TED2016
Anthony Goldbloom: The jobs we'll lose to machines -- and the ones we won't
انتھونی گولڈ بلوم: ہمارے وہ کام، جو مشینیں کیا کریں گی۔۔۔اور وہ، جو نہیں کرسکیں گی
Filmed:
Readability: 4.8
2,568,213 views
مشین لرننگ اب صرف ان سادہ کاموں کے لیے نہیں ہے جیسے قرض واپسی کے امکانات کا جائزہ لینا یا ڈاک چھانٹنا۔۔۔اب یہ زیادہ پیچیدہ کام کر سکتی ہیں جیسے مضامین کی درجہ بندی یا امراض کی تشخیص۔ اس ترقی کے ساتھ ہی ایک سوال پیدا ہوتا یے: کیا مستقبل میں روبورٹ آپ کا سارا کام کیا کرے گا؟
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
دیکھیے!
یہ میری بھتیجی ہے۔
یہ میری بھتیجی ہے۔
00:14
Her name is Yahli.
1
2644
1535
اس کا نام یہلی ہے۔
00:16
She is nine months old.
2
4203
1511
یہ نو مہینے کی ہے۔
00:18
Her mum is a doctor,
and her dad is a lawyer.
and her dad is a lawyer.
3
6201
2528
اس کی امی ایک ڈاکٹر ہیں
اور ابو وکیل ہیں۔
اور ابو وکیل ہیں۔
00:21
By the time Yahli goes to college,
4
9269
2006
جب یہلی کے کالج جانے کا دور آئے گا،
00:23
the jobs her parents do
are going to look dramatically different.
are going to look dramatically different.
5
11299
3253
تو جو کام اس کے والدین اب کرتے ہیں،
ان کی نوعیت ڈرامائی طور پر بدل جائے گی۔
ان کی نوعیت ڈرامائی طور پر بدل جائے گی۔
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
سن 2013 میں، آکسفورڈ یونیورسٹی کے تحقیق کاروں نے "کام کے مستقبل" کے بارے میں ایک مطالعہ کیا۔
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
انہوں نے اخذ کیا کہ ہر دو میں سے ایک پیشہ
00:36
of being automated by machines.
8
24929
1824
خودکار مشینوں کی وجہ سے بیت خطرے میں ہے۔
00:40
Machine learning is the technology
9
28388
1905
"مشین لرننگ" ایک ایسی ٹیکنالوجی ہے
00:42
that's responsible for most
of this disruption.
of this disruption.
10
30317
2278
جو اس تبدیلی کا بڑا سبب ہے۔
00:44
It's the most powerful branch
of artificial intelligence.
of artificial intelligence.
11
32619
2790
یہ مصنوعی ذہانت کا انتہائی طاقتور شعبہ ہے۔
00:47
It allows machines to learn from data
12
35433
1882
یہ مشینوں کو اعدادوشمار کے ذریعے سکھاتا ہے
00:49
and mimic some of the things
that humans can do.
that humans can do.
13
37339
2592
کہ وہ انسانوں کی طرح بہت سے کام کر سکیں۔
00:51
My company, Kaggle, operates
on the cutting edge of machine learning.
on the cutting edge of machine learning.
14
39955
3415
میری کمپنی، کیگل، مشین لرننگ کےاگلے محاذوں پہ کام کرتی ہے۔
00:55
We bring together
hundreds of thousands of experts
hundreds of thousands of experts
15
43394
2386
ہم لاکھوں ماہرین کی مدد سے
00:57
to solve important problems
for industry and academia.
for industry and academia.
16
45804
3118
صنعت اور تعلیم کے اہم مسائل کوحل کرتے ہیں۔
01:01
This gives us a unique perspective
on what machines can do,
on what machines can do,
17
49279
3222
اس سے ہمیں ایک انوکھا اندازِ نظر ملتا ہے
01:04
what they can't do
18
52525
1235
کہ مشینیں کیا کر سکتی ہیں اور کیا نہیں۔
01:05
and what jobs they might
automate or threaten.
automate or threaten.
19
53784
2939
اور کن کاموں کو وہ خودکار یا
ختم کر دیں گی۔
ختم کر دیں گی۔
01:09
Machine learning started making its way
into industry in the early '90s.
into industry in the early '90s.
20
57316
3550
شعبہ صنعت میں مشین لرننگ کا ظہور
نوے کی دہائی کے آغاز میں ہوا۔
نوے کی دہائی کے آغاز میں ہوا۔
01:12
It started with relatively simple tasks.
21
60890
2124
شروع میں اس نے چھوٹے چحوٹے کام کیے۔
01:15
It started with things like assessing
credit risk from loan applications,
credit risk from loan applications,
22
63406
4115
مثلا قرضے کی درخواستوں میں سے
رقم واپسی کے امکان کا اندازہ،
رقم واپسی کے امکان کا اندازہ،
01:19
sorting the mail by reading
handwritten characters from zip codes.
handwritten characters from zip codes.
23
67545
4053
اور ڈاک کے لفافوں پہ ہاتھ سے لکھے ہوئے
ڈاکخانہ نمبر پڑھ کر۔
ڈاکخانہ نمبر پڑھ کر۔
01:24
Over the past few years, we have made
dramatic breakthroughs.
dramatic breakthroughs.
24
72036
3169
گزشتہ کچھ سالوں میں ہم نے
بڑی کامیابیاں سمیٹی ہیں۔
بڑی کامیابیاں سمیٹی ہیں۔
01:27
Machine learning is now capable
of far, far more complex tasks.
of far, far more complex tasks.
25
75586
3916
مشین لرننگ اب بہت زیادہ پیچیدہ
کام کر سکتی ہے۔
کام کر سکتی ہے۔
01:31
In 2012, Kaggle challenged its community
26
79860
3231
2012 میں کیگل نے اپنے ماہرین کو
ایسا الگرتھم بنانے کاچیلنج دیا
ایسا الگرتھم بنانے کاچیلنج دیا
01:35
to build an algorithm
that could grade high-school essays.
that could grade high-school essays.
27
83115
3189
کہ وہ ہائی سکول کے طلباء کےمضامین
کی درجہ بندی کریں۔
کی درجہ بندی کریں۔
01:38
The winning algorithms
were able to match the grades
were able to match the grades
28
86328
2604
جیتنے والے الگرتھم کے نتائج انسانی
01:40
given by human teachers.
29
88956
1665
اساتذہ کے نتائج کی طرح کے تھے۔
01:43
Last year, we issued
an even more difficult challenge.
an even more difficult challenge.
30
91092
2984
پچھلے سال ہم نے اس سے بھی مشکل چیلنج دیا۔
01:46
Can you take images of the eye
and diagnose an eye disease
and diagnose an eye disease
31
94100
2953
کیا آپ آنکھ کی تصویر لے کر اس کی
بیماری کی تشخیص کر سکتے ہیں
بیماری کی تشخیص کر سکتے ہیں
01:49
called diabetic retinopathy?
32
97077
1694
جس کا نام زیابیطسی ریٹنوپیتھی ہے؟
01:51
Again, the winning algorithms
were able to match the diagnoses
were able to match the diagnoses
33
99164
4040
اس بار بھی جیتنے والے الگرتھم کے نتائج
01:55
given by human ophthalmologists.
34
103228
1825
انسانی ماہرِ چشم سے ملتے جلتے تھے۔
01:57
Now, given the right data,
machines are going to outperform humans
machines are going to outperform humans
35
105561
3212
اور اب تو ڈیٹا کی مدد سے مشینیں
ایسے کاموں میں
ایسے کاموں میں
02:00
at tasks like this.
36
108797
1165
انسانوں سےاچھی کارکردگی
دینے لگی ہیں۔
دینے لگی ہیں۔
02:01
A teacher might read 10,000 essays
over a 40-year career.
over a 40-year career.
37
109986
3992
ایک استاد شاید اپنی چالیس سالہ پیشہ ورانہ
زندگی میں 10,000 مضامین پڑھ سکے۔
زندگی میں 10,000 مضامین پڑھ سکے۔
02:06
An ophthalmologist might see 50,000 eyes.
38
114407
2360
اور آنکھوں کا ڈاکٹر شاید 50,000
آنکھیں دیکھ سکے۔
آنکھیں دیکھ سکے۔
02:08
A machine can read millions of essays
or see millions of eyes
or see millions of eyes
39
116791
3913
مگر ایک مشین چند منٹوں میں لاکھوں
مضامین پڑھ سکتی ہے،
مضامین پڑھ سکتی ہے،
02:12
within minutes.
40
120728
1276
یا لاکھوں آنکھوں کا معائنہ
کر سکتی ہے۔
کر سکتی ہے۔
02:14
We have no chance of competing
against machines
against machines
41
122456
2858
ہم کسی طور بھی بار بار کیے جانے والے
ضخیم کاموں میں
ضخیم کاموں میں
02:17
on frequent, high-volume tasks.
42
125338
2321
مشینوں کا مقابلہ نہیں کر سکتے۔
02:20
But there are things we can do
that machines can't do.
that machines can't do.
43
128665
3724
مگر کچھ کام ایسے ہیں جو ہم کر سکتے ہیں
مگر مشینیں نہیں۔
مگر مشینیں نہیں۔
02:24
Where machines have made
very little progress
very little progress
44
132791
2200
جن کاموں میں مشینوں نے کم ترقی کی ہے
02:27
is in tackling novel situations.
45
135015
1854
ان میں " نت نئی مشکلات کا سامنا کرنا"
شامل ہیں۔
شامل ہیں۔
02:28
They can't handle things
they haven't seen many times before.
they haven't seen many times before.
46
136893
3899
وہ ایسے مسئلے حل نہیں کر سکتیں،
جو انہوں نے پہلے نہ دیکھے ہوں۔
جو انہوں نے پہلے نہ دیکھے ہوں۔
02:33
The fundamental limitations
of machine learning
of machine learning
47
141321
2584
مشین لرننگ کی بنیادی حدود یہ ہیں کہ
02:35
is that it needs to learn
from large volumes of past data.
from large volumes of past data.
48
143929
3394
انہیں سیکھنے کے لیے بہت بڑی تعداد میں
ماضی کے اعداد و شمار چاہیں
ماضی کے اعداد و شمار چاہیں
02:39
Now, humans don't.
49
147347
1754
مگر، انسانوں کو نہیں۔
02:41
We have the ability to connect
seemingly disparate threads
seemingly disparate threads
50
149125
3030
ہم میں صلاحیت ہے کہ ہم بظاہر
بے تعلق دکھائی دینے والے
بے تعلق دکھائی دینے والے
02:44
to solve problems we've never seen before.
51
152179
2238
تانے جوڑ کر نئے مسئلے حل کر لیتے ہیں۔
02:46
Percy Spencer was a physicist
working on radar during World War II,
working on radar during World War II,
52
154808
4411
دوسری جنگِ عظیم میں "پرسی سپینسر" نامی
ماہرِ طبعیات ریڈار پر کام کر رہا تھا
ماہرِ طبعیات ریڈار پر کام کر رہا تھا
02:51
when he noticed the magnetron
was melting his chocolate bar.
was melting his chocolate bar.
53
159243
3013
جب اس نے غور کیا کہ "میگنوٹرون"
اس کی چاکلیٹ کو پگھلا رہا ہے۔
اس کی چاکلیٹ کو پگھلا رہا ہے۔
02:54
He was able to connect his understanding
of electromagnetic radiation
of electromagnetic radiation
54
162970
3295
یوں وہ برقی-مقناطیسی شعاؤں کو
سمجھنے کے قابل ہوا۔
سمجھنے کے قابل ہوا۔
02:58
with his knowledge of cooking
55
166289
1484
اور اپنے کھانا پکانے کے تجربے سے
02:59
in order to invent -- any guesses? --
the microwave oven.
the microwave oven.
56
167797
3258
وہ بھلا کیا ایجاد کرنے کے قابل ہوا؟
مائکرو ویو اوون۔۔!
مائکرو ویو اوون۔۔!
03:03
Now, this is a particularly remarkable
example of creativity.
example of creativity.
57
171444
3073
تو، یہ تخلیق کی انتہائی شاندار مثال ہے۔
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
مگر اس قسم کی کامیابی چھوٹے چھوٹے
03:10
thousands of times per day.
59
178229
1828
حصوں میں ہم سب کو روزانہ
ہزاروں دفعہ ملتی ہے۔
ہزاروں دفعہ ملتی ہے۔
03:12
Machines cannot compete with us
60
180501
1661
مشین تب ہمارامقابلہ نہیں کرسکتیں
03:14
when it comes to tackling
novel situations,
novel situations,
61
182186
2251
جب نئے مسئلے سے نمٹنے کی بات آتی ہے
03:16
and this puts a fundamental limit
on the human tasks
on the human tasks
62
184461
3117
اور اس وجہ سے ان کاموں کی حد بندی ہوتی ہے
03:19
that machines will automate.
63
187602
1717
جو خود کار مشینیں کر سکتی ہوں۔
03:22
So what does this mean
for the future of work?
for the future of work?
64
190041
2405
تو "کام کے مستقبل" کے بارے میں کیا
کہا جا سکتا ہے؟
کہا جا سکتا ہے؟
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
کسی بھی پیشے کے مستقبل کا فیصلہ
ایک سوال کا جواب کر سکتا ہے
ایک سوال کا جواب کر سکتا ہے
03:29
To what extent is that job reducible
to frequent, high-volume tasks,
to frequent, high-volume tasks,
66
197360
4981
کہ یہ پیشہ کس حد تک بار بار کیے جانے والے
ضخیم کاموں کا مجموعہ ہے
ضخیم کاموں کا مجموعہ ہے
03:34
and to what extent does it involve
tackling novel situations?
tackling novel situations?
67
202365
3253
اور اس میں کس حد تک نئے مسئلے
حل کرنا پڑتے ہیں؟
حل کرنا پڑتے ہیں؟
03:37
On frequent, high-volume tasks,
machines are getting smarter and smarter.
machines are getting smarter and smarter.
68
205975
4035
بار بار کیے جانے والےضخیم کام کرنے میں
مشینیں ہوشیار ہوتی جا رہی ہیں۔
مشینیں ہوشیار ہوتی جا رہی ہیں۔
03:42
Today they grade essays.
They diagnose certain diseases.
They diagnose certain diseases.
69
210034
2714
آج کل وہ مضامین چیک کر لیتی ہیں
اور کچھ امراض کی تشخیص کر سکتی ہیں۔
اور کچھ امراض کی تشخیص کر سکتی ہیں۔
03:44
Over coming years,
they're going to conduct our audits,
they're going to conduct our audits,
70
212772
3157
آنے والے سالوں میں وہ آڈٹ بھی کر سکیں گی
03:47
and they're going to read boilerplate
from legal contracts.
from legal contracts.
71
215953
2967
اورقانونی معاہدوں میں عرضیاں
بھی پڑھ سکیں گی۔
بھی پڑھ سکیں گی۔
03:50
Accountants and lawyers are still needed.
72
218944
1997
مگر اکاؤنٹنٹ اور وکلاء ابھی بھی چاہیں۔
03:52
They're going to be needed
for complex tax structuring,
for complex tax structuring,
73
220965
2682
وہ قانون سےمتصادم ہوتی کاروائیوں کے لیے
03:55
for pathbreaking litigation.
74
223671
1357
پیچیدہ قسم کی ٹیکس سازی کر سکیں گے۔
03:57
But machines will shrink their ranks
75
225052
1717
لیکن مشینیں ان کے عہدوں کو تنگ کر کے
03:58
and make these jobs harder to come by.
76
226793
1872
ان کے لیے صرف مشکل کام چھوڑ دیں گی۔
04:00
Now, as mentioned,
77
228689
1151
اب، جیسا کہ میں نے بیان کیا
04:01
machines are not making progress
on novel situations.
on novel situations.
78
229864
2949
مشینیں نت نئے مسئلوں کو حل نہیں کر سکتیں۔
04:04
The copy behind a marketing campaign
needs to grab consumers' attention.
needs to grab consumers' attention.
79
232837
3457
کسی بھی تشہیری مہم کا مقصد گاہک
کی توجہ کھینچنا ہوتا ہے۔
کی توجہ کھینچنا ہوتا ہے۔
04:08
It has to stand out from the crowd.
80
236318
1715
اسے مجمع سے الگ دکھائی دینا ہوتا ہے۔
04:10
Business strategy means
finding gaps in the market,
finding gaps in the market,
81
238057
2444
کاروباری پلان کا مطلب ہوتا ہے کہ منڈی میں
خلا تلاش کیا جائے
خلا تلاش کیا جائے
04:12
things that nobody else is doing.
82
240525
1756
وہ کام، جو کوئی نہیں کر۔رہا۔
04:14
It will be humans that are creating
the copy behind our marketing campaigns,
the copy behind our marketing campaigns,
83
242305
4118
یہ انسان ہوں گے جو ہماری تشہیری مہم کا
ڈھانچہ بنایا کریں گے۔
ڈھانچہ بنایا کریں گے۔
04:18
and it will be humans that are developing
our business strategy.
our business strategy.
84
246447
3517
اور کاروباری پلان بھی انسان ہی
بنایا کریں گے۔
بنایا کریں گے۔
04:21
So Yahli, whatever you decide to do,
85
249988
2817
چنانچہ یہلی!
تم جو بھی فیصلہ کرو،
تم جو بھی فیصلہ کرو،
04:24
let every day bring you a new challenge.
86
252829
2361
مگر اپنے آنے والے ہر دن میں ایک نیا
ہدف قائم کرو۔
ہدف قائم کرو۔
04:27
If it does, then you will stay
ahead of the machines.
ahead of the machines.
87
255587
2809
اگر ایسا ہو جائے
تو تم مشینوں سے آگے رہو گی۔
تو تم مشینوں سے آگے رہو گی۔
04:31
Thank you.
88
259126
1176
شکریہ۔
04:32
(Applause)
89
260326
3104
(تالیاں)
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