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: As tarefas que perderemos para as máquinas — e as que não perderemos

Filmed:
2,568,213 views

A aprendizagem automática já não é apenas para tarefas simples como a avaliação do risco de crédito e a separação de correio. Hoje, é capaz de aplicações muito mais complexas, como avaliar testes e diagnosticar doenças. Com estes progressos, coloca-se uma questão difícil: Será um robô a fazer o nosso trabalho no futuro?
- 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 niecesobrinha.
0
968
1262
Esta é a minha sobrinha.
00:14
Her namenome is YahliYahli.
1
2644
1535
Chama-se Yahli.
00:16
She is ninenove monthsmeses oldvelho.
2
4203
1511
Tem nove meses.
00:18
Her mummãe is a doctormédico,
and her dadPapai is a lawyeradvogado.
3
6201
2528
A mãe dela é médica
e o pai é advogado.
00:21
By the time YahliYahli goesvai to collegeFaculdade,
4
9269
2006
Quando a Yahli for para a faculdade,
00:23
the jobsempregos her parentsparentes do
are going to look dramaticallydramaticamente differentdiferente.
5
11299
3253
o trabalho que os pais dela fazem
será radicalmente diferente.
00:27
In 2013, researcherspesquisadores at OxfordOxford UniversityUniversidade
did a studyestude on the futurefuturo of work.
6
15347
5073
Em 2013, investigadores
da Universidade de Oxford
fizeram um estudo
sobre o futuro do trabalho.
00:32
They concludedconcluiu that almostquase one
in everycada two jobsempregos have a highAlto riskrisco
7
20766
4139
Concluíram que, praticamente,
um em cada dois empregos
correm alto risco de serem
automatizados com máquinas.
00:36
of beingser automatedautomatizado by machinesmáquinas.
8
24929
1824
00:40
MachineMáquina learningAprendendo is the technologytecnologia
9
28388
1905
A aprendizagem automática
é a tecnologia responsável
00:42
that's responsibleresponsável for mosta maioria
of this disruptioninterrupção.
10
30317
2278
pela maior parte desta revolução.
00:44
It's the mosta maioria powerfulpoderoso branchramo
of artificialartificial intelligenceinteligência.
11
32619
2790
É o ramo mais poderoso
da inteligência artificial.
00:47
It allowspermite machinesmáquinas to learnaprender from datadados
12
35433
1882
Permite que as máquinas
aprendam com os dados
00:49
and mimicmímico some of the things
that humanshumanos can do.
13
37339
2592
e imitem algumas das coisas
que os seres humanos fazem.
00:51
My companyempresa, KaggleKaggle, operatesopera
on the cuttingcorte edgeBeira of machinemáquina learningAprendendo.
14
39955
3415
A minha empresa, a Kaggle, trabalha
na aprendizagem automática de ponta.
00:55
We bringtrazer togetherjuntos
hundredscentenas of thousandsmilhares of expertsespecialistas
15
43394
2386
Reunimos centenas de milhares
de especialistas
00:57
to solveresolver importantimportante problemsproblemas
for industryindústria and academiaAcademia.
16
45804
3118
para resolver problemas importantes
para a indústria e para a academia.
01:01
This gives us a uniqueúnico perspectiveperspectiva
on what machinesmáquinas can do,
17
49279
3222
Isso dá-nos uma perspetiva única
sobre o que as máquinas conseguem fazer,
01:04
what they can't do
18
52525
1235
o que elas não conseguem fazer,
01:05
and what jobsempregos they mightpoderia
automateautomatizar or threatenameaçam a.
19
53784
2939
e que profissões podem ser
automatizadas ou ameaçadas.
01:09
MachineMáquina learningAprendendo startedcomeçado makingfazer its way
into industryindústria in the earlycedo '90s.
20
57316
3550
A aprendizagem automática
entrou na indústria no início dos anos 90.
01:12
It startedcomeçado with relativelyrelativamente simplesimples taskstarefas.
21
60890
2124
Começou com tarefas relativamente fáceis.
01:15
It startedcomeçado with things like assessingavaliar
creditcrédito riskrisco from loanempréstimo applicationsaplicações,
22
63406
4115
Começou com coisas como
avaliar o risco de crédito
para aplicações de empréstimos,
01:19
sortingclassificação the mailenviar by readingleitura
handwrittenmanuscrita characterspersonagens from zipfecho eclair codescódigos de.
23
67545
4053
separar o correio, lendo os caracteres
manuscritos dos códigos postais.
01:24
Over the pastpassado fewpoucos yearsanos, we have madefeito
dramaticdramático breakthroughsavanços.
24
72036
3169
Durante os últimos anos,
fizemos progressos fenomenais.
01:27
MachineMáquina learningAprendendo is now capablecapaz
of farlonge, farlonge more complexcomplexo taskstarefas.
25
75586
3916
A aprendizagem automática consegue
fazer hoje tarefas muito mais complexas.
01:31
In 2012, KaggleKaggle challengeddesafiado its communitycomunidade
26
79860
3231
Em 2012, a Kaggle
desafiou a sua comunidade
01:35
to buildconstruir an algorithmalgoritmo de
that could gradegrau high-schoolcolegial essaysensaios.
27
83115
3189
a construir um algoritmo que pudesse
avaliar os testes do secundário.
01:38
The winningganhando algorithmsalgoritmos
were ablecapaz to matchpartida the gradesnotas
28
86328
2604
Os algoritmos vencedores
conseguiram equiparar-se aos valores
01:40
givendado by humanhumano teachersprofessores.
29
88956
1665
dados pelos professores humanos.
01:43
Last yearano, we issuedemitido
an even more difficultdifícil challengedesafio.
30
91092
2984
No ano passado, lançámos um desafio
ainda mais difícil.
Conseguem tirar imagens do olho
e diagnosticar uma doença de olhos
01:46
Can you take imagesimagens of the eyeolho
and diagnosediagnosticar an eyeolho diseasedoença
31
94100
2953
01:49
calledchamado diabeticdiabético retinopathyretinopatia?
32
97077
1694
chamada retinopatia diabética?
01:51
Again, the winningganhando algorithmsalgoritmos
were ablecapaz to matchpartida the diagnosesdiagnósticos
33
99164
4040
Mais uma vez, os algoritmos vencedores
conseguiram equiparar-se aos diagnósticos
01:55
givendado by humanhumano ophthalmologistsoftalmologistas.
34
103228
1825
feitos pelos oftalmologistas humanos.
Se lhes dermos os dados certos,
as máquinas vão superar os seres humanos
01:57
Now, givendado the right datadados,
machinesmáquinas are going to outperformsuperar humanshumanos
35
105561
3212
02:00
at taskstarefas like this.
36
108797
1165
em tarefas como estas.
02:01
A teacherprofessor mightpoderia readler 10,000 essaysensaios
over a 40-year-ano careercarreira.
37
109986
3992
Um professor pode ler 10 000 testes
durante a sua carreira de 40 anos.
02:06
An ophthalmologistoftalmologista mightpoderia see 50,000 eyesolhos.
38
114407
2360
Um oftalmologista poderá ver 50 000 olhos.
02:08
A machinemáquina can readler millionsmilhões of essaysensaios
or see millionsmilhões of eyesolhos
39
116791
3913
Uma máquina pode ler milhões de testes
ou ver milhões de olhos
02:12
withindentro minutesminutos.
40
120728
1276
em poucos minutos.
02:14
We have no chancechance of competingcompetindo
againstcontra machinesmáquinas
41
122456
2858
Não temos hipótese
de competir com as máquinas
02:17
on frequentfreqüente, high-volumevolume alto taskstarefas.
42
125338
2321
em tarefas frequentes, de alto volume.
02:20
But there are things we can do
that machinesmáquinas can't do.
43
128665
3724
Mas há coisas que fazemos
e que as máquinas não podem fazer.
02:24
Where machinesmáquinas have madefeito
very little progressprogresso
44
132791
2200
Onde as máquinas têm feito
muito pouco progresso
02:27
is in tacklingluta contra novelromance situationssituações.
45
135015
1854
é em lidar com situações novas.
02:28
They can't handlelidar com things
they haven'tnão tem seenvisto manymuitos timesvezes before.
46
136893
3899
Não conseguem lidar com coisas
que não tenham visto muitas vezes.
02:33
The fundamentalfundamental limitationslimitações
of machinemáquina learningAprendendo
47
141321
2584
As limitações fundamentais
da aprendizagem automática
02:35
is that it needsprecisa to learnaprender
from largeampla volumesvolumes of pastpassado datadados.
48
143929
3394
são que elas precisam de aprender
com grandes volumes de dados anteriores.
02:39
Now, humanshumanos don't.
49
147347
1754
Os seres humanos não.
02:41
We have the abilityhabilidade to connectconectar
seeminglyaparentemente disparatedesigual threadstópicos
50
149125
3030
Nós temos a capacidade de
relacionar fios aparentemente díspares
02:44
to solveresolver problemsproblemas we'venós temos never seenvisto before.
51
152179
2238
para resolver problemas que nunca vimos.
02:46
PercyPercy SpencerSpencer was a physicistfísico
workingtrabalhando on radarradar duringdurante WorldMundo WarGuerra IIII,
52
154808
4411
Percy Spender era físico e trabalhava
com radar durante a II Guerra Mundial,
02:51
when he noticednotado the magnetronmagnétron
was meltingfusão his chocolatechocolate barBarra.
53
159243
3013
quando reparou que o magnetrão
estava a derreter uma barra de chocolate.
02:54
He was ablecapaz to connectconectar his understandingcompreensão
of electromagneticeletromagnética radiationradiação
54
162970
3295
Conseguiu relacionar o seu conhecimento
de radiações eletromagnéticas
02:58
with his knowledgeconhecimento of cookingcozinhando
55
166289
1484
com os seus conhecimentos de cozinha
02:59
in orderordem to inventinventar -- any guessespalpites? --
the microwavemicro-ondas ovenforno.
56
167797
3258
e inventou — não adivinham? —
o forno micro-ondas.
03:03
Now, this is a particularlyparticularmente remarkablenotável
exampleexemplo of creativitycriatividade.
57
171444
3073
Este é um exemplo de criatividade
especialmente notável
03:06
But this sortordenar of cross-pollinationpolinização cruzada
happensacontece for eachcada of us in smallpequeno waysmaneiras
58
174541
3664
Mas este tipo de polinização cruzada
acontece com todos nós, de forma simples,
03:10
thousandsmilhares of timesvezes perpor day.
59
178229
1828
milhares de vezes por dia.
03:12
MachinesMáquinas cannotnão podes competecompetir with us
60
180501
1661
As máquinas não podem competir connosco
03:14
when it comesvem to tacklingluta contra
novelromance situationssituações,
61
182186
2251
quando se trata de lidar
com situações novas.
03:16
and this putscoloca a fundamentalfundamental limitlimite
on the humanhumano taskstarefas
62
184461
3117
Isto põe um limite fundamental
às tarefas humanas
03:19
that machinesmáquinas will automateautomatizar.
63
187602
1717
que as máquinas irão automatizar.
03:22
So what does this mean
for the futurefuturo of work?
64
190041
2405
O que significa isto
para o futuro do trabalho?
03:24
The futurefuturo stateEstado of any singlesolteiro jobtrabalho liesmentiras
in the answerresponda to a singlesolteiro questionquestão:
65
192804
4532
O estado futuro de qualquer trabalho
reside na resposta a uma única pergunta:
03:29
To what extentextensão is that jobtrabalho reducibleredutível
to frequentfreqüente, high-volumevolume alto taskstarefas,
66
197360
4981
Até que ponto este trabalho
pode ser reduzido
a tarefas frequentes, de alto volume,
03:34
and to what extentextensão does it involveenvolver
tacklingluta contra novelromance situationssituações?
67
202365
3253
e até que ponto envolve situações novas?
03:37
On frequentfreqüente, high-volumevolume alto taskstarefas,
machinesmáquinas are gettingobtendo smartermais esperto and smartermais esperto.
68
205975
4035
Nas tarefas frequentes, de alto volume,
as máquinas vão ser
cada vez mais inteligentes.
03:42
TodayHoje they gradegrau essaysensaios.
They diagnosediagnosticar certaincerto diseasesdoenças.
69
210034
2714
Hoje, avaliam testes.
Diagnosticam certas doenças.
03:44
Over comingchegando yearsanos,
they're going to conductconduta our auditsauditorias,
70
212772
3157
Nos próximos anos,
vão realizar as nossas auditorias,
03:47
and they're going to readler boilerplateclichê
from legallegal contractsMarcoddGMMMMMMMMMMMMMMMMMMMMMMMMMMMMMMMMMMMMMMMMMMMMMMMM.
71
215953
2967
vão ler as informações básicas
de contratos legais.
03:50
AccountantsContabilistas and lawyersadvogados are still needednecessário.
72
218944
1997
Os contabilistas e advogados
continuarão a ser precisos
03:52
They're going to be needednecessário
for complexcomplexo taximposto structuringestruturação de,
73
220965
2682
para tarefas complexas,
litigações inovadoras.
03:55
for pathbreakingDestravador litigationlitígio.
74
223671
1357
Mas as máquinas irão
reduzir as suas fileiras
03:57
But machinesmáquinas will shrinkencolher theirdeles ranksfileiras
75
225052
1717
e tornar essas profissões mais difíceis.
03:58
and make these jobsempregos hardermais difíceis to come by.
76
226793
1872
04:00
Now, as mentionedmencionado,
77
228689
1151
Tal como já referi,
04:01
machinesmáquinas are not makingfazer progressprogresso
on novelromance situationssituações.
78
229864
2949
as máquinas não vão progredir
em situações novas.
O projeto para uma campanha publicitária
tem de prender a atenção do consumidor,
04:04
The copycópia de behindatrás a marketingmarketing campaigncampanha
needsprecisa to grabagarrar consumers'dos consumidores attentionatenção.
79
232837
3457
04:08
It has to standficar de pé out from the crowdmultidão.
80
236318
1715
Tem que sobressair entre a multidão.
04:10
BusinessNegócios strategyestratégia meanssignifica
findingencontrando gapslacunas in the marketmercado,
81
238057
2444
A estratégia empresarial é
encontrar vazios no mercado,
04:12
things that nobodyninguém elseoutro is doing.
82
240525
1756
coisas que ninguém está a fazer.
04:14
It will be humanshumanos that are creatingcriando
the copycópia de behindatrás our marketingmarketing campaignscampanhas,
83
242305
4118
Serão os seres humano a criar o projeto
por detrás das campanhas publicitárias,
04:18
and it will be humanshumanos that are developingem desenvolvimento
our businesso negócio strategyestratégia.
84
246447
3517
serão os seres humanos a desenvolver
as estratégias empresariais.
04:21
So YahliYahli, whatevertanto faz you decidedecidir to do,
85
249988
2817
Portanto, Yahli,
o que quer que venhas a ser,
04:24
let everycada day bringtrazer you a newNovo challengedesafio.
86
252829
2361
que todos os dias
te tragam um novo desafio.
04:27
If it does, then you will stayfique
aheadadiante of the machinesmáquinas.
87
255587
2809
Se assim for, manter-te-ás
à frente das máquinas.
04:31
Thank you.
88
259126
1176
Obrigado.
04:32
(ApplauseAplausos)
89
260326
3104
(Aplausos)

▲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