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

Translator: Raimonds Jaks Reviewer: Kristaps Kadiķis

So this is my niece.

Šī ir mana brāļameita.

Her name is Yahli.

Viņu sauc Jālī.

She is nine months old.

Viņai ir deviņi mēneši.

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

Viņas mamma ir ārste un tētis ‒ jurists.

By the time Yahli goes to college,

Kad Jālī ies augstskolā,

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

viņas vecāku profesijas izskatīsies pavisam citādāk.

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

2013. gadā Oksfordas Universitātes pētnieki veica pētījumu par nākotnes darbu.

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

Viņi secināja, ka gandrīz katrai otrajai profesijai pastāv liels

of being automated by machines.

automatizācijas risks.

Machine learning is the technology

Mašīnmācīšanās ir tehnoloģija,

that's responsible for most of this disruption.

kas būs par iemeslu vairumam šo pārmaiņu.

It's the most powerful branch of artificial intelligence.

Tā ir visspēcīgākā mākslīgā intelekta nozare.

It allows machines to learn from data

Tā ļauj mašīnām mācīties no datiem

and mimic some of the things that humans can do.

un atdarināt dažas cilvēku veiktas darbības.

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

Mans uzņēmums, Kaggle, darbojas vēl neapgūtajos mašīnmācīšanās ūdeņos.

We bring together hundreds of thousands of experts

Mēs apvienojam simtiem tūkstošu ekspertu

to solve important problems for industry and academia.

svarīgu nozares un akadēmisku problēmu risināšanai.

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

Tas sniedz mums unikālu skatījumu uz to, ko mašīnas spēj,

what they can't do

ko tās nespēj

and what jobs they might automate or threaten.

un kādas darba vietas tās varētu automatizēt un apdraudēt.

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

Mašīnmācīšanās pirmsākumi meklējami 90. gadu sākumā.

It started with relatively simple tasks.

Tā sākās ar nosacīti vienkāršiem uzdevumiem.

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

Tā sākās, piemēram, ar kredītriska noteikšanu aizņēmuma pieteikumiem

sorting the mail by reading handwritten characters from zip codes.

un pasta šķirošanu, nolasot rokrakstā rakstītus pasta indeksus.

Pēdējo dažu gadu laikā esam veikuši strauju izrāvienu.

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

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

Mašīnmācīšanās tagad spēj veikt daudz, daudz sarežģītākus uzdevumus.

In 2012, Kaggle challenged its community

2012. gadā Kaggle meta izaicinājumu savas kopienas biedriem

izveidot algoritmu, kas spētu izvērtēt vidusskolas sacerējumus.

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

The winning algorithms were able to match the grades

Uzvaru guvušais algoritms spēja novērtēšanā līdzināties

given by human teachers.

skolotāju-cilvēku liktajām atzīmēm.

Pagājušajā gadā mēs izsludinājām vēl sarežģītāku uzdevumu.

Last year, we issued an even more difficult challenge.

Vai spējat uzņemt acs attēlu un diagnosticēt acs slimību

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

diabētisko retinopātiju?

called diabetic retinopathy?

Arī šoreiz uzvaru guvušais algoritms spēja līdzināties diagnozēm,

Again, the winning algorithms were able to match the diagnoses

given by human ophthalmologists.

ko uzstādīja dzīvi oftalmologi.

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

Ja tiks ievadīti pareizi dati, mašīnas šādos uzdevumos cilvēkus pārspēs.

at tasks like this.

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

Skolotājs 40 gadu karjeras laikā var izlasīt 10 000 sacerējumus.

An ophthalmologist might see 50,000 eyes.

Oftalmologs var apskatīt 50 000 acu.

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

Mašīna spēj izlasīt miljonus sacerējumu un apskatīt miljonus acu

within minutes.

dažu minūšu laikā.

We have no chance of competing against machines

Mums sacensībā ar mašīnām nav nekādu izredžu

on frequent, high-volume tasks.

vienveidīgos lielapjoma darbos.

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

Bet ir lietas, ko spējam un mašīnas nespēj.

Where machines have made very little progress

Jomas, kur mašīnas ir veikušas ļoti nelielu progresu,

ir situācijas, kas saistītas ar jaunradi.

is in tackling novel situations.

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

Tās netiek galā ar to, ko iepriekš nav redzējušas daudz reižu.

The fundamental limitations of machine learning

Lielākais mašīnmācīšanās ierobežojums

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

ir vajadzība mācīties no liela daudzuma pagātnes datu.

Now, humans don't.

Cilvēkiem to nevajag.

Mēs spējam savienot šķietami pilnīgi atšķirīgas lietas

We have the ability to connect seemingly disparate threads

un atrisināt problēmas, kādas iepriekš nekad neesam sastapuši.

to solve problems we've never seen before.

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

Persijs Spensers bija fiziķis, kas 2. pasaules kara laikā strādāja ar radaru,

when he noticed the magnetron was melting his chocolate bar.

kad viņš pamanīja, ka magnetrons kausēja viņa šokolādes tāfelīti.

He was able to connect his understanding of electromagnetic radiation

Viņš spēja apvienot zināšanas par elektromagnētisko starojumu

with his knowledge of cooking

ar ēst gatavošanas prasmi

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

un izgudrot ‒ vai varat uzminēt? ‒ mikroviļņu krāsni.

Now, this is a particularly remarkable example of creativity.

Tas ir sevišķi iespaidīgs radošuma piemērs.

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

Bet šāda starpjomu apputeksnēšanās mazā mērogā notiek katrā no mums

thousands of times per day.

tūkstošiem reižu dienā.

Machines cannot compete with us

Mašīnas nespēj konkurēt ar mums,

when it comes to tackling novel situations,

ja runa ir par situācijām, kas ietver jaunradi,

and this puts a fundamental limit on the human tasks

un tas būtiski ierobežo tos cilvēku darbus,

that machines will automate.

ko mašīnas neautomatizēs.

Ko tas nozīmē nākotnes darbam?

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:

Katras profesijas nākotnes izredzes slēpjas vienā vienīgā jautājumā:

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

kādā mērā jūsu profesiju var reducēt uz vienveidīgiem lielapjoma uzdevumiem,

and to what extent does it involve tackling novel situations?

un kādā mērā tā iekļauj jaunradi?

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

Mašīnas arvien labāk veic vienveidīgus lielapjoma uzdevumus.

Today they grade essays. They diagnose certain diseases.

Tagad tās spēj vērtēt sacerējumus.

Diagnosticēt noteiktas slimības.

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

Turpmākajos gados tās spēs veikt auditus

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

un lasīs juridisku līgumu tekstveidnes.

Accountants and lawyers are still needed.

Vēl arvien būs vajadzīgi grāmatveži un juristi.

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

Tie būs vajadzīgi sarežģītu nodokļu struktūru veidošanai

for pathbreaking litigation.

un bezprecedenta tiesas prāvām.

But machines will shrink their ranks

Bet mašīnas paretinās to rindas

and make these jobs harder to come by.

un liks šim profesijām kļūt konkurējošākām.

Now, as mentioned,

machines are not making progress on novel situations.

Kā jau minēju,

mašīnas neveic progresu ar jaunradi saistītās situācijās.

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

Mārketinga kampaņas idejai jāpiesaista patērētāju uzmanība.

It has to stand out from the crowd.

Tai jāizceļas uz citu fona.

Biznesa stratēģija nozīmē atrast neaizņemtas tirgus nišas,

Business strategy means finding gaps in the market,

things that nobody else is doing.

to, ko nedara neviens cits.

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

Mārketinga kampaņas idejas radīs cilvēki,

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

un arī biznesa stratēģijas izstrādās cilvēki.

So Yahli, whatever you decide to do,

Tāpēc, Jālī, lai ko arī tu izlemtu darīt,

let every day bring you a new challenge.

lai katra diena tev nes jaunus izaicinājumus.

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

Ja tā būs, būsi priekšā mašīnām.

Paldies.

Thank you.

(Applause)

(Aplausi)