TED2016
Anthony Goldbloom: The jobs we'll lose to machines -- and the ones we won't
Anthony Goldbloom: Les emplois que nous perdrons (ou pas) au profit des machines
Filmed:
Readability: 4.8
2,568,213 views
L'apprentissage automatique n'est plus limité aux simples tâches telles que l'évaluation des risques de crédit et le tri du courrier. Aujourd'hui, les machines peuvent effectuer des opérations bien plus complexes comme noter des dissertations et diagnostiquer des maladies. Avec ces avancées, une question difficile se pose : à l'avenir, un robot fera-t-il votre travail ?
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
Voici ma nièce.
00:14
Her name is Yahli.
1
2644
1535
Elle s'appelle Yahli.
00:16
She is nine months old.
2
4203
1511
Elle a neuf mois.
00:18
Her mum is a doctor,
and her dad is a lawyer.
and her dad is a lawyer.
3
6201
2528
Sa mère est médecin
et son père est avocat.
et son père est avocat.
00:21
By the time Yahli goes to college,
4
9269
2006
D'ici à ce que Yahli aille à l'université,
00:23
the jobs her parents do
are going to look dramatically different.
are going to look dramatically different.
5
11299
3253
les emplois de ses parents
auront dramatiquement changé.
auront dramatiquement changé.
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
En 2013, des chercheurs
de l'université d'Oxford
de l'université d'Oxford
ont fait une étude
sur l'avenir du travail.
sur l'avenir du travail.
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
Ils ont conclu que près d'un emploi
sur deux avait de forts risques
sur deux avait de forts risques
00:36
of being automated by machines.
8
24929
1824
d'être automatisé grâce aux machines.
00:40
Machine learning is the technology
9
28388
1905
L'apprentissage automatique
est la technologie responsable
de ces disruptions.
de ces disruptions.
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
C'est l'intelligence artificielle
la plus puissante.
la plus puissante.
00:47
It allows machines to learn from data
12
35433
1882
Elle permet aux machines d'apprendre
00:49
and mimic some of the things
that humans can do.
that humans can do.
13
37339
2592
et d'imiter certains
comportements humains.
comportements humains.
00:51
My company, Kaggle, operates
on the cutting edge of machine learning.
on the cutting edge of machine learning.
14
39955
3415
Mon entreprise, Kaggle, opère à la pointe
de l'apprentissage automatique.
de l'apprentissage automatique.
00:55
We bring together
hundreds of thousands of experts
hundreds of thousands of experts
15
43394
2386
Nous réunissons
des centaines de milliers d'experts
des centaines de milliers d'experts
00:57
to solve important problems
for industry and academia.
for industry and academia.
16
45804
3118
pour résoudre d'importants problèmes
industriels et académiques.
industriels et académiques.
01:01
This gives us a unique perspective
on what machines can do,
on what machines can do,
17
49279
3222
Cela nous offre un aperçu unique
de ce que les machines peuvent faire,
de ce que les machines peuvent faire,
01:04
what they can't do
18
52525
1235
ne peuvent pas faire
01:05
and what jobs they might
automate or threaten.
automate or threaten.
19
53784
2939
et quels emplois elles pourraient
automatiser ou menacer.
automatiser ou menacer.
01:09
Machine learning started making its way
into industry in the early '90s.
into industry in the early '90s.
20
57316
3550
L'apprentissage automatique a débuté
au début des années 1990.
au début des années 1990.
01:12
It started with relatively simple tasks.
21
60890
2124
Au début, les tâches
étaient assez simples :
étaient assez simples :
01:15
It started with things like assessing
credit risk from loan applications,
credit risk from loan applications,
22
63406
4115
évaluer les risques
relatifs aux demandeurs de crédit,
relatifs aux demandeurs de crédit,
01:19
sorting the mail by reading
handwritten characters from zip codes.
handwritten characters from zip codes.
23
67545
4053
trier le courrier en lisant
les codes postaux manuscrits.
les codes postaux manuscrits.
01:24
Over the past few years, we have made
dramatic breakthroughs.
dramatic breakthroughs.
24
72036
3169
Ces dernières années, nous avons
fait des avancées spectaculaires.
fait des avancées spectaculaires.
01:27
Machine learning is now capable
of far, far more complex tasks.
of far, far more complex tasks.
25
75586
3916
L'apprentissage automatique permet
d'effectuer des tâches plus complexes.
d'effectuer des tâches plus complexes.
01:31
In 2012, Kaggle challenged its community
26
79860
3231
En 2012, Kaggle a défié sa communauté
01:35
to build an algorithm
that could grade high-school essays.
that could grade high-school essays.
27
83115
3189
de créer un algorithme pouvant noter
les dissertations de lycéens.
les dissertations de lycéens.
01:38
The winning algorithms
were able to match the grades
were able to match the grades
28
86328
2604
Les algorithmes gagnants
pouvaient égaler les notes
pouvaient égaler les notes
01:40
given by human teachers.
29
88956
1665
données par des professeurs.
01:43
Last year, we issued
an even more difficult challenge.
an even more difficult challenge.
30
91092
2984
L'année dernière,
le défi était encore plus difficile.
le défi était encore plus difficile.
01:46
Can you take images of the eye
and diagnose an eye disease
and diagnose an eye disease
31
94100
2953
A partir de photos d'un œil,
diagnostiquer une maladie oculaire
diagnostiquer une maladie oculaire
01:49
called diabetic retinopathy?
32
97077
1694
du nom de rétinopathie diabétique.
01:51
Again, the winning algorithms
were able to match the diagnoses
were able to match the diagnoses
33
99164
4040
A nouveau, les algorithmes gagnants
faisaient les mêmes diagnostics
faisaient les mêmes diagnostics
01:55
given by human ophthalmologists.
34
103228
1825
qu'un ophtalmologiste.
01:57
Now, given the right data,
machines are going to outperform humans
machines are going to outperform humans
35
105561
3212
Avec les bonnes données,
les machines peuvent surpasser les humains
les machines peuvent surpasser les humains
02:00
at tasks like this.
36
108797
1165
sur ce genre de tâches.
02:01
A teacher might read 10,000 essays
over a 40-year career.
over a 40-year career.
37
109986
3992
Un professeur lit 10 000 dissertations
en 40 ans de carrière.
en 40 ans de carrière.
02:06
An ophthalmologist might see 50,000 eyes.
38
114407
2360
Un ophtalmologiste voit 50 000 yeux.
02:08
A machine can read millions of essays
or see millions of eyes
or see millions of eyes
39
116791
3913
Une machine peut lire
des millions de dissertations,
des millions de dissertations,
voir des millions d'yeux
02:12
within minutes.
40
120728
1276
en quelques minutes.
02:14
We have no chance of competing
against machines
against machines
41
122456
2858
Nous ne pouvons pas
concurrencer les machines
concurrencer les machines
02:17
on frequent, high-volume tasks.
42
125338
2321
sur des tâches répétitives et nombreuses.
02:20
But there are things we can do
that machines can't do.
that machines can't do.
43
128665
3724
Mais nous pouvons faire des choses
que les machines ne peuvent pas faire.
que les machines ne peuvent pas faire.
02:24
Where machines have made
very little progress
very little progress
44
132791
2200
Les machines ont fait peu de progrès
02:27
is in tackling novel situations.
45
135015
1854
dans la gestion de situations nouvelles.
02:28
They can't handle things
they haven't seen many times before.
they haven't seen many times before.
46
136893
3899
Elles ne peuvent pas gérer ce qu'elles
n'ont pas déjà vu nombre de fois.
n'ont pas déjà vu nombre de fois.
02:33
The fundamental limitations
of machine learning
of machine learning
47
141321
2584
La limite fondamentale
de l'apprentissage automatique
de l'apprentissage automatique
02:35
is that it needs to learn
from large volumes of past data.
from large volumes of past data.
48
143929
3394
est la nécessité d'apprendre
d'un important volume de données passées.
d'un important volume de données passées.
02:39
Now, humans don't.
49
147347
1754
Ce n'est pas le cas des humains.
02:41
We have the ability to connect
seemingly disparate threads
seemingly disparate threads
50
149125
3030
Nous pouvons connecter
des idées apparemment disparates
des idées apparemment disparates
02:44
to solve problems we've never seen before.
51
152179
2238
pour résoudre des problèmes
jusqu'alors inconnus.
jusqu'alors inconnus.
02:46
Percy Spencer was a physicist
working on radar during World War II,
working on radar during World War II,
52
154808
4411
Pery Spencer, un physicien,
travaillait sur les radars
pendant la Seconde Guerre Mondiale
pendant la Seconde Guerre Mondiale
02:51
when he noticed the magnetron
was melting his chocolate bar.
was melting his chocolate bar.
53
159243
3013
lorsqu'il a remarqué que le magnétron
faisait fondre son chocolat.
faisait fondre son chocolat.
02:54
He was able to connect his understanding
of electromagnetic radiation
of electromagnetic radiation
54
162970
3295
Il a pu relier sa compréhension
des radiations électromagnétiques
des radiations électromagnétiques
02:58
with his knowledge of cooking
55
166289
1484
à se connaissance de la cuisine
02:59
in order to invent -- any guesses? --
the microwave oven.
the microwave oven.
56
167797
3258
afin d'inventer -- une idée ? --
le four à micro-ondes.
le four à micro-ondes.
03:03
Now, this is a particularly remarkable
example of creativity.
example of creativity.
57
171444
3073
C'est un exemple remarquable
de créativité.
de créativité.
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
Mais cette pollinisation croisée
se produit de plein de façons,
se produit de plein de façons,
03:10
thousands of times per day.
59
178229
1828
des milliers de fois chaque jour.
03:12
Machines cannot compete with us
60
180501
1661
La machines ne savent pas
03:14
when it comes to tackling
novel situations,
novel situations,
61
182186
2251
gérer de nouvelles situations
03:16
and this puts a fundamental limit
on the human tasks
on the human tasks
62
184461
3117
et cela limite les tâches humaines
03:19
that machines will automate.
63
187602
1717
que les machines automatiseront.
03:22
So what does this mean
for the future of work?
for the future of work?
64
190041
2405
Qu'est-ce que cela signifie
pour le futur du travail ?
pour le futur du travail ?
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
L'état futur de chaque emploi
réside dans une seule question :
réside dans une seule question :
03:29
To what extent is that job reducible
to frequent, high-volume tasks,
to frequent, high-volume tasks,
66
197360
4981
dans quelle mesure
cet emploi peut-il être réduit
cet emploi peut-il être réduit
à des tâches répétitives et nombreuses ?
03:34
and to what extent does it involve
tackling novel situations?
tackling novel situations?
67
202365
3253
Dans quelle mesure nécessite-t-il
la gestion de nouvelles situations ?
la gestion de nouvelles situations ?
03:37
On frequent, high-volume tasks,
machines are getting smarter and smarter.
machines are getting smarter and smarter.
68
205975
4035
Pour les tâches répétitives et nombreuses,
les machines s'améliorent encore.
les machines s'améliorent encore.
03:42
Today they grade essays.
They diagnose certain diseases.
They diagnose certain diseases.
69
210034
2714
Elles notent des dissertations
et font des diagnostics.
et font des diagnostics.
03:44
Over coming years,
they're going to conduct our audits,
they're going to conduct our audits,
70
212772
3157
Dans quelques années,
elles conduiront nos audits
elles conduiront nos audits
03:47
and they're going to read boilerplate
from legal contracts.
from legal contracts.
71
215953
2967
et pourront lire
des contrats légaux standards.
des contrats légaux standards.
03:50
Accountants and lawyers are still needed.
72
218944
1997
On aura besoin de comptables, d'avocats.
03:52
They're going to be needed
for complex tax structuring,
for complex tax structuring,
73
220965
2682
On aura besoin d'eux
pour la structuration fiscale complexe,
pour la structuration fiscale complexe,
03:55
for pathbreaking litigation.
74
223671
1357
pour certains contentieux.
03:57
But machines will shrink their ranks
75
225052
1717
Les machines réduiront les rangs
03:58
and make these jobs harder to come by.
76
226793
1872
et rendront ces postes plus rares.
04:00
Now, as mentioned,
77
228689
1151
Comme je l'ai dit,
04:01
machines are not making progress
on novel situations.
on novel situations.
78
229864
2949
les machines ne progressent pas
sur les situations nouvelles.
sur les situations nouvelles.
04:04
The copy behind a marketing campaign
needs to grab consumers' attention.
needs to grab consumers' attention.
79
232837
3457
Une campagne de promotion devra
attirer l'attention des consommateurs.
attirer l'attention des consommateurs.
04:08
It has to stand out from the crowd.
80
236318
1715
Elle devra sortir du lot.
04:10
Business strategy means
finding gaps in the market,
finding gaps in the market,
81
238057
2444
La stratégie commerciale,
c'est percer le marché,
c'est percer le marché,
04:12
things that nobody else is doing.
82
240525
1756
faire des choses que personne ne fait.
04:14
It will be humans that are creating
the copy behind our marketing campaigns,
the copy behind our marketing campaigns,
83
242305
4118
Ce seront les humains qui créeront
ces campagnes de promotion
ces campagnes de promotion
04:18
and it will be humans that are developing
our business strategy.
our business strategy.
84
246447
3517
et qui développeront
nos stratégies commerciales.
nos stratégies commerciales.
04:21
So Yahli, whatever you decide to do,
85
249988
2817
Yahli, quoi que tu décides de faire,
04:24
let every day bring you a new challenge.
86
252829
2361
que chaque jour t'apporte un nouveau défi.
04:27
If it does, then you will stay
ahead of the machines.
ahead of the machines.
87
255587
2809
Si c'est le cas, tu auras
de l'avance sur les machines.
de l'avance sur les machines.
04:31
Thank you.
88
259126
1176
Merci.
04:32
(Applause)
89
260326
3104
(Applaudissements)
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