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

Άντονι Γκόλντμπλουμ: Οι δουλειές που θα χάσουμε από τις μηχανές - και αυτές που όχι

Filmed:
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;
- 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 nieceανηψιά.
0
968
1262
Αυτή είναι η ανιψιά μου.
00:14
Her nameόνομα is YahliYahli.
1
2644
1535
Ονομάζεται Γιάλι.
00:16
She is nineεννέα monthsμήνες oldπαλαιός.
2
4203
1511
Είναι εννέα μηνών.
Η μαμά της είναι γιατρός
και o μπαμπάς της δικηγόρος.
00:18
Her mumμαμά is a doctorγιατρός,
and her dadΜπαμπάς is a lawyerδικηγόρος.
3
6201
2528
00:21
By the time YahliYahli goesπηγαίνει to collegeΚολλέγιο,
4
9269
2006
Μέχρι να πάει η Γιάλι στο πανεστήμιο
00:23
the jobsθέσεις εργασίας her parentsγονείς do
are going to look dramaticallyδραματικά differentδιαφορετικός.
5
11299
3253
το επαγγέλματα των γονιών της
θα είναι πολύ διαφορετικά.
00:27
In 2013, researchersερευνητές at OxfordΟξφόρδη UniversityΠανεπιστήμιο
did a studyμελέτη on the futureμελλοντικός of work.
6
15347
5073
Το 2013, ερευνητές
στο πανεπιστήμιο της Οξφόρδης
έκαναν μια μελέτη
πάνω στο μέλλον της εργασίας.
00:32
They concludedολοκληρώθηκε that almostσχεδόν one
in everyκάθε two jobsθέσεις εργασίας have a highυψηλός riskκίνδυνος
7
20766
4139
Κατέληξαν ότι σχεδόν ένα
στα δύο επαγγέλματα κινδυνεύουν
00:36
of beingνα εισαι automatedαυτοματοποιημένη by machinesμηχανές.
8
24929
1824
να αυτοματοποιηθούν από μηχανές.
00:40
MachineΜηχάνημα learningμάθηση is the technologyτεχνολογία
9
28388
1905
Η μηχανική μάθηση είναι η τεχνολογία
00:42
that's responsibleυπεύθυνος for mostπλέον
of this disruptionαναστάτωση.
10
30317
2278
που ευθύνεται κυρίως
για αυτήν την αναστάτωση.
00:44
It's the mostπλέον powerfulισχυρός branchκλαδί
of artificialτεχνητός intelligenceνοημοσύνη.
11
32619
2790
Είναι το πιο δυνατό παρακλάδι
της τεχνητής νοημοσύνης.
00:47
It allowsεπιτρέπει machinesμηχανές to learnμαθαίνω from dataδεδομένα
12
35433
1882
Επιτρέπει στις μηχανές
να μάθουν από δεδομένα
00:49
and mimicμίμος some of the things
that humansτου ανθρώπου can do.
13
37339
2592
και να μιμηθούν πράγματα
που κάνουν οι άνθρωποι.
00:51
My companyΕταιρία, KaggleKaggle, operatesλειτουργεί
on the cuttingτομή edgeάκρη of machineμηχανή learningμάθηση.
14
39955
3415
Η εταιρεία μου, η Kaggel, λειτουργεί
στην αιχμή της μηχανικής μάθησης.
00:55
We bringνα φερεις togetherμαζί
hundredsεκατοντάδες of thousandsχιλιάδες of expertsειδικοί
15
43394
2386
Μαζεύουμε εκατοντάδες χιλιάδες ειδικούς
για να λύσουν σημαντικά βιομηχανικά
και ακαδημαϊκά προβλήματα.
00:57
to solveλύσει importantσπουδαίος problemsπροβλήματα
for industryβιομηχανία and academiaακαδημαϊκή κοινότητα.
16
45804
3118
01:01
This givesδίνει us a uniqueμοναδικός perspectiveπροοπτική
on what machinesμηχανές 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 jobsθέσεις εργασίας they mightθα μπορούσε
automateαυτοματοποίηση or threatenαπειλούν την.
19
53784
2939
και ποιες δουλειές ίσως
αυτοματοποιήσουν ή απειλήσουν.
Η μηχανική μάθηση άρχισε να εμφανίζεται
στη βιομηχανία αρχές της δεκαετίας του 90.
01:09
MachineΜηχάνημα learningμάθηση startedξεκίνησε makingκατασκευή its way
into industryβιομηχανία in the earlyνωρίς '90s.
20
57316
3550
01:12
It startedξεκίνησε with relativelyσχετικά simpleαπλός tasksκαθήκοντα.
21
60890
2124
Ξεκίνησε με σχετικά απλές εργασίες.
01:15
It startedξεκίνησε with things like assessingτην αξιολόγηση της
creditπίστωση riskκίνδυνος from loanδάνειο applicationsεφαρμογών,
22
63406
4115
Ξεκίνησε με πράγματα όπως η αξιολόγηση
πιστωτικού κινδύνου από αιτήσεις δανείων,
01:19
sortingδιαλογή the mailταχυδρομείο by readingΑΝΑΓΝΩΣΗ
handwrittenχειρόγραφο charactersχαρακτήρες from zipφερμουάρ codesκωδικοί.
23
67545
4053
ταξινόμηση της αλληλογραφίας διαβάζοντας
χειρόγραφους ταχυδρομικούς κώδικες.
01:24
Over the pastτο παρελθόν fewλίγοι yearsχρόνια, we have madeέκανε
dramaticδραματικός breakthroughsανακαλύψεις.
24
72036
3169
Τα τελευταία λίγα χρόνια
κάναμε σημαντική πρόοδο.
01:27
MachineΜηχάνημα learningμάθηση is now capableικανός
of farμακριά, farμακριά more complexσυγκρότημα tasksκαθήκοντα.
25
75586
3916
Η μηχανική μάθηση είναι πλέον ικανή
να αναλάβει πολύ πιο περίπλοκα έργα.
01:31
In 2012, KaggleKaggle challengedαμφισβητηθεί its communityκοινότητα
26
79860
3231
Το 2012, η Kaggle προκάλεσε τα μέλη της
01:35
to buildχτίζω an algorithmαλγόριθμος
that could gradeΒαθμός high-schoolΛύκειο essaysδοκίμια.
27
83115
3189
να δημιουργήσουν έναν αλγόριθμο
που θα διόρθωνε εργασίες λυκείου.
01:38
The winningεπιτυχής algorithmsαλγορίθμους
were ableικανός to matchαγώνας the gradesΟι βαθμοί
28
86328
2604
Οι αλγόριθμοι που νίκησαν,
βαθμολόγησαν το ίδιο
όπως οι καθηγητές.
01:40
givenδεδομένος by humanο άνθρωπος teachersκαθηγητές.
29
88956
1665
01:43
Last yearέτος, we issuedεκδόθηκε
an even more difficultδύσκολος challengeπρόκληση.
30
91092
2984
Πέρυσι ετοιμάσαμε
μια ακόμη δυσκολότερη δοκιμασία.
Πως μπορεί να διαγνωστεί μια ασθένεια,
όπως η διαβητική ρετινοπάθεια,
01:46
Can you take imagesεικόνες of the eyeμάτι
and diagnoseδιαγιγνώσκω an eyeμάτι diseaseασθένεια
31
94100
2953
01:49
calledπου ονομάζεται diabeticδιαβητικός retinopathyαμφιβληστροειδοπάθεια?
32
97077
1694
παίρνοντας εικόνες από το μάτι;
01:51
Again, the winningεπιτυχής algorithmsαλγορίθμους
were ableικανός to matchαγώνας the diagnosesδιαγνώσεις
33
99164
4040
Και πάλι, ο αλγόριθμος που νίκησε,
έδωσε την ίδια διάγνωση
που έδωσαν και οι οφθαλμίατροι.
01:55
givenδεδομένος by humanο άνθρωπος ophthalmologistsΙατροί οφθαλμολόγοι.
34
103228
1825
01:57
Now, givenδεδομένος the right dataδεδομένα,
machinesμηχανές are going to outperformυψηλές επιδόσεις humansτου ανθρώπου
35
105561
3212
Έχοντας τα σωστά δεδομένα, οι μηχανές
θα ξεπεράσουν τους ανθρώπους
02:00
at tasksκαθήκοντα like this.
36
108797
1165
σε εργασίες όπως αυτές.
02:01
A teacherδάσκαλος mightθα μπορούσε readανάγνωση 10,000 essaysδοκίμια
over a 40-year-έτος careerκαριέρα.
37
109986
3992
Ένας δάσκαλος, σε 40 χρόνια εργασίας,
θα διαβάσει πάνω από 10.000 εκθέσεις.
02:06
An ophthalmologistΟφθαλμίατρος mightθα μπορούσε see 50,000 eyesμάτια.
38
114407
2360
Ένας οφθαλμίατρος θα δει
περίπου 50.000 μάτια.
02:08
A machineμηχανή can readανάγνωση millionsεκατομμύρια of essaysδοκίμια
or see millionsεκατομμύρια of eyesμάτια
39
116791
3913
Μια μηχανή μπορεί να διαβάσει εκατομμύρια
εργασίες ή να δει εκατομμύρια μάτια
02:12
withinστα πλαίσια minutesλεπτά.
40
120728
1276
σε μερικά λεπτά.
02:14
We have no chanceευκαιρία of competingανταγωνίζονται
againstκατά machinesμηχανές
41
122456
2858
Δεν υπάρχει περίπτωση
να ανταγωνιστούμε τις μηχανές
02:17
on frequentσυχνάζω, high-volumeυψηλή ένταση tasksκαθήκοντα.
42
125338
2321
σε συχνές εργασίες μεγάλου όγκου.
02:20
But there are things we can do
that machinesμηχανές can't do.
43
128665
3724
Υπάρχουν όμως πράγματα,
που μόνο εμείς μπορούμε να κάνουμε.
02:24
Where machinesμηχανές have madeέκανε
very little progressπρόοδος
44
132791
2200
Οι μηχανές έχουν προοδεύσει ελάχιστα
02:27
is in tacklingη αντιμετώπιση της novelμυθιστόρημα situationsκαταστάσεις.
45
135015
1854
στο να επιλύουν πρωτότυπα προβλήματα.
02:28
They can't handleλαβή things
they haven'tδεν έχουν seenείδα manyΠολλά timesφορές before.
46
136893
3899
Δεν μπορούν να αντιμετωπίσουν πράγματα
που δεν έχουν δει ήδη πολλές φορές.
02:33
The fundamentalθεμελιώδης limitationsπεριορισμούς
of machineμηχανή learningμάθηση
47
141321
2584
Ο θεμελιώδης περιορισμός
της μηχανικής μάθησης
02:35
is that it needsανάγκες to learnμαθαίνω
from largeμεγάλο volumesόγκους of pastτο παρελθόν dataδεδομένα.
48
143929
3394
είναι ότι χρειάζεται πολλά προηγούμενα
δεδομένα για να μάθει από αυτά.
02:39
Now, humansτου ανθρώπου don't.
49
147347
1754
Ενώ οι άνθρωποι όχι.
02:41
We have the abilityικανότητα to connectσυνδέω
seeminglyφαινομενικώς disparateανόμοιος threadsνήματα
50
149125
3030
Μπορούμε να ενώσουμε ανόμοια
φαινομενικά γνωρίσματα
02:44
to solveλύσει problemsπροβλήματα we'veέχουμε never seenείδα before.
51
152179
2238
για να λύσουμε πρωτόγνωρα προβλήματα.
02:46
PercyPercy SpencerSpencer was a physicistφυσικός
workingεργαζόμενος on radarραντάρ duringστη διάρκεια WorldΚόσμο WarΠόλεμος IIII,
52
154808
4411
Ο Πέρσι Σπένσερ ήταν φυσικός
και ασχολούνταν με τα ραντάρ
κατά τον Β' Παγκόσμιο Πόλεμο
02:51
when he noticedπαρατήρησα the magnetronmagnetron
was meltingτήξη his chocolateσοκολάτα barμπαρ.
53
159243
3013
όταν διαπίστωσε ότι το μάγνητρο
έλιωνε τη σοκολάτα του.
02:54
He was ableικανός to connectσυνδέω his understandingκατανόηση
of electromagneticΗλεκτρομαγνητική radiationακτινοβολία
54
162970
3295
Συνέδεσε τη γνώση του πάνω
στην ηλεκτρομαγνητική ακτινοβολία
02:58
with his knowledgeη γνώση of cookingμαγείρεμα
55
166289
1484
και τις γνώσεις του στη μαγειρική
02:59
in orderΣειρά to inventεφευρίσκω -- any guessesμαντεύει? --
the microwaveφούρνος μικροκυμάτων ovenφούρνος.
56
167797
3258
για να ανακαλύψει τον φούρνο μικροκυμάτων.
03:03
Now, this is a particularlyιδιαίτερα remarkableαξιοσημείωτος
exampleπαράδειγμα of creativityδημιουργικότητα.
57
171444
3073
Πρόκειται για ένα
λαμπρό παράδειγμα δημιουργικότητας.
03:06
But this sortείδος of cross-pollinationεπικονίαση
happensσυμβαίνει for eachκαθε of us in smallμικρό waysτρόπους
58
174541
3664
Όμως τέτοιου είδους διασταυρώσεις
στις ιδέες μας συμβαίνουν σε όλους μας,
λίγο ή πολύ κατά τη διάρκεια μιας ημέρας.
03:10
thousandsχιλιάδες of timesφορές perανά day.
59
178229
1828
Δεν μας πιάνουν οι μηχανές,
03:12
MachinesΜηχανές cannotδεν μπορώ competeανταγωνίζονται with us
60
180501
1661
03:14
when it comesέρχεται to tacklingη αντιμετώπιση της
novelμυθιστόρημα situationsκαταστάσεις,
61
182186
2251
όταν πρόκειται
για τέτοιου είδους προβλήματα,
κάτι το οποίο θέτει βασικά όρια,
03:16
and this putsθέτει a fundamentalθεμελιώδης limitόριο
on the humanο άνθρωπος tasksκαθήκοντα
62
184461
3117
ως προς το ποιες εργασίες
θα αυτοματοποιήσουν οι μηχανές.
03:19
that machinesμηχανές will automateαυτοματοποίηση.
63
187602
1717
Τι σημαίνει λοιπόν αυτό
για το μέλλον της εργασίας;
03:22
So what does this mean
for the futureμελλοντικός of work?
64
190041
2405
03:24
The futureμελλοντικός stateκατάσταση of any singleμονόκλινο jobδουλειά liesψέματα
in the answerαπάντηση to a singleμονόκλινο questionερώτηση:
65
192804
4532
Το μέλλον κάθε επαγγέλματος κρύβεται
στην απάντηση αυτής της ερώτησης;
03:29
To what extentέκταση is that jobδουλειά reducibleαναγώγιμη
to frequentσυχνάζω, high-volumeυψηλή ένταση tasksκαθήκοντα,
66
197360
4981
Κατά πόσο μια εργασία αποτελείται
από συχνές εργασίες μεγάλου όγκου,
03:34
and to what extentέκταση does it involveεμπλέκω
tacklingη αντιμετώπιση της novelμυθιστόρημα situationsκαταστάσεις?
67
202365
3253
και κατά πόσο εμπεριέχει
πρωτόγνωρα προβλήματα;
03:37
On frequentσυχνάζω, high-volumeυψηλή ένταση tasksκαθήκοντα,
machinesμηχανές are gettingνα πάρει smarterεξυπνότερα and smarterεξυπνότερα.
68
205975
4035
Στις συχνές εργασίες μεγάλου όγκου,
οι μηχανές γίνονται όλο και εξυπνότερες.
03:42
TodayΣήμερα they gradeΒαθμός essaysδοκίμια.
They diagnoseδιαγιγνώσκω certainβέβαιος diseasesασθένειες.
69
210034
2714
Σήμερα διορθώνουν εκθέσεις,
διαγιγνώσκουν ορισμένες ασθένειες.
03:44
Over comingερχομός yearsχρόνια,
they're going to conductσυμπεριφοράς our auditsλογιστικοί έλεγχοι,
70
212772
3157
Σε μερικά χρόνια θα αναλάβουν
λογιστικούς ελέγχους
03:47
and they're going to readανάγνωση boilerplateστερεότυπο
from legalνομικός contractsσυμβάσεις.
71
215953
2967
και θα αναγνωρίζουν ορολογίες
από νομικά συμβόλαια.
Θα χρειαζόμαστε λογιστές και δικηγόρους.
03:50
AccountantsΛογιστές and lawyersδικηγόρους are still neededαπαιτείται.
72
218944
1997
Θα χρειάζονται για περίπλοκες
φορολογικές δηλώσεις
03:52
They're going to be neededαπαιτείται
for complexσυγκρότημα taxφόρος structuringΔόμηση,
73
220965
2682
ή μια εφευρετική αντιπροσώπευση σε δίκη.
03:55
for pathbreakingμελέτες για litigationδίκη.
74
223671
1357
03:57
But machinesμηχανές will shrinkμαζεύω theirδικα τους ranksτάξεις
75
225052
1717
Αλλά θα μειωθούν
και θα 'ναι πιο δυσεύρετες εργασίες.
03:58
and make these jobsθέσεις εργασίας harderπιο δυνατα to come by.
76
226793
1872
04:00
Now, as mentionedπου αναφέρθηκαν,
77
228689
1151
Όπως είπαμε
04:01
machinesμηχανές are not makingκατασκευή progressπρόοδος
on novelμυθιστόρημα situationsκαταστάσεις.
78
229864
2949
οι μηχανές δεν ανταπεξέρχονται
σε πρωτόγνωρα προβλήματα.
04:04
The copyαντιγραφή behindπίσω a marketingεμπορία campaignκαμπάνια
needsανάγκες to grabαρπάζω consumers'των καταναλωτών attentionπροσοχή.
79
232837
3457
Μια διαφημιστική καμπάνια
πρέπει να τραβήξει το ενδιαφέρον.
04:08
It has to standστάση out from the crowdπλήθος.
80
236318
1715
Να ξεχωρίσει από το πλήθος.
04:10
BusinessΕπαγγελματίες strategyστρατηγική meansπου σημαίνει
findingεύρεση gapsκενά in the marketαγορά,
81
238057
2444
Μια επιχειρηματική στρατηγική
βρίσκει κενά στην αγορά
04:12
things that nobodyκανείς elseαλλού is doing.
82
240525
1756
κάτι που κανένας άλλος δεν κάνει.
04:14
It will be humansτου ανθρώπου that are creatingδημιουργώντας
the copyαντιγραφή behindπίσω our marketingεμπορία campaignsεκστρατείες,
83
242305
4118
Οι άνθρωποι θα σχεδιάζουν
τις διαφημιστικές καμπάνιες
04:18
and it will be humansτου ανθρώπου that are developingανάπτυξη
our businessεπιχείρηση strategyστρατηγική.
84
246447
3517
και οι άνθρωποι θα αναπτύσσουν
την επιχειρηματική στρατηγική.
04:21
So YahliYahli, whateverοτιδήποτε you decideαποφασίζω to do,
85
249988
2817
Οπότε Γιάλι, ό,τι και αν κάνεις
προσπάθησε κάθε μέρα
να αντιμετωπίζεις μια καινούρια πρόκληση.
04:24
let everyκάθε day bringνα φερεις you a newνέος challengeπρόκληση.
86
252829
2361
Αν το καταφέρεις, θα είσαι
ένα βήμα μπροστά από τις μηχανές.
04:27
If it does, then you will stayδιαμονή
aheadεμπρός of the machinesμηχανές.
87
255587
2809
04:31
Thank you.
88
259126
1176
Ευχαριστώ.
04:32
(ApplauseΧειροκροτήματα)
89
260326
3104
Translated by Stavros Ouzounis
Reviewed by Chryssa Rapessi

▲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

Data provided by TED.

This site was created in May 2015 and the last update was on January 12, 2020. It will no longer be updated.

We are currently creating a new site called "eng.lish.video" and would be grateful if you could access it.

If you have any questions or suggestions, please feel free to write comments in your language on the contact form.

Privacy Policy

Developer's Blog

Buy Me A Coffee