ABOUT THE SPEAKER
Anthony Goldbloom - Machine learning expert
Anthony 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.  

More profile about the speaker
Anthony Goldbloom | Speaker | TED.com
TED2016

Anthony Goldbloom: The jobs we'll lose to machines -- and the ones we won't

Anthony Goldbloom: De arbejdspladser vi mister til maskiner -- og dem vi ikke gør

Filmed:
2,568,213 views

Machine learning bliver ikke kun brugt til simple opgaver som risiko bedømmelse og brev sortering -- i dag er det i stand til mere komplekse opgave som at bedømme stile og diagnosticere sygdomme. Med de fremskridt følger der et bekymrende spørgsmål: Kommer en robot til at udføre dit job i fremtiden?
- Machine learning expert
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 nieceniece.
0
968
1262
Det her er min niece.
00:14
Her namenavn is YahliYahli.
1
2644
1535
Hun hedder Yahli.
00:16
She is nineni monthsmåneder oldgammel.
2
4203
1511
Hun er ni måneder gammel.
00:18
Her mummor is a doctorlæge,
and her dadfar is a lawyerjurist.
3
6201
2528
Hendes mor er læge,
og hendes far er advokat.
00:21
By the time YahliYahli goesgår to collegekollegium,
4
9269
2006
Når Yahli studere på universitetet
00:23
the jobsjob her parentsforældre do
are going to look dramaticallydramatisk differentforskellige.
5
11299
3253
vil hendes forældres arbejde
se meget anderledes ud.
00:27
In 2013, researchersforskere at OxfordOxford UniversityUniversitet
did a studyundersøgelse on the futurefremtid of work.
6
15347
5073
I 2013 lavede forskere fra Oxford
en undersøgelse om fremtidens arbejde.
00:32
They concludedindgået that almostnæsten one
in everyhver two jobsjob have a highhøj riskrisiko
7
20766
4139
De konkluderede, at næsten hver andet job
har stor risiko for at
blive automatiseret af maskiner.
00:36
of beingvære automatedautomatiseret by machinesmaskiner.
8
24929
1824
00:40
MachineMaskine learninglæring is the technologyteknologi
9
28388
1905
Machine learning er den teknologi
der ligger til grunde
for størstedelen af ændringerne.
00:42
that's responsibleansvarlig for mostmest
of this disruptionforstyrrelser.
10
30317
2278
00:44
It's the mostmest powerfulkraftfuld branchafdeling
of artificialkunstig intelligenceintelligens.
11
32619
2790
Det er den mest virkningsfulde del
af kunstig intelligens.
00:47
It allowstillader machinesmaskiner to learnlære from datadata
12
35433
1882
Det tillader maskiner at lære fra data
00:49
and mimicefterligne some of the things
that humansmennesker can do.
13
37339
2592
og efterligne nogen af de ting,
som mennesker kan gøre.
00:51
My companySelskab, KaggleKaggle, operatesopererer
on the cuttingskæring edgekant of machinemaskine learninglæring.
14
39955
3415
Mit firma, Kaggle, arbejder på det nyeste
inden for machine learning.
00:55
We bringtage med togethersammen
hundredshundreder of thousandstusinder of expertseksperter
15
43394
2386
Vi samler flere
hundrede tusinder eksperter
som skal løse vigtige problemer
for den industrielle og akademiske verden
00:57
to solveløse importantvigtig problemsproblemer
for industryindustri and academiaden akademiske verden.
16
45804
3118
01:01
This givesgiver us a uniqueenestående perspectiveperspektiv
on what machinesmaskiner can do,
17
49279
3222
Det giver os et indblik i
hvad maskiner kan,
hvad de ikke kan,
01:04
what they can't do
18
52525
1235
01:05
and what jobsjob they mightmagt
automateautomatisere or threatenTrue.
19
53784
2939
og hvilke job de måske
kommer til at automatisere
01:09
MachineMaskine learninglæring startedstartede makingmaking its way
into industryindustri in the earlytidlig '90s.
20
57316
3550
Første gang machine learning blev brugt
industrielt, var i start 90'erne.
Det startede simpelt.
01:12
It startedstartede with relativelyforholdsvis simpleenkel tasksopgaver.
21
60890
2124
01:15
It startedstartede with things like assessingvurdering af
creditkredit riskrisiko from loanlån applicationsapplikationer,
22
63406
4115
Det startede med at vurdere
kreditrisiko fra låneansøgninger,
01:19
sortingsortering the mailpost by readinglæsning
handwrittenhåndskrevet characterstegn from zipzip codeskoder.
23
67545
4053
brev sortering ved at læse
håndskrevne tegn fra postnumre.
01:24
Over the pastforbi few yearsflere år, we have madelavet
dramaticdramatisk breakthroughsgennembrud.
24
72036
3169
Gennem de sidste par år
er der sket banebrydende gennembrud.
01:27
MachineMaskine learninglæring is now capablei stand til at
of farlangt, farlangt more complexkompleks tasksopgaver.
25
75586
3916
Machine learning er nu i stand til
langt mere komplekse opgaver.
01:31
In 2012, KaggleKaggle challengedudfordret its communityfællesskab
26
79860
3231
I 2012 udfordrede Kaggle sit lokalsamfund
01:35
to buildbygge an algorithmalgoritme
that could gradekarakter high-schoolGymnasium essaysessays.
27
83115
3189
til at programmere en algoritme
til at bedømme gymnasie stile.
01:38
The winningvinder algorithmsalgoritmer
were ablei stand to matchmatch the gradeskvaliteter
28
86328
2604
Algoritmen der vandt,
gav den samme karakter
01:40
givengivet by humanhuman teacherslærere.
29
88956
1665
som den rigtige lærer gjorde.
01:43
Last yearår, we issuedudstedt
an even more difficultsvært challengeudfordring.
30
91092
2984
Sidste år lavede vi en
sværere udfordring.
01:46
Can you take imagesbilleder of the eyeøje
and diagnosediagnosticere an eyeøje diseasesygdom
31
94100
2953
Kan man tage billeder af øjet
og diagnostisere en øjensygdom
01:49
calledhedder diabeticdiabetiske retinopathyretinopati?
32
97077
1694
kaldet diabetisk retinopati?
01:51
Again, the winningvinder algorithmsalgoritmer
were ablei stand to matchmatch the diagnosesdiagnoser
33
99164
4040
Igen gav algoritmen der vandt
den samme diagnose
01:55
givengivet by humanhuman ophthalmologistsøjenlæger.
34
103228
1825
som var givet af en øjenlæge.
01:57
Now, givengivet the right datadata,
machinesmaskiner are going to outperformoutperform humansmennesker
35
105561
3212
Maskiner udkonkurrerer altid mennesker
ved opgaver som denne,
givet at den får de rigtige data.
02:00
at tasksopgaver like this.
36
108797
1165
02:01
A teacherlærer mightmagt readlæse 10,000 essaysessays
over a 40-year-år careerkarriere.
37
109986
3992
En lærer læser måske 10.000 stile
over en 40-årig karriere.
02:06
An ophthalmologistøjenlæge mightmagt see 50,000 eyesøjne.
38
114407
2360
En øjenlæge ser måske 50.000 øjne
02:08
A machinemaskine can readlæse millionsmillioner of essaysessays
or see millionsmillioner of eyesøjne
39
116791
3913
En maskine kan læse millioner af stile
eller se millioner af øjne
02:12
withininden for minutesminutter.
40
120728
1276
på få minutter.
02:14
We have no chancechance of competingkonkurrerende
againstmod machinesmaskiner
41
122456
2858
Vi kan ikke hamle op med maskinerne,
02:17
on frequenthyppig, high-volumehøj volumen tasksopgaver.
42
125338
2321
når det gælder mængde opgaver.
02:20
But there are things we can do
that machinesmaskiner can't do.
43
128665
3724
Men der er ting, vi kan,
som maskiner ikke kan.
02:24
Where machinesmaskiner have madelavet
very little progressfremskridt
44
132791
2200
Maskiner er ikke blevet særlig meget bedre
02:27
is in tacklinghåndtering af novelroman situationssituationer.
45
135015
1854
til at takle unikke og nye situationer
02:28
They can't handlehåndtere things
they haven'thar ikke seenset manymange timesgange before.
46
136893
3899
De kan ikke arbejde med ting,
de ikke har set en masse gange før.
02:33
The fundamentalgrundlæggende limitationsbegrænsninger
of machinemaskine learninglæring
47
141321
2584
De grundlæggende begrænsninger
for machine learning
02:35
is that it needsbehov to learnlære
from largestor volumesmængder of pastforbi datadata.
48
143929
3394
er at de skal lære fra store
mængder tidligere data.
02:39
Now, humansmennesker don't.
49
147347
1754
Det skal mennesker ikke.
02:41
We have the abilityevne to connectforbinde
seeminglytilsyneladende disparateuensartede threadstråde
50
149125
3030
Vi har evnen til at finde sammenhængen
i forskellige situationer,
02:44
to solveløse problemsproblemer we'vevi har never seenset before.
51
152179
2238
og løse problemer vi ikke har set før.
02:46
PercyPercy SpencerSpencer was a physicistfysiker
workingarbejder on radarradar duringi løbet af WorldVerden WarKrig IIII,
52
154808
4411
Mens fysikeren Percy Spenser arbejdede
med radarer under 2. verdenskrig,
02:51
when he noticedbemærket the magnetronMagnetron
was meltingsmeltning his chocolatechokolade barbar.
53
159243
3013
opdagede han at magnetronen
smeltede hans chokolade bar.
02:54
He was ablei stand to connectforbinde his understandingforståelse
of electromagneticelektromagnetisk radiationstråling
54
162970
3295
Han forenede sin forståelse
for elektromagnetisk stråling
med sit kendskab til madlavning
02:58
with his knowledgeviden of cookingmadlavning
55
166289
1484
02:59
in orderbestille to inventopfinde -- any guessesGæt? --
the microwavemikroovn ovenovn.
56
167797
3258
for at opfinde -- nogen gæt? --
mikrobølgeovnen.
03:03
Now, this is a particularlyisær remarkablebemærkelsesværdig
exampleeksempel of creativitykreativitet.
57
171444
3073
Det er et eksempel på
særlig kreativitet.
03:06
But this sortsortere of cross-pollinationkrydsbestøvning
happenssker for eachhver of us in smalllille waysmåder
58
174541
3664
Den forenende måde at tænke på,
sker for as alle på mindre stadier
03:10
thousandstusinder of timesgange perom day.
59
178229
1828
tusinder af gange om dagen.
03:12
MachinesMaskiner cannotkan ikke competekonkurrere with us
60
180501
1661
Maskiner kan ikke hamle op med os,
03:14
when it comeskommer to tacklinghåndtering af
novelroman situationssituationer,
61
182186
2251
når det kommer til
unikke situationer,
03:16
and this putsputs a fundamentalgrundlæggende limitbegrænse
on the humanhuman tasksopgaver
62
184461
3117
og det skaber en begrænsning
for hvilke opgaver
03:19
that machinesmaskiner will automateautomatisere.
63
187602
1717
maskiner komme til at automatisere.
03:22
So what does this mean
for the futurefremtid of work?
64
190041
2405
Så hvilken betydning har det
for fremtidens arbejde?
03:24
The futurefremtid statestat of any singleenkelt jobjob liesløgne
in the answersvar to a singleenkelt questionspørgsmål:
65
192804
4532
Om et job er sikret for fremtiden,
kan besvares med et spørgsmål:
03:29
To what extentgrad is that jobjob reduciblereduceres
to frequenthyppig, high-volumehøj volumen tasksopgaver,
66
197360
4981
I hvor stor en grad kan jobbet
nedskrives til mængde opgaver,
03:34
and to what extentgrad does it involveinvolvere
tacklinghåndtering af novelroman situationssituationer?
67
202365
3253
og i hvor stor grad indebærer det
unikke situationer?
03:37
On frequenthyppig, high-volumehøj volumen tasksopgaver,
machinesmaskiner are getting smartersmartere and smartersmartere.
68
205975
4035
Når det gælder mængde opgaver,
bliver maskiner klogere og klogere.
03:42
TodayI dag they gradekarakter essaysessays.
They diagnosediagnosticere certainbestemte diseasessygdomme.
69
210034
2714
I dag bedømmer de stile.
De diagnosticere visse sygdomme.
03:44
Over comingkommer yearsflere år,
they're going to conductadfærd our auditsrevisioner,
70
212772
3157
De følgende år,
vil de foretage vores regnskaber.
03:47
and they're going to readlæse boilerplatestandardtekst
from legalgyldige contractskontrakter.
71
215953
2967
De kommer til at læse standard tekst
fra juridiske kontrakter
03:50
AccountantsRevisorer and lawyersadvokater are still neededhavde brug for.
72
218944
1997
Revisorer og advokater skal stadig bruges.
03:52
They're going to be neededhavde brug for
for complexkompleks taxskat structuringstrukturering,
73
220965
2682
De skal bruges til
kompleks skatte-strukturering,
til banebrydende retstvister.
03:55
for pathbreakingpathbreaking litigationretssager.
74
223671
1357
Men maskiner vil mindske deres omdømme,
03:57
But machinesmaskiner will shrinkkrympe theirderes ranksrækker
75
225052
1717
03:58
and make these jobsjob harderhårdere to come by.
76
226793
1872
og gøre den type jobs mindre hyppige.
04:00
Now, as mentionednævnte,
77
228689
1151
Som jeg har nævnt,
laver maskiner ingen fremskridt
når det gælder unikke situationer.
04:01
machinesmaskiner are not makingmaking progressfremskridt
on novelroman situationssituationer.
78
229864
2949
04:04
The copykopi behindbag a marketingmarkedsføring campaignkampagne
needsbehov to grabtag fat consumers'forbrugernes attentionopmærksomhed.
79
232837
3457
Rammen for en marketing kampagne
skal fange folks opmærksomhed,
04:08
It has to standstå out from the crowdmenneskemængde.
80
236318
1715
den skal skille sig ud.
Erhvervs strategi går ud på
at finde mangler i markedet,
04:10
BusinessBusiness strategystrategi meansmidler
findingfund gapshuller in the marketmarked,
81
238057
2444
04:12
things that nobodyingen elseandet is doing.
82
240525
1756
noget som ingen andre gør.
04:14
It will be humansmennesker that are creatingskabe
the copykopi behindbag our marketingmarkedsføring campaignskampagner,
83
242305
4118
Det kommer til at være mennesker som
skaber rammen for en marketing kampagne,
04:18
and it will be humansmennesker that are developingudvikle
our businessforretning strategystrategi.
84
246447
3517
og det vil være mennesker, som
vil udvikle vores erhvervs strategi.
04:21
So YahliYahli, whateveruanset hvad you decidebeslutte to do,
85
249988
2817
Så hvad end du beslutter
dig for at lave, Yahli,
04:24
let everyhver day bringtage med you a newny challengeudfordring.
86
252829
2361
lad hver dag bringe nye udfordringer.
04:27
If it does, then you will stayBliv
aheadforan of the machinesmaskiner.
87
255587
2809
For så vil du forblive foran maskinerne
04:31
Thank you.
88
259126
1176
Tak.
04:32
(ApplauseBifald)
89
260326
3104
(Klapsalve)
Translated by Matias Hall
Reviewed by Anders Finn Jørgensen

▲Back to top

ABOUT THE SPEAKER
Anthony Goldbloom - Machine learning expert
Anthony 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.  

More profile about the speaker
Anthony Goldbloom | Speaker | TED.com