TED2016
Anthony Goldbloom: The jobs we'll lose to machines -- and the ones we won't
Anthony Goldbloom: Os empregos que vamos perder para as máquinas - e os que não vamos
Filmed:
Readability: 4.8
2,568,213 views
O aprendizado de máquina não se destina mais apenas a tarefas simples, como avaliar risco creditício e separar correspondências. Hoje, ele é capaz de aplicações muito mais complexas, como corrigir redações escolares e diagnosticar doenças. Com esses avanços, surge uma questão incômoda: será que no futuro um robô vai tomar o seu emprego?
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
Essa é minha sobrinha.
O nome dela é Yahli.
00:14
Her name is Yahli.
1
2644
1535
Ela tem nove meses.
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
A mãe é médica; o pai, advogado.
00:21
By the time Yahli goes to college,
4
9269
2006
Quando a Yahli entrar para a faculdade,
00:23
the jobs her parents do
are going to look dramatically different.
are going to look dramatically different.
5
11299
3253
o trabalho que os pais fazem
vai estar radicalmente diferente.
vai estar radicalmente diferente.
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
Em 2013, pesquisadores
da Universidade de Oxford
da Universidade de Oxford
fizeram um estudo
sobre o futuro do trabalho
sobre o futuro do trabalho
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
e concluíram que praticamente
um em dois empregos possui um alto risco
um em dois empregos possui um alto risco
de ser automatizado por máquinas.
00:36
of being automated by machines.
8
24929
1824
00:40
Machine learning is the technology
9
28388
1905
O aprendizado de máquina é a tecnologia
00:42
that's responsible for most
of this disruption.
of this disruption.
10
30317
2278
responsável por grande parte
dessa revolução.
dessa revolução.
00:44
It's the most powerful branch
of artificial intelligence.
of artificial intelligence.
11
32619
2790
É o ramo mais poderoso
da inteligência artificial.
da inteligência artificial.
Permite que máquinas aprendam com dados
00:47
It allows machines to learn from data
12
35433
1882
00:49
and mimic some of the things
that humans can do.
that humans can do.
13
37339
2592
e imitem algumas das coisas
que os humanos fazem.
que os humanos fazem.
Tenho uma empresa de ponta
no aprendizado de máquina, a Kaggle.
no aprendizado de máquina, a Kaggle.
00:51
My company, Kaggle, operates
on the cutting edge of machine learning.
on the cutting edge of machine learning.
14
39955
3415
Reunimos milhares de especialistas
00:55
We bring together
hundreds of thousands of experts
hundreds of thousands of experts
15
43394
2386
para resolver problemas importantes
para a indústria e o mundo acadêmico.
para a indústria e o mundo acadêmico.
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
Isso nos dá uma perspectiva única
sobre o que as máquinas podem fazer,
sobre o que as máquinas podem fazer,
01:04
what they can't do
18
52525
1235
o que não conseguem fazer
01:05
and what jobs they might
automate or threaten.
automate or threaten.
19
53784
2939
e quais empregos elas
vão automatizar ou ameaçar.
vão automatizar ou ameaçar.
01:09
Machine learning started making its way
into industry in the early '90s.
into industry in the early '90s.
20
57316
3550
O aprendizado de máquina começou
na indústria no início da década de 90.
na indústria no início da década de 90.
Primeiro, com tarefas
relativamente fáceis,
relativamente fáceis,
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
coisas como avaliar
o risco creditício de empréstimos,
o risco creditício de empréstimos,
e separar a correspondência pela leitura
do número do CEP manuscrito.
do número do CEP manuscrito.
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
Nos últimos dez anos,
temos feito avanços incríveis.
temos feito avanços incríveis.
01:27
Machine learning is now capable
of far, far more complex tasks.
of far, far more complex tasks.
25
75586
3916
O aprendizado de máquina agora
é capaz de tarefas bem mais complexas.
é capaz de tarefas bem mais complexas.
01:31
In 2012, Kaggle challenged its community
26
79860
3231
Em 2012, a Kaggle desafiou sua comunidade
01:35
to build an algorithm
that could grade high-school essays.
that could grade high-school essays.
27
83115
3189
a fazer um algoritmo que corrigisse
redações do ensino médio.
redações do ensino médio.
Os algoritmos vencedores
foram capazes de se equiparar
foram capazes de se equiparar
01:38
The winning algorithms
were able to match the grades
were able to match the grades
28
86328
2604
às notas dadas por professores humanos.
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
Ano passado, lançamos
um desafio ainda mais difícil:
um desafio ainda mais difícil:
conseguir, com imagem dos olhos,
diagnosticar uma doença ocular
diagnosticar uma doença ocular
01:46
Can you take images of the eye
and diagnose an eye disease
and diagnose an eye disease
31
94100
2953
chamada de retinopatia diabética.
01:49
called diabetic retinopathy?
32
97077
1694
01:51
Again, the winning algorithms
were able to match the diagnoses
were able to match the diagnoses
33
99164
4040
De novo, os algoritmos vencedores foram
capazes de se equiparar aos diagnósticos
capazes de se equiparar aos diagnósticos
dados por oftalmologistas humanos.
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
De posse dos dados certos, as máquinas
superarão os humanos nesse tipo de tarefa.
superarão os humanos nesse tipo de tarefa.
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
Um professor pode ler 10 mil redações
ao longo de uma carreira de 40 anos.
ao longo de uma carreira de 40 anos.
02:06
An ophthalmologist might see 50,000 eyes.
38
114407
2360
Um oftalmologista pode
examinar 50 mil olhos.
examinar 50 mil olhos.
02:08
A machine can read millions of essays
or see millions of eyes
or see millions of eyes
39
116791
3913
Uma máquina pode ler milhões de redações
ou examinar milhões de olhos
ou examinar milhões de olhos
em poucos minutos.
02:12
within minutes.
40
120728
1276
02:14
We have no chance of competing
against machines
against machines
41
122456
2858
Não temos a menor chance
de competir com as máquinas
de competir com as máquinas
em tarefas frequentes e volumosas.
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
No entanto, há coisas que conseguimos
fazer, mas as máquinas não.
fazer, mas as máquinas não.
02:24
Where machines have made
very little progress
very little progress
44
132791
2200
As máquinas têm feito pouco progresso
em lidar com situações novas.
em lidar com situações novas.
02:27
is in tackling novel situations.
45
135015
1854
02:28
They can't handle things
they haven't seen many times before.
they haven't seen many times before.
46
136893
3899
Elas não conseguem lidar com coisas
que não viram muitas vezes antes.
que não viram muitas vezes antes.
02:33
The fundamental limitations
of machine learning
of machine learning
47
141321
2584
As limitações fundamentais
do aprendizado de máquina
do aprendizado de máquina
é que ele precisa aprender através
de grandes volumes de dados passados.
de grandes volumes de dados passados.
02:35
is that it needs to learn
from large volumes of past data.
from large volumes of past data.
48
143929
3394
Mas os humanos não.
02:39
Now, humans don't.
49
147347
1754
Temos a habilidade de ligar
pontos aparentemente díspares
pontos aparentemente díspares
02:41
We have the ability to connect
seemingly disparate threads
seemingly disparate threads
50
149125
3030
02:44
to solve problems we've never seen before.
51
152179
2238
para resolver problemas
que nunca vimos antes.
que nunca vimos antes.
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 foi um físico que trabalhava
com radar durante a Segunda Guerra,
com radar durante a Segunda Guerra,
02:51
when he noticed the magnetron
was melting his chocolate bar.
was melting his chocolate bar.
53
159243
3013
quando notou que o magnetron estava
derretendo sua barra de chocolate.
derretendo sua barra de chocolate.
02:54
He was able to connect his understanding
of electromagnetic radiation
of electromagnetic radiation
54
162970
3295
Ele foi capaz de ligar seu conhecimento
de radiação eletromagnética
de radiação eletromagnética
com seu conhecimento culinário
para inventar... algum palpite?
para inventar... algum palpite?
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
O forno micro-ondas.
03:03
Now, this is a particularly remarkable
example of creativity.
example of creativity.
57
171444
3073
Esse é um exemplo especialmente
notável de criatividade.
notável de criatividade.
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
Mas esse tipo de polinização cruzada
acontece com todos nós em pequena escala,
acontece com todos nós em pequena escala,
03:10
thousands of times per day.
59
178229
1828
milhares de vezes ao dia.
03:12
Machines cannot compete with us
60
180501
1661
As máquinas não conseguem competir conosco
quando se trata de situações novas,
quando se trata de situações novas,
03:14
when it comes to tackling
novel situations,
novel situations,
61
182186
2251
03:16
and this puts a fundamental limit
on the human tasks
on the human tasks
62
184461
3117
e isso coloca um limite fundamental
nas tarefas humanas
nas tarefas humanas
que as máquinas vão automatizar.
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
Assim, o que isso significa
para o futuro do trabalho?
para o futuro do trabalho?
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
O futuro de cada emprego
está na resposta a uma única questão:
está na resposta a uma única questão:
03:29
To what extent is that job reducible
to frequent, high-volume tasks,
to frequent, high-volume tasks,
66
197360
4981
"Até que ponto esse emprego é reduzível
a tarefas frequentes e volumosas,
a tarefas frequentes e volumosas,
e até que ponto ele envolve
lidar com situações novas?"
lidar com situações novas?"
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
Em tarefas frequentes e volumosas,
as máquinas estão cada vez melhores.
as máquinas estão cada vez melhores.
Hoje elas corrigem redações
e diagnosticam certas doenças.
e diagnosticam certas doenças.
03:42
Today they grade essays.
They diagnose certain diseases.
They diagnose certain diseases.
69
210034
2714
03:44
Over coming years,
they're going to conduct our audits,
they're going to conduct our audits,
70
212772
3157
Nos anos vindouros,
vão realizar auditorias
vão realizar auditorias
03:47
and they're going to read boilerplate
from legal contracts.
from legal contracts.
71
215953
2967
e vão ler informações básicas
de contratos legais.
de contratos legais.
03:50
Accountants and lawyers are still needed.
72
218944
1997
Contadores e advogados
ainda serão necessários
ainda serão necessários
03:52
They're going to be needed
for complex tax structuring,
for complex tax structuring,
73
220965
2682
para tarefas fiscais complexas
e litígios inovadores.
e litígios inovadores.
03:55
for pathbreaking litigation.
74
223671
1357
Mas as máquinas vão cortar postos
03:57
But machines will shrink their ranks
75
225052
1717
e tornar mais difícil
a obtenção desses empregos.
a obtenção desses empregos.
03:58
and make these jobs harder to come by.
76
226793
1872
Como mencionei,
04:00
Now, as mentioned,
77
228689
1151
04:01
machines are not making progress
on novel situations.
on novel situations.
78
229864
2949
as máquinas não estão obtendo
progresso em situações novas.
progresso em situações novas.
O texto de uma campanha publicitária
precisa prender a atenção do consumidor.
precisa prender a atenção do consumidor.
04:04
The copy behind a marketing campaign
needs to grab consumers' attention.
needs to grab consumers' attention.
79
232837
3457
04:08
It has to stand out from the crowd.
80
236318
1715
Tem de se destacar na multidão.
04:10
Business strategy means
finding gaps in the market,
finding gaps in the market,
81
238057
2444
Estratégia empresarial é achar lacunas no
mercado, algo que ninguém esteja fazendo.
mercado, algo que ninguém esteja fazendo.
04:12
things that nobody else is doing.
82
240525
1756
04:14
It will be humans that are creating
the copy behind our marketing campaigns,
the copy behind our marketing campaigns,
83
242305
4118
São seres humanos que vão criar
o texto dessas campanhas publicitárias,
o texto dessas campanhas publicitárias,
04:18
and it will be humans that are developing
our business strategy.
our business strategy.
84
246447
3517
e serão eles que vão desenvolver
nossa estratégia de negócios.
nossa estratégia de negócios.
Assim, Yahli, seja lá
o que você decida ser,
o que você decida ser,
04:21
So Yahli, whatever you decide to do,
85
249988
2817
deixe que cada novo dia
lhe traga um novo desafio.
lhe traga um novo desafio.
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
Se trouxer, então você vai estar
à frente das máquinas.
à frente das máquinas.
04:31
Thank you.
88
259126
1176
Obrigado.
04:32
(Applause)
89
260326
3104
(Aplausos)
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