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

Fordító: Beatrix Turán Lektor: Zsuzsanna Lőrincz

So this is my niece.

Ő itt az unokahúgom.

Her name is Yahli.

Yahlinak hívják.

She is nine months old.

Yahli kilenc hónapos.

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

Az édesanyja orvos, az édesapja ügyvéd.

Mire Yahli egyetemista lesz,

By the time Yahli goes to college,

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

A munka, amit a szülei végeznek, teljesen másként fest majd.

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

Az Oxfordi Egyetem tudósai 2013-ban kutatást végeztek a munka jövőjéről.

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

Arra jutottak, hogy szinte minden második foglalkozást az a veszély fenyegeti,

of being automated by machines.

hogy gépek veszik át az emberek helyét.

Machine learning is the technology

Ezért a nyugtalanító fejleményért

that's responsible for most of this disruption.

leginkább a gépi tanulás technológiája felelős.

It's the most powerful branch of artificial intelligence.

A gépi tanulás a mesterséges értelem legfejlettebb ága:

It allows machines to learn from data

lehetővé teszi, hogy a gépek tanuljanak

and mimic some of the things that humans can do.

és utánozzanak bizonyos emberi tevékenységeket.

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

A cégem, a Kaggle, a gépi tanulás világának élvonalába tartozik.

We bring together hundreds of thousands of experts

A Kaggle közössége szakértők százezreit tömöríti,

to solve important problems for industry and academia.

akik az ipar és a tudomány nagy problémáinak megoldásán dolgoznak.

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

Kivételes rálátásunk van tehát arra, hogy mire képesek a gépek,

what they can't do

és mire nem,

and what jobs they might automate or threaten.

és hogy mely munkákat automatizálhatnak és veszélyeztethetnek.

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

A gépi tanulás a 90-es évek elején kezdett teret hódítani.

It started with relatively simple tasks.

Egyszerű feladatokkal indult az egész.

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

Például gépek bírálták el a hitelkérelmek kockázatát,

sorting the mail by reading handwritten characters from zip codes.

vagy kézzel írt irányítószámok alapján szortírozták a leveleket.

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

Az elmúlt néhány évben aztán sorra jöttek a nagy áttörések.

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

A gépi tanulás technológiája ma már jóval összetettebb feladatokkal is megbirkózik.

In 2012, Kaggle challenged its community

A Kaggle 2012-ben azt a kihívást állította a közösség elé,

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

hogy írjanak egy programot, amely iskolai fogalmazásokat osztályoz.

The winning algorithms were able to match the grades

A győztes programok ugyanolyan osztályzatokat adtak,

given by human teachers.

mint a középiskolai tanárok.

Last year, we issued an even more difficult challenge.

2015-ben még nehezebb feladattal álltunk elő:

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

Képes-e egy program fényképek alapján diagnosztizálni

called diabetic retinopathy?

a diabéteszes retinopátiát?

Again, the winning algorithms were able to match the diagnoses

A nyertes programok képesek voltak ugyanazt a diagnózist felállítani,

given by human ophthalmologists.

mint a szemész szakorvosok.

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

A megfelelő adatok birtokában a gépek jobban teljesítenek nálunk

at tasks like this.

az efféle feladatokban.

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

Tegyük fel, hogy egy tanár elolvas 10 000 fogalmazást a pályafutása során,

An ophthalmologist might see 50,000 eyes.

egy szemorvos pedig megvizsgál 50 000 szemet.

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

Egy gép esszék millióit képes elolvasni, és szemek millióit képes megvizsgálni

within minutes.

alig néhány perc alatt.

We have no chance of competing against machines

Gyakori és nagy volumenű feladatok esetében

on frequent, high-volume tasks.

nincs esélyünk a gépekkel szemben

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

De van, amire csak mi, emberek vagyunk képesek, a gépek viszont nem.

Where machines have made very little progress

A gépek nagyon keveset fejlődtek

is in tackling novel situations.

az új helyzetek kezelésében,

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

és nem tudnak mit kezdeni olyasmivel, amivel nem találkoztak korábban sokszor.

The fundamental limitations of machine learning

A gépi tanulás alapvető korlátja az,

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

hogy a gépek csak a korábbi adatok tömkelegéből képesek tanulni.

Now, humans don't.

Az embereknél ez nem így van.

We have the ability to connect seemingly disparate threads

Mi össze tudunk kötni látszólag különálló szálakat,

to solve problems we've never seen before.

hogy teljesen új problémákat oldjunk meg.

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

A fizikus, Percy Spencer egy radar mellett dolgozott a II. világháborúban,

when he noticed the magnetron was melting his chocolate bar.

és feltűnt neki, hogy a magnetron megolvasztotta a csokoládéját.

He was able to connect his understanding of electromagnetic radiation

Spencer összekapcsolta a tudását az elektromágneses sugárzásról

with his knowledge of cooking

és a főzésről,

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

és feltalálta – vajon mit? A mikrohullámú sütőt.

Now, this is a particularly remarkable example of creativity.

Ez persze a kreativitás különösen figyelemreméltó példája.

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

Ám ehhez hasonló inspirációt naponta ezernyi alkalommal

thousands of times per day.

tapasztalunk mindannyian.

Machines cannot compete with us

A gépeknek nincs esélyük,

when it comes to tackling novel situations,

ha új helyzetek kezeléséről van szó,

and this puts a fundamental limit on the human tasks

ez pedig behatárolja azoknak az emberi tevékenységeknek a körét,

that machines will automate.

amelyeket a gépek átvesznek majd.

So what does this mean for the future of work?

Hogy mindez mit jelent a munka jövőjére nézve?

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

Minden egyes foglalkozás jövője eldönthető egyetlen kérdés megválaszolásával:

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

Milyen mértékben áll az adott munka gyakori, nagy volumenű feladatokból,

and to what extent does it involve tackling novel situations?

és milyen mértékben igényli új helyzetek kezelését?

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

A gépek egyre ügyesebben birkóznak meg a gyakori, nagy volumenű feladatokkal.

Today they grade essays. They diagnose certain diseases.

Ma fogalmazásokat osztályoznak és betegségeket diagnosztizálnak.

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

Az évek múlásával gépek fogják végezni a felülvizsgálatokat,

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

és gépek fogják beemelni a szerződések szabványszövegeit.

Accountants and lawyers are still needed.

De szükség lesz számvivőkre és jogászokra

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

a bonyolult adórendszerek kezeléséhez,

for pathbreaking litigation.

vagy új peres eljárásokhoz.

But machines will shrink their ranks

De egyre kevésbé lesz rájuk szükség,

and make these jobs harder to come by.

és nehezebb lesz ilyen munkát találni.

Now, as mentioned,

Ahogy már mondtam,

machines are not making progress on novel situations.

a gépek nem jeleskednek az új helyzetek kezelésében.

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

Egy reklámkampány szövegének fel kell keltenie a fogyasztók figyelmét,

It has to stand out from the crowd.

és ki kell tűnnie a tömegből.

Business strategy means finding gaps in the market,

Az üzleti tervek a piaci rések feltárására épülnek,

things that nobody else is doing.

olyasmire, amit más még nem csinál.

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

A reklámkampányok szövegét tehát továbbra is emberek fogják írni,

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

és emberek fogják kidolgozni az üzleti terveket.

So Yahli, whatever you decide to do,

Így hát, Yahli, bármit is csinálsz majd,

let every day bring you a new challenge.

hozzon minden napod új kihívást.

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

Ha így lesz, előnyben leszel a gépekkel szemben.

Thank you.

Köszönöm.

(Applause)

(Taps.)