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

Anthony Goldbloom: Les emplois que nous perdrons (ou pas) au profit des machines

Filmed:
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 ?
- 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 niecenièce.
0
968
1262
Voici ma nièce.
00:14
Her nameprénom is YahliYahli.
1
2644
1535
Elle s'appelle Yahli.
00:16
She is nineneuf monthsmois oldvieux.
2
4203
1511
Elle a neuf mois.
00:18
Her mummaman is a doctordocteur,
and her dadpapa is a lawyeravocat.
3
6201
2528
Sa mère est médecin
et son père est avocat.
00:21
By the time YahliYahli goesva to collegeUniversité,
4
9269
2006
D'ici à ce que Yahli aille à l'université,
00:23
the jobsemplois her parentsParents do
are going to look dramaticallydramatiquement differentdifférent.
5
11299
3253
les emplois de ses parents
auront dramatiquement changé.
00:27
In 2013, researchersdes chercheurs at OxfordOxford UniversityUniversité
did a studyétude on the futureavenir of work.
6
15347
5073
En 2013, des chercheurs
de l'université d'Oxford
ont fait une étude
sur l'avenir du travail.
00:32
They concludedconclu that almostpresque one
in everychaque two jobsemplois have a highhaute riskrisque
7
20766
4139
Ils ont conclu que près d'un emploi
sur deux avait de forts risques
00:36
of beingétant automatedautomatique by machinesmachines.
8
24929
1824
d'être automatisé grâce aux machines.
00:40
MachineMachine learningapprentissage is the technologyLa technologie
9
28388
1905
L'apprentissage automatique
est la technologie responsable
de ces disruptions.
00:42
that's responsibleresponsable for mostles plus
of this disruptionperturbation.
10
30317
2278
00:44
It's the mostles plus powerfulpuissant branchbranche
of artificialartificiel intelligenceintelligence.
11
32619
2790
C'est l'intelligence artificielle
la plus puissante.
00:47
It allowspermet machinesmachines to learnapprendre from dataLes données
12
35433
1882
Elle permet aux machines d'apprendre
00:49
and mimicimiter some of the things
that humanshumains can do.
13
37339
2592
et d'imiter certains
comportements humains.
00:51
My companycompagnie, KaggleKaggle, operatesfonctionne
on the cuttingCoupe edgebord of machinemachine learningapprentissage.
14
39955
3415
Mon entreprise, Kaggle, opère à la pointe
de l'apprentissage automatique.
00:55
We bringapporter togetherensemble
hundredsdes centaines of thousandsmilliers of expertsexperts
15
43394
2386
Nous réunissons
des centaines de milliers d'experts
00:57
to solverésoudre importantimportant problemsproblèmes
for industryindustrie and academiamilieu universitaire.
16
45804
3118
pour résoudre d'importants problèmes
industriels et académiques.
01:01
This givesdonne us a uniqueunique perspectivela perspective
on what machinesmachines can do,
17
49279
3222
Cela nous offre un aperçu unique
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 jobsemplois they mightpourrait
automateautomatiser or threatenmenacer.
19
53784
2939
et quels emplois elles pourraient
automatiser ou menacer.
01:09
MachineMachine learningapprentissage startedcommencé makingfabrication its way
into industryindustrie in the earlyde bonne heure '90s.
20
57316
3550
L'apprentissage automatique a débuté
au début des années 1990.
01:12
It startedcommencé with relativelyrelativement simplesimple tasksles tâches.
21
60890
2124
Au début, les tâches
étaient assez simples :
01:15
It startedcommencé with things like assessingévaluation
creditcrédit riskrisque from loanprêt applicationsapplications,
22
63406
4115
évaluer les risques
relatifs aux demandeurs de crédit,
01:19
sortingtri the mailcourrier by readingen train de lire
handwrittenmanuscrit characterspersonnages from zipZip *: français codescodes.
23
67545
4053
trier le courrier en lisant
les codes postaux manuscrits.
01:24
Over the pastpassé fewpeu yearsannées, we have madefabriqué
dramaticdramatique breakthroughspercées.
24
72036
3169
Ces dernières années, nous avons
fait des avancées spectaculaires.
01:27
MachineMachine learningapprentissage is now capablecapable
of farloin, farloin more complexcomplexe tasksles tâches.
25
75586
3916
L'apprentissage automatique permet
d'effectuer des tâches plus complexes.
01:31
In 2012, KaggleKaggle challengedcontesté its communitycommunauté
26
79860
3231
En 2012, Kaggle a défié sa communauté
01:35
to buildconstruire an algorithmalgorithme de
that could gradequalité high-schoolécole secondaire essaysessais.
27
83115
3189
de créer un algorithme pouvant noter
les dissertations de lycéens.
01:38
The winninggagnant algorithmsalgorithmes
were ablecapable to matchrencontre the gradesgrades
28
86328
2604
Les algorithmes gagnants
pouvaient égaler les notes
01:40
givendonné by humanHumain teachersenseignants.
29
88956
1665
données par des professeurs.
01:43
Last yearan, we issuedPublié
an even more difficultdifficile challengedéfi.
30
91092
2984
L'année dernière,
le défi était encore plus difficile.
01:46
Can you take imagesimages of the eyeœil
and diagnosediagnostiquer an eyeœil diseasemaladie
31
94100
2953
A partir de photos d'un œil,
diagnostiquer une maladie oculaire
01:49
calledappelé diabeticdiabétique retinopathyrétinopathie?
32
97077
1694
du nom de rétinopathie diabétique.
01:51
Again, the winninggagnant algorithmsalgorithmes
were ablecapable to matchrencontre the diagnosesDiagnostics
33
99164
4040
A nouveau, les algorithmes gagnants
faisaient les mêmes diagnostics
01:55
givendonné by humanHumain ophthalmologistsophtalmologistes.
34
103228
1825
qu'un ophtalmologiste.
01:57
Now, givendonné the right dataLes données,
machinesmachines are going to outperformsurperformer humanshumains
35
105561
3212
Avec les bonnes données,
les machines peuvent surpasser les humains
02:00
at tasksles tâches like this.
36
108797
1165
sur ce genre de tâches.
02:01
A teacherprof mightpourrait readlis 10,000 essaysessais
over a 40-year-an careercarrière.
37
109986
3992
Un professeur lit 10 000 dissertations
en 40 ans de carrière.
02:06
An ophthalmologistophtalmologiste mightpourrait see 50,000 eyesles yeux.
38
114407
2360
Un ophtalmologiste voit 50 000 yeux.
02:08
A machinemachine can readlis millionsdes millions of essaysessais
or see millionsdes millions of eyesles yeux
39
116791
3913
Une machine peut lire
des millions de dissertations,
voir des millions d'yeux
02:12
withindans minutesminutes.
40
120728
1276
en quelques minutes.
02:14
We have no chancechance of competingen compétition
againstcontre machinesmachines
41
122456
2858
Nous ne pouvons pas
concurrencer les machines
02:17
on frequentfréquent, high-volumevolume élevé tasksles tâches.
42
125338
2321
sur des tâches répétitives et nombreuses.
02:20
But there are things we can do
that machinesmachines can't do.
43
128665
3724
Mais nous pouvons faire des choses
que les machines ne peuvent pas faire.
02:24
Where machinesmachines have madefabriqué
very little progressle progrès
44
132791
2200
Les machines ont fait peu de progrès
02:27
is in tacklings’attaquer aux novelroman situationssituations.
45
135015
1854
dans la gestion de situations nouvelles.
02:28
They can't handlemanipuler things
they haven'tn'a pas seenvu manybeaucoup timesfois before.
46
136893
3899
Elles ne peuvent pas gérer ce qu'elles
n'ont pas déjà vu nombre de fois.
02:33
The fundamentalfondamental limitationslimites
of machinemachine learningapprentissage
47
141321
2584
La limite fondamentale
de l'apprentissage automatique
02:35
is that it needsBesoins to learnapprendre
from largegrand volumesles volumes of pastpassé dataLes données.
48
143929
3394
est la nécessité d'apprendre
d'un important volume de données passées.
02:39
Now, humanshumains don't.
49
147347
1754
Ce n'est pas le cas des humains.
02:41
We have the abilitycapacité to connectrelier
seeminglyapparemment disparatedisparate threadsdiscussions
50
149125
3030
Nous pouvons connecter
des idées apparemment disparates
02:44
to solverésoudre problemsproblèmes we'venous avons never seenvu before.
51
152179
2238
pour résoudre des problèmes
jusqu'alors inconnus.
02:46
PercyPercy SpencerSpencer was a physicistphysicien
workingtravail on radarradar duringpendant WorldMonde WarGuerre IIII,
52
154808
4411
Pery Spencer, un physicien,
travaillait sur les radars
pendant la Seconde Guerre Mondiale
02:51
when he noticedremarqué the magnetronmagnétron
was meltingfusion his chocolateChocolat barbar.
53
159243
3013
lorsqu'il a remarqué que le magnétron
faisait fondre son chocolat.
02:54
He was ablecapable to connectrelier his understandingcompréhension
of electromagneticélectromagnétique radiationradiation
54
162970
3295
Il a pu relier sa compréhension
des radiations électromagnétiques
02:58
with his knowledgeconnaissance of cookingcuisine
55
166289
1484
à se connaissance de la cuisine
02:59
in ordercommande to inventinventer -- any guessesconjectures? --
the microwavefour à micro-ondes ovenfour.
56
167797
3258
afin d'inventer -- une idée ? --
le four à micro-ondes.
03:03
Now, this is a particularlyparticulièrement remarkableremarquable
exampleExemple of creativityla créativité.
57
171444
3073
C'est un exemple remarquable
de créativité.
03:06
But this sortTrier of cross-pollinationpollinisation croisée
happensarrive for eachchaque of us in smallpetit waysfaçons
58
174541
3664
Mais cette pollinisation croisée
se produit de plein de façons,
03:10
thousandsmilliers of timesfois perpar day.
59
178229
1828
des milliers de fois chaque jour.
03:12
MachinesMachines cannotne peux pas competerivaliser with us
60
180501
1661
La machines ne savent pas
03:14
when it comesvient to tacklings’attaquer aux
novelroman situationssituations,
61
182186
2251
gérer de nouvelles situations
03:16
and this putsmet a fundamentalfondamental limitlimite
on the humanHumain tasksles tâches
62
184461
3117
et cela limite les tâches humaines
03:19
that machinesmachines will automateautomatiser.
63
187602
1717
que les machines automatiseront.
03:22
So what does this mean
for the futureavenir of work?
64
190041
2405
Qu'est-ce que cela signifie
pour le futur du travail ?
03:24
The futureavenir stateEtat of any singleunique jobemploi liesmentir
in the answerrépondre to a singleunique questionquestion:
65
192804
4532
L'état futur de chaque emploi
réside dans une seule question :
03:29
To what extentampleur is that jobemploi reducibleréductible
to frequentfréquent, high-volumevolume élevé tasksles tâches,
66
197360
4981
dans quelle mesure
cet emploi peut-il être réduit
à des tâches répétitives et nombreuses ?
03:34
and to what extentampleur does it involveimpliquer
tacklings’attaquer aux novelroman situationssituations?
67
202365
3253
Dans quelle mesure nécessite-t-il
la gestion de nouvelles situations ?
03:37
On frequentfréquent, high-volumevolume élevé tasksles tâches,
machinesmachines are gettingobtenir smarterplus intelligent and smarterplus intelligent.
68
205975
4035
Pour les tâches répétitives et nombreuses,
les machines s'améliorent encore.
03:42
TodayAujourd'hui they gradequalité essaysessais.
They diagnosediagnostiquer certaincertain diseasesmaladies.
69
210034
2714
Elles notent des dissertations
et font des diagnostics.
03:44
Over comingvenir yearsannées,
they're going to conductconduite our auditsaudits,
70
212772
3157
Dans quelques années,
elles conduiront nos audits
03:47
and they're going to readlis boilerplatepasse-partout
from legallégal contractscontrats.
71
215953
2967
et pourront lire
des contrats légaux standards.
03:50
AccountantsComptables and lawyersavocats are still needednécessaire.
72
218944
1997
On aura besoin de comptables, d'avocats.
03:52
They're going to be needednécessaire
for complexcomplexe taxtaxe structuringstructuration des,
73
220965
2682
On aura besoin d'eux
pour la structuration fiscale complexe,
03:55
for pathbreakingécotechnologie litigationlitige.
74
223671
1357
pour certains contentieux.
03:57
But machinesmachines will shrinkrétrécir theirleur ranksrangs
75
225052
1717
Les machines réduiront les rangs
03:58
and make these jobsemplois harderPlus fort to come by.
76
226793
1872
et rendront ces postes plus rares.
04:00
Now, as mentionedmentionné,
77
228689
1151
Comme je l'ai dit,
04:01
machinesmachines are not makingfabrication progressle progrès
on novelroman situationssituations.
78
229864
2949
les machines ne progressent pas
sur les situations nouvelles.
04:04
The copycopie behindderrière a marketingcommercialisation campaigncampagne
needsBesoins to grabsaisir consumers'Consumers' attentionattention.
79
232837
3457
Une campagne de promotion devra
attirer l'attention des consommateurs.
04:08
It has to standsupporter out from the crowdfoule.
80
236318
1715
Elle devra sortir du lot.
04:10
BusinessEntreprise strategystratégie meansveux dire
findingdécouverte gapslacunes in the marketmarché,
81
238057
2444
La stratégie commerciale,
c'est percer le marché,
04:12
things that nobodypersonne elseautre is doing.
82
240525
1756
faire des choses que personne ne fait.
04:14
It will be humanshumains that are creatingcréer
the copycopie behindderrière our marketingcommercialisation campaignscampagnes,
83
242305
4118
Ce seront les humains qui créeront
ces campagnes de promotion
04:18
and it will be humanshumains that are developingdéveloppement
our businessEntreprise strategystratégie.
84
246447
3517
et qui développeront
nos stratégies commerciales.
04:21
So YahliYahli, whateverpeu importe you decidedécider to do,
85
249988
2817
Yahli, quoi que tu décides de faire,
04:24
let everychaque day bringapporter you a newNouveau challengedéfi.
86
252829
2361
que chaque jour t'apporte un nouveau défi.
04:27
If it does, then you will stayrester
aheaddevant of the machinesmachines.
87
255587
2809
Si c'est le cas, tu auras
de l'avance sur les machines.
04:31
Thank you.
88
259126
1176
Merci.
04:32
(ApplauseApplaudissements)
89
260326
3104
(Applaudissements)
Translated by Morgane Quilfen
Reviewed by Thomas P.

▲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