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

Translator: hadi oradi Reviewer: Farnaz Saghafi

So this is my niece.

این خواهرزاده من است.

Her name is Yahli.

نام او یاهلی است.

She is nine months old.

نُه ماهه است.

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

مادر او دکتر، و پدرش وکیل است.

By the time Yahli goes to college,

تا زمان کالج رفتن یاهلی،

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

شغل پدر و مادرش بطور چشمگیری متفاوت به نظرخواهد رسید.

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

در سال ۲۰۱۳، محققان دانشگاه آکسفورد مطالعه ای در مورد آینده کار انجام دادند.

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

آنها نتیجه گرفتند که تقریبا از هر دو شغل یکی در معرض ریسک بالایی است

of being automated by machines.

که توسط ماشین آلات بصورت اتوماتیک انجام می شود.

Machine learning is the technology

دانش ماشین، فن آوری است

that's responsible for most of this disruption.

که مسئول اغلب این اختلال است.

It's the most powerful branch of artificial intelligence.

این قوی ترین شاخه هوش مصنوعی است.

It allows machines to learn from data

به ماشین آلات اجازه می دهد که از داده ها یاد بگیرند

and mimic some of the things that humans can do.

و برخی چیزهایی که انسان می تواند انجام دهد را تقلید کنند.

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

شرکت من، کاگل، بر روی آخرین فن آوریهای دانش ماشین کار می کند.

We bring together hundreds of thousands of experts

صدها هزار کارشناس را گرد هم آوردیم

to solve important problems for industry and academia.

برای حل مشکلات مهم صنعت و دانشگاه.

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

این دیدگاه منحصر به فردی به ما می دهد از آنچه ماشین آلات می توانند انجام دهند،

what they can't do

آنچه نمی توانند انجام دهند،

and what jobs they might automate or threaten.

و چه شغل هایی احتمالا بطور اتوماتیک انجام شده و یا در معرض خطرند.

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

دانش ماشین در اوایل دهه ۹۰ راه خود را به سوی صنعت بازکرد.

It started with relatively simple tasks.

با وظایف نسبتا ساده آغاز شد.

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

چیزهایی مانند ارزیابی ریسک اعتباری درخواست وام،

sorting the mail by reading handwritten characters from zip codes.

مرتب سازی نامه ها با خواندن کد پستی هایی که با دست نوشته شدند.

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

در طول چند سال گذشته، پیشرفت های چشمگیری را ایجاد کرده ایم.

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

در حال حاضر دانش ماشین آلات در حد انجام امور خیلی پیچیده تری است.

In 2012, Kaggle challenged its community

در سال ۲۰۱۲، کاگل ، گروهش را

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

برای ساخت یک الگوریتم که بتواند مقالات دبیرستان را رتبه بندی کند به چالش کشید.

The winning algorithms were able to match the grades

الگوریتم های برنده قادر به مطابقت با نمراتی بودند

given by human teachers.

که توسط معلم های شخصی داده شده بود.

Last year, we issued an even more difficult challenge.

سال گذشته، چالشی سخت تر منتشر کردیم.

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

می تونید از چشم عکس هایی گرفته و بیماری چشمی

called diabetic retinopathy?

بنام رتینوپاتی دیابتی را تشخیص دهید؟

Again, the winning algorithms were able to match the diagnoses

باز هم، الگوریتم های برنده قادر به مطابقت با تشخیص

given by human ophthalmologists.

ارایه شده توسط چشم پزشکان انسان بودند.

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

در حال حاضر، با ارایه داده های صحیح، ماشین ها در انجام وظایفی این چنین

at tasks like this.

از انسانها بهتر عمل خواهند کرد.

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

یک معلم ممکن است ۱۰,۰۰۰ مقاله را در طول ۴۰ سال حرفه ای خود بخواند.

An ophthalmologist might see 50,000 eyes.

چشم پزشکی ممکن است ۵۰,۰۰۰ چشم ببیند.

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

ماشین می تواند در یک دقیقه میلیون ها مقالات بخواند

و یا میلیون ها چشم ببیند.

within minutes.

We have no chance of competing against machines

هیچ شانسی برای رقابت با ماشین

on frequent, high-volume tasks.

در تکرار و وظایفی با حجم بالا نداریم.

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

اما چیزهایی هست که ما می توانیم انجام دهیم ولی ماشین ازانجام آن ناتوان است.

Where machines have made very little progress

جایی که ماشین ها پیشرفت چندانی نداشته اند،

is in tackling novel situations.

در مقابله با موقعیت های جدید است.

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

آنها نمی توانند از پس چیزهای که قبلا چندین بار مشاهده نکردند بربیایند.

The fundamental limitations of machine learning

یکی از محدودیت های اساسی دانش ماشین

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

نیاز به حجم بالای اطلاعات گذشته برای یادگیری است.

Now, humans don't.

در حال حاضر، انسان نیازی ندارد.

We have the ability to connect seemingly disparate threads

در حال حاضر ما توانایی اتصال موضوعات ظاهرا گسسته

برای حل مشکلاتی که قبلا با آنها روبرو نبودیم را داریم.

to solve problems we've never seen before.

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

پرسی اسپنسر فیزیکدانی که در طول جنگ جهانی دوم بر روی رادار کار می کرد،

when he noticed the magnetron was melting his chocolate bar.

متوجه ذوب شدن شکلاتش توسط مگنترون شد.

He was able to connect his understanding of electromagnetic radiation

او قادر به ارتباط درک خود ازتابش الکترومغناطیسی

with his knowledge of cooking

با دانش خود از آشپزی

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

به منظور اختراع - حدس بزنید؟ - اجاق مایکروویو شد.

Now, this is a particularly remarkable example of creativity.

در حال حاضر، نمونه ای بخصوص از خلاقیت منحصربفرد است.

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

اما این نوع از اتفاقات برای هر یک از ما در مقیاس های کوچکتر

thousands of times per day.

هزاران بار در روز رخ می دهد.

Machines cannot compete with us

ماشین ها در مقابله با شرایط جدید نمی توانند با ما رقابت کنند،

when it comes to tackling novel situations,

and this puts a fundamental limit on the human tasks

و این موضوع محدودیت اساسی

برای انجام اتوماتیک کارهای انسانی

that machines will automate.

توسط ماشین آلات بوجود می آورد.

So what does this mean for the future of work?

خوب برای آینده کار این به چه معنا است؟

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

آینده هر شغل مستقلی در پاسخ به این سوال می باشد:

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

تا چه حد این کار قابل تقلیل از نظر تکرار و وظایف با حجم بالا می باشد،

and to what extent does it involve tackling novel situations?

و تا چه حد آن می تواند با وضعیت های نو مقابله کند؟

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

در وضعیت های تکرار و وظایف با حجم بالا، ماشین ها هوشمندانه تر می شوند.

Today they grade essays. They diagnose certain diseases.

امروزه آنها مقالات را امتیاز می دهند. بیماری های خاص را تشخیص می دهد.

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

و در سالهای پیش رو، به سمت ممیزیها هدایت می شوند،

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

و تکیه کلامهای قراردادهای قانونی را خواهند خواند.

Accountants and lawyers are still needed.

حسابداران و وکلا هنوز هم مورد نیاز هستند.

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

آنها برای ساختارهای پیچیده مالی مورد نیاز خواهند بود،

for pathbreaking litigation.

برای اصلاح مسیر دادخواهی.

But machines will shrink their ranks

اما ماشین رتبه بندی آنها را تقلیل خواهد کرد

and make these jobs harder to come by.

و این کارها مشکل تر خواهند شد.

Now, as mentioned,

در حال حاضر ، همان طور که اشاره شد،

machines are not making progress on novel situations.

ماشین آلات در مواجهه با شرایط جدید، پیشرفت خاصی نمی کنند.

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

عکس پشت یک کمپین بازاریابی، نیاز به جلب توجه مصرف کنندگان دارد.

It has to stand out from the crowd.

نیاز به خاص بودن دارد.

Business strategy means finding gaps in the market,

استراتژی بازار یعنی پیدا کردن شکاف ها در بازار،

things that nobody else is doing.

چیزهایی که کسی دیگر انجام نداده است.

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

آن انسانهایی خواهند بود که عکس پشت کمپین بازاریابی ما را خلق می کنند،

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

و افرادی خواهند بود که در حال توسعه استراتژی کسب و کار ما هستند.

So Yahli, whatever you decide to do,

پس یاهلی، هر تصمیمی که می خواهی انجام دهی،

let every day bring you a new challenge.

اجازه بده تورو به سمت چالشی جدید سوق دهد.

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

اگر اینچنین باشد، اونوقت تو همیشه از ماشین جلوتر خواهی بود.

Thank you.

متشکرم.

(Applause)

(تشویق )