TED2016
Anthony Goldbloom: The jobs we'll lose to machines -- and the ones we won't
Anthony Goldbloom: I lavori che daremo alle macchine -- e quelli che non daremo
Filmed:
Readability: 4.8
2,568,213 views
L'apprendimento automatico non è più solo per semplici compiti come valutare il rischio di credito e ordinare la posta -- oggi, è in grado di eseguire applicazioni molto più complesse, come valutare delle composizioni e diagnosticare malattie. Con questi progressi arriva una domanda difficile: un robot farà il vostro lavoro nel futuro?
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
Questa è mia nipote.
00:14
Her name is Yahli.
1
2644
1535
Si chiama Yahli.
00:16
She is nine months old.
2
4203
1511
Ha nove mesi.
00:18
Her mum is a doctor,
and her dad is a lawyer.
and her dad is a lawyer.
3
6201
2528
Sua madre è dottoressa,
e suo papà avvocato.
e suo papà avvocato.
00:21
By the time Yahli goes to college,
4
9269
2006
Quando Yahli andrà all'università,
00:23
the jobs her parents do
are going to look dramatically different.
are going to look dramatically different.
5
11299
3253
i lavori dei suoi genitori
saranno notevolmente diversi.
saranno notevolmente diversi.
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
Nel 2013 i ricercatori
dell'Università di Oxford
dell'Università di Oxford
hanno fatto uno studio
sul futuro del lavoro.
sul futuro del lavoro.
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
Hanno concluso che almeno un lavoro su due
ha un'alta probabilità
ha un'alta probabilità
di essere automatizzato
tramite le macchine.
tramite le macchine.
00:36
of being automated by machines.
8
24929
1824
L'apprendimento automatico
è la tecnologia
è la tecnologia
00:40
Machine learning is the technology
9
28388
1905
maggiormente responsabile
di questo cambiamento.
di questo cambiamento.
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
È la branca più potente
dell'intelligenza artificiale.
dell'intelligenza artificiale.
Consente alle macchine
di imparare dai dati
di imparare dai dati
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 imitare alcune delle cose
che possono fare gli umani.
che possono fare gli umani.
00:51
My company, Kaggle, operates
on the cutting edge of machine learning.
on the cutting edge of machine learning.
14
39955
3415
La mia azienda, Kaggle, è all'avanguardia
nell'apprendimento automatico.
nell'apprendimento automatico.
00:55
We bring together
hundreds of thousands of experts
hundreds of thousands of experts
15
43394
2386
Coordiniamo
centinaia di migliaia di esperti
centinaia di migliaia di esperti
per risolvere problemi importanti
per l'industria e il mondo accademico.
per l'industria e il mondo accademico.
00:57
to solve important problems
for industry and academia.
for industry and academia.
16
45804
3118
Questo ci dà una prospettiva unica
su ciò che le macchine possono fare,
su ciò che le macchine possono fare,
01:01
This gives us a unique perspective
on what machines can do,
on what machines can do,
17
49279
3222
01:04
what they can't do
18
52525
1235
cosa non possono fare
01:05
and what jobs they might
automate or threaten.
automate or threaten.
19
53784
2939
e quali lavori potrebbero
automatizzare o minacciare.
automatizzare o minacciare.
L'apprendimento automatico è iniziato
nell'industria dei primi anni '90.
nell'industria dei primi anni '90.
01:09
Machine learning started making its way
into industry in the early '90s.
into industry in the early '90s.
20
57316
3550
È cominciato con compiti
relativamente semplici.
relativamente semplici.
01:12
It started with relatively simple tasks.
21
60890
2124
È partito con cose del tipo valutazione
dei rischi per le richieste di prestito,
dei rischi per le richieste di prestito,
01:15
It started with things like assessing
credit risk from loan applications,
credit risk from loan applications,
22
63406
4115
ordinamento della posta tramite
lettura dei codici postali scritti a mano.
lettura dei codici postali scritti a mano.
01:19
sorting the mail by reading
handwritten characters from zip codes.
handwritten characters from zip codes.
23
67545
4053
Negli ultimi anni abbiamo fatto
passi da gigante.
passi da gigante.
01:24
Over the past few years, we have made
dramatic breakthroughs.
dramatic breakthroughs.
24
72036
3169
L'apprendimento automatico ora è capace
di compiti molto più complessi.
di compiti molto più complessi.
01:27
Machine learning is now capable
of far, far more complex tasks.
of far, far more complex tasks.
25
75586
3916
Nel 2012 Kaggle ha sfidato la sua comunità
01:31
In 2012, Kaggle challenged its community
26
79860
3231
a creare un algoritmo che possa valutare
i compiti delle superiori.
i compiti delle superiori.
01:35
to build an algorithm
that could grade high-school essays.
that could grade high-school essays.
27
83115
3189
Gli algoritmi vincitori riuscivano
a dare gli stessi voti
a dare gli stessi voti
01:38
The winning algorithms
were able to match the grades
were able to match the grades
28
86328
2604
dati dagli insegnanti umani.
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
L'anno scorso, abbiamo affrontato
una sfida più difficile.
una sfida più difficile.
Potete prendere immagini di un occhio
e diagnosticare una malattia
e diagnosticare una malattia
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
chiamata retinopatia diabetica?
Di nuovo, gli algoritmi vincitori
erano in grado di fornire
erano in grado di fornire
01:51
Again, the winning algorithms
were able to match the diagnoses
were able to match the diagnoses
33
99164
4040
la stessa diagnosi dell'oculista.
01:55
given by human ophthalmologists.
34
103228
1825
Con i dati giusti, le macchine
avranno prestazioni migliori dell'uomo
avranno prestazioni migliori dell'uomo
01:57
Now, given the right data,
machines are going to outperform humans
machines are going to outperform humans
35
105561
3212
in compiti come questo.
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
Un insegnante può leggere 10 000 compiti
in 40 anni di carriera.
in 40 anni di carriera.
Un ottico può vedere 50 000 occhi.
02:06
An ophthalmologist might see 50,000 eyes.
38
114407
2360
02:08
A machine can read millions of essays
or see millions of eyes
or see millions of eyes
39
116791
3913
La macchina può leggere milioni di compiti
o vedere milioni di occhi
o vedere milioni di occhi
in pochi minuti.
02:12
within minutes.
40
120728
1276
02:14
We have no chance of competing
against machines
against machines
41
122456
2858
Non abbiamo possibilità di competere
contro le macchine
contro le macchine
su compiti ripetitivi con grandi numeri.
02:17
on frequent, high-volume tasks.
42
125338
2321
Ma ci sono cose che noi possiamo fare
e le macchine no.
e le macchine no.
02:20
But there are things we can do
that machines can't do.
that machines can't do.
43
128665
3724
02:24
Where machines have made
very little progress
very little progress
44
132791
2200
Le macchine hanno fatto
pochi progressi
pochi progressi
nell'affrontare situazioni nuove.
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
Non riescono a gestire cose
che non hanno visto molte volte prima.
che non hanno visto molte volte prima.
La limitazione fondamentale
dell'apprendimento automatico
dell'apprendimento automatico
02:33
The fundamental limitations
of machine learning
of machine learning
47
141321
2584
è che ha bisogno di imparare
da grandi volumi di dati passati.
da grandi volumi di dati passati.
02:35
is that it needs to learn
from large volumes of past data.
from large volumes of past data.
48
143929
3394
Gli umani no.
02:39
Now, humans don't.
49
147347
1754
02:41
We have the ability to connect
seemingly disparate threads
seemingly disparate threads
50
149125
3030
Abbiamo la capacità di collegare
fili apparentemente diversi
fili apparentemente diversi
per risolvere problemi
che non abbiamo mai affrontato prima.
che non abbiamo mai affrontato prima.
02:44
to solve problems we've never seen before.
51
152179
2238
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 era un fisico che lavorava
sul radar durante la II Guerra Mondiale,
sul radar durante la II Guerra Mondiale,
quando ha notato che il magnetron
scioglieva la sua cioccolata.
scioglieva la sua cioccolata.
02:51
when he noticed the magnetron
was melting his chocolate bar.
was melting his chocolate bar.
53
159243
3013
È riuscito a collegare le conoscenze
delle radiazioni elettromagnetiche
delle radiazioni elettromagnetiche
02:54
He was able to connect his understanding
of electromagnetic radiation
of electromagnetic radiation
54
162970
3295
con la sua conoscenza della cucina
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
per inventare -- qualche ipotesi? --
il forno a microonde.
il forno a microonde.
03:03
Now, this is a particularly remarkable
example of creativity.
example of creativity.
57
171444
3073
Questo è uno spettacolare esempio
di creatività.
di creatività.
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
Ma questo tipo di innesto
accade in piccolo a ognuno di noi
accade in piccolo a ognuno di noi
03:10
thousands of times per day.
59
178229
1828
migliaia di volte al giorno.
Le macchine non possono
competere con noi
competere con noi
03:12
Machines cannot compete with us
60
180501
1661
03:14
when it comes to tackling
novel situations,
novel situations,
61
182186
2251
quando si tratta di affrontare
nuove situazioni,
nuove situazioni,
03:16
and this puts a fundamental limit
on the human tasks
on the human tasks
62
184461
3117
e questo pone un limite fondamentale
ai compiti umani
ai compiti umani
che le macchine potranno automatizzare.
03:19
that machines will automate.
63
187602
1717
Cosa significa questo
per il futuro del lavoro?
per il futuro del lavoro?
03:22
So what does this mean
for the future of work?
for the future of work?
64
190041
2405
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
Il futuro di ogni singolo lavoro si basa
sulla risposta a una sola domanda:
sulla risposta a una sola domanda:
03:29
To what extent is that job reducible
to frequent, high-volume tasks,
to frequent, high-volume tasks,
66
197360
4981
in che misura quel lavoro si può ridurre
a compiti ripetitivi con grandi numeri,
a compiti ripetitivi con grandi numeri,
e in che misura comporta
affrontare nuove situazioni?
affrontare nuove situazioni?
03:34
and to what extent does it involve
tackling novel situations?
tackling novel situations?
67
202365
3253
Su compiti ripetitivi con grandi numeri,
le macchine sono sempre più intelligenti.
le macchine sono sempre più intelligenti.
03:37
On frequent, high-volume tasks,
machines are getting smarter and smarter.
machines are getting smarter and smarter.
68
205975
4035
Oggi valutano compiti.
Diagnosticano alcune malattie.
Diagnosticano alcune malattie.
03:42
Today they grade essays.
They diagnose certain diseases.
They diagnose certain diseases.
69
210034
2714
Col passare degli anni,
faranno le nostre verifiche,
faranno le nostre verifiche,
03:44
Over coming years,
they're going to conduct our audits,
they're going to conduct our audits,
70
212772
3157
03:47
and they're going to read boilerplate
from legal contracts.
from legal contracts.
71
215953
2967
e leggeranno le parti standard
dei contratti legali.
dei contratti legali.
C'è ancora bisogno
di ragionieri e avvocati
di ragionieri e avvocati
03:50
Accountants and lawyers are still needed.
72
218944
1997
per la complessa
struttura delle tasse,
struttura delle tasse,
03:52
They're going to be needed
for complex tax structuring,
for complex tax structuring,
73
220965
2682
per nuovi tipi di controversie.
03:55
for pathbreaking litigation.
74
223671
1357
Ma le macchine serreranno i ranghi
03:57
But machines will shrink their ranks
75
225052
1717
e renderanno più difficile
trovare questi lavori.
trovare questi lavori.
03:58
and make these jobs harder to come by.
76
226793
1872
Come ho già detto,
04:00
Now, as mentioned,
77
228689
1151
le macchine non stanno facendo progressi
sulle nuove situazioni.
sulle nuove situazioni.
04:01
machines are not making progress
on novel situations.
on novel situations.
78
229864
2949
04:04
The copy behind a marketing campaign
needs to grab consumers' attention.
needs to grab consumers' attention.
79
232837
3457
Il testo di una campagna pubblicitaria
deve catturare i consumatori.
deve catturare i consumatori.
deve spiccare in mezzo al mucchio.
04:08
It has to stand out from the crowd.
80
236318
1715
Strategia commerciale significa
trovare spazi nel mercato,
trovare spazi nel mercato,
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
cose che nessun altro sta facendo.
04:14
It will be humans that are creating
the copy behind our marketing campaigns,
the copy behind our marketing campaigns,
83
242305
4118
Saranno gli umani che creeranno
il testo delle campagne pubblicitarie,
il testo delle campagne pubblicitarie,
e saranno gli umani che svilupperanno
le strategie commerciali.
le strategie commerciali.
04:18
and it will be humans that are developing
our business strategy.
our business strategy.
84
246447
3517
Quindi Yahli, qualsiasi cosa
tu decida di fare,
tu decida di fare,
04:21
So Yahli, whatever you decide to do,
85
249988
2817
lascia che ogni giorno
ti presenti una nuova sfida.
ti presenti una nuova sfida.
04:24
let every day bring you a new challenge.
86
252829
2361
Se lo fa, sarai un passo avanti
alle macchine.
alle macchine.
04:27
If it does, then you will stay
ahead of the machines.
ahead of the machines.
87
255587
2809
Grazie.
04:31
Thank you.
88
259126
1176
(Applausi)
04:32
(Applause)
89
260326
3104
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