English-Video.net comment policy

The comment field is common to all languages

Let's write comments 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

Ентони Голблум: Занимања кои ќе ги изгубиме заради машините и оние кои нема да ги изгубиме.

Filmed:
2,347,347 views

Машинското учење не служи само за едноставни задачи како што е проценка на кредитни ризици и сортирање на мејлови-денес, тоа има многу посложена примена како на пример оценување на есеи или дијагностицирање на болести. Овој напредок го следи едно прашање: дали во иднина вашата работа ќе ја врши робот?

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

So this is my niece.
Ова е мојата внука.
00:12
Her name is Yahli.
Нејзиното име е Јали.
00:14
She is nine months old.
Има девет месеци.
00:16
Her mum is a doctor,
and her dad is a lawyer.
Нејзината мајка е лекар,
а татко ѝ е адвокат.
00:18
By the time Yahli goes to college,
Додека Јали се запише на факултет,
00:21
the jobs her parents do
are going to look dramatically different.
занимањата на нејзините родители
драстично ќе се изменат.
00:23
In 2013, researchers at Oxford University
did a study on the future of work.
Во 2013 научници од Оксфорд направија
студија за иднината на занимањата.
00:27
They concluded that almost one
in every two jobs have a high risk
Тие тврдат дека речиси едно
од две занимања има висок ризик
00:32
of being automated by machines.
да биде машински автоматизирано.
00:36
Machine learning is the technology
Машинското учење е технологијата
00:40
that's responsible for most
of this disruption.
која е најодговорна за овие промени.
00:42
It's the most powerful branch
of artificial intelligence.
Таа е најмоќната гранка на
вештачката интелигенција.
00:44
It allows machines to learn from data
Овозможува машините да учат од податоци
00:47
and mimic some of the things
that humans can do.
и да имитираат одредени
работи кои луѓето ги прават.
00:49
My company, Kaggle, operates
on the cutting edge of machine learning.
Мојата фирма Кегл се занимава со
најнапредниот вид на машинско учење.
00:51
We bring together
hundreds of thousands of experts
Собираме стотици илјадници стручњаци
00:55
to solve important problems
for industry and academia.
да решаваат значајни проблеми за
индустријата и науката.
00:57
This gives us a unique perspective
on what machines can do,
Тоа ни дава единствена перспектива
за можностите на машините,
01:01
what they can't do
што можат и што не можат,
01:04
and what jobs they might
automate or threaten.
и кои занимања можат да ги автоматизираат
или загрозат.
01:05
Machine learning started making its way
into industry in the early '90s.
Машинското учење започна да се користи
во индустријата во 90-те.
01:09
It started with relatively simple tasks.
Започна со прилично едноставни задачи.
01:12
It started with things like assessing
credit risk from loan applications,
Започна со проценка на
кредитни ризици кај позајмици,
01:15
sorting the mail by reading
handwritten characters from zip codes.
сортирање на мејлови со читање на
ракописни букви од зип кодови.
01:19
Over the past few years, we have made
dramatic breakthroughs.
Изминативе години достигнавме
огромен пресврт.
01:24
Machine learning is now capable
of far, far more complex tasks.
Машинското учење сега може да
извршува посложени задачи
01:27
In 2012, Kaggle challenged its community
Во 2012 Кегл ја предизвика
својата заедница
01:31
to build an algorithm
that could grade high-school essays.
да изгради алгоритам за оценување
на есеи во средни училишта.
01:35
The winning algorithms
were able to match the grades
Победничките алгоритми беа
во состојба да дадат оцени
01:38
given by human teachers.
блиски на оцените од наставниците.
01:40
Last year, we issued
an even more difficult challenge.
Лани имавме уште потежок предизвик.
01:43
Can you take images of the eye
and diagnose an eye disease
Може да го сликате окото и да
дијагностицирате очна болест
01:46
called diabetic retinopathy?
наречена дијабетична ретинопатија?
01:49
Again, the winning algorithms
were able to match the diagnoses
Повторно, победничките алгоритми
можеа да дадат дијагнози
01:51
given by human ophthalmologists.
слични на оние од офталмолозите.
01:55
Now, given the right data,
machines are going to outperform humans
Со давање на точни податоци, машините
ќе ги надминат луѓето
01:57
at tasks like this.
во слични задачи.
02:00
A teacher might read 10,000 essays
over a 40-year career.
Наставникот може да прочита 10.000 есеи
во 40 години кариера.
02:01
An ophthalmologist might see 50,000 eyes.
Офталмологот може да прегледа 50.000 очи.
02:06
A machine can read millions of essays
or see millions of eyes
Машината може да прочита милиони есеи
и да провери милиони очи
02:08
within minutes.
за неколку минути.
02:12
We have no chance of competing
against machines
Немаме шанси во натпреварот со машините
02:14
on frequent, high-volume tasks.
кај чести и обемни задачи.
02:17
But there are things we can do
that machines can't do.
Но, има работи кои можеме да ги правиме
а машините не можат.
02:20
Where machines have made
very little progress
Машините немаат достигнато голем напредок
02:24
is in tackling novel situations.
во справување со нови состојби.
02:27
They can't handle things
they haven't seen many times before.
Не можат да се носат со нешта
кои не ги виделе претходно.
02:28
The fundamental limitations
of machine learning
Суштинската ограниченост
на машинското учење
02:33
is that it needs to learn
from large volumes of past data.
е што машините учат од обемните
претходни податоци.
02:35
Now, humans don't.
Луѓето не прават така.
02:39
We have the ability to connect
seemingly disparate threads
Ние сме во состојба да поврземе
навидум неповрзани нишки
02:41
to solve problems we've never seen before.
и да решиме проблем кој
не сме го имале порано.
02:44
Percy Spencer was a physicist
working on radar during World War II,
Перси Спенсер беше физичар кој работел
на радар во Втората светска војна
02:46
when he noticed the magnetron
was melting his chocolate bar.
и забележал дека магнетронот
го топи неговото чоколадо.
02:51
He was able to connect his understanding
of electromagnetic radiation
Можел да го поврзе познавањето на
електромагнетното зрачење
02:54
with his knowledge of cooking
со познавањето на готвењето
02:58
in order to invent -- any guesses? --
the microwave oven.
за да ја открие-ќе погодите?
Микробрановата печка.
02:59
Now, this is a particularly remarkable
example of creativity.
Ова е посебен, исклучителен
пример за креативност.
03:03
But this sort of cross-pollination
happens for each of us in small ways
Но, вакви плодни вкрстувања
ни се случуваат
03:06
thousands of times per day.
илјадници пати во текот на денот.
03:10
Machines cannot compete with us
Справување со нови ситуации
е нешто што машините
03:12
when it comes to tackling
novel situations,
не можат да го прават толку добро
колку луѓето.
03:14
and this puts a fundamental limit
on the human tasks
Тоа значи дека е ограничен бројот
на задачи кои машините
03:16
that machines will automate.
ќе можат да ги автоматизираат.
03:19
So what does this mean
for the future of work?
Што значи тоа за иднината на занимањата:
03:22
The future state of any single job lies
in the answer to a single question:
Иднината на секое занимање лежи
во одговорот на едно прашање:
03:24
To what extent is that job reducible
to frequent, high-volume tasks,
До кој степен може едно занимање да
се сведе на зачестени, обемни задачи,
03:29
and to what extent does it involve
tackling novel situations?
и до кој степен е вклучено
справувањето со нови ситуации?
03:34
On frequent, high-volume tasks,
machines are getting smarter and smarter.
Машините стануваат сѐ попаметни
кај зачестените и обемни задачи.
03:37
Today they grade essays.
They diagnose certain diseases.
Денес тие оценуваат есеи.
Дијагностицираат болести.
03:42
Over coming years,
they're going to conduct our audits,
Во наредните години ќе
спроведуваат ревизии
03:44
and they're going to read boilerplate
from legal contracts.
и ќе читаат текстови од правни договори.
03:47
Accountants and lawyers are still needed.
Сеуште требаат сметководители и правници.
03:50
They're going to be needed
for complex tax structuring,
Тие ќе требаат за сложените
даночни структуирања
03:52
for pathbreaking litigation.
на иновативни парници.
03:55
But machines will shrink their ranks
Но машините ќе ги стеснат овие звања
03:57
and make these jobs harder to come by.
и потешко ќе се наоѓаат работни места.
03:58
Now, as mentioned,
Како што реков,
04:00
machines are not making progress
on novel situations.
машините не се снаоѓаат добро
во нови ситуации.
04:01
The copy behind a marketing campaign
needs to grab consumers' attention.
Пораката на рекламната кампања
мора да го привлече потрошувачот.
04:04
It has to stand out from the crowd.
Треба да се истакнува во толпата.
04:08
Business strategy means
finding gaps in the market,
Бизнис стартегија значи
наоѓање дупки во пазарот,
04:10
things that nobody else is doing.
нешто што никој друг не го прави.
04:12
It will be humans that are creating
the copy behind our marketing campaigns,
Тоа се луѓето кои стојат зад пораките
на рекламните кампањи
04:14
and it will be humans that are developing
our business strategy.
и луѓето се тие кои ја развиваат
бизнис стратегијата.
04:18
So Yahli, whatever you decide to do,
Значи, Јали, што и да одлучиш да правиш,
04:21
let every day bring you a new challenge.
нека секој нов ден ти
донесе нов предизвик.
04:24
If it does, then you will stay
ahead of the machines.
Само така, ќе бидеш пред машините.
04:27
Thank you.
Ви благодарам!
04:31
(Applause)
(Аплауз)
04:32

▲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