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: Zawody, w których zastąpią nas maszyny - i gdzie się to nie uda

Filmed:
2,568,213 views

Komputerów, które potrafią same się uczyć, nie stosuje się już do prostych prac, jak ocena ryzyka kredytowego, lub sortowanie poczty - obecnie maszyny zdolne są do bardziej skomplikowanych zadań, jak ocenianie prac uczniów i wykrywanie chorób. Z postępem techniki nadchodzi pytanie - czy w przyszłości to robot będzie wykonywał twoją pracę?
- 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 niecesiostrzenica.
0
968
1262
Oto moja siostrzenica.
00:14
Her nameNazwa is YahliYahli.
1
2644
1535
Ma na imię Yahli.
00:16
She is ninedziewięć monthsmiesiące oldstary.
2
4203
1511
Ma dziewięć miesięcy.
00:18
Her mumMUM is a doctorlekarz,
and her dadtata is a lawyerprawnik.
3
6201
2528
Jej tata jest lekarzem,
a mama prawnikiem.
00:21
By the time YahliYahli goesidzie to collegeSzkoła Wyższa,
4
9269
2006
Zanim pójdzie na studia
00:23
the jobsOferty pracy her parentsrodzice do
are going to look dramaticallydramatycznie differentróżne.
5
11299
3253
zawody jej rodziców
będą wyglądać zupełnie inaczej.
00:27
In 2013, researchersnaukowcy at OxfordOxford UniversityUniwersytet
did a studybadanie on the futureprzyszłość of work.
6
15347
5073
W 2013 roku naukowcy z Oksfordu
badali przyszłość rynku pracy.
00:32
They concludedzakończony that almostprawie one
in everykażdy two jobsOferty pracy have a highwysoki riskryzyko
7
20766
4139
Stwierdzono, że 50% zawodów
00:36
of beingistota automatedautomatyczne by machinesmaszyny.
8
24929
1824
grozi zastąpienie przez komputery.
00:40
MachineMaszyny learninguczenie się is the technologytechnologia
9
28388
1905
Samouczenie się maszyn to technologia
00:42
that's responsibleodpowiedzialny for mostwiększość
of this disruptionzakłócenie.
10
30317
2278
głównie odpowiedzialna za tę sytuację.
00:44
It's the mostwiększość powerfulpotężny branchgałąź
of artificialsztuczny intelligenceinteligencja.
11
32619
2790
To najważniejsza dziedzina
sztucznej inteligencji.
00:47
It allowspozwala machinesmaszyny to learnuczyć się from datadane
12
35433
1882
Pozwala maszynom uczyć się z danych
00:49
and mimicimitować some of the things
that humansludzie can do.
13
37339
2592
i naśladować niektóre umiejętności ludzi.
00:51
My companyfirma, KaggleKaggle, operatesdziała
on the cuttingtnący edgekrawędź of machinemaszyna learninguczenie się.
14
39955
3415
Moja firma, Kaggle, działa
w awangardzie uczenia maszynowego.
00:55
We bringprzynieść togetherRazem
hundredssetki of thousandstysiące of expertseksperci
15
43394
2386
Gromadzimy setki tysięcy ekspertów,
00:57
to solverozwiązać importantważny problemsproblemy
for industryprzemysł and academiaAcademia.
16
45804
3118
żeby rozwiązywali ważne
problemy przemysłu i nauki.
01:01
This givesdaje us a uniquewyjątkowy perspectiveperspektywiczny
on what machinesmaszyny can do,
17
49279
3222
Daje nam to wyjątkowy wgląd w to,
co potrafią i czego nie potrafią maszyny,
01:04
what they can't do
18
52525
1235
01:05
and what jobsOferty pracy they mightmoc
automateAutomatyzacja or threatenzagrażają.
19
53784
2939
i jakie zawody mogą
zautomatyzować, a jakim zagrozić.
Uczenie maszynowe zaczęło się w latach 90.
01:09
MachineMaszyny learninguczenie się startedRozpoczęty makingzrobienie its way
into industryprzemysł in the earlywcześnie '90s.
20
57316
3550
Zaczęło się od stosunkowo prostych zadań:
01:12
It startedRozpoczęty with relativelystosunkowo simpleprosty taskszadania.
21
60890
2124
01:15
It startedRozpoczęty with things like assessingoceny
creditkredyt riskryzyko from loanpożyczyć applicationsAplikacje,
22
63406
4115
oceny ryzyka finansowego
wniosków o kredyty,
01:19
sortingsortowanie the mailPoczta by readingczytanie
handwrittenręcznie characterspostacie from zipzamek błyskawiczny codesKody.
23
67545
4053
sortowania poczty przez sczytywanie
ręcznie napisanego kodu pocztowego.
W ostatnich latach, dokonaliśmy
wielkiego przełomu.
01:24
Over the pastprzeszłość fewkilka yearslat, we have madezrobiony
dramaticdramatyczny breakthroughsprzełomy.
24
72036
3169
Samouczące się maszyny umieją
wykonywać bardziej złożone zadania.
01:27
MachineMaszyny learninguczenie się is now capablezdolny
of fardaleko, fardaleko more complexzłożony taskszadania.
25
75586
3916
W 2012 firma Kaggle rzuciła wyzwanie
społeczności użytkowników,
01:31
In 2012, KaggleKaggle challengedzakwestionowany its communityspołeczność
26
79860
3231
01:35
to buildbudować an algorithmalgorytm
that could gradestopień high-schoolLiceum essayseseje.
27
83115
3189
żeby stworzyli algorytm do oceniania
wypracowań uczniów liceum.
01:38
The winningzwycięski algorithmsalgorytmy
were ablezdolny to matchmecz the gradesgatunki
28
86328
2604
Zwycięskie algorytmy dawały
takie same oceny co nauczyciele.
01:40
givendany by humanczłowiek teachersnauczyciele.
29
88956
1665
01:43
Last yearrok, we issuedwydany
an even more difficulttrudny challengewyzwanie.
30
91092
2984
W zeszłym roku podnieśliśmy poprzeczkę.
01:46
Can you take imagesobrazy of the eyeoko
and diagnoserozpoznać chorobę an eyeoko diseasechoroba
31
94100
2953
Czy da się zdiagnozować retinopatię
cukrzycową na podstawie zdjęć?
01:49
callednazywa diabeticcukrzycowy retinopathyretinopatii?
32
97077
1694
Tu znów zwycięskie algorytmy
01:51
Again, the winningzwycięski algorithmsalgorytmy
were ablezdolny to matchmecz the diagnosesdiagnozy
33
99164
4040
odpowiadały diagnozie okulistów.
01:55
givendany by humanczłowiek ophthalmologistsokuliści.
34
103228
1825
Mając odpowiednie dane,
01:57
Now, givendany the right datadane,
machinesmaszyny are going to outperformwyprzedzić humansludzie
35
105561
3212
maszyny wykonują takie zadania
lepiej niż ludzie.
02:00
at taskszadania like this.
36
108797
1165
02:01
A teachernauczyciel mightmoc readczytać 10,000 essayseseje
over a 40-year-rok careerkariera.
37
109986
3992
Nauczyciel może przeczytać
10 000 wypracowań przez 40 lat nauczania.
02:06
An ophthalmologistokulista mightmoc see 50,000 eyesoczy.
38
114407
2360
Okulista zobaczy 50 000 oczu.
02:08
A machinemaszyna can readczytać millionsmiliony of essayseseje
or see millionsmiliony of eyesoczy
39
116791
3913
Komputer przeczyta miliony wypracowań,
przeanalizuje miliony oczu
02:12
withinw ciągu minutesminuty.
40
120728
1276
w mgnieniu oka.
02:14
We have no chanceszansa of competingkonkurowanie
againstprzeciwko machinesmaszyny
41
122456
2858
Nie mamy szans w starciu z maszyną,
w wykonywaniu powtarzalnych zadań
z dużą ilością danych.
02:17
on frequentczęsty, high-volumewysoka głośność taskszadania.
42
125338
2321
02:20
But there are things we can do
that machinesmaszyny can't do.
43
128665
3724
Ale są rzeczy, które my potrafimy,
a maszyny nie.
Maszyny nie zaszły zbyt daleko
02:24
Where machinesmaszyny have madezrobiony
very little progresspostęp
44
132791
2200
02:27
is in tacklingprzeciwdziałanie novelpowieść situationssytuacje.
45
135015
1854
w rozwiązywaniu nowych problemów.
02:28
They can't handleuchwyt things
they haven'tnie mam seenwidziany manywiele timesczasy before.
46
136893
3899
Nie radzą sobie z rzeczami, których
przedtem wielokrotnie nie widziały.
02:33
The fundamentalfundamentalny limitationsograniczenia
of machinemaszyna learninguczenie się
47
141321
2584
Programy uczące się
fundamentalnie ogranicza to,
02:35
is that it needswymagania to learnuczyć się
from largeduży volumeskłęby of pastprzeszłość datadane.
48
143929
3394
że muszą uczyć się
z danych zebranych wcześniej.
02:39
Now, humansludzie don't.
49
147347
1754
Ludzie nie potrzebują tego.
02:41
We have the abilityzdolność to connectpołączyć
seeminglypozornie disparateróżny threadswątki
50
149125
3030
Umiemy łączyć wątki pozornie bez związku,
02:44
to solverozwiązać problemsproblemy we'vemamy never seenwidziany before.
51
152179
2238
żeby rozwiązywać nieznane dotąd problemy.
02:46
PercyPercy SpencerSpencer was a physicistfizyk
workingpracujący on radarradar duringpodczas WorldŚwiat WarWojny IIII,
52
154808
4411
Percy Spencer, fizyk pracujący z radarami
podczas II wojny światowej,
02:51
when he noticedzauważyłem the magnetronmagnetron
was meltingtopienie his chocolateczekolada barbar.
53
159243
3013
zauważył, że magnetron topi mu
czekoladowy batonik w kieszeni.
02:54
He was ablezdolny to connectpołączyć his understandingzrozumienie
of electromagneticelektromagnetyczna radiationpromieniowanie
54
162970
3295
Połączył znajomość promieniowania
elektromagnetycznego
z doświadczeniem kulinarnym,
02:58
with his knowledgewiedza, umiejętności of cookinggotowanie
55
166289
1484
02:59
in orderzamówienie to inventwymyślać -- any guessesdomysły? --
the microwavekuchenka mikrofalowa ovenpiekarnik.
56
167797
3258
żeby stworzyć - ktoś wie? - mikrofalówkę.
03:03
Now, this is a particularlyszczególnie remarkableznakomity
exampleprzykład of creativitykreatywność.
57
171444
3073
To wyjątkowy przykład inwencji,
03:06
But this sortsortować of cross-pollinationzapylenia krzyżowego
happensdzieje się for eachkażdy of us in smallmały wayssposoby
58
174541
3664
ale podobne łączenie wątków
zdarza się każdemu z nas
03:10
thousandstysiące of timesczasy perza day.
59
178229
1828
tysiące razy dziennie.
03:12
MachinesMaszyny cannotnie może competerywalizować with us
60
180501
1661
Komputery nie są konkurencją dla ludzi,
03:14
when it comespochodzi to tacklingprzeciwdziałanie
novelpowieść situationssytuacje,
61
182186
2251
jeśli chodzi o rozwiązywanie
nowych problemów,
03:16
and this putsstawia a fundamentalfundamentalny limitlimit
on the humanczłowiek taskszadania
62
184461
3117
co znacząco ogranicza liczbę zadań,
03:19
that machinesmaszyny will automateAutomatyzacja.
63
187602
1717
które mogą wykonywać maszyny.
03:22
So what does this mean
for the futureprzyszłość of work?
64
190041
2405
Co znaczy to dla zawodów przyszłości?
03:24
The futureprzyszłość statestan of any singlepojedynczy jobpraca lieskłamstwa
in the answerodpowiedź to a singlepojedynczy questionpytanie:
65
192804
4532
Przyszłość każdego zawodu leży
w odpowiedzi na jedno pytanie:
03:29
To what extentstopień is that jobpraca reducibleobniżaniu
to frequentczęsty, high-volumewysoka głośność taskszadania,
66
197360
4981
jak dalece da się go zredukować
do powtarzalnych, dużych zadań,
03:34
and to what extentstopień does it involveangażować
tacklingprzeciwdziałanie novelpowieść situationssytuacje?
67
202365
3253
a na ile zależy od rozwiązywania
nowych problemów?
03:37
On frequentczęsty, high-volumewysoka głośność taskszadania,
machinesmaszyny are gettinguzyskiwanie smartermądrzejszy and smartermądrzejszy.
68
205975
4035
W pracach powtarzanych w kółko
komputery stają się coraz lepsze.
03:42
TodayDzisiaj they gradestopień essayseseje.
They diagnoserozpoznać chorobę certainpewny diseaseschoroby.
69
210034
2714
Dziś oceniają prace uczniów,
wykrywają niektóre choroby.
03:44
Over comingprzyjście yearslat,
they're going to conductpostępowania our auditsaudyty,
70
212772
3157
W przyszłości będą prowadzić audyty
03:47
and they're going to readczytać boilerplateszablonowe
from legalprawny contractskontrakty.
71
215953
2967
i czytać standardowy tekst
w dokumentach prawnych.
03:50
AccountantsKsięgowych and lawyersprawnicy are still neededpotrzebne.
72
218944
1997
Księgowi i prawnicy nadal będą potrzebni
03:52
They're going to be neededpotrzebne
for complexzłożony taxpodatek structuringTworzenie struktury,
73
220965
2682
w przypadku skomplikowanej
struktury podatków,
do rozstrzygania sporów sądowych.
03:55
for pathbreakingprzełom litigationspór.
74
223671
1357
03:57
But machinesmaszyny will shrinkkurczyć się theirich ranksszeregi
75
225052
1717
Ale komputery zdziesiątkują ich
i utrudnią znalezienie pracy.
03:58
and make these jobsOferty pracy hardertrudniejsze to come by.
76
226793
1872
04:00
Now, as mentionedwzmiankowany,
77
228689
1151
Jak wspomniano wcześniej,
04:01
machinesmaszyny are not makingzrobienie progresspostęp
on novelpowieść situationssytuacje.
78
229864
2949
maszyny nie robią postępów
w nieznanych sytuacjach.
04:04
The copyKopiuj behindza a marketingmarketing campaignkampania
needswymagania to grabchwycić consumers'konsumentów attentionUwaga.
79
232837
3457
Tekst kampanii reklamowej
musi przyciągać uwagę konsumentów,
musi wyróżniać się z tłumu.
04:08
It has to standstoisko out from the crowdtłum.
80
236318
1715
04:10
BusinessBiznes strategystrategia meansznaczy
findingodkrycie gapsluki in the marketrynek,
81
238057
2444
Strategia biznesowa
to znajdowanie niszy rynkowej,
04:12
things that nobodynikt elsejeszcze is doing.
82
240525
1756
rzeczy, których nie robi nikt inny.
04:14
It will be humansludzie that are creatingtworzenie
the copyKopiuj behindza our marketingmarketing campaignskampanie,
83
242305
4118
To ludzie będą pisać
teksty kampanii reklamowych
04:18
and it will be humansludzie that are developingrozwijanie
our businessbiznes strategystrategia.
84
246447
3517
i to ludzie stworzą naszą strategię.
Yahli, cokolwiek będziesz w życiu robić,
04:21
So YahliYahli, whatevercokolwiek you decidedecydować się to do,
85
249988
2817
04:24
let everykażdy day bringprzynieść you a newNowy challengewyzwanie.
86
252829
2361
niech każdy dzień będzie nowym wyzwaniem.
04:27
If it does, then you will stayzostać
aheadprzed siebie of the machinesmaszyny.
87
255587
2809
Wtedy wyprzedzisz maszyny.
Dziękuję bardzo.
04:31
Thank you.
88
259126
1176
04:32
(ApplauseAplauz)
89
260326
3104
(Brawa)
Translated by Aretzki Aretzki
Reviewed by Rysia Wand

▲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