TED2016
Anthony Goldbloom: The jobs we'll lose to machines -- and the ones we won't
אנתוני גולדבלום: מקומות העבודה שנאבד לטובת המכונות - ואלו שלא
Filmed:
Readability: 4.8
2,568,213 views
מכונות לומדות כבר לא מוגבלות רק למטלות פשוטות כמו הערכת סיכונים באשראי ומיון דואר. המכונות מסוגלות כיום לבצע יישומים מורכבים בהרבה, כמו מתן ציונים לחיבורים ואבחון מחלות. לקידמה זו מתלווה שאלה שמעוררת אי-נוחות: האם בעתיד תיעשה עבודתכם בידי רובוט?
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
זאת אחייניתי.
00:14
Her name is Yahli.
1
2644
1535
שמה יאלי.
היא בת תשעה חודשים.
00:16
She is nine months old.
2
4203
1511
00:18
Her mum is a doctor,
and her dad is a lawyer.
and her dad is a lawyer.
3
6201
2528
אימה רופאה, אביה עורך-דין.
00:21
By the time Yahli goes to college,
4
9269
2006
כשיאלי תלך לקולג',
00:23
the jobs her parents do
are going to look dramatically different.
are going to look dramatically different.
5
11299
3253
מקומות העבודה של הוריה
ייראו אחרת לגמרי.
ייראו אחרת לגמרי.
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
ב-2013, חוקרים באוניברסיטת אוקספורד
חקרו את עתיד העבודה.
חקרו את עתיד העבודה.
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
הם הסיקו שכמעט משרה אחת
מכל שתיים מצויה בסיכון גבוה
מכל שתיים מצויה בסיכון גבוה
לעבור לאוטומציה ממוכנת.
00:36
of being automated by machines.
8
24929
1824
00:40
Machine learning is the technology
9
28388
1905
למידת מכונה היא הטכנולוגיה
שאחראית לעיקר השיבוש הזה.
שאחראית לעיקר השיבוש הזה.
00:42
that's responsible for most
of this disruption.
of this disruption.
10
30317
2278
זה הענף בעל העוצמה הרבה ביותר
בתבונה המלאכותית.
בתבונה המלאכותית.
00:44
It's the most powerful branch
of artificial intelligence.
of artificial intelligence.
11
32619
2790
הוא מאפשר למכונות
ללמוד מתוך נתונים
ללמוד מתוך נתונים
00:47
It allows machines to learn from data
12
35433
1882
ולחקות חלק מהדברים
שעושים בני-אדם.
שעושים בני-אדם.
00:49
and mimic some of the things
that humans can do.
that humans can do.
13
37339
2592
החברה שלי, "קאגל",
פועלת בחוד החנית של למידת המכונה.
פועלת בחוד החנית של למידת המכונה.
00:51
My company, Kaggle, operates
on the cutting edge of machine learning.
on the cutting edge of machine learning.
14
39955
3415
אנו מקבצים מאות אלפי מומחים
00:55
We bring together
hundreds of thousands of experts
hundreds of thousands of experts
15
43394
2386
במטרה לפתור בעיות
עבור התעשיה והאקדמיה.
עבור התעשיה והאקדמיה.
00:57
to solve important problems
for industry and academia.
for industry and academia.
16
45804
3118
01:01
This gives us a unique perspective
on what machines can do,
on what machines can do,
17
49279
3222
זה מקנה לנו נקודת מבט ייחודית
על מה שמכונות מסוגלות לעשות,
על מה שמכונות מסוגלות לעשות,
מה שהן לא מסוגלות לעשות
01:04
what they can't do
18
52525
1235
ואילו מקומות עבודה
יעברו אוטומציה או יימצאו בסיכון.
יעברו אוטומציה או יימצאו בסיכון.
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
למידת המכונה החלה לחדור לתעשיה
בתחילת שנות ה-90 של המאה ה-20.
בתחילת שנות ה-90 של המאה ה-20.
01:12
It started with relatively simple tasks.
21
60890
2124
תחילה במטלות פשוטות יחסית,
01:15
It started with things like assessing
credit risk from loan applications,
credit risk from loan applications,
22
63406
4115
דברים כמו הערכת סיכוני אשראי
בבקשות להלוואות,
בבקשות להלוואות,
מיון דואר ע"י קריאת
מיקוד כתוב ביד.
מיקוד כתוב ביד.
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
בשנים האחרונות השגנו
פריצות-דרך דרמטיות.
פריצות-דרך דרמטיות.
למידת המכונה מסוגלת כיום
למטלות מורכבות בהרבה.
למטלות מורכבות בהרבה.
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
ב-2012, "קאגל" הציבה
לקהילה שלה אתגר:
לקהילה שלה אתגר:
לבנות אלגוריתם שיכול לתת ציונים
לחיבורים ברמת בי"ס תיכון.
לחיבורים ברמת בי"ס תיכון.
01:35
to build an algorithm
that could grade high-school essays.
that could grade high-school essays.
27
83115
3189
האלגוריתמים הזוכים הצליחו
לתת ציונים מקבילים
לתת ציונים מקבילים
01:38
The winning algorithms
were able to match the grades
were able to match the grades
28
86328
2604
לאלו של מורים אנושיים.
01:40
given by human teachers.
29
88956
1665
01:43
Last year, we issued
an even more difficult challenge.
an even more difficult challenge.
30
91092
2984
בשנה הקודמת הצבנו אתגר
עוד יותר קשה.
עוד יותר קשה.
האם אפשר לקחת צילומי עיניים
ולאבחן מחלת עיניים
ולאבחן מחלת עיניים
01:46
Can you take images of the eye
and diagnose an eye disease
and diagnose an eye disease
31
94100
2953
בשם רטינופתיה סוכרתית?
01:49
called diabetic retinopathy?
32
97077
1694
שוב, האלגוריתמים הזוכים
הצליחו להקביל באבחוניהם
הצליחו להקביל באבחוניהם
01:51
Again, the winning algorithms
were able to match the diagnoses
were able to match the diagnoses
33
99164
4040
לאלו של רופאי-עיניים אנושיים.
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
כיום, עם הנתונים הנכונים,
המכונות מסוגלות לעלות בביצועיהן
על בני-אדם במטלות כאלה.
על בני-אדם במטלות כאלה.
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
מורה עשוי לקרוא 10,000 חיבורים
בקריירה בת 40 שנה.
בקריירה בת 40 שנה.
02:06
An ophthalmologist might see 50,000 eyes.
38
114407
2360
רופא-עיניים יכול אולי לבדוק
50,000 עיניים.
50,000 עיניים.
02:08
A machine can read millions of essays
or see millions of eyes
or see millions of eyes
39
116791
3913
מכונה מסוגלת לקרוא מיליוני חיבורים
או לבדוק מיליוני עיניים
או לבדוק מיליוני עיניים
02:12
within minutes.
40
120728
1276
תוך דקות.
02:14
We have no chance of competing
against machines
against machines
41
122456
2858
אין לנו סיכוי להתחרות נגד המכונות
בביצוע מטלות תכופות
בעלות נפח גבוה.
בעלות נפח גבוה.
02:17
on frequent, high-volume tasks.
42
125338
2321
אבל יש דברים שאנו יכולים לעשות
והמכונות - לא.
והמכונות - לא.
02:20
But there are things we can do
that machines can't do.
that machines can't do.
43
128665
3724
02:24
Where machines have made
very little progress
very little progress
44
132791
2200
המכונות התקדמו מעט מאד
בהתמודדות עם מצבים חדשים.
בהתמודדות עם מצבים חדשים.
02:27
is in tackling novel situations.
45
135015
1854
הן לא יכולות לטפל בדברים
שלא הרבו לראות בעבר.
שלא הרבו לראות בעבר.
02:28
They can't handle things
they haven't seen many times before.
they haven't seen many times before.
46
136893
3899
02:33
The fundamental limitations
of machine learning
of machine learning
47
141321
2584
מגבלות היסוד של למידת המכונה
נעוצות בצורך שלה ללמוד
מנפחים גדולים של נתונים קודמים.
מנפחים גדולים של נתונים קודמים.
02:35
is that it needs to learn
from large volumes of past data.
from large volumes of past data.
48
143929
3394
לא כך בני האדם.
02:39
Now, humans don't.
49
147347
1754
אנו מסוגלים לקשר
בין רעיונות נטולי קשר, לכאורה,
בין רעיונות נטולי קשר, לכאורה,
02:41
We have the ability to connect
seemingly disparate threads
seemingly disparate threads
50
149125
3030
כדי לפתור בעיות שטרם פגשנו.
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
פרסי ספנסר היה פיזיקאי
שפיתח מכ"ם במלחה"ע ה-1,
שפיתח מכ"ם במלחה"ע ה-1,
והוא ראה שהמגנטרון ממיס
את השוקולד שלו.
את השוקולד שלו.
02:51
when he noticed the magnetron
was melting his chocolate bar.
was melting his chocolate bar.
53
159243
3013
02:54
He was able to connect his understanding
of electromagnetic radiation
of electromagnetic radiation
54
162970
3295
הוא ידע לקשר בין הבנתו
בקרינה אלקטרומגנטית
בקרינה אלקטרומגנטית
לבין הידע שלו בבישול
02:58
with his knowledge of cooking
55
166289
1484
כדי להמציא -- מישהו יודע?
את תנור המיקרוגל.
את תנור המיקרוגל.
02:59
in order to invent -- any guesses? --
the microwave oven.
the microwave oven.
56
167797
3258
03:03
Now, this is a particularly remarkable
example of creativity.
example of creativity.
57
171444
3073
זאת דוגמה יוצאת-דופן במיוחד
ליצירתיות.
ליצירתיות.
אבל הפריה הדדית כזו
קורה לכולנו בארועים קטנים
קורה לכולנו בארועים קטנים
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
אלפי פעמים ביום.
03:12
Machines cannot compete with us
60
180501
1661
המכונות לא מסוגלות להתחרות בנו
03:14
when it comes to tackling
novel situations,
novel situations,
61
182186
2251
כשמדובר בהתמודדות עם מצבים חדשים,
וזה מגביל מיסודו
את המטלות האנושיות
את המטלות האנושיות
03:16
and this puts a fundamental limit
on the human tasks
on the human tasks
62
184461
3117
שהמכונות עתידות לבצע באופן אוטומטי.
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
אז מה זה אומר
מבחינת עתיד העבודה?
מבחינת עתיד העבודה?
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
עתידה של כל משרה ומשרה
טמון בתשובה לשאלה אחת:
טמון בתשובה לשאלה אחת:
באיזו מידה משרה זו ניתנת לפירוק
למטלות תכופות בנפח גבוה,
למטלות תכופות בנפח גבוה,
03:29
To what extent is that job reducible
to frequent, high-volume tasks,
to frequent, high-volume tasks,
66
197360
4981
ובאיזו מידה היא כרוכה
בהתמודדות עם מצבים חדשים?
בהתמודדות עם מצבים חדשים?
03:34
and to what extent does it involve
tackling novel situations?
tackling novel situations?
67
202365
3253
03:37
On frequent, high-volume tasks,
machines are getting smarter and smarter.
machines are getting smarter and smarter.
68
205975
4035
במטלות תכופות בנפח גבוה,
המכונות הולכות ומחכימות.
המכונות הולכות ומחכימות.
היום הן נותנות ציונים לחיבורים,
מאבחנות מחלות מסוימות.
מאבחנות מחלות מסוימות.
03:42
Today they grade essays.
They diagnose certain diseases.
They diagnose certain diseases.
69
210034
2714
בשנים הבאות הן תנהלנה
את ביקורות הכספים שלנו,
את ביקורות הכספים שלנו,
03:44
Over coming years,
they're going to conduct our audits,
they're going to conduct our audits,
70
212772
3157
ותוכלנה לקרוא קודים
של חוזים משפטיים.
של חוזים משפטיים.
03:47
and they're going to read boilerplate
from legal contracts.
from legal contracts.
71
215953
2967
עדיין יש צורך ברואי-חשבון
ובעורכי-דין.
ובעורכי-דין.
03:50
Accountants and lawyers are still needed.
72
218944
1997
הם עדיין יהיו נחוצים
לצרכי מיסוי מורכב וחקיקה חדשנית.
לצרכי מיסוי מורכב וחקיקה חדשנית.
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
אבל המכונות עתידות לצמצם
את שורותיהם
את שורותיהם
03:57
But machines will shrink their ranks
75
225052
1717
ולהקטין את מצאי
מקומות העבודה שלהם.
מקומות העבודה שלהם.
03:58
and make these jobs harder to come by.
76
226793
1872
כפי שציינתי,
04:00
Now, as mentioned,
77
228689
1151
המכונות לא התקדמו מאד
בטיפול במצבים חדשים.
בטיפול במצבים חדשים.
04:01
machines are not making progress
on novel situations.
on novel situations.
78
229864
2949
הכרזה של מסע השיווק
צריכה למשוך את תשומת לב הצרכן.
צריכה למשוך את תשומת לב הצרכן.
04:04
The copy behind a marketing campaign
needs to grab consumers' attention.
needs to grab consumers' attention.
79
232837
3457
עליה לבלוט.
04:08
It has to stand out from the crowd.
80
236318
1715
איסטרטגיה עסקית משמעה
זיהוי פערים בשוק,
זיהוי פערים בשוק,
04:10
Business strategy means
finding gaps in the market,
finding gaps in the market,
81
238057
2444
איתור דברים שאיש איננו עושה.
04:12
things that nobody else is doing.
82
240525
1756
בני-אדם הם שעתידים ליצור
את כרזת מסע השיווק,
את כרזת מסע השיווק,
04:14
It will be humans that are creating
the copy behind our marketing campaigns,
the copy behind our marketing campaigns,
83
242305
4118
והם גם שיפתחו
את האיסטרטגיה העסקית שלנו.
את האיסטרטגיה העסקית שלנו.
04:18
and it will be humans that are developing
our business strategy.
our business strategy.
84
246447
3517
אז יאלי,
מה שלא תחליטי לעשות,
מה שלא תחליטי לעשות,
04:21
So Yahli, whatever you decide to do,
85
249988
2817
הניחי לכל יום להביא עימו
אתגר חדש.
אתגר חדש.
04:24
let every day bring you a new challenge.
86
252829
2361
04:27
If it does, then you will stay
ahead of the machines.
ahead of the machines.
87
255587
2809
אם כך יהיה,
יהיה לך יתרון על המכונות.
יהיה לך יתרון על המכונות.
תודה לכם.
04:31
Thank you.
88
259126
1176
(מחיאות כפיים)
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