TED2016
Anthony Goldbloom: The jobs we'll lose to machines -- and the ones we won't
Anthony Goldbloom: Ktoré pracovné miesta prevezmú stroje a ktoré nie?
Filmed:
Readability: 4.8
2,568,213 views
Strojové učenie neslúži už len na jednoduché úlohy ako odhadovanie kreditného rizika alebo triedenie pošty – dnes zvláda aj oveľa náročnejšie úlohy, ako známkovanie slohov či diagnostikovanie ochorení. S týmto vývojom prichádza aj pálčivá otázka: Bude vašu prácu v budúcnosti vykonávať stroj?
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
Toto je moja neter.
00:14
Her name is Yahli.
1
2644
1535
Volá sa Yahli.
00:16
She is nine months old.
2
4203
1511
Má deväť mesiacov.
00:18
Her mum is a doctor,
and her dad is a lawyer.
and her dad is a lawyer.
3
6201
2528
Jej mama je doktorka a jej otec právnik.
00:21
By the time Yahli goes to college,
4
9269
2006
Kým pôjde Yahli na univerzitu,
00:23
the jobs her parents do
are going to look dramatically different.
are going to look dramatically different.
5
11299
3253
práca jej rodičov sa výrazne zmení.
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
V roku 2013 študovali výskumníci na
Oxfordskej univerzite budúcnosť povolaní.
Oxfordskej univerzite budúcnosť povolaní.
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
Zistili, že takmer každému druhému
povolaniu hrozí,
povolaniu hrozí,
00:36
of being automated by machines.
8
24929
1824
že bude vykonávané strojmi.
00:40
Machine learning is the technology
9
28388
1905
Strojové učenie je technológia
00:42
that's responsible for most
of this disruption.
of this disruption.
10
30317
2278
zodpovedná za vačšinu týchto zmien.
00:44
It's the most powerful branch
of artificial intelligence.
of artificial intelligence.
11
32619
2790
Je to najsilnejšia oblasť
v umelej inteligencii.
v umelej inteligencii.
00:47
It allows machines to learn from data
12
35433
1882
Umožňuje strojom učiť sa z dát
00:49
and mimic some of the things
that humans can do.
that humans can do.
13
37339
2592
a napodobňovať niektoré veci,
ktoré dokážu robiť ľudia.
ktoré dokážu robiť ľudia.
00:51
My company, Kaggle, operates
on the cutting edge of machine learning.
on the cutting edge of machine learning.
14
39955
3415
Moje spoločnosť, Kaggle, pracuje
s najšpičkovejším strojovým učením.
s najšpičkovejším strojovým učením.
00:55
We bring together
hundreds of thousands of experts
hundreds of thousands of experts
15
43394
2386
Združujeme stovky tisíc expertov,
00:57
to solve important problems
for industry and academia.
for industry and academia.
16
45804
3118
aby riešili najdôležitejšie problémy
priemyslu a výskumu.
priemyslu a výskumu.
01:01
This gives us a unique perspective
on what machines can do,
on what machines can do,
17
49279
3222
To nám dáva jedinečný pohľad na to,
čo stroje môžu robiť,
čo stroje môžu robiť,
01:04
what they can't do
18
52525
1235
čo nedokážu
01:05
and what jobs they might
automate or threaten.
automate or threaten.
19
53784
2939
a ktoré povolania môžu
automatizovať alebo ohroziť.
automatizovať alebo ohroziť.
01:09
Machine learning started making its way
into industry in the early '90s.
into industry in the early '90s.
20
57316
3550
Strojové učenie začalo prenikať do
priemyslu na začiatku 90. rokov.
priemyslu na začiatku 90. rokov.
01:12
It started with relatively simple tasks.
21
60890
2124
Začalo s relatívne jednoduchými úlohami.
01:15
It started with things like assessing
credit risk from loan applications,
credit risk from loan applications,
22
63406
4115
Napríklad s odhadovaním kreditného
rizika žiadateľov o pôžičku,
rizika žiadateľov o pôžičku,
01:19
sorting the mail by reading
handwritten characters from zip codes.
handwritten characters from zip codes.
23
67545
4053
triedením pošty na základe čítania
rukou písaných znakov v PSČ.
rukou písaných znakov v PSČ.
01:24
Over the past few years, we have made
dramatic breakthroughs.
dramatic breakthroughs.
24
72036
3169
Počas posledných pár rokov došlo
k veľkému prelomu.
k veľkému prelomu.
01:27
Machine learning is now capable
of far, far more complex tasks.
of far, far more complex tasks.
25
75586
3916
Strojové učenie je dnes schopné
oveľa náročnejších úloh.
oveľa náročnejších úloh.
01:31
In 2012, Kaggle challenged its community
26
79860
3231
V roku 2012 Kaggle vyzval svoju komunitu
na vytvorenie algoritmu, na známkovanie
slohových prác stredoškolákov.
slohových prác stredoškolákov.
01:35
to build an algorithm
that could grade high-school essays.
that could grade high-school essays.
27
83115
3189
01:38
The winning algorithms
were able to match the grades
were able to match the grades
28
86328
2604
Víťazné algoritmy dávali
rovnaké hodnotenie
rovnaké hodnotenie
01:40
given by human teachers.
29
88956
1665
ako učitelia.
01:43
Last year, we issued
an even more difficult challenge.
an even more difficult challenge.
30
91092
2984
Minulý rok sme prišli
s ešte náročnejšou úlohou.
s ešte náročnejšou úlohou.
01:46
Can you take images of the eye
and diagnose an eye disease
and diagnose an eye disease
31
94100
2953
Dokážeme urobiť fotky oka
a diagnostikovať očné ochorenie
a diagnostikovať očné ochorenie
01:49
called diabetic retinopathy?
32
97077
1694
zvané diabetická retinopatia?
01:51
Again, the winning algorithms
were able to match the diagnoses
were able to match the diagnoses
33
99164
4040
A znova, víťazné algoritmy
diagnostikovali rovnako
diagnostikovali rovnako
01:55
given by human ophthalmologists.
34
103228
1825
ako ľudskí oftalmológovia.
01:57
Now, given the right data,
machines are going to outperform humans
machines are going to outperform humans
35
105561
3212
Takže so správnymi dátami stroje
v takýchto úlohách predčia ľudí.
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
Učiteľ dokáže prečítať 10 000 slohov
počas svojej 40-ročnej kariéry.
počas svojej 40-ročnej kariéry.
02:06
An ophthalmologist might see 50,000 eyes.
38
114407
2360
Oftalmológ dokáže prezrieť 50 000 očí.
02:08
A machine can read millions of essays
or see millions of eyes
or see millions of eyes
39
116791
3913
Stroj dokáže prečítať milióny slohov
alebo prezrieť milióny očí
alebo prezrieť milióny očí
02:12
within minutes.
40
120728
1276
v priebehu niekoľkých minút.
02:14
We have no chance of competing
against machines
against machines
41
122456
2858
V porovnaní so strojmi nemáme
02:17
on frequent, high-volume tasks.
42
125338
2321
pri častých, veľkoobjemových
úlohách šancu.
úlohách šancu.
02:20
But there are things we can do
that machines can't do.
that machines can't do.
43
128665
3724
Ale sú veci, ktoré my dokážeme robiť
a stroje nie.
a stroje nie.
02:24
Where machines have made
very little progress
very little progress
44
132791
2200
Stroje spravili len veľmi malý pokrok
02:27
is in tackling novel situations.
45
135015
1854
v riešení nových situácií.
02:28
They can't handle things
they haven't seen many times before.
they haven't seen many times before.
46
136893
3899
Stroje nedokážu zvládať veci,
ktoré nevideli mnohokrát predtým.
ktoré nevideli mnohokrát predtým.
02:33
The fundamental limitations
of machine learning
of machine learning
47
141321
2584
Základným obmedzením strojového učenia je,
02:35
is that it needs to learn
from large volumes of past data.
from large volumes of past data.
48
143929
3394
že potrebuje veľký objem dát z minulosti.
02:39
Now, humans don't.
49
147347
1754
Avšak ľudia nie.
02:41
We have the ability to connect
seemingly disparate threads
seemingly disparate threads
50
149125
3030
Máme schopnosť spojiť
zdanlivo nezlúčiteľné súvislosti
zdanlivo nezlúčiteľné súvislosti
a vyriešiť problémy,
s ktorými sme sa predtým nestretli.
s ktorými sme sa predtým nestretli.
02:44
to solve problems we've never seen before.
51
152179
2238
02:46
Percy Spencer was a physicist
working on radar during World War II,
working on radar during World War II,
52
154808
4411
Fyzik Percy Spencer počas druhej
svetovej vojny pracoval na radare,
svetovej vojny pracoval na radare,
02:51
when he noticed the magnetron
was melting his chocolate bar.
was melting his chocolate bar.
53
159243
3013
keď si všimol, že magnetron
mu topil čokoládu.
mu topil čokoládu.
02:54
He was able to connect his understanding
of electromagnetic radiation
of electromagnetic radiation
54
162970
3295
Bol schopný spojiť svoje vedomosti
o elektromagnetickej radiácii
o elektromagnetickej radiácii
02:58
with his knowledge of cooking
55
166289
1484
so svojimi znalosťami varenia,
02:59
in order to invent -- any guesses? --
the microwave oven.
the microwave oven.
56
167797
3258
aby vynašiel – uhádnete čo? –
mikrovlnnú rúru.
mikrovlnnú rúru.
03:03
Now, this is a particularly remarkable
example of creativity.
example of creativity.
57
171444
3073
Toto je neuveriteľný príklad kreativity.
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
Ale takéto prenesenie vedomostí
sa stáva každému z nás pri drobnostiach
sa stáva každému z nás pri drobnostiach
03:10
thousands of times per day.
59
178229
1828
tisíckrát za deň.
03:12
Machines cannot compete with us
60
180501
1661
Stroje s nami nemôžu súťažiť vtedy,
03:14
when it comes to tackling
novel situations,
novel situations,
61
182186
2251
keď je potrebné riešiť nové situácie
03:16
and this puts a fundamental limit
on the human tasks
on the human tasks
62
184461
3117
a to je základným obmedzením úloh,
03:19
that machines will automate.
63
187602
1717
ktoré za nás prevezmú stroje.
03:22
So what does this mean
for the future of work?
for the future of work?
64
190041
2405
Takže čo to znamená
pre budúcnosť povolaní?
pre budúcnosť povolaní?
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
Budúcnosť každého jedného pracovného
miesta závisí od odpovede na otázku:
miesta závisí od odpovede na otázku:
03:29
To what extent is that job reducible
to frequent, high-volume tasks,
to frequent, high-volume tasks,
66
197360
4981
Do akej miery je daná práca redukovateľná
na opakovanú, veľkoobjemovú úlohu
na opakovanú, veľkoobjemovú úlohu
03:34
and to what extent does it involve
tackling novel situations?
tackling novel situations?
67
202365
3253
a do akej miery zahŕňa reagovanie
na nové situácie?
na nové situácie?
03:37
On frequent, high-volume tasks,
machines are getting smarter and smarter.
machines are getting smarter and smarter.
68
205975
4035
V opakovaných, veľkoobjemových úlohách
sú stroje čoraz lepšie.
sú stroje čoraz lepšie.
03:42
Today they grade essays.
They diagnose certain diseases.
They diagnose certain diseases.
69
210034
2714
Dnes dokážu známkovať slohy.
Diagnostikovať určité ochorenia.
Diagnostikovať určité ochorenia.
03:44
Over coming years,
they're going to conduct our audits,
they're going to conduct our audits,
70
212772
3157
V ďalších rokov budú riadiť audity
03:47
and they're going to read boilerplate
from legal contracts.
from legal contracts.
71
215953
2967
a budú čitať obsiahle právne dokumenty.
03:50
Accountants and lawyers are still needed.
72
218944
1997
Účtovníci a právnici budú stále potrební.
Budú zodpovední
za komplexné daňové štrukturovanie
za komplexné daňové štrukturovanie
03:52
They're going to be needed
for complex tax structuring,
for complex tax structuring,
73
220965
2682
a v nových právnych sporoch.
03:55
for pathbreaking litigation.
74
223671
1357
Ale stroje ich prácu zredukujú
03:57
But machines will shrink their ranks
75
225052
1717
a bude ťažšie ju získať.
03:58
and make these jobs harder to come by.
76
226793
1872
04:00
Now, as mentioned,
77
228689
1151
Ako bolo spomenuté,
04:01
machines are not making progress
on novel situations.
on novel situations.
78
229864
2949
stroje sa nevyvíjajú v oblasti
riešenia nových situácií.
riešenia nových situácií.
04:04
The copy behind a marketing campaign
needs to grab consumers' attention.
needs to grab consumers' attention.
79
232837
3457
Text reklamnej kampane potrebuje
zaujať zákazníka.
zaujať zákazníka.
04:08
It has to stand out from the crowd.
80
236318
1715
Musí vyčnievať z radu.
04:10
Business strategy means
finding gaps in the market,
finding gaps in the market,
81
238057
2444
Podnikateľské stratégie
hľadajú diery na trhu,
hľadajú diery na trhu,
04:12
things that nobody else is doing.
82
240525
1756
veci, ktoré nikto iný nerobí.
04:14
It will be humans that are creating
the copy behind our marketing campaigns,
the copy behind our marketing campaigns,
83
242305
4118
Texty marketingových kampaní
budú tvoriť ľudia,
budú tvoriť ľudia,
04:18
and it will be humans that are developing
our business strategy.
our business strategy.
84
246447
3517
rovnako ako aj podnikateľské stratégie.
04:21
So Yahli, whatever you decide to do,
85
249988
2817
Takže Yahli, čokoľvek sa rozhodneš robiť,
04:24
let every day bring you a new challenge.
86
252829
2361
nech ti každý nový deň
prinesie novú výzvu.
prinesie novú výzvu.
04:27
If it does, then you will stay
ahead of the machines.
ahead of the machines.
87
255587
2809
Ak to tak bude,
budeš vždy o krok pred strojmi.
budeš vždy o krok pred strojmi.
04:31
Thank you.
88
259126
1176
Ďakujem.
04:32
(Applause)
89
260326
3104
(potlesk)
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