TED2016
Anthony Goldbloom: The jobs we'll lose to machines -- and the ones we won't
Anthony Goldbloom: Banen welke we wel en niet verliezen aan machines
Filmed:
Readability: 4.8
2,568,213 views
Machinaal leren is niet alleen bedoeld voor eenvoudige taken zoals het evalueren van kredietrisico en het sorteren van post -- tegenwoordig kan het complexe toepassingen hanteren, zoals het beoordelen van essays en het diagnosticeren van ziektes. Met deze vorderingen rijst de ongemakkelijke vraag: neemt een robot jouw baan over in de toekomst?
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
Dit is mijn nichtje.
00:14
Her name is Yahli.
1
2644
1535
Ze heet Yahli.
00:16
She is nine months old.
2
4203
1511
Ze is negen maanden oud.
00:18
Her mum is a doctor,
and her dad is a lawyer.
and her dad is a lawyer.
3
6201
2528
Haar moeder is dokter
en haar vader is advocaat.
en haar vader is advocaat.
Tegen de tijd dat Yahli
naar de universiteit gaat,
naar de universiteit gaat,
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
zullen de beroepen van haar ouders
drastisch zijn veranderend.
drastisch zijn veranderend.
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
In 2013 hebben onderzoekers
van de universiteit van Oxford
van de universiteit van Oxford
onderzoek gedaan naar werk in de toekomst.
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
Ze concludeerden
dat bijna één op de twee banen
dat bijna één op de twee banen
een grote kans op automatisering heeft.
00:36
of being automated by machines.
8
24929
1824
Machinaal leren is de technologie
00:40
Machine learning is the technology
9
28388
1905
die grotendeels verantwoordelijk
is voor deze ontregeling.
is voor deze ontregeling.
00:42
that's responsible for most
of this disruption.
of this disruption.
10
30317
2278
00:44
It's the most powerful branch
of artificial intelligence.
of artificial intelligence.
11
32619
2790
Het is de krachtigste tak
van kunstmatige intelligentie.
van kunstmatige intelligentie.
00:47
It allows machines to learn from data
12
35433
1882
Hierdoor kunnen machines leren van data
00:49
and mimic some of the things
that humans can do.
that humans can do.
13
37339
2592
en sommige dingen nabootsen
die mensen kunnen doen.
die mensen kunnen doen.
Mijn bedrijf Kaggle is een pionier
als het gaat om machinaal leren.
als het gaat om machinaal leren.
00:51
My company, Kaggle, operates
on the cutting edge of machine learning.
on the cutting edge of machine learning.
14
39955
3415
We brengen honderdduizenden
deskundigen bijeen
deskundigen bijeen
00:55
We bring together
hundreds of thousands of experts
hundreds of thousands of experts
15
43394
2386
om belangrijke problemen
op te lossen voor bedrijven
op te lossen voor bedrijven
00:57
to solve important problems
for industry and academia.
for industry and academia.
16
45804
3118
en wetenschappelijke instellingen.
01:01
This gives us a unique perspective
on what machines can do,
on what machines can do,
17
49279
3222
Zo krijgen we een uniek perspectief
op wat machines wel en niet kunnen doen
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
en welke banen ze mogelijk
automatiseren of in gevaar brengen.
automatiseren of in gevaar brengen.
01:09
Machine learning started making its way
into industry in the early '90s.
into industry in the early '90s.
20
57316
3550
Machinaal leren ontstond
begin jaren 90 in het bedrijfsleven.
begin jaren 90 in het bedrijfsleven.
01:12
It started with relatively simple tasks.
21
60890
2124
Het begon met tamelijk eenvoudige taken.
01:15
It started with things like assessing
credit risk from loan applications,
credit risk from loan applications,
22
63406
4115
Zoals het evalueren
van kredietrisico bij kredietaanvragen
van kredietrisico bij kredietaanvragen
en de post sorteren door het aflezen
van handgeschreven postcodes.
van handgeschreven postcodes.
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
De laatste jaren hebben we
dramatische doorbraken bereikt.
dramatische doorbraken bereikt.
01:27
Machine learning is now capable
of far, far more complex tasks.
of far, far more complex tasks.
25
75586
3916
Machinaal leren kan nu
veel complexere taken aan.
veel complexere taken aan.
01:31
In 2012, Kaggle challenged its community
26
79860
3231
In 2012 heeft Kaggle
zijn medewerkers uitgedaagd
zijn medewerkers uitgedaagd
01:35
to build an algorithm
that could grade high-school essays.
that could grade high-school essays.
27
83115
3189
om een algoritme te bouwen
dat middelbare school essays
kan beoordelen.
kan beoordelen.
01:38
The winning algorithms
were able to match the grades
were able to match the grades
28
86328
2604
De winnende algoritmen kwamen
tot dezelfde cijfers als de leraren.
tot dezelfde cijfers als de leraren.
01:40
given by human teachers.
29
88956
1665
Vorig jaar stonden we
voor een moeilijkere uitdaging.
voor een moeilijkere uitdaging.
01:43
Last year, we issued
an even more difficult challenge.
an even more difficult challenge.
30
91092
2984
Kan je foto's maken van het oog
en een diagnose stellen
en een diagnose stellen
01:46
Can you take images of the eye
and diagnose an eye disease
and diagnose an eye disease
31
94100
2953
voor de oogziekte
diabetische retinopathie?
diabetische retinopathie?
01:49
called diabetic retinopathy?
32
97077
1694
Opnieuw konden de winnende algoritmen
dezelfde diagnose stellen
dezelfde diagnose stellen
01:51
Again, the winning algorithms
were able to match the diagnoses
were able to match the diagnoses
33
99164
4040
als de menselijke oogartsen.
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
Met de juiste data presteren machines
bij dit soort taken beter dan mensen.
bij dit soort taken beter dan mensen.
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
Een docent leest misschien
10.000 essays in een 40-jarige loopbaan.
10.000 essays in een 40-jarige loopbaan.
02:06
An ophthalmologist might see 50,000 eyes.
38
114407
2360
Een oogarts ziet misschien 50.000 ogen.
02:08
A machine can read millions of essays
or see millions of eyes
or see millions of eyes
39
116791
3913
Een machine kan binnen een paar minuten
miljoenen essays lezen
miljoenen essays lezen
en miljoenen ogen zien.
02:12
within minutes.
40
120728
1276
02:14
We have no chance of competing
against machines
against machines
41
122456
2858
We kunnen op geen enkele manier
concurreren met machines
concurreren met machines
02:17
on frequent, high-volume tasks.
42
125338
2321
als het gaat om regelmatige
en omvangrijke werkzaamheden.
en omvangrijke werkzaamheden.
02:20
But there are things we can do
that machines can't do.
that machines can't do.
43
128665
3724
Maar er zijn dingen die wij kunnen doen
en machines niet.
02:24
Where machines have made
very little progress
very little progress
44
132791
2200
Machines hebben weinig vooruitgang geboekt
02:27
is in tackling novel situations.
45
135015
1854
in het omgaan met nieuwe situaties.
02:28
They can't handle things
they haven't seen many times before.
they haven't seen many times before.
46
136893
3899
Ze kunnen geen dingen hanteren
die ze niet vaak hebben gezien.
die ze niet vaak hebben gezien.
02:33
The fundamental limitations
of machine learning
of machine learning
47
141321
2584
De fundamentele
beperking van machinaal leren
beperking van machinaal leren
02:35
is that it needs to learn
from large volumes of past data.
from large volumes of past data.
48
143929
3394
is dat het moet leren van
een grote hoeveelheid oude gegevens.
een grote hoeveelheid oude gegevens.
02:39
Now, humans don't.
49
147347
1754
Dat is bij mensen niet zo.
02:41
We have the ability to connect
seemingly disparate threads
seemingly disparate threads
50
149125
3030
We zijn in staat om schijnbaar
verschillende draden te verbinden
verschillende draden te verbinden
02:44
to solve problems we've never seen before.
51
152179
2238
om problemen op te lossen
die we nooit hebben gezien.
die we nooit hebben gezien.
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 was natuurkundige
en werkte aan radar
tijdens de Tweede Wereldoorlog,
tijdens de Tweede Wereldoorlog,
02:51
when he noticed the magnetron
was melting his chocolate bar.
was melting his chocolate bar.
53
159243
3013
toen hij opmerkte dat zijn chocoladereep
smolt door magnetronstraling.
smolt door magnetronstraling.
02:54
He was able to connect his understanding
of electromagnetic radiation
of electromagnetic radiation
54
162970
3295
Hij kon zijn inzicht
in elektromagnetische straling
in elektromagnetische straling
verbinden met zijn kookkennis
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
voor de uitvinding van --
enig idee? -- de magnetronoven.
enig idee? -- de magnetronoven.
03:03
Now, this is a particularly remarkable
example of creativity.
example of creativity.
57
171444
3073
Dit is een bijzonder opvallend
voorbeeld van creativiteit.
voorbeeld van creativiteit.
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
Deze vorm van kruisbestuiving
overkomt ons met kleine dingen,
overkomt ons met kleine dingen,
03:10
thousands of times per day.
59
178229
1828
duizenden keren per dag.
03:12
Machines cannot compete with us
60
180501
1661
Machines kunnen niet concurreren met ons
03:14
when it comes to tackling
novel situations,
novel situations,
61
182186
2251
als het gaat om het aanpakken
van nieuwe situaties.
van nieuwe situaties.
03:16
and this puts a fundamental limit
on the human tasks
on the human tasks
62
184461
3117
Dit begrenst fundamenteel
het type menselijke arbeid
het type menselijke arbeid
03:19
that machines will automate.
63
187602
1717
dat machines zullen automatiseren.
03:22
So what does this mean
for the future of work?
for the future of work?
64
190041
2405
Wat betekent dit
voor ons werk in de toekomst?
voor ons werk in de toekomst?
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
De toekomst van iedere baan
ligt in het antwoord op één enkele vraag:
ligt in het antwoord op één enkele vraag:
03:29
To what extent is that job reducible
to frequent, high-volume tasks,
to frequent, high-volume tasks,
66
197360
4981
in welke mate is ze te reduceren
tot regelmatige en omvangrijke taken,
tot regelmatige en omvangrijke taken,
03:34
and to what extent does it involve
tackling novel situations?
tackling novel situations?
67
202365
3253
en in hoeverre behelst ze
het aanpakken van nieuwe situaties?
het aanpakken van nieuwe situaties?
Machines worden slimmer in het uitvoeren
van regelmatige en omvangrijke taken.
van regelmatige en omvangrijke taken.
03:37
On frequent, high-volume tasks,
machines are getting smarter and smarter.
machines are getting smarter and smarter.
68
205975
4035
Tegenwoordig beoordelen ze essays.
03:42
Today they grade essays.
They diagnose certain diseases.
They diagnose certain diseases.
69
210034
2714
Ze diagnosticeren bepaalde ziektes.
03:44
Over coming years,
they're going to conduct our audits,
they're going to conduct our audits,
70
212772
3157
In de komende jaren
doen ze onze accountantscontrole
doen ze onze accountantscontrole
en lezen ze standaardteksten
van juridische contracten.
van juridische contracten.
03:47
and they're going to read boilerplate
from legal contracts.
from legal contracts.
71
215953
2967
Accountants en advocaten
zijn nog steeds nodig
zijn nog steeds nodig
03:50
Accountants and lawyers are still needed.
72
218944
1997
om complexe teksten te structureren
03:52
They're going to be needed
for complex tax structuring,
for complex tax structuring,
73
220965
2682
en baanbrekende geschillen op te lossen.
03:55
for pathbreaking litigation.
74
223671
1357
Maar door de machines
zal hun aantal afnemen
zal hun aantal afnemen
03:57
But machines will shrink their ranks
75
225052
1717
en zullen deze banen
moeilijker te vinden zijn.
moeilijker te vinden zijn.
03:58
and make these jobs harder to come by.
76
226793
1872
04:00
Now, as mentioned,
77
228689
1151
Zoals vermeld maken machines
geen vooruitgang op nieuwe situaties.
geen vooruitgang op nieuwe situaties.
04:01
machines are not making progress
on novel situations.
on novel situations.
78
229864
2949
De tekst voor een marketingcampagne
04:04
The copy behind a marketing campaign
needs to grab consumers' attention.
needs to grab consumers' attention.
79
232837
3457
moet de aandacht trekken van de consument.
04:08
It has to stand out from the crowd.
80
236318
1715
Het moet opvallen in de grijze massa.
04:10
Business strategy means
finding gaps in the market,
finding gaps in the market,
81
238057
2444
Bedrijfsstrategie betekent
het gat in de markt vinden
het gat in de markt vinden
04:12
things that nobody else is doing.
82
240525
1756
en dingen doen die anderen niet doen.
04:14
It will be humans that are creating
the copy behind our marketing campaigns,
the copy behind our marketing campaigns,
83
242305
4118
Het is de mens die teksten voor
een marketingcampagne zal schrijven.
een marketingcampagne zal schrijven.
04:18
and it will be humans that are developing
our business strategy.
our business strategy.
84
246447
3517
Het is de mens die onze
bedrijfsstrategie zal ontwikkelen.
bedrijfsstrategie zal ontwikkelen.
04:21
So Yahli, whatever you decide to do,
85
249988
2817
Dus Yahli, wat je ook besluit te doen,
04:24
let every day bring you a new challenge.
86
252829
2361
laat elke dag een uitdaging zijn.
04:27
If it does, then you will stay
ahead of the machines.
ahead of the machines.
87
255587
2809
Als je dat doet, zal je
de machines een stap voor zijn.
de machines een stap voor zijn.
04:31
Thank you.
88
259126
1176
Bedankt.
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