TED2016
Anthony Goldbloom: The jobs we'll lose to machines -- and the ones we won't
आन्थनी गोल्डब्लूम: वह नौकरियाँ जो हम मशीन के हाथों खो देंगे - और वह जो हम नहीं खोएँगे
Filmed:
Readability: 4.8
2,568,213 views
मशीन शिक्षा अब उधारी के खतरे जाँचने या पत्र छाँटने जितना आसान नहीं रहा - आज, वह इससे कई ज़्यादा जटिल कार्य कर सकता है, जैसे लेखों को अंक देना और रोगों का निदान करना । इन प्रगतियों के साथ एक सवाल उठता है जो हमे बेचैन कर देता है : क्या भविष्य में एक रोबोट आपका काम करेगा ?
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
तो यह मेरी भतीजी है
00:14
Her name is Yahli.
1
2644
1535
उसका नाम याहली है
00:16
She is nine months old.
2
4203
1511
उसकी उम्र नौ महीने है
00:18
Her mum is a doctor,
and her dad is a lawyer.
and her dad is a lawyer.
3
6201
2528
उसकी माँ डाॅक्टर है, और पिता वकील है
00:21
By the time Yahli goes to college,
4
9269
2006
जब तक याहली काॅलेज जाने लगेगी,
00:23
the jobs her parents do
are going to look dramatically different.
are going to look dramatically different.
5
11299
3253
उसके माँ-बाप के पेशे का रुख काफी अलग होगा
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
2013 में, ऑक्सफोर्ड यूनिवर्सिटी के
शोधकर्ताओं ने काम के भविष्य का अध्ययन किया था
शोधकर्ताओं ने काम के भविष्य का अध्ययन किया था
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
उसका निष्कर्ष निकला कि
लगभग दो में से एक पेशे को
लगभग दो में से एक पेशे को
00:36
of being automated by machines.
8
24929
1824
मशीनों द्वारा स्वचालित होने का खतरा है
00:40
Machine learning is the technology
9
28388
1905
मशीन शिक्षा की टेकनोलोजी
00:42
that's responsible for most
of this disruption.
of this disruption.
10
30317
2278
इस व्यवधान के लिए ज़िम्मेदार है
00:44
It's the most powerful branch
of artificial intelligence.
of artificial intelligence.
11
32619
2790
यह आर्टिफ़िशियल इंटेलिजेन्स की
सबसे ताकतवर शाखा है,
सबसे ताकतवर शाखा है,
00:47
It allows machines to learn from data
12
35433
1882
जो मशीनों को जानकारी द्वारा शिक्षा देती है
00:49
and mimic some of the things
that humans can do.
that humans can do.
13
37339
2592
व इंसानों द्वारा किए गए कार्यों की
नकल करना सिखाती है
नकल करना सिखाती है
00:51
My company, Kaggle, operates
on the cutting edge of machine learning.
on the cutting edge of machine learning.
14
39955
3415
मेरी कंपनी, कागल, आधुनिक मशीन शिक्षा
पर काम करती है
पर काम करती है
00:55
We bring together
hundreds of thousands of experts
hundreds of thousands of experts
15
43394
2386
हम हज़ारों विशेषज्ञों को इकट्ठा करते हैं
00:57
to solve important problems
for industry and academia.
for industry and academia.
16
45804
3118
उद्योग और शिक्षा की
महत्वपूर्ण समस्याएँ सुलझाने के लिए
महत्वपूर्ण समस्याएँ सुलझाने के लिए
01:01
This gives us a unique perspective
on what machines can do,
on what machines can do,
17
49279
3222
इससे हमें अनोखा नज़रिया मिल जाता है,
कि मशीनें क्या कर सकती हैं
कि मशीनें क्या कर सकती हैं
01:04
what they can't do
18
52525
1235
और क्या नही
01:05
and what jobs they might
automate or threaten.
automate or threaten.
19
53784
2939
और किस पेशे को वे
स्वचालित बनाने का खतरा देंगे
स्वचालित बनाने का खतरा देंगे
01:09
Machine learning started making its way
into industry in the early '90s.
into industry in the early '90s.
20
57316
3550
मशीन शिक्षा ने उद्योग में अपना स्थान
1990-2000 की शुरुआत में बनाया
1990-2000 की शुरुआत में बनाया
01:12
It started with relatively simple tasks.
21
60890
2124
इसकी शुरुआत ज़्यादतर आसान कार्यों से हुई
01:15
It started with things like assessing
credit risk from loan applications,
credit risk from loan applications,
22
63406
4115
पहले-पहले इससे कर्ज़ की अर्ज़ी में
उधारी के खतरे आंके जाते थे,
उधारी के खतरे आंके जाते थे,
01:19
sorting the mail by reading
handwritten characters from zip codes.
handwritten characters from zip codes.
23
67545
4053
हस्तलिखित ज़िप कोड के वर्ण
को पढ़कर पत्रों को छाँटा जाता था
को पढ़कर पत्रों को छाँटा जाता था
01:24
Over the past few years, we have made
dramatic breakthroughs.
dramatic breakthroughs.
24
72036
3169
पिछले कुछ सालों में,
हमने बहुत उन्नति की है
हमने बहुत उन्नति की है
01:27
Machine learning is now capable
of far, far more complex tasks.
of far, far more complex tasks.
25
75586
3916
मशीन शिक्षा अब इससे कई गुना ज़्यादा
जटिल कार्य कर सकती है
जटिल कार्य कर सकती है
01:31
In 2012, Kaggle challenged its community
26
79860
3231
2012 में, केगल ने
अपनी बिरादरी को चुनौती दी
अपनी बिरादरी को चुनौती दी
01:35
to build an algorithm
that could grade high-school essays.
that could grade high-school essays.
27
83115
3189
कि वे ऐसा एल्गोरिथम बनाए
जो उच्च विद्यालय के लेखों को जाँच सके
जो उच्च विद्यालय के लेखों को जाँच सके
01:38
The winning algorithms
were able to match the grades
were able to match the grades
28
86328
2604
जीतने वाले एल्गोरिथमों के दिए गए अंक,
मानव शिक्षकों
मानव शिक्षकों
01:40
given by human teachers.
29
88956
1665
के दिए गए अंकों से मिल रहे थे
01:43
Last year, we issued
an even more difficult challenge.
an even more difficult challenge.
30
91092
2984
पिछले साल हमने
एक और भी मुश्किल चुनौती रख दी
एक और भी मुश्किल चुनौती रख दी
01:46
Can you take images of the eye
and diagnose an eye disease
and diagnose an eye disease
31
94100
2953
क्या आप आँखों की तस्वीर ले कर
उस रोग का निदान कर सकते हैं
उस रोग का निदान कर सकते हैं
01:49
called diabetic retinopathy?
32
97077
1694
जिसका नाम है डायबेटिक रेटिनोपैथी ?
01:51
Again, the winning algorithms
were able to match the diagnoses
were able to match the diagnoses
33
99164
4040
इस बार फिर, जीतने वाले एल्गोरिथमों
का निष्कर्ष, मानव नेत्र चिकित्सकों
का निष्कर्ष, मानव नेत्र चिकित्सकों
01:55
given by human ophthalmologists.
34
103228
1825
के किए गए निदान से मिल रहा था
01:57
Now, given the right data,
machines are going to outperform humans
machines are going to outperform humans
35
105561
3212
अब, सही जानकारी देने पर,
मशीने इंसानों को मात देंगी
मशीने इंसानों को मात देंगी
02:00
at tasks like this.
36
108797
1165
जब ऐसे कामों की बात हो
02:01
A teacher might read 10,000 essays
over a 40-year career.
over a 40-year career.
37
109986
3992
एक शिक्षक को 10,000 लेख पढ़ने में
शायद 40 साल लग जाए
शायद 40 साल लग जाए
02:06
An ophthalmologist might see 50,000 eyes.
38
114407
2360
इतने वक्त में
एक डॉक्टर शायद 50,000 आँखें देखे
एक डॉक्टर शायद 50,000 आँखें देखे
02:08
A machine can read millions of essays
or see millions of eyes
or see millions of eyes
39
116791
3913
एक मशीन लाखों लेख पढ़ सकती है
और लाखों आँखें देख सकती है
और लाखों आँखें देख सकती है
02:12
within minutes.
40
120728
1276
वो भी चुटकियों में
02:14
We have no chance of competing
against machines
against machines
41
122456
2858
हम मशीनों के सामने कुछ भी नहीं है
02:17
on frequent, high-volume tasks.
42
125338
2321
बार-बार होनेवाले,
भारी मात्रा के कार्यों में
भारी मात्रा के कार्यों में
02:20
But there are things we can do
that machines can't do.
that machines can't do.
43
128665
3724
पर ऐसी भी चीज़ें हैं, जो हम कर सकते हैं,
और मशीने नही कर सकती
और मशीने नही कर सकती
02:24
Where machines have made
very little progress
very little progress
44
132791
2200
और जहाँ मशीनों ने,
नवीन स्थितियाँ संभालने में,
नवीन स्थितियाँ संभालने में,
02:27
is in tackling novel situations.
45
135015
1854
ज़्यादा प्रगति नहीं की
02:28
They can't handle things
they haven't seen many times before.
they haven't seen many times before.
46
136893
3899
जो चीज़ें उन्होंने ज़्यादा बार
देखी नही है, उन्हे वे संभाल नही पाते
देखी नही है, उन्हे वे संभाल नही पाते
02:33
The fundamental limitations
of machine learning
of machine learning
47
141321
2584
मूल रूप से, मशीन शिक्षा की सीमा यह है कि
02:35
is that it needs to learn
from large volumes of past data.
from large volumes of past data.
48
143929
3394
सीखने के लिए उन्हें भारी मात्रा में
पिछली जानकारी की ज़रुरत है
पिछली जानकारी की ज़रुरत है
02:39
Now, humans don't.
49
147347
1754
अब इंसानों को इसकी ज़रूरत नही
02:41
We have the ability to connect
seemingly disparate threads
seemingly disparate threads
50
149125
3030
हममें यह काबिलियत है कि
हम असमान धागों को जोड़कर
हम असमान धागों को जोड़कर
02:44
to solve problems we've never seen before.
51
152179
2238
पहले न देखी हुई समस्याओं को भी सुलझा सकते
02:46
Percy Spencer was a physicist
working on radar during World War II,
working on radar during World War II,
52
154808
4411
पर्सी स्पेंसर एक भौतिकज्ञ था जो दूसरे
विश्व युद्ध के दौरान रेडार पर काम कर रहा था
विश्व युद्ध के दौरान रेडार पर काम कर रहा था
02:51
when he noticed the magnetron
was melting his chocolate bar.
was melting his chocolate bar.
53
159243
3013
जब उसने देखा कि मैग्नेट्राॅन के कारण
उसका चॉकलेट पिघल रहा है
उसका चॉकलेट पिघल रहा है
02:54
He was able to connect his understanding
of electromagnetic radiation
of electromagnetic radiation
54
162970
3295
वह अपनी विद्युत चुम्बकीय विकिरण की समझ को
02:58
with his knowledge of cooking
55
166289
1484
खाना बनाने की समझ से जोड़ पाया
02:59
in order to invent -- any guesses? --
the microwave oven.
the microwave oven.
56
167797
3258
और आविष्कार कर पाया - अंदाज़ा लगाइए
किसका - माइक्रोवेव ओवन का
किसका - माइक्रोवेव ओवन का
03:03
Now, this is a particularly remarkable
example of creativity.
example of creativity.
57
171444
3073
अब यह सृजनात्मकता का अद्भुत उदाहरण है
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
पर इस किस्म का परागण
हमारे लिए छोटे तरीकों में
हमारे लिए छोटे तरीकों में
03:10
thousands of times per day.
59
178229
1828
दिन में हज़ार बार होता है
03:12
Machines cannot compete with us
60
180501
1661
मशीने हमसे मुकाबला नही कर सकती
03:14
when it comes to tackling
novel situations,
novel situations,
61
182186
2251
जब नई परिस्थितियों को संभालने की बात हो
03:16
and this puts a fundamental limit
on the human tasks
on the human tasks
62
184461
3117
और यह उन मानवी कार्य पर सीमा डालती है
03:19
that machines will automate.
63
187602
1717
जो मशीनों के कारण स्वचलित हो सकती है
03:22
So what does this mean
for the future of work?
for the future of work?
64
190041
2405
तो इसका काम के भविष्य के संदर्भ
में क्या मतलब है ?
में क्या मतलब है ?
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
किसी भी नौकरी के भविष्य की दशा
इस सवाल के जवाब से जुड़ी है :
इस सवाल के जवाब से जुड़ी है :
03:29
To what extent is that job reducible
to frequent, high-volume tasks,
to frequent, high-volume tasks,
66
197360
4981
वह नौकरी में किस हद तक बार-बार होनेवाले
और भारी मात्रा के कार्य है
और भारी मात्रा के कार्य है
03:34
and to what extent does it involve
tackling novel situations?
tackling novel situations?
67
202365
3253
और किस हद तक नए हालातों का
सामना करना पड़ता हैं?
सामना करना पड़ता हैं?
03:37
On frequent, high-volume tasks,
machines are getting smarter and smarter.
machines are getting smarter and smarter.
68
205975
4035
बार-बार होनेवाले व भारी मात्रा के कार्यों
में मशीनें और होशियार होती जा रही हैं
में मशीनें और होशियार होती जा रही हैं
03:42
Today they grade essays.
They diagnose certain diseases.
They diagnose certain diseases.
69
210034
2714
आज वे लेखों को अंक देते हैं,
रोगों का निदान करते हैं
रोगों का निदान करते हैं
03:44
Over coming years,
they're going to conduct our audits,
they're going to conduct our audits,
70
212772
3157
आने वाले सालों में वे
हमारी लेखा परीक्षा लेंगे
हमारी लेखा परीक्षा लेंगे
03:47
and they're going to read boilerplate
from legal contracts.
from legal contracts.
71
215953
2967
और कानूनी अनुबंधों के बॉयलरप्लेट पढ़ेंगे
03:50
Accountants and lawyers are still needed.
72
218944
1997
मुनीम और वकील की ज़रूरत फिर भी होगी
03:52
They're going to be needed
for complex tax structuring,
for complex tax structuring,
73
220965
2682
कर की जटिल संरचना के लिए
उनकी आवश्यकता होगी,
उनकी आवश्यकता होगी,
03:55
for pathbreaking litigation.
74
223671
1357
अग्रणी मुकदमों के लिए
03:57
But machines will shrink their ranks
75
225052
1717
पर मशीनों के कारण उनके पद कम होंगे
03:58
and make these jobs harder to come by.
76
226793
1872
और ऐसी नौकरियाँ पाना मुश्किल होगा
04:00
Now, as mentioned,
77
228689
1151
अब, जैसा मैं कह चुका हूँ
04:01
machines are not making progress
on novel situations.
on novel situations.
78
229864
2949
नई परिस्थितियों में मशीन
ज़्यादा प्रगति नहीं कर रही
ज़्यादा प्रगति नहीं कर रही
विपणन अभियान के नमूने को ग्राहकों का
ध्यान आकर्षित करना होगा
ध्यान आकर्षित करना होगा
04:04
The copy behind a marketing campaign
needs to grab consumers' attention.
needs to grab consumers' attention.
79
232837
3457
उसे बाकि सब से हट के होना चाहिए
04:08
It has to stand out from the crowd.
80
236318
1715
व्यापार की रणनीति मतलब
बाज़ार में कमी ढ़ूँडना
बाज़ार में कमी ढ़ूँडना
04:10
Business strategy means
finding gaps in the market,
finding gaps in the market,
81
238057
2444
चीज़ें जो कोई और नहीं कर रहा हो
04:12
things that nobody else is doing.
82
240525
1756
विपणन अभियान के नमूने का
निर्माण करने वाले इंसान होंगे
निर्माण करने वाले इंसान होंगे
04:14
It will be humans that are creating
the copy behind our marketing campaigns,
the copy behind our marketing campaigns,
83
242305
4118
और हमारी व्यापार रणनीति
बनाने वाले भी इंसान होंगे
बनाने वाले भी इंसान होंगे
04:18
and it will be humans that are developing
our business strategy.
our business strategy.
84
246447
3517
तो याहली, तुम जो भी करने का फ़ैसला लो,
04:21
So Yahli, whatever you decide to do,
85
249988
2817
हर दिन को एक नई चुनौती लाने दो
04:24
let every day bring you a new challenge.
86
252829
2361
अगर ऐसा हुआ, तो तुम मशीनों से आगे ही रहोगी
04:27
If it does, then you will stay
ahead of the machines.
ahead of the machines.
87
255587
2809
04:31
Thank you.
88
259126
1176
धन्यवाद
( तालियाँ )
04:32
(Applause)
89
260326
3104
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