ABOUT THE SPEAKER
Anthony Goldbloom - Machine learning expert
Anthony 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.  

More profile about the speaker
Anthony Goldbloom | Speaker | TED.com
TED2016

Anthony Goldbloom: The jobs we'll lose to machines -- and the ones we won't

Энтони Голдблум: Рабочие места, которые мы уступим машинам, и те, которые останутся за нами

Filmed:
2,568,213 views

Машинное обучение теперь касается не только простых задач, вроде оценки кредитных рисков или сортировки корреспонденции. Сегодня ему доступно намного более широкое применение: от оценивания сочинений до постановки медицинских диагнозов. В связи с таким техническим прогрессом возникает вопрос: заменит ли вас в будущем робот на вашем рабочем месте?
- Machine learning expert
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 nieceплемянница.
0
968
1262
Это моя племянница.
00:14
Her nameимя is YahliYahli.
1
2644
1535
Её зовут Йали.
00:16
She is nine9 monthsмесяцы oldстарый.
2
4203
1511
Ей девять месяцев.
00:18
Her mumмама is a doctorврач,
and her dadпапа is a lawyerадвокат.
3
6201
2528
Её мама врач, а папа — юрист.
00:21
By the time YahliYahli goesидет to collegeколледж,
4
9269
2006
Когда Йали пойдёт в колледж,
00:23
the jobsработы her parentsродители do
are going to look dramaticallyдраматично differentдругой.
5
11299
3253
профессии её родителей
принципиально изменятся.
00:27
In 2013, researchersисследователи at OxfordОксфорд UniversityУниверситет
did a studyизучение on the futureбудущее of work.
6
15347
5073
В 2013 году в Оксфордском университете
провели исследование будущего работы.
00:32
They concludedпришли к выводу, that almostпочти one
in everyкаждый two jobsработы have a highвысокая riskриск
7
20766
4139
Оно показало, что почти каждой второй
специальности грозит автоматизация.
00:36
of beingявляющийся automatedавтоматизированный by machinesмашины.
8
24929
1824
00:40
MachineМашина learningобучение is the technologyтехнологии
9
28388
1905
Машинное обучение — это технология,
00:42
that's responsibleответственность for mostбольшинство
of this disruptionнарушение.
10
30317
2278
стоя́щая за подрывом существующей системы.
00:44
It's the mostбольшинство powerfulмощный branchфилиал
of artificialискусственный intelligenceинтеллект.
11
32619
2790
Это самое мощное направление
искусственного интеллекта,
00:47
It allowsпозволяет machinesмашины to learnучить from dataданные
12
35433
1882
где машины
учатся на имеющихся данных
00:49
and mimicмим some of the things
that humansлюди can do.
13
37339
2592
и подражают некоторым аспектам
деятельности человека.
00:51
My companyКомпания, KaggleKaggle, operatesработает
on the cuttingрезка edgeкрай of machineмашина learningобучение.
14
39955
3415
Моя компания Kaggle работает
в авангарде машинного обучения.
00:55
We bringприносить togetherвместе
hundredsсотни of thousandsтысячи of expertsэксперты
15
43394
2386
Мы объединяем усилия
сотен тысяч экспертов
00:57
to solveрешать importantважный problemsпроблемы
for industryпромышленность and academiaакадемия.
16
45804
3118
для решения важных проблем
производства и науки.
01:01
This givesдает us a uniqueуникальный perspectiveперспективы
on what machinesмашины can do,
17
49279
3222
Так мы получаем уникальное ви́дение того,
на что машины способны,
01:04
what they can't do
18
52525
1235
а на что — нет,
01:05
and what jobsработы they mightмог бы
automateавтоматизировать or threatenугрожать.
19
53784
2939
на какой работе они грозят нас заменить,
а на какой — нет.
01:09
MachineМашина learningобучение startedначал makingизготовление its way
into industryпромышленность in the earlyрано '90s.
20
57316
3550
Машинное обучение началó проникать
в производство в начале 1990 годов.
01:12
It startedначал with relativelyотносительно simpleпросто tasksзадания.
21
60890
2124
Сначала роботы выполняли несложную работу:
01:15
It startedначал with things like assessingоценки
creditкредит riskриск from loanссуда applicationsПриложения,
22
63406
4115
оценивали кредитные риски
по заявлениям на получения кредита,
01:19
sortingсортировка the mailпочта by readingчтение
handwrittenрукописный charactersперсонажи from zipзастежка-молния codesкоды.
23
67545
4053
сортировали корреспонденцию,
считывая написанные от руки индексы.
01:24
Over the pastмимо fewмало yearsлет, we have madeсделал
dramaticдраматичный breakthroughsпрорывы.
24
72036
3169
За последние несколько лет
мы совершили серьёзный прорыв,
01:27
MachineМашина learningобучение is now capableспособный
of farдалеко, farдалеко more complexсложный tasksзадания.
25
75586
3916
и сегодня машинное обучение способно
на решение гораздо более сложных задач.
01:31
In 2012, KaggleKaggle challengedвызов its communityсообщество
26
79860
3231
В 2012 году Kaggle бросило
своим участникам вызов:
01:35
to buildстроить an algorithmалгоритм
that could gradeкласс high-schoolстаршая школа essaysэссе.
27
83115
3189
разработать алгоритм оценивания
школьных сочинений.
01:38
The winningвыигрыш algorithmsалгоритмы
were ableв состоянии to matchсовпадение the gradesоценки
28
86328
2604
Лучшие алгоритмы
выставляли ученикам те же оценки,
01:40
givenданный by humanчеловек teachersучителей.
29
88956
1665
что и учителя́.
01:43
Last yearгод, we issuedвыпущен
an even more difficultсложно challengeвызов.
30
91092
2984
В прошлом году задание было ещё сложнее:
01:46
Can you take imagesизображений of the eyeглаз
and diagnoseдиагностики an eyeглаз diseaseболезнь
31
94100
2953
диагностировать по фотографиям
глазную болезнь —
01:49
calledназывается diabeticдиабетический retinopathyретинопатия?
32
97077
1694
диабетическую ретинопатию.
01:51
Again, the winningвыигрыш algorithmsалгоритмы
were ableв состоянии to matchсовпадение the diagnosesдиагнозы
33
99164
4040
И снова лучшие алгоритмы
ставили те же диагнозы,
01:55
givenданный by humanчеловек ophthalmologistsофтальмологи.
34
103228
1825
что и настоящие офтальмологи.
01:57
Now, givenданный the right dataданные,
machinesмашины are going to outperformопережать humansлюди
35
105561
3212
При наличии достаточной информации
машины превзойдут людей
02:00
at tasksзадания like this.
36
108797
1165
в решении таких задач.
02:01
A teacherучитель mightмог бы readчитать 10,000 essaysэссе
over a 40-year-год careerкарьера.
37
109986
3992
За сорокалетнюю карьеру
учитель читает порядка 10 000 сочинений,
02:06
An ophthalmologistофтальмолог mightмог бы see 50,000 eyesглаза.
38
114407
2360
а офтальмолог осматривает 50 000 глаз.
02:08
A machineмашина can readчитать millionsмиллионы of essaysэссе
or see millionsмиллионы of eyesглаза
39
116791
3913
Компьютер «прочитает» миллион сочинений
или «увидит» миллионы глаз
02:12
withinв minutesминут.
40
120728
1276
всего за несколько минут.
02:14
We have no chanceшанс of competingконкурирующий
againstпротив machinesмашины
41
122456
2858
В соревнованиях с машинами
у нас нет шансов,
02:17
on frequentчастый, high-volumeбольшой объем tasksзадания.
42
125338
2321
если залог победы —
частота повторения и объём.
02:20
But there are things we can do
that machinesмашины can't do.
43
128665
3724
Но всё же есть то, в чём нам нет равных.
02:24
Where machinesмашины have madeсделал
very little progressпрогресс
44
132791
2200
С чем машины справляются плохо,
02:27
is in tacklingTackling novelроман situationsситуации.
45
135015
1854
так это с непривычными ситуациями.
02:28
They can't handleручка things
they haven'tне seenвидели manyмногие timesраз before.
46
136893
3899
Они не справляются с тем,
с чем раньше не сталкивались многократно.
02:33
The fundamentalфундаментальный limitationsограничения
of machineмашина learningобучение
47
141321
2584
Главная проблема
машинного обучения в том,
02:35
is that it needsпотребности to learnучить
from largeбольшой volumesтома of pastмимо dataданные.
48
143929
3394
что для него нужны больши́е массивы
уже накопленных данных.
02:39
Now, humansлюди don't.
49
147347
1754
А люди справляются и без этого.
02:41
We have the abilityспособность to connectсоединять
seeminglyпо-видимому disparateнесоизмеримый threadsпотоки
50
149125
3030
Мы способны соединять
казалось бы разрозненные идеи,
02:44
to solveрешать problemsпроблемы we'veмы в never seenвидели before.
51
152179
2238
решать задачи,
с которыми сталкиваемся впервые.
02:46
PercyPercy Spencerспенсер was a physicistфизик
workingза работой on radarрадиолокационный duringв течение WorldМир Warвойна IIII,
52
154808
4411
Перси Спенсер, физик, работавший в годы
Второй мировой войны над созданием радара,
02:51
when he noticedзаметил the magnetronмагнетрон
was meltingплавление his chocolateшоколад barбар.
53
159243
3013
однажды заметил, что от магнетрона
его шоколадка растаяла.
02:54
He was ableв состоянии to connectсоединять his understandingпонимание
of electromagneticэлектромагнитный radiationизлучение
54
162970
3295
Он соединил своё понимание
электромагнитной радиации
02:58
with his knowledgeзнание of cookingГотовка
55
166289
1484
и навыки кулинарии
02:59
in orderзаказ to inventвыдумывать -- any guessesдогадок? --
the microwaveмикроволновая печь ovenдуховой шкаф.
56
167797
3258
и в итоге изобрёл — угадаете? —
микроволновую печь.
03:03
Now, this is a particularlyв частности remarkableзамечательный
exampleпример of creativityкреативность.
57
171444
3073
Это особенно занятный
пример творческого подхода,
03:06
But this sortСортировать of cross-pollinationперекрестное опыление
happensпроисходит for eachкаждый of us in smallмаленький waysпути
58
174541
3664
но такое взаимное обогащение
случается с каждым из нас в мелочах
03:10
thousandsтысячи of timesраз perв day.
59
178229
1828
тысячи раз в день.
03:12
MachinesМашины cannotне могу competeконкурировать with us
60
180501
1661
Машины, в отличие от нас,
03:14
when it comesвыходит to tacklingTackling
novelроман situationsситуации,
61
182186
2251
не могут справляться
с уникальными ситуациями,
03:16
and this putsпуты a fundamentalфундаментальный limitпредел
on the humanчеловек tasksзадания
62
184461
3117
это накладывает
фундаментальное ограничение на круг работ,
03:19
that machinesмашины will automateавтоматизировать.
63
187602
1717
где машины могут заменить людей.
03:22
So what does this mean
for the futureбудущее of work?
64
190041
2405
Что всё это значит для будущего работы?
03:24
The futureбудущее stateгосударство of any singleОдин jobработа liesвранье
in the answerответ to a singleОдин questionвопрос:
65
192804
4532
Будущее любой работы или специальности
заключается в ответе на один лишь вопрос:
03:29
To what extentстепень is that jobработа reducibleсводимый
to frequentчастый, high-volumeбольшой объем tasksзадания,
66
197360
4981
в какой мере эта работа сводится
к часто повторяющимся, объёмным заданиям,
03:34
and to what extentстепень does it involveвключать
tacklingTackling novelроман situationsситуации?
67
202365
3253
и в какой мере на ней
приходится решать уникальные задачи?
03:37
On frequentчастый, high-volumeбольшой объем tasksзадания,
machinesмашины are gettingполучение smarterумнее and smarterумнее.
68
205975
4035
Машины всё лучше справляются с выполнением
часто повторяющихся, объёмных заданий.
03:42
TodayCегодня they gradeкласс essaysэссе.
They diagnoseдиагностики certainопределенный diseasesболезни.
69
210034
2714
Сейчас они оценивают сочинения.
Диагностируют ряд болезней.
03:44
Over comingприход yearsлет,
they're going to conductповедение our auditsаудит,
70
212772
3157
Со временем они будут проводить аудит,
03:47
and they're going to readчитать boilerplateшаблонный
from legalправовой contractsконтракты.
71
215953
2967
проводить юридическую экспертизу
типовых договоров.
03:50
Accountantsбухгалтера and lawyersадвокаты are still neededнеобходимый.
72
218944
1997
Нам всё ещё нужны бухгалтеры и юристы,
03:52
They're going to be neededнеобходимый
for complexсложный taxналог structuringструктурирующий,
73
220965
2682
например, для сложной
оптимизации налогообложения,
представительства в суде.
03:55
for pathbreakingНоваторская litigationсудебные разбирательства.
74
223671
1357
Но машины сократят их численность,
03:57
But machinesмашины will shrinkсокращаться theirих ranksряды
75
225052
1717
и эти профессии будут встречаться реже.
03:58
and make these jobsработы harderСильнее to come by.
76
226793
1872
04:00
Now, as mentionedупомянутый,
77
228689
1151
Как уже было отмечено,
04:01
machinesмашины are not makingизготовление progressпрогресс
on novelроман situationsситуации.
78
229864
2949
в решении новаторских задач
машины не преуспели.
04:04
The copyкопия behindза a marketingмаркетинг campaignкампания
needsпотребности to grabгрейфер consumers'потребителей attentionвнимание.
79
232837
3457
В маркетинговой кампании реклама
должна привлекать внимание потребителей,
04:08
It has to standстоять out from the crowdтолпа.
80
236318
1715
выделяться среди других.
04:10
BusinessБизнес strategyстратегия meansозначает
findingобнаружение gapsпробелы in the marketрынок,
81
238057
2444
Бизнес-стратегия заключается в том,
чтобы находить на рынке пустующие,
не освоенные ниши.
04:12
things that nobodyникто elseеще is doing.
82
240525
1756
04:14
It will be humansлюди that are creatingсоздание
the copyкопия behindза our marketingмаркетинг campaignsкампании,
83
242305
4118
Только люди могут создавать
рекламные кампании
04:18
and it will be humansлюди that are developingразвивающийся
our businessбизнес strategyстратегия.
84
246447
3517
и бизнес-стратегии.
04:21
So YahliYahli, whateverбез разницы you decideпринимать решение to do,
85
249988
2817
Йали, чем бы ты ни решила заниматься,
04:24
let everyкаждый day bringприносить you a newновый challengeвызов.
86
252829
2361
пусть каждый день ставит
перед тобой новые задачи.
04:27
If it does, then you will stayоставаться
aheadвпереди of the machinesмашины.
87
255587
2809
В этом случае ты всегда
будешь справляться лучше машин.
04:31
Thank you.
88
259126
1176
Спасибо.
04:32
(ApplauseАплодисменты)
89
260326
3104
(Аплодисменты)
Translated by Natalia Ost
Reviewed by Inna Kobylnik

▲Back to top

ABOUT THE SPEAKER
Anthony Goldbloom - Machine learning expert
Anthony 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.  

More profile about the speaker
Anthony Goldbloom | Speaker | TED.com