TED2016
Anthony Goldbloom: The jobs we'll lose to machines -- and the ones we won't
Anthony Goldbloom: Những công việc ta sẽ thua máy móc -- và những việc ta sẽ thắng
Filmed:
Readability: 4.8
2,568,213 views
Học máy không chỉ dành cho những việc đơn giản như đánh giá rủi ro tính dụng và sắp xếp thư nữa -- giờ đây, nó có khả năng giải quyết những công việc phức tạp hơn thế, như là chấm điểm bài thi và chuẩn đoán bệnh. Với những tiến triến này một câu hỏi xuất hiện: Liệu công việc của bạn có thể thực hiện bởi một con robot hay không?
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
Đây là cháu tôi.
00:14
Her name is Yahli.
1
2644
1535
Bé tên là Yahli.
00:16
She is nine months old.
2
4203
1511
Bé được 9 tháng tuổi.
00:18
Her mum is a doctor,
and her dad is a lawyer.
and her dad is a lawyer.
3
6201
2528
Mẹ bé là bác sỹ,
và bố bé là luật sư.
và bố bé là luật sư.
00:21
By the time Yahli goes to college,
4
9269
2006
Đến lúc Yahli học đại học,
00:23
the jobs her parents do
are going to look dramatically different.
are going to look dramatically different.
5
11299
3253
nghề nghiệp bố mẹ cháu làm
sẽ thay đổi rất đáng kể.
sẽ thay đổi rất đáng kể.
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
Năm 2013, các nhà nghiên cứu ở ĐH Oxford
đã nghiên cứu về tương lai của việc làm
đã nghiên cứu về tương lai của việc làm
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
Họ kết luận rằng cứ 2 việc
thì có 1 việc có rủi ro cao
thì có 1 việc có rủi ro cao
00:36
of being automated by machines.
8
24929
1824
sẽ bị thay thế bởi máy móc.
00:40
Machine learning is the technology
9
28388
1905
Học máy
(machine learning) là công nghệ
(machine learning) là công nghệ
00:42
that's responsible for most
of this disruption.
of this disruption.
10
30317
2278
có trách nhiệm lớn
trong sự thay đổi này.
trong sự thay đổi này.
00:44
It's the most powerful branch
of artificial intelligence.
of artificial intelligence.
11
32619
2790
Nó là ngành có tác động mạnh nhất
trong trí tuệ nhân tạo.
trong trí tuệ nhân tạo.
00:47
It allows machines to learn from data
12
35433
1882
Nó cho phép máy móc học từ dữ liệu
00:49
and mimic some of the things
that humans can do.
that humans can do.
13
37339
2592
và bắt chước một vài điều
mà con người có thể làm
mà con người có thể làm
00:51
My company, Kaggle, operates
on the cutting edge of machine learning.
on the cutting edge of machine learning.
14
39955
3415
Công ty của tôi, Kaggle, hoạt động
dựa trên sự vượt trội của học máy.
dựa trên sự vượt trội của học máy.
00:55
We bring together
hundreds of thousands of experts
hundreds of thousands of experts
15
43394
2386
Chúng tôi tập hợp
hàng trăm nghìn chuyên gia
hàng trăm nghìn chuyên gia
00:57
to solve important problems
for industry and academia.
for industry and academia.
16
45804
3118
để giải quyết những vấn đề quan trọng
cho công nghiệp và học viện
cho công nghiệp và học viện
01:01
This gives us a unique perspective
on what machines can do,
on what machines can do,
17
49279
3222
Nó cho chúng tôi một góc nhìn độc đáo
về điều máy tính có thể làm
về điều máy tính có thể làm
01:04
what they can't do
18
52525
1235
và không thể làm
01:05
and what jobs they might
automate or threaten.
automate or threaten.
19
53784
2939
và những công việc có thể
bị tự động hóa và bị đe dọa
bị tự động hóa và bị đe dọa
01:09
Machine learning started making its way
into industry in the early '90s.
into industry in the early '90s.
20
57316
3550
Học máy bắt đầu xâm nhập ngành công nghiệp
những năm đầu thập niên 90
những năm đầu thập niên 90
01:12
It started with relatively simple tasks.
21
60890
2124
Nó bắt đầu với những việc đơn giản.
01:15
It started with things like assessing
credit risk from loan applications,
credit risk from loan applications,
22
63406
4115
Những việc như đánh giá rủi ro
tín dụng của các đơn xin vay vốn
tín dụng của các đơn xin vay vốn
01:19
sorting the mail by reading
handwritten characters from zip codes.
handwritten characters from zip codes.
23
67545
4053
sắp xếp hộp thư bằng cách đọc
các ký tự viết tay từ mã bưu điện.
các ký tự viết tay từ mã bưu điện.
01:24
Over the past few years, we have made
dramatic breakthroughs.
dramatic breakthroughs.
24
72036
3169
Vài năm qua, chúng ta đã có
những bước nhảy vượt bậc
những bước nhảy vượt bậc
01:27
Machine learning is now capable
of far, far more complex tasks.
of far, far more complex tasks.
25
75586
3916
Học máy giờ có khả năng xử lý
những việc cực kì phức tạp
những việc cực kì phức tạp
01:31
In 2012, Kaggle challenged its community
26
79860
3231
Năm 2012, Kraggle đã thử thách cộng đồng
01:35
to build an algorithm
that could grade high-school essays.
that could grade high-school essays.
27
83115
3189
tạo ra một thuật toán
biết chấm điểm các bài luận cấp 3.
biết chấm điểm các bài luận cấp 3.
01:38
The winning algorithms
were able to match the grades
were able to match the grades
28
86328
2604
Thuật toán thắng cuộc đã
chấm điểm được như
chấm điểm được như
01:40
given by human teachers.
29
88956
1665
điểm của thầy cô giáo.
01:43
Last year, we issued
an even more difficult challenge.
an even more difficult challenge.
30
91092
2984
Năm ngoái, chúng tôi đưa ra
một thử thách còn khó hơn.
một thử thách còn khó hơn.
01:46
Can you take images of the eye
and diagnose an eye disease
and diagnose an eye disease
31
94100
2953
Qua các bức ảnh về mắt,
bạn có thể chẩn đoán một bệnh về mắt
bạn có thể chẩn đoán một bệnh về mắt
01:49
called diabetic retinopathy?
32
97077
1694
tên là võng mạc tiểu đường?
01:51
Again, the winning algorithms
were able to match the diagnoses
were able to match the diagnoses
33
99164
4040
Một lần nữa, thuật toán thắng cuộc
có chẩn đoán đúng như
có chẩn đoán đúng như
01:55
given by human ophthalmologists.
34
103228
1825
kết quả của bác sỹ khoa mắt.
01:57
Now, given the right data,
machines are going to outperform humans
machines are going to outperform humans
35
105561
3212
Nên với những dữ liệu thích hợp,
máy móc sẽ làm tốt hơn cả con người
máy móc sẽ làm tốt hơn cả con người
02:00
at tasks like this.
36
108797
1165
trong những việc như vậy
02:01
A teacher might read 10,000 essays
over a 40-year career.
over a 40-year career.
37
109986
3992
Một giáo viên có thể đọc 10 000 luận án
trong sự nghiệp 40 năm.
trong sự nghiệp 40 năm.
02:06
An ophthalmologist might see 50,000 eyes.
38
114407
2360
Một bác sỹ khoa mắt
có thể khám 50 000 đôi mắt.
có thể khám 50 000 đôi mắt.
02:08
A machine can read millions of essays
or see millions of eyes
or see millions of eyes
39
116791
3913
Máy có thể đọc hàng triệu bài luận án
hoặc khám hàng triệu đôi mắt
hoặc khám hàng triệu đôi mắt
02:12
within minutes.
40
120728
1276
trong vòng vài phút.
02:14
We have no chance of competing
against machines
against machines
41
122456
2858
Chúng ta không có cơ hội nào để
chiến thắng máy móc
chiến thắng máy móc
02:17
on frequent, high-volume tasks.
42
125338
2321
ở những việc có khối lượng lớn
và tần suất cao.
và tần suất cao.
02:20
But there are things we can do
that machines can't do.
that machines can't do.
43
128665
3724
Nhưng có những việc ta được
nhưng máy móc thì không.
nhưng máy móc thì không.
02:24
Where machines have made
very little progress
very little progress
44
132791
2200
Việc mà máy móc tiến bộ rất chậm
02:27
is in tackling novel situations.
45
135015
1854
là giải quyết những tình huống mới.
02:28
They can't handle things
they haven't seen many times before.
they haven't seen many times before.
46
136893
3899
Chúng không thể giải quyết những việc
chưa từng gặp thường xuyên
chưa từng gặp thường xuyên
02:33
The fundamental limitations
of machine learning
of machine learning
47
141321
2584
Những hạn chế cơ bản
của máy học
của máy học
02:35
is that it needs to learn
from large volumes of past data.
from large volumes of past data.
48
143929
3394
là nó cần phải học
từ nguồn dữ liệu khổng lồ trước đó
từ nguồn dữ liệu khổng lồ trước đó
02:39
Now, humans don't.
49
147347
1754
Con người thì không như vậy.
02:41
We have the ability to connect
seemingly disparate threads
seemingly disparate threads
50
149125
3030
Chúng ta có khả năng kết nối
các sợi chỉ gần như không liên quan
các sợi chỉ gần như không liên quan
02:44
to solve problems we've never seen before.
51
152179
2238
để giải quyết các vấn đề
ta chưa gặp phải bao giờ.
ta chưa gặp phải bao giờ.
02:46
Percy Spencer was a physicist
working on radar during World War II,
working on radar during World War II,
52
154808
4411
Percy Spencer là một nhà vật lý
làm việc với radar trong thế chiến thứ 2,
làm việc với radar trong thế chiến thứ 2,
02:51
when he noticed the magnetron
was melting his chocolate bar.
was melting his chocolate bar.
53
159243
3013
khi anh nhận thấy magnetron
làm chảy thanh sôcôla của anh.
làm chảy thanh sôcôla của anh.
02:54
He was able to connect his understanding
of electromagnetic radiation
of electromagnetic radiation
54
162970
3295
Anh đã biết kết nối hiểu biết về
sóng điện từ
sóng điện từ
02:58
with his knowledge of cooking
55
166289
1484
và những hiểu biết về nấu ăn
02:59
in order to invent -- any guesses? --
the microwave oven.
the microwave oven.
56
167797
3258
để có thể phát minh -- đoán xem ?
lò vi sóng.
lò vi sóng.
03:03
Now, this is a particularly remarkable
example of creativity.
example of creativity.
57
171444
3073
Đây là một ví dụ khá xuất sắc
về sự sáng tạo
về sự sáng tạo
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
Nhưng những sự thụ phấn này
xảy ra với chúng ta từ những điều nhỏ
xảy ra với chúng ta từ những điều nhỏ
03:10
thousands of times per day.
59
178229
1828
hàng nghìn lần mỗi ngày.
03:12
Machines cannot compete with us
60
180501
1661
Máy móc không thể cạnh tranh
03:14
when it comes to tackling
novel situations,
novel situations,
61
182186
2251
trong việc giải quyết các tình huống mới,
03:16
and this puts a fundamental limit
on the human tasks
on the human tasks
62
184461
3117
Và điều này đặt ra giới hạn cơ bản
về những việc sẽ bị máy móc hóa
về những việc sẽ bị máy móc hóa
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
Điều này có ý nghĩa gì
với tương lai công việc ?
với tương lai công việc ?
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
Tương lai của bất cứ nghề nào nằm ở
câu trả lời của một câu hỏi duy nhất:
câu trả lời của một câu hỏi duy nhất:
03:29
To what extent is that job reducible
to frequent, high-volume tasks,
to frequent, high-volume tasks,
66
197360
4981
Công việc đó đơn giản,
hay lặp lại và có khối lương lớn thế nào
hay lặp lại và có khối lương lớn thế nào
03:34
and to what extent does it involve
tackling novel situations?
tackling novel situations?
67
202365
3253
Và liên quan đến giải quyết
các vấn đề mới như thế nào?
các vấn đề mới như thế nào?
03:37
On frequent, high-volume tasks,
machines are getting smarter and smarter.
machines are getting smarter and smarter.
68
205975
4035
Những công việc lặp lại với khối lương lớn
máy móc sẽ ngày càng thành thạo
máy móc sẽ ngày càng thành thạo
03:42
Today they grade essays.
They diagnose certain diseases.
They diagnose certain diseases.
69
210034
2714
Hôm nay chúng chấm điểm tiểu luận
chẩn đoán một số bệnh
chẩn đoán một số bệnh
03:44
Over coming years,
they're going to conduct our audits,
they're going to conduct our audits,
70
212772
3157
Vài năm tiếp theo,
chúng sẽ kiểm soát quản lý sổ sách
chúng sẽ kiểm soát quản lý sổ sách
03:47
and they're going to read boilerplate
from legal contracts.
from legal contracts.
71
215953
2967
chúng sẽ đọc các thủ tục
trong các hợp đồng pháp lý
trong các hợp đồng pháp lý
03:50
Accountants and lawyers are still needed.
72
218944
1997
Chúng ta vẫn cần kế toán và luật sư
03:52
They're going to be needed
for complex tax structuring,
for complex tax structuring,
73
220965
2682
Họ sẽ thực hiện các
các khoản thuế phức tạp
các khoản thuế phức tạp
03:55
for pathbreaking litigation.
74
223671
1357
các vụ kiện tụng mới
03:57
But machines will shrink their ranks
75
225052
1717
Máy móc sẽ thu hẹp
vai trò của họ
vai trò của họ
03:58
and make these jobs harder to come by.
76
226793
1872
và khiến khó kiếm được những việc trên
04:00
Now, as mentioned,
77
228689
1151
Như đã đề cập
04:01
machines are not making progress
on novel situations.
on novel situations.
78
229864
2949
Máy tính không thực hiện
các tình huống mới
các tình huống mới
04:04
The copy behind a marketing campaign
needs to grab consumers' attention.
needs to grab consumers' attention.
79
232837
3457
Các bản thảo của các chiến dịch quảng cáo
để thu hút ngươi tiêu dùng
để thu hút ngươi tiêu dùng
04:08
It has to stand out from the crowd.
80
236318
1715
Cần phải khác biệt
04:10
Business strategy means
finding gaps in the market,
finding gaps in the market,
81
238057
2444
chiến lược kinh doanh là tìm kiếm
các khoảng trống trên thị trường
các khoảng trống trên thị trường
04:12
things that nobody else is doing.
82
240525
1756
điều mà không một ai khác làm
04:14
It will be humans that are creating
the copy behind our marketing campaigns,
the copy behind our marketing campaigns,
83
242305
4118
Chỉ có con người có thể tạo
các bản thảo cho các chiến dịch quảng cáo
các bản thảo cho các chiến dịch quảng cáo
04:18
and it will be humans that are developing
our business strategy.
our business strategy.
84
246447
3517
và chỉ có con người có thể phát triển
các chiến lược kinh doanh
các chiến lược kinh doanh
04:21
So Yahli, whatever you decide to do,
85
249988
2817
Nên Yahli cho dù quyết định của cháu là gì
04:24
let every day bring you a new challenge.
86
252829
2361
hãy đón nhận các thử thách hằng ngày
04:27
If it does, then you will stay
ahead of the machines.
ahead of the machines.
87
255587
2809
Có như vậy, cháu mới có thể
dẫn trước máy móc
dẫn trước máy móc
04:31
Thank you.
88
259126
1176
Cảm ơn
04:32
(Applause)
89
260326
3104
(Vỗ tay)
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