TED2016
Anthony Goldbloom: The jobs we'll lose to machines -- and the ones we won't
Anthony Goldbloom: Makine sayesinde kaybedeceğimiz işler -- ve kaybetmeyeceklerimiz
Filmed:
Readability: 4.8
2,568,213 views
Makine öğrenmesi artık sadece kredi riskini değerlendirme ve postaları ayırma gibi basit işler için değil -- bugün kompozisyonları notlama ve hastalıklara tanı koyma gibi daha karmaşık uygulamalar için yeterli. Bu ilerlemeler zor bir soruyu beraberinde getiriyor: Gelecekte bir robot işinizi mi yapacak?
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
İşte yeğenim.
00:14
Her name is Yahli.
1
2644
1535
Adı Yahli.
00:16
She is nine months old.
2
4203
1511
Kendisi 9 aylık bebek.
00:18
Her mum is a doctor,
and her dad is a lawyer.
and her dad is a lawyer.
3
6201
2528
Annesi doktor ve babası avukat.
00:21
By the time Yahli goes to college,
4
9269
2006
Yahli okula gittiğinde,
ebeveynlerinin yaptığı işler,
oldukça farklı görünecek.
oldukça farklı görünecek.
00:23
the jobs her parents do
are going to look dramatically different.
are going to look dramatically different.
5
11299
3253
2013 yılında Oxford Üniversitesinde
araştırmacılar,
araştırmacılar,
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
işin geleceği üzerine
bir çalışma yaptılar.
bir çalışma yaptılar.
Araştırmacılar, neredeyse her iki işten
birinde makineler sayesinde
birinde makineler sayesinde
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
otomatikleşmenin yüksek bir riski
olduğu hususunda karara vardılar.
olduğu hususunda karara vardılar.
00:36
of being automated by machines.
8
24929
1824
Makine öğrenmesi
00:40
Machine learning is the technology
9
28388
1905
bu karmaşanın çoğunluğundan
sorumlu olan teknolojidir.
sorumlu olan teknolojidir.
00:42
that's responsible for most
of this disruption.
of this disruption.
10
30317
2278
Makine Öğrenimi, yapay zekanın
en güçlü dalıdır.
en güçlü dalıdır.
00:44
It's the most powerful branch
of artificial intelligence.
of artificial intelligence.
11
32619
2790
Yapay zeka, insanın yapabileceği
bazı şeyleri
bazı şeyleri
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
veri ve mimikden öğrenmesi için
makineye olanak sağlar.
makineye olanak sağlar.
00:51
My company, Kaggle, operates
on the cutting edge of machine learning.
on the cutting edge of machine learning.
14
39955
3415
Şirketim Kaggle, modern makine
öğrenimini kullanmaktadır.
öğrenimini kullanmaktadır.
00:55
We bring together
hundreds of thousands of experts
hundreds of thousands of experts
15
43394
2386
Endüstri ve akademik çevreye yönelik
önemli problemleri çözmek için
önemli problemleri çözmek için
00:57
to solve important problems
for industry and academia.
for industry and academia.
16
45804
3118
yüz binlerce uzmanı bir araya getiriyoruz.
Bu bize makinelerin ne yapacaklarını,
ne yapamayacaklarını ve
ne yapamayacaklarını ve
01:01
This gives us a unique perspective
on what machines can do,
on what machines can do,
17
49279
3222
hangi işleri otomatikleştirecekleri veya
tehdit oluşturabilecekleri üzerine
tehdit oluşturabilecekleri üzerine
01:04
what they can't do
18
52525
1235
01:05
and what jobs they might
automate or threaten.
automate or threaten.
19
53784
2939
benzersiz bir bakış açısı vermektedir.
Makine öğrenme, doksanlı yılların
başlarında endüstride yer almaya başlar.
başlarında endüstride yer almaya başlar.
01:09
Machine learning started making its way
into industry in the early '90s.
into industry in the early '90s.
20
57316
3550
Makine Öğrenme, nispeten basit
görevler ile başladı.
görevler ile başladı.
01:12
It started with relatively simple tasks.
21
60890
2124
Makine öğrenme, kredi taleplerinden kredi
riski değerlendirme, posta kodlarından
riski değerlendirme, posta kodlarından
01:15
It started with things like assessing
credit risk from loan applications,
credit risk from loan applications,
22
63406
4115
el yazısı karakterleri okuyarak posta
sınıflandırma gibi şeylerle başladı.
sınıflandırma gibi şeylerle başladı.
01:19
sorting the mail by reading
handwritten characters from zip codes.
handwritten characters from zip codes.
23
67545
4053
01:24
Over the past few years, we have made
dramatic breakthroughs.
dramatic breakthroughs.
24
72036
3169
Geçtiğimiz bir kaç yıldır,
belirgin bir çıkış yaptık.
belirgin bir çıkış yaptık.
01:27
Machine learning is now capable
of far, far more complex tasks.
of far, far more complex tasks.
25
75586
3916
Makine öğrenme, artık çok daha
karmaşık görevleri yapabiliyor.
karmaşık görevleri yapabiliyor.
01:31
In 2012, Kaggle challenged its community
26
79860
3231
2012’de Kaggle, liselerde
makaleleri puanlayabilen
makaleleri puanlayabilen
bir algoritma yapmak için
çevresindekilere meydan okudu.
çevresindekilere meydan okudu.
01:35
to build an algorithm
that could grade high-school essays.
that could grade high-school essays.
27
83115
3189
Kazanan algoritmaların puanlamasıyla
öğretmenlerin puanlaması
öğretmenlerin puanlaması
01:38
The winning algorithms
were able to match the grades
were able to match the grades
28
86328
2604
01:40
given by human teachers.
29
88956
1665
birbirlerine eşdeğerdi.
Geçtiğimiz yıl, daha da zor bir
meydan okuma sergiledik.
meydan okuma sergiledik.
01:43
Last year, we issued
an even more difficult challenge.
an even more difficult challenge.
30
91092
2984
Gözdeki görüntüleri alabilir ve şeker
hastalığı retinopatisi olarak adlandılan
hastalığı retinopatisi olarak adlandılan
01:46
Can you take images of the eye
and diagnose an eye disease
and diagnose an eye disease
31
94100
2953
01:49
called diabetic retinopathy?
32
97077
1694
göz hastalığını teşhis edebilir misiniz?
01:51
Again, the winning algorithms
were able to match the diagnoses
were able to match the diagnoses
33
99164
4040
Yine, kazanan algoritmalar,
göz doktorları tarafından koyulan
tanılarla eşleşiyordu.
tanılarla eşleşiyordu.
01:55
given by human ophthalmologists.
34
103228
1825
Artık verilen doğru data ile,
01:57
Now, given the right data,
machines are going to outperform humans
machines are going to outperform humans
35
105561
3212
bu tür işlerde makinalar, insanlardan
daha iyi performans sergileyecekler.
daha iyi performans sergileyecekler.
02:00
at tasks like this.
36
108797
1165
02:01
A teacher might read 10,000 essays
over a 40-year career.
over a 40-year career.
37
109986
3992
Bir öğretmen, kırk yıllık kariyer
süresince 10,000 makale okuyabilir.
süresince 10,000 makale okuyabilir.
02:06
An ophthalmologist might see 50,000 eyes.
38
114407
2360
Bir göz doktoru, elli bin göze bakabilir.
02:08
A machine can read millions of essays
or see millions of eyes
or see millions of eyes
39
116791
3913
Bir makine, dakikalar içerisinde
milyonlarca makale okuyabilir veya
milyonlarca göze bakabilir.
milyonlarca göze bakabilir.
02:12
within minutes.
40
120728
1276
02:14
We have no chance of competing
against machines
against machines
41
122456
2858
Sık tekrarlanan, büyük çaplı görevlerde
makineler ile rekabet etme
şansımız hiç yok.
şansımız hiç yok.
02:17
on frequent, high-volume tasks.
42
125338
2321
02:20
But there are things we can do
that machines can't do.
that machines can't do.
43
128665
3724
Az gelişim gösterdikleri yeni alanlarda,
makineler bizim yaptığımız
şeyleri yapamazlar.
şeyleri yapamazlar.
02:24
Where machines have made
very little progress
very little progress
44
132791
2200
02:27
is in tackling novel situations.
45
135015
1854
02:28
They can't handle things
they haven't seen many times before.
they haven't seen many times before.
46
136893
3899
Daha önce birçok defa
görmedikleri işleri yapamazlar.
görmedikleri işleri yapamazlar.
Makine öğrenmenin temel engelleri,
02:33
The fundamental limitations
of machine learning
of machine learning
47
141321
2584
geçmiş datadan büyük miktarda
öğrenme gereksinimidir.
öğrenme gereksinimidir.
02:35
is that it needs to learn
from large volumes of past data.
from large volumes of past data.
48
143929
3394
02:39
Now, humans don't.
49
147347
1754
İnsanlarda böyle değil.
Daha önce karşılaşmadığımız
problemleri çözmek için,
problemleri çözmek için,
02:41
We have the ability to connect
seemingly disparate threads
seemingly disparate threads
50
149125
3030
görünürde farklı konularda ilişki
kurma yeteneğine sahibiz.
kurma yeteneğine sahibiz.
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
Percy Spencer magnetronnun çikolata
kalıbını erittiğini fark ettiğinde,
kalıbını erittiğini fark ettiğinde,
ikinci dünya savaşı sırasında,
radarlar üzerine çalışan bir fizikçiydi.
radarlar üzerine çalışan bir fizikçiydi.
02:51
when he noticed the magnetron
was melting his chocolate bar.
was melting his chocolate bar.
53
159243
3013
Percy Spencer, yeni bir icat için
02:54
He was able to connect his understanding
of electromagnetic radiation
of electromagnetic radiation
54
162970
3295
yemek pişirme bilgisi ile elektromanyetik
radyasyon kavramını birleştirebildi--
radyasyon kavramını birleştirebildi--
02:58
with his knowledge of cooking
55
166289
1484
02:59
in order to invent -- any guesses? --
the microwave oven.
the microwave oven.
56
167797
3258
herhangi bir tahmin ?-- mikrodalga fırın.
03:03
Now, this is a particularly remarkable
example of creativity.
example of creativity.
57
171444
3073
Şimdi,bu özellikle yaratıcılığın
dikkat çekici bir örneğidir.
dikkat çekici bir örneğidir.
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
Ancak bu tür çapraz birleşmeler
her birimiz için
her birimiz için
günde binlerce kez oluşur.
03:10
thousands of times per day.
59
178229
1828
03:12
Machines cannot compete with us
60
180501
1661
Konu yeni işleri başarmak olduğunda,
03:14
when it comes to tackling
novel situations,
novel situations,
61
182186
2251
makineler bizimle rekabet edemezler ve
bu, makinelerin insanların işlerini
otomatize etmelerinde
otomatize etmelerinde
03:16
and this puts a fundamental limit
on the human tasks
on the human tasks
62
184461
3117
temel engel oluşturur.
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
Öyleyse, işin geleceği için
bu ne anlama geliyor ?
bu ne anlama geliyor ?
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
Herhangi bir işin gelecekteki durumu,
bir sorunun cevabında yatar:
bir sorunun cevabında yatar:
03:29
To what extent is that job reducible
to frequent, high-volume tasks,
to frequent, high-volume tasks,
66
197360
4981
Meslek ne ölçüde sık tekrarlanan,
büyük çaplı işe indirgenebilir ve
büyük çaplı işe indirgenebilir ve
ne ölçüde yeni görevleri içerir?
03:34
and to what extent does it involve
tackling novel situations?
tackling novel situations?
67
202365
3253
Sık tekrarlanan, büyük-çaplı görevlerde
makineler, gitgide akıllı olmaktadırlar.
makineler, gitgide akıllı olmaktadırlar.
03:37
On frequent, high-volume tasks,
machines are getting smarter and smarter.
machines are getting smarter and smarter.
68
205975
4035
Bugün denemeleri puanlayabiliyorlar.
Bazı hastalıkları teşhis ediyorlar.
Bazı hastalıkları teşhis ediyorlar.
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
Gelecek yıllarda makineler,
denetimlerimizi yürütecekler ve
denetimlerimizi yürütecekler ve
yasal sözleşmelerden
standart metni okuyacaklar.
standart metni okuyacaklar.
03:47
and they're going to read boilerplate
from legal contracts.
from legal contracts.
71
215953
2967
Muhasebeci ve avukatlara
hala gereksinim var.
hala gereksinim var.
03:50
Accountants and lawyers are still needed.
72
218944
1997
karmaşık vergi yapısı, çığır açan
hukuk davaları için ihtiyaç duyulacak.
hukuk davaları için ihtiyaç duyulacak.
03:52
They're going to be needed
for complex tax structuring,
for complex tax structuring,
73
220965
2682
03:55
for pathbreaking litigation.
74
223671
1357
Ancak makineler, bu işlerin
kademelerini daraltacak
kademelerini daraltacak
03:57
But machines will shrink their ranks
75
225052
1717
ve onları elde etmeyi zorlaştıracak.
03:58
and make these jobs harder to come by.
76
226793
1872
Günümüzde söz konusu makineler,
04:00
Now, as mentioned,
77
228689
1151
04:01
machines are not making progress
on novel situations.
on novel situations.
78
229864
2949
alışılmışın dışındaki durumlarda
ilerleme gösterememektedir.
ilerleme gösterememektedir.
pazarlama kampanyasının ardındaki
metin,müşterilerin ilgisini çekmelidir.
metin,müşterilerin ilgisini çekmelidir.
04:04
The copy behind a marketing campaign
needs to grab consumers' attention.
needs to grab consumers' attention.
79
232837
3457
04:08
It has to stand out from the crowd.
80
236318
1715
Kendini göstermelidir.
İş stratejisi, pazarda
başkalarının bulmadığı
başkalarının bulmadığı
04:10
Business strategy means
finding gaps in the market,
finding gaps in the market,
81
238057
2444
boşlukları bulmak demektir.
04:12
things that nobody else is doing.
82
240525
1756
Pazarlama kampanyalarımızın ardındaki
metni yaratacak olanlar ve
metni yaratacak olanlar ve
04:14
It will be humans that are creating
the copy behind our marketing campaigns,
the copy behind our marketing campaigns,
83
242305
4118
04:18
and it will be humans that are developing
our business strategy.
our business strategy.
84
246447
3517
iş stratejimizi geliştirecek
olanlar insanlar olacaktır.
olanlar insanlar olacaktır.
04:21
So Yahli, whatever you decide to do,
85
249988
2817
Bu yüzden Yahli, ne yapmaya
karar verirsen ver,
karar verirsen ver,
04:24
let every day bring you a new challenge.
86
252829
2361
her gün sana yeni bir
meydan okuma getirsin.
meydan okuma getirsin.
04:27
If it does, then you will stay
ahead of the machines.
ahead of the machines.
87
255587
2809
Eğer bunu yaparsan, o zaman
makinelerden önde olursun.
makinelerden önde olursun.
04:31
Thank you.
88
259126
1176
Teşekkürler.
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