AI-United » Allgemein » KI Report und Übersicht für das Jahr 2018

KI Report und Übersicht für das Jahr 2018

KI Report und Übersicht für das Jahr 2018

Veröffentlichungen: Gliederung nach Themen

Die nachfolgende Grafik zeigt das Wachstum der jährlichen Veröffentlichungsraten der wissenschaftlichen Arbeiten bezüglich ihrer Raten im Jahr 1996. Die Grafik vergleicht das Wachstum der Veröffentlichungen in allen Bereichen, in der Informatik und künstlicher Intelligenz.

Das Wachstum der jährlichen Veröffentlichungen in KI setzt fort, die jährlichen Veröffentlichungen in der Informatik zu übertreffen, was bedeutet, dass das Wachstum der KI-Veröffentlichungen von mehr als einem erhöhten Interesse in der Informatik gefördert wird.

Das Wachstum der jährlichen Veröffentlichungen nach Themen (1996 – 2017) Quelle: Scopus

Anmerkung: Diese Grafik verwendet keinen Elsevier-Schlüsselwort-Ansatz, sondern die Scopus Suchanfrage “Künstliche Intelligenz”.

KI übertrifft die Informatik

Veröffentlichungen der KI in Scopus haben sich seit 1996 um das Achtfache erhöht.
Veröffentlichungen der Informatik stiegen im gleichen Zeitraum um das 6-fache.

Veröffentlichungen: Papiere der KI nach Regionen

Die Grafik unten zeigt die Anzahl der veröffentlichten jährlichen KI-Papiere nach Regionen.

Europа war entsprechend der größte Verleger der KI-Papiere: 28% der KI-Papiere in Scopus stammten 2017 aus Europa. Mittlerweile nahm die Anzahl der in China veröffentlichen Papiere zwischen 2007 und 2017 um 150% zu, trotz des starken Anstiegs und nachfolgenden Abstiegs in chinesischen Veröffentlichungen um 2008.

Jährliche KI-Veröffentlichungen in Scopus nach Regionen (1998 – 2017)Quelle: Elsevier

Anmerkung: Man kann vermuten, dass der Anstieg der KI-Veröffentlichungen in China um 2008 das Ergebnis des Nationalen mittel- und langfristige Programms für die Entwicklung der Wissenschaft und Technologie (2006 – 2020) und anderer Regierungsprogramme ist, die die Finanzierung und eine Reihe von Anreiztaktiken für die Forschungen im Gebiet der KI bieten. Genauso könnten das 7.
Forschungsrahmenprogramm FP7 (2007 – 2013) und andere wissenschaftliche und technologische Forschungsprogramme in Europa zur kleinen Belebung in Papieren um 2008 – 2010 beitragen.

Europa ist der größte Verleger der KI-Veröffentlichungen

2017 gehörten 28% der KI-Veröffentlichungen in Scopus den europäischen Autoren, nach China (25%) und den USA (17%).

Veröffentlichungen: Papiere der KI nach Unterkategorien

Die nachfolgende Grafik zeigt die Anzahl der KI-Veröffentlichungen in Scopus nach Unterkategorien. Kategorien schließen sich gegenseitig nicht aus.

56% der Papiere lagen in der Kategorie des maschinellen Lernens und probalistischen Denkens im Jahr 2017, verglichen mit 28% im Jahr 2010. In den meisten nachfolgenden Kategorien waren die Papiere in der Zeitperiode 2014 – 2017 schneller veröffentlicht als in der Zeitperiode 2010 – 2014. Sehr auffällig ist, dass das neuronale Netzwerk eine durchschnittliche Wachstumsrate von 3% in den Jahren 2010 – 2014 nach der durchschnittlichen Wachstumsrate von 37% in den Jahren 2014 – 2017 hatte.

Anzahl der KI-Papiere in Scopus nach Unterkategorien (1998 – 2017)Quelle: Elsevier

Die Anzahl der Scopus-Papiere in neuronalen Netzwerken zeigte eine durchschnittliche Wachstumsrate von 37% von 2014 bis 2017

Roboter-Software lädt herunter

Die nachfolgende Grafik zeigt die Anzahl von binären Paket-Herunterladungen, die vom Robot Operating System (ROS) von ROS.org nach langer Zeit heruntergeladen waren. ROS ist ein weit verbreiteter offener Quellen-Software-Stack für Roboter und wird von vielen Unternehmen und akademischen Forschern verwendet. Die rechte Achse zeigt die durchschnittliche Anzahl von monatlichen Herunterladungen insgesamt, wobei die rechte Achse die durchschnittlichen monatlichen Herunterladungen nur von einzigartigen IP-Adressen aufweist. Seit 2014 stieg die Anzahl von gesamten Herunterladungen um 352% und die Anzahl von einzigartigen Herunterladungen um 567%. Dies stellt ein erhöhtes Interesse an Robotik und der Verwendung von Roboter-Systemen dar. Da die Anzahl der einzigartigen Herunterladungen schneller als die Gesamtzahl von Herunterladungen wächst, kann dies bedeuten, dass nicht nur ROS öfter verwendet wird, sondern auch, dass es mehr POS-Benutzer gibt.

ROS-Paket-Herunterladungen (2011 – 2018)Quelle: ROS-Metriken-Bericht

Seit 2014 nahmen die einzigartigen ROSPaket-Herunterladungen von ROS.org um 567% zu

Startups / Investitionen: KI-Startups

Die nachfolgende Grafik zeigt die Anzahl der aktiven privaten Startups mit Risikokapital in USA im angegebenen Jahr. Die blaue Linie (linke Achse) zeigt ausschließlich die KI-Startups, während die graue Linie (rechte Achse) alle Startups mit Risikokapital darstellt, einschließlich KI-Startups. Die Grafik zeigt die Gesamtzahlt von Startups im Januar des jeweiligen Jahres. Mit Ausnahme von Fällen, wenn Startups aus dem Datensatz entfernt werden, ist die Anzahl von Startups kumulativ von Jahr zu Jahr.

Vom Januar 2015 bis zum Januar 2018 nahmen aktive KI-Startups um das 2,1-fache zu, während alle aktiven Startups um das 1,3-fache stiegen. Größtenteils blieb das Wachstum in allen aktiven Startups verhältnismäßig stabil, obwohl  die Anzahl von KI-Startups ein exponentielles Wachstum zeigten.

KI-Startups (USA, Januar 1995 – Januar 2018)Quelle: Sand Hill Econometrics

Anmerkung: Die Mehrheit von KI-Startups entwickelt die KI-Systeme. Die Minderheit verwendet KI als einen wesentlichen Bestandteil des Geschäftes, entwickelt aber die Systeme selbst nicht.

Aktive KI-Startups in den USA nahmen von 2015 bis 2018 um das 2,1-fache zu.

Mittlerweile stiegen aktive Startups insgesamt um das 1,3-fache.

Startups / Investitionen: Finanzierung des Risikokapitals

Die Grafik unten zeigt die Anzahl von jährlichen Finanzierungen der Unternehmen mit Risikokapital unter aktiven USA-Startups über alle Finanzierungstufen. Die blaue Linie (linke Achse) stellt nur die Finanzierung von KI-Startups dar, wobei die graue Linie (rechte Achse) die Finanzierung von allen Startups mit Risikokapital zeigt, einschließlich der KI-Startups. Die Daten sind jährlich und nicht kumulativ im Vergleich zum vorangegangenen. Jahr wie bei den Daten auf der vorherigen Seite.

Von 2013 bis 2017 nahm die KI-Finanzierung des Risikokapitals um das 4,5-fache zu, wogegen die Gesamtfinanzierung des Risikokapitals um das 2,08-fache stieg. Der Boom der Gesamtfinanzierung des Risikokapitals in den Jahren 1997-2000 kann mit der Dotcom-Blase erklärt werden. Die kleineren Booms in den Jahren 2014 und 2015 spiegeln eine Periode des relativ großen Wirtschaftswachstums wider.

Jährliche Finanzierung des Risikokapitals von KI-Startups (USA, 1995 – 2017) Quelle: Sand Hill Econometrics

Finanzierung des Risikokapitals für KI Startups in den USA nahm um das 4,5-fache von 2013 bis 2017 zu

Mittlerweile stieg die Finanzierung des Risikokapitals für alle aktiven Startups um das 2,08-fache.

Patente

Die nachstehende Grafik zeigt die Anzahl und das Wachstum von KI-Patenten nach der Erfinderregion. Die KI-Patente wurden mit Hilfe von IPC-Klassen verbunden, die in die Bereiche des Kognitions- und des Bedeutungsverständnisses und der Human-Interface-Technologie geraten. Es ist schwierig, Patente nach langer Zeit zu verfolgen.

2014 stammten um 30% der KI-Patente aus den USA, gefolgt von Südkorea und Japan, die jeweils 16% von KI-Patenten hatten. Von den Top-Erfinderregionen erlebten Südkorea und Taiwan das größte Wachstum, da die Anzahl von KI-Patenten im Jahr 2014 fast das Fünffache gegenüber 2004 ergab.

KI-Patente nach Erfinderregion (2004 – 2014) Quelle: amplified

Wachstum der KI-Patente nach Erfinderregion (2004 – 2014)Quelle: amplified

Anmerkung: GB + FR + DE verweist auf eine kombinierte Anzahl von Patenten aus Großbritannien, Frankeich und Deutschland.

KI-Adoption: Wirtschaft und Funktion

Die nachfolgende Grafik und die Grafik auf der nächsten Seite stellen die Ergebnisse der Umfrage von McKinsey & Company dar, an der 2.135 Befragte teilnahmen, dabei antwortete jeder im Namen seiner Organisation. Die erste Grafik zeigt den Prozentsatz von Befragen, deren Organisationen die KI-Fähigkeiten innerhalb einer bestimmten Geschäftsfunktion gesteuert und eingebettet haben. Die Befragten konnten mehrere Funktionen ausgewählen. Die Daten für Herstellung, Supply-ChainManagement und Risiko sind auf der nächsten Seite.

Die Organisationen neigen zum Integrieren der KI-Fähigkeiten in die Funktionen, die innerhalb ihres Industriebereiches den höchsten Wert bieten. Beispielsweise haben Finanzdienstleistungen die KI ins Risiko integriert, wogegen die Automobilindustrie dies in der Herstellung gemacht hat und der Einzelhandel in Marketing / Verkauf. Dies bedeutet, dass die Rate des KI-Fortschrittes für bestimmte Anwendungen (z.B, Herstellung) wahrscheinlich in Industriegebieten korrelieren wird, wo diese Spezialisierung von besonderer Bedeutung ist.

KI-Adoption nach Wirtschaft und Funktion (2018)Quelle: McKinsey & Company

Anmerkung: Die Größe jeder Spalte bezieht sich auf die Industriebereiche in jeder Funktion; Telekommunikation: N = 77; Hightech: N = 215; Finanzdienstleistungen: N = 306; Professionelle Dienstleistungen: N = 221; Strom und Erdgas: N = 54; Gesundheitssysteme und -dienstleistungen: N = 67; Automobilindustrie und Montage: N = 120; Einzelhandel: N = 46; Reisen, Transport und Logistik: N = 55; Pharmaka und medizinische Produkte: N = 65.

KI-Adoption: Wirtschaft und Funktion (Fortsetzung)

Die Beschreibung und Daten zu Dienstleistungsoperationen, Produkt / Dienstleistungsentwicklung und Marketing / Verkauf sind auf der vorherigen Seite.

KI-Adoption nach Industriebereich und Funktion (2018)Quelle: McKinsey & Company


Anmerkung: Die Größe jeder Spalte bezieht sich auf die Industriebereiche in jeder Funktion;
Telekommunikation: N = 77;
Hightech: N = 215;
Finanzdienstleistungen: N = 306;
Professionelle Dienstleistungen: N = 221;
Strom und Erdgas: N = 54;
Gesundheitssysteme und Dienstleistungen: N = 67;
Automobilindustrie und Montage: N = 120;
Einzelhandel: N = 46;
Reisen, Transport und Logistik: N = 55;
Pharmaka und medizinische Produkte: N = 65.

Organisationen übernehmen KI in Geschäftsfunktionen, die den höchsten Wert innerhalb ihrer Industriebereiche verschaffen.

Dies bedeutet, dass die Rate des KI-Fortschrittes für bestimmte Anwendungen wahrscheinlich in Industriegebieten korrelieren wird, wo diese Spezialisierung von besonderer Bedeutung ist.

GitHub-Sterne

Die nachfolgende Grafik stellt die Anzahl von verschiedenen KI- und ML-Softwarepakete dar, die auf GitHub aufgetreten sind. Dies bietet ein grobes Maß für die Beliebtheit verschiedener KI-Programmierungsframeworks.

Hier sind zwei Trends zu erkennen: Erstens die wachsende Beliebtheit von Frameworks, die von großen Firmen unterstützt werden (beispielsweise TensorFlow (Google), Pytorch (Facebook), mxnet (Amazon)). Und zweitens die große Beliebtheit von TensorFlow im Vergleich zu anderen Sprachen.

Kumulative GitHub-Sterne nach KI-Bibliothek (2015 – 2018)Quelle: GitHub

Kumulative GitHub-Sterne nach KI-Bibliothek – Ohne TensorFlow (2015 – 2018) Quelle: GitHub

Objekterkennung: ImageNet

Die nachfolgende  Grafik zeigt die Genauigkeitsbewertung von ImageNet im Laufe der Zeit. Der ImageNet-Wettbewerb lief bis 2017 und verwendete für die Bewertung der Modelle einen vorgeschlagenen wettbewerbsspezifischen “Test”-Datensatz. Da der Wettbewerb nicht mehr läuft, hat sich der KI-Index dazu entschieden, den weiteren Fortschritt in ImageNet anhand von Forschungsarbeiten zu verfolgen, die die Übereinstimmung mit dem Prüfungsdatensatz vom ImageNet 2012-Korpus testen.

Da die Ergebnisse gegen den Prüfungsdatensatz und ohne Wettbewerb dargestellt werden, gibt es keinen vorgeschlagenen Testdatensatz mehr, um Modelle erneut zu bewerten. Um eine Vorstellung über den Fortschritt zu vermitteln, wurden die auffallenden Ergebnisse im Vergleich zu dem Prüfungssatz des ImageNet 2012-Korpus aus den Jahren 2012 – 2018 genommen. Wie diese Grafik zeigt, steigt die Leistung von ImageNet weiterhin.

Diese Metrik ruft auch eine Herausforderung hervor, die der Modellierung des KI Fortschritts im Laufe der Zeit inhärent ist: Wenn eine bestimmte Forschungsmetrik um einen Wettbewerb herum aufgebaut wird, kann das Zurückhalten dieses Wettbewerbs das Erzielen echter Fortschritte erschweren. Durch die Verfügbarkeit von offenen Datensätzen kann jedoch die Kontinuität mit einiger Geschicklichkeit sichergestellt werden.

ImageNet (2010 —2018) Quelle: ImageNet

Maschinelle Übersetzung

Die nachfolgende Grafik stellt die Leistung der KI-Systeme bei der Übersetzung von Nachrichten aus dem Englischen ins Deutsche und aus dem Deutschen ins Englische dar.

Die Ergebnisse von BLEU (bilingual evaluation understudy) für die Übersetzungen aus dem Englischen ins Deutsche sind heutzutage um das 3,5-fache besser als sie 2008 waren. Die Ergebnisse der Übersetzungen aus dem Deutschen ins Englische sind im selben Zeitraum um das 2,5-fache höher. Da jedes Jahr verschiedene Testsätze verwendet werden, sind die Ergebnisse über Jahre nicht vollkommen vergleichbar. Außerdem zeigen die BLEU-Ergebnisse den Fortschritt der maschinellen Übersetzung.

Übersetzung von Nachrichten – Wettbewerb der maschinellen Übersetzung (2008 – 2018) Quelle: EuroMatrix

Die BLEU-Ergebnisse der Übersetzung ausdem Englischen ins Deutsche sind um das 3,5-fache besser als 2008

“Es gibt ein paar Dinge, die von Top-Ausführungssystemen gut gemacht werden. Sie nutzen die Trasformerarchitekturen für neuronale maschinelle Übersetzung aus und wenden die Daten effektiver an. Die Transformatorarchitektur kann zu besseren Ergebnissen als frühere neuronale Modelle der maschinellen Übersetzung (auf der Basis von RNNs) führen, dies erfordert aber eine sorgfältige Auswahl der Hyperparameter und Optimierung…”

– Barry Haddow, Universität in Edinburgh

Fragenbeanwortung: GLUE

Die nachfolgende Grafik zeigt die Rangliste des Bewertungsprogramms GLUE. General Language Understanding Evaluation (GLUE) ist ein neues Bewertungsprogramm, dessen Aufgabe es ist, NLU-Systeme (Natural Language Understanding) auf eine Reihe von Aufgaben zu testen und die Entwicklung der Systeme zu unterstützen, die an die bestimmten Aufgaben nicht angepasst sind. Es enthält neun Unteraufgaben: zwei zu einzelnen Sätzen (Messung der sprachlichen Akzeptanz und des Gefühls), drei zur Ähnlichkeit und Umschreibung und vier zur Inferenz natürlicher Sprache, mit Winograd Schema Challenge. Die Korpusgrößen verändern sich von weniger als 1.000 bis über 400.000. Die Metriken enthalten die Genauigkeit / F1 und den Matthews Korrelationskoeffizient / Matthews Correlation Coefficient.  

Obwohl das Bewertungsprogramm erst im Mai 2018 freigegeben wurde, hat sich die Leistung bereits verbessert, um die Lücke zwischen der ersten veröffentlichten Grundlinie und dem geschätzten nichtfachmännischen menschlichen Niveau von etwa 90% zu halbieren.

Rangliste des Bewertungsprogramms GLUE (Mai 2018—Oktober 2018) Quelle: Gluebenchmark.com

“… Wir haben noch nicht gesehen, dass eine große Gemeinschaft um GLUE herum entstanden ist, aber ich denke, die beiden bedeutenden Unterordnungen, die wir bisher hatten, wurden als wichtige Meilensteine bei der Darstellung des Lernens des Satzverständnisses anerkannt. BERT von Google – der aktuelle Stand der Dinge – wurde acht Mal zitiert, obwohl er gerade etwas mehr als einen Monat fehlte. Es war ein wichtiges Diskussionsthema in den Korridoren der neulich durchgeführten Konferenz über empirische Methoden in der Verarbeitung natürlicher Sprachen. Und es sieht so aus, als sei dies die Standardbasislinie, die in der nahen Zukunft bei der Arbeit an allen Sprachverstehensproblemen helfen wird, unabhängig davon, ob diese Arbeit über vortrainierte Darstellungen ist oder nicht…”

– Sam Bowman, Universität in New York

NEUESTE REGIERUNGSINITIATIVEN

Die nachfolgend aufgelisteten Resources wurden von European Commission’s Joint Research Center, und von Overview of National AI strategies von Tim Dutton zusammengestellt, der im Juni 2018 erschien.

USA
  • Oktober 2016: Die Administration von Obama schlägt eine nationale Strategie KI Forschung & Entwicklung / national AI R&D strategy vor, mit dem Ziel, in die Forschung zu investieren, Methoden für die Zusammenarbeit zwischen Mensch und KI zu entwickeln, sich mit den sicherheitspolitischen, ethischen, gesetzlichen und gesellschaftlichen Auswirkungen der KI zu beschäftigen, öffentliche Datensätze für das KI-Training zu schaffen und die KI-Technologien durch Standards und Bezugswerte zu schätzen. Von der US Regierung  wurde also der erste politische Bericht zu KI veröffentlicht: Vorbereitung auf die Zukunft der künstlichen Intelligenz / Preparing for the Future of Artificial Intelligence.
  • Mai 2018: Von der Trump-Regierung wurde ein Gipfeltreffen zu KI / Summit on AI durchgeführt, das folgende Ziele ankündigte:
    1. Pflege der amerikanischen Führungsrolle in der KI. 
    2. Unterstützung von amerikanischen Arbeitern.
    3. Fördern der öffentlichen Forschung und Entwicklung. 
    4. Beseitigung von Innovationsbarrieren.
  • Der Sonderausschuss für künstliche Intelligenz / The Select Committee on Artificial Intelligence wurde geschaffen, um das Weiße Haus zu den Prioritäten der KI-Forschung und -Entwicklung zu beraten und das Schaffen von Partnerschaften mit der akademischen Welt und Industrie zu prüfen.
  • September 2018: DARPA kündigt einen Investitionsplan in Höhe von 2 Mrd. US-Dollar / $2B+ investment plan an, um die Einschränkungen der KI-Technologie zu überwinden. Das ist der Beginn des KI-NextProgramms / AI Next program. Der Unterausschuss für Informationstechnologie des amerikanischen Ausschusses für Aufsicht und Regierungsreform veröffentlicht ein White Paper / Weißbuch über KI und ihren Einfluss auf die Politik: Rebellion der Maschinen: Künstliche Intelligenz und ihr wachsender Einfluss auf die Politik von USA / Rise of the Machines: Artificial Intelligence and its Growing Impact on U.S. Policy.
  • Die zentrale Rolle bei der Entwicklung / Investition von KI in den USA gehört den privaten Firmen. Im Jahre 2017 investierten private Technologieunternehmen wie Amazon und Alphabet 16,1 Mrd. US-Dollar bzw. 13,9 Mrd. US-Dollar in Forschung und Entwicklung. Um dies in die richtige Perspektive zu rücken, beträgt das Gesamtbudget für NSF (National Science Foundation) zusammen mit den Investitionen von DARPA und DOT in autonome und unbemannte Systeme insgesamt 5,3 Milliarden US-Dollar im Budget 2019.
EUROPA
(Nur EU, UK und Frankreich – umfasst nicht verschiedene Initiativen anderer europäischer Länder)
  • EU
    • April 2018: Die EU-Mitgliedstaaten unterzeichnen die Kooperationserklärung im Bereich der KI / Declaration of Cooperation on AI, in der sie sich zur Zusammenarbeit bereit erklären. Außerdem wurde ein Bericht zu KI / Communication on AI veröffentlicht, in der folgende Ziele erläutert wurden:
      1. Fördern von Forschungsinvestitionen der EU.
      2. Vorbereitung für sozialökonomische Veränderungen. 
      3. Schaffen eines ethischen und rechtlichen.
    • Frameworks. Im Bericht werden auch 1,5 Mrd. EUR (1,7 Mrd. USD) zur Unterstützung der KI-Forschung in den Jahren 2018-2020 bereitgestellt. Dies ist zusätzlich zu den 2,6 Mrd. EUR aus dem Programm Horizon 2020 / Horizon 2020 program. Die Europäische Kommission hat das Ziel, in den nächsten 10 Jahren 20 Mrd. Euro in die KI-Forschung zu investieren.
    • Juni 2018: Von der Europäischen Kommission wird das Programm Digitales Europa mit einem Budget von9,2 Mrd. EUR (10,4 Mrd. USD) für die Jahre 2021-2027 vorgeschlagen. Das Programm konzentriert sich auf die Weiterentwicklung der KI-Technologie und die Sicherstellung der Nutzung von KI in Wirtschaft und Gesellschaft. Die Europäische Kommission schlägt auch vor, gemeinsame “europäische Bibliotheken” von Algorithmen zu entwickeln, die für alle zugänglich sind.
  • France
    • 2018: Frankreich veröffentlicht drei neuste Berichte:
      1. Den französischen KI-Plan, der eine Strategie für Forschung, Bildung und Innovation vorschlägt;
      2. Den Bericht der Kanzlei des Parlaments für Wissenschaft und Technologie, der soziale und regulative betrachtet; und
      3. Den Mission Villani-Bericht / Mission Villani report, der sich auf Politik und die Verringerung des Brain-Drains (Abwanderung von Wissenschaftlern) konzentriert sowie auch die Bedeutung der Vielfalt in der KI-Forschung anspricht.
  • Vereinigtes Königreich
    • 2016: Der Sonderausschuss des britischen Oberhauses für künstliche Intelligenz begann eine Reihe von KI Politikberichten / AI policy reports zu veröffentlichen.
    • April 2018: Die Regierung gibt ihren KI-Sektor-Deal / AI Sector Deal heraus, der 950 Mio. Pfund (1,2 Mrd. US-Dollar) in die Unterstützung von Forschung / Ausbildung und in die Verbesserung der Dateninfrastruktur des Vereinigten Königreichs investiert.
CHINA
  • Seit 2014 hat die chinesische Regierung eine Reihe wichtiger nationaler KI-Initiativen in Gang gesetzt. Das Ziel ist es, einen KI Markt mit 14,7 Milliarden US-Dollar in China bis 2018 zu schaffen und zu gewährleisten, dass China an der Spitze der Welt in der KI bis 2030 stehen wird.
  • Juli 2015: Die Initiative Internet + beschäftigt sich mit intelligenter Herstellung in China. Zu KI spezifischen Zielen gehören: Erhöhung der öffentlichen Unterstützung für die Entwicklung von KI; Förderung der Verbreitung der KI in Bereichen wie Smart Home / Intelligentes Zuhause, Smart Car / Intelligentes Auto und Robotern; Schaffen einer großen Trainingsdatenbank, einschließlich Stimmen, Bilder, Videos, Karten, Forschung; Entwicklung und Industrialisierung der wichtigsten KI-Technologien wie Computer Vision, Sprachverarbeitung und Mensch-Computer-Interaktion.
  • 2016 – 2020: Der Entwicklungsplan der Roboterindustrie / The robot industry development plan macht den Weg für die Entwicklung intelligenter Industrie- und Dienstleistungsroboter in China frei.
  • Juli 2017: New Generation AI Development Plan / Der KI Entwicklungsplan der neuen Generation entwirft die Strategie für die KI-Entwicklung bis 2030. Er sieht voraus, dass die Technologie der künstlichen Intelligenz in China bis 2020 auf dem Stand der fortschrittlichsten der Welt sein wird. Bis 2025 wird erwartet, dass China große Durchbrüche in der KI Theorie haben wird und KI die treibende Kraft für industrielle Modernisierung und wirtschaftliche Umstrukturierung sein wird. Bis 2030 wird China das größte KI-
  • Innovationszentum der Welt sein.

Im ersten Bericht KI-Index 2017 wurde von Autoren eine Zeitleiste von Umständen umfasst, um zu beweisen, dass die KI die Leistung auf menschlichem Niveau erreichen oder übertreffen kann. In dieser Liste wurden die Leistungen des Spiels, genaue medizinische Diagnosen und andere allgemeine, aber anspruchsvolle menschliche Aufgaben geschildert, die die KI auf menschlichem oder übermenschlichem Niveau ausführte. In diesem Jahr wurde diese Liste um vier neue Leistungen erweitert. Es ist wichtig, diese Ergebnisse nicht zu überinterpretieren. Die angeführten Aufgaben sind sehr spezifisch, und obwohl die Leistungen sehr beeindruckend sind, sagen sie jedoch nichts über die Fähigkeit der Systeme, andere Aufgaben zu verallgemeinern.

1980 – Othello

In den 1980er Jahren wurde von Kai-Fu Lee und Sanjoy Mahajan ein auf Bayes basierendes Lernsystem für das Brettspiel Othello entwickelt, das als BILL bekannt ist. 1989 gewann das Programm das amerikanische Nationalturnier der Computerspieler und besiegte den amerikanischen Spieler mit dem höchstem Rang, Brian Rose (56 – 8). 1997 gewann ein Programm namens Logistello jedes der sechs Spiele in einem Match gegen den gegenwärtigen Weltmeister von Othello.

1995 – Damespiel

Im Jahre 1952 wurde von Arthur Samuels eine Reihe von Programmen entwickelt, die das Damespiel spielten und sich durch Selbstspielen verbesserten. Auf jeden Fall besiegte erst 1995 ein Dame-Spiel-Programm namens Chinook den Weltmeister.

1997 – Schach

In den 1950er Jahren wurde von einigen Informatikern vorhergesagt, dass ein Computer den menschlichen Schachweltmeister bis 1967 schlagen würde. Es passierte allerdings erst 1997, dass das Deep Blue-System von IBM den Schachmeister Gary Kasparov besiegte. Heute können die Schachprogramme, die auf Smartphones laufen, beim Spielen das Niveau eines Großmeisters erreichen.

2011 – Jeopardy!

Von IBM wurde das Computersystem Watson erarbeitet, das 2011 an der beliebten Quizshow Jeopardy! gegen die früheren Gewinner Brad Rutter und Ken Jennings teilnahm. Watson gewann den ersten Preis in Höhe von 1 Million US-Dollar.

2015 – Atari Games

Im Jahre 2015 verwendete ein Team von Google DeepMind ein Verstärkungslernsystem, um zu lernen, wie 49 Atari-Spiele spielen werden. Das System war fähig, in der Mehrzahl der Spiele (z. B. Breakout) eine Leistung auf menschlichem Niveau zu erreichen, obwohl einige immer noch unerreichbar sind (z. B. Montezumas Rache).

2016 – Objekterkennung in ImageNet

Die Fehlerrate der automatischen Kennzeichnung von ImageNet nahm von 28% im Jahre 2010 auf weniger als 3% im Jahre 2016 ab. Die menschliche Leistung beträgt etwa 5%.

2016 – Go

Im März 2016 schlug das AlphaGo-System, das vom Google DeepMind-Team entwickelt wurde, einen der größten Go-Spieler der Welt Lee Sedol, 4:1. DeepMind entwarf dann AlphaGo Master, der im März 2017 den besten Spieler Ke Jie besiegte. Im Oktober 2017 beschrieb das Journal Nature in Einzelheiten eine andere neue Version namens AlphaGo Zero, die das ursprüngliche AlphaGo-System 100:0 besiegte.

2017 – Hautkrebsklassifizierung

2017 beschrieb Esteva mit Kollegen in seinem Artikel in Nature ein KI-System, das mit einem Datensatz von 129.450 klinischen Bildern von 2.032 verschiedenen Krankheiten trainiert wurde, und vergleicht seine diagnostische Leistung mit 21 zugelassenen Dermatologen. Sie halten das KI-System für fähig, Hautkrebs mit einem Kompetenzniveau zu klassifizieren, das mit den Dermatologen vergleichbar ist.

2017 – Spracherkennung in Switchboard / in der Schaltanlage / in der Telefonzentrale

2017 erreichten Microsoft und IBM in der begrenzten Switchboard-Domäne eine Leistung im Nahebereich der Spracherkennung nach dem Prinzip der “Menschen-Parität”.

2017 – Poker

Im Januar 2017 besiegte Libratus, ein Programm der CMU (Carnegie Mellon University), vier menschliche Top-Spieler in einem Turnier mit 120.000 Spielen mit zwei Spielern, Heads-Up, No Limit Texas Hold’em. Im Februar 2017 spielte DeepStack, ein Programm der Universität in Alberta, gegen eine Gruppe von 11 Profispielern mit jeweils mehr als 3.000 Spielen. DeepStack gewann genug Pokerspiele, um die statistische Wichtigkeit seiner Fähigkeiten gegenüber Profis zu beweisen.

2017 – Ms. Pac-Man

Maluuba ist ein von Microsoft erworbenes Team des tiefen Lernens, das ein KI-System entwickelte, um zu lernen, den maximalen Punktwert in einem Spiel von 999.900 auf Atari 2600 zu erreichen.

2018 – Chinesisch – Englische Übersetzung

Beim Übersetzen von Nachrichten aus dem Chinesischen ins Englische erzielt ein maschinelles Übersetzungssystem von Microsoft die Qualität und Genauigkeit auf menschlichem Niveau. Der Test wurde mit Hilfe von newstest 2017 durchgeführt, einem Datensatz, der gewöhnlich in Wettbewerben für maschinelle Übersetzungen verwendet wird.

2018 – Capture the Flag / Erobere die Fahne

Ein DeepMind-Agent erreichte eine Leistung auf menschlichem Niveau in einer modifizierten Version von Quake III Arena Capture the Flag (ein beliebtes 3D-Multiplayer-Ego-Videospiel). Die Agenten zeigten menschenähnliche Verhalten wie navigieren, folgen und verteidigen.

Die trainierten Agenten übertrafen die Gewinnrate starker menschlicher Spieler sowohl als Teamkameraden als auch als Gegner, indem einige vorhandene hochmoderne Systeme geschlagen wurden.

2018 – Dota 2

OpenAI Five ist ein OpenAI Team aus fünf neuronalen Netzwerken, das menschliche Amateurmannschaften bei Dota 2 (mit Einschränkungen) besiegt. OpenAI Five wurde trainiert, indem es jeden Tag das Äquivalent von 180 Jahren gegen sich selbst spielte und im Selbstspiel lernte. (OpenAI Five ist noch nicht übermenschlich, da es ihm nicht gelang, ein professionelles menschliches Team zu besiegen).

2018 – Einstufung des Prostatakrebses

Google entwickelte ein System des tiefen Lernens, das bei der Einstufung von Prostatakrebs in Proben der Prostataentfernung eine Gesamtgenauigkeit von 70% erreichen kann. Die durchschnittliche Genauigkeit, die von den in den USA zugelassenen Allgemeinpathologen erzielt wurde, betrug in der Studie 61%. Außerdem war das System des tiefen Lernens von 10 leistungsstarken individuellen Allgemeinpathologen, die jede Probe im Validierungssatz klassifiziert haben, genauer als 8.

Quelle: http://aiindex.org/

AI-United-Redaktion

Kommentar hinzufügen

Your email address will not be published. Required fields are marked *

300-101   400-101   300-320   300-070   300-206   200-310   300-135   300-208   810-403   400-050   640-916   642-997   300-209   400-201   200-355   352-001   642-999   350-080   MB2-712   400-051   C2150-606   1Z0-434   1Z0-146   C2090-919   C9560-655   642-64   100-101   CQE   CSSLP   200-125   210-060   210-065   210-260   220-801   220-802   220-901   220-902   2V0-620   2V0-621   2V0-621D   300-075   300-115   AWS-SYSOPS   640-692   640-911   1Z0-144   1z0-434   1Z0-803   1Z0-804   000-089   000-105   70-246   70-270   70-346   70-347   70-410