TED2016
Anthony Goldbloom: The jobs we'll lose to machines -- and the ones we won't
Anthony Goldbloom: Los trabajos que se perderán por las máquinas y los que no
Filmed:
Readability: 4.8
2,568,213 views
El aprendizaje automático no es solo para tareas simples, como la evaluación de riesgo de crédito o la clasificación de correo postal. Hoy puede realizar aplicaciones mucho más complejas, como la evaluación de ensayos y el diagnóstico de enfermedades. Con estos avances se plantea una pregunta incómoda: ¿Un robot hará nuestro trabajo en el futuro?
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
Esta es mi sobrina.
00:14
Her name is Yahli.
1
2644
1535
Su nombre es Yahli.
00:16
She is nine months old.
2
4203
1511
Tiene nueve meses.
00:18
Her mum is a doctor,
and her dad is a lawyer.
and her dad is a lawyer.
3
6201
2528
Su madre es médica y su padre abogado.
00:21
By the time Yahli goes to college,
4
9269
2006
Cuando Yahli vaya a la universidad,
los trabajos que desempeñan sus padres
serán drásticamente diferentes.
serán drásticamente diferentes.
00:23
the jobs her parents do
are going to look dramatically different.
are going to look dramatically different.
5
11299
3253
En 2013 investigadores
de la Universidad de Oxford
de la Universidad de Oxford
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
realizaron un estudio
sobre el futuro del trabajo.
sobre el futuro del trabajo.
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
Concluyendo que casi uno de cada dos
puestos de trabajo tienen un alto riesgo
puestos de trabajo tienen un alto riesgo
00:36
of being automated by machines.
8
24929
1824
de ser automatizado por máquinas.
El aprendizaje automático es la tecnología
00:40
Machine learning is the technology
9
28388
1905
responsable de la mayor
parte de esta alteración.
parte de esta alteración.
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 la rama más potente de
la inteligencia artificial.
la inteligencia artificial.
00:47
It allows machines to learn from data
12
35433
1882
Permite que las máquinas
aprendan de datos
aprendan de datos
00:49
and mimic some of the things
that humans can do.
that humans can do.
13
37339
2592
e imiten algunas de las cosas
que los humanos podemos hacer.
que los humanos podemos hacer.
00:51
My company, Kaggle, operates
on the cutting edge of machine learning.
on the cutting edge of machine learning.
14
39955
3415
Mi empresa Kaggle está en la vanguardia
del aprendizaje automático.
del aprendizaje automático.
00:55
We bring together
hundreds of thousands of experts
hundreds of thousands of experts
15
43394
2386
Reunimos a cientos de miles de expertos
para resolver problemas importantes
para la industria y el mundo académico.
para la industria y el mundo académico.
00:57
to solve important problems
for industry and academia.
for industry and academia.
16
45804
3118
Esto nos da una perspectiva única
sobre qué pueden hacer las máquinas,
sobre qué pueden hacer las máquinas,
01:01
This gives us a unique perspective
on what machines can do,
on what machines can do,
17
49279
3222
01:04
what they can't do
18
52525
1235
y lo que no pueden hacer
01:05
and what jobs they might
automate or threaten.
automate or threaten.
19
53784
2939
y qué puestos de trabajo
pueden automatizar o amenazar.
pueden automatizar o amenazar.
El aprendizaje automático comenzó
su camino en la industria en los años 90.
su camino en la industria en los años 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
Comenzó con tareas relativamente simples.
01:15
It started with things like assessing
credit risk from loan applications,
credit risk from loan applications,
22
63406
4115
Empezó con la evaluación del riesgo de
crédito de las solicitudes de préstamo,
crédito de las solicitudes de préstamo,
la clasificación del correo
leyendo caracteres escritos a mano
leyendo caracteres escritos a mano
01:19
sorting the mail by reading
handwritten characters from zip codes.
handwritten characters from zip codes.
23
67545
4053
a partir de los códigos postales.
01:24
Over the past few years, we have made
dramatic breakthroughs.
dramatic breakthroughs.
24
72036
3169
En los últimos años
hemos hecho grandes avances.
hemos hecho grandes avances.
01:27
Machine learning is now capable
of far, far more complex tasks.
of far, far more complex tasks.
25
75586
3916
El aprendizaje automático puede ahora
hacer tareas mucho más complejas.
hacer tareas mucho más complejas.
01:31
In 2012, Kaggle challenged its community
26
79860
3231
En 2012 Kaggle desafió a su comunidad
01:35
to build an algorithm
that could grade high-school essays.
that could grade high-school essays.
27
83115
3189
al construir un algoritmo para
evaluar los ensayos del instituto.
evaluar los ensayos del instituto.
01:38
The winning algorithms
were able to match the grades
were able to match the grades
28
86328
2604
Los algoritmos ganadores
pudieron igualar las calificaciones
pudieron igualar las calificaciones
01:40
given by human teachers.
29
88956
1665
dadas por profesores humanos.
01:43
Last year, we issued
an even more difficult challenge.
an even more difficult challenge.
30
91092
2984
El año pasado abordamos
un reto aún más difícil.
un reto aún más difícil.
01:46
Can you take images of the eye
and diagnose an eye disease
and diagnose an eye disease
31
94100
2953
¿Se pueden hacer imágenes del ojo
y diagnosticar una enfermedad ocular
y diagnosticar una enfermedad ocular
01:49
called diabetic retinopathy?
32
97077
1694
llamada retinopatía diabética?
01:51
Again, the winning algorithms
were able to match the diagnoses
were able to match the diagnoses
33
99164
4040
De nuevo los algoritmos ganadores
pudieron igualar los diagnósticos
pudieron igualar los diagnósticos
01:55
given by human ophthalmologists.
34
103228
1825
dados por los oftalmólogos humanos.
Así que con los datos correctos,
las máquinas superarán a los humanos
las máquinas superarán a los humanos
01:57
Now, given the right data,
machines are going to outperform humans
machines are going to outperform humans
35
105561
3212
02:00
at tasks like this.
36
108797
1165
en este tipo de tareas.
02:01
A teacher might read 10,000 essays
over a 40-year career.
over a 40-year career.
37
109986
3992
Un profesor puede leer 10 000 ensayos
durante un tiempo de 40 años.
durante un tiempo de 40 años.
02:06
An ophthalmologist might see 50,000 eyes.
38
114407
2360
Un oftalmólogo puede ver 50 000 ojos.
02:08
A machine can read millions of essays
or see millions of eyes
or see millions of eyes
39
116791
3913
Una máquina puede leer millones
de ensayos o ver a millones de ojos
de ensayos o ver a millones de ojos
02:12
within minutes.
40
120728
1276
en minutos.
02:14
We have no chance of competing
against machines
against machines
41
122456
2858
No tenemos oportunidad
de competir contra las máquinas
de competir contra las máquinas
02:17
on frequent, high-volume tasks.
42
125338
2321
en las tareas frecuentes
y de gran volumen.
y de gran volumen.
Pero hay cosas que podemos hacer
que las máquinas no pueden hacer.
que las máquinas no pueden hacer.
02:20
But there are things we can do
that machines can't do.
that machines can't do.
43
128665
3724
02:24
Where machines have made
very little progress
very little progress
44
132791
2200
Donde las máquinas han avanzado muy poco
02:27
is in tackling novel situations.
45
135015
1854
es haciendo frente a situaciones nuevas.
02:28
They can't handle things
they haven't seen many times before.
they haven't seen many times before.
46
136893
3899
Ellas no pueden manejar las cosas
que no han visto muchas veces antes.
que no han visto muchas veces antes.
Las limitaciones principales
del aprendizaje automático
del aprendizaje automático
02:33
The fundamental limitations
of machine learning
of machine learning
47
141321
2584
es que requiere el aprendizaje previo
de grandes volúmenes de datos del pasado.
de grandes volúmenes de datos del pasado.
02:35
is that it needs to learn
from large volumes of past data.
from large volumes of past data.
48
143929
3394
02:39
Now, humans don't.
49
147347
1754
Los humanos, sin embargo, no.
02:41
We have the ability to connect
seemingly disparate threads
seemingly disparate threads
50
149125
3030
Tenemos la capacidad de conectar
los hilos aparentemente dispares
los hilos aparentemente dispares
02:44
to solve problems we've never seen before.
51
152179
2238
para resolver problemas
que nunca antes hemos visto.
que nunca antes hemos visto.
02:46
Percy Spencer was a physicist
working on radar during World War II,
working on radar during World War II,
52
154808
4411
El físico Percy Spencer investigaba sobre
el radar durante la 2ª Guerra Mundial,
el radar durante la 2ª Guerra Mundial,
02:51
when he noticed the magnetron
was melting his chocolate bar.
was melting his chocolate bar.
53
159243
3013
cuando notó que el magnetrón
derretía su barra de chocolate.
derretía su barra de chocolate.
Pudo conectar su comprensión
de la radiación electromagnética
de la radiación electromagnética
02:54
He was able to connect his understanding
of electromagnetic radiation
of electromagnetic radiation
54
162970
3295
con su conocimiento de la cocina
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
para... ¿alguna idea?
El horno de microondas.
El horno de microondas.
03:03
Now, this is a particularly remarkable
example of creativity.
example of creativity.
57
171444
3073
Este es un ejemplo particularmente
notable de creatividad.
notable de creatividad.
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
Pero este tipo de polinización cruzada
ocurre en cada uno de nosotros
ocurre en cada uno de nosotros
en formas pequeñas
miles de veces por día.
miles de veces por día.
03:10
thousands of times per day.
59
178229
1828
Las máquinas no pueden
competir con nosotros
competir con nosotros
03:12
Machines cannot compete with us
60
180501
1661
03:14
when it comes to tackling
novel situations,
novel situations,
61
182186
2251
cuando se trata de hacer frente
a situaciones nuevas,
a situaciones nuevas,
03:16
and this puts a fundamental limit
on the human tasks
on the human tasks
62
184461
3117
y en las tareas humanas
esto tienen un límite fundamental
esto tienen un límite fundamental
03:19
that machines will automate.
63
187602
1717
para que las máquinas lo automaticen.
03:22
So what does this mean
for the future of work?
for the future of work?
64
190041
2405
Y ¿qué significa esto
para el futuro del trabajo?
para el futuro del trabajo?
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
El futuro de cualquier trabajo radica
en la respuesta a una sola pregunta:
en la respuesta a una sola pregunta:
03:29
To what extent is that job reducible
to frequent, high-volume tasks,
to frequent, high-volume tasks,
66
197360
4981
¿En qué medida el trabajo es reducible
a las tareas frecuentes y de gran volumen,
a las tareas frecuentes y de gran volumen,
03:34
and to what extent does it involve
tackling novel situations?
tackling novel situations?
67
202365
3253
y en qué medida tampoco implica
hacer frente a situaciones nuevas?
hacer frente a situaciones nuevas?
En tareas frecuentes y de gran volumen,
las máquinas son más y más inteligentes.
las máquinas son más y más inteligentes.
03:37
On frequent, high-volume tasks,
machines are getting smarter and smarter.
machines are getting smarter and smarter.
68
205975
4035
03:42
Today they grade essays.
They diagnose certain diseases.
They diagnose certain diseases.
69
210034
2714
Hoy evalúan ensayos.
Diagnostican ciertas enfermedades.
Diagnostican ciertas enfermedades.
03:44
Over coming years,
they're going to conduct our audits,
they're going to conduct our audits,
70
212772
3157
Durante los próximos años
harán nuestras auditorías,
harán nuestras auditorías,
03:47
and they're going to read boilerplate
from legal contracts.
from legal contracts.
71
215953
2967
y leerán lo repetitivo
de los contratos legales.
de los contratos legales.
Pero se seguirán necesitando
contadores y abogados.
contadores y abogados.
03:50
Accountants and lawyers are still needed.
72
218944
1997
03:52
They're going to be needed
for complex tax structuring,
for complex tax structuring,
73
220965
2682
Serán necesarios para
la estructuración fiscal compleja,
la estructuración fiscal compleja,
03:55
for pathbreaking litigation.
74
223671
1357
para los litigios pioneros.
03:57
But machines will shrink their ranks
75
225052
1717
Pero las máquinas contraerán sus rangos
03:58
and make these jobs harder to come by.
76
226793
1872
haciendo que estos puestos de trabajo
sean más difíciles de conseguir.
sean más difíciles de conseguir.
04:00
Now, as mentioned,
77
228689
1151
Pero, como se ha dicho,
04:01
machines are not making progress
on novel situations.
on novel situations.
78
229864
2949
las máquinas no están progresando
en situaciones nuevas.
en situaciones nuevas.
04:04
The copy behind a marketing campaign
needs to grab consumers' attention.
needs to grab consumers' attention.
79
232837
3457
La copia detrás de una campaña
de marketing debe captar
de marketing debe captar
la atención de los consumidores;
se ha de destacar de la multitud.
se ha de destacar de la multitud.
04:08
It has to stand out from the crowd.
80
236318
1715
04:10
Business strategy means
finding gaps in the market,
finding gaps in the market,
81
238057
2444
Significa buscar los nichos
de negocios vacíos en el mercado,
de negocios vacíos en el mercado,
04:12
things that nobody else is doing.
82
240525
1756
cosas que nadie más está haciendo.
04:14
It will be humans that are creating
the copy behind our marketing campaigns,
the copy behind our marketing campaigns,
83
242305
4118
Serán humanos los que crearán la copia
detrás de las campañas de marketing,
detrás de las campañas de marketing,
04:18
and it will be humans that are developing
our business strategy.
our business strategy.
84
246447
3517
y será el humano quien desarrolle
la estrategia de negocio.
la estrategia de negocio.
04:21
So Yahli, whatever you decide to do,
85
249988
2817
Así Yahli, sea lo que sea
que decidas hacer,
que decidas hacer,
04:24
let every day bring you a new challenge.
86
252829
2361
deja que cada día te traiga un nuevo reto.
04:27
If it does, then you will stay
ahead of the machines.
ahead of the machines.
87
255587
2809
Al hacerlo, entonces estarás
por delante de las máquinas.
por delante de las máquinas.
Gracias.
04:31
Thank you.
88
259126
1176
04:32
(Applause)
89
260326
3104
(Aplausos)
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