TED2016
Anthony Goldbloom: The jobs we'll lose to machines -- and the ones we won't
앤서니 골드블룸(Anthony Goldbloom): 기계에게 빼앗길 직업과 그렇지 않은 직업
Filmed:
Readability: 4.8
2,568,213 views
기계 학습은 단지 신용 등급 평가나 우편물 분류같은 단순한 과제만을 위한 것이 아닙니다. 오늘날에는 에세이 채점이나 질병 진단같이 더 복잡한 작업도 할 수 있습니다. 이 엄청난 발전에는 불편한 질문이 따라옵니다. 미래에는 로봇이 당신의 직업을 대신 수행하고 있을까요?
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
이 아이는 제 조카입니다.
00:14
Her name is Yahli.
1
2644
1535
이름은 얄리이고
00:16
She is nine months old.
2
4203
1511
9개월 밖에 안 됐어요.
00:18
Her mum is a doctor,
and her dad is a lawyer.
and her dad is a lawyer.
3
6201
2528
얄리의 엄마는 의사이고,
아빠는 법조인입니다.
아빠는 법조인입니다.
00:21
By the time Yahli goes to college,
4
9269
2006
얄리가 대학생이 될 때쯤이면
00:23
the jobs her parents do
are going to look dramatically different.
are going to look dramatically different.
5
11299
3253
얄리의 부모님의 직업은
지금과는 확연히 다를 겁니다.
지금과는 확연히 다를 겁니다.
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
2013년에 옥스포드 대학에서는
직업의 미래에 관해 연구했습니다.
직업의 미래에 관해 연구했습니다.
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
현존하는 직업의 절반이 미래에는
기계들에 의해 대체될 확률이 높다는
기계들에 의해 대체될 확률이 높다는
00:36
of being automated by machines.
8
24929
1824
결론이 났습니다.
00:40
Machine learning is the technology
9
28388
1905
기계 학습이 이 변화의
대부분의 원인입니다.
대부분의 원인입니다.
00:42
that's responsible for most
of this disruption.
of this disruption.
10
30317
2278
00:44
It's the most powerful branch
of artificial intelligence.
of artificial intelligence.
11
32619
2790
인공지능 분야에서
가장 강력한 분야입니다.
가장 강력한 분야입니다.
00:47
It allows machines to learn from data
12
35433
1882
기계 학습은 기계들이
데이터를 통해 학습하고
데이터를 통해 학습하고
00:49
and mimic some of the things
that humans can do.
that humans can do.
13
37339
2592
인간이 할 수 있는 일을 일부
따라하는 것을 가능케 합니다.
따라하는 것을 가능케 합니다.
00:51
My company, Kaggle, operates
on the cutting edge of machine learning.
on the cutting edge of machine learning.
14
39955
3415
제 회사 카글은 기계 학습 개발의
최첨단을 달리고 있습니다.
최첨단을 달리고 있습니다.
00:55
We bring together
hundreds of thousands of experts
hundreds of thousands of experts
15
43394
2386
저희는 수천 명이 넘는
전문가들을 모아서
전문가들을 모아서
00:57
to solve important problems
for industry and academia.
for industry and academia.
16
45804
3118
학계와 산업이 직면해 있는
문제를 해결하도록 합니다.
문제를 해결하도록 합니다.
01:01
This gives us a unique perspective
on what machines can do,
on what machines can do,
17
49279
3222
이 일은 저희에게
기계들이 할 수 있는 것과
기계들이 할 수 있는 것과
01:04
what they can't do
18
52525
1235
할 수 없는 것
01:05
and what jobs they might
automate or threaten.
automate or threaten.
19
53784
2939
그리고 어떤 직업이 기계에 의해
대체될지 알 수 있게 해줍니다.
대체될지 알 수 있게 해줍니다.
01:09
Machine learning started making its way
into industry in the early '90s.
into industry in the early '90s.
20
57316
3550
기계 학습은 1990년대
초기에 등장했습니다.
초기에 등장했습니다.
01:12
It started with relatively simple tasks.
21
60890
2124
초반에는 상대적으로
간단한 일만 했습니다.
간단한 일만 했습니다.
01:15
It started with things like assessing
credit risk from loan applications,
credit risk from loan applications,
22
63406
4115
예컨대 대출 신청자들의
신용 등급을 평가하거나
신용 등급을 평가하거나
01:19
sorting the mail by reading
handwritten characters from zip codes.
handwritten characters from zip codes.
23
67545
4053
편지 봉투에 손글씨로 적힌
우편번호를 읽는 정도였죠.
우편번호를 읽는 정도였죠.
01:24
Over the past few years, we have made
dramatic breakthroughs.
dramatic breakthroughs.
24
72036
3169
지난 몇 년 동안 기계 학습 분야에서는
획기적인 발전을 이루어냈습니다.
획기적인 발전을 이루어냈습니다.
01:27
Machine learning is now capable
of far, far more complex tasks.
of far, far more complex tasks.
25
75586
3916
그 결과, 기계 학습을 통해 훨씬 더
복잡한 일을 할 수 있게 되었습니다.
복잡한 일을 할 수 있게 되었습니다.
01:31
In 2012, Kaggle challenged its community
26
79860
3231
2012년에는 카글이 기계 학습을 통해
01:35
to build an algorithm
that could grade high-school essays.
that could grade high-school essays.
27
83115
3189
고등학교 에세이를 채점할 수 있는
알고리즘을 만드는 대회를 열었는데
알고리즘을 만드는 대회를 열었는데
01:38
The winning algorithms
were able to match the grades
were able to match the grades
28
86328
2604
우승한 알고리즘이 매긴 점수는
실제 선생님들이
실제 선생님들이
01:40
given by human teachers.
29
88956
1665
매긴 점수와 일치했습니다.
01:43
Last year, we issued
an even more difficult challenge.
an even more difficult challenge.
30
91092
2984
작년에는 더 어려운 문제를 냈습니다.
01:46
Can you take images of the eye
and diagnose an eye disease
and diagnose an eye disease
31
94100
2953
눈의 사진만을 가지고
당뇨병성 망막증을
당뇨병성 망막증을
01:49
called diabetic retinopathy?
32
97077
1694
진단하는 것이었죠.
01:51
Again, the winning algorithms
were able to match the diagnoses
were able to match the diagnoses
33
99164
4040
대회에서 우승한 알고리즘은
안과 의사들의 진단과
안과 의사들의 진단과
01:55
given by human ophthalmologists.
34
103228
1825
또 같은 결과를 냈습니다.
01:57
Now, given the right data,
machines are going to outperform humans
machines are going to outperform humans
35
105561
3212
올바른 데이터만 주어진다면
기계는 인간보다 이런 작업을
기계는 인간보다 이런 작업을
02:00
at tasks like this.
36
108797
1165
훨씬 더 잘하게 될 겁니다.
02:01
A teacher might read 10,000 essays
over a 40-year career.
over a 40-year career.
37
109986
3992
선생님 한 명은 40년에 걸쳐
만 개의 에세이를 읽고
만 개의 에세이를 읽고
02:06
An ophthalmologist might see 50,000 eyes.
38
114407
2360
안과 의사 한 명은
5만 개의 눈을 진료할 수 있겠죠.
5만 개의 눈을 진료할 수 있겠죠.
02:08
A machine can read millions of essays
or see millions of eyes
or see millions of eyes
39
116791
3913
하지만 기계는 고작 몇 분 안에
수만 개의 눈과 에세이를
수만 개의 눈과 에세이를
02:12
within minutes.
40
120728
1276
진료하고 읽을 수 있습니다.
02:14
We have no chance of competing
against machines
against machines
41
122456
2858
인간은 이렇게 반복적이고
방대한 양의 작업을 하는 데 있어서
방대한 양의 작업을 하는 데 있어서
02:17
on frequent, high-volume tasks.
42
125338
2321
기계를 뛰어넘을 수 없습니다.
02:20
But there are things we can do
that machines can't do.
that machines can't do.
43
128665
3724
하지만 인간만이 할 수 있는
일도 있습니다.
일도 있습니다.
02:24
Where machines have made
very little progress
very little progress
44
132791
2200
기계들은 새로운 상황에 대처하는 법을
02:27
is in tackling novel situations.
45
135015
1854
아직 배우지 못했습니다.
02:28
They can't handle things
they haven't seen many times before.
they haven't seen many times before.
46
136893
3899
기계들은 전례가 없는 일은
처리하지 못합니다.
처리하지 못합니다.
02:33
The fundamental limitations
of machine learning
of machine learning
47
141321
2584
기계 학습의 본질적인 한계는
02:35
is that it needs to learn
from large volumes of past data.
from large volumes of past data.
48
143929
3394
방대한 양의 전례를 통해
학습해야 한다는 것입니다.
학습해야 한다는 것입니다.
02:39
Now, humans don't.
49
147347
1754
인간들은 그럴 필요가 없죠.
02:41
We have the ability to connect
seemingly disparate threads
seemingly disparate threads
50
149125
3030
우리는 관련이 없어 보이는
주제들을 이어서
주제들을 이어서
02:44
to solve problems we've never seen before.
51
152179
2238
전에 본적 없는 문제를 풀 수 있습니다
02:46
Percy Spencer was a physicist
working on radar during World War II,
working on radar during World War II,
52
154808
4411
퍼시 스펜서는 제2차 세계 대전 때
레이더를 연구한 물리학자였습니다.
레이더를 연구한 물리학자였습니다.
02:51
when he noticed the magnetron
was melting his chocolate bar.
was melting his chocolate bar.
53
159243
3013
그는 마그네트론이 초콜릿을
녹이는 것을 발견하고는
녹이는 것을 발견하고는
02:54
He was able to connect his understanding
of electromagnetic radiation
of electromagnetic radiation
54
162970
3295
전자기 방사선에 대한 지식과
02:58
with his knowledge of cooking
55
166289
1484
요리에 대한 지식을 연결해서
02:59
in order to invent -- any guesses? --
the microwave oven.
the microwave oven.
56
167797
3258
아시는 분이 있으신지 모르겠지만
전자레인지를 발명했습니다.
전자레인지를 발명했습니다.
03:03
Now, this is a particularly remarkable
example of creativity.
example of creativity.
57
171444
3073
특히나 더 놀라운
창의력 발휘의 사례입니다.
창의력 발휘의 사례입니다.
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
하지만 이런 혼재적 창의성을
필요로 하는 상황은 우리에게
필요로 하는 상황은 우리에게
03:10
thousands of times per day.
59
178229
1828
하루에 자잘하게 몇천 번씩 일어납니다.
03:12
Machines cannot compete with us
60
180501
1661
기계는 새로운 상황에 대처하는 것에서는
03:14
when it comes to tackling
novel situations,
novel situations,
61
182186
2251
인간을 이길 수 없습니다.
03:16
and this puts a fundamental limit
on the human tasks
on the human tasks
62
184461
3117
이로 인해 기계에 의해
자동화 될 인간의 작업에
자동화 될 인간의 작업에
03:19
that machines will automate.
63
187602
1717
근본적인 한계가 존재합니다.
03:22
So what does this mean
for the future of work?
for the future of work?
64
190041
2405
그렇다면 이것이 직업의
미래에 대해 뭘 암시할까요?
미래에 대해 뭘 암시할까요?
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
어떤 직업이든, 그것의 미래는
한 가지에 의해 결정됩니다.
한 가지에 의해 결정됩니다.
03:29
To what extent is that job reducible
to frequent, high-volume tasks,
to frequent, high-volume tasks,
66
197360
4981
이 작업이 반복적이고
방대한 양으로 축소될 수 있는지
방대한 양으로 축소될 수 있는지
03:34
and to what extent does it involve
tackling novel situations?
tackling novel situations?
67
202365
3253
그리고 새로운 상황에 얼마나 많이
대처해야 하는지 입니다.
대처해야 하는지 입니다.
03:37
On frequent, high-volume tasks,
machines are getting smarter and smarter.
machines are getting smarter and smarter.
68
205975
4035
반복적이고 방대한 양의 작업에서는
기계들이 더 똑똑해지고 있습니다.
기계들이 더 똑똑해지고 있습니다.
03:42
Today they grade essays.
They diagnose certain diseases.
They diagnose certain diseases.
69
210034
2714
오늘날에는 기계가 에세이도 채점하고
질병도 진단하니까요.
질병도 진단하니까요.
03:44
Over coming years,
they're going to conduct our audits,
they're going to conduct our audits,
70
212772
3157
미래에는 기계가 회계 감사도 맡고
03:47
and they're going to read boilerplate
from legal contracts.
from legal contracts.
71
215953
2967
법적 계약을 맺을 때의
표준 합의안도 검토할 것입니다.
표준 합의안도 검토할 것입니다.
03:50
Accountants and lawyers are still needed.
72
218944
1997
물론 회계사와 변호사는
여전히 필요하겠죠.
여전히 필요하겠죠.
03:52
They're going to be needed
for complex tax structuring,
for complex tax structuring,
73
220965
2682
복잡한 조세 업무나
전례 없는 소송을 하는 데 필요하겠죠.
전례 없는 소송을 하는 데 필요하겠죠.
03:55
for pathbreaking litigation.
74
223671
1357
하지만 기계는 그들의 입지를 빼앗고
03:57
But machines will shrink their ranks
75
225052
1717
일자리 구하는 것을
더 힘들게 만들 겁니다.
더 힘들게 만들 겁니다.
03:58
and make these jobs harder to come by.
76
226793
1872
04:00
Now, as mentioned,
77
228689
1151
제가 말했듯이
04:01
machines are not making progress
on novel situations.
on novel situations.
78
229864
2949
기계는 새로운 상황에 한해서는
진전을 보이지 않습니다.
진전을 보이지 않습니다.
04:04
The copy behind a marketing campaign
needs to grab consumers' attention.
needs to grab consumers' attention.
79
232837
3457
마케팅 캠페인의 문구는
소비자의 관심을 사로잡아야 하고
소비자의 관심을 사로잡아야 하고
04:08
It has to stand out from the crowd.
80
236318
1715
대중들 속에서 돋보여야 합니다.
04:10
Business strategy means
finding gaps in the market,
finding gaps in the market,
81
238057
2444
경영 전략을 짜는 것은
아무도 하고 있지 않은
아무도 하고 있지 않은
04:12
things that nobody else is doing.
82
240525
1756
틈새 시장을 찾는 것입니다.
04:14
It will be humans that are creating
the copy behind our marketing campaigns,
the copy behind our marketing campaigns,
83
242305
4118
결국에는 마케팅 캠페인 뒤에서
문구를 만드는 주체는 인간이고
문구를 만드는 주체는 인간이고
04:18
and it will be humans that are developing
our business strategy.
our business strategy.
84
246447
3517
경영 전략을 짜는 것도
인간일 것입니다.
인간일 것입니다.
04:21
So Yahli, whatever you decide to do,
85
249988
2817
그러니까 얄리야,
네가 무슨 꿈을 가지든
네가 무슨 꿈을 가지든
04:24
let every day bring you a new challenge.
86
252829
2361
매일 매일이 새로운 도전을
가져다 주길 바란다.
가져다 주길 바란다.
04:27
If it does, then you will stay
ahead of the machines.
ahead of the machines.
87
255587
2809
그렇게 되면 네가 기계보다
앞서 있을 수 있을테니까.
앞서 있을 수 있을테니까.
04:31
Thank you.
88
259126
1176
감사합니다.
04:32
(Applause)
89
260326
3104
(박수)
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