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

604,026 views ・ 2016-08-31

TED


Sila klik dua kali pada sari kata Inggeris di bawah untuk memainkan video.

Translator: Nurul Hanim Abd Karim Reviewer: Aznah Binti Arshad
Ini anak saudara saya,
Namanya Yahli.
Dia berusia sembilan bulan.
Ibunya doktor, ayahnya peguam.
00:12
So this is my niece.
0
12968
1262
Ketika Yahli ke kolej,
00:14
Her name is Yahli.
1
14644
1535
pekerjaan ibu bapanya akan tampak sangat berbeza.
00:16
She is nine months old.
2
16203
1511
00:18
Her mum is a doctor, and her dad is a lawyer.
3
18201
2528
Tahun 2013, penyelidik Universiti Oxford lakukan kajian kerjaya masa depan.
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
Kesimpulannya hampir satu dalam setiap dua kerjaya punyai risiko tinggi
00:27
In 2013, researchers at Oxford University did a study on the future of work.
6
27347
5073
akan diautomasikan oleh mesin.
Pembelajaran mesin ialah teknologi
00:32
They concluded that almost one in every two jobs have a high risk
7
32766
4139
yang bertanggungjawab kepada gangguan ini.
00:36
of being automated by machines.
8
36929
1824
Ianya satu cabang paling berkuasa dalam kecerdasan buatan.
Ia membenarkan mesin belajar dari data
00:40
Machine learning is the technology
9
40388
1905
dan mimik beberapa perkara yang manusia lakukan.
00:42
that's responsible for most of this disruption.
10
42317
2278
Syarikat saya, Kaggle, beroperasi pada kecanggihan pembelajaran mesin.
00:44
It's the most powerful branch of artificial intelligence.
11
44619
2790
Kami membawa ratusan ribu pakar
00:47
It allows machines to learn from data
12
47433
1882
00:49
and mimic some of the things that humans can do.
13
49339
2592
untuk selesaikan masalah penting untuk industri dan akademik.
00:51
My company, Kaggle, operates on the cutting edge of machine learning.
14
51955
3415
Ini berikan kami perspektif unik apa yang mesin boleh lakukan,
00:55
We bring together hundreds of thousands of experts
15
55394
2386
apa mesin tidak boleh
00:57
to solve important problems for industry and academia.
16
57804
3118
dan pekerjaan boleh guna mesin atau mesin ancam.
Pembelajaran mesin bermula dalam industri pada awal 90an.
01:01
This gives us a unique perspective on what machines can do,
17
61279
3222
01:04
what they can't do
18
64525
1235
Ia bermula dengan tugasan mudah.
01:05
and what jobs they might automate or threaten.
19
65784
2939
Bermula dengan perkara seperti mengakses risiko kredit dari aplikasi hutang,
01:09
Machine learning started making its way into industry in the early '90s.
20
69316
3550
menyusun surat dengan baca huruf ditulis dari poskod.
01:12
It started with relatively simple tasks.
21
72890
2124
01:15
It started with things like assessing credit risk from loan applications,
22
75406
4115
Beberapa tahun lepas, kami telah melakukan kejayaan dramatik.
01:19
sorting the mail by reading handwritten characters from zip codes.
23
79545
4053
Pembelajaran mesin sekarang mampu lakukan tugasan lebih kompleks.
Pada 2012, Kaggle mencabar komunitinya
01:24
Over the past few years, we have made dramatic breakthroughs.
24
84036
3169
membina satu algoritma yang boleh menilai esei sekolah menengah.
01:27
Machine learning is now capable of far, far more complex tasks.
25
87586
3916
Algoritma pemenang mampu memadankan gred-gred
01:31
In 2012, Kaggle challenged its community
26
91860
3231
yang diberi cikgu manusia.
Tahun lepas, kami isukan cabaran lebih sukar.
01:35
to build an algorithm that could grade high-school essays.
27
95115
3189
Bolahkan anda ambil imej mata dan periksa satu penyakit mata
01:38
The winning algorithms were able to match the grades
28
98328
2604
01:40
given by human teachers.
29
100956
1665
dipanggil diabetic retinopathy?
Sekali lagi, algoritma pemenang mampu memadankan diagnosis
01:43
Last year, we issued an even more difficult challenge.
30
103092
2984
01:46
Can you take images of the eye and diagnose an eye disease
31
106100
2953
diberikan pakar oftalmologi manusia.
01:49
called diabetic retinopathy?
32
109077
1694
Sekarang, dengan data betul, mesin boleh menandingi manusia
01:51
Again, the winning algorithms were able to match the diagnoses
33
111164
4040
untuk tugas seperti ini.
Cikgu mungkin baca 10,000 esei sepanjang kerjaya 40 tahun.
01:55
given by human ophthalmologists.
34
115228
1825
01:57
Now, given the right data, machines are going to outperform humans
35
117561
3212
Pakar oftalmologi mungkin lihat 50,000 mata.
02:00
at tasks like this.
36
120797
1165
Mesin boleh membaca jutaan esei atau lihat jutaan mata
02:01
A teacher might read 10,000 essays over a 40-year career.
37
121986
3992
dalam beberapa minit.
Kita tidak mampu melawan mesin
02:06
An ophthalmologist might see 50,000 eyes.
38
126407
2360
02:08
A machine can read millions of essays or see millions of eyes
39
128791
3913
pada tugasan kerap dan jumlah banyak.
02:12
within minutes.
40
132728
1276
Tapi ada perkara kita boleh lakukan yang mesin tidak boleh.
02:14
We have no chance of competing against machines
41
134456
2858
Di mana mesin lakukan kemajuan sangat perlahan
02:17
on frequent, high-volume tasks.
42
137338
2321
iaitu menangani situasi baru.
02:20
But there are things we can do that machines can't do.
43
140665
3724
Mereka tidak boleh menangani perkara tidak terjadi banyak kali sebelumnya.
02:24
Where machines have made very little progress
44
144791
2200
Batasan asas pembelajaran mesin
02:27
is in tackling novel situations.
45
147015
1854
ialah ia perlu belajar dari jumlah data masa lalu yang sangat besar.
02:28
They can't handle things they haven't seen many times before.
46
148893
3899
Sekarang, manusia tidak perlu.
Kita ada keupayaan menyambung bebenang yang kelihatan berbeza
02:33
The fundamental limitations of machine learning
47
153321
2584
02:35
is that it needs to learn from large volumes of past data.
48
155929
3394
untuk selesai masalah tak pernah hadapi.
Percy Spencer ialah pakar fizik bekerja untuk radar semasa Perang Dunia ke II,
02:39
Now, humans don't.
49
159347
1754
02:41
We have the ability to connect seemingly disparate threads
50
161125
3030
bila dia perasan magnetron cairkan bar coklatnya.
02:44
to solve problems we've never seen before.
51
164179
2238
02:46
Percy Spencer was a physicist working on radar during World War II,
52
166808
4411
Dia mampu sambung pemahamannya dalam radiasi elektromagnetik
dengan ilmu memasaknya
02:51
when he noticed the magnetron was melting his chocolate bar.
53
171243
3013
dalam proses untuk mereka -- cuba teka? --ketuhar gelombang mikro.
02:54
He was able to connect his understanding of electromagnetic radiation
54
174970
3295
Sekarang, ini ialah contoh kreativiti luar biasa.
02:58
with his knowledge of cooking
55
178289
1484
Tapi pendebungaan silang ini terjadi kepada kita dalam cara kecil
02:59
in order to invent -- any guesses? -- the microwave oven.
56
179797
3258
beribu kali sehari.
03:03
Now, this is a particularly remarkable example of creativity.
57
183444
3073
Mesin tidak boleh melawan kita
berkenaan menangani situasi baru,
03:06
But this sort of cross-pollination happens for each of us in small ways
58
186541
3664
dan ini batasan asas pada tugasan manusia
03:10
thousands of times per day.
59
190229
1828
yang mesin boleh automasikan.
03:12
Machines cannot compete with us
60
192501
1661
Jadi apakah maknanya pada masa depan kerjaya?
03:14
when it comes to tackling novel situations,
61
194186
2251
03:16
and this puts a fundamental limit on the human tasks
62
196461
3117
Masa depan mana-mana kerjaya bergantung kepada satu soalan:
03:19
that machines will automate.
63
199602
1717
Setakat mana kerja itu dikaitkan dengan tugasan kerap, jumlah banyak,
03:22
So what does this mean for the future of work?
64
202041
2405
03:24
The future state of any single job lies in the answer to a single question:
65
204804
4532
dan setakat mana ia menangani situasi baru?
03:29
To what extent is that job reducible to frequent, high-volume tasks,
66
209360
4981
Tugasan kerap, berjumlah banyak, mesin semakin pintar.
Sekarang mereka menilai esei. Diagnos beberapa penyakit.
03:34
and to what extent does it involve tackling novel situations?
67
214365
3253
Masa depan, mereka akan lakukan audit kita,
03:37
On frequent, high-volume tasks, machines are getting smarter and smarter.
68
217975
4035
mereka akan baca klausa boilerplate dari kontrak undang-undang.
03:42
Today they grade essays. They diagnose certain diseases.
69
222034
2714
Akauntan dan peguam masih diperlukan.
03:44
Over coming years, they're going to conduct our audits,
70
224772
3157
Mereka akan perlu untuk penstrukturan cukai kompleks,
03:47
and they're going to read boilerplate from legal contracts.
71
227953
2967
litigasi luar kebiasaan.
Tapi mesin akan kecilkan kedudukan
03:50
Accountants and lawyers are still needed.
72
230944
1997
dan buat tugas ini berkurangan.
03:52
They're going to be needed for complex tax structuring,
73
232965
2682
Seperti saya katakan,
mesin tak buat kemajuan dalam situasi baru.
03:55
for pathbreaking litigation.
74
235671
1357
Salinan di belakang kempen pemasaran perlu mendapat perhatian pengguna.
03:57
But machines will shrink their ranks
75
237052
1717
03:58
and make these jobs harder to come by.
76
238793
1872
Ia perlu menyerlah.
04:00
Now, as mentioned,
77
240689
1151
04:01
machines are not making progress on novel situations.
78
241864
2949
Strategi perniagaan adalah cari jurang dalam pasaran,
04:04
The copy behind a marketing campaign needs to grab consumers' attention.
79
244837
3457
perkara yang tiada siapa buat.
Manusia yang akan cipta salinan di belakang kempen pemasaran kita,
04:08
It has to stand out from the crowd.
80
248318
1715
dan manusia akan membangun strategi perniagaan kita.
04:10
Business strategy means finding gaps in the market,
81
250057
2444
04:12
things that nobody else is doing.
82
252525
1756
Jadi Yahli, apapun kamu mahu jadi,
04:14
It will be humans that are creating the copy behind our marketing campaigns,
83
254305
4118
biar setiap hari bawa cabaran baru.
04:18
and it will be humans that are developing our business strategy.
84
258447
3517
Jika sebegitu, kamu akan berada di hadapan mesin.
04:21
So Yahli, whatever you decide to do,
85
261988
2817
Terima kasih.
(Tepukan)
04:24
let every day bring you a new challenge.
86
264829
2361
04:27
If it does, then you will stay ahead of the machines.
87
267587
2809
04:31
Thank you.
88
271126
1176
04:32
(Applause)
89
272326
3104
Mengenai laman web ini

Laman web ini akan memperkenalkan anda kepada video YouTube yang berguna untuk belajar bahasa Inggeris. Anda akan melihat pelajaran Bahasa Inggeris yang diajar oleh guru terkemuka dari seluruh dunia. Klik dua kali pada sari kata bahasa Inggeris yang dipaparkan pada setiap halaman video untuk memainkan video dari sana. Sari kata tatal selari dengan main balik video. Jika anda mempunyai sebarang komen atau permintaan, sila hubungi kami menggunakan borang hubungan ini.

https://forms.gle/WvT1wiN1qDtmnspy7