TED2016
Anthony Goldbloom: The jobs we'll lose to machines -- and the ones we won't
Anthony Goldbloom: Jobben som vi kan förlora till maskinerna och de vi behåller
Filmed:
Readability: 4.8
2,568,213 views
Maskininlärning är inte längre enbart för enkla uppgifter som att bedöma kreditrisk eller sortera post. I dag är den kapabel att göra betydligt mer komplexa uppgifter som att betygssätta uppsatser eller diagnostisera sjukdomar. Med dessa framsteg kommer denna obehagliga fråga: Kommer robotarna göra ditt jobb i framtiden?
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
Det här är min brorsdotter.
00:14
Her name is Yahli.
1
2644
1535
Hon heter Yahli.
00:16
She is nine months old.
2
4203
1511
Hon är nio månader gammal.
00:18
Her mum is a doctor,
and her dad is a lawyer.
and her dad is a lawyer.
3
6201
2528
Hennes mamma är läkare
och hennes pappa jurist.
och hennes pappa jurist.
00:21
By the time Yahli goes to college,
4
9269
2006
När Yahli går på gymnasiet
00:23
the jobs her parents do
are going to look dramatically different.
are going to look dramatically different.
5
11299
3253
kommer hennes föräldrars arbeten
vara dramatiskt förändrade.
vara dramatiskt förändrade.
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
Forskare vid Oxford University gjorde 2013
en studie om framtidens arbete.
en studie om framtidens arbete.
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
De kom fram till att nästan vartannat jobb
riskerade att bli automatiserat
riskerade att bli automatiserat
00:36
of being automated by machines.
8
24929
1824
av maskiner.
00:40
Machine learning is the technology
9
28388
1905
Maskinlärning är den teknologi som
00:42
that's responsible for most
of this disruption.
of this disruption.
10
30317
2278
har störst påverkan i denna omvälvning.
00:44
It's the most powerful branch
of artificial intelligence.
of artificial intelligence.
11
32619
2790
Den kraftfullaste grenen
inom artificiell intelligens.
inom artificiell intelligens.
00:47
It allows machines to learn from data
12
35433
1882
Den tillåter att maskiner lär från data
00:49
and mimic some of the things
that humans can do.
that humans can do.
13
37339
2592
och härmar några saker
som människor kan göra.
som människor kan göra.
00:51
My company, Kaggle, operates
on the cutting edge of machine learning.
on the cutting edge of machine learning.
14
39955
3415
Mitt företag Kagge
jobbar i framkanten av maskinlärning.
jobbar i framkanten av maskinlärning.
00:55
We bring together
hundreds of thousands of experts
hundreds of thousands of experts
15
43394
2386
Vi samlar hundratusen experter
00:57
to solve important problems
for industry and academia.
for industry and academia.
16
45804
3118
för att lösa viktiga problem
för industrin och akademin.
för industrin och akademin.
01:01
This gives us a unique perspective
on what machines can do,
on what machines can do,
17
49279
3222
Detta ger oss ett unikt perspektiv på
vad maskinerna kan göra,
vad maskinerna kan göra,
01:04
what they can't do
18
52525
1235
vad de inte kan göra
01:05
and what jobs they might
automate or threaten.
automate or threaten.
19
53784
2939
och vilka jobb som de möjligen
kan automatisera eller hota.
kan automatisera eller hota.
01:09
Machine learning started making its way
into industry in the early '90s.
into industry in the early '90s.
20
57316
3550
Maskinlärning började ta sig in
i industrin under början av 90-talet.
i industrin under början av 90-talet.
01:12
It started with relatively simple tasks.
21
60890
2124
Det började med relativt enkla uppgifter.
Det började med saker som
att bedöma kreditrisken
att bedöma kreditrisken
01:15
It started with things like assessing
credit risk from loan applications,
credit risk from loan applications,
22
63406
4115
för låneansökningar,
01:19
sorting the mail by reading
handwritten characters from zip codes.
handwritten characters from zip codes.
23
67545
4053
sortera post genom läsa av
handskrivna siffror från postnummer.
handskrivna siffror från postnummer.
01:24
Over the past few years, we have made
dramatic breakthroughs.
dramatic breakthroughs.
24
72036
3169
Det senaste år har vi gjort
dramatiska genombrott.
dramatiska genombrott.
01:27
Machine learning is now capable
of far, far more complex tasks.
of far, far more complex tasks.
25
75586
3916
Maskinlärning är nu kapabelt att göra
avsevärt mer komplicerade uppgifter.
avsevärt mer komplicerade uppgifter.
01:31
In 2012, Kaggle challenged its community
26
79860
3231
Under 2012 utmanande Kaggle sitt community
01:35
to build an algorithm
that could grade high-school essays.
that could grade high-school essays.
27
83115
3189
att ta fram en algoritm som kunde
betygsätta gymnasieuppsatser.
betygsätta gymnasieuppsatser.
01:38
The winning algorithms
were able to match the grades
were able to match the grades
28
86328
2604
Den vinnande algoritmen
hade förmågan att matcha betyg
hade förmågan att matcha betyg
01:40
given by human teachers.
29
88956
1665
satta av mänskliga lärare.
01:43
Last year, we issued
an even more difficult challenge.
an even more difficult challenge.
30
91092
2984
Förra året la vi ut en
ännu svårare utmaning.
ännu svårare utmaning.
01:46
Can you take images of the eye
and diagnose an eye disease
and diagnose an eye disease
31
94100
2953
Kan du ta en ögonbild och diagnostisera
en ögonsjukdom
en ögonsjukdom
01:49
called diabetic retinopathy?
32
97077
1694
som heter diabetesretinopati?
01:51
Again, the winning algorithms
were able to match the diagnoses
were able to match the diagnoses
33
99164
4040
Återigen så klarade
de vinnande algoritmerna
de vinnande algoritmerna
att matcha diagnoserna
som mänskliga optiker ställt.
som mänskliga optiker ställt.
01:55
given by human ophthalmologists.
34
103228
1825
01:57
Now, given the right data,
machines are going to outperform humans
machines are going to outperform humans
35
105561
3212
Nu kan maskiner som får rätt data
utklassa människor
utklassa människor
02:00
at tasks like this.
36
108797
1165
för uppgifter som denna.
02:01
A teacher might read 10,000 essays
over a 40-year career.
over a 40-year career.
37
109986
3992
En lärare läser kanske 10 000 uppsatser
under en 40-årig karriär.
under en 40-årig karriär.
02:06
An ophthalmologist might see 50,000 eyes.
38
114407
2360
En optiker kanske kollar på 50 000 ögon.
02:08
A machine can read millions of essays
or see millions of eyes
or see millions of eyes
39
116791
3913
En maskin kan läsa en miljon uppsatser
eller skanna av en miljon ögon
eller skanna av en miljon ögon
02:12
within minutes.
40
120728
1276
på några minuter.
02:14
We have no chance of competing
against machines
against machines
41
122456
2858
Vi har ingen möjlighet att tävla
med maskinerna
med maskinerna
02:17
on frequent, high-volume tasks.
42
125338
2321
för vanliga uppgifter i stora mängder
02:20
But there are things we can do
that machines can't do.
that machines can't do.
43
128665
3724
Men det finns saker
som maskinerna inte kan göra.
som maskinerna inte kan göra.
02:24
Where machines have made
very little progress
very little progress
44
132791
2200
Maskinerna har haft lite framgång
02:27
is in tackling novel situations.
45
135015
1854
med att tackla unika situationer.
02:28
They can't handle things
they haven't seen many times before.
they haven't seen many times before.
46
136893
3899
De kan inte hantera saker
som de inte sett många gånger tidigare.
som de inte sett många gånger tidigare.
Den grundläggande begränsningen
hos maskininlärning
hos maskininlärning
02:33
The fundamental limitations
of machine learning
of machine learning
47
141321
2584
02:35
is that it needs to learn
from large volumes of past data.
from large volumes of past data.
48
143929
3394
är den måste lära sig
från stora mängder historiska data.
från stora mängder historiska data.
02:39
Now, humans don't.
49
147347
1754
Vilket inte människor behöver.
02:41
We have the ability to connect
seemingly disparate threads
seemingly disparate threads
50
149125
3030
Vi har förmågan att koppla samman
till synes helt skilda trådar
till synes helt skilda trådar
02:44
to solve problems we've never seen before.
51
152179
2238
för att lösa problem
vi inte tidigare sett.
vi inte tidigare sett.
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 var en fysiker som jobbade
med radar under andra världskriget,
med radar under andra världskriget,
02:51
when he noticed the magnetron
was melting his chocolate bar.
was melting his chocolate bar.
53
159243
3013
när han la märke till att magnetronen
smälte hans chokladkaka.
smälte hans chokladkaka.
02:54
He was able to connect his understanding
of electromagnetic radiation
of electromagnetic radiation
54
162970
3295
Han kunde dra nytta av sin förståelse
av elektromagnetisk strålning
av elektromagnetisk strålning
02:58
with his knowledge of cooking
55
166289
1484
med kunskap om matlagning
02:59
in order to invent -- any guesses? --
the microwave oven.
the microwave oven.
56
167797
3258
för att uppfinna – några gissningar? –
mikrovågsugnen.
mikrovågsugnen.
03:03
Now, this is a particularly remarkable
example of creativity.
example of creativity.
57
171444
3073
Detta är nu ett speciellt påfallande
exempel på kreativitet.
exempel på kreativitet.
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
Men denna typ av korspollinering
händer för oss alla i liten skala
händer för oss alla i liten skala
03:10
thousands of times per day.
59
178229
1828
tusentals gånger per dag.
03:12
Machines cannot compete with us
60
180501
1661
Maskiner kan inte tävla med oss
03:14
when it comes to tackling
novel situations,
novel situations,
61
182186
2251
när det gäller att tackla
unika situationer,
unika situationer,
03:16
and this puts a fundamental limit
on the human tasks
on the human tasks
62
184461
3117
och detta innebär en grundläggande gräns
för mänskliga uppgifter
för mänskliga uppgifter
03:19
that machines will automate.
63
187602
1717
som maskiner kan automatisera.
03:22
So what does this mean
for the future of work?
for the future of work?
64
190041
2405
Så vad innebär detta
för framtidens arbete?
för framtidens arbete?
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
Tillståndet för varje enskilt jobb ligger
i svaret på en enkel fråga:
i svaret på en enkel fråga:
03:29
To what extent is that job reducible
to frequent, high-volume tasks,
to frequent, high-volume tasks,
66
197360
4981
Till vilken omfattning kan jobbet göras
som frekventa uppgifter av stora volymer,
som frekventa uppgifter av stora volymer,
03:34
and to what extent does it involve
tackling novel situations?
tackling novel situations?
67
202365
3253
och till vilken omfattning involverar det
att tackla unika situationer?
att tackla unika situationer?
03:37
On frequent, high-volume tasks,
machines are getting smarter and smarter.
machines are getting smarter and smarter.
68
205975
4035
För frekventa uppgifter av stora volymer
så blir maskinerna smartare och smartare.
så blir maskinerna smartare och smartare.
03:42
Today they grade essays.
They diagnose certain diseases.
They diagnose certain diseases.
69
210034
2714
I dag betygsätter de uppsatser.
De diagnostiserar sjukdomar.
De diagnostiserar sjukdomar.
03:44
Over coming years,
they're going to conduct our audits,
they're going to conduct our audits,
70
212772
3157
De kommande åren
kommer de göra revisioner
kommer de göra revisioner
03:47
and they're going to read boilerplate
from legal contracts.
from legal contracts.
71
215953
2967
och de kommer läsa
standardtexter från avtal.
standardtexter från avtal.
03:50
Accountants and lawyers are still needed.
72
218944
1997
Revisorer och jurister kommer behövas.
De kommer behövas för
arbete med avancerade skattefrågor
arbete med avancerade skattefrågor
03:52
They're going to be needed
for complex tax structuring,
for complex tax structuring,
73
220965
2682
och avgörande stämningar.
03:55
for pathbreaking litigation.
74
223671
1357
Men maskinerna kommer göra dem färre
03:57
But machines will shrink their ranks
75
225052
1717
03:58
and make these jobs harder to come by.
76
226793
1872
och det blir svårare få såna jobb.
04:00
Now, as mentioned,
77
228689
1151
Men som nämnt tidigare,
04:01
machines are not making progress
on novel situations.
on novel situations.
78
229864
2949
maskinerna gör inga framsteg
när det gäller unika situationer.
när det gäller unika situationer.
04:04
The copy behind a marketing campaign
needs to grab consumers' attention.
needs to grab consumers' attention.
79
232837
3457
Texten som fångar kundernas uppmärksamhet
i en marknadsföringskampanj,
i en marknadsföringskampanj,
04:08
It has to stand out from the crowd.
80
236318
1715
den måste stå ut i från mängden.
04:10
Business strategy means
finding gaps in the market,
finding gaps in the market,
81
238057
2444
Affärsstrategin
som fyller marknadsglappen,
som fyller marknadsglappen,
04:12
things that nobody else is doing.
82
240525
1756
med saker ingen annan gör.
04:14
It will be humans that are creating
the copy behind our marketing campaigns,
the copy behind our marketing campaigns,
83
242305
4118
Det kommer vara människor
som skapar texten bakom marknadsföringen
som skapar texten bakom marknadsföringen
04:18
and it will be humans that are developing
our business strategy.
our business strategy.
84
246447
3517
och det kommer vara människor
som utvecklar affärsstrategierna.
som utvecklar affärsstrategierna.
04:21
So Yahli, whatever you decide to do,
85
249988
2817
Så Yahli, vad du än
bestämmer dig för att göra,
bestämmer dig för att göra,
04:24
let every day bring you a new challenge.
86
252829
2361
låt varje dag innehålla en ny utmaning.
04:27
If it does, then you will stay
ahead of the machines.
ahead of the machines.
87
255587
2809
Om den gör det, kommer du
hålla dig framför maskinerna.
hålla dig framför maskinerna.
04:31
Thank you.
88
259126
1176
Tack så mycket.
04:32
(Applause)
89
260326
3104
(Applåder)
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