TED2016
Anthony Goldbloom: The jobs we'll lose to machines -- and the ones we won't
Anthony Goldbloom: Darbai, kurių neteksime dėl kompiuterių, ir tie, kuriuos išlaikysime
Filmed:
Readability: 4.8
2,568,213 views
Save mokančios sistemos nebėra skirtos tik paskolos rizikai nustatyti ar rūšiuoti paštui. Šiandien kompiuteriai gali atlikti žymiai sudėtingesnes užduotis, tokias kaip rašinių vertinimas ar ligų diagnozavimas. Kartu su tokia pažanga kyla ir nepatogus klausimas: „Ar ateityje robotas atliks tavo darbą?“
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
Tai – mano dukterėčia.
00:14
Her name is Yahli.
1
2644
1535
Jos vardas – Yahli.
00:16
She is nine months old.
2
4203
1511
Jai devyni mėnesiai.
00:18
Her mum is a doctor,
and her dad is a lawyer.
and her dad is a lawyer.
3
6201
2528
Jos mama yra gydytoja,
o tėtis – teisininkas.
o tėtis – teisininkas.
Kai Yahli pradės lankyti koledžą,
00:21
By the time Yahli goes to college,
4
9269
2006
00:23
the jobs her parents do
are going to look dramatically different.
are going to look dramatically different.
5
11299
3253
jos tėvų veikla atrodys visiškai kitaip.
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 m. Oksfordo universitete
buvo atliktas tyrimas apie darbo ateitį.
buvo atliktas tyrimas apie darbo ateitį.
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
Buvo padaryta išvada,
kad beveik kas antra darbo sritis
kad beveik kas antra darbo sritis
rizikuoja būti automatizuota.
00:36
of being automated by machines.
8
24929
1824
Save mokančios sistemos
yra technologija,
yra technologija,
00:40
Machine learning is the technology
9
28388
1905
didžia dalimi atsakinga už šią suirutę.
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
Tai – galingiausia
dirbtinio intelekto dalis.
dirbtinio intelekto dalis.
Ji leidžia kompiuteriams
mokytis iš duomenų
mokytis iš duomenų
00:47
It allows machines to learn from data
12
35433
1882
00:49
and mimic some of the things
that humans can do.
that humans can do.
13
37339
2592
ir mėgdžioti tam tikrus
žmogaus veiksmus.
žmogaus veiksmus.
Mano įmonė „Kaggle“ dirba su naujausiomis
save mokančiomis sistemomis.
save mokančiomis sistemomis.
00:51
My company, Kaggle, operates
on the cutting edge of machine learning.
on the cutting edge of machine learning.
14
39955
3415
00:55
We bring together
hundreds of thousands of experts
hundreds of thousands of experts
15
43394
2386
Mes suburiame
šimtus tūkstančių ekspertų tam,
šimtus tūkstančių ekspertų tam,
00:57
to solve important problems
for industry and academia.
for industry and academia.
16
45804
3118
kad išspręstume svarbias
pramonės ir mokslo problemas.
pramonės ir mokslo problemas.
01:01
This gives us a unique perspective
on what machines can do,
on what machines can do,
17
49279
3222
Mes turime unikalią galimybę pamatyti,
ką kompiuteriai gali atlikti,
ką kompiuteriai gali atlikti,
01:04
what they can't do
18
52525
1235
o ko – ne
01:05
and what jobs they might
automate or threaten.
automate or threaten.
19
53784
2939
ir kurioms veikloms gali kilti
grėsmė tapti automatizuotomis.
grėsmė tapti automatizuotomis.
01:09
Machine learning started making its way
into industry in the early '90s.
into industry in the early '90s.
20
57316
3550
Save mokančios sistemos pradėjo
brautis į pramonę 90-ųjų pradžioje.
brautis į pramonę 90-ųjų pradžioje.
01:12
It started with relatively simple tasks.
21
60890
2124
Iš pradžių tai buvo
gana paprastos užduotys.
gana paprastos užduotys.
01:15
It started with things like assessing
credit risk from loan applications,
credit risk from loan applications,
22
63406
4115
Pradžioje buvo rizikos įvertinimas
iš paskolos prašymo,
iš paskolos prašymo,
01:19
sorting the mail by reading
handwritten characters from zip codes.
handwritten characters from zip codes.
23
67545
4053
laiškų rūšiavimas nuskaitant
ranka parašytus pašto indeksus.
ranka parašytus pašto indeksus.
01:24
Over the past few years, we have made
dramatic breakthroughs.
dramatic breakthroughs.
24
72036
3169
Per pastaruosius metus
įvyko didelis persilaužimas.
įvyko didelis persilaužimas.
01:27
Machine learning is now capable
of far, far more complex tasks.
of far, far more complex tasks.
25
75586
3916
Dabar save mokančios sistemos
gali atlikti žymiai sunkesnes užduotis.
gali atlikti žymiai sunkesnes užduotis.
01:31
In 2012, Kaggle challenged its community
26
79860
3231
2012 m. „Kaggle“ metė iššūkį
savo bendruomenei
savo bendruomenei
01:35
to build an algorithm
that could grade high-school essays.
that could grade high-school essays.
27
83115
3189
sukurti algoritmą, galintį
vertinti moksleivių rašinius.
vertinti moksleivių rašinius.
01:38
The winning algorithms
were able to match the grades
were able to match the grades
28
86328
2604
Laimėję algoritmai sugebėjo
darbus įvertinti taip pat,
darbus įvertinti taip pat,
01:40
given by human teachers.
29
88956
1665
kaip tikri mokytojai.
01:43
Last year, we issued
an even more difficult challenge.
an even more difficult challenge.
30
91092
2984
Pernai mes metėme
dar sunkesnį iššūkį.
dar sunkesnį iššūkį.
01:46
Can you take images of the eye
and diagnose an eye disease
and diagnose an eye disease
31
94100
2953
Ar įmanoma padaryti akies nuotraukas
ir diagnozuoti akių ligą
ir diagnozuoti akių ligą
01:49
called diabetic retinopathy?
32
97077
1694
diabetinę retinopatiją.
01:51
Again, the winning algorithms
were able to match the diagnoses
were able to match the diagnoses
33
99164
4040
Ir vėl, laimėjusių algoritmų
diagnozės atitiko
diagnozės atitiko
01:55
given by human ophthalmologists.
34
103228
1825
oftalmologų nustatytas diagnozes.
Taigi, gavę tinkamus duomenis,
kompiuteriai geriau nei žmonės
kompiuteriai geriau nei žmonės
01:57
Now, given the right data,
machines are going to outperform humans
machines are going to outperform humans
35
105561
3212
susidoroja su tokiomis užduotimis.
02:00
at tasks like this.
36
108797
1165
02:01
A teacher might read 10,000 essays
over a 40-year career.
over a 40-year career.
37
109986
3992
Mokytojas gali perskaityti 10 tūkst.
rašinių per 40 m. karjerą.
rašinių per 40 m. karjerą.
02:06
An ophthalmologist might see 50,000 eyes.
38
114407
2360
Oftalmologas gali
apžiūrėti 50 tūkst. akių.
apžiūrėti 50 tūkst. akių.
02:08
A machine can read millions of essays
or see millions of eyes
or see millions of eyes
39
116791
3913
Kompiuteris gali perskaityti milijonus
rašinių ar apžiūrėti milijonus akių
rašinių ar apžiūrėti milijonus akių
02:12
within minutes.
40
120728
1276
per kelias minutes.
02:14
We have no chance of competing
against machines
against machines
41
122456
2858
Mes negalime konkuruoti
su kompiuteriais
su kompiuteriais
02:17
on frequent, high-volume tasks.
42
125338
2321
atlikdami įprastas,
didelės apimties užduotis.
didelės apimties užduotis.
02:20
But there are things we can do
that machines can't do.
that machines can't do.
43
128665
3724
Tačiau yra dalykų, kuriuos mes galime,
o kompiuteriai – ne.
o kompiuteriai – ne.
02:24
Where machines have made
very little progress
very little progress
44
132791
2200
Kompiuteriai nedaug pažengė
02:27
is in tackling novel situations.
45
135015
1854
spręsdami jiems neįprastas situacijas.
02:28
They can't handle things
they haven't seen many times before.
they haven't seen many times before.
46
136893
3899
Jie negali susidoroti su dalykais,
kurių anksčiau nematė daug kartų.
kurių anksčiau nematė daug kartų.
02:33
The fundamental limitations
of machine learning
of machine learning
47
141321
2584
Esminis save mokančių sistemų trūkumas
02:35
is that it needs to learn
from large volumes of past data.
from large volumes of past data.
48
143929
3394
yra tai, kad joms reikia
daug praeities duomenų.
daug praeities duomenų.
02:39
Now, humans don't.
49
147347
1754
O žmonėms – ne.
Mes sugebame susieti
visiškai skirtingus dalykus,
visiškai skirtingus dalykus,
02:41
We have the ability to connect
seemingly disparate threads
seemingly disparate threads
50
149125
3030
kad išspręstume problemą,
su kuria susiduriame pirmąkart.
su kuria susiduriame pirmąkart.
02:44
to solve problems we've never seen before.
51
152179
2238
02:46
Percy Spencer was a physicist
working on radar during World War II,
working on radar during World War II,
52
154808
4411
Percy Spencer buvo fizikas, dirbantis
su radaru per Antrąjį pasaulinį karą,
su radaru per Antrąjį pasaulinį karą,
02:51
when he noticed the magnetron
was melting his chocolate bar.
was melting his chocolate bar.
53
159243
3013
kuris pastebėjo, kad magnetronas
išlydė jo šokoladą.
išlydė jo šokoladą.
02:54
He was able to connect his understanding
of electromagnetic radiation
of electromagnetic radiation
54
162970
3295
Jis sugebėjo susieti savo žinias
apie elektromagnetinę radiaciją
apie elektromagnetinę radiaciją
02:58
with his knowledge of cooking
55
166289
1484
su žiniomis apie maisto gamybą
02:59
in order to invent -- any guesses? --
the microwave oven.
the microwave oven.
56
167797
3258
tam, kad sukurtų... Bus spėjimų?
Mikrobangų krosnelę.
Mikrobangų krosnelę.
03:03
Now, this is a particularly remarkable
example of creativity.
example of creativity.
57
171444
3073
Tai yra ypatingai puikus
kūrybingumo pavyzdys.
kūrybingumo pavyzdys.
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
Tačiau toks idėjų kryžminimas
mums nutinka kasdien
mums nutinka kasdien
03:10
thousands of times per day.
59
178229
1828
tūkstančius kartų.
Kompiuteriai negali su mumis konkuruoti,
03:12
Machines cannot compete with us
60
180501
1661
03:14
when it comes to tackling
novel situations,
novel situations,
61
182186
2251
kai reikia spręsti neįprastas užduotis.
03:16
and this puts a fundamental limit
on the human tasks
on the human tasks
62
184461
3117
O tai nubrėžia aiškią ribą,
kiek žmogiškų veiklų
kiek žmogiškų veiklų
03:19
that machines will automate.
63
187602
1717
bus automatizuota.
03:22
So what does this mean
for the future of work?
for the future of work?
64
190041
2405
Ką visa tai pranašauja
darbui ateityje?
darbui ateityje?
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
Kiekvienos veiklos ateitis
slypi atsakyme į klausimą:
slypi atsakyme į klausimą:
03:29
To what extent is that job reducible
to frequent, high-volume tasks,
to frequent, high-volume tasks,
66
197360
4981
„Kokią veiklos dalį sudaro
įprastos, didelės apimties užduotys
įprastos, didelės apimties užduotys
03:34
and to what extent does it involve
tackling novel situations?
tackling novel situations?
67
202365
3253
ir kokią – neįprastų
situacijų sprendimas?“
situacijų sprendimas?“
03:37
On frequent, high-volume tasks,
machines are getting smarter and smarter.
machines are getting smarter and smarter.
68
205975
4035
Pirmu atveju kompiuteriai
vystosi labai greitai.
vystosi labai greitai.
03:42
Today they grade essays.
They diagnose certain diseases.
They diagnose certain diseases.
69
210034
2714
Šiandien jie vertina rašinius,
diagnozuoja kai kurias ligas.
diagnozuoja kai kurias ligas.
03:44
Over coming years,
they're going to conduct our audits,
they're going to conduct our audits,
70
212772
3157
Artimiausiu metu jie
už mus atliks auditus,
už mus atliks auditus,
03:47
and they're going to read boilerplate
from legal contracts.
from legal contracts.
71
215953
2967
ruoš standartines sutartis.
Buhalterių ir teisininkų vis dar reikės.
03:50
Accountants and lawyers are still needed.
72
218944
1997
Jų prireiks sudėtingų
mokesčių skaičiavimui,
mokesčių skaičiavimui,
03:52
They're going to be needed
for complex tax structuring,
for complex tax structuring,
73
220965
2682
novatoriškoms byloms.
03:55
for pathbreaking litigation.
74
223671
1357
Bet kompiuteriai
susiaurins jų gretas
susiaurins jų gretas
03:57
But machines will shrink their ranks
75
225052
1717
ir tokie darbai bus sunkiau gaunami.
03:58
and make these jobs harder to come by.
76
226793
1872
Taigi, kaip jau minėjau,
04:00
Now, as mentioned,
77
228689
1151
kompiuteriai neprogresuoja
neįprastose situacijose.
neįprastose situacijose.
04:01
machines are not making progress
on novel situations.
on novel situations.
78
229864
2949
04:04
The copy behind a marketing campaign
needs to grab consumers' attention.
needs to grab consumers' attention.
79
232837
3457
Reklamos kampanijos tekstas
turi patraukti vartotojo dėmesį.
turi patraukti vartotojo dėmesį.
Jis turi išsiskirti.
04:08
It has to stand out from the crowd.
80
236318
1715
04:10
Business strategy means
finding gaps in the market,
finding gaps in the market,
81
238057
2444
Verslo strategija reiškia
atrasti rinkoje poreikį,
atrasti rinkoje poreikį,
kažką, ko niekas nedaro.
04:12
things that nobody else is doing.
82
240525
1756
04:14
It will be humans that are creating
the copy behind our marketing campaigns,
the copy behind our marketing campaigns,
83
242305
4118
Būtent žmonės kurs
reklamos kampanijų tekstus
reklamos kampanijų tekstus
04:18
and it will be humans that are developing
our business strategy.
our business strategy.
84
246447
3517
ir žmonės vystys verslo strategijas.
04:21
So Yahli, whatever you decide to do,
85
249988
2817
Taigi, Yahli, kad ir ką nuspręstum veikti,
04:24
let every day bring you a new challenge.
86
252829
2361
tegu kiekviena diena tau
atneša naują iššūkį.
atneša naują iššūkį.
04:27
If it does, then you will stay
ahead of the machines.
ahead of the machines.
87
255587
2809
Jei taip bus, tu išliksi pranašesnė
už kompiuterius.
už kompiuterius.
04:31
Thank you.
88
259126
1176
Ačiū.
04:32
(Applause)
89
260326
3104
(Plojimai.)
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