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:
Readability: 4.8
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?
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
Это моя племянница.
00:14
Her name is Yahli.
1
2644
1535
Её зовут Йали.
00:16
She is nine months old.
2
4203
1511
Ей девять месяцев.
00:18
Her mum is a doctor,
and her dad is a lawyer.
and her dad is a lawyer.
3
6201
2528
Её мама врач, а папа — юрист.
00:21
By the time Yahli goes to college,
4
9269
2006
Когда Йали пойдёт в колледж,
00:23
the jobs her parents do
are going to look dramatically different.
are going to look dramatically different.
5
11299
3253
профессии её родителей
принципиально изменятся.
принципиально изменятся.
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
В 2013 году в Оксфордском университете
провели исследование будущего работы.
провели исследование будущего работы.
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
Оно показало, что почти каждой второй
специальности грозит автоматизация.
специальности грозит автоматизация.
00:36
of being automated by machines.
8
24929
1824
00:40
Machine learning is the technology
9
28388
1905
Машинное обучение — это технология,
00:42
that's responsible for most
of this disruption.
of this disruption.
10
30317
2278
стоя́щая за подрывом существующей системы.
00:44
It's the most powerful branch
of artificial intelligence.
of artificial intelligence.
11
32619
2790
Это самое мощное направление
искусственного интеллекта,
искусственного интеллекта,
00:47
It allows machines to learn from data
12
35433
1882
где машины
учатся на имеющихся данных
учатся на имеющихся данных
00:49
and mimic some of the things
that humans can do.
that humans can do.
13
37339
2592
и подражают некоторым аспектам
деятельности человека.
деятельности человека.
00:51
My company, Kaggle, operates
on the cutting edge of machine learning.
on the cutting edge of machine learning.
14
39955
3415
Моя компания Kaggle работает
в авангарде машинного обучения.
в авангарде машинного обучения.
00:55
We bring together
hundreds of thousands of experts
hundreds of thousands of experts
15
43394
2386
Мы объединяем усилия
сотен тысяч экспертов
сотен тысяч экспертов
00:57
to solve important problems
for industry and academia.
for industry and academia.
16
45804
3118
для решения важных проблем
производства и науки.
производства и науки.
01:01
This gives us a unique perspective
on what machines can do,
on what machines can do,
17
49279
3222
Так мы получаем уникальное ви́дение того,
на что машины способны,
на что машины способны,
01:04
what they can't do
18
52525
1235
а на что — нет,
01:05
and what jobs they might
automate or threaten.
automate or threaten.
19
53784
2939
на какой работе они грозят нас заменить,
а на какой — нет.
а на какой — нет.
01:09
Machine learning started making its way
into industry in the early '90s.
into industry in the early '90s.
20
57316
3550
Машинное обучение началó проникать
в производство в начале 1990 годов.
в производство в начале 1990 годов.
01:12
It started with relatively simple tasks.
21
60890
2124
Сначала роботы выполняли несложную работу:
01:15
It started with things like assessing
credit risk from loan applications,
credit risk from loan applications,
22
63406
4115
оценивали кредитные риски
по заявлениям на получения кредита,
по заявлениям на получения кредита,
01:19
sorting the mail by reading
handwritten characters from zip codes.
handwritten characters from zip codes.
23
67545
4053
сортировали корреспонденцию,
считывая написанные от руки индексы.
считывая написанные от руки индексы.
01:24
Over the past few years, we have made
dramatic breakthroughs.
dramatic breakthroughs.
24
72036
3169
За последние несколько лет
мы совершили серьёзный прорыв,
мы совершили серьёзный прорыв,
01:27
Machine learning is now capable
of far, far more complex tasks.
of far, far more complex tasks.
25
75586
3916
и сегодня машинное обучение способно
на решение гораздо более сложных задач.
на решение гораздо более сложных задач.
01:31
In 2012, Kaggle challenged its community
26
79860
3231
В 2012 году Kaggle бросило
своим участникам вызов:
своим участникам вызов:
01:35
to build an algorithm
that could grade high-school essays.
that could grade high-school essays.
27
83115
3189
разработать алгоритм оценивания
школьных сочинений.
школьных сочинений.
01:38
The winning algorithms
were able to match the grades
were able to match the grades
28
86328
2604
Лучшие алгоритмы
выставляли ученикам те же оценки,
выставляли ученикам те же оценки,
01:40
given by human teachers.
29
88956
1665
что и учителя́.
01:43
Last year, we issued
an even more difficult challenge.
an even more difficult challenge.
30
91092
2984
В прошлом году задание было ещё сложнее:
01:46
Can you take images of the eye
and diagnose an eye disease
and diagnose an eye disease
31
94100
2953
диагностировать по фотографиям
глазную болезнь —
глазную болезнь —
01:49
called diabetic retinopathy?
32
97077
1694
диабетическую ретинопатию.
01:51
Again, the winning algorithms
were able to match the diagnoses
were able to match the diagnoses
33
99164
4040
И снова лучшие алгоритмы
ставили те же диагнозы,
ставили те же диагнозы,
01:55
given by human ophthalmologists.
34
103228
1825
что и настоящие офтальмологи.
01:57
Now, given the right data,
machines are going to outperform humans
machines are going to outperform humans
35
105561
3212
При наличии достаточной информации
машины превзойдут людей
машины превзойдут людей
02:00
at tasks like this.
36
108797
1165
в решении таких задач.
02:01
A teacher might read 10,000 essays
over a 40-year career.
over a 40-year career.
37
109986
3992
За сорокалетнюю карьеру
учитель читает порядка 10 000 сочинений,
учитель читает порядка 10 000 сочинений,
02:06
An ophthalmologist might see 50,000 eyes.
38
114407
2360
а офтальмолог осматривает 50 000 глаз.
02:08
A machine can read millions of essays
or see millions of eyes
or see millions of eyes
39
116791
3913
Компьютер «прочитает» миллион сочинений
или «увидит» миллионы глаз
или «увидит» миллионы глаз
02:12
within minutes.
40
120728
1276
всего за несколько минут.
02:14
We have no chance of competing
against machines
against machines
41
122456
2858
В соревнованиях с машинами
у нас нет шансов,
у нас нет шансов,
02:17
on frequent, high-volume tasks.
42
125338
2321
если залог победы —
частота повторения и объём.
частота повторения и объём.
02:20
But there are things we can do
that machines can't do.
that machines can't do.
43
128665
3724
Но всё же есть то, в чём нам нет равных.
02:24
Where machines have made
very little progress
very little progress
44
132791
2200
С чем машины справляются плохо,
02:27
is in tackling novel situations.
45
135015
1854
так это с непривычными ситуациями.
02:28
They can't handle things
they haven't seen many times before.
they haven't seen many times before.
46
136893
3899
Они не справляются с тем,
с чем раньше не сталкивались многократно.
с чем раньше не сталкивались многократно.
02:33
The fundamental limitations
of machine learning
of machine learning
47
141321
2584
Главная проблема
машинного обучения в том,
машинного обучения в том,
02:35
is that it needs to learn
from large volumes of past data.
from large volumes of past data.
48
143929
3394
что для него нужны больши́е массивы
уже накопленных данных.
уже накопленных данных.
02:39
Now, humans don't.
49
147347
1754
А люди справляются и без этого.
02:41
We have the ability to connect
seemingly disparate threads
seemingly disparate threads
50
149125
3030
Мы способны соединять
казалось бы разрозненные идеи,
казалось бы разрозненные идеи,
02:44
to solve problems we've never seen before.
51
152179
2238
решать задачи,
с которыми сталкиваемся впервые.
с которыми сталкиваемся впервые.
02:46
Percy Spencer was a physicist
working on radar during World War II,
working on radar during World War II,
52
154808
4411
Перси Спенсер, физик, работавший в годы
Второй мировой войны над созданием радара,
Второй мировой войны над созданием радара,
02:51
when he noticed the magnetron
was melting his chocolate bar.
was melting his chocolate bar.
53
159243
3013
однажды заметил, что от магнетрона
его шоколадка растаяла.
его шоколадка растаяла.
02:54
He was able to connect his understanding
of electromagnetic radiation
of electromagnetic radiation
54
162970
3295
Он соединил своё понимание
электромагнитной радиации
электромагнитной радиации
02:58
with his knowledge of cooking
55
166289
1484
и навыки кулинарии
02:59
in order to invent -- any guesses? --
the microwave oven.
the microwave oven.
56
167797
3258
и в итоге изобрёл — угадаете? —
микроволновую печь.
микроволновую печь.
03:03
Now, this is a particularly remarkable
example of creativity.
example of creativity.
57
171444
3073
Это особенно занятный
пример творческого подхода,
пример творческого подхода,
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
но такое взаимное обогащение
случается с каждым из нас в мелочах
случается с каждым из нас в мелочах
03:10
thousands of times per day.
59
178229
1828
тысячи раз в день.
03:12
Machines cannot compete with us
60
180501
1661
Машины, в отличие от нас,
03:14
when it comes to tackling
novel situations,
novel situations,
61
182186
2251
не могут справляться
с уникальными ситуациями,
с уникальными ситуациями,
03:16
and this puts a fundamental limit
on the human tasks
on the human tasks
62
184461
3117
это накладывает
фундаментальное ограничение на круг работ,
фундаментальное ограничение на круг работ,
03:19
that machines will automate.
63
187602
1717
где машины могут заменить людей.
03:22
So what does this mean
for the future of work?
for the future of work?
64
190041
2405
Что всё это значит для будущего работы?
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
Будущее любой работы или специальности
заключается в ответе на один лишь вопрос:
заключается в ответе на один лишь вопрос:
03:29
To what extent is that job reducible
to frequent, high-volume tasks,
to frequent, high-volume tasks,
66
197360
4981
в какой мере эта работа сводится
к часто повторяющимся, объёмным заданиям,
к часто повторяющимся, объёмным заданиям,
03:34
and to what extent does it involve
tackling novel situations?
tackling novel situations?
67
202365
3253
и в какой мере на ней
приходится решать уникальные задачи?
приходится решать уникальные задачи?
03:37
On frequent, high-volume tasks,
machines are getting smarter and smarter.
machines are getting smarter and smarter.
68
205975
4035
Машины всё лучше справляются с выполнением
часто повторяющихся, объёмных заданий.
часто повторяющихся, объёмных заданий.
03:42
Today they grade essays.
They diagnose certain diseases.
They diagnose certain diseases.
69
210034
2714
Сейчас они оценивают сочинения.
Диагностируют ряд болезней.
Диагностируют ряд болезней.
03:44
Over coming years,
they're going to conduct our audits,
they're going to conduct our audits,
70
212772
3157
Со временем они будут проводить аудит,
03:47
and they're going to read boilerplate
from legal contracts.
from legal contracts.
71
215953
2967
проводить юридическую экспертизу
типовых договоров.
типовых договоров.
03:50
Accountants and lawyers are still needed.
72
218944
1997
Нам всё ещё нужны бухгалтеры и юристы,
03:52
They're going to be needed
for complex tax structuring,
for complex tax structuring,
73
220965
2682
например, для сложной
оптимизации налогообложения,
оптимизации налогообложения,
представительства в суде.
03:55
for pathbreaking litigation.
74
223671
1357
Но машины сократят их численность,
03:57
But machines will shrink their ranks
75
225052
1717
и эти профессии будут встречаться реже.
03:58
and make these jobs harder to come by.
76
226793
1872
04:00
Now, as mentioned,
77
228689
1151
Как уже было отмечено,
04:01
machines are not making progress
on novel situations.
on novel situations.
78
229864
2949
в решении новаторских задач
машины не преуспели.
машины не преуспели.
04:04
The copy behind a marketing campaign
needs to grab consumers' attention.
needs to grab consumers' attention.
79
232837
3457
В маркетинговой кампании реклама
должна привлекать внимание потребителей,
должна привлекать внимание потребителей,
04:08
It has to stand out from the crowd.
80
236318
1715
выделяться среди других.
04:10
Business strategy means
finding gaps in the market,
finding gaps in the market,
81
238057
2444
Бизнес-стратегия заключается в том,
чтобы находить на рынке пустующие,
не освоенные ниши.
не освоенные ниши.
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
Только люди могут создавать
рекламные кампании
рекламные кампании
04:18
and it will be humans that are developing
our business strategy.
our business strategy.
84
246447
3517
и бизнес-стратегии.
04:21
So Yahli, whatever you decide to do,
85
249988
2817
Йали, чем бы ты ни решила заниматься,
04:24
let every day bring you a new challenge.
86
252829
2361
пусть каждый день ставит
перед тобой новые задачи.
перед тобой новые задачи.
04:27
If it does, then you will stay
ahead of the machines.
ahead of the machines.
87
255587
2809
В этом случае ты всегда
будешь справляться лучше машин.
будешь справляться лучше машин.
04:31
Thank you.
88
259126
1176
Спасибо.
04:32
(Applause)
89
260326
3104
(Аплодисменты)
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