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

608,348 views ・ 2016-08-31

TED


व्हिडिओ प्ले करण्यासाठी कृपया खालील इंग्रजी सबटायटल्सवर डबल-क्लिक करा.

Translator: Amol Terkar Reviewer: Arvind Patil
00:12
So this is my niece.
0
12968
1262
हि माझी भाची आहे.
00:14
Her name is Yahli.
1
14644
1535
तिचं नाव याहली आहे.
00:16
She is nine months old.
2
16203
1511
ती ९ महिन्यांची आहे.
तिची आई डॉक्टर आहे, आणि तिचे वडील वकील आहेत.
00:18
Her mum is a doctor, and her dad is a lawyer.
3
18201
2528
जेव्हा याहली कॉलेजला जाईल,
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
तेव्हा तिचे आईवडील करत असलेली कामं खूपच वेगळी वाटतील.
२०१३ मध्ये, ऑक्सफर्ड विद्यापीठाच्या संशोधकांनी कामाच्या भविष्याचा अभ्यास केला.
00:27
In 2013, researchers at Oxford University did a study on the future of work.
6
27347
5073
00:32
They concluded that almost one in every two jobs have a high risk
7
32766
4139
त्यांनी निष्कर्ष काढला कि प्रत्येक दोन कामांमागे जवळजवळ एका कामाला
00:36
of being automated by machines.
8
36929
1824
यंत्रचलित होण्याचा धोका आहे.
00:40
Machine learning is the technology
9
40388
1905
यंत्राचे स्वअध्ययन हे तंत्रज्ञान
00:42
that's responsible for most of this disruption.
10
42317
2278
या व्यत्ययाला बहुतांशी कारणीभूत आहे.
00:44
It's the most powerful branch of artificial intelligence.
11
44619
2790
कृत्रिम बुद्धिमत्तेच्या विषयातील हि अत्यंत प्रबळ शाखा आहे.
00:47
It allows machines to learn from data
12
47433
1882
यामुळे दिलेल्या माहितीतून यंत्रांना शिकता येतं
00:49
and mimic some of the things that humans can do.
13
49339
2592
आणि मानवाला जमणाऱ्या काही गोष्टींची नक्कल करता येते.
00:51
My company, Kaggle, operates on the cutting edge of machine learning.
14
51955
3415
माझी कंपनी कॅगल यंत्र स्वअध्ययनाच्या क्षेत्रात अत्यंत प्रगत असं काम करते.
00:55
We bring together hundreds of thousands of experts
15
55394
2386
आम्ही शेकडो हजारो तज्ज्ञांना एकत्र आणतो
00:57
to solve important problems for industry and academia.
16
57804
3118
उद्योग आणि शिक्षण संस्थांचे काही महत्त्वाचे प्रश्न सोडवण्यासाठी
01:01
This gives us a unique perspective on what machines can do,
17
61279
3222
यामुळे आम्हांला एक विलक्षण दृष्टिकोण मिळतो, यंत्रं काय करु शकतात
01:04
what they can't do
18
64525
1235
ते काय करु शकत नाहीत,
01:05
and what jobs they might automate or threaten.
19
65784
2939
आणि कुठली कामं ते स्वयंचलित करु शकतात
01:09
Machine learning started making its way into industry in the early '90s.
20
69316
3550
यंत्र स्वअध्ययनाने उद्योगांमध्ये '९० च्या दशकात प्रवेश करायला सुरुवात केली
01:12
It started with relatively simple tasks.
21
72890
2124
साध्या सोप्या कामांनी त्याची सुरुवात झाली.
01:15
It started with things like assessing credit risk from loan applications,
22
75406
4115
त्याची सुरूवात कर्जाच्या निवेदनांतील पत जोखीम पडताळणे,
01:19
sorting the mail by reading handwritten characters from zip codes.
23
79545
4053
पिनकोडमधील हस्तलिखीत अक्षरांनुसार टपालाचे विभाजन करणे यांसारख्या गोष्टीतून झाली.
गेल्या काही वर्षांत, आम्हांला नाट्यमयरित्या यश मिळाले आहे.
01:24
Over the past few years, we have made dramatic breakthroughs.
24
84036
3169
01:27
Machine learning is now capable of far, far more complex tasks.
25
87586
3916
यंत्र स्वअध्ययनाने आता अतिक्लिष्ट कामं करणंही शक्य आहे.
01:31
In 2012, Kaggle challenged its community
26
91860
3231
सन २०१२ मध्ये कॅगलने त्याच्या समुदायाला एक आव्हान दिलं
01:35
to build an algorithm that could grade high-school essays.
27
95115
3189
शाळेतले निबंध तपासण्याची प्रणाली तयार करण्याचं.
01:38
The winning algorithms were able to match the grades
28
98328
2604
विजेत्या प्रणालींनी केलेली तपासणी जुळत होती.
01:40
given by human teachers.
29
100956
1665
मानवी शिक्षकांनी केलेल्या तपासणीशी.
01:43
Last year, we issued an even more difficult challenge.
30
103092
2984
गेल्या वर्षी आम्ही अधिक अवघड आव्हान दिलं.
तुम्ही डोळ्याच्या प्रतिमा घेऊन एका नेत्रविकाराचे निदान करू शकता का
01:46
Can you take images of the eye and diagnose an eye disease
31
106100
2953
01:49
called diabetic retinopathy?
32
109077
1694
ज्याच्यात मधुमेहाने अंधत्व येते?
01:51
Again, the winning algorithms were able to match the diagnoses
33
111164
4040
पुन्हा विजेत्या प्रणालींनी केलेलं निदान जुळत होतं
01:55
given by human ophthalmologists.
34
115228
1825
मानवी नेत्रविकारतज्ज्ञांनी केलेल्या निदानाशी.
01:57
Now, given the right data, machines are going to outperform humans
35
117561
3212
आता जर योग्य माहिती मिळाली तर यंत्रं मानवांपेक्षा
02:00
at tasks like this.
36
120797
1165
अशी कामं बेहतर करू शकतात.
02:01
A teacher might read 10,000 essays over a 40-year career.
37
121986
3992
एक शिक्षक ४० वर्षांच्या कारकिर्दीत कदाचित १०,००० निबंध वाचेल.
02:06
An ophthalmologist might see 50,000 eyes.
38
126407
2360
नेत्रविकारतज्ज्ञ कदाचित ५०,००० डोळे तपासेल.
02:08
A machine can read millions of essays or see millions of eyes
39
128791
3913
एक यंत्र लाखो निबंध वाचू शकते किंवा लाखो डोळे तपासू शकते
02:12
within minutes.
40
132728
1276
काही मिनिटांत.
02:14
We have no chance of competing against machines
41
134456
2858
यंत्रांबरोबर स्पर्धा करणं आपल्याला शक्यच नाही
02:17
on frequent, high-volume tasks.
42
137338
2321
वारंवार, अतिसंख्येने कराव्या लागणाऱ्या कामांमध्ये.
02:20
But there are things we can do that machines can't do.
43
140665
3724
पण काही गोष्टी अशा आहेत कि ज्या आपण करू शकतो आणि यंत्रं करू शकत नाहीत.
02:24
Where machines have made very little progress
44
144791
2200
यंत्रांनी खूपच कमी प्रगती केली आहे अशा ठिकाणी
02:27
is in tackling novel situations.
45
147015
1854
जिथे नवीन परिस्थिती सांभाळायची असते.
02:28
They can't handle things they haven't seen many times before.
46
148893
3899
ते अशा गोष्टी हाताळू शकत नाहीत ज्या पूर्वी बऱ्याचदा त्यांनी पाहिलेल्या नाहीत.
02:33
The fundamental limitations of machine learning
47
153321
2584
यंत्र स्वअध्ययानाची मूलभूत मर्यादा
02:35
is that it needs to learn from large volumes of past data.
48
155929
3394
हि आहे कि त्याला शिकण्यासाठी जुनी माहिती खूप लागते.
02:39
Now, humans don't.
49
159347
1754
पण माणसांना ती लागत नाही.
02:41
We have the ability to connect seemingly disparate threads
50
161125
3030
आपल्यात क्षमता असते विभिन्न धागेदोरे जोडून
02:44
to solve problems we've never seen before.
51
164179
2238
पूर्वी कधीही न अनुभवलेले प्रश्न सोडवण्याची.
02:46
Percy Spencer was a physicist working on radar during World War II,
52
166808
4411
दुसऱ्या महायुद्धात रडारवर काम करणारा पर्सी स्पेंसर हा एक भौतिक शास्त्रज्ञ होता,
02:51
when he noticed the magnetron was melting his chocolate bar.
53
171243
3013
जेव्हा त्याला कळलं कि मॅग्नेट्रॉन त्याचं चॉकलेट वितळवत आहे
02:54
He was able to connect his understanding of electromagnetic radiation
54
174970
3295
तेव्हा त्याच्या विद्युतचुंबकीय किरणांच्या ज्ञानाचा संबंध
02:58
with his knowledge of cooking
55
178289
1484
त्याच्या पाककलेच्या ज्ञानाशी जोडू शकला
02:59
in order to invent -- any guesses? -- the microwave oven.
56
179797
3258
शोध लावण्यासाठी -- कशाचा? -- मायक्रोवेव्ह ओव्हनचा.
03:03
Now, this is a particularly remarkable example of creativity.
57
183444
3073
आता हे एक सर्जनशीलतेचं उल्लेखनीय उदाहरण आहे.
03:06
But this sort of cross-pollination happens for each of us in small ways
58
186541
3664
पण अशा प्रकारचं पराग सिंचन आपल्या प्रत्येकाच्या बाबतीत
छोट्या मार्गांनी होतंच दिवसातून हजारो वेळा.
03:10
thousands of times per day.
59
190229
1828
03:12
Machines cannot compete with us
60
192501
1661
यंत्रं आपल्याशी स्पर्धा करू शकत नाहीत
03:14
when it comes to tackling novel situations,
61
194186
2251
जेव्हा नवीन परिस्थिती हाताळायची असते
03:16
and this puts a fundamental limit on the human tasks
62
196461
3117
आणि यामुळे मानवी कामं करण्यावर मूलभूत मर्यादा येते
03:19
that machines will automate.
63
199602
1717
जी यंत्रचलित होऊ शकतात.
03:22
So what does this mean for the future of work?
64
202041
2405
कामाच्या भविष्याबद्दल यातून काय अर्थ निघतो?
03:24
The future state of any single job lies in the answer to a single question:
65
204804
4532
कुठल्याही एका कामाची भविष्यातील स्थिती एका प्रश्नाच्या उत्तरात कळू शकते:
03:29
To what extent is that job reducible to frequent, high-volume tasks,
66
209360
4981
ते काम किती वारंवार, अतिसंख्येने करावं लागणारं आहे,
03:34
and to what extent does it involve tackling novel situations?
67
214365
3253
आणि ते करण्यासाठी किती मर्यादेपर्यंत नवीन परिस्थिती हाताळावी लागणार आहे?
03:37
On frequent, high-volume tasks, machines are getting smarter and smarter.
68
217975
4035
वारंवार, अतिसंख्येने कराव्या लागणाऱ्या कामांत यंत्रं अधिकाधिक हुशार होत आहेत.
03:42
Today they grade essays. They diagnose certain diseases.
69
222034
2714
आज ते निबंध तपासतात. ते काही रोगांचे निदान करतात.
03:44
Over coming years, they're going to conduct our audits,
70
224772
3157
येणाऱ्या काही वर्षांत, ते आपलं लेखापरीक्षण करतील,
03:47
and they're going to read boilerplate from legal contracts.
71
227953
2967
आणि कायदेशीर करारातील ठराविक मजकूर वाचू शकतील.
03:50
Accountants and lawyers are still needed.
72
230944
1997
लेखापालांची आणि वकिलांची गरज भासेलच.
03:52
They're going to be needed for complex tax structuring,
73
232965
2682
त्यांची आवश्यकता गुंतागुंतीच्या कर रचनेसाठी
03:55
for pathbreaking litigation.
74
235671
1357
नाविन्यपूर्ण खटल्यांसाठी भासेल.
03:57
But machines will shrink their ranks
75
237052
1717
पण यंत्रं त्यांची पत कमी करतील
03:58
and make these jobs harder to come by.
76
238793
1872
आणि ही कामं मिळवणं अवघड करून टाकतील.
04:00
Now, as mentioned,
77
240689
1151
04:01
machines are not making progress on novel situations.
78
241864
2949
आता, आधी नमूद केल्याप्रमाणे,
नवीन परिस्थितीमध्ये यंत्रांची प्रगती होत नाहीये.
04:04
The copy behind a marketing campaign needs to grab consumers' attention.
79
244837
3457
एखाद्या वितरण मोहिमेमधील लिखाणाने ग्राहकांचे लक्ष वेधले पाहिजे.
04:08
It has to stand out from the crowd.
80
248318
1715
गर्दीत त्याचं वेगळेपण दिसलं पाहिजे.
04:10
Business strategy means finding gaps in the market,
81
250057
2444
व्यवसायाचे धोरण म्हणजे बाजारातील रिक्त जागा शोधणं,
04:12
things that nobody else is doing.
82
252525
1756
अशा गोष्टी ज्या कोणीच करत नाही.
04:14
It will be humans that are creating the copy behind our marketing campaigns,
83
254305
4118
माणसंच वितरण मोहिमेचे लिखाण करू शकतात,
04:18
and it will be humans that are developing our business strategy.
84
258447
3517
आणि माणसंच व्यवसायाचे धोरण ठरवू शकतात.
04:21
So Yahli, whatever you decide to do,
85
261988
2817
याहिली, मग तू जे काही करायचं ठरवशील,
04:24
let every day bring you a new challenge.
86
264829
2361
प्रत्येक दिवसाला नवीन आव्हान समज.
04:27
If it does, then you will stay ahead of the machines.
87
267587
2809
जर ते असेल तरच तु यंत्रांच्यापुढे एक पाऊल राहू शकशील
04:31
Thank you.
88
271126
1176
धन्यवाद.
04:32
(Applause)
89
272326
3104
(टाळ्या)
या वेबसाइटबद्दल

ही साइट इंग्रजी शिकण्यासाठी उपयुक्त असलेल्या YouTube व्हिडिओंची ओळख करून देईल. जगभरातील उत्कृष्ट शिक्षकांनी शिकवलेले इंग्रजी धडे तुम्हाला दिसतील. तेथून व्हिडिओ प्ले करण्यासाठी प्रत्येक व्हिडिओ पृष्ठावर प्रदर्शित केलेल्या इंग्रजी उपशीर्षकांवर डबल-क्लिक करा. उपशीर्षके व्हिडिओ प्लेबॅकसह समक्रमितपणे स्क्रोल करतात. तुमच्या काही टिप्पण्या किंवा विनंत्या असल्यास, कृपया हा संपर्क फॉर्म वापरून आमच्याशी संपर्क साधा.

https://forms.gle/WvT1wiN1qDtmnspy7