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


Fare doppio clic sui sottotitoli in inglese per riprodurre il video.

Traduttore: Giorgio Ruggieri Revisore: Silvia Fornasiero
00:12
So this is my niece.
0
12968
1262
Questa è mia nipote.
00:14
Her name is Yahli.
1
14644
1535
Si chiama Yahli.
00:16
She is nine months old.
2
16203
1511
Ha nove mesi.
00:18
Her mum is a doctor, and her dad is a lawyer.
3
18201
2528
Sua madre è dottoressa, e suo papà avvocato.
00:21
By the time Yahli goes to college,
4
21269
2006
Quando Yahli andrà all'università,
00:23
the jobs her parents do are going to look dramatically different.
5
23299
3253
i lavori dei suoi genitori saranno notevolmente diversi.
00:27
In 2013, researchers at Oxford University did a study on the future of work.
6
27347
5073
Nel 2013 i ricercatori dell'Università di Oxford
hanno fatto uno studio sul futuro del lavoro.
00:32
They concluded that almost one in every two jobs have a high risk
7
32766
4139
Hanno concluso che almeno un lavoro su due ha un'alta probabilità
00:36
of being automated by machines.
8
36929
1824
di essere automatizzato tramite le macchine.
00:40
Machine learning is the technology
9
40388
1905
L'apprendimento automatico è la tecnologia
00:42
that's responsible for most of this disruption.
10
42317
2278
maggiormente responsabile di questo cambiamento.
00:44
It's the most powerful branch of artificial intelligence.
11
44619
2790
È la branca più potente dell'intelligenza artificiale.
00:47
It allows machines to learn from data
12
47433
1882
Consente alle macchine di imparare dai dati
00:49
and mimic some of the things that humans can do.
13
49339
2592
e imitare alcune delle cose che possono fare gli umani.
00:51
My company, Kaggle, operates on the cutting edge of machine learning.
14
51955
3415
La mia azienda, Kaggle, è all'avanguardia nell'apprendimento automatico.
00:55
We bring together hundreds of thousands of experts
15
55394
2386
Coordiniamo centinaia di migliaia di esperti
00:57
to solve important problems for industry and academia.
16
57804
3118
per risolvere problemi importanti per l'industria e il mondo accademico.
01:01
This gives us a unique perspective on what machines can do,
17
61279
3222
Questo ci dà una prospettiva unica su ciò che le macchine possono fare,
01:04
what they can't do
18
64525
1235
cosa non possono fare
01:05
and what jobs they might automate or threaten.
19
65784
2939
e quali lavori potrebbero automatizzare o minacciare.
01:09
Machine learning started making its way into industry in the early '90s.
20
69316
3550
L'apprendimento automatico è iniziato nell'industria dei primi anni '90.
01:12
It started with relatively simple tasks.
21
72890
2124
È cominciato con compiti relativamente semplici.
01:15
It started with things like assessing credit risk from loan applications,
22
75406
4115
È partito con cose del tipo valutazione dei rischi per le richieste di prestito,
01:19
sorting the mail by reading handwritten characters from zip codes.
23
79545
4053
ordinamento della posta tramite lettura dei codici postali scritti a mano.
Negli ultimi anni abbiamo fatto passi da gigante.
01:24
Over the past few years, we have made dramatic breakthroughs.
24
84036
3169
01:27
Machine learning is now capable of far, far more complex tasks.
25
87586
3916
L'apprendimento automatico ora è capace di compiti molto più complessi.
01:31
In 2012, Kaggle challenged its community
26
91860
3231
Nel 2012 Kaggle ha sfidato la sua comunità
a creare un algoritmo che possa valutare i compiti delle superiori.
01:35
to build an algorithm that could grade high-school essays.
27
95115
3189
01:38
The winning algorithms were able to match the grades
28
98328
2604
Gli algoritmi vincitori riuscivano a dare gli stessi voti
01:40
given by human teachers.
29
100956
1665
dati dagli insegnanti umani.
01:43
Last year, we issued an even more difficult challenge.
30
103092
2984
L'anno scorso, abbiamo affrontato una sfida più difficile.
Potete prendere immagini di un occhio e diagnosticare una malattia
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
chiamata retinopatia diabetica?
Di nuovo, gli algoritmi vincitori erano in grado di fornire
01:51
Again, the winning algorithms were able to match the diagnoses
33
111164
4040
la stessa diagnosi dell'oculista.
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
Con i dati giusti, le macchine avranno prestazioni migliori dell'uomo
02:00
at tasks like this.
36
120797
1165
in compiti come questo.
02:01
A teacher might read 10,000 essays over a 40-year career.
37
121986
3992
Un insegnante può leggere 10 000 compiti in 40 anni di carriera.
02:06
An ophthalmologist might see 50,000 eyes.
38
126407
2360
Un ottico può vedere 50 000 occhi.
02:08
A machine can read millions of essays or see millions of eyes
39
128791
3913
La macchina può leggere milioni di compiti o vedere milioni di occhi
02:12
within minutes.
40
132728
1276
in pochi minuti.
02:14
We have no chance of competing against machines
41
134456
2858
Non abbiamo possibilità di competere contro le macchine
02:17
on frequent, high-volume tasks.
42
137338
2321
su compiti ripetitivi con grandi numeri.
02:20
But there are things we can do that machines can't do.
43
140665
3724
Ma ci sono cose che noi possiamo fare e le macchine no.
02:24
Where machines have made very little progress
44
144791
2200
Le macchine hanno fatto pochi progressi
nell'affrontare situazioni nuove.
02:27
is in tackling novel situations.
45
147015
1854
02:28
They can't handle things they haven't seen many times before.
46
148893
3899
Non riescono a gestire cose che non hanno visto molte volte prima.
02:33
The fundamental limitations of machine learning
47
153321
2584
La limitazione fondamentale dell'apprendimento automatico
02:35
is that it needs to learn from large volumes of past data.
48
155929
3394
è che ha bisogno di imparare da grandi volumi di dati passati.
02:39
Now, humans don't.
49
159347
1754
Gli umani no.
02:41
We have the ability to connect seemingly disparate threads
50
161125
3030
Abbiamo la capacità di collegare fili apparentemente diversi
02:44
to solve problems we've never seen before.
51
164179
2238
per risolvere problemi che non abbiamo mai affrontato prima.
02:46
Percy Spencer was a physicist working on radar during World War II,
52
166808
4411
Percy Spencer era un fisico che lavorava sul radar durante la II Guerra Mondiale,
02:51
when he noticed the magnetron was melting his chocolate bar.
53
171243
3013
quando ha notato che il magnetron scioglieva la sua cioccolata.
02:54
He was able to connect his understanding of electromagnetic radiation
54
174970
3295
È riuscito a collegare le conoscenze delle radiazioni elettromagnetiche
02:58
with his knowledge of cooking
55
178289
1484
con la sua conoscenza della cucina
02:59
in order to invent -- any guesses? -- the microwave oven.
56
179797
3258
per inventare -- qualche ipotesi? -- il forno a microonde.
03:03
Now, this is a particularly remarkable example of creativity.
57
183444
3073
Questo è uno spettacolare esempio di creatività.
03:06
But this sort of cross-pollination happens for each of us in small ways
58
186541
3664
Ma questo tipo di innesto accade in piccolo a ognuno di noi
03:10
thousands of times per day.
59
190229
1828
migliaia di volte al giorno.
03:12
Machines cannot compete with us
60
192501
1661
Le macchine non possono competere con noi
03:14
when it comes to tackling novel situations,
61
194186
2251
quando si tratta di affrontare nuove situazioni,
03:16
and this puts a fundamental limit on the human tasks
62
196461
3117
e questo pone un limite fondamentale ai compiti umani
03:19
that machines will automate.
63
199602
1717
che le macchine potranno automatizzare.
Cosa significa questo per il futuro del lavoro?
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
Il futuro di ogni singolo lavoro si basa sulla risposta a una sola domanda:
03:29
To what extent is that job reducible to frequent, high-volume tasks,
66
209360
4981
in che misura quel lavoro si può ridurre a compiti ripetitivi con grandi numeri,
03:34
and to what extent does it involve tackling novel situations?
67
214365
3253
e in che misura comporta affrontare nuove situazioni?
03:37
On frequent, high-volume tasks, machines are getting smarter and smarter.
68
217975
4035
Su compiti ripetitivi con grandi numeri, le macchine sono sempre più intelligenti.
Oggi valutano compiti. Diagnosticano alcune malattie.
03:42
Today they grade essays. They diagnose certain diseases.
69
222034
2714
03:44
Over coming years, they're going to conduct our audits,
70
224772
3157
Col passare degli anni, faranno le nostre verifiche,
03:47
and they're going to read boilerplate from legal contracts.
71
227953
2967
e leggeranno le parti standard dei contratti legali.
03:50
Accountants and lawyers are still needed.
72
230944
1997
C'è ancora bisogno di ragionieri e avvocati
03:52
They're going to be needed for complex tax structuring,
73
232965
2682
per la complessa struttura delle tasse,
per nuovi tipi di controversie.
03:55
for pathbreaking litigation.
74
235671
1357
Ma le macchine serreranno i ranghi
03:57
But machines will shrink their ranks
75
237052
1717
03:58
and make these jobs harder to come by.
76
238793
1872
e renderanno più difficile trovare questi lavori.
04:00
Now, as mentioned,
77
240689
1151
Come ho già detto,
04:01
machines are not making progress on novel situations.
78
241864
2949
le macchine non stanno facendo progressi sulle nuove situazioni.
04:04
The copy behind a marketing campaign needs to grab consumers' attention.
79
244837
3457
Il testo di una campagna pubblicitaria deve catturare i consumatori.
04:08
It has to stand out from the crowd.
80
248318
1715
deve spiccare in mezzo al mucchio.
Strategia commerciale significa trovare spazi nel mercato,
04:10
Business strategy means finding gaps in the market,
81
250057
2444
04:12
things that nobody else is doing.
82
252525
1756
cose che nessun altro sta facendo.
04:14
It will be humans that are creating the copy behind our marketing campaigns,
83
254305
4118
Saranno gli umani che creeranno il testo delle campagne pubblicitarie,
04:18
and it will be humans that are developing our business strategy.
84
258447
3517
e saranno gli umani che svilupperanno le strategie commerciali.
04:21
So Yahli, whatever you decide to do,
85
261988
2817
Quindi Yahli, qualsiasi cosa tu decida di fare,
04:24
let every day bring you a new challenge.
86
264829
2361
lascia che ogni giorno ti presenti una nuova sfida.
04:27
If it does, then you will stay ahead of the machines.
87
267587
2809
Se lo fa, sarai un passo avanti alle macchine.
04:31
Thank you.
88
271126
1176
Grazie.
04:32
(Applause)
89
272326
3104
(Applausi)
A proposito di questo sito web

Questo sito vi presenterà i video di YouTube utili per l'apprendimento dell'inglese. Vedrete lezioni di inglese tenute da insegnanti di alto livello provenienti da tutto il mondo. Fate doppio clic sui sottotitoli in inglese visualizzati su ogni pagina video per riprodurre il video da lì. I sottotitoli scorrono in sincronia con la riproduzione del video. Se avete commenti o richieste, contattateci tramite questo modulo di contatto.

https://forms.gle/WvT1wiN1qDtmnspy7