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

번역: Kwangmin Lee 검토: Ju Hye Lim

So this is my niece.

이 아이는 제 조카입니다.

Her name is Yahli.

이름은 얄리이고

She is nine months old.

9개월 밖에 안 됐어요.

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

얄리의 엄마는 의사이고, 아빠는 법조인입니다.

By the time Yahli goes to college,

얄리가 대학생이 될 때쯤이면

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

얄리의 부모님의 직업은 지금과는 확연히 다를 겁니다.

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

2013년에 옥스포드 대학에서는 직업의 미래에 관해 연구했습니다.

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

현존하는 직업의 절반이 미래에는 기계들에 의해 대체될 확률이 높다는

of being automated by machines.

결론이 났습니다.

Machine learning is the technology

기계 학습이 이 변화의 대부분의 원인입니다.

that's responsible for most of this disruption.

It's the most powerful branch of artificial intelligence.

인공지능 분야에서 가장 강력한 분야입니다.

It allows machines to learn from data

기계 학습은 기계들이 데이터를 통해 학습하고

and mimic some of the things that humans can do.

인간이 할 수 있는 일을 일부 따라하는 것을 가능케 합니다.

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

제 회사 카글은 기계 학습 개발의 최첨단을 달리고 있습니다.

We bring together hundreds of thousands of experts

저희는 수천 명이 넘는 전문가들을 모아서

to solve important problems for industry and academia.

학계와 산업이 직면해 있는 문제를 해결하도록 합니다.

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

이 일은 저희에게 기계들이 할 수 있는 것과

what they can't do

할 수 없는 것

and what jobs they might automate or threaten.

그리고 어떤 직업이 기계에 의해 대체될지 알 수 있게 해줍니다.

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

기계 학습은 1990년대 초기에 등장했습니다.

It started with relatively simple tasks.

초반에는 상대적으로 간단한 일만 했습니다.

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

예컨대 대출 신청자들의 신용 등급을 평가하거나

sorting the mail by reading handwritten characters from zip codes.

편지 봉투에 손글씨로 적힌 우편번호를 읽는 정도였죠.

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

지난 몇 년 동안 기계 학습 분야에서는 획기적인 발전을 이루어냈습니다.

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

그 결과, 기계 학습을 통해 훨씬 더 복잡한 일을 할 수 있게 되었습니다.

In 2012, Kaggle challenged its community

2012년에는 카글이 기계 학습을 통해

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

고등학교 에세이를 채점할 수 있는 알고리즘을 만드는 대회를 열었는데

The winning algorithms were able to match the grades

우승한 알고리즘이 매긴 점수는 실제 선생님들이

given by human teachers.

매긴 점수와 일치했습니다.

Last year, we issued an even more difficult challenge.

작년에는 더 어려운 문제를 냈습니다.

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

눈의 사진만을 가지고 당뇨병성 망막증을

called diabetic retinopathy?

진단하는 것이었죠.

Again, the winning algorithms were able to match the diagnoses

대회에서 우승한 알고리즘은 안과 의사들의 진단과

given by human ophthalmologists.

또 같은 결과를 냈습니다.

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

올바른 데이터만 주어진다면 기계는 인간보다 이런 작업을

at tasks like this.

훨씬 더 잘하게 될 겁니다.

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

선생님 한 명은 40년에 걸쳐 만 개의 에세이를 읽고

An ophthalmologist might see 50,000 eyes.

안과 의사 한 명은 5만 개의 눈을 진료할 수 있겠죠.

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

하지만 기계는 고작 몇 분 안에 수만 개의 눈과 에세이를

within minutes.

진료하고 읽을 수 있습니다.

We have no chance of competing against machines

인간은 이렇게 반복적이고 방대한 양의 작업을 하는 데 있어서

on frequent, high-volume tasks.

기계를 뛰어넘을 수 없습니다.

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

하지만 인간만이 할 수 있는 일도 있습니다.

Where machines have made very little progress

기계들은 새로운 상황에 대처하는 법을

is in tackling novel situations.

아직 배우지 못했습니다.

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

기계들은 전례가 없는 일은 처리하지 못합니다.

The fundamental limitations of machine learning

기계 학습의 본질적인 한계는

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

방대한 양의 전례를 통해 학습해야 한다는 것입니다.

Now, humans don't.

인간들은 그럴 필요가 없죠.

We have the ability to connect seemingly disparate threads

우리는 관련이 없어 보이는 주제들을 이어서

to solve problems we've never seen before.

전에 본적 없는 문제를 풀 수 있습니다

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

퍼시 스펜서는 제2차 세계 대전 때 레이더를 연구한 물리학자였습니다.

when he noticed the magnetron was melting his chocolate bar.

그는 마그네트론이 초콜릿을 녹이는 것을 발견하고는

He was able to connect his understanding of electromagnetic radiation

전자기 방사선에 대한 지식과

with his knowledge of cooking

요리에 대한 지식을 연결해서

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

아시는 분이 있으신지 모르겠지만 전자레인지를 발명했습니다.

Now, this is a particularly remarkable example of creativity.

특히나 더 놀라운 창의력 발휘의 사례입니다.

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

하지만 이런 혼재적 창의성을 필요로 하는 상황은 우리에게

thousands of times per day.

하루에 자잘하게 몇천 번씩 일어납니다.

Machines cannot compete with us

기계는 새로운 상황에 대처하는 것에서는

when it comes to tackling novel situations,

인간을 이길 수 없습니다.

and this puts a fundamental limit on the human tasks

이로 인해 기계에 의해 자동화 될 인간의 작업에

that machines will automate.

근본적인 한계가 존재합니다.

So what does this mean for the future of work?

그렇다면 이것이 직업의 미래에 대해 뭘 암시할까요?

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

어떤 직업이든, 그것의 미래는 한 가지에 의해 결정됩니다.

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

이 작업이 반복적이고 방대한 양으로 축소될 수 있는지

and to what extent does it involve tackling novel situations?

그리고 새로운 상황에 얼마나 많이 대처해야 하는지 입니다.

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

반복적이고 방대한 양의 작업에서는 기계들이 더 똑똑해지고 있습니다.

Today they grade essays. They diagnose certain diseases.

오늘날에는 기계가 에세이도 채점하고 질병도 진단하니까요.

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

미래에는 기계가 회계 감사도 맡고

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

법적 계약을 맺을 때의 표준 합의안도 검토할 것입니다.

Accountants and lawyers are still needed.

물론 회계사와 변호사는 여전히 필요하겠죠.

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

복잡한 조세 업무나 전례 없는 소송을 하는 데 필요하겠죠.

for pathbreaking litigation.

하지만 기계는 그들의 입지를 빼앗고

But machines will shrink their ranks

and make these jobs harder to come by.

일자리 구하는 것을 더 힘들게 만들 겁니다.

Now, as mentioned,

제가 말했듯이

machines are not making progress on novel situations.

기계는 새로운 상황에 한해서는 진전을 보이지 않습니다.

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

마케팅 캠페인의 문구는 소비자의 관심을 사로잡아야 하고

It has to stand out from the crowd.

대중들 속에서 돋보여야 합니다.

Business strategy means finding gaps in the market,

경영 전략을 짜는 것은 아무도 하고 있지 않은

things that nobody else is doing.

틈새 시장을 찾는 것입니다.

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

결국에는 마케팅 캠페인 뒤에서 문구를 만드는 주체는 인간이고

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

경영 전략을 짜는 것도 인간일 것입니다.

So Yahli, whatever you decide to do,

그러니까 얄리야, 네가 무슨 꿈을 가지든

let every day bring you a new challenge.

매일 매일이 새로운 도전을 가져다 주길 바란다.

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

그렇게 되면 네가 기계보다 앞서 있을 수 있을테니까.

Thank you.

감사합니다.

(Applause)

(박수)