TED2016
Anthony Goldbloom: The jobs we'll lose to machines -- and the ones we won't
Άντονι Γκόλντμπλουμ: Οι δουλειές που θα χάσουμε από τις μηχανές - και αυτές που όχι
Filmed:
Readability: 4.8
2,568,213 views
Η μηχανική μάθηση δεν απευθύνεται πλέον μόνο σε απλές εργασίες, όπως η αξιολόγηση πιστοληπτικού κινδύνου ή η ταξινόμηση αλληλογραφίας. Σήμερα μπορεί να εφαρμοστεί σε πιο περίπλοκες εργασίες, όπως στην αξιολόγηση εκθέσεων και στη διάγνωση ασθενειών. Με αυτές τις καινοτομίες, εγείρεται μια δυσάρεστη ερώτηση: θα κάνει ένα ρομπότ τη δουλειά σου στο μέλλον;
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
Αυτή είναι η ανιψιά μου.
00:14
Her name is Yahli.
1
2644
1535
Ονομάζεται Γιάλι.
00:16
She is nine months old.
2
4203
1511
Είναι εννέα μηνών.
Η μαμά της είναι γιατρός
και o μπαμπάς της δικηγόρος.
και o μπαμπάς της δικηγόρος.
00:18
Her mum is a doctor,
and her dad is a lawyer.
and her dad is a lawyer.
3
6201
2528
00:21
By the time Yahli goes to college,
4
9269
2006
Μέχρι να πάει η Γιάλι στο πανεστήμιο
00:23
the jobs her parents do
are going to look dramatically different.
are going to look dramatically different.
5
11299
3253
το επαγγέλματα των γονιών της
θα είναι πολύ διαφορετικά.
θα είναι πολύ διαφορετικά.
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
Το 2013, ερευνητές
στο πανεπιστήμιο της Οξφόρδης
στο πανεπιστήμιο της Οξφόρδης
έκαναν μια μελέτη
πάνω στο μέλλον της εργασίας.
πάνω στο μέλλον της εργασίας.
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
Κατέληξαν ότι σχεδόν ένα
στα δύο επαγγέλματα κινδυνεύουν
στα δύο επαγγέλματα κινδυνεύουν
00:36
of being automated by machines.
8
24929
1824
να αυτοματοποιηθούν από μηχανές.
00:40
Machine learning is the technology
9
28388
1905
Η μηχανική μάθηση είναι η τεχνολογία
00:42
that's responsible for most
of this disruption.
of this disruption.
10
30317
2278
που ευθύνεται κυρίως
για αυτήν την αναστάτωση.
για αυτήν την αναστάτωση.
00:44
It's the most powerful branch
of artificial intelligence.
of artificial intelligence.
11
32619
2790
Είναι το πιο δυνατό παρακλάδι
της τεχνητής νοημοσύνης.
της τεχνητής νοημοσύνης.
00:47
It allows machines to learn from data
12
35433
1882
Επιτρέπει στις μηχανές
να μάθουν από δεδομένα
να μάθουν από δεδομένα
00:49
and mimic some of the things
that humans can do.
that humans can do.
13
37339
2592
και να μιμηθούν πράγματα
που κάνουν οι άνθρωποι.
που κάνουν οι άνθρωποι.
00:51
My company, Kaggle, operates
on the cutting edge of machine learning.
on the cutting edge of machine learning.
14
39955
3415
Η εταιρεία μου, η Kaggel, λειτουργεί
στην αιχμή της μηχανικής μάθησης.
στην αιχμή της μηχανικής μάθησης.
00:55
We bring together
hundreds of thousands of experts
hundreds of thousands of experts
15
43394
2386
Μαζεύουμε εκατοντάδες χιλιάδες ειδικούς
για να λύσουν σημαντικά βιομηχανικά
και ακαδημαϊκά προβλήματα.
και ακαδημαϊκά προβλήματα.
00:57
to solve important problems
for industry and academia.
for industry and academia.
16
45804
3118
01:01
This gives us a unique perspective
on what machines can do,
on what machines can do,
17
49279
3222
Αντιλαμβανόμαστε έτσι, τι μπορούν
και τι δεν μπορούν να κάνουν οι μηχανές
01:04
what they can't do
18
52525
1235
01:05
and what jobs they might
automate or threaten.
automate or threaten.
19
53784
2939
και ποιες δουλειές ίσως
αυτοματοποιήσουν ή απειλήσουν.
αυτοματοποιήσουν ή απειλήσουν.
Η μηχανική μάθηση άρχισε να εμφανίζεται
στη βιομηχανία αρχές της δεκαετίας του 90.
στη βιομηχανία αρχές της δεκαετίας του 90.
01:09
Machine learning started making its way
into industry in the early '90s.
into industry in the early '90s.
20
57316
3550
01:12
It started with relatively simple tasks.
21
60890
2124
Ξεκίνησε με σχετικά απλές εργασίες.
01:15
It started with things like assessing
credit risk from loan applications,
credit risk from loan applications,
22
63406
4115
Ξεκίνησε με πράγματα όπως η αξιολόγηση
πιστωτικού κινδύνου από αιτήσεις δανείων,
πιστωτικού κινδύνου από αιτήσεις δανείων,
01:19
sorting the mail by reading
handwritten characters from zip codes.
handwritten characters from zip codes.
23
67545
4053
ταξινόμηση της αλληλογραφίας διαβάζοντας
χειρόγραφους ταχυδρομικούς κώδικες.
χειρόγραφους ταχυδρομικούς κώδικες.
01:24
Over the past few years, we have made
dramatic breakthroughs.
dramatic breakthroughs.
24
72036
3169
Τα τελευταία λίγα χρόνια
κάναμε σημαντική πρόοδο.
κάναμε σημαντική πρόοδο.
01:27
Machine learning is now capable
of far, far more complex tasks.
of far, far more complex tasks.
25
75586
3916
Η μηχανική μάθηση είναι πλέον ικανή
να αναλάβει πολύ πιο περίπλοκα έργα.
να αναλάβει πολύ πιο περίπλοκα έργα.
01:31
In 2012, Kaggle challenged its community
26
79860
3231
Το 2012, η Kaggle προκάλεσε τα μέλη της
01:35
to build an algorithm
that could grade high-school essays.
that could grade high-school essays.
27
83115
3189
να δημιουργήσουν έναν αλγόριθμο
που θα διόρθωνε εργασίες λυκείου.
που θα διόρθωνε εργασίες λυκείου.
01:38
The winning algorithms
were able to match the grades
were able to match the grades
28
86328
2604
Οι αλγόριθμοι που νίκησαν,
βαθμολόγησαν το ίδιο
όπως οι καθηγητές.
όπως οι καθηγητές.
01:40
given by human teachers.
29
88956
1665
01:43
Last year, we issued
an even more difficult challenge.
an even more difficult challenge.
30
91092
2984
Πέρυσι ετοιμάσαμε
μια ακόμη δυσκολότερη δοκιμασία.
μια ακόμη δυσκολότερη δοκιμασία.
Πως μπορεί να διαγνωστεί μια ασθένεια,
όπως η διαβητική ρετινοπάθεια,
όπως η διαβητική ρετινοπάθεια,
01:46
Can you take images of the eye
and diagnose an eye disease
and diagnose an eye disease
31
94100
2953
01:49
called diabetic retinopathy?
32
97077
1694
παίρνοντας εικόνες από το μάτι;
01:51
Again, the winning algorithms
were able to match the diagnoses
were able to match the diagnoses
33
99164
4040
Και πάλι, ο αλγόριθμος που νίκησε,
έδωσε την ίδια διάγνωση
που έδωσαν και οι οφθαλμίατροι.
που έδωσαν και οι οφθαλμίατροι.
01:55
given by human ophthalmologists.
34
103228
1825
01:57
Now, given the right data,
machines are going to outperform humans
machines are going to outperform humans
35
105561
3212
Έχοντας τα σωστά δεδομένα, οι μηχανές
θα ξεπεράσουν τους ανθρώπους
θα ξεπεράσουν τους ανθρώπους
02:00
at tasks like this.
36
108797
1165
σε εργασίες όπως αυτές.
02:01
A teacher might read 10,000 essays
over a 40-year career.
over a 40-year career.
37
109986
3992
Ένας δάσκαλος, σε 40 χρόνια εργασίας,
θα διαβάσει πάνω από 10.000 εκθέσεις.
θα διαβάσει πάνω από 10.000 εκθέσεις.
02:06
An ophthalmologist might see 50,000 eyes.
38
114407
2360
Ένας οφθαλμίατρος θα δει
περίπου 50.000 μάτια.
περίπου 50.000 μάτια.
02:08
A machine can read millions of essays
or see millions of eyes
or see millions of eyes
39
116791
3913
Μια μηχανή μπορεί να διαβάσει εκατομμύρια
εργασίες ή να δει εκατομμύρια μάτια
εργασίες ή να δει εκατομμύρια μάτια
02:12
within minutes.
40
120728
1276
σε μερικά λεπτά.
02:14
We have no chance of competing
against machines
against machines
41
122456
2858
Δεν υπάρχει περίπτωση
να ανταγωνιστούμε τις μηχανές
να ανταγωνιστούμε τις μηχανές
02:17
on frequent, high-volume tasks.
42
125338
2321
σε συχνές εργασίες μεγάλου όγκου.
02:20
But there are things we can do
that machines can't do.
that machines can't do.
43
128665
3724
Υπάρχουν όμως πράγματα,
που μόνο εμείς μπορούμε να κάνουμε.
που μόνο εμείς μπορούμε να κάνουμε.
02:24
Where machines have made
very little progress
very little progress
44
132791
2200
Οι μηχανές έχουν προοδεύσει ελάχιστα
02:27
is in tackling novel situations.
45
135015
1854
στο να επιλύουν πρωτότυπα προβλήματα.
02:28
They can't handle things
they haven't seen many times before.
they haven't seen many times before.
46
136893
3899
Δεν μπορούν να αντιμετωπίσουν πράγματα
που δεν έχουν δει ήδη πολλές φορές.
που δεν έχουν δει ήδη πολλές φορές.
02:33
The fundamental limitations
of machine learning
of machine learning
47
141321
2584
Ο θεμελιώδης περιορισμός
της μηχανικής μάθησης
της μηχανικής μάθησης
02:35
is that it needs to learn
from large volumes of past data.
from large volumes of past data.
48
143929
3394
είναι ότι χρειάζεται πολλά προηγούμενα
δεδομένα για να μάθει από αυτά.
δεδομένα για να μάθει από αυτά.
02:39
Now, humans don't.
49
147347
1754
Ενώ οι άνθρωποι όχι.
02:41
We have the ability to connect
seemingly disparate threads
seemingly disparate threads
50
149125
3030
Μπορούμε να ενώσουμε ανόμοια
φαινομενικά γνωρίσματα
φαινομενικά γνωρίσματα
02:44
to solve problems we've never seen before.
51
152179
2238
για να λύσουμε πρωτόγνωρα προβλήματα.
02:46
Percy Spencer was a physicist
working on radar during World War II,
working on radar during World War II,
52
154808
4411
Ο Πέρσι Σπένσερ ήταν φυσικός
και ασχολούνταν με τα ραντάρ
κατά τον Β' Παγκόσμιο Πόλεμο
κατά τον Β' Παγκόσμιο Πόλεμο
02:51
when he noticed the magnetron
was melting his chocolate bar.
was melting his chocolate bar.
53
159243
3013
όταν διαπίστωσε ότι το μάγνητρο
έλιωνε τη σοκολάτα του.
έλιωνε τη σοκολάτα του.
02:54
He was able to connect his understanding
of electromagnetic radiation
of electromagnetic radiation
54
162970
3295
Συνέδεσε τη γνώση του πάνω
στην ηλεκτρομαγνητική ακτινοβολία
στην ηλεκτρομαγνητική ακτινοβολία
02:58
with his knowledge of cooking
55
166289
1484
και τις γνώσεις του στη μαγειρική
02:59
in order to invent -- any guesses? --
the microwave oven.
the microwave oven.
56
167797
3258
για να ανακαλύψει τον φούρνο μικροκυμάτων.
03:03
Now, this is a particularly remarkable
example of creativity.
example of creativity.
57
171444
3073
Πρόκειται για ένα
λαμπρό παράδειγμα δημιουργικότητας.
λαμπρό παράδειγμα δημιουργικότητας.
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
Όμως τέτοιου είδους διασταυρώσεις
στις ιδέες μας συμβαίνουν σε όλους μας,
στις ιδέες μας συμβαίνουν σε όλους μας,
λίγο ή πολύ κατά τη διάρκεια μιας ημέρας.
03:10
thousands of times per day.
59
178229
1828
Δεν μας πιάνουν οι μηχανές,
03:12
Machines cannot compete with us
60
180501
1661
03:14
when it comes to tackling
novel situations,
novel situations,
61
182186
2251
όταν πρόκειται
για τέτοιου είδους προβλήματα,
για τέτοιου είδους προβλήματα,
κάτι το οποίο θέτει βασικά όρια,
03:16
and this puts a fundamental limit
on the human tasks
on the human tasks
62
184461
3117
ως προς το ποιες εργασίες
θα αυτοματοποιήσουν οι μηχανές.
θα αυτοματοποιήσουν οι μηχανές.
03:19
that machines will automate.
63
187602
1717
Τι σημαίνει λοιπόν αυτό
για το μέλλον της εργασίας;
για το μέλλον της εργασίας;
03:22
So what does this mean
for the future of work?
for the future of work?
64
190041
2405
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
Το μέλλον κάθε επαγγέλματος κρύβεται
στην απάντηση αυτής της ερώτησης;
στην απάντηση αυτής της ερώτησης;
03:29
To what extent is that job reducible
to frequent, high-volume tasks,
to frequent, high-volume tasks,
66
197360
4981
Κατά πόσο μια εργασία αποτελείται
από συχνές εργασίες μεγάλου όγκου,
από συχνές εργασίες μεγάλου όγκου,
03:34
and to what extent does it involve
tackling novel situations?
tackling novel situations?
67
202365
3253
και κατά πόσο εμπεριέχει
πρωτόγνωρα προβλήματα;
πρωτόγνωρα προβλήματα;
03:37
On frequent, high-volume tasks,
machines are getting smarter and smarter.
machines are getting smarter and smarter.
68
205975
4035
Στις συχνές εργασίες μεγάλου όγκου,
οι μηχανές γίνονται όλο και εξυπνότερες.
οι μηχανές γίνονται όλο και εξυπνότερες.
03:42
Today they grade essays.
They diagnose certain diseases.
They diagnose certain diseases.
69
210034
2714
Σήμερα διορθώνουν εκθέσεις,
διαγιγνώσκουν ορισμένες ασθένειες.
διαγιγνώσκουν ορισμένες ασθένειες.
03:44
Over coming years,
they're going to conduct our audits,
they're going to conduct our audits,
70
212772
3157
Σε μερικά χρόνια θα αναλάβουν
λογιστικούς ελέγχους
λογιστικούς ελέγχους
03:47
and they're going to read boilerplate
from legal contracts.
from legal contracts.
71
215953
2967
και θα αναγνωρίζουν ορολογίες
από νομικά συμβόλαια.
από νομικά συμβόλαια.
Θα χρειαζόμαστε λογιστές και δικηγόρους.
03:50
Accountants and lawyers are still needed.
72
218944
1997
Θα χρειάζονται για περίπλοκες
φορολογικές δηλώσεις
φορολογικές δηλώσεις
03:52
They're going to be needed
for complex tax structuring,
for complex tax structuring,
73
220965
2682
ή μια εφευρετική αντιπροσώπευση σε δίκη.
03:55
for pathbreaking litigation.
74
223671
1357
03:57
But machines will shrink their ranks
75
225052
1717
Αλλά θα μειωθούν
και θα 'ναι πιο δυσεύρετες εργασίες.
03:58
and make these jobs harder to come by.
76
226793
1872
04:00
Now, as mentioned,
77
228689
1151
Όπως είπαμε
04:01
machines are not making progress
on novel situations.
on novel situations.
78
229864
2949
οι μηχανές δεν ανταπεξέρχονται
σε πρωτόγνωρα προβλήματα.
σε πρωτόγνωρα προβλήματα.
04:04
The copy behind a marketing campaign
needs to grab consumers' attention.
needs to grab consumers' attention.
79
232837
3457
Μια διαφημιστική καμπάνια
πρέπει να τραβήξει το ενδιαφέρον.
πρέπει να τραβήξει το ενδιαφέρον.
04:08
It has to stand out from the crowd.
80
236318
1715
Να ξεχωρίσει από το πλήθος.
04:10
Business strategy means
finding gaps in the market,
finding gaps in the market,
81
238057
2444
Μια επιχειρηματική στρατηγική
βρίσκει κενά στην αγορά
βρίσκει κενά στην αγορά
04:12
things that nobody else is doing.
82
240525
1756
κάτι που κανένας άλλος δεν κάνει.
04:14
It will be humans that are creating
the copy behind our marketing campaigns,
the copy behind our marketing campaigns,
83
242305
4118
Οι άνθρωποι θα σχεδιάζουν
τις διαφημιστικές καμπάνιες
τις διαφημιστικές καμπάνιες
04:18
and it will be humans that are developing
our business strategy.
our business strategy.
84
246447
3517
και οι άνθρωποι θα αναπτύσσουν
την επιχειρηματική στρατηγική.
την επιχειρηματική στρατηγική.
04:21
So Yahli, whatever you decide to do,
85
249988
2817
Οπότε Γιάλι, ό,τι και αν κάνεις
προσπάθησε κάθε μέρα
να αντιμετωπίζεις μια καινούρια πρόκληση.
να αντιμετωπίζεις μια καινούρια πρόκληση.
04:24
let every day bring you a new challenge.
86
252829
2361
Αν το καταφέρεις, θα είσαι
ένα βήμα μπροστά από τις μηχανές.
ένα βήμα μπροστά από τις μηχανές.
04:27
If it does, then you will stay
ahead of the machines.
ahead of the machines.
87
255587
2809
04:31
Thank you.
88
259126
1176
Ευχαριστώ.
04:32
(Applause)
89
260326
3104
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