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: Jobbene vi vil miste til maskinene -- og de vi ikke mister

Filmed:
2,568,213 views

Maskinlæring er ikke lenger bare for enkle oppgaver som å beregne kredittrisiko og sortere post -- i dag klarer den mye mer kompliserte oppgaver, som å rette essayer og diagnostisere sykdommer. Med disse fremskrittene kommer det opp et vanskelig spørsmål: Vil en robot gjøre jobben din i fremtiden?
- 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 nieceniese.
0
968
1262
Dette er min niese.
00:14
Her nameNavn is YahliYahli.
1
2644
1535
Hun heter Yahli.
00:16
She is nineni monthsmåneder oldgammel.
2
4203
1511
Hun er ni måneder gammel.
00:18
Her mummamma is a doctordoktor,
and her dadpappa is a lawyeradvokat.
3
6201
2528
Moren hennes er lege
og faren er advokat.
00:21
By the time YahliYahli goesgår to collegehøyskole,
4
9269
2006
Innen Yahli skal gå på college,
00:23
the jobsarbeidsplasser her parentsforeldre do
are going to look dramaticallydramatisk differentannerledes.
5
11299
3253
vil jobbene til foreldrene hennes
se veldig annerledes ut.
00:27
In 2013, researchersforskere at OxfordOxford UniversityUniversitetet
did a studystudere on the futureframtid of work.
6
15347
5073
I 2013 forsket universitetet i Oxford
på arbeidets fremtid.
00:32
They concludedkonkluderte that almostnesten one
in everyhver two jobsarbeidsplasser have a highhøy riskFare
7
20766
4139
De konkluderte at nesten
annenhver jobb har en høy risiko
00:36
of beingå være automatedautomatisert by machinesmaskiner.
8
24929
1824
for å bli automatisert av maskiner.
00:40
MachineMaskinen learninglæring is the technologyteknologi
9
28388
1905
Maskinlæring er teknologien
00:42
that's responsibleansvarlig for mostmest
of this disruptionavbrudd.
10
30317
2278
som er ansvarlig for denne endringen.
00:44
It's the mostmest powerfulkraftig branchgren
of artificialkunstig intelligenceintelligens.
11
32619
2790
Det er den mektigste bransjen
innen kunstig intelligens.
00:47
It allowsmuliggjør machinesmaskiner to learnlære from datadata
12
35433
1882
Den lar maskiner lære fra data
00:49
and mimicligne some of the things
that humansmennesker can do.
13
37339
2592
og etterligne noe av det
mennesker kan gjøre.
00:51
My companyselskap, KaggleKaggle, operatesopererer
on the cuttingskjæring edgekant of machinemaskin learninglæring.
14
39955
3415
Mitt firma, Kaggle, jobber
på hugget av maskinlæring.
00:55
We bringbringe togethersammen
hundredshundrevis of thousandstusener of expertseksperter
15
43394
2386
Vi samler hundretusenvis av eksperter
00:57
to solveløse importantviktig problemsproblemer
for industryindustri and academiaakademia.
16
45804
3118
for å løse viktige problemer
i industri og akademia.
01:01
This givesgir us a uniqueunik perspectiveperspektiv
on what machinesmaskiner can do,
17
49279
3222
Dette gir oss et unikt perspektiv
på hva maskiner kan gjøre,
01:04
what they can't do
18
52525
1235
hva de ikke kan gjøre
01:05
and what jobsarbeidsplasser they mightkanskje
automateautomatisere or threatenTrue.
19
53784
2939
og hvilke jobber de kan
automisere eller true.
01:09
MachineMaskinen learninglæring startedstartet makinglager its way
into industryindustri in the earlytidlig '90s.
20
57316
3550
Maskinlæring begynte å vokse frem
i industrien tidlig på 90-tallet.
01:12
It startedstartet with relativelyrelativt simpleenkel tasksoppgaver.
21
60890
2124
Det begynte med relativt enkle oppgaver.
01:15
It startedstartet with things like assessingvurdere
creditkreditt riskFare from loanlåne applicationsapplikasjoner,
22
63406
4115
Det startet med ting som å vurdere
kredittrisiko fra lånesøknader,
01:19
sortingsortering the mailpost by readinglesning
handwrittenhåndskrevne characterstegn from zipglidelås codeskoder.
23
67545
4053
sortering av post ved lesing av
håndskrevne bokstaver i postkoder.
01:24
Over the pastforbi few yearsår, we have madelaget
dramaticdramatisk breakthroughsgjennombrudd.
24
72036
3169
Over de siste årene har vi hatt
dramatiske gjennombrudd.
01:27
MachineMaskinen learninglæring is now capablei stand
of farlangt, farlangt more complexkomplekse tasksoppgaver.
25
75586
3916
Maskinlæring kan nå mestre
langt mer komplekse oppgaver.
01:31
In 2012, KaggleKaggle challengedutfordret its communitysamfunnet
26
79860
3231
I 2012 utfordret Kaggle samfunnet sitt
01:35
to buildbygge an algorithmalgoritmen
that could gradegrade high-schoolvideregående skole essaysessays.
27
83115
3189
til å bygge en algoritme som kunne
rette highschool elevers stiler.
01:38
The winningvinne algorithmsalgoritmer
were ablei stand to matchkamp the gradeskarakterer
28
86328
2604
Algoritmen som vant,
stemte med karakterene
01:40
givengitt by humanmenneskelig teacherslærere.
29
88956
1665
gitt av menneskelige lærere.
01:43
Last yearår, we issuedutstedt
an even more difficultvanskelig challengeutfordring.
30
91092
2984
I fjor ga vi en enda
vanskeligere utfordring.
01:46
Can you take imagesBilder of the eyeøye
and diagnosediagnostisere an eyeøye diseasesykdom
31
94100
2953
Kan du ta bilder av øyet
og diagnostisere en øyesykdom
01:49
calledkalt diabeticdiabetiker retinopathyretinopati?
32
97077
1694
kalt diabetisk retinopati?
01:51
Again, the winningvinne algorithmsalgoritmer
were ablei stand to matchkamp the diagnosesdiagnoser
33
99164
4040
Igjen klarte den vinnende algoritmen
å matche diagnosen
01:55
givengitt by humanmenneskelig ophthalmologistsøyeleger.
34
103228
1825
gitt av menneskelige oftalmologer.
01:57
Now, givengitt the right datadata,
machinesmaskiner are going to outperformutkonkurrere humansmennesker
35
105561
3212
Gitt rett data, vil maskiner
utkonkurrere mennesker
02:00
at tasksoppgaver like this.
36
108797
1165
i oppgaver som disse.
02:01
A teacherlærer mightkanskje readlese 10,000 essaysessays
over a 40-year-år careerkarriere.
37
109986
3992
En lærer kan kanskje lese 10 000 stiler
over en 40 år lang karriere.
02:06
An ophthalmologistøyelege mightkanskje see 50,000 eyesøyne.
38
114407
2360
En oftalmolog kan kanskje se 50 000 øyer.
02:08
A machinemaskin can readlese millionsmillioner of essaysessays
or see millionsmillioner of eyesøyne
39
116791
3913
En maskin kan lese millioner av stiler
eller se millioner av øyer
02:12
withininnenfor minutesminutter.
40
120728
1276
på noen minutter.
02:14
We have no chancesjanse of competingkonkurrerende
againstimot machinesmaskiner
41
122456
2858
Vi har ingen sjanse til
å konkurrere mot maskiner
02:17
on frequenthyppig, high-volumehøyt volum tasksoppgaver.
42
125338
2321
i hyppige oppgaver med store mengder.
02:20
But there are things we can do
that machinesmaskiner can't do.
43
128665
3724
Men det er ting vi kan gjøre
som maskiner ikke kan.
02:24
Where machinesmaskiner have madelaget
very little progressframgang
44
132791
2200
Maskiner har gjort veldig lite fremgang
02:27
is in tacklingtakle novelroman situationssituasjoner.
45
135015
1854
i å takle nye situasjoner.
02:28
They can't handlehåndtak things
they haven'thar ikke seensett manymange timesganger before.
46
136893
3899
De kan ikke håndtere ting
de ikke har sett mange ganger før.
02:33
The fundamentalfundamental limitationsbegrensninger
of machinemaskin learninglæring
47
141321
2584
De fundamentale begrensningene
i maskinlæring
02:35
is that it needsbehov to learnlære
from largestor volumesvolumer of pastforbi datadata.
48
143929
3394
er at de trenger å lære
fra store mengder med tidligere data.
02:39
Now, humansmennesker don't.
49
147347
1754
Mennesker trenger ikke det.
02:41
We have the abilityevnen to connectkoble
seeminglytilsynelatende disparateuensartede threadstråder
50
149125
3030
Vi har evnen til å koble
tilsynelatende separate tråder
02:44
to solveløse problemsproblemer we'vevi har never seensett before.
51
152179
2238
for å løse prøblemer
vi aldri har sett før.
02:46
PercyPercy SpencerSpencer was a physicistfysiker
workingarbeider on radarradar duringi løpet av WorldVerden WarKrigen IIII,
52
154808
4411
Percy Spencer var en fysiker
som jobbet med radar under 2. verdenskrig.
02:51
when he noticedla merke til the magnetronmagnetron
was meltingsmelte his chocolatesjokolade barBar.
53
159243
3013
Plutselig så han at magnetronen
smeltet sjokoladen hans.
02:54
He was ablei stand to connectkoble his understandingforståelse
of electromagneticelektromagnetisk radiationstråling
54
162970
3295
Han klarte å forbinde forståelsen
for elektromagnetisk stråling
02:58
with his knowledgekunnskap of cookingmatlaging
55
166289
1484
med kunnskap om matlaging
02:59
in orderrekkefølge to inventfinne opp -- any guessesgjetninger? --
the microwavemikrobølgeovn ovenstekeovn.
56
167797
3258
for å finne opp -- noen forslag? --
mikrobølgeovnen.
03:03
Now, this is a particularlysærlig remarkablebemerkelsesverdig
exampleeksempel of creativitykreativitet.
57
171444
3073
Dette er et bemerkelsesverdig
eksempel på kreativitet.
03:06
But this sortsortere of cross-pollinationdeling
happensskjer for eachHver of us in smallliten waysmåter
58
174541
3664
Men denne formen for" krysspolinering"
skjer for oss alle på en mindre skala
03:10
thousandstusener of timesganger perper day.
59
178229
1828
tusenvis av ganger hver dag.
03:12
MachinesMaskiner cannotkan ikke competekonkurrere with us
60
180501
1661
Maskiner kan ikke konkurrere med oss
03:14
when it comeskommer to tacklingtakle
novelroman situationssituasjoner,
61
182186
2251
når det gjelder
å takle nye situasjoner,
03:16
and this putsputs a fundamentalfundamental limitgrense
on the humanmenneskelig tasksoppgaver
62
184461
3117
og dette setter en fundamental grense
på menneskelige oppgaver
03:19
that machinesmaskiner will automateautomatisere.
63
187602
1717
som maskinene vil automatisere.
03:22
So what does this mean
for the futureframtid of work?
64
190041
2405
Hva betyr så dette
for arbeidets fremtid?
03:24
The futureframtid statestat of any singleenkelt jobjobb liesligger
in the answersvar to a singleenkelt questionspørsmål:
65
192804
4532
Fremtiden for envher jobb ligger
i svaret på ett enkelt spørsmål:
03:29
To what extentutstrekning is that jobjobb reduciblereduseres
to frequenthyppig, high-volumehøyt volum tasksoppgaver,
66
197360
4981
I hvilken grad kan jobben reduseres
til hyppige oppgaver med store mengder,
03:34
and to what extentutstrekning does it involveinvolvere
tacklingtakle novelroman situationssituasjoner?
67
202365
3253
og i hvilken grad er
takling av nye situasjoner nødvendig?
03:37
On frequenthyppig, high-volumehøyt volum tasksoppgaver,
machinesmaskiner are gettingfår smartersmartere and smartersmartere.
68
205975
4035
På hyppige oppgaver med store mengder
blir maskiner smartere og smartere.
03:42
TodayI dag they gradegrade essaysessays.
They diagnosediagnostisere certainsikker diseasessykdommer.
69
210034
2714
I dag retter de stil.
De diagnostiserer visse sykdommer.
03:44
Over comingkommer yearsår,
they're going to conductoppførsel our auditsrevisjoner,
70
212772
3157
I kommende år
vil de gjøre revisjonene våre,
03:47
and they're going to readlese boilerplatestandardtekst
from legallovlig contractskontrakter.
71
215953
2967
og de kommer til å lese standardtekst
fra juridiske kontrakter.
03:50
AccountantsRegnskapsførere and lawyersadvokater are still neededbehov for.
72
218944
1997
Regnskapsførere og advokater trengs enda.
03:52
They're going to be neededbehov for
for complexkomplekse taxskatt structuringstrukturere,
73
220965
2682
De trengs for kompleks
skatte-strukturering,
for banebrytende rettssaker.
03:55
for pathbreakingpathbreaking litigationProsedyre, rettstvist.
74
223671
1357
Men maskiner vil tynne ut rekkene
03:57
But machinesmaskiner will shrinkkrympe theirderes ranksrangerer
75
225052
1717
og gjøre jobbene vanskeligere å finne.
03:58
and make these jobsarbeidsplasser harderhardere to come by.
76
226793
1872
04:00
Now, as mentionednevnt,
77
228689
1151
Som tidligere nevnt
04:01
machinesmaskiner are not makinglager progressframgang
on novelroman situationssituasjoner.
78
229864
2949
gjør maskiner ikke fremskritt
på nye situasjoner.
04:04
The copykopiere behindbak a marketingmarkedsføring campaignkampanje
needsbehov to grabgripe consumers'forbrukernes attentionoppmerksomhet.
79
232837
3457
Kopien bak en markedsføring
må fange forbrukerens oppmerksomhet.
04:08
It has to standstå out from the crowdpublikum.
80
236318
1715
Den må skille seg ut blant massen.
04:10
BusinessBusiness strategystrategi meansmidler
findingfunn gapshull in the marketmarked,
81
238057
2444
Forretningsstrategi betyr å
finne hull i markedet,
04:12
things that nobodyingen elseellers is doing.
82
240525
1756
ting ingen andre gjør.
04:14
It will be humansmennesker that are creatingskaper
the copykopiere behindbak our marketingmarkedsføring campaignskampanjer,
83
242305
4118
Det vil være mennesker som lager
kopien bak markedsføringen vår,
04:18
and it will be humansmennesker that are developingutvikle
our businessvirksomhet strategystrategi.
84
246447
3517
og det vil være mennesker som utvikler
forretningsstrategien vår.
04:21
So YahliYahli, whateversamme det you decideBestemme seg for to do,
85
249988
2817
Så Yahli, uansett hva du velger,
04:24
let everyhver day bringbringe you a newny challengeutfordring.
86
252829
2361
la hver dag gi deg en ny utfordring.
04:27
If it does, then you will stayoppholde seg
aheadfremover of the machinesmaskiner.
87
255587
2809
Så lenge den gjør det, vil du
ha et forsprang på maskinene.
04:31
Thank you.
88
259126
1176
Takk.
04:32
(ApplauseApplaus)
89
260326
3104
(Applaus)
Translated by Ronja Dahl
Reviewed by Marleen Laschet

▲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