TED2016
Anthony Goldbloom: The jobs we'll lose to machines -- and the ones we won't
Энтони Голдблүм: Бид ямар ажлын байраа роботуудад алдаж ямрыг нь алдахгүй вэ?
Filmed:
Readability: 4.8
2,568,213 views
Машин сургалт нь зээлийн эрсдэлийг үнэлэх, шуудан ангилах зэрэг амар хялбар даалгавруудаар хязгаарлагдахаа болиод удаж байна. Өнөөдрийн байдлаар тус технологийн тусламжтайгаар эссэнд дүн тавих мөн өвчин оношлох мэтийн нарийн ажиллагаатай даалгавруудыг машинаар гүйцэтгэх боломжтой болжээ. Дэвшилт гарахын хэрээр роботууд таны ажлын байрыг булаах болов уу гэх мэт амаргүй асуудлууд урган гарч ирж байна.
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.
00:12
So this is my niece.
0
968
1262
Энэ миний зээ дүү.
00:14
Her name is Yahli.
1
2644
1535
Түүнийг Яали гэдэг.
00:16
She is nine months old.
2
4203
1511
Тэр есөн сартай.
00:18
Her mum is a doctor,
and her dad is a lawyer.
and her dad is a lawyer.
3
6201
2528
Түүний ээж эмч, харин аав нь хуульч.
00:21
By the time Yahli goes to college,
4
9269
2006
Яалиг коллежид орох үед
00:23
the jobs her parents do
are going to look dramatically different.
are going to look dramatically different.
5
11299
3253
аав ээжийнх нь ажил мэргэжил эрс
өөрчлөгдөж хувирсан байх болно.
өөрчлөгдөж хувирсан байх болно.
2013 онд Оксфордын их сургуулийн судлаачид
ирээдүйн мэргэжлийн талаар судалжээ.
ирээдүйн мэргэжлийн талаар судалжээ.
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
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
Тэд 2 мэргэжлийн нэг нь бүрэн автоматжиж,
машинаар гүйцэтгэх эрсдэлд орно
машинаар гүйцэтгэх эрсдэлд орно
00:36
of being automated by machines.
8
24929
1824
гэсэн дүгнэлтэд хүрчээ.
00:40
Machine learning is the technology
9
28388
1905
"Машин сургалт" хэмээх технологи
00:42
that's responsible for most
of this disruption.
of this disruption.
10
30317
2278
ийм өөрчлөлтийг авчрах
гол түлхүүр болох юм.
гол түлхүүр болох юм.
00:44
It's the most powerful branch
of artificial intelligence.
of artificial intelligence.
11
32619
2790
Энэ бол хиймэл оюун ухааны
судлалын хамгийн хүчтэй салбар.
судлалын хамгийн хүчтэй салбар.
00:47
It allows machines to learn from data
12
35433
1882
Машинууд тоон өгөгдлийн тусламжтайгаар
00:49
and mimic some of the things
that humans can do.
that humans can do.
13
37339
2592
хүмүүсийн зарим үйлдлийг дуурайх
чадвартай болдог.
чадвартай болдог.
00:51
My company, Kaggle, operates
on the cutting edge of machine learning.
on the cutting edge of machine learning.
14
39955
3415
Манай Каggle компани орчин үеийн
машин сургалтын технологийг ашигладаг.
машин сургалтын технологийг ашигладаг.
00:55
We bring together
hundreds of thousands of experts
hundreds of thousands of experts
15
43394
2386
Бид судалгааны болон аж үйлдвэрийн
чухал асуудлыг
чухал асуудлыг
00:57
to solve important problems
for industry and academia.
for industry and academia.
16
45804
3118
шийдэхийн тулд олон мянган
мэргэжилтнүүдтэй хамтран ажилладаг.
мэргэжилтнүүдтэй хамтран ажилладаг.
01:01
This gives us a unique perspective
on what machines can do,
on what machines can do,
17
49279
3222
Хамтын ажиллагааны үр дүнд бид
машин юу хийж чадах, юуг чадахгүйг,
машин юу хийж чадах, юуг чадахгүйг,
01:04
what they can't do
18
52525
1235
мөн ямар ажлын байрыг
01:05
and what jobs they might
automate or threaten.
automate or threaten.
19
53784
2939
автоматжуулж болохыг
хэлж чадахаар болсон.
хэлж чадахаар болсон.
01:09
Machine learning started making its way
into industry in the early '90s.
into industry in the early '90s.
20
57316
3550
Машин сургалтыг аж үйлдвэрийн салбарт
анх 90-ээд оны эхээр ашиглаж эхэлсэн.
анх 90-ээд оны эхээр ашиглаж эхэлсэн.
01:12
It started with relatively simple tasks.
21
60890
2124
Эхэндээ хялбар даалгавар
гүйцэтгэдэг байв.
гүйцэтгэдэг байв.
01:15
It started with things like assessing
credit risk from loan applications,
credit risk from loan applications,
22
63406
4115
Зээлийн эрсдэлийг зээлийн
өргөдөл дээр тулгуурлан үнэлэх,
өргөдөл дээр тулгуурлан үнэлэх,
01:19
sorting the mail by reading
handwritten characters from zip codes.
handwritten characters from zip codes.
23
67545
4053
гараар бичсэн бүсийн кодын дүрсийг танин,
захиаг ангилах зэрэг ажлыг хийж эхэлсэн.
захиаг ангилах зэрэг ажлыг хийж эхэлсэн.
01:24
Over the past few years, we have made
dramatic breakthroughs.
dramatic breakthroughs.
24
72036
3169
Сүүлийн хэдэн жилд бид асар их
шинэчлэлийг хийж чадсан.
шинэчлэлийг хийж чадсан.
01:27
Machine learning is now capable
of far, far more complex tasks.
of far, far more complex tasks.
25
75586
3916
Одоо машин сургалт хамаагүй төвөгтэй
даалгавруудыг гүйцэтгэх чадамжтай болсон.
даалгавруудыг гүйцэтгэх чадамжтай болсон.
01:31
In 2012, Kaggle challenged its community
26
79860
3231
2012 онд Kaggle компани ахлах сургуулийн
сурагчдын эссeнд
сурагчдын эссeнд
01:35
to build an algorithm
that could grade high-school essays.
that could grade high-school essays.
27
83115
3189
дүн тавьж чадах алгоритм зохиох
уралдаан зарласан.
уралдаан зарласан.
01:38
The winning algorithms
were able to match the grades
were able to match the grades
28
86328
2604
Шалгарсан алгоритмын тавьсан дүн
багш хүний тавьсан
багш хүний тавьсан
01:40
given by human teachers.
29
88956
1665
үнэлгээтэй адилхан байлаа.
01:43
Last year, we issued
an even more difficult challenge.
an even more difficult challenge.
30
91092
2984
Өнгөрсөн жилийн уралдааны
даалгавар бүр хэцүү байсан.
даалгавар бүр хэцүү байсан.
01:46
Can you take images of the eye
and diagnose an eye disease
and diagnose an eye disease
31
94100
2953
Хүний нүдний зургийг шинжилж
чихрийн шижингийн ретинопат гэх
чихрийн шижингийн ретинопат гэх
01:49
called diabetic retinopathy?
32
97077
1694
нүдний өвчнийг оношлох юм.
01:51
Again, the winning algorithms
were able to match the diagnoses
were able to match the diagnoses
33
99164
4040
Уралдаанд түрүүлсэн
алгоритмын тавьсан онош
алгоритмын тавьсан онош
нүдний эмч нарын оноштой таарч байв.
01:55
given by human ophthalmologists.
34
103228
1825
01:57
Now, given the right data,
machines are going to outperform humans
machines are going to outperform humans
35
105561
3212
Тоон өгөгдөл хангалттай байгаа цагт машин
ийм даалгавар биелүүлэхдээ
ийм даалгавар биелүүлэхдээ
02:00
at tasks like this.
36
108797
1165
хүмүүсээс хавь илүү.
02:01
A teacher might read 10,000 essays
over a 40-year career.
over a 40-year career.
37
109986
3992
Багш хүн 40 жил ажиллах хугацаандаа
ойролцоогоор 10,000 эссe унших байх.
ойролцоогоор 10,000 эссe унших байх.
02:06
An ophthalmologist might see 50,000 eyes.
38
114407
2360
Нүдний эмч 50,000 нүд үзэж магадгүй.
02:08
A machine can read millions of essays
or see millions of eyes
or see millions of eyes
39
116791
3913
Харин машин хэдхэн минутын дотор
сая сая эссэ уншиж эсвэл сая сая
сая сая эссэ уншиж эсвэл сая сая
02:12
within minutes.
40
120728
1276
нүд оношилж чадна.
02:14
We have no chance of competing
against machines
against machines
41
122456
2858
Өндөр давтамжтай, их хэмжээний
өгөгдөлтэй даалгаврыг
өгөгдөлтэй даалгаврыг
02:17
on frequent, high-volume tasks.
42
125338
2321
гүйцэтгэх тал дээр хүн машинтай
өрсөлдөж чадахгүй.
өрсөлдөж чадахгүй.
02:20
But there are things we can do
that machines can't do.
that machines can't do.
43
128665
3724
Гэхдээ бидний хийж чадах ч машинуудын
хийж чадахгүй зүйлүүд бас бий.
хийж чадахгүй зүйлүүд бас бий.
02:24
Where machines have made
very little progress
very little progress
44
132791
2200
Цоо шинэ асуудлыг шийдэх тал дээр машинууд
02:27
is in tackling novel situations.
45
135015
1854
маш бага дэвшил гаргасан.
02:28
They can't handle things
they haven't seen many times before.
they haven't seen many times before.
46
136893
3899
Тэд өмнө нь тулгарч байгаагүй
асуудлыг шийдэж чаддаггүй.
асуудлыг шийдэж чаддаггүй.
02:33
The fundamental limitations
of machine learning
of machine learning
47
141321
2584
Машин судлалын үндсэн дутагдал нь
суралцахын тулд
суралцахын тулд
02:35
is that it needs to learn
from large volumes of past data.
from large volumes of past data.
48
143929
3394
тэдэнд өмнөх үеийн өгөгдөл
маш их хэмжээгээр хэрэг болдог.
маш их хэмжээгээр хэрэг болдог.
02:39
Now, humans don't.
49
147347
1754
Харин энэ нь хүмүүст шаардлагагүй.
02:41
We have the ability to connect
seemingly disparate threads
seemingly disparate threads
50
149125
3030
Огт хамааралгүй мэт өгөгдлүүдийн
уялдаа холбоог тогтоон
уялдаа холбоог тогтоон
02:44
to solve problems we've never seen before.
51
152179
2238
шинэ асуудлыг шийдвэрлэх
чадвар хүнд байдаг.
чадвар хүнд байдаг.
02:46
Percy Spencer was a physicist
working on radar during World War II,
working on radar during World War II,
52
154808
4411
Дэлхийн хоёрдугаар дайны үед радар дээр
ажиллаж байсан физикч Перси Спенсер
ажиллаж байсан физикч Перси Спенсер
02:51
when he noticed the magnetron
was melting his chocolate bar.
was melting his chocolate bar.
53
159243
3013
соронзон гэрлийн хажууд байсан шоколад
хайлж буйг анзаарчээ.
хайлж буйг анзаарчээ.
02:54
He was able to connect his understanding
of electromagnetic radiation
of electromagnetic radiation
54
162970
3295
Тэрбээр цахилгаан соронзон цацрагийн
талаарх мэдлэгээ
талаарх мэдлэгээ
02:58
with his knowledge of cooking
55
166289
1484
хоолны мэдлэгтэйгээ холбож
02:59
in order to invent -- any guesses? --
the microwave oven.
the microwave oven.
56
167797
3258
зохион бүтээсэн зүйл бол...Мэдэх үү?
Богино долгионы зуух.
Богино долгионы зуух.
03:03
Now, this is a particularly remarkable
example of creativity.
example of creativity.
57
171444
3073
Энэ бол бүтээлч сэтгэлгээний
гайхалтай жишээ.
гайхалтай жишээ.
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
Гэхдээ ийм төрлийн харилцан баяжуулалт
бид бүхэнд бага хэмжээгээр ч гэсэн
бид бүхэнд бага хэмжээгээр ч гэсэн
03:10
thousands of times per day.
59
178229
1828
өдөрт мянга мянган удаа тохиолддог.
03:12
Machines cannot compete with us
60
180501
1661
Цоо шинэ асуудал шийдэх тал дээр
03:14
when it comes to tackling
novel situations,
novel situations,
61
182186
2251
машинууд бидэнтэй өрсөлдөж чадахгүй.
03:16
and this puts a fundamental limit
on the human tasks
on the human tasks
62
184461
3117
Энэ нь ажлыг машинаар
автоматжуулах үйл хэргийг
автоматжуулах үйл хэргийг
03:19
that machines will automate.
63
187602
1717
хязгаарлах гол шалтгаан болж байна.
03:22
So what does this mean
for the future of work?
for the future of work?
64
190041
2405
Энэ бүхэн ирээдүйн ажил мэргэжилд
яаж нөлөөлөх вэ?
яаж нөлөөлөх вэ?
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
Ажил мэргэжил бүрийн ирээдүй доорх
асуултын хариултаас хамаарна:
асуултын хариултаас хамаарна:
03:29
To what extent is that job reducible
to frequent, high-volume tasks,
to frequent, high-volume tasks,
66
197360
4981
Ажил дээр олон давтагддаг ажиллагаа
ихтэй үйлдэл хэр их байдаг вэ?
ихтэй үйлдэл хэр их байдаг вэ?
03:34
and to what extent does it involve
tackling novel situations?
tackling novel situations?
67
202365
3253
Мөн цоо шинэ асуудлыг шийдвэрлэх
шаардлага хэр олон тохиолддог вэ?
шаардлага хэр олон тохиолддог вэ?
03:37
On frequent, high-volume tasks,
machines are getting smarter and smarter.
machines are getting smarter and smarter.
68
205975
4035
Олон давтамжтай, ажиллагаа ихтэй үйлдлийг
хийх тусам машинууд улам ухаалаг болно.
хийх тусам машинууд улам ухаалаг болно.
03:42
Today they grade essays.
They diagnose certain diseases.
They diagnose certain diseases.
69
210034
2714
Өнөөдөр тэд эссe шалгаж,
зарим нэг өвчнийг оношилж байна.
зарим нэг өвчнийг оношилж байна.
03:44
Over coming years,
they're going to conduct our audits,
they're going to conduct our audits,
70
212772
3157
Ойрын ирээдүйд машинууд хяналт, шалгалтын
ажлыг хийж гүйцэтгэнэ.
ажлыг хийж гүйцэтгэнэ.
03:47
and they're going to read boilerplate
from legal contracts.
from legal contracts.
71
215953
2967
Мөн тэд стандарт гэрээг хянаж,
хуулийн дүгнэлт гаргана.
хуулийн дүгнэлт гаргана.
Нягтлан, хуульчийн
хэрэгцээ байсаар байна.
хэрэгцээ байсаар байна.
03:50
Accountants and lawyers are still needed.
72
218944
1997
03:52
They're going to be needed
for complex tax structuring,
for complex tax structuring,
73
220965
2682
Тэд иж бүрэн татварын бүтцийн учрыг
олж, шүүхээр маргаан
олж, шүүхээр маргаан
03:55
for pathbreaking litigation.
74
223671
1357
шийдвэрлэхэд хэрэг болно.
03:57
But machines will shrink their ranks
75
225052
1717
Гэсэн ч машинууд тэдний тоог цөөлж,
03:58
and make these jobs harder to come by.
76
226793
1872
эдгээр ажлын байрны олдцыг бууруулна.
04:00
Now, as mentioned,
77
228689
1151
Түрүүн дурдсанчлан,
04:01
machines are not making progress
on novel situations.
on novel situations.
78
229864
2949
машинууд цоо шинэ асуудал шийдэх тал дээр
ахиц гаргахгүй байна.
ахиц гаргахгүй байна.
04:04
The copy behind a marketing campaign
needs to grab consumers' attention.
needs to grab consumers' attention.
79
232837
3457
Маркетингийн сурталчилгаа бүр хэрэглэгчийн
анхаарлыг татах хэрэгтэй.
анхаарлыг татах хэрэгтэй.
04:08
It has to stand out from the crowd.
80
236318
1715
Бусдаас ялгарах хэрэгтэй.
04:10
Business strategy means
finding gaps in the market,
finding gaps in the market,
81
238057
2444
Бизнес стратеги гэдэг нь
зах зээлд орон зайг олж,
зах зээлд орон зайг олж,
04:12
things that nobody else is doing.
82
240525
1756
хэний ч хийгээгүйг хийхэд оршдог.
04:14
It will be humans that are creating
the copy behind our marketing campaigns,
the copy behind our marketing campaigns,
83
242305
4118
Хүмүүс л маркетингийн
кампанит ажлыг зохиож,
кампанит ажлыг зохиож,
04:18
and it will be humans that are developing
our business strategy.
our business strategy.
84
246447
3517
хүмүүс л бизнесийн стратегийг
боловсруулж чадна.
боловсруулж чадна.
04:21
So Yahli, whatever you decide to do,
85
249988
2817
Тэгэхээр Яали, чи юу ч хийхээр
шийдсэн бай тэр зүйл чинь
шийдсэн бай тэр зүйл чинь
04:24
let every day bring you a new challenge.
86
252829
2361
өдөр бүр чамд шинэ
сорилтыг авч ирэх болтугай.
сорилтыг авч ирэх болтугай.
04:27
If it does, then you will stay
ahead of the machines.
ahead of the machines.
87
255587
2809
Хэрвээ тэгж чадвал чи машинуудаас
үргэлж урд алхах болно.
үргэлж урд алхах болно.
04:31
Thank you.
88
259126
1176
Баярлалаа.
04:32
(Applause)
89
260326
3104
(Алга ташилт)
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