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


아래 영문자막을 더블클릭하시면 영상이 재생됩니다.

번역: Kwangmin Lee 검토: Ju Hye Lim
00:12
So this is my niece.
0
12968
1262
이 아이는 제 조카입니다.
00:14
Her name is Yahli.
1
14644
1535
이름은 얄리이고
00:16
She is nine months old.
2
16203
1511
9개월 밖에 안 됐어요.
00:18
Her mum is a doctor, and her dad is a lawyer.
3
18201
2528
얄리의 엄마는 의사이고, 아빠는 법조인입니다.
00:21
By the time Yahli goes to college,
4
21269
2006
얄리가 대학생이 될 때쯤이면
00:23
the jobs her parents do are going to look dramatically different.
5
23299
3253
얄리의 부모님의 직업은 지금과는 확연히 다를 겁니다.
00:27
In 2013, researchers at Oxford University did a study on the future of work.
6
27347
5073
2013년에 옥스포드 대학에서는 직업의 미래에 관해 연구했습니다.
00:32
They concluded that almost one in every two jobs have a high risk
7
32766
4139
현존하는 직업의 절반이 미래에는 기계들에 의해 대체될 확률이 높다는
00:36
of being automated by machines.
8
36929
1824
결론이 났습니다.
00:40
Machine learning is the technology
9
40388
1905
기계 학습이 이 변화의 대부분의 원인입니다.
00:42
that's responsible for most of this disruption.
10
42317
2278
00:44
It's the most powerful branch of artificial intelligence.
11
44619
2790
인공지능 분야에서 가장 강력한 분야입니다.
00:47
It allows machines to learn from data
12
47433
1882
기계 학습은 기계들이 데이터를 통해 학습하고
00:49
and mimic some of the things that humans can do.
13
49339
2592
인간이 할 수 있는 일을 일부 따라하는 것을 가능케 합니다.
00:51
My company, Kaggle, operates on the cutting edge of machine learning.
14
51955
3415
제 회사 카글은 기계 학습 개발의 최첨단을 달리고 있습니다.
00:55
We bring together hundreds of thousands of experts
15
55394
2386
저희는 수천 명이 넘는 전문가들을 모아서
00:57
to solve important problems for industry and academia.
16
57804
3118
학계와 산업이 직면해 있는 문제를 해결하도록 합니다.
01:01
This gives us a unique perspective on what machines can do,
17
61279
3222
이 일은 저희에게 기계들이 할 수 있는 것과
01:04
what they can't do
18
64525
1235
할 수 없는 것
01:05
and what jobs they might automate or threaten.
19
65784
2939
그리고 어떤 직업이 기계에 의해 대체될지 알 수 있게 해줍니다.
01:09
Machine learning started making its way into industry in the early '90s.
20
69316
3550
기계 학습은 1990년대 초기에 등장했습니다.
01:12
It started with relatively simple tasks.
21
72890
2124
초반에는 상대적으로 간단한 일만 했습니다.
01:15
It started with things like assessing credit risk from loan applications,
22
75406
4115
예컨대 대출 신청자들의 신용 등급을 평가하거나
01:19
sorting the mail by reading handwritten characters from zip codes.
23
79545
4053
편지 봉투에 손글씨로 적힌 우편번호를 읽는 정도였죠.
01:24
Over the past few years, we have made dramatic breakthroughs.
24
84036
3169
지난 몇 년 동안 기계 학습 분야에서는 획기적인 발전을 이루어냈습니다.
01:27
Machine learning is now capable of far, far more complex tasks.
25
87586
3916
그 결과, 기계 학습을 통해 훨씬 더 복잡한 일을 할 수 있게 되었습니다.
01:31
In 2012, Kaggle challenged its community
26
91860
3231
2012년에는 카글이 기계 학습을 통해
01:35
to build an algorithm that could grade high-school essays.
27
95115
3189
고등학교 에세이를 채점할 수 있는 알고리즘을 만드는 대회를 열었는데
01:38
The winning algorithms were able to match the grades
28
98328
2604
우승한 알고리즘이 매긴 점수는 실제 선생님들이
01:40
given by human teachers.
29
100956
1665
매긴 점수와 일치했습니다.
01:43
Last year, we issued an even more difficult challenge.
30
103092
2984
작년에는 더 어려운 문제를 냈습니다.
01:46
Can you take images of the eye and diagnose an eye disease
31
106100
2953
눈의 사진만을 가지고 당뇨병성 망막증을
01:49
called diabetic retinopathy?
32
109077
1694
진단하는 것이었죠.
01:51
Again, the winning algorithms were able to match the diagnoses
33
111164
4040
대회에서 우승한 알고리즘은 안과 의사들의 진단과
01:55
given by human ophthalmologists.
34
115228
1825
또 같은 결과를 냈습니다.
01:57
Now, given the right data, machines are going to outperform humans
35
117561
3212
올바른 데이터만 주어진다면 기계는 인간보다 이런 작업을
02:00
at tasks like this.
36
120797
1165
훨씬 더 잘하게 될 겁니다.
02:01
A teacher might read 10,000 essays over a 40-year career.
37
121986
3992
선생님 한 명은 40년에 걸쳐 만 개의 에세이를 읽고
02:06
An ophthalmologist might see 50,000 eyes.
38
126407
2360
안과 의사 한 명은 5만 개의 눈을 진료할 수 있겠죠.
02:08
A machine can read millions of essays or see millions of eyes
39
128791
3913
하지만 기계는 고작 몇 분 안에 수만 개의 눈과 에세이를
02:12
within minutes.
40
132728
1276
진료하고 읽을 수 있습니다.
02:14
We have no chance of competing against machines
41
134456
2858
인간은 이렇게 반복적이고 방대한 양의 작업을 하는 데 있어서
02:17
on frequent, high-volume tasks.
42
137338
2321
기계를 뛰어넘을 수 없습니다.
02:20
But there are things we can do that machines can't do.
43
140665
3724
하지만 인간만이 할 수 있는 일도 있습니다.
02:24
Where machines have made very little progress
44
144791
2200
기계들은 새로운 상황에 대처하는 법을
02:27
is in tackling novel situations.
45
147015
1854
아직 배우지 못했습니다.
02:28
They can't handle things they haven't seen many times before.
46
148893
3899
기계들은 전례가 없는 일은 처리하지 못합니다.
02:33
The fundamental limitations of machine learning
47
153321
2584
기계 학습의 본질적인 한계는
02:35
is that it needs to learn from large volumes of past data.
48
155929
3394
방대한 양의 전례를 통해 학습해야 한다는 것입니다.
02:39
Now, humans don't.
49
159347
1754
인간들은 그럴 필요가 없죠.
02:41
We have the ability to connect seemingly disparate threads
50
161125
3030
우리는 관련이 없어 보이는 주제들을 이어서
02:44
to solve problems we've never seen before.
51
164179
2238
전에 본적 없는 문제를 풀 수 있습니다
02:46
Percy Spencer was a physicist working on radar during World War II,
52
166808
4411
퍼시 스펜서는 제2차 세계 대전 때 레이더를 연구한 물리학자였습니다.
02:51
when he noticed the magnetron was melting his chocolate bar.
53
171243
3013
그는 마그네트론이 초콜릿을 녹이는 것을 발견하고는
02:54
He was able to connect his understanding of electromagnetic radiation
54
174970
3295
전자기 방사선에 대한 지식과
02:58
with his knowledge of cooking
55
178289
1484
요리에 대한 지식을 연결해서
02:59
in order to invent -- any guesses? -- the microwave oven.
56
179797
3258
아시는 분이 있으신지 모르겠지만 전자레인지를 발명했습니다.
03:03
Now, this is a particularly remarkable example of creativity.
57
183444
3073
특히나 더 놀라운 창의력 발휘의 사례입니다.
03:06
But this sort of cross-pollination happens for each of us in small ways
58
186541
3664
하지만 이런 혼재적 창의성을 필요로 하는 상황은 우리에게
03:10
thousands of times per day.
59
190229
1828
하루에 자잘하게 몇천 번씩 일어납니다.
03:12
Machines cannot compete with us
60
192501
1661
기계는 새로운 상황에 대처하는 것에서는
03:14
when it comes to tackling novel situations,
61
194186
2251
인간을 이길 수 없습니다.
03:16
and this puts a fundamental limit on the human tasks
62
196461
3117
이로 인해 기계에 의해 자동화 될 인간의 작업에
03:19
that machines will automate.
63
199602
1717
근본적인 한계가 존재합니다.
03:22
So what does this mean for the future of work?
64
202041
2405
그렇다면 이것이 직업의 미래에 대해 뭘 암시할까요?
03:24
The future state of any single job lies in the answer to a single question:
65
204804
4532
어떤 직업이든, 그것의 미래는 한 가지에 의해 결정됩니다.
03:29
To what extent is that job reducible to frequent, high-volume tasks,
66
209360
4981
이 작업이 반복적이고 방대한 양으로 축소될 수 있는지
03:34
and to what extent does it involve tackling novel situations?
67
214365
3253
그리고 새로운 상황에 얼마나 많이 대처해야 하는지 입니다.
03:37
On frequent, high-volume tasks, machines are getting smarter and smarter.
68
217975
4035
반복적이고 방대한 양의 작업에서는 기계들이 더 똑똑해지고 있습니다.
03:42
Today they grade essays. They diagnose certain diseases.
69
222034
2714
오늘날에는 기계가 에세이도 채점하고 질병도 진단하니까요.
03:44
Over coming years, they're going to conduct our audits,
70
224772
3157
미래에는 기계가 회계 감사도 맡고
03:47
and they're going to read boilerplate from legal contracts.
71
227953
2967
법적 계약을 맺을 때의 표준 합의안도 검토할 것입니다.
03:50
Accountants and lawyers are still needed.
72
230944
1997
물론 회계사와 변호사는 여전히 필요하겠죠.
03:52
They're going to be needed for complex tax structuring,
73
232965
2682
복잡한 조세 업무나 전례 없는 소송을 하는 데 필요하겠죠.
03:55
for pathbreaking litigation.
74
235671
1357
하지만 기계는 그들의 입지를 빼앗고
03:57
But machines will shrink their ranks
75
237052
1717
03:58
and make these jobs harder to come by.
76
238793
1872
일자리 구하는 것을 더 힘들게 만들 겁니다.
04:00
Now, as mentioned,
77
240689
1151
제가 말했듯이
04:01
machines are not making progress on novel situations.
78
241864
2949
기계는 새로운 상황에 한해서는 진전을 보이지 않습니다.
04:04
The copy behind a marketing campaign needs to grab consumers' attention.
79
244837
3457
마케팅 캠페인의 문구는 소비자의 관심을 사로잡아야 하고
04:08
It has to stand out from the crowd.
80
248318
1715
대중들 속에서 돋보여야 합니다.
04:10
Business strategy means finding gaps in the market,
81
250057
2444
경영 전략을 짜는 것은 아무도 하고 있지 않은
04:12
things that nobody else is doing.
82
252525
1756
틈새 시장을 찾는 것입니다.
04:14
It will be humans that are creating the copy behind our marketing campaigns,
83
254305
4118
결국에는 마케팅 캠페인 뒤에서 문구를 만드는 주체는 인간이고
04:18
and it will be humans that are developing our business strategy.
84
258447
3517
경영 전략을 짜는 것도 인간일 것입니다.
04:21
So Yahli, whatever you decide to do,
85
261988
2817
그러니까 얄리야, 네가 무슨 꿈을 가지든
04:24
let every day bring you a new challenge.
86
264829
2361
매일 매일이 새로운 도전을 가져다 주길 바란다.
04:27
If it does, then you will stay ahead of the machines.
87
267587
2809
그렇게 되면 네가 기계보다 앞서 있을 수 있을테니까.
04:31
Thank you.
88
271126
1176
감사합니다.
04:32
(Applause)
89
272326
3104
(박수)
이 웹사이트 정보

이 사이트는 영어 학습에 유용한 YouTube 동영상을 소개합니다. 전 세계 최고의 선생님들이 가르치는 영어 수업을 보게 될 것입니다. 각 동영상 페이지에 표시되는 영어 자막을 더블 클릭하면 그곳에서 동영상이 재생됩니다. 비디오 재생에 맞춰 자막이 스크롤됩니다. 의견이나 요청이 있는 경우 이 문의 양식을 사용하여 문의하십시오.

https://forms.gle/WvT1wiN1qDtmnspy7