The jobs we'll lose to machines -- and the ones we won't | Anthony Goldbloom

Translator: Irena Georgieva Reviewer: Darina Stoyanova

So this is my niece.

Това е моята племенница.

Her name is Yahli.

Името ѝ е Яли.

Тя е на девет месеца.

She is nine months old.

Майка ѝ е лекар, а баща ѝ - адвокат.

Her mum is a doctor, and her dad is a lawyer.

Когато Яли отиде в колеж,

By the time Yahli goes to college,

професиите на родителите ѝ ще изглеждат коренно различни.

the jobs her parents do are going to look dramatically different.

През 2013 г. учени от Оксфордския университет направиха проучване върху бъдещето на професиите.

In 2013, researchers at Oxford University did a study on the future of work.

Те направиха заключението, че почти една от всеки две професии има висок риск

They concluded that almost one in every two jobs have a high risk

да бъде автоматизирана от машини.

Машинното самообучение е техническата наука,

of being automated by machines.

която е отговорна най-вече за този разрив.

Machine learning is the technology

Тя е най-мощният отрасъл на изкуствения интелект.

that's responsible for most of this disruption.

Позволява на машините да се учат от данни

It's the most powerful branch of artificial intelligence.

и да наподобяват напълно някои от нещата, които хората правят.

It allows machines to learn from data

Моята компания, Кагъл, функционира на пронизващия ръб на машинното самообучение.

and mimic some of the things that humans can do.

My company, Kaggle, operates on the cutting edge of machine learning.

Ние събираме заедно стотици хиляди експерти,

за да решаваме важни проблеми за индустрията и академичните среди.

We bring together hundreds of thousands of experts

Това ни дава уникалната перспектива за това какво машините могат да правят

to solve important problems for industry and academia.

и какво не могат

This gives us a unique perspective on what machines can do,

и кои професии те могат да автоматизират или заплашат.

what they can't do

Машинното самообучение е започнало да проправя пътя си в индустрията в началото на 90-те.

and what jobs they might automate or threaten.

Machine learning started making its way into industry in the early '90s.

То е започнало с относително прости задачи

It started with relatively simple tasks.

като оценяване на кредитния риск от молбите за заем и

It started with things like assessing credit risk from loan applications,

разпределяне на пощата чрез четене на ръкописни букви от пощенски кодове.

sorting the mail by reading handwritten characters from zip codes.

През изминалите няколко години ние направихме много важни научни открития.

Over the past few years, we have made dramatic breakthroughs.

Машинното самообучение сега е способно на далеч по-сложни задачи.

Machine learning is now capable of far, far more complex tasks.

През 2012 г. Кагъл предизвика своята общност

да състави алгоритъм, който да може да оценява есета на ученици в гимназиален етап.

In 2012, Kaggle challenged its community

Печелившите алгоритми съвпаднаха с оценките,

to build an algorithm that could grade high-school essays.

дадени от хора преподаватели.

The winning algorithms were able to match the grades

Миналата година ние издадохме дори по-трудно предизвикателство.

given by human teachers.

Може ли да вземете снимки на окото и да диагностицирате болест,

Last year, we issued an even more difficult challenge.

наречена диабетна ретинопатия?

Can you take images of the eye and diagnose an eye disease

Печелившите алгоритми отново съвпаднаха с диагнозите,

called diabetic retinopathy?

Again, the winning algorithms were able to match the diagnoses

дадени от хора офталмолози.

Снабдени с правилните данни, машините ще заменят хората

given by human ophthalmologists.

в такива задачи.

Now, given the right data, machines are going to outperform humans

Един учител може да прочете 10,000 есета в рамките на 40-годишна кариера.

at tasks like this.

A teacher might read 10,000 essays over a 40-year career.

Един офталмолог може да прегледа 50,000 очи.

А една машина може да прочете милион есета или да прегледа милион очи

An ophthalmologist might see 50,000 eyes.

A machine can read millions of essays or see millions of eyes

за по-малко от минути.

Ние нямаме шанс да се съревноваваме срещу машините

within minutes.

We have no chance of competing against machines

на често срещани задачи с голям обем информация.

on frequent, high-volume tasks.

Но има неща, които ние можем да правим, а машините не могат.

But there are things we can do that machines can't do.

Машините са направили много малък прогрес

в справянето с непознати досега за тях ситуации.

Where machines have made very little progress

Те не могат да боравят с неща, които не са виждали много пъти преди това.

is in tackling novel situations.

They can't handle things they haven't seen many times before.

Основното ограничение на машинното самообучение е,

че машините трябва да се учат от голямо количество изтекли данни.

The fundamental limitations of machine learning

is that it needs to learn from large volumes of past data.

А ние, хората, не трябва.

Ние имаме способността да свързваме привидно коренно различни идеи,

Now, humans don't.

We have the ability to connect seemingly disparate threads

за да намираме решение на проблеми, които преди никога не сме виждали.

to solve problems we've never seen before.

Пърси Спенсър е бил физик, който работел върху радар по време на Втората световна война,

Percy Spencer was a physicist working on radar during World War II,

когато забелязал, че магнетронът е стопил неговото шоколадово блокче.

when he noticed the magnetron was melting his chocolate bar.

Пърси е бил способен да асоциира своето разбиране от електромагнетична радиация

He was able to connect his understanding of electromagnetic radiation

със своите умения по готвене,

with his knowledge of cooking

за да изобрети - някакви предположения? - микровълновата фурна.

in order to invent -- any guesses? -- the microwave oven.

Това сега е особено забележителен пример за креативност.

Now, this is a particularly remarkable example of creativity.

Но този начин на "кръстосано опрашване" се случва на всеки от нас

But this sort of cross-pollination happens for each of us in small ways

хиляди пъти на ден.

Машините не могат да се съревновават с нас,

thousands of times per day.

Machines cannot compete with us

когато става дума за справяне с непознати досега за тях ситуации,

when it comes to tackling novel situations,

и това поставя фундаментален лимит на човешките задачи,

and this puts a fundamental limit on the human tasks

които машините ще автоматизират.

that machines will automate.

Та какво означава това за бъдещето на професиите?

Бъдещото състояние на всяка една професия лежи в отговора на един прост въпрос:

So what does this mean for the future of work?

The future state of any single job lies in the answer to a single question:

До каква степен тази професия е съкратима до често срещани задачи с голям обем информация

To what extent is that job reducible to frequent, high-volume tasks,

и до каква степен включва справяне с непознати досега ситуации?

and to what extent does it involve tackling novel situations?

При често срещани задачи с голям обем информация машините стават умни и все по-умни.

On frequent, high-volume tasks, machines are getting smarter and smarter.

Днес те оценяват есета и диагностицират определени болести.

През следващите години те ще водят нашите одити

Today they grade essays. They diagnose certain diseases.

Over coming years, they're going to conduct our audits,

и ще четат шаблони от законни договори.

and they're going to read boilerplate from legal contracts.

Счетоводители и адвокати са все още необходими.

Accountants and lawyers are still needed.

Те ще са нужни за сложно структуриране на данъци,

They're going to be needed for complex tax structuring,

за промяна на посоката на съдебния процес.

for pathbreaking litigation.

Но машините ще намалят техния ранг

и ще направят тези работи по-трудни за намиране.

But machines will shrink their ranks

and make these jobs harder to come by.

Сега, както споменах,

Now, as mentioned,

машините не правят прогрес в непознати досега за тях ситуации.

machines are not making progress on novel situations.

Копието зад маркетингова кампания трябва да привлече вниманието на потребителите.

The copy behind a marketing campaign needs to grab consumers' attention.

То трябва да се забелязва лесно от тълпата.

It has to stand out from the crowd.

Бизнес стратегия означава да намериш пролуки на пазара,

Business strategy means finding gaps in the market,

неща, които никой друг не прави.

things that nobody else is doing.

Хората ще бъдат тези, които ще създадат копието зад нашите маркетингови капмании

It will be humans that are creating the copy behind our marketing campaigns,

и те ще бъдат тези, които ще развият нашата бизнес стратегия.

and it will be humans that are developing our business strategy.

So Yahli, whatever you decide to do,

Така че, Яли, каквото и да решиш да правиш,

let every day bring you a new challenge.

остави всеки ден да ти носи ново предизвикателство.

If it does, then you will stay ahead of the machines.

По този начин ти ще изпревариш машините.

Благодаря.

Thank you.

(Applause)

(Аплодисменти)