TED2016
Anthony Goldbloom: The jobs we'll lose to machines -- and the ones we won't
أنتوني جولدبلووم: الوظائف التي سنتركها للآلات -- والوظائف التي لن نتركها
Filmed:
Readability: 4.8
2,568,213 views
تعلم الآلة ليست لمجرد المهام البسيطة مثل تقييم المخاطر الائتمانية والفرز الإلكتروني بعد الآن - اليوم، إنها قادرة على تطبيقات أكثر تعقيدا، مثل تقييم المقالات وتشخيص الأمراض. مع هذه التطورات يُطرح سؤال صعب : هل سيقوم الإنسان الآلي بعملك في المستقبل؟
Anthony Goldbloom - Machine learning expert
Anthony Goldbloom crowdsources solutions to difficult problems using machine learning. Full bio
Anthony Goldbloom crowdsources solutions to difficult problems using machine learning. Full bio
Double-click the English transcript below to play the video.
00:12
So this is my niece.
0
968
1262
هذه بنت اخي
00:14
Her name is Yahli.
1
2644
1535
اسمها ياوي
00:16
She is nine months old.
2
4203
1511
عمرها 9 أشهر
00:18
Her mum is a doctor,
and her dad is a lawyer.
and her dad is a lawyer.
3
6201
2528
والدتها طبيبة
وأبوها محامي
وأبوها محامي
00:21
By the time Yahli goes to college,
4
9269
2006
في الوقت الذي ستذهب فيه ياوي الي الكلية
00:23
the jobs her parents do
are going to look dramatically different.
are going to look dramatically different.
5
11299
3253
وظائف والديها ستختلف بشكل كبير
00:27
In 2013, researchers at Oxford University
did a study on the future of work.
did a study on the future of work.
6
15347
5073
في 2013 , قام باحثون فى جامعة اكسفورد
بعمل دراسة حول مستقبل العمل
بعمل دراسة حول مستقبل العمل
00:32
They concluded that almost one
in every two jobs have a high risk
in every two jobs have a high risk
7
20766
4139
وخلاصة ذلك أنه: وظيفة من
كل وظيفتين تقريبا معرضة لخطر
كل وظيفتين تقريبا معرضة لخطر
00:36
of being automated by machines.
8
24929
1824
الاستبدال بالآلات
00:40
Machine learning is the technology
9
28388
1905
تعلم الآلة هي التكنولوجيا
00:42
that's responsible for most
of this disruption.
of this disruption.
10
30317
2278
المسؤوله عن معظم هذا الاضطراب
00:44
It's the most powerful branch
of artificial intelligence.
of artificial intelligence.
11
32619
2790
إنها أقوى فروع
الذكاء الاصطناعي
الذكاء الاصطناعي
00:47
It allows machines to learn from data
12
35433
1882
إنها تسمح للآلات بالتعلم من البيانات
00:49
and mimic some of the things
that humans can do.
that humans can do.
13
37339
2592
و تقليد بعض الأشياء
التى يفعلها الانسان
التى يفعلها الانسان
00:51
My company, Kaggle, operates
on the cutting edge of machine learning.
on the cutting edge of machine learning.
14
39955
3415
شركتي - كاجل - تعمل علي
أحدث تقنيات تعلم الآلة
أحدث تقنيات تعلم الآلة
00:55
We bring together
hundreds of thousands of experts
hundreds of thousands of experts
15
43394
2386
جمعنا مئات الالاف من الخبراء
00:57
to solve important problems
for industry and academia.
for industry and academia.
16
45804
3118
لحل المشاكل الهامة فى
مجال الصناعة والأوساط الأكاديمية
مجال الصناعة والأوساط الأكاديمية
01:01
This gives us a unique perspective
on what machines can do,
on what machines can do,
17
49279
3222
وهذا يعطينا منظورا فريدًا
لما تستطيع الآلات فعله
لما تستطيع الآلات فعله
01:04
what they can't do
18
52525
1235
وما لا تستطيع فعله
01:05
and what jobs they might
automate or threaten.
automate or threaten.
19
53784
2939
وما الوظائف التي يمكن للآلات
أن تؤديها أو تهددها
أن تؤديها أو تهددها
01:09
Machine learning started making its way
into industry in the early '90s.
into industry in the early '90s.
20
57316
3550
بدأ مجال تعلم الآلات شق طريقه في الصناعة
في وقت مبكرمن أوائل التسعينيات
في وقت مبكرمن أوائل التسعينيات
01:12
It started with relatively simple tasks.
21
60890
2124
لقد بدأ بمهام بسيطة نسبيًا
01:15
It started with things like assessing
credit risk from loan applications,
credit risk from loan applications,
22
63406
4115
بدأ بأشياء مثل تقييم المخاطر الائتمانية
من طلبات القروض
من طلبات القروض
01:19
sorting the mail by reading
handwritten characters from zip codes.
handwritten characters from zip codes.
23
67545
4053
فرز البريد عن طريق قراءة
الرموز البريدي المكتوبة بخط اليد
الرموز البريدي المكتوبة بخط اليد
01:24
Over the past few years, we have made
dramatic breakthroughs.
dramatic breakthroughs.
24
72036
3169
على مدى السنوات القليلة الماضية،
أحرزنا تقدماً كبيراً
أحرزنا تقدماً كبيراً
01:27
Machine learning is now capable
of far, far more complex tasks.
of far, far more complex tasks.
25
75586
3916
الآلة الآن قادرة علي القيام
بمهام أكثر تعقيدًا بكثير
بمهام أكثر تعقيدًا بكثير
01:31
In 2012, Kaggle challenged its community
26
79860
3231
في 2012 ، قامت "كاجل" بتحدّي عامليها
01:35
to build an algorithm
that could grade high-school essays.
that could grade high-school essays.
27
83115
3189
لبناء خوارزمية يمكنها أن تقيّم
مقالات طلاب المدرسة الثانوية
مقالات طلاب المدرسة الثانوية
01:38
The winning algorithms
were able to match the grades
were able to match the grades
28
86328
2604
استطاعت الخوارزميات الفائزة
أن تتطابق مع الدرجات
أن تتطابق مع الدرجات
01:40
given by human teachers.
29
88956
1665
التي وضعها المعلمون البشر
01:43
Last year, we issued
an even more difficult challenge.
an even more difficult challenge.
30
91092
2984
في العام الماضي، أعلنا
عن تحدي أكثر صعوبة
عن تحدي أكثر صعوبة
01:46
Can you take images of the eye
and diagnose an eye disease
and diagnose an eye disease
31
94100
2953
هل يمكنك التقاط صور للعين
وتشخيص مرض في العين؟
وتشخيص مرض في العين؟
01:49
called diabetic retinopathy?
32
97077
1694
يسمي اعتلال الشبكية السكري
01:51
Again, the winning algorithms
were able to match the diagnoses
were able to match the diagnoses
33
99164
4040
مرة أخرى، الخوارزميات الفائزة
كانت قادرة على مطابقة التشخيصات
كانت قادرة على مطابقة التشخيصات
01:55
given by human ophthalmologists.
34
103228
1825
التي قدمها أطباء العيون البشر
01:57
Now, given the right data,
machines are going to outperform humans
machines are going to outperform humans
35
105561
3212
الآ، وبإعطاء البيانات الصحيحة،
سوف تتفوق الاجهزة علي البشر
سوف تتفوق الاجهزة علي البشر
02:00
at tasks like this.
36
108797
1165
في مهام مثل هذه
02:01
A teacher might read 10,000 essays
over a 40-year career.
over a 40-year career.
37
109986
3992
المعلم يمكنه ان يقرأ 10,000 مقالة
علي مدى 40 عام من التدريس
علي مدى 40 عام من التدريس
02:06
An ophthalmologist might see 50,000 eyes.
38
114407
2360
طبييب العيون يمكنه أن يكشف على 50,000 عين
02:08
A machine can read millions of essays
or see millions of eyes
or see millions of eyes
39
116791
3913
الآلة يمكنها قراءة ملايين المقالات
أو تشخّص ملايين العيون
أو تشخّص ملايين العيون
02:12
within minutes.
40
120728
1276
في غضون دقائق
02:14
We have no chance of competing
against machines
against machines
41
122456
2858
ليس لدينا أي فرصة للتنافس
مع الآلات
مع الآلات
02:17
on frequent, high-volume tasks.
42
125338
2321
في المهام المتكررة، ذات الحجم الكبير
02:20
But there are things we can do
that machines can't do.
that machines can't do.
43
128665
3724
ولكن، هناك أشياء نستطيع فعلها
بينما لا تستطيع الآلات فعلها
بينما لا تستطيع الآلات فعلها
02:24
Where machines have made
very little progress
very little progress
44
132791
2200
لم تحرز الآلات
تقدماً كبيراً
تقدماً كبيراً
02:27
is in tackling novel situations.
45
135015
1854
في مواجهة المواقف الجديدة
02:28
They can't handle things
they haven't seen many times before.
they haven't seen many times before.
46
136893
3899
لا يمكنها التعامل مع الاشياء التي
لم تتعرض لها من قبل مرات عديدة
لم تتعرض لها من قبل مرات عديدة
02:33
The fundamental limitations
of machine learning
of machine learning
47
141321
2584
القيود الأساسية لتعلم الآلة
02:35
is that it needs to learn
from large volumes of past data.
from large volumes of past data.
48
143929
3394
هى أنها تحتاج الى التعلم
من كميات كبيرة من البيانات السابقة
من كميات كبيرة من البيانات السابقة
02:39
Now, humans don't.
49
147347
1754
البشر ليسوا كذلك
02:41
We have the ability to connect
seemingly disparate threads
seemingly disparate threads
50
149125
3030
لدينا القدرة على ربط
أشياء تبدو متفرقة
أشياء تبدو متفرقة
02:44
to solve problems we've never seen before.
51
152179
2238
لحل مشاكل لم نواجهها من قبل
02:46
Percy Spencer was a physicist
working on radar during World War II,
working on radar during World War II,
52
154808
4411
كان بيرسي سبنسر- الفيزيائي -
يعمل على رادار خلال الحرب العالمية الثانية
يعمل على رادار خلال الحرب العالمية الثانية
02:51
when he noticed the magnetron
was melting his chocolate bar.
was melting his chocolate bar.
53
159243
3013
عندما لاحظ أن صمام مغناطيس الرادار
قد أذاب لوح الشوكولاتة الخاص به
قد أذاب لوح الشوكولاتة الخاص به
02:54
He was able to connect his understanding
of electromagnetic radiation
of electromagnetic radiation
54
162970
3295
وكان قادرا على توصيل فهمه
للإشعاع الكهرومغناطيسي
للإشعاع الكهرومغناطيسي
02:58
with his knowledge of cooking
55
166289
1484
مع معرفته في الطبخ
02:59
in order to invent -- any guesses? --
the microwave oven.
the microwave oven.
56
167797
3258
من أجل اختراع -- أية تخمينات؟
-- فرن المايكرويف
-- فرن المايكرويف
03:03
Now, this is a particularly remarkable
example of creativity.
example of creativity.
57
171444
3073
الآن، هذا مثال واضح على الإبداع
03:06
But this sort of cross-pollination
happens for each of us in small ways
happens for each of us in small ways
58
174541
3664
ولكن هذا النوع من التلاقح
يحدث لكل واحد منا علي مستويات أصغر
يحدث لكل واحد منا علي مستويات أصغر
03:10
thousands of times per day.
59
178229
1828
آلاف المرات في اليوم الواحد
03:12
Machines cannot compete with us
60
180501
1661
لا يمكن للآلات أن تنافسنا
03:14
when it comes to tackling
novel situations,
novel situations,
61
182186
2251
عندما يتعلق الأمر بالتعامل مع
مواقف جديدة
مواقف جديدة
03:16
and this puts a fundamental limit
on the human tasks
on the human tasks
62
184461
3117
وهذا يضع حدا أساسيا
لمهام الإنسان
لمهام الإنسان
03:19
that machines will automate.
63
187602
1717
التي ستُسبدل بالآلات
03:22
So what does this mean
for the future of work?
for the future of work?
64
190041
2405
فماذا يعني هذا
بالنسبة لمستقبل العمل؟
بالنسبة لمستقبل العمل؟
03:24
The future state of any single job lies
in the answer to a single question:
in the answer to a single question:
65
192804
4532
مستقبل أي وظيفة يكمن
في إجابة على سؤال واحد:
في إجابة على سؤال واحد:
03:29
To what extent is that job reducible
to frequent, high-volume tasks,
to frequent, high-volume tasks,
66
197360
4981
إلى أي مدى يمكن تفكيك هذا العمل
إالى مهام متكرره، وكبيرة الحجم
إالى مهام متكرره، وكبيرة الحجم
03:34
and to what extent does it involve
tackling novel situations?
tackling novel situations?
67
202365
3253
وإلى أي مدى ينطوي الأمر على
التعامل مع مواقف جديدة؟
التعامل مع مواقف جديدة؟
03:37
On frequent, high-volume tasks,
machines are getting smarter and smarter.
machines are getting smarter and smarter.
68
205975
4035
فيما يتعلق بالمهام المتكرره، ذات الحجم الكبير
فإن الآلات تزداد ذكاءاُ أكثر فأكثر
فإن الآلات تزداد ذكاءاُ أكثر فأكثر
03:42
Today they grade essays.
They diagnose certain diseases.
They diagnose certain diseases.
69
210034
2714
اليوم تقوم الآلات بتقييم المقالات
وتشخيص بعض الأمراض
وتشخيص بعض الأمراض
03:44
Over coming years,
they're going to conduct our audits,
they're going to conduct our audits,
70
212772
3157
وعلى مدى السنوات القادمة،
سوف يقومون بإجراء عمليات تدقيق حساباتنا
سوف يقومون بإجراء عمليات تدقيق حساباتنا
03:47
and they're going to read boilerplate
from legal contracts.
from legal contracts.
71
215953
2967
وسيقومون بقراءة نصوص
من العقود القانونية
من العقود القانونية
03:50
Accountants and lawyers are still needed.
72
218944
1997
لا تزال هناك حاجة للمحاسبين والمحامين
سنحتاجهم لهيكلة الضريبة المعقدة
03:52
They're going to be needed
for complex tax structuring,
for complex tax structuring,
73
220965
2682
ابتكار وتجديد الدعوى القضائية
03:55
for pathbreaking litigation.
74
223671
1357
ولكن ستقلّل الآلات من مكانة هذه الوظائف
03:57
But machines will shrink their ranks
75
225052
1717
وستجعل الحصول على هذه الوظائف
أكثر صعوبة
أكثر صعوبة
03:58
and make these jobs harder to come by.
76
226793
1872
الآن، وكما ذكرنا
04:00
Now, as mentioned,
77
228689
1151
04:01
machines are not making progress
on novel situations.
on novel situations.
78
229864
2949
فإن الآلات لا تحرز تقدما
في التعامل مع المواقف الجديدة
في التعامل مع المواقف الجديدة
04:04
The copy behind a marketing campaign
needs to grab consumers' attention.
needs to grab consumers' attention.
79
232837
3457
تدشين حملة تسويقية
يحتاج إلى جذب انتباه المستهلكين
يحتاج إلى جذب انتباه المستهلكين
04:08
It has to stand out from the crowd.
80
236318
1715
والتميز عن الاخرين
04:10
Business strategy means
finding gaps in the market,
finding gaps in the market,
81
238057
2444
تعني استراتيجيات الأعمال
العثور على الثغرات الموجودة في السوق
العثور على الثغرات الموجودة في السوق
04:12
things that nobody else is doing.
82
240525
1756
أشياء لا يقم بها أي شخص
04:14
It will be humans that are creating
the copy behind our marketing campaigns,
the copy behind our marketing campaigns,
83
242305
4118
سيكون البشر هم من وراء
حملات التسويق التي نقوم بها
حملات التسويق التي نقوم بها
04:18
and it will be humans that are developing
our business strategy.
our business strategy.
84
246447
3517
وسيكون البشر هم من يقومون بتطوير
استراتيجيات الاعمال
استراتيجيات الاعمال
04:21
So Yahli, whatever you decide to do,
85
249988
2817
حتى "ياهلي"، أياً كان ما تقررين القيام به
04:24
let every day bring you a new challenge.
86
252829
2361
دعي كل يوم يجلب تحدياً جديداً
04:27
If it does, then you will stay
ahead of the machines.
ahead of the machines.
87
255587
2809
وإن حدث كذلك، فستبقين أفضل من الآلات
04:31
Thank you.
88
259126
1176
شكرًا
04:32
(Applause)
89
260326
3104
(تصفيق)
ABOUT THE SPEAKER
Anthony Goldbloom - Machine learning expertAnthony Goldbloom crowdsources solutions to difficult problems using machine learning.
Why you should listen
Anthony Goldbloom is the co-founder and CEO of Kaggle. Kaggle hosts machine learning competitions, where data scientists download data and upload solutions to difficult problems. Kaggle has a community of over 600,000 data scientists and has worked with companies ranging Facebook to GE on problems ranging from predicting friendships to flight arrival times.
Before Kaggle, Anthony worked as an econometrician at the Reserve Bank of Australia, and before that the Australian Treasury. In 2011 and 2012, Forbes named Anthony one of the 30 under 30 in technology; in 2013 the MIT Tech Review named him one of top 35 innovators under the age of 35, and the University of Melbourne awarded him an Alumni of Distinction Award. He holds a first call honors degree in Econometrics from the University of Melbourne.
Anthony Goldbloom | Speaker | TED.com