TED2016
Anthony Goldbloom: The jobs we'll lose to machines -- and the ones we won't
Ентоні Ґолдблум: Професії, що їх ми втратимо через машини - і ті, що залишаться.
Filmed:
Readability: 4.8
2,568,213 views
Машинне навчання - це не тільки прості завдання, такі як оцінювання кредитного ризику і сортування листів. Сьогодні воно здатне на складніші дії, як-от оцінювання есе або діагностика захворювань. Такий розвиток викликає складне питання: чи буде робот виконувати твою роботу в майбутньому?
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
Це моя племінниця.
00:14
Her name is Yahli.
1
2644
1535
Її звати Ялі.
00:16
She is nine months old.
2
4203
1511
Їй 9 місяців.
00:18
Her mum is a doctor,
and her dad is a lawyer.
and her dad is a lawyer.
3
6201
2528
Її мама — лікар,
а тато — юрист.
а тато — юрист.
00:21
By the time Yahli goes to college,
4
9269
2006
Коли Ялі піде в коледж,
00:23
the jobs her parents do
are going to look dramatically different.
are going to look dramatically different.
5
11299
3253
професії її батьків
можуть виглядати зовсім інакше.
можуть виглядати зовсім інакше.
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
У 2013 році дослідники
з Оксфордського університету
з Оксфордського університету
провели дослідження
щодо майбутнього роботи.
щодо майбутнього роботи.
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
Вони з'ясували, що
майже кожна друга професія
майже кожна друга професія
може бути автоматизована
для виконання роботами.
для виконання роботами.
00:36
of being automated by machines.
8
24929
1824
00:40
Machine learning is the technology
9
28388
1905
Машинне навчання —
технологія, що відповідальна
технологія, що відповідальна
00:42
that's responsible for most
of this disruption.
of this disruption.
10
30317
2278
значною мірою за цей переворот.
00:44
It's the most powerful branch
of artificial intelligence.
of artificial intelligence.
11
32619
2790
Це найпотужніший напрямок у
дослідженні штучного інтелекту.
дослідженні штучного інтелекту.
Він дає машинам змогу
вчитися на основі даних
вчитися на основі даних
00:47
It allows machines to learn from data
12
35433
1882
00:49
and mimic some of the things
that humans can do.
that humans can do.
13
37339
2592
та імітувати деякі речі,
що їх роблять люди.
що їх роблять люди.
Моя компанія Kaggle
працює над передовим
працює над передовим
00:51
My company, Kaggle, operates
on the cutting edge of machine learning.
on the cutting edge of machine learning.
14
39955
3415
машинним навчанням.
00:55
We bring together
hundreds of thousands of experts
hundreds of thousands of experts
15
43394
2386
Ми збираємо разом сотні тисяч
експертів,
експертів,
щоб розв'язувати важливі проблеми
промисловості та науки.
промисловості та науки.
00:57
to solve important problems
for industry and academia.
for industry and academia.
16
45804
3118
Це дає нам унікальний
погляд на те,
погляд на те,
01:01
This gives us a unique perspective
on what machines can do,
on what machines can do,
17
49279
3222
що можуть робити машини,
а що ні,
а що ні,
01:04
what they can't do
18
52525
1235
і які професії вони можуть
автоматизувати чи витіснити.
автоматизувати чи витіснити.
01:05
and what jobs they might
automate or threaten.
automate or threaten.
19
53784
2939
Машинне навчання стало
індустрією на початку 90-х.
індустрією на початку 90-х.
01:09
Machine learning started making its way
into industry in the early '90s.
into industry in the early '90s.
20
57316
3550
Воно почалось з порівняно простих
задач.
задач.
01:12
It started with relatively simple tasks.
21
60890
2124
Таких як оцінка кредитних ризиків
кредитних заявок,
кредитних заявок,
01:15
It started with things like assessing
credit risk from loan applications,
credit risk from loan applications,
22
63406
4115
сортування листів за
рукописними індексами.
рукописними індексами.
01:19
sorting the mail by reading
handwritten characters from zip codes.
handwritten characters from zip codes.
23
67545
4053
За останні роки
ми здійснили великий прорив.
ми здійснили великий прорив.
01:24
Over the past few years, we have made
dramatic breakthroughs.
dramatic breakthroughs.
24
72036
3169
Машини сьогодні здатні
виконувати
виконувати
01:27
Machine learning is now capable
of far, far more complex tasks.
of far, far more complex tasks.
25
75586
3916
набагато складніші
завдання.
завдання.
01:31
In 2012, Kaggle challenged its community
26
79860
3231
В 2012 році Kaggle взявся
створити алгоритм,
створити алгоритм,
01:35
to build an algorithm
that could grade high-school essays.
that could grade high-school essays.
27
83115
3189
що здатний ставити оцінки
шкільним творам.
шкільним творам.
Найкращі алгоритми могли
давати такі самі оцінки,
давати такі самі оцінки,
01:38
The winning algorithms
were able to match the grades
were able to match the grades
28
86328
2604
01:40
given by human teachers.
29
88956
1665
що й справжні вчителі.
01:43
Last year, we issued
an even more difficult challenge.
an even more difficult challenge.
30
91092
2984
Торік ми
взялися за важче завдання.
взялися за важче завдання.
01:46
Can you take images of the eye
and diagnose an eye disease
and diagnose an eye disease
31
94100
2953
Чи можна за картинкою
визначити хворобу ока —
визначити хворобу ока —
01:49
called diabetic retinopathy?
32
97077
1694
діабетичну ретинопатію?
Знову ж таки, найкращі алгоритми
давали ті ж діагнози,
давали ті ж діагнози,
01:51
Again, the winning algorithms
were able to match the diagnoses
were able to match the diagnoses
33
99164
4040
що і офтальмологи.
01:55
given by human ophthalmologists.
34
103228
1825
Якщо дати машинам
правильну інформацію,
правильну інформацію,
01:57
Now, given the right data,
machines are going to outperform humans
machines are going to outperform humans
35
105561
3212
то вони обійдуть людей
у подібних завданнях.
у подібних завданнях.
02:00
at tasks like this.
36
108797
1165
02:01
A teacher might read 10,000 essays
over a 40-year career.
over a 40-year career.
37
109986
3992
Вчитель може прочитати
10 000 шкільних творів за 40-річну кар'єру.
10 000 шкільних творів за 40-річну кар'єру.
Офтальмолог може
оглянути 50 000 очей.
оглянути 50 000 очей.
02:06
An ophthalmologist might see 50,000 eyes.
38
114407
2360
Машина може прочитати
мільйони творів
мільйони творів
02:08
A machine can read millions of essays
or see millions of eyes
or see millions of eyes
39
116791
3913
чи оглянути
мільйони очей
мільйони очей
02:12
within minutes.
40
120728
1276
за лічені хвилини.
02:14
We have no chance of competing
against machines
against machines
41
122456
2858
Ми не маємо шансів
проти машин
проти машин
в повторюваних, об'ємних завданнях.
02:17
on frequent, high-volume tasks.
42
125338
2321
Але є речі, які ми можемо робити
на відміну від машин.
на відміну від машин.
02:20
But there are things we can do
that machines can't do.
that machines can't do.
43
128665
3724
02:24
Where machines have made
very little progress
very little progress
44
132791
2200
Де машини не прогресують,
02:27
is in tackling novel situations.
45
135015
1854
то це у розв'язанні
незвичних ситуацій.
незвичних ситуацій.
Вони не можуть осягнути речі,
яких не бачили багато разів до того.
яких не бачили багато разів до того.
02:28
They can't handle things
they haven't seen many times before.
they haven't seen many times before.
46
136893
3899
Найбільше обмеження
машинного навчання —
машинного навчання —
02:33
The fundamental limitations
of machine learning
of machine learning
47
141321
2584
02:35
is that it needs to learn
from large volumes of past data.
from large volumes of past data.
48
143929
3394
машина має вчитись
з великого обсягу минулих даних.
з великого обсягу минулих даних.
02:39
Now, humans don't.
49
147347
1754
А люди — ні.
Ми можемо поєднувати
очевидно різні речі,
очевидно різні речі,
02:41
We have the ability to connect
seemingly disparate threads
seemingly disparate threads
50
149125
3030
щоб залагодити проблему,
з якою стикнулися вперше.
з якою стикнулися вперше.
02:44
to solve problems we've never seen before.
51
152179
2238
Персі Спенсер був фізиком
і працював на радарі
і працював на радарі
02:46
Percy Spencer was a physicist
working on radar during World War II,
working on radar during World War II,
52
154808
4411
під час Другої світової війни.
02:51
when he noticed the magnetron
was melting his chocolate bar.
was melting his chocolate bar.
53
159243
3013
коли помітив, що його магнетрон
розтопив плитку шоколаду.
розтопив плитку шоколаду.
02:54
He was able to connect his understanding
of electromagnetic radiation
of electromagnetic radiation
54
162970
3295
Він зміг поєднати розуміння
електромагнітної радіації
електромагнітної радіації
та вміння готувати,
і винайшов — якісь здогадки? —
і винайшов — якісь здогадки? —
02:58
with his knowledge of cooking
55
166289
1484
02:59
in order to invent -- any guesses? --
the microwave oven.
the microwave oven.
56
167797
3258
мікрохвильову піч.
03:03
Now, this is a particularly remarkable
example of creativity.
example of creativity.
57
171444
3073
Зараз це визначний приклад
креативності.
креативності.
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
Але такого типу перехресні
думки є в кожного
думки є в кожного
в маленьких масштабах
тисячі разів на день.
тисячі разів на день.
03:10
thousands of times per day.
59
178229
1828
03:12
Machines cannot compete with us
60
180501
1661
Машини не можуть змагатись
з нами у розв'язанні нових ситуацій,
з нами у розв'язанні нових ситуацій,
03:14
when it comes to tackling
novel situations,
novel situations,
61
182186
2251
і це обмежує людські завдання,
які машини можуть автоматизувати.
які машини можуть автоматизувати.
03:16
and this puts a fundamental limit
on the human tasks
on the human tasks
62
184461
3117
03:19
that machines will automate.
63
187602
1717
03:22
So what does this mean
for the future of work?
for the future of work?
64
190041
2405
Отже, що ж це значить
для майбутнього праці?
для майбутнього праці?
Майбутнє будь-якої професії
полягає у відповіді на просте питання:
полягає у відповіді на просте питання:
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
03:29
To what extent is that job reducible
to frequent, high-volume tasks,
to frequent, high-volume tasks,
66
197360
4981
якою мірою дана робота зводиться
до частих об'ємних задач,
до частих об'ємних задач,
і якою мірою вона включає
розв'язання незвичних завдань?
розв'язання незвичних завдань?
03:34
and to what extent does it involve
tackling novel situations?
tackling novel situations?
67
202365
3253
03:37
On frequent, high-volume tasks,
machines are getting smarter and smarter.
machines are getting smarter and smarter.
68
205975
4035
Коли йдеться про часті об'ємні завдання,
машини стають все розумнішими.
машини стають все розумнішими.
Сьогодні вони оцінюють есе.
03:42
Today they grade essays.
They diagnose certain diseases.
They diagnose certain diseases.
69
210034
2714
Вони діагностують деякі хвороби.
03:44
Over coming years,
they're going to conduct our audits,
they're going to conduct our audits,
70
212772
3157
Минуть роки, і вони будуть
перевіряти нас,
перевіряти нас,
читати шаблони правових
договорів.
договорів.
03:47
and they're going to read boilerplate
from legal contracts.
from legal contracts.
71
215953
2967
Бухгалтери та юристи все ще потрібні.
03:50
Accountants and lawyers are still needed.
72
218944
1997
Вони будуть потрібні для
структуризації податків,
структуризації податків,
03:52
They're going to be needed
for complex tax structuring,
for complex tax structuring,
73
220965
2682
для вирішення судових позовів.
03:55
for pathbreaking litigation.
74
223671
1357
Але машини зменшать їх
компетенцію
компетенцію
03:57
But machines will shrink their ranks
75
225052
1717
і зроблять ці професії важчими.
03:58
and make these jobs harder to come by.
76
226793
1872
Але, як було сказано,
машини не прогресують
машини не прогресують
04:00
Now, as mentioned,
77
228689
1151
04:01
machines are not making progress
on novel situations.
on novel situations.
78
229864
2949
у розв'язанні незвичних ситуацій.
04:04
The copy behind a marketing campaign
needs to grab consumers' attention.
needs to grab consumers' attention.
79
232837
3457
Маркетингова кампанія повинна
привернути увагу покупців.
привернути увагу покупців.
Вона має виділятись з натовпу.
04:08
It has to stand out from the crowd.
80
236318
1715
Бізнес-стратегія означає
пошук прогалин у ринку,
пошук прогалин у ринку,
04:10
Business strategy means
finding gaps in the market,
finding gaps in the market,
81
238057
2444
речей, яких ніхто не робить.
04:12
things that nobody else is doing.
82
240525
1756
04:14
It will be humans that are creating
the copy behind our marketing campaigns,
the copy behind our marketing campaigns,
83
242305
4118
Це люди будуть створювати
обличчя маркетингових кампаній
обличчя маркетингових кампаній
і люди розвиватимуть
бізнес-стратегії.
бізнес-стратегії.
04:18
and it will be humans that are developing
our business strategy.
our business strategy.
84
246447
3517
04:21
So Yahli, whatever you decide to do,
85
249988
2817
Отже, Ялі, що б ти не вирішила
робити,
робити,
нехай кожен день
кидає тобі новий виклик.
кидає тобі новий виклик.
04:24
let every day bring you a new challenge.
86
252829
2361
Якщо так буде, то ти
будеш попереду машин.
будеш попереду машин.
04:27
If it does, then you will stay
ahead of the machines.
ahead of the machines.
87
255587
2809
Дякую.
04:31
Thank you.
88
259126
1176
(Оплески)
04:32
(Applause)
89
260326
3104
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