TED2016
Anthony Goldbloom: The jobs we'll lose to machines -- and the ones we won't
अँथनी गोल्ड्ब्लूम: यंत्रांपुढे मुकावी लागणारी आपली कामं -- आणि न लागणारीही
Filmed:
Readability: 4.8
2,568,213 views
यंत्रांचे स्वअध्ययन हे केवळ पत जोखमीचे मूल्यांकन आणि टपालाचे वर्गीकरण यांसारख्या सोप्या कामांसाठी नव्हे -- आज त्याची क्षमता निबंध तपासणे आणि रोगनिदान करणे यांसारखी क्लिष्ट कामं करण्याची आहे. या प्रगतीमुळे एक अस्वस्थ करणारा प्रश्न पडतो: भविष्यात यंत्रमानव तुमचं काम करेल काय?
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
हि माझी भाची आहे.
00:14
Her name is Yahli.
1
2644
1535
तिचं नाव याहली आहे.
00:16
She is nine months old.
2
4203
1511
ती ९ महिन्यांची आहे.
तिची आई डॉक्टर आहे,
आणि तिचे वडील वकील आहेत.
आणि तिचे वडील वकील आहेत.
00:18
Her mum is a doctor,
and her dad is a lawyer.
and her dad is a lawyer.
3
6201
2528
जेव्हा याहली कॉलेजला जाईल,
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
तेव्हा तिचे आईवडील करत असलेली कामं
खूपच वेगळी वाटतील.
खूपच वेगळी वाटतील.
२०१३ मध्ये, ऑक्सफर्ड विद्यापीठाच्या
संशोधकांनी कामाच्या भविष्याचा अभ्यास केला.
संशोधकांनी कामाच्या भविष्याचा अभ्यास केला.
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
त्यांनी निष्कर्ष काढला कि प्रत्येक दोन
कामांमागे जवळजवळ एका कामाला
कामांमागे जवळजवळ एका कामाला
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
00:36
of being automated by machines.
8
24929
1824
यंत्रचलित होण्याचा धोका आहे.
00:40
Machine learning is the technology
9
28388
1905
यंत्राचे स्वअध्ययन हे तंत्रज्ञान
00:42
that's responsible for most
of this disruption.
of this disruption.
10
30317
2278
या व्यत्ययाला बहुतांशी कारणीभूत आहे.
00:44
It's the most powerful branch
of artificial intelligence.
of artificial intelligence.
11
32619
2790
कृत्रिम बुद्धिमत्तेच्या विषयातील
हि अत्यंत प्रबळ शाखा आहे.
हि अत्यंत प्रबळ शाखा आहे.
00:47
It allows machines to learn from data
12
35433
1882
यामुळे दिलेल्या माहितीतून
यंत्रांना शिकता येतं
यंत्रांना शिकता येतं
00:49
and mimic some of the things
that humans can do.
that humans can do.
13
37339
2592
आणि मानवाला जमणाऱ्या काही
गोष्टींची नक्कल करता येते.
गोष्टींची नक्कल करता येते.
00:51
My company, Kaggle, operates
on the cutting edge of machine learning.
on the cutting edge of machine learning.
14
39955
3415
माझी कंपनी कॅगल यंत्र स्वअध्ययनाच्या
क्षेत्रात अत्यंत प्रगत असं काम करते.
क्षेत्रात अत्यंत प्रगत असं काम करते.
00:55
We bring together
hundreds of thousands of experts
hundreds of thousands of experts
15
43394
2386
आम्ही शेकडो हजारो तज्ज्ञांना एकत्र आणतो
00:57
to solve important problems
for industry and academia.
for industry and academia.
16
45804
3118
उद्योग आणि शिक्षण संस्थांचे काही
महत्त्वाचे प्रश्न सोडवण्यासाठी
महत्त्वाचे प्रश्न सोडवण्यासाठी
01:01
This gives us a unique perspective
on what machines can do,
on what machines can do,
17
49279
3222
यामुळे आम्हांला एक विलक्षण दृष्टिकोण
मिळतो, यंत्रं काय करु शकतात
मिळतो, यंत्रं काय करु शकतात
01:04
what they can't do
18
52525
1235
ते काय करु शकत नाहीत,
01:05
and what jobs they might
automate or threaten.
automate or threaten.
19
53784
2939
आणि कुठली कामं ते स्वयंचलित करु शकतात
01:09
Machine learning started making its way
into industry in the early '90s.
into industry in the early '90s.
20
57316
3550
यंत्र स्वअध्ययनाने उद्योगांमध्ये '९० च्या
दशकात प्रवेश करायला सुरुवात केली
दशकात प्रवेश करायला सुरुवात केली
01:12
It started with relatively simple tasks.
21
60890
2124
साध्या सोप्या कामांनी त्याची
सुरुवात झाली.
सुरुवात झाली.
01:15
It started with things like assessing
credit risk from loan applications,
credit risk from loan applications,
22
63406
4115
त्याची सुरूवात कर्जाच्या निवेदनांतील
पत जोखीम पडताळणे,
पत जोखीम पडताळणे,
01:19
sorting the mail by reading
handwritten characters from zip codes.
handwritten characters from zip codes.
23
67545
4053
पिनकोडमधील हस्तलिखीत अक्षरांनुसार टपालाचे
विभाजन करणे यांसारख्या गोष्टीतून झाली.
विभाजन करणे यांसारख्या गोष्टीतून झाली.
गेल्या काही वर्षांत, आम्हांला
नाट्यमयरित्या यश मिळाले आहे.
नाट्यमयरित्या यश मिळाले आहे.
01:24
Over the past few years, we have made
dramatic breakthroughs.
dramatic breakthroughs.
24
72036
3169
01:27
Machine learning is now capable
of far, far more complex tasks.
of far, far more complex tasks.
25
75586
3916
यंत्र स्वअध्ययनाने आता अतिक्लिष्ट
कामं करणंही शक्य आहे.
कामं करणंही शक्य आहे.
सन २०१२ मध्ये कॅगलने त्याच्या
समुदायाला एक आव्हान दिलं
समुदायाला एक आव्हान दिलं
01:31
In 2012, Kaggle challenged its community
26
79860
3231
01:35
to build an algorithm
that could grade high-school essays.
that could grade high-school essays.
27
83115
3189
शाळेतले निबंध तपासण्याची
प्रणाली तयार करण्याचं.
प्रणाली तयार करण्याचं.
01:38
The winning algorithms
were able to match the grades
were able to match the grades
28
86328
2604
विजेत्या प्रणालींनी केलेली
तपासणी जुळत होती.
तपासणी जुळत होती.
01:40
given by human teachers.
29
88956
1665
मानवी शिक्षकांनी केलेल्या
तपासणीशी.
तपासणीशी.
01:43
Last year, we issued
an even more difficult challenge.
an even more difficult challenge.
30
91092
2984
गेल्या वर्षी आम्ही अधिक अवघड आव्हान दिलं.
तुम्ही डोळ्याच्या प्रतिमा घेऊन एका
नेत्रविकाराचे निदान करू शकता का
नेत्रविकाराचे निदान करू शकता का
01:46
Can you take images of the eye
and diagnose an eye disease
and diagnose an eye disease
31
94100
2953
01:49
called diabetic retinopathy?
32
97077
1694
ज्याच्यात मधुमेहाने अंधत्व येते?
01:51
Again, the winning algorithms
were able to match the diagnoses
were able to match the diagnoses
33
99164
4040
पुन्हा विजेत्या प्रणालींनी केलेलं
निदान जुळत होतं
निदान जुळत होतं
01:55
given by human ophthalmologists.
34
103228
1825
मानवी नेत्रविकारतज्ज्ञांनी
केलेल्या निदानाशी.
केलेल्या निदानाशी.
01:57
Now, given the right data,
machines are going to outperform humans
machines are going to outperform humans
35
105561
3212
आता जर योग्य माहिती मिळाली
तर यंत्रं मानवांपेक्षा
तर यंत्रं मानवांपेक्षा
02:00
at tasks like this.
36
108797
1165
अशी कामं बेहतर करू शकतात.
02:01
A teacher might read 10,000 essays
over a 40-year career.
over a 40-year career.
37
109986
3992
एक शिक्षक ४० वर्षांच्या कारकिर्दीत
कदाचित १०,००० निबंध वाचेल.
कदाचित १०,००० निबंध वाचेल.
02:06
An ophthalmologist might see 50,000 eyes.
38
114407
2360
नेत्रविकारतज्ज्ञ कदाचित
५०,००० डोळे तपासेल.
५०,००० डोळे तपासेल.
02:08
A machine can read millions of essays
or see millions of eyes
or see millions of eyes
39
116791
3913
एक यंत्र लाखो निबंध वाचू शकते किंवा
लाखो डोळे तपासू शकते
लाखो डोळे तपासू शकते
02:12
within minutes.
40
120728
1276
काही मिनिटांत.
02:14
We have no chance of competing
against machines
against machines
41
122456
2858
यंत्रांबरोबर स्पर्धा करणं आपल्याला
शक्यच नाही
शक्यच नाही
02:17
on frequent, high-volume tasks.
42
125338
2321
वारंवार, अतिसंख्येने कराव्या
लागणाऱ्या कामांमध्ये.
लागणाऱ्या कामांमध्ये.
02:20
But there are things we can do
that machines can't do.
that machines can't do.
43
128665
3724
पण काही गोष्टी अशा आहेत कि ज्या आपण
करू शकतो आणि यंत्रं करू शकत नाहीत.
करू शकतो आणि यंत्रं करू शकत नाहीत.
02:24
Where machines have made
very little progress
very little progress
44
132791
2200
यंत्रांनी खूपच कमी प्रगती
केली आहे अशा ठिकाणी
केली आहे अशा ठिकाणी
02:27
is in tackling novel situations.
45
135015
1854
जिथे नवीन परिस्थिती सांभाळायची असते.
02:28
They can't handle things
they haven't seen many times before.
they haven't seen many times before.
46
136893
3899
ते अशा गोष्टी हाताळू शकत नाहीत ज्या
पूर्वी बऱ्याचदा त्यांनी पाहिलेल्या नाहीत.
पूर्वी बऱ्याचदा त्यांनी पाहिलेल्या नाहीत.
02:33
The fundamental limitations
of machine learning
of machine learning
47
141321
2584
यंत्र स्वअध्ययानाची मूलभूत मर्यादा
02:35
is that it needs to learn
from large volumes of past data.
from large volumes of past data.
48
143929
3394
हि आहे कि त्याला शिकण्यासाठी
जुनी माहिती खूप लागते.
जुनी माहिती खूप लागते.
02:39
Now, humans don't.
49
147347
1754
पण माणसांना ती लागत नाही.
02:41
We have the ability to connect
seemingly disparate threads
seemingly disparate threads
50
149125
3030
आपल्यात क्षमता असते विभिन्न
धागेदोरे जोडून
धागेदोरे जोडून
02:44
to solve problems we've never seen before.
51
152179
2238
पूर्वी कधीही न अनुभवलेले
प्रश्न सोडवण्याची.
प्रश्न सोडवण्याची.
02:46
Percy Spencer was a physicist
working on radar during World War II,
working on radar during World War II,
52
154808
4411
दुसऱ्या महायुद्धात रडारवर काम करणारा
पर्सी स्पेंसर हा एक भौतिक शास्त्रज्ञ होता,
पर्सी स्पेंसर हा एक भौतिक शास्त्रज्ञ होता,
02:51
when he noticed the magnetron
was melting his chocolate bar.
was melting his chocolate bar.
53
159243
3013
जेव्हा त्याला कळलं कि मॅग्नेट्रॉन त्याचं
चॉकलेट वितळवत आहे
चॉकलेट वितळवत आहे
02:54
He was able to connect his understanding
of electromagnetic radiation
of electromagnetic radiation
54
162970
3295
तेव्हा त्याच्या विद्युतचुंबकीय
किरणांच्या ज्ञानाचा संबंध
किरणांच्या ज्ञानाचा संबंध
त्याच्या पाककलेच्या ज्ञानाशी जोडू शकला
02:58
with his knowledge of cooking
55
166289
1484
02:59
in order to invent -- any guesses? --
the microwave oven.
the microwave oven.
56
167797
3258
शोध लावण्यासाठी -- कशाचा? --
मायक्रोवेव्ह ओव्हनचा.
मायक्रोवेव्ह ओव्हनचा.
03:03
Now, this is a particularly remarkable
example of creativity.
example of creativity.
57
171444
3073
आता हे एक सर्जनशीलतेचं उल्लेखनीय
उदाहरण आहे.
उदाहरण आहे.
पण अशा प्रकारचं पराग सिंचन आपल्या
प्रत्येकाच्या बाबतीत
प्रत्येकाच्या बाबतीत
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
छोट्या मार्गांनी होतंच
दिवसातून हजारो वेळा.
दिवसातून हजारो वेळा.
03:10
thousands of times per day.
59
178229
1828
यंत्रं आपल्याशी स्पर्धा करू शकत नाहीत
03:12
Machines cannot compete with us
60
180501
1661
03:14
when it comes to tackling
novel situations,
novel situations,
61
182186
2251
जेव्हा नवीन परिस्थिती हाताळायची असते
03:16
and this puts a fundamental limit
on the human tasks
on the human tasks
62
184461
3117
आणि यामुळे मानवी कामं करण्यावर
मूलभूत मर्यादा येते
मूलभूत मर्यादा येते
03:19
that machines will automate.
63
187602
1717
जी यंत्रचलित होऊ शकतात.
03:22
So what does this mean
for the future of work?
for the future of work?
64
190041
2405
कामाच्या भविष्याबद्दल यातून
काय अर्थ निघतो?
काय अर्थ निघतो?
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
कुठल्याही एका कामाची भविष्यातील
स्थिती एका प्रश्नाच्या उत्तरात कळू शकते:
स्थिती एका प्रश्नाच्या उत्तरात कळू शकते:
03:29
To what extent is that job reducible
to frequent, high-volume tasks,
to frequent, high-volume tasks,
66
197360
4981
ते काम किती वारंवार, अतिसंख्येने
करावं लागणारं आहे,
करावं लागणारं आहे,
03:34
and to what extent does it involve
tackling novel situations?
tackling novel situations?
67
202365
3253
आणि ते करण्यासाठी किती मर्यादेपर्यंत
नवीन परिस्थिती हाताळावी लागणार आहे?
नवीन परिस्थिती हाताळावी लागणार आहे?
03:37
On frequent, high-volume tasks,
machines are getting smarter and smarter.
machines are getting smarter and smarter.
68
205975
4035
वारंवार, अतिसंख्येने कराव्या लागणाऱ्या
कामांत यंत्रं अधिकाधिक हुशार होत आहेत.
कामांत यंत्रं अधिकाधिक हुशार होत आहेत.
03:42
Today they grade essays.
They diagnose certain diseases.
They diagnose certain diseases.
69
210034
2714
आज ते निबंध तपासतात. ते काही रोगांचे
निदान करतात.
निदान करतात.
03:44
Over coming years,
they're going to conduct our audits,
they're going to conduct our audits,
70
212772
3157
येणाऱ्या काही वर्षांत, ते आपलं
लेखापरीक्षण करतील,
लेखापरीक्षण करतील,
03:47
and they're going to read boilerplate
from legal contracts.
from legal contracts.
71
215953
2967
आणि कायदेशीर करारातील ठराविक
मजकूर वाचू शकतील.
मजकूर वाचू शकतील.
03:50
Accountants and lawyers are still needed.
72
218944
1997
लेखापालांची आणि वकिलांची गरज भासेलच.
03:52
They're going to be needed
for complex tax structuring,
for complex tax structuring,
73
220965
2682
त्यांची आवश्यकता गुंतागुंतीच्या
कर रचनेसाठी
कर रचनेसाठी
नाविन्यपूर्ण खटल्यांसाठी भासेल.
03:55
for pathbreaking litigation.
74
223671
1357
03:57
But machines will shrink their ranks
75
225052
1717
पण यंत्रं त्यांची पत कमी करतील
03:58
and make these jobs harder to come by.
76
226793
1872
आणि ही कामं मिळवणं
अवघड करून टाकतील.
अवघड करून टाकतील.
04:00
Now, as mentioned,
77
228689
1151
आता, आधी नमूद केल्याप्रमाणे,
04:01
machines are not making progress
on novel situations.
on novel situations.
78
229864
2949
नवीन परिस्थितीमध्ये यंत्रांची
प्रगती होत नाहीये.
प्रगती होत नाहीये.
04:04
The copy behind a marketing campaign
needs to grab consumers' attention.
needs to grab consumers' attention.
79
232837
3457
एखाद्या वितरण मोहिमेमधील लिखाणाने
ग्राहकांचे लक्ष वेधले पाहिजे.
ग्राहकांचे लक्ष वेधले पाहिजे.
04:08
It has to stand out from the crowd.
80
236318
1715
गर्दीत त्याचं वेगळेपण दिसलं पाहिजे.
04:10
Business strategy means
finding gaps in the market,
finding gaps in the market,
81
238057
2444
व्यवसायाचे धोरण म्हणजे बाजारातील
रिक्त जागा शोधणं,
रिक्त जागा शोधणं,
04:12
things that nobody else is doing.
82
240525
1756
अशा गोष्टी ज्या कोणीच करत नाही.
04:14
It will be humans that are creating
the copy behind our marketing campaigns,
the copy behind our marketing campaigns,
83
242305
4118
माणसंच वितरण मोहिमेचे लिखाण करू शकतात,
04:18
and it will be humans that are developing
our business strategy.
our business strategy.
84
246447
3517
आणि माणसंच व्यवसायाचे धोरण ठरवू शकतात.
04:21
So Yahli, whatever you decide to do,
85
249988
2817
याहिली, मग तू जे काही करायचं ठरवशील,
04:24
let every day bring you a new challenge.
86
252829
2361
प्रत्येक दिवसाला नवीन आव्हान समज.
04:27
If it does, then you will stay
ahead of the machines.
ahead of the machines.
87
255587
2809
जर ते असेल तरच तु यंत्रांच्यापुढे
एक पाऊल राहू शकशील
एक पाऊल राहू शकशील
04:31
Thank you.
88
259126
1176
धन्यवाद.
04:32
(Applause)
89
260326
3104
(टाळ्या)
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