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

Anthony Goldbloom: Profesionet që do të zëvendësohen dhe ato që nuk do të zëvendësohen nga makinat

Filmed:
2,347,347 views

Të mësuarit e makinave nuk është më vetëm për detyra të thjeshta si matja e riskut të kredive dhe klasifikimi i postës, sot janë në gjendje të bëjnë aplikime shumë më komplekse si vlersimi me nota i esseve dhe diagnostikimi i sëmundjeve. Me këto avancime lind një pyetje e vështirë: A do ta bëjë një robot punën tënde në të ardhmen?

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

So this is my niece.
Kjo është mbesa ime.
00:12
Her name is Yahli.
Quhet Yahli.
00:14
She is nine months old.
Ajo është nëntë muajshe.
00:16
Her mum is a doctor,
and her dad is a lawyer.
Nëna e saj është mjeke,
ndërsa i ati jurist.
00:18
By the time Yahli goes to college,
Kur Yhali të shkojë në universitet,
00:21
the jobs her parents do
are going to look dramatically different.
punët që bëjnë prindërit e saj
do të duken dramatikisht ndryshe.
00:23
In 2013, researchers at Oxford University
did a study on the future of work.
Në 2013, kërkues nga Universiteti i Oxford
kryen një studim mbi të ardhmen e punës.
00:27
They concluded that almost one
in every two jobs have a high risk
Ata dolën në përfundimin se, pothuajse
një në ҫdo dy punë ka rrezik të lartë
00:32
of being automated by machines.
të automatizohet nga makinat.
00:36
Machine learning is the technology
Mësimi automatik është teknologjia
00:40
that's responsible for most
of this disruption.
përgjegjese kryesisht për
këtë ndërhyrje.
00:42
It's the most powerful branch
of artificial intelligence.
Është dega më e fuqishme e
inteligjencës artificiale.
00:44
It allows machines to learn from data
I lejon makinat të mësojnë
nga të dhënat
00:47
and mimic some of the things
that humans can do.
dhe imitojnë disa gjëra
që njerzit s'munden.
00:49
My company, Kaggle, operates
on the cutting edge of machine learning.
Kompania ime, Kaggle, operon
në pararojën e të mësuarit automatik.
00:51
We bring together
hundreds of thousands of experts
Ne kemi bashkuar
qindra e mijra ekspertë
00:55
to solve important problems
for industry and academia.
për të zgjidhur probleme të rëndësishme
industriale dhe akademike.
00:57
This gives us a unique perspective
on what machines can do,
Kjo na jep një perspektivë unike
mbi atë që mund të bëjnë makinat,
01:01
what they can't do
ҫfarë nuk mund të bëjnë
01:04
and what jobs they might
automate or threaten.
dhe cilat punë mund t'i
automatizojnë apo kërcënojnë.
01:05
Machine learning started making its way
into industry in the early '90s.
Të mësuarit nga makinat filloi
në industri në fillim të viteve 90.
01:09
It started with relatively simple tasks.
Filloi me detyra relativisht të thjeshta.
01:12
It started with things like assessing
credit risk from loan applications,
Filloi me gjëra të tilla si matja e
riskut të kredive në aplikimet për hua,
01:15
sorting the mail by reading
handwritten characters from zip codes.
Klasifikimi i postës duke lexuar gërmat
e shkrimit të dorës nga kodet postale.
01:19
Over the past few years, we have made
dramatic breakthroughs.
Gjatë këtyre viteve që kanë kaluar, kemi
bërë depërtime dramatike.
01:24
Machine learning is now capable
of far, far more complex tasks.
Të mësuarit nga makinat është tashmë në
gjendje për punë mjaft më komplekse.
01:27
In 2012, Kaggle challenged its community
Në 2012, Kaggle e sfidoi komunitetin e vet
01:31
to build an algorithm
that could grade high-school essays.
të ndërtojë algoritme, që tu vendosin
nota esseve të shkollës së mesme.
01:35
The winning algorithms
were able to match the grades
Algoritmet fitues ishin të aftë
t'i barazonin notat
01:38
given by human teachers.
me notat e mësuesve njerëz.
01:40
Last year, we issued
an even more difficult challenge.
Vitin e kaluar, ne lanҫuam
një sfidë akoma më të vështirë.
01:43
Can you take images of the eye
and diagnose an eye disease
A mund të merrni imazhe të syrit dhe të
diagnostikoni sëmundjen
01:46
called diabetic retinopathy?
e quajtur retinopatia diabetike?
01:49
Again, the winning algorithms
were able to match the diagnoses
Përsëri, algoritmet fitues ishin të aftë
t'i barazonin diagnozat me ato
01:51
given by human ophthalmologists.
që vendosën Ophthalamologët njerëz.
01:55
Now, given the right data,
machines are going to outperform humans
Tani, me të dhënat e duhura,
makinat do t'i tejkalojnë njerzit
01:57
at tasks like this.
në punë të tilla.
02:00
A teacher might read 10,000 essays
over a 40-year career.
Një mësues mund të lexojë 10,000 esse
gjatë një karriere 40 vjeҫare.
02:01
An ophthalmologist might see 50,000 eyes.
Një ophthalamolog mund të shikojë
50,000 sy.
02:06
A machine can read millions of essays
or see millions of eyes
Një makinë mund të lexojë miliona esse
apo të shikojë miliona sy
02:08
within minutes.
brënda disa minutash.
02:12
We have no chance of competing
against machines
Ne nuk kemi shanse në konkurimin
kundër makinave
02:14
on frequent, high-volume tasks.
në punë frekuente dhe me volum të larte.
02:17
But there are things we can do
that machines can't do.
Por ka disa gjëra që ne mund t'i bëjmë
dhe makinat nuk munden.
02:20
Where machines have made
very little progress
Fusha ku makinat kanë bërë
shumë pak progres
02:24
is in tackling novel situations.
është në trajtimin e situatave të reja.
02:27
They can't handle things
they haven't seen many times before.
Ato nuk mund të përballen me gjëra
që nuk i kanë parë disa herë më parë.
02:28
The fundamental limitations
of machine learning
Limitimi kryesor i
të mësuarit të makinave
02:33
is that it needs to learn
from large volumes of past data.
është se ju duhet të mësojnë nga një
volum i madh të dhënash të mëparshme.
02:35
Now, humans don't.
Ndërsa njerzit, jo.
02:39
We have the ability to connect
seemingly disparate threads
Ne kemi aftësinë të lidhim
tema në dukje të ndryshme
02:41
to solve problems we've never seen before.
të zgjidhim probleme që s'i kemi
hasur më pare.
02:44
Percy Spencer was a physicist
working on radar during World War II,
Percy Spencer ish një fizikant që punonte
me radarët gjatë Luftë së II Botërore,
02:46
when he noticed the magnetron
was melting his chocolate bar.
kur vuri re se magnetroni qe duke
i shkrirë ҫokollatën e tij.
02:51
He was able to connect his understanding
of electromagnetic radiation
Ai ishte i aftë të lidhte të kuptuarit e
radiacionit elektromagnetik
02:54
with his knowledge of cooking
me njohuritë e tij të gatimit
02:58
in order to invent -- any guesses? --
the microwave oven.
duke shpikur --e gjeni dot dot se ҫfarë?--
furrën me mikrovalë.
02:59
Now, this is a particularly remarkable
example of creativity.
Ky është veçanërisht një
shembull i shquar i krijimtarisë.
03:03
But this sort of cross-pollination
happens for each of us in small ways
Por ky lloj kryqëzim-pllenimi ndodh
te secili prej nesh në mënyra të vogla
03:06
thousands of times per day.
mijëra herë në ditë.
03:10
Machines cannot compete with us
Makinat nuk na konkurojnë dot
03:12
when it comes to tackling
novel situations,
kur bëhet fjalë për trajtimin e
situatave të reja,
03:14
and this puts a fundamental limit
on the human tasks
dhe kjo vendos një limit
thelbësor në detyrat e njeriut
03:16
that machines will automate.
që do të automatizojnë makinat.
03:19
So what does this mean
for the future of work?
Pra ҫfarë nënkupton kjo për
të ardhmen e punës?
03:22
The future state of any single job lies
in the answer to a single question:
Situata e ardhshme e ҫfarëdo pune gjendet
në përgjigjen e një pyetje të vetme:
03:24
To what extent is that job reducible
to frequent, high-volume tasks,
Në ҫ'shkalle është e reduktueshme ajo
punë, në detyra frekuente dhe me volum,
03:29
and to what extent does it involve
tackling novel situations?
dhe në ҫfarë shkalle përfshin
trajtimin e situatave të reja?
03:34
On frequent, high-volume tasks,
machines are getting smarter and smarter.
Në detyra frekuente, me volum të lartë
makinat po bëhen gjithmonë e më të menҫura
03:37
Today they grade essays.
They diagnose certain diseases.
Sot ato u japin nota esseve.
Diagnostikojnë disa sëmundje.
03:42
Over coming years,
they're going to conduct our audits,
Në vitet që në vijim,
ato do të kryejnë auditimin tonë,
03:44
and they're going to read boilerplate
from legal contracts.
dhe do të lexojnë boilerplate
nga kontratat ligjore.
03:47
Accountants and lawyers are still needed.
Llogaritarët e avokatët janë
ende të nevojshëm.
03:50
They're going to be needed
for complex tax structuring,
Ata do të duhen për strukturimin
kompleks të taksave, për
03:52
for pathbreaking litigation.
ҫështje gjyqësore pionere.
03:55
But machines will shrink their ranks
Por makinat do tju tkurrin fushën
03:57
and make these jobs harder to come by.
e do t'i bëjnë këto punë
të vështira për tu arrirë.
03:58
Now, as mentioned,
Siҫ e përmenda,
04:00
machines are not making progress
on novel situations.
makinat nuk po bëjnë progres
në situatat e reja.
04:01
The copy behind a marketing campaign
needs to grab consumers' attention.
Kopja e një fushate marketingu duhet
të tërheqë vëmendjen e konsumatorit.
04:04
It has to stand out from the crowd.
Duhet të dallojë mbi turmën.
04:08
Business strategy means
finding gaps in the market,
Strategji Biznesi nënkupton,
të gjesh hapësira në treg,
04:10
things that nobody else is doing.
gjëra që s'është duke i bërë askush.
04:12
It will be humans that are creating
the copy behind our marketing campaigns,
Janë njerzit ata që po krijojnë
kopjen e fushatave tona të marketingut,
04:14
and it will be humans that are developing
our business strategy.
dhe do të jenë njerzit që do të zhvillojnë
strategjinë tonë të biznesit.
04:18
So Yahli, whatever you decide to do,
Pra Yahli, ҫfarëdo që
të vendosësh të bësh,
04:21
let every day bring you a new challenge.
lejo ҫdo ditë të të sjelli
një sfidë të re.
04:24
If it does, then you will stay
ahead of the machines.
Nëse e bën, atëherë do të qëndrosh
përpara makinave.
04:27
Thank you.
Faleminderit.
04:31
(Applause)
(Duartrokitje)
04:32
Translated by Albana Telhai
Reviewed by Helena Bedalli

▲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