TED2016
Anthony Goldbloom: The jobs we'll lose to machines -- and the ones we won't
அந்தோனி கோல்ட்ப்ளூம்: இயந்திரங்களிடம் நாம் இழக்க நேரிடும் --மற்றும் இழக்க நேராத பணிகள்.
Filmed:
Readability: 4.8
2,568,213 views
பொறிக்கற்றலென்பது, இனி, கடன் அபாயத்தை மதிப்பிடுவது மற்றும் அஞ்சல்களை வரிசைப்படுத்துவது போன்ற எளிய பணிகளுக்கு-- மட்டும் அல்ல--இன்று, அது கட்டுரையை வரிசைப்படுத்துவது, நோயைக் கண்டறிவது போன்ற சிக்கலான பயன்பாடுகளை செய்யக்கூடியது. இந்த முன்னேற்றங்களுடன் ஒரு சஞ்சலமான கேள்வியும் எழுகிறது: உங்கள் பணியை எதிர்காலத்தில் ஒரு ரோபோ செய்யுமா என?
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
இது என் உடன் பிறந்தாரின் மகள்
அவள் பெயர் யாஹ்லி
00:14
Her name is Yahli.
1
2644
1535
00:16
She is nine months old.
2
4203
1511
அவளுக்கு வயது 9 மாதங்கள் ஆகிறது
00:18
Her mum is a doctor,
and her dad is a lawyer.
and her dad is a lawyer.
3
6201
2528
அவள் தாய் ஒரு மருத்துவர்,மற்றும் அவள்
தந்தை ஒரு வழக்கறிஞர்.
தந்தை ஒரு வழக்கறிஞர்.
யாஹ்லி கல்லூரி செல்வதற்குள்,
00:21
By the time Yahli goes to college,
4
9269
2006
அவளுடைய பெற்றோர்கள் செய்யும் பணிகள்
வியக்கத்தகு வித்தியாசமாக காணப் போகிறது.
வியக்கத்தகு வித்தியாசமாக காணப் போகிறது.
00:23
the jobs her parents do
are going to look dramatically different.
are going to look dramatically different.
5
11299
3253
2013-ல் ஆக்ஸ்ஃபோர்ட் பல்கலைகழக ஆய்வாளர்கள்
பணியின் எதிர்காலம் பற்றிய ஒரு ஆய்வில்
பணியின் எதிர்காலம் பற்றிய ஒரு ஆய்வில்
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
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
அநேகமாக, 2 பணிகளில் 1 பணியை, இயந்திரங்கள்
தானியங்கி வேலையாக ஆக்கக்கூடிய
தானியங்கி வேலையாக ஆக்கக்கூடிய
பெரிய அபாயம் இருக்கிறதென்ற
முடிவுக்கு வந்தார்கள்
முடிவுக்கு வந்தார்கள்
00:36
of being automated by machines.
8
24929
1824
00:40
Machine learning is the technology
9
28388
1905
பொறிக்கற்றல் என்ற தொழில்நுட்பம்தான்
00:42
that's responsible for most
of this disruption.
of this disruption.
10
30317
2278
இந்த இடையூறுகளுக்கு எல்லாம் காரணம்.
00:44
It's the most powerful branch
of artificial intelligence.
of artificial intelligence.
11
32619
2790
அது செயற்கை நுண்ணறிவின் மிக
சக்தி வாய்ந்த ஒரு பிரிவாகும்,
சக்தி வாய்ந்த ஒரு பிரிவாகும்,
இயந்திரங்களை தரவிலிருந்து
கற்க அனுமதித்து
கற்க அனுமதித்து
00:47
It allows machines to learn from data
12
35433
1882
00:49
and mimic some of the things
that humans can do.
that humans can do.
13
37339
2592
மனிதர்கள் செய்யக்கூடிய சில
விடயங்களை அபிநயிக்கிறது
விடயங்களை அபிநயிக்கிறது
என் நிறுவனம் காகுல், பொறிக்கற்றலில்
முன்னேற்றத்தின் உச்சியில் இருப்பதால்
முன்னேற்றத்தின் உச்சியில் இருப்பதால்
00:51
My company, Kaggle, operates
on the cutting edge of machine learning.
on the cutting edge of machine learning.
14
39955
3415
00:55
We bring together
hundreds of thousands of experts
hundreds of thousands of experts
15
43394
2386
ஆயிரக்கணக்கான வல்லுனர்களை நாங்கள்
ஒருங்கிணைத்து தொழில் மற்றும்
ஒருங்கிணைத்து தொழில் மற்றும்
00:57
to solve important problems
for industry and academia.
for industry and academia.
16
45804
3118
கல்வி நிறுவனங்களின் முக்கிய
பிரச்சனைகளுக்கு தீர்வு காண்கிறோம்.
பிரச்சனைகளுக்கு தீர்வு காண்கிறோம்.
01:01
This gives us a unique perspective
on what machines can do,
on what machines can do,
17
49279
3222
இது இயந்திரங்கள் செய்யக்கூடியதை செய்ய
முடியாததைப் பற்றி ஒரு ஒப்பற்ற
முடியாததைப் பற்றி ஒரு ஒப்பற்ற
01:04
what they can't do
18
52525
1235
முன்னோக்கை அளிக்கிறது
மேலும் எந்த வேலைகளை அவைகள் தானியங்க
படுத்தக்கூடும் அல்லது அச்சுறுத்தும்,
படுத்தக்கூடும் அல்லது அச்சுறுத்தும்,
01:05
and what jobs they might
automate or threaten.
automate or threaten.
19
53784
2939
01:09
Machine learning started making its way
into industry in the early '90s.
into industry in the early '90s.
20
57316
3550
பொறிக்கற்றல், தொழில்துறையில், 1990-ன்
முற்பகுதியில் ஆரம்பித்தது
முற்பகுதியில் ஆரம்பித்தது
01:12
It started with relatively simple tasks.
21
60890
2124
அது ஒப்பீட்டளவில் எளிய
பணிகளுடன் தொடங்கியது
பணிகளுடன் தொடங்கியது
கடன் விண்ணப்பத்திலிருந்து கடன் மதிப்பீடு,
கையெழுத்துடைய ஜிப்கோட் படித்து
கையெழுத்துடைய ஜிப்கோட் படித்து
01:15
It started with things like assessing
credit risk from loan applications,
credit risk from loan applications,
22
63406
4115
01:19
sorting the mail by reading
handwritten characters from zip codes.
handwritten characters from zip codes.
23
67545
4053
அஞ்சல் வரிசைப்படுத்துதல்
போன்றவற்றில் அது தொடங்கியது,
போன்றவற்றில் அது தொடங்கியது,
01:24
Over the past few years, we have made
dramatic breakthroughs.
dramatic breakthroughs.
24
72036
3169
கடந்து சில வருடங்களாக, நாம் வியக்கத்தக்க
முன்னேற்றங்கள் அடைந்திருக்கிறோம்.
முன்னேற்றங்கள் அடைந்திருக்கிறோம்.
பொறிக்கற்றல், இப்போது மிக அதிக சிக்கலான
பணிகளை செய்யும் திறனுடையது.
பணிகளை செய்யும் திறனுடையது.
01:27
Machine learning is now capable
of far, far more complex tasks.
of far, far more complex tasks.
25
75586
3916
01:31
In 2012, Kaggle challenged its community
26
79860
3231
2012-ல், காகுல் அதன் உறுப்பினர்களை
உயர்நிலைப்பள்ளி கட்டுரைகளை தரவாரியாக
உயர்நிலைப்பள்ளி கட்டுரைகளை தரவாரியாக
01:35
to build an algorithm
that could grade high-school essays.
that could grade high-school essays.
27
83115
3189
வரிசைப்படுத்தும் ஒரு வழிமுறை
உருவாக்க சவால் விட்டார்கள்.
உருவாக்க சவால் விட்டார்கள்.
01:38
The winning algorithms
were able to match the grades
were able to match the grades
28
86328
2604
வென்ற வழிமுறைகள், மனித ஆசிரியர்கள்
தரப்படுத்தியவைகளுக்கு
தரப்படுத்தியவைகளுக்கு
01:40
given by human teachers.
29
88956
1665
ஈடு இணையாக இருந்தது.
சென்ற வருடம், நாங்கள் இன்னும் அதிக
கடினமான சவாலை முன் வைத்தோம்.
கடினமான சவாலை முன் வைத்தோம்.
01:43
Last year, we issued
an even more difficult challenge.
an even more difficult challenge.
30
91092
2984
01:46
Can you take images of the eye
and diagnose an eye disease
and diagnose an eye disease
31
94100
2953
கண்ணின் படிமத்திலிருந்து டயாபெடிக்
ரெடினோபதி என்ற நோயை
ரெடினோபதி என்ற நோயை
01:49
called diabetic retinopathy?
32
97077
1694
கண்டறிய முடியுமா என்று?
இம்முறையும், வெற்றி பெற்ற வழிமுறைகள்
மனித கண் மருத்துவர்களால் வழங்கப்பட்ட
மனித கண் மருத்துவர்களால் வழங்கப்பட்ட
01:51
Again, the winning algorithms
were able to match the diagnoses
were able to match the diagnoses
33
99164
4040
01:55
given by human ophthalmologists.
34
103228
1825
கண்டறிதலுக்கு ஈடு இணையாக இருந்தது,
01:57
Now, given the right data,
machines are going to outperform humans
machines are going to outperform humans
35
105561
3212
சரியான தரவு இயந்திரங்களுக்கு கிடைத்தால்,
இதைப் போன்ற பணிகளில், அவை
இதைப் போன்ற பணிகளில், அவை
02:00
at tasks like this.
36
108797
1165
மனிதர்களை விஞ்சி விடும்.
02:01
A teacher might read 10,000 essays
over a 40-year career.
over a 40-year career.
37
109986
3992
ஒரு ஆசிரியர், 40 வருட வாழ்க்கையில் 10,000
கட்டுரைகளைப் படிக்கலாம்.
கட்டுரைகளைப் படிக்கலாம்.
02:06
An ophthalmologist might see 50,000 eyes.
38
114407
2360
ஒரு கண் மருத்துவர் 50,000 கண்களை
பரிசீலிக்கலாம்
பரிசீலிக்கலாம்
02:08
A machine can read millions of essays
or see millions of eyes
or see millions of eyes
39
116791
3913
சில நிமிடங்களுக்குள், ஒரு இயந்திரம்
பல மில்லியன் கட்டுரைகளைப்
பல மில்லியன் கட்டுரைகளைப்
படிக்கலாம் அல்லது பல மில்லியன்
கண்களைப் பார்க்கலாம்.
கண்களைப் பார்க்கலாம்.
02:12
within minutes.
40
120728
1276
02:14
We have no chance of competing
against machines
against machines
41
122456
2858
இயந்திரங்களுக்கு எதிராக போட்டியிட
நமக்கு வாய்ப்பே இல்லை
நமக்கு வாய்ப்பே இல்லை
02:17
on frequent, high-volume tasks.
42
125338
2321
அடிக்கடி செய்ய வேண்டிய மிக அதிக அளவு
பணிகள் உள்ள போது.
பணிகள் உள்ள போது.
02:20
But there are things we can do
that machines can't do.
that machines can't do.
43
128665
3724
ஆனால், இயந்திரங்கள் செய்ய முடியாத, நாம்
செய்யக்கூடிய விடயங்கள் இருக்கின்றன.
செய்யக்கூடிய விடயங்கள் இருக்கின்றன.
02:24
Where machines have made
very little progress
very little progress
44
132791
2200
இயந்திரங்கள் மிகக் குறைவாக
முன்னேறியது எங்கு எனில்,
முன்னேறியது எங்கு எனில்,
02:27
is in tackling novel situations.
45
135015
1854
புதுமையான சூழ் நிலைகளைக் கையாள்வதில்.
பலமுறை முன்னரே பார்த்திராத சூழ் நிலைகளை
அவைகளால் கையாள முடியாது,
அவைகளால் கையாள முடியாது,
02:28
They can't handle things
they haven't seen many times before.
they haven't seen many times before.
46
136893
3899
பொறிக்கற்றலின் அடிப்படை குறைபாடுகள்
என்னவெனில்
என்னவெனில்
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
கடந்தகாலத்திய அதிக அளவு தரவுகளிலிருந்து
அவை கற்றறியவேண்டும்.
அவை கற்றறியவேண்டும்.
ஆனால், மனிதர்களுக்கு அப்படி இல்லை.
02:39
Now, humans don't.
49
147347
1754
02:41
We have the ability to connect
seemingly disparate threads
seemingly disparate threads
50
149125
3030
தோற்றத்திற்கு வித்தியாசமானதை
இணைத்து, இதற்குமுன் பார்த்திராத
இணைத்து, இதற்குமுன் பார்த்திராத
பிரச்சனைகளுக்குத் தீர்வு காணும் திறமை
நம்மிடம் இருக்கிறது.
நம்மிடம் இருக்கிறது.
02:44
to solve problems we've never seen before.
51
152179
2238
02:46
Percy Spencer was a physicist
working on radar during World War II,
working on radar during World War II,
52
154808
4411
பெர்சி ஸ்பென்சர் என்ற இயற்பியலாளர், 2-ம்
உலகப்போரின் போது ராடாரில் பணி செய்தார்,
உலகப்போரின் போது ராடாரில் பணி செய்தார்,
மாக்னெட்ரான், அவருடைய சாக்லேட் பட்டையை
உருக்குவதை கவனித்த போது,
உருக்குவதை கவனித்த போது,
02:51
when he noticed the magnetron
was melting his chocolate bar.
was melting his chocolate bar.
53
159243
3013
அவர், தன்மின்காந்த கதிர்வீச்சு
புரிதலை,
புரிதலை,
02:54
He was able to connect his understanding
of electromagnetic radiation
of electromagnetic radiation
54
162970
3295
தன்னுடைய சமையல் அறிவுடன் இணைத்து
02:58
with his knowledge of cooking
55
166289
1484
கண்டுபிடித்தார்--ஏதவது யூகங்கள்?--
மைக்ரோவேவ் அடுப்பு,
மைக்ரோவேவ் அடுப்பு,
02:59
in order to invent -- any guesses? --
the microwave oven.
the microwave oven.
56
167797
3258
இது, குறிப்பாக ஒரு பிரசித்தமான
படைப்பாற்றலுக்கு உதாரணம்.
படைப்பாற்றலுக்கு உதாரணம்.
03:03
Now, this is a particularly remarkable
example of creativity.
example of creativity.
57
171444
3073
ஆனால், இந்த மாதிரி எதிர்பாரா விடயங்கள்
நம் எல்லோருக்கும் சிறிய வழிகளில்
நம் எல்லோருக்கும் சிறிய வழிகளில்
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
03:10
thousands of times per day.
59
178229
1828
ஒரு நாளுக்கு பல
ஆயிரம் முறைகள் நடக்கிறது.
ஆயிரம் முறைகள் நடக்கிறது.
03:12
Machines cannot compete with us
60
180501
1661
புதுமையான சூழ்நிலைகளைக் கையாளுவதில்
03:14
when it comes to tackling
novel situations,
novel situations,
61
182186
2251
இயந்திரங்கள் நம்முடன் போட்டி போட முடியாது.
இதனால், மனிதர்கள் செய்யும் பணிகளை
03:16
and this puts a fundamental limit
on the human tasks
on the human tasks
62
184461
3117
இயந்திரங்கள் தானியங்கியாக செய்வதற்கு
ஒரு அடிப்படை வரம்பு உண்டாகிறது.
ஒரு அடிப்படை வரம்பு உண்டாகிறது.
03:19
that machines will automate.
63
187602
1717
03:22
So what does this mean
for the future of work?
for the future of work?
64
190041
2405
எனில், பணியின் எதிர்காலம் பற்றி
இதனால் என்ன புரிகிறது?
இதனால் என்ன புரிகிறது?
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
எந்த ஒரு வேலையின் எதிர்கால நிலையும் ஒரே
ஒரு கேள்விக்கான விடையை பொருத்திருக்கிறது:
ஒரு கேள்விக்கான விடையை பொருத்திருக்கிறது:
அடிக்கடி செய்யும் பெரிய அளவு பணியாக
இந்தப் பணியை எந்த அளவிற்கு மாற்ற முடியும்?
இந்தப் பணியை எந்த அளவிற்கு மாற்ற முடியும்?
03:29
To what extent is that job reducible
to frequent, high-volume tasks,
to frequent, high-volume tasks,
66
197360
4981
03:34
and to what extent does it involve
tackling novel situations?
tackling novel situations?
67
202365
3253
மேலும், புதிய சூழ்நிலைகளை சமாளிப்பது
இதனுடன் எந்த அளவிற்கு ஒன்றி இருக்கிறது?
இதனுடன் எந்த அளவிற்கு ஒன்றி இருக்கிறது?
அடிக்கடி செய்யும் அதிகளவான பணிகளில்
இயந்திரங்கள் மேலும் மிடுக்காய் உள்ளன.
இயந்திரங்கள் மேலும் மிடுக்காய் உள்ளன.
03:37
On frequent, high-volume tasks,
machines are getting smarter and smarter.
machines are getting smarter and smarter.
68
205975
4035
இன்று அவை கட்டுரைகளை தரப்படுத்தி சில
நோய்களை கண்டறிகின்றன,
நோய்களை கண்டறிகின்றன,
03:42
Today they grade essays.
They diagnose certain diseases.
They diagnose certain diseases.
69
210034
2714
03:44
Over coming years,
they're going to conduct our audits,
they're going to conduct our audits,
70
212772
3157
வருகிற வருடங்களில் அவை எங்கள்
தணிக்கைகளை நடத்தப் போகின்றன,
தணிக்கைகளை நடத்தப் போகின்றன,
அவை, சட்ட ஒப்பந்தங்களிலிருந்து
பாய்லர்ப்ளேட்டைப் படிக்கும்
பாய்லர்ப்ளேட்டைப் படிக்கும்
03:47
and they're going to read boilerplate
from legal contracts.
from legal contracts.
71
215953
2967
கணக்காளர்கள் வழக்கறிஞர்கள்
இருப்பினும் தேவைப் படுகிறார்கள்.
இருப்பினும் தேவைப் படுகிறார்கள்.
03:50
Accountants and lawyers are still needed.
72
218944
1997
03:52
They're going to be needed
for complex tax structuring,
for complex tax structuring,
73
220965
2682
சிக்கலான வரி கட்டமைப்பிற்கும்
வழிகாட்டும் வழக்குகளுக்கும்,
வழிகாட்டும் வழக்குகளுக்கும்,
அவர்கள் தேவைப்படப் போகிறார்கள்
03:55
for pathbreaking litigation.
74
223671
1357
இயந்திரங்கள் தங்கள் அணிகளை
சுருக்கும்
சுருக்கும்
03:57
But machines will shrink their ranks
75
225052
1717
இந்த பணிகள் கிடைப்பதற்கு அரிதாக
செய்யும்,
செய்யும்,
03:58
and make these jobs harder to come by.
76
226793
1872
முன்னர் கூறியபடி,
04:00
Now, as mentioned,
77
228689
1151
புதிய சூழ் நிலைகளை சமாளிப்பதில்
இயந்திரங்கள் முன்னேறவில்லை.
இயந்திரங்கள் முன்னேறவில்லை.
04:01
machines are not making progress
on novel situations.
on novel situations.
78
229864
2949
விளம்பர யுக்திகளின் நகல், நுகர்வோர்
கவனத்தை ஈர்க்க வேண்டும்,
கவனத்தை ஈர்க்க வேண்டும்,
04:04
The copy behind a marketing campaign
needs to grab consumers' attention.
needs to grab consumers' attention.
79
232837
3457
கும்பலிலிருந்து அது தனித்து
நிற்க வேண்டும்,
நிற்க வேண்டும்,
04:08
It has to stand out from the crowd.
80
236318
1715
வணிக வியூகமெனில், சந்தையில்
உள்ள இடைவெளியைக் கண்டறிவது,
உள்ள இடைவெளியைக் கண்டறிவது,
04:10
Business strategy means
finding gaps in the market,
finding gaps in the market,
81
238057
2444
04:12
things that nobody else is doing.
82
240525
1756
வேறு எவரும் செய்யாத விடயங்களை.
04:14
It will be humans that are creating
the copy behind our marketing campaigns,
the copy behind our marketing campaigns,
83
242305
4118
மனிதர்கள் தான் விளம்பர யுக்திகளின்
நகலை உண்டாக்குவார்கள்,
நகலை உண்டாக்குவார்கள்,
04:18
and it will be humans that are developing
our business strategy.
our business strategy.
84
246447
3517
மேலும், வணிக வியூகத்தை உண்டாக்குவது
மனிதர்களாகத்தான் இருக்கும்.
மனிதர்களாகத்தான் இருக்கும்.
அதனால், யாஹ்லி, நீ என்ன செய்ய
தீர்மானித்தாலும்,
தீர்மானித்தாலும்,
04:21
So Yahli, whatever you decide to do,
85
249988
2817
ஒவ்வொரு நாளும் உனக்கு புதியதொரு சவாலைக்
கொண்டு வரட்டும்
கொண்டு வரட்டும்
04:24
let every day bring you a new challenge.
86
252829
2361
அவ்வாறு நிகழ்ந்தால், நீ இயந்திரங்களை விட
முன்னனியில் இருப்பாய்.
முன்னனியில் இருப்பாய்.
04:27
If it does, then you will stay
ahead of the machines.
ahead of the machines.
87
255587
2809
04:31
Thank you.
88
259126
1176
நன்றி.
(கரவொலி)
04:32
(Applause)
89
260326
3104
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