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

Translator: Lina Giriuniene Reviewer: Andrius Družinis-Vitkus

So this is my niece.

Tai – mano dukterėčia.

Her name is Yahli.

Jos vardas – Yahli.

She is nine months old.

Jai devyni mėnesiai.

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

Jos mama yra gydytoja, o tėtis – teisininkas.

Kai Yahli pradės lankyti koledžą,

By the time Yahli goes to college,

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

jos tėvų veikla atrodys visiškai kitaip.

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

2013 m. Oksfordo universitete buvo atliktas tyrimas apie darbo ateitį.

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

Buvo padaryta išvada, kad beveik kas antra darbo sritis

of being automated by machines.

rizikuoja būti automatizuota.

Machine learning is the technology

Save mokančios sistemos yra technologija,

that's responsible for most of this disruption.

didžia dalimi atsakinga už šią suirutę.

It's the most powerful branch of artificial intelligence.

Tai – galingiausia dirbtinio intelekto dalis.

It allows machines to learn from data

Ji leidžia kompiuteriams mokytis iš duomenų

and mimic some of the things that humans can do.

ir mėgdžioti tam tikrus žmogaus veiksmus.

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

Mano įmonė „Kaggle“ dirba su naujausiomis save mokančiomis sistemomis.

We bring together hundreds of thousands of experts

Mes suburiame šimtus tūkstančių ekspertų tam,

to solve important problems for industry and academia.

kad išspręstume svarbias pramonės ir mokslo problemas.

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

Mes turime unikalią galimybę pamatyti, ką kompiuteriai gali atlikti,

what they can't do

o ko – ne

and what jobs they might automate or threaten.

ir kurioms veikloms gali kilti grėsmė tapti automatizuotomis.

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

Save mokančios sistemos pradėjo brautis į pramonę 90-ųjų pradžioje.

It started with relatively simple tasks.

Iš pradžių tai buvo gana paprastos užduotys.

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

Pradžioje buvo rizikos įvertinimas iš paskolos prašymo,

sorting the mail by reading handwritten characters from zip codes.

laiškų rūšiavimas nuskaitant ranka parašytus pašto indeksus.

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

Per pastaruosius metus įvyko didelis persilaužimas.

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

Dabar save mokančios sistemos gali atlikti žymiai sunkesnes užduotis.

In 2012, Kaggle challenged its community

2012 m. „Kaggle“ metė iššūkį savo bendruomenei

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

sukurti algoritmą, galintį vertinti moksleivių rašinius.

The winning algorithms were able to match the grades

Laimėję algoritmai sugebėjo darbus įvertinti taip pat,

given by human teachers.

kaip tikri mokytojai.

Last year, we issued an even more difficult challenge.

Pernai mes metėme dar sunkesnį iššūkį.

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

Ar įmanoma padaryti akies nuotraukas ir diagnozuoti akių ligą

called diabetic retinopathy?

diabetinę retinopatiją.

Again, the winning algorithms were able to match the diagnoses

Ir vėl, laimėjusių algoritmų diagnozės atitiko

given by human ophthalmologists.

oftalmologų nustatytas diagnozes.

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

Taigi, gavę tinkamus duomenis, kompiuteriai geriau nei žmonės

at tasks like this.

susidoroja su tokiomis užduotimis.

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

Mokytojas gali perskaityti 10 tūkst. rašinių per 40 m. karjerą.

An ophthalmologist might see 50,000 eyes.

Oftalmologas gali apžiūrėti 50 tūkst. akių.

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

Kompiuteris gali perskaityti milijonus rašinių ar apžiūrėti milijonus akių

within minutes.

per kelias minutes.

We have no chance of competing against machines

Mes negalime konkuruoti su kompiuteriais

on frequent, high-volume tasks.

atlikdami įprastas, didelės apimties užduotis.

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

Tačiau yra dalykų, kuriuos mes galime, o kompiuteriai – ne.

Where machines have made very little progress

Kompiuteriai nedaug pažengė

is in tackling novel situations.

spręsdami jiems neįprastas situacijas.

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

Jie negali susidoroti su dalykais, kurių anksčiau nematė daug kartų.

The fundamental limitations of machine learning

Esminis save mokančių sistemų trūkumas

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

yra tai, kad joms reikia daug praeities duomenų.

Now, humans don't.

O žmonėms – ne.

Mes sugebame susieti visiškai skirtingus dalykus,

We have the ability to connect seemingly disparate threads

to solve problems we've never seen before.

kad išspręstume problemą, su kuria susiduriame pirmąkart.

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

Percy Spencer buvo fizikas, dirbantis su radaru per Antrąjį pasaulinį karą,

when he noticed the magnetron was melting his chocolate bar.

kuris pastebėjo, kad magnetronas išlydė jo šokoladą.

He was able to connect his understanding of electromagnetic radiation

Jis sugebėjo susieti savo žinias apie elektromagnetinę radiaciją

with his knowledge of cooking

su žiniomis apie maisto gamybą

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

tam, kad sukurtų... Bus spėjimų? Mikrobangų krosnelę.

Now, this is a particularly remarkable example of creativity.

Tai yra ypatingai puikus kūrybingumo pavyzdys.

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

Tačiau toks idėjų kryžminimas mums nutinka kasdien

thousands of times per day.

tūkstančius kartų.

Machines cannot compete with us

Kompiuteriai negali su mumis konkuruoti,

when it comes to tackling novel situations,

kai reikia spręsti neįprastas užduotis.

and this puts a fundamental limit on the human tasks

O tai nubrėžia aiškią ribą, kiek žmogiškų veiklų

that machines will automate.

bus automatizuota.

So what does this mean for the future of work?

Ką visa tai pranašauja darbui ateityje?

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

Kiekvienos veiklos ateitis slypi atsakyme į klausimą:

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

„Kokią veiklos dalį sudaro įprastos, didelės apimties užduotys

and to what extent does it involve tackling novel situations?

ir kokią – neįprastų situacijų sprendimas?“

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

Pirmu atveju kompiuteriai vystosi labai greitai.

Today they grade essays. They diagnose certain diseases.

Šiandien jie vertina rašinius, diagnozuoja kai kurias ligas.

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

Artimiausiu metu jie už mus atliks auditus,

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

ruoš standartines sutartis.

Accountants and lawyers are still needed.

Buhalterių ir teisininkų vis dar reikės.

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

Jų prireiks sudėtingų mokesčių skaičiavimui,

novatoriškoms byloms.

for pathbreaking litigation.

Bet kompiuteriai susiaurins jų gretas

But machines will shrink their ranks

and make these jobs harder to come by.

ir tokie darbai bus sunkiau gaunami.

Now, as mentioned,

Taigi, kaip jau minėjau,

machines are not making progress on novel situations.

kompiuteriai neprogresuoja neįprastose situacijose.

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

Reklamos kampanijos tekstas turi patraukti vartotojo dėmesį.

Jis turi išsiskirti.

It has to stand out from the crowd.

Business strategy means finding gaps in the market,

Verslo strategija reiškia atrasti rinkoje poreikį,

things that nobody else is doing.

kažką, ko niekas nedaro.

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

Būtent žmonės kurs reklamos kampanijų tekstus

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

ir žmonės vystys verslo strategijas.

So Yahli, whatever you decide to do,

Taigi, Yahli, kad ir ką nuspręstum veikti,

let every day bring you a new challenge.

tegu kiekviena diena tau atneša naują iššūkį.

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

Jei taip bus, tu išliksi pranašesnė už kompiuterius.

Thank you.

Ačiū.

(Applause)

(Plojimai.)