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

翻訳: Tomoyuki Suzuki 校正: Yasushi Aoki

So this is my niece.

この子は私の姪で

Her name is Yahli.

名前をヤーリといいます

She is nine months old.

生まれて９カ月です

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

母親は医者で 父親は弁護士ですが

By the time Yahli goes to college,

ヤーリが大学に行く頃には

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

両親の仕事の様子は 劇的に変わっていることでしょう

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

2013年オックスフォード大学の研究者達が 未来の仕事についての研究を行いました

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

職の２つに１つは 機械により自動化されるリスクが高いと

of being automated by machines.

彼らは結論付けました

Machine learning is the technology

機械学習の技術こそ

that's responsible for most of this disruption.

そのような変化の 主な原因となるものです

It's the most powerful branch of artificial intelligence.

これは人工知能分野の中でも 最も有力な領域です

It allows machines to learn from data

この技術により 機械がデータから学習して

and mimic some of the things that humans can do.

ある種のことを 人間のようにできるようになります

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

私の会社Kaggleでは 最先端の機械学習技術に取り組んでいて

We bring together hundreds of thousands of experts

産業や学問上の重要な問題を 解決するために

to solve important problems for industry and academia.

何十万というエキスパートを 集めています

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

そのお陰で 独特な知見が得られます

機械には何ができ 何ができないのか？

what they can't do

and what jobs they might automate or threaten.

どんな仕事に 自動化や 消失の怖れがあるのか？

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

機械学習が産業界で使われ出したのは 1990年代前半です

It started with relatively simple tasks.

まずは比較的単純な タスクから始まりました

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

ローン申し込みに対する 信用リスクの評価や

sorting the mail by reading handwritten characters from zip codes.

手書きの郵便番号を読み取って 手紙を仕分けるといったことです

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

ここ数年の間に 飛躍的な進歩がありました

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

機械学習が はるかに複雑なタスクを こなせるようになったのです

In 2012, Kaggle challenged its community

2012年 Kaggleは 高校生の書いた小論文を採点できる

アルゴリズムを作るという課題を 専門家コミュニティに提示しました

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

The winning algorithms were able to match the grades

優勝したアルゴリズムは 人間の教師の採点と

given by human teachers.

一致する評価を することができました

Last year, we issued an even more difficult challenge.

昨年には さらに難しい 課題を出しました

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

「眼球の写真から 糖尿病性網膜症の診断をできるか？」

called diabetic retinopathy?

というものです

Again, the winning algorithms were able to match the diagnoses

この時も 優勝した アルゴリズムは

人間の眼科医の診断と 一致する結果を出せました

given by human ophthalmologists.

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

適切なデータが与えられれば このようなタスクで

機械は人間より優れた結果を 出し始めています

at tasks like this.

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

教師は40年の経歴において 小論文を１万本読むかもしれません

An ophthalmologist might see 50,000 eyes.

眼科医は眼を５万個 診断するかもしれません

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

しかし 機械なら数分のうちに 数百万の小論文を読み

数百万の眼を診ることができます

within minutes.

We have no chance of competing against machines

頻度が高く 多量のデータを 処理するタスクでは

on frequent, high-volume tasks.

人間が機械に勝てる見込みはありません

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

しかし 我々に出来て 機械に出来ないことがあります

Where machines have made very little progress

機械の技術が ほとんど進歩していないのは

経験のない状況で 判断する技術です

is in tackling novel situations.

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

機械は前にほとんど見たことがない状況を うまく処理できないのです

The fundamental limitations of machine learning

機械学習に根本的な限界があるのは

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

大量の過去データから 学ぶ必要があるという点です

Now, humans don't.

人間は違います

We have the ability to connect seemingly disparate threads

我々は ほとんど共通点のない 手掛かりを繋ぎ合わせ

to solve problems we've never seen before.

見たことのない問題を 解決することができます

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

パーシー・スペンサーは第２次世界大戦中 レーダー開発の任務に就いていた物理学者で

when he noticed the magnetron was melting his chocolate bar.

その時 マグネトロンがチョコバーを 溶かすことに気づきました

He was able to connect his understanding of electromagnetic radiation

電磁波に関する理解と 料理に関する知識を結びつけることで

with his knowledge of cooking

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

彼の発明したのが — 何か分かりますか？

電子レンジです

Now, this is a particularly remarkable example of creativity.

これこそ創造力の 素晴らしい一例です

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

このような分野を超えた発想は 些細な形であれば

誰にでも毎日何千回と ひらめいています

thousands of times per day.

Machines cannot compete with us

経験のない状況においては

when it comes to tackling novel situations,

機械は人間には勝てず

and this puts a fundamental limit on the human tasks

それが人間の行うことを 機械で自動化する際の

that machines will automate.

基本的な限界を与えます

これが将来の仕事に 意味することは何でしょう？

So what does this mean for the future of work?

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

各々の仕事の未来の運命は ある１つの問への答えにかかっています

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

高頻度多量データ処理に 還元できる部分がどの程度あり

and to what extent does it involve tackling novel situations?

前例無き状況への対応を求められる部分が どの程度あるのか？

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

高頻度多量データ処理については 機械はどんどん賢くなっていきます

今では 機械が小論文の採点をし ある種の病気の診断をします

Today they grade essays. They diagnose certain diseases.

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

数年内には 監査をしたり

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

法律上の契約書から一般的な表現を 解釈出来るようになるでしょう

Accountants and lawyers are still needed.

それでも会計士や弁護士が いらなくはなりません

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

複雑な税務対策や 前例のない訴訟の対応には

for pathbreaking litigation.

必要とされるのです

機械により 能力のある者だけが残され

But machines will shrink their ranks

and make these jobs harder to come by.

これらの職に就くことは 難しくなります

Now, as mentioned,

さて 前にも述べましたが

machines are not making progress on novel situations.

経験のない状況に対応する技術は 進歩していません

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

マーケティング活動における宣伝文句は 消費者の関心を引く必要があります

数ある中で 目立っていなければなりません

It has to stand out from the crowd.

Business strategy means finding gaps in the market,

ビジネス戦略とは 他社がやっていない

things that nobody else is doing.

市場のニッチを探り出すことです

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

マーケティング活動における宣伝文句を 創り出すのは人間の役目であり

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

ビジネス戦略を考え出すのも 人間です

So Yahli, whatever you decide to do,

だからね ヤーリちゃん どんな仕事を選ぶにせよ

let every day bring you a new challenge.

常日頃 新しいことに挑戦することです

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

そうすれば 機械に先んじることが出来るでしょう

ありがとうございました

Thank you.

(Applause)

（拍手）