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

Μετάφραση: Stavros Ouzounis Επιμέλεια: Chryssa Takahashi

So this is my niece.

Αυτή είναι η ανιψιά μου.

Her name is Yahli.

Ονομάζεται Γιάλι.

She is nine months old.

Είναι εννέα μηνών.

Η μαμά της είναι γιατρός και o μπαμπάς της δικηγόρος.

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

By the time Yahli goes to college,

Μέχρι να πάει η Γιάλι στο πανεστήμιο

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

το επαγγέλματα των γονιών της θα είναι πολύ διαφορετικά.

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

Το 2013, ερευνητές στο πανεπιστήμιο της Οξφόρδης

έκαναν μια μελέτη πάνω στο μέλλον της εργασίας.

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

Κατέληξαν ότι σχεδόν ένα στα δύο επαγγέλματα κινδυνεύουν

of being automated by machines.

να αυτοματοποιηθούν από μηχανές.

Machine learning is the technology

Η μηχανική μάθηση είναι η τεχνολογία

that's responsible for most of this disruption.

που ευθύνεται κυρίως για αυτήν την αναστάτωση.

It's the most powerful branch of artificial intelligence.

Είναι το πιο δυνατό παρακλάδι της τεχνητής νοημοσύνης.

It allows machines to learn from data

Επιτρέπει στις μηχανές να μάθουν από δεδομένα

and mimic some of the things that humans can do.

και να μιμηθούν πράγματα που κάνουν οι άνθρωποι.

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

Η εταιρεία μου, η Kaggel, λειτουργεί στην αιχμή της μηχανικής μάθησης.

We bring together hundreds of thousands of experts

Μαζεύουμε εκατοντάδες χιλιάδες ειδικούς

to solve important problems for industry and academia.

για να λύσουν σημαντικά βιομηχανικά και ακαδημαϊκά προβλήματα.

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

Αντιλαμβανόμαστε έτσι, τι μπορούν

και τι δεν μπορούν να κάνουν οι μηχανές

what they can't do

and what jobs they might automate or threaten.

και ποιες δουλειές ίσως αυτοματοποιήσουν ή απειλήσουν.

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

Η μηχανική μάθηση άρχισε να εμφανίζεται στη βιομηχανία αρχές της δεκαετίας του 90.

It started with relatively simple tasks.

Ξεκίνησε με σχετικά απλές εργασίες.

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

Ξεκίνησε με πράγματα όπως η αξιολόγηση πιστωτικού κινδύνου από αιτήσεις δανείων,

sorting the mail by reading handwritten characters from zip codes.

ταξινόμηση της αλληλογραφίας διαβάζοντας χειρόγραφους ταχυδρομικούς κώδικες.

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

Τα τελευταία λίγα χρόνια κάναμε σημαντική πρόοδο.

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

Η μηχανική μάθηση είναι πλέον ικανή να αναλάβει πολύ πιο περίπλοκα έργα.

In 2012, Kaggle challenged its community

Το 2012, η Kaggle προκάλεσε τα μέλη της

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

να δημιουργήσουν έναν αλγόριθμο που θα διόρθωνε εργασίες λυκείου.

The winning algorithms were able to match the grades

Οι αλγόριθμοι που νίκησαν,

given by human teachers.

βαθμολόγησαν το ίδιο όπως οι καθηγητές.

Last year, we issued an even more difficult challenge.

Πέρυσι ετοιμάσαμε μια ακόμη δυσκολότερη δοκιμασία.

Πως μπορεί να διαγνωστεί μια ασθένεια, όπως η διαβητική ρετινοπάθεια,

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

called diabetic retinopathy?

παίρνοντας εικόνες από το μάτι;

Again, the winning algorithms were able to match the diagnoses

Και πάλι, ο αλγόριθμος που νίκησε,

έδωσε την ίδια διάγνωση που έδωσαν και οι οφθαλμίατροι.

given by human ophthalmologists.

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

Έχοντας τα σωστά δεδομένα, οι μηχανές θα ξεπεράσουν τους ανθρώπους

at tasks like this.

σε εργασίες όπως αυτές.

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

Ένας δάσκαλος, σε 40 χρόνια εργασίας, θα διαβάσει πάνω από 10.000 εκθέσεις.

An ophthalmologist might see 50,000 eyes.

Ένας οφθαλμίατρος θα δει περίπου 50.000 μάτια.

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

Μια μηχανή μπορεί να διαβάσει εκατομμύρια εργασίες ή να δει εκατομμύρια μάτια

within minutes.

σε μερικά λεπτά.

We have no chance of competing against machines

Δεν υπάρχει περίπτωση να ανταγωνιστούμε τις μηχανές

on frequent, high-volume tasks.

σε συχνές εργασίες μεγάλου όγκου.

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

Υπάρχουν όμως πράγματα, που μόνο εμείς μπορούμε να κάνουμε.

Where machines have made very little progress

Οι μηχανές έχουν προοδεύσει ελάχιστα

is in tackling novel situations.

στο να επιλύουν πρωτότυπα προβλήματα.

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

Δεν μπορούν να αντιμετωπίσουν πράγματα που δεν έχουν δει ήδη πολλές φορές.

The fundamental limitations of machine learning

Ο θεμελιώδης περιορισμός της μηχανικής μάθησης

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

είναι ότι χρειάζεται πολλά προηγούμενα δεδομένα για να μάθει από αυτά.

Now, humans don't.

Ενώ οι άνθρωποι όχι.

We have the ability to connect seemingly disparate threads

Μπορούμε να ενώσουμε ανόμοια φαινομενικά γνωρίσματα

to solve problems we've never seen before.

για να λύσουμε πρωτόγνωρα προβλήματα.

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

Ο Πέρσι Σπένσερ ήταν φυσικός

και ασχολούνταν με τα ραντάρ κατά τον Β' Παγκόσμιο Πόλεμο

when he noticed the magnetron was melting his chocolate bar.

όταν διαπίστωσε ότι το μάγνητρο έλιωνε τη σοκολάτα του.

He was able to connect his understanding of electromagnetic radiation

Συνέδεσε τη γνώση του πάνω στην ηλεκτρομαγνητική ακτινοβολία

with his knowledge of cooking

και τις γνώσεις του στη μαγειρική

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

για να ανακαλύψει τον φούρνο μικροκυμάτων.

Now, this is a particularly remarkable example of creativity.

Πρόκειται για ένα λαμπρό παράδειγμα δημιουργικότητας.

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

Όμως τέτοιου είδους διασταυρώσεις στις ιδέες μας συμβαίνουν σε όλους μας,

thousands of times per day.

λίγο ή πολύ κατά τη διάρκεια μιας ημέρας.

Machines cannot compete with us

Δεν μας πιάνουν οι μηχανές,

when it comes to tackling novel situations,

όταν πρόκειται για τέτοιου είδους προβλήματα,

and this puts a fundamental limit on the human tasks

κάτι το οποίο θέτει βασικά όρια,

ως προς το ποιες εργασίες θα αυτοματοποιήσουν οι μηχανές.

that machines will automate.

Τι σημαίνει λοιπόν αυτό για το μέλλον της εργασίας;

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:

Το μέλλον κάθε επαγγέλματος κρύβεται στην απάντηση αυτής της ερώτησης;

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

Κατά πόσο μια εργασία αποτελείται από συχνές εργασίες μεγάλου όγκου,

and to what extent does it involve tackling novel situations?

και κατά πόσο εμπεριέχει πρωτόγνωρα προβλήματα;

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

Στις συχνές εργασίες μεγάλου όγκου, οι μηχανές γίνονται όλο και εξυπνότερες.

Today they grade essays. They diagnose certain diseases.

Σήμερα διορθώνουν εκθέσεις, διαγιγνώσκουν ορισμένες ασθένειες.

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

Σε μερικά χρόνια θα αναλάβουν λογιστικούς ελέγχους

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

και θα αναγνωρίζουν ορολογίες από νομικά συμβόλαια.

Accountants and lawyers are still needed.

Θα χρειαζόμαστε λογιστές και δικηγόρους.

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

Θα χρειάζονται για περίπλοκες φορολογικές δηλώσεις

for pathbreaking litigation.

ή μια εφευρετική αντιπροσώπευση σε δίκη.

But machines will shrink their ranks

Αλλά θα μειωθούν

and make these jobs harder to come by.

και θα 'ναι πιο δυσεύρετες εργασίες.

Now, as mentioned,

Όπως είπαμε

machines are not making progress on novel situations.

οι μηχανές δεν ανταπεξέρχονται σε πρωτόγνωρα προβλήματα.

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

Μια διαφημιστική καμπάνια πρέπει να τραβήξει το ενδιαφέρον.

It has to stand out from the crowd.

Να ξεχωρίσει από το πλήθος.

Business strategy means finding gaps in the market,

Μια επιχειρηματική στρατηγική βρίσκει κενά στην αγορά

things that nobody else is doing.

κάτι που κανένας άλλος δεν κάνει.

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

Οι άνθρωποι θα σχεδιάζουν τις διαφημιστικές καμπάνιες

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

και οι άνθρωποι θα αναπτύσσουν την επιχειρηματική στρατηγική.

So Yahli, whatever you decide to do,

Οπότε Γιάλι, ό,τι και αν κάνεις

let every day bring you a new challenge.

προσπάθησε κάθε μέρα να αντιμετωπίζεις μια καινούρια πρόκληση.

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

Αν το καταφέρεις, θα είσαι ένα βήμα μπροστά από τις μηχανές.

Thank you.

Ευχαριστώ.

(Applause)