TED2016
Anthony Goldbloom: The jobs we'll lose to machines -- and the ones we won't
Антъни Голдблум: Професиите, които ще изгубим от машините - и онези, които няма да изгубим
Filmed:
Readability: 4.8
2,568,213 views
Машинното самообучение не е вече само за прости задачи като оценяване на риска от кредит и разпределяне на пощата - днес то е способно на далеч по-сложни приложения като оценяване на есета и диагностициране на болести. С този напредък се появява един нелесен въпрос: Дали роботът ще върши работата ни в бъдещето?
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.
Това е моята племенница.
00:12
So this is my niece.
0
968
1262
Името ѝ е Яли.
00:14
Her name is Yahli.
1
2644
1535
Тя е на девет месеца.
00:16
She is nine months old.
2
4203
1511
Майка ѝ е лекар, а баща ѝ - адвокат.
00:18
Her mum is a doctor,
and her dad is a lawyer.
and her dad is a lawyer.
3
6201
2528
Когато Яли отиде в колеж,
професиите на родителите ѝ
ще изглеждат коренно различни.
ще изглеждат коренно различни.
00:21
By the time Yahli goes to college,
4
9269
2006
00:23
the jobs her parents do
are going to look dramatically different.
are going to look dramatically different.
5
11299
3253
През 2013 г. учени от Оксфордския университет
направиха проучване върху бъдещето на професиите.
направиха проучване върху бъдещето на професиите.
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
Те направиха заключението, че почти една
от всеки две професии има висок риск
от всеки две професии има висок риск
да бъде автоматизирана от машини.
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
Машинното самообучение е
техническата наука,
техническата наука,
00:36
of being automated by machines.
8
24929
1824
която е отговорна най-вече
за този разрив.
за този разрив.
Тя е най-мощният отрасъл
на изкуствения интелект.
на изкуствения интелект.
00:40
Machine learning is the technology
9
28388
1905
00:42
that's responsible for most
of this disruption.
of this disruption.
10
30317
2278
Позволява на машините да се учат от данни
00:44
It's the most powerful branch
of artificial intelligence.
of artificial intelligence.
11
32619
2790
и да наподобяват напълно някои от нещата,
които хората правят.
които хората правят.
00:47
It allows machines to learn from data
12
35433
1882
Моята компания, Кагъл, функционира на
пронизващия ръб на машинното самообучение.
пронизващия ръб на машинното самообучение.
00:49
and mimic some of the things
that humans can do.
that humans can do.
13
37339
2592
Ние събираме заедно
стотици хиляди експерти,
стотици хиляди експерти,
00:51
My company, Kaggle, operates
on the cutting edge of machine learning.
on the cutting edge of machine learning.
14
39955
3415
за да решаваме важни проблеми за
индустрията и академичните среди.
индустрията и академичните среди.
00:55
We bring together
hundreds of thousands of experts
hundreds of thousands of experts
15
43394
2386
Това ни дава уникалната перспектива за това
какво машините могат да правят
какво машините могат да правят
00:57
to solve important problems
for industry and academia.
for industry and academia.
16
45804
3118
и какво не могат
01:01
This gives us a unique perspective
on what machines can do,
on what machines can do,
17
49279
3222
и кои професии те могат да
автоматизират или заплашат.
автоматизират или заплашат.
01:04
what they can't do
18
52525
1235
Машинното самообучение е започнало да
проправя пътя си в индустрията в началото на 90-те.
проправя пътя си в индустрията в началото на 90-те.
01:05
and what jobs they might
automate or threaten.
automate or threaten.
19
53784
2939
То е започнало с относително прости задачи
01:09
Machine learning started making its way
into industry in the early '90s.
into industry in the early '90s.
20
57316
3550
като оценяване на кредитния риск
от молбите за заем и
от молбите за заем и
01:12
It started with relatively simple tasks.
21
60890
2124
разпределяне на пощата чрез четене на
ръкописни букви от пощенски кодове.
ръкописни букви от пощенски кодове.
01:15
It started with things like assessing
credit risk from loan applications,
credit risk from loan applications,
22
63406
4115
01:19
sorting the mail by reading
handwritten characters from zip codes.
handwritten characters from zip codes.
23
67545
4053
През изминалите няколко години ние
направихме много важни научни открития.
направихме много важни научни открития.
01:24
Over the past few years, we have made
dramatic breakthroughs.
dramatic breakthroughs.
24
72036
3169
Машинното самообучение сега е способно
на далеч по-сложни задачи.
на далеч по-сложни задачи.
През 2012 г. Кагъл предизвика своята общност
01:27
Machine learning is now capable
of far, far more complex tasks.
of far, far more complex tasks.
25
75586
3916
да състави алгоритъм, който да може да оценява
есета на ученици в гимназиален етап.
есета на ученици в гимназиален етап.
01:31
In 2012, Kaggle challenged its community
26
79860
3231
Печелившите алгоритми съвпаднаха с оценките,
01:35
to build an algorithm
that could grade high-school essays.
that could grade high-school essays.
27
83115
3189
дадени от хора преподаватели.
01:38
The winning algorithms
were able to match the grades
were able to match the grades
28
86328
2604
Миналата година ние издадохме
дори по-трудно предизвикателство.
дори по-трудно предизвикателство.
01:40
given by human teachers.
29
88956
1665
Може ли да вземете снимки на окото и
да диагностицирате болест,
да диагностицирате болест,
01:43
Last year, we issued
an even more difficult challenge.
an even more difficult challenge.
30
91092
2984
наречена диабетна ретинопатия?
01:46
Can you take images of the eye
and diagnose an eye disease
and diagnose an eye disease
31
94100
2953
Печелившите алгоритми отново
съвпаднаха с диагнозите,
съвпаднаха с диагнозите,
01:49
called diabetic retinopathy?
32
97077
1694
дадени от хора офталмолози.
01:51
Again, the winning algorithms
were able to match the diagnoses
were able to match the diagnoses
33
99164
4040
Снабдени с правилните данни,
машините ще заменят хората
машините ще заменят хората
01:55
given by human ophthalmologists.
34
103228
1825
в такива задачи.
01:57
Now, given the right data,
machines are going to outperform humans
machines are going to outperform humans
35
105561
3212
Един учител може да прочете 10,000 есета
в рамките на 40-годишна кариера.
в рамките на 40-годишна кариера.
02:00
at tasks like this.
36
108797
1165
Един офталмолог може да прегледа 50,000 очи.
02:01
A teacher might read 10,000 essays
over a 40-year career.
over a 40-year career.
37
109986
3992
А една машина може да прочете милион
есета или да прегледа милион очи
есета или да прегледа милион очи
02:06
An ophthalmologist might see 50,000 eyes.
38
114407
2360
за по-малко от минути.
02:08
A machine can read millions of essays
or see millions of eyes
or see millions of eyes
39
116791
3913
Ние нямаме шанс да се съревноваваме
срещу машините
срещу машините
02:12
within minutes.
40
120728
1276
02:14
We have no chance of competing
against machines
against machines
41
122456
2858
на често срещани задачи с голям обем информация.
02:17
on frequent, high-volume tasks.
42
125338
2321
Но има неща, които ние можем да правим,
а машините не могат.
а машините не могат.
02:20
But there are things we can do
that machines can't do.
that machines can't do.
43
128665
3724
Машините са направили много малък прогрес
в справянето с непознати
досега за тях ситуации.
досега за тях ситуации.
02:24
Where machines have made
very little progress
very little progress
44
132791
2200
Те не могат да боравят с неща, които не са
виждали много пъти преди това.
виждали много пъти преди това.
02:27
is in tackling novel situations.
45
135015
1854
02:28
They can't handle things
they haven't seen many times before.
they haven't seen many times before.
46
136893
3899
Основното ограничение на машинното
самообучение е,
самообучение е,
че машините трябва да се учат от
голямо количество изтекли данни.
голямо количество изтекли данни.
02:33
The fundamental limitations
of machine learning
of machine learning
47
141321
2584
02:35
is that it needs to learn
from large volumes of past data.
from large volumes of past data.
48
143929
3394
А ние, хората, не трябва.
Ние имаме способността да свързваме
привидно коренно различни идеи,
привидно коренно различни идеи,
02:39
Now, humans don't.
49
147347
1754
за да намираме решение на проблеми,
които преди никога не сме виждали.
които преди никога не сме виждали.
02:41
We have the ability to connect
seemingly disparate threads
seemingly disparate threads
50
149125
3030
02:44
to solve problems we've never seen before.
51
152179
2238
Пърси Спенсър е бил физик, който работел
върху радар по време на Втората световна война,
върху радар по време на Втората световна война,
02:46
Percy Spencer was a physicist
working on radar during World War II,
working on radar during World War II,
52
154808
4411
когато забелязал, че магнетронът е
стопил неговото шоколадово блокче.
стопил неговото шоколадово блокче.
02:51
when he noticed the magnetron
was melting his chocolate bar.
was melting his chocolate bar.
53
159243
3013
Пърси е бил способен да асоциира своето
разбиране от електромагнетична радиация
разбиране от електромагнетична радиация
02:54
He was able to connect his understanding
of electromagnetic radiation
of electromagnetic radiation
54
162970
3295
със своите умения по готвене,
за да изобрети - някакви предположения? -
микровълновата фурна.
микровълновата фурна.
02:58
with his knowledge of cooking
55
166289
1484
02:59
in order to invent -- any guesses? --
the microwave oven.
the microwave oven.
56
167797
3258
Това сега е особено забележителен
пример за креативност.
пример за креативност.
03:03
Now, this is a particularly remarkable
example of creativity.
example of creativity.
57
171444
3073
Но този начин на "кръстосано опрашване"
се случва на всеки от нас
се случва на всеки от нас
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
хиляди пъти на ден.
Машините не могат да се
съревновават с нас,
съревновават с нас,
03:10
thousands of times per day.
59
178229
1828
когато става дума за справяне с
непознати досега за тях ситуации,
непознати досега за тях ситуации,
03:12
Machines cannot compete with us
60
180501
1661
03:14
when it comes to tackling
novel situations,
novel situations,
61
182186
2251
и това поставя фундаментален
лимит на човешките задачи,
лимит на човешките задачи,
03:16
and this puts a fundamental limit
on the human tasks
on the human tasks
62
184461
3117
които машините ще автоматизират.
03:19
that machines will automate.
63
187602
1717
Та какво означава това за
бъдещето на професиите?
бъдещето на професиите?
Бъдещото състояние на всяка една професия
лежи в отговора на един прост въпрос:
лежи в отговора на един прост въпрос:
03:22
So what does this mean
for the future of work?
for the future of work?
64
190041
2405
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
До каква степен тази професия е съкратима до
често срещани задачи с голям обем информация
често срещани задачи с голям обем информация
03:29
To what extent is that job reducible
to frequent, high-volume tasks,
to frequent, high-volume tasks,
66
197360
4981
и до каква степен включва справяне
с непознати досега ситуации?
с непознати досега ситуации?
03:34
and to what extent does it involve
tackling novel situations?
tackling novel situations?
67
202365
3253
При често срещани задачи с голям обем информация
машините стават умни и все по-умни.
машините стават умни и все по-умни.
Днес те оценяват есета и диагностицират
определени болести.
определени болести.
03:37
On frequent, high-volume tasks,
machines are getting smarter and smarter.
machines are getting smarter and smarter.
68
205975
4035
През следващите години те
ще водят нашите одити
ще водят нашите одити
03:42
Today they grade essays.
They diagnose certain diseases.
They diagnose certain diseases.
69
210034
2714
и ще четат шаблони от законни договори.
03:44
Over coming years,
they're going to conduct our audits,
they're going to conduct our audits,
70
212772
3157
Счетоводители и адвокати са все още необходими.
03:47
and they're going to read boilerplate
from legal contracts.
from legal contracts.
71
215953
2967
Те ще са нужни за сложно
структуриране на данъци,
структуриране на данъци,
03:50
Accountants and lawyers are still needed.
72
218944
1997
за промяна на посоката на съдебния процес.
03:52
They're going to be needed
for complex tax structuring,
for complex tax structuring,
73
220965
2682
Но машините ще намалят
техния ранг
техния ранг
03:55
for pathbreaking litigation.
74
223671
1357
и ще направят тези работи
по-трудни за намиране.
по-трудни за намиране.
03:57
But machines will shrink their ranks
75
225052
1717
Сега, както споменах,
03:58
and make these jobs harder to come by.
76
226793
1872
машините не правят прогрес в непознати
досега за тях ситуации.
досега за тях ситуации.
04:00
Now, as mentioned,
77
228689
1151
04:01
machines are not making progress
on novel situations.
on novel situations.
78
229864
2949
Копието зад маркетингова кампания трябва
да привлече вниманието на потребителите.
да привлече вниманието на потребителите.
04:04
The copy behind a marketing campaign
needs to grab consumers' attention.
needs to grab consumers' attention.
79
232837
3457
То трябва да се забелязва лесно от тълпата.
04:08
It has to stand out from the crowd.
80
236318
1715
Бизнес стратегия означава да намериш
пролуки на пазара,
пролуки на пазара,
04:10
Business strategy means
finding gaps in the market,
finding gaps in the market,
81
238057
2444
неща, които никой друг не прави.
04:12
things that nobody else is doing.
82
240525
1756
Хората ще бъдат тези, които ще създадат
копието зад нашите маркетингови капмании
копието зад нашите маркетингови капмании
04:14
It will be humans that are creating
the copy behind our marketing campaigns,
the copy behind our marketing campaigns,
83
242305
4118
и те ще бъдат тези, които ще развият
нашата бизнес стратегия.
нашата бизнес стратегия.
04:18
and it will be humans that are developing
our business strategy.
our business strategy.
84
246447
3517
Така че, Яли, каквото и да решиш да правиш,
04:21
So Yahli, whatever you decide to do,
85
249988
2817
остави всеки ден да ти носи
ново предизвикателство.
ново предизвикателство.
04:24
let every day bring you a new challenge.
86
252829
2361
По този начин ти ще изпревариш машините.
04:27
If it does, then you will stay
ahead of the machines.
ahead of the machines.
87
255587
2809
Благодаря.
04:31
Thank you.
88
259126
1176
04:32
(Applause)
89
260326
3104
(Аплодисменти)
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