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

Translator: Julia Kalaputi Reviewer: ALEKSANDAR MITEVSKI

So this is my niece.

Ова е мојата внука.

Her name is Yahli.

Нејзиното име е Јали.

She is nine months old.

Има девет месеци.

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

Нејзината мајка е лекар, а татко ѝ е адвокат.

By the time Yahli goes to college,

Додека Јали се запише на факултет,

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

занимањата на нејзините родители драстично ќе се изменат.

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

Во 2013 научници од Оксфорд направија студија за иднината на занимањата.

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

Тие тврдат дека речиси едно од две занимања има висок ризик

of being automated by machines.

да биде машински автоматизирано.

Machine learning is the technology

Машинското учење е технологијата

that's responsible for most of this disruption.

која е најодговорна за овие промени.

It's the most powerful branch of artificial intelligence.

Таа е најмоќната гранка на вештачката интелигенција.

It allows machines to learn from data

Овозможува машините да учат од податоци

and mimic some of the things that humans can do.

и да имитираат одредени работи кои луѓето ги прават.

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

Мојата фирма Кегл се занимава со најнапредниот вид на машинско учење.

We bring together hundreds of thousands of experts

Собираме стотици илјадници стручњаци

to solve important problems for industry and academia.

да решаваат значајни проблеми за индустријата и науката.

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

Тоа ни дава единствена перспектива за можностите на машините,

what they can't do

што можат и што не можат,

and what jobs they might automate or threaten.

и кои занимања можат да ги автоматизираат или загрозат.

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

Машинското учење започна да се користи во индустријата во 90-те.

It started with relatively simple tasks.

Започна со прилично едноставни задачи.

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

Започна со проценка на кредитни ризици кај позајмици,

sorting the mail by reading handwritten characters from zip codes.

сортирање на мејлови со читање на ракописни букви од зип кодови.

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

Изминативе години достигнавме огромен пресврт.

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

Машинското учење сега може да извршува посложени задачи

In 2012, Kaggle challenged its community

Во 2012 Кегл ја предизвика својата заедница

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

да изгради алгоритам за оценување на есеи во средни училишта.

The winning algorithms were able to match the grades

Победничките алгоритми беа во состојба да дадат оцени

given by human teachers.

блиски на оцените од наставниците.

Last year, we issued an even more difficult challenge.

Лани имавме уште потежок предизвик.

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

Може да го сликате окото и да дијагностицирате очна болест

called diabetic retinopathy?

наречена дијабетична ретинопатија?

Again, the winning algorithms were able to match the diagnoses

Повторно, победничките алгоритми можеа да дадат дијагнози

given by human ophthalmologists.

слични на оние од офталмолозите.

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

Со давање на точни податоци, машините ќе ги надминат луѓето

at tasks like this.

во слични задачи.

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

Наставникот може да прочита 10.000 есеи во 40 години кариера.

An ophthalmologist might see 50,000 eyes.

Офталмологот може да прегледа 50.000 очи.

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

Машината може да прочита милиони есеи и да провери милиони очи

within minutes.

за неколку минути.

We have no chance of competing against machines

Немаме шанси во натпреварот со машините

on frequent, high-volume tasks.

кај чести и обемни задачи.

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

Но, има работи кои можеме да ги правиме а машините не можат.

Where machines have made very little progress

Машините немаат достигнато голем напредок

is in tackling novel situations.

во справување со нови состојби.

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

Не можат да се носат со нешта кои не ги виделе претходно.

The fundamental limitations of machine learning

Суштинската ограниченост на машинското учење

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

е што машините учат од обемните претходни податоци.

Now, humans don't.

Луѓето не прават така.

We have the ability to connect seemingly disparate threads

Ние сме во состојба да поврземе навидум неповрзани нишки

to solve problems we've never seen before.

и да решиме проблем кој не сме го имале порано.

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

Перси Спенсер беше физичар кој работел на радар во Втората светска војна

when he noticed the magnetron was melting his chocolate bar.

и забележал дека магнетронот го топи неговото чоколадо.

He was able to connect his understanding of electromagnetic radiation

Можел да го поврзе познавањето на електромагнетното зрачење

with his knowledge of cooking

со познавањето на готвењето

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

за да ја открие-ќе погодите? Микробрановата печка.

Now, this is a particularly remarkable example of creativity.

Ова е посебен, исклучителен пример за креативност.

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

Но, вакви плодни вкрстувања ни се случуваат

thousands of times per day.

илјадници пати во текот на денот.

Справување со нови ситуации е нешто што машините

Machines cannot compete with us

when it comes to tackling novel situations,

не можат да го прават толку добро колку луѓето.

and this puts a fundamental limit on the human tasks

Тоа значи дека е ограничен бројот на задачи кои машините

that machines will automate.

ќе можат да ги автоматизираат.

So what does this mean for the future of work?

Што значи тоа за иднината на занимањата:

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

Иднината на секое занимање лежи во одговорот на едно прашање:

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

До кој степен може едно занимање да се сведе на зачестени, обемни задачи,

and to what extent does it involve tackling novel situations?

и до кој степен е вклучено справувањето со нови ситуации?

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

Машините стануваат сѐ попаметни кај зачестените и обемни задачи.

Today they grade essays. They diagnose certain diseases.

Денес тие оценуваат есеи. Дијагностицираат болести.

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

Во наредните години ќе спроведуваат ревизии

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

и ќе читаат текстови од правни договори.

Accountants and lawyers are still needed.

Сеуште требаат сметководители и правници.

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

Тие ќе требаат за сложените даночни структуирања

for pathbreaking litigation.

на иновативни парници.

But machines will shrink their ranks

Но машините ќе ги стеснат овие звања

and make these jobs harder to come by.

и потешко ќе се наоѓаат работни места.

Now, as mentioned,

Како што реков,

machines are not making progress on novel situations.

машините не се снаоѓаат добро во нови ситуации.

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

Пораката на рекламната кампања мора да го привлече потрошувачот.

It has to stand out from the crowd.

Треба да се истакнува во толпата.

Business strategy means finding gaps in the market,

Бизнис стартегија значи наоѓање дупки во пазарот,

things that nobody else is doing.

нешто што никој друг не го прави.

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

Тоа се луѓето кои стојат зад пораките на рекламните кампањи

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

и луѓето се тие кои ја развиваат бизнис стратегијата.

So Yahli, whatever you decide to do,

Значи, Јали, што и да одлучиш да правиш,

let every day bring you a new challenge.

нека секој нов ден ти донесе нов предизвик.

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

Само така, ќе бидеш пред машините.

Thank you.

Ви благодарам!

(Applause)

(Аплауз)