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

آنتونی گلدبلوم: مشاغلی که ما به ماشین ها می بازیم -- و اونهایی که ما برنده ایم

Filmed:
2,568,213 views

دانش ماشین تنها محدود به کارهای ساده نظیر ارزیابی ریسک اعتباری و مرتب سازی نامه ها نیست-- امروزه ، توانایی انجام کارهای پیچیده تر، مانند نمره دهی به مقالات و تشخیص بیماریها را دارد. با پیشرفت های که در راه هست، یه سوال سخت؟ آیا ربات کار شما را در آینده انجام خواهند داد؟
- 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 nieceدختر برادر یا خواهر و غیره.
0
968
1262
این خواهرزاده من است.
00:14
Her nameنام is Yahliیحیی.
1
2644
1535
نام او یاهلی است.
00:16
She is nineنه monthsماه ها oldقدیمی.
2
4203
1511
نُه ماهه است.
00:18
Her mumمادر is a doctorدکتر,
and her dadپدر is a lawyerوکیل.
3
6201
2528
مادر او دکتر،
و پدرش وکیل است.
00:21
By the time Yahliیحیی goesمی رود to collegeکالج,
4
9269
2006
تا زمان کالج رفتن یاهلی،
00:23
the jobsشغل ها her parentsپدر و مادر do
are going to look dramaticallyبه طور چشمگیری differentناهمسان.
5
11299
3253
شغل پدر و مادرش بطور چشمگیری متفاوت به نظرخواهد رسید.
00:27
In 2013, researchersمحققان at Oxfordآکسفورد Universityدانشگاه
did a studyمطالعه on the futureآینده of work.
6
15347
5073
در سال ۲۰۱۳، محققان دانشگاه آکسفورد
مطالعه ای در مورد آینده کار انجام دادند.
00:32
They concludedنتیجه گیری that almostتقریبا one
in everyهرکدام two jobsشغل ها have a highبالا riskخطر
7
20766
4139
آنها نتیجه گرفتند که تقریبا از هر دو شغل یکی در
معرض ریسک بالایی است
00:36
of beingبودن automatedخودکار by machinesماشین آلات.
8
24929
1824
که توسط ماشین آلات بصورت اتوماتیک انجام می شود.
00:40
Machineدستگاه learningیادگیری is the technologyتکنولوژی
9
28388
1905
دانش ماشین، فن آوری است
00:42
that's responsibleمسئول for mostاکثر
of this disruptionقطع.
10
30317
2278
که مسئول اغلب این اختلال است.
00:44
It's the mostاکثر powerfulقدرتمند branchشاخه
of artificialمصنوعی intelligenceهوش.
11
32619
2790
این قوی ترین شاخه هوش مصنوعی است.
00:47
It allowsاجازه می دهد machinesماشین آلات to learnیاد گرفتن from dataداده ها
12
35433
1882
به ماشین آلات اجازه می دهد که از داده ها یاد بگیرند
00:49
and mimicتقلید کردن some of the things
that humansانسان can do.
13
37339
2592
و برخی چیزهایی که انسان می تواند انجام دهد
را تقلید کنند.
00:51
My companyشرکت, KaggleKaggle, operatesعمل می کند
on the cuttingبرش دادن edgeلبه - تیزی of machineدستگاه learningیادگیری.
14
39955
3415
شرکت من، کاگل،
بر روی آخرین فن آوریهای دانش ماشین کار می کند.
00:55
We bringآوردن togetherبا یکدیگر
hundredsصدها of thousandsهزاران نفر of expertsکارشناسان
15
43394
2386
صدها هزار کارشناس را گرد هم آوردیم
00:57
to solveحل importantمهم problemsمشکلات
for industryصنعت and academiaدانشگاهی.
16
45804
3118
برای حل مشکلات مهم صنعت و دانشگاه.
01:01
This givesمی دهد us a uniqueمنحصر بفرد perspectiveچشم انداز
on what machinesماشین آلات can do,
17
49279
3222
این دیدگاه منحصر به فردی به ما می دهد
از آنچه ماشین آلات می توانند انجام دهند،
01:04
what they can't do
18
52525
1235
آنچه نمی توانند انجام دهند،
01:05
and what jobsشغل ها they mightممکن
automateاتوماتیک or threatenتهدید کن.
19
53784
2939
و چه شغل هایی احتمالا بطور اتوماتیک انجام شده و یا
در معرض خطرند.
01:09
Machineدستگاه learningیادگیری startedآغاز شده makingساخت its way
into industryصنعت in the earlyزود '90s.
20
57316
3550
دانش ماشین در اوایل دهه ۹۰ راه خود را به سوی
صنعت بازکرد.
01:12
It startedآغاز شده with relativelyبه طور نسبی simpleساده tasksوظایف.
21
60890
2124
با وظایف نسبتا ساده آغاز شد.
01:15
It startedآغاز شده with things like assessingارزیابی
creditاعتبار riskخطر from loanوام applicationsبرنامه های کاربردی,
22
63406
4115
چیزهایی مانند ارزیابی ریسک اعتباری درخواست وام،
01:19
sortingمرتب سازی the mailپست الکترونیکی by readingخواندن
handwrittenدست نویس charactersشخصیت ها from zipزیپ codesکدهای.
23
67545
4053
مرتب سازی نامه ها با خواندن
کد پستی هایی که با دست نوشته شدند.
01:24
Over the pastگذشته fewتعداد کمی yearsسالها, we have madeساخته شده
dramaticنمایشی breakthroughsپیشرفت ها.
24
72036
3169
در طول چند سال گذشته،
پیشرفت های چشمگیری را ایجاد کرده ایم.
01:27
Machineدستگاه learningیادگیری is now capableقادر به
of farدور, farدور more complexپیچیده tasksوظایف.
25
75586
3916
در حال حاضر دانش ماشین آلات در حد انجام امور
خیلی پیچیده تری است.
01:31
In 2012, KaggleKaggle challengedبه چالش کشیده شد its communityجامعه
26
79860
3231
در سال ۲۰۱۲، کاگل ، گروهش را
01:35
to buildساختن an algorithmالگوریتم
that could gradeمقطع تحصیلی high-schoolدبیرستان essaysمقالات.
27
83115
3189
برای ساخت یک الگوریتم
که بتواند مقالات دبیرستان را رتبه بندی کند به چالش کشید.
01:38
The winningبرنده شدن algorithmsالگوریتم ها
were ableتوانایی to matchهمخوانی داشتن the gradesدرجات
28
86328
2604
الگوریتم های برنده
قادر به مطابقت با نمراتی بودند
01:40
givenداده شده by humanانسان teachersمعلمان.
29
88956
1665
که توسط معلم های شخصی داده شده بود.
01:43
Last yearسال, we issuedصادر شده
an even more difficultدشوار challengeچالش.
30
91092
2984
سال گذشته، چالشی سخت تر منتشر کردیم.
01:46
Can you take imagesتصاویر of the eyeچشم
and diagnoseتشخیص دادن an eyeچشم diseaseمرض
31
94100
2953
می تونید از چشم عکس هایی گرفته
و بیماری چشمی
01:49
calledبه نام diabeticدیابتی retinopathyرتینوپاتی?
32
97077
1694
بنام رتینوپاتی دیابتی را تشخیص دهید؟
01:51
Again, the winningبرنده شدن algorithmsالگوریتم ها
were ableتوانایی to matchهمخوانی داشتن the diagnosesتشخیص داده می شود
33
99164
4040
باز هم، الگوریتم های برنده
قادر به مطابقت با تشخیص
01:55
givenداده شده by humanانسان ophthalmologistsچشم پزشکان.
34
103228
1825
ارایه شده توسط چشم پزشکان انسان بودند.
01:57
Now, givenداده شده the right dataداده ها,
machinesماشین آلات are going to outperformبهتر از humansانسان
35
105561
3212
در حال حاضر، با ارایه داده های صحیح،
ماشین ها در انجام وظایفی این چنین
02:00
at tasksوظایف like this.
36
108797
1165
از انسانها بهتر عمل خواهند کرد.
02:01
A teacherمعلم mightممکن readخواندن 10,000 essaysمقالات
over a 40-yearساله careerحرفه.
37
109986
3992
یک معلم ممکن است ۱۰,۰۰۰ مقاله را
در طول ۴۰ سال حرفه ای خود بخواند.
02:06
An ophthalmologistچشم پزشک mightممکن see 50,000 eyesچشم ها.
38
114407
2360
چشم پزشکی ممکن است ۵۰,۰۰۰ چشم ببیند.
02:08
A machineدستگاه can readخواندن millionsمیلیون ها نفر of essaysمقالات
or see millionsمیلیون ها نفر of eyesچشم ها
39
116791
3913
ماشین می تواند در یک دقیقه میلیون ها مقالات بخواند
و یا میلیون ها چشم ببیند.
02:12
withinدر داخل minutesدقایق.
40
120728
1276
02:14
We have no chanceشانس of competingرقابت
againstدر برابر machinesماشین آلات
41
122456
2858
هیچ شانسی برای رقابت با ماشین
02:17
on frequentمکرر, high-volumeصدای بلند tasksوظایف.
42
125338
2321
در تکرار و وظایفی با حجم بالا نداریم.
02:20
But there are things we can do
that machinesماشین آلات can't do.
43
128665
3724
اما چیزهایی هست که ما می توانیم انجام دهیم
ولی ماشین ازانجام آن ناتوان است.
02:24
Where machinesماشین آلات have madeساخته شده
very little progressپیش رفتن
44
132791
2200
جایی که ماشین ها پیشرفت چندانی نداشته اند،
02:27
is in tacklingمقابله با novelرمان situationsموقعیت ها.
45
135015
1854
در مقابله با موقعیت های جدید است.
02:28
They can't handleرسیدگی things
they haven'tنه seenمشاهده گردید manyبسیاری timesبار before.
46
136893
3899
آنها نمی توانند
از پس چیزهای که قبلا چندین بار مشاهده نکردند بربیایند.
02:33
The fundamentalاساسی limitationsمحدودیت ها
of machineدستگاه learningیادگیری
47
141321
2584
یکی از محدودیت های اساسی
دانش ماشین
02:35
is that it needsنیاز دارد to learnیاد گرفتن
from largeبزرگ volumesجلد of pastگذشته dataداده ها.
48
143929
3394
نیاز به حجم بالای اطلاعات گذشته برای یادگیری است.
02:39
Now, humansانسان don't.
49
147347
1754
در حال حاضر، انسان نیازی ندارد.
02:41
We have the abilityتوانایی to connectاتصال
seeminglyظاهرا disparateمتفاوت است threadsموضوعات
50
149125
3030
در حال حاضر ما توانایی اتصال موضوعات ظاهرا گسسته
برای حل مشکلاتی که قبلا با آنها روبرو نبودیم را داریم.
02:44
to solveحل problemsمشکلات we'veما هستیم never seenمشاهده گردید before.
51
152179
2238
02:46
Percyپرسی Spencerاسپنسر was a physicistفیزیکدان
workingکار کردن on radarرادار duringدر حین Worldجهان Warجنگ IIدوم,
52
154808
4411
پرسی اسپنسر فیزیکدانی که در
طول جنگ جهانی دوم بر روی رادار کار می کرد،
02:51
when he noticedمتوجه شدم the magnetronمگنترون
was meltingذوب شدن his chocolateشکلات barبار.
53
159243
3013
متوجه ذوب شدن شکلاتش توسط مگنترون شد.
او قادر به ارتباط درک خود ازتابش الکترومغناطیسی
02:54
He was ableتوانایی to connectاتصال his understandingدرك كردن
of electromagneticالکترومغناطیسی radiationتابش
54
162970
3295
02:58
with his knowledgeدانش of cookingپخت و پز
55
166289
1484
با دانش خود از آشپزی
02:59
in orderسفارش to inventاختراع کردن -- any guessesحدس بزنید? --
the microwaveمایکروویو ovenفر.
56
167797
3258
به منظور اختراع - حدس بزنید؟ -
اجاق مایکروویو شد.
03:03
Now, this is a particularlyبه خصوص remarkableقابل توجه
exampleمثال of creativityخلاقیت.
57
171444
3073
در حال حاضر، نمونه ای بخصوص از خلاقیت منحصربفرد است.
03:06
But this sortمرتب سازی of cross-pollinationگرده افشانی متقابل
happensاتفاق می افتد for eachهر یک of us in smallکوچک waysراه ها
58
174541
3664
اما این نوع از اتفاقات
برای هر یک از ما در مقیاس های کوچکتر
03:10
thousandsهزاران نفر of timesبار perدر هر day.
59
178229
1828
هزاران بار در روز رخ می دهد.
03:12
Machinesماشین آلات cannotنمی توان competeرقابت کن with us
60
180501
1661
ماشین ها در مقابله با شرایط جدید
نمی توانند با ما رقابت کنند،
03:14
when it comesمی آید to tacklingمقابله با
novelرمان situationsموقعیت ها,
61
182186
2251
03:16
and this putsقرار می دهد a fundamentalاساسی limitحد
on the humanانسان tasksوظایف
62
184461
3117
و این موضوع محدودیت اساسی
برای انجام اتوماتیک کارهای انسانی
03:19
that machinesماشین آلات will automateاتوماتیک.
63
187602
1717
توسط ماشین آلات بوجود می آورد.
03:22
So what does this mean
for the futureآینده of work?
64
190041
2405
خوب برای آینده کار این به چه معنا است؟
03:24
The futureآینده stateحالت of any singleتنها jobکار liesدروغ
in the answerپاسخ to a singleتنها questionسوال:
65
192804
4532
آینده هر شغل مستقلی در پاسخ به این سوال می باشد:
03:29
To what extentمحدوده is that jobکار reducibleقابل تقلیل است
to frequentمکرر, high-volumeصدای بلند tasksوظایف,
66
197360
4981
تا چه حد این کار قابل تقلیل از نظر تکرار و
وظایف با حجم بالا می باشد،
03:34
and to what extentمحدوده does it involveشامل
tacklingمقابله با novelرمان situationsموقعیت ها?
67
202365
3253
و تا چه حد آن می تواند با وضعیت های نو مقابله کند؟
03:37
On frequentمکرر, high-volumeصدای بلند tasksوظایف,
machinesماشین آلات are gettingگرفتن smarterهوشمندانه and smarterهوشمندانه.
68
205975
4035
در وضعیت های تکرار و وظایف با حجم بالا،
ماشین ها هوشمندانه تر می شوند.
03:42
Todayامروز they gradeمقطع تحصیلی essaysمقالات.
They diagnoseتشخیص دادن certainمسلم - قطعی diseasesبیماری ها.
69
210034
2714
امروزه آنها مقالات را امتیاز می دهند.
بیماری های خاص را تشخیص می دهد.
03:44
Over comingآینده yearsسالها,
they're going to conductهدایت our auditsحسابرسی,
70
212772
3157
و در سالهای پیش رو، به سمت ممیزیها هدایت می شوند،
03:47
and they're going to readخواندن boilerplateboilerplate
from legalقانونی contractsقراردادها.
71
215953
2967
و تکیه کلامهای قراردادهای قانونی را خواهند خواند.
03:50
Accountantsحسابداران and lawyersوکلا are still neededمورد نیاز است.
72
218944
1997
حسابداران و وکلا هنوز هم مورد نیاز هستند.
03:52
They're going to be neededمورد نیاز است
for complexپیچیده taxمالیات structuringساختار,
73
220965
2682
آنها برای ساختارهای پیچیده مالی مورد نیاز خواهند بود،
03:55
for pathbreakingتغییر مسیر litigationدعوی قضایی.
74
223671
1357
برای اصلاح مسیر دادخواهی.
03:57
But machinesماشین آلات will shrinkکوچک شدن theirخودشان ranksصفوف
75
225052
1717
اما ماشین رتبه بندی آنها را تقلیل خواهد کرد
03:58
and make these jobsشغل ها harderسخت تر to come by.
76
226793
1872
و این کارها مشکل تر خواهند شد.
04:00
Now, as mentionedذکر شده,
77
228689
1151
در حال حاضر ، همان طور که اشاره شد،
04:01
machinesماشین آلات are not makingساخت progressپیش رفتن
on novelرمان situationsموقعیت ها.
78
229864
2949
ماشین آلات در مواجهه با شرایط جدید،
پیشرفت خاصی نمی کنند.
04:04
The copyکپی کنید behindپشت a marketingبازار یابی campaignکمپین
needsنیاز دارد to grabگرفتن consumers'مصرف کنندگان attentionتوجه.
79
232837
3457
عکس پشت یک کمپین بازاریابی،
نیاز به جلب توجه مصرف کنندگان دارد.
04:08
It has to standایستادن out from the crowdجمعیت.
80
236318
1715
نیاز به خاص بودن دارد.
04:10
Businessکسب و کار strategyاستراتژی meansبه معنای
findingیافته gapsشکاف ها in the marketبازار,
81
238057
2444
استراتژی بازار یعنی پیدا کردن
شکاف ها در بازار،
04:12
things that nobodyهيچ كس elseچیز دیگری is doing.
82
240525
1756
چیزهایی که کسی دیگر انجام نداده است.
04:14
It will be humansانسان that are creatingپدید آوردن
the copyکپی کنید behindپشت our marketingبازار یابی campaignsمبارزات انتخاباتی,
83
242305
4118
آن انسانهایی خواهند بود که عکس
پشت کمپین بازاریابی ما را خلق می کنند،
04:18
and it will be humansانسان that are developingدر حال توسعه
our businessکسب و کار strategyاستراتژی.
84
246447
3517
و افرادی خواهند بود که در حال توسعه
استراتژی کسب و کار ما هستند.
04:21
So Yahliیحیی, whateverهر چه you decideتصميم گرفتن to do,
85
249988
2817
پس یاهلی، هر تصمیمی که می خواهی انجام دهی،
04:24
let everyهرکدام day bringآوردن you a newجدید challengeچالش.
86
252829
2361
اجازه بده تورو به سمت چالشی جدید سوق دهد.
04:27
If it does, then you will stayاقامت کردن
aheadدر پیش of the machinesماشین آلات.
87
255587
2809
اگر اینچنین باشد،
اونوقت تو همیشه از ماشین جلوتر خواهی بود.
04:31
Thank you.
88
259126
1176
متشکرم.
04:32
(Applauseتشویق و تمجید)
89
260326
3104
(تشویق )
Translated by hadi oradi
Reviewed by Farnaz Saghafi

▲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