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

605,396 views ・ 2016-08-31

TED


A videó lejátszásához kattintson duplán az alábbi angol feliratokra.

Fordító: Beatrix Turán Lektor: Zsuzsanna Lőrincz
00:12
So this is my niece.
0
12968
1262
Ő itt az unokahúgom.
00:14
Her name is Yahli.
1
14644
1535
Yahlinak hívják.
00:16
She is nine months old.
2
16203
1511
Yahli kilenc hónapos.
00:18
Her mum is a doctor, and her dad is a lawyer.
3
18201
2528
Az édesanyja orvos, az édesapja ügyvéd.
Mire Yahli egyetemista lesz,
00:21
By the time Yahli goes to college,
4
21269
2006
00:23
the jobs her parents do are going to look dramatically different.
5
23299
3253
A munka, amit a szülei végeznek, teljesen másként fest majd.
00:27
In 2013, researchers at Oxford University did a study on the future of work.
6
27347
5073
Az Oxfordi Egyetem tudósai 2013-ban kutatást végeztek a munka jövőjéről.
00:32
They concluded that almost one in every two jobs have a high risk
7
32766
4139
Arra jutottak, hogy szinte minden második foglalkozást az a veszély fenyegeti,
00:36
of being automated by machines.
8
36929
1824
hogy gépek veszik át az emberek helyét.
00:40
Machine learning is the technology
9
40388
1905
Ezért a nyugtalanító fejleményért
00:42
that's responsible for most of this disruption.
10
42317
2278
leginkább a gépi tanulás technológiája felelős.
00:44
It's the most powerful branch of artificial intelligence.
11
44619
2790
A gépi tanulás a mesterséges értelem legfejlettebb ága:
00:47
It allows machines to learn from data
12
47433
1882
lehetővé teszi, hogy a gépek tanuljanak
00:49
and mimic some of the things that humans can do.
13
49339
2592
és utánozzanak bizonyos emberi tevékenységeket.
00:51
My company, Kaggle, operates on the cutting edge of machine learning.
14
51955
3415
A cégem, a Kaggle, a gépi tanulás világának élvonalába tartozik.
00:55
We bring together hundreds of thousands of experts
15
55394
2386
A Kaggle közössége szakértők százezreit tömöríti,
00:57
to solve important problems for industry and academia.
16
57804
3118
akik az ipar és a tudomány nagy problémáinak megoldásán dolgoznak.
01:01
This gives us a unique perspective on what machines can do,
17
61279
3222
Kivételes rálátásunk van tehát arra, hogy mire képesek a gépek,
01:04
what they can't do
18
64525
1235
és mire nem,
01:05
and what jobs they might automate or threaten.
19
65784
2939
és hogy mely munkákat automatizálhatnak és veszélyeztethetnek.
01:09
Machine learning started making its way into industry in the early '90s.
20
69316
3550
A gépi tanulás a 90-es évek elején kezdett teret hódítani.
01:12
It started with relatively simple tasks.
21
72890
2124
Egyszerű feladatokkal indult az egész.
01:15
It started with things like assessing credit risk from loan applications,
22
75406
4115
Például gépek bírálták el a hitelkérelmek kockázatát,
01:19
sorting the mail by reading handwritten characters from zip codes.
23
79545
4053
vagy kézzel írt irányítószámok alapján szortírozták a leveleket.
01:24
Over the past few years, we have made dramatic breakthroughs.
24
84036
3169
Az elmúlt néhány évben aztán sorra jöttek a nagy áttörések.
01:27
Machine learning is now capable of far, far more complex tasks.
25
87586
3916
A gépi tanulás technológiája ma már jóval összetettebb feladatokkal is megbirkózik.
01:31
In 2012, Kaggle challenged its community
26
91860
3231
A Kaggle 2012-ben azt a kihívást állította a közösség elé,
01:35
to build an algorithm that could grade high-school essays.
27
95115
3189
hogy írjanak egy programot, amely iskolai fogalmazásokat osztályoz.
01:38
The winning algorithms were able to match the grades
28
98328
2604
A győztes programok ugyanolyan osztályzatokat adtak,
01:40
given by human teachers.
29
100956
1665
mint a középiskolai tanárok.
01:43
Last year, we issued an even more difficult challenge.
30
103092
2984
2015-ben még nehezebb feladattal álltunk elő:
01:46
Can you take images of the eye and diagnose an eye disease
31
106100
2953
Képes-e egy program fényképek alapján diagnosztizálni
01:49
called diabetic retinopathy?
32
109077
1694
a diabéteszes retinopátiát?
01:51
Again, the winning algorithms were able to match the diagnoses
33
111164
4040
A nyertes programok képesek voltak ugyanazt a diagnózist felállítani,
01:55
given by human ophthalmologists.
34
115228
1825
mint a szemész szakorvosok.
01:57
Now, given the right data, machines are going to outperform humans
35
117561
3212
A megfelelő adatok birtokában a gépek jobban teljesítenek nálunk
02:00
at tasks like this.
36
120797
1165
az efféle feladatokban.
02:01
A teacher might read 10,000 essays over a 40-year career.
37
121986
3992
Tegyük fel, hogy egy tanár elolvas 10 000 fogalmazást a pályafutása során,
02:06
An ophthalmologist might see 50,000 eyes.
38
126407
2360
egy szemorvos pedig megvizsgál 50 000 szemet.
02:08
A machine can read millions of essays or see millions of eyes
39
128791
3913
Egy gép esszék millióit képes elolvasni, és szemek millióit képes megvizsgálni
02:12
within minutes.
40
132728
1276
alig néhány perc alatt.
02:14
We have no chance of competing against machines
41
134456
2858
Gyakori és nagy volumenű feladatok esetében
02:17
on frequent, high-volume tasks.
42
137338
2321
nincs esélyünk a gépekkel szemben
02:20
But there are things we can do that machines can't do.
43
140665
3724
De van, amire csak mi, emberek vagyunk képesek, a gépek viszont nem.
02:24
Where machines have made very little progress
44
144791
2200
A gépek nagyon keveset fejlődtek
02:27
is in tackling novel situations.
45
147015
1854
az új helyzetek kezelésében,
02:28
They can't handle things they haven't seen many times before.
46
148893
3899
és nem tudnak mit kezdeni olyasmivel, amivel nem találkoztak korábban sokszor.
02:33
The fundamental limitations of machine learning
47
153321
2584
A gépi tanulás alapvető korlátja az,
02:35
is that it needs to learn from large volumes of past data.
48
155929
3394
hogy a gépek csak a korábbi adatok tömkelegéből képesek tanulni.
02:39
Now, humans don't.
49
159347
1754
Az embereknél ez nem így van.
02:41
We have the ability to connect seemingly disparate threads
50
161125
3030
Mi össze tudunk kötni látszólag különálló szálakat,
02:44
to solve problems we've never seen before.
51
164179
2238
hogy teljesen új problémákat oldjunk meg.
02:46
Percy Spencer was a physicist working on radar during World War II,
52
166808
4411
A fizikus, Percy Spencer egy radar mellett dolgozott a II. világháborúban,
02:51
when he noticed the magnetron was melting his chocolate bar.
53
171243
3013
és feltűnt neki, hogy a magnetron megolvasztotta a csokoládéját.
02:54
He was able to connect his understanding of electromagnetic radiation
54
174970
3295
Spencer összekapcsolta a tudását az elektromágneses sugárzásról
02:58
with his knowledge of cooking
55
178289
1484
és a főzésről,
02:59
in order to invent -- any guesses? -- the microwave oven.
56
179797
3258
és feltalálta – vajon mit? A mikrohullámú sütőt.
03:03
Now, this is a particularly remarkable example of creativity.
57
183444
3073
Ez persze a kreativitás különösen figyelemreméltó példája.
03:06
But this sort of cross-pollination happens for each of us in small ways
58
186541
3664
Ám ehhez hasonló inspirációt naponta ezernyi alkalommal
03:10
thousands of times per day.
59
190229
1828
tapasztalunk mindannyian.
03:12
Machines cannot compete with us
60
192501
1661
A gépeknek nincs esélyük,
03:14
when it comes to tackling novel situations,
61
194186
2251
ha új helyzetek kezeléséről van szó,
03:16
and this puts a fundamental limit on the human tasks
62
196461
3117
ez pedig behatárolja azoknak az emberi tevékenységeknek a körét,
03:19
that machines will automate.
63
199602
1717
amelyeket a gépek átvesznek majd.
03:22
So what does this mean for the future of work?
64
202041
2405
Hogy mindez mit jelent a munka jövőjére nézve?
03:24
The future state of any single job lies in the answer to a single question:
65
204804
4532
Minden egyes foglalkozás jövője eldönthető egyetlen kérdés megválaszolásával:
03:29
To what extent is that job reducible to frequent, high-volume tasks,
66
209360
4981
Milyen mértékben áll az adott munka gyakori, nagy volumenű feladatokból,
03:34
and to what extent does it involve tackling novel situations?
67
214365
3253
és milyen mértékben igényli új helyzetek kezelését?
03:37
On frequent, high-volume tasks, machines are getting smarter and smarter.
68
217975
4035
A gépek egyre ügyesebben birkóznak meg a gyakori, nagy volumenű feladatokkal.
03:42
Today they grade essays. They diagnose certain diseases.
69
222034
2714
Ma fogalmazásokat osztályoznak és betegségeket diagnosztizálnak.
03:44
Over coming years, they're going to conduct our audits,
70
224772
3157
Az évek múlásával gépek fogják végezni a felülvizsgálatokat,
03:47
and they're going to read boilerplate from legal contracts.
71
227953
2967
és gépek fogják beemelni a szerződések szabványszövegeit.
03:50
Accountants and lawyers are still needed.
72
230944
1997
De szükség lesz számvivőkre és jogászokra
03:52
They're going to be needed for complex tax structuring,
73
232965
2682
a bonyolult adórendszerek kezeléséhez,
03:55
for pathbreaking litigation.
74
235671
1357
vagy új peres eljárásokhoz.
03:57
But machines will shrink their ranks
75
237052
1717
De egyre kevésbé lesz rájuk szükség,
03:58
and make these jobs harder to come by.
76
238793
1872
és nehezebb lesz ilyen munkát találni.
04:00
Now, as mentioned,
77
240689
1151
Ahogy már mondtam,
04:01
machines are not making progress on novel situations.
78
241864
2949
a gépek nem jeleskednek az új helyzetek kezelésében.
04:04
The copy behind a marketing campaign needs to grab consumers' attention.
79
244837
3457
Egy reklámkampány szövegének fel kell keltenie a fogyasztók figyelmét,
04:08
It has to stand out from the crowd.
80
248318
1715
és ki kell tűnnie a tömegből.
04:10
Business strategy means finding gaps in the market,
81
250057
2444
Az üzleti tervek a piaci rések feltárására épülnek,
04:12
things that nobody else is doing.
82
252525
1756
olyasmire, amit más még nem csinál.
04:14
It will be humans that are creating the copy behind our marketing campaigns,
83
254305
4118
A reklámkampányok szövegét tehát továbbra is emberek fogják írni,
04:18
and it will be humans that are developing our business strategy.
84
258447
3517
és emberek fogják kidolgozni az üzleti terveket.
04:21
So Yahli, whatever you decide to do,
85
261988
2817
Így hát, Yahli, bármit is csinálsz majd,
04:24
let every day bring you a new challenge.
86
264829
2361
hozzon minden napod új kihívást.
04:27
If it does, then you will stay ahead of the machines.
87
267587
2809
Ha így lesz, előnyben leszel a gépekkel szemben.
04:31
Thank you.
88
271126
1176
Köszönöm.
04:32
(Applause)
89
272326
3104
(Taps.)
Erről a weboldalról

Ez az oldal olyan YouTube-videókat mutat be, amelyek hasznosak az angol nyelvtanuláshoz. A világ minden tájáról származó, kiváló tanárok által tartott angol leckéket láthatsz. Az egyes videók oldalán megjelenő angol feliratokra duplán kattintva onnan játszhatja le a videót. A feliratok a videó lejátszásával szinkronban gördülnek. Ha bármilyen észrevétele vagy kérése van, kérjük, lépjen kapcsolatba velünk ezen a kapcsolatfelvételi űrlapon.

https://forms.gle/WvT1wiN1qDtmnspy7