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

Translator: sann tint Reviewer: Myo Aung

So this is my niece.

ဒါက ကျွန်တော့ တူမပါ။

Her name is Yahli.

သူမရဲ့ အမည်က Yahli ပါ။

She is nine months old.

အသက်က ကိုး လပါ။

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

သူမရဲ့ အမေက ဆရာဝန်၊ အဖေက ရှေ့နေပါ။

By the time Yahli goes to college,

Yahli ကောလိပ်တက်ချိန်မှာ

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

သူမရဲ့ မိဘတွေလုပ်တဲ့ အလုပ်တွေဟာ အံ့မခန်း ပြောင်းလဲတော့မယ့်ပုံပါ။

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

၂၀၁၃ မှာ Oxford တက္ကသိုလ်က သုတေသီတွေ ဟာ အလုပ်ရဲ့ အနာဂတ်ကို လေ့လာခဲ့တယ်။

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

သူတို့ ကောက်ချက်ချတာက အလုပ်နှစ်ခုတိုင်း မှာ တစ်ခုနီးပါးက စက်တွေနဲ့ အစားထိုးတာ

of being automated by machines.

ခံရမယ့် မြင်မားတဲ့ အန္တရာယ်ရှိတယ်။

Machine learning is the technology

စက်သညာဟာ ဒီအနှောက်အယှက်

that's responsible for most of this disruption.

အများစုအတွက် တရားခံဖြစ်တဲ့ နည်းပညာပါ။

It's the most powerful branch of artificial intelligence.

ဉာဏ်ရည်တုရဲ့ စွမ်းအား အကောင်ဆုံး ကိုင်းခွဲပါ။

It allows machines to learn from data

စက်တွေက ဒေတာကနေ သင်ယူ၊ လူတွေလုပ်နိုင်တဲ့

and mimic some of the things that humans can do.

တစ်ချို့ အရာတွေကို အသွင်တုခွင့် ပေးပါတယ်။

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

ကျွန်တော့ ကုမ္ပဏီ Kaggle ဟာ စက်သညာရဲ့ နောက်ဆုံးပေါ်မှာ လည်ပတ်ပါတယ်။

We bring together hundreds of thousands of experts

စက်မှုနဲ့ ပညာရပ်အတွက် အရေးပါတဲ့ ပြဿနာဖြေရှင်းဖို့

to solve important problems for industry and academia.

သိန်းချီတဲ့ ကျွမ်းကျင်ပညာရှင်တွေကို စုစည်းပါတယ်။

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

ဒါက ပေးတဲ့ ထူးခြားတဲ့ အမြင်တစ်ရပ်က စက်တွေ လုပ်ဆောင်နိုင်တာ၊

what they can't do

မလုပ်နိုင်တာ၊ ဘာအလုပ်တွေ

and what jobs they might automate or threaten.

စက်နဲ့အစားထိုးတာ (သို့) ခြိမ်းခြောက် နိုင်လောက်တာပါ။

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

စက်သညာဟာ ၉၀ နှစ်လွန်အစောပိုင်းက ၎င်းရဲ့ လမ်းကို စဖောက်ခဲ့တာပါ။

It started with relatively simple tasks.

အတော် ရိုးစင်းတဲ့ လုပ်ရပ်တွေနဲ့ စခဲ့တာပါ။

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

ချေးငွေ လျှောက်လွှာတွေကနေ ခရက်ဒစ် ဘေးရန်ကို ဝင်ကြည့်တာ၊

sorting the mail by reading handwritten characters from zip codes.

စာပို့သကေင်္တတွေကနေ လက်ရေးကို ဖတ်ခြင်း နဲ့ စာရွေးတာမျတတွေနဲ့ စခဲ့ပါတယ်။

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

နှစ်အနည်းငယ်လွန်တော့ ထူးခြားတဲ့ တိုးတက်မှုတွေ လုပ်ခဲ့တယ်။

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

စက်သညာဟာ အခုဆို အလွန် ပိုရှုပ်ထွေးတဲ့ လုပ်ဆောင်ချက်တွေကို တတ်နိုင်စွမ်းပါတယ်။

In 2012, Kaggle challenged its community

၂၀၁၂မှာ Kaggle က လူထုကို စိန်ခေါ် လိုက်တာက အထက်တန်းဆင့်

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

အက်ဆေးတွေကို အဆင့်သတ်မှတ်နိုင်တဲ့ အယ်ဂိုရီသမ်တစ်ခု တည်ဆောက်ဖို့ပါ။

The winning algorithms were able to match the grades

နှစ်လိုဖွယ် အယ်ဂိုရီသမ်ဟာ လူသား ဆရာတွေပေးတဲ့ အဆင့်

given by human teachers.

သတ်မှတ်ချက်တွေနဲ့ ယှဉ်နိုင်ခဲ့တယ်။

Last year, we issued an even more difficult challenge.

မနှစ်က ပိုတောင် ခက်ခဲတဲ့ စိန်ခေါ်မှု တစ်ရပ်ကို ထုတ်ပြန်ခဲ့တယ်။

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

မျက်စိကို ပုံရိပ်ဖမ်းပြီး ဆီးချို မျက်စိကွယ်တာလို့ခေါ်တဲ့

called diabetic retinopathy?

မျက်စိရောဂါကို ရှာဖွေနိုင်လား။

Again, the winning algorithms were able to match the diagnoses

ထပ်ပြီး နှစ်လိုဖွယ် အယ်ဂိုရီသမ်ဟာ မျက်စိဆရာဝန်တွေပေးတဲ့

given by human ophthalmologists.

ရှာဖွေမှုတွေနဲ့ ယှဉ်နိုင်ခဲ့ပါတယ်။

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

အခု မှန်ကန်တဲ့ ဒေတာကိုထောက်ဆလျှင် စက်တွေဟာ ဒီလိုအလုပ်တွေမှာ

at tasks like this.

လူတွေထက် သာတော့မှာပါ။

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

ဆရာတစ်ဦးဟာ လုပ်သက် နှစ်လေးဆယ် ကျော်မှာ အက်ဆေး ၁၀၀၀၀ ဖတ်မိလောက်တယ်။

An ophthalmologist might see 50,000 eyes.

မျက်စိဆရာဝန်က မျက်လုံး ၅၀၀၀၀ တွေ့နိုင်တာပေါ့။

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

စက်တစ်ခုဟာ သန်းချီတဲ့ အက်ဆေးတွေ၊ သန်းချီတဲ့ မျက်လုံးတွေကို မိနစ်ပိုင်း

within minutes.

အတွင်းမှာ ဖတ်နိုင်တယ်။

We have no chance of competing against machines

ကြိမ်ရေများကာ ထုထည်မြင့်မားတဲ့ အလုပ်တွေမှာ စက်တွေနဲ့

on frequent, high-volume tasks.

ယှဉ်ဖို့ အခွင့်မရှိပါဘူး။

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

ဒါပေမဲ့ စက်တွေ မတတ်နိုင်ပဲ ကျွန်တော်တို့ လုပ်နိုင်တာတွေ ရှိပါတယ်။

Where machines have made very little progress

စက်တွေ တိုးတက်မှု အရမ်းနည်းတာက ဆန်းသစ်တဲ့

is in tackling novel situations.

အခြေအနေတွေကို ကိုင်တွယ်ရာမှာပါ။

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

အရင်က အကြိမ်အများကြီး မမြင်ဖူးတဲ့ အရာတွေကို ၎င်းတို့ မကိုင်တွယ်နိုင်ဘူး။

The fundamental limitations of machine learning

စက်သညာရဲ့ ပဓာန ကန့်သတ်ချက်တွေက

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

စက်ဟာ အတိတ် ဒေတာရဲ့ ကြီးမားတဲ့ ပမာဏတွေကနေ သင်ယူဖို့ လိုတာပါ။

Now, humans don't.

ကဲ လူတွေကတော့ မဟုတ်ဘူး။

We have the ability to connect seemingly disparate threads

မမြင်ဖူးတဲ့ ပြဿနာကို ဖြေရှင်းဖို့ ဆိုးဝါးပုံရတဲ့ အမျှင်တွေကို

to solve problems we've never seen before.

ဆက်သွယ်ဖို့ အစွမ်း ကျွန်တော်တို့မှာ ရှိပါတယ်။

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

Percy Spencer ဟာ သံလိုက်ပြွန်က ချောကလက်ကို အရည်ပျော်စေတာ သတိပြုမိစဉ်က

when he noticed the magnetron was melting his chocolate bar.

ဒုတိယ ကမ္ဘာစစ်အတွင်းက ရေဒါမှာ လုပ်ကိုင်နေတဲ့ ရူပဗေဒညာရှင်ပါ။

He was able to connect his understanding of electromagnetic radiation

သူ့ရဲ့ သံလိုက်လျှပ်စစ် ရောင်ခြည် နားလည်မှုကို ချက်ပြုတ်ခြင်း

with his knowledge of cooking

သုတနဲ့ ဆက်စပ်နိုင်ခဲ့တယ်။

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

တီထွင်ဖို့က မှန်းဆမိလား မိုက်ခရိုဝေ့ဖ် မီးဖိုပါ။

Now, this is a particularly remarkable example of creativity.

ကဲ ဒါက အတော် ထူးခြားတဲ့ မှတ်သားစရာ ဖန်တီးမှုပါ။

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

ဒါပေမဲ့ ဒီလို ဝတ်မှုံစပ်ကူးခြင်းဟာ တစ်ဦးစီမှာ နေ့စဉ် အကြိမ်ထောင်ချီတဲ့

thousands of times per day.

နည်းလမ်းလေးတွေနဲ့ ဖြစ်ပေါ်နေတာပါ။

Machines cannot compete with us

ဆန်းသစ်တဲ့ အခြေအနေတွေကို

when it comes to tackling novel situations,

ကိုင်တွယ်ရာမှာ စက်တွေဟာ လူနဲ့ မယှဉ်နိုင်ဘူး။

and this puts a fundamental limit on the human tasks

ဒါက လူသား အလုပ်တွေကို စက်တွေက အစားထိုးမယ်ဆိုတာကို

that machines will automate.

ပဓာန ကန်သတ်ချက်ပေးတာပါ။

So what does this mean for the future of work?

ဒီတော့ ဒါက အနာဂတ် အလုပ်အတွက် ဘာကိုဆိုလိုတာလဲ။

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

အလုပ်တစ်ခုချင်းရဲ့ အနာဂတ် အခြေအနေဟာ မေးခွန်းတစ်ခုတည်းရဲ့ အဖြေမှာတည်ပါတယ်။

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

မကြာခဏ ထုထည်မြင့်မားတဲ့ အလုပ်တွေမှာ ဘယ်အတိုင်းအတာထိ အလုပ် ယုတ်လျော့မလဲ၊

and to what extent does it involve tackling novel situations?

ဆန်သစ်တဲ့ အခြေအနေတွေကို ကိုင် တွယ်ရာမှာ ဘယ်အတိုင်းအတာထိရှိလဲ။

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

မကြာခဏ ပမာဏမြင့်မားတဲ့ အလုပ်တွေမှာ စက်တွေဟာ ပိုပိုပြီး တော်လာနေတယ်။

Today they grade essays. They diagnose certain diseases.

ယနေ့ အက်ဆေးတွေ အဆင့်သတ်မှတ်တယ်၊ ရောဂါတစ်ချို့ ရှာဖွေတယ်။

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

လာမယ့်နှစ်တွေမှာ ကျွန်တော်တို့ရဲ့ စာရင်းတွေကို စစ်ပြီး

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

တရားဝင် ကန်ထရိုက်တွေနေ စံညွှန်းတွေကို ဖတ်တော့မယ်။

Accountants and lawyers are still needed.

.စာရင်းကိုင်တွေနဲ့ ရှေ့နေတွေ လိုနေဆဲပါ။

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

ရှုပ်ထွေးတဲ့ အခွန် ဖွဲ့စည်းမှုတွေနဲ့ ဆန်းသစ်တဲ့ အမှုအတွက်

for pathbreaking litigation.

But machines will shrink their ranks

ဒါပေမဲ့ စက်တွေက ရာထူးတွ​ေ ချုံ့တော့

and make these jobs harder to come by.

ဒီအလုပ်တွေရဖို့ ပို ခက်စေလိမ့်မယ်။

Now, as mentioned,

ကဲ ဆိုခဲ့တဲ့အတိုင်း

machines are not making progress on novel situations.

စက်တွေဟာ ဆန်းသစ်တဲ့ အခြေအနေမှာ တိုးတက်မနေပါဘူး။

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

စျေးကွက် စည်းရုံးပွဲနောက်က မိတ္တူက စားသုံးသူ အာရုံကို ဆွဲယူဖို့လိုတယ်။

It has to stand out from the crowd.

လူစုထဲကနေ ကွဲထွက်ဖို့လိုပါတယ်။

Business strategy means finding gaps in the market,

စီးပွားရေး ဗျူဟာက စျေးကွက်ထဲက ကွာဟချက်တွေ ရှာတာပါ။

things that nobody else is doing.

အခြား ဘယ်သူမှ လုပ်မနေတာတွေပေါ့။

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

စျေးကွက်ဖော် စည်းရုံးပွဲနောက်က မိတ္တူကို ဖန်တီးနေတာက လူသားတွေဖြစ်ပြီး

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

စီးပွားရေး ဗျူဟာတွေကို ဖွံ့ဖြိုး အောင်လုပ်နေတာ လူသားတွေဖြစ်လိမ့်မယ်။

So Yahli, whatever you decide to do,

ဒီတော့ Yahli ရေ မင်းဘာလုပ်ဖို့ ဆုံးဖြတ်ဆုံးဖြတ်

let every day bring you a new challenge.

နေ့စဉ်တိုင်း စိမ်ခေါ်မှု အသစ်တစ်ခု ယူလာပါစေ။

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

အဲဒါဆိုရင် မင်းဟာ စက်တွေရဲ့ ရှေ့က ရှိနေမှာပါ။

Thank you.

ကျေးဇူးတင်ပါတယ်။

(Applause)

(လက်ခုပ်သံများ)