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: A munkák, amelyekben vesztésre állunk a gépekkel szemben – és amelyekben nem

Filmed:
2,568,213 views

A gépi tanulás használatával már nem csupán olyan egyszerű feladatok oldhatók meg, mint amilyen a hitelkérelmek bírálata vagy a levelek szortírozása – a gépek ma már sokkal összetettebb feladatokkal is megbirkóznak, például iskolai fogalmazásokat osztályoznak és betegségeket diagnosztizálnak. A gépek fejlődését látva adódik a kényelmetlen kérdés: elveszik-e a robotok a munkánkat?
- 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 nieceunokahúg.
0
968
1262
Ő itt az unokahúgom.
00:14
Her namenév is YahliYahli.
1
2644
1535
Yahlinak hívják.
00:16
She is ninekilenc monthshónap oldrégi.
2
4203
1511
Yahli kilenc hónapos.
00:18
Her mumanya is a doctororvos,
and her dadapu is a lawyerjogász.
3
6201
2528
Az édesanyja orvos, az édesapja ügyvéd.
Mire Yahli egyetemista lesz,
00:21
By the time YahliYahli goesmegy to collegefőiskola,
4
9269
2006
00:23
the jobsmunkahelyek her parentsszülők do
are going to look dramaticallydrámaian differentkülönböző.
5
11299
3253
A munka, amit a szülei végeznek,
teljesen másként fest majd.
00:27
In 2013, researcherskutatók at OxfordOxford UniversityEgyetem
did a studytanulmány on the futurejövő of work.
6
15347
5073
Az Oxfordi Egyetem tudósai 2013-ban
kutatást végeztek a munka jövőjéről.
00:32
They concludedmegkötött that almostmajdnem one
in everyminden two jobsmunkahelyek have a highmagas riskkockázat
7
20766
4139
Arra jutottak, hogy szinte minden második
foglalkozást az a veszély fenyegeti,
hogy gépek veszik át az emberek helyét.
00:36
of beinglény automatedautomatizált by machinesgépek.
8
24929
1824
00:40
MachineGép learningtanulás is the technologytechnológia
9
28388
1905
Ezért a nyugtalanító fejleményért
00:42
that's responsiblefelelős for mosta legtöbb
of this disruptionzavar.
10
30317
2278
leginkább a gépi tanulás
technológiája felelős.
00:44
It's the mosta legtöbb powerfulerős branchág
of artificialmesterséges intelligenceintelligencia.
11
32619
2790
A gépi tanulás a mesterséges értelem
legfejlettebb ága:
00:47
It allowslehetővé tesz machinesgépek to learntanul from dataadat
12
35433
1882
lehetővé teszi, hogy a gépek tanuljanak
00:49
and mimicutánzó some of the things
that humansemberek can do.
13
37339
2592
és utánozzanak
bizonyos emberi tevékenységeket.
00:51
My companyvállalat, KaggleKaggle, operatesműködik
on the cuttingvágás edgeél of machinegép learningtanulás.
14
39955
3415
A cégem, a Kaggle, a gépi tanulás
világának élvonalába tartozik.
00:55
We bringhoz togetheregyütt
hundredsszáz of thousandsTöbb ezer of expertsszakértők
15
43394
2386
A Kaggle közössége szakértők
százezreit tömöríti,
00:57
to solvemegfejt importantfontos problemsproblémák
for industryipar and academiaAcademia.
16
45804
3118
akik az ipar és a tudomány
nagy problémáinak megoldásán dolgoznak.
01:01
This givesad us a uniqueegyedi perspectivetávlati
on what machinesgépek can do,
17
49279
3222
Kivételes rálátásunk van tehát arra,
hogy mire képesek a gépek,
01:04
what they can't do
18
52525
1235
és mire nem,
01:05
and what jobsmunkahelyek they mightesetleg
automateautomatizálása or threatenfenyeget.
19
53784
2939
és hogy mely munkákat
automatizálhatnak és veszélyeztethetnek.
01:09
MachineGép learningtanulás startedindult makinggyártás its way
into industryipar in the earlykorai '90s.
20
57316
3550
A gépi tanulás a 90-es évek elején
kezdett teret hódítani.
01:12
It startedindult with relativelyviszonylag simpleegyszerű tasksfeladatok.
21
60890
2124
Egyszerű feladatokkal indult az egész.
01:15
It startedindult with things like assessingértékelése
credithitel riskkockázat from loanhitel applicationsalkalmazások,
22
63406
4115
Például gépek bírálták el
a hitelkérelmek kockázatát,
01:19
sortingválogatás the maillevél by readingolvasás
handwrittenkézírásos characterskarakterek from zippostai irányítószám codeskódok.
23
67545
4053
vagy kézzel írt irányítószámok alapján
szortírozták a leveleket.
01:24
Over the pastmúlt fewkevés yearsévek, we have madekészült
dramaticdrámai breakthroughsáttörések.
24
72036
3169
Az elmúlt néhány évben aztán
sorra jöttek a nagy áttörések.
01:27
MachineGép learningtanulás is now capableképes
of farmessze, farmessze more complexösszetett tasksfeladatok.
25
75586
3916
A gépi tanulás technológiája ma már jóval
összetettebb feladatokkal is megbirkózik.
01:31
In 2012, KaggleKaggle challengedmegtámadta its communityközösség
26
79860
3231
A Kaggle 2012-ben azt a kihívást állította
a közösség elé,
01:35
to buildépít an algorithmalgoritmus
that could gradefokozat high-schoolGimnázium essaysesszék.
27
83115
3189
hogy írjanak egy programot,
amely iskolai fogalmazásokat osztályoz.
01:38
The winningnyerő algorithmsalgoritmusok
were ableképes to matchmérkőzés the gradesévfolyamon
28
86328
2604
A győztes programok
ugyanolyan osztályzatokat adtak,
01:40
givenadott by humanemberi teacherstanárok.
29
88956
1665
mint a középiskolai tanárok.
01:43
Last yearév, we issuedkiadott
an even more difficultnehéz challengekihívás.
30
91092
2984
2015-ben még nehezebb feladattal
álltunk elő:
01:46
Can you take imagesképek of the eyeszem
and diagnosediagnosztizál an eyeszem diseasebetegség
31
94100
2953
Képes-e egy program
fényképek alapján diagnosztizálni
01:49
calledhívott diabeticcukorbeteg retinopathyretinopathia?
32
97077
1694
a diabéteszes retinopátiát?
01:51
Again, the winningnyerő algorithmsalgoritmusok
were ableképes to matchmérkőzés the diagnosesdiagnózisok
33
99164
4040
A nyertes programok képesek voltak
ugyanazt a diagnózist felállítani,
01:55
givenadott by humanemberi ophthalmologistsszemész.
34
103228
1825
mint a szemész szakorvosok.
01:57
Now, givenadott the right dataadat,
machinesgépek are going to outperformjobban teljesítenek, mint humansemberek
35
105561
3212
A megfelelő adatok birtokában
a gépek jobban teljesítenek nálunk
02:00
at tasksfeladatok like this.
36
108797
1165
az efféle feladatokban.
02:01
A teachertanár mightesetleg readolvas 10,000 essaysesszék
over a 40-year-év careerkarrier.
37
109986
3992
Tegyük fel, hogy egy tanár elolvas
10 000 fogalmazást a pályafutása során,
02:06
An ophthalmologistszemész mightesetleg see 50,000 eyesszemek.
38
114407
2360
egy szemorvos pedig
megvizsgál 50 000 szemet.
02:08
A machinegép can readolvas millionsTöbb millió of essaysesszék
or see millionsTöbb millió of eyesszemek
39
116791
3913
Egy gép esszék millióit képes elolvasni,
és szemek millióit képes megvizsgálni
02:12
withinbelül minutespercek.
40
120728
1276
alig néhány perc alatt.
02:14
We have no chancevéletlen of competingversengő
againstellen machinesgépek
41
122456
2858
Gyakori és nagy volumenű feladatok
esetében
02:17
on frequentgyakori, high-volumemagas hangerő tasksfeladatok.
42
125338
2321
nincs esélyünk a gépekkel szemben
02:20
But there are things we can do
that machinesgépek can't do.
43
128665
3724
De van, amire csak mi, emberek
vagyunk képesek, a gépek viszont nem.
02:24
Where machinesgépek have madekészült
very little progressHaladás
44
132791
2200
A gépek nagyon keveset fejlődtek
02:27
is in tacklingkezelése novelregény situationshelyzetek.
45
135015
1854
az új helyzetek kezelésében,
02:28
They can't handlefogantyú things
they haven'tnincs seenlátott manysok timesalkalommal before.
46
136893
3899
és nem tudnak mit kezdeni olyasmivel,
amivel nem találkoztak korábban sokszor.
02:33
The fundamentalalapvető limitationskorlátozások
of machinegép learningtanulás
47
141321
2584
A gépi tanulás alapvető korlátja az,
02:35
is that it needsigények to learntanul
from largenagy volumeskötetek of pastmúlt dataadat.
48
143929
3394
hogy a gépek csak a korábbi adatok
tömkelegéből képesek tanulni.
02:39
Now, humansemberek don't.
49
147347
1754
Az embereknél ez nem így van.
02:41
We have the abilityképesség to connectkapcsolódni
seeminglylátszólag disparateeltérő threadsmenetek
50
149125
3030
Mi össze tudunk kötni
látszólag különálló szálakat,
02:44
to solvemegfejt problemsproblémák we'vevoltunk never seenlátott before.
51
152179
2238
hogy teljesen új problémákat oldjunk meg.
02:46
PercyPercy SpencerSpencer was a physicistfizikus
workingdolgozó on radarradar duringalatt WorldVilág WarHáború IIII.,
52
154808
4411
A fizikus, Percy Spencer egy radar mellett
dolgozott a II. világháborúban,
02:51
when he noticedészrevette the magnetronMAGNETRON
was meltingolvasztó his chocolatecsokoládé barbár.
53
159243
3013
és feltűnt neki, hogy a magnetron
megolvasztotta a csokoládéját.
02:54
He was ableképes to connectkapcsolódni his understandingmegértés
of electromagneticelektromágneses radiationsugárzás
54
162970
3295
Spencer összekapcsolta a tudását
az elektromágneses sugárzásról
02:58
with his knowledgetudás of cookingfőzés
55
166289
1484
és a főzésről,
02:59
in ordersorrend to inventfeltalál -- any guessestalálgatások? --
the microwavemikrohullámú sütő ovensütő.
56
167797
3258
és feltalálta – vajon mit?
A mikrohullámú sütőt.
03:03
Now, this is a particularlykülönösen remarkablefigyelemre méltó
examplepélda of creativitykreativitás.
57
171444
3073
Ez persze a kreativitás különösen
figyelemreméltó példája.
03:06
But this sortfajta of cross-pollinationkölcsönös beporzás
happensmegtörténik for eachminden egyes of us in smallkicsi waysmódokon
58
174541
3664
Ám ehhez hasonló inspirációt
naponta ezernyi alkalommal
03:10
thousandsTöbb ezer of timesalkalommal perper day.
59
178229
1828
tapasztalunk mindannyian.
03:12
MachinesGépek cannotnem tud competeversenyez with us
60
180501
1661
A gépeknek nincs esélyük,
03:14
when it comesjön to tacklingkezelése
novelregény situationshelyzetek,
61
182186
2251
ha új helyzetek kezeléséről van szó,
03:16
and this putshelyezi a fundamentalalapvető limithatár
on the humanemberi tasksfeladatok
62
184461
3117
ez pedig behatárolja azoknak
az emberi tevékenységeknek a körét,
03:19
that machinesgépek will automateautomatizálása.
63
187602
1717
amelyeket a gépek átvesznek majd.
03:22
So what does this mean
for the futurejövő of work?
64
190041
2405
Hogy mindez mit jelent
a munka jövőjére nézve?
03:24
The futurejövő stateállapot of any singleegyetlen jobmunka lieshazugságok
in the answerválasz to a singleegyetlen questionkérdés:
65
192804
4532
Minden egyes foglalkozás jövője eldönthető
egyetlen kérdés megválaszolásával:
03:29
To what extentmértékben is that jobmunka reduciblebátya
to frequentgyakori, high-volumemagas hangerő tasksfeladatok,
66
197360
4981
Milyen mértékben áll az adott munka
gyakori, nagy volumenű feladatokból,
03:34
and to what extentmértékben does it involvevonja
tacklingkezelése novelregény situationshelyzetek?
67
202365
3253
és milyen mértékben igényli
új helyzetek kezelését?
03:37
On frequentgyakori, high-volumemagas hangerő tasksfeladatok,
machinesgépek are gettingszerzés smarterintelligensebb and smarterintelligensebb.
68
205975
4035
A gépek egyre ügyesebben birkóznak meg
a gyakori, nagy volumenű feladatokkal.
03:42
TodayMa they gradefokozat essaysesszék.
They diagnosediagnosztizál certainbizonyos diseasesbetegségek.
69
210034
2714
Ma fogalmazásokat osztályoznak
és betegségeket diagnosztizálnak.
03:44
Over comingeljövetel yearsévek,
they're going to conductmagatartás our auditsellenőrzések,
70
212772
3157
Az évek múlásával gépek
fogják végezni a felülvizsgálatokat,
03:47
and they're going to readolvas boilerplateboilerplate
from legaljogi contractsszerződések.
71
215953
2967
és gépek fogják beemelni
a szerződések szabványszövegeit.
03:50
AccountantsKönyvelők and lawyersügyvédek are still neededszükséges.
72
218944
1997
De szükség lesz számvivőkre és jogászokra
03:52
They're going to be neededszükséges
for complexösszetett taxadó structuringstrukturálása,
73
220965
2682
a bonyolult adórendszerek kezeléséhez,
03:55
for pathbreakingúj litigationpereskedés.
74
223671
1357
vagy új peres eljárásokhoz.
03:57
But machinesgépek will shrinkösszezsugorodik theirazok rankssoraiban
75
225052
1717
De egyre kevésbé lesz rájuk szükség,
03:58
and make these jobsmunkahelyek hardernehezebb to come by.
76
226793
1872
és nehezebb lesz ilyen munkát találni.
04:00
Now, as mentionedemlített,
77
228689
1151
Ahogy már mondtam,
04:01
machinesgépek are not makinggyártás progressHaladás
on novelregény situationshelyzetek.
78
229864
2949
a gépek nem jeleskednek
az új helyzetek kezelésében.
04:04
The copymásolat behindmögött a marketingértékesítés campaignkampány
needsigények to grabMegragad consumers'fogyasztók attentionFigyelem.
79
232837
3457
Egy reklámkampány szövegének
fel kell keltenie a fogyasztók figyelmét,
04:08
It has to standállvány out from the crowdtömeg.
80
236318
1715
és ki kell tűnnie a tömegből.
04:10
BusinessÜzleti strategystratégia meanseszközök
findinglelet gapsrések in the marketpiac,
81
238057
2444
Az üzleti tervek a piaci rések
feltárására épülnek,
04:12
things that nobodysenki elsemás is doing.
82
240525
1756
olyasmire, amit más még nem csinál.
04:14
It will be humansemberek that are creatinglétrehozása
the copymásolat behindmögött our marketingértékesítés campaignskampányok,
83
242305
4118
A reklámkampányok szövegét tehát
továbbra is emberek fogják írni,
04:18
and it will be humansemberek that are developingfejlesztés
our businessüzleti strategystratégia.
84
246447
3517
és emberek fogják kidolgozni
az üzleti terveket.
04:21
So YahliYahli, whatevertök mindegy you decidedöntsd el to do,
85
249988
2817
Így hát, Yahli, bármit is csinálsz majd,
04:24
let everyminden day bringhoz you a newúj challengekihívás.
86
252829
2361
hozzon minden napod új kihívást.
04:27
If it does, then you will staymarad
aheadelőre of the machinesgépek.
87
255587
2809
Ha így lesz, előnyben leszel
a gépekkel szemben.
04:31
Thank you.
88
259126
1176
Köszönöm.
04:32
(ApplauseTaps)
89
260326
3104
(Taps.)
Translated by Beatrix Turán
Reviewed by Zsuzsanna Lőrincz

▲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