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

605,526 views ・ 2016-08-31

TED


Norėdami paleisti vaizdo įrašą, dukart spustelėkite žemiau esančius angliškus subtitrus.

Translator: Lina Giriuniene Reviewer: Andrius Družinis-Vitkus
00:12
So this is my niece.
0
12968
1262
Tai – mano dukterėčia.
00:14
Her name is Yahli.
1
14644
1535
Jos vardas – Yahli.
00:16
She is nine months old.
2
16203
1511
Jai devyni mėnesiai.
00:18
Her mum is a doctor, and her dad is a lawyer.
3
18201
2528
Jos mama yra gydytoja, o tėtis – teisininkas.
Kai Yahli pradės lankyti koledžą,
00:21
By the time Yahli goes to college,
4
21269
2006
00:23
the jobs her parents do are going to look dramatically different.
5
23299
3253
jos tėvų veikla atrodys visiškai kitaip.
00:27
In 2013, researchers at Oxford University did a study on the future of work.
6
27347
5073
2013 m. Oksfordo universitete buvo atliktas tyrimas apie darbo ateitį.
00:32
They concluded that almost one in every two jobs have a high risk
7
32766
4139
Buvo padaryta išvada, kad beveik kas antra darbo sritis
00:36
of being automated by machines.
8
36929
1824
rizikuoja būti automatizuota.
00:40
Machine learning is the technology
9
40388
1905
Save mokančios sistemos yra technologija,
00:42
that's responsible for most of this disruption.
10
42317
2278
didžia dalimi atsakinga už šią suirutę.
00:44
It's the most powerful branch of artificial intelligence.
11
44619
2790
Tai – galingiausia dirbtinio intelekto dalis.
00:47
It allows machines to learn from data
12
47433
1882
Ji leidžia kompiuteriams mokytis iš duomenų
00:49
and mimic some of the things that humans can do.
13
49339
2592
ir mėgdžioti tam tikrus žmogaus veiksmus.
00:51
My company, Kaggle, operates on the cutting edge of machine learning.
14
51955
3415
Mano įmonė „Kaggle“ dirba su naujausiomis save mokančiomis sistemomis.
00:55
We bring together hundreds of thousands of experts
15
55394
2386
Mes suburiame šimtus tūkstančių ekspertų tam,
00:57
to solve important problems for industry and academia.
16
57804
3118
kad išspręstume svarbias pramonės ir mokslo problemas.
01:01
This gives us a unique perspective on what machines can do,
17
61279
3222
Mes turime unikalią galimybę pamatyti, ką kompiuteriai gali atlikti,
01:04
what they can't do
18
64525
1235
o ko – ne
01:05
and what jobs they might automate or threaten.
19
65784
2939
ir kurioms veikloms gali kilti grėsmė tapti automatizuotomis.
01:09
Machine learning started making its way into industry in the early '90s.
20
69316
3550
Save mokančios sistemos pradėjo brautis į pramonę 90-ųjų pradžioje.
01:12
It started with relatively simple tasks.
21
72890
2124
Iš pradžių tai buvo gana paprastos užduotys.
01:15
It started with things like assessing credit risk from loan applications,
22
75406
4115
Pradžioje buvo rizikos įvertinimas iš paskolos prašymo,
01:19
sorting the mail by reading handwritten characters from zip codes.
23
79545
4053
laiškų rūšiavimas nuskaitant ranka parašytus pašto indeksus.
01:24
Over the past few years, we have made dramatic breakthroughs.
24
84036
3169
Per pastaruosius metus įvyko didelis persilaužimas.
01:27
Machine learning is now capable of far, far more complex tasks.
25
87586
3916
Dabar save mokančios sistemos gali atlikti žymiai sunkesnes užduotis.
01:31
In 2012, Kaggle challenged its community
26
91860
3231
2012 m. „Kaggle“ metė iššūkį savo bendruomenei
01:35
to build an algorithm that could grade high-school essays.
27
95115
3189
sukurti algoritmą, galintį vertinti moksleivių rašinius.
01:38
The winning algorithms were able to match the grades
28
98328
2604
Laimėję algoritmai sugebėjo darbus įvertinti taip pat,
01:40
given by human teachers.
29
100956
1665
kaip tikri mokytojai.
01:43
Last year, we issued an even more difficult challenge.
30
103092
2984
Pernai mes metėme dar sunkesnį iššūkį.
01:46
Can you take images of the eye and diagnose an eye disease
31
106100
2953
Ar įmanoma padaryti akies nuotraukas ir diagnozuoti akių ligą
01:49
called diabetic retinopathy?
32
109077
1694
diabetinę retinopatiją.
01:51
Again, the winning algorithms were able to match the diagnoses
33
111164
4040
Ir vėl, laimėjusių algoritmų diagnozės atitiko
01:55
given by human ophthalmologists.
34
115228
1825
oftalmologų nustatytas diagnozes.
01:57
Now, given the right data, machines are going to outperform humans
35
117561
3212
Taigi, gavę tinkamus duomenis, kompiuteriai geriau nei žmonės
02:00
at tasks like this.
36
120797
1165
susidoroja su tokiomis užduotimis.
02:01
A teacher might read 10,000 essays over a 40-year career.
37
121986
3992
Mokytojas gali perskaityti 10 tūkst. rašinių per 40 m. karjerą.
02:06
An ophthalmologist might see 50,000 eyes.
38
126407
2360
Oftalmologas gali apžiūrėti 50 tūkst. akių.
02:08
A machine can read millions of essays or see millions of eyes
39
128791
3913
Kompiuteris gali perskaityti milijonus rašinių ar apžiūrėti milijonus akių
02:12
within minutes.
40
132728
1276
per kelias minutes.
02:14
We have no chance of competing against machines
41
134456
2858
Mes negalime konkuruoti su kompiuteriais
02:17
on frequent, high-volume tasks.
42
137338
2321
atlikdami įprastas, didelės apimties užduotis.
02:20
But there are things we can do that machines can't do.
43
140665
3724
Tačiau yra dalykų, kuriuos mes galime, o kompiuteriai – ne.
02:24
Where machines have made very little progress
44
144791
2200
Kompiuteriai nedaug pažengė
02:27
is in tackling novel situations.
45
147015
1854
spręsdami jiems neįprastas situacijas.
02:28
They can't handle things they haven't seen many times before.
46
148893
3899
Jie negali susidoroti su dalykais, kurių anksčiau nematė daug kartų.
02:33
The fundamental limitations of machine learning
47
153321
2584
Esminis save mokančių sistemų trūkumas
02:35
is that it needs to learn from large volumes of past data.
48
155929
3394
yra tai, kad joms reikia daug praeities duomenų.
02:39
Now, humans don't.
49
159347
1754
O žmonėms – ne.
Mes sugebame susieti visiškai skirtingus dalykus,
02:41
We have the ability to connect seemingly disparate threads
50
161125
3030
02:44
to solve problems we've never seen before.
51
164179
2238
kad išspręstume problemą, su kuria susiduriame pirmąkart.
02:46
Percy Spencer was a physicist working on radar during World War II,
52
166808
4411
Percy Spencer buvo fizikas, dirbantis su radaru per Antrąjį pasaulinį karą,
02:51
when he noticed the magnetron was melting his chocolate bar.
53
171243
3013
kuris pastebėjo, kad magnetronas išlydė jo šokoladą.
02:54
He was able to connect his understanding of electromagnetic radiation
54
174970
3295
Jis sugebėjo susieti savo žinias apie elektromagnetinę radiaciją
02:58
with his knowledge of cooking
55
178289
1484
su žiniomis apie maisto gamybą
02:59
in order to invent -- any guesses? -- the microwave oven.
56
179797
3258
tam, kad sukurtų... Bus spėjimų? Mikrobangų krosnelę.
03:03
Now, this is a particularly remarkable example of creativity.
57
183444
3073
Tai yra ypatingai puikus kūrybingumo pavyzdys.
03:06
But this sort of cross-pollination happens for each of us in small ways
58
186541
3664
Tačiau toks idėjų kryžminimas mums nutinka kasdien
03:10
thousands of times per day.
59
190229
1828
tūkstančius kartų.
03:12
Machines cannot compete with us
60
192501
1661
Kompiuteriai negali su mumis konkuruoti,
03:14
when it comes to tackling novel situations,
61
194186
2251
kai reikia spręsti neįprastas užduotis.
03:16
and this puts a fundamental limit on the human tasks
62
196461
3117
O tai nubrėžia aiškią ribą, kiek žmogiškų veiklų
03:19
that machines will automate.
63
199602
1717
bus automatizuota.
03:22
So what does this mean for the future of work?
64
202041
2405
Ką visa tai pranašauja darbui ateityje?
03:24
The future state of any single job lies in the answer to a single question:
65
204804
4532
Kiekvienos veiklos ateitis slypi atsakyme į klausimą:
03:29
To what extent is that job reducible to frequent, high-volume tasks,
66
209360
4981
„Kokią veiklos dalį sudaro įprastos, didelės apimties užduotys
03:34
and to what extent does it involve tackling novel situations?
67
214365
3253
ir kokią – neįprastų situacijų sprendimas?“
03:37
On frequent, high-volume tasks, machines are getting smarter and smarter.
68
217975
4035
Pirmu atveju kompiuteriai vystosi labai greitai.
03:42
Today they grade essays. They diagnose certain diseases.
69
222034
2714
Šiandien jie vertina rašinius, diagnozuoja kai kurias ligas.
03:44
Over coming years, they're going to conduct our audits,
70
224772
3157
Artimiausiu metu jie už mus atliks auditus,
03:47
and they're going to read boilerplate from legal contracts.
71
227953
2967
ruoš standartines sutartis.
03:50
Accountants and lawyers are still needed.
72
230944
1997
Buhalterių ir teisininkų vis dar reikės.
03:52
They're going to be needed for complex tax structuring,
73
232965
2682
Jų prireiks sudėtingų mokesčių skaičiavimui,
novatoriškoms byloms.
03:55
for pathbreaking litigation.
74
235671
1357
Bet kompiuteriai susiaurins jų gretas
03:57
But machines will shrink their ranks
75
237052
1717
03:58
and make these jobs harder to come by.
76
238793
1872
ir tokie darbai bus sunkiau gaunami.
04:00
Now, as mentioned,
77
240689
1151
Taigi, kaip jau minėjau,
04:01
machines are not making progress on novel situations.
78
241864
2949
kompiuteriai neprogresuoja neįprastose situacijose.
04:04
The copy behind a marketing campaign needs to grab consumers' attention.
79
244837
3457
Reklamos kampanijos tekstas turi patraukti vartotojo dėmesį.
Jis turi išsiskirti.
04:08
It has to stand out from the crowd.
80
248318
1715
04:10
Business strategy means finding gaps in the market,
81
250057
2444
Verslo strategija reiškia atrasti rinkoje poreikį,
04:12
things that nobody else is doing.
82
252525
1756
kažką, ko niekas nedaro.
04:14
It will be humans that are creating the copy behind our marketing campaigns,
83
254305
4118
Būtent žmonės kurs reklamos kampanijų tekstus
04:18
and it will be humans that are developing our business strategy.
84
258447
3517
ir žmonės vystys verslo strategijas.
04:21
So Yahli, whatever you decide to do,
85
261988
2817
Taigi, Yahli, kad ir ką nuspręstum veikti,
04:24
let every day bring you a new challenge.
86
264829
2361
tegu kiekviena diena tau atneša naują iššūkį.
04:27
If it does, then you will stay ahead of the machines.
87
267587
2809
Jei taip bus, tu išliksi pranašesnė už kompiuterius.
04:31
Thank you.
88
271126
1176
Ačiū.
04:32
(Applause)
89
272326
3104
(Plojimai.)
Apie šią svetainę

Šioje svetainėje rasite "YouTube" vaizdo įrašų, naudingų mokantis anglų kalbos. Pamatysite anglų kalbos pamokas, kurias veda aukščiausio lygio mokytojai iš viso pasaulio. Dukart spustelėkite angliškus subtitrus, rodomus kiekvieno vaizdo įrašo puslapyje, kad iš ten paleistumėte vaizdo įrašą. Subtitrai slenka sinchroniškai su vaizdo įrašo atkūrimu. Jei turite pastabų ar pageidavimų, susisiekite su mumis naudodami šią kontaktinę formą.

https://forms.gle/WvT1wiN1qDtmnspy7