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

605,396 views

2016-08-31 ・ TED


New videos

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

605,396 views ・ 2016-08-31

TED


Κάντε διπλό κλικ στους αγγλικούς υπότιτλους παρακάτω για να αναπαραγάγετε το βίντεο.

Μετάφραση: Stavros Ouzounis Επιμέλεια: Chryssa Takahashi
00:12
So this is my niece.
0
12968
1262
Αυτή είναι η ανιψιά μου.
00:14
Her name is Yahli.
1
14644
1535
Ονομάζεται Γιάλι.
00:16
She is nine months old.
2
16203
1511
Είναι εννέα μηνών.
Η μαμά της είναι γιατρός και o μπαμπάς της δικηγόρος.
00:18
Her mum is a doctor, and her dad is a lawyer.
3
18201
2528
00:21
By the time Yahli goes to college,
4
21269
2006
Μέχρι να πάει η Γιάλι στο πανεστήμιο
00:23
the jobs her parents do are going to look dramatically different.
5
23299
3253
το επαγγέλματα των γονιών της θα είναι πολύ διαφορετικά.
00:27
In 2013, researchers at Oxford University did a study on the future of work.
6
27347
5073
Το 2013, ερευνητές στο πανεπιστήμιο της Οξφόρδης
έκαναν μια μελέτη πάνω στο μέλλον της εργασίας.
00:32
They concluded that almost one in every two jobs have a high risk
7
32766
4139
Κατέληξαν ότι σχεδόν ένα στα δύο επαγγέλματα κινδυνεύουν
00:36
of being automated by machines.
8
36929
1824
να αυτοματοποιηθούν από μηχανές.
00:40
Machine learning is the technology
9
40388
1905
Η μηχανική μάθηση είναι η τεχνολογία
00:42
that's responsible for most of this disruption.
10
42317
2278
που ευθύνεται κυρίως για αυτήν την αναστάτωση.
00:44
It's the most powerful branch of artificial intelligence.
11
44619
2790
Είναι το πιο δυνατό παρακλάδι της τεχνητής νοημοσύνης.
00:47
It allows machines to learn from data
12
47433
1882
Επιτρέπει στις μηχανές να μάθουν από δεδομένα
00:49
and mimic some of the things that humans can do.
13
49339
2592
και να μιμηθούν πράγματα που κάνουν οι άνθρωποι.
00:51
My company, Kaggle, operates on the cutting edge of machine learning.
14
51955
3415
Η εταιρεία μου, η Kaggel, λειτουργεί στην αιχμή της μηχανικής μάθησης.
00:55
We bring together hundreds of thousands of experts
15
55394
2386
Μαζεύουμε εκατοντάδες χιλιάδες ειδικούς
00:57
to solve important problems for industry and academia.
16
57804
3118
για να λύσουν σημαντικά βιομηχανικά και ακαδημαϊκά προβλήματα.
01:01
This gives us a unique perspective on what machines can do,
17
61279
3222
Αντιλαμβανόμαστε έτσι, τι μπορούν
και τι δεν μπορούν να κάνουν οι μηχανές
01:04
what they can't do
18
64525
1235
01:05
and what jobs they might automate or threaten.
19
65784
2939
και ποιες δουλειές ίσως αυτοματοποιήσουν ή απειλήσουν.
01:09
Machine learning started making its way into industry in the early '90s.
20
69316
3550
Η μηχανική μάθηση άρχισε να εμφανίζεται στη βιομηχανία αρχές της δεκαετίας του 90.
01:12
It started with relatively simple tasks.
21
72890
2124
Ξεκίνησε με σχετικά απλές εργασίες.
01:15
It started with things like assessing credit risk from loan applications,
22
75406
4115
Ξεκίνησε με πράγματα όπως η αξιολόγηση πιστωτικού κινδύνου από αιτήσεις δανείων,
01:19
sorting the mail by reading handwritten characters from zip codes.
23
79545
4053
ταξινόμηση της αλληλογραφίας διαβάζοντας χειρόγραφους ταχυδρομικούς κώδικες.
01:24
Over the past few years, we have made dramatic breakthroughs.
24
84036
3169
Τα τελευταία λίγα χρόνια κάναμε σημαντική πρόοδο.
01:27
Machine learning is now capable of far, far more complex tasks.
25
87586
3916
Η μηχανική μάθηση είναι πλέον ικανή να αναλάβει πολύ πιο περίπλοκα έργα.
01:31
In 2012, Kaggle challenged its community
26
91860
3231
Το 2012, η Kaggle προκάλεσε τα μέλη της
01:35
to build an algorithm that could grade high-school essays.
27
95115
3189
να δημιουργήσουν έναν αλγόριθμο που θα διόρθωνε εργασίες λυκείου.
01:38
The winning algorithms were able to match the grades
28
98328
2604
Οι αλγόριθμοι που νίκησαν,
01:40
given by human teachers.
29
100956
1665
βαθμολόγησαν το ίδιο όπως οι καθηγητές.
01:43
Last year, we issued an even more difficult challenge.
30
103092
2984
Πέρυσι ετοιμάσαμε μια ακόμη δυσκολότερη δοκιμασία.
Πως μπορεί να διαγνωστεί μια ασθένεια, όπως η διαβητική ρετινοπάθεια,
01:46
Can you take images of the eye and diagnose an eye disease
31
106100
2953
01:49
called diabetic retinopathy?
32
109077
1694
παίρνοντας εικόνες από το μάτι;
01:51
Again, the winning algorithms were able to match the diagnoses
33
111164
4040
Και πάλι, ο αλγόριθμος που νίκησε,
έδωσε την ίδια διάγνωση που έδωσαν και οι οφθαλμίατροι.
01:55
given by human ophthalmologists.
34
115228
1825
01:57
Now, given the right data, machines are going to outperform humans
35
117561
3212
Έχοντας τα σωστά δεδομένα, οι μηχανές θα ξεπεράσουν τους ανθρώπους
02:00
at tasks like this.
36
120797
1165
σε εργασίες όπως αυτές.
02:01
A teacher might read 10,000 essays over a 40-year career.
37
121986
3992
Ένας δάσκαλος, σε 40 χρόνια εργασίας, θα διαβάσει πάνω από 10.000 εκθέσεις.
02:06
An ophthalmologist might see 50,000 eyes.
38
126407
2360
Ένας οφθαλμίατρος θα δει περίπου 50.000 μάτια.
02:08
A machine can read millions of essays or see millions of eyes
39
128791
3913
Μια μηχανή μπορεί να διαβάσει εκατομμύρια εργασίες ή να δει εκατομμύρια μάτια
02:12
within minutes.
40
132728
1276
σε μερικά λεπτά.
02:14
We have no chance of competing against machines
41
134456
2858
Δεν υπάρχει περίπτωση να ανταγωνιστούμε τις μηχανές
02:17
on frequent, high-volume tasks.
42
137338
2321
σε συχνές εργασίες μεγάλου όγκου.
02:20
But there are things we can do that machines can't do.
43
140665
3724
Υπάρχουν όμως πράγματα, που μόνο εμείς μπορούμε να κάνουμε.
02:24
Where machines have made very little progress
44
144791
2200
Οι μηχανές έχουν προοδεύσει ελάχιστα
02:27
is in tackling novel situations.
45
147015
1854
στο να επιλύουν πρωτότυπα προβλήματα.
02:28
They can't handle things they haven't seen many times before.
46
148893
3899
Δεν μπορούν να αντιμετωπίσουν πράγματα που δεν έχουν δει ήδη πολλές φορές.
02:33
The fundamental limitations of machine learning
47
153321
2584
Ο θεμελιώδης περιορισμός της μηχανικής μάθησης
02:35
is that it needs to learn from large volumes of past data.
48
155929
3394
είναι ότι χρειάζεται πολλά προηγούμενα δεδομένα για να μάθει από αυτά.
02:39
Now, humans don't.
49
159347
1754
Ενώ οι άνθρωποι όχι.
02:41
We have the ability to connect seemingly disparate threads
50
161125
3030
Μπορούμε να ενώσουμε ανόμοια φαινομενικά γνωρίσματα
02:44
to solve problems we've never seen before.
51
164179
2238
για να λύσουμε πρωτόγνωρα προβλήματα.
02:46
Percy Spencer was a physicist working on radar during World War II,
52
166808
4411
Ο Πέρσι Σπένσερ ήταν φυσικός
και ασχολούνταν με τα ραντάρ κατά τον Β' Παγκόσμιο Πόλεμο
02:51
when he noticed the magnetron was melting his chocolate bar.
53
171243
3013
όταν διαπίστωσε ότι το μάγνητρο έλιωνε τη σοκολάτα του.
02:54
He was able to connect his understanding of electromagnetic radiation
54
174970
3295
Συνέδεσε τη γνώση του πάνω στην ηλεκτρομαγνητική ακτινοβολία
02:58
with his knowledge of cooking
55
178289
1484
και τις γνώσεις του στη μαγειρική
02:59
in order to invent -- any guesses? -- the microwave oven.
56
179797
3258
για να ανακαλύψει τον φούρνο μικροκυμάτων.
03:03
Now, this is a particularly remarkable example of creativity.
57
183444
3073
Πρόκειται για ένα λαμπρό παράδειγμα δημιουργικότητας.
03:06
But this sort of cross-pollination happens for each of us in small ways
58
186541
3664
Όμως τέτοιου είδους διασταυρώσεις στις ιδέες μας συμβαίνουν σε όλους μας,
03:10
thousands of times per day.
59
190229
1828
λίγο ή πολύ κατά τη διάρκεια μιας ημέρας.
03:12
Machines cannot compete with us
60
192501
1661
Δεν μας πιάνουν οι μηχανές,
03:14
when it comes to tackling novel situations,
61
194186
2251
όταν πρόκειται για τέτοιου είδους προβλήματα,
03:16
and this puts a fundamental limit on the human tasks
62
196461
3117
κάτι το οποίο θέτει βασικά όρια,
ως προς το ποιες εργασίες θα αυτοματοποιήσουν οι μηχανές.
03:19
that machines will automate.
63
199602
1717
Τι σημαίνει λοιπόν αυτό για το μέλλον της εργασίας;
03:22
So what does this mean for the future of work?
64
202041
2405
03:24
The future state of any single job lies in the answer to a single question:
65
204804
4532
Το μέλλον κάθε επαγγέλματος κρύβεται στην απάντηση αυτής της ερώτησης;
03:29
To what extent is that job reducible to frequent, high-volume tasks,
66
209360
4981
Κατά πόσο μια εργασία αποτελείται από συχνές εργασίες μεγάλου όγκου,
03:34
and to what extent does it involve tackling novel situations?
67
214365
3253
και κατά πόσο εμπεριέχει πρωτόγνωρα προβλήματα;
03:37
On frequent, high-volume tasks, machines are getting smarter and smarter.
68
217975
4035
Στις συχνές εργασίες μεγάλου όγκου, οι μηχανές γίνονται όλο και εξυπνότερες.
03:42
Today they grade essays. They diagnose certain diseases.
69
222034
2714
Σήμερα διορθώνουν εκθέσεις, διαγιγνώσκουν ορισμένες ασθένειες.
03:44
Over coming years, they're going to conduct our audits,
70
224772
3157
Σε μερικά χρόνια θα αναλάβουν λογιστικούς ελέγχους
03:47
and they're going to read boilerplate from legal contracts.
71
227953
2967
και θα αναγνωρίζουν ορολογίες από νομικά συμβόλαια.
03:50
Accountants and lawyers are still needed.
72
230944
1997
Θα χρειαζόμαστε λογιστές και δικηγόρους.
03:52
They're going to be needed for complex tax structuring,
73
232965
2682
Θα χρειάζονται για περίπλοκες φορολογικές δηλώσεις
03:55
for pathbreaking litigation.
74
235671
1357
ή μια εφευρετική αντιπροσώπευση σε δίκη.
03:57
But machines will shrink their ranks
75
237052
1717
Αλλά θα μειωθούν
03:58
and make these jobs harder to come by.
76
238793
1872
και θα 'ναι πιο δυσεύρετες εργασίες.
04:00
Now, as mentioned,
77
240689
1151
Όπως είπαμε
04:01
machines are not making progress on novel situations.
78
241864
2949
οι μηχανές δεν ανταπεξέρχονται σε πρωτόγνωρα προβλήματα.
04:04
The copy behind a marketing campaign needs to grab consumers' attention.
79
244837
3457
Μια διαφημιστική καμπάνια πρέπει να τραβήξει το ενδιαφέρον.
04:08
It has to stand out from the crowd.
80
248318
1715
Να ξεχωρίσει από το πλήθος.
04:10
Business strategy means finding gaps in the market,
81
250057
2444
Μια επιχειρηματική στρατηγική βρίσκει κενά στην αγορά
04:12
things that nobody else is doing.
82
252525
1756
κάτι που κανένας άλλος δεν κάνει.
04:14
It will be humans that are creating the copy behind our marketing campaigns,
83
254305
4118
Οι άνθρωποι θα σχεδιάζουν τις διαφημιστικές καμπάνιες
04:18
and it will be humans that are developing our business strategy.
84
258447
3517
και οι άνθρωποι θα αναπτύσσουν την επιχειρηματική στρατηγική.
04:21
So Yahli, whatever you decide to do,
85
261988
2817
Οπότε Γιάλι, ό,τι και αν κάνεις
04:24
let every day bring you a new challenge.
86
264829
2361
προσπάθησε κάθε μέρα να αντιμετωπίζεις μια καινούρια πρόκληση.
04:27
If it does, then you will stay ahead of the machines.
87
267587
2809
Αν το καταφέρεις, θα είσαι ένα βήμα μπροστά από τις μηχανές.
04:31
Thank you.
88
271126
1176
Ευχαριστώ.
04:32
(Applause)
89
272326
3104
Σχετικά με αυτόν τον ιστότοπο

Αυτός ο ιστότοπος θα σας παρουσιάσει βίντεο στο YouTube που είναι χρήσιμα για την εκμάθηση της αγγλικής γλώσσας. Θα δείτε μαθήματα αγγλικών που διδάσκουν κορυφαίοι καθηγητές από όλο τον κόσμο. Κάντε διπλό κλικ στους αγγλικούς υπότιτλους που εμφανίζονται σε κάθε σελίδα βίντεο για να αναπαράγετε το βίντεο από εκεί. Οι υπότιτλοι μετακινούνται συγχρονισμένα με την αναπαραγωγή του βίντεο. Εάν έχετε οποιαδήποτε σχόλια ή αιτήματα, παρακαλούμε επικοινωνήστε μαζί μας χρησιμοποιώντας αυτή τη φόρμα επικοινωνίας.

https://forms.gle/WvT1wiN1qDtmnspy7