English-Video.net comment policy

The comment field is common to all languages

Let's write in your language and use "Google Translate" together

Please refer to informative community guidelines on TED.com

TED2016

Anthony Goldbloom: The jobs we'll lose to machines -- and the ones we won't

アンソニー・ゴールドブルーム: 機械に奪われる仕事 — そして残る仕事

Filmed
Views 2,003,859

機械学習は、もはや信用リスク評価や、手紙の仕分けといった単純な仕事だけをこなすわけではありません。今では小論文の採点や病気の診断といった、ずっと複雑なこともできるようになっています。このような進歩は不安を覚える疑問を提起します ― 将来私たちの仕事はロボットに取られてしまうのでしょうか?

- Machine learning expert
Anthony Goldbloom crowdsources solutions to difficult problems using machine learning. Full bio

Soだから thisこの is myじぶんの niece.
この子は私の姪で
00:12
Her彼女 name is Yahliヤヒリ.
名前をヤーリといいます
00:14
She彼女が is nine9人 months数ヶ月 old古い.
生まれて9カ月です
00:16
Her彼女 mumママ is a doctor医師,
and her彼女 dadパパ is a lawyer弁護士.
母親は医者で
父親は弁護士ですが
00:18
By the time時間 Yahliヤヒリ goes行く to collegeカレッジ,
ヤーリが大学に行く頃には
00:21
the jobsジョブ her彼女 parents do
are going to look見える dramatically劇的に different異なる.
両親の仕事の様子は
劇的に変わっていることでしょう
00:23
In 2013, researchers研究者 at Oxfordオックスフォード University大学
did a study調査 on the future未来 of work.
2013年オックスフォード大学の研究者達が
未来の仕事についての研究を行いました
00:27
They彼らが concluded結論 thatそれ almostほぼ one1
in everyすべて two jobsジョブ have a high高い riskリスク
職の2つに1つは
機械により自動化されるリスクが高いと
00:32
of beingであること automated自動化 by machines機械.
彼らは結論付けました
00:36
Machine機械 learning学習 is the technology技術
機械学習の技術こそ
00:40
that'sそれは responsible責任ある for most最も
of thisこの disruption混乱.
そのような変化の
主な原因となるものです
00:42
It'sそれは、します。 the most最も powerful強力な branchブランチ
of artificial人工的な intelligenceインテリジェンス.
これは人工知能分野の中でも
最も有力な領域です
00:44
Itそれ allows許す machines機械 to learn学ぶ fromから dataデータ
この技術により
機械がデータから学習して
00:47
and mimic模倣する some一部 of the thingsもの
thatそれ humans人間 can do.
ある種のことを
人間のようにできるようになります
00:49
My私の company会社, Kaggleカグル, operates動作する
on the cutting切断 edgeエッジ of machine機械 learning学習.
私の会社Kaggleでは
最先端の機械学習技術に取り組んでいて
00:51
We私たち bring持参する together一緒に
hundreds数百 of thousands of experts専門家
産業や学問上の重要な問題を
解決するために
00:55
to solve解決する important重要 problems問題
for industry業界 and academia学界.
何十万というエキスパートを
集めています
00:57
Thisこれ gives与える us a uniqueユニークな perspective視点
on what machines機械 can do,
そのお陰で
独特な知見が得られます
01:01
what they彼ら can'tできない do
機械には何ができ
何ができないのか?
01:04
and what jobsジョブ they彼ら mightかもしれない
automate自動化する orまたは threaten脅かす.
どんな仕事に 自動化や
消失の怖れがあるのか?
01:05
Machine機械 learning学習 started開始した making作る itsその way
into industry業界 in the early早い '90s.
機械学習が産業界で使われ出したのは
1990年代前半です
01:09
Itそれ started開始した with〜と relatively比較的 simple単純 tasksタスク.
まずは比較的単純な
タスクから始まりました
01:12
Itそれ started開始した with〜と thingsもの like assessing査定
creditクレジット riskリスク fromから loanローン applicationsアプリケーション,
ローン申し込みに対する
信用リスクの評価や
01:15
sortingソート the mail郵便物 by reading読書
handwritten手書き characters文字 fromから zipジップ codesコード.
手書きの郵便番号を読み取って
手紙を仕分けるといったことです
01:19
Over the past過去 few少数 years, we我々 have made
dramatic劇的 breakthroughsブレークスルー.
ここ数年の間に
飛躍的な進歩がありました
01:24
Machine機械 learning学習 is now capable可能な
of far遠い, far遠い moreもっと complex複合体 tasksタスク.
機械学習が はるかに複雑なタスクを
こなせるようになったのです
01:27
In 2012, Kaggleカグル challenged挑戦した itsその communityコミュニティ
2012年 Kaggleは
高校生の書いた小論文を採点できる
01:31
to buildビルドする an algorithmアルゴリズム
thatそれ could gradeグレード high-school高校 essaysエッセイ.
アルゴリズムを作るという課題を
専門家コミュニティに提示しました
01:35
The winning勝つ algorithmsアルゴリズム
were ableできる to match一致 the grades成績
優勝したアルゴリズムは
人間の教師の採点と
01:38
given与えられた by human人間 teachers教師.
一致する評価を
することができました
01:40
Last前の year, we我々 issued発行済み
an even moreもっと difficult難しい challengeチャレンジ.
昨年には さらに難しい
課題を出しました
01:43
Can you君は take imagesイメージ of the eye
and diagnose診断する an eye disease疾患
「眼球の写真から
糖尿病性網膜症の診断をできるか?」
01:46
calledと呼ばれる diabetic糖尿病 retinopathy網膜症?
というものです
01:49
Againもう一度, the winning勝つ algorithmsアルゴリズム
were ableできる to match一致 the diagnoses診断
この時も 優勝した
アルゴリズムは
01:51
given与えられた by human人間 ophthalmologists眼科医.
人間の眼科医の診断と
一致する結果を出せました
01:55
Now, given与えられた the right dataデータ,
machines機械 are going to outperform優れたパフォーマンス humans人間
適切なデータが与えられれば
このようなタスクで
01:57
at tasksタスク like thisこの.
機械は人間より優れた結果を
出し始めています
02:00
A teacher先生 mightかもしれない read読む 10,000 essaysエッセイ
over a 40-year-年 careerキャリア.
教師は40年の経歴において
小論文を1万本読むかもしれません
02:01
An ophthalmologist眼科医 mightかもしれない see見る 50,000 eyes.
眼科医は眼を5万個
診断するかもしれません
02:06
A machine機械 can read読む millions何百万 of essaysエッセイ
orまたは see見る millions何百万 of eyes
しかし 機械なら数分のうちに
数百万の小論文を読み
02:08
within以内 minutes.
数百万の眼を診ることができます
02:12
We私たち have noいいえ chanceチャンス of competing競合する
againstに対して machines機械
頻度が高く 多量のデータを
処理するタスクでは
02:14
on frequent頻繁な, high-volume大音量 tasksタスク.
人間が機械に勝てる見込みはありません
02:17
Butだがしかし thereそこ are thingsもの we我々 can do
thatそれ machines機械 can'tできない do.
しかし 我々に出来て
機械に出来ないことがあります
02:20
Whereどこ machines機械 have made
very非常に little少し progress進捗
機械の技術が
ほとんど進歩していないのは
02:24
is in tacklingタックル novel小説 situations状況.
経験のない状況で
判断する技術です
02:27
They彼らが can'tできない handleハンドル thingsもの
they彼ら haven't持っていない seen見た manyたくさんの times before.
機械は前にほとんど見たことがない状況を
うまく処理できないのです
02:28
The fundamental基本的な limitations限界
of machine機械 learning学習
機械学習に根本的な限界があるのは
02:33
is thatそれ itそれ needsニーズ to learn学ぶ
fromから large volumes of past過去 dataデータ.
大量の過去データから
学ぶ必要があるという点です
02:35
Now, humans人間 don'tしない.
人間は違います
02:39
We私たち have the ability能力 to connect接続する
seemingly一見 disparate異なる threadsスレッド
我々は ほとんど共通点のない
手掛かりを繋ぎ合わせ
02:41
to solve解決する problems問題 we've私たちは never決して seen見た before.
見たことのない問題を
解決することができます
02:44
Percyパーシー Spencerスペンサー was a physicist物理学者
workingワーキング on radarレーダー during World世界 War戦争 IIII,
パーシー・スペンサーは第2次世界大戦中
レーダー開発の任務に就いていた物理学者で
02:46
whenいつ he noticed気づいた the magnetronマグネトロン
was melting溶融 his chocolateチョコレート barバー.
その時 マグネトロンがチョコバーを
溶かすことに気づきました
02:51
He was ableできる to connect接続する his understanding理解
of electromagnetic電磁 radiation放射線
電磁波に関する理解と
料理に関する知識を結びつけることで
02:54
with〜と his knowledge知識 of cooking料理
彼の発明したのが —
何か分かりますか?
02:58
in order注文 to invent発明する -- anyどれか guesses推測? --
the microwaveマイクロ波 ovenオーブン.
電子レンジです
02:59
Now, thisこの is a particularly特に remarkable顕著
example of creativity創造性.
これこそ創造力の
素晴らしい一例です
03:03
Butだがしかし thisこの sortソート of cross-pollination相互受粉
happens起こる for each of us in small小さい ways方法
このような分野を超えた発想は
些細な形であれば
03:06
thousands of times per〜ごと day.
誰にでも毎日何千回と
ひらめいています
03:10
Machinesマシン cannotできない compete競争する with〜と us
経験のない状況においては
03:12
whenいつ itそれ comes来る to tacklingタックル
novel小説 situations状況,
機械は人間には勝てず
03:14
and thisこの puts置く a fundamental基本的な limit限界
on the human人間 tasksタスク
それが人間の行うことを
機械で自動化する際の
03:16
thatそれ machines機械 will automate自動化する.
基本的な限界を与えます
03:19
Soだから what does thisこの mean平均
for the future未来 of work?
これが将来の仕事に
意味することは何でしょう?
03:22
The future未来 state状態 of anyどれか singleシングル jobジョブ lies
in the answer回答 to a singleシングル question質問:
各々の仕事の未来の運命は
ある1つの問への答えにかかっています
03:24
To what extentエクステント is thatそれ jobジョブ reducible還元可能な
to frequent頻繁な, high-volume大音量 tasksタスク,
高頻度多量データ処理に
還元できる部分がどの程度あり
03:29
and to what extentエクステント does itそれ involve関与する
tacklingタックル novel小説 situations状況?
前例無き状況への対応を求められる部分が
どの程度あるのか?
03:34
On frequent頻繁な, high-volume大音量 tasksタスク,
machines機械 are getting取得 smarterスマートな and smarterスマートな.
高頻度多量データ処理については
機械はどんどん賢くなっていきます
03:37
Today今日 they彼ら gradeグレード essaysエッセイ.
They彼らが diagnose診断する certainある diseases病気.
今では 機械が小論文の採点をし
ある種の病気の診断をします
03:42
Over coming到来 years,
they're彼らは going to conduct行動 our我々の audits監査,
数年内には
監査をしたり
03:44
and they're彼らは going to read読む boilerplateボイラープレート
fromから legal法的 contracts契約.
法律上の契約書から一般的な表現を
解釈出来るようになるでしょう
03:47
Accountants会計士 and lawyers弁護士 are stillまだ needed必要な.
それでも会計士や弁護士が
いらなくはなりません
03:50
They're彼らは going to be needed必要な
for complex複合体 tax税金 structuring構造化,
複雑な税務対策や
前例のない訴訟の対応には
03:52
for pathbreaking道端 litigation訴訟.
必要とされるのです
03:55
Butだがしかし machines機械 will shrinkシュリンク their彼らの ranksランク
機械により
能力のある者だけが残され
03:57
and make作る theseこれら jobsジョブ harderもっと強く to come by.
これらの職に就くことは
難しくなります
03:58
Now, as mentioned言及した,
さて 前にも述べましたが
04:00
machines機械 are notない making作る progress進捗
on novel小説 situations状況.
経験のない状況に対応する技術は
進歩していません
04:01
The copyコピー behind後ろに a marketingマーケティング campaignキャンペーン
needsニーズ to grabつかむ consumers'消費者の attention注意.
マーケティング活動における宣伝文句は
消費者の関心を引く必要があります
04:04
Itそれ has to standスタンド outでる fromから the crowd群集.
数ある中で
目立っていなければなりません
04:08
Businessビジネス strategy戦略 means手段
finding所見 gaps隙間 in the market市場,
ビジネス戦略とは
他社がやっていない
04:10
thingsもの thatそれ nobody誰も elseelse is doing.
市場のニッチを探り出すことです
04:12
Itそれ will be humans人間 thatそれ are creating作成
the copyコピー behind後ろに our我々の marketingマーケティング campaignsキャンペーン,
マーケティング活動における宣伝文句を
創り出すのは人間の役目であり
04:14
and itそれ will be humans人間 thatそれ are developing現像
our我々の businessビジネス strategy戦略.
ビジネス戦略を考え出すのも
人間です
04:18
Soだから Yahliヤヒリ, whateverなんでも you君は decide決めます to do,
だからね ヤーリちゃん
どんな仕事を選ぶにせよ
04:21
let everyすべて day bring持参する you君は a new新しい challengeチャレンジ.
常日頃
新しいことに挑戦することです
04:24
Ifもし itそれ does, then次に you君は will stay滞在
ahead前方に of the machines機械.
そうすれば
機械に先んじることが出来るでしょう
04:27
Thankありがとうございます you君は.
ありがとうございました
04:31
(Applause拍手)
(拍手)
04:32
Translated by Tomoyuki Suzuki
Reviewed by Yasushi Aoki

▲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