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

מתרגם: Shlomo Adam מבקר: Sigal Tifferet

So this is my niece.

זאת אחייניתי.

Her name is Yahli.

שמה יאלי.

She is nine months old.

היא בת תשעה חודשים.

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

אימה רופאה, אביה עורך-דין.

By the time Yahli goes to college,

כשיאלי תלך לקולג',

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

מקומות העבודה של הוריה ייראו אחרת לגמרי.

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

ב-2013, חוקרים באוניברסיטת אוקספורד חקרו את עתיד העבודה.

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

הם הסיקו שכמעט משרה אחת מכל שתיים מצויה בסיכון גבוה

of being automated by machines.

לעבור לאוטומציה ממוכנת.

Machine learning is the technology

למידת מכונה היא הטכנולוגיה שאחראית לעיקר השיבוש הזה.

that's responsible for most of this disruption.

It's the most powerful branch of artificial intelligence.

זה הענף בעל העוצמה הרבה ביותר בתבונה המלאכותית.

It allows machines to learn from data

הוא מאפשר למכונות ללמוד מתוך נתונים

and mimic some of the things that humans can do.

ולחקות חלק מהדברים שעושים בני-אדם.

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

החברה שלי, "קאגל", פועלת בחוד החנית של למידת המכונה.

We bring together hundreds of thousands of experts

אנו מקבצים מאות אלפי מומחים

to solve important problems for industry and academia.

במטרה לפתור בעיות עבור התעשיה והאקדמיה.

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

זה מקנה לנו נקודת מבט ייחודית על מה שמכונות מסוגלות לעשות,

what they can't do

מה שהן לא מסוגלות לעשות

and what jobs they might automate or threaten.

ואילו מקומות עבודה יעברו אוטומציה או יימצאו בסיכון.

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

למידת המכונה החלה לחדור לתעשיה בתחילת שנות ה-90 של המאה ה-20.

It started with relatively simple tasks.

תחילה במטלות פשוטות יחסית,

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

דברים כמו הערכת סיכוני אשראי בבקשות להלוואות,

sorting the mail by reading handwritten characters from zip codes.

מיון דואר ע"י קריאת מיקוד כתוב ביד.

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

בשנים האחרונות השגנו פריצות-דרך דרמטיות.

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

למידת המכונה מסוגלת כיום למטלות מורכבות בהרבה.

In 2012, Kaggle challenged its community

ב-2012, "קאגל" הציבה לקהילה שלה אתגר:

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

לבנות אלגוריתם שיכול לתת ציונים לחיבורים ברמת בי"ס תיכון.

The winning algorithms were able to match the grades

האלגוריתמים הזוכים הצליחו לתת ציונים מקבילים

given by human teachers.

לאלו של מורים אנושיים.

Last year, we issued an even more difficult challenge.

בשנה הקודמת הצבנו אתגר עוד יותר קשה.

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

האם אפשר לקחת צילומי עיניים ולאבחן מחלת עיניים

called diabetic retinopathy?

בשם רטינופתיה סוכרתית?

Again, the winning algorithms were able to match the diagnoses

שוב, האלגוריתמים הזוכים הצליחו להקביל באבחוניהם

given by human ophthalmologists.

לאלו של רופאי-עיניים אנושיים.

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

כיום, עם הנתונים הנכונים,

המכונות מסוגלות לעלות בביצועיהן על בני-אדם במטלות כאלה.

at tasks like this.

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

מורה עשוי לקרוא 10,000 חיבורים בקריירה בת 40 שנה.

An ophthalmologist might see 50,000 eyes.

רופא-עיניים יכול אולי לבדוק 50,000 עיניים.

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

מכונה מסוגלת לקרוא מיליוני חיבורים או לבדוק מיליוני עיניים

within minutes.

תוך דקות.

We have no chance of competing against machines

אין לנו סיכוי להתחרות נגד המכונות

on frequent, high-volume tasks.

בביצוע מטלות תכופות בעלות נפח גבוה.

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

אבל יש דברים שאנו יכולים לעשות והמכונות - לא.

Where machines have made very little progress

המכונות התקדמו מעט מאד בהתמודדות עם מצבים חדשים.

is in tackling novel situations.

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

הן לא יכולות לטפל בדברים שלא הרבו לראות בעבר.

The fundamental limitations of machine learning

מגבלות היסוד של למידת המכונה

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

נעוצות בצורך שלה ללמוד מנפחים גדולים של נתונים קודמים.

Now, humans don't.

לא כך בני האדם.

We have the ability to connect seemingly disparate threads

אנו מסוגלים לקשר בין רעיונות נטולי קשר, לכאורה,

to solve problems we've never seen before.

כדי לפתור בעיות שטרם פגשנו.

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

פרסי ספנסר היה פיזיקאי שפיתח מכ"ם במלחה"ע ה-1,

when he noticed the magnetron was melting his chocolate bar.

והוא ראה שהמגנטרון ממיס את השוקולד שלו.

He was able to connect his understanding of electromagnetic radiation

הוא ידע לקשר בין הבנתו בקרינה אלקטרומגנטית

with his knowledge of cooking

לבין הידע שלו בבישול

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

כדי להמציא -- מישהו יודע? את תנור המיקרוגל.

Now, this is a particularly remarkable example of creativity.

זאת דוגמה יוצאת-דופן במיוחד ליצירתיות.

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

אבל הפריה הדדית כזו קורה לכולנו בארועים קטנים

thousands of times per day.

אלפי פעמים ביום.

Machines cannot compete with us

המכונות לא מסוגלות להתחרות בנו

when it comes to tackling novel situations,

כשמדובר בהתמודדות עם מצבים חדשים,

and this puts a fundamental limit on the human tasks

וזה מגביל מיסודו את המטלות האנושיות

that machines will automate.

שהמכונות עתידות לבצע באופן אוטומטי.

So what does this mean for the future of work?

אז מה זה אומר מבחינת עתיד העבודה?

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

עתידה של כל משרה ומשרה טמון בתשובה לשאלה אחת:

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

באיזו מידה משרה זו ניתנת לפירוק למטלות תכופות בנפח גבוה,

and to what extent does it involve tackling novel situations?

ובאיזו מידה היא כרוכה בהתמודדות עם מצבים חדשים?

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

במטלות תכופות בנפח גבוה, המכונות הולכות ומחכימות.

היום הן נותנות ציונים לחיבורים, מאבחנות מחלות מסוימות.

Today they grade essays. They diagnose certain diseases.

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

בשנים הבאות הן תנהלנה את ביקורות הכספים שלנו,

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

ותוכלנה לקרוא קודים של חוזים משפטיים.

Accountants and lawyers are still needed.

עדיין יש צורך ברואי-חשבון ובעורכי-דין.

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

הם עדיין יהיו נחוצים לצרכי מיסוי מורכב וחקיקה חדשנית.

for pathbreaking litigation.

אבל המכונות עתידות לצמצם את שורותיהם

But machines will shrink their ranks

ולהקטין את מצאי מקומות העבודה שלהם.

and make these jobs harder to come by.

Now, as mentioned,

כפי שציינתי,

machines are not making progress on novel situations.

המכונות לא התקדמו מאד בטיפול במצבים חדשים.

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

הכרזה של מסע השיווק צריכה למשוך את תשומת לב הצרכן.

עליה לבלוט.

It has to stand out from the crowd.

איסטרטגיה עסקית משמעה זיהוי פערים בשוק,

Business strategy means finding gaps in the market,

things that nobody else is doing.

איתור דברים שאיש איננו עושה.

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

בני-אדם הם שעתידים ליצור את כרזת מסע השיווק,

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

והם גם שיפתחו את האיסטרטגיה העסקית שלנו.

So Yahli, whatever you decide to do,

אז יאלי, מה שלא תחליטי לעשות,

let every day bring you a new challenge.

הניחי לכל יום להביא עימו אתגר חדש.

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

אם כך יהיה, יהיה לך יתרון על המכונות.

Thank you.

תודה לכם.

(Applause)

(מחיאות כפיים)