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: Banen welke we wel en niet verliezen aan machines

Filmed:
2,568,213 views

Machinaal leren is niet alleen bedoeld voor eenvoudige taken zoals het evalueren van kredietrisico en het sorteren van post -- tegenwoordig kan het complexe toepassingen hanteren, zoals het beoordelen van essays en het diagnosticeren van ziektes. Met deze vorderingen rijst de ongemakkelijke vraag: neemt een robot jouw baan over in de toekomst?
- 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 niecenicht.
0
968
1262
Dit is mijn nichtje.
00:14
Her namenaam is YahliYahli.
1
2644
1535
Ze heet Yahli.
00:16
She is ninenegen monthsmaanden oldoud.
2
4203
1511
Ze is negen maanden oud.
00:18
Her mumMama is a doctordoctor,
and her dadpa is a lawyeradvocaat.
3
6201
2528
Haar moeder is dokter
en haar vader is advocaat.
Tegen de tijd dat Yahli
naar de universiteit gaat,
00:21
By the time YahliYahli goesgaat to collegecollege,
4
9269
2006
00:23
the jobsjobs her parentsouders do
are going to look dramaticallydramatisch differentverschillend.
5
11299
3253
zullen de beroepen van haar ouders
drastisch zijn veranderend.
00:27
In 2013, researchersonderzoekers at OxfordOxford UniversityUniversiteit
did a studystudie on the futuretoekomst of work.
6
15347
5073
In 2013 hebben onderzoekers
van de universiteit van Oxford
onderzoek gedaan naar werk in de toekomst.
00:32
They concludedgesloten that almostbijna one
in everyelk two jobsjobs have a highhoog riskrisico
7
20766
4139
Ze concludeerden
dat bijna één op de twee banen
een grote kans op automatisering heeft.
00:36
of beingwezen automatedautomated by machinesmachines.
8
24929
1824
Machinaal leren is de technologie
00:40
MachineMachine learningaan het leren is the technologytechnologie
9
28388
1905
die grotendeels verantwoordelijk
is voor deze ontregeling.
00:42
that's responsibleverantwoordelijk for mostmeest
of this disruptionontwrichting.
10
30317
2278
00:44
It's the mostmeest powerfulkrachtig branchtak
of artificialkunstmatig intelligenceintelligentie-.
11
32619
2790
Het is de krachtigste tak
van kunstmatige intelligentie.
00:47
It allowstoestaat machinesmachines to learnleren from datagegevens
12
35433
1882
Hierdoor kunnen machines leren van data
00:49
and mimicnabootsen some of the things
that humansmensen can do.
13
37339
2592
en sommige dingen nabootsen
die mensen kunnen doen.
Mijn bedrijf Kaggle is een pionier
als het gaat om machinaal leren.
00:51
My companybedrijf, KaggleKaggle, operatesexploiteert
on the cuttingsnijdend edgerand of machinemachine learningaan het leren.
14
39955
3415
We brengen honderdduizenden
deskundigen bijeen
00:55
We bringbrengen togethersamen
hundredshonderden of thousandsduizenden of expertsexperts
15
43394
2386
om belangrijke problemen
op te lossen voor bedrijven
00:57
to solveoplossen importantbelangrijk problemsproblemen
for industryindustrie and academiaacademische wereld.
16
45804
3118
en wetenschappelijke instellingen.
01:01
This givesgeeft us a uniqueuniek perspectiveperspectief
on what machinesmachines can do,
17
49279
3222
Zo krijgen we een uniek perspectief
op wat machines wel en niet kunnen doen
01:04
what they can't do
18
52525
1235
01:05
and what jobsjobs they mightmacht
automateautomatiseren or threatenbedreigen.
19
53784
2939
en welke banen ze mogelijk
automatiseren of in gevaar brengen.
01:09
MachineMachine learningaan het leren startedbegonnen makingmaking its way
into industryindustrie in the earlyvroeg '90s.
20
57316
3550
Machinaal leren ontstond
begin jaren 90 in het bedrijfsleven.
01:12
It startedbegonnen with relativelynaar verhouding simpleeenvoudig taskstaken.
21
60890
2124
Het begon met tamelijk eenvoudige taken.
01:15
It startedbegonnen with things like assessingbeoordeling van
creditcredit riskrisico from loanlening applicationstoepassingen,
22
63406
4115
Zoals het evalueren
van kredietrisico bij kredietaanvragen
en de post sorteren door het aflezen
van handgeschreven postcodes.
01:19
sortingsorteer- the mailmail by readinglezing
handwrittenhandgeschreven characterstekens from zipritssluiting codescodes.
23
67545
4053
01:24
Over the pastverleden fewweinig yearsjaar, we have madegemaakt
dramaticdramatisch breakthroughsdoorbraken.
24
72036
3169
De laatste jaren hebben we
dramatische doorbraken bereikt.
01:27
MachineMachine learningaan het leren is now capablein staat
of farver, farver more complexcomplex taskstaken.
25
75586
3916
Machinaal leren kan nu
veel complexere taken aan.
01:31
In 2012, KaggleKaggle challengeduitgedaagd its communitygemeenschap
26
79860
3231
In 2012 heeft Kaggle
zijn medewerkers uitgedaagd
01:35
to buildbouwen an algorithmalgoritme
that could graderang high-schoolmiddelbare school essaysessays.
27
83115
3189
om een algoritme te bouwen
dat middelbare school essays
kan beoordelen.
01:38
The winningwinnend algorithmsalgoritmen
were ablein staat to matchbij elkaar passen the gradesrangen
28
86328
2604
De winnende algoritmen kwamen
tot dezelfde cijfers als de leraren.
01:40
givengegeven by humanmenselijk teachersleraren.
29
88956
1665
Vorig jaar stonden we
voor een moeilijkere uitdaging.
01:43
Last yearjaar, we issueduitgegeven
an even more difficultmoeilijk challengeuitdaging.
30
91092
2984
Kan je foto's maken van het oog
en een diagnose stellen
01:46
Can you take imagesafbeeldingen of the eyeoog
and diagnosediagnostiseren an eyeoog diseaseziekte
31
94100
2953
voor de oogziekte
diabetische retinopathie?
01:49
calledriep diabeticsuikerziekte retinopathyretinopathie?
32
97077
1694
Opnieuw konden de winnende algoritmen
dezelfde diagnose stellen
01:51
Again, the winningwinnend algorithmsalgoritmen
were ablein staat to matchbij elkaar passen the diagnosesdiagnoses
33
99164
4040
als de menselijke oogartsen.
01:55
givengegeven by humanmenselijk ophthalmologistsOogartsen.
34
103228
1825
01:57
Now, givengegeven the right datagegevens,
machinesmachines are going to outperformbeter te presteren dan humansmensen
35
105561
3212
Met de juiste data presteren machines
bij dit soort taken beter dan mensen.
02:00
at taskstaken like this.
36
108797
1165
02:01
A teacherleraar mightmacht readlezen 10,000 essaysessays
over a 40-year-jaar careercarrière.
37
109986
3992
Een docent leest misschien
10.000 essays in een 40-jarige loopbaan.
02:06
An ophthalmologistoogarts mightmacht see 50,000 eyesogen.
38
114407
2360
Een oogarts ziet misschien 50.000 ogen.
02:08
A machinemachine can readlezen millionsmiljoenen of essaysessays
or see millionsmiljoenen of eyesogen
39
116791
3913
Een machine kan binnen een paar minuten
miljoenen essays lezen
en miljoenen ogen zien.
02:12
withinbinnen minutesnotulen.
40
120728
1276
02:14
We have no chancekans of competingconcurrerende
againsttegen machinesmachines
41
122456
2858
We kunnen op geen enkele manier
concurreren met machines
02:17
on frequentveel voorkomend, high-volumehoog volume taskstaken.
42
125338
2321
als het gaat om regelmatige
en omvangrijke werkzaamheden.
02:20
But there are things we can do
that machinesmachines can't do.
43
128665
3724
Maar er zijn dingen die wij kunnen doen
en machines niet.
02:24
Where machinesmachines have madegemaakt
very little progressvooruitgang
44
132791
2200
Machines hebben weinig vooruitgang geboekt
02:27
is in tacklingaan te pakken novelroman situationssituaties.
45
135015
1854
in het omgaan met nieuwe situaties.
02:28
They can't handlehandvat things
they haven'thebben niet seengezien manyveel timestijden before.
46
136893
3899
Ze kunnen geen dingen hanteren
die ze niet vaak hebben gezien.
02:33
The fundamentalfundamenteel limitationsbeperkingen
of machinemachine learningaan het leren
47
141321
2584
De fundamentele
beperking van machinaal leren
02:35
is that it needsbehoefte aan to learnleren
from largegroot volumesvolumes of pastverleden datagegevens.
48
143929
3394
is dat het moet leren van
een grote hoeveelheid oude gegevens.
02:39
Now, humansmensen don't.
49
147347
1754
Dat is bij mensen niet zo.
02:41
We have the abilityvermogen to connectaansluiten
seeminglyschijnbaar disparateongelijksoortig threadsthreads
50
149125
3030
We zijn in staat om schijnbaar
verschillende draden te verbinden
02:44
to solveoplossen problemsproblemen we'vewij hebben never seengezien before.
51
152179
2238
om problemen op te lossen
die we nooit hebben gezien.
02:46
PercyPercy SpencerSpencer was a physicistnatuurkundige
workingwerkend on radarradar duringgedurende WorldWereld WarOorlog IIII,
52
154808
4411
Percy Spencer was natuurkundige
en werkte aan radar
tijdens de Tweede Wereldoorlog,
02:51
when he noticedmerkte the magnetronmagnetron
was meltingsmeltend his chocolatechocola barbar.
53
159243
3013
toen hij opmerkte dat zijn chocoladereep
smolt door magnetronstraling.
02:54
He was ablein staat to connectaansluiten his understandingbegrip
of electromagneticelektromagnetische radiationbestraling
54
162970
3295
Hij kon zijn inzicht
in elektromagnetische straling
verbinden met zijn kookkennis
02:58
with his knowledgekennis of cookingkoken
55
166289
1484
02:59
in orderbestellen to inventuitvinden -- any guessesgissingen? --
the microwavemagnetron ovenoven.
56
167797
3258
voor de uitvinding van --
enig idee? -- de magnetronoven.
03:03
Now, this is a particularlyvooral remarkableopmerkelijk
examplevoorbeeld of creativitycreativiteit.
57
171444
3073
Dit is een bijzonder opvallend
voorbeeld van creativiteit.
03:06
But this sortsoort of cross-pollinationkruisbestuiving
happensgebeurt for eachelk of us in smallklein waysmanieren
58
174541
3664
Deze vorm van kruisbestuiving
overkomt ons met kleine dingen,
03:10
thousandsduizenden of timestijden perper day.
59
178229
1828
duizenden keren per dag.
03:12
MachinesMachines cannotkan niet competeconcurreren with us
60
180501
1661
Machines kunnen niet concurreren met ons
03:14
when it comeskomt to tacklingaan te pakken
novelroman situationssituaties,
61
182186
2251
als het gaat om het aanpakken
van nieuwe situaties.
03:16
and this putsputs a fundamentalfundamenteel limitbegrenzing
on the humanmenselijk taskstaken
62
184461
3117
Dit begrenst fundamenteel
het type menselijke arbeid
03:19
that machinesmachines will automateautomatiseren.
63
187602
1717
dat machines zullen automatiseren.
03:22
So what does this mean
for the futuretoekomst of work?
64
190041
2405
Wat betekent dit
voor ons werk in de toekomst?
03:24
The futuretoekomst statestaat of any singlesingle jobbaan liesleugens
in the answerantwoord to a singlesingle questionvraag:
65
192804
4532
De toekomst van iedere baan
ligt in het antwoord op één enkele vraag:
03:29
To what extentomvang is that jobbaan reducibleproever
to frequentveel voorkomend, high-volumehoog volume taskstaken,
66
197360
4981
in welke mate is ze te reduceren
tot regelmatige en omvangrijke taken,
03:34
and to what extentomvang does it involvebetrekken bij
tacklingaan te pakken novelroman situationssituaties?
67
202365
3253
en in hoeverre behelst ze
het aanpakken van nieuwe situaties?
Machines worden slimmer in het uitvoeren
van regelmatige en omvangrijke taken.
03:37
On frequentveel voorkomend, high-volumehoog volume taskstaken,
machinesmachines are gettingkrijgen smarterslimmer and smarterslimmer.
68
205975
4035
Tegenwoordig beoordelen ze essays.
03:42
TodayVandaag they graderang essaysessays.
They diagnosediagnostiseren certainzeker diseasesziekten.
69
210034
2714
Ze diagnosticeren bepaalde ziektes.
03:44
Over comingkomt eraan yearsjaar,
they're going to conductgedrag our auditsaudits,
70
212772
3157
In de komende jaren
doen ze onze accountantscontrole
en lezen ze standaardteksten
van juridische contracten.
03:47
and they're going to readlezen boilerplatestandaardtekst
from legalwettelijk contractscontracten.
71
215953
2967
Accountants en advocaten
zijn nog steeds nodig
03:50
AccountantsAccountants and lawyersadvocaten are still needednodig.
72
218944
1997
om complexe teksten te structureren
03:52
They're going to be needednodig
for complexcomplex taxbelasting structuringstructureren,
73
220965
2682
en baanbrekende geschillen op te lossen.
03:55
for pathbreakingbaanbrekende litigationprocesvoering.
74
223671
1357
Maar door de machines
zal hun aantal afnemen
03:57
But machinesmachines will shrinkkrimpen theirhun ranksrangen
75
225052
1717
en zullen deze banen
moeilijker te vinden zijn.
03:58
and make these jobsjobs harderharder to come by.
76
226793
1872
04:00
Now, as mentionedvermeld,
77
228689
1151
Zoals vermeld maken machines
geen vooruitgang op nieuwe situaties.
04:01
machinesmachines are not makingmaking progressvooruitgang
on novelroman situationssituaties.
78
229864
2949
De tekst voor een marketingcampagne
04:04
The copykopiëren behindachter a marketingafzet campaigncampagne
needsbehoefte aan to grabgrijpen consumers'consumenten attentionaandacht.
79
232837
3457
moet de aandacht trekken van de consument.
04:08
It has to standstand out from the crowdmenigte.
80
236318
1715
Het moet opvallen in de grijze massa.
04:10
BusinessBusiness strategystrategie meansmiddelen
findingbevinding gapshiaten in the marketmarkt,
81
238057
2444
Bedrijfsstrategie betekent
het gat in de markt vinden
04:12
things that nobodyniemand elseanders is doing.
82
240525
1756
en dingen doen die anderen niet doen.
04:14
It will be humansmensen that are creatinghet creëren van
the copykopiëren behindachter our marketingafzet campaignscampagnes,
83
242305
4118
Het is de mens die teksten voor
een marketingcampagne zal schrijven.
04:18
and it will be humansmensen that are developingontwikkelen
our businessbedrijf strategystrategie.
84
246447
3517
Het is de mens die onze
bedrijfsstrategie zal ontwikkelen.
04:21
So YahliYahli, whateverwat dan ook you decidebesluiten to do,
85
249988
2817
Dus Yahli, wat je ook besluit te doen,
04:24
let everyelk day bringbrengen you a newnieuwe challengeuitdaging.
86
252829
2361
laat elke dag een uitdaging zijn.
04:27
If it does, then you will stayverblijf
aheadverder of the machinesmachines.
87
255587
2809
Als je dat doet, zal je
de machines een stap voor zijn.
04:31
Thank you.
88
259126
1176
Bedankt.
04:32
(ApplauseApplaus)
89
260326
3104
(Applaus)
Translated by Tahlia Flora
Reviewed by Peter Van de Ven

▲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