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

Translator: Ronja Dahl Reviewer: Marleen Laschet

So this is my niece.

Dette er min niese.

Her name is Yahli.

Hun heter Yahli.

She is nine months old.

Hun er ni måneder gammel.

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

Moren hennes er lege og faren er advokat.

By the time Yahli goes to college,

Innen Yahli skal gå på college,

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

vil jobbene til foreldrene hennes se veldig annerledes ut.

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

I 2013 forsket universitetet i Oxford på arbeidets fremtid.

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

De konkluderte at nesten annenhver jobb har en høy risiko

of being automated by machines.

for å bli automatisert av maskiner.

Machine learning is the technology

Maskinlæring er teknologien

that's responsible for most of this disruption.

som er ansvarlig for denne endringen.

It's the most powerful branch of artificial intelligence.

Det er den mektigste bransjen innen kunstig intelligens.

It allows machines to learn from data

Den lar maskiner lære fra data

and mimic some of the things that humans can do.

og etterligne noe av det mennesker kan gjøre.

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

Mitt firma, Kaggle, jobber på hugget av maskinlæring.

We bring together hundreds of thousands of experts

Vi samler hundretusenvis av eksperter

to solve important problems for industry and academia.

for å løse viktige problemer i industri og akademia.

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

Dette gir oss et unikt perspektiv på hva maskiner kan gjøre,

what they can't do

hva de ikke kan gjøre

and what jobs they might automate or threaten.

og hvilke jobber de kan automisere eller true.

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

Maskinlæring begynte å vokse frem i industrien tidlig på 90-tallet.

It started with relatively simple tasks.

Det begynte med relativt enkle oppgaver.

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

Det startet med ting som å vurdere kredittrisiko fra lånesøknader,

sorting the mail by reading handwritten characters from zip codes.

sortering av post ved lesing av håndskrevne bokstaver i postkoder.

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

Over de siste årene har vi hatt dramatiske gjennombrudd.

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

Maskinlæring kan nå mestre langt mer komplekse oppgaver.

In 2012, Kaggle challenged its community

I 2012 utfordret Kaggle samfunnet sitt

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

til å bygge en algoritme som kunne rette highschool elevers stiler.

The winning algorithms were able to match the grades

Algoritmen som vant, stemte med karakterene

given by human teachers.

gitt av menneskelige lærere.

Last year, we issued an even more difficult challenge.

I fjor ga vi en enda vanskeligere utfordring.

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

Kan du ta bilder av øyet og diagnostisere en øyesykdom

called diabetic retinopathy?

kalt diabetisk retinopati?

Again, the winning algorithms were able to match the diagnoses

Igjen klarte den vinnende algoritmen å matche diagnosen

given by human ophthalmologists.

gitt av menneskelige oftalmologer.

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

Gitt rett data, vil maskiner utkonkurrere mennesker

at tasks like this.

i oppgaver som disse.

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

En lærer kan kanskje lese 10 000 stiler over en 40 år lang karriere.

An ophthalmologist might see 50,000 eyes.

En oftalmolog kan kanskje se 50 000 øyer.

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

En maskin kan lese millioner av stiler eller se millioner av øyer

within minutes.

på noen minutter.

We have no chance of competing against machines

Vi har ingen sjanse til å konkurrere mot maskiner

on frequent, high-volume tasks.

i hyppige oppgaver med store mengder.

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

Men det er ting vi kan gjøre som maskiner ikke kan.

Where machines have made very little progress

Maskiner har gjort veldig lite fremgang

is in tackling novel situations.

i å takle nye situasjoner.

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

De kan ikke håndtere ting de ikke har sett mange ganger før.

The fundamental limitations of machine learning

De fundamentale begrensningene i maskinlæring

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

er at de trenger å lære fra store mengder med tidligere data.

Now, humans don't.

Mennesker trenger ikke det.

We have the ability to connect seemingly disparate threads

Vi har evnen til å koble tilsynelatende separate tråder

to solve problems we've never seen before.

for å løse prøblemer vi aldri har sett før.

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

Percy Spencer var en fysiker som jobbet med radar under 2. verdenskrig.

when he noticed the magnetron was melting his chocolate bar.

Plutselig så han at magnetronen smeltet sjokoladen hans.

He was able to connect his understanding of electromagnetic radiation

Han klarte å forbinde forståelsen for elektromagnetisk stråling

with his knowledge of cooking

med kunnskap om matlaging

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

for å finne opp -- noen forslag? -- mikrobølgeovnen.

Now, this is a particularly remarkable example of creativity.

Dette er et bemerkelsesverdig eksempel på kreativitet.

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

Men denne formen for" krysspolinering" skjer for oss alle på en mindre skala

thousands of times per day.

tusenvis av ganger hver dag.

Machines cannot compete with us

Maskiner kan ikke konkurrere med oss

when it comes to tackling novel situations,

når det gjelder å takle nye situasjoner,

and this puts a fundamental limit on the human tasks

og dette setter en fundamental grense på menneskelige oppgaver

that machines will automate.

som maskinene vil automatisere.

So what does this mean for the future of work?

Hva betyr så dette for arbeidets fremtid?

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

Fremtiden for envher jobb ligger i svaret på ett enkelt spørsmål:

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

I hvilken grad kan jobben reduseres til hyppige oppgaver med store mengder,

and to what extent does it involve tackling novel situations?

og i hvilken grad er takling av nye situasjoner nødvendig?

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

På hyppige oppgaver med store mengder blir maskiner smartere og smartere.

Today they grade essays. They diagnose certain diseases.

I dag retter de stil. De diagnostiserer visse sykdommer.

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

I kommende år vil de gjøre revisjonene våre,

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

og de kommer til å lese standardtekst fra juridiske kontrakter.

Accountants and lawyers are still needed.

Regnskapsførere og advokater trengs enda.

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

De trengs for kompleks skatte-strukturering,

for banebrytende rettssaker.

for pathbreaking litigation.

Men maskiner vil tynne ut rekkene

But machines will shrink their ranks

and make these jobs harder to come by.

og gjøre jobbene vanskeligere å finne.

Now, as mentioned,

Som tidligere nevnt

machines are not making progress on novel situations.

gjør maskiner ikke fremskritt på nye situasjoner.

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

Kopien bak en markedsføring må fange forbrukerens oppmerksomhet.

It has to stand out from the crowd.

Den må skille seg ut blant massen.

Business strategy means finding gaps in the market,

Forretningsstrategi betyr å finne hull i markedet,

things that nobody else is doing.

ting ingen andre gjør.

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

Det vil være mennesker som lager kopien bak markedsføringen vår,

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

og det vil være mennesker som utvikler forretningsstrategien vår.

So Yahli, whatever you decide to do,

Så Yahli, uansett hva du velger,

let every day bring you a new challenge.

la hver dag gi deg en ny utfordring.

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

Så lenge den gjør det, vil du ha et forsprang på maskinene.

Thank you.

Takk.

(Applause)

(Applaus)