ng malalaking kumpanya ang gumamit ng AI sa kahit isang function o dibisyon ng negosyo noong 2019 kumpara sa 47% noong 2018. Gayunpaman, tanging 19% lamang ng mga organisasyon ang nagsagawa ng mga hakbang upang mabawasan ang mga panganib na may kaugnayan sa explainability ng mga algorithm, at 13% lamang ang tumugon sa panganib ng pagkiling at diskriminasyon^{[\[8\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-McKinsey2019-8)}. ### 8. AI — ang Pinaka-popular na Espesyalisasyon para sa PhD Naging pinakasikat na espesyalisasyon ang AI sa mga mag-aaral ng doktorado sa computer science sa Hilagang Amerika: noong 2018, higit sa 21% ng mga nagtapos ng PhD sa computing science ay nag-espesyalisa sa AI at Machine Learning. Ang bahagi ng mga nagtapos ng PhD sa larangan ng AI na lumipat sa industriya ay lumago mula sa 21% noong 2004 hanggang sa higit sa 60% noong 2018^{[\[9\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-Taulbee2019-9)}. ### 9. Paglabas ng mga Guro ng AI mula sa Akademya Nagpabilis ang paglabas ng mga guro ng AI mula sa akademya patungo sa industriya: higit sa 40 paglabas noong 2018 kumpara sa 15 noong 2012 at wala noong 2004. Ang pinakamalaking pagkawala ay naranasan ng Carnegie Mellon University, University of Washington at University of California sa Berkeley^{[\[10\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-Gofman2019-10)}. ### 10. Lumalagong Atensyon sa Etika ng AI Ang katarungan, interpretability at explainability ay natukoy bilang mga pinakakaraniwang binabanggit na etikal na hamon sa 59 na dokumento na may mga prinsipyo ng etikal na AI. Sa higit sa 3,600 pandaigdigang balita tungkol sa etika at AI (kalagitnaan ng 2018 — kalagitnaan ng 2019), ang mga nangingibabaw na paksa ay mga balangkas ng prinsipyo at gabay para sa etikal na paggamit ng AI (32%), privacy ng datos (14%), pagkilala ng mukha (13%), pagkiling ng algorithm (11%) at papel ng malalaking kumpanya ng teknolohiya (11%)^{[\[11\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-PwC2019-11)}. ## Kabanata 1. Pananaliksik at Pagpapaunlad Sinusuri ng kabanata ang mga trend sa mga publikasyon batay sa datos ng Elsevier Scopus, mga preprint ng arXiv, Microsoft Academic Graph (MAG), gayundin ang aktibidad sa patent, katanyagan ng mga software framework sa GitHub at pagkakaiba-iba ng kasarian sa mga mananaliksik ng AI^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-AIIndex2019-1)}. ### Mga Publikasyon Nananatiling pinakamalaking tagapaglathala ng mga papel sa AI ang Europe, na umaabot sa higit sa 27% ng mga publikasyon sa Scopus sa taong 2018. Ang bahagi ng China ay lumago mula sa 10% noong 2000 hanggang sa 28% noong 2018. Sa Estados Unidos, ang mga publikasyon ng korporasyon ay may medyo mataas na bahagi: noong 2018, ang bilang ng mga corporate AI na papel sa Estados Unidos ay higit sa pitong beses na mas marami kaysa sa China^{[\[2\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-Scopus2019-2)}. Sa arXiv, ang kabuuang bilang ng mga papel sa AI sa panahon ng 2010–2019 ay lumago ng higit sa dalawampung beses. Ang Computer Vision (CV) ang pinakamalaking subcategory mula 2014, ngunit noong 2019, ang Machine Learning ang naging nangungunang kategorya. Ang subcategory na "Computation & Language" ay lumago ng halos animnapung beses mula 2010^{[\[12\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-arXiv2019-12)}. ### Pagsipi Higit sa 32% ng mga pandaigdigang pagsipi ng mga journal na papel sa AI ay nanggaling sa Silangang Asya, at higit sa 40% ng mga pagsipi ng mga papel sa kumperensya ay nanggaling sa Hilagang Amerika. Sa larangan ng patent, ang Hilagang Amerika ay nag-ipon ng higit sa 60% ng pandaigdigang aktibidad sa pagsipi ng mga AI patent sa panahon ng 2014–2018^{[\[13\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-MAG2019-13)}. ### Mga Patent Higit sa 51% ng mga pandaigdigang AI patent ay nauugnay sa Hilagang Amerika. Naglathala ang Estados Unidos ng tatlong beses na mas maraming AI patent kaysa sa susunod na bansa — Japan. Higit sa 94% ng mga AI patent ay inihain sa mga bansang may mataas na antas ng kita^{[\[13\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-MAG2019-13)}. ### Mga GitHub Star Isang kapansin-pansing trend ang dominasyon ng mga framework na sinusuportahan ng mga korporasyon: TensorFlow (Google) at PyTorch (Facebook). Ang mga non-corporate framework — scikit-learn at Caffe — ay patuloy na lumalago, ngunit sa mas mabagal na bilis^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-AIIndex2019-1)}. ### Pagkakaiba-iba ng Kasarian sa Pananaliksik Higit sa 41% ng mga AI na papel mula sa Netherlands at higit sa 39% mula sa Denmark ay may kahit isang co-author na babae. Sa Japan at Singapore, ang tagapagpahiwatig na ito ay 10% at 16% lamang ayon sa pagkakasunod. Maraming bansang Kanlurang Europeo, gayundin ang Argentina, Canada at Iran, ang nagpakita ng medyo mataas na presensya ng mga babae sa pananaliksik ng AI^{[\[14\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-NESTA2019-14)}. ## Kabanata 2. Mga Kumperensya ### Dami ng Dumadalo Inaasahan ng NeurIPS noong 2019 ang 13,500 na kalahok (paglago ng 800% mula 2012). Ang ICLR ay lumaki ng 15 beses kumpara sa 2014. Ang seminar ng Women in Machine Learning (WiML) ay nagpalaki ng bilang ng mga kalahok ng 738% kumpara sa 2014, at ang programang AI4ALL ay 2,000% kumpara sa 2015^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-AIIndex2019-1)}. ### Istatistika ng AAAI Sa kumperensyang AAAI noong 2019, ang China ang nagmungkahi ng pinakamaraming isinumiteng at tinanggap na papel. Higit sa 68% ng mga aplikasyon ay mula sa mga mag-aaral ng doktorado. Ang Israel ang may pinakamataas na rate ng pagtanggap (24%), kasunod ang Germany (23%), Canada (22%), Estados Unidos at Singapore (20% bawat isa). Ang Machine Learning, NLP at Computer Vision ang nananatiling tatlong nangungunang paksa^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-AIIndex2019-1)}. ### Etika sa mga Kumperensya Ang kabuuang bilang ng mga papel na may mga keyword na may kaugnayan sa etika sa mga nangungunang kumperensya ng AI ay nananatiling maliit na bahagi ng kabuuan, ngunit mabilis na lumalaki. Sinasaklaw ng pagsusuri ang 110,108 na papel, kabilang ang 59,352 na papel sa kumperensya at 50,756 na papel sa journal^{[\[15\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-PratesEthics2019-15)}. ## Kabanata 3. Teknikal na Pagganap Sinusubaybayan ng kabanata ang teknikal na pag-unlad sa mga gawain ng computer vision, natural language processing, pangangatwiran, machine translation at kapangyarihan sa pagkalkula^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-AIIndex2019-1)}. ### Computer Vision **ImageNet.** Ang unang pamamaraan na nalampasan ang katumpakan ng tao sa ImageNet ay inilathala noong 2015. Sa taong 2019, nagpatuloy ang pag-unlad: ang tatlong pinaka-matagumpay na pamamaraan ay gumamit ng karagdagang datos para sa pagsasanay. Ang kompetisyon ng ImageNet ay tinapos noong 2017, ngunit ang dataset ay nananatiling pangunahing benchmark^{[\[16\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-ImageNet2019-16)}. **Oras at Gastos ng Pagsasanay.** Ayon sa datos ng proyektong DAWNBench (Stanford), ang oras ng pagsasanay ng modelo para sa pag-uuri ng larawan hanggang sa katumpakan ng 93%+ (top-5) sa cloud na imprastraktura ay bumaba mula sa higit sa 3 oras (Oktubre 2017) hanggang sa ~88 segundo (Hulyo 2019). Ang gastos ng pagsasanay ay bumaba mula sa \$2,323 (Oktubre 2017, ResNet) hanggang sa ~\$12 (Setyembre 2018, ResNet sa GCP gamit ang Cloud TPU)^{[\[3\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-DAWNBench2019-3)}. **Paglikha ng Larawan.** Ang pag-unlad sa paglikha ng larawan (CIFAR-10) ay sinukat gamit ang sukatan ng FID (Fréchet Inception Distance): ang mas mababang marka ay nag-uugnay sa mas mahusay na kalidad ng paglikha^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-AIIndex2019-1)}. **Semantic na Segmentasyon.** Ang pag-unlad ay sinukat ayon sa sukatan ng mean IoU sa dataset ng Cityscapes — isang gawain na mahalaga para sa mga sistema ng autopilot^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-AIIndex2019-1)}. ### Natural Language Processing **GLUE.** Ang benchmark na General Language Understanding Evaluation, na inilabas noong Mayo 2018, ay sumusubok ng mga sistema sa siyam na gawain ng pagpoproseso ng teksto. Sa kabila ng katotohanan na wala pang isang taon ang benchmark, ang mga resulta ng mga sistema ay nalampasan ang antas ng mga hindi-dalubhasang taga-rate noong Hunyo 2019. Ang mga modelo ng RoBERTa (Facebook) at T5 (Google) ay patuloy na nagpapabuti ng mga tagapagpahiwatig^{[\[17\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-GLUE2018-17)}. **SuperGLUE.** Isang mas kumplikadong benchmark, na inilunsad noong Mayo 2019. Sa loob ng limang buwan pagkatapos ng paglulunsad, ang modelo ng T5 (Google) ay halos umabot sa baseline ng tao na 89.8, na nakakuha ng 88.9 puntos^{[\[18\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-SuperGLUE2019-18)}. **SQuAD.** Sa benchmark ng Stanford Question Answering Dataset, ang F1-marka para sa SQuAD 1.1 ay lumago mula sa 67 (Agosto 2016) hanggang sa 95 (Mayo 2019). Ang pag-unlad sa SQuAD 2.0 ay mas mabilis pa: mula sa 62 (Mayo 2018) hanggang sa 90 (Hunyo 2019). Ang oras ng pagsasanay ng modelo para sa pagsagot sa mga tanong hanggang sa F1 ≥ 75 sa SQuAD 1.0 ay bumaba mula sa higit sa 7 oras (Oktubre 2017) hanggang sa wala pang 19 minuto (Marso 2019)^{[\[19\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-SQuAD2018-19)}. **Pangangatwiran.** Sa ARC Challenge Set (Allen Institute for AI), ang pinakamahusay na resulta ay 67.7% (Setyembre 2019). Sa ARC-Easy — 85.4%. Ang mga gawain na nangangailangan ng pangangatwiran ay nananatiling higit na mahirap para sa mga AI sistema^{[\[20\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-ARC2018-20)}. ### Machine Translation Ang bilang ng mga komersyal na available na sistema ng machine translation na may pre-trained na modelo ay lumago mula sa 8 (2017) hanggang sa higit sa 24 (2019). Ang pinakamalaking pag-unlad sa kalidad ay naobserbahan para sa mga pares ng Tsino–Ingles, Ingles–Aleman at Ruso–Ingles^{[\[21\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-Intento2019-21)}. ### Omniglot Challenge Sa loob ng tatlong taon, may kapansin-pansing pag-unlad sa one-shot na pag-uuri, ngunit sa natitirang apat na gawain ng pag-aaral ng konsepto (paglikha ng mga halimbawa, parsing, paglikha ng mga bagong konsepto), ang pag-unlad ay limitado. Ang Bayesian Program Learning (BPL) ay patuloy na nangunguna sa mga neural network na pamamaraan sa orihinal na gawain^{[\[22\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-Lake2019-22)}. ### Kapangyarihan sa Pagkalkula Ipinakita ng pagsusuri ng OpenAI ang isang istrukturang pagkakaiba: bago ang 2012, ang dami ng pagkalkula para sa AI ay nagdoble bawat dalawang taon (batas ni Moore); pagkatapos ng 2012 — bawat 3.4 na buwan. Mula 2012, ang tagapagpahiwatig na ito ay lumago ng higit sa 300,000 beses^{[\[4\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-OpenAICompute-4)}. ### Mga Marka ng Antas ng Tao Na-update ng ulat ang kronolohiya ng mga tagumpay ng AI, na nagdagdag ng dalawang bagong resulta sa mga dating dokumentadong (Othello — 1980, checkers — 1995, chess — 1997, Jeopardy! — 2011, Atari — 2015, ImageNet — 2016, Go — 2016, poker — 2017, Ms. Pac-Man — 2017, StarCraft II — 2019): | Taon | Tagumpay | |------|-------------------------------------------------------------------------------------------------| | 2018 | AlphaFold (DeepMind) — hula ng 3D na istraktura ng protina na may walang kapantay na katumpakan | | 2019 | AlphaStar (DeepMind) — pagtatalo laban sa nangungunang propesyonal sa StarCraft II | | 2019 | Pagtuklas ng diabetic retinopathy na may katumpakan sa antas ng espesyalista | ## Kabanata 4. Ekonomiya ### Mga Trabaho at Pagkuha ng Empleyado Ipinakita ng AI Hiring Index (LinkedIn) na ang Singapore, Brazil, Australia, Canada at India ang nangunguna sa mga bilis ng paglago ng pagkuha ng trabaho sa panahon ng 2015–2019. Sa Estados Unidos, ang estado ng Washington ang may pinakamalaking relative na demand para sa mga AI na bakante (halos 1.4% ng kabuuang bilang ng bakante), kasunod ang California (1.3%) at Massachusetts (1.3%). Sa absolute na bilang, nanguna ang California na may higit sa 93,000 AI na bakante^{[\[5\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-BurningGlass2019-5)}. Ang pinakamalaking penetrasyon ng mga AI na kasanayan ay naobserbahan sa mga sektor ng IT-serbisyo (2.3% ng bakante), propesyonal at siyentipikong serbisyo (higit sa 2%), pananalapi at insurance (1.3%) at manufacturing (1.1%)^{[\[6\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-LinkedIn2019-6)}. Ayon sa LinkedIn, nagpakita ang India ng penetrasyon ng mga AI na kasanayan na 2.6 beses na mas mataas kaysa sa pandaigdigang average. Isang kawili-wiling larawan ang naobserbahan sa aspeto ng kasarian: nag-ulat ang mga lalaki ng mga AI na kasanayan sa mas maraming propesyon kaysa sa mga babae sa lahat ng bansang kasama sa sample^{[\[6\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-LinkedIn2019-6)}. ### Mga Pamumuhunan Lumalaki ang financing ng mga AI startup na may average na taunang bilis na higit sa 48% (2010–2018). Sa Nobyembre 2019, ang dami ng pamumuhunan ay \$37.4 bilyon (kumpara sa \$40.4 bilyon para sa buong 2018). Sa pagitan ng 2014 at 2019, may 15,798 na pamumuhunan na nagsagawa na may average na laki na humigit-kumulang \$8.6 milyon^{[\[7\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-Quid2019-7)}. Ang per capita na tagapagpahiwatig ng pamumuhunan sa AI ay pinakamataas sa Israel, kasunod ang Singapore at Iceland. Ang mga startup mula sa China ay nakatanggap ng mas malaking pamumuhunan bawat kumpanya: \$34.1 milyon — 201% na mas marami kaysa sa Estados Unidos, at 296% na mas marami kaysa sa pandaigdigang average^{[\[7\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-Quid2019-7)}. Sa sektor, ang pinakamalaking pamumuhunan ay napunta sa mga autonomous na sasakyan (\$7.7 bilyon, 9.9% ng kabuuang dami), mga gamot at therapy para sa kanser (\$4.7 bilyon), pagkilala ng mukha (\$4.7 bilyon), video content (\$3.6 bilyon) at pagtuklas ng pandaraya (\$3.1 bilyon). Ang mga pinaka-mabilis na lumalagong direksyon ay ang robotic process automation, pamamahala ng supply chain at industrial automation^{[\[7\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-Quid2019-7)}. ### Mga Pamumuhunan ng Pamahalaan (Estados Unidos) Nagplano ang pederal na pamahalaan ng Estados Unidos na mamuhunan ng \$4.98 bilyon sa pananaliksik ng AI sa fiscal year 2020. Ang Kagawaran ng Depensa (DoD) — \$4.0 bilyon, kabilang ang \$506 milyon sa pamamagitan ng DARPA, \$221 milyon para sa proyektong Maven at \$209 milyon para sa Joint AI Center (JAIC). Ang mga gastos ng mga pederal na ahensya sa mga kontrata ng AI ay lumago ng ~70%: mula \$429 milyon noong 2017 hanggang sa \$728 milyon noong 2018^{[\[23\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-Bloomberg2019-23)}. ### Pagpapatupad sa Korporasyon 58% ng malalaking kumpanya ang nag-ulat ng paggamit ng AI sa kahit isang function (paglago mula sa 47% noong 2018). 30% ng mga respondente ang nagpansin ng pagpapatupad ng AI sa maraming dibisyon (21% noong 2018). Ang mga AI na kakayahan na pinakakaraniwang ipinapatupad: robotic process automation, computer vision at Machine Learning. Ang cybersecurity ang panganib na pinaka-madalas na kinakalaban ng mga organisasyon (48%), samantalang ang mga panganib ng explainability (19%) at katarungan (13%) ay mas bihirang tinugunan^{[\[8\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-McKinsey2019-8)}. ### Industrial na Robotization Noong 2018, ang pandaigdigang pag-install ng mga industrial na robot ay lumago ng 6% — hanggang sa 422,271 na yunit na nagkakahalaga ng \$16.5 bilyon. Ang operational na stock ng mga robot ay 2,439,543 na yunit. Ang limang pinakamalaking merkado — China, Japan, Estados Unidos, South Korea at Germany — ay nag-ipon ng 74% ng mga pandaigdigang pag-install. Nananatiling pandaigdigang lider ang China (36%), na nag-install ng 154,032 na yunit^{[\[24\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-IFR2019-24)}. ## Kabanata 5. Edukasyon ### Online na Pag-aaral Ang Coursera, na naglilingkod sa higit sa 45 milyong mag-aaral at nag-aalok ng 3,700+ na kurso, ay gumawa ng ranggo ng 60 bansa ayon sa mga AI na kasanayan (Global Skills Index). Ang Timog Asya at Silangang Asya ay nagpakita ng pinakamalaking bahagi ng mga enrollment sa mga kursong AI at kaugnay na kakayahan. Sa Udacity, ang kurso na "Introduction to Machine Learning" ay nakalap ng higit sa 125,000 kabuuang enrollment^{[\[25\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-Coursera2019-25)}. ### Mga Programang Pang-unibersidad Ang enrollment sa mga panimulang kurso ng AI sa Stanford ay lumago ng limang beses (2012–2018). Ang kurso na "Introduction to Machine Learning" sa University of Illinois (UIUC) ay labindalawang beses (2010–2018). Sa internasyonal na antas, ang University of Toronto ang may pinakamaraming naka-enroll na estudyante, kasunod ang Higher School of Economics (Russia) at Tsinghua University (China)^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-AIIndex2019-1)}. Sa Europe, natukoy ang 2,054 na programa na sumasaklaw sa larangan ng AI, kung saan ang napakaraming bahagi ay nasa antas ng master's degree. Ang 197 na Europeanong unibersidad ay nag-aalok ng 406 espesyalisadong master's program sa AI^{[\[26\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-JRC2019-26)}. ### Mga PhD na Espesyalisasyon at Paglabas sa Industriya Naging pinakasikat na espesyalisasyon ng PhD ang AI sa computer science: higit sa 21% noong 2018. Ang bahagi ng mga PhD na lumipat sa industriya ay tatlong beses na lumaki: mula sa 21% noong 2004 hanggang sa 62% noong 2018. Higit sa 60% ng mga bagong PhD sa AI sa Estados Unidos at Canada ay mga dayuhang estudyante (wala pang 40% noong 2010); mga ~10% lamang ang umalis sa Estados Unidos pagkatapos ng pagtatapos^{[\[9\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-Taulbee2019-9)}. Tatlong unibersidad na may pinakamalaking pagkawala ng mga guro ng AI: Carnegie Mellon (17 na tenure-track), University of Washington (11) at Berkeley. Sa mga Canadianong unibersidad, ang pinakamaraming nawala sa University of Toronto (9 na guro). Ang bahagi ng mga babae sa mga nagtapos ng PhD sa AI ay nananatiling matatag sa ~20% mula 2010 hanggang 2018^{[\[10\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-Gofman2019-10)}. ## Kabanata 6. Mga Autonomous na Sistema ### Mga Sasakyan na Walang Drayber Hindi bababa sa 25 na bansa ang may mga lungsod na sumusubok ng mga autonomous na sasakyan (ATS). Sa estado ng California mula 2015 hanggang 2018, ang bilang ng mga kumpanyang sumusubok at ang kabuuang bilang ng mga ATS ay lumaki ng pitong beses. Noong 2018, higit sa 50 kumpanya at 500 ATS ang naglakbay ng higit sa 2 milyong milya. Hindi bababa sa 41 estado at District of Columbia ang isinasaalang-alang ang batas na may kaugnayan sa mga ATS^{[\[27\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-CADMV2019-27)}. Ang dalas ng mga aksidente ng ATS sa California noong 2018 ay 22.44 bawat milyong milya — humigit-kumulang 5.5 beses na mas mataas kaysa sa adjusted na tagapagpahiwatig para sa mga regular na drayber. Sa karamihan ng mga aksidente, ang sasakyan na may drayber na tao ay sumasakay sa likod ng nakatayo o tuwirang gumagalaw na ATS sa araw na oras. Karamihan sa mga pinsala ay maliliit^{[\[27\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-CADMV2019-27)}. ### Autonomous na Armas Ayon sa dalubhasang pananaliksik ng Stockholm International Peace Research Institute (SIPRI), hindi bababa sa 89 bansa ang may mga awtomatikong sistema ng air defense. Ang mga sistema ng active protection ay ginagawa at nililikha lamang ng siyam na bansa. Sinasaklaw ng datos ang panahon ng 1950–2017^{[\[28\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-SIPRI2019-28)}. ## Kabanata 7. Pampublikong Persepsyon ### Mga Sentral na Bangko Ipinakita ng mga komunikasyon ng mga sentral na bangko ang lumalagong interes sa AI. Ang Bank of England, Bank of Japan at Federal Reserve ang pinaka-madalas na nagbanggit ng AI kaysa sa iba. Ang katangian ng mga publikasyon ay lumipat mula sa mga analytical na dokumento patungo sa mga talumpati^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-AIIndex2019-1)}. ### Parlamentaryo at Panggobyernong Aktibidad Naobserbahan ang higit sa sampung beses na pagtaas ng aktibidad ng batas na may kaugnayan sa AI sa Kongreso ng Estados Unidos sa 2017–2018. Sa mga transcript ng Kongreso, ang 2019 ay naging taon na may pinakamaraming pagbanggit sa AI. Katulad na mga trend ang naobserbahan sa mga parlamento ng Canada at United Kingdom^{[\[23\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-Bloomberg2019-23)}. ### Mga Korporasyon Ang bahagi ng mga earnings call ng 3,000 pampublikong kumpanya sa Estados Unidos na naglalaman ng mga pagbanggit sa AI ay lumago mula sa 0.01% (2010) hanggang sa 0.42% (2018). Ang sektor ng pananalapi ang nangunguna sa bilang ng mga pagbanggit^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-AIIndex2019-1)}. ### Media at Web Search Ayon sa datos ng Google Trends, ang termino na "machine learning" ang nangunguna sa iba pang kaugnay na termino sa mga query sa paghahanap sa Estados Unidos. Ayon sa datos ng GDELT Project, sa mga balitang may kaugnayan sa AI, 17.7% ang tumutukoy sa epekto sa trabaho, 2.4% — sa algorithmic na pagkiling at 0.99% lamang — sa "mga robot na mamamatay"^{[\[29\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-GDELT2019-29)}. ## Kabanata 8. Mga Sosyal na Aspeto ### Mga Etikal na Prinsipyo Sinuri ng PricewaterhouseCoopers ang 59 na dokumento na may mga prinsipyo ng etikal na AI mula sa mga asosasyon at konsorsyum, pamahalaan, kumpanya ng teknolohiya, mga think tank at mga siyentipikong organisasyon. Labindalawang etikal na hamon ang pinaka-madalas na natukoy: pananagutan, kaligtasan, kontrol ng tao, pagiging maaasahan at seguridad, katarungan, pagkakaiba-iba at inklusibidad, sustainability, transparency, interpretability at explainability, multilateral na diyalogo, legalidad at pagsunod, privacy ng datos^{[\[11\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-PwC2019-11)}. Ang katarungan, interpretability/explainability at transparency ay pinaka-madalas na binanggit. Para sa mga kumpanya ng teknolohiya, ang katarungan ay nabanggit sa 100% ng mga framework; para sa mga think tank — katarungan at kontrol ng tao (100% at 88% ayon sa pagkakasunod)^{[\[11\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-PwC2019-11)}. ### AI at Mga Sustainable Development Goals ng UN Natukoy ng McKinsey Global Institute ang humigit-kumulang 160 kaso ng paggamit ng AI para sa kapakanan ng lipunan, na potensyal na sumusuporta sa lahat ng 17 Sustainable Development Goals (SDGs) ng UN. Maaaring tugunan ng AI ang humigit-kumulang kalahati ng 169 target na tagapagpahiwatig ng SDG. Ang pinakamalaking bilang ng mga kaso ng aplikasyon ay tumutugon sa SDG 3 (kalusugan) at SDG 16 (mapayapa at inklusibong mga lipunan). Gayunpaman, para sa malawak na deployment ng AI para sa napapanatiling pag-unlad, may mga makabuluhang hadlang: availability ng datos, kapangyarihan sa pagkalkula, mga tauhan at organisasyonal na kahandaan^{[\[30\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-MGI2019-30)}. ## Kabanata 9. Mga Pambansang Estratehiya at Pandaigdigang Dinamika ng AI ### Mga Pambansang Estratehiya Patuloy na lumalaki ang bilang ng mga opisyal na estratehikong dokumento sa AI. Ang PwC, gamit ang NLP na pagsusuri ng 37 na dokumento, ay natuklasan na ang pakikipagtulungan sa akademya ay nabanggit sa 94% ng mga dokumento, ang pananaliksik at pagpapaunlad ng AI — sa 48%, at pamamahala ng AI — sa 42%. Ang proteksyon ng mamimili at katarungan ay pinaka-madalas na nabanggit (2%)^{[\[11\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-PwC2019-11)}. ### Global AI Vibrancy Tool Ang unang beses na ipinakitang kagamitan ay sumasaklaw sa 28 bansa ayon sa 34 na sukatan, na nakagrupo sa tatlong haligi: pananaliksik at pagpapaunlad (21 sukatan), ekonomiya (10 sukatan) at inklusibidad (5 sukatan). Nagbibigay-daan ang kagamitan sa mga gumagamit na i-customize ang mga weight coefficient at magsagawa ng parehong mga paghahambing sa pagitan ng mga bansa at sa loob ng mga bansa^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-AIIndex2019-1)}. ### Mga Profil ng Bansa Kinabibilangan ang ulat ng mga detalyadong profil ng bansa para sa Brazil, China, France, Germany, India, Netherlands, Singapore at Estados Unidos, pati na rin ng isang pangkalahatang-ideya ng multilateral na rehiyonal na patakaran sa larangan ng AI^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-AIIndex2019-1)}. ## Mga Makabuluhang Resulta sa Mga Benchmark noong 2019 | Benchmark | Pinakamahusay na Resulta (2019) | Antas ng Tao | Pag-unlad | |------------------|-----------------------------------------------------|-----------------------------|-------------------------------------------------------------------| | ImageNet (Top-1) | ~88% | ~95% (isang taga-anotasyon) | Patuloy na pagpapabuti gamit ang karagdagang datos | | GLUE | Nalampasan ang hindi-dalubhasang antas (Hunyo 2019) | 87.1 (hindi-dalubhasa) | RoBERTa, T5 | | SuperGLUE | 88.9 (T5, Google) | 89.8 | Nakamit sa loob ng 5 buwan pagkatapos ng paglulunsad ng benchmark | | SQuAD 1.1 (F1) | 95 | ~91 | Nalampasan ang antas ng tao | | SQuAD 2.0 (F1) | 90 | ~89 | Halos katulad ng antas ng tao | | ARC Challenge | 67.7% | — | Ang mga gawain ng pangangatwiran ay nananatiling mahirap | | VQA | 75.28% | ~80% | Paglago ng 2.85 puntos sa loob ng isang taon | ## Metodolohiya Gumamit ang ulat ng datos mula sa maraming pinagkukunan^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-AIIndex2019-1)}: - **Mga Publikasyon:** Elsevier Scopus, arXiv (NESTA), Microsoft Academic Graph (MAG). - **Mga Benchmark:** Papers With Code, DAWNBench/MLPerf, mga leaderboard ng GLUE, SuperGLUE, SQuAD, ARC, VQA, ActivityNet. - **Mga Kumperensya:** datos ng pagpaparehistro ng NeurIPS, ICML, ICLR, AAAI, CVPR, WiML, AI4ALL, RightsCon. - **Merkado ng Trabaho:** LinkedIn Economic Graph, Burning Glass Technologies, Indeed. - **Mga Pamumuhunan:** CAPIQ, Crunchbase, Quid. - **Aktibidad ng Korporasyon:** McKinsey Global Survey, International Federation of Robotics. - **Mga Gastos ng Pamahalaan:** Bloomberg Government. - **Pampublikong Persepsyon:** Google Trends, GDELT Project, Prattle (mga sentral na bangko), Hansard (mga parlamento). - **Etika at Mga Estratehiya:** PricewaterhouseCoopers (NAISR), Harvard, LexisNexis. - **Edukasyon:** CRA Taulbee Survey, Coursera, Udacity, Joint Research Centre (EC). - **Mga Autonomous na Sistema:** California DMV, Bloomberg Philanthropies, SIPRI, NCSL. ## Kolektibo ng mga May-akda Inihanda ang ulat ng Steering Committee ng AI Index sa ilalim ng koordinasyon ni **Raymond Perrault** (SRI International) at sa ilalim ng pamumuno ni **Yoav Shoham** (Stanford University). Kasama sa komite ang: **Erik Brynjolfsson** (MIT), **Jack Clark** (OpenAI), **John Etchemendy** (Stanford), **Barbara Grosz** (Harvard), **Terah Lyons** (Partnership on AI), **James Manyika** (McKinsey Global Institute) at **Juan Carlos Niebles** (Stanford). Si **Saurabh Mishra** (Stanford University) ang naging pinuno ng proyekto at punong editor. Nagbigay ng datos ang higit sa 20 organisasyong kasosyo^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_note-AIIndex2019-1)}. ## Mga Sanggunian - Stanford HAI — AI Index Report 2019 (buong teksto): 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 ## Mga Akda - 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/ ## Mga Tala 1. ↑ ^{[1.00](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_ref-AIIndex2019_1-0)} ^{[1.01](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_ref-AIIndex2019_1-1)} ^{[1.02](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_ref-AIIndex2019_1-2)} ^{[1.03](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_ref-AIIndex2019_1-3)} ^{[1.04](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_ref-AIIndex2019_1-4)} ^{[1.05](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_ref-AIIndex2019_1-5)} ^{[1.06](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_ref-AIIndex2019_1-6)} ^{[1.07](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_ref-AIIndex2019_1-7)} ^{[1.08](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_ref-AIIndex2019_1-8)} ^{[1.09](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_ref-AIIndex2019_1-9)} ^{[1.10](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_ref-AIIndex2019_1-10)} ^{[1.11](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_ref-AIIndex2019_1-11)} ^{[1.12](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_ref-AIIndex2019_1-12)} ^{[1.13](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_ref-AIIndex2019_1-13)} ^{[1.14](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_ref-AIIndex2019_1-14)} ^{[1.15](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_ref-AIIndex2019_1-15)} ^{[1.16](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_ref-AIIndex2019_1-16)} ^{[1.17](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_ref-AIIndex2019_1-17)} ^{[1.18](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_ref-AIIndex2019_1-18)} ^{[1.19](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_ref-AIIndex2019_1-19)} ^{[1.20](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_ref-AIIndex2019_1-20)} ^{[1.21](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#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_(TL)#cite_ref-Scopus2019_2-0)} ^{[2.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#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_(TL)#cite_ref-DAWNBench2019_3-0)} ^{[3.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#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_(TL)#cite_ref-OpenAICompute_4-0)} ^{[4.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#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_(TL)#cite_ref-BurningGlass2019_5-0)} ^{[5.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#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_(TL)#cite_ref-LinkedIn2019_6-0)} ^{[6.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_ref-LinkedIn2019_6-1)} ^{[6.2](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#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_(TL)#cite_ref-Quid2019_7-0)} ^{[7.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_ref-Quid2019_7-1)} ^{[7.2](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_ref-Quid2019_7-2)} ^{[7.3](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#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_(TL)#cite_ref-McKinsey2019_8-0)} ^{[8.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#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_(TL)#cite_ref-Taulbee2019_9-0)} ^{[9.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#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_(TL)#cite_ref-Gofman2019_10-0)} ^{[10.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#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_(TL)#cite_ref-PwC2019_11-0)} ^{[11.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_ref-PwC2019_11-1)} ^{[11.2](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#cite_ref-PwC2019_11-2)} ^{[11.3](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#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_(TL)#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_(TL)#cite_ref-MAG2019_13-0)} ^{[13.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#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_(TL)#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_(TL)#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_(TL)#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_(TL)#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_(TL)#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_(TL)#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_(TL)#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_(TL)#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_(TL)#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_(TL)#cite_ref-Bloomberg2019_23-0)} ^{[23.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#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_(TL)#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_(TL)#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_(TL)#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_(TL)#cite_ref-CADMV2019_27-0)} ^{[27.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TL)#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_(TL)#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_(TL)#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_(TL)#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