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: Welche Arbeitsplätze wir Maschinen verlieren werden – und welche nicht

Filmed:
2,568,213 views

Maschinelles Lernen eignet sich nicht nur für einfache Arbeiten, so wie das Beurteilen von Kreditrisiken oder das Aussortieren von Briefpost. Heute erledigt Maschinelles Lernen weit komplexere Aufgaben, so die Bewertung von Aufsätzen oder das Diagnostizieren von Krankheiten. Mit diesen Vorteilen taucht eine beunruhigende Frage auf: Wird in Zukunft ein Roboter unsere Arbeit verrichten?
- 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 nieceNichte.
0
968
1262
So, das ist meine Nichte.
00:14
Her nameName is YahliYahli.
1
2644
1535
Ihr Name ist Yahli.
00:16
She is nineneun monthsMonate oldalt.
2
4203
1511
Sie ist neun Monate alt.
00:18
Her mumMama is a doctorArzt,
and her dadPapa is a lawyerAnwalt.
3
6201
2528
Ihre Mutter ist Ärztin, ihr Vater Anwalt.
00:21
By the time YahliYahli goesgeht to collegeHochschule,
4
9269
2006
Wenn Yahli ins Gymnasium kommt,
00:23
the jobsArbeitsplätze her parentsEltern do
are going to look dramaticallydramatisch differentanders.
5
11299
3253
werden sich die Berufe ihrer
Eltern komplett verändert haben.
00:27
In 2013, researchersForscher at OxfordOxford UniversityUniversität
did a studyStudie on the futureZukunft of work.
6
15347
5073
2013 untersuchten Forscher der
Universität Oxford die Zukunft der Arbeit.
00:32
They concludedabgeschlossen that almostfast one
in everyjeden two jobsArbeitsplätze have a highhoch riskRisiko
7
20766
4139
Sie stellten fest, dass beinahe einer
von zwei Arbeitsplätzen das Risiko birgt,
durch Maschinen ersetzt zu werden.
00:36
of beingSein automatedautomatisiert by machinesMaschinen.
8
24929
1824
00:40
MachineMaschine learningLernen is the technologyTechnologie
9
28388
1905
Maschinelles Lernen ist die Technologie,
die verantwortlich für diesen Bruch ist.
00:42
that's responsibleverantwortlich for mostdie meisten
of this disruptionStörung.
10
30317
2278
00:44
It's the mostdie meisten powerfulmächtig branchAst
of artificialkünstlich intelligenceIntelligenz.
11
32619
2790
Es ist die wichtigste Sparte
der künstlichen Intelligenz.
00:47
It allowserlaubt machinesMaschinen to learnlernen from dataDaten
12
35433
1882
Es erlaubt Computern von Daten zu lernen
00:49
and mimicnachahmen some of the things
that humansMenschen can do.
13
37339
2592
und Dinge nachzuahmen,
die auch Menschen können.
00:51
My companyUnternehmen, KaggleKaggle, operatesbetreibt
on the cuttingSchneiden edgeRand of machineMaschine learningLernen.
14
39955
3415
Mein Unternehmen Kaggle arbeitet am
Schnittpunkt zum Maschinellen Lernen.
00:55
We bringbringen togetherzusammen
hundredsHunderte of thousandsTausende of expertsExperten
15
43394
2386
Wir bringen Hunderte
von Experten zusammen,
00:57
to solvelösen importantwichtig problemsProbleme
for industryIndustrie and academiaWissenschaft.
16
45804
3118
um wichtige Probleme aus
Industrie und Universitäten zu lösen.
01:01
This givesgibt us a uniqueeinzigartig perspectivePerspektive
on what machinesMaschinen can do,
17
49279
3222
Das gibt uns eine einmalige
Perspektive, was Maschinen können,
was sie nicht können
01:04
what they can't do
18
52525
1235
und welche Arbeitsplätze automatisiert
oder bedroht sein könnten.
01:05
and what jobsArbeitsplätze they mightMacht
automatezu automatisieren or threatenbedrohen.
19
53784
2939
01:09
MachineMaschine learningLernen startedhat angefangen makingHerstellung its way
into industryIndustrie in the earlyfrüh '90s.
20
57316
3550
Maschinelles Lernen fand in den frühen
90er Jahren den Weg in die Industrie.
01:12
It startedhat angefangen with relativelyverhältnismäßig simpleeinfach tasksAufgaben.
21
60890
2124
Es begann mit einfachen Arbeiten.
01:15
It startedhat angefangen with things like assessingBewertung
creditKredit riskRisiko from loanDarlehen applicationsAnwendungen,
22
63406
4115
Es begann mit der Risikobeurteilung
von Kreditanträgen
01:19
sortingSortierung the mailPost by readingLesen
handwrittenhandgeschrieben charactersFiguren from zipReißverschluss codesCodes.
23
67545
4053
oder dem Aussortieren von Briefpost
mit handgeschriebenen Postleitzahlen.
01:24
Over the pastVergangenheit fewwenige yearsJahre, we have madegemacht
dramaticdramatisch breakthroughsDurchbrüche.
24
72036
3169
Über die letzten Jahre haben wir
dramatische Durchbrüche erzielt.
01:27
MachineMaschine learningLernen is now capablefähig
of farweit, farweit more complexKomplex tasksAufgaben.
25
75586
3916
Maschinelles Lernen ist unterdessen
kann viel komplexere Arbeiten leisten.
01:31
In 2012, KaggleKaggle challengedherausgefordert its communityGemeinschaft
26
79860
3231
2012 hat Kaggle seine
Community herausgefordert,
01:35
to buildbauen an algorithmAlgorithmus
that could gradeKlasse high-schoolweiterführende Schule essaysAufsätze.
27
83115
3189
Algorithmen zu entwerfen,
die Oberstufen-Aufsätzen bewerten.
01:38
The winninggewinnen algorithmsAlgorithmen
were ablefähig to matchSpiel the gradesKlasse
28
86328
2604
Die besten Algorithmen waren
fähig, Beurteilungen abzugleichen,
01:40
givengegeben by humanMensch teachersLehrer.
29
88956
1665
die von Lehrern gemacht wurden.
01:43
Last yearJahr, we issuedausgegeben
an even more difficultschwer challengeHerausforderung.
30
91092
2984
Letztes Jahr gaben wir eine
noch schwierigeren Herausforderung:
01:46
Can you take imagesBilder of the eyeAuge
and diagnosediagnostizieren an eyeAuge diseaseKrankheit
31
94100
2953
Kann man Fotos vom Auge machen
und eine Krankheit diagnostizieren,
01:49
callednamens diabeticDiabetiker retinopathyRetinopathie?
32
97077
1694
namens Diabetische Retinopathie?
01:51
Again, the winninggewinnen algorithmsAlgorithmen
were ablefähig to matchSpiel the diagnosesDiagnosen
33
99164
4040
Erneut waren es die besten Algorithmen,
die es schafften, Diagnosen abzugleichen,
01:55
givengegeben by humanMensch ophthalmologistsAugenärzte.
34
103228
1825
gemacht durch einen Augenarzt.
01:57
Now, givengegeben the right dataDaten,
machinesMaschinen are going to outperformübertreffen humansMenschen
35
105561
3212
Mit den richtigen Daten
werden Computer Menschen
bei Arbeiten wie dieser übertreffen.
02:00
at tasksAufgaben like this.
36
108797
1165
02:01
A teacherLehrer mightMacht readlesen 10,000 essaysAufsätze
over a 40-year-Jahr careerKarriere.
37
109986
3992
Ein Lehrer wird in seiner 40-jährigen
Karriere 10 000 Aufsätze gelesen haben.
02:06
An ophthalmologistAugenarzt mightMacht see 50,000 eyesAugen.
38
114407
2360
Ein Augenarzt wird 50 000
Augen gesehen haben.
02:08
A machineMaschine can readlesen millionsMillionen of essaysAufsätze
or see millionsMillionen of eyesAugen
39
116791
3913
Ein Computer kann Millionen Aufsätze
lesen oder Millionen Augen prüfen --
02:12
withininnerhalb minutesProtokoll.
40
120728
1276
innerhalb von Minuten.
02:14
We have no chanceChance of competingim Wettbewerb
againstgegen machinesMaschinen
41
122456
2858
Wir haben keine Chance
gegen Computer anzukämpfen,
02:17
on frequenthäufig, high-volumehohe Lautstärke tasksAufgaben.
42
125338
2321
wenn es um häufige Aufgaben
mit hohem Datenvolumen geht.
02:20
But there are things we can do
that machinesMaschinen can't do.
43
128665
3724
Es gibt jedoch Dinge, die wir können,
die Computer wiederum nicht können.
Nur geringe Fortschritte
haben Computer bisher
02:24
Where machinesMaschinen have madegemacht
very little progressFortschritt
44
132791
2200
beim Bewältigen neuartiger
Situationen erzielt.
02:27
is in tacklingBekämpfung von novelRoman situationsSituationen.
45
135015
1854
02:28
They can't handleGriff things
they haven'thabe nicht seengesehen manyviele timesmal before.
46
136893
3899
Unbekannte Dinge
können sie nicht bewältigen.
02:33
The fundamentalgrundlegend limitationsEinschränkungen
of machineMaschine learningLernen
47
141321
2584
Die grundlegende Beschränkung
von Maschinellem Lernen ist,
02:35
is that it needsBedürfnisse to learnlernen
from largegroß volumesVolumen of pastVergangenheit dataDaten.
48
143929
3394
dass es von grossen Datenvolumen
aus der Vergangenheit lernen muss.
02:39
Now, humansMenschen don't.
49
147347
1754
Menschen wiederum müssen das nicht.
02:41
We have the abilityFähigkeit to connectverbinden
seeminglyscheinbar disparatedisparat threadsThreads
50
149125
3030
Wir haben die Fähigkeit,
unterschiedliche Fäden zu verknüpfen,
02:44
to solvelösen problemsProbleme we'vewir haben never seengesehen before.
51
152179
2238
um unbekannte Probleme zu lösen.
02:46
PercyPercy SpencerSpencer was a physicistPhysiker
workingArbeiten on radarRadar duringwährend WorldWelt WarKrieg IIII,
52
154808
4411
Der Physiker Percy Spencer arbeitete
während dem 2. Weltkrieg am Radar,
als er merkte, dass Magnetron seinen
Schokoladenriegel schmelzen liess.
02:51
when he noticedbemerkt the magnetronMagnetron
was meltingschmelzen his chocolateSchokolade barBar.
53
159243
3013
02:54
He was ablefähig to connectverbinden his understandingVerstehen
of electromagneticelektromagnetischen radiationStrahlung
54
162970
3295
Er war fähig, seine Kenntnisse
der Elektromagnetischen Strahlung
mit seinen Kochkenntnissen zu verknüpfen
02:58
with his knowledgeWissen of cookingKochen
55
166289
1484
02:59
in orderAuftrag to inventerfinden -- any guessesVermutungen? --
the microwaveMikrowelle ovenOfen.
56
167797
3258
um später -- ratet was? --
die Mikrowelle zu erfinden.
03:03
Now, this is a particularlyinsbesondere remarkablebemerkenswert
exampleBeispiel of creativityKreativität.
57
171444
3073
Das also ist ein bemerkenswertes
Beispiel für Kreativität.
03:06
But this sortSortieren of cross-pollinationFremdbestäubung
happensdas passiert for eachjede einzelne of us in smallklein waysWege
58
174541
3664
Diese Art gegenseitiger Befruchtung
erfolgt für uns in kleinen Schritten
tausende Male während eines Tages.
03:10
thousandsTausende of timesmal perpro day.
59
178229
1828
PCs können nicht mit uns mithalten,
03:12
MachinesMaschinen cannotnicht können competekonkurrieren with us
60
180501
1661
wenn es um Bewältigung
neuartiger Situationen geht.
03:14
when it comeskommt to tacklingBekämpfung von
novelRoman situationsSituationen,
61
182186
2251
03:16
and this putslegt a fundamentalgrundlegend limitGrenze
on the humanMensch tasksAufgaben
62
184461
3117
Das begrenzt menschliche Aufgaben,
03:19
that machinesMaschinen will automatezu automatisieren.
63
187602
1717
die Maschinen automatisieren können.
03:22
So what does this mean
for the futureZukunft of work?
64
190041
2405
Was bedeutet das für
die Zukunft des Arbeitens?
03:24
The futureZukunft stateBundesland of any singleSingle jobJob liesLügen
in the answerAntworten to a singleSingle questionFrage:
65
192804
4532
Die Zukunft jeder einzelnen Arbeit liegt
in der Antwort einer einzigen Frage:
Inwieweit ist diese Arbeit reduzierbar
für eine grosse Menge Aufgaben
03:29
To what extentUmfang is that jobJob reduciblereduzierbar
to frequenthäufig, high-volumehohe Lautstärke tasksAufgaben,
66
197360
4981
und inwieweit involviert sie die
Bewältigung neuartiger Situationen ?
03:34
and to what extentUmfang does it involvebeinhalten
tacklingBekämpfung von novelRoman situationsSituationen?
67
202365
3253
03:37
On frequenthäufig, high-volumehohe Lautstärke tasksAufgaben,
machinesMaschinen are gettingbekommen smarterintelligenter and smarterintelligenter.
68
205975
4035
Für die Verarbeitung hochvolumiger
Aufgaben werden Computer immer schlauer.
Heute bewerten sie Aufsätze;
diagnostizieren gewisse Krankheiten.
03:42
TodayHeute they gradeKlasse essaysAufsätze.
They diagnosediagnostizieren certainsicher diseasesKrankheiten.
69
210034
2714
03:44
Over comingKommen yearsJahre,
they're going to conductVerhalten our auditsPrüfungen,
70
212772
3157
Über die Jahre werden sie
unsere Prüfungen selbst ausführen
und Textbausteine in rechtsgültigen
Verträgen zu lesen wissen.
03:47
and they're going to readlesen boilerplateTextbausteine
from legallegal contractsVerträge.
71
215953
2967
03:50
AccountantsBuchhalter and lawyersAnwälte are still needederforderlich.
72
218944
1997
Noch werden Buchhalter
und Anwälte gebraucht.
03:52
They're going to be needederforderlich
for complexKomplex taxSteuer structuringStrukturierung,
73
220965
2682
Sie werden für aufwendige
Steuerstrukturierungen
oder für Rechtsstreits gebraucht.
03:55
for pathbreakingwegweisend litigationRechtsstreitigkeiten.
74
223671
1357
Rechner verringern aber ihre Bedeutung
03:57
But machinesMaschinen will shrinkschrumpfen theirihr ranksReihen
75
225052
1717
03:58
and make these jobsArbeitsplätze harderSchwerer to come by.
76
226793
1872
und es wird schwieriger,
diese Jobs zu bekommen.
04:00
Now, as mentionederwähnt,
77
228689
1151
Wie erwähnt,
erzeugen PCs keine Fortschritte,
was neuartige Situationen angeht.
04:01
machinesMaschinen are not makingHerstellung progressFortschritt
on novelRoman situationsSituationen.
78
229864
2949
04:04
The copyKopieren behindhinter a marketingMarketing campaignKampagne
needsBedürfnisse to grabgreifen consumers'Verbraucher attentionAufmerksamkeit.
79
232837
3457
Eine Marketingaktion muss die
Aufmerksamkeit des Verbraucher gewinnen.
04:08
It has to standStand out from the crowdMenge.
80
236318
1715
Sie muss aus der Menge herausragen.
04:10
BusinessGeschäft strategyStrategie meansmeint
findingErgebnis gapsLücken in the marketMarkt,
81
238057
2444
Geschäftsstrategien heisst,
Lücken im Markt zu finden,
04:12
things that nobodyniemand elsesonst is doing.
82
240525
1756
für Dinge, die sonst niemand tut.
04:14
It will be humansMenschen that are creatingErstellen
the copyKopieren behindhinter our marketingMarketing campaignsKampagnen,
83
242305
4118
Es werden immer Menschen sein
hinter einer Marketingkampagne
04:18
and it will be humansMenschen that are developingEntwicklung
our businessGeschäft strategyStrategie.
84
246447
3517
und es werden immer Menschen sein,
die Business Strategien entwickeln.
04:21
So YahliYahli, whateverwas auch immer you decideentscheiden to do,
85
249988
2817
Yahli, für was auch immer
du dich entscheidest,
04:24
let everyjeden day bringbringen you a newneu challengeHerausforderung.
86
252829
2361
stell dich jeden Tag einer
neuen Herausforderung.
04:27
If it does, then you will staybleibe
aheadvoraus of the machinesMaschinen.
87
255587
2809
Wenn es so ist, wirst du den
Computern immer voraus sein.
04:31
Thank you.
88
259126
1176
Danke.
04:32
(ApplauseApplaus)
89
260326
3104
(Applaus)
Translated by Susanne Ruckstuhl
Reviewed by Irena Georgieva

▲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