TED2016
Anthony Goldbloom: The jobs we'll lose to machines -- and the ones we won't
Anthony Goldbloom: Meseriile pe care le vor prelua mașinile - și cele pe care nu le vor prelua
Filmed:
Readability: 4.8
2,568,213 views
Învățarea automatizată nu mai acoperă doar sarcini simple precum analiza riscurilor de creditare și sortarea corespondenței - astăzi e capabilă să facă lucruri mult mai complexe, ca evaluarea referatelor și diagnosticarea bolilor. Odată cu acest progres vine și o întrebare incomodă: va fi oare slujba ta preluată de un robot în viitor?
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
Acesta e nepoata mea.
00:14
Her name is Yahli.
1
2644
1535
O cheamă Yahli.
00:16
She is nine months old.
2
4203
1511
Are nouă luni.
00:18
Her mum is a doctor,
and her dad is a lawyer.
and her dad is a lawyer.
3
6201
2528
Mama ei e medic,
iar tatăl avocat.
iar tatăl avocat.
00:21
By the time Yahli goes to college,
4
9269
2006
Când Yahli va ajunge la facultate,
00:23
the jobs her parents do
are going to look dramatically different.
are going to look dramatically different.
5
11299
3253
meseriile părinților ei
vor arăta foarte diferit.
vor arăta foarte diferit.
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
În 2013, cercetătorii de la Oxford
au făcut un studiu despre viitorul muncii.
au făcut un studiu despre viitorul muncii.
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
Au concluzionat că aproape
una din două meserii e în pericol
una din două meserii e în pericol
00:36
of being automated by machines.
8
24929
1824
să fie înlocuită de mașini.
00:40
Machine learning is the technology
9
28388
1905
Învățarea automatizată e tehnologia
responsabilă pentru această problemă.
responsabilă pentru această problemă.
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
E cea mai puternică ramură
a inteligenței artificiale.
a inteligenței artificiale.
00:47
It allows machines to learn from data
12
35433
1882
Ajută mașinile
să învețe din statistici
să învețe din statistici
00:49
and mimic some of the things
that humans can do.
that humans can do.
13
37339
2592
și să imite o parte
din acțiunile oamenilor.
din acțiunile oamenilor.
00:51
My company, Kaggle, operates
on the cutting edge of machine learning.
on the cutting edge of machine learning.
14
39955
3415
Firma mea, Kaggle, activează
în domeniul de vârf al învățării automate.
în domeniul de vârf al învățării automate.
00:55
We bring together
hundreds of thousands of experts
hundreds of thousands of experts
15
43394
2386
Reunim sute de mii de experți
ca să rezolvăm probleme importante
pentru industrie și mediul academic.
pentru industrie și mediul academic.
00:57
to solve important problems
for industry and academia.
for industry and academia.
16
45804
3118
01:01
This gives us a unique perspective
on what machines can do,
on what machines can do,
17
49279
3222
Asta ne dă o perspectivă unică
cu privire la ce pot face mașinile,
cu privire la ce pot face mașinile,
01:04
what they can't do
18
52525
1235
ce nu pot face
01:05
and what jobs they might
automate or threaten.
automate or threaten.
19
53784
2939
și ce munci pot automatiza sau amenința.
01:09
Machine learning started making its way
into industry in the early '90s.
into industry in the early '90s.
20
57316
3550
Învățarea automatizată și-a croit drum
în industrie la începutul anilor 90.
în industrie la începutul anilor 90.
01:12
It started with relatively simple tasks.
21
60890
2124
A început cu sarcini relativ simple.
01:15
It started with things like assessing
credit risk from loan applications,
credit risk from loan applications,
22
63406
4115
A început cu lucruri ca evaluarea
riscului pentru cereri de împrumut,
riscului pentru cereri de împrumut,
01:19
sorting the mail by reading
handwritten characters from zip codes.
handwritten characters from zip codes.
23
67545
4053
sortarea scrisorilor citind
coduri poștale scrise de mână.
coduri poștale scrise de mână.
01:24
Over the past few years, we have made
dramatic breakthroughs.
dramatic breakthroughs.
24
72036
3169
În ultimii câțiva ani,
am făcut progrese uimitoare.
am făcut progrese uimitoare.
01:27
Machine learning is now capable
of far, far more complex tasks.
of far, far more complex tasks.
25
75586
3916
Învățarea automatizată e acum capabilă
de sarcini mult, mult mai complexe.
de sarcini mult, mult mai complexe.
01:31
In 2012, Kaggle challenged its community
26
79860
3231
În 2012, Kaggle și-a provocat comunitatea
01:35
to build an algorithm
that could grade high-school essays.
that could grade high-school essays.
27
83115
3189
să creeze un algoritm
care să noteze referatele liceenilor.
care să noteze referatele liceenilor.
01:38
The winning algorithms
were able to match the grades
were able to match the grades
28
86328
2604
Algoritmii câștigători
puteau să dea aceleași note
puteau să dea aceleași note
01:40
given by human teachers.
29
88956
1665
ca și profesorii umani.
01:43
Last year, we issued
an even more difficult challenge.
an even more difficult challenge.
30
91092
2984
Anul trecut, am lansat
o provocare și mai dificilă.
o provocare și mai dificilă.
01:46
Can you take images of the eye
and diagnose an eye disease
and diagnose an eye disease
31
94100
2953
Poți analiza imagini ale ochiului
și să diagnostichezi o boală
și să diagnostichezi o boală
01:49
called diabetic retinopathy?
32
97077
1694
numită retinopatie diabetică?
01:51
Again, the winning algorithms
were able to match the diagnoses
were able to match the diagnoses
33
99164
4040
Iarăși, algoritmii câștigători
puteau da aceleași diagnostice
puteau da aceleași diagnostice
01:55
given by human ophthalmologists.
34
103228
1825
ca și oftalmologii umani.
01:57
Now, given the right data,
machines are going to outperform humans
machines are going to outperform humans
35
105561
3212
Dacă primesc datele potrivite,
mașinile vor depăși oamenii
mașinile vor depăși oamenii
02:00
at tasks like this.
36
108797
1165
la sarcini ca acestea.
02:01
A teacher might read 10,000 essays
over a 40-year career.
over a 40-year career.
37
109986
3992
Un profesor poate citi 10.000 de lucrări
într-o carieră de 40 de ani.
într-o carieră de 40 de ani.
02:06
An ophthalmologist might see 50,000 eyes.
38
114407
2360
Un oftalmolog poate vedea 50.000 de ochi.
02:08
A machine can read millions of essays
or see millions of eyes
or see millions of eyes
39
116791
3913
O mașină poate citi milioane de lucrări
sau poate vedea milioane de ochi
sau poate vedea milioane de ochi
02:12
within minutes.
40
120728
1276
în câteva minute.
02:14
We have no chance of competing
against machines
against machines
41
122456
2858
Nu putem concura cu mașinile
02:17
on frequent, high-volume tasks.
42
125338
2321
la sarcini repetate, cu volum mare.
02:20
But there are things we can do
that machines can't do.
that machines can't do.
43
128665
3724
Dar sunt lucruri pe care
noi le putem face, iar mașinile nu.
noi le putem face, iar mașinile nu.
02:24
Where machines have made
very little progress
very little progress
44
132791
2200
Mașinile au făcut progrese foarte mici
02:27
is in tackling novel situations.
45
135015
1854
în abordarea situațiilor noi.
02:28
They can't handle things
they haven't seen many times before.
they haven't seen many times before.
46
136893
3899
Nu pot gestiona lucruri pe care
nu le-au văzut de multe ori înainte.
nu le-au văzut de multe ori înainte.
02:33
The fundamental limitations
of machine learning
of machine learning
47
141321
2584
Limitarea principală
a învățării automatizate
a învățării automatizate
02:35
is that it needs to learn
from large volumes of past data.
from large volumes of past data.
48
143929
3394
e că trebuie să învețe
dintr-un volum mare de date stocate.
dintr-un volum mare de date stocate.
02:39
Now, humans don't.
49
147347
1754
Oamenii, nu.
02:41
We have the ability to connect
seemingly disparate threads
seemingly disparate threads
50
149125
3030
Avem capacitatea de a conecta
lucruri aparent fără legătură.
lucruri aparent fără legătură.
02:44
to solve problems we've never seen before.
51
152179
2238
ca să rezolvăm probleme nemaiîntâlnite.
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 era un fizician care lucra
la un radar în Al Doilea Război Mondial,
la un radar în Al Doilea Război Mondial,
02:51
when he noticed the magnetron
was melting his chocolate bar.
was melting his chocolate bar.
53
159243
3013
când a observat că magnetronul
îi topea ciocolata.
îi topea ciocolata.
02:54
He was able to connect his understanding
of electromagnetic radiation
of electromagnetic radiation
54
162970
3295
A putut conecta cunoștințele sale
despre radiații electromagnetice
despre radiații electromagnetice
02:58
with his knowledge of cooking
55
166289
1484
cu cele despre gătit
02:59
in order to invent -- any guesses? --
the microwave oven.
the microwave oven.
56
167797
3258
pentru a inventa - ghiciți? -
cuptorul cu microunde.
cuptorul cu microunde.
03:03
Now, this is a particularly remarkable
example of creativity.
example of creativity.
57
171444
3073
Acesta e un remarcabil
exemplu de creativitate.
exemplu de creativitate.
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
Dar genul ăsta de polenizare încrucișată
ni se întâmplă tuturor la scară mică
ni se întâmplă tuturor la scară mică
03:10
thousands of times per day.
59
178229
1828
de mii de ori pe zi.
03:12
Machines cannot compete with us
60
180501
1661
Mașinile nu pot concura cu noi
03:14
when it comes to tackling
novel situations,
novel situations,
61
182186
2251
când e vorba de abordarea situațiilor noi,
03:16
and this puts a fundamental limit
on the human tasks
on the human tasks
62
184461
3117
iar asta trasează o limită fundamentală
privind sarcinile umane
privind sarcinile umane
03:19
that machines will automate.
63
187602
1717
pe care mașinile le vor automatiza.
03:22
So what does this mean
for the future of work?
for the future of work?
64
190041
2405
Ce înseamnă asta
pentru meseriile viitorului?
pentru meseriile viitorului?
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
Viitorul fiecărei meserii depinde
de răspunsul la o singură întrebare:
de răspunsul la o singură întrebare:
03:29
To what extent is that job reducible
to frequent, high-volume tasks,
to frequent, high-volume tasks,
66
197360
4981
în ce măsură poate fi redusă acea slujbă
la un volum mare de sarcini frecvente
la un volum mare de sarcini frecvente
03:34
and to what extent does it involve
tackling novel situations?
tackling novel situations?
67
202365
3253
și în ce măsură implică
abordarea de noi situații?
abordarea de noi situații?
03:37
On frequent, high-volume tasks,
machines are getting smarter and smarter.
machines are getting smarter and smarter.
68
205975
4035
La sarcini frecvente, cu volum mare,
mașinile devin din ce în ce mai bune.
mașinile devin din ce în ce mai bune.
03:42
Today they grade essays.
They diagnose certain diseases.
They diagnose certain diseases.
69
210034
2714
Acum notează referate.
Diagnostichează anumite boli.
Diagnostichează anumite boli.
03:44
Over coming years,
they're going to conduct our audits,
they're going to conduct our audits,
70
212772
3157
În anii ce vin, vor face audit
03:47
and they're going to read boilerplate
from legal contracts.
from legal contracts.
71
215953
2967
și vor citi formulare din contracte.
03:50
Accountants and lawyers are still needed.
72
218944
1997
Economiștii și avocații
tot vor fi necesari
tot vor fi necesari
03:52
They're going to be needed
for complex tax structuring,
for complex tax structuring,
73
220965
2682
pentru structurarea taxelor complexe,
03:55
for pathbreaking litigation.
74
223671
1357
pentru litigii neobișnuite.
03:57
But machines will shrink their ranks
75
225052
1717
Dar mașinile le vor scădea ponderea
și le vor face
mai greu de obținut.
mai greu de obținut.
03:58
and make these jobs harder to come by.
76
226793
1872
04:00
Now, as mentioned,
77
228689
1151
Așa cum am menționat,
04:01
machines are not making progress
on novel situations.
on novel situations.
78
229864
2949
mașinile nu evoluează
în privința situațiilor neobișnuite.
în privința situațiilor neobișnuite.
04:04
The copy behind a marketing campaign
needs to grab consumers' attention.
needs to grab consumers' attention.
79
232837
3457
Sloganul unei campanii de marketing
trebuie să atragă atenția clienților.
trebuie să atragă atenția clienților.
Trebuie să iasă în evidență.
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
Strategia de afaceri însemnă
să vezi nișa din piață,
să vezi nișa din piață,
04:12
things that nobody else is doing.
82
240525
1756
lucruri pe care nu le fac alții.
04:14
It will be humans that are creating
the copy behind our marketing campaigns,
the copy behind our marketing campaigns,
83
242305
4118
Oamenii vor fi cei ce vor crea sloganurile
campaniilor noastre de marketing,
campaniilor noastre de marketing,
04:18
and it will be humans that are developing
our business strategy.
our business strategy.
84
246447
3517
oamenii vor fi cei ce ne vor dezvolta
strategiile de afaceri.
strategiile de afaceri.
04:21
So Yahli, whatever you decide to do,
85
249988
2817
Deci Yahli, orice vei decide să faci,
04:24
let every day bring you a new challenge.
86
252829
2361
fie ca fiecare zi să-ți aducă
o nouă provocare.
o nouă provocare.
04:27
If it does, then you will stay
ahead of the machines.
ahead of the machines.
87
255587
2809
Dacă va fi așa, vei rămâne
înaintea mașinilor.
înaintea mașinilor.
04:31
Thank you.
88
259126
1176
Mulțumesc.
04:32
(Applause)
89
260326
3104
(Aplauze)
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