TED2016
Anthony Goldbloom: The jobs we'll lose to machines -- and the ones we won't
アンソニー・ゴールドブルーム: 機械に奪われる仕事 — そして残る仕事
Filmed:
Readability: 4.8
2,568,213 views
機械学習は、もはや信用リスク評価や、手紙の仕分けといった単純な仕事だけをこなすわけではありません。今では小論文の採点や病気の診断といった、ずっと複雑なこともできるようになっています。このような進歩は不安を覚える疑問を提起します ― 将来私たちの仕事はロボットに取られてしまうのでしょうか？
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
この子は私の姪で
名前をヤーリといいます
00:14
Her name is Yahli.
1
2644
1535
00:16
She is nine months old.
2
4203
1511
生まれて９カ月です
母親は医者で
父親は弁護士ですが
父親は弁護士ですが
00:18
Her mum is a doctor,
and her dad is a lawyer.
and her dad is a lawyer.
3
6201
2528
ヤーリが大学に行く頃には
00:21
By the time Yahli goes to college,
4
9269
2006
両親の仕事の様子は
劇的に変わっていることでしょう
劇的に変わっていることでしょう
00:23
the jobs her parents do
are going to look dramatically different.
are going to look dramatically different.
5
11299
3253
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
2013年オックスフォード大学の研究者達が
未来の仕事についての研究を行いました
未来の仕事についての研究を行いました
職の２つに１つは
機械により自動化されるリスクが高いと
機械により自動化されるリスクが高いと
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
彼らは結論付けました
00:36
of being automated by machines.
8
24929
1824
機械学習の技術こそ
00:40
Machine learning is the technology
9
28388
1905
そのような変化の
主な原因となるものです
主な原因となるものです
00:42
that's responsible for most
of this disruption.
of this disruption.
10
30317
2278
これは人工知能分野の中でも
最も有力な領域です
最も有力な領域です
00:44
It's the most powerful branch
of artificial intelligence.
of artificial intelligence.
11
32619
2790
この技術により
機械がデータから学習して
機械がデータから学習して
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
ある種のことを
人間のようにできるようになります
人間のようにできるようになります
私の会社Kaggleでは
最先端の機械学習技術に取り組んでいて
最先端の機械学習技術に取り組んでいて
00:51
My company, Kaggle, operates
on the cutting edge of machine learning.
on the cutting edge of machine learning.
14
39955
3415
00:55
We bring together
hundreds of thousands of experts
hundreds of thousands of experts
15
43394
2386
産業や学問上の重要な問題を
解決するために
解決するために
00:57
to solve important problems
for industry and academia.
for industry and academia.
16
45804
3118
何十万というエキスパートを
集めています
集めています
01:01
This gives us a unique perspective
on what machines can do,
on what machines can do,
17
49279
3222
そのお陰で
独特な知見が得られます
独特な知見が得られます
機械には何ができ
何ができないのか？
何ができないのか？
01:04
what they can't do
18
52525
1235
どんな仕事に 自動化や
消失の怖れがあるのか？
消失の怖れがあるのか？
01:05
and what jobs they might
automate or threaten.
automate or threaten.
19
53784
2939
機械学習が産業界で使われ出したのは
1990年代前半です
1990年代前半です
01:09
Machine learning started making its way
into industry in the early '90s.
into industry in the early '90s.
20
57316
3550
01:12
It started with relatively simple tasks.
21
60890
2124
まずは比較的単純な
タスクから始まりました
タスクから始まりました
01:15
It started with things like assessing
credit risk from loan applications,
credit risk from loan applications,
22
63406
4115
ローン申し込みに対する
信用リスクの評価や
信用リスクの評価や
01:19
sorting the mail by reading
handwritten characters from zip codes.
handwritten characters from zip codes.
23
67545
4053
手書きの郵便番号を読み取って
手紙を仕分けるといったことです
手紙を仕分けるといったことです
01:24
Over the past few years, we have made
dramatic breakthroughs.
dramatic breakthroughs.
24
72036
3169
ここ数年の間に
飛躍的な進歩がありました
飛躍的な進歩がありました
01:27
Machine learning is now capable
of far, far more complex tasks.
of far, far more complex tasks.
25
75586
3916
機械学習が はるかに複雑なタスクを
こなせるようになったのです
こなせるようになったのです
2012年 Kaggleは
高校生の書いた小論文を採点できる
高校生の書いた小論文を採点できる
01:31
In 2012, Kaggle challenged its community
26
79860
3231
アルゴリズムを作るという課題を
専門家コミュニティに提示しました
専門家コミュニティに提示しました
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
優勝したアルゴリズムは
人間の教師の採点と
人間の教師の採点と
01:40
given by human teachers.
29
88956
1665
一致する評価を
することができました
することができました
昨年には さらに難しい
課題を出しました
課題を出しました
01:43
Last year, we issued
an even more difficult challenge.
an even more difficult challenge.
30
91092
2984
01:46
Can you take images of the eye
and diagnose an eye disease
and diagnose an eye disease
31
94100
2953
「眼球の写真から
糖尿病性網膜症の診断をできるか？」
糖尿病性網膜症の診断をできるか？」
01:49
called diabetic retinopathy?
32
97077
1694
というものです
01:51
Again, the winning algorithms
were able to match the diagnoses
were able to match the diagnoses
33
99164
4040
この時も 優勝した
アルゴリズムは
アルゴリズムは
人間の眼科医の診断と
一致する結果を出せました
一致する結果を出せました
01:55
given by human ophthalmologists.
34
103228
1825
適切なデータが与えられれば
このようなタスクで
このようなタスクで
01:57
Now, given the right data,
machines are going to outperform humans
machines are going to outperform humans
35
105561
3212
機械は人間より優れた結果を
出し始めています
出し始めています
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
教師は40年の経歴において
小論文を１万本読むかもしれません
小論文を１万本読むかもしれません
眼科医は眼を５万個
診断するかもしれません
診断するかもしれません
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
しかし 機械なら数分のうちに
数百万の小論文を読み
数百万の小論文を読み
数百万の眼を診ることができます
02:12
within minutes.
40
120728
1276
02:14
We have no chance of competing
against machines
against machines
41
122456
2858
頻度が高く 多量のデータを
処理するタスクでは
処理するタスクでは
02:17
on frequent, high-volume tasks.
42
125338
2321
人間が機械に勝てる見込みはありません
しかし 我々に出来て
機械に出来ないことがあります
機械に出来ないことがあります
02:20
But there are things we can do
that machines can't do.
that machines can't do.
43
128665
3724
機械の技術が
ほとんど進歩していないのは
ほとんど進歩していないのは
02:24
Where machines have made
very little progress
very little progress
44
132791
2200
経験のない状況で
判断する技術です
判断する技術です
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
機械は前にほとんど見たことがない状況を
うまく処理できないのです
うまく処理できないのです
02:33
The fundamental limitations
of machine learning
of machine learning
47
141321
2584
機械学習に根本的な限界があるのは
02:35
is that it needs to learn
from large volumes of past data.
from large volumes of past data.
48
143929
3394
大量の過去データから
学ぶ必要があるという点です
学ぶ必要があるという点です
02:39
Now, humans don't.
49
147347
1754
人間は違います
02:41
We have the ability to connect
seemingly disparate threads
seemingly disparate threads
50
149125
3030
我々は ほとんど共通点のない
手掛かりを繋ぎ合わせ
手掛かりを繋ぎ合わせ
02:44
to solve problems we've never seen before.
51
152179
2238
見たことのない問題を
解決することができます
解決することができます
02:46
Percy Spencer was a physicist
working on radar during World War II,
working on radar during World War II,
52
154808
4411
パーシー・スペンサーは第２次世界大戦中
レーダー開発の任務に就いていた物理学者で
レーダー開発の任務に就いていた物理学者で
02:51
when he noticed the magnetron
was melting his chocolate bar.
was melting his chocolate bar.
53
159243
3013
その時 マグネトロンがチョコバーを
溶かすことに気づきました
溶かすことに気づきました
電磁波に関する理解と
料理に関する知識を結びつけることで
料理に関する知識を結びつけることで
02:54
He was able to connect his understanding
of electromagnetic radiation
of electromagnetic radiation
54
162970
3295
02:58
with his knowledge of cooking
55
166289
1484
彼の発明したのが —
何か分かりますか？
何か分かりますか？
02:59
in order to invent -- any guesses? --
the microwave oven.
the microwave oven.
56
167797
3258
電子レンジです
これこそ創造力の
素晴らしい一例です
素晴らしい一例です
03:03
Now, this is a particularly remarkable
example of creativity.
example of creativity.
57
171444
3073
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
このような分野を超えた発想は
些細な形であれば
些細な形であれば
誰にでも毎日何千回と
ひらめいています
ひらめいています
03:10
thousands of times per day.
59
178229
1828
03:12
Machines cannot compete with us
60
180501
1661
経験のない状況においては
03:14
when it comes to tackling
novel situations,
novel situations,
61
182186
2251
機械は人間には勝てず
03:16
and this puts a fundamental limit
on the human tasks
on the human tasks
62
184461
3117
それが人間の行うことを
機械で自動化する際の
機械で自動化する際の
03:19
that machines will automate.
63
187602
1717
基本的な限界を与えます
これが将来の仕事に
意味することは何でしょう？
意味することは何でしょう？
03:22
So what does this mean
for the future of work?
for the future of work?
64
190041
2405
各々の仕事の未来の運命は
ある１つの問への答えにかかっています
ある１つの問への答えにかかっています
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
03:29
To what extent is that job reducible
to frequent, high-volume tasks,
to frequent, high-volume tasks,
66
197360
4981
高頻度多量データ処理に
還元できる部分がどの程度あり
還元できる部分がどの程度あり
前例無き状況への対応を求められる部分が
どの程度あるのか？
どの程度あるのか？
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
高頻度多量データ処理については
機械はどんどん賢くなっていきます
機械はどんどん賢くなっていきます
今では 機械が小論文の採点をし
ある種の病気の診断をします
ある種の病気の診断をします
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
数年内には
監査をしたり
監査をしたり
法律上の契約書から一般的な表現を
解釈出来るようになるでしょう
解釈出来るようになるでしょう
03:47
and they're going to read boilerplate
from legal contracts.
from legal contracts.
71
215953
2967
それでも会計士や弁護士が
いらなくはなりません
いらなくはなりません
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
複雑な税務対策や
前例のない訴訟の対応には
前例のない訴訟の対応には
必要とされるのです
03:55
for pathbreaking litigation.
74
223671
1357
機械により
能力のある者だけが残され
能力のある者だけが残され
03:57
But machines will shrink their ranks
75
225052
1717
これらの職に就くことは
難しくなります
難しくなります
03:58
and make these jobs harder to come by.
76
226793
1872
さて 前にも述べましたが
04:00
Now, as mentioned,
77
228689
1151
04:01
machines are not making progress
on novel situations.
on novel situations.
78
229864
2949
経験のない状況に対応する技術は
進歩していません
進歩していません
マーケティング活動における宣伝文句は
消費者の関心を引く必要があります
消費者の関心を引く必要があります
04:04
The copy behind a marketing campaign
needs to grab consumers' attention.
needs to grab consumers' attention.
79
232837
3457
数ある中で
目立っていなければなりません
目立っていなければなりません
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
ビジネス戦略とは
他社がやっていない
他社がやっていない
市場のニッチを探り出すことです
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
マーケティング活動における宣伝文句を
創り出すのは人間の役目であり
創り出すのは人間の役目であり
04:18
and it will be humans that are developing
our business strategy.
our business strategy.
84
246447
3517
ビジネス戦略を考え出すのも
人間です
人間です
だからね ヤーリちゃん
どんな仕事を選ぶにせよ
どんな仕事を選ぶにせよ
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
常日頃
新しいことに挑戦することです
新しいことに挑戦することです
そうすれば
機械に先んじることが出来るでしょう
機械に先んじることが出来るでしょう
04:27
If it does, then you will stay
ahead of the machines.
ahead of the machines.
87
255587
2809
ありがとうございました
04:31
Thank you.
88
259126
1176
04:32
(Applause)
89
260326
3104
（拍手）
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