TED2016
Anthony Goldbloom: The jobs we'll lose to machines -- and the ones we won't
Anthony Goldbloom: A munkák, amelyekben vesztésre állunk a gépekkel szemben – és amelyekben nem
Filmed:
Readability: 4.8
2,568,213 views
A gépi tanulás használatával már nem csupán olyan egyszerű feladatok oldhatók meg, mint amilyen a hitelkérelmek bírálata vagy a levelek szortírozása – a gépek ma már sokkal összetettebb feladatokkal is megbirkóznak, például iskolai fogalmazásokat osztályoznak és betegségeket diagnosztizálnak. A gépek fejlődését látva adódik a kényelmetlen kérdés: elveszik-e a robotok a munkánkat?
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
Ő itt az unokahúgom.
00:14
Her name is Yahli.
1
2644
1535
Yahlinak hívják.
00:16
She is nine months old.
2
4203
1511
Yahli kilenc hónapos.
00:18
Her mum is a doctor,
and her dad is a lawyer.
and her dad is a lawyer.
3
6201
2528
Az édesanyja orvos, az édesapja ügyvéd.
Mire Yahli egyetemista lesz,
00:21
By the time Yahli goes to college,
4
9269
2006
00:23
the jobs her parents do
are going to look dramatically different.
are going to look dramatically different.
5
11299
3253
A munka, amit a szülei végeznek,
teljesen másként fest majd.
teljesen másként fest majd.
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
Az Oxfordi Egyetem tudósai 2013-ban
kutatást végeztek a munka jövőjéről.
kutatást végeztek a munka jövőjéről.
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
Arra jutottak, hogy szinte minden második
foglalkozást az a veszély fenyegeti,
foglalkozást az a veszély fenyegeti,
hogy gépek veszik át az emberek helyét.
00:36
of being automated by machines.
8
24929
1824
00:40
Machine learning is the technology
9
28388
1905
Ezért a nyugtalanító fejleményért
00:42
that's responsible for most
of this disruption.
of this disruption.
10
30317
2278
leginkább a gépi tanulás
technológiája felelős.
technológiája felelős.
00:44
It's the most powerful branch
of artificial intelligence.
of artificial intelligence.
11
32619
2790
A gépi tanulás a mesterséges értelem
legfejlettebb ága:
legfejlettebb ága:
00:47
It allows machines to learn from data
12
35433
1882
lehetővé teszi, hogy a gépek tanuljanak
00:49
and mimic some of the things
that humans can do.
that humans can do.
13
37339
2592
és utánozzanak
bizonyos emberi tevékenységeket.
bizonyos emberi tevékenységeket.
00:51
My company, Kaggle, operates
on the cutting edge of machine learning.
on the cutting edge of machine learning.
14
39955
3415
A cégem, a Kaggle, a gépi tanulás
világának élvonalába tartozik.
világának élvonalába tartozik.
00:55
We bring together
hundreds of thousands of experts
hundreds of thousands of experts
15
43394
2386
A Kaggle közössége szakértők
százezreit tömöríti,
százezreit tömöríti,
00:57
to solve important problems
for industry and academia.
for industry and academia.
16
45804
3118
akik az ipar és a tudomány
nagy problémáinak megoldásán dolgoznak.
nagy problémáinak megoldásán dolgoznak.
01:01
This gives us a unique perspective
on what machines can do,
on what machines can do,
17
49279
3222
Kivételes rálátásunk van tehát arra,
hogy mire képesek a gépek,
hogy mire képesek a gépek,
01:04
what they can't do
18
52525
1235
és mire nem,
01:05
and what jobs they might
automate or threaten.
automate or threaten.
19
53784
2939
és hogy mely munkákat
automatizálhatnak és veszélyeztethetnek.
automatizálhatnak és veszélyeztethetnek.
01:09
Machine learning started making its way
into industry in the early '90s.
into industry in the early '90s.
20
57316
3550
A gépi tanulás a 90-es évek elején
kezdett teret hódítani.
kezdett teret hódítani.
01:12
It started with relatively simple tasks.
21
60890
2124
Egyszerű feladatokkal indult az egész.
01:15
It started with things like assessing
credit risk from loan applications,
credit risk from loan applications,
22
63406
4115
Például gépek bírálták el
a hitelkérelmek kockázatát,
a hitelkérelmek kockázatát,
01:19
sorting the mail by reading
handwritten characters from zip codes.
handwritten characters from zip codes.
23
67545
4053
vagy kézzel írt irányítószámok alapján
szortírozták a leveleket.
szortírozták a leveleket.
01:24
Over the past few years, we have made
dramatic breakthroughs.
dramatic breakthroughs.
24
72036
3169
Az elmúlt néhány évben aztán
sorra jöttek a nagy áttörések.
sorra jöttek a nagy áttörések.
01:27
Machine learning is now capable
of far, far more complex tasks.
of far, far more complex tasks.
25
75586
3916
A gépi tanulás technológiája ma már jóval
összetettebb feladatokkal is megbirkózik.
összetettebb feladatokkal is megbirkózik.
01:31
In 2012, Kaggle challenged its community
26
79860
3231
A Kaggle 2012-ben azt a kihívást állította
a közösség elé,
a közösség elé,
01:35
to build an algorithm
that could grade high-school essays.
that could grade high-school essays.
27
83115
3189
hogy írjanak egy programot,
amely iskolai fogalmazásokat osztályoz.
amely iskolai fogalmazásokat osztályoz.
01:38
The winning algorithms
were able to match the grades
were able to match the grades
28
86328
2604
A győztes programok
ugyanolyan osztályzatokat adtak,
ugyanolyan osztályzatokat adtak,
01:40
given by human teachers.
29
88956
1665
mint a középiskolai tanárok.
01:43
Last year, we issued
an even more difficult challenge.
an even more difficult challenge.
30
91092
2984
2015-ben még nehezebb feladattal
álltunk elő:
álltunk elő:
01:46
Can you take images of the eye
and diagnose an eye disease
and diagnose an eye disease
31
94100
2953
Képes-e egy program
fényképek alapján diagnosztizálni
fényképek alapján diagnosztizálni
01:49
called diabetic retinopathy?
32
97077
1694
a diabéteszes retinopátiát?
01:51
Again, the winning algorithms
were able to match the diagnoses
were able to match the diagnoses
33
99164
4040
A nyertes programok képesek voltak
ugyanazt a diagnózist felállítani,
ugyanazt a diagnózist felállítani,
01:55
given by human ophthalmologists.
34
103228
1825
mint a szemész szakorvosok.
01:57
Now, given the right data,
machines are going to outperform humans
machines are going to outperform humans
35
105561
3212
A megfelelő adatok birtokában
a gépek jobban teljesítenek nálunk
a gépek jobban teljesítenek nálunk
02:00
at tasks like this.
36
108797
1165
az efféle feladatokban.
02:01
A teacher might read 10,000 essays
over a 40-year career.
over a 40-year career.
37
109986
3992
Tegyük fel, hogy egy tanár elolvas
10 000 fogalmazást a pályafutása során,
10 000 fogalmazást a pályafutása során,
02:06
An ophthalmologist might see 50,000 eyes.
38
114407
2360
egy szemorvos pedig
megvizsgál 50 000 szemet.
megvizsgál 50 000 szemet.
02:08
A machine can read millions of essays
or see millions of eyes
or see millions of eyes
39
116791
3913
Egy gép esszék millióit képes elolvasni,
és szemek millióit képes megvizsgálni
és szemek millióit képes megvizsgálni
02:12
within minutes.
40
120728
1276
alig néhány perc alatt.
02:14
We have no chance of competing
against machines
against machines
41
122456
2858
Gyakori és nagy volumenű feladatok
esetében
esetében
02:17
on frequent, high-volume tasks.
42
125338
2321
nincs esélyünk a gépekkel szemben
02:20
But there are things we can do
that machines can't do.
that machines can't do.
43
128665
3724
De van, amire csak mi, emberek
vagyunk képesek, a gépek viszont nem.
vagyunk képesek, a gépek viszont nem.
02:24
Where machines have made
very little progress
very little progress
44
132791
2200
A gépek nagyon keveset fejlődtek
02:27
is in tackling novel situations.
45
135015
1854
az új helyzetek kezelésében,
02:28
They can't handle things
they haven't seen many times before.
they haven't seen many times before.
46
136893
3899
és nem tudnak mit kezdeni olyasmivel,
amivel nem találkoztak korábban sokszor.
amivel nem találkoztak korábban sokszor.
02:33
The fundamental limitations
of machine learning
of machine learning
47
141321
2584
A gépi tanulás alapvető korlátja az,
02:35
is that it needs to learn
from large volumes of past data.
from large volumes of past data.
48
143929
3394
hogy a gépek csak a korábbi adatok
tömkelegéből képesek tanulni.
tömkelegéből képesek tanulni.
02:39
Now, humans don't.
49
147347
1754
Az embereknél ez nem így van.
02:41
We have the ability to connect
seemingly disparate threads
seemingly disparate threads
50
149125
3030
Mi össze tudunk kötni
látszólag különálló szálakat,
látszólag különálló szálakat,
02:44
to solve problems we've never seen before.
51
152179
2238
hogy teljesen új problémákat oldjunk meg.
02:46
Percy Spencer was a physicist
working on radar during World War II,
working on radar during World War II,
52
154808
4411
A fizikus, Percy Spencer egy radar mellett
dolgozott a II. világháborúban,
dolgozott a II. világháborúban,
02:51
when he noticed the magnetron
was melting his chocolate bar.
was melting his chocolate bar.
53
159243
3013
és feltűnt neki, hogy a magnetron
megolvasztotta a csokoládéját.
megolvasztotta a csokoládéját.
02:54
He was able to connect his understanding
of electromagnetic radiation
of electromagnetic radiation
54
162970
3295
Spencer összekapcsolta a tudását
az elektromágneses sugárzásról
az elektromágneses sugárzásról
02:58
with his knowledge of cooking
55
166289
1484
és a főzésről,
02:59
in order to invent -- any guesses? --
the microwave oven.
the microwave oven.
56
167797
3258
és feltalálta – vajon mit?
A mikrohullámú sütőt.
A mikrohullámú sütőt.
03:03
Now, this is a particularly remarkable
example of creativity.
example of creativity.
57
171444
3073
Ez persze a kreativitás különösen
figyelemreméltó példája.
figyelemreméltó példája.
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
Ám ehhez hasonló inspirációt
naponta ezernyi alkalommal
naponta ezernyi alkalommal
03:10
thousands of times per day.
59
178229
1828
tapasztalunk mindannyian.
03:12
Machines cannot compete with us
60
180501
1661
A gépeknek nincs esélyük,
03:14
when it comes to tackling
novel situations,
novel situations,
61
182186
2251
ha új helyzetek kezeléséről van szó,
03:16
and this puts a fundamental limit
on the human tasks
on the human tasks
62
184461
3117
ez pedig behatárolja azoknak
az emberi tevékenységeknek a körét,
az emberi tevékenységeknek a körét,
03:19
that machines will automate.
63
187602
1717
amelyeket a gépek átvesznek majd.
03:22
So what does this mean
for the future of work?
for the future of work?
64
190041
2405
Hogy mindez mit jelent
a munka jövőjére nézve?
a munka jövőjére nézve?
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
Minden egyes foglalkozás jövője eldönthető
egyetlen kérdés megválaszolásával:
egyetlen kérdés megválaszolásával:
03:29
To what extent is that job reducible
to frequent, high-volume tasks,
to frequent, high-volume tasks,
66
197360
4981
Milyen mértékben áll az adott munka
gyakori, nagy volumenű feladatokból,
gyakori, nagy volumenű feladatokból,
03:34
and to what extent does it involve
tackling novel situations?
tackling novel situations?
67
202365
3253
és milyen mértékben igényli
új helyzetek kezelését?
új helyzetek kezelését?
03:37
On frequent, high-volume tasks,
machines are getting smarter and smarter.
machines are getting smarter and smarter.
68
205975
4035
A gépek egyre ügyesebben birkóznak meg
a gyakori, nagy volumenű feladatokkal.
a gyakori, nagy volumenű feladatokkal.
03:42
Today they grade essays.
They diagnose certain diseases.
They diagnose certain diseases.
69
210034
2714
Ma fogalmazásokat osztályoznak
és betegségeket diagnosztizálnak.
és betegségeket diagnosztizálnak.
03:44
Over coming years,
they're going to conduct our audits,
they're going to conduct our audits,
70
212772
3157
Az évek múlásával gépek
fogják végezni a felülvizsgálatokat,
fogják végezni a felülvizsgálatokat,
03:47
and they're going to read boilerplate
from legal contracts.
from legal contracts.
71
215953
2967
és gépek fogják beemelni
a szerződések szabványszövegeit.
a szerződések szabványszövegeit.
03:50
Accountants and lawyers are still needed.
72
218944
1997
De szükség lesz számvivőkre és jogászokra
03:52
They're going to be needed
for complex tax structuring,
for complex tax structuring,
73
220965
2682
a bonyolult adórendszerek kezeléséhez,
03:55
for pathbreaking litigation.
74
223671
1357
vagy új peres eljárásokhoz.
03:57
But machines will shrink their ranks
75
225052
1717
De egyre kevésbé lesz rájuk szükség,
03:58
and make these jobs harder to come by.
76
226793
1872
és nehezebb lesz ilyen munkát találni.
04:00
Now, as mentioned,
77
228689
1151
Ahogy már mondtam,
04:01
machines are not making progress
on novel situations.
on novel situations.
78
229864
2949
a gépek nem jeleskednek
az új helyzetek kezelésében.
az új helyzetek kezelésében.
04:04
The copy behind a marketing campaign
needs to grab consumers' attention.
needs to grab consumers' attention.
79
232837
3457
Egy reklámkampány szövegének
fel kell keltenie a fogyasztók figyelmét,
fel kell keltenie a fogyasztók figyelmét,
04:08
It has to stand out from the crowd.
80
236318
1715
és ki kell tűnnie a tömegből.
04:10
Business strategy means
finding gaps in the market,
finding gaps in the market,
81
238057
2444
Az üzleti tervek a piaci rések
feltárására épülnek,
feltárására épülnek,
04:12
things that nobody else is doing.
82
240525
1756
olyasmire, amit más még nem csinál.
04:14
It will be humans that are creating
the copy behind our marketing campaigns,
the copy behind our marketing campaigns,
83
242305
4118
A reklámkampányok szövegét tehát
továbbra is emberek fogják írni,
továbbra is emberek fogják írni,
04:18
and it will be humans that are developing
our business strategy.
our business strategy.
84
246447
3517
és emberek fogják kidolgozni
az üzleti terveket.
az üzleti terveket.
04:21
So Yahli, whatever you decide to do,
85
249988
2817
Így hát, Yahli, bármit is csinálsz majd,
04:24
let every day bring you a new challenge.
86
252829
2361
hozzon minden napod új kihívást.
04:27
If it does, then you will stay
ahead of the machines.
ahead of the machines.
87
255587
2809
Ha így lesz, előnyben leszel
a gépekkel szemben.
a gépekkel szemben.
04:31
Thank you.
88
259126
1176
Köszönöm.
04:32
(Applause)
89
260326
3104
(Taps.)
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