TED2016
Anthony Goldbloom: The jobs we'll lose to machines -- and the ones we won't
Anthony Goldbloom: Welche Arbeitsplätze wir Maschinen verlieren werden – und welche nicht
Filmed:
Readability: 4.8
2,568,213 views
Maschinelles Lernen eignet sich nicht nur für einfache Arbeiten, so wie das Beurteilen von Kreditrisiken oder das Aussortieren von Briefpost. Heute erledigt Maschinelles Lernen weit komplexere Aufgaben, so die Bewertung von Aufsätzen oder das Diagnostizieren von Krankheiten. Mit diesen Vorteilen taucht eine beunruhigende Frage auf: Wird in Zukunft ein Roboter unsere Arbeit verrichten?
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
So, das ist meine Nichte.
00:14
Her name is Yahli.
1
2644
1535
Ihr Name ist Yahli.
00:16
She is nine months old.
2
4203
1511
Sie ist neun Monate alt.
00:18
Her mum is a doctor,
and her dad is a lawyer.
and her dad is a lawyer.
3
6201
2528
Ihre Mutter ist Ärztin, ihr Vater Anwalt.
00:21
By the time Yahli goes to college,
4
9269
2006
Wenn Yahli ins Gymnasium kommt,
00:23
the jobs her parents do
are going to look dramatically different.
are going to look dramatically different.
5
11299
3253
werden sich die Berufe ihrer
Eltern komplett verändert haben.
Eltern komplett verändert haben.
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
2013 untersuchten Forscher der
Universität Oxford die Zukunft der Arbeit.
Universität Oxford die Zukunft der Arbeit.
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
Sie stellten fest, dass beinahe einer
von zwei Arbeitsplätzen das Risiko birgt,
von zwei Arbeitsplätzen das Risiko birgt,
durch Maschinen ersetzt zu werden.
00:36
of being automated by machines.
8
24929
1824
00:40
Machine learning is the technology
9
28388
1905
Maschinelles Lernen ist die Technologie,
die verantwortlich für diesen Bruch ist.
00:42
that's responsible for most
of this disruption.
of this disruption.
10
30317
2278
00:44
It's the most powerful branch
of artificial intelligence.
of artificial intelligence.
11
32619
2790
Es ist die wichtigste Sparte
der künstlichen Intelligenz.
der künstlichen Intelligenz.
00:47
It allows machines to learn from data
12
35433
1882
Es erlaubt Computern von Daten zu lernen
00:49
and mimic some of the things
that humans can do.
that humans can do.
13
37339
2592
und Dinge nachzuahmen,
die auch Menschen können.
die auch Menschen können.
00:51
My company, Kaggle, operates
on the cutting edge of machine learning.
on the cutting edge of machine learning.
14
39955
3415
Mein Unternehmen Kaggle arbeitet am
Schnittpunkt zum Maschinellen Lernen.
Schnittpunkt zum Maschinellen Lernen.
00:55
We bring together
hundreds of thousands of experts
hundreds of thousands of experts
15
43394
2386
Wir bringen Hunderte
von Experten zusammen,
von Experten zusammen,
00:57
to solve important problems
for industry and academia.
for industry and academia.
16
45804
3118
um wichtige Probleme aus
Industrie und Universitäten zu lösen.
Industrie und Universitäten zu lösen.
01:01
This gives us a unique perspective
on what machines can do,
on what machines can do,
17
49279
3222
Das gibt uns eine einmalige
Perspektive, was Maschinen können,
Perspektive, was Maschinen können,
was sie nicht können
01:04
what they can't do
18
52525
1235
und welche Arbeitsplätze automatisiert
oder bedroht sein könnten.
oder bedroht sein könnten.
01:05
and what jobs they might
automate or threaten.
automate or threaten.
19
53784
2939
01:09
Machine learning started making its way
into industry in the early '90s.
into industry in the early '90s.
20
57316
3550
Maschinelles Lernen fand in den frühen
90er Jahren den Weg in die Industrie.
90er Jahren den Weg in die Industrie.
01:12
It started with relatively simple tasks.
21
60890
2124
Es begann mit einfachen Arbeiten.
01:15
It started with things like assessing
credit risk from loan applications,
credit risk from loan applications,
22
63406
4115
Es begann mit der Risikobeurteilung
von Kreditanträgen
von Kreditanträgen
01:19
sorting the mail by reading
handwritten characters from zip codes.
handwritten characters from zip codes.
23
67545
4053
oder dem Aussortieren von Briefpost
mit handgeschriebenen Postleitzahlen.
mit handgeschriebenen Postleitzahlen.
01:24
Over the past few years, we have made
dramatic breakthroughs.
dramatic breakthroughs.
24
72036
3169
Über die letzten Jahre haben wir
dramatische Durchbrüche erzielt.
dramatische Durchbrüche erzielt.
01:27
Machine learning is now capable
of far, far more complex tasks.
of far, far more complex tasks.
25
75586
3916
Maschinelles Lernen ist unterdessen
kann viel komplexere Arbeiten leisten.
kann viel komplexere Arbeiten leisten.
01:31
In 2012, Kaggle challenged its community
26
79860
3231
2012 hat Kaggle seine
Community herausgefordert,
Community herausgefordert,
01:35
to build an algorithm
that could grade high-school essays.
that could grade high-school essays.
27
83115
3189
Algorithmen zu entwerfen,
die Oberstufen-Aufsätzen bewerten.
die Oberstufen-Aufsätzen bewerten.
01:38
The winning algorithms
were able to match the grades
were able to match the grades
28
86328
2604
Die besten Algorithmen waren
fähig, Beurteilungen abzugleichen,
fähig, Beurteilungen abzugleichen,
01:40
given by human teachers.
29
88956
1665
die von Lehrern gemacht wurden.
01:43
Last year, we issued
an even more difficult challenge.
an even more difficult challenge.
30
91092
2984
Letztes Jahr gaben wir eine
noch schwierigeren Herausforderung:
noch schwierigeren Herausforderung:
01:46
Can you take images of the eye
and diagnose an eye disease
and diagnose an eye disease
31
94100
2953
Kann man Fotos vom Auge machen
und eine Krankheit diagnostizieren,
und eine Krankheit diagnostizieren,
01:49
called diabetic retinopathy?
32
97077
1694
namens Diabetische Retinopathie?
01:51
Again, the winning algorithms
were able to match the diagnoses
were able to match the diagnoses
33
99164
4040
Erneut waren es die besten Algorithmen,
die es schafften, Diagnosen abzugleichen,
die es schafften, Diagnosen abzugleichen,
01:55
given by human ophthalmologists.
34
103228
1825
gemacht durch einen Augenarzt.
01:57
Now, given the right data,
machines are going to outperform humans
machines are going to outperform humans
35
105561
3212
Mit den richtigen Daten
werden Computer Menschen
werden Computer Menschen
bei Arbeiten wie dieser übertreffen.
02:00
at tasks like this.
36
108797
1165
02:01
A teacher might read 10,000 essays
over a 40-year career.
over a 40-year career.
37
109986
3992
Ein Lehrer wird in seiner 40-jährigen
Karriere 10 000 Aufsätze gelesen haben.
Karriere 10 000 Aufsätze gelesen haben.
02:06
An ophthalmologist might see 50,000 eyes.
38
114407
2360
Ein Augenarzt wird 50 000
Augen gesehen haben.
Augen gesehen haben.
02:08
A machine can read millions of essays
or see millions of eyes
or see millions of eyes
39
116791
3913
Ein Computer kann Millionen Aufsätze
lesen oder Millionen Augen prüfen --
lesen oder Millionen Augen prüfen --
02:12
within minutes.
40
120728
1276
innerhalb von Minuten.
02:14
We have no chance of competing
against machines
against machines
41
122456
2858
Wir haben keine Chance
gegen Computer anzukämpfen,
gegen Computer anzukämpfen,
02:17
on frequent, high-volume tasks.
42
125338
2321
wenn es um häufige Aufgaben
mit hohem Datenvolumen geht.
mit hohem Datenvolumen geht.
02:20
But there are things we can do
that machines can't do.
that machines can't do.
43
128665
3724
Es gibt jedoch Dinge, die wir können,
die Computer wiederum nicht können.
die Computer wiederum nicht können.
Nur geringe Fortschritte
haben Computer bisher
haben Computer bisher
02:24
Where machines have made
very little progress
very little progress
44
132791
2200
beim Bewältigen neuartiger
Situationen erzielt.
Situationen erzielt.
02:27
is in tackling novel situations.
45
135015
1854
02:28
They can't handle things
they haven't seen many times before.
they haven't seen many times before.
46
136893
3899
Unbekannte Dinge
können sie nicht bewältigen.
können sie nicht bewältigen.
02:33
The fundamental limitations
of machine learning
of machine learning
47
141321
2584
Die grundlegende Beschränkung
von Maschinellem Lernen ist,
von Maschinellem Lernen ist,
02:35
is that it needs to learn
from large volumes of past data.
from large volumes of past data.
48
143929
3394
dass es von grossen Datenvolumen
aus der Vergangenheit lernen muss.
aus der Vergangenheit lernen muss.
02:39
Now, humans don't.
49
147347
1754
Menschen wiederum müssen das nicht.
02:41
We have the ability to connect
seemingly disparate threads
seemingly disparate threads
50
149125
3030
Wir haben die Fähigkeit,
unterschiedliche Fäden zu verknüpfen,
unterschiedliche Fäden zu verknüpfen,
02:44
to solve problems we've never seen before.
51
152179
2238
um unbekannte Probleme zu lösen.
02:46
Percy Spencer was a physicist
working on radar during World War II,
working on radar during World War II,
52
154808
4411
Der Physiker Percy Spencer arbeitete
während dem 2. Weltkrieg am Radar,
während dem 2. Weltkrieg am Radar,
als er merkte, dass Magnetron seinen
Schokoladenriegel schmelzen liess.
Schokoladenriegel schmelzen liess.
02:51
when he noticed the magnetron
was melting his chocolate bar.
was melting his chocolate bar.
53
159243
3013
02:54
He was able to connect his understanding
of electromagnetic radiation
of electromagnetic radiation
54
162970
3295
Er war fähig, seine Kenntnisse
der Elektromagnetischen Strahlung
der Elektromagnetischen Strahlung
mit seinen Kochkenntnissen zu verknüpfen
02:58
with his knowledge of cooking
55
166289
1484
02:59
in order to invent -- any guesses? --
the microwave oven.
the microwave oven.
56
167797
3258
um später -- ratet was? --
die Mikrowelle zu erfinden.
die Mikrowelle zu erfinden.
03:03
Now, this is a particularly remarkable
example of creativity.
example of creativity.
57
171444
3073
Das also ist ein bemerkenswertes
Beispiel für Kreativität.
Beispiel für Kreativität.
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
Diese Art gegenseitiger Befruchtung
erfolgt für uns in kleinen Schritten
erfolgt für uns in kleinen Schritten
tausende Male während eines Tages.
03:10
thousands of times per day.
59
178229
1828
PCs können nicht mit uns mithalten,
03:12
Machines cannot compete with us
60
180501
1661
wenn es um Bewältigung
neuartiger Situationen geht.
neuartiger Situationen geht.
03:14
when it comes to tackling
novel situations,
novel situations,
61
182186
2251
03:16
and this puts a fundamental limit
on the human tasks
on the human tasks
62
184461
3117
Das begrenzt menschliche Aufgaben,
03:19
that machines will automate.
63
187602
1717
die Maschinen automatisieren können.
03:22
So what does this mean
for the future of work?
for the future of work?
64
190041
2405
Was bedeutet das für
die Zukunft des Arbeitens?
die Zukunft des Arbeitens?
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
Die Zukunft jeder einzelnen Arbeit liegt
in der Antwort einer einzigen Frage:
in der Antwort einer einzigen Frage:
Inwieweit ist diese Arbeit reduzierbar
für eine grosse Menge Aufgaben
für eine grosse Menge Aufgaben
03:29
To what extent is that job reducible
to frequent, high-volume tasks,
to frequent, high-volume tasks,
66
197360
4981
und inwieweit involviert sie die
Bewältigung neuartiger Situationen ?
Bewältigung neuartiger Situationen ?
03:34
and to what extent does it involve
tackling novel situations?
tackling novel situations?
67
202365
3253
03:37
On frequent, high-volume tasks,
machines are getting smarter and smarter.
machines are getting smarter and smarter.
68
205975
4035
Für die Verarbeitung hochvolumiger
Aufgaben werden Computer immer schlauer.
Aufgaben werden Computer immer schlauer.
Heute bewerten sie Aufsätze;
diagnostizieren gewisse Krankheiten.
diagnostizieren gewisse Krankheiten.
03:42
Today they grade essays.
They diagnose certain diseases.
They diagnose certain diseases.
69
210034
2714
03:44
Over coming years,
they're going to conduct our audits,
they're going to conduct our audits,
70
212772
3157
Über die Jahre werden sie
unsere Prüfungen selbst ausführen
unsere Prüfungen selbst ausführen
und Textbausteine in rechtsgültigen
Verträgen zu lesen wissen.
Verträgen zu lesen wissen.
03:47
and they're going to read boilerplate
from legal contracts.
from legal contracts.
71
215953
2967
03:50
Accountants and lawyers are still needed.
72
218944
1997
Noch werden Buchhalter
und Anwälte gebraucht.
und Anwälte gebraucht.
03:52
They're going to be needed
for complex tax structuring,
for complex tax structuring,
73
220965
2682
Sie werden für aufwendige
Steuerstrukturierungen
Steuerstrukturierungen
oder für Rechtsstreits gebraucht.
03:55
for pathbreaking litigation.
74
223671
1357
Rechner verringern aber ihre Bedeutung
03:57
But machines will shrink their ranks
75
225052
1717
03:58
and make these jobs harder to come by.
76
226793
1872
und es wird schwieriger,
diese Jobs zu bekommen.
diese Jobs zu bekommen.
04:00
Now, as mentioned,
77
228689
1151
Wie erwähnt,
erzeugen PCs keine Fortschritte,
was neuartige Situationen angeht.
was neuartige Situationen angeht.
04:01
machines are not making progress
on novel situations.
on novel situations.
78
229864
2949
04:04
The copy behind a marketing campaign
needs to grab consumers' attention.
needs to grab consumers' attention.
79
232837
3457
Eine Marketingaktion muss die
Aufmerksamkeit des Verbraucher gewinnen.
Aufmerksamkeit des Verbraucher gewinnen.
04:08
It has to stand out from the crowd.
80
236318
1715
Sie muss aus der Menge herausragen.
04:10
Business strategy means
finding gaps in the market,
finding gaps in the market,
81
238057
2444
Geschäftsstrategien heisst,
Lücken im Markt zu finden,
Lücken im Markt zu finden,
04:12
things that nobody else is doing.
82
240525
1756
für Dinge, die sonst niemand tut.
04:14
It will be humans that are creating
the copy behind our marketing campaigns,
the copy behind our marketing campaigns,
83
242305
4118
Es werden immer Menschen sein
hinter einer Marketingkampagne
hinter einer Marketingkampagne
04:18
and it will be humans that are developing
our business strategy.
our business strategy.
84
246447
3517
und es werden immer Menschen sein,
die Business Strategien entwickeln.
die Business Strategien entwickeln.
04:21
So Yahli, whatever you decide to do,
85
249988
2817
Yahli, für was auch immer
du dich entscheidest,
du dich entscheidest,
04:24
let every day bring you a new challenge.
86
252829
2361
stell dich jeden Tag einer
neuen Herausforderung.
neuen Herausforderung.
04:27
If it does, then you will stay
ahead of the machines.
ahead of the machines.
87
255587
2809
Wenn es so ist, wirst du den
Computern immer voraus sein.
Computern immer voraus sein.
04:31
Thank you.
88
259126
1176
Danke.
04:32
(Applause)
89
260326
3104
(Applaus)
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