TED2016
Anthony Goldbloom: The jobs we'll lose to machines -- and the ones we won't
Anthony Goldbloom: Zawody, w których zastąpią nas maszyny - i gdzie się to nie uda
Filmed:
Readability: 4.8
2,568,213 views
Komputerów, które potrafią same się uczyć, nie stosuje się już do prostych prac, jak ocena ryzyka kredytowego, lub sortowanie poczty - obecnie maszyny zdolne są do bardziej skomplikowanych zadań, jak ocenianie prac uczniów i wykrywanie chorób. Z postępem techniki nadchodzi pytanie - czy w przyszłości to robot będzie wykonywał twoją pracę?
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
Oto moja siostrzenica.
00:14
Her name is Yahli.
1
2644
1535
Ma na imię Yahli.
00:16
She is nine months old.
2
4203
1511
Ma dziewięć miesięcy.
00:18
Her mum is a doctor,
and her dad is a lawyer.
and her dad is a lawyer.
3
6201
2528
Jej tata jest lekarzem,
a mama prawnikiem.
a mama prawnikiem.
00:21
By the time Yahli goes to college,
4
9269
2006
Zanim pójdzie na studia
00:23
the jobs her parents do
are going to look dramatically different.
are going to look dramatically different.
5
11299
3253
zawody jej rodziców
będą wyglądać zupełnie inaczej.
będą wyglądać zupełnie inaczej.
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
W 2013 roku naukowcy z Oksfordu
badali przyszłość rynku pracy.
badali przyszłość rynku pracy.
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
Stwierdzono, że 50% zawodów
00:36
of being automated by machines.
8
24929
1824
grozi zastąpienie przez komputery.
00:40
Machine learning is the technology
9
28388
1905
Samouczenie się maszyn to technologia
00:42
that's responsible for most
of this disruption.
of this disruption.
10
30317
2278
głównie odpowiedzialna za tę sytuację.
00:44
It's the most powerful branch
of artificial intelligence.
of artificial intelligence.
11
32619
2790
To najważniejsza dziedzina
sztucznej inteligencji.
sztucznej inteligencji.
00:47
It allows machines to learn from data
12
35433
1882
Pozwala maszynom uczyć się z danych
00:49
and mimic some of the things
that humans can do.
that humans can do.
13
37339
2592
i naśladować niektóre umiejętności ludzi.
00:51
My company, Kaggle, operates
on the cutting edge of machine learning.
on the cutting edge of machine learning.
14
39955
3415
Moja firma, Kaggle, działa
w awangardzie uczenia maszynowego.
w awangardzie uczenia maszynowego.
00:55
We bring together
hundreds of thousands of experts
hundreds of thousands of experts
15
43394
2386
Gromadzimy setki tysięcy ekspertów,
00:57
to solve important problems
for industry and academia.
for industry and academia.
16
45804
3118
żeby rozwiązywali ważne
problemy przemysłu i nauki.
problemy przemysłu i nauki.
01:01
This gives us a unique perspective
on what machines can do,
on what machines can do,
17
49279
3222
Daje nam to wyjątkowy wgląd w to,
co potrafią i czego nie potrafią maszyny,
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
i jakie zawody mogą
zautomatyzować, a jakim zagrozić.
zautomatyzować, a jakim zagrozić.
Uczenie maszynowe zaczęło się w latach 90.
01:09
Machine learning started making its way
into industry in the early '90s.
into industry in the early '90s.
20
57316
3550
Zaczęło się od stosunkowo prostych zadań:
01:12
It started with relatively simple tasks.
21
60890
2124
01:15
It started with things like assessing
credit risk from loan applications,
credit risk from loan applications,
22
63406
4115
oceny ryzyka finansowego
wniosków o kredyty,
wniosków o kredyty,
01:19
sorting the mail by reading
handwritten characters from zip codes.
handwritten characters from zip codes.
23
67545
4053
sortowania poczty przez sczytywanie
ręcznie napisanego kodu pocztowego.
ręcznie napisanego kodu pocztowego.
W ostatnich latach, dokonaliśmy
wielkiego przełomu.
wielkiego przełomu.
01:24
Over the past few years, we have made
dramatic breakthroughs.
dramatic breakthroughs.
24
72036
3169
Samouczące się maszyny umieją
wykonywać bardziej złożone zadania.
wykonywać bardziej złożone zadania.
01:27
Machine learning is now capable
of far, far more complex tasks.
of far, far more complex tasks.
25
75586
3916
W 2012 firma Kaggle rzuciła wyzwanie
społeczności użytkowników,
społeczności użytkowników,
01:31
In 2012, Kaggle challenged its community
26
79860
3231
01:35
to build an algorithm
that could grade high-school essays.
that could grade high-school essays.
27
83115
3189
żeby stworzyli algorytm do oceniania
wypracowań uczniów liceum.
wypracowań uczniów liceum.
01:38
The winning algorithms
were able to match the grades
were able to match the grades
28
86328
2604
Zwycięskie algorytmy dawały
takie same oceny co nauczyciele.
takie same oceny co nauczyciele.
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
W zeszłym roku podnieśliśmy poprzeczkę.
01:46
Can you take images of the eye
and diagnose an eye disease
and diagnose an eye disease
31
94100
2953
Czy da się zdiagnozować retinopatię
cukrzycową na podstawie zdjęć?
cukrzycową na podstawie zdjęć?
01:49
called diabetic retinopathy?
32
97077
1694
Tu znów zwycięskie algorytmy
01:51
Again, the winning algorithms
were able to match the diagnoses
were able to match the diagnoses
33
99164
4040
odpowiadały diagnozie okulistów.
01:55
given by human ophthalmologists.
34
103228
1825
Mając odpowiednie dane,
01:57
Now, given the right data,
machines are going to outperform humans
machines are going to outperform humans
35
105561
3212
maszyny wykonują takie zadania
lepiej niż ludzie.
lepiej niż ludzie.
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
Nauczyciel może przeczytać
10 000 wypracowań przez 40 lat nauczania.
10 000 wypracowań przez 40 lat nauczania.
02:06
An ophthalmologist might see 50,000 eyes.
38
114407
2360
Okulista zobaczy 50 000 oczu.
02:08
A machine can read millions of essays
or see millions of eyes
or see millions of eyes
39
116791
3913
Komputer przeczyta miliony wypracowań,
przeanalizuje miliony oczu
przeanalizuje miliony oczu
02:12
within minutes.
40
120728
1276
w mgnieniu oka.
02:14
We have no chance of competing
against machines
against machines
41
122456
2858
Nie mamy szans w starciu z maszyną,
w wykonywaniu powtarzalnych zadań
z dużą ilością danych.
z dużą ilością danych.
02:17
on frequent, high-volume tasks.
42
125338
2321
02:20
But there are things we can do
that machines can't do.
that machines can't do.
43
128665
3724
Ale są rzeczy, które my potrafimy,
a maszyny nie.
a maszyny nie.
Maszyny nie zaszły zbyt daleko
02:24
Where machines have made
very little progress
very little progress
44
132791
2200
02:27
is in tackling novel situations.
45
135015
1854
w rozwiązywaniu nowych problemów.
02:28
They can't handle things
they haven't seen many times before.
they haven't seen many times before.
46
136893
3899
Nie radzą sobie z rzeczami, których
przedtem wielokrotnie nie widziały.
przedtem wielokrotnie nie widziały.
02:33
The fundamental limitations
of machine learning
of machine learning
47
141321
2584
Programy uczące się
fundamentalnie ogranicza to,
fundamentalnie ogranicza to,
02:35
is that it needs to learn
from large volumes of past data.
from large volumes of past data.
48
143929
3394
że muszą uczyć się
z danych zebranych wcześniej.
z danych zebranych wcześniej.
02:39
Now, humans don't.
49
147347
1754
Ludzie nie potrzebują tego.
02:41
We have the ability to connect
seemingly disparate threads
seemingly disparate threads
50
149125
3030
Umiemy łączyć wątki pozornie bez związku,
02:44
to solve problems we've never seen before.
51
152179
2238
żeby rozwiązywać nieznane dotąd problemy.
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, fizyk pracujący z radarami
podczas II wojny światowej,
podczas II wojny światowej,
02:51
when he noticed the magnetron
was melting his chocolate bar.
was melting his chocolate bar.
53
159243
3013
zauważył, że magnetron topi mu
czekoladowy batonik w kieszeni.
czekoladowy batonik w kieszeni.
02:54
He was able to connect his understanding
of electromagnetic radiation
of electromagnetic radiation
54
162970
3295
Połączył znajomość promieniowania
elektromagnetycznego
elektromagnetycznego
z doświadczeniem kulinarnym,
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
żeby stworzyć - ktoś wie? - mikrofalówkę.
03:03
Now, this is a particularly remarkable
example of creativity.
example of creativity.
57
171444
3073
To wyjątkowy przykład inwencji,
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
ale podobne łączenie wątków
zdarza się każdemu z nas
zdarza się każdemu z nas
03:10
thousands of times per day.
59
178229
1828
tysiące razy dziennie.
03:12
Machines cannot compete with us
60
180501
1661
Komputery nie są konkurencją dla ludzi,
03:14
when it comes to tackling
novel situations,
novel situations,
61
182186
2251
jeśli chodzi o rozwiązywanie
nowych problemów,
nowych problemów,
03:16
and this puts a fundamental limit
on the human tasks
on the human tasks
62
184461
3117
co znacząco ogranicza liczbę zadań,
03:19
that machines will automate.
63
187602
1717
które mogą wykonywać maszyny.
03:22
So what does this mean
for the future of work?
for the future of work?
64
190041
2405
Co znaczy to dla zawodów przyszłości?
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
Przyszłość każdego zawodu leży
w odpowiedzi na jedno pytanie:
w odpowiedzi na jedno pytanie:
03:29
To what extent is that job reducible
to frequent, high-volume tasks,
to frequent, high-volume tasks,
66
197360
4981
jak dalece da się go zredukować
do powtarzalnych, dużych zadań,
do powtarzalnych, dużych zadań,
03:34
and to what extent does it involve
tackling novel situations?
tackling novel situations?
67
202365
3253
a na ile zależy od rozwiązywania
nowych problemów?
nowych problemów?
03:37
On frequent, high-volume tasks,
machines are getting smarter and smarter.
machines are getting smarter and smarter.
68
205975
4035
W pracach powtarzanych w kółko
komputery stają się coraz lepsze.
komputery stają się coraz lepsze.
03:42
Today they grade essays.
They diagnose certain diseases.
They diagnose certain diseases.
69
210034
2714
Dziś oceniają prace uczniów,
wykrywają niektóre choroby.
wykrywają niektóre choroby.
03:44
Over coming years,
they're going to conduct our audits,
they're going to conduct our audits,
70
212772
3157
W przyszłości będą prowadzić audyty
03:47
and they're going to read boilerplate
from legal contracts.
from legal contracts.
71
215953
2967
i czytać standardowy tekst
w dokumentach prawnych.
w dokumentach prawnych.
03:50
Accountants and lawyers are still needed.
72
218944
1997
Księgowi i prawnicy nadal będą potrzebni
03:52
They're going to be needed
for complex tax structuring,
for complex tax structuring,
73
220965
2682
w przypadku skomplikowanej
struktury podatków,
struktury podatków,
do rozstrzygania sporów sądowych.
03:55
for pathbreaking litigation.
74
223671
1357
03:57
But machines will shrink their ranks
75
225052
1717
Ale komputery zdziesiątkują ich
i utrudnią znalezienie pracy.
i utrudnią znalezienie pracy.
03:58
and make these jobs harder to come by.
76
226793
1872
04:00
Now, as mentioned,
77
228689
1151
Jak wspomniano wcześniej,
04:01
machines are not making progress
on novel situations.
on novel situations.
78
229864
2949
maszyny nie robią postępów
w nieznanych sytuacjach.
w nieznanych sytuacjach.
04:04
The copy behind a marketing campaign
needs to grab consumers' attention.
needs to grab consumers' attention.
79
232837
3457
Tekst kampanii reklamowej
musi przyciągać uwagę konsumentów,
musi przyciągać uwagę konsumentów,
musi wyróżniać się z tłumu.
04:08
It has to stand out from the crowd.
80
236318
1715
04:10
Business strategy means
finding gaps in the market,
finding gaps in the market,
81
238057
2444
Strategia biznesowa
to znajdowanie niszy rynkowej,
to znajdowanie niszy rynkowej,
04:12
things that nobody else is doing.
82
240525
1756
rzeczy, których nie robi nikt inny.
04:14
It will be humans that are creating
the copy behind our marketing campaigns,
the copy behind our marketing campaigns,
83
242305
4118
To ludzie będą pisać
teksty kampanii reklamowych
teksty kampanii reklamowych
04:18
and it will be humans that are developing
our business strategy.
our business strategy.
84
246447
3517
i to ludzie stworzą naszą strategię.
Yahli, cokolwiek będziesz w życiu robić,
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
niech każdy dzień będzie nowym wyzwaniem.
04:27
If it does, then you will stay
ahead of the machines.
ahead of the machines.
87
255587
2809
Wtedy wyprzedzisz maszyny.
Dziękuję bardzo.
04:31
Thank you.
88
259126
1176
04:32
(Applause)
89
260326
3104
(Brawa)
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