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: Kas masinad võtavad inimestelt töö?

Filmed:
2,568,213 views

Masinõppe tulemusena suudavad kaasaegsed arvutiprogrammid teha juba märksa keerukamaid ülesandeid kui krediidiriski hindamine või posti sorteerimine. Masinate hooleks võib usaldada ka oluliselt nõudlikumaid ülesandeid, nagu kirjandite hindamine või haiguste diagnoosimine. Selline läbimurre tekitab aga paratamatult küsimuse, kas inimestele tulevikus enam tööd jätkubki? Anthony Goldbloom kirjeldab, milliseid töid hakkavad tulevikus tegema arvutid, tuues samas välja ka need ametid, millega tehisintellekt niipea hakkama ei saa.
- 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 niecevennatütar.
0
968
1262
See on mu nõbu.
00:14
Her namenimi is YahliYahli.
1
2644
1535
Tema nimi on Yahli.
00:16
She is nineüheksa monthskuud oldvana.
2
4203
1511
Ta on 9-kuune.
00:18
Her mumema is a doctorarst,
and her dadisa is a lawyeradvokaat.
3
6201
2528
Tema ema on arst ja isa advokaat.
00:21
By the time YahliYahli goesläheb to collegekolledž,
4
9269
2006
Selleks ajaks, kui Yahli läheb ülikooli,
00:23
the jobstöökohad her parentsvanemad do
are going to look dramaticallydramaatiliselt differenterinevad.
5
11299
3253
on tööd, mida teevad tema
vanemad, hoopis teistsugused.
00:27
In 2013, researchersteadlased at OxfordOxford UniversityÜlikooli
did a studyUuring on the futuretulevik of work.
6
15347
5073
2013. aastal uurisid Oxfordi ülikooli
teadlased tuleviku ameteid.
00:32
They concludedsõlmitud that almostpeaaegu one
in everyigaüks two jobstöökohad have a highkõrge riskrisk
7
20766
4139
Uuringust selgus, et iga teine töökoht
00:36
of beingolemine automatedautomatiseeritud by machinesmasinad.
8
24929
1824
on suure tõenäosusega
võetud üle masinate poolt.
00:40
MachineMasin learningõppimine is the technologytehnoloogia
9
28388
1905
Masinõpe on tehnoloogia,
00:42
that's responsiblevastutav for mostkõige rohkem
of this disruptionkatkestus.
10
30317
2278
mis on selle murrangulise muudatuse taga.
00:44
It's the mostkõige rohkem powerfulvõimas branchfiliaal
of artificialkunstlik intelligenceintelligentsus.
11
32619
2790
Tegu on tehisintellekti
kõige võimsama haruga,
00:47
It allowslubab machinesmasinad to learnõppida from dataandmed
12
35433
1882
mis võimaldab masinatel
andmetest õppida
00:49
and mimicjäljendama some of the things
that humansinimesed can do.
13
37339
2592
ja imiteerida mitmeid inimese tegevusi.
00:51
My companyettevõte, KaggleKaggle, operatestöötab
on the cuttinglõikamine edgeserv of machinemasin learningõppimine.
14
39955
3415
Minu firma, Kaggle, tegevus põhineb
masinõppe kõige uuemal tehnoloogial.
00:55
We bringtuua togetherkoos
hundredssadu of thousandstuhat of expertseksperdid
15
43394
2386
Kaasame sadu tuhandeid eksperte
00:57
to solvelahendada importantoluline problemsprobleemid
for industrytööstus and academiaAcademia.
16
45804
3118
et leida lahendusi tööstuse
ja teaduse olulistele teemadele.
Seeläbi saame erakordselt hea pildi,
milleks masinad on võimelised
01:01
This givesannab us a uniqueunikaalne perspectivevaatenurk
on what machinesmasinad can do,
17
49279
3222
ja milleks nad ei ole võimelised,
01:04
what they can't do
18
52525
1235
01:05
and what jobstöökohad they mightvõib-olla
automateautomatiseerida or threatenähvardab.
19
53784
2939
ja milliseid töid võivad masinad
üle võtta või kasutuks kuulutada.
01:09
MachineMasin learningõppimine startedalgas makingtegemine its way
into industrytööstus in the earlyvara '90s.
20
57316
3550
Masinõpe hakkas
esile kerkima 1990ndatel.
Alguses tegeleti suhteliselt
lihtsate ülesannetega.
01:12
It startedalgas with relativelysuhteliselt simplelihtne tasksülesanded.
21
60890
2124
Esimeste tööde hulgas oli näiteks
laenutaotluste krediidiriski hindamine
01:15
It startedalgas with things like assessinghindamisel
creditkrediit riskrisk from loanlaen applicationsrakendused,
22
63406
4115
01:19
sortingsorteerimine the mailposti teel by readinglugemine
handwrittenkäsitsi kirjutatud characterstähemärki from zipzip codeskoodid.
23
67545
4053
ja postisaadetiste sorteerimine
käsitsikirjutatud suunanumbrite järgi.
Järgnevate aastate jooksul on aga toimunud
erakordselt võimas edasiminek.
01:24
Over the pastminevik fewvähe yearsaastaid, we have madetehtud
dramaticdramaatiline breakthroughsläbimurdeid.
24
72036
3169
01:27
MachineMasin learningõppimine is now capablevõimeline
of farkaugel, farkaugel more complexkeeruline tasksülesanded.
25
75586
3916
Masinõpe on praeguseks võimeline
olulisemalt keerukamateks ülesanneteks.
01:31
In 2012, KaggleKaggle challengedvaidlustatud its communitykogukond
26
79860
3231
2012. esitas Kaggle
erialaringkondadele väljakutse
01:35
to buildehitama an algorithmalgoritm
that could gradepalgaastmele high-schoolKeskkool essaysesseed.
27
83115
3189
koostada programm, mis suudaks
hinnata keskkooli kirjandeid.
01:38
The winningvõitnud algorithmsalgoritmid
were ablevõimeline to matchsobi the gradesastmed
28
86328
2604
Kõige edukamad programmid
suutsid anda samu hindeid,
01:40
givenantakse by humaninimene teachersõpetajad.
29
88956
1665
mida andsid päris õpetajad.
01:43
Last yearaastas, we issuedvälja antud
an even more difficultraske challengeväljakutse.
30
91092
2984
Eelmisel aastal kuulutasime välja
veelgi keerukama ülesande:
01:46
Can you take imagespildid of the eyesilma
and diagnosediagnoosida an eyesilma diseasehaigus
31
94100
2953
teha silmast ülesvõtteid, et
diagnoosida silmahaigust,
01:49
calledkutsutud diabeticdiabeetik retinopathyretinopaatia?
32
97077
1694
mille nimi on diabeetiline retinopaatia.
Taas juhtus, et parimad programmid
suutsid panna sama diagnoosi
01:51
Again, the winningvõitnud algorithmsalgoritmid
were ablevõimeline to matchsobi the diagnosesdiagnoosid
33
99164
4040
01:55
givenantakse by humaninimene ophthalmologistssilmaarst.
34
103228
1825
kui päris oftalmoloogid.
On selge, et kui on olemas õiged andmed,
suudavad masinad tulevikus
01:57
Now, givenantakse the right dataandmed,
machinesmasinad are going to outperformparemini humansinimesed
35
105561
3212
selliste ülesannete puhul
inimesest mööda minna.
02:00
at tasksülesanded like this.
36
108797
1165
02:01
A teacherõpetaja mightvõib-olla readloe 10,000 essaysesseed
over a 40-year-aasta careerkarjäär.
37
109986
3992
Õpetaja võib lugeda 40-aastase karjääri
jooksul 10 000 esseed.
02:06
An ophthalmologistsilmaarst mightvõib-olla see 50,000 eyessilmad.
38
114407
2360
Oftalmoloog võib vaadata 50 000 silma.
02:08
A machinemasin can readloe millionsmiljonid of essaysesseed
or see millionsmiljonid of eyessilmad
39
116791
3913
Masin suudab aga lugeda miljoneid esseesid
ja vaadata miljoneid silmi
02:12
withinjooksul minutesminutit.
40
120728
1276
vaid mõne minuti jooksul.
Meil ei ole mingit võimalust
masinatega võistelda
02:14
We have no chancevõimalus of competingvõistlev
againstvastu machinesmasinad
41
122456
2858
02:17
on frequentsage, high-volumesuur maht tasksülesanded.
42
125338
2321
suuri mahte ja korduvaid tegevusi
hõlmavate ülesannete puhul.
02:20
But there are things we can do
that machinesmasinad can't do.
43
128665
3724
Siiski on asju, mida inimene
suudab, aga masin mitte.
Üks valdkondi, kus arvutid
pole erilist edu saavutanud
02:24
Where machinesmasinad have madetehtud
very little progressedusammud
44
132791
2200
on näiteks uudsete
olukordadega toimetulek.
02:27
is in tacklingvõitlus novelromaan situationsolukordades.
45
135015
1854
02:28
They can't handlekäepide things
they haven'tei ole seennähtud manypalju timeskorda before.
46
136893
3899
Masinad ei oska teha midagi, mida
nad ei ole varem korduvalt näinud.
02:33
The fundamentalpõhiline limitationspiirangud
of machinemasin learningõppimine
47
141321
2584
Masinõppe põhimõtteline
piiratus seisneb selles,
02:35
is that it needsvajadustele to learnõppida
from largesuur volumesmahud of pastminevik dataandmed.
48
143929
3394
et ta suudab õppida juba olemasoleva
suure andmehulga põhjal.
02:39
Now, humansinimesed don't.
49
147347
1754
Inimestel selline piirang puudub.
02:41
We have the abilityvõime to connectühendage
seeminglynäiliselt disparateerinevad threadsniidid
50
149125
3030
Meil suudame viia kokku esmapilgul
täiesti erinevaid asju,
et lahendada probleeme, millega
pole varem kokku puutunud.
02:44
to solvelahendada problemsprobleemid we'veme oleme never seennähtud before.
51
152179
2238
02:46
PercyPercy SpencerSpencer was a physicistfüüsik
workingtöötav on radarradar duringajal WorldMaailma WarSõda IIII,
52
154808
4411
Füüsik Percy Spencer töötas
II maailmasõja ajal radarite alal
02:51
when he noticedmärkasin the magnetronMagnetron
was meltingsulamine his chocolatešokolaad barbaar.
53
159243
3013
ja ta märkas, et magnetron
oli sulatanud üles ta šokolaaditahvli.
02:54
He was ablevõimeline to connectühendage his understandingmõistmine
of electromagneticElektromagnetiline radiationkiirgus
54
162970
3295
Ta oskas viia kokku oma teadmised
elektromagneetilisest kiirgusest
ja teadmised toiduvalmistamisest,
02:58
with his knowledgeteadmised of cookingtoiduvalmistamine
55
166289
1484
02:59
in ordertellida to inventleiutama -- any guessesarvab ära? --
the microwavemikrolaineahi ovenahi.
56
167797
3258
ja leiutas - kes arvab ära?
Mikrolaineahju.
See oli nüüd üks eredamaid
näiteid loovast lähenemisest,
03:03
Now, this is a particularlyeriti remarkabletähelepanuväärne
examplenäide of creativityloovus.
57
171444
3073
03:06
But this sortsorteerima of cross-pollinationerinevate
happensjuhtub for eachiga of us in smallväike waysviisid
58
174541
3664
aga seda tüüpi risttolmlemist
juhtub väiksemas plaanis meie kõigiga
03:10
thousandstuhat of timeskorda perper day.
59
178229
1828
tuhandeid kordi päevas.
03:12
MachinesMasinad cannotei saa competekonkureerima with us
60
180501
1661
Masinatest pole meile vastast,
03:14
when it comestuleb to tacklingvõitlus
novelromaan situationsolukordades,
61
182186
2251
kui tegu on uute olukordadega
03:16
and this putspaneb a fundamentalpõhiline limitpiirata
on the humaninimene tasksülesanded
62
184461
3117
ja see seab põhimõttelise piirangu,
kuhu maale suudavad masinad
03:19
that machinesmasinad will automateautomatiseerida.
63
187602
1717
inimese töö ülevõtmisel jõuda.
03:22
So what does this mean
for the futuretulevik of work?
64
190041
2405
Mida see aga tähendab
töö tuleviku kontekstis?
03:24
The futuretulevik stateriik of any singleüksi jobtöökoht liesvale
in the answervastus to a singleüksi questionküsimus:
65
192804
4532
Iga konkreetse töö tuleviku võti
peitub vastuses ühele küsimusele:
03:29
To what extentulatuses is that jobtöökoht reducibletaandatav
to frequentsage, high-volumesuur maht tasksülesanded,
66
197360
4981
Kuivõrd kujutab see töö endast
korduvaid suuremahulisi tegevusi
03:34
and to what extentulatuses does it involvekaasama
tacklingvõitlus novelromaan situationsolukordades?
67
202365
3253
ja kui palju on selles töös vaja
tegeleda uudsete olukordadega?
03:37
On frequentsage, high-volumesuur maht tasksülesanded,
machinesmasinad are gettingsaada smartertargem and smartertargem.
68
205975
4035
Korduvate mahukate ülesannete puhul
täiustatakse arvuteid pidevalt.
Täna suudavad nad kirjandeid hinnata
ja haigusi diagnoosida,
03:42
TodayTäna they gradepalgaastmele essaysesseed.
They diagnosediagnoosida certainteatud diseaseshaigused.
69
210034
2714
lähiaastatel hakkavad
nad läbiviima auditeid
03:44
Over comingtulemas yearsaastaid,
they're going to conductläbi our auditsauditite,
70
212772
3157
03:47
and they're going to readloe boilerplatetrafarett
from legalseaduslik contractslepingud.
71
215953
2967
ja lugema juriidiliste
lepingute tüüptingimusi.
Raamatupidajaid ja juriste
on aga endiselt vaja
03:50
AccountantsRaamatupidajad and lawyersadvokaadid are still neededvajalik.
72
218944
1997
keerukate maksuküsimuste
lahendamiseks
03:52
They're going to be neededvajalik
for complexkeeruline taxmaksu structuringstruktureerimine,
73
220965
2682
ja uute õigusaktide väljatöötamiseks.
03:55
for pathbreakingpathbreaking litigationkohtuvaidlus.
74
223671
1357
Siiski vähendavad uued arvutid
ka nende töötajate hulka
03:57
But machinesmasinad will shrinkkahaneb theiroma ranksauastmed
75
225052
1717
03:58
and make these jobstöökohad harderraskem to come by.
76
226793
1872
ja sellist tööd on raskem leida.
04:00
Now, as mentionedmainitud,
77
228689
1151
Nagu ütlesin, ei ole arvutid osavad
uudsetes olukordades.
04:01
machinesmasinad are not makingtegemine progressedusammud
on novelromaan situationsolukordades.
78
229864
2949
04:04
The copykoopia behindtaga a marketingturundus campaignkampaania
needsvajadustele to grabhaarata consumers'tarbijate attentiontähelepanu.
79
232837
3457
Turunduskampaania idee peab suutma
haarata tarbija tähelepanu.
04:08
It has to standseisma out from the crowdrahvahulk.
80
236318
1715
See peab teistest eristuma.
Äristrateegia toimib, kui ta
vastab turu vajadustele,
04:10
BusinessÄri strategystrateegia meanstähendab
findingleidmine gapslüngad in the marketturg,
81
238057
2444
ja pakub midagi, mida keegi teine ei paku.
04:12
things that nobodykeegi ei elsemuidu is doing.
82
240525
1756
04:14
It will be humansinimesed that are creatingluues
the copykoopia behindtaga our marketingturundus campaignskampaaniad,
83
242305
4118
Endiselt on inimesed need,
kes mõtlevad välja turunduskampaaniaid,
04:18
and it will be humansinimesed that are developingarendades
our businessäri strategystrateegia.
84
246447
3517
inimesed on jätkuvalt ka meie
äristrateegia väljatöötajateks.
Nii et Yahli, kelleks sa
ka ei otsusta saada,
04:21
So YahliYahli, whatevermida iganes you decideotsustama to do,
85
249988
2817
04:24
let everyigaüks day bringtuua you a newuus challengeväljakutse.
86
252829
2361
vaata, et iga päev
tooks sulle uusi väljakutseid.
04:27
If it does, then you will stayjää
aheadees of the machinesmasinad.
87
255587
2809
Kui see nii läheb,
oled sa alati masinatest ees.
Aitäh!
04:31
Thank you.
88
259126
1176
04:32
(ApplauseAplaus)
89
260326
3104
(Aplaus)
Translated by Aari Lemmik
Reviewed by Kaisa-Kitri Niit

▲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