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


Veuillez double-cliquer sur les sous-titres anglais ci-dessous pour lire la vidéo.

Traducteur: Morgane Quilfen Relecteur: Thomas Prigent
00:12
So this is my niece.
0
12968
1262
Voici ma nièce.
00:14
Her name is Yahli.
1
14644
1535
Elle s'appelle Yahli.
00:16
She is nine months old.
2
16203
1511
Elle a neuf mois.
00:18
Her mum is a doctor, and her dad is a lawyer.
3
18201
2528
Sa mère est médecin et son père est avocat.
00:21
By the time Yahli goes to college,
4
21269
2006
D'ici à ce que Yahli aille à l'université,
00:23
the jobs her parents do are going to look dramatically different.
5
23299
3253
les emplois de ses parents auront dramatiquement changé.
00:27
In 2013, researchers at Oxford University did a study on the future of work.
6
27347
5073
En 2013, des chercheurs de l'université d'Oxford
ont fait une étude sur l'avenir du travail.
00:32
They concluded that almost one in every two jobs have a high risk
7
32766
4139
Ils ont conclu que près d'un emploi sur deux avait de forts risques
00:36
of being automated by machines.
8
36929
1824
d'être automatisé grâce aux machines.
00:40
Machine learning is the technology
9
40388
1905
L'apprentissage automatique
est la technologie responsable de ces disruptions.
00:42
that's responsible for most of this disruption.
10
42317
2278
00:44
It's the most powerful branch of artificial intelligence.
11
44619
2790
C'est l'intelligence artificielle la plus puissante.
00:47
It allows machines to learn from data
12
47433
1882
Elle permet aux machines d'apprendre
00:49
and mimic some of the things that humans can do.
13
49339
2592
et d'imiter certains comportements humains.
00:51
My company, Kaggle, operates on the cutting edge of machine learning.
14
51955
3415
Mon entreprise, Kaggle, opère à la pointe de l'apprentissage automatique.
00:55
We bring together hundreds of thousands of experts
15
55394
2386
Nous réunissons des centaines de milliers d'experts
00:57
to solve important problems for industry and academia.
16
57804
3118
pour résoudre d'importants problèmes industriels et académiques.
01:01
This gives us a unique perspective on what machines can do,
17
61279
3222
Cela nous offre un aperçu unique de ce que les machines peuvent faire,
01:04
what they can't do
18
64525
1235
ne peuvent pas faire
01:05
and what jobs they might automate or threaten.
19
65784
2939
et quels emplois elles pourraient automatiser ou menacer.
01:09
Machine learning started making its way into industry in the early '90s.
20
69316
3550
L'apprentissage automatique a débuté au début des années 1990.
01:12
It started with relatively simple tasks.
21
72890
2124
Au début, les tâches étaient assez simples :
01:15
It started with things like assessing credit risk from loan applications,
22
75406
4115
évaluer les risques relatifs aux demandeurs de crédit,
01:19
sorting the mail by reading handwritten characters from zip codes.
23
79545
4053
trier le courrier en lisant les codes postaux manuscrits.
01:24
Over the past few years, we have made dramatic breakthroughs.
24
84036
3169
Ces dernières années, nous avons fait des avancées spectaculaires.
01:27
Machine learning is now capable of far, far more complex tasks.
25
87586
3916
L'apprentissage automatique permet d'effectuer des tâches plus complexes.
01:31
In 2012, Kaggle challenged its community
26
91860
3231
En 2012, Kaggle a défié sa communauté
01:35
to build an algorithm that could grade high-school essays.
27
95115
3189
de créer un algorithme pouvant noter les dissertations de lycéens.
01:38
The winning algorithms were able to match the grades
28
98328
2604
Les algorithmes gagnants pouvaient égaler les notes
01:40
given by human teachers.
29
100956
1665
données par des professeurs.
01:43
Last year, we issued an even more difficult challenge.
30
103092
2984
L'année dernière, le défi était encore plus difficile.
01:46
Can you take images of the eye and diagnose an eye disease
31
106100
2953
A partir de photos d'un œil, diagnostiquer une maladie oculaire
01:49
called diabetic retinopathy?
32
109077
1694
du nom de rétinopathie diabétique.
01:51
Again, the winning algorithms were able to match the diagnoses
33
111164
4040
A nouveau, les algorithmes gagnants faisaient les mêmes diagnostics
01:55
given by human ophthalmologists.
34
115228
1825
qu'un ophtalmologiste.
01:57
Now, given the right data, machines are going to outperform humans
35
117561
3212
Avec les bonnes données, les machines peuvent surpasser les humains
02:00
at tasks like this.
36
120797
1165
sur ce genre de tâches.
02:01
A teacher might read 10,000 essays over a 40-year career.
37
121986
3992
Un professeur lit 10 000 dissertations en 40 ans de carrière.
02:06
An ophthalmologist might see 50,000 eyes.
38
126407
2360
Un ophtalmologiste voit 50 000 yeux.
02:08
A machine can read millions of essays or see millions of eyes
39
128791
3913
Une machine peut lire des millions de dissertations,
voir des millions d'yeux
02:12
within minutes.
40
132728
1276
en quelques minutes.
02:14
We have no chance of competing against machines
41
134456
2858
Nous ne pouvons pas concurrencer les machines
02:17
on frequent, high-volume tasks.
42
137338
2321
sur des tâches répétitives et nombreuses.
02:20
But there are things we can do that machines can't do.
43
140665
3724
Mais nous pouvons faire des choses que les machines ne peuvent pas faire.
02:24
Where machines have made very little progress
44
144791
2200
Les machines ont fait peu de progrès
02:27
is in tackling novel situations.
45
147015
1854
dans la gestion de situations nouvelles.
02:28
They can't handle things they haven't seen many times before.
46
148893
3899
Elles ne peuvent pas gérer ce qu'elles n'ont pas déjà vu nombre de fois.
02:33
The fundamental limitations of machine learning
47
153321
2584
La limite fondamentale de l'apprentissage automatique
02:35
is that it needs to learn from large volumes of past data.
48
155929
3394
est la nécessité d'apprendre d'un important volume de données passées.
02:39
Now, humans don't.
49
159347
1754
Ce n'est pas le cas des humains.
02:41
We have the ability to connect seemingly disparate threads
50
161125
3030
Nous pouvons connecter des idées apparemment disparates
02:44
to solve problems we've never seen before.
51
164179
2238
pour résoudre des problèmes jusqu'alors inconnus.
02:46
Percy Spencer was a physicist working on radar during World War II,
52
166808
4411
Pery Spencer, un physicien,
travaillait sur les radars pendant la Seconde Guerre Mondiale
02:51
when he noticed the magnetron was melting his chocolate bar.
53
171243
3013
lorsqu'il a remarqué que le magnétron faisait fondre son chocolat.
02:54
He was able to connect his understanding of electromagnetic radiation
54
174970
3295
Il a pu relier sa compréhension des radiations électromagnétiques
02:58
with his knowledge of cooking
55
178289
1484
à se connaissance de la cuisine
02:59
in order to invent -- any guesses? -- the microwave oven.
56
179797
3258
afin d'inventer -- une idée ? -- le four à micro-ondes.
03:03
Now, this is a particularly remarkable example of creativity.
57
183444
3073
C'est un exemple remarquable de créativité.
03:06
But this sort of cross-pollination happens for each of us in small ways
58
186541
3664
Mais cette pollinisation croisée se produit de plein de façons,
03:10
thousands of times per day.
59
190229
1828
des milliers de fois chaque jour.
03:12
Machines cannot compete with us
60
192501
1661
La machines ne savent pas
03:14
when it comes to tackling novel situations,
61
194186
2251
gérer de nouvelles situations
03:16
and this puts a fundamental limit on the human tasks
62
196461
3117
et cela limite les tâches humaines
03:19
that machines will automate.
63
199602
1717
que les machines automatiseront.
03:22
So what does this mean for the future of work?
64
202041
2405
Qu'est-ce que cela signifie pour le futur du travail ?
03:24
The future state of any single job lies in the answer to a single question:
65
204804
4532
L'état futur de chaque emploi réside dans une seule question :
03:29
To what extent is that job reducible to frequent, high-volume tasks,
66
209360
4981
dans quelle mesure cet emploi peut-il être réduit
à des tâches répétitives et nombreuses ?
03:34
and to what extent does it involve tackling novel situations?
67
214365
3253
Dans quelle mesure nécessite-t-il la gestion de nouvelles situations ?
03:37
On frequent, high-volume tasks, machines are getting smarter and smarter.
68
217975
4035
Pour les tâches répétitives et nombreuses, les machines s'améliorent encore.
03:42
Today they grade essays. They diagnose certain diseases.
69
222034
2714
Elles notent des dissertations et font des diagnostics.
03:44
Over coming years, they're going to conduct our audits,
70
224772
3157
Dans quelques années, elles conduiront nos audits
03:47
and they're going to read boilerplate from legal contracts.
71
227953
2967
et pourront lire des contrats légaux standards.
03:50
Accountants and lawyers are still needed.
72
230944
1997
On aura besoin de comptables, d'avocats.
03:52
They're going to be needed for complex tax structuring,
73
232965
2682
On aura besoin d'eux pour la structuration fiscale complexe,
03:55
for pathbreaking litigation.
74
235671
1357
pour certains contentieux.
03:57
But machines will shrink their ranks
75
237052
1717
Les machines réduiront les rangs
03:58
and make these jobs harder to come by.
76
238793
1872
et rendront ces postes plus rares.
04:00
Now, as mentioned,
77
240689
1151
Comme je l'ai dit,
04:01
machines are not making progress on novel situations.
78
241864
2949
les machines ne progressent pas sur les situations nouvelles.
04:04
The copy behind a marketing campaign needs to grab consumers' attention.
79
244837
3457
Une campagne de promotion devra attirer l'attention des consommateurs.
04:08
It has to stand out from the crowd.
80
248318
1715
Elle devra sortir du lot.
04:10
Business strategy means finding gaps in the market,
81
250057
2444
La stratégie commerciale, c'est percer le marché,
04:12
things that nobody else is doing.
82
252525
1756
faire des choses que personne ne fait.
04:14
It will be humans that are creating the copy behind our marketing campaigns,
83
254305
4118
Ce seront les humains qui créeront ces campagnes de promotion
04:18
and it will be humans that are developing our business strategy.
84
258447
3517
et qui développeront nos stratégies commerciales.
04:21
So Yahli, whatever you decide to do,
85
261988
2817
Yahli, quoi que tu décides de faire,
04:24
let every day bring you a new challenge.
86
264829
2361
que chaque jour t'apporte un nouveau défi.
04:27
If it does, then you will stay ahead of the machines.
87
267587
2809
Si c'est le cas, tu auras de l'avance sur les machines.
04:31
Thank you.
88
271126
1176
Merci.
04:32
(Applause)
89
272326
3104
(Applaudissements)
À propos de ce site Web

Ce site vous présentera des vidéos YouTube utiles pour apprendre l'anglais. Vous verrez des leçons d'anglais dispensées par des professeurs de premier ordre du monde entier. Double-cliquez sur les sous-titres anglais affichés sur chaque page de vidéo pour lire la vidéo à partir de là. Les sous-titres défilent en synchronisation avec la lecture de la vidéo. Si vous avez des commentaires ou des demandes, veuillez nous contacter en utilisant ce formulaire de contact.

https://forms.gle/WvT1wiN1qDtmnspy7