TED2016
Anthony Goldbloom: The jobs we'll lose to machines -- and the ones we won't
Entonijs Goldblūms: Kuras darba vietas mums atņems mašīnas, un kuras nē?
Filmed:
Readability: 4.8
2,568,213 views
Mašīnmācīšanās nav vairs tikai tādu vienkāršu uzdevumu veikšana kā kredītriska noteikšana un pasta šķirošana. Mūsdienās tā spēj daudz ko sarežģītāku, piemēram, vērtēt sacerējumus un diagnosticēt slimības. Šis progress uzdod sarežģītu jautājumu: Vai jūsu darbu nākotnē veiks robots?
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
Šī ir mana brāļameita.
00:14
Her name is Yahli.
1
2644
1535
Viņu sauc Jālī.
00:16
She is nine months old.
2
4203
1511
Viņai ir deviņi mēneši.
00:18
Her mum is a doctor,
and her dad is a lawyer.
and her dad is a lawyer.
3
6201
2528
Viņas mamma ir ārste un tētis ‒ jurists.
00:21
By the time Yahli goes to college,
4
9269
2006
Kad Jālī ies augstskolā,
00:23
the jobs her parents do
are going to look dramatically different.
are going to look dramatically different.
5
11299
3253
viņas vecāku profesijas
izskatīsies pavisam citādāk.
izskatīsies pavisam citādāk.
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. gadā Oksfordas Universitātes
pētnieki veica pētījumu par nākotnes darbu.
pētnieki veica pētījumu par nākotnes darbu.
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
Viņi secināja, ka gandrīz katrai otrajai
profesijai pastāv liels
profesijai pastāv liels
00:36
of being automated by machines.
8
24929
1824
automatizācijas risks.
00:40
Machine learning is the technology
9
28388
1905
Mašīnmācīšanās ir tehnoloģija,
00:42
that's responsible for most
of this disruption.
of this disruption.
10
30317
2278
kas būs par iemeslu vairumam šo pārmaiņu.
00:44
It's the most powerful branch
of artificial intelligence.
of artificial intelligence.
11
32619
2790
Tā ir visspēcīgākā
mākslīgā intelekta nozare.
mākslīgā intelekta nozare.
00:47
It allows machines to learn from data
12
35433
1882
Tā ļauj mašīnām mācīties no datiem
00:49
and mimic some of the things
that humans can do.
that humans can do.
13
37339
2592
un atdarināt dažas
cilvēku veiktas darbības.
cilvēku veiktas darbības.
00:51
My company, Kaggle, operates
on the cutting edge of machine learning.
on the cutting edge of machine learning.
14
39955
3415
Mans uzņēmums, Kaggle, darbojas
vēl neapgūtajos mašīnmācīšanās ūdeņos.
vēl neapgūtajos mašīnmācīšanās ūdeņos.
00:55
We bring together
hundreds of thousands of experts
hundreds of thousands of experts
15
43394
2386
Mēs apvienojam simtiem tūkstošu ekspertu
00:57
to solve important problems
for industry and academia.
for industry and academia.
16
45804
3118
svarīgu nozares
un akadēmisku problēmu risināšanai.
un akadēmisku problēmu risināšanai.
01:01
This gives us a unique perspective
on what machines can do,
on what machines can do,
17
49279
3222
Tas sniedz mums unikālu skatījumu
uz to, ko mašīnas spēj,
uz to, ko mašīnas spēj,
01:04
what they can't do
18
52525
1235
ko tās nespēj
01:05
and what jobs they might
automate or threaten.
automate or threaten.
19
53784
2939
un kādas darba vietas tās varētu
automatizēt un apdraudēt.
automatizēt un apdraudēt.
01:09
Machine learning started making its way
into industry in the early '90s.
into industry in the early '90s.
20
57316
3550
Mašīnmācīšanās pirmsākumi
meklējami 90. gadu sākumā.
meklējami 90. gadu sākumā.
01:12
It started with relatively simple tasks.
21
60890
2124
Tā sākās ar nosacīti
vienkāršiem uzdevumiem.
vienkāršiem uzdevumiem.
01:15
It started with things like assessing
credit risk from loan applications,
credit risk from loan applications,
22
63406
4115
Tā sākās, piemēram, ar kredītriska
noteikšanu aizņēmuma pieteikumiem
noteikšanu aizņēmuma pieteikumiem
01:19
sorting the mail by reading
handwritten characters from zip codes.
handwritten characters from zip codes.
23
67545
4053
un pasta šķirošanu, nolasot
rokrakstā rakstītus pasta indeksus.
rokrakstā rakstītus pasta indeksus.
01:24
Over the past few years, we have made
dramatic breakthroughs.
dramatic breakthroughs.
24
72036
3169
Pēdējo dažu gadu laikā esam
veikuši strauju izrāvienu.
veikuši strauju izrāvienu.
01:27
Machine learning is now capable
of far, far more complex tasks.
of far, far more complex tasks.
25
75586
3916
Mašīnmācīšanās tagad spēj veikt
daudz, daudz sarežģītākus uzdevumus.
daudz, daudz sarežģītākus uzdevumus.
01:31
In 2012, Kaggle challenged its community
26
79860
3231
2012. gadā Kaggle meta izaicinājumu
savas kopienas biedriem
savas kopienas biedriem
01:35
to build an algorithm
that could grade high-school essays.
that could grade high-school essays.
27
83115
3189
izveidot algoritmu, kas spētu izvērtēt
vidusskolas sacerējumus.
vidusskolas sacerējumus.
01:38
The winning algorithms
were able to match the grades
were able to match the grades
28
86328
2604
Uzvaru guvušais algoritms
spēja novērtēšanā līdzināties
spēja novērtēšanā līdzināties
01:40
given by human teachers.
29
88956
1665
skolotāju-cilvēku liktajām atzīmēm.
01:43
Last year, we issued
an even more difficult challenge.
an even more difficult challenge.
30
91092
2984
Pagājušajā gadā mēs izsludinājām
vēl sarežģītāku uzdevumu.
vēl sarežģītāku uzdevumu.
01:46
Can you take images of the eye
and diagnose an eye disease
and diagnose an eye disease
31
94100
2953
Vai spējat uzņemt acs attēlu
un diagnosticēt acs slimību
un diagnosticēt acs slimību
01:49
called diabetic retinopathy?
32
97077
1694
‒ diabētisko retinopātiju?
01:51
Again, the winning algorithms
were able to match the diagnoses
were able to match the diagnoses
33
99164
4040
Arī šoreiz uzvaru guvušais algoritms
spēja līdzināties diagnozēm,
spēja līdzināties diagnozēm,
01:55
given by human ophthalmologists.
34
103228
1825
ko uzstādīja dzīvi oftalmologi.
01:57
Now, given the right data,
machines are going to outperform humans
machines are going to outperform humans
35
105561
3212
Ja tiks ievadīti pareizi dati,
mašīnas šādos uzdevumos cilvēkus pārspēs.
mašīnas šādos uzdevumos cilvēkus pārspēs.
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
Skolotājs 40 gadu karjeras laikā
var izlasīt 10 000 sacerējumus.
var izlasīt 10 000 sacerējumus.
02:06
An ophthalmologist might see 50,000 eyes.
38
114407
2360
Oftalmologs var apskatīt 50 000 acu.
02:08
A machine can read millions of essays
or see millions of eyes
or see millions of eyes
39
116791
3913
Mašīna spēj izlasīt miljonus sacerējumu
un apskatīt miljonus acu
un apskatīt miljonus acu
02:12
within minutes.
40
120728
1276
dažu minūšu laikā.
02:14
We have no chance of competing
against machines
against machines
41
122456
2858
Mums sacensībā ar mašīnām
nav nekādu izredžu
nav nekādu izredžu
02:17
on frequent, high-volume tasks.
42
125338
2321
vienveidīgos lielapjoma darbos.
02:20
But there are things we can do
that machines can't do.
that machines can't do.
43
128665
3724
Bet ir lietas, ko spējam,
un mašīnas nespēj.
un mašīnas nespēj.
Jomas, kur mašīnas ir veikušas
ļoti nelielu progresu,
ļoti nelielu progresu,
02:24
Where machines have made
very little progress
very little progress
44
132791
2200
02:27
is in tackling novel situations.
45
135015
1854
ir situācijas, kas saistītas ar jaunradi.
02:28
They can't handle things
they haven't seen many times before.
they haven't seen many times before.
46
136893
3899
Tās netiek galā ar to,
ko iepriekš nav redzējušas daudz reižu.
ko iepriekš nav redzējušas daudz reižu.
02:33
The fundamental limitations
of machine learning
of machine learning
47
141321
2584
Lielākais mašīnmācīšanās ierobežojums
02:35
is that it needs to learn
from large volumes of past data.
from large volumes of past data.
48
143929
3394
ir vajadzība mācīties
no liela daudzuma pagātnes datu.
no liela daudzuma pagātnes datu.
02:39
Now, humans don't.
49
147347
1754
Cilvēkiem to nevajag.
02:41
We have the ability to connect
seemingly disparate threads
seemingly disparate threads
50
149125
3030
Mēs spējam savienot
šķietami pilnīgi atšķirīgas lietas
šķietami pilnīgi atšķirīgas lietas
02:44
to solve problems we've never seen before.
51
152179
2238
un atrisināt problēmas,
kādas iepriekš nekad neesam sastapuši.
kādas iepriekš nekad neesam sastapuši.
02:46
Percy Spencer was a physicist
working on radar during World War II,
working on radar during World War II,
52
154808
4411
Persijs Spensers bija fiziķis, kas
2. pasaules kara laikā strādāja ar radaru,
2. pasaules kara laikā strādāja ar radaru,
02:51
when he noticed the magnetron
was melting his chocolate bar.
was melting his chocolate bar.
53
159243
3013
kad viņš pamanīja, ka magnetrons
kausēja viņa šokolādes tāfelīti.
kausēja viņa šokolādes tāfelīti.
02:54
He was able to connect his understanding
of electromagnetic radiation
of electromagnetic radiation
54
162970
3295
Viņš spēja apvienot zināšanas
par elektromagnētisko starojumu
par elektromagnētisko starojumu
02:58
with his knowledge of cooking
55
166289
1484
ar ēst gatavošanas prasmi
02:59
in order to invent -- any guesses? --
the microwave oven.
the microwave oven.
56
167797
3258
un izgudrot ‒ vai varat uzminēt? ‒
mikroviļņu krāsni.
mikroviļņu krāsni.
03:03
Now, this is a particularly remarkable
example of creativity.
example of creativity.
57
171444
3073
Tas ir sevišķi iespaidīgs
radošuma piemērs.
radošuma piemērs.
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
Bet šāda starpjomu apputeksnēšanās
mazā mērogā notiek katrā no mums
mazā mērogā notiek katrā no mums
03:10
thousands of times per day.
59
178229
1828
tūkstošiem reižu dienā.
03:12
Machines cannot compete with us
60
180501
1661
Mašīnas nespēj konkurēt ar mums,
03:14
when it comes to tackling
novel situations,
novel situations,
61
182186
2251
ja runa ir par situācijām,
kas ietver jaunradi,
kas ietver jaunradi,
03:16
and this puts a fundamental limit
on the human tasks
on the human tasks
62
184461
3117
un tas būtiski ierobežo
tos cilvēku darbus,
tos cilvēku darbus,
03:19
that machines will automate.
63
187602
1717
ko mašīnas neautomatizēs.
03:22
So what does this mean
for the future of work?
for the future of work?
64
190041
2405
Ko tas nozīmē nākotnes darbam?
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
Katras profesijas nākotnes izredzes
slēpjas vienā vienīgā jautājumā:
slēpjas vienā vienīgā jautājumā:
03:29
To what extent is that job reducible
to frequent, high-volume tasks,
to frequent, high-volume tasks,
66
197360
4981
Kādā mērā jūsu profesiju var reducēt
uz vienveidīgiem lielapjoma uzdevumiem,
uz vienveidīgiem lielapjoma uzdevumiem,
03:34
and to what extent does it involve
tackling novel situations?
tackling novel situations?
67
202365
3253
un kādā mērā tā iekļauj jaunradi?
03:37
On frequent, high-volume tasks,
machines are getting smarter and smarter.
machines are getting smarter and smarter.
68
205975
4035
Mašīnas arvien labāk veic
vienveidīgus lielapjoma uzdevumus.
vienveidīgus lielapjoma uzdevumus.
03:42
Today they grade essays.
They diagnose certain diseases.
They diagnose certain diseases.
69
210034
2714
Tagad tās spēj vērtēt sacerējumus.
Diagnosticēt noteiktas slimības.
03:44
Over coming years,
they're going to conduct our audits,
they're going to conduct our audits,
70
212772
3157
Turpmākajos gados tās spēs veikt auditus
03:47
and they're going to read boilerplate
from legal contracts.
from legal contracts.
71
215953
2967
un lasīs juridisku līgumu tekstveidnes.
03:50
Accountants and lawyers are still needed.
72
218944
1997
Vēl arvien būs vajadzīgi
grāmatveži un juristi.
grāmatveži un juristi.
03:52
They're going to be needed
for complex tax structuring,
for complex tax structuring,
73
220965
2682
Tie būs vajadzīgi
sarežģītu nodokļu struktūru veidošanai
sarežģītu nodokļu struktūru veidošanai
03:55
for pathbreaking litigation.
74
223671
1357
un bezprecedenta tiesas prāvām.
03:57
But machines will shrink their ranks
75
225052
1717
Bet mašīnas paretinās to rindas
03:58
and make these jobs harder to come by.
76
226793
1872
un liks šim profesijām
kļūt konkurējošākām.
kļūt konkurējošākām.
04:00
Now, as mentioned,
77
228689
1151
Kā jau minēju,
04:01
machines are not making progress
on novel situations.
on novel situations.
78
229864
2949
mašīnas neveic progresu
ar jaunradi saistītās situācijās.
ar jaunradi saistītās situācijās.
04:04
The copy behind a marketing campaign
needs to grab consumers' attention.
needs to grab consumers' attention.
79
232837
3457
Mārketinga kampaņas idejai
jāpiesaista patērētāju uzmanība.
jāpiesaista patērētāju uzmanība.
04:08
It has to stand out from the crowd.
80
236318
1715
Tai jāizceļas uz citu fona.
04:10
Business strategy means
finding gaps in the market,
finding gaps in the market,
81
238057
2444
Biznesa stratēģija nozīmē
atrast neaizņemtas tirgus nišas,
atrast neaizņemtas tirgus nišas,
04:12
things that nobody else is doing.
82
240525
1756
to, ko nedara neviens cits.
04:14
It will be humans that are creating
the copy behind our marketing campaigns,
the copy behind our marketing campaigns,
83
242305
4118
Mārketinga kampaņas idejas radīs cilvēki,
04:18
and it will be humans that are developing
our business strategy.
our business strategy.
84
246447
3517
un arī biznesa stratēģijas
izstrādās cilvēki.
izstrādās cilvēki.
04:21
So Yahli, whatever you decide to do,
85
249988
2817
Tāpēc, Jālī, lai ko arī izlemtu darīt,
04:24
let every day bring you a new challenge.
86
252829
2361
lai katra diena
tev nes jaunus izaicinājumus.
tev nes jaunus izaicinājumus.
04:27
If it does, then you will stay
ahead of the machines.
ahead of the machines.
87
255587
2809
Ja tā būs, būsi priekšā mašīnām.
04:31
Thank you.
88
259126
1176
Paldies.
04:32
(Applause)
89
260326
3104
(Aplausi)
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