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

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

Filmed:
2,568,213 views

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?
- 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 niece.
0
968
1262
この子は私の姪で
名前をヤーリといいます
00:14
Her name is Yahliヤヒリ.
1
2644
1535
00:16
She is nine9人 months数ヶ月 old古い.
2
4203
1511
生まれて9カ月です
母親は医者で
父親は弁護士ですが
00:18
Her mumママ is a doctor医師,
and her dadパパ is a lawyer弁護士.
3
6201
2528
ヤーリが大学に行く頃には
00:21
By the time Yahliヤヒリ goes行く to collegeカレッジ,
4
9269
2006
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
the jobsジョブ her parents do
are going to look dramatically劇的に different異なる.
5
11299
3253
00:27
In 2013, researchers研究者 at Oxfordオックスフォード University大学
did a study調査 on the future未来 of work.
6
15347
5073
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
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
They concluded結論 that almostほぼ one
in everyすべて two jobsジョブ have a high高い riskリスク
7
20766
4139
彼らは結論付けました
00:36
of beingであること automated自動化 by machines機械.
8
24929
1824
機械学習の技術こそ
00:40
Machine機械 learning学習 is the technology技術
9
28388
1905
そのような変化の
主な原因となるものです
00:42
that's responsible責任ある for most最も
of this disruption混乱.
10
30317
2278
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's the most最も powerful強力な branchブランチ
of artificial人工的な intelligenceインテリジェンス.
11
32619
2790
この技術により
機械がデータから学習して
00:47
It allows許す machines機械 to learn学ぶ from dataデータ
12
35433
1882
00:49
and mimic模倣する some of the things
that humans人間 can do.
13
37339
2592
ある種のことを
人間のようにできるようになります
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
My company会社, Kaggleカグル, operates動作する
on the cutting切断 edgeエッジ of machine機械 learning学習.
14
39955
3415
00:55
We bring持参する together一緒に
hundreds数百 of thousands of experts専門家
15
43394
2386
産業や学問上の重要な問題を
解決するために
00:57
to solve解決する important重要 problems問題
for industry業界 and academia学界.
16
45804
3118
何十万というエキスパートを
集めています
01:01
This gives与える us a uniqueユニークな perspective視点
on what machines機械 can do,
17
49279
3222
そのお陰で
独特な知見が得られます
機械には何ができ
何ができないのか?
01:04
what they can't do
18
52525
1235
どんな仕事に 自動化や
消失の怖れがあるのか?
01:05
and what jobsジョブ they mightかもしれない
automate自動化する or threaten脅かす.
19
53784
2939
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
Machine機械 learning学習 started開始した making作る its way
into industry業界 in the early早い '90s.
20
57316
3550
01:12
It started開始した with relatively比較的 simple単純 tasksタスク.
21
60890
2124
まずは比較的単純な
タスクから始まりました
01:15
It started開始した with things like assessing査定
creditクレジット riskリスク from loanローン applicationsアプリケーション,
22
63406
4115
ローン申し込みに対する
信用リスクの評価や
01:19
sortingソート the mail郵便物 by reading読書
handwritten手書き characters文字 from zipジップ codesコード.
23
67545
4053
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
01:24
Over the past過去 few少数 years, we have made
dramatic劇的 breakthroughsブレークスルー.
24
72036
3169
ここ数年の間に
飛躍的な進歩がありました
01:27
Machine機械 learning学習 is now capable可能な
of far遠い, far遠い more complex複合体 tasksタスク.
25
75586
3916
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
2012年 Kaggleは
高校生の書いた小論文を採点できる
01:31
In 2012, Kaggleカグル challenged挑戦した its communityコミュニティ
26
79860
3231
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
01:35
to buildビルドする an algorithmアルゴリズム
that could gradeグレード high-school高校 essaysエッセイ.
27
83115
3189
01:38
The winning勝つ algorithmsアルゴリズム
were ableできる to match一致 the grades成績
28
86328
2604
優勝したアルゴリズムは
人間の教師の採点と
01:40
given与えられた by human人間 teachers教師.
29
88956
1665
一致する評価を
することができました
昨年には さらに難しい
課題を出しました
01:43
Last year, we issued発行済み
an even more difficult難しい challengeチャレンジ.
30
91092
2984
01:46
Can you take imagesイメージ of the eye
and diagnose診断する an eye disease疾患
31
94100
2953
「眼球の写真から
糖尿病性網膜症の診断をできるか?」
01:49
calledと呼ばれる diabetic糖尿病 retinopathy網膜症?
32
97077
1694
というものです
01:51
Again, the winning勝つ algorithmsアルゴリズム
were ableできる to match一致 the diagnoses診断
33
99164
4040
この時も 優勝した
アルゴリズムは
人間の眼科医の診断と
一致する結果を出せました
01:55
given与えられた by human人間 ophthalmologists眼科医.
34
103228
1825
適切なデータが与えられれば
このようなタスクで
01:57
Now, given与えられた the right dataデータ,
machines機械 are going to outperform優れたパフォーマンス humans人間
35
105561
3212
機械は人間より優れた結果を
出し始めています
02:00
at tasksタスク like this.
36
108797
1165
02:01
A teacher先生 mightかもしれない read読む 10,000 essaysエッセイ
over a 40-year-年 careerキャリア.
37
109986
3992
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
眼科医は眼を5万個
診断するかもしれません
02:06
An ophthalmologist眼科医 mightかもしれない see 50,000 eyes.
38
114407
2360
02:08
A machine機械 can read読む millions何百万 of essaysエッセイ
or see millions何百万 of eyes
39
116791
3913
しかし 機械なら数分のうちに
数百万の小論文を読み
数百万の眼を診ることができます
02:12
within以内 minutes.
40
120728
1276
02:14
We have no chanceチャンス of competing競合する
againstに対して machines機械
41
122456
2858
頻度が高く 多量のデータを
処理するタスクでは
02:17
on frequent頻繁な, high-volume大音量 tasksタスク.
42
125338
2321
人間が機械に勝てる見込みはありません
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
But there are things we can do
that machines機械 can't do.
43
128665
3724
機械の技術が
ほとんど進歩していないのは
02:24
Where machines機械 have made
very little progress進捗
44
132791
2200
経験のない状況で
判断する技術です
02:27
is in tacklingタックル novel小説 situations状況.
45
135015
1854
02:28
They can't handleハンドル things
they haven't持っていない seen見た manyたくさんの times before.
46
136893
3899
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
02:33
The fundamental基本的な limitations限界
of machine機械 learning学習
47
141321
2584
機械学習に根本的な限界があるのは
02:35
is that it needsニーズ to learn学ぶ
from large volumes of past過去 dataデータ.
48
143929
3394
大量の過去データから
学ぶ必要があるという点です
02:39
Now, humans人間 don't.
49
147347
1754
人間は違います
02:41
We have the ability能力 to connect接続する
seemingly一見 disparate異なる threadsスレッド
50
149125
3030
我々は ほとんど共通点のない
手掛かりを繋ぎ合わせ
02:44
to solve解決する problems問題 we've私たちは never seen見た before.
51
152179
2238
見たことのない問題を
解決することができます
02:46
Percyパーシー Spencerスペンサー was a physicist物理学者
workingワーキング on radarレーダー during World世界 War戦争 IIII,
52
154808
4411
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
02:51
when he noticed気づいた the magnetronマグネトロン
was melting溶融 his chocolateチョコレート barバー.
53
159243
3013
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
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
He was ableできる to connect接続する his understanding理解
of electromagnetic電磁 radiation放射線
54
162970
3295
02:58
with his knowledge知識 of cooking料理
55
166289
1484
彼の発明したのが —
何か分かりますか?
02:59
in order注文 to invent発明する -- any guesses推測? --
the microwaveマイクロ波 ovenオーブン.
56
167797
3258
電子レンジです
これこそ創造力の
素晴らしい一例です
03:03
Now, this is a particularly特に remarkable顕著
example of creativity創造性.
57
171444
3073
03:06
But this sortソート of cross-pollination相互受粉
happens起こる for each of us in small小さい ways方法
58
174541
3664
このような分野を超えた発想は
些細な形であれば
誰にでも毎日何千回と
ひらめいています
03:10
thousands of times per〜ごと day.
59
178229
1828
03:12
Machinesマシン cannotできない compete競争する with us
60
180501
1661
経験のない状況においては
03:14
when it comes来る to tacklingタックル
novel小説 situations状況,
61
182186
2251
機械は人間には勝てず
03:16
and this puts置く a fundamental基本的な limit限界
on the human人間 tasksタスク
62
184461
3117
それが人間の行うことを
機械で自動化する際の
03:19
that machines機械 will automate自動化する.
63
187602
1717
基本的な限界を与えます
これが将来の仕事に
意味することは何でしょう?
03:22
So what does this mean
for the future未来 of work?
64
190041
2405
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
The future未来 state状態 of any singleシングル jobジョブ lies
in the answer回答 to a singleシングル question質問:
65
192804
4532
03:29
To what extentエクステント is that jobジョブ reducible還元可能な
to frequent頻繁な, high-volume大音量 tasksタスク,
66
197360
4981
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
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
and to what extentエクステント does it involve関与する
tacklingタックル novel小説 situations状況?
67
202365
3253
03:37
On frequent頻繁な, high-volume大音量 tasksタスク,
machines機械 are getting取得 smarterスマートな and smarterスマートな.
68
205975
4035
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
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
03:42
Today今日 they gradeグレード essaysエッセイ.
They diagnose診断する certainある diseases病気.
69
210034
2714
03:44
Over coming到来 years,
they're going to conduct行動 our audits監査,
70
212772
3157
数年内には
監査をしたり
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
and they're going to read読む boilerplateボイラープレート
from legal法的 contracts契約.
71
215953
2967
それでも会計士や弁護士が
いらなくはなりません
03:50
Accountants会計士 and lawyers弁護士 are still needed必要な.
72
218944
1997
03:52
They're going to be needed必要な
for complex複合体 tax税金 structuring構造化,
73
220965
2682
複雑な税務対策や
前例のない訴訟の対応には
必要とされるのです
03:55
for pathbreaking道端 litigation訴訟.
74
223671
1357
機械により
能力のある者だけが残され
03:57
But machines機械 will shrinkシュリンク their彼らの ranksランク
75
225052
1717
これらの職に就くことは
難しくなります
03:58
and make these jobsジョブ harderもっと強く to come by.
76
226793
1872
さて 前にも述べましたが
04:00
Now, as mentioned言及した,
77
228689
1151
04:01
machines機械 are not making作る progress進捗
on novel小説 situations状況.
78
229864
2949
経験のない状況に対応する技術は
進歩していません
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
The copyコピー behind後ろに a marketingマーケティング campaignキャンペーン
needsニーズ to grabつかむ consumers'消費者の attention注意.
79
232837
3457
数ある中で
目立っていなければなりません
04:08
It has to standスタンド out from the crowd群集.
80
236318
1715
04:10
Businessビジネス strategy戦略 means手段
finding所見 gaps隙間 in the market市場,
81
238057
2444
ビジネス戦略とは
他社がやっていない
市場のニッチを探り出すことです
04:12
things that nobody誰も elseelse is doing.
82
240525
1756
04:14
It will be humans人間 that are creating作成
the copyコピー behind後ろに our marketingマーケティング campaignsキャンペーン,
83
242305
4118
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
04:18
and it will be humans人間 that are developing現像
our businessビジネス strategy戦略.
84
246447
3517
ビジネス戦略を考え出すのも
人間です
だからね ヤーリちゃん
どんな仕事を選ぶにせよ
04:21
So Yahliヤヒリ, whateverなんでも you decide決めます to do,
85
249988
2817
04:24
let everyすべて day bring持参する you a new新しい challengeチャレンジ.
86
252829
2361
常日頃
新しいことに挑戦することです
そうすれば
機械に先んじることが出来るでしょう
04:27
If it does, then you will stay滞在
ahead前方に of the machines機械.
87
255587
2809
ありがとうございました
04:31
Thank you.
88
259126
1176
04:32
(Applause拍手)
89
260326
3104
(拍手)
Translated by Tomoyuki Suzuki
Reviewed by Yasushi Aoki

▲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