TED2016
Anthony Goldbloom: The jobs we'll lose to machines -- and the ones we won't
Anthony Goldbloom: Profesionet që do të zëvendësohen dhe ato që nuk do të zëvendësohen nga makinat
Filmed:
Readability: 4.8
2,568,213 views
Të mësuarit e makinave nuk është më vetëm për detyra të thjeshta si matja e riskut të kredive dhe klasifikimi i postës, sot janë në gjendje të bëjnë aplikime shumë më komplekse si vlersimi me nota i esseve dhe diagnostikimi i sëmundjeve. Me këto avancime lind një pyetje e vështirë: A do ta bëjë një robot punën tënde në të ardhmen?
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
Kjo është mbesa ime.
00:14
Her name is Yahli.
1
2644
1535
Quhet Yahli.
00:16
She is nine months old.
2
4203
1511
Ajo është nëntë muajshe.
00:18
Her mum is a doctor,
and her dad is a lawyer.
and her dad is a lawyer.
3
6201
2528
Nëna e saj është mjeke,
ndërsa i ati jurist.
ndërsa i ati jurist.
00:21
By the time Yahli goes to college,
4
9269
2006
Kur Yhali të shkojë në universitet,
00:23
the jobs her parents do
are going to look dramatically different.
are going to look dramatically different.
5
11299
3253
punët që bëjnë prindërit e saj
do të duken dramatikisht ndryshe.
do të duken dramatikisht ndryshe.
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
Në 2013, kërkues nga Universiteti i Oxford
kryen një studim mbi të ardhmen e punës.
kryen një studim mbi të ardhmen e punës.
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
Ata dolën në përfundimin se, pothuajse
një në ҫdo dy punë ka rrezik të lartë
një në ҫdo dy punë ka rrezik të lartë
00:36
of being automated by machines.
8
24929
1824
të automatizohet nga makinat.
00:40
Machine learning is the technology
9
28388
1905
Mësimi automatik është teknologjia
00:42
that's responsible for most
of this disruption.
of this disruption.
10
30317
2278
përgjegjese kryesisht për
këtë ndërhyrje.
këtë ndërhyrje.
00:44
It's the most powerful branch
of artificial intelligence.
of artificial intelligence.
11
32619
2790
Është dega më e fuqishme e
inteligjencës artificiale.
inteligjencës artificiale.
00:47
It allows machines to learn from data
12
35433
1882
I lejon makinat të mësojnë
nga të dhënat
nga të dhënat
00:49
and mimic some of the things
that humans can do.
that humans can do.
13
37339
2592
dhe imitojnë disa gjëra
që njerzit s'munden.
që njerzit s'munden.
00:51
My company, Kaggle, operates
on the cutting edge of machine learning.
on the cutting edge of machine learning.
14
39955
3415
Kompania ime, Kaggle, operon
në pararojën e të mësuarit automatik.
në pararojën e të mësuarit automatik.
00:55
We bring together
hundreds of thousands of experts
hundreds of thousands of experts
15
43394
2386
Ne kemi bashkuar
qindra e mijra ekspertë
qindra e mijra ekspertë
00:57
to solve important problems
for industry and academia.
for industry and academia.
16
45804
3118
për të zgjidhur probleme të rëndësishme
industriale dhe akademike.
industriale dhe akademike.
01:01
This gives us a unique perspective
on what machines can do,
on what machines can do,
17
49279
3222
Kjo na jep një perspektivë unike
mbi atë që mund të bëjnë makinat,
mbi atë që mund të bëjnë makinat,
01:04
what they can't do
18
52525
1235
ҫfarë nuk mund të bëjnë
01:05
and what jobs they might
automate or threaten.
automate or threaten.
19
53784
2939
dhe cilat punë mund t'i
automatizojnë apo kërcënojnë.
automatizojnë apo kërcënojnë.
01:09
Machine learning started making its way
into industry in the early '90s.
into industry in the early '90s.
20
57316
3550
Të mësuarit nga makinat filloi
në industri në fillim të viteve 90.
në industri në fillim të viteve 90.
01:12
It started with relatively simple tasks.
21
60890
2124
Filloi me detyra relativisht të thjeshta.
01:15
It started with things like assessing
credit risk from loan applications,
credit risk from loan applications,
22
63406
4115
Filloi me gjëra të tilla si matja e
riskut të kredive në aplikimet për hua,
riskut të kredive në aplikimet për hua,
01:19
sorting the mail by reading
handwritten characters from zip codes.
handwritten characters from zip codes.
23
67545
4053
Klasifikimi i postës duke lexuar gërmat
e shkrimit të dorës nga kodet postale.
e shkrimit të dorës nga kodet postale.
01:24
Over the past few years, we have made
dramatic breakthroughs.
dramatic breakthroughs.
24
72036
3169
Gjatë këtyre viteve që kanë kaluar, kemi
bërë depërtime dramatike.
bërë depërtime dramatike.
01:27
Machine learning is now capable
of far, far more complex tasks.
of far, far more complex tasks.
25
75586
3916
Të mësuarit nga makinat është tashmë në
gjendje për punë mjaft më komplekse.
gjendje për punë mjaft më komplekse.
01:31
In 2012, Kaggle challenged its community
26
79860
3231
Në 2012, Kaggle e sfidoi komunitetin e vet
të ndërtojë algoritme, që tu vendosin
nota esseve të shkollës së mesme.
nota esseve të shkollës së mesme.
01:35
to build an algorithm
that could grade high-school essays.
that could grade high-school essays.
27
83115
3189
01:38
The winning algorithms
were able to match the grades
were able to match the grades
28
86328
2604
Algoritmet fitues ishin të aftë
t'i barazonin notat
t'i barazonin notat
01:40
given by human teachers.
29
88956
1665
me notat e mësuesve njerëz.
01:43
Last year, we issued
an even more difficult challenge.
an even more difficult challenge.
30
91092
2984
Vitin e kaluar, ne lanҫuam
një sfidë akoma më të vështirë.
një sfidë akoma më të vështirë.
A mund të merrni imazhe të syrit dhe të
diagnostikoni sëmundjen
diagnostikoni sëmundjen
01:46
Can you take images of the eye
and diagnose an eye disease
and diagnose an eye disease
31
94100
2953
01:49
called diabetic retinopathy?
32
97077
1694
e quajtur retinopatia diabetike?
01:51
Again, the winning algorithms
were able to match the diagnoses
were able to match the diagnoses
33
99164
4040
Përsëri, algoritmet fitues ishin të aftë
t'i barazonin diagnozat me ato
t'i barazonin diagnozat me ato
01:55
given by human ophthalmologists.
34
103228
1825
që vendosën Ophthalamologët njerëz.
01:57
Now, given the right data,
machines are going to outperform humans
machines are going to outperform humans
35
105561
3212
Tani, me të dhënat e duhura,
makinat do t'i tejkalojnë njerzit
makinat do t'i tejkalojnë njerzit
02:00
at tasks like this.
36
108797
1165
në punë të tilla.
02:01
A teacher might read 10,000 essays
over a 40-year career.
over a 40-year career.
37
109986
3992
Një mësues mund të lexojë 10,000 esse
gjatë një karriere 40 vjeҫare.
gjatë një karriere 40 vjeҫare.
02:06
An ophthalmologist might see 50,000 eyes.
38
114407
2360
Një ophthalamolog mund të shikojë
50,000 sy.
50,000 sy.
02:08
A machine can read millions of essays
or see millions of eyes
or see millions of eyes
39
116791
3913
Një makinë mund të lexojë miliona esse
apo të shikojë miliona sy
apo të shikojë miliona sy
02:12
within minutes.
40
120728
1276
brënda disa minutash.
02:14
We have no chance of competing
against machines
against machines
41
122456
2858
Ne nuk kemi shanse në konkurimin
kundër makinave
kundër makinave
02:17
on frequent, high-volume tasks.
42
125338
2321
në punë frekuente dhe me volum të larte.
02:20
But there are things we can do
that machines can't do.
that machines can't do.
43
128665
3724
Por ka disa gjëra që ne mund t'i bëjmë
dhe makinat nuk munden.
dhe makinat nuk munden.
02:24
Where machines have made
very little progress
very little progress
44
132791
2200
Fusha ku makinat kanë bërë
shumë pak progres
shumë pak progres
02:27
is in tackling novel situations.
45
135015
1854
është në trajtimin e situatave të reja.
02:28
They can't handle things
they haven't seen many times before.
they haven't seen many times before.
46
136893
3899
Ato nuk mund të përballen me gjëra
që nuk i kanë parë disa herë më parë.
që nuk i kanë parë disa herë më parë.
02:33
The fundamental limitations
of machine learning
of machine learning
47
141321
2584
Limitimi kryesor i
të mësuarit të makinave
të mësuarit të makinave
është se ju duhet të mësojnë nga një
volum i madh të dhënash të mëparshme.
volum i madh të dhënash të mëparshme.
02:35
is that it needs to learn
from large volumes of past data.
from large volumes of past data.
48
143929
3394
02:39
Now, humans don't.
49
147347
1754
Ndërsa njerzit, jo.
02:41
We have the ability to connect
seemingly disparate threads
seemingly disparate threads
50
149125
3030
Ne kemi aftësinë të lidhim
tema në dukje të ndryshme
tema në dukje të ndryshme
02:44
to solve problems we've never seen before.
51
152179
2238
të zgjidhim probleme që s'i kemi
hasur më pare.
hasur më pare.
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 ish një fizikant që punonte
me radarët gjatë Luftë së II Botërore,
me radarët gjatë Luftë së II Botërore,
02:51
when he noticed the magnetron
was melting his chocolate bar.
was melting his chocolate bar.
53
159243
3013
kur vuri re se magnetroni qe duke
i shkrirë ҫokollatën e tij.
i shkrirë ҫokollatën e tij.
02:54
He was able to connect his understanding
of electromagnetic radiation
of electromagnetic radiation
54
162970
3295
Ai ishte i aftë të lidhte të kuptuarit e
radiacionit elektromagnetik
radiacionit elektromagnetik
02:58
with his knowledge of cooking
55
166289
1484
me njohuritë e tij të gatimit
02:59
in order to invent -- any guesses? --
the microwave oven.
the microwave oven.
56
167797
3258
duke shpikur --e gjeni dot dot se ҫfarë?--
furrën me mikrovalë.
furrën me mikrovalë.
03:03
Now, this is a particularly remarkable
example of creativity.
example of creativity.
57
171444
3073
Ky është veçanërisht një
shembull i shquar i krijimtarisë.
shembull i shquar i krijimtarisë.
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
Por ky lloj kryqëzim-pllenimi ndodh
te secili prej nesh në mënyra të vogla
te secili prej nesh në mënyra të vogla
03:10
thousands of times per day.
59
178229
1828
mijëra herë në ditë.
03:12
Machines cannot compete with us
60
180501
1661
Makinat nuk na konkurojnë dot
kur bëhet fjalë për trajtimin e
situatave të reja,
situatave të reja,
03:14
when it comes to tackling
novel situations,
novel situations,
61
182186
2251
dhe kjo vendos një limit
thelbësor në detyrat e njeriut
thelbësor në detyrat e njeriut
03:16
and this puts a fundamental limit
on the human tasks
on the human tasks
62
184461
3117
03:19
that machines will automate.
63
187602
1717
që do të automatizojnë makinat.
03:22
So what does this mean
for the future of work?
for the future of work?
64
190041
2405
Pra ҫfarë nënkupton kjo për
të ardhmen e punës?
të ardhmen e punës?
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
Situata e ardhshme e ҫfarëdo pune gjendet
në përgjigjen e një pyetje të vetme:
në përgjigjen e një pyetje të vetme:
03:29
To what extent is that job reducible
to frequent, high-volume tasks,
to frequent, high-volume tasks,
66
197360
4981
Në ҫ'shkalle është e reduktueshme ajo
punë, në detyra frekuente dhe me volum,
punë, në detyra frekuente dhe me volum,
03:34
and to what extent does it involve
tackling novel situations?
tackling novel situations?
67
202365
3253
dhe në ҫfarë shkalle përfshin
trajtimin e situatave të reja?
trajtimin e situatave të reja?
03:37
On frequent, high-volume tasks,
machines are getting smarter and smarter.
machines are getting smarter and smarter.
68
205975
4035
Në detyra frekuente, me volum të lartë
makinat po bëhen gjithmonë e më të menҫura
makinat po bëhen gjithmonë e më të menҫura
03:42
Today they grade essays.
They diagnose certain diseases.
They diagnose certain diseases.
69
210034
2714
Sot ato u japin nota esseve.
Diagnostikojnë disa sëmundje.
Diagnostikojnë disa sëmundje.
03:44
Over coming years,
they're going to conduct our audits,
they're going to conduct our audits,
70
212772
3157
Në vitet që në vijim,
ato do të kryejnë auditimin tonë,
ato do të kryejnë auditimin tonë,
03:47
and they're going to read boilerplate
from legal contracts.
from legal contracts.
71
215953
2967
dhe do të lexojnë boilerplate
nga kontratat ligjore.
nga kontratat ligjore.
Llogaritarët e avokatët janë
ende të nevojshëm.
ende të nevojshëm.
03:50
Accountants and lawyers are still needed.
72
218944
1997
03:52
They're going to be needed
for complex tax structuring,
for complex tax structuring,
73
220965
2682
Ata do të duhen për strukturimin
kompleks të taksave, për
kompleks të taksave, për
03:55
for pathbreaking litigation.
74
223671
1357
ҫështje gjyqësore pionere.
03:57
But machines will shrink their ranks
75
225052
1717
Por makinat do tju tkurrin fushën
e do t'i bëjnë këto punë
të vështira për tu arrirë.
të vështira për tu arrirë.
03:58
and make these jobs harder to come by.
76
226793
1872
Siҫ e përmenda,
04:00
Now, as mentioned,
77
228689
1151
04:01
machines are not making progress
on novel situations.
on novel situations.
78
229864
2949
makinat nuk po bëjnë progres
në situatat e reja.
në situatat e reja.
04:04
The copy behind a marketing campaign
needs to grab consumers' attention.
needs to grab consumers' attention.
79
232837
3457
Kopja e një fushate marketingu duhet
të tërheqë vëmendjen e konsumatorit.
të tërheqë vëmendjen e konsumatorit.
04:08
It has to stand out from the crowd.
80
236318
1715
Duhet të dallojë mbi turmën.
Strategji Biznesi nënkupton,
të gjesh hapësira në treg,
të gjesh hapësira në treg,
04:10
Business strategy means
finding gaps in the market,
finding gaps in the market,
81
238057
2444
04:12
things that nobody else is doing.
82
240525
1756
gjëra që s'është duke i bërë askush.
04:14
It will be humans that are creating
the copy behind our marketing campaigns,
the copy behind our marketing campaigns,
83
242305
4118
Janë njerzit ata që po krijojnë
kopjen e fushatave tona të marketingut,
kopjen e fushatave tona të marketingut,
04:18
and it will be humans that are developing
our business strategy.
our business strategy.
84
246447
3517
dhe do të jenë njerzit që do të zhvillojnë
strategjinë tonë të biznesit.
strategjinë tonë të biznesit.
04:21
So Yahli, whatever you decide to do,
85
249988
2817
Pra Yahli, ҫfarëdo që
të vendosësh të bësh,
të vendosësh të bësh,
04:24
let every day bring you a new challenge.
86
252829
2361
lejo ҫdo ditë të të sjelli
një sfidë të re.
një sfidë të re.
04:27
If it does, then you will stay
ahead of the machines.
ahead of the machines.
87
255587
2809
Nëse e bën, atëherë do të qëndrosh
përpara makinave.
përpara makinave.
04:31
Thank you.
88
259126
1176
Faleminderit.
04:32
(Applause)
89
260326
3104
(Duartrokitje)
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