TED2016
Anthony Goldbloom: The jobs we'll lose to machines -- and the ones we won't
Anthony Goldbloom: Kas masinad võtavad inimestelt töö?
Filmed:
Readability: 4.8
2,568,213 views
Masinõppe tulemusena suudavad kaasaegsed arvutiprogrammid teha juba märksa keerukamaid ülesandeid kui krediidiriski hindamine või posti sorteerimine. Masinate hooleks võib usaldada ka oluliselt nõudlikumaid ülesandeid, nagu kirjandite hindamine või haiguste diagnoosimine. Selline läbimurre tekitab aga paratamatult küsimuse, kas inimestele tulevikus enam tööd jätkubki? Anthony Goldbloom kirjeldab, milliseid töid hakkavad tulevikus tegema arvutid, tuues samas välja ka need ametid, millega tehisintellekt niipea hakkama ei saa.
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
See on mu nõbu.
00:14
Her name is Yahli.
1
2644
1535
Tema nimi on Yahli.
00:16
She is nine months old.
2
4203
1511
Ta on 9-kuune.
00:18
Her mum is a doctor,
and her dad is a lawyer.
and her dad is a lawyer.
3
6201
2528
Tema ema on arst ja isa advokaat.
00:21
By the time Yahli goes to college,
4
9269
2006
Selleks ajaks, kui Yahli läheb ülikooli,
00:23
the jobs her parents do
are going to look dramatically different.
are going to look dramatically different.
5
11299
3253
on tööd, mida teevad tema
vanemad, hoopis teistsugused.
vanemad, hoopis teistsugused.
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
2013. aastal uurisid Oxfordi ülikooli
teadlased tuleviku ameteid.
teadlased tuleviku ameteid.
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
Uuringust selgus, et iga teine töökoht
00:36
of being automated by machines.
8
24929
1824
on suure tõenäosusega
võetud üle masinate poolt.
võetud üle masinate poolt.
00:40
Machine learning is the technology
9
28388
1905
Masinõpe on tehnoloogia,
00:42
that's responsible for most
of this disruption.
of this disruption.
10
30317
2278
mis on selle murrangulise muudatuse taga.
00:44
It's the most powerful branch
of artificial intelligence.
of artificial intelligence.
11
32619
2790
Tegu on tehisintellekti
kõige võimsama haruga,
kõige võimsama haruga,
00:47
It allows machines to learn from data
12
35433
1882
mis võimaldab masinatel
andmetest õppida
andmetest õppida
00:49
and mimic some of the things
that humans can do.
that humans can do.
13
37339
2592
ja imiteerida mitmeid inimese tegevusi.
00:51
My company, Kaggle, operates
on the cutting edge of machine learning.
on the cutting edge of machine learning.
14
39955
3415
Minu firma, Kaggle, tegevus põhineb
masinõppe kõige uuemal tehnoloogial.
masinõppe kõige uuemal tehnoloogial.
00:55
We bring together
hundreds of thousands of experts
hundreds of thousands of experts
15
43394
2386
Kaasame sadu tuhandeid eksperte
00:57
to solve important problems
for industry and academia.
for industry and academia.
16
45804
3118
et leida lahendusi tööstuse
ja teaduse olulistele teemadele.
ja teaduse olulistele teemadele.
Seeläbi saame erakordselt hea pildi,
milleks masinad on võimelised
milleks masinad on võimelised
01:01
This gives us a unique perspective
on what machines can do,
on what machines can do,
17
49279
3222
ja milleks nad ei ole võimelised,
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
ja milliseid töid võivad masinad
üle võtta või kasutuks kuulutada.
üle võtta või kasutuks kuulutada.
01:09
Machine learning started making its way
into industry in the early '90s.
into industry in the early '90s.
20
57316
3550
Masinõpe hakkas
esile kerkima 1990ndatel.
esile kerkima 1990ndatel.
Alguses tegeleti suhteliselt
lihtsate ülesannetega.
lihtsate ülesannetega.
01:12
It started with relatively simple tasks.
21
60890
2124
Esimeste tööde hulgas oli näiteks
laenutaotluste krediidiriski hindamine
laenutaotluste krediidiriski hindamine
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
ja postisaadetiste sorteerimine
käsitsikirjutatud suunanumbrite järgi.
käsitsikirjutatud suunanumbrite järgi.
Järgnevate aastate jooksul on aga toimunud
erakordselt võimas edasiminek.
erakordselt võimas edasiminek.
01:24
Over the past few years, we have made
dramatic breakthroughs.
dramatic breakthroughs.
24
72036
3169
01:27
Machine learning is now capable
of far, far more complex tasks.
of far, far more complex tasks.
25
75586
3916
Masinõpe on praeguseks võimeline
olulisemalt keerukamateks ülesanneteks.
olulisemalt keerukamateks ülesanneteks.
01:31
In 2012, Kaggle challenged its community
26
79860
3231
2012. esitas Kaggle
erialaringkondadele väljakutse
erialaringkondadele väljakutse
01:35
to build an algorithm
that could grade high-school essays.
that could grade high-school essays.
27
83115
3189
koostada programm, mis suudaks
hinnata keskkooli kirjandeid.
hinnata keskkooli kirjandeid.
01:38
The winning algorithms
were able to match the grades
were able to match the grades
28
86328
2604
Kõige edukamad programmid
suutsid anda samu hindeid,
suutsid anda samu hindeid,
01:40
given by human teachers.
29
88956
1665
mida andsid päris õpetajad.
01:43
Last year, we issued
an even more difficult challenge.
an even more difficult challenge.
30
91092
2984
Eelmisel aastal kuulutasime välja
veelgi keerukama ülesande:
veelgi keerukama ülesande:
01:46
Can you take images of the eye
and diagnose an eye disease
and diagnose an eye disease
31
94100
2953
teha silmast ülesvõtteid, et
diagnoosida silmahaigust,
diagnoosida silmahaigust,
01:49
called diabetic retinopathy?
32
97077
1694
mille nimi on diabeetiline retinopaatia.
Taas juhtus, et parimad programmid
suutsid panna sama diagnoosi
suutsid panna sama diagnoosi
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
kui päris oftalmoloogid.
On selge, et kui on olemas õiged andmed,
suudavad masinad tulevikus
suudavad masinad tulevikus
01:57
Now, given the right data,
machines are going to outperform humans
machines are going to outperform humans
35
105561
3212
selliste ülesannete puhul
inimesest mööda minna.
inimesest mööda minna.
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
Õpetaja võib lugeda 40-aastase karjääri
jooksul 10 000 esseed.
jooksul 10 000 esseed.
02:06
An ophthalmologist might see 50,000 eyes.
38
114407
2360
Oftalmoloog võib vaadata 50 000 silma.
02:08
A machine can read millions of essays
or see millions of eyes
or see millions of eyes
39
116791
3913
Masin suudab aga lugeda miljoneid esseesid
ja vaadata miljoneid silmi
02:12
within minutes.
40
120728
1276
vaid mõne minuti jooksul.
Meil ei ole mingit võimalust
masinatega võistelda
masinatega võistelda
02:14
We have no chance of competing
against machines
against machines
41
122456
2858
02:17
on frequent, high-volume tasks.
42
125338
2321
suuri mahte ja korduvaid tegevusi
hõlmavate ülesannete puhul.
hõlmavate ülesannete puhul.
02:20
But there are things we can do
that machines can't do.
that machines can't do.
43
128665
3724
Siiski on asju, mida inimene
suudab, aga masin mitte.
suudab, aga masin mitte.
Üks valdkondi, kus arvutid
pole erilist edu saavutanud
pole erilist edu saavutanud
02:24
Where machines have made
very little progress
very little progress
44
132791
2200
on näiteks uudsete
olukordadega toimetulek.
olukordadega toimetulek.
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
Masinad ei oska teha midagi, mida
nad ei ole varem korduvalt näinud.
nad ei ole varem korduvalt näinud.
02:33
The fundamental limitations
of machine learning
of machine learning
47
141321
2584
Masinõppe põhimõtteline
piiratus seisneb selles,
piiratus seisneb selles,
02:35
is that it needs to learn
from large volumes of past data.
from large volumes of past data.
48
143929
3394
et ta suudab õppida juba olemasoleva
suure andmehulga põhjal.
suure andmehulga põhjal.
02:39
Now, humans don't.
49
147347
1754
Inimestel selline piirang puudub.
02:41
We have the ability to connect
seemingly disparate threads
seemingly disparate threads
50
149125
3030
Meil suudame viia kokku esmapilgul
täiesti erinevaid asju,
täiesti erinevaid asju,
et lahendada probleeme, millega
pole varem kokku puutunud.
pole varem kokku puutunud.
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
Füüsik Percy Spencer töötas
II maailmasõja ajal radarite alal
II maailmasõja ajal radarite alal
02:51
when he noticed the magnetron
was melting his chocolate bar.
was melting his chocolate bar.
53
159243
3013
ja ta märkas, et magnetron
oli sulatanud üles ta šokolaaditahvli.
oli sulatanud üles ta šokolaaditahvli.
02:54
He was able to connect his understanding
of electromagnetic radiation
of electromagnetic radiation
54
162970
3295
Ta oskas viia kokku oma teadmised
elektromagneetilisest kiirgusest
elektromagneetilisest kiirgusest
ja teadmised toiduvalmistamisest,
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
ja leiutas - kes arvab ära?
Mikrolaineahju.
See oli nüüd üks eredamaid
näiteid loovast lähenemisest,
näiteid loovast lähenemisest,
03:03
Now, this is a particularly remarkable
example of creativity.
example of creativity.
57
171444
3073
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
aga seda tüüpi risttolmlemist
juhtub väiksemas plaanis meie kõigiga
juhtub väiksemas plaanis meie kõigiga
03:10
thousands of times per day.
59
178229
1828
tuhandeid kordi päevas.
03:12
Machines cannot compete with us
60
180501
1661
Masinatest pole meile vastast,
03:14
when it comes to tackling
novel situations,
novel situations,
61
182186
2251
kui tegu on uute olukordadega
03:16
and this puts a fundamental limit
on the human tasks
on the human tasks
62
184461
3117
ja see seab põhimõttelise piirangu,
kuhu maale suudavad masinad
kuhu maale suudavad masinad
03:19
that machines will automate.
63
187602
1717
inimese töö ülevõtmisel jõuda.
03:22
So what does this mean
for the future of work?
for the future of work?
64
190041
2405
Mida see aga tähendab
töö tuleviku kontekstis?
töö tuleviku kontekstis?
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
Iga konkreetse töö tuleviku võti
peitub vastuses ühele küsimusele:
peitub vastuses ühele küsimusele:
03:29
To what extent is that job reducible
to frequent, high-volume tasks,
to frequent, high-volume tasks,
66
197360
4981
Kuivõrd kujutab see töö endast
korduvaid suuremahulisi tegevusi
korduvaid suuremahulisi tegevusi
03:34
and to what extent does it involve
tackling novel situations?
tackling novel situations?
67
202365
3253
ja kui palju on selles töös vaja
tegeleda uudsete olukordadega?
tegeleda uudsete olukordadega?
03:37
On frequent, high-volume tasks,
machines are getting smarter and smarter.
machines are getting smarter and smarter.
68
205975
4035
Korduvate mahukate ülesannete puhul
täiustatakse arvuteid pidevalt.
täiustatakse arvuteid pidevalt.
Täna suudavad nad kirjandeid hinnata
ja haigusi diagnoosida,
ja haigusi diagnoosida,
03:42
Today they grade essays.
They diagnose certain diseases.
They diagnose certain diseases.
69
210034
2714
lähiaastatel hakkavad
nad läbiviima auditeid
nad läbiviima auditeid
03:44
Over coming years,
they're going to conduct our audits,
they're going to conduct our audits,
70
212772
3157
03:47
and they're going to read boilerplate
from legal contracts.
from legal contracts.
71
215953
2967
ja lugema juriidiliste
lepingute tüüptingimusi.
lepingute tüüptingimusi.
Raamatupidajaid ja juriste
on aga endiselt vaja
on aga endiselt vaja
03:50
Accountants and lawyers are still needed.
72
218944
1997
keerukate maksuküsimuste
lahendamiseks
lahendamiseks
03:52
They're going to be needed
for complex tax structuring,
for complex tax structuring,
73
220965
2682
ja uute õigusaktide väljatöötamiseks.
03:55
for pathbreaking litigation.
74
223671
1357
Siiski vähendavad uued arvutid
ka nende töötajate hulka
ka nende töötajate hulka
03:57
But machines will shrink their ranks
75
225052
1717
03:58
and make these jobs harder to come by.
76
226793
1872
ja sellist tööd on raskem leida.
04:00
Now, as mentioned,
77
228689
1151
Nagu ütlesin, ei ole arvutid osavad
uudsetes olukordades.
uudsetes olukordades.
04:01
machines are not making progress
on novel situations.
on novel situations.
78
229864
2949
04:04
The copy behind a marketing campaign
needs to grab consumers' attention.
needs to grab consumers' attention.
79
232837
3457
Turunduskampaania idee peab suutma
haarata tarbija tähelepanu.
haarata tarbija tähelepanu.
04:08
It has to stand out from the crowd.
80
236318
1715
See peab teistest eristuma.
Äristrateegia toimib, kui ta
vastab turu vajadustele,
vastab turu vajadustele,
04:10
Business strategy means
finding gaps in the market,
finding gaps in the market,
81
238057
2444
ja pakub midagi, mida keegi teine ei paku.
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
Endiselt on inimesed need,
kes mõtlevad välja turunduskampaaniaid,
kes mõtlevad välja turunduskampaaniaid,
04:18
and it will be humans that are developing
our business strategy.
our business strategy.
84
246447
3517
inimesed on jätkuvalt ka meie
äristrateegia väljatöötajateks.
äristrateegia väljatöötajateks.
Nii et Yahli, kelleks sa
ka ei otsusta saada,
ka ei otsusta saada,
04:21
So Yahli, whatever you decide to do,
85
249988
2817
04:24
let every day bring you a new challenge.
86
252829
2361
vaata, et iga päev
tooks sulle uusi väljakutseid.
tooks sulle uusi väljakutseid.
04:27
If it does, then you will stay
ahead of the machines.
ahead of the machines.
87
255587
2809
Kui see nii läheb,
oled sa alati masinatest ees.
oled sa alati masinatest ees.
Aitäh!
04:31
Thank you.
88
259126
1176
04:32
(Applause)
89
260326
3104
(Aplaus)
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