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

Anthony Goldbloom: Ktoré pracovné miesta prevezmú stroje a ktoré nie?

Filmed:
2,568,213 views

Strojové učenie neslúži už len na jednoduché úlohy ako odhadovanie kreditného rizika alebo triedenie pošty – dnes zvláda aj oveľa náročnejšie úlohy, ako známkovanie slohov či diagnostikovanie ochorení. S týmto vývojom prichádza aj pálčivá otázka: Bude vašu prácu v budúcnosti vykonávať stroj?
- 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 nieceneter.
0
968
1262
Toto je moja neter.
00:14
Her namenázov is YahliYahli.
1
2644
1535
Volá sa Yahli.
00:16
She is ninedeväť monthsmesiaca oldstarý.
2
4203
1511
Má deväť mesiacov.
00:18
Her mummama is a doctorlekár,
and her dadocko is a lawyerprávnik.
3
6201
2528
Jej mama je doktorka a jej otec právnik.
00:21
By the time YahliYahli goeside to collegekoľaj,
4
9269
2006
Kým pôjde Yahli na univerzitu,
00:23
the jobspracovných miest her parentsrodičia do
are going to look dramaticallydramaticky differentrozdielny.
5
11299
3253
práca jej rodičov sa výrazne zmení.
00:27
In 2013, researchersvedci at OxfordOxford UniversityUniverzita
did a studyštudovať on the futurebudúcnosť of work.
6
15347
5073
V roku 2013 študovali výskumníci na
Oxfordskej univerzite budúcnosť povolaní.
00:32
They concludeddospela k záveru, that almosttakmer one
in everykaždý two jobspracovných miest have a highvysoký riskriskovať
7
20766
4139
Zistili, že takmer každému druhému
povolaniu hrozí,
00:36
of beingbytia automatedautomatizované by machinesstroje.
8
24929
1824
že bude vykonávané strojmi.
00:40
MachineStroj learningštúdium is the technologytechnológie
9
28388
1905
Strojové učenie je technológia
00:42
that's responsiblezodpovedný for mostväčšina
of this disruptionnarušenie.
10
30317
2278
zodpovedná za vačšinu týchto zmien.
00:44
It's the mostväčšina powerfulmocný branchvetva
of artificialumelý intelligenceinteligencia.
11
32619
2790
Je to najsilnejšia oblasť
v umelej inteligencii.
00:47
It allowsumožňuje machinesstroje to learnučiť sa from datadáta
12
35433
1882
Umožňuje strojom učiť sa z dát
00:49
and mimicnapodobniť some of the things
that humansľudia can do.
13
37339
2592
a napodobňovať niektoré veci,
ktoré dokážu robiť ľudia.
00:51
My companyspoločnosť, KaggleKaggle, operatesoperuje
on the cuttingvýstrižok edgehrana of machinestroj learningštúdium.
14
39955
3415
Moje spoločnosť, Kaggle, pracuje
s najšpičkovejším strojovým učením.
00:55
We bringpriniesť togetherspolu
hundredsstovky of thousandstisíce of expertsodborníci
15
43394
2386
Združujeme stovky tisíc expertov,
00:57
to solvevyriešiť importantdôležitý problemsproblémy
for industrypriemysel and academiaAcademia.
16
45804
3118
aby riešili najdôležitejšie problémy
priemyslu a výskumu.
01:01
This givesposkytuje us a uniquejedinečný perspectiveperspektíva
on what machinesstroje can do,
17
49279
3222
To nám dáva jedinečný pohľad na to,
čo stroje môžu robiť,
01:04
what they can't do
18
52525
1235
čo nedokážu
01:05
and what jobspracovných miest they mightsila
automateAutomatizácia or threatenohrozujú.
19
53784
2939
a ktoré povolania môžu
automatizovať alebo ohroziť.
01:09
MachineStroj learningštúdium startedzahájená makingmaking its way
into industrypriemysel in the earlyzavčas '90s.
20
57316
3550
Strojové učenie začalo prenikať do
priemyslu na začiatku 90. rokov.
01:12
It startedzahájená with relativelypomerne simpleprostý tasksúlohy.
21
60890
2124
Začalo s relatívne jednoduchými úlohami.
01:15
It startedzahájená with things like assessingposudzovaní
creditúver riskriskovať from loanpôžička applicationsaplikácie,
22
63406
4115
Napríklad s odhadovaním kreditného
rizika žiadateľov o pôžičku,
01:19
sortingtriedenie the mailpošta by readingčítanie
handwrittenrukopisný charactersznaky from zipzips codeskódy.
23
67545
4053
triedením pošty na základe čítania
rukou písaných znakov v PSČ.
01:24
Over the pastminulosť fewmálo yearsleta, we have madevyrobený
dramaticdramatický breakthroughsobjavy.
24
72036
3169
Počas posledných pár rokov došlo
k veľkému prelomu.
01:27
MachineStroj learningštúdium is now capableschopný
of farďaleko, farďaleko more complexkomplexné tasksúlohy.
25
75586
3916
Strojové učenie je dnes schopné
oveľa náročnejších úloh.
01:31
In 2012, KaggleKaggle challengednapadnúť its communityspoločenstvo
26
79860
3231
V roku 2012 Kaggle vyzval svoju komunitu
na vytvorenie algoritmu, na známkovanie
slohových prác stredoškolákov.
01:35
to buildvybudovať an algorithmalgoritmus
that could gradeakosť high-schoolstredná škola essayseseje.
27
83115
3189
01:38
The winningvíťazný algorithmsalgoritmy
were ableschopný to matchzápas the gradesstupne
28
86328
2604
Víťazné algoritmy dávali
rovnaké hodnotenie
01:40
givendaný by humančlovek teachersučitelia.
29
88956
1665
ako učitelia.
01:43
Last yearrok, we issuedvydal
an even more difficultnáročný challengevýzva.
30
91092
2984
Minulý rok sme prišli
s ešte náročnejšou úlohou.
01:46
Can you take imagessnímky of the eyeočné
and diagnosediagnostikovať an eyeočné diseasechoroba
31
94100
2953
Dokážeme urobiť fotky oka
a diagnostikovať očné ochorenie
01:49
calledvolal diabeticdiabetik retinopathyretinopatia?
32
97077
1694
zvané diabetická retinopatia?
01:51
Again, the winningvíťazný algorithmsalgoritmy
were ableschopný to matchzápas the diagnosesdiagnóz
33
99164
4040
A znova, víťazné algoritmy
diagnostikovali rovnako
01:55
givendaný by humančlovek ophthalmologistsoftalmológov.
34
103228
1825
ako ľudskí oftalmológovia.
01:57
Now, givendaný the right datadáta,
machinesstroje are going to outperformprekonať humansľudia
35
105561
3212
Takže so správnymi dátami stroje
v takýchto úlohách predčia ľudí.
02:00
at tasksúlohy like this.
36
108797
1165
02:01
A teacheručiteľ mightsila readprečítať 10,000 essayseseje
over a 40-year-rok careerkariéra.
37
109986
3992
Učiteľ dokáže prečítať 10 000 slohov
počas svojej 40-ročnej kariéry.
02:06
An ophthalmologistočný lekár mightsila see 50,000 eyesoči.
38
114407
2360
Oftalmológ dokáže prezrieť 50 000 očí.
02:08
A machinestroj can readprečítať millionsmilióny of essayseseje
or see millionsmilióny of eyesoči
39
116791
3913
Stroj dokáže prečítať milióny slohov
alebo prezrieť milióny očí
02:12
withinvnútri minutesminúty.
40
120728
1276
v priebehu niekoľkých minút.
02:14
We have no chancešanca of competingsúťažiť
againstproti machinesstroje
41
122456
2858
V porovnaní so strojmi nemáme
02:17
on frequentčastý, high-volumevysoká hlasitosť tasksúlohy.
42
125338
2321
pri častých, veľkoobjemových
úlohách šancu.
02:20
But there are things we can do
that machinesstroje can't do.
43
128665
3724
Ale sú veci, ktoré my dokážeme robiť
a stroje nie.
02:24
Where machinesstroje have madevyrobený
very little progresspokrok
44
132791
2200
Stroje spravili len veľmi malý pokrok
02:27
is in tacklingriešenie novelnový situationssituácií.
45
135015
1854
v riešení nových situácií.
02:28
They can't handlerukoväť things
they haven'tnemajú seenvidieť manyveľa timesdoba before.
46
136893
3899
Stroje nedokážu zvládať veci,
ktoré nevideli mnohokrát predtým.
02:33
The fundamentalzákladné limitationsobmedzenia
of machinestroj learningštúdium
47
141321
2584
Základným obmedzením strojového učenia je,
02:35
is that it needspotreby to learnučiť sa
from largeveľký volumesobjemy of pastminulosť datadáta.
48
143929
3394
že potrebuje veľký objem dát z minulosti.
02:39
Now, humansľudia don't.
49
147347
1754
Avšak ľudia nie.
02:41
We have the abilityschopnosť to connectpripojiť
seeminglyzrejme disparaterozličnosť threadsnite
50
149125
3030
Máme schopnosť spojiť
zdanlivo nezlúčiteľné súvislosti
a vyriešiť problémy,
s ktorými sme sa predtým nestretli.
02:44
to solvevyriešiť problemsproblémy we'vemy máme never seenvidieť before.
51
152179
2238
02:46
PercyPercy SpencerSpencer was a physicistfyzik
workingpracovný on radarradar duringpočas WorldSvet WarVojna IIII,
52
154808
4411
Fyzik Percy Spencer počas druhej
svetovej vojny pracoval na radare,
02:51
when he noticedvšimol the magnetronmení magnetrón
was meltingtopenia his chocolatečokoláda barbar.
53
159243
3013
keď si všimol, že magnetron
mu topil čokoládu.
02:54
He was ableschopný to connectpripojiť his understandingporozumenie
of electromagneticelektromagnetické radiationžiarenie
54
162970
3295
Bol schopný spojiť svoje vedomosti
o elektromagnetickej radiácii
02:58
with his knowledgevedomosti of cookingvarenie
55
166289
1484
so svojimi znalosťami varenia,
02:59
in orderobjednať to inventvynájsť -- any guessesodhady? --
the microwaveMikrovlnná rúra ovenrúra.
56
167797
3258
aby vynašiel – uhádnete čo? –
mikrovlnnú rúru.
03:03
Now, this is a particularlyobzvlášť remarkablepozoruhodný
examplepríklad of creativitytvorivosť.
57
171444
3073
Toto je neuveriteľný príklad kreativity.
03:06
But this sortdruh of cross-pollinationkríž-pollination
happensdeje for eachkaždý of us in smallmalý waysspôsoby
58
174541
3664
Ale takéto prenesenie vedomostí
sa stáva každému z nás pri drobnostiach
03:10
thousandstisíce of timesdoba perza day.
59
178229
1828
tisíckrát za deň.
03:12
MachinesStroje cannotnemôžu competesúťažiť with us
60
180501
1661
Stroje s nami nemôžu súťažiť vtedy,
03:14
when it comesprichádza to tacklingriešenie
novelnový situationssituácií,
61
182186
2251
keď je potrebné riešiť nové situácie
03:16
and this putsputs a fundamentalzákladné limitlimit
on the humančlovek tasksúlohy
62
184461
3117
a to je základným obmedzením úloh,
03:19
that machinesstroje will automateAutomatizácia.
63
187602
1717
ktoré za nás prevezmú stroje.
03:22
So what does this mean
for the futurebudúcnosť of work?
64
190041
2405
Takže čo to znamená
pre budúcnosť povolaní?
03:24
The futurebudúcnosť statestáť of any singlejednoposteľová jobzamestnania lieslži
in the answerodpoveď to a singlejednoposteľová questionotázka:
65
192804
4532
Budúcnosť každého jedného pracovného
miesta závisí od odpovede na otázku:
03:29
To what extentrozsah is that jobzamestnania reducibleredukovateľné
to frequentčastý, high-volumevysoká hlasitosť tasksúlohy,
66
197360
4981
Do akej miery je daná práca redukovateľná
na opakovanú, veľkoobjemovú úlohu
03:34
and to what extentrozsah does it involvezahrnúť
tacklingriešenie novelnový situationssituácií?
67
202365
3253
a do akej miery zahŕňa reagovanie
na nové situácie?
03:37
On frequentčastý, high-volumevysoká hlasitosť tasksúlohy,
machinesstroje are gettingzískavanie smartermúdrejší and smartermúdrejší.
68
205975
4035
V opakovaných, veľkoobjemových úlohách
sú stroje čoraz lepšie.
03:42
TodayDnes they gradeakosť essayseseje.
They diagnosediagnostikovať certainistý diseaseschoroby.
69
210034
2714
Dnes dokážu známkovať slohy.
Diagnostikovať určité ochorenia.
03:44
Over comingPrichádza yearsleta,
they're going to conductsprávania our auditsaudity,
70
212772
3157
V ďalších rokov budú riadiť audity
03:47
and they're going to readprečítať boilerplateciele misie
from legalprávnej contractszmluvy.
71
215953
2967
a budú čitať obsiahle právne dokumenty.
03:50
AccountantsÚčtovníci and lawyersprávnici are still neededpotrebný.
72
218944
1997
Účtovníci a právnici budú stále potrební.
Budú zodpovední
za komplexné daňové štrukturovanie
03:52
They're going to be neededpotrebný
for complexkomplexné taxdane structuringštruktúrovanie,
73
220965
2682
a v nových právnych sporoch.
03:55
for pathbreakingpriekopníckej litigationspor.
74
223671
1357
Ale stroje ich prácu zredukujú
03:57
But machinesstroje will shrinkscvrknúť sa theirich ranksradí
75
225052
1717
a bude ťažšie ju získať.
03:58
and make these jobspracovných miest harderťažšie to come by.
76
226793
1872
04:00
Now, as mentionedspomínaný,
77
228689
1151
Ako bolo spomenuté,
04:01
machinesstroje are not makingmaking progresspokrok
on novelnový situationssituácií.
78
229864
2949
stroje sa nevyvíjajú v oblasti
riešenia nových situácií.
04:04
The copykópie behindza a marketingmarketing campaignkampaň
needspotreby to grabuchmatnúť consumers'spotrebiteľov attentionpozornosť.
79
232837
3457
Text reklamnej kampane potrebuje
zaujať zákazníka.
04:08
It has to standstáť out from the crowddav.
80
236318
1715
Musí vyčnievať z radu.
04:10
BusinessPodnikanie strategystratégia meansprostriedky
findingnález gapsmedzery in the markettrhové,
81
238057
2444
Podnikateľské stratégie
hľadajú diery na trhu,
04:12
things that nobodynikto elseinak is doing.
82
240525
1756
veci, ktoré nikto iný nerobí.
04:14
It will be humansľudia that are creatingvytváranie
the copykópie behindza our marketingmarketing campaignskampane,
83
242305
4118
Texty marketingových kampaní
budú tvoriť ľudia,
04:18
and it will be humansľudia that are developingrozvíjanie
our businessobchodné strategystratégia.
84
246447
3517
rovnako ako aj podnikateľské stratégie.
04:21
So YahliYahli, whateverHocičo you deciderozhodnúť to do,
85
249988
2817
Takže Yahli, čokoľvek sa rozhodneš robiť,
04:24
let everykaždý day bringpriniesť you a newNový challengevýzva.
86
252829
2361
nech ti každý nový deň
prinesie novú výzvu.
04:27
If it does, then you will staypobyt
aheadvpred of the machinesstroje.
87
255587
2809
Ak to tak bude,
budeš vždy o krok pred strojmi.
04:31
Thank you.
88
259126
1176
Ďakujem.
04:32
(ApplausePotlesk)
89
260326
3104
(potlesk)
Translated by Katka Kostkova
Reviewed by Petra Zmatková

▲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

Data provided by TED.

This site was created in May 2015 and the last update was on January 12, 2020. It will no longer be updated.

We are currently creating a new site called "eng.lish.video" and would be grateful if you could access it.

If you have any questions or suggestions, please feel free to write comments in your language on the contact form.

Privacy Policy

Developer's Blog

Buy Me A Coffee