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

Vertaald door: Tahlia Flora Nagekeken door: Peter van de Ven

So this is my niece.

Dit is mijn nichtje.

Her name is Yahli.

Ze heet Yahli.

She is nine months old.

Ze is negen maanden oud.

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

Haar moeder is dokter en haar vader is advocaat.

By the time Yahli goes to college,

Tegen de tijd dat Yahli naar de universiteit gaat,

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

zullen de beroepen van haar ouders drastisch zijn veranderend.

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

In 2013 hebben onderzoekers van de universiteit van Oxford

onderzoek gedaan naar werk in de toekomst.

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

Ze concludeerden dat bijna één op de twee banen

of being automated by machines.

een grote kans op automatisering heeft.

Machine learning is the technology

Machinaal leren is de technologie

die grotendeels verantwoordelijk is voor deze ontregeling.

that's responsible for most of this disruption.

It's the most powerful branch of artificial intelligence.

Het is de krachtigste tak van kunstmatige intelligentie.

It allows machines to learn from data

Hierdoor kunnen machines leren van data

and mimic some of the things that humans can do.

en sommige dingen nabootsen die mensen kunnen doen.

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

Mijn bedrijf Kaggle is een pionier als het gaat om machinaal leren.

We bring together hundreds of thousands of experts

We brengen honderdduizenden deskundigen bijeen

to solve important problems for industry and academia.

om belangrijke problemen op te lossen voor bedrijven

en wetenschappelijke instellingen.

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

Zo krijgen we een uniek perspectief

op wat machines wel en niet kunnen doen

what they can't do

and what jobs they might automate or threaten.

en welke banen ze mogelijk automatiseren of in gevaar brengen.

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

Machinaal leren ontstond begin jaren 90 in het bedrijfsleven.

It started with relatively simple tasks.

Het begon met tamelijk eenvoudige taken.

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

Zoals het evalueren van kredietrisico bij kredietaanvragen

sorting the mail by reading handwritten characters from zip codes.

en de post sorteren door het aflezen van handgeschreven postcodes.

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

De laatste jaren hebben we dramatische doorbraken bereikt.

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

Machinaal leren kan nu veel complexere taken aan.

In 2012, Kaggle challenged its community

In 2012 heeft Kaggle zijn medewerkers uitgedaagd

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

om een algoritme te bouwen

dat middelbare school essays kan beoordelen.

The winning algorithms were able to match the grades

De winnende algoritmen kwamen tot dezelfde cijfers als de leraren.

given by human teachers.

Vorig jaar stonden we voor een moeilijkere uitdaging.

Last year, we issued an even more difficult challenge.

Kan je foto's maken van het oog en een diagnose stellen

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

voor de oogziekte diabetische retinopathie?

called diabetic retinopathy?

Opnieuw konden de winnende algoritmen dezelfde diagnose stellen

Again, the winning algorithms were able to match the diagnoses

given by human ophthalmologists.

als de menselijke oogartsen.

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

Met de juiste data presteren machines bij dit soort taken beter dan mensen.

at tasks like this.

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

Een docent leest misschien 10.000 essays in een 40-jarige loopbaan.

An ophthalmologist might see 50,000 eyes.

Een oogarts ziet misschien 50.000 ogen.

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

Een machine kan binnen een paar minuten miljoenen essays lezen

en miljoenen ogen zien.

within minutes.

We have no chance of competing against machines

We kunnen op geen enkele manier concurreren met machines

on frequent, high-volume tasks.

als het gaat om regelmatige en omvangrijke werkzaamheden.

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

Maar er zijn dingen die wij kunnen doen

en machines niet.

Where machines have made very little progress

Machines hebben weinig vooruitgang geboekt

is in tackling novel situations.

in het omgaan met nieuwe situaties.

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

Ze kunnen geen dingen hanteren die ze niet vaak hebben gezien.

The fundamental limitations of machine learning

De fundamentele beperking van machinaal leren

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

is dat het moet leren van een grote hoeveelheid oude gegevens.

Now, humans don't.

Dat is bij mensen niet zo.

We have the ability to connect seemingly disparate threads

We zijn in staat om schijnbaar verschillende draden te verbinden

to solve problems we've never seen before.

om problemen op te lossen die we nooit hebben gezien.

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

Percy Spencer was natuurkundige

en werkte aan radar tijdens de Tweede Wereldoorlog,

when he noticed the magnetron was melting his chocolate bar.

toen hij opmerkte dat zijn chocoladereep smolt door magnetronstraling.

He was able to connect his understanding of electromagnetic radiation

Hij kon zijn inzicht in elektromagnetische straling

with his knowledge of cooking

verbinden met zijn kookkennis

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

voor de uitvinding van -- enig idee? -- de magnetronoven.

Now, this is a particularly remarkable example of creativity.

Dit is een bijzonder opvallend voorbeeld van creativiteit.

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

Deze vorm van kruisbestuiving overkomt ons met kleine dingen,

thousands of times per day.

duizenden keren per dag.

Machines cannot compete with us

Machines kunnen niet concurreren met ons

when it comes to tackling novel situations,

als het gaat om het aanpakken van nieuwe situaties.

and this puts a fundamental limit on the human tasks

Dit begrenst fundamenteel het type menselijke arbeid

that machines will automate.

dat machines zullen automatiseren.

So what does this mean for the future of work?

Wat betekent dit voor ons werk in de toekomst?

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

De toekomst van iedere baan ligt in het antwoord op één enkele vraag:

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

in welke mate is ze te reduceren tot regelmatige en omvangrijke taken,

and to what extent does it involve tackling novel situations?

en in hoeverre behelst ze het aanpakken van nieuwe situaties?

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

Machines worden slimmer in het uitvoeren van regelmatige en omvangrijke taken.

Tegenwoordig beoordelen ze essays.

Today they grade essays. They diagnose certain diseases.

Ze diagnosticeren bepaalde ziektes.

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

In de komende jaren doen ze onze accountantscontrole

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

en lezen ze standaardteksten van juridische contracten.

Accountants and lawyers are still needed.

Accountants en advocaten zijn nog steeds nodig

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

om complexe teksten te structureren

en baanbrekende geschillen op te lossen.

for pathbreaking litigation.

Maar door de machines zal hun aantal afnemen

But machines will shrink their ranks

and make these jobs harder to come by.

en zullen deze banen moeilijker te vinden zijn.

Now, as mentioned,

machines are not making progress on novel situations.

Zoals vermeld maken machines geen vooruitgang op nieuwe situaties.

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

De tekst voor een marketingcampagne

moet de aandacht trekken van de consument.

It has to stand out from the crowd.

Het moet opvallen in de grijze massa.

Business strategy means finding gaps in the market,

Bedrijfsstrategie betekent het gat in de markt vinden

things that nobody else is doing.

en dingen doen die anderen niet doen.

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

Het is de mens die teksten voor een marketingcampagne zal schrijven.

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

Het is de mens die onze bedrijfsstrategie zal ontwikkelen.

So Yahli, whatever you decide to do,

Dus Yahli, wat je ook besluit te doen,

let every day bring you a new challenge.

laat elke dag een uitdaging zijn.

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

Als je dat doet, zal je de machines een stap voor zijn.

Thank you.

Bedankt.

(Applause)

(Applaus)