رهبری ایالات متحده در هوش مصنوعی: برنامه‌ای برای مشارکت فدرال در توسعهٔ استانداردهای فنی و ابزارهای مرتبط

با توجه به اینکه توسعه استانداردها تلاشی مستمر است و به‌طور منظم پروژه‌ها و حوزه‌های تمرکز فنی جدیدی به آن افزوده می‌شود، هر فهرستی از نهادهای استانداردگذاری و فعالیت‌های مرتبط با توسعه استانداردهای AI تنها در زمان تهیهٔ فهرست به‌روز است. موارد زیر نمونه‌هایی از فعالیت‌ها هستند که بر اساس داده‌های ورودی ذی‌نفعان از طریق «درخواست اطلاعات» مؤسسه ملی استاندارد و فناوری آمریکا (NIST)، کارگاه استانداردهای AI مؤسسه ملی استاندارد و فناوری آمریکا، تماس‌ها و گفت‌وگوها با اعضای دستگاه‌های فدرالی درگیر در هوش مصنوعی (AI) و موضوعات مرتبط، و دیدگاه‌های ارائه‌شده دربارهٔ پیش‌نویس این برنامه گردآوری شده‌اند.

سازمان بین‌المللی استانداردسازی (ISO)

و کمیسیون الکتروتکنیکی بین‌المللی (IEC)

کمیتهٔ فنی مشترک ۱ ISO/IEC، کمیتهٔ فرعی ۴۲ (ISO/IEC JTC 1/SC 42) در زمینهٔ هوش مصنوعی در اکتبر ۲۰۱۷ (مهر ۱۳۹۶ تا آبان ۱۳۹۶) تأسیس شد تا استانداردهایی برای هوش مصنوعی توسعه دهد که در سراسر کاربردها و صنایع قابل اجرا باشند. دامنهٔ مأموریت SC 42 کار بر روی استانداردهای فناوری اطلاعات است و موارد کاری کنونی آن بر موضوعاتی مانند اصطلاح‌شناسی به‌روزشدهٔ هوش مصنوعی، چارچوب قابل همکاری برای سامانه‌های هوش مصنوعی، چرخهٔ حیات هوش مصنوعی، داده‌های کلان، قابلیت اعتماد هوش مصنوعی (برای مثال استواری، بی‌طرفی و مدیریت ریسک)، موارد کاربرد و رویکردهای محاسباتی متمرکز است.

استانداردهای منتشرشده تحت کمیتهٔ فرعی ۴۲ کمیتهٔ فنی مشترک ۱ ISO/IEC (هوش مصنوعی)

ISO/IEC 20546:2019 Information technology — Big data — Overview and vocabulary

ISO/IEC TR 20547-2:2018 Information technology — Big data reference architecture – Part 2: Use cases and derived requirements

ISO/IEC TR 20547-5:2018 Information technology — Big data reference architecture – Part 5: Standards roadmap

استانداردهای در دست توسعه در کمیتهٔ فرعی ۴۲ کمیتهٔ فنی مشترک ۱ ISO/IEC (هوش مصنوعی)

ISO/IEC AWI TR 20547-1: Information technology — Big data reference architecture — Part 1: Framework and application process

ISO/IEC DIS 20547-3: Information technology — Big data reference architecture — Part 3: Reference architecture

ISO/IEC WD 22989: Artificial Intelligence Concepts and Terminology

ISO/IEC WD 23053: Framework for Artificial Intelligence (AI) Systems Using Machine Learning (ML)

ISO/IEC NP TR 24027: Information technology — Artificial Intelligence (AI) — Bias in AI systems and AI aided decision making

ISO/IEC NP TR 24028: Information technology — Artificial Intelligence (AI) — Overview of trustworthiness in Artificial Intelligence

ISO/IEC NP TR 24029-1: Artificial Intelligence (AI) — Assessment of the robustness of neural networks — Part 1: Overview ISO/IEC NP TR 24030: Information technology — Artificial Intelligence (AI) — Use cases

ISO/IEC NP 38507: Information technology — Governance of IT — Governance implications of the use of artificial intelligence by organizations

ISO/IEC NP 23894: Information technology — Artificial Intelligence — Risk Management

سایر فعالیت‌های استانداردگذاری ISO/IEC JTC 1 و ISO

استانداردهای مرتبط با هوش مصنوعی در سطح بین‌بخشی و خاص هر بخش در چندین کمیته و کمیتهٔ فرعی توسعه یافته‌اند و نیز در حال توسعه‌اند.

JTC 1 SC 7: مهندسی نرم‌افزار و سامانه‌ها

JTC 1 SC 17: کارت‌ها و دستگاه‌های امنیتی برای شناسایی شخصی

JTC 1 SC 22: زبان‌های برنامه‌نویسی، محیط‌های آن‌ها و واسط‌های نرم‌افزار سیستم

JTC 1 SC 24: گرافیک رایانه‌ای، پردازش تصویر و نمایش داده‌های محیطی

JTC 1 SC 27: امنیت اطلاعات، امنیت سایبری و حفاظت از حریم خصوصی

JTC 1 SC 28: تجهیزات اداری

JTC 1 SC 29: کدگذاری اطلاعات صوتی، تصویری، چندرسانه‌ای و ابررسانه‌ای

JTC1 SC 32: مدیریت و تبادل داده‌ها

نمونه‌ها:

ISO/IEC 24707:2018 Information technology -- Common Logic (CL) -- A framework for a family of logic-based languages

ISO/IEC DIS 21838-2 Information technology -- Top-level ontologies (TLO) -- Part 2: Basic Formal Ontology (BFO)

JTC 1 SC 36: فناوری اطلاعات برای یادگیری، آموزش و پرورش

JTC 1 SC 37: زیست‌سنجی

JTC 1 SC 40: مدیریت خدمات فناوری اطلاعات و حکمرانی فناوری اطلاعات

JTC 1 SC 41: اینترنت اشیا و فناوری‌های مرتبط

ISO TC 184: سیستم‌های اتوماسیون و یکپارچه‌سازی

ISO TC 199: ایمنی ماشین‌آلات

ISO TC 299: رباتیک

مؤسسه مهندسان برق و الکترونیک (IEEE)

استانداردهای در دست توسعه در IEEE

از سال ۲۰۱۶، مجموعهٔ پروژه‌های استاندارد IEEE P7000™ به مسائل مشخصی در نقطهٔ تلاقی ملاحظات فناورانه و اخلاقی برای هوش مصنوعی می‌پردازد.

• P7000 - فرایند مدل برای رسیدگی به دغدغه‌های اخلاقی در خلال طراحی سامانه

• P7001 - شفافیت سامانه‌های خودکار

• P7002 - فرایند حریم خصوصی داده‌ها

• P7003 - ملاحظات سوگیری الگوریتمی

• P7004 - استاندارد حکمرانی دادهٔ کودکان و دانش‌آموزان

• P7005 - استاندارد حکمرانی شفاف داده‌های کارفرما

• P7006 - استاندارد عامل هوش مصنوعی و داده‌های شخصی

• P7007 - استاندارد هستی‌شناختی برای سامانه‌های رباتیک و اتوماسیون مبتنی بر ملاحظات اخلاقی

• P7008 - استاندارد هدایت‌گری اخلاقی برای سامانه‌های رباتیک، هوشمند و خودکار

• P7009 - استاندارد طراحی ایمن در برابر خطا برای سامانه‌های خودکار و نیمه‌خودکار

• P7010 - استاندارد سنجه‌های بهزیستی برای هوش مصنوعی اخلاقی و سامانه‌های خودکار

• P7011 - استاندارد فرایند شناسایی و رتبه‌بندی قابلیت اعتماد منابع خبری

• P7012 - استاندارد شرایط حریم خصوصی شخصیِ خوانا برای ماشین

• P7013 - استانداردهای شمول و کاربرد برای فناوری تحلیل خودکار چهره

• P7014 - استاندارد ملاحظات اخلاقی در همدلی شبیه‌سازی‌شده در سامانه‌های خودکار و هوشمند

سایر استانداردهای AI مؤسسه IEEE

• P2049.1 - استاندارد تقویت انسان: رده‌بندی و تعاریف

• P2049.2 - استاندارد تقویت انسان: حریم خصوصی و امنیت

• P2049.3 - استاندارد تقویت انسان: هویت

• P2049.4 - استاندارد تقویت انسان: روش‌شناسی‌ها و فرایندهای ملاحظات اخلاقی

• P2801 روش عملی توصیه‌شده برای مدیریت کیفیت مجموعه‌داده‌ها در هوش مصنوعی پزشکی

P2802 - استاندارد ارزیابی عملکرد و ایمنی دستگاه پزشکی مبتنی بر هوش مصنوعی: واژگان

P2089 - استاندارد چارچوب خدمات دیجیتال متناسب با سن - بر اساس اصول 5Rights برای کودکان

P2817 - راهنمای راستی‌آزمایی سیستم‌های خودکار

P3333.1.3 - استاندارد ارزیابی تجربه بصری مبتنی بر یادگیری عمیق بر پایه عوامل انسانی

P3652.1 - راهنمای چارچوب معماری و کاربرد یادگیری ماشین فدرال

کمیته‌های فنی ASTM

چندین کمیته فنی ASTM در حال توسعه استانداردهایی برای پشتیبانی از سیستم‌های قابل‌اتکا، مستحکم و قابل‌اعتماد هستند که از هوش مصنوعی (AI) استفاده می‌کنند.

کمیته F15 استاندارد ASTM در حوزه محصولات مصرفی در سال ۱۹۷۳ تشکیل شد و بیش از ۱۰۰ استاندارد را نگهداری می‌کند. زیرکمیته F15.75 در حوزه محصولات متصل بر روی استانداردی کار می‌کند که راهنمایی برای اینترنت اشیای مصرفی (IoT) در ارتباط با خطرات محصولات متصل فراهم آورد. این استاندارد بر محصولات مصرفی متصل به اینترنت اعمال خواهد شد که برای پیشگیری از آسیب‌پذیری‌های سایبری و نقص‌های نرم‌افزاری که می‌توانند عملکرد مرتبط با ایمنی محصول را به خطر بیندازند و خطری ایمنی ایجاد کنند، به آزمون و ارزیابی نرم‌افزار نیاز دارند. منظور از محصول IoT مصرفی (CIP)، شیء فیزیکی‌ای است که داده‌ها را به‌صورت از راه دور از طریق شبکه دریافت یا ارسال می‌کند؛ به‌جز تلفن همراه یا رایانه شخصی، و در درجه نخست برای استفاده مصرفی از راه دور از طریق شبکه در نظر گرفته شده است. نمونه‌هایی از این نوع محصولات عبارت‌اند از: دستگاه‌های مراقبت از نوزاد، ردیاب‌های سلامت پوشیدنی و لوازم خانگی متصل. استانداردهای IoT مصرفی قرار است در کنار الزامات استانداردهای اختصاصی هر محصول به کار روند تا ایمنی کلی سیستمِ محصول نهایی متصل را پوشش دهند.

کمیته F45 استاندارد ASTM در حوزه خودروهای صنعتی خودگردان بدون سرنشین در سال ۲۰۱۴ تشکیل شد. این کمیته به مسائل مربوط به استانداردهای عملکرد و مواد راهنما برای وسایل نقلیه زمینی بدون سرنشین «خودکار» (برای مثال، خودروهای هدایت‌شونده خودکار) تا «خودگردان» (برای مثال، ربات‌های متحرک) با کاربردهای صنعتی یعنی A-UGVها می‌پردازد. کاربردهای A-UGV شامل، اما نه محدود به: انبارهای سرپوشیده، تأسیسات تولیدی و پزشکی در داخل، و امنیت و کشتی‌سازی‌ها در فضای باز است. این کمیته همچنین با سازمان‌های استاندارد ایمنی وسایل نقلیه صنعتی همکاری نزدیکی دارد.

کمیته F38 استاندارد ASTM در حوزه سیستم‌های هوایی بدون سرنشین در سال ۲۰۰۳ تشکیل شد و بیش از ۱۵ استاندارد را نگهداری می‌کند. این کمیته به مسائل مربوط به طراحی، عملکرد، آزمون‌های پذیرش کیفیت، و پایش ایمنی سیستم‌های هوایی بدون سرنشین می‌پردازد. کمیته F38 بر روی استانداردهایی کار می‌کند که به هواپیماهای بدون سرنشین در تشخیص و اجتناب کمک می‌کنند و دربرگیرنده کارکردهای پیچیده‌ای هستند که گاهی «خودگردان» نامیده می‌شوند.

کمیته F42 استاندارد ASTM در حوزه فناوری‌های ساخت افزایشی (AM) در سال ۲۰۰۹ تشکیل شد و بیش از ۲۲ استاندارد را نگهداری می‌کند. این کمیته به استانداردهای مربوط به فرایند ساخت اشیای سه‌بعدی از طریق افزودن پیوسته ماده می‌پردازد؛ چه پلاستیک، چه فلز، چه سرامیک یا کامپوزیت. هوش مصنوعی، یادگیری ماشین (ML) و یادگیری عمیق (DL) در گزینش مواد AM و توسعه دستگاه‌ها/سیستم‌های AM به کار می‌روند تا بهترین ترکیب‌های مسیرهای پردازش برای دستیابی به ویژگی‌ها یا کارکردهای الزامی را بیابند. چنین فناوری‌هایی به سرعت به پیشنهاد مواد نامزد برای AM یا پیش‌بینی کردن کارکردهای دستگاه‌ها/سیستم‌ها بر اساس پارامترهای متعدد طراحی AM کمک می‌کنند. چنین چارچوب‌های دیجیتال و هوشمند AM با کاهش فضای طراحی عظیم مورد نیاز برای مواد، هدایت فرایندها، و تسهیل یکپارچه‌سازی داده‌های پیچیده از طراحی، پردازش، مشخصه‌یابی و شبیه‌سازی کار می‌کنند. افزون بر این، AI/ML/DL برای AM پیوندی نزدیک با فعالیت‌های دیگرِ داده‌محور دارد؛ مانند مدیریت داده‌ها/پایگاه‌های داده AM از منظر اصول FAIR داده‌ها (قابل‌یافتن، در دسترس، همکنش‌پذیر و بازاستفاده‌پذیر)، و نیز حوزه‌های داده‌محور مانند مهندسی محاسباتی یکپارچه مواد (ICME) و ابتکار ژنوم مواد (MGI) برای شناسایی روابط ساختار–ویژگی–پردازش–عملکرد.

کمیته اداری 377 استاندارد ASTM، طراحی و بهره‌برداری خودگردانی در هوانوردی (AC377)، در سال ۲۰۱۷ از طریق اقدامات جمعی چهار کمیته فنی مرتبط با هوانوردیِ ASTM تشکیل شد. هدف این کمیته اداری، کمک به هماهنگ‌سازی تلاش‌های توسعه استانداردهای مرتبط با خودگردانی/AI در جامعه هوانوردی است.

در ژوئن ۲۰۱۹ (خرداد ۱۳۹۸ تا تیر ۱۳۹۸)، ASTM گزارش فنی‌ای با عنوان «طراحی و بهره‌برداری خودگردانی در هوانوردی: چارچوب واژگان و الزامات» منتشر کرد تا به‌عنوان راهنمای واژگان و الزامات برای سیستم‌های هوانوردی به‌مرور خودگردان‌تر و پیچیده‌تر عمل کند. این کمیته اکنون بر روی راهنماهای فنی در زمینه جنبه‌های خاص AI/خودگردانی کار می‌کند تا به کمیته‌های فنی در تلاش‌های توسعه استانداردهای آن‌ها یاری رساند.

انجمن فناوری مصرف‌کننده (CTA) در حال حاضر سه استاندارد را توسعه می‌دهد:

تعاریف و ویژگی‌های هوش مصنوعی (در حال توسعه)

قلمرو: این استاندارد اصطلاحات مرتبط با هوش مصنوعی (Artificial Intelligence, AI) و فناوری‌های وابسته را تعریف می‌کند.

تعاریف و ویژگی‌های هوش مصنوعی در مراقبت‌های بهداشتی

قلمرو: این استاندارد اصطلاحات مرتبط با هوش مصنوعی و فناوری‌های وابسته در مراقبت‌های بهداشتی را تعریف می‌کند.

کاربرد هوش مصنوعی در مراقبت‌های بهداشتی: قابلیت اعتماد

قلمرو: هوش مصنوعی (AI) به‌سرعت در حال تبدیل‌شدن به ابزاری فراگیر در صنعت مراقبت‌های بهداشتی است. این استاندارد اثر قابلیت اعتماد (Trustworthiness) هوش مصنوعی در مراقبت‌های بهداشتی را از دیدگاه کاربر نهایی (برای نمونه، پزشک، مصرف‌کننده، مراقب حرفه‌ای و مراقب خانوادگی) بررسی می‌کند. افزون بر این، این استاندارد چالش‌ها و فرصت‌های منحصربه‌فرد هوش مصنوعی در بخش مراقبت‌های بهداشتی را شناسایی خواهد کرد.

بخش استانداردسازی مخابرات اتحادیه بین‌المللی مخابرات (ITU-T) کار استانداردسازی (Standardization) ممکن برای هوش مصنوعی را در گروه‌های کاری زیر بررسی می‌کند:

گروه کاری یادگیری ماشین (Machine Learning, ML) برای شبکه‌های آینده (Future) از جمله 5G

گروه کاری هوش مصنوعی برای سلامت

گروه کاری بهره‌وری محیط‌زیستی برای هوش مصنوعی و سایر فناوری‌های نوظهور

مشخصات‌نامه‌های میان‌بخشیِ مرتبط با هوش مصنوعیِ گروه Object Management Group (OMG) در حال توسعه عبارت‌اند از:

رابط‌های برنامه‌نویسی کاربردی برای سکوهای دانش (API4KP)

هستی‌شناسی خدمات رباتیک (RoSO)

مشخصات‌نامه‌های بخشیِ مرتبط با هوش مصنوعیِ OMG در حال توسعه شامل موارد زیر است:

یک مشخصات‌نامه خرده‌فروشی برای رسیدهای دیجیتال که هستی‌شناسی‌ای را در بر می‌گیرد که نه‌تنها خودِ رسیدها، بلکه محتوای مرتبط با مالیاتِ خاص هر حوزه قضایی را نیز تعریف می‌کند.

تلاشی مشترک میان گروه‌های کاری خرده‌فروشی و رباتیک OMG برای ایجاد استانداردی برای رابط‌های رباتیک نقطه‌فروش/نقطه‌خدمات (POS) به‌طور خاص برای المپیک ۲۰۲۰، که به‌طور گسترده برای خدمات رباتیک POS نیز قابل‌کاربرد خواهد بود.

انجمن مهندسان خودرویی بین‌الملل (SAE International)

SAE J 3016-2018، رده‌شناسی و تعاریف اصطلاحات مرتبط با سیستم‌های خودکارسازی رانندگی برای وسایل نقلیه موتوری جاده‌ای

SAE CRB 1-2016 (SAE CRB1-2016)، مدیریت توسعه نرم‌افزار هوش مصنوعی (تثبیت‌شده: مه ۲۰۱۶ (اردیبهشت ۱۳۹۵ تا خرداد ۱۳۹۵))

وزارت حمل‌ونقل ایالات متحده

نمونه‌هایی از هر دو نوع استاندارد افقی میان‌بخشی و استاندارد بخشیِ عمودی برای سیستم‌های هوش مصنوعی در گزارش وزارت حمل‌ونقل با عنوان _آمادگی برای آینده حمل‌ونقل: وسایل نقلیه خودران ۳.۰_ (AV 3.0) یافت می‌شود. استانداردهای اجماع داوطلبانه در سراسر این گزارش به‌عنوان راهبردی برای پشتیبانی از توسعه سیستم‌های رانندگی خودکار و وسایل نقلیه خودکار ذکر شده‌اند. پیوست C با عنوان «استانداردهای فنی داوطلبانه برای خودکارسازی»، استانداردهای فراوان مرتبط با هوش مصنوعی را در سطح افقی و عمودی در حوزه‌های عملکردی فهرست می‌کند: تعاریف و معماری؛ داده‌ها؛ طراحی؛ نگهداری و بازرسی‌ها؛ کارکردی/عملکرد؛ پروتکل‌ها (ارتباطات)؛ امنیت (Security)؛ و آزمون/هدف آزمون.

کنسرسیوم وب جهانی (W3C)

زبان هستی‌شناسی وب W3C (Web Ontology Language, OWL) زبانی از جنس وب معنایی است که برای بازنمایی دانش غنی و پیچیده درباره اشیا، گروه‌هایی از اشیا، و روابط میان اشیا طراحی شده است. OWL زبانی مبتنی بر منطق محاسباتی است به‌گونه‌ای که دانش بیان‌شده در OWL می‌تواند توسط برنامه‌های رایانه‌ای به‌کار گرفته شود؛ برای مثال، برای راستی‌آزمایی سازگاری آن دانش یا آشکار ساختن دانش ضمنی. سندهای OWL که «هستی‌شناسی» نامیده می‌شوند، می‌توانند در وب جهانی منتشر شوند و می‌توانند به هستی‌شناسی‌های OWL دیگر ارجاع دهند یا از آن‌ها ارجاع بگیرند. OWL بخشی از پشته فناوری وب معنایی W3C است.

استانداردهای وب معنایی W3C

اصطلاح «وب معنایی» به چشم‌انداز W3C درباره وبِ داده‌های پیوندی اشاره دارد. فناوری‌های وب معنایی به افراد امکان می‌دهند انبارهای داده‌ای در وب ایجاد کنند، واژه‌نامه‌هایی بسازند، و قواعدی برای پردازش داده‌ها بنویسند. استانداردها شامل موارد زیر است: RDF, OWL, SPARQL, RDFa, JSONLD, SKOS, RDFS, GRDDL, POWDER, PROV, RIF, SAWSDL, RDB2RDF.

نمونه‌های زیر از فعالیت‌ها بر پایهٔ داده‌های ورودیِ ذی‌نفعان از طریق «درخواست اطلاعات» مؤسسه ملی استاندارد و فناوری آمریکا (NIST)، کارگاه استانداردهای هوش مصنوعی NIST، تماس‌ها و گفت‌وگوهایی با اعضای نهادهای فدرالی درگیر در هوش مصنوعی و موضوعات مرتبط، و دیدگاه‌هایی دربارهٔ پیش‌نویس این طرح ارائه شده است.

مخازن داده (برای مثال، به‌منظور آموزش الگوریتم‌ها)

مخازن داده برای آموزش و ارزیابی مدل‌های هوش مصنوعی ضروری‌اند. چند نمونه از مجموعه‌داده‌های عمومی هوش مصنوعی عبارت‌اند از:

مجموعه‌دادهٔ CIFAR-10 (مؤسسهٔ کانادایی پژوهش‌های پیشرفته) مجموعه‌ای از تصاویر است که به‌طور رایج برای آموزش الگوریتم‌های یادگیری ماشین و بینایی کامپیوتر به کار می‌رود.

COCO مجموعه‌داده‌ای بزرگ‌مقیاس برای تشخیص شیء، قطعه‌بندی و زیرنویس‌گذاری است.

Data.gov فهرستی از بیش از ۲۵۰٬۰۰۰ مجموعه‌دادهٔ دولتی متن‌باز در موضوعاتی همچون کشاورزی، اقلیم، مصرف‌کننده، زیست‌بوم‌ها، آموزش، انرژی، امور مالی، سلامت، دولت محلی، تولیدات صنعتی، دریایی، اقیانوس، ایمنی عمومی و علم را نگهداری می‌کند.

پروژهٔ ImageNet یک پایگاه دادهٔ بصری بزرگ است که برای استفاده در پژوهش‌های نرم‌افزارِ بازشناسی اشیای بصری طراحی شده است. بیش از ۱۴ میلیون تصویر در این پروژه به‌صورت دستی حاشیه‌نویسی شده‌اند تا اشیای موجود در تصاویر مشخص شوند و در دست‌کم یک میلیون تصویر، کادرهای محدودکننده نیز ارائه شده است.

مجموعه‌دادهٔ MNIST از ارقام دست‌نویس مجموعهٔ آموزشی ۶۰٬۰۰۰ نمونه‌ای و مجموعهٔ آزمون ۱۰٬۰۰۰ نمونه‌ای دارد. این مجموعه زیرمجموعه‌ای از مجموعه‌ای بزرگ‌تر است که از NIST در دسترس است.

Google AI به‌طور دوره‌ای داده‌هایی موردعلاقهٔ طیف گسترده‌ای از رشته‌های علوم کامپیوتر را برای استفادهٔ پژوهشگران منتشر می‌کند.

Kaggle مجموعه‌ای گسترده از هزاران مجموعه‌داده از منابع و دامنه‌های گوناگون فراهم می‌کند.

OpenML مخزنی از مجموعه‌داده‌هاست که داده‌ها را به الگوریتم‌ها پیوند می‌دهد تا ماشین‌ها بهتر بیاموزند.

مجموعه‌داده‌های Pascal VOC مجموعه‌داده‌های تصویری استانداردشده برای بازشناسی کلاس شیء، مجموعه‌ای مشترک از ابزارها برای دسترسی به مجموعه‌داده‌ها و حاشیه‌نویسی‌ها فراهم می‌کند و ارزیابی و مقایسهٔ روش‌های مختلف را ممکن می‌سازد.

Registry of Open Data on AWS مجموعه‌ای گسترده از هزاران مجموعه‌داده از منابع و دامنه‌های متنوع ارائه می‌کند.

UC Irvine Machine Learning Repository مجموعه‌ای متنوع شامل هم‌اکنون بیش از ۴۰۰ مجموعه‌داده از دههٔ ۱۹۸۰ تا سال ۲۰۱۹ را نگهداری و میزبانی می‌کند.

ارزیابی‌ها و معیارهای مرجع

تلاش‌های NIST TREC امروزه به تکالیف پیچیده‌تر هوش مصنوعی از جمله پاسخ‌گویی به پرسش‌های مرکب، مدیریت رخداد، و خلاصه‌سازی اخبار، و نیز چالش‌های خاص صنایع گسترش یافته است. NIST TREC همچنین به شیوه‌های داده‌ای (modality) فراتر از متن، مانند ارزیابی‌های NIST TRECVID برای تکالیف مرتبط با ویدیوی دیجیتال، NIST Multimedia Event Detection (MED)، و NIST Multimedia Event Recounting (MER) گسترش یافته است. این ارزیابی‌ها برای پیشبرد پیشرفت‌های بنیادین در دقت فناوری‌های هوش مصنوعی در حوزه‌ای رو به رشد از تکالیف با استفاده از شیوه‌های داده‌ای مانند تصویر، ویدیو، گفتار و متن اهمیت دارند.

بستر آزمونِ Deep Learning Facilities در IIC با هدف بهینه‌سازی تشخیص، نگهداشت و تعمیر دارایی‌های پایش‌شده؛ افزایش بهره‌وری انرژی از طریق تنظیم خدمات مصرف‌کنندهٔ توان؛ و بهبود تجربهٔ بازدیدکنندگان از نظر زمان‌های انتظار و کنترل اقلیم محیطی طراحی شده است.

تلاشِ MLPerf هدف دارد مجموعه‌ای مشترک از معیارهای مرجع بسازد که حوزهٔ یادگیری ماشین (ML) را قادر سازد عملکرد سیستم‌ها را برای آموزش و استنتاج، از دستگاه‌های همراه تا خدمات ابری، بسنجد.

AI-Matrix مجموعه‌ای از معیارهای مرجع هوش مصنوعی است که با هدف سنجش عملکرد سکوهای سخت‌افزاری هوش مصنوعی و چارچوب‌های نرم‌افزاری طراحی شده است. این مجموعهٔ معیار مرجعِ یادگیری عمیق در حال حاضر از سه نوع بار کاری تشکیل شده است: معیار مرجع لایه‌محور، معیار مرجع کلان، و معیار مرجع خرد.

AIIA DNN معیار مرجعی است که به‌طور عینی وضعیت کنونی قابلیت‌های شتاب‌دهنده‌های هوش مصنوعی را بازتاب می‌دهد و همهٔ سنجه‌های آن برای ارائهٔ بُعدی عینی برای مقایسه طراحی شده‌اند.

AnTuTu ابزاری برای محک‌زنی تلفن‌های هوشمند و تبلت‌های Android به‌منظور بررسی عملکرد دستگاه است.

DeepBench با هدف محک‌زنی عملیاتی که برای یادگیری عمیق روی سکوهای سخت‌افزاری مختلف اهمیت دارند، طراحی شده است.

Fathom بارهای کاری مرجع برای یادگیری عمیق مدرن فراهم می‌کند.

سنجه‌ها

در ارزیابی‌های TREC خود، NIST به برقراری سنجه‌های مهمی برای حوزهٔ هوش مصنوعی کمک کرده است — دقت در برابر بازیابی، میانگین دقتِ میانگین‌گیری‌شده، و نرخ هشدار کاذب در برابر نرخ از‌دست‌رفتگی (miss rate).

صنعت نیز در توسعهٔ سنجه‌ها نقشی برجسته داشته است؛ مانند مورد سنجهٔ BLEU که توسط IBM Research ساخته شد و برای ارزیابی تکالیف هوش مصنوعیِ مرتبط با زبان طبیعی کاربرد گسترده‌ای یافته است.

ارزیابی‌های هدایت‌شده توسط صنعت و دانشگاه نیز از سنجه‌هایی مانند دقت top-1 و top-5 برای ارزیابی نتایج طبقه‌بندی و معیار تقاطع بر اجتماع (intersection-over-union) برای سنجش مکان‌یابی در تشخیص شیء استفاده می‌کنند.

CLEVER (Cross-Lipschitz Extreme Value for nEtwork Robustness) سنجه‌ای برای سنجش استواریِ شبکه‌های عصبی عمیق است.

نرم‌افزار متن‌باز

شمار زیادی چارچوب هوش مصنوعی متن‌باز در دسترس است، از جمله موارد زیر:

Cafef توسط Berkeley AI Research (BAIR) و مشارکت‌کنندگان جامعه توسعه یافته است.

Keras یک کتابخانهٔ یادگیری عمیق است که بر روی TensorFlow و Theano قرار دارد.

Machine Learning in R (mlr) چارچوبی عام، شیءگرا و توسعه‌پذیر برای طبقه‌بندی، رگرسیون، تحلیل بقا و خوشه‌بندی برای زبان R فراهم می‌کند. این کتابخانه رابطی یکپارچه به بیش از ۱۶۰ یادگیرندهٔ پایه ارائه می‌دهد و شامل فراالگوریتم‌ها و فنون انتخاب مدل برای بهبود و گسترش قابلیت یادگیرنده‌های پایه با، برای مثال، تنظیم ابرپارامترها، انتخاب ویژگی و ساخت هم‌سازی‌هاست.

Markov Decision Process Toolbox for Python کلاس‌ها و توابع لازم برای اجرای استقرای پسرو، برنامه‌ریزی خطی، تکرار سیاست، q-learning، تکرار ارزش و واریانت‌های آن‌ها را پیاده‌سازی می‌کند.

MxNet چارچوب نرم‌افزاری متن‌باز یادگیری عمیق است که برای آموزش و استقرار شبکه‌های عصبی عمیق به کار می‌رود.

PyTorch یک کتابخانهٔ متن‌باز یادگیری ماشین است. این کتابخانه زیست‌بوم گسترده‌ای از ابزارها و کتابخانه‌ها دارد که PyTorch را گسترش می‌دهند و توسعه را در بینایی کامپیوتر، NLP و موارد دیگر پشتیبانی می‌کنند.

Scikit-learn یک کتابخانهٔ نرم‌افزاری یادگیری ماشین برای زبان برنامه‌نویسی Python است.

Swi-Prolog محیطی جامع برای Prolog فراهم می‌کند. Prolog زبانی اعلانی و منطق‌محور برای برنامه‌نویسی با کاربردهای گوناگون در توسعهٔ سیستم‌های هوش مصنوعی است.

TensorFlow یک سکوی متن‌باز سرتاسری برای یادگیری ماشین است. این سکو زیست‌بومی جامع و منعطف از ابزارها، کتابخانه‌ها و منابع اجتماعی دارد که به پژوهشگران اجازه می‌دهد مرزهای فناوری روز (state-of-the-art) در ML را پیش ببرند و به توسعه‌دهندگان امکان می‌دهد به‌سادگی کاربردهای مبتنی بر ML بسازند و مستقر کنند.

Theano یک کتابخانهٔ Python و کامپایلر بهینه‌ساز برای دستکاری و ارزیابی عبارت‌های ریاضی، به‌ویژه عبارت‌های ماتریسی است.

Torch یک کتابخانهٔ متن‌باز یادگیری ماشین، چارچوبی برای محاسبات علمی، و زبانی اسکریپتی مبتنی بر زبان برنامه‌نویسی LUA است.

سایر پروژه‌های نرم‌افزار متن‌باز هوش مصنوعی عبارت‌اند از:

Acumos AI سکویی و چارچوبی متن‌باز است که ساخت، اشتراک‌گذاری و استقرار کاربردهای هوش مصنوعی را آسان می‌کند. Acumos پشتهٔ زیرساختی و اجزای لازم برای اجرای یک محیط عمومی هوش مصنوعیِ آماده‌به‌کار را استانداردسازی می‌کند.

جعبه‌ابزار استحکام در برابر حملات خصمانه (Adversarial Robustness Toolbox, ART) — IBM این جعبه‌ابزار متن‌باز را منتشر کرده است. ART حملات و دفاع‌های پیشرفته، از جمله آموزش خصمانه و تشخیص مسموم‌سازی داده، و همچنین سنجه‌های متعددی برای استواری را پیاده‌سازی می‌کند.

AI Fairness 360 (AIF360) — IBM این نرم‌افزار متن‌باز را منتشر کرده است. AIF360 بیش از ده الگوریتم کاهش سوگیری و هفتاد سنجهٔ پیشرفتهٔ مرتبط با انصاف را در یک چارچوب نرم‌افزاری مشترک پیاده‌سازی می‌کند. جعبه‌ابزار AIF360 از نظر بخش صنعت بی‌طرف است و از این رو می‌تواند بر دامنهٔ گسترده‌ای از مسائل اعمال شود.

Apache Jena چارچوبی متن‌باز وب معنایی برای Java است. CafeOnSparkf یادگیری عمیق را به خوشه‌های Hadoop و Spark می‌آورد. CaffeOnSpark با ترکیب ویژگی‌های برجستهٔ چارچوب یادگیری عمیق Caffe و چارچوب‌های کلان‌دادهٔ Apache Spark و Apache Hadoop، یادگیری عمیق توزیع‌شده روی خوشه‌ای از سرورهای GPU و CPU را ممکن می‌سازد.

CleverHans کتابخانه‌ای به زبان Python است که ابزارهایی را فراهم می‌کند که در محک‌زنی آسیب‌پذیری سیستم‌های یادگیری ماشین در برابر نمونه‌های خصمانه‌ای که خود تولید می‌کند به کار می‌روند. این کتابخانه اخیراً در چارچوب TensorFlow ادغام شده است.

CROWN چارچوبی برای راستی‌آزمایی به‌منظور گواهی استواری شبکه‌های عصبی با توابع فعال‌سازی عمومی، از جمله اما نه محدود به ReLU، tanh، sigmoid، arctan و غیره است.

مجموعهٔ معیارهای مرجع یادگیری عمیق (Deep Learning Benchmark Suite) توسط HPE با همکاری Hewlett Packard Labs توسعه یافته است. این مجموعه، مجموعه‌ای متن‌باز از معیارهای مرجع عملکرد برای مقایسهٔ چارچوب‌ها، مدل‌ها و سکوهای محاسباتی یادگیری عمیق است.

برنامهٔ هوش مصنوعی توضیح‌پذیر (Explainable Artificial Intelligence, XAI) توسط DARPA هدفش توسعهٔ کتابخانه‌ای از جعبه‌ابزارها متشکل از ماژول‌های نرم‌افزاری یادگیری ماشین و رابط انسان-کامپیوتر است که بتوان از آن‌ها برای توسعهٔ سیستم‌های هوش مصنوعی توضیح‌پذیرِ آینده استفاده کرد.

Flora-2 سیستمی پیشرفته برای بازنمایی و استدلال دانشِ شیءگراست.

H2O.ai نرم‌افزاری متن‌باز برای تحلیل کلان‌داده است. H2O به کاربران اجازه می‌دهد هزاران مدل بالقوه را به‌عنوان بخشی از کشف الگوها در داده‌ها برازش دهند.

قالب سلسله‌مراتبی داده ۵ (Hierarchical Data Format 5, HDF5) از HDF Group، بازنمایی استاندارد مجموعه‌داده‌های علمی همراه با فراداده است و به‌طور خاص برای تبادل مجموعه‌داده‌های آموزشی به‌کاررفته در یادگیری ماشین استفاده می‌شود.

پروژهٔ Plugin Machine Intelligence (PMI) افزونه‌ای برای موتور Pentaho Kettle است که دسترسی به الگوریتم‌های یادگیری ماشین نظارت‌شده از «موتورهای» زیرین مختلف را فراهم می‌کند.

قالب تبادل شبکه عصبی (Neural Network Exchange Format, NNEF)، توسعه‌یافته توسط Khronos Group، «با امکان‌سازی ترکیب غنی‌ای از ابزارهای آموزش شبکه عصبی و موتورهای استنتاج برای استفادهٔ کاربردها در طیف متنوعی از دستگاه‌ها و سکوها، پراکندگیِ استقرار یادگیری ماشین را کاهش می‌دهد.»

Open Neural Network eXchange (onnx) تلاشی متن‌باز و جامعه‌محور است که به توسعه‌دهندگان امکان می‌دهد آسان‌تر میان چارچوب‌های یادگیری ماشین جابه‌جا شوند. این ابتکار توسط Facebook و Microsoft آغاز شد و متعاقباً از سوی IBM، Huawei، Intel، AMD، ARM و Qualcomm پشتیبانی شد.

OpenAI Gym/Universe یک جعبه‌ابزار یادگیری تقویتی، طیف گسترده‌ای از محیط‌ها، و تابلوی امتیازات برخط برای توسعه و مقایسهٔ الگوریتم‌های یادگیری تقویتی است.

Pellet یک استدلال‌گر OWL 2 متن‌باز مبتنی بر Java است. می‌توان از آن همزمان با کتابخانه‌های Jena و OWL API استفاده کرد؛ همچنین می‌توان آن را در کاربردهای دیگری گنجاند.

Protégé سکویی متن‌باز است که مجموعه‌ای از ابزارها را برای ساخت مدل‌های دامنه و کاربردهای دانش‌محور با آنتولوژی‌ها فراهم می‌کند.

پیوست IV: تکلیف و رویکرد

با تأکید بر اهمیت «هوش مصنوعی» (Artificial Intelligence, AI) برای «آینده» (Future) اقتصاد و امنیت ملی ایالات متحده، رئیس‌جمهور در تاریخ ۱۱ فوریه ۲۰۱۹ (۲۲ بهمن ۱۳۹۷) «فرمان اجرایی» (Executive Order, EO 13859)^۴۴ را صادر کرد که به نهادهای فدرال دستور می‌دهد مجموعه‌ای از اقدامات را انجام دهند تا تضمین شود کشور در جایگاه رهبری خود در AI باقی می‌ماند.

از جمله اهداف فرمان، آن است که «تضمین شود استانداردهای فنی آسیب‌پذیری در برابر حملات کنشگرانِ بدخواه را به حداقل برسانند و اولویت‌های فدرال برای نوآوری، اعتماد عمومی و اطمینان عمومی به سیستم‌هایی که از فناوری‌های AI استفاده می‌کنند را منعکس کنند؛ و استانداردهای بین‌المللی برای ترویج و حمایت از این اولویت‌ها توسعه یابد.»

این فرمان به وزیر بازرگانی، از طریق «مؤسسه ملی استاندارد و فناوری آمریکا» (National Institute of Standards and Technology, NIST)، دستور می‌دهد «برنامه‌ای برای مشارکت فدرال در توسعه استانداردهای فنی و ابزارهای مرتبط در پشتیبانی از سیستم‌های قابل‌اتکا، مستحکم و قابل‌اعتمادی که از فناوری‌های AI استفاده می‌کنند» صادر کند. این برنامه باید ظرف ۱۸۰ روز از تاریخ صدور فرمان اجرایی — یعنی تا ۱۰ اوت ۲۰۱۹ (۱۹ مرداد ۱۳۹۸) — تکمیل شود.

فرمان اجرایی مقرر می‌دارد:

• (i) مطابق با OMB Circular A-119، این برنامه باید موارد زیر را دربرگیرد:

• (A) نیازهای اولویت‌دار فدرال برای «استانداردسازی» (Standardization) توسعه و «استقرار» (Deployment) سیستم‌های AI؛

• (B) شناسایی نهادهای توسعه استاندارد که نهادهای فدرال باید با هدف تثبیت یا پشتیبانی از نقش‌های رهبری فنی ایالات متحده در آن‌ها به دنبال عضویت باشند؛ و

• (C) فرصت‌ها و چالش‌های پیش روی رهبری ایالات متحده در استانداردسازی مرتبط با فناوری‌های AI.

• (ii) این برنامه باید، در صورت نیاز، با مشورت کمیته منتخب و نیز، در موارد مقتضی، با مشورت بخش خصوصی، دانشگاه‌ها، نهادهای غیردولتی و سایر ذی‌نفعان تدوین شود.»