TED2016
Anthony Goldbloom: The jobs we'll lose to machines -- and the ones we won't
Anthony Goldbloom: Jobbene vi vil miste til maskinene -- og de vi ikke mister
Filmed:
Readability: 4.8
2,568,213 views
Maskinlæring er ikke lenger bare for enkle oppgaver som å beregne kredittrisiko og sortere post -- i dag klarer den mye mer kompliserte oppgaver, som å rette essayer og diagnostisere sykdommer. Med disse fremskrittene kommer det opp et vanskelig spørsmål: Vil en robot gjøre jobben din i fremtiden?
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
Dette er min niese.
00:14
Her name is Yahli.
1
2644
1535
Hun heter Yahli.
00:16
She is nine months old.
2
4203
1511
Hun er ni måneder gammel.
00:18
Her mum is a doctor,
and her dad is a lawyer.
and her dad is a lawyer.
3
6201
2528
Moren hennes er lege
og faren er advokat.
og faren er advokat.
00:21
By the time Yahli goes to college,
4
9269
2006
Innen Yahli skal gå på college,
00:23
the jobs her parents do
are going to look dramatically different.
are going to look dramatically different.
5
11299
3253
vil jobbene til foreldrene hennes
se veldig annerledes ut.
se veldig annerledes ut.
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
I 2013 forsket universitetet i Oxford
på arbeidets fremtid.
på arbeidets fremtid.
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
De konkluderte at nesten
annenhver jobb har en høy risiko
annenhver jobb har en høy risiko
00:36
of being automated by machines.
8
24929
1824
for å bli automatisert av maskiner.
00:40
Machine learning is the technology
9
28388
1905
Maskinlæring er teknologien
00:42
that's responsible for most
of this disruption.
of this disruption.
10
30317
2278
som er ansvarlig for denne endringen.
00:44
It's the most powerful branch
of artificial intelligence.
of artificial intelligence.
11
32619
2790
Det er den mektigste bransjen
innen kunstig intelligens.
innen kunstig intelligens.
00:47
It allows machines to learn from data
12
35433
1882
Den lar maskiner lære fra data
00:49
and mimic some of the things
that humans can do.
that humans can do.
13
37339
2592
og etterligne noe av det
mennesker kan gjøre.
mennesker kan gjøre.
00:51
My company, Kaggle, operates
on the cutting edge of machine learning.
on the cutting edge of machine learning.
14
39955
3415
Mitt firma, Kaggle, jobber
på hugget av maskinlæring.
på hugget av maskinlæring.
00:55
We bring together
hundreds of thousands of experts
hundreds of thousands of experts
15
43394
2386
Vi samler hundretusenvis av eksperter
00:57
to solve important problems
for industry and academia.
for industry and academia.
16
45804
3118
for å løse viktige problemer
i industri og akademia.
i industri og akademia.
01:01
This gives us a unique perspective
on what machines can do,
on what machines can do,
17
49279
3222
Dette gir oss et unikt perspektiv
på hva maskiner kan gjøre,
på hva maskiner kan gjøre,
01:04
what they can't do
18
52525
1235
hva de ikke kan gjøre
01:05
and what jobs they might
automate or threaten.
automate or threaten.
19
53784
2939
og hvilke jobber de kan
automisere eller true.
automisere eller true.
01:09
Machine learning started making its way
into industry in the early '90s.
into industry in the early '90s.
20
57316
3550
Maskinlæring begynte å vokse frem
i industrien tidlig på 90-tallet.
i industrien tidlig på 90-tallet.
01:12
It started with relatively simple tasks.
21
60890
2124
Det begynte med relativt enkle oppgaver.
01:15
It started with things like assessing
credit risk from loan applications,
credit risk from loan applications,
22
63406
4115
Det startet med ting som å vurdere
kredittrisiko fra lånesøknader,
kredittrisiko fra lånesøknader,
01:19
sorting the mail by reading
handwritten characters from zip codes.
handwritten characters from zip codes.
23
67545
4053
sortering av post ved lesing av
håndskrevne bokstaver i postkoder.
håndskrevne bokstaver i postkoder.
01:24
Over the past few years, we have made
dramatic breakthroughs.
dramatic breakthroughs.
24
72036
3169
Over de siste årene har vi hatt
dramatiske gjennombrudd.
dramatiske gjennombrudd.
01:27
Machine learning is now capable
of far, far more complex tasks.
of far, far more complex tasks.
25
75586
3916
Maskinlæring kan nå mestre
langt mer komplekse oppgaver.
langt mer komplekse oppgaver.
01:31
In 2012, Kaggle challenged its community
26
79860
3231
I 2012 utfordret Kaggle samfunnet sitt
01:35
to build an algorithm
that could grade high-school essays.
that could grade high-school essays.
27
83115
3189
til å bygge en algoritme som kunne
rette highschool elevers stiler.
rette highschool elevers stiler.
01:38
The winning algorithms
were able to match the grades
were able to match the grades
28
86328
2604
Algoritmen som vant,
stemte med karakterene
stemte med karakterene
01:40
given by human teachers.
29
88956
1665
gitt av menneskelige lærere.
01:43
Last year, we issued
an even more difficult challenge.
an even more difficult challenge.
30
91092
2984
I fjor ga vi en enda
vanskeligere utfordring.
vanskeligere utfordring.
01:46
Can you take images of the eye
and diagnose an eye disease
and diagnose an eye disease
31
94100
2953
Kan du ta bilder av øyet
og diagnostisere en øyesykdom
og diagnostisere en øyesykdom
01:49
called diabetic retinopathy?
32
97077
1694
kalt diabetisk retinopati?
01:51
Again, the winning algorithms
were able to match the diagnoses
were able to match the diagnoses
33
99164
4040
Igjen klarte den vinnende algoritmen
å matche diagnosen
å matche diagnosen
01:55
given by human ophthalmologists.
34
103228
1825
gitt av menneskelige oftalmologer.
01:57
Now, given the right data,
machines are going to outperform humans
machines are going to outperform humans
35
105561
3212
Gitt rett data, vil maskiner
utkonkurrere mennesker
utkonkurrere mennesker
02:00
at tasks like this.
36
108797
1165
i oppgaver som disse.
02:01
A teacher might read 10,000 essays
over a 40-year career.
over a 40-year career.
37
109986
3992
En lærer kan kanskje lese 10 000 stiler
over en 40 år lang karriere.
over en 40 år lang karriere.
02:06
An ophthalmologist might see 50,000 eyes.
38
114407
2360
En oftalmolog kan kanskje se 50 000 øyer.
02:08
A machine can read millions of essays
or see millions of eyes
or see millions of eyes
39
116791
3913
En maskin kan lese millioner av stiler
eller se millioner av øyer
eller se millioner av øyer
02:12
within minutes.
40
120728
1276
på noen minutter.
02:14
We have no chance of competing
against machines
against machines
41
122456
2858
Vi har ingen sjanse til
å konkurrere mot maskiner
å konkurrere mot maskiner
02:17
on frequent, high-volume tasks.
42
125338
2321
i hyppige oppgaver med store mengder.
02:20
But there are things we can do
that machines can't do.
that machines can't do.
43
128665
3724
Men det er ting vi kan gjøre
som maskiner ikke kan.
som maskiner ikke kan.
02:24
Where machines have made
very little progress
very little progress
44
132791
2200
Maskiner har gjort veldig lite fremgang
02:27
is in tackling novel situations.
45
135015
1854
i å takle nye situasjoner.
02:28
They can't handle things
they haven't seen many times before.
they haven't seen many times before.
46
136893
3899
De kan ikke håndtere ting
de ikke har sett mange ganger før.
de ikke har sett mange ganger før.
02:33
The fundamental limitations
of machine learning
of machine learning
47
141321
2584
De fundamentale begrensningene
i maskinlæring
i maskinlæring
02:35
is that it needs to learn
from large volumes of past data.
from large volumes of past data.
48
143929
3394
er at de trenger å lære
fra store mengder med tidligere data.
fra store mengder med tidligere data.
02:39
Now, humans don't.
49
147347
1754
Mennesker trenger ikke det.
02:41
We have the ability to connect
seemingly disparate threads
seemingly disparate threads
50
149125
3030
Vi har evnen til å koble
tilsynelatende separate tråder
tilsynelatende separate tråder
02:44
to solve problems we've never seen before.
51
152179
2238
for å løse prøblemer
vi aldri har sett før.
vi aldri har sett før.
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 var en fysiker
som jobbet med radar under 2. verdenskrig.
som jobbet med radar under 2. verdenskrig.
02:51
when he noticed the magnetron
was melting his chocolate bar.
was melting his chocolate bar.
53
159243
3013
Plutselig så han at magnetronen
smeltet sjokoladen hans.
smeltet sjokoladen hans.
02:54
He was able to connect his understanding
of electromagnetic radiation
of electromagnetic radiation
54
162970
3295
Han klarte å forbinde forståelsen
for elektromagnetisk stråling
for elektromagnetisk stråling
02:58
with his knowledge of cooking
55
166289
1484
med kunnskap om matlaging
02:59
in order to invent -- any guesses? --
the microwave oven.
the microwave oven.
56
167797
3258
for å finne opp -- noen forslag? --
mikrobølgeovnen.
mikrobølgeovnen.
03:03
Now, this is a particularly remarkable
example of creativity.
example of creativity.
57
171444
3073
Dette er et bemerkelsesverdig
eksempel på kreativitet.
eksempel på kreativitet.
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
Men denne formen for" krysspolinering"
skjer for oss alle på en mindre skala
skjer for oss alle på en mindre skala
03:10
thousands of times per day.
59
178229
1828
tusenvis av ganger hver dag.
03:12
Machines cannot compete with us
60
180501
1661
Maskiner kan ikke konkurrere med oss
03:14
when it comes to tackling
novel situations,
novel situations,
61
182186
2251
når det gjelder
å takle nye situasjoner,
å takle nye situasjoner,
03:16
and this puts a fundamental limit
on the human tasks
on the human tasks
62
184461
3117
og dette setter en fundamental grense
på menneskelige oppgaver
på menneskelige oppgaver
03:19
that machines will automate.
63
187602
1717
som maskinene vil automatisere.
03:22
So what does this mean
for the future of work?
for the future of work?
64
190041
2405
Hva betyr så dette
for arbeidets fremtid?
for arbeidets fremtid?
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
Fremtiden for envher jobb ligger
i svaret på ett enkelt spørsmål:
i svaret på ett enkelt spørsmål:
03:29
To what extent is that job reducible
to frequent, high-volume tasks,
to frequent, high-volume tasks,
66
197360
4981
I hvilken grad kan jobben reduseres
til hyppige oppgaver med store mengder,
til hyppige oppgaver med store mengder,
03:34
and to what extent does it involve
tackling novel situations?
tackling novel situations?
67
202365
3253
og i hvilken grad er
takling av nye situasjoner nødvendig?
takling av nye situasjoner nødvendig?
03:37
On frequent, high-volume tasks,
machines are getting smarter and smarter.
machines are getting smarter and smarter.
68
205975
4035
På hyppige oppgaver med store mengder
blir maskiner smartere og smartere.
blir maskiner smartere og smartere.
03:42
Today they grade essays.
They diagnose certain diseases.
They diagnose certain diseases.
69
210034
2714
I dag retter de stil.
De diagnostiserer visse sykdommer.
De diagnostiserer visse sykdommer.
03:44
Over coming years,
they're going to conduct our audits,
they're going to conduct our audits,
70
212772
3157
I kommende år
vil de gjøre revisjonene våre,
vil de gjøre revisjonene våre,
03:47
and they're going to read boilerplate
from legal contracts.
from legal contracts.
71
215953
2967
og de kommer til å lese standardtekst
fra juridiske kontrakter.
fra juridiske kontrakter.
03:50
Accountants and lawyers are still needed.
72
218944
1997
Regnskapsførere og advokater trengs enda.
03:52
They're going to be needed
for complex tax structuring,
for complex tax structuring,
73
220965
2682
De trengs for kompleks
skatte-strukturering,
skatte-strukturering,
for banebrytende rettssaker.
03:55
for pathbreaking litigation.
74
223671
1357
Men maskiner vil tynne ut rekkene
03:57
But machines will shrink their ranks
75
225052
1717
og gjøre jobbene vanskeligere å finne.
03:58
and make these jobs harder to come by.
76
226793
1872
04:00
Now, as mentioned,
77
228689
1151
Som tidligere nevnt
04:01
machines are not making progress
on novel situations.
on novel situations.
78
229864
2949
gjør maskiner ikke fremskritt
på nye situasjoner.
på nye situasjoner.
04:04
The copy behind a marketing campaign
needs to grab consumers' attention.
needs to grab consumers' attention.
79
232837
3457
Kopien bak en markedsføring
må fange forbrukerens oppmerksomhet.
må fange forbrukerens oppmerksomhet.
04:08
It has to stand out from the crowd.
80
236318
1715
Den må skille seg ut blant massen.
04:10
Business strategy means
finding gaps in the market,
finding gaps in the market,
81
238057
2444
Forretningsstrategi betyr å
finne hull i markedet,
finne hull i markedet,
04:12
things that nobody else is doing.
82
240525
1756
ting ingen andre gjør.
04:14
It will be humans that are creating
the copy behind our marketing campaigns,
the copy behind our marketing campaigns,
83
242305
4118
Det vil være mennesker som lager
kopien bak markedsføringen vår,
kopien bak markedsføringen vår,
04:18
and it will be humans that are developing
our business strategy.
our business strategy.
84
246447
3517
og det vil være mennesker som utvikler
forretningsstrategien vår.
forretningsstrategien vår.
04:21
So Yahli, whatever you decide to do,
85
249988
2817
Så Yahli, uansett hva du velger,
04:24
let every day bring you a new challenge.
86
252829
2361
la hver dag gi deg en ny utfordring.
04:27
If it does, then you will stay
ahead of the machines.
ahead of the machines.
87
255587
2809
Så lenge den gjør det, vil du
ha et forsprang på maskinene.
ha et forsprang på maskinene.
04:31
Thank you.
88
259126
1176
Takk.
04:32
(Applause)
89
260326
3104
(Applaus)
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