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: Jobben som vi kan förlora till maskinerna och de vi behåller

Filmed:
2,568,213 views

Maskininlärning är inte längre enbart för enkla uppgifter som att bedöma kreditrisk eller sortera post. I dag är den kapabel att göra betydligt mer komplexa uppgifter som att betygssätta uppsatser eller diagnostisera sjukdomar. Med dessa framsteg kommer denna obehagliga fråga: Kommer robotarna göra ditt jobb i framtiden?
- 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 nieceniece.
0
968
1262
Det här är min brorsdotter.
00:14
Her namenamn is YahliYahli.
1
2644
1535
Hon heter Yahli.
00:16
She is ninenio monthsmånader oldgammal.
2
4203
1511
Hon är nio månader gammal.
00:18
Her mumMUM is a doctorläkare,
and her dadpappa is a lawyeradvokat.
3
6201
2528
Hennes mamma är läkare
och hennes pappa jurist.
00:21
By the time YahliYahli goesgår to collegehögskola,
4
9269
2006
När Yahli går på gymnasiet
00:23
the jobsjobb her parentsföräldrar do
are going to look dramaticallydramatiskt differentannorlunda.
5
11299
3253
kommer hennes föräldrars arbeten
vara dramatiskt förändrade.
00:27
In 2013, researchersforskare at OxfordOxford UniversityUniversitet
did a studystudie on the futureframtida of work.
6
15347
5073
Forskare vid Oxford University gjorde 2013
en studie om framtidens arbete.
00:32
They concludedslutsatsen that almostnästan one
in everyvarje two jobsjobb have a highhög riskrisk
7
20766
4139
De kom fram till att nästan vartannat jobb
riskerade att bli automatiserat
00:36
of beingvarelse automatedautomatiserad by machinesmaskiner.
8
24929
1824
av maskiner.
00:40
MachineMaskin learninginlärning is the technologyteknologi
9
28388
1905
Maskinlärning är den teknologi som
00:42
that's responsibleansvarig for mostmest
of this disruptionavbrott.
10
30317
2278
har störst påverkan i denna omvälvning.
00:44
It's the mostmest powerfulkraftfull branchgren
of artificialartificiell intelligenceintelligens.
11
32619
2790
Den kraftfullaste grenen
inom artificiell intelligens.
00:47
It allowstillåter machinesmaskiner to learnlära sig from datadata
12
35433
1882
Den tillåter att maskiner lär från data
00:49
and mimichärma some of the things
that humansmänniskor can do.
13
37339
2592
och härmar några saker
som människor kan göra.
00:51
My companyföretag, KaggleKaggle, operatesfungerar
on the cuttingskärande edgekant of machinemaskin learninginlärning.
14
39955
3415
Mitt företag Kagge
jobbar i framkanten av maskinlärning.
00:55
We bringföra togethertillsammans
hundredshundratals of thousandstusentals of expertsexperter
15
43394
2386
Vi samlar hundratusen experter
00:57
to solvelösa importantViktig problemsproblem
for industryindustri and academiaAcademia.
16
45804
3118
för att lösa viktiga problem
för industrin och akademin.
01:01
This givesger us a uniqueunik perspectiveperspektiv
on what machinesmaskiner can do,
17
49279
3222
Detta ger oss ett unikt perspektiv på
vad maskinerna kan göra,
01:04
what they can't do
18
52525
1235
vad de inte kan göra
01:05
and what jobsjobb they mightmakt
automateAutomatisera or threatenhotar.
19
53784
2939
och vilka jobb som de möjligen
kan automatisera eller hota.
01:09
MachineMaskin learninginlärning startedsatte igång makingtillverkning its way
into industryindustri in the earlytidigt '90s.
20
57316
3550
Maskinlärning började ta sig in
i industrin under början av 90-talet.
01:12
It startedsatte igång with relativelyrelativt simpleenkel tasksuppgifter.
21
60890
2124
Det började med relativt enkla uppgifter.
Det började med saker som
att bedöma kreditrisken
01:15
It startedsatte igång with things like assessingbedömningen av
creditkreditera riskrisk from loanlån applicationstillämpningar,
22
63406
4115
för låneansökningar,
01:19
sortingsortering the mailpost by readingläsning
handwrittenhandskriven characterstecken from zipblixtlås codeskoder.
23
67545
4053
sortera post genom läsa av
handskrivna siffror från postnummer.
01:24
Over the pastdåtid few yearsår, we have madegjord
dramaticdramatisk breakthroughsgenombrott.
24
72036
3169
Det senaste år har vi gjort
dramatiska genombrott.
01:27
MachineMaskin learninginlärning is now capablekapabel
of farlångt, farlångt more complexkomplex tasksuppgifter.
25
75586
3916
Maskinlärning är nu kapabelt att göra
avsevärt mer komplicerade uppgifter.
01:31
In 2012, KaggleKaggle challengedutmanade its communitygemenskap
26
79860
3231
Under 2012 utmanande Kaggle sitt community
01:35
to buildbygga an algorithmalgoritm
that could gradekvalitet high-schoolgymnasium essaysuppsatser.
27
83115
3189
att ta fram en algoritm som kunde
betygsätta gymnasieuppsatser.
01:38
The winningvinnande algorithmsalgoritmer
were ablestånd to matchmatch the gradesbetyg
28
86328
2604
Den vinnande algoritmen
hade förmågan att matcha betyg
01:40
givengiven by humanmänsklig teacherslärare.
29
88956
1665
satta av mänskliga lärare.
01:43
Last yearår, we issuedutfärdad
an even more difficultsvår challengeutmaning.
30
91092
2984
Förra året la vi ut en
ännu svårare utmaning.
01:46
Can you take imagesbilder of the eyeöga
and diagnosediagnostisera an eyeöga diseasesjukdom
31
94100
2953
Kan du ta en ögonbild och diagnostisera
en ögonsjukdom
01:49
calledkallad diabeticdiabetiker retinopathyretinopati?
32
97077
1694
som heter diabetesretinopati?
01:51
Again, the winningvinnande algorithmsalgoritmer
were ablestånd to matchmatch the diagnosesdiagnoser
33
99164
4040
Återigen så klarade
de vinnande algoritmerna
att matcha diagnoserna
som mänskliga optiker ställt.
01:55
givengiven by humanmänsklig ophthalmologistsögonläkare.
34
103228
1825
01:57
Now, givengiven the right datadata,
machinesmaskiner are going to outperformöverträffa humansmänniskor
35
105561
3212
Nu kan maskiner som får rätt data
utklassa människor
02:00
at tasksuppgifter like this.
36
108797
1165
för uppgifter som denna.
02:01
A teacherlärare mightmakt readläsa 10,000 essaysuppsatser
over a 40-year-år careerkarriär.
37
109986
3992
En lärare läser kanske 10 000 uppsatser
under en 40-årig karriär.
02:06
An ophthalmologistögonläkare mightmakt see 50,000 eyesögon.
38
114407
2360
En optiker kanske kollar på 50 000 ögon.
02:08
A machinemaskin can readläsa millionsmiljoner of essaysuppsatser
or see millionsmiljoner of eyesögon
39
116791
3913
En maskin kan läsa en miljon uppsatser
eller skanna av en miljon ögon
02:12
withininom minutesminuter.
40
120728
1276
på några minuter.
02:14
We have no chancechans of competingtävlande
againstmot machinesmaskiner
41
122456
2858
Vi har ingen möjlighet att tävla
med maskinerna
02:17
on frequentfrekvent, high-volumehög volym tasksuppgifter.
42
125338
2321
för vanliga uppgifter i stora mängder
02:20
But there are things we can do
that machinesmaskiner can't do.
43
128665
3724
Men det finns saker
som maskinerna inte kan göra.
02:24
Where machinesmaskiner have madegjord
very little progressframsteg
44
132791
2200
Maskinerna har haft lite framgång
02:27
is in tacklingatt ta itu med novelroman situationssituationer.
45
135015
1854
med att tackla unika situationer.
02:28
They can't handlehantera things
they haven'thar inte seensett manymånga timesgånger before.
46
136893
3899
De kan inte hantera saker
som de inte sett många gånger tidigare.
Den grundläggande begränsningen
hos maskininlärning
02:33
The fundamentalgrundläggande limitationsbegränsningar
of machinemaskin learninginlärning
47
141321
2584
02:35
is that it needsbehov to learnlära sig
from largestor volumesvolymer of pastdåtid datadata.
48
143929
3394
är den måste lära sig
från stora mängder historiska data.
02:39
Now, humansmänniskor don't.
49
147347
1754
Vilket inte människor behöver.
02:41
We have the abilityförmåga to connectansluta
seeminglytill synes disparatedisparat threadstrådar
50
149125
3030
Vi har förmågan att koppla samman
till synes helt skilda trådar
02:44
to solvelösa problemsproblem we'vevi har never seensett before.
51
152179
2238
för att lösa problem
vi inte tidigare sett.
02:46
PercyPercy SpencerSpencer was a physicistfysiker
workingarbetssätt on radarradar duringunder WorldVärlden WarKriget IIII,
52
154808
4411
Percy Spencer var en fysiker som jobbade
med radar under andra världskriget,
02:51
when he noticedlade märke till the magnetronmagnetron
was meltingsmältande his chocolatechoklad barbar.
53
159243
3013
när han la märke till att magnetronen
smälte hans chokladkaka.
02:54
He was ablestånd to connectansluta his understandingförståelse
of electromagneticElektromagnetisk radiationstrålning
54
162970
3295
Han kunde dra nytta av sin förståelse
av elektromagnetisk strålning
02:58
with his knowledgekunskap of cookingmatlagning
55
166289
1484
med kunskap om matlagning
02:59
in orderbeställa to inventuppfinna -- any guessesgissningar? --
the microwavemikrovågsugn ovenugn.
56
167797
3258
för att uppfinna – några gissningar? –
mikrovågsugnen.
03:03
Now, this is a particularlysärskilt remarkableanmärkningsvärd
exampleexempel of creativitykreativitet.
57
171444
3073
Detta är nu ett speciellt påfallande
exempel på kreativitet.
03:06
But this sortsortera of cross-pollinationkorsbefruktning
happenshänder for eachvarje of us in smallsmå wayssätt
58
174541
3664
Men denna typ av korspollinering
händer för oss alla i liten skala
03:10
thousandstusentals of timesgånger perper day.
59
178229
1828
tusentals gånger per dag.
03:12
MachinesMaskiner cannotkan inte competekonkurrera with us
60
180501
1661
Maskiner kan inte tävla med oss
03:14
when it comeskommer to tacklingatt ta itu med
novelroman situationssituationer,
61
182186
2251
när det gäller att tackla
unika situationer,
03:16
and this putssätter a fundamentalgrundläggande limitbegränsa
on the humanmänsklig tasksuppgifter
62
184461
3117
och detta innebär en grundläggande gräns
för mänskliga uppgifter
03:19
that machinesmaskiner will automateAutomatisera.
63
187602
1717
som maskiner kan automatisera.
03:22
So what does this mean
for the futureframtida of work?
64
190041
2405
Så vad innebär detta
för framtidens arbete?
03:24
The futureframtida statestat of any singleenda jobjobb lieslögner
in the answersvar to a singleenda questionfråga:
65
192804
4532
Tillståndet för varje enskilt jobb ligger
i svaret på en enkel fråga:
03:29
To what extentutsträckning is that jobjobb reduciblereducerbara
to frequentfrekvent, high-volumehög volym tasksuppgifter,
66
197360
4981
Till vilken omfattning kan jobbet göras
som frekventa uppgifter av stora volymer,
03:34
and to what extentutsträckning does it involveengagera
tacklingatt ta itu med novelroman situationssituationer?
67
202365
3253
och till vilken omfattning involverar det
att tackla unika situationer?
03:37
On frequentfrekvent, high-volumehög volym tasksuppgifter,
machinesmaskiner are getting smartersmartare and smartersmartare.
68
205975
4035
För frekventa uppgifter av stora volymer
så blir maskinerna smartare och smartare.
03:42
TodayIdag they gradekvalitet essaysuppsatser.
They diagnosediagnostisera certainvissa diseasessjukdomar.
69
210034
2714
I dag betygsätter de uppsatser.
De diagnostiserar sjukdomar.
03:44
Over comingkommande yearsår,
they're going to conductbeteende our auditsrevisioner,
70
212772
3157
De kommande åren
kommer de göra revisioner
03:47
and they're going to readläsa boilerplateboilerplate
from legalrättslig contractskontrakt.
71
215953
2967
och de kommer läsa
standardtexter från avtal.
03:50
AccountantsRevisorer and lawyersadvokater are still neededbehövs.
72
218944
1997
Revisorer och jurister kommer behövas.
De kommer behövas för
arbete med avancerade skattefrågor
03:52
They're going to be neededbehövs
for complexkomplex taxskatt structuringstrukturera,
73
220965
2682
och avgörande stämningar.
03:55
for pathbreakingbanbrytande litigationrättstvister.
74
223671
1357
Men maskinerna kommer göra dem färre
03:57
But machinesmaskiner will shrinkkrympa theirderas ranksrangordnar
75
225052
1717
03:58
and make these jobsjobb harderhårdare to come by.
76
226793
1872
och det blir svårare få såna jobb.
04:00
Now, as mentionednämnts,
77
228689
1151
Men som nämnt tidigare,
04:01
machinesmaskiner are not makingtillverkning progressframsteg
on novelroman situationssituationer.
78
229864
2949
maskinerna gör inga framsteg
när det gäller unika situationer.
04:04
The copykopiera behindBakom a marketingmarknadsföring campaignkampanj
needsbehov to grabhugg consumers'konsumenternas attentionuppmärksamhet.
79
232837
3457
Texten som fångar kundernas uppmärksamhet
i en marknadsföringskampanj,
04:08
It has to standstå out from the crowdfolkmassan.
80
236318
1715
den måste stå ut i från mängden.
04:10
BusinessFöretag strategystrategi meansbetyder
findingfynd gapsluckor in the marketmarknadsföra,
81
238057
2444
Affärsstrategin
som fyller marknadsglappen,
04:12
things that nobodyingen elseannan is doing.
82
240525
1756
med saker ingen annan gör.
04:14
It will be humansmänniskor that are creatingskapande
the copykopiera behindBakom our marketingmarknadsföring campaignskampanjer,
83
242305
4118
Det kommer vara människor
som skapar texten bakom marknadsföringen
04:18
and it will be humansmänniskor that are developingutvecklande
our businessföretag strategystrategi.
84
246447
3517
och det kommer vara människor
som utvecklar affärsstrategierna.
04:21
So YahliYahli, whatevervad som helst you decidebesluta to do,
85
249988
2817
Så Yahli, vad du än
bestämmer dig för att göra,
04:24
let everyvarje day bringföra you a newny challengeutmaning.
86
252829
2361
låt varje dag innehålla en ny utmaning.
04:27
If it does, then you will staystanna kvar
aheadett huvud of the machinesmaskiner.
87
255587
2809
Om den gör det, kommer du
hålla dig framför maskinerna.
04:31
Thank you.
88
259126
1176
Tack så mycket.
04:32
(ApplauseApplåder)
89
260326
3104
(Applåder)
Translated by Anders Björk
Reviewed by Annika Bidner

▲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