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

แอนโธนี โกล์ดบลูม (Anthony Goldbloom): งานที่จักรกลจะแย่งเราทำ -- และงานที่เราจะไม่เสียมันไป

Filmed:
2,568,213 views

การเรียนรู้ของจักรกลไม่ใช่เพียงแค่สำหรับงานง่าย ๆ อย่างการประเมินความเสี่ยงเครดิตและการแยกจดหมายอีกต่อไป -- ปัจจุบัน มันสามารถใช้งานได้ซับซ้อนมากมายยิ่งกว่านั้นมาก อย่างเช่น ให้คะแนนบทความและวินิจฉัยโรค คำถามที่น่าอึดอัดใจที่มากับความก้าวหน้าเหล่านี้ก็คือ หุ่นยนต์จะแย่งงานทำของเราในอนาคตหรือไม่
- 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 nieceหลานสาว.
0
968
1262
นี่คือหลานสาวของผมครับ
00:14
Her nameชื่อ is YahliYahli.
1
2644
1535
เธอมีชื่อว่า ยาห์ลิ
00:16
She is nineเก้า monthsเดือน oldเก่า.
2
4203
1511
เธออายุเก้าเดือน
00:18
Her mumแม่ is a doctorคุณหมอ,
and her dadพ่อ is a lawyerทนายความ.
3
6201
2528
แม่ของเธอเป็นหมอและพ่อเป็นทนาย
00:21
By the time YahliYahli goesไป to collegeวิทยาลัย,
4
9269
2006
เมื่อยาห์ลิโตจนเข้าวิทยาลัย
00:23
the jobsงาน her parentsพ่อแม่ do
are going to look dramaticallyเป็นคุ้งเป็นแคว differentต่าง.
5
11299
3253
งานที่พ่อแม่เธอทำกำลังจะดูต่างไปมาก
00:27
In 2013, researchersนักวิจัย at Oxfordฟอร์ด Universityมหาวิทยาลัย
did a studyศึกษา on the futureอนาคต of work.
6
15347
5073
ในปี ค.ศ. 2013 นักวิจัยที่มหาวิทยาลัยออกฟอร์ด
ทำการศึกษาเกี่ยวกับการงานในอนาคต
00:32
They concludedสรุป that almostเกือบจะ one
in everyทุกๆ two jobsงาน have a highสูง riskอันตราย
7
20766
4139
พวกเขาสรุปว่าอย่างมากที่สุด
หนึ่งในสองงานจะตกอยู่ในความเสี่ยง
00:36
of beingกำลัง automatedอัตโนมัติ by machinesเครื่อง.
8
24929
1824
ที่จะถูกดำเนินการแบบอัตโนมัติโดยจักรกล
00:40
Machineเครื่อง learningการเรียนรู้ is the technologyเทคโนโลยี
9
28388
1905
การเรียนรู้ของจักรกลเป็นเทคโนโลยี
00:42
that's responsibleรับผิดชอบ for mostมากที่สุด
of this disruptionการหยุดชะงัก.
10
30317
2278
ที่มีส่วนต่อการเปลี่ยนแปลงส่วนใหญ่เหล่านี้
00:44
It's the mostมากที่สุด powerfulมีอำนาจ branchสาขา
of artificialเทียม intelligenceสติปัญญา.
11
32619
2790
มันเป็นสาขาหนึ่งที่ทรงพลังที่สุด
ของปัญญาประดิษฐ์
00:47
It allowsช่วยให้ machinesเครื่อง to learnเรียน from dataข้อมูล
12
35433
1882
มันทำให้จักรกลเรียนรู้จากข้อมูล
00:49
and mimicล้อเลียน some of the things
that humansมนุษย์ can do.
13
37339
2592
และเลียนแบบบางอย่างที่มนุษย์ทำได้
00:51
My companyบริษัท, KaggleKaggle, operatesดำเนินการ
on the cuttingตัด edgeขอบ of machineเครื่อง learningการเรียนรู้.
14
39955
3415
บริษัทของผม แคกเกิล ดำเนินการเกี่ยวกับ
การเรียนรู้ของจักรกลล้ำสมัย
00:55
We bringนำมาซึ่ง togetherด้วยกัน
hundredsหลายร้อย of thousandsพัน of expertsผู้เชี่ยวชาญ
15
43394
2386
เรานำผู้เชี่ยวชาญหลายแสนคนมารวมกัน
00:57
to solveแก้ importantสำคัญ problemsปัญหาที่เกิดขึ้น
for industryอุตสาหกรรม and academiaสถาบันการศึกษา.
16
45804
3118
เพื่อแก้ปัญหาสำคัญ
ในวงการอุตสาหกรรมและวิชาการ
01:01
This givesจะช่วยให้ us a uniqueเป็นเอกลักษณ์ perspectiveมุมมอง
on what machinesเครื่อง can do,
17
49279
3222
มันให้มีมุมมองที่มีความโดดเด่นกับเรา
ว่าจักรกลสามารถทำอะไรได้
01:04
what they can't do
18
52525
1235
เราทำอะไรไม่ได้
01:05
and what jobsงาน they mightอาจ
automateโดยอัตโนมัติ or threatenขู่.
19
53784
2939
และงานใดที่มันอาจดำเนินการ
หรือทำให้รวนได้
01:09
Machineเครื่อง learningการเรียนรู้ startedเริ่มต้น makingการทำ its way
into industryอุตสาหกรรม in the earlyตอนต้น '90s.
20
57316
3550
การเรียนรู้ของจักรกลเริ่มเติบโต
ในวงการอุตสาหกรรมในช่วงต้นยุค 90
01:12
It startedเริ่มต้น with relativelyสัมพัทธ์ simpleง่าย tasksงาน.
21
60890
2124
มันเริ่มด้วยงานที่ค่อนข้างจะง่าย
01:15
It startedเริ่มต้น with things like assessingการประเมิน
creditเครดิต riskอันตราย from loanเงินกู้ applicationsการใช้งาน,
22
63406
4115
มันเริ่มต้นด้วยงานอย่างเช่น การประเมิน
ความเสี่ยงเครดิตจากแบบคำขอเงินกู้
01:19
sortingการเรียงลำดับ the mailอีเมล by readingการอ่าน
handwrittenที่เขียนด้วยมือ charactersตัวละคร from zipซิป codesรหัส.
23
67545
4053
การแยกจดหมายโดยตัวอักษรอ่านลายมือ
จากรหัสไปรษณีย์
01:24
Over the pastอดีต fewน้อย yearsปี, we have madeทำ
dramaticน่าทึ่ง breakthroughsนวัตกรรม.
24
72036
3169
ตลอดหลายปีที่ผ่านมา
เราได้ทำการค้นพบและพัฒนาไปมาก
01:27
Machineเครื่อง learningการเรียนรู้ is now capableสามารถ
of farห่างไกล, farห่างไกล more complexซับซ้อน tasksงาน.
25
75586
3916
การเรียนรู้ของจักรกลตอนนี้สามารถ
ทำงานที่ซับซ้อนได้มากมายกว่านั้น
01:31
In 2012, KaggleKaggle challengedท้าทาย its communityชุมชน
26
79860
3231
ในปี ค.ศ. 2012 แคกเกิล
ท้าให้กลุ่มสังคมของมัน
01:35
to buildสร้าง an algorithmขั้นตอนวิธี
that could gradeเกรด high-schoolมัธยม essaysการเขียนเรียงความ.
27
83115
3189
สร้างอัลกอริธึมที่จะให้คะแนน
บทความของเด็กมัธยม
01:38
The winningการชนะ algorithmsอัลกอริทึม
were ableสามารถ to matchการจับคู่ the gradesเกรด
28
86328
2604
ผู้ชนะในการเขียนอัลกอริธึม
สามารถที่จะให้คะแนน
01:40
givenรับ by humanเป็นมนุษย์ teachersครู.
29
88956
1665
ได้เหมือนกับที่ครูที่เป็นคนจริง ๆ ทำ
01:43
Last yearปี, we issuedออก
an even more difficultยาก challengeท้าทาย.
30
91092
2984
ปีหนึ่งต่อมา เราท้าทายในสิ่งที่ยากขึ้นไปอีก
01:46
Can you take imagesภาพ of the eyeตา
and diagnoseวินิจฉัย an eyeตา diseaseโรค
31
94100
2953
คุณสามารถดูภาพดวงตาแล้ววินิจฉัยโรคตา
01:49
calledเรียกว่า diabeticผู้ป่วยโรคเบาหวาน retinopathyจอประสาทตา?
32
97077
1694
ที่เรียกว่า โรคจอตาเหตุเบาหวาน
ได้หรือไม่
01:51
Again, the winningการชนะ algorithmsอัลกอริทึม
were ableสามารถ to matchการจับคู่ the diagnosesการวินิจฉัย
33
99164
4040
อีกครั้งที่ผู้ชนะในการเขียนอัลกอริธึม
สามารถวินิจฉัยโรค
01:55
givenรับ by humanเป็นมนุษย์ ophthalmologistsจักษุแพทย์.
34
103228
1825
ได้เหมือนกับที่จักษุแพทย์ทำ
01:57
Now, givenรับ the right dataข้อมูล,
machinesเครื่อง are going to outperformมีประสิทธิภาพสูงกว่า humansมนุษย์
35
105561
3212
ตอนนี้ เมื่อให้ข้อมูลที่เหมาะสม
จักรกลกำลังจะทำงานได้ดีกว่ามนุษย์
02:00
at tasksงาน like this.
36
108797
1165
สำหรับงานในลักษณะนี้
02:01
A teacherครู mightอาจ readอ่าน 10,000 essaysการเขียนเรียงความ
over a 40-year-ปี careerอาชีพ.
37
109986
3992
ครูอาจอ่านบทความ 10,000 เรื่อง
มาตลอดการทำงาน 40 ปี
02:06
An ophthalmologistจักษุแพทย์ mightอาจ see 50,000 eyesตา.
38
114407
2360
จักษุแพทย์อาจดูตามาแล้ว 50,000 ดวง
02:08
A machineเครื่อง can readอ่าน millionsล้าน of essaysการเขียนเรียงความ
or see millionsล้าน of eyesตา
39
116791
3913
จักรกลสามารถอ่านบทความหลายล้านเรื่อง
หรือมองดูดวงตาหลายล้านดวง
02:12
withinภายใน minutesนาที.
40
120728
1276
ได้ภายในไม่กี่นาที
02:14
We have no chanceโอกาส of competingการแข่งขัน
againstต่อต้าน machinesเครื่อง
41
122456
2858
เราไม่มีโอกาสที่จะเอาชนะจักรกลได้เลย
02:17
on frequentบ่อย, high-volumeเสียงดัง tasksงาน.
42
125338
2321
ในงานที่มีการทำซ้ำ ๆ และมีปริมาณมาก
02:20
But there are things we can do
that machinesเครื่อง can't do.
43
128665
3724
แต่มีสิ่งที่เราสามารถทำได้
ที่จักรกลทำไม่ได้
02:24
Where machinesเครื่อง have madeทำ
very little progressความคืบหน้า
44
132791
2200
จุดที่จักรกลพัฒนาไปได้น้อยมาก
02:27
is in tacklingการแก้ปัญหา novelนวนิยาย situationsสถานการณ์.
45
135015
1854
คือการหาทางแก้ปัญหาในสถานการณ์ใหม่ ๆ
02:28
They can't handleจัดการ things
they haven'tยังไม่ได้ seenเห็น manyจำนวนมาก timesครั้ง before.
46
136893
3899
พวกมันไม่อาจรับมือ
สิ่งที่พวกมันไม่เคยเห็นซ้ำ ๆ มาก่อน
02:33
The fundamentalพื้นฐาน limitationsข้อ จำกัด
of machineเครื่อง learningการเรียนรู้
47
141321
2584
ข้อจำกัดพื้นฐานของการเรียนรู้ของจักรกล
02:35
is that it needsจำเป็น to learnเรียน
from largeใหญ่ volumesไดรฟ์ of pastอดีต dataข้อมูล.
48
143929
3394
ก็คือมันจำเป็นต้องเรียน
จากข้อมูลในอดีตปริมาณมาก ๆ
02:39
Now, humansมนุษย์ don't.
49
147347
1754
ทีนี้ มนุษย์ไม่จำเป็นต้องทำอย่างนั้น
02:41
We have the abilityความสามารถ to connectต่อ
seeminglyดูเหมือนว่า disparateต่างกัน threadsหัวข้อ
50
149125
3030
เรามีความสามารถที่จะเชื่อมต่อ
เศษเสี้ยวที่อาจดูเหมือนไม่เกี่ยวข้องกัน
02:44
to solveแก้ problemsปัญหาที่เกิดขึ้น we'veเราได้ never seenเห็น before.
51
152179
2238
เพื่อแก้ปัญหาที่เรายังไม่เคยเห็นมาก่อน
02:46
Percyเพอร์ซี่ Spencerสเปนเซอร์ was a physicistนักฟิสิกส์
workingการทำงาน on radarเรดาร์ duringในระหว่าง Worldโลก Warสงคราม IIครั้งที่สอง,
52
154808
4411
เพอร์ซี สเปนเซอร์ เป็นนักฟิสิกส์ ที่ทำงาน
เกี่ยวกับเรดาร์ในช่วงสงครามโลกครั้งที่สอง
02:51
when he noticedสังเกตเห็น the magnetronแมก
was meltingร้องไห้ his chocolateช็อคโกแลต barบาร์.
53
159243
3013
เมื่อเขาสังเกตว่าแมกนีตรอน
ทำให้แท่งช็อกโกแลตของเขาละลาย
02:54
He was ableสามารถ to connectต่อ his understandingความเข้าใจ
of electromagneticแม่เหล็กไฟฟ้า radiationการแผ่รังสี
54
162970
3295
เขาสามารถที่จะเชื่อมต่อความเข้าใจของเขา
ในเรื่องการแผ่รังสีแม่เหล็กไฟฟ้า
02:58
with his knowledgeความรู้ of cookingการปรุงอาหาร
55
166289
1484
กับความรู้ในเรื่องการทำอาหารได้
02:59
in orderใบสั่ง to inventคิดค้น -- any guessesคาดเดา? --
the microwaveไมโครเวฟ ovenเตาอบ.
56
167797
3258
เพื่อที่จะประดิษฐ์ --
เป็นอะไรทราบไหมครับ -- เตาไมโครเวฟ
03:03
Now, this is a particularlyโดยเฉพาะ remarkableโดดเด่น
exampleตัวอย่าง of creativityความคิดสร้างสรรค์.
57
171444
3073
ครับ ที่เป็นตัวอย่างที่สุดยอดมาก
สำหรับความคิดสร้างสรรค์
03:06
But this sortประเภท of cross-pollinationการผสมเกสรข้าม
happensที่เกิดขึ้น for eachแต่ละ of us in smallเล็ก waysวิธี
58
174541
3664
แต่การถ่ายเทข้อมูลในลักษณะนี้
เกิดขึ้นกับพวกเราในแบบเล็ก ๆ น้อย ๆ
03:10
thousandsพัน of timesครั้ง perต่อ day.
59
178229
1828
หลายพันครั้งต่อวัน
03:12
Machinesเครื่อง cannotไม่ได้ competeแข่งขัน with us
60
180501
1661
จักรกลไม่สามารถเอาชนะเราได้
03:14
when it comesมา to tacklingการแก้ปัญหา
novelนวนิยาย situationsสถานการณ์,
61
182186
2251
เมื่อมันเป็นเรื่องของการแก้ปัญหา
ต่อสถานการณ์ใหม่
03:16
and this putsทำให้ a fundamentalพื้นฐาน limitจำกัด
on the humanเป็นมนุษย์ tasksงาน
62
184461
3117
และนี่เป็นการกำหนดข้อจำกัดพื้นฐาน
ให้กับงานของมนุษย์
03:19
that machinesเครื่อง will automateโดยอัตโนมัติ.
63
187602
1717
ว่าจักรกลจะดำเนินการอย่างอัตโนมัติ
03:22
So what does this mean
for the futureอนาคต of work?
64
190041
2405
ฉะนั้น มันมีความหมายอย่างไร
ต่องานของเราในอนาคตน่ะหรือ
03:24
The futureอนาคต stateสถานะ of any singleเดียว jobงาน liesโกหก
in the answerตอบ to a singleเดียว questionคำถาม:
65
192804
4532
สถานะของงานใด ๆ ก็ตามในอนาคต
อยู่ในคำตอบต่อคำถามเพียงข้อเดียว
03:29
To what extentขอบเขต is that jobงาน reducibleซึ้งลดได้
to frequentบ่อย, high-volumeเสียงดัง tasksงาน,
66
197360
4981
ซึ่งก็คือ งานดังกล่าวถูกลดทอนให้เป็นงาน
ที่ถูกทำซ้ำ ๆ และมีปริมาณมากได้แค่ไหน
03:34
and to what extentขอบเขต does it involveรวมถึง
tacklingการแก้ปัญหา novelนวนิยาย situationsสถานการณ์?
67
202365
3253
และมันเกี่ยวข้องกับการหาทางแก้ปัญหา
ในสถานการณ์ใหม่แค่ไหน
03:37
On frequentบ่อย, high-volumeเสียงดัง tasksงาน,
machinesเครื่อง are gettingได้รับ smarterอย่างชาญฉลาด and smarterอย่างชาญฉลาด.
68
205975
4035
สำหรับงานที่มีการทำซ้ำ ๆ และมีปริมาณมาก
จักรกลกำลังทำได้ดีขึ้นและดีขึ้นเรื่อย ๆ
03:42
Todayในวันนี้ they gradeเกรด essaysการเขียนเรียงความ.
They diagnoseวินิจฉัย certainบาง diseasesโรค.
69
210034
2714
ปัจจุบัน พวกมันให้คะแนนบทความ
พวกมันวินิจฉัยโรค
03:44
Over comingมา yearsปี,
they're going to conductความประพฤติ our auditsการตรวจสอบ,
70
212772
3157
ในอีกหลายปีที่จะมาถึงนี้
พวกมันจะทำการประเมินพวกเรา
03:47
and they're going to readอ่าน boilerplateสำเร็จรูป
from legalถูกกฎหมาย contractsสัญญา.
71
215953
2967
พวกมันจะอ่านเอกสารต้นฉบับ
จากสัญญาทางกฎหมาย
03:50
Accountantsบัญชี and lawyersทนายความ are still neededจำเป็น.
72
218944
1997
นักบัญชีและทนายยังเป็นที่ต้องการ
03:52
They're going to be neededจำเป็น
for complexซับซ้อน taxภาษี structuringการก่อสร้าง,
73
220965
2682
พวกเขากำลังจะเป็นที่ต้องการ
สำหรับการวางโครงสร้างภาษีที่ซับซ้อน
03:55
for pathbreakingผลิตผล litigationการดำเนินคดี.
74
223671
1357
สำหรับการฟ้องร้องที่ไม่เคยมีมาก่อน
03:57
But machinesเครื่อง will shrinkหด theirของพวกเขา ranksการจัดอันดับ
75
225052
1717
แต่จักรกลจะลดอันดับของพวกเขาลงมา
03:58
and make these jobsงาน harderยาก to come by.
76
226793
1872
และทำให้งานเหล่านี้ทำได้ยากขึ้น
04:00
Now, as mentionedกล่าวถึง,
77
228689
1151
ทีนี้ อย่างที่ผมได้กล่าวไปแล้ว
04:01
machinesเครื่อง are not makingการทำ progressความคืบหน้า
on novelนวนิยาย situationsสถานการณ์.
78
229864
2949
จักรกลไม่ได้พัมนาไปมาก
ในเรื่องการแก้สถานการณ์ใหม่ ๆ
04:04
The copyสำเนา behindหลัง a marketingการตลาด campaignรณรงค์
needsจำเป็น to grabคว้า consumers'ของผู้บริโภค attentionความสนใจ.
79
232837
3457
ร่างต้นฉบับเบื้องหลังการรณรงค์ทางการตลาด
ต้องจับความสนใจของผู้บริโภค
04:08
It has to standยืน out from the crowdฝูงชน.
80
236318
1715
มันต้องเริ่มจากกลุ่มคน
04:10
Businessธุรกิจ strategyกลยุทธ์ meansวิธี
findingคำวินิจฉัย gapsช่องว่าง in the marketตลาด,
81
238057
2444
แผนกลยุทธทางธุรกิจ
หมายถึงการหาพื้นที่ในตลาด
04:12
things that nobodyไม่มีใคร elseอื่น is doing.
82
240525
1756
สิ่งที่ยังไม่มีใครกำลังทำอยู่
04:14
It will be humansมนุษย์ that are creatingการสร้าง
the copyสำเนา behindหลัง our marketingการตลาด campaignsแคมเปญ,
83
242305
4118
มันจะต้องเป็นมนุษย์ที่สร้างสรรค์ร่างต้นฉบับ
เบื้องหลังการรณรงค์ทางการตลาด
04:18
and it will be humansมนุษย์ that are developingที่กำลังพัฒนา
our businessธุรกิจ strategyกลยุทธ์.
84
246447
3517
และมันจะต้องเป็นมนุษย์ที่พัฒนา
แผนกลยุทธทางธุรกิจของเรา
04:21
So YahliYahli, whateverอะไรก็ตาม you decideตัดสิน to do,
85
249988
2817
ฉะนั้น ยาห์ลิ ไม่ว่าเธอตัดสินใจจะทำอะไร
04:24
let everyทุกๆ day bringนำมาซึ่ง you a newใหม่ challengeท้าทาย.
86
252829
2361
ให้ทุกวันได้นำความท้าทายมาให้กับเธอนะ
04:27
If it does, then you will stayพักอยู่
aheadล่วงหน้า of the machinesเครื่อง.
87
255587
2809
ถ้ามันเป็นเช่นนั้นแล้ว เธอก็จะสามารถ
อยู่เหนือกว่าจักรกลได้
04:31
Thank you.
88
259126
1176
ขอบคุณครับ
04:32
(Applauseการปรบมือ)
89
260326
3104
(เสียบปรบมือ)

▲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