sponsored links
TED2016

Anthony Goldbloom: The jobs we'll lose to machines -- and the ones we won't

アンソニー・ゴールドブルーム: 機械に奪われる仕事 — そして残る仕事

February 15, 2016

機械学習は、もはや信用リスク評価や、手紙の仕分けといった単純な仕事だけをこなすわけではありません。今では小論文の採点や病気の診断といった、ずっと複雑なこともできるようになっています。このような進歩は不安を覚える疑問を提起します ― 将来私たちの仕事はロボットに取られてしまうのでしょうか?

Anthony Goldbloom - Machine learning expert
Anthony Goldbloom crowdsources solutions to difficult problems using machine learning. Full bio

sponsored links
Double-click the English subtitles below to play the video.
So this is my niece.
この子は私の姪で
00:12
Her name is Yahli.
名前をヤーリといいます
00:14
She is nine months old.
生まれて9カ月です
00:16
Her mum is a doctor,
and her dad is a lawyer.
母親は医者で
父親は弁護士ですが
00:18
By the time Yahli goes to college,
ヤーリが大学に行く頃には
00:21
the jobs her parents do
are going to look dramatically different.
両親の仕事の様子は
劇的に変わっていることでしょう
00:23
In 2013, researchers at Oxford University
did a study on the future of work.
2013年オックスフォード大学の研究者達が
未来の仕事についての研究を行いました
00:27
They concluded that almost one
in every two jobs have a high risk
職の2つに1つは
機械により自動化されるリスクが高いと
00:32
of being automated by machines.
彼らは結論付けました
00:36
Machine learning is the technology
機械学習の技術こそ
00:40
that's responsible for most
of this disruption.
そのような変化の
主な原因となるものです
00:42
It's the most powerful branch
of artificial intelligence.
これは人工知能分野の中でも
最も有力な領域です
00:44
It allows machines to learn from data
この技術により
機械がデータから学習して
00:47
and mimic some of the things
that humans can do.
ある種のことを
人間のようにできるようになります
00:49
My company, Kaggle, operates
on the cutting edge of machine learning.
私の会社Kaggleでは
最先端の機械学習技術に取り組んでいて
00:51
We bring together
hundreds of thousands of experts
産業や学問上の重要な問題を
解決するために
00:55
to solve important problems
for industry and academia.
何十万というエキスパートを
集めています
00:57
This gives us a unique perspective
on what machines can do,
そのお陰で
独特な知見が得られます
01:01
what they can't do
機械には何ができ
何ができないのか?
01:04
and what jobs they might
automate or threaten.
どんな仕事に 自動化や
消失の怖れがあるのか?
01:05
Machine learning started making its way
into industry in the early '90s.
機械学習が産業界で使われ出したのは
1990年代前半です
01:09
It started with relatively simple tasks.
まずは比較的単純な
タスクから始まりました
01:12
It started with things like assessing
credit risk from loan applications,
ローン申し込みに対する
信用リスクの評価や
01:15
sorting the mail by reading
handwritten characters from zip codes.
手書きの郵便番号を読み取って
手紙を仕分けるといったことです
01:19
Over the past few years, we have made
dramatic breakthroughs.
ここ数年の間に
飛躍的な進歩がありました
01:23
Machine learning is now capable
of far, far more complex tasks.
機械学習が はるかに複雑なタスクを
こなせるようになったのです
01:27
In 2012, Kaggle challenged its community
2012年 Kaggleは
高校生の書いた小論文を採点できる
01:31
to build an algorithm
that could grade high-school essays.
アルゴリズムを作るという課題を
専門家コミュニティに提示しました
01:34
The winning algorithms
were able to match the grades
優勝したアルゴリズムは
人間の教師の採点と
01:38
given by human teachers.
一致する評価を
することができました
01:40
Last year, we issued
an even more difficult challenge.
昨年には さらに難しい
課題を出しました
01:42
Can you take images of the eye
and diagnose an eye disease
「眼球の写真から
糖尿病性網膜症の診断をできるか?」
01:45
called diabetic retinopathy?
というものです
01:48
Again, the winning algorithms
were able to match the diagnoses
この時も 優勝した
アルゴリズムは
01:50
given by human ophthalmologists.
人間の眼科医の診断と
一致する結果を出せました
01:55
Now, given the right data,
machines are going to outperform humans
適切なデータが与えられれば
このようなタスクで
01:57
at tasks like this.
機械は人間より優れた結果を
出し始めています
02:00
A teacher might read 10,000 essays
over a 40-year career.
教師は40年の経歴において
小論文を1万本読むかもしれません
02:01
An ophthalmologist might see 50,000 eyes.
眼科医は眼を5万個
診断するかもしれません
02:06
A machine can read millions of essays
or see millions of eyes
しかし 機械なら数分のうちに
数百万の小論文を読み
02:08
within minutes.
数百万の眼を診ることができます
02:12
We have no chance of competing
against machines
頻度が高く 多量のデータを
処理するタスクでは
02:14
on frequent, high-volume tasks.
人間が機械に勝てる見込みはありません
02:17
But there are things we can do
that machines can't do.
しかし 我々に出来て
機械に出来ないことがあります
02:20
Where machines have made
very little progress
機械の技術が
ほとんど進歩していないのは
02:24
is in tackling novel situations.
経験のない状況で
判断する技術です
02:26
They can't handle things
they haven't seen many times before.
機械は前にほとんど見たことがない状況を
うまく処理できないのです
02:28
The fundamental limitations
of machine learning
機械学習に根本的な限界があるのは
02:33
is that it needs to learn
from large volumes of past data.
大量の過去データから
学ぶ必要があるという点です
02:35
Now, humans don't.
人間は違います
02:39
We have the ability to connect
seemingly disparate threads
我々は ほとんど共通点のない
手掛かりを繋ぎ合わせ
02:40
to solve problems we've never seen before.
見たことのない問題を
解決することができます
02:43
Percy Spencer was a physicist
working on radar during World War II,
パーシー・スペンサーは第2次世界大戦中
レーダー開発の任務に就いていた物理学者で
02:46
when he noticed the magnetron
was melting his chocolate bar.
その時 マグネトロンがチョコバーを
溶かすことに気づきました
02:51
He was able to connect his understanding
of electromagnetic radiation
電磁波に関する理解と
料理に関する知識を結びつけることで
02:54
with his knowledge of cooking
彼の発明したのが —
何か分かりますか?
02:58
in order to invent -- any guesses? --
the microwave oven.
電子レンジです
02:59
Now, this is a particularly remarkable
example of creativity.
これこそ創造力の
素晴らしい一例です
03:03
But this sort of cross-pollination
happens for each of us in small ways
このような分野を超えた発想は
些細な形であれば
03:06
thousands of times per day.
誰にでも毎日何千回と
ひらめいています
03:10
Machines cannot compete with us
経験のない状況においては
03:12
when it comes to tackling
novel situations,
機械は人間には勝てず
03:14
and this puts a fundamental limit
on the human tasks
それが人間の行うことを
機械で自動化する際の
03:16
that machines will automate.
基本的な限界を与えます
03:19
So what does this mean
for the future of work?
これが将来の仕事に
意味することは何でしょう?
03:21
The future state of any single job lies
in the answer to a single question:
各々の仕事の未来の運命は
ある1つの問への答えにかかっています
03:24
To what extent is that job reducible
to frequent, high-volume tasks,
高頻度多量データ処理に
還元できる部分がどの程度あり
03:29
and to what extent does it involve
tackling novel situations?
前例無き状況への対応を求められる部分が
どの程度あるのか?
03:34
On frequent, high-volume tasks,
machines are getting smarter and smarter.
高頻度多量データ処理については
機械はどんどん賢くなっていきます
03:37
Today they grade essays.
They diagnose certain diseases.
今では 機械が小論文の採点をし
ある種の病気の診断をします
03:41
Over coming years,
they're going to conduct our audits,
数年内には
監査をしたり
03:44
and they're going to read boilerplate
from legal contracts.
法律上の契約書から一般的な表現を
解釈出来るようになるでしょう
03:47
Accountants and lawyers are still needed.
それでも会計士や弁護士が
いらなくはなりません
03:50
They're going to be needed
for complex tax structuring,
複雑な税務対策や
前例のない訴訟の対応には
03:52
for pathbreaking litigation.
必要とされるのです
03:55
But machines will shrink their ranks
機械により
能力のある者だけが残され
03:56
and make these jobs harder to come by.
これらの職に就くことは
難しくなります
03:58
Now, as mentioned,
さて 前にも述べましたが
04:00
machines are not making progress
on novel situations.
経験のない状況に対応する技術は
進歩していません
04:01
The copy behind a marketing campaign
needs to grab consumers' attention.
マーケティング活動における宣伝文句は
消費者の関心を引く必要があります
04:04
It has to stand out from the crowd.
数ある中で
目立っていなければなりません
04:08
Business strategy means
finding gaps in the market,
ビジネス戦略とは
他社がやっていない
04:09
things that nobody else is doing.
市場のニッチを探り出すことです
04:12
It will be humans that are creating
the copy behind our marketing campaigns,
マーケティング活動における宣伝文句を
創り出すのは人間の役目であり
04:14
and it will be humans that are developing
our business strategy.
ビジネス戦略を考え出すのも
人間です
04:18
So Yahli, whatever you decide to do,
だからね ヤーリちゃん
どんな仕事を選ぶにせよ
04:21
let every day bring you a new challenge.
常日頃
新しいことに挑戦することです
04:24
If it does, then you will stay
ahead of the machines.
そうすれば
機械に先んじることが出来るでしょう
04:27
Thank you.
ありがとうございました
04:30
(Applause)
(拍手)
04:32
Translator:Tomoyuki Suzuki
Reviewer:Yasushi Aoki

sponsored links

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.  

sponsored links

If you need translations, you can install "Google Translate" extension into your Chrome Browser.
Furthermore, you can change playback rate by installing "Video Speed Controller" extension.

Data provided by TED.

This website is owned and operated by Tokyo English Network.
The developer's blog is here.