TED2016
Anthony Goldbloom: The jobs we'll lose to machines -- and the ones we won't
Anthony Goldbloom: As tarefas que perderemos para as máquinas — e as que não perderemos
Filmed:
Readability: 4.8
2,568,213 views
A aprendizagem automática já não é apenas para tarefas simples como a avaliação do risco de crédito e a separação de correio. Hoje, é capaz de aplicações muito mais complexas, como avaliar testes e diagnosticar doenças. Com estes progressos, coloca-se uma questão difícil: Será um robô a fazer o nosso trabalho no futuro?
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
Esta é a minha sobrinha.
00:14
Her name is Yahli.
1
2644
1535
Chama-se Yahli.
00:16
She is nine months old.
2
4203
1511
Tem nove meses.
00:18
Her mum is a doctor,
and her dad is a lawyer.
and her dad is a lawyer.
3
6201
2528
A mãe dela é médica
e o pai é advogado.
e o pai é advogado.
00:21
By the time Yahli goes to college,
4
9269
2006
Quando a Yahli for para a faculdade,
00:23
the jobs her parents do
are going to look dramatically different.
are going to look dramatically different.
5
11299
3253
o trabalho que os pais dela fazem
será radicalmente diferente.
será radicalmente diferente.
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
Em 2013, investigadores
da Universidade de Oxford
da Universidade de Oxford
fizeram um estudo
sobre o futuro do trabalho.
sobre o futuro do trabalho.
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
Concluíram que, praticamente,
um em cada dois empregos
um em cada dois empregos
correm alto risco de serem
automatizados com máquinas.
automatizados com máquinas.
00:36
of being automated by machines.
8
24929
1824
00:40
Machine learning is the technology
9
28388
1905
A aprendizagem automática
é a tecnologia responsável
é a tecnologia responsável
00:42
that's responsible for most
of this disruption.
of this disruption.
10
30317
2278
pela maior parte desta revolução.
00:44
It's the most powerful branch
of artificial intelligence.
of artificial intelligence.
11
32619
2790
É o ramo mais poderoso
da inteligência artificial.
da inteligência artificial.
00:47
It allows machines to learn from data
12
35433
1882
Permite que as máquinas
aprendam com os dados
aprendam com os dados
00:49
and mimic some of the things
that humans can do.
that humans can do.
13
37339
2592
e imitem algumas das coisas
que os seres humanos fazem.
que os seres humanos fazem.
00:51
My company, Kaggle, operates
on the cutting edge of machine learning.
on the cutting edge of machine learning.
14
39955
3415
A minha empresa, a Kaggle, trabalha
na aprendizagem automática de ponta.
na aprendizagem automática de ponta.
00:55
We bring together
hundreds of thousands of experts
hundreds of thousands of experts
15
43394
2386
Reunimos centenas de milhares
de especialistas
de especialistas
00:57
to solve important problems
for industry and academia.
for industry and academia.
16
45804
3118
para resolver problemas importantes
para a indústria e para a academia.
para a indústria e para a academia.
01:01
This gives us a unique perspective
on what machines can do,
on what machines can do,
17
49279
3222
Isso dá-nos uma perspetiva única
sobre o que as máquinas conseguem fazer,
sobre o que as máquinas conseguem fazer,
01:04
what they can't do
18
52525
1235
o que elas não conseguem fazer,
01:05
and what jobs they might
automate or threaten.
automate or threaten.
19
53784
2939
e que profissões podem ser
automatizadas ou ameaçadas.
automatizadas ou ameaçadas.
01:09
Machine learning started making its way
into industry in the early '90s.
into industry in the early '90s.
20
57316
3550
A aprendizagem automática
entrou na indústria no início dos anos 90.
entrou na indústria no início dos anos 90.
01:12
It started with relatively simple tasks.
21
60890
2124
Começou com tarefas relativamente fáceis.
01:15
It started with things like assessing
credit risk from loan applications,
credit risk from loan applications,
22
63406
4115
Começou com coisas como
avaliar o risco de crédito
avaliar o risco de crédito
para aplicações de empréstimos,
01:19
sorting the mail by reading
handwritten characters from zip codes.
handwritten characters from zip codes.
23
67545
4053
separar o correio, lendo os caracteres
manuscritos dos códigos postais.
manuscritos dos códigos postais.
01:24
Over the past few years, we have made
dramatic breakthroughs.
dramatic breakthroughs.
24
72036
3169
Durante os últimos anos,
fizemos progressos fenomenais.
fizemos progressos fenomenais.
01:27
Machine learning is now capable
of far, far more complex tasks.
of far, far more complex tasks.
25
75586
3916
A aprendizagem automática consegue
fazer hoje tarefas muito mais complexas.
fazer hoje tarefas muito mais complexas.
01:31
In 2012, Kaggle challenged its community
26
79860
3231
Em 2012, a Kaggle
desafiou a sua comunidade
desafiou a sua comunidade
01:35
to build an algorithm
that could grade high-school essays.
that could grade high-school essays.
27
83115
3189
a construir um algoritmo que pudesse
avaliar os testes do secundário.
avaliar os testes do secundário.
01:38
The winning algorithms
were able to match the grades
were able to match the grades
28
86328
2604
Os algoritmos vencedores
conseguiram equiparar-se aos valores
conseguiram equiparar-se aos valores
01:40
given by human teachers.
29
88956
1665
dados pelos professores humanos.
01:43
Last year, we issued
an even more difficult challenge.
an even more difficult challenge.
30
91092
2984
No ano passado, lançámos um desafio
ainda mais difícil.
ainda mais difícil.
Conseguem tirar imagens do olho
e diagnosticar uma doença de olhos
e diagnosticar uma doença de olhos
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
chamada retinopatia diabética?
01:51
Again, the winning algorithms
were able to match the diagnoses
were able to match the diagnoses
33
99164
4040
Mais uma vez, os algoritmos vencedores
conseguiram equiparar-se aos diagnósticos
conseguiram equiparar-se aos diagnósticos
01:55
given by human ophthalmologists.
34
103228
1825
feitos pelos oftalmologistas humanos.
Se lhes dermos os dados certos,
as máquinas vão superar os seres humanos
as máquinas vão superar os seres humanos
01:57
Now, given the right data,
machines are going to outperform humans
machines are going to outperform humans
35
105561
3212
02:00
at tasks like this.
36
108797
1165
em tarefas como estas.
02:01
A teacher might read 10,000 essays
over a 40-year career.
over a 40-year career.
37
109986
3992
Um professor pode ler 10 000 testes
durante a sua carreira de 40 anos.
durante a sua carreira de 40 anos.
02:06
An ophthalmologist might see 50,000 eyes.
38
114407
2360
Um oftalmologista poderá ver 50 000 olhos.
02:08
A machine can read millions of essays
or see millions of eyes
or see millions of eyes
39
116791
3913
Uma máquina pode ler milhões de testes
ou ver milhões de olhos
ou ver milhões de olhos
02:12
within minutes.
40
120728
1276
em poucos minutos.
02:14
We have no chance of competing
against machines
against machines
41
122456
2858
Não temos hipótese
de competir com as máquinas
de competir com as máquinas
02:17
on frequent, high-volume tasks.
42
125338
2321
em tarefas frequentes, de alto volume.
02:20
But there are things we can do
that machines can't do.
that machines can't do.
43
128665
3724
Mas há coisas que fazemos
e que as máquinas não podem fazer.
e que as máquinas não podem fazer.
02:24
Where machines have made
very little progress
very little progress
44
132791
2200
Onde as máquinas têm feito
muito pouco progresso
muito pouco progresso
02:27
is in tackling novel situations.
45
135015
1854
é em lidar com situações novas.
02:28
They can't handle things
they haven't seen many times before.
they haven't seen many times before.
46
136893
3899
Não conseguem lidar com coisas
que não tenham visto muitas vezes.
que não tenham visto muitas vezes.
02:33
The fundamental limitations
of machine learning
of machine learning
47
141321
2584
As limitações fundamentais
da aprendizagem automática
da aprendizagem automática
02:35
is that it needs to learn
from large volumes of past data.
from large volumes of past data.
48
143929
3394
são que elas precisam de aprender
com grandes volumes de dados anteriores.
com grandes volumes de dados anteriores.
02:39
Now, humans don't.
49
147347
1754
Os seres humanos não.
02:41
We have the ability to connect
seemingly disparate threads
seemingly disparate threads
50
149125
3030
Nós temos a capacidade de
relacionar fios aparentemente díspares
relacionar fios aparentemente díspares
02:44
to solve problems we've never seen before.
51
152179
2238
para resolver problemas que nunca vimos.
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 Spender era físico e trabalhava
com radar durante a II Guerra Mundial,
com radar durante a II Guerra Mundial,
02:51
when he noticed the magnetron
was melting his chocolate bar.
was melting his chocolate bar.
53
159243
3013
quando reparou que o magnetrão
estava a derreter uma barra de chocolate.
estava a derreter uma barra de chocolate.
02:54
He was able to connect his understanding
of electromagnetic radiation
of electromagnetic radiation
54
162970
3295
Conseguiu relacionar o seu conhecimento
de radiações eletromagnéticas
de radiações eletromagnéticas
02:58
with his knowledge of cooking
55
166289
1484
com os seus conhecimentos de cozinha
02:59
in order to invent -- any guesses? --
the microwave oven.
the microwave oven.
56
167797
3258
e inventou — não adivinham? —
o forno micro-ondas.
o forno micro-ondas.
03:03
Now, this is a particularly remarkable
example of creativity.
example of creativity.
57
171444
3073
Este é um exemplo de criatividade
especialmente notável
especialmente notável
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
Mas este tipo de polinização cruzada
acontece com todos nós, de forma simples,
acontece com todos nós, de forma simples,
03:10
thousands of times per day.
59
178229
1828
milhares de vezes por dia.
03:12
Machines cannot compete with us
60
180501
1661
As máquinas não podem competir connosco
03:14
when it comes to tackling
novel situations,
novel situations,
61
182186
2251
quando se trata de lidar
com situações novas.
com situações novas.
03:16
and this puts a fundamental limit
on the human tasks
on the human tasks
62
184461
3117
Isto põe um limite fundamental
às tarefas humanas
às tarefas humanas
03:19
that machines will automate.
63
187602
1717
que as máquinas irão automatizar.
03:22
So what does this mean
for the future of work?
for the future of work?
64
190041
2405
O que significa isto
para o futuro do trabalho?
para o futuro do trabalho?
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
O estado futuro de qualquer trabalho
reside na resposta a uma única pergunta:
reside na resposta a uma única pergunta:
03:29
To what extent is that job reducible
to frequent, high-volume tasks,
to frequent, high-volume tasks,
66
197360
4981
Até que ponto este trabalho
pode ser reduzido
a tarefas frequentes, de alto volume,
a tarefas frequentes, de alto volume,
03:34
and to what extent does it involve
tackling novel situations?
tackling novel situations?
67
202365
3253
e até que ponto envolve situações novas?
03:37
On frequent, high-volume tasks,
machines are getting smarter and smarter.
machines are getting smarter and smarter.
68
205975
4035
Nas tarefas frequentes, de alto volume,
as máquinas vão ser
cada vez mais inteligentes.
cada vez mais inteligentes.
03:42
Today they grade essays.
They diagnose certain diseases.
They diagnose certain diseases.
69
210034
2714
Hoje, avaliam testes.
Diagnosticam certas doenças.
Diagnosticam certas doenças.
03:44
Over coming years,
they're going to conduct our audits,
they're going to conduct our audits,
70
212772
3157
Nos próximos anos,
vão realizar as nossas auditorias,
vão realizar as nossas auditorias,
03:47
and they're going to read boilerplate
from legal contracts.
from legal contracts.
71
215953
2967
vão ler as informações básicas
de contratos legais.
de contratos legais.
03:50
Accountants and lawyers are still needed.
72
218944
1997
Os contabilistas e advogados
continuarão a ser precisos
continuarão a ser precisos
03:52
They're going to be needed
for complex tax structuring,
for complex tax structuring,
73
220965
2682
para tarefas complexas,
litigações inovadoras.
litigações inovadoras.
03:55
for pathbreaking litigation.
74
223671
1357
Mas as máquinas irão
reduzir as suas fileiras
reduzir as suas fileiras
03:57
But machines will shrink their ranks
75
225052
1717
e tornar essas profissões mais difíceis.
03:58
and make these jobs harder to come by.
76
226793
1872
04:00
Now, as mentioned,
77
228689
1151
Tal como já referi,
04:01
machines are not making progress
on novel situations.
on novel situations.
78
229864
2949
as máquinas não vão progredir
em situações novas.
em situações novas.
O projeto para uma campanha publicitária
tem de prender a atenção do consumidor,
tem de prender a atenção do consumidor,
04:04
The copy behind a marketing campaign
needs to grab consumers' attention.
needs to grab consumers' attention.
79
232837
3457
04:08
It has to stand out from the crowd.
80
236318
1715
Tem que sobressair entre a multidão.
04:10
Business strategy means
finding gaps in the market,
finding gaps in the market,
81
238057
2444
A estratégia empresarial é
encontrar vazios no mercado,
encontrar vazios no mercado,
04:12
things that nobody else is doing.
82
240525
1756
coisas que ninguém está a fazer.
04:14
It will be humans that are creating
the copy behind our marketing campaigns,
the copy behind our marketing campaigns,
83
242305
4118
Serão os seres humano a criar o projeto
por detrás das campanhas publicitárias,
por detrás das campanhas publicitárias,
04:18
and it will be humans that are developing
our business strategy.
our business strategy.
84
246447
3517
serão os seres humanos a desenvolver
as estratégias empresariais.
as estratégias empresariais.
04:21
So Yahli, whatever you decide to do,
85
249988
2817
Portanto, Yahli,
o que quer que venhas a ser,
o que quer que venhas a ser,
04:24
let every day bring you a new challenge.
86
252829
2361
que todos os dias
te tragam um novo desafio.
te tragam um novo desafio.
04:27
If it does, then you will stay
ahead of the machines.
ahead of the machines.
87
255587
2809
Se assim for, manter-te-ás
à frente das máquinas.
à frente das máquinas.
04:31
Thank you.
88
259126
1176
Obrigado.
04:32
(Applause)
89
260326
3104
(Aplausos)
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