ABOUT THE SPEAKER
Anthony Goldbloom - Machine learning expert
Anthony 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.  

More profile about the speaker
Anthony Goldbloom | Speaker | TED.com
TED2016

Anthony Goldbloom: The jobs we'll lose to machines -- and the ones we won't

אנתוני גולדבלום: מקומות העבודה שנאבד לטובת המכונות - ואלו שלא

Filmed:
2,568,213 views

מכונות לומדות כבר לא מוגבלות רק למטלות פשוטות כמו הערכת סיכונים באשראי ומיון דואר. המכונות מסוגלות כיום לבצע יישומים מורכבים בהרבה, כמו מתן ציונים לחיבורים ואבחון מחלות. לקידמה זו מתלווה שאלה שמעוררת אי-נוחות: האם בעתיד תיעשה עבודתכם בידי רובוט?
- Machine learning expert
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 nieceאחיינית.
0
968
1262
זאת אחייניתי.
00:14
Her nameשֵׁם is Yahliיחלי.
1
2644
1535
שמה יאלי.
היא בת תשעה חודשים.
00:16
She is nineתֵשַׁע monthsחודשים oldישן.
2
4203
1511
00:18
Her mumאמא is a doctorדוֹקטוֹר,
and her dadאַבָּא is a lawyerעורך דין.
3
6201
2528
אימה רופאה, אביה עורך-דין.
00:21
By the time Yahliיחלי goesהולך to collegeמִכלָלָה,
4
9269
2006
כשיאלי תלך לקולג',
00:23
the jobsמקומות תעסוקה her parentsהורים do
are going to look dramaticallyבאופן דרמטי differentשונה.
5
11299
3253
מקומות העבודה של הוריה
ייראו אחרת לגמרי.
00:27
In 2013, researchersחוקרים at Oxfordאוקספורד Universityאוּנִיבֶרְסִיטָה
did a studyלימוד on the futureעתיד of work.
6
15347
5073
ב-2013, חוקרים באוניברסיטת אוקספורד
חקרו את עתיד העבודה.
00:32
They concludedסיכם that almostכִּמעַט one
in everyכֹּל two jobsמקומות תעסוקה have a highגָבוֹהַ riskלְהִסְתָכֵּן
7
20766
4139
הם הסיקו שכמעט משרה אחת
מכל שתיים מצויה בסיכון גבוה
לעבור לאוטומציה ממוכנת.
00:36
of beingלהיות automatedאוטומטי by machinesמכונה.
8
24929
1824
00:40
Machineמְכוֹנָה learningלְמִידָה is the technologyטֶכנוֹלוֹגִיָה
9
28388
1905
למידת מכונה היא הטכנולוגיה
שאחראית לעיקר השיבוש הזה.
00:42
that's responsibleאחראי for mostרוב
of this disruptionהפרעה.
10
30317
2278
זה הענף בעל העוצמה הרבה ביותר
בתבונה המלאכותית.
00:44
It's the mostרוב powerfulחָזָק branchענף
of artificialמְלָאכוּתִי intelligenceאינטליגנציה.
11
32619
2790
הוא מאפשר למכונות
ללמוד מתוך נתונים
00:47
It allowsמאפשרים machinesמכונה to learnלִלמוֹד from dataנתונים
12
35433
1882
ולחקות חלק מהדברים
שעושים בני-אדם.
00:49
and mimicלְחַקוֹת some of the things
that humansבני אנוש can do.
13
37339
2592
החברה שלי, "קאגל",
פועלת בחוד החנית של למידת המכונה.
00:51
My companyחֶברָה, Kaggleקאגלי, operatesפועלת
on the cuttingגְזִירָה edgeקָצֶה of machineמְכוֹנָה learningלְמִידָה.
14
39955
3415
אנו מקבצים מאות אלפי מומחים
00:55
We bringלְהָבִיא togetherיַחַד
hundredsמאות of thousandsאלפים of expertsמומחים
15
43394
2386
במטרה לפתור בעיות
עבור התעשיה והאקדמיה.
00:57
to solveלִפְתוֹר importantחָשׁוּב problemsבעיות
for industryתַעֲשִׂיָה and academiaאקדמיה.
16
45804
3118
01:01
This givesנותן us a uniqueייחודי perspectiveפֶּרספֶּקטִיבָה
on what machinesמכונה can do,
17
49279
3222
זה מקנה לנו נקודת מבט ייחודית
על מה שמכונות מסוגלות לעשות,
מה שהן לא מסוגלות לעשות
01:04
what they can't do
18
52525
1235
ואילו מקומות עבודה
יעברו אוטומציה או יימצאו בסיכון.
01:05
and what jobsמקומות תעסוקה they mightאולי
automateלְמַכֵּן or threatenמאיים.
19
53784
2939
01:09
Machineמְכוֹנָה learningלְמִידָה startedהתחיל makingהֲכָנָה its way
into industryתַעֲשִׂיָה in the earlyמוקדם '90s.
20
57316
3550
למידת המכונה החלה לחדור לתעשיה
בתחילת שנות ה-90 של המאה ה-20.
01:12
It startedהתחיל with relativelyיחסית simpleפָּשׁוּט tasksמשימות.
21
60890
2124
תחילה במטלות פשוטות יחסית,
01:15
It startedהתחיל with things like assessingהערכה
creditאַשׁרַאי riskלְהִסְתָכֵּן from loanלְהַלווֹת applicationsיישומים,
22
63406
4115
דברים כמו הערכת סיכוני אשראי
בבקשות להלוואות,
מיון דואר ע"י קריאת
מיקוד כתוב ביד.
01:19
sortingמִיוּן the mailדוֹאַר by readingקריאה
handwrittenבכתב יד charactersדמויות from zipרוכסן codesקודים.
23
67545
4053
01:24
Over the pastעבר fewמְעַטִים yearsשנים, we have madeעָשׂוּי
dramaticדְרָמָטִי breakthroughsפריצות דרך.
24
72036
3169
בשנים האחרונות השגנו
פריצות-דרך דרמטיות.
למידת המכונה מסוגלת כיום
למטלות מורכבות בהרבה.
01:27
Machineמְכוֹנָה learningלְמִידָה is now capableבעל יכולת
of farרָחוֹק, farרָחוֹק more complexמורכב tasksמשימות.
25
75586
3916
01:31
In 2012, Kaggleקאגלי challengedתיגר its communityהקהילה
26
79860
3231
ב-2012, "קאגל" הציבה
לקהילה שלה אתגר:
לבנות אלגוריתם שיכול לתת ציונים
לחיבורים ברמת בי"ס תיכון.
01:35
to buildלִבנוֹת an algorithmאַלגוֹרִיתְם
that could gradeכיתה high-schoolבית ספר תיכון essaysמסות.
27
83115
3189
האלגוריתמים הזוכים הצליחו
לתת ציונים מקבילים
01:38
The winningלנצח algorithmsאלגוריתמים
were ableיכול to matchהתאמה the gradesציוני
28
86328
2604
לאלו של מורים אנושיים.
01:40
givenנָתוּן by humanבן אנוש teachersמורים.
29
88956
1665
01:43
Last yearשָׁנָה, we issuedהפיקו
an even more difficultקָשֶׁה challengeאתגר.
30
91092
2984
בשנה הקודמת הצבנו אתגר
עוד יותר קשה.
האם אפשר לקחת צילומי עיניים
ולאבחן מחלת עיניים
01:46
Can you take imagesתמונות of the eyeעַיִן
and diagnoseלְאַבחֵן an eyeעַיִן diseaseמַחֲלָה
31
94100
2953
בשם רטינופתיה סוכרתית?
01:49
calledשקוראים לו diabeticסוכרת retinopathyרטינופתיה?
32
97077
1694
שוב, האלגוריתמים הזוכים
הצליחו להקביל באבחוניהם
01:51
Again, the winningלנצח algorithmsאלגוריתמים
were ableיכול to matchהתאמה the diagnosesאבחנות
33
99164
4040
לאלו של רופאי-עיניים אנושיים.
01:55
givenנָתוּן by humanבן אנוש ophthalmologistsאופטלמולוגים.
34
103228
1825
01:57
Now, givenנָתוּן the right dataנתונים,
machinesמכונה are going to outperformביצועים טובים יותר humansבני אנוש
35
105561
3212
כיום, עם הנתונים הנכונים,
המכונות מסוגלות לעלות בביצועיהן
על בני-אדם במטלות כאלה.
02:00
at tasksמשימות like this.
36
108797
1165
02:01
A teacherמוֹרֶה mightאולי readלקרוא 10,000 essaysמסות
over a 40-year-שָׁנָה careerקריירה.
37
109986
3992
מורה עשוי לקרוא 10,000 חיבורים
בקריירה בת 40 שנה.
02:06
An ophthalmologistרוֹפֵא עֵינַיִם mightאולי see 50,000 eyesעיניים.
38
114407
2360
רופא-עיניים יכול אולי לבדוק
50,000 עיניים.
02:08
A machineמְכוֹנָה can readלקרוא millionsמיליונים of essaysמסות
or see millionsמיליונים of eyesעיניים
39
116791
3913
מכונה מסוגלת לקרוא מיליוני חיבורים
או לבדוק מיליוני עיניים
02:12
withinבְּתוֹך minutesדקות.
40
120728
1276
תוך דקות.
02:14
We have no chanceהִזדַמְנוּת of competingמתחרים
againstמול machinesמכונה
41
122456
2858
אין לנו סיכוי להתחרות נגד המכונות
בביצוע מטלות תכופות
בעלות נפח גבוה.
02:17
on frequentתָכוּף, high-volumeווליום גבוה tasksמשימות.
42
125338
2321
אבל יש דברים שאנו יכולים לעשות
והמכונות - לא.
02:20
But there are things we can do
that machinesמכונה can't do.
43
128665
3724
02:24
Where machinesמכונה have madeעָשׂוּי
very little progressהתקדמות
44
132791
2200
המכונות התקדמו מעט מאד
בהתמודדות עם מצבים חדשים.
02:27
is in tacklingהתמודדות novelרוֹמָן situationsמצבים.
45
135015
1854
הן לא יכולות לטפל בדברים
שלא הרבו לראות בעבר.
02:28
They can't handleידית things
they haven'tלא seenלראות manyרב timesפִּי before.
46
136893
3899
02:33
The fundamentalבסיסי limitationsמגבלות
of machineמְכוֹנָה learningלְמִידָה
47
141321
2584
מגבלות היסוד של למידת המכונה
נעוצות בצורך שלה ללמוד
מנפחים גדולים של נתונים קודמים.
02:35
is that it needsצרכי to learnלִלמוֹד
from largeגָדוֹל volumesכרכים of pastעבר dataנתונים.
48
143929
3394
לא כך בני האדם.
02:39
Now, humansבני אנוש don't.
49
147347
1754
אנו מסוגלים לקשר
בין רעיונות נטולי קשר, לכאורה,
02:41
We have the abilityיְכוֹלֶת to connectלְחַבֵּר
seeminglyלִכאוֹרָה disparateמְפוּרָד threadsאשכולות
50
149125
3030
כדי לפתור בעיות שטרם פגשנו.
02:44
to solveלִפְתוֹר problemsבעיות we'veיש לנו never seenלראות before.
51
152179
2238
02:46
Percyפרסי Spencerספנסר was a physicistפִיסִיקַאִי
workingעובד on radarמכ"ם duringבְּמַהֲלָך Worldעוֹלָם Warמִלחָמָה IIII,
52
154808
4411
פרסי ספנסר היה פיזיקאי
שפיתח מכ"ם במלחה"ע ה-1,
והוא ראה שהמגנטרון ממיס
את השוקולד שלו.
02:51
when he noticedשם לב the magnetronמגנטרון
was meltingהַתָכָה his chocolateשׁוֹקוֹלַד barבָּר.
53
159243
3013
02:54
He was ableיכול to connectלְחַבֵּר his understandingהֲבָנָה
of electromagneticאלקטרומגנטית radiationקְרִינָה
54
162970
3295
הוא ידע לקשר בין הבנתו
בקרינה אלקטרומגנטית
לבין הידע שלו בבישול
02:58
with his knowledgeיֶדַע of cookingבישול
55
166289
1484
כדי להמציא -- מישהו יודע?
את תנור המיקרוגל.
02:59
in orderלהזמין to inventלִהַמצִיא -- any guessesניחושים? --
the microwaveמיקרוגל ovenתנור.
56
167797
3258
03:03
Now, this is a particularlyבִּמְיוּחָד remarkableראוי לציון
exampleדוגמא of creativityיְצִירָתִיוּת.
57
171444
3073
זאת דוגמה יוצאת-דופן במיוחד
ליצירתיות.
אבל הפריה הדדית כזו
קורה לכולנו בארועים קטנים
03:06
But this sortסוג of cross-pollinationאבקה צולבת
happensקורה for eachכל אחד of us in smallקָטָן waysדרכים
58
174541
3664
03:10
thousandsאלפים of timesפִּי perלְכָל day.
59
178229
1828
אלפי פעמים ביום.
03:12
Machinesמכונות cannotלא יכול competeלהתחרות with us
60
180501
1661
המכונות לא מסוגלות להתחרות בנו
03:14
when it comesבא to tacklingהתמודדות
novelרוֹמָן situationsמצבים,
61
182186
2251
כשמדובר בהתמודדות עם מצבים חדשים,
וזה מגביל מיסודו
את המטלות האנושיות
03:16
and this putsמעמיד a fundamentalבסיסי limitלְהַגבִּיל
on the humanבן אנוש tasksמשימות
62
184461
3117
שהמכונות עתידות לבצע באופן אוטומטי.
03:19
that machinesמכונה will automateלְמַכֵּן.
63
187602
1717
03:22
So what does this mean
for the futureעתיד of work?
64
190041
2405
אז מה זה אומר
מבחינת עתיד העבודה?
03:24
The futureעתיד stateמדינה of any singleיחיד jobעבודה liesשקרים
in the answerתשובה to a singleיחיד questionשְׁאֵלָה:
65
192804
4532
עתידה של כל משרה ומשרה
טמון בתשובה לשאלה אחת:
באיזו מידה משרה זו ניתנת לפירוק
למטלות תכופות בנפח גבוה,
03:29
To what extentהרחבה is that jobעבודה reducibleמִצטַמצֵם
to frequentתָכוּף, high-volumeווליום גבוה tasksמשימות,
66
197360
4981
ובאיזו מידה היא כרוכה
בהתמודדות עם מצבים חדשים?
03:34
and to what extentהרחבה does it involveכרוך
tacklingהתמודדות novelרוֹמָן situationsמצבים?
67
202365
3253
03:37
On frequentתָכוּף, high-volumeווליום גבוה tasksמשימות,
machinesמכונה are gettingמקבל smarterחכם יותר and smarterחכם יותר.
68
205975
4035
במטלות תכופות בנפח גבוה,
המכונות הולכות ומחכימות.
היום הן נותנות ציונים לחיבורים,
מאבחנות מחלות מסוימות.
03:42
Todayהיום they gradeכיתה essaysמסות.
They diagnoseלְאַבחֵן certainמסוים diseasesמחלות.
69
210034
2714
בשנים הבאות הן תנהלנה
את ביקורות הכספים שלנו,
03:44
Over comingמגיע yearsשנים,
they're going to conductהתנהגות our auditsביקורת,
70
212772
3157
ותוכלנה לקרוא קודים
של חוזים משפטיים.
03:47
and they're going to readלקרוא boilerplateמוכן מראש
from legalמשפטי contractsחוזים.
71
215953
2967
עדיין יש צורך ברואי-חשבון
ובעורכי-דין.
03:50
Accountantsרואי חשבון and lawyersעורכי דין are still neededנָחוּץ.
72
218944
1997
הם עדיין יהיו נחוצים
לצרכי מיסוי מורכב וחקיקה חדשנית.
03:52
They're going to be neededנָחוּץ
for complexמורכב taxמַס structuringהַבנָיָה,
73
220965
2682
03:55
for pathbreakingפורץ דרך litigationליטיגציה.
74
223671
1357
אבל המכונות עתידות לצמצם
את שורותיהם
03:57
But machinesמכונה will shrinkלצמק theirשֶׁלָהֶם ranksדרגות
75
225052
1717
ולהקטין את מצאי
מקומות העבודה שלהם.
03:58
and make these jobsמקומות תעסוקה harderקשה יותר to come by.
76
226793
1872
כפי שציינתי,
04:00
Now, as mentionedמוּזְכָּר,
77
228689
1151
המכונות לא התקדמו מאד
בטיפול במצבים חדשים.
04:01
machinesמכונה are not makingהֲכָנָה progressהתקדמות
on novelרוֹמָן situationsמצבים.
78
229864
2949
הכרזה של מסע השיווק
צריכה למשוך את תשומת לב הצרכן.
04:04
The copyעותק behindמֵאָחוֹר a marketingשיווק campaignקמפיין
needsצרכי to grabלִתְפּוֹס consumers'צרכנים attentionתשומת הלב.
79
232837
3457
עליה לבלוט.
04:08
It has to standלַעֲמוֹד out from the crowdקָהָל.
80
236318
1715
איסטרטגיה עסקית משמעה
זיהוי פערים בשוק,
04:10
Businessעֵסֶק strategyאִסטרָטֶגִיָה meansאומר
findingמִמצָא gapsפערים in the marketשׁוּק,
81
238057
2444
איתור דברים שאיש איננו עושה.
04:12
things that nobodyאף אחד elseאַחֵר is doing.
82
240525
1756
בני-אדם הם שעתידים ליצור
את כרזת מסע השיווק,
04:14
It will be humansבני אנוש that are creatingיוצר
the copyעותק behindמֵאָחוֹר our marketingשיווק campaignsמסעות פרסום,
83
242305
4118
והם גם שיפתחו
את האיסטרטגיה העסקית שלנו.
04:18
and it will be humansבני אנוש that are developingמתפתח
our businessעֵסֶק strategyאִסטרָטֶגִיָה.
84
246447
3517
אז יאלי,
מה שלא תחליטי לעשות,
04:21
So Yahliיחלי, whateverמה שתגיד you decideלְהַחלִיט to do,
85
249988
2817
הניחי לכל יום להביא עימו
אתגר חדש.
04:24
let everyכֹּל day bringלְהָבִיא you a newחָדָשׁ challengeאתגר.
86
252829
2361
04:27
If it does, then you will stayשָׁהוּת
aheadקָדִימָה of the machinesמכונה.
87
255587
2809
אם כך יהיה,
יהיה לך יתרון על המכונות.
תודה לכם.
04:31
Thank you.
88
259126
1176
(מחיאות כפיים)
04:32
(Applauseתְשׁוּאוֹת)
89
260326
3104
Translated by Shlomo Adam
Reviewed by Sigal Tifferet

▲Back to top

ABOUT THE SPEAKER
Anthony Goldbloom - Machine learning expert
Anthony 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.  

More profile about the speaker
Anthony Goldbloom | Speaker | TED.com