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

Anthony Goldbloom: Darbai, kurių neteksime dėl kompiuterių, ir tie, kuriuos išlaikysime

Filmed:
2,568,213 views

Save mokančios sistemos nebėra skirtos tik paskolos rizikai nustatyti ar rūšiuoti paštui. Šiandien kompiuteriai gali atlikti žymiai sudėtingesnes užduotis, tokias kaip rašinių vertinimas ar ligų diagnozavimas. Kartu su tokia pažanga kyla ir nepatogus klausimas: „Ar ateityje robotas atliks tavo darbą?“
- 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 niecedukterėčia.
0
968
1262
Tai – mano dukterėčia.
00:14
Her namevardas is YahliYahli.
1
2644
1535
Jos vardas – Yahli.
00:16
She is ninedevyni monthsmėnesių oldsenas.
2
4203
1511
Jai devyni mėnesiai.
00:18
Her mummama is a doctorgydytojas,
and her dadtėtis is a lawyerteisininkas.
3
6201
2528
Jos mama yra gydytoja,
o tėtis – teisininkas.
Kai Yahli pradės lankyti koledžą,
00:21
By the time YahliYahli goeseina to collegekolegija,
4
9269
2006
00:23
the jobsdarbo vietos her parentstėvai do
are going to look dramaticallydramatiškai differentskiriasi.
5
11299
3253
jos tėvų veikla atrodys visiškai kitaip.
00:27
In 2013, researchersmokslininkai at OxfordOxford UniversityUniversitetas
did a studystudijuoti on the futureateitis of work.
6
15347
5073
2013 m. Oksfordo universitete
buvo atliktas tyrimas apie darbo ateitį.
00:32
They concludedsudarytas that almostbeveik one
in everykiekvienas two jobsdarbo vietos have a highaukštas riskrizika
7
20766
4139
Buvo padaryta išvada,
kad beveik kas antra darbo sritis
rizikuoja būti automatizuota.
00:36
of beingesamas automatedautomatizuota by machinesmašinos.
8
24929
1824
Save mokančios sistemos
yra technologija,
00:40
MachineMašina learningmokymasis is the technologytechnologija
9
28388
1905
didžia dalimi atsakinga už šią suirutę.
00:42
that's responsibleatsakingas for mostlabiausiai
of this disruptionžlugimas.
10
30317
2278
00:44
It's the mostlabiausiai powerfulgalingas branchfilialas
of artificialdirbtinis intelligencežvalgyba.
11
32619
2790
Tai – galingiausia
dirbtinio intelekto dalis.
Ji leidžia kompiuteriams
mokytis iš duomenų
00:47
It allowsleidžia machinesmašinos to learnmokytis from dataduomenys
12
35433
1882
00:49
and mimicimituoti some of the things
that humansžmonės can do.
13
37339
2592
ir mėgdžioti tam tikrus
žmogaus veiksmus.
Mano įmonė „Kaggle“ dirba su naujausiomis
save mokančiomis sistemomis.
00:51
My companybendrovė, KaggleKaggle, operatesveikia
on the cuttingpjaustymas edgekraštas of machinemašina learningmokymasis.
14
39955
3415
00:55
We bringatnešk togetherkartu
hundredsšimtai of thousandstūkstančiai of expertsekspertai
15
43394
2386
Mes suburiame
šimtus tūkstančių ekspertų tam,
00:57
to solveišspręsk importantsvarbu problemsproblemos
for industryindustrija and academiaakademinės bendruomenės.
16
45804
3118
kad išspręstume svarbias
pramonės ir mokslo problemas.
01:01
This givessuteikia us a uniqueunikalus perspectiveperspektyva
on what machinesmašinos can do,
17
49279
3222
Mes turime unikalią galimybę pamatyti,
ką kompiuteriai gali atlikti,
01:04
what they can't do
18
52525
1235
o ko – ne
01:05
and what jobsdarbo vietos they mightgali
automateautomatizuoti or threatenkelia grėsmę.
19
53784
2939
ir kurioms veikloms gali kilti
grėsmė tapti automatizuotomis.
01:09
MachineMašina learningmokymasis startedprasidėjo makingpriėmimo its way
into industryindustrija in the earlyanksti '90s.
20
57316
3550
Save mokančios sistemos pradėjo
brautis į pramonę 90-ųjų pradžioje.
01:12
It startedprasidėjo with relativelypalyginti simplepaprasta tasksužduotys.
21
60890
2124
Iš pradžių tai buvo
gana paprastos užduotys.
01:15
It startedprasidėjo with things like assessingvertinant
creditkreditas riskrizika from loanpaskola applicationsprogramos,
22
63406
4115
Pradžioje buvo rizikos įvertinimas
iš paskolos prašymo,
01:19
sortingrūšiavimas the mailpaštas by readingskaitymas
handwrittenranka rašomas characterspersonažai from zipzip codeskodai.
23
67545
4053
laiškų rūšiavimas nuskaitant
ranka parašytus pašto indeksus.
01:24
Over the pastpraeitis fewnedaug yearsmetai, we have madepagamintas
dramaticdramatiškas breakthroughslaimėjimai.
24
72036
3169
Per pastaruosius metus
įvyko didelis persilaužimas.
01:27
MachineMašina learningmokymasis is now capablegalingas
of fartoli, fartoli more complexkompleksas tasksužduotys.
25
75586
3916
Dabar save mokančios sistemos
gali atlikti žymiai sunkesnes užduotis.
01:31
In 2012, KaggleKaggle challengedginčijamas its communitybendruomenė
26
79860
3231
2012 m. „Kaggle“ metė iššūkį
savo bendruomenei
01:35
to buildstatyti an algorithmalgoritmas
that could gradeklasė high-schoolvidurinė mokykla essaysesė.
27
83115
3189
sukurti algoritmą, galintį
vertinti moksleivių rašinius.
01:38
The winninglaimėti algorithmsalgoritmai
were ablegalingas to matchrungtynės the gradesklasių
28
86328
2604
Laimėję algoritmai sugebėjo
darbus įvertinti taip pat,
01:40
givenpateiktas by humanžmogus teachersmokytojai.
29
88956
1665
kaip tikri mokytojai.
01:43
Last yearmetai, we issuedišduotas
an even more difficultsunku challengeiššūkis.
30
91092
2984
Pernai mes metėme
dar sunkesnį iššūkį.
01:46
Can you take imagesvaizdai of the eyeakis
and diagnosediagnozuoti an eyeakis diseaseliga
31
94100
2953
Ar įmanoma padaryti akies nuotraukas
ir diagnozuoti akių ligą
01:49
calledvadinamas diabeticdiabetu retinopathyretinopatija?
32
97077
1694
diabetinę retinopatiją.
01:51
Again, the winninglaimėti algorithmsalgoritmai
were ablegalingas to matchrungtynės the diagnosesdiagnozių
33
99164
4040
Ir vėl, laimėjusių algoritmų
diagnozės atitiko
01:55
givenpateiktas by humanžmogus ophthalmologistsoftalmologai.
34
103228
1825
oftalmologų nustatytas diagnozes.
Taigi, gavę tinkamus duomenis,
kompiuteriai geriau nei žmonės
01:57
Now, givenpateiktas the right dataduomenys,
machinesmašinos are going to outperformlenkia humansžmonės
35
105561
3212
susidoroja su tokiomis užduotimis.
02:00
at tasksužduotys like this.
36
108797
1165
02:01
A teachermokytojas mightgali readskaityti 10,000 essaysesė
over a 40-year-metu careerkarjera.
37
109986
3992
Mokytojas gali perskaityti 10 tūkst.
rašinių per 40 m. karjerą.
02:06
An ophthalmologistgydytojas oftalmologas mightgali see 50,000 eyesakys.
38
114407
2360
Oftalmologas gali
apžiūrėti 50 tūkst. akių.
02:08
A machinemašina can readskaityti millionsmilijonai of essaysesė
or see millionsmilijonai of eyesakys
39
116791
3913
Kompiuteris gali perskaityti milijonus
rašinių ar apžiūrėti milijonus akių
02:12
withinper minutesminutės.
40
120728
1276
per kelias minutes.
02:14
We have no chancetikimybė of competingkonkuruojantis
againstprieš machinesmašinos
41
122456
2858
Mes negalime konkuruoti
su kompiuteriais
02:17
on frequentdažnai, high-volumedidelis garsas tasksužduotys.
42
125338
2321
atlikdami įprastas,
didelės apimties užduotis.
02:20
But there are things we can do
that machinesmašinos can't do.
43
128665
3724
Tačiau yra dalykų, kuriuos mes galime,
o kompiuteriai – ne.
02:24
Where machinesmašinos have madepagamintas
very little progressprogresas
44
132791
2200
Kompiuteriai nedaug pažengė
02:27
is in tacklingkova su novelromanas situationssituacijose.
45
135015
1854
spręsdami jiems neįprastas situacijas.
02:28
They can't handlerankena things
they haven'tne seenmatė manydaug timeslaikai before.
46
136893
3899
Jie negali susidoroti su dalykais,
kurių anksčiau nematė daug kartų.
02:33
The fundamentalpagrindinis limitationsapribojimai
of machinemašina learningmokymasis
47
141321
2584
Esminis save mokančių sistemų trūkumas
02:35
is that it needsporeikiai to learnmokytis
from largedidelis volumesapimtis of pastpraeitis dataduomenys.
48
143929
3394
yra tai, kad joms reikia
daug praeities duomenų.
02:39
Now, humansžmonės don't.
49
147347
1754
O žmonėms – ne.
Mes sugebame susieti
visiškai skirtingus dalykus,
02:41
We have the abilitygebėjimas to connectPrisijungti
seeminglyatrodo disparateskiriasi threadstemos
50
149125
3030
kad išspręstume problemą,
su kuria susiduriame pirmąkart.
02:44
to solveišspręsk problemsproblemos we'vemes turime never seenmatė before.
51
152179
2238
02:46
PercyPercy SpencerSpencer was a physicistfizikas
workingdirba on radarradaras duringper WorldPasaulyje WarKaro IIII,
52
154808
4411
Percy Spencer buvo fizikas, dirbantis
su radaru per Antrąjį pasaulinį karą,
02:51
when he noticedpastebėjau the magnetronmagnetroninį
was meltingtirpimas his chocolatešokoladas barbaras.
53
159243
3013
kuris pastebėjo, kad magnetronas
išlydė jo šokoladą.
02:54
He was ablegalingas to connectPrisijungti his understandingsuprasti
of electromagneticElektromagnetinis radiationradiacija
54
162970
3295
Jis sugebėjo susieti savo žinias
apie elektromagnetinę radiaciją
02:58
with his knowledgežinios of cookingvirimo
55
166289
1484
su žiniomis apie maisto gamybą
02:59
in orderįsakymas to inventišrasti -- any guessesspėlionės? --
the microwavemikrobangų krosnelė ovenorkaitė.
56
167797
3258
tam, kad sukurtų... Bus spėjimų?
Mikrobangų krosnelę.
03:03
Now, this is a particularlyypač remarkablenuostabus
examplepavyzdys of creativitykūrybiškumas.
57
171444
3073
Tai yra ypatingai puikus
kūrybingumo pavyzdys.
03:06
But this sortrūšiuoti of cross-pollinationkryžminimas
happensatsitinka for eachkiekvienas of us in smallmažas waysbūdai
58
174541
3664
Tačiau toks idėjų kryžminimas
mums nutinka kasdien
03:10
thousandstūkstančiai of timeslaikai per day.
59
178229
1828
tūkstančius kartų.
Kompiuteriai negali su mumis konkuruoti,
03:12
MachinesMašinos cannotnegaliu competekonkuruoti with us
60
180501
1661
03:14
when it comesateina to tacklingkova su
novelromanas situationssituacijose,
61
182186
2251
kai reikia spręsti neįprastas užduotis.
03:16
and this putskelia a fundamentalpagrindinis limitriba
on the humanžmogus tasksužduotys
62
184461
3117
O tai nubrėžia aiškią ribą,
kiek žmogiškų veiklų
03:19
that machinesmašinos will automateautomatizuoti.
63
187602
1717
bus automatizuota.
03:22
So what does this mean
for the futureateitis of work?
64
190041
2405
Ką visa tai pranašauja
darbui ateityje?
03:24
The futureateitis statevalstija of any singlevienišas jobdarbas liesmelas
in the answeratsakyti to a singlevienišas questionklausimas:
65
192804
4532
Kiekvienos veiklos ateitis
slypi atsakyme į klausimą:
03:29
To what extentapimtis is that jobdarbas reduciblesuma inamas
to frequentdažnai, high-volumedidelis garsas tasksužduotys,
66
197360
4981
„Kokią veiklos dalį sudaro
įprastos, didelės apimties užduotys
03:34
and to what extentapimtis does it involveĮtraukti
tacklingkova su novelromanas situationssituacijose?
67
202365
3253
ir kokią – neįprastų
situacijų sprendimas?“
03:37
On frequentdažnai, high-volumedidelis garsas tasksužduotys,
machinesmašinos are gettinggauti smarterprotingesnis and smarterprotingesnis.
68
205975
4035
Pirmu atveju kompiuteriai
vystosi labai greitai.
03:42
TodayŠiandien they gradeklasė essaysesė.
They diagnosediagnozuoti certaintam tikras diseasesligos.
69
210034
2714
Šiandien jie vertina rašinius,
diagnozuoja kai kurias ligas.
03:44
Over comingartėja yearsmetai,
they're going to conductelgesio our auditsauditas,
70
212772
3157
Artimiausiu metu jie
už mus atliks auditus,
03:47
and they're going to readskaityti boilerplatedokumento dalių pakartotinis naudojimas
from legalteisėtas contractssutartys.
71
215953
2967
ruoš standartines sutartis.
Buhalterių ir teisininkų vis dar reikės.
03:50
AccountantsBuhalteriai and lawyersadvokatai are still neededreikia.
72
218944
1997
Jų prireiks sudėtingų
mokesčių skaičiavimui,
03:52
They're going to be neededreikia
for complexkompleksas taxmokesčių structuringformavimas,
73
220965
2682
novatoriškoms byloms.
03:55
for pathbreakingpathbreaking litigationbylinėjimasis.
74
223671
1357
Bet kompiuteriai
susiaurins jų gretas
03:57
But machinesmašinos will shrinksusitraukti their ranksgretas
75
225052
1717
ir tokie darbai bus sunkiau gaunami.
03:58
and make these jobsdarbo vietos hardersunkiau to come by.
76
226793
1872
Taigi, kaip jau minėjau,
04:00
Now, as mentionedpaminėta,
77
228689
1151
kompiuteriai neprogresuoja
neįprastose situacijose.
04:01
machinesmašinos are not makingpriėmimo progressprogresas
on novelromanas situationssituacijose.
78
229864
2949
04:04
The copykopijuoti behindatsilieka a marketingrinkodara campaignkampanija
needsporeikiai to grabpatraukti consumers'vartotojų attentiondėmesio.
79
232837
3457
Reklamos kampanijos tekstas
turi patraukti vartotojo dėmesį.
Jis turi išsiskirti.
04:08
It has to standstovėti out from the crowdminios.
80
236318
1715
04:10
BusinessVerslo strategystrategija meansreiškia
findingrasti gapsspragos in the marketturgus,
81
238057
2444
Verslo strategija reiškia
atrasti rinkoje poreikį,
kažką, ko niekas nedaro.
04:12
things that nobodyniekas elseKitas is doing.
82
240525
1756
04:14
It will be humansžmonės that are creatingkurti
the copykopijuoti behindatsilieka our marketingrinkodara campaignskampanijos,
83
242305
4118
Būtent žmonės kurs
reklamos kampanijų tekstus
04:18
and it will be humansžmonės that are developingplėtojant
our businessverslas strategystrategija.
84
246447
3517
ir žmonės vystys verslo strategijas.
04:21
So YahliYahli, whateverNesvarbu you decidenuspręsti to do,
85
249988
2817
Taigi, Yahli, kad ir ką nuspręstum veikti,
04:24
let everykiekvienas day bringatnešk you a newnaujas challengeiššūkis.
86
252829
2361
tegu kiekviena diena tau
atneša naują iššūkį.
04:27
If it does, then you will staylikti
aheadpriekyje of the machinesmašinos.
87
255587
2809
Jei taip bus, tu išliksi pranašesnė
už kompiuterius.
04:31
Thank you.
88
259126
1176
Ačiū.
04:32
(ApplausePlojimai)
89
260326
3104
(Plojimai.)
Translated by Lina Giriuniene
Reviewed by Andrius Družinis

▲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