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:
Readability: 4.8
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؟
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
این خواهرزاده من است.
00:14
Her name is Yahli.
1
2644
1535
نام او یاهلی است.
00:16
She is nine months old.
2
4203
1511
نُه ماهه است.
00:18
Her mum is a doctor,
and her dad is a lawyer.
and her dad is a lawyer.
3
6201
2528
مادر او دکتر،
و پدرش وکیل است.
و پدرش وکیل است.
00:21
By the time Yahli goes to college,
4
9269
2006
تا زمان کالج رفتن یاهلی،
00:23
the jobs her parents do
are going to look dramatically different.
are going to look dramatically different.
5
11299
3253
شغل پدر و مادرش بطور چشمگیری متفاوت به نظرخواهد رسید.
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
در سال ۲۰۱۳، محققان دانشگاه آکسفورد
مطالعه ای در مورد آینده کار انجام دادند.
مطالعه ای در مورد آینده کار انجام دادند.
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
آنها نتیجه گرفتند که تقریبا از هر دو شغل یکی در
معرض ریسک بالایی است
معرض ریسک بالایی است
00:36
of being automated by machines.
8
24929
1824
که توسط ماشین آلات بصورت اتوماتیک انجام می شود.
00:40
Machine learning is the technology
9
28388
1905
دانش ماشین، فن آوری است
00:42
that's responsible for most
of this disruption.
of this disruption.
10
30317
2278
که مسئول اغلب این اختلال است.
00:44
It's the most powerful branch
of artificial intelligence.
of artificial intelligence.
11
32619
2790
این قوی ترین شاخه هوش مصنوعی است.
00:47
It allows machines to learn from data
12
35433
1882
به ماشین آلات اجازه می دهد که از داده ها یاد بگیرند
00:49
and mimic some of the things
that humans can do.
that humans can do.
13
37339
2592
و برخی چیزهایی که انسان می تواند انجام دهد
را تقلید کنند.
را تقلید کنند.
00:51
My company, Kaggle, operates
on the cutting edge of machine learning.
on the cutting edge of machine learning.
14
39955
3415
شرکت من، کاگل،
بر روی آخرین فن آوریهای دانش ماشین کار می کند.
بر روی آخرین فن آوریهای دانش ماشین کار می کند.
00:55
We bring together
hundreds of thousands of experts
hundreds of thousands of experts
15
43394
2386
صدها هزار کارشناس را گرد هم آوردیم
00:57
to solve important problems
for industry and academia.
for industry and academia.
16
45804
3118
برای حل مشکلات مهم صنعت و دانشگاه.
01:01
This gives us a unique perspective
on what machines can do,
on what machines can do,
17
49279
3222
این دیدگاه منحصر به فردی به ما می دهد
از آنچه ماشین آلات می توانند انجام دهند،
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 jobs they might
automate or threaten.
automate or threaten.
19
53784
2939
و چه شغل هایی احتمالا بطور اتوماتیک انجام شده و یا
در معرض خطرند.
در معرض خطرند.
01:09
Machine learning started making its way
into industry in the early '90s.
into industry in the early '90s.
20
57316
3550
دانش ماشین در اوایل دهه ۹۰ راه خود را به سوی
صنعت بازکرد.
صنعت بازکرد.
01:12
It started with relatively simple tasks.
21
60890
2124
با وظایف نسبتا ساده آغاز شد.
01:15
It started with things like assessing
credit risk from loan applications,
credit risk from loan applications,
22
63406
4115
چیزهایی مانند ارزیابی ریسک اعتباری درخواست وام،
01:19
sorting the mail by reading
handwritten characters from zip codes.
handwritten characters from zip codes.
23
67545
4053
مرتب سازی نامه ها با خواندن
کد پستی هایی که با دست نوشته شدند.
کد پستی هایی که با دست نوشته شدند.
01:24
Over the past few years, we have made
dramatic breakthroughs.
dramatic breakthroughs.
24
72036
3169
در طول چند سال گذشته،
پیشرفت های چشمگیری را ایجاد کرده ایم.
پیشرفت های چشمگیری را ایجاد کرده ایم.
01:27
Machine learning is now capable
of far, far more complex tasks.
of far, far more complex tasks.
25
75586
3916
در حال حاضر دانش ماشین آلات در حد انجام امور
خیلی پیچیده تری است.
خیلی پیچیده تری است.
01:31
In 2012, Kaggle challenged its community
26
79860
3231
در سال ۲۰۱۲، کاگل ، گروهش را
01:35
to build an algorithm
that could grade high-school essays.
that could grade high-school essays.
27
83115
3189
برای ساخت یک الگوریتم
که بتواند مقالات دبیرستان را رتبه بندی کند به چالش کشید.
که بتواند مقالات دبیرستان را رتبه بندی کند به چالش کشید.
01:38
The winning algorithms
were able to match the grades
were able to match the grades
28
86328
2604
الگوریتم های برنده
قادر به مطابقت با نمراتی بودند
قادر به مطابقت با نمراتی بودند
01:40
given by human teachers.
29
88956
1665
که توسط معلم های شخصی داده شده بود.
01:43
Last year, we issued
an even more difficult challenge.
an even more difficult challenge.
30
91092
2984
سال گذشته، چالشی سخت تر منتشر کردیم.
01:46
Can you take images of the eye
and diagnose an eye disease
and diagnose an eye disease
31
94100
2953
می تونید از چشم عکس هایی گرفته
و بیماری چشمی
و بیماری چشمی
01:49
called diabetic retinopathy?
32
97077
1694
بنام رتینوپاتی دیابتی را تشخیص دهید؟
01:51
Again, the winning algorithms
were able to match the diagnoses
were able to match the diagnoses
33
99164
4040
باز هم، الگوریتم های برنده
قادر به مطابقت با تشخیص
قادر به مطابقت با تشخیص
01:55
given by human ophthalmologists.
34
103228
1825
ارایه شده توسط چشم پزشکان انسان بودند.
01:57
Now, given the right data,
machines are going to outperform humans
machines are going to outperform humans
35
105561
3212
در حال حاضر، با ارایه داده های صحیح،
ماشین ها در انجام وظایفی این چنین
ماشین ها در انجام وظایفی این چنین
02:00
at tasks like this.
36
108797
1165
از انسانها بهتر عمل خواهند کرد.
02:01
A teacher might read 10,000 essays
over a 40-year career.
over a 40-year career.
37
109986
3992
یک معلم ممکن است ۱۰,۰۰۰ مقاله را
در طول ۴۰ سال حرفه ای خود بخواند.
در طول ۴۰ سال حرفه ای خود بخواند.
02:06
An ophthalmologist might see 50,000 eyes.
38
114407
2360
چشم پزشکی ممکن است ۵۰,۰۰۰ چشم ببیند.
02:08
A machine can read millions of essays
or see millions of eyes
or see millions of eyes
39
116791
3913
ماشین می تواند در یک دقیقه میلیون ها مقالات بخواند
و یا میلیون ها چشم ببیند.
02:12
within minutes.
40
120728
1276
02:14
We have no chance of competing
against machines
against machines
41
122456
2858
هیچ شانسی برای رقابت با ماشین
02:17
on frequent, high-volume tasks.
42
125338
2321
در تکرار و وظایفی با حجم بالا نداریم.
02:20
But there are things we can do
that machines can't do.
that machines can't do.
43
128665
3724
اما چیزهایی هست که ما می توانیم انجام دهیم
ولی ماشین ازانجام آن ناتوان است.
ولی ماشین ازانجام آن ناتوان است.
02:24
Where machines have made
very little progress
very little progress
44
132791
2200
جایی که ماشین ها پیشرفت چندانی نداشته اند،
02:27
is in tackling novel situations.
45
135015
1854
در مقابله با موقعیت های جدید است.
02:28
They can't handle things
they haven't seen many times before.
they haven't seen many times before.
46
136893
3899
آنها نمی توانند
از پس چیزهای که قبلا چندین بار مشاهده نکردند بربیایند.
از پس چیزهای که قبلا چندین بار مشاهده نکردند بربیایند.
02:33
The fundamental limitations
of machine learning
of machine learning
47
141321
2584
یکی از محدودیت های اساسی
دانش ماشین
دانش ماشین
02:35
is that it needs to learn
from large volumes of past data.
from large volumes of past data.
48
143929
3394
نیاز به حجم بالای اطلاعات گذشته برای یادگیری است.
02:39
Now, humans don't.
49
147347
1754
در حال حاضر، انسان نیازی ندارد.
02:41
We have the ability to connect
seemingly disparate threads
seemingly disparate threads
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 solve problems we've never seen before.
51
152179
2238
02:46
Percy Spencer was a physicist
working on radar during World War II,
working on radar during World War II,
52
154808
4411
پرسی اسپنسر فیزیکدانی که در
طول جنگ جهانی دوم بر روی رادار کار می کرد،
طول جنگ جهانی دوم بر روی رادار کار می کرد،
02:51
when he noticed the magnetron
was melting his chocolate bar.
was melting his chocolate bar.
53
159243
3013
متوجه ذوب شدن شکلاتش توسط مگنترون شد.
او قادر به ارتباط درک خود ازتابش الکترومغناطیسی
02:54
He was able to connect his understanding
of electromagnetic radiation
of electromagnetic radiation
54
162970
3295
02:58
with his knowledge of cooking
55
166289
1484
با دانش خود از آشپزی
02:59
in order to invent -- any guesses? --
the microwave oven.
the microwave oven.
56
167797
3258
به منظور اختراع - حدس بزنید؟ -
اجاق مایکروویو شد.
اجاق مایکروویو شد.
03:03
Now, this is a particularly remarkable
example of creativity.
example of creativity.
57
171444
3073
در حال حاضر، نمونه ای بخصوص از خلاقیت منحصربفرد است.
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
اما این نوع از اتفاقات
برای هر یک از ما در مقیاس های کوچکتر
برای هر یک از ما در مقیاس های کوچکتر
03:10
thousands of times per day.
59
178229
1828
هزاران بار در روز رخ می دهد.
03:12
Machines cannot compete with us
60
180501
1661
ماشین ها در مقابله با شرایط جدید
نمی توانند با ما رقابت کنند،
نمی توانند با ما رقابت کنند،
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
و این موضوع محدودیت اساسی
برای انجام اتوماتیک کارهای انسانی
03:19
that machines will automate.
63
187602
1717
توسط ماشین آلات بوجود می آورد.
03:22
So what does this mean
for the future of work?
for the future of work?
64
190041
2405
خوب برای آینده کار این به چه معنا است؟
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
آینده هر شغل مستقلی در پاسخ به این سوال می باشد:
03:29
To what extent is that job reducible
to frequent, high-volume tasks,
to frequent, high-volume tasks,
66
197360
4981
تا چه حد این کار قابل تقلیل از نظر تکرار و
وظایف با حجم بالا می باشد،
وظایف با حجم بالا می باشد،
03:34
and to what extent does it involve
tackling novel situations?
tackling novel situations?
67
202365
3253
و تا چه حد آن می تواند با وضعیت های نو مقابله کند؟
03:37
On frequent, high-volume tasks,
machines are getting smarter and smarter.
machines are getting smarter and smarter.
68
205975
4035
در وضعیت های تکرار و وظایف با حجم بالا،
ماشین ها هوشمندانه تر می شوند.
ماشین ها هوشمندانه تر می شوند.
03:42
Today they grade essays.
They diagnose certain diseases.
They diagnose certain diseases.
69
210034
2714
امروزه آنها مقالات را امتیاز می دهند.
بیماری های خاص را تشخیص می دهد.
بیماری های خاص را تشخیص می دهد.
03:44
Over coming years,
they're going to conduct our audits,
they're going to conduct our audits,
70
212772
3157
و در سالهای پیش رو، به سمت ممیزیها هدایت می شوند،
03:47
and they're going to read boilerplate
from legal contracts.
from legal contracts.
71
215953
2967
و تکیه کلامهای قراردادهای قانونی را خواهند خواند.
03:50
Accountants and lawyers are still needed.
72
218944
1997
حسابداران و وکلا هنوز هم مورد نیاز هستند.
03:52
They're going to be needed
for complex tax structuring,
for complex tax structuring,
73
220965
2682
آنها برای ساختارهای پیچیده مالی مورد نیاز خواهند بود،
03:55
for pathbreaking litigation.
74
223671
1357
برای اصلاح مسیر دادخواهی.
03:57
But machines will shrink their ranks
75
225052
1717
اما ماشین رتبه بندی آنها را تقلیل خواهد کرد
03:58
and make these jobs harder to come by.
76
226793
1872
و این کارها مشکل تر خواهند شد.
04:00
Now, as mentioned,
77
228689
1151
در حال حاضر ، همان طور که اشاره شد،
04:01
machines are not making progress
on novel situations.
on novel situations.
78
229864
2949
ماشین آلات در مواجهه با شرایط جدید،
پیشرفت خاصی نمی کنند.
پیشرفت خاصی نمی کنند.
04:04
The copy behind a marketing campaign
needs to grab consumers' attention.
needs to grab consumers' attention.
79
232837
3457
عکس پشت یک کمپین بازاریابی،
نیاز به جلب توجه مصرف کنندگان دارد.
نیاز به جلب توجه مصرف کنندگان دارد.
04:08
It has to stand out from the crowd.
80
236318
1715
نیاز به خاص بودن دارد.
04:10
Business strategy means
finding gaps in the market,
finding gaps in the market,
81
238057
2444
استراتژی بازار یعنی پیدا کردن
شکاف ها در بازار،
شکاف ها در بازار،
04:12
things that nobody else is doing.
82
240525
1756
چیزهایی که کسی دیگر انجام نداده است.
04:14
It will be humans that are creating
the copy behind our marketing campaigns,
the copy behind our marketing campaigns,
83
242305
4118
آن انسانهایی خواهند بود که عکس
پشت کمپین بازاریابی ما را خلق می کنند،
پشت کمپین بازاریابی ما را خلق می کنند،
04:18
and it will be humans that are developing
our business strategy.
our business strategy.
84
246447
3517
و افرادی خواهند بود که در حال توسعه
استراتژی کسب و کار ما هستند.
استراتژی کسب و کار ما هستند.
04:21
So Yahli, whatever you decide to do,
85
249988
2817
پس یاهلی، هر تصمیمی که می خواهی انجام دهی،
04:24
let every day bring you a new challenge.
86
252829
2361
اجازه بده تورو به سمت چالشی جدید سوق دهد.
04:27
If it does, then you will stay
ahead of the machines.
ahead of the machines.
87
255587
2809
اگر اینچنین باشد،
اونوقت تو همیشه از ماشین جلوتر خواهی بود.
اونوقت تو همیشه از ماشین جلوتر خواهی بود.
04:31
Thank you.
88
259126
1176
متشکرم.
04:32
(Applause)
89
260326
3104
(تشویق )
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